Professional Documents
Culture Documents
הסתברות ושימושיה
Uploaded by
benshenhar7682Copyright
Available Formats
Share this document
Did you find this document useful?
Is this content inappropriate?
Report this DocumentCopyright:
Available Formats
הסתברות ושימושיה
Uploaded by
benshenhar7682Copyright:
Available Formats
קורס 80312
הסתברות ושימושיה
Probability Theory and Applications
שמעון בן שושן
סמסטר ב' ,תשע"ד
תקציר
מסמך זה מכיל את סיכומי ההרצאות של הקורס בהסתברות ושימושיה כפי שהועברו ע"י ד"ר בוריס ביגון.
בחלק השני מופיעים התרגולים שהועברו במהלך הסמסטר.
במקרה של טעויות ואי דיוקים ,ניתן לפנות אליי במייל .shimonb89@gmail.com
1
תוכן עניינים תוכן עניינים
תוכן עניינים
5 הרצאות I
5 כללי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6 מרחב הסתברות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
7 הגדרות וסימונים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1
7 תכונות אקסיומטיות של פונקציית ההסתברות . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2
7 מרחב סימטרי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3
8 הסתברות מותנית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4
10 נוסחת ההסתברות השלמה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5
10 הערות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1
10 נוסחת בייס ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (Bayes 2.6
11 גרסה נוספת לנוסחת בייס . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.1
13 מאורעות בלתי תלויים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7
13 הגדרות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.1
13 אי תלות במשותף . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7.2
15 משתנה מקרי ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (Random Variable 3
15 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1
15 פונקציית התפלגות מצטברת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2
15 תכונות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1
16 משתנה מקרי בדיד . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3
16 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1
16 התפלגות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2
17 תכונות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.3
17 משתנה מקרי רציף . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4
17 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1
18 תכונות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.2
18 הקשר לפונקציית ההתפלגות המצטברת . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.3
19 התפלגויות בדידות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
19 התפלגות בינומית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1
20 התפלגות גיאומטרית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2
21 התפלגות פואסונית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3
22 הקשר בין התפלגות בינומית להתפלגות פואסונית . . . . . . . . . . . . . . . . . . . . 4.3.1
23 התפלגויות רציפות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
23 התפלגות אחידה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1
23 פונקציית התפלגות מצטברת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1
24 התפלגות מעריכית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2
24 פונקציית התפלגות מצטברת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.1
26 תוחלת של משתנה מקרי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
26 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1
26 הערות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1
27 התפלגות סימטרית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2
28 תוחלות של משתנים מקריים מיוחדים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2
28 משתנה מקרי בינומי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.1
28 משתנה מקרי פואסוני . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.2
28 משתנה מקרי גיאומטרי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.3
29 משתנה מקרי אחיד . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.4
29 משתנה מקרי מעריכי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.5
30 התפלגות ותוחלת של פונקציה של משתנה מקרי . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3
30 התפלגות של פונקציה של משתנה מקרי . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1
31 תוחלת של פונקציה של משתנה מקרי . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2
32 ( של משתנה מקרי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Variance שונות ) 7
32 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1
32 סטיית תקן . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2
33 תכונות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3
34 התפלגות נורמלית )גאוסית( . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
34 התפלגות נורמלית תקנית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1
34 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1.1
2
תוכן עניינים תוכן עניינים
34 . . . . . . . . . . . . . . . . . . . . . .
פונקציית התפלגות מצטברת . . . .
8.1.2 . . . . .
35 . . . . . . . . . . . . . . . . . . . . . . .
תוחלת . . . . . . . . . . . . . .
8.1.3 . . . . .
35 . . . . . . . . . . . . . . . . . . . . . . .
שונות . . . . . . . . . . . . . .
8.1.4 . . . . .
35 . . . . . . . . . . . . . . . . . . . . . .
סטיית תקן . . . . . . . .. . . .
8.1.5 . . . . .
35 התפלגות נורמלית כללית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2
35 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.1
35 תכונות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.2
36 תקנון של משתנה מקרי נורמלי כללי . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.3
36 פונקציית הצפיפות של משתנה מקרי נורמלי כללי . . . . . . . . . . . . . . . . . . . . 8.2.4
36 משפט דה־מואבר ־ לפלס . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.3
37 התפלגות משותפת של מספר משתנים מקריים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
37 הגדרות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1
38 תוחלת של סכום שני משתנים מקריים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.2
39 התפלגות משותפת עבור משתנים מקריים בלתי תלויים . . . . . . . . . . . . . . . . . . . . . . 9.3
39 תנאי לאי תלות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.1
40 שונות משותפת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.4
40 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.4.1
40 תכונות של שונות משותפת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.4.2
41 ( . . . . . . . . . . . . . . . . . . . . . . . . משתנים בלתי מתואמים ) Uncorrelated
9.4.3
42 ( . . . . . . . . . . . . . . . . . . . . . . . מקדם מתאם ) Correlation Coe cient
9.4.4
42 יישומים של השונות המשותפת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.4.5
43 התפלגות של סכום של שני משתנים מקריים בלתי תלויים . . . . . . . . . . . . . . . . . . . . . 9.5
44 התפלגות משותפת של משתנים מקריים מותנים . . . . . . . . . . . . . . . . . . . . . . . . . . 9.6
44 הגדרה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.6.1
44 תוחלת מותנית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.6.2
45 נוסחת התוחלת השלמה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.6.3
47 התנהגות אסימפטוטית של משתנה מקרי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
47 חוק המספרים הגדולים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.1
48 משפט הגבול המרכזי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.2
51 תנועה בראונית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.2.1
52 תרגולים II
52 1־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17.2.14 תרגול 1
52 מקדם הבינום . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1
52 טענות עבור מקדם הבינום . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1
55 2־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24.2.14 תרגול 2
55 מרחב הסתברות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1
55 טענות על מרחב ההסתברות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1
56 דוגמות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2
58 3־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.14 תרגול 3
58 הסתברות מותנית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1
60 4־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3.14 תרגול 4
60 אי־תלות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1
62 5־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.3.14 תרגול 5
62 אי תלות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1
63 פונקציית התפלגות מצטברת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2
64 6־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24.3.14 תרגול 6
64 משתנים מקריים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1
66 7־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31.3.14 תרגול 7
66 משתנים מקריים בדידים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1
66 משתנים מקריים רציפים . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2
68 8־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28.4.14 תרגול 8
68 תוחלת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1
70 9־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12.5.14 תרגול 9
70 תוחלת ושונות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1
72 10־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19.5.14 תרגול 10
72 התפלגות נורמלית . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.1
74 11־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26.5.14 תרגול 11
3
תוכן עניינים תוכן עניינים
74 התפלגויות משותפות . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.1
76 תרגול 12־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.14 12
76 שונות משותפת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12.1
79 תרגול 13־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.6.14 13
79 שונות משותפת . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13.1
80 שימוש בקונבולוציה . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13.2
81 תרגול 14־ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16.6.14 14
81 משפט הגבול המרכזי . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14.1
4
כללי 1
I חלק
הרצאות
כללי 1
פרטי המרצה :ד"ר בוריס ביגון
מיילbegun@math.huji.ac.il :
שעות קבלה :בתיאום מראש ,שפרינצק 104
אריאל רפפורט פרטי המתרגל:
Ariel.Rapaport@mail.huji.ac.il מייל:
שעות קבלה :יום א' 18:00־ ,17:00קנדה עליון
מטלות:
• תרגילים שבועיים ־ 25%מגן
• מבחן סוף ־ 100%
5
מרחב הסתברות 2
מרחב הסתברות 2
נבחן מספר דוגמות בכדי להבין את מושג ההסתברות.
דוגמה
איילת ובועז לומדים בכיתה של 8בנות ו־ 5בנים .בוחרים באקראי )כאשר מדובר בבחירה אקראית ,הסיכוי לבחור בכל אחת
מהאפשרויות הוא שווה( ועד המורכב מבת אחת ובן אחד.
מהי ההסתברות לכך ש:
1
Pr (A) = 40 .1איילת ובועז ייבחרו? = 2.5%
5
Pr (B) = 40 .2איילת תיבחר? = 12.5%
0
.3איילת ודלית תבחרנה? Pr (C) = 40 = 0%
Pr (D) = 10
.4לפחות אחת מהחברות איילת ודלית תיבחר? 40 = 25%
Pr (E) = 22
40 = .5אחד מהרביעייה ־ איילת ,בועז ,גיא ודלית יבחר? 55%
נשים לב שבסה"כ ישנם 40וועדים אפשריים.
דוגמה
מטילים מטבע הוגן 3פעמים.
מהי ההסתברות:
.1לקבל יותר עץ ) (Hמפלי ) ?(T
.2לקבל לפחות עץ ) (Hאחד?
נקבע את מרחב המדגם ־ כל התוצאות האפשרויות של הניסוי )סה"כ 23 = 8אפשרויות(:
HHH , HHT
HT T , T HH
TTH , TTT
HT H , T HT
דרך נוספת ־ כיוון שהשאלות הן רק על עץ ) ,(Hנוכל לקבוע את מרחב המדגם לפי מספר הפעמים שיצא עץ )סה"כ 4
אפשרויות(:
H=0 , H=1
H=2 , H=3
פתרון:
.1לפי מרחב המדגם הראשון ,מאורע Aמכיל 4אפשרויות ולכן .Pr (A) = 84 = 50%
לפי מרחב המדקם השני ,מאורע Aמכיל 2אפשרויות ולכן .Pr (A) = 42 = 50%
.2לפי מרחב המדגם הראשון ,מאורע Bמכיל 7אפשרויות ולכן .Pr (B) = 87 = 87.5%
לפי מרחב המדגם השני ,מאורע Bמכיל 3אפשרויות ולכן .Pr (B) = 34 = 75%
מדוע קיבלנו תוצאות שונות? הסיבה היא שבמרחב המדגם השני ,הסיכוי לקבל את כל אחת מהתוצאות הוא שונה :עבור
H = 0יש אפשרות אחת ,עבור H = 1יש 3אפשרויות ,עבור H = 2יש 3אפשרויות ועבור H = 3יש אפשרות אחת.
בשקלול ההבדלים הללו נגיע לאותה תוצאה ־ .Pr (B) = 87אולם כדי להתחשב בהבדלים עלינו לחזור למרחב המדגם
הראשון ,ולכן אין סיבה להשתמש בשני מלכתחילה.
6
מרחב הסתברות 2 הגדרות וסימונים 2.1
דוגמה
רכבות מגיעות לתחנה כל 10דקות .יוסי מגיע לתחנה בזמן אקראי וממתין לרכבת שתגיע.
מהי ההסתברות שיוסי:
.1ימתין יותר מ־ 3דקות ו־ 45שניות?
.2ימתין יותר מ־ 3דקות ופחות מ־ 7דקות?
.3ימתין בדיוק 3דקות ו־ 45שניות?
פתרון:
טווח הערכים שיוסי יכול להמתין הוא בין 0ו־ 10דקות.
האקראיות מתבטאת בכך שהסיכוי להמתין פרק זמן שווה בכל טווח הערכים היא שווה.
.Pr (A) = 6.25
10 = 62.5% .1
4
.Pr (B) = 10 = 40% .2
.3סימנו נקודה בודדת על הקטע .את הנקודה הזו נוכל לכלול בתוך קטע המייצג פרק זמן קטן כרצוננו ולכן ההסתברות היא
מספר אשר קטן מכל מספר חיובי .כיוון שההסתברות לא יכולה להיות שלילית נסיק כי .Pr (C) = 0
הגדרות וסימונים 2.1
• Ω־ מרחב מדגם :אוסף כל התוצאות האפשריות.
• ω־ תוצאה אפשרית.
• A, B, C, . . .־ מאורעות )קבוצות של תוצאות( .מתקיים .A, B, C, · · · ⊆ Ω
• פונקציית ההסתברות :Prלכל מאורע Aהפונקציה מתאימה מספר )) Pr (Aההסתברות של המאורע .(A
תכונות אקסיומטיות של פונקציית ההסתברות 2.2
.1
0 6 Pr (A) 6 1
.2
Pr (∅) = 0 , Pr (Ω) = 1
נשים לב לכך שאם ההסתברות היא ,0אזי לא בהכרח מתקיים שהמאורע הוא הקבוצה הריקה )בדומה למאורע C
בדוגמה השלישית שראינו(.
.3
X
) Pr (∪Ai = ) Pr (Ai
i
שוויון זה מתקיים כאשר ∅ = ∀i, j Ai ∩ Ajוכן כאשר A1 , A2 , . . .משפחת מאורעות סופית או בת מניה.
באופן פורמלי ,מרחב ההסתברות הוא שלשה ) (Ω, F, Prכאשר Ωהוא מרחב המדגם Pr ,היא פונקציית ההסתברות ו־F
היא σ־אלגברה של מאורעות .עם זאת ,בקורס זה לא נשתמש ב־ Fכיוון שלא ניתקל במצבים הדורשים אותה.
מרחב סימטרי 2.3
מקרה פרטי חשוב של מרחב הסתברות הוא מרחב הסתברות סימטרי.
1
= )} ,Pr ({ωובכך ומהאקסיומות נסיק את השוויון הבא: N במרחב כזה ,כאשר |Ω| = Nמתקיים
||A
)Pr (A = )(2.1
||Ω
7
מרחב הסתברות 2 הסתברות מותנית 2.4
דוגמה
מטילים מטבע הוגן פעם אחר פעם.
אם יצא ,Hאיילת מקבלת נקודה ואם יצא Tבועז מקבל נקודה .המשחק מסתיים כאשר אחד המשתתפים משיג 6נקודות.
מהי ההסתברות של כל אחד לנצח אם המשחק הופסק במצב של 5 : 3לאיילת.
פתרון:
לכל היותר יידרשו 3הטלות נוספות בכדי לסיים את המשחק ולכן נעקוב אחרי 3הטלות )גם אם המנצח נקבע לפני(.
ישנן 8אפשרויות שוות סיכוי שרק באחת מהן בועז ינצח ) .(T T Tולכן ,הסיכויים הם 7 : 1לטובת איילת.
דוגמה
זורקים מטבע מגג בניין על דף ניר משובץ .גודל המשבצות הוא .2 × 2
מהי ההסתברות:
.1שמרכז המטבע יהיה במרחק לא יותר מ־ 13ממרכז של איזושהי משבצת?
.2שמרכז המטבע יהיה במרחק לא יותר מ־ 13מאיזושהי פינת משבצת?
פתרון:
π
π 1
.1הנקודות המתאימות הן אלו הנמצאות בעיגול ברדיוס 3מסביב למרכז משבצת .על כן ,ההסתברות היא .Pr (A) = 4 = 36
9
.2הנקודות המתאימות הן אלו הנמצאות על כל אחד מרבעי המעגל ברדיוס 31סביב הפינות .על כן ,ההסתברות היא
1 π
π
= Pr (B) = 4 449 36
הסתברות מותנית 2.4
הסתברות מותנית היא ההסתברות שיתרחש מאורע Bבהינן שמאורע Aכבר התרחש.
דוגמה
מטילים מטבע הוגן פעם אחר פעם.
אם יצא ,Hאיילת מקבלת נקודה ואם יצא Tבועז מקבל נקודה .המשחק מסתיים כאשר אחד המשתתפים משיג 6נקודות.
.1מה הסיכוי שאיילת תנצח.
.2מה הסיכוי שאיילת תנצח כאשר שידוע שהמשחק הגיע לתוצאה 5 : 3לטובת איילת.
פתרון:
.1מכיוון שיש בבעיה זו סימטריה ,ההסתברות היא . 21
.2נגדיר A :־ המאורע בו איילת תנצח B ,־ התוצאה כרגע היא 5 : 3לאיילת .אנו מחפשים את ההסתברות ש־ Aיקרה
בהינתן ש־ Bכבר התרחש ־ ) .Pr (A|Bראינו כבר באותה דוגמה בסעיף 2.3שמתקיים .Pr (A|B) = 78
כיצד נוכל לחשב את ההסתברות עבור כל זוג מאורעות?
הגדרה ־ הסתברות מותנית
בהינתן מאורעות A, Bכך ש־) ,Pr (Bההסתברות המותנית של Aבהינתן ש־ Bהתקיים היא:
)Pr (A ∩ B
)Pr (A|B =
)Pr (B
הערה :נשים לב שאיננו יכולים לקבוע מי יותר גדול ־ ) Pr (Aאו ) ,Pr (A|Bכיוון שמאורע Bנושא בחובו מידע שיכול להשפיע
לשני הכיוונים.
8
מרחב הסתברות 2 הסתברות מותנית 2.4
דוגמה
מטילים 2קוביות הוגנות.
.1מה ההסתברות לסכום זוגי.
.2מה הסיכוי לקבל סכום זוגי כאשר ידוע שהתקבלו שני מספרים שונים?
פתרון:
.1נגדיר את Aכמאורע שבו התקבל סכום זוגי .מסימטריה:
1
)Pr (A =
2
.2נגדיר את Bכמאורע שבו התקבלו מספרים שונים בשתי ההטלות .לכן:
12
)Pr (A ∩ B 36 2
)Pr (A|B = = 30 =
)Pr (B 36
5
נשים לב שכיוון שמדובר במרחב סימטרי יכולנו לחשב פשוט:
||A ∩ B
)Pr (A|B =
||B
מסקנה :לכל שני מאורעות A, Bמתקיים ]:[Pr (A) , Pr (B) > 0
)Pr (A ∩ B = )Pr (B) · Pr (A|B) = Pr (A) · Pr (B|A )(2.2
דוגמה
בסוף השבוע אטייל בעמק האיילות בסיכוי . 23
1
) 10בכל מקום אחר ההסתברות לפגוש איילה היא .(0 ההסתברות לפגוש איילה בעמק היא
מה ההסתברות שאפגוש איילה בסוף השבוע?
פתרון:
נסמן ב־ Aאת המאורע שאלך לעמק האיילות בסוף השבוע וב־ Bאת המאורע שאפגוש איילה בסוף השבוע.
נתון לנו כי:
2
)Pr (A =
3
1
= )Pr (B|A
10
Pr B|A = 0
ולכן:
)Pr (B = )Pr (A ∩ B
= )Pr (A) · Pr (B|A
1
=
15
9
מרחב הסתברות 2 נוסחת ההסתברות השלמה 2.5
נוסחת ההסתברות השלמה 2.5
הגדרה ־ נוסחת ההסתברות השלמה
בהינתן חלוקה של Ωלמספר מאורעות זרים (Ω = ]Ai ) Aiומאורע כלשהו ,Bכך שאנחנו יודעים את ) Pr (Aiואת
i
) Pr (B|Aiלכל iאזי מתקיים:
X X
)Pr (B = = )Pr (Ai ∩ B ) Pr (Ai ) · Pr (B|Ai
i i
הערות 2.5.1
Pr (B) .1הוא ממוצע משוקלל של ) Pr (B|Aiכאשר מקדמי השקלול הם ) .Pr (Ai
.2מתקיים .Pr (B|Ai )min 6 Pr (B) 6 Pr (B|Ai )max
) (Bayes נוסחת בייס 2.6
הגדרה ־ נוסחת בייס
בהינתן חלוקה של Ωלמספר מאורעות זרים (Ω = ]Ai ) Aiומאורע כלשהו ,Bכך שאנחנו יודעים את ) Pr (Bאזי מתקיים:
i
)Pr (Ai ∩ B ) Pr (Ai ) · Pr (B|Ai
)Pr (Ai |B = =P
)Pr (B ) Pr (Aj ) · Pr (B|Aj
j
נשים לב שתוך כדי חישוב המכנה בנוסחת בייס ,נמצא גם את המונה.
כמו כן ,נשים לב שנובע מהנוסחה הקשר הבא:
X
)Pr (Ai |B = 1 )(2.3
i
בהינתן הסתברויות א־פריוריות ) ,Pr (Bנוסחת בייס מאפשרת לנו להגיע להסתברויות א־פוסטריוריות.
10
מרחב הסתברות 2 נוסחת בייס )(Bayes 2.6
דוגמה
בארגז יש שלושה סוגים של פנסים קטנים.
20%מהם מסוג 30% ,1מהם מסוג 2ו־ 50%מהם מסוג .3
ההסתברות של פנס מסוג 1להחזיק יותר מ־ 100שעות היא .0.7
ההסתברות של פנס מסוג 2להחזיק יותר מ־ 100שעות היא .0.4
ההסתברות של פנס מסוג 3להחזיק יותר מ־ 100שעות היא .0.3
.1שולפים פנס מהארגז .מה הסיכוי שהוא יחזיק 100שעות?
.2שולפים פנס מהארגז .הפנס החזיק 100שעות .מה ההסתברות שהפנס הוא מכל אחד מהסוגים?
פתרון:
נסמן ב־ Aiאת המאורע שבו הפנס הוא מסוג iוב־ Bאת המאורע שהפנס מחזיק יותר מ־ 100שעות.
כלומר ,נתונות לנו ההסתברויות הבאות:
Pr (A1 ) = 0.2, Pr (A2 ) = 0.3, Pr (A3 ) = 0.5
Pr (B|A1 ) = 0.7, Pr (B|A2 ) = 0.4, Pr (B|A3 ) = 0.3,
.1
3
X
)Pr (B = ) Pr (Ai ) · Pr (B|Ai
i=1
= 0.2 · 0.7 + 0.3 · 0.4 + 0.5 · 0.3
= 0.41
.2
)Pr (A1 ∩ B ) Pr (A1 ) · Pr (B|A1 0.2 · 0.7 14
)Pr (A1 |B = = = =
)Pr (B )Pr (B 0.41 41
)Pr (A2 ∩ B ) Pr (A2 ) · Pr (B|A2 0.3 · 0.4 12
)Pr (A2 |B = = = =
)Pr (B )Pr (B 0.41 41
)Pr (A3 ∩ B ) Pr (A3 ) · Pr (B|A3 0.5 · 0.3 15
)Pr (A3 |B = = = =
)Pr (B )Pr (B 0.41 41
נשים לב שאכן מתקיים:
)Pr (A1 |B) + Pr (A2 |B) + Pr (A3 |B = 1
גרסה נוספת לנוסחת בייס 2.6.1
לכל שני מאורעות A, Bמתקיים:
)Pr (B = Pr (A) · Pr (B|A) + Pr A · Pr B|A )(2.4
)Pr (A) · Pr (B|A )Pr (A) · Pr (B|A
)Pr (A|B = = )(2.5
)Pr (B Pr (A) · Pr (B|A) + Pr A · Pr B|A
11
נוסחת בייס )(Bayes 2.6 מרחב הסתברות 2
דוגמה
בדיקת דם מגלה מחלה מאיימת ב־ 95%מהחולים .הבדיקה מצביעה בטעות על קיום המחלה אצל 1%מהבריאים וידוע
ש־ 0.5%מהאוכלוסיה חולה.
אדם אובחן כחולה ,מהי ההסתברות שהוא אכן חולה?
פתרון:
נסמן ב־ Aאת המאורע בו האיש חולה וב־ Bאת המאורע בו האיש אובחן כחולה.
נתון לנו:
1 199 19 1
= )Pr (A , = Pr A 200 , = )Pr (B|A = , Pr B|A
200 20 100
לפי נוסחת בייס:
)Pr (A) · Pr (B|A
)Pr (A|B = ≈ 0.323
Pr (A) · Pr (B|A) + Pr A · Pr B|A
דוגמה
ספינה אבדה באחד מהאיזורים .I, II, IIIההסתברות למצוא אותה בסריקה בודדת של ) Iבהנחה והיא באמת שם( היא .q
אם הספינה לא התגלתה לאחר סריקה אחת של ,Iמהן ההסתברויות החדשות שהיא בכל אחד מן האיזורים הנ"ל?
פתרון:
נסמן ב־ A1 , A2 , A3את המאורעות שהספינה באיזור I, II, IIIבהתאמה וב־ Bאת המאורע שהספינה התגלתה בסריקה של
איזור .I
נתון לנו:
Pr (B|A1 ) = q ⇒ Pr B|A1 = 1 − q
מנוסחת בייס:
Pr (A1 ) · Pr B|A1
Pr A1 |B =
Pr (A1 ) · Pr B|A1 + Pr (A2 ) · Pr B|A2 + Pr (A3 ) · Pr B|A3
נשים לב שמתקיים Pr B|A2 = Pr B|A3 = 1כיוון שהספינה אינה יכולה להתגלות באיזור Iאם היא כלל אינה שם.
ולכן:
) (1 − q) Pr (A1
Pr A1 |B = ) < Pr (A1
) (1 − q) Pr (A1 ) + Pr (A2 ) + Pr (A3
באופן דומה עבור האיזורים האחרים )נשים לב שכיוון שספינה בהכרח באחד מהאיזוריםת אזי = ) Pr (A1 )+Pr (A2 )+Pr (A3
:(1
) Pr (A2 ) Pr (A2
Pr A2 |B = = ) > Pr (A2
) (1 − q) Pr (A1 ) + Pr (A2 ) + Pr (A3 ) 1 − q Pr (A1
) Pr (A3 ) Pr (A3
Pr A3 |B = = ) > Pr (A3
) (1 − q) Pr (A1 ) + Pr (A2 ) + Pr (A3 ) 1 − q Pr (A1
12
מרחב הסתברות 2 מאורעות בלתי תלויים 2.7
מאורעות בלתי תלויים 2.7
הגדרות 2.7.1
כפי שראינו ,ההסתברות המותנית ) Pr (A|Bיכולה להיות גדולה או קטנה מ־) ,Pr (Aאך היא יכולה להיות גם שווה לה.
מהגדרת ההסתברות המותנית נסיק את התנאי לאי תלות בין מאורעות:
)Pr (A ∩ B
)Pr (A|B) = Pr (A =
)Pr (B
)Pr (A ∩ B = )Pr (A) · Pr (B )(2.6
מספר הערות:
.1ניתן לקחת גם מאורעות עם הסתברות 0או .1
.2יחס אי־תלות הוא יחס סימטרי.
.3אם A, Bבלתי תלויים ,אזי גם A, B , A, B , A, Bבלתי תלויים.
.4משוואה ) (2.6מבטאת אי תלות סטטיסטית ולאו דווקא סיבתית .נשים לב שאי תלות סיבתית גוררת אי תלות
סטטיסטית ,אך ההיפך אינו בהכרח נכון.
דוגמה
מטילים 2קוביות הוגנות .נגדיר את Aכמאורע בו קיבלנו מספר זוגי בקוביה האדומה ,את Bכמאורע בו קיבלנו מספר זוגי
בקוביה הכחולה ואת Cכמאורע בו קיבלנו סכום זוגי.
.1האם ) (A, B) , (A, C) , (B, Cבלתי תלויים?
מתקיים:
3 1 3 18 1
= )Pr (A = )= , Pr (B 6 = )= 12 , Pr (C =
6 2 36 2
נחשב את ההסתברות של כל אחד מהחיתוכים:
9 1 1 1
)Pr (A ∩ B = · = =
36 4 2 2
9 1 1 1
)Pr (A ∩ C = · = =
36 4 2 2
9 1 1 1
)Pr (B ∩ C = · = =
36 4 2 2
ולכן כל אחד מזוגות המאורעות בלתי תלויים.
נשים לב שבעוד ) (A, C) , (B, Cהם בלתי תלויים סטטיסטית )כלומר ,במקרה מקיימים את משוואה ) ,((2.6הרי ש־)(A, B
בלתי תלויים סיבתית ולכן בהכרח מקיימים את המשוואה.
.2האם המאורעות ) (A ∩ B, Cבלתי תלויים?
התשובה היא לא ,משום ש־ A ∩ B ⊂ Cולכן .A ∩ B ⇒ C
1 1 1 1
= )Pr [(A ∩ B) ∩ C] = Pr (A ∩ B =6 = )Pr (A ∩ B) · Pr (C = ·
4 4 2 8
1
= )Pr (C =6 Pr [C| (A ∩ B)] = 1
2
אי תלות במשותף 2.7.2
מאורעות A, B, Cהם בלתי תלויים במשותף אם מתקיימים התנאים הבאים:
)Pr (A ∩ B) = Pr (A) · Pr (B) , Pr (A ∩ C) = Pr (A) · Pr (C )(2.7
)Pr (B ∩ C) = Pr (B) · Pr (C) , Pr (A ∩ B ∩ C) = Pr (A) · Pr (B) · Pr (C )(2.8
13
מרחב הסתברות 2 מאורעות בלתי תלויים 2.7
אם A, B, Cאינם תלויים במשותף ,אזי כל אחד מהם בלתי תלוי בכל מאורע הנבנה משני האחרים על ידי פעולות קבוצתיות.
נכליל עבור כל מספר של מאורעות:
תהי A1 , A2 , A3 , . . .משפחת מאורעות )לא בהכרח סופית( .נאמר שהמשפחה בלתי תלויה במשותף אם:
) (∀i1 < i2 < · · · < ik ) Pr (Ai1 ∩ Ai2 ∩ . . . Aik = ) Pr (Ai1 ) · Pr (Ai2 ) · · · · · Pr (Aik )(2.9
עבור משפחת מאורעות בלתי תלויה במשותף ,כל אחד מהמאורעות בלתי תלוי בכל מאורע שנבנה מתת קבוצה של המאורעות
האחרים במשפחה על ידי פעולות קבוצתיות.
דוגמה ־ ניסוי ברנולי
מטילים מטבע עם הסתברות pלקבל Hבהטלה בודדת עד שמקבלים את ה־ Hהראשון.
.1מהי ההסתברות שנבצע בדיוק kהפלות?
.2מהי ההסתברות שלעולם לא נקבל ?k
פתרון:
.1נתון .Pr (H) = p
)p (1 − p
)Pr (T H = )Pr (T ) · Pr (II → H|I → T ) = (1 − p = (1 − p) p
1−p
נכליל עבור kהטלות:
k−1
)Pr (A = )(1 − p p
.2נגדיר את Bכמאורע שבו לא נקבל Hלעולם.
נגדיר את Akכמאורע שבו קיבלנו T kברצף.
מהגדרות המאורעות נסיק:
(∀k ∈ N) B ⊂ Ak
0 6 Pr (B) 6 Pr (Ak ) 6 q k
כיוון שהדבר נכון לכל ,kהרי שנקבל .Pr (B) = 0
14
(Random משתנה מקרי )Variable 3
משתנה מקרי )(Random Variable 3
הגדרה 3.1
הגדרה ־ משתנה מקרי
משתנה מקרי Xהינו פונקציה מדידה המתאימה ערך ממשי לכל מאורע במרחב ההסתברות.
X : Ω → R
X : ω )7→ X (ω
דוגמות ־ בחירת משתנים מקריים
.1מטילים שתי קוביות הוגנות.
נוכל להגדיר כמשתנים מקריים את כל אחד מהגדלים הבאים:
א X .־ סכום הקוביות.
ב Y .־ המספר הגדול מבין השניים.
ג Z .־ 1אם לפחות הטלה אחת יצאה זוגית 0 ,אם לא.
.2בוחרים נקודה אקראית בתוך עיגול ברדיוס .R
נוכל להגדיר כמשתנים מקריים את כל אחד מהגדלים הבאים:
א X .־ המרחק בין הנקודה לבין מרכז העיגול.
ב Y .־ 1,2,3,4בהתאם לרביע העיגול שבו הנקודה נמצאת.
2 .3אנשים נפגשים במקום קבוע ,כך שכל אחד מגיע בזמן אקראי בין השעה 12והשעה 1באופן בלתי תלוי.
נוכל להגדיר כמשתנה מקרי את X־ זמן ההמתנה שיחכה הראשון שמגיע.
משתנים מקריים X, Yנקראים בלתי תלויים אם המאורעות X ∈ I, Y ∈ Jבלתי תלויים לכל שני קטעים .I, J ⊆ R
פונקציית התפלגות מצטברת 3.2
השאלה שתישאל על משתנה מקרי כלשהו Xהיא :מהי ההסתברות ש־ Xיקבל ערך כלשהו בין aו־ bאו בדיוק את הערך ?a
כלומר ,אנו מחפשים את ).Pr (a 6 X 6 b) , Pr (X = a
נוח לתאר משתנה מקרי על ידי ציון של פונקציה ) Pr (X 6 aלכל .a ∈ Rלמשל ,אם נרצה לדעת את )Pr (15 6 X 6 17
נוכל לחשב את ).Pr (X 6 17) − Pr (X 6 15
נגדיר את פונקציית ההתפלגות המצטברת:
)FX (a = Pr (X 6 a) ; a ∈ R )(3.1
תכונות 3.2.1
.1פונקציית ההתפלגות המצטברת היא פונקציה שאינה יורדת.
.2
lim Fx (a) = 0 , lim Fx (a) = 1
∞a→− ∞→a
תכונה זו נובעת מאדיטיביות של משפחות בנות מניה.
.3פונקציית ההתפלגות המצטברת היא פונקציה רציפה מימין .תכונה זו נובעת מההגדרה )הבחירה בהסתברות עבור
X 6 aולא .(X < a
15
(Random משתנה מקרי )Variable 3 משתנה מקרי בדיד 3.3
.4בכדי למצוא את ההסתברות למשתנה מקרי להיות שווה ל־:a
)Pr (X = a = ])lim [FX (a) − FX (a − ε
ε→0
דוגמות ־ פונקצית התפלגות מצטברת
.1המשתנה המקרי Xהוא תוצאת ההטלה של קוביה הוגנת .פונקציית ההתפלגות המצטברת היא:
0 , a<1
1
6 , 16a<2
1
, 26a<3
3
1
)FX (a = 2 , 36a<4
2
, 46a<5
3
5
6
, 56a<6
1 , 66a
לו הקוביה הייתה לא הוגנת ,השינוי היחיד היה בגובה המדרגות אחת ביחס לשניה.
זהו משתנה מקרי בדיד.
.2בוחרים נקודה באקראי בתוך עיגול ברדיוס .Rהמשתנה המקרי Yהוא המרחק בין בנקודה למרכז העיגול .פונקציית
ההתפלגות המצטברת היא:
0 , a < 0
= )FY (a a 2
R ,06a6R
1 ,R<a
זהו משתנה מקרי רציף.
משתנה מקרי בדיד 3.3
הגדרה 3.3.1
הגדרה ־ משתנה מקרי בדיד
Xהוא משתנה מקרי בדיד אם הוא מקבל ערכים מתוך קבוצה סופית או בת־מניה } .{x1 , x2 , x3 , . . .
משתנים מקריים בדידים X, Yהם בלתי תלויים אם המאורעות X = a, Y = bהם בלתי תלויים לכל .a, b ∈ R
התפלגות 3.3.2
ההתפלגות של משתנה מקרי בדיד נקבעת על ידי פונקציית ההסתברות ,pXאשר מוגדרת באופן הבא:
) pX (xi = ) Pr (X = xi )(3.2
16
משתנה מקרי רציף 3.4 (Random משתנה מקרי )Variable 3
תכונות 3.3.3
.1
pX (xi ) > 0
.2
X
) pX (xi = 1
i
דוגמה ־ הטלת קוביה הוגנת
נסמן את המשתנה המקרי Xכמספר שהתקבל בהטלה.
כיוון שהקוביה הוגנת ,מתקיים:
1
)pX (i = }; i = {1, 2, 3, 4, 5, 6
6
נשים לב שגובה פונקציית ההתפלגות עבור המשתנה המקרי הבדיד הוא בדיוק גובה הקפיצה בגרף פונקציית ההתפלגות
המצטברת עבור אותו משתנה מקרי.
דוגמה ־ הטלת 2קוביות הוגנות
נסמן את המשתנה המקרי Xכסכום המספרים ואת המשתנה המקרי Yכמספר הגדול מבין השניים.
כיוון שהקוביות הוגנות מתקיים:
1 1
36 , i = 2, 12 ,i=1
36
1 1
18 , i = 3, 11 12 , i = 2
1 , i = 4, 10
5 ,i=3
pX (i) = 12 , p Y )(i = 36
91
, i = 5, 9 7
36
,i=4
5 9
, i = 6, 8 ,i=5
36 36
1
11
6 ,i=7 36 ,i=6
משתנה מקרי רציף 3.4
הגדרה 3.4.1
הגדרה ־ משתנה מקרי רציף
Xהוא משתנה מקרי רציף אם קיימת פונקציית צפיפות fX : R → Rכך שלכל ־∞ −∞ 6 a 6 b 6מתקיים:
ˆb
)Pr (a 6 X 6 b = fX (x) dx
a
הערה :אם Xהוא משתנה מקרי רציף ,אזי לכל a ∈ Rמתקיים:
ˆa
)Pr (X = a = fX (x) dx = 0
a
ולכן אין משתנה מקרי שהוא גם בדיד וגם רציף.
17
(Random משתנה מקרי )Variable 3 משתנה מקרי רציף 3.4
תכונות 3.4.2
.1
fX (x) > 0 ; ∀X ∈ R
.2
∞ˆ
= fX (x) dx 1
∞−
הקשר לפונקציית ההתפלגות המצטברת 3.4.3
הקשר בין פונקציית הצפיפות לבין פונקציית ההתפלגות המצטברת נתון על ידי:
ˆa
)FX (a) = Pr (X 6 a = fX (x) dx )(3.3
∞−
dFX
)fX (a = )(3.4
dx x=a
נשים לב שהקשר השני נכון רק אם ) fX (xרציפה ב־ .aככלל fX (x) ,לא בהכרח רציפה בכל מקום ,אך ) FX (xבהכרח
רציפה בכל מקום.
דוגמה
בתוך המעגל .ראינו כבר שמתקיים: בהינתן מעגל ברדיוס ,Rבוחרים באקראי נקודה
0
,x<0
= )FX (x) = Pr (X 6 x x 2
R ,06x6R
1 ,R<x
פונקציית הצפיפות היא ,אם כן:
0
,x<0
0 2x
)fX (x = FX = )(x ,06x6R
R2
0 ,R < x
ואכן ,ניתן לראות שהגרף של ) FX (xרציף ,ואילו הגרף של ) fX (xאינו רציף
כמו כן ,נשים לב שהשטח מתחת ל־) fX (xהוא אכן ,1כנדרש.
18
התפלגויות בדידות 4
התפלגויות בדידות 4
התפלגות בינומית 4.1
דוגמה
נסמן משתנה מקרי בדיד Xכמספר ההצלחות בסדרה של nניסויי ברנולי ,כאשר ההסתברות להצליח בניסוי בודד היא .p
קבוצת הערכים ש־ Xיכול לקבל היא }.{0, 1, 2, . . . , n
נמצא את פונקציית ההסתברות ) pX (k) = Pr (X = kבמפורש עבור כל מספר kשלם כך ש־:0 6 k 6 n
n−k
) .pk (1 − pאבל ,יכולנו באותה אם נקבע kניסויים כלשהם כניסויים שבהם הצלחנו ,ההסתברות שהדבר יתקיים היא
מידה לקבע kניסויים אחרים כניסויים שבהם הצלחנו .לכן ,התשובה הסופית היא:
n k n−k
= )pX (k) = Pr (X = k )p (1 − p
k
משתנה מקרי אשר מתפלג באופן שראינו בדוגמה נקרא משתנה מקרי בינומי:
X ∼ )Bin (n, p
n k n−k
)pX (k = )p (1 − p )(4.1
k
n
P
,לפי כללי ההסתברות: נבדוק שאכן מתקיים pX (k) = 1
k=0
n n
X X n k n−k n
)pX (k = )p (1 − p = (p + 1 − p) = 1
k
k=0 k=0
1
= pכפי שנראה באיור .4.1 2 ככלל ,הגרף אינו סימטרי פרט למקרה הפרטי בו
התפלגות בינומית סימטרית )X ∼ Bin (30, 0.5 התפלגות בינומית א־סימטרית )X ∼ Bin (30, 0.7
איור :4.1התפלגות בינומית בדידה
19
התפלגויות בדידות 4 התפלגות גיאומטרית 4.2
התפלגות גיאומטרית 4.2
דוגמה
נסמן את המשתנה המקרי Xכמספר ניסויי ברנולי עד ההצלחה הראשונה )כולל הניסוי שהצליח( ,כאשר ההסתברות להצליח
בניסוי בודד היא .p
נמצא את פונקציית ההסתברות ) pX (k) = Pr (X = kבמפורש עבור כל מספר kשלם כך ש־:0 6 k 6 n
הסיכוי להצליח בדיוק בהטלה ה־ kהוא הסיכוי להיכשל ב־ k − 1ההטלות שקדמו לו וגם להצליח בהטלה ה־ .kכיוון שניסויי
ברנולי בלתי תלויים אחד בשני נקבל:
k−1
)pX (k = )(1 − p ·p
משתנה מקרי אשר מתפלג באופן שראינו בדוגמה נקרא משתנה מקרי גיאומטרי:
X ∼ )Geom (p
k−1
)pX (k = )(1 − p ·p )(4.2
n
P
,לפי כללי ההסתברות: נבדוק שאכן מתקיים pX (k) = 1
k=1
n
X 1 p
= p + pq + pq 2 + · · · = p 1 + q + q 2 + . . . = p
)pX (k = =1
1−q p
k=1
4.2 התפלגות גיאומטרית בדידה נראית באיור
איור :4.2התפלגות גיאומטרית בדידה )X ∼ Geom (0.2
דוגמה
מהי ההסתברות ) Pr (X > kכאשר נתון ש־ Xמתפלג גיאומטרית?
דרך א':
1 − qk 1 − qk k
1 − Pr (x 6 k) = 1 − p + pq + · · · + pq k−1 = 1 − p )= q k = (1 − p
)Pr (x > k = =1−p
1−q p
דרך ב':
1 1 k
= pq k + pq k+1 + · · · = pq k 1 + q + q 2 + . . . = pq k )= pq k = q k = (1 − p
)Pr (x > k
1−q p
k
דרך ג' :המאורע X > kמשמעותו כשלונות ב־ kהניסויים הראשונים ,ולכן ).Pr (X > k) = q k = (1 − p
20
התפלגויות בדידות 4 התפלגות פואסונית 4.3
דוגמה
נתון משתנה מקרי Xאשר מתפלג גיאומטרית.
.1מהי ההסתברות ש־ Xגדול מ־?10
10
)Pr (X > 10 = )(1 − p
.2מהי ההסתברות ש־ Xשווה ל־?10
9
)Pr (X = 10 = (1 − p) p
.3ענו על 1, 2כאשר נתון ש־.X > 3
10
])Pr [(X > 10) ∩ (X > 3 )Pr (X > 10 )(1 − p 7
)Pr (X > 10|X > 3 =
)Pr (X > 3
=
)Pr (X > 3
= )3 = (1 − p
)(1 − p
9
])Pr [(X = 10) ∩ (X > 3 )Pr (X = 10 (1 − p) p 6
)Pr (X >= 10|X > 3 =
)Pr (X > 3
=
)Pr (X > 3
= 3 = (1 − p) p
)(1 − p
נשים לב שמשמעות הנתון ש־ X > 3הוא שכבר נכשלנו ב־ 3ההטלות הראשונות .לכן ,ניתן להתייחס לשאלה כאילו מדובר
על 7הטלות.
התכונה שראינו בדוגמה האחרונה נקראת תכונת "חוסר הזכרון" של משתנה מקרי גיאומטרי:
)Pr (X > n + m|X > n) = Pr (X > m
⇒ )X ∼ Geom (p )(4.3
)Pr (X = n + m|X > n) = Pr (X = m
בהתפלגויות בדידות ,ההתפלגות הגיאומטרית היא היחידה בעלת תכונה זו.
התפלגות פואסונית 4.3
k
התפלגות פואסונית מוגדרת עבור פרמטר חיובי כלשהו λופרופורציונית ל־ ! . λkנמצא את קבוע הפרופורציה באמצעות נרמול
ההסתברות:
∞ ∞ k
X λk X λ
1 = C =C = Ceλ
!k !k
k=0 k=0
−λ
C = e
ולכן ,בסך הכל:
X )∼ Pois (λ
λk
pX (k) = e−λ )(4.4
!k
4.3 התפלגות פואסונית בדידה נראית באיור
איור :4.3התפלגות פואסונית בדידה )X ∼ Pois (10
21
התפלגויות בדידות 4 התפלגות פואסונית 4.3
דוגמה
נתונים שני משתנים מקריים בדידים בלתי תלויים ) .X ∼ Pois (λ) , Y ∼ Pois (µאיך מתפלג המשתנה המקרי ?Z = X + Y
X X
= )Pr (Z = a = )Pr (X = k, Y = l )Pr (X = k) · Pr (Y = l
k+l =a k+l =a
k, l > 0 k, l > 0
k l )−(λ+µ
X λ µ e !)X (k + l
= = e−λ e−µ λk µl
!k !l !a !k!l
k+l =a k+l =a
k, l > 0 k, l > 0
a
)e−(λ+µ) (λ + µ
=
!a
כלומר ,מתקיים ).Z ∼ Pois (λ + µ
הקשר בין התפלגות בינומית להתפלגות פואסונית 4.3.1
יהי ,λ > 0משתנה מקרי ) Xn ∼ Bin (n, pnכך שמתקיים n · pn = λומשתנה מקרי נוסף ).Y ∼ Pois (λ
לכל } k ∈ N ∪ {0מתקיים:
∞→n
)Pr (Xn = k) −−−−→ Pr (Y = k )(4.5
λ
= pnונקבל הסתברות מוגדרת היטב. n נשים לב שנדרש nמספיק גדול ,כך ש־< 1
)(4.5 הוכחה ־ נוסחה
k n−k −k k n
n λ λ )n (n − 1) . . . (n − k + 1 λ λ λ
)Pr (Xn = k = 1− = 1− 1−
k n n nk n !k n
−k k n
1 2 k−1 λ λ λ
= 1− 1− ... 1 − 1− 1−
n n n n !k n
∞→n λk
−−−−→ e−λ )= Pr (Y = k
!k
22
התפלגויות רציפות 5
התפלגויות רציפות 5
התפלגות אחידה 5.1
∈ xובתוך הקטע מתקיים שההסתברות לכל
התפלגות אחידה על קטע ] [a, bהיא התפלגות אשר מתאפסת עבור כל ]/ [a, b
שני תחומים בעלי גודל זהה היא אותה הסתברות.
לכן:
X ∼ )U (a, b
(
0 ∈,x ]/ [a, b
)fX (x = 1
)(5.1
b−a ], x ∈ [a, b
התפלגות אחידה נראית באיור .5.1
איור :5.1התפלגות אחידה )X ∼ U (3, 7
פונקציית התפלגות מצטברת 5.1.1
את פונקציית ההתפלגות המצטברת נקבל באמצעות אינטגרציה )כפי שראינו בסעיף .(3.4.3את בחירת קבוע האינטגרציה
נבצע כך ש־ . lim FX (x) = 0לכן:
∞x→−
0
,x<a
x−a
)FX (x = ,a6x6b )(5.2
b−a
1 ,b<x
איור :5.2פונקציית התפלגות מצטברת עבור התפלגות אחידה )X ∼ U (3, 7
23
התפלגויות רציפות 5 התפלגות מעריכית 5.2
התפלגות מעריכית 5.2
התפלגות מעריכית מוגדרת עבור פרמטר חיובי כלשהו λבתחום x > 0ופרופורציונית ל־ .e−λxנמצא את קבוע הפרופורציה
באמצעות נרמול ההסתברות:
∞ˆ
C
1 = = Ce−λx dx
λ
0
C = λ
ולכן ,בסך הכל:
X )∼ Exp (λ
)fX (x = λe−λx )(5.3
5.3 התפלגות מעריכית נראית באיור
איור :5.3התפלגות מעריכית )X ∼ Exp (1
פונקציית התפלגות מצטברת 5.2.1
את פונקציית ההתפלגות המצטברת נקבל באמצעות אינטגרציה )כפי שראינו בסעיף .(3.4.3את בחירת קבוע האינטגרציה
נבצע כך ש־ . lim FX (x) = 0לכן:
∞x→−
(
0 ,x<0
)FX (x = )(5.4
1 − e−λx ,06x
איור :5.4פונקציית התפלגות מצטברת עבור התפלגות מעריכית )X ∼ Exp (1
24
התפלגויות רציפות 5 התפלגות מעריכית 5.2
דוגמה
1
= .λמהן ההסתברויות שהרכיב יחזיק מעמד: 10 אורך החיים של רכיב מסויים מתפלג מעריכית עם
.1יותר משנה?
∞ˆ
∞ 12
)Pr (X > 12 = λe−λx dx = −e−λx 12 = e−12λ = e− 10
12
.2בין 10חודשים ו־ 20חודשים?
ˆ20
20
)Pr (10 6 X 6 20 = λe−λx dx = −e−λx 10 = e−10λ − e−20λ = e−1 − e−2
10
.3פחות מ־ 10חודשים?
ˆ10
10
)Pr (X < 10 = λe−λx dx = −e−λx 0 = 1 − e−10λ = 1 − e−1
0
.4ענו על סעיף 1אם ידוע שהרכיב מחזיק מעמד כבר 10חודשים.
])Pr [(X > 12) ∩ (X > 10 )Pr (X > 12 2
])Pr [(X > 12) | (X > 10 = = )= e− 10 = Pr (X > 2
)Pr (X > 10 )Pr (X > 10
התכונה שראינו בסעיף 4בדוגמה נקראת תכונת חוסר הזיכרון )בדומה להתפלגות הגיאומטרית הבדידה( .עבור משתנה
המתפלג באופן מעריכי ,מתקיים הקשר הבא:
])Pr [(X > a + b) | (X > a = )Pr (X > b )(5.5
25
תוחלת של משתנה מקרי 6
תוחלת של משתנה מקרי 6
הגדרה 6.1
התוחלת היא המונח המתאר את הממוצע המשוקלל של משתנים מקריים.
דוגמה ־ הבנת מושג התוחלת
הגרלה מתקיימת פעם בשבוע ובה 4אפשרויות זכיה בהסתברויות שונות.
לזכיה ב־ 0ש"ח יש הסתברות ,P1לזכיה ב־ 10ש"ח יש הסתברות ,P2לזכיה ב־ 50ש"ח יש הסתברות P3ולזכיה ב־ 1000ש"ח
יש הסתברות .P4
אני משתתף בהגרלה מספר רב של פעמים ומעוניין לחשב את ממוצע הזכיה שלי.
אם מתוך Nהגרלות זכיתי m1פעמים ב־ 0ש"ח m2 ,פעמים ב־ 10ש"ח m3 ,פעמים ב־ 50ש"ח ו־ m4פעמים ב־ 1000ש"ח,
אזי ממוצע הזכיה שלי הוא:
m1 m2 m3 m4
]E [X = ·0 · + 10 · + 50 · + 1000
N N N N
נוכל להניח כי עבור Nמספיק גדול מתקיים:
]E [X = 0 · P1 + 10 · P2 + 50 · P3 + 1000 · P4
.m
כלומר ,עבור Nמספיק גדול מתקיים N → Pi
i
הגדרה ־ תוחלת של משתנה מקרי
יהי Xמשתנה מקרי בדיד .התוחלת של Xמוגדרת להיות:
X X
]E [X = = ) xi · Pr (X = xi ) xi · pX (xi
i i
יהי Xמשתנה מקרי רציף .התוחלת של Xמוגדרת להיות:
∞ˆ
]E [X = xfX (x) dx
∞−
הערות 6.1.1
.1עבור משתנה מקרי בדיד ־ אם Xנבחר מתוך קבוצה אינסופית בת מניה של ערכים אך הטור האינסופי אינו מתכנס
בהחלט ,אזי התוחלת אינה מוגדרת היטב:
)א( אם בביטוי ל־] ,E [Xהחלק החיובי אינסופי והחלק השלילי סופי ,אזי נסמן ∞ = ].E [X
)ב( אם בביטוי ל־] ,E [Xהחלק החיובי סופי והחלק השלילי אינסופי ,אזי נסמן ∞.E [X] = −
)ג( אם שני החלקים אינסופיים )אחד ∞ והשני ∞ ,(−אזי התוחלת אינה מוגדרת כלל.
.2עבור משתנה מקרי רציף ־ אם האינטגרל אינו מתכנס בהחלט ,אזי התוחלת אינה מוגדרת היטב:
)א( אם השטח מתחת לגרף אינסופי בחלק החיובי וסופי בחלק השלילי ,אזי ∞ = ].E [X
)ב( אם השטח מתחת לגרף סופי בחלק החיובי ואינסופי בחלק השלילי ,אזי ∞.E [X] = −
)ג( אם שני החלקים אינסופיים ,אזי התוחלת אינה מוגדרת כלל.
26
תוחלת של משתנה מקרי 6 הגדרה 6.1
דוגמה ־ תוחלת אינסופית
1
= ).pX (k k(k+1) , יהי Xמשתנה מקרי בעל פונקציית הסתברות k ∈ N
נבדוק שזוהי אכן פונקציית הסתברות תקינה:
∞
X 1 1 1 1 1 1 1
)pX (x = + + + · · · = 1− + − + − ··· = 1
1·2 2·3 3·4 | 2{z }2}| 3{z 3
k=1
=0 =0
נחשב את התוחלת:
∞ ∞
X 1 X 1
]E [X = ·k =
)k (k + 1 k+1
k=1 k=1
זהו כמובן טור הרמוני שאינו מתכנס ולכן ∞ = ].E [X
דוגמה ־ תוחלת שאינה מוגדרת
1 1
= ).pX (k יהי Yמשתנה מקרי בעל פונקציית הסתברות }k ∈ Z \ {0, −1
2 |k(k+1)| ,
נחשב את התוחלת:
1 X 1 1 X 1
]E [X = ·k = )sign (k
2 |)|k (k + 1 2 ||k + 1
k6=0,−1 k6=0,−1
במקרה זה ישנו טור חיובי אשר מתכנס ל־∞ וטור שלילי המתכנס ל־∞ −ולכן התוחלת של Xאינה מוגדרת.
התפלגות סימטרית 6.1.2
יהי Xמשתנה מקרי אשר מתפלג סימטרית ביחס ל־:a
.1עבור משתנה בדיד ,לכל tמתקיים
)pX (a + t = )pX (a − t
.2עבור משתנה רציף ,לכל tמתקיים
)fX (a + t = )fX (a − t
אם ] E [xמוגדרת היטב ,אזי .E [X] = a
27
תוחלות של משתנים מקריים מיוחדים 6.2 תוחלת של משתנה מקרי 6
תוחלות של משתנים מקריים מיוחדים 6.2
משתנה מקרי בינומי 6.2.1
בהינתן ) X ∼ Bin (n, pאזי
]E [X = np )(6.1
הוכחה ־ תוחלת משתנה בינומי
∞ ∞
X n k n−k X n (n − 1) (n − 2) . . . (n − k + 1) k n−k
]E [X = ·k p q = ·k p q
k !k
k=0 k=0
∞ ∞
X n (n − 1) (n − 2) . . . (n − k + 1) k n−k )X (n − 1) (n − 2) . . . (n − k + 1
= p q = np pk−1 q n−k
!)(k − 1 !)(k − 1
k=1 k=1
∞ ∞
l=k−1
X (n − 1) (n − 2) . . . (n − l) l n−1−l X n − 1 l n−1−l n−1
= np pq = np pq )= np(p + q = np
!l l } | {z
l=0 l=0
=1
משתנה מקרי פואסוני 6.2.2
בהינתן ) X ∼ Pois (λאזי
]E [X = λ )(6.2
הוכחה ־ תוחלת משתנה פואסוני
∞ ∞ ∞ ∞
X λk X λk X λk−1 l=k−1
X λl
]E [X = k · e−λ = e−λ = λ e−λ = λ e−λ =λ
!k !)(k − 1 !)(k − 1 !l
k=0 k=1 k=1 l=0
} | {z
=1
משתנה מקרי גיאומטרי 6.2.3
בהינתן ) X ∼ Geom (pאזי
1
]E [X = )(6.3
p
הוכחה ־ תוחלת משתנה גיאומטרי
∞ ∞
"∞ #
X
k−1
X
k−1 d X k d q 1 p 1
]E [X = k·q p=p k·q =p q =p =p 2 = = 2
dq dq 1 − q )(1 − q p p
k=1 k=1 k=1
28
תוחלת של משתנה מקרי 6 תוחלות של משתנים מקריים מיוחדים 6.2
משתנה מקרי אחיד 6.2.4
בהינתן ) X ∼ U (a, bאזי
a+b
]E [X = )(6.4
2
הוכחה ־ תוחלת משתנה אחיד
ˆb
x b2 − a2 a+b
]E [X = = dx =
b−a )2 (b − a 2
a
משתנה מקרי מעריכי 6.2.5
בהינתן ) X ∼ Exp (λאזי
1
]E [X = )(6.5
λ
הוכחה ־ תוחלת משתנה מעריכי
∞ˆ ∞
(1 + λx) −λx 1
]E [X = λxe−λx dx = − e =λ
λ 0
0
דוגמה
מטילים מטבע .אם בהטלה הראשונה יצא עץ מקבלים 1ש"ח ,אם יצא פלי ואז עץ מקבלים 2ש"ח וכך הלאה כך שאם k
פעמים יצא פלי ואז עץ מקבלים 2kש"ח.
נגדיר משתנה מקרי Xכסכום הזכייה במשחק .כמה כסף כדאי להשקיע בו?
נמצא את התוחלת של :X
1 1 1
]E [X = ·1 ∞ = ··· + 2 · + 4 · +
2 4 8
כלומר ,התוחלת של הזכיה במשחק היא אינסופית.
29
תוחלת של משתנה מקרי 6 התפלגות ותוחלת של פונקציה של משתנה מקרי 6.3
התפלגות ותוחלת של פונקציה של משתנה מקרי 6.3
התפלגות של פונקציה של משתנה מקרי 6.3.1
בהינתן משתנה מקרי Xבעל התפלגות נתונה )באמצעות ) Pr (xאו ) (fX (xומשתנה מקרי ) Y = g (Xנרצה למצוא את
ההתפלגות של .Y
אם Xמשתנה מקרי בדיד ,נבחין בין שני מקרים:
g (x) .1פונקציה חד־חד ערכית:
]) Pr [Y = g (xi = ) Pr (X = xi
g (x) .2אינה פונקציה חד־חד ערכית:
X
]pY [Y = y = ) Pr (X = xi
g(xi )=y
אם Xמשתנה מקרי רציף ,נבצע את שרשרת המעברים הבאה:
.1באמצעות אינטגרציה על fXנקבל את פונקציית ההתפלגות המצטברת .FX
.2באמצעות הקשר ) y = g (xנקבל את פונקציית ההתפלגות המצטברת .FY
.3באמצעות גזירת הפונקציה FYנקבל את פונקציית הצפיפות .fY
דוגמה
נתון משתנה מקרי רציף Xבעל צפיפות מסויימת ) fX (xומשתנה מקרי נוסף .Y = 3 − 2Xמהי פונקציית הצפיפות )?fY (y
3−y 3−y
> FY (y) = Pr (3 − 2X 6 y) = Pr X = 1 − FX
2 2
dFY 1 3−y
= )fY (y = fX
dy 2 2
דוגמה
נתון משתנה מקרי רציף ) .X ∼ U (0, 1נרצה למצוא משתנה מקרי Yבעל פונקציית התפלגות מצטברת )g : R → (0, 1
עולה ממש ומקיימת . lim g (x) = 0, lim g (x) = 1כיצד נוכל לקבל משתנה מקרי כזה מהצורה )?Y = h (X
∞x→− ∞→x
פתרון:
נגדיר ) Y = g −1 (xכאשר gהיא הפונקציה הנ"ל .נראה שאכן מתקיים ):FY (y) = g (y
)FY (y) = Pr (Y 6 y) = Pr g −1 (X) 6 y = Pr [X 6 g (y)] = g (y
כאשר המעבר האחרון נובע מהעובדה ש־ Xמתפלג אוניפורמית.
כלומר ,ברגע שיש לנו משתנה מתפלג אוניפורמית ,נוכל לסמלץ פונקציות התפלגות נוספות.
30
תוחלת של משתנה מקרי 6 התפלגות ותוחלת של פונקציה של משתנה מקרי 6.3
דוגמה ־ התפלגות קושי
נתון משתנה מקרי Yבעל פונקציית הצפיפות הבאה:
1 1
)fY (y =
π 1 + y2
פונקציית ההתפלגות המצטברת היא:
1 1
)FY (y = tan−1 (y) +
π 2
כעת ,אם ) ,X ∼ U (0, 1מהי הפונקציה gהדרושה כך ש־) Y = g (Xיתפלג בהתפלגות קושי?
התשובה:
Y )= FY−1 (X) = − cot (πX
נשים לב שזוהי אינה התשובה היחידה .גם ) Y = cot (πXמקיימת את התנאי.
ככלל ,עבור כל משתנה Yהמתפלג סימטרית מתקיים שהמשתנה −Yמתפלג באותו אופן.
תוחלת של פונקציה של משתנה מקרי 6.3.2
נוכל למצוא את התוחלת בשתי דרכים:
.1מציאת ההתפלגות של Yבמפורש )כמתואר בחלק הקודם( ולאחר מכן הפעלת הגדרת התוחלת.
.2חישוב התוחלת ישירות:
)א( עבור משתנה בדיד:
X
])E [g (X = ) g (xi ) Pr (X = xi
i
)ב( עבור משתנה רציף:
∞ˆ
])E [g (X = g (x) fX (x) dx
∞−
דוגמה
יהי Xמשתנה מקרי רציף בעל פונקציית צפיפות ) .fX (xמתקיים:
∞ˆ
= E X2 x2 fX (x) dx
∞−
∞ˆ
]E [aX + b = (ax + b) fX (x) dx = aE [X] + b
∞−
מהדוגמה הנ"ל נסיק שכאשר ) g (xהיא פונקציה ליניארית ב־ xאזי מתקיים:
])E [g (X )]= g (E [X
31
שונות ) (Varianceשל משתנה מקרי 7
( של משתנה מקרי שונות ) Variance 7
השונות היא גודל המסמל את פיזור הנתונים ביחס לתוחלת.
הגדרה 7.1
הגדרה
יהי Xמשתנה מקרי בעל תוחלת .µנגדיר את השונות באופן הבא:
h i h i
2 2
)Var (X )]= E (X − µ) = E (x − E [X
נשים לב שתיתכן גם שונות אינסופית.
במקרה הבדיד מתקיים:
X 2
)Var (X = ) (xi − E [X]) · Pr (X = xi )(7.1
i
במקרה הרציף מתקיים:
∞ˆ
2
)Var (X = (x − E [X]) fX (x) dx )(7.2
∞−
נקבל ביטוי נוסף עבור השונות במקרה הרציף:
∞ˆ ∞ˆ ∞ˆ ∞ˆ
= x − µ2 fX (x) dx x2 fX (x) dx − 2µ xfX (x) dx + µ2
)Var (X = fX (x) dx
∞− ∞− ∞− ∞−
| {z } | {z }
=µ =1
= E X 2 − µ2
]Var (X) = E X 2 − E2 [X
)(7.3
דוגמה
7
= ].E [X 2יהי Xמשתנה מקרי המייצג את תוצאת ההטלה של קוביה הוגנת .כפי שראינו כבר ,מתקיים
נחשב את השונות:
2
12 + 2 2 + 3 2 + 4 2 + 5 2 + 6 2
7 35
= ]= E X 2 − E2 [X
)Var (X − =
6 2 12
סטיית תקן 7.2
נשים לב שהיחידות של השונות הן ריבוע היחידות של Xושל ] .E [Xלכן ,נגדיר את סטיית התקן באופן הבא:
p
= σX )Var (X )(7.4
32
( של משתנה מקריVariance) שונות 7 תכונות 7.3
תכונות 7.3
.1
Var (X) > 0 (7.5)
.2
Var (aX) = a2 Var (X) (7.6)
σaX = |a| σX (7.7)
.3
Var (X + b) = Var (X) (7.8)
33
התפלגות נורמלית )גאוסית( 8
התפלגות נורמלית )גאוסית( 8
התפלגות נורמלית תקנית 8.1
הגדרה 8.1.1
הגדרה ־ התפלגות נורמלית תקנית
משנה מקרי Zייקרא משתנה מקרי נורמלי תקני אם פונקציית הצפיפות שלו היא:
1 x2
)fZ (x = √ e− 2
2π
איור :8.1התפלגות נורמלית תקנית
פונקציית התפלגות מצטברת 8.1.2
פונקציית ההתפלגות המצטברת של התפלגות נורמלית תקנית מסומנת ) Φ (xומקיימת:
1 x
= )Φ (x √ 1 + erf
2 2
́x 2
= ).erf (x √2
π
כאשר e−t dt
0
כמו כן ,מתקיים הקשר
)Φ (a) + Φ (−a = 1
ולכן ,לכל a < bמתקיים:
)Pr (a 6 Z 6 b = )Φ (b) − Φ (a
פונקציית ההתפלגות המצטברת עבוד משתנה מקרי נורמלי תקני נראית באיור :8.2
איור :8.2פונקציית התפלגות מצטברת עבור משתנה מקרי נורמלי תקני
34
התפלגות נורמלית )גאוסית( 8 התפלגות נורמלית כללית 8.2
תוחלת 8.1.3
תוחלת של משתנה מקרי נורמלי תקני:
∞ˆ
1 x2
]E [Z = √ xe− 2 dx
2π
∞−
]E [Z = 0
שונות 8.1.4
שונות של משתנה מקרי נורמלי תקני:
∞ˆ
x2
2
x2 e−
)Var (Z = E Z = 2 dx
∞−
)Var (Z = 1
סטיית תקן 8.1.5
סטיית תקן של משתנה מקרי נורמלי תקני:
p
σZ = )Var (Z
σZ = 1
התפלגות נורמלית כללית 8.2
הגדרה 8.2.1
הגדרה ־ התפלגות נורמלית כללית
משנה מקרי Xייקרא משתנה מקרי נורמלי כללי אם ניתן להציגו בצורה X = αZ + βכאשר Zהוא משתנה נורמלי תקני.
תכונות 8.2.2
תוחלת של משתנה מקרי נורמלי:
]E [X = αE [Z] + β
]E [X = β
שונות של משתנה מקרי נורמלי:
2
)Var (X )= α Var (Z
)Var (X = α2
סטיית תקן של משתנה מקרי נורמלי:
p
σX = )Var (X
σX = α
35
התפלגות נורמלית )גאוסית( 8 משפט דה־מואבר ־ לפלס 8.3
תקנון של משתנה מקרי נורמלי כללי 8.2.3
הגדרה ־ תקנון של משתנה מקרי נורמלי
בהינתן משתנה מקרי נורמלי ,Xאזי התקנון של Xמוגדר להיות
X − µX
Z =
σX
נשים לב ש־ Zהוא משתנה מקרי נורמלי תקני.
משתנה מקרי נורמלי כללי מתוקנן מסומן .X ∼ N µ, σ 2משתנה מקרי כזה מקיים את התכונות הבאות:
]E [X = µ
)Var (X = σ2
σX = σ
בפרט ,משתנה נורמלי תקני הוא משתנה נורמלי כללי המקיים ).Z ∼ N (0, 1
עבור משתנה מקרי X ∼ N µ, σ 2מתקיים
a−µ X −µ b−µ b−µ a−µ
)Pr (a 6 X 6 b = Pr 6 6 =Φ −Φ
σ σ σ σ σ
פונקציית הצפיפות של משתנה מקרי נורמלי כללי 8.2.4
נמצא את פונקציית הצפיפות ) fX (xבאמצעות פונקציית ההתפלגות המצטברת:
X −µ x−µ x−µ
FX (x) = Pr (X 6 x) = Pr 6 =Φ
σ σ σ
1 x−µ
= FX 1 + erf √
2 σ 2
dF 1 x−µ 1 x−µ
= )fX (x = Φ0 = fZ
dx σ σ σ σ
1 (x−µ)2
= )fX (x √ e− 2σ2
σ 2π
משפט דה־מואבר ־ לפלס 8.3
בהינתן משתנה מקרי ) ,X ∼ Bin (n, pמתקיים:
∞→n
X →−−−− ])N [np, np (1 − p
36
התפלגות משותפת של מספר משתנים מקריים 9
התפלגות משותפת של מספר משתנים מקריים 9
הגדרות 9.1
הגדרה ־ התפלגות משותפת של שני משתנים מקריים בדידים
יהיו X, Yשני משתנים מקריים בדידים המוגדרים על אותו מרחב הסתברות ,Ωאזי פונקציית ההסתברות המשותפת של
X, Yמסומנת:
)Pr XY (a, b = ])Pr [(X = a) ∩ (Y = b
)X (ω
במרחב של מספר משתנים מקריים נוכל להגדיר וקטור אקראי Y (ω) בכדי לתאר את המצב.
.
.
.
הגדרה ־ התפלגויות שוליות
בהינתן פונקציית הסתברות משותפת PrXYנגדיר את ההתפלגויות השוליות:
X
= )pX (a ) Pr XY (a, yj
j
X
)pY (b = )Pr XY (xj , b
j
הגדרה ־ התפלגות משותפת של שני משתנים מקריים רציפים
משתנים מקריים רציפים X, Yהמוגדרים על אותו מרחב הסתברות Ωהם בעלי פונקציית צפיפות משותפת ) fXY (x, yאם
לכל תחום D ⊆ R2מתקיים:
¨
= ]Pr [(x, y) ∈ D fXY (x, y) dxdy
D
נמצא את האנלוגיה להתפלגויות השוליות עבור משתנים רציפים:
∞ˆ ˆx
)FX (x = = )Pr (X 6 x fXY (x0 , y) dy dx0
∞− ∞−
∞ˆ
)fX (x = fXY (x, y) dy )(9.1
∞−
באופן דומה:
∞ˆ
)fY (y = fXY (x, y) dx )(9.2
∞−
נשים לב שייתכנו מצבים בהם ) fX (x) , fY (yקיימות ,אבל ) fXY (x, yאינה קיימת.
37
התפלגות משותפת של מספר משתנים מקריים 9 תוחלת של סכום שני משתנים מקריים 9.2
דוגמה
נתון .X ∼ U (0, 1) , Y ∼ U (0, 1) , X = Y
הדרך היחידה שבה דבר כזה ייתכן היא כאשר ההתפלגות היא כל הישר y = xבין 0ו־ .1אך במצב כזה לא נוכל למצוא
התפלגויות שוליות בכלים שאנו מכירים.
תוחלת של סכום שני משתנים מקריים 9.2
כיצד נוכל לחשב את נניח שנתונים לנו שני משתנים מקריים X, Yהמתפלגים במשותף כך ש־] E [X] , E [Yקיימים.
] ?E [X + Y
ניזכר בשיטה שבה חישבנו תוחלת של פונקציה של משתנה מקרי יחיד ונכליל עבור משתנים מקריים המתפלגים במשותף:
¨
= ]) E [g (X, Y g (x, y) fXY (x, y) dxdy )(9.3
R2
ובפרט:
¨ ∞ˆ ∞ˆ ∞ˆ ∞ˆ
] E [X + Y = = (x + y) fXY (x, y) dxdy x fXY (x, y) dy dx + y fXY (x, y) dxdy
R2 ∞− ∞− ∞−∞ −
| {z } | {z }
)=fX (x )=fY (y
∞ˆ ∞ˆ
= xfX (x) dx + ] yfY (y) dy = E [X] + E [Y
∞− ∞−
נכליל עבור כל מספר של משתנים מקריים המתפלגים במשותף:
" #
X X
E Xn = ] E [Xn )(9.4
n n
מסקנה נוספת שנוכל להגיע אליה ־ בהינתן ,Y > Xאזי ]:E [Y ] > E [X
] E [Y ]= E [X + (Y − X)] = E [X] + E [Y − X] > E [X
} | {z
>0
דוגמה
נוכל להשתמש בתוחלת של סכום משתנים מקריים בכדי לחשב בדרך נוספת את התוחלת של משתנה מקרי בינומי .לשם כך,
Pn
=X נגדיר את Xכמספר ההצלחות בסדרה של nניסויי ברנולי עם סיכוי pלהצלחה .כעת ,נציג את Xבאופן הבא ־ Xk
k=1
כאשר Xkהוא 1אם הצלחנו בניסוי ה־ kו־ 0אחרת .מתקיים:
] E [Xk = 0 · (1 − p) + 1 · p = p
נחשב את התוחלת של :X
" n
# n n
X X X
]E [X = E = Xk = ] E [Xk p = np
k=1 k=1 k=1
38
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות משותפת עבור משתנים מקריים בלתי תלויים 9.3
דוגמה
שמים nמספרים } {1, . . . , nב־ nתאים ממוספרים .נסמן ב־ Xאת מספר ההתאמות ־ מספר המספרים שהושמו בתא בעל
מספר זהה .מהי התוחלת של ?X
Pn
= Xכאשר Xkהוא 1אם המספר kנמצא בתא ה־ kו־ 0אחרת .מתקיים: נציג את Xבאופן הבא ־ Xk
k=1
1 1 1
] E [Xk = 1· +0· 1− =
n n n
נחשב את התוחלת של :X
" n
# n n
X X X 1 1
]E [X = E = Xk = ] E [Xk =n =1
n n
k=1 k=1 k=1
התפלגות משותפת עבור משתנים מקריים בלתי תלויים 9.3
תנאי לאי תלות 9.3.1
משתנים מקריים רציפים משותפים X, Yהם בלתי תלויים אם ורק אם ).fXY (x, y) = fX (x) fY (y
הוכחה
כיוון ראשון:
יהיו .a, b ∈ Ωלפי הנחת האי־תלות ).Pr [(X 6 a) ∩ (Y 6 b)] = Pr (X 6 a) · Pr (Y 6 b) = FX (a) FY (b
נגזור לפי aולפי :b
ˆa ˆb
d2 d2
= fXY (x, y) dydx ])[FX (a) FY (b
dadb dadb
∞−∞ −
ˆa ˆb
d d
f XY (x, )y dy ) dx = fX (a) fY (b
da db
−∞ ∞−
| {z }
)=fXY (x,b
ˆa
d
)fXY (x, b) dx = fX (a) fY (b
da
∞−
)fXY (a, b )= fX (a) fY (b
כיוון שני:
¨ ˆ ˆ
])Pr [(X ∈ I) ∩ (Y ∈ J = fX (x) fY (y) dxdy = fX (x) dx fY (y) dy
I J
X∈I
Y ∈J
= )Pr (X ∈ I) · Pr (Y ∈ J
39
שונות משותפת 9.4 התפלגות משותפת של מספר משתנים מקריים 9
דוגמה
שני אנשים קבעו להיפגש במקום מסויים בין השעות 12ואחת אחר הצהריים .כל אחד מהשניים מגיע בזמן אקראי ,ממתין 10
דקות ואז עוזב .מהי ההסתברות שהם יפגשו?
פתרון:
נתון לנו ) X ∼ U (0, 1) , Y ∼ U (0, 1וכן ש־ X, Yבלתי תלויים .ההתפלגות המשותפת היא:
(
]1 , x ∈ [0, 1] ∧ y ∈ [0, 1
= )fXY (x, y
0 , else
ולכן ,ההסתברות היא:
2
1 5 11
)Pr (A = Pr |X − Y | 6 =1− =
6 6 36
שונות משותפת 9.4
הגדרה 9.4.1
הגדרה ־ שונות משותפת
השונות המשותפת של שני משתנים מקריים X, Yמוגדרת להיות:
) Cov (X, Y = ]) E [(X − µX ) (Y − µY
נבחין בין שני מקרים של השונות המשותפת:
.1שונות משותפת חיובית ־ למשתנה מקרי אחד יש נטיה לגדול ככל שהמשתנה המקרי האחר גדל.
.2שונות משותפת שלילית ־ למשתנה מקרי אחד יש נטיה לקטון ככל שהמשתנה המקרי האחר גדל.
הערה :השונות המשותפת אינה אינדיקציה לאופי ההשפה של משתנה מקרי אחד על משתנה מקרי אחר .ייתכן ששניהם
מושפעים ממשתנה מקרי שלישי.
תכונות של שונות משותפת 9.4.2
.1סימטריה:
) Cov (X, Y = )Cov (Y, X
.2ביליניאריות:
) Cov (X1 + X2 , Y = ) Cov (X1 , Y ) + Cov (X2 , Y
.3סגירות לכפל וחיבור:
)Cov (aX − b, cY + d ) = acCov (X, Y
40
התפלגות משותפת של מספר משתנים מקריים 9 שונות משותפת 9.4
.4מכפלה פנימית:
)Cov (X, X = Var (X) > 0
.5חישוב השונות המשותפת:
) Cov (X, Y ] = E [XY ] − E [X] E [Y
.6שונות משותפת של משתנים בלתי תלויים:
] E [XY ] = E [X] E [Y
) Cov (X, Y = 0
הוכחה ־ תכונה 6
¨ ¨ ∞ˆ ∞ˆ
] E [XY = = xyfXY (x, y) dxdy xyfX (x) fY (y) dxdy = xfX (x) dx yfY (y) dy
R2 R2 ∞− ∞−
] = E [X] E [Y
( משתנים בלתי מתואמים ) Uncorrelated 9.4.3
הגדרה ־ משתנים בלתי מתואמים
משתנים מקריים X, Yהם בלתי מתואמים אם ורק אם .Cov (X, Y ) = 0
מסקנה :משתנים מקריים בלתי תלויים הם בהכרח בלתי מתואמים ,אך הכיוון ההפוך אינו נכון.
דוגמות ־ משתנים בלתי מתואמים ותלויים.
.1נתבונן במשתנים מקריים בדידים X, Yכך שההסתברות המשותפת שלהם היא כזו:
(
1
4 ), (0, −1) , (0, 1) , (−1, 0) , (1, 0
pXY = )(x, y
0 , else
קל לראות שמתקיים E [X] = E [Y ] = E [XY ] = 0ולכן המשתנים בלתי מתואמים ,אך הם גם תלויים.
.2נתון משתנה מקרי Xהמפולג סביב 0באופן סימטרי ־ E [X] = 0ומשתנה מקרי .Y = X 2מתקיים:
E [X] = 0 , E [XY ] = E X 3 = 0
זאת משום שגם X 3בהכרח מתפלג סביב 0באופן סימטרי .לכן X, Yאינם מתואמים ,אך מובן הם תלויים ) Yהוא פונקציה
של .(X
41
התפלגות משותפת של מספר משתנים מקריים 9 שונות משותפת 9.4
( מקדם מתאם ) Correlation Coe cient 9.4.4
הגדרה ־ מקדם המתאם
יהיו X, Yמשתנים מקריים שאינם דטרמינימסטיים ־ Var (X) > 0 , Var (Y ) > 0־ אזי מקדם המתאם שלהם מוגדר
להיות:
) Cov (X, Y
ρXY =
σX σY
כאשר ρXYקרוב ל־ ,1אזי נאמר שישנה תלות ליניארית חזקה.
כאשר ρXYקרוב ל־ ,0אזי נאמר שישנה תלות ליניארית חלשה.
נשים לב שתמיד מתקיים .|ρXY | 6 1
הוכחה ־ תכונת מקדם המתאם
)Cov (Y − λX, Y − λX = Var (Y − λX) = Var (Y ) + λ2 Var (X) − 2λCov (X, Y ) > 0
כיוון שעבור λ = 0אנו מקבלים ,Var (Y ) > 0אז נסיק שמתקיים:
2
4Cov (X, Y ) − 4Var (X) Var (Y ) 6 0
2
) Cov (X, Y ) 6 Var (X) Var (Y
|) |Cov (X, Y
6 1
σX σY
ρXY 6 1
בנוסף ,נשים לב שאם ,ρXY = 1אזי Y = αX + βעבור α > 0ואם ,ρXY = −1אזי Y = αX + βעבור .α < 0
יישומים של השונות המשותפת 9.4.5
.1שונות של סכום:
) Var (X + Y = ) Var (X) + Var (Y ) + 2Cov (X, Y
נסיק עבור משתנים בלתי מתואמים:
) Var (X + Y = ) Var (X) + Var (Y
.2הכללה ל־ nמחוברים:
n
X X
) Var (X1 + X2 + · · · + Xn = Var (Xi ) + 2 ) Cov (Xi , Xj
i=1 16i<j6n
נסיק עבור משתנים בלתי מתואמים לכל :i 6= j
n
X
) Var (X1 + X2 + · · · + Xn = ) Var (Xi
i=1
42
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות של סכום של שני משתנים מקריים בלתי תלויים 9.5
דוגמה
נתון ) .X ∼ Bin (n, pראינו שעבור התוחלת מתקיים ,E [X] = npכעת נראה שמתקיים .Var (X) = npq
n
P
= Xוכן שלכל Xi , Xj i 6= jבלתי תלויים ולכן: נגדיר Xiלהיות 1אם הניסוי ה־ iהצליח ו־ 0אם לא .מובן ש־ Xi
i=1
2
Var (Xi ) = E Xi2 − E [Xi ] = p − p2 = pq
Xn
= )Var (X Var (Xi ) = npq
i=1
התפלגות של סכום של שני משתנים מקריים בלתי תלויים 9.5
בהינתן משתנים מקריים X, Yבלתי תלויים בעלי צפיפות ) ,fX (x) , fY (yכיצד יתפלג המשתנה ?S = X + Y
¨ ∞ˆ ˆ
s−x
)FS (s = = )Pr (S 6 s) = Pr (X + Y 6 s = fXY (x, y) dxdy )fX (x fY (y) dy dx
x+y6s ∞− ∞−
| {z }
)=FY (s−x
∞ˆ
)fS (s = fX (x) fY (s − x) dx
∞−
באותו אופן נוכל להגיע לקשר:
∞ˆ
)fS (s = fY (y) fX (s − y) dy
∞−
כלומר ,בסך הכל קיבלנו קשר של קונבולוציה:
)fS (s )= fX (x) ∗ fY (y )(9.5
דוגמה
נתונים ) X, Y ∼ N (0, 1בלתי תלויים .מהי ההתפלגות של ?S = X + Y
∞ˆ ∞ˆ
1 2 (s−x)2 1 − s2 s 2 1 s2
)fS (s = e − x2
e − 2 = dx e 4 e−(x− 2 ) dx = √ e− 4
2π 2π 2 2π
∞− ∞−
כלומר ,קיבלנו כי ).S ∼ N (0, 2
43
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות משותפת של משתנים מקריים מותנים 9.6
התפלגות משותפת של משתנים מקריים מותנים 9.6
הגדרה 9.6.1
הגדרה ־ התפלגות משותפת של משתנים מקריים מותנים
יהיו X, Yשני משתנים מקריים המתפלגים במשותף ,אזי ההתפלגות המותנית של Xבהינתן Yמוגדרת באופן הבא:
עבור משתנים בדידים:
)pXY (a, b
)pX|Y =b (a =
)pY (b
עבור משתנים רציפים:
)fXY (x, y
)fX|Y =y (x =
)fY (y
הערה:
לכל yקבוע שעבורו ,fY (y) > 0הפונקציה ) fX|Y =y (xהינה פונקציית צפיפות לגיטימית של :x
• .fX|Y =y (x) > 0
´
∞ ´
∞
)fXY (x,y )fY (y
. = fX|Y =y (x) dx )fY (y = dx )fY (y • =1
∞− ∞−
דוגמה
נתון כד ובתוכו 3כדורים כחולים 4 ,אדומים ו־ 2לבנים .מוציאים 2כדורים ללא החזרה.
נסמן ב־ Xאת מספר הכדורים הכחולים שהוצאנו וב־ Yאת מספר הכדורים האדומים שהוצאנו.
מהי פונקציית ההסתברות של Xבהינתן ?Y = 1
8
])Pr [(X = 0) ∩ Pr (Y = 1 36 2
)pX|Y =1 (0 = = 20 =
)Pr (Y = 1 36
5
12
])Pr [(X = 1) ∩ Pr (Y = 1 36 3
)pX|Y =1 (1 = = 20 =
)Pr (Y = 1 36
5
])Pr [(X = 2) ∩ Pr (Y = 1
)pX|Y =1 (2 = =0
)Pr (Y = 1
תוחלת מותנית 9.6.2
הגדרה ־ תוחלת מותנית
יהיו X, Yשני משתנים מקריים המתפלגים במשותף ,אזי התוחלת המותנית של Xבהינתן Yהיא פונקציה ) g (Yהמוגדרת
באופן הבא:
לכל g (Y ) ,y ∈ Yהיא התוחלת של משתנה מקרי המתפלג באופן מותנה X|Y = y־ ].g (y) = E [X|Y = y
44
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות משותפת של משתנים מקריים מותנים 9.6
דוגמה
בהינתן הדוגמה הקודמת ,נחשב את התוחלות המותנות:
. 3·2
= 5
6
5 עבור ,Y = 0נתייחס לכד כאילו יש בו 5כדורים ובהתאם לתרגיל בית ,9התוחלת של הכדורים הכחולים היא
עבור Y = 1נחשב את התוחלת לפי הגדרה וההסתברויות שחישבנו.
עבור Y = 2נקבל ש־ Xהוא משתנה דטרמיניסטי.
6
]g (0) = E [X|Y = 0 =
5
2 3 3
]g (1) = E [X|Y = 1 = ·0 =+1· +2·0
5 5 5
]g (2) = E [X|Y = 2 = 0
נוסחת התוחלת השלמה 9.6.3
כיוון שהפונקציה ] g (Y ) = E [X|Yמגדירה משתנה מקרי ,Gנוכל לדון בתוחלת שלו ]] .E [g (Y )] = E [E [X|Y
בהנחה ש־] E [Xקיימת ומוגדרת היטב ,אזי מתקיים:
]E [X = ]] E [E [X|Y )(9.6
דוגמה
בהמשך לדוגמה הקודמת:
]] E [E [X|Y )= g (0) · Pr (Y = 0) + g (1) · Pr (Y = 1) + g (2) · Pr (Y = 2
6 10 3 20 6 120 2
= · · + ·+0 = =
5 36 5 36 36 180 3
נחשב את התוחלת ישירות )לפי תרגיל בית :(9
2·3 2
]E [X = =
9 3
הוכחה ־ נוסחת התוחלת השלמה
נראה עבור המקרה הרציף:
∞ˆ ∞ˆ ∞ˆ ∞ˆ ∞ˆ
fXY (y)
]] E [E [X|Y = = g (y) fY (y) dy x = dx fY (y) dy xfXY (x, y) dx dy
)fY (y
∞− ∞−∞ − ∞−∞ −
∞ˆ ˆ ∞ˆ
∞
= x = fXY (x, y) dy dx ]xfX (x) dx = E [X
∞− ∞− ∞−
45
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות משותפת של משתנים מקריים מותנים 9.6
דוגמה
נתון חדר תת קרקעי בעל 3דלתות:
דלת 1־ מובילה לקרקע תוך 3שעות.
דלת 2־ מובילה חזרה לחדר תוך 5שעות.
דלת 3־ מובילה חזרה לחדר תוך 7שעות.
בכל פעם בוחרים דלת באקראי .מהו הזמן הממוצע עד להגעה לקרקע.
נסמן ב־ Yאת מספר הדלת שבחרנו בהתחלה וב־ Xאת מספר השעות שיעברו עד ההגעה לקרקע.
]E [X = ]E [E [X|Y ]] = Pr (Y = 1) · E [X|Y = 1] + Pr (Y = 2) · E [X|Y = 2] + Pr (Y = 3) · E [X|Y = 3
1 1 1
= ]· 3 + · E [X|Y = 2] + · E [X|Y = 3
3 3 3
כעת ,נשים לב שמתקיים:
]E [X|Y = 2 = E [X] + 5
]E [X|Y = 3 = E [X] + 7
משום שבכל חזרה לחדר מתחילים את כל התהליך מחדש .נציב ונקבל:
1 1
]E [X = 1+ )(E [X] + 5) + (E [X] + 7
3 3
]E [X = 15
דוגמה
מספר הלקוחות Nשיכנסו לחנות במהלך שעה אחת מתפלג פואסונית עם פרמטר .λכל לקוח )באופן בלתי תלוי באחרים(
יקנה משהו בהסתברות .pמהי התוחלת והשונות של מספר הקניות במהלך השעה?
נסמן ב־ Xאת מספר הקניות ונשים לב לכך ש־)X|N ∼ Bin (N, p
]E [X = E E [X|N ] = E [N p] = pE [N ] = pλ
} | {z
=N p
h i
2 2
E E X 2 |N = E Var (X|N ) + (E [X|N ]) = E N p (1 − p) + N 2 p2
E X =
h i
2
)p (1 − p) E [N ] + p2 E N 2 = λp (1 − p) + p2 Var (N ) + (E [N ]) = λp (1 − p) + λp2 (1 + λ
=
2
E X 2 − (E [X]) = λp (1 − p) + λp2 (1 + λ) − λ2 p2 = λp
)Var (X =
דוגמה ־ תוחלת ושונות של התפלגות גיאומטרית
נתוך ) .X ∼ Geom (pנחשב את ] .E [xלשם כך נגדיר משתנה מקרי Yלהיות 1אם הצלחנו בניסוי הראשון ו־ 0אחרת
)ההסתברות להצליח בניסוי מסויים היא .(p
]E [X ]= E [E [X|Y ]] = 1 · p + (1 − p) (E [X] + 1) = p + (1 − p) E [X] + 1 − p = 1 + (1 − p) E [X
1
= ]E [X
p
46
התנהגות אסימפטוטית של משתנה מקרי 10
התנהגות אסימפטוטית של משתנה מקרי 10
נראה מה קורה כאשר מגרילים את אותו משתנה מקרי מספר גדול של פעמים.
N
P
וב־ X Nאת במהלך פרק זה נסמן ב־ X1 , X2 , . . .משתנים מקריים בלתי תלויים שווי התפלגות ,ב־ SNאת הסכום Xi
i=1
הגודל . SNN
כמו כן ,נסמן E [Xi ] = µולכן נקבל .E [SN ] = N µ, E X N = µ
חוק המספרים הגדולים 10.1
הגדרה ־ חוק המספרים הגדולים
יהיו X1 , X2 , . . .משתנים מקריים בלתי תלויים ושווי התפלגות עם תוחלת .µX
אזי ,לכל ε > 0מתקיים:
∞→ N
Pr µX − ε 6 X N 6 µX + ε →−−−− 1
הוכחה
2
.σX נוכיח למקרה שבו ∞ <
חישוב עזר:
2
) Var (Xi = σX
2
√
Var (SN ) = N σX , = σSN N σX
σ2 σX
Var X N = X , σX N √=
N N
בהתאם לאי שוויון צ'בישב:
Var X N 2
σX ∞→ 1 N
Pr X N − µX > ε 6 2
= 2
· −−−−→ 0
ε ε N
∞→ N
Pr µX − ε 6 X N 6 µX + ε = Pr X N − µX 6 ε = 1 − Pr X N − µX > ε −−−−→ 1
דוגמה ־ הילוך אקראי סימטרי
נתון חלקיק המתחיל ב־ x = 0ובכל תור יכול לנוע צעד ימינה או צעד שמאלה בהסתברות . 12
נסמן ב־ SNאת מיקום החלקיק לאחר Nצעדים .נרצה להציג את SNכסכום של משתנים מקריים בלתי תלויים ושווי
התפלגות ,ולכן נגדיר את Xiלהיות 1אם זזנו ימינה בתור ה־ iו־ −1אם זזנו שמאלה באותו תור .לפי חוק המספרים הגדולים,
לכל ε > 0מתקיים:
SN ∞→ N
Pr −ε 6 6ε −−−−→ 1
N
∞→ N
→Pr (−N ε 6 SN 6 N ε) −−−− 1
כלומר ,החלקיק נשאר בסביבת נקודת ההתחלה ) x = 0כאשר הסביבה היא תחום הגדל ליניארית ב־ .(N
47
התנהגות אסימפטוטית של משתנה מקרי 10 משפט הגבול המרכזי 10.2
דוגמה ־ סדרת ניסויי ברנולי
נגדיר בסדרת ניסויי ברנולי עם סיכוי pלהצלחה את המשתנים המקריים Xiלהיות 1אם הצלחנו בסיבוב ה־ iו־ 0אחרת.
אלו הם משתנים בלתי תלויים ושווי התפלגות.
מתקיים:
N
X
= SN Xi )⇒ S ∼ Bin (N, p
i=1
התוחלת של :Xi
] E [Xi = 1 · p + 0 · (1 − p) = p
ולכן ,לכל ε > 0מתקיים:
SN ∞→ N
Pr p − ε 6 6p+ε →−−−− 1
N
משפט הגבול המרכזי 10.2
בהינתן ,SN , X Nנרצה לעבוד עם הגרסה המתוקננת שלהם )גרסה שיש לה תוחלת 0ושונות :(1
SN − N µX X N − µX
√ , σX
σX N √
N
2
.0 < σX כמו כן ,נשים לב שעבור משפט הגבול המרכזי אנו חייבים להניח שמתקיים ∞ <
הגדרה ־ משפט הגבול המרכזי
2
.0 < σX יהיו X1 , X2 , . . .משתנים מקריים בלתי תלויים ושווי התפלגות בעלי תוחלת µXושונות ∞ <
אזי לכל ∞ −∞ 6 a < b 6מתקיים:
!
X N − µX ∞→ N
< Pr a σX <b )−−−−→ Φ (b) − Φ (a
√
N
SN − N µX ∞→ N
< Pr a √ <b →−−−− )Φ (b) − Φ (a
σX N
48
התנהגות אסימפטוטית של משתנה מקרי 10 משפט הגבול המרכזי 10.2
דוגמה ־ משפט דה־מואבר ־ לפלס
יהיה )) Xi ∼ Ber (pכלומר .(Xi ∼ Bin (1, p) ,אזי ־ ) SN ∼ Bin (N, pאזי באמצעות משפט הגבול המרכזי נקבל את
משפט דה־מואבר לפלס לגבי קירוב נורמלי להתפלגות בינומית עבור Nגדול:
∞→ N
SN →−−−− ])N [np, np (1 − p
באיור מופיעים SNעבור N = 5, 10, 15, 20וכן .p = 0.7ניתן לראות כיצד הגרף הופך יותר ויותר נורמלי.
דוגמה
יהי ) .Xi ∼ Geom (0.7באיור מופיעים SNעבור .N = 1, 5, 10, 15ניתן לראות כיצד הגרף הופך יותר ויותר נורמלי.
דוגמה
יהי ) .Xi ∼ Pois (1באיור מופיעים SNעבור .N = 1, 5, 10, 15ניתן לראות כיצד הגרף הופך יותר ויותר נורמלי .כמו כן,
מתקיים הקשר ).SN ∼ Pois (N λ
49
התנהגות אסימפטוטית של משתנה מקרי 10 משפט הגבול המרכזי 10.2
דוגמה
יהי ) .Xi ∼ U (0, 1באיור מופיעים SNעבור .N = 1, 2, 3, 4ניתן לראות כיצד הגרף הופך יותר ויותר נורמלי.
דוגמה
יהי ) .Xi ∼ Exp (1באיור מופיעים SNעבור .N = 1, 2, 3, 4ניתן לראות כיצד הגרף הופך יותר ויותר נורמלי.
דוגמה
יהי ) .Xi ∼ N (1, 4באיור מופיעים SNעבור .N = 1, 2, 3, 4ניתן לראות כיצד הגרף נשאר נורמלי ,אך זז ומתרחב בהתאם
לקשר .SN ∼ N N µ, N σ 2
50
התנהגות אסימפטוטית של משתנה מקרי 10 משפט הגבול המרכזי 10.2
דוגמה ־ יישום של משפט הגבול המרכזי עבור הילוך אקראי סימטרי
∞→ N
ראינו שלכל α > 0מתקיים הקשר .Pr (|SN | > αN ) −−−−→ 0
עבור שני מספרים ,0 < α < βאיזו פונקציה של Nנצטרך בכדי שההסתברות ]) Pr [αf (N ) < SN < βf (Nתשאף למספר
√ סופי שתלוי ב־?α, β
ממשפט הגבול המרכזי נסיק שהפונקציה הדרושה היא Nומתקיים:
√ h ∞→√ i X
Pr α N < SN < β N )−−−−→ Φ (β) − Φ (α
למשל ,לאחר 1, 000, 000צעדים מתקיים:
)Pr (−1000 < SN < 1000 ≈ Φ (1) − Φ (−1) = 2Φ (1) − 1 ≈ 0.68
)Pr (−2000 < SN < 2000 ≈ Φ (2) − Φ (−2) = 2Φ (2) − 1 ≈ 0.95
)Pr (−3000 < SN < 3000 ≈ Φ (3) − Φ (−3) = 2Φ (3) − 1 ≈ 0.99
תנועה בראונית 10.2.1
תנועה בראונית מתקבלת מהילוך אקראי כאשר מחלקים את אורך הצעד ב־ Nומגדילים את תדירות הצעדים ב־ .N 2
כך W (t) ,W (0) = 0 ,היא פונקציה רציפה של tועדיין התוספות למיקום הן בלתי תלויות אחת מהשניה .מתקיים:
∼ )W (s) − W (t )N (0, s − t
51
תרגול 1־ 17.2.14 1
II חלק
תרגולים
תרגול 1־ 17.2.14 1
מקדם הבינום 1.1
נגדיר את מקדם הבינום לכל 0 6 k 6 nשלמים:
n !n
=
k !)k! (n − k
למשך התרגול ,נגדיר את הקבוצה }.A = {1, 2, . . . , n
טענות עבור מקדם הבינום 1.1.1
טענה
n
הוא מספר תתי הקבוצות של Aבגודל .k הגודל
k
הוכחה:
!n
!).n (n − 1) (n − 2) . . . (n − k + 1) = (n−k מספר הדרכים לבחור סדרה באורך kשל איברים שונים מ־ Aהוא
בהינתן B ⊂ Aכך ש־ ,|B| = kקיימות בדיוק ! kסדרות a1 , a2 , . . . , ak ∈ Aכך ש־} .B = {a1 , a2 , . . . , ak
על כן ,מספר תתי הקבוצות הוא מספר הדרכים לבחור סדרה מחולק במספר הסדרות המרכיבות את אותה קבוצה:
!n n
= N =
!(n − k)!k k
טענה
מתקיים השוויון:
n n
=
k n−k
הוכחה אלגברית:
n !n !n n
= = =
k !)k! (n − k !(n − k)!k n−k
הוכחה קומבינטורית:
נסמן } B = {B ⊂ A : |B| = kו־}.C = {C ⊂ A : |C| = n − k
לכל B ∈ Bנסמן f (B) = A\Bומכך קל להראות ש־ fהיא העתקה חד חד ערכית ועל מ־ Bל־ .C
על כן:
n n
= | = |B| = |C
k n−k
52
תרגול 1־ 17.2.14 1 מקדם הבינום 1.1
טענה
נניח ,1 6 kאזי מתקיים
n−1 n−1 n
+ =
k−1 k k
הוכחה אלגברית:
n−1 n−1 !)(n − 1 !)(n − 1 )(n − 1)! (k + n − k n
+ = + = =
k−1 k !)(k − 1)! (n − k)! k! (n − 1 − k !)k! (n − k k
הוכחה קומבינטורית:
∈ D = {E ⊂ B : n נסמן } C = {E ⊂ B : n ∈ E} ,B = {B ⊂ A : |B| = kו־}/ E
ניתן לראות ש־ Bהוא האיחוד הזר של C , D־ ) B = C ] Dאין ביניהם איברים משותפים( ולכן מתקיים |.|B| = |C | + |D
על כן:
n
|= |B| = |C | + |D
k
= |}|{E ⊂ {1, 2, . . . , n − 1} : |E| = k − 1}| + |{E ⊂ {1, 2, . . . , n − 1} : |E| = k
n−1 n−1
= +
k−1 k
53
17.2.14 ־1 תרגול 1 מקדם הבינום 1.1
טענה
: אזי,a, b ∈ R יהיו
n
n
X n
(a + b) = ak bn−k
k
k=0
:הוכחה באינדוקציה
:n = 1 עבור
1 1
a+b = b+ a=a+b
0 1
:n + 1 ונוכיח עבורn > 1 נניח שהטענה נכונה עבור:טענת האינדוקציה
n
n+1 n
X n
(a + b) = (a + b) (a + b) = (a + b) ak bn−k
k
k=0
n+1
X n
n X n
= ak bn−k+1 + ak bn−k+1
k−1 k
k=1 k=0
n
X n n
= an+1 + bn+1 + + ak bn−k+1
k−1 k
k=1
n
n+1 n+1
X n + 1 k n−k+1
= a +b + a b
k
k=1
n+1
X
n + 1 k n+1−k
= a b
k
k=0
טענה
מתקיים השוויון
n
X n
= 2n
k
k=0
:הוכחה
n n
X n X
= |{B ⊂ A : |B| = k}|
k
k=0 k=0
n
= ∪ {B ⊂ A : |B| = k}
k=0
= |{B : B ⊂ A}|
= 2n
54
תרגול 2־ 24.2.14 2
תרגול 2־ 24.2.14 2
מרחב הסתברות 2.1
הגדרה :מרחב הסתברות הוא זוג ) ,(Ω, Prכאשר Ωהיא קבוצה לא ריקה )מרחב המדגם( ו־ Prהיא פונקציית ההסתברות
אשר נותנת לחלק מתתי הקבוצות )מאורעות( של Ωמספר ממשי כך שמתקיים:
0 6 Pr (A) 6 1 .1לכל מאורע .A ⊂ Ω
.Pr (Ω) = 1, Pr (∅) = 0 .2
∞
P ∞
כאשר ∅ = .∀i 6= j Ai ∩ Aj Pr (Aj ) = Pr ] Aj .3
j=1 j=1
טענות על מרחב ההסתברות 2.1.1
טענה
לכל מאורע Aמתקיים ):(Ac = Ω \ A
) Pr (Ac = )1 − Pr (A
הוכחה:
1 = ) Pr (Ω) = Pr (A ∪ Ac
= ) Pr (A) + Pr (Ac
) Pr (Ac = )1 − Pr (A
טענה
לכל זוג מאורעות A ⊂ Bמתקיים:
)Pr (A) 6 Pr (B
הוכחה:
)Pr (B = ])Pr [A ∪ (B \ A
= )Pr (A) + Pr (B \ A
> )Pr (A
55
תרגול 2־ 24.2.14 2 מרחב הסתברות 2.1
טענה
לכל זוג מאורעות A, Bמתקיים:
)Pr (A ∪ B = )Pr (A) + Pr (B) − Pr (A ∩ B
הוכחהַ:ר
)Pr (A ∪ B = ])Pr [A ∪ (B \ A
= )Pr (A) + Pr (B \ A) + Pr (A ∩ B) − Pr (A ∩ B
= )Pr (A) + Pr [(B \ A) ∪ (A ∩ B)] − Pr (A ∩ B
= )Pr (A) + Pr (B) − Pr (A ∩ B
דוגמות 2.1.2
דוגמה
מטילים קוביה הוגנת.
.1מהו מרחב ההסתברות?
.2מהי ההסתברות שיצא מספר ראשוני?
פתרון:
.1מרחב ההסתברות:
Ω }= {1, 2, 3, 4, 5, 6
||A
= )Pr (A
6
.2ישנם שלושה מספרים ראשוניים במרחב המדגם ) (2, 3, 5ולכן ההסתברות לקבל מספר ראשוני היא:
1
)Pr (prime =
2
56
תרגול 2־ 24.2.14 2 מרחב הסתברות 2.1
דוגמה
מטילים קוביה לא הוגנת .נניח שהסיכוי שיצא מספר כלשהו jפרופורציוני ל־.j
.1מהו מרחב ההסתברות?
.2מהי ההסתברות שיצא מספר ראשוני?
פתרון:
.1מרחב ההסתברות:
Ω }= {1, 2, 3, 4, 5, 6
P P
j j
j∈A j∈A
= Pr (A) = P
j 21
j∈Ω
.2ישנם שלושה מספרים ראשוניים במרחב המדגם ) (2, 3, 5ולכן ההסתברות לקבל מספר ראשוני היא:
10
)Pr (prime =
21
דוגמה
ארבעה אנשים ) (A, B, C, Dמסודרים בשורה באופן רנדומלי.
.1מהו מרחב ההסתברות?
.2מהי ההסתברות ש־ Aיהיה ראשון בשורה?
פתרון:
.1מרחב ההסתברות:
Ω}= {f : {1, 2, 3, 4} → {A, B, C, D} ; f is one − to − one and onto
||S ||S
= )Pr (S =
!4 24
.2ההסתברות ש־ Aיהיה ראשון:
!3 1
)Pr (A is first = =
!4 4
57
תרגול 3־ 3.3.14 3
תרגול 3־ 3.3.14 3
הסתברות מותנית 3.1
דוגמה
זורקים שתי קוביות הוגנות וידוע שסכום התוצאות גדול או שווה ל־.10
א .מהי ההסתברות המותנית שבקוביה אחת יצא 6ובשניה ?5
ב .מהי ההסתברות המותנית שהתוצאה בקוביה הנמוכה יותר היא ?4
פתרון:
||A 2
= ).Pr (A 36 א .מרחב ההסתברות הוא } Ω = {1, 2, 3, 4, 5, 6ופונקציית הסתברות
נסמן ב־ Aאת המאורע שבו הסכום גדול או שווה ל־.10
= A }){(4, 6) , (5, 5) , (5, 6) , (6, 4) , (6, 5) , (6, 6
נסמן ב־ Bאת המאורע שבו בקוביה אחת יצא 5ובשניה יצא :6
B })= {(5, 6) , (6, 5
נחשב:
)Pr (B ∩ A )Pr (B ||B 1
)Pr (B|A = = = =
)Pr (A )Pr (A ||A 3
ב .נסמן ב־ Cאת המאורע שבו התוצאה הנמוכה יותר היא :4
C })= {(4, 4) , (4, 5) , (5, 4) , (4, 6) , (6, 4
נחשב:
)Pr (C ∩ A })Pr {(4, 6) , (6, 4 1
)Pr (C|A = = =
)Pr (A )Pr (A 3
דוגמה
נתונה מערכת המורכבת מנגד וקבל .נסמן ב־ Rאת המאורע שבו הנגד תקין וב־ Cאת המאורע שבו הקבל תקין.
מתצפיות ידוע שמתקיים .Pr (R) = 0.9, Pr (C|R) = 0.95, Pr (C|Rc ) = 0.95מהן ההסתברויות הבאות:
)Pr (C = Pr (C|R) · Pr (R) + Pr (C|Rc ) · Pr (Rc ) = 0.95 · 0.9 + 0.95 · 0.1 = 0.95
)Pr (R ∩ C = Pr (R) · Pr (C|R) = 0.9 · 0.95 = 0.855
)Pr (R ∩ C 0.855
)Pr (R|C = = = 0.9
)Pr (C 0.95
)Pr (Rc ) − Pr (Rc |C) · Pr (C 0.1 − 0.1 · 0.95
) Pr (Rc |C c = = = 0.1
) Pr (C c 0.05
58
תרגול 3־ 3.3.14 3 הסתברות מותנית 3.1
דוגמה
נתונה כיתה בה לומדים 30בנים ו־ 10בנות .בוחרים ועדה של 4תלמידים באופן הוגן.
מהן ההסברויות הבאות:
א .בת תיבחר ראשונה?
1
)Pr (A =
4
ב .בת תיבחר שניה?
1
)Pr (B =
4
נראה זאת באמצעות הסתברות מותנית :נסמן ב־ Xאת המאורע שבת נבחרה ראשונה וב־ Yאת המאורע שבת נבחרה שניה:
)Pr (B = ) Pr (Y |X) · Pr (X) + Pr (Y |X c ) · Pr (X c
9 1 10 3 1
= · + = ·
39 4 39 4 4
ג .בועדה יהיו שני בנים ושתי בנות?
10 30
·
2 2
)Pr (C = = 0.214192
40
4
דוגמה
נתון מרחב הסתברות ) (Ω, Prומאורעות A, B ⊂ Ωכך ש־).Pr (B) ∈ (0, 1
א .האם בהכרח )?Pr (Ac |B) = 1 − Pr (A|B
נחשב:
)Pr (A ∩ B )Pr (B) − Pr (A ∩ B )Pr (Ac ∩ B
)1 − Pr (A|B = 1− = = )= Pr (Ac |B
)Pr (B )Pr (B )Pr (B
ב .האם בהכרח )?Pr (A|B c ) = 1 − Pr (A|B
נבחן דוגמה נגדית:
זורקים שתי קוביות הוגנות .אחת אדומה ואחת ירוקה .נסמן ב־ Aאת המאורע שבו התוצאה בקוביה האדומה היא 6וב־B
את המאורע שבו התוצאה בקוביה הירוקה היא .6
נחשב:
5
) Pr (A ∩ B c 1
) Pr (A|B c = = 36
30 =
) Pr (B c 36
6
1
)Pr (A ∩ B 36 5
)1 − Pr (A|B = 1− =1− 6 =
)Pr (B 36
6
ואכן התוצאות אינן שוות.
59
תרגול 4־ 10.3.14 4
תרגול 4־ 10.3.14 4
אי־תלות 4.1
דוגמה
יהי ) (Ω, Prמרחב הסתברות ויהיו A, B ⊂ Ωמאורעות בלתי תלויים.
.1האם A, B cבלתי תלויים?
התשובה היא כן:
) Pr (A ∩ B c = ) Pr (A) − Pr (A ∩ B) = Pr (A) − Pr (A) · Pr (B) = Pr (A) [1 − Pr (B)] = Pr (A) · Pr (B c
.2האם Ac , B cבלתי תלויים?
התשובה היא כן ,הוכחה באותו אופן.
דוגמה
נתונה חפיסת קלפים סטנדרטית .שולפים קלף באופן אקראי .נסמן את המאורעות הבאים:
A־ צורת הקלף היא לב B ,־ הקלף הוא שחור C ,־ הקלף הוא מלך.
.1האם A, Bבלתי תלויים?
התשובה היא לא:
1 1
=Pr (A ∩ B) = 0 6 )· = Pr (A) · Pr (B
4 2
.2האם A, Cבלתי תלויים?
התשובה היא כן:
1 1 1
= )Pr (A ∩ C = · )= Pr (A) · Pr (C
52 4 13
דוגמה
נתונה המערכת הבאה:
R3
% &
X → R1 Y
& %
R2
הרכיבים R1 , R2 , R3בלתי תלויים במשותף ועובדים כשורה בהסתברויות .Pr (R1 ) = 0.9, Pr (R2 ) = 0.5, Pr (R3 ) = 0.6
המערכת תקינה אם יש מסלול בין Xו־ .Y
נסמן ב־ Aiאת המאורע בו רכיב Riתקין .מהי ההסתברות שהמערכת תקינה?
)Pr (B = ) Pr [(A1 ∩ A2 ) ∪ (A1 ∩ A3 )] = Pr (A1 ∩ A2 ) + Pr (A2 ∩ A3 ) − Pr (A1 ∩ A2 ∩ A3
= Pr (A1 ) Pr (A2 ) + Pr (A1 ) Pr (A3 ) − Pr (A1 ) Pr (A2 ) Pr (A3 ) = 0.72
60
תרגול 4־ 10.3.14 4 אי־תלות 4.1
דוגמה
יהי ) (Ω, Prמרחב הסתברות ויהיו A, B ⊂ Ωמאורעות כך ש־) 0 < Pr (A) , Pr (Bוגם ) .Pr (A|B) 6 Pr (Aהאם בהכרח
נכון ש־)?Pr (B|A) 6 Pr (B
התשובה היא כן:
)Pr (B ∩ A )Pr (B ∩ A
)Pr (B|A = 6 )= Pr (B
)Pr (A )Pr (A|B
דוגמה
נתון כד ובו 7כדורים לבנים ו־ 3כדורים אדומים .מוציאים כדור באופן אקראי ,מחזירים כדור עם הצבע השני ומוציאים כדור
נוסף באופן אקראי.
נסמן ב־ Frאת ההסתברות שהכדור הראשון אדום ,ב־ Fwאת ההסתברות שהכדור הראשון לבן ,ב־ Srאת ההסתברות
שהכדור השני אדום וב־ Swאת ההסתברות שהכדור השני לבן.
.1מהי ההסתברות שהכדור השני אדום?
) Pr (Sr = ) Pr (Fr ) · Pr (Sr |Fr ) + Pr (Fw ) · Pr (Sr |Fw
3 2 7 4
= · + · = 0.34
10 10 10 10
.2מהי ההסתברות ששני הכדורים אדומים?
2 3
) Pr (Fr ∩ Sr = = ) Pr (Sr |Fr ) · Pr (Fr · = 0.06
10 10
.3מהי ההסתברות ששני הכדורים לבנים?
6 7
) Pr (Fw ∩ Sw = = ) Pr (Sw |Fw ) · Pr (Fw · = 0.42
10 10
.4מהי ההסתברות ששני הכדורים לבנים בהינתן ששניהם באותו צבע?
) Pr (Fw ∩ Sw
}]) Pr {(Fw ∩ Sw ) | [(Fw ∩ Sw ) ∪ (Fr ∩ Sr = = 0.875
]) Pr [(Fw ∩ Sw ) ] (Fr ∩ Sr
61
תרגול 5־ 11.3.14 5
תרגול 5־ 11.3.14 5
אי תלות 5.1
דוגמה
נתונה המערכת הבאה:
R1
% &
X R3 → Y
& %
R2
הרכיבים R1 , R2 , R3בלתי תלויים במשותף ועובדים כשורה בהסתברויות .P1 , P2 , P3
.1מה ההסתברות שהמערכת תקינה?
)Pr (A ]) = P3 · [1 − (1 − P1 ) (1 − P2
.2מה ההתסברות שהמערכת תקינה בהינתן ש־ R1תקין?
)Pr (B = P3
.3מה ההסתברות שהמערכת תקינה בהינתן ש־ R1מקולקל?
)Pr (C = P 2 · P3
Gambler's Ruin דוגמה ־
מהמר מתחיל עם שקל אחד .בכל תור יש סיכוי שווה להפסיד שקל או להרוויח שקל ) .(Random walkהמשחק נעצר כאשר
למהמר לא נשאר כסף או כאשר הוא מגיע ל־ Nשקלים .כל תור אינו תלוי בתורים שקדמו לו.
מהי ההסתברות להגיע ל־ 0לפני ?N
נפתור בעיה כללית ־ נניח שההסתברות להגיע ל־ 0לפני Nכאשר מתחילים מ־ nכלשהו היא .pnמנוסחת ההסתברות השלמה
נקבל:
1 1
pn = pn−1 + pn+1
2 2
זוהי פונקציה ליניארית ,ולכן כדי לקבוע אותה במפורש נסתכל על הקצוות:
p0 = 1 , pN = 0
n
pn = 1−
N
ולכן:
1
p1 = 1−
N
ההסתברות להגיע ל־ Nלפני 0היא:
1
p1 =
N
62
תרגול 5־ 11.3.14 5 פונקציית התפלגות מצטברת 5.2
פונקציית התפלגות מצטברת 5.2
דוגמה
זמן הנסיעה מהבית לעבודה הוא 15דקות ללא המתנה ברמזור .הרמזור פועל במחזוריות ־ 3דקות אדום 2 ,דקות ירוק.
נגדיר משתנה מקרי Xכזמן הנסיעה לעבודה בפועל בדקות .מהי פונקציית ההתפלגות המצטברת?
לא ייתכן שזמן הההגעה ייקח פחות מ־ 15דקות הנסיעה הנדרשות ולא ייתכן שזמן ההגעה יעלה על 18דקות )המתנה
מקסימלית(.
ההסתברות להגיע כאשר הרמזור ירוק היא .0.4
באופן כללי:
)Pr (X 6 15 + t = )Pr (green) · 1 + Pr (red) · Pr (waiting less than t
2 3
= )+ · Pr (waiting less than t
5 5
0
, a < 15
a−13
)FX (a = , 15 6 a 6 18
5
1 , 18 < a
63
תרגול 6־ 24.3.14 6
תרגול 6־ 24.3.14 6
משתנים מקריים 6.1
דוגמה
אדם משתתף בניסוי הבא :מטילים מטבע 10פעמים וכל פעם מבקשים ממנו לחזות את התוצאה מראש .מה הסיכוי שהוא
יצליח בלפחות 7פעמים?
נגדיר משתנה מקרי Xשיסמן את מספר הפעמים שהאדם מנחש נכון.
Xמתפלג בינומית ־ ) X ∼ Bin (10, 0.5ולכן:
10 10
X 10 1
)Pr (X > 7 = = 0.17
j=7
j 2
דוגמה
כד מכיל 5כדורים אדומים 4 ,לבנים ו־ 3כחולים .מוציאים כדור באופן אקראי ,רושמים את צבעו ומחזירים אותו לכד .חוזרים
" על הניסוי 6פעמים .מהי #ההסתברות שיצאו שלושה כדורים אדומים ,שניים לבנים וכחול אחד?
6
6 5
= ), Prw = 31 , Prb = 14 , Pr (A
P Q
Ω = {r, w, b} , Prr = 12נרצה למצוא את מרחב ההסתברות הוא ) Pr (aj
a∈Aj=1
ההסתברות של המאורע הבא:
E }= {(a1 , a2 , . . . , a6 ) ∈ Ω : 3 red, 2 blue
נחשב:
6 3 2
XY 5 1 1
)Pr (E = · |Pr (aj ) = |E · ·
12 3 4
a∈E j=1
כאשר מתקיים:
6 3
= ||E · = 60
3 2
625
= )Pr (E
5184
64
תרגול 6־ 24.3.14 6 משתנים מקריים 6.1
דוגמה
אדם שיכור חוזר לביתו בלילה .יש לו n > 2מפתחות והוא רוצה להיכנס .בכל פעם הוא מנסה מפתח ,אם הוא מצליח ,הוא
נכנס והולך לישון ,אחרת הוא מחזיר את המפתח לצרור וחוזר על הפעולה.
.1בהינתן ,k > 1מה הסיכוי שהוא ינסה בדיוק kמפתחות?
שיסמן את מספר הניסיונות עד ההצלחה.נגדיר משתנה מקרי X
Xמתפלג גיאומטרית ־ X ∼ Geom n1ולכן:
k−1
n−1 1
)Pr (X = k = ·
n n
.2בהינתן ,k > 1מה הסיכוי שהוא ינסה לא יותר מ־ kמפתחות?
∞ j−1 k k
X n−1 1 1 n−1 1 n−1
)Pr (X 6 k = 1 − Pr (X > k) = 1 − · =1− =1−
j=k+1
n n n n 1 − n−1
n
n
.3מה התשובה ל־ 1אם הוא לא מחזיר מפתחות לצרור?
כיוון שיש בסה"כ nמפתחות ,אזי .Pr (k > n) = 0
לכל 0 6 j < kנסמן את המאורע Ejכמאורע שבו jהמפתחות הראשונים נכשלו.
.Pr (Ej ) = n−j
נראה באינדוקציה על jשמתקיים n
עבור j = 0הטענה נכונה .נניח שהטענה נכונה לכל 0 < j < k − 1ונראה נכונות עבור :j + 1
n−j−1 n−j )n − (j + 1
) Pr (Ej+1 = = ) Pr (Ej+1 |Ej ) · Pr (Ej · =
n−j n n
ולכן:
1 )n − (k − 1 1
)Pr (X = k = = ) Pr (X = k|Ek−1 ) · Pr (Ek−1 · =
)n − (k − 1 n n
דוגמה
מספר הביצים שלטאה מטילה מתפלג פואסונית עם פרמטר .λ > 0כל ביצה בוקעת בהסתברות pבאופן בלתי תלוי באחרות.
נגדיר את Xכמספר הביצים שבקעו ,מהי ההתפלגות של ?X
אנו מחפשים את ) Pr (X = kלכל :k ∈ N
∞
X
)Pr (X = k = ])Pr [(X = k) ∩ (j eggs layed
j=k
X∞
= )Pr [(X = k) | (j eggs layed)] · Pr (j eggs layed
j=k
∞ j
X j k j−k −λ λ
= )p (1 − p e
k !j
j=k
k
)(pλ
= e−pλ
!k
65
תרגול 7־ 31.3.14 7
תרגול 7־ 31.3.14 7
משתנים מקריים בדידים 7.1
דוגמה
מטילים מטבע עם הסתברות ) p ∈ (0, 1לקבל עץ עד שמטילים עץ או עד שמטילים Nפעמים.
נגדיר משתנה מקרי Xכמספר הפעמים שהטלנו את המטבע עד לעצירה.
.1אילו ערכים Xיכול לקבל?
X = } {1, 2, . . . , N
.2מה ההתפלגות של ?X
עבור :1 6 k < N
k−1
)pX (k = )(1 − p p
עבור :N = n
N −1
) pX (N = )(1 − p
דוגמה
יהי ) X ∼ Bin (n, p) , Y ∼ Bin (m, pבלתי תלויים .נסמן .Z = X + Yכיצד Zמתפלג?
יהי 0 6 k 6 n + m
k k
X X n n−j m m−k+j
)pZ (k = = )pX (j) pY (k − j )pj (1 − p )pk−j (1 − p
j=0 j=0
j k−j
k
n+m−k
X n m n+m k n+m−k
)= pk (1 − p = )p (1 − p
j=0
j k − j k
Z )∼ Bin (n + m, p
משתנים מקריים רציפים 7.2
דוגמה
x
x − 10 √
= ) h (xולכל .l (x) = h (x) = 0 x < 0 100 e לכל x > 0נסמן l (x) = x
ו־
האם ) l (x) , h (xצפיפויות הסתברות?
´
∞
. ) l (xאינה צפיפות הסתברות כיוון ש־∞ = l (x) dx
∞−
´
∞
. ) h (xהיא אכן צפיפות הסתברות כיוון ש־ h (x) > 0לכל xובנוסף h (x) dx = 1
∞−
66
תרגול 7־ 31.3.14 7 משתנים מקריים רציפים 7.2
דוגמה
יהי .θ ∈ Rנגדיר:
(
)e−(x−θ ,x>θ
)f (x =
0 ,x6θ
.1הראו ש־ fהיא צפיפות הסתברות.
f (x) > 0לכל .xבנוסף:
∞ˆ ∞ˆ
f (x) dx = e−(x−θ) dx = 1
∞− θ
.2מהי פונקציית ההתפלגות המצטברת של ?f
ˆx x
(
) −(x0 −θ 0 ) −(x0 −θ 0 ,x6θ
)FX (x = e dx = −e =
)1 − e−(x−θ
∞− ,x>θ
∞−
.3מהו ) Pr (θ + 1 6 X 6 θ + 2כאשר Xמשתנה מקרי עם צפיפות הסתברות ?f
1 1
)Pr (θ + 1 6 X 6 θ + 2 = = FX (θ + 2) − FX (θ + 1) = 1 − e−2 − 1 + e−1 −
e e2
דוגמה
בתחנת דלק ממלאים את המיכל הראשי פעם בשבוע .הדרישה עבור דלק )בעשרות אלפי ליטרים( היא משתנה מקרי עם
פונקציית הצפיפות הבאה:
(
4
]5 (1 − x) , x ∈ [0, 1
= )f (x
0 ∈,x]/ [0, 1
מה צריך להיות גודל המיכל הראשי ] t ∈ [0, 1כך שההסתברות למחסור בדלק תהיה קטנה מ־?0.1
ˆ1
4 5
)Pr (X > t = )5 (1 − x) dx = (1 − t
t
5
)(1 − t < 0.1
t > 0.37
67
תרגול 8־ 28.4.14 8
תרגול 8־ 28.4.14 8
תוחלת 8.1
דוגמה
מטילים מטבע הוגן 3פעמים .יהי Xמספר הפעמים שיצא עץ ו־ Yהרצף הארוך ביותר של עצים .מהם התוחלות של המשתנים
המקריים הללו?
]E [X =)0 · Pr (X = 0) + 1 · Pr (X = 1) + 2 · Pr (X = 2) + 3 · Pr (X = 3
3 3 3 12
= = 0+ +2· +
8 8 8 8
)E [Y ] = Pr (Y = 1) + 2 · Pr (Y = 2) + 3 · Pr (Y = 3
4 2 1 11
= = ·+2· +3
8 8 8 8
דוגמה
תחנת ממסר מקבלת 4אותות אקראיים (j = 1, 2, 3, 4) Ujכך ש־) .Uj ∼ U (0, jאחד מהאותות הנ"ל נבחר באופן מקרי
ובלתי תלוי לפי ההסתברויות 0.2, 0.3, 0.3, 0.2בהתאמה ומשודר הלאה .יהי Xהאות המשודר ,מהי פונקציית ההתפלגות
FXומהי התוחלת ]?E [X
4
X 4
X
)FX (0 6 t 6 1 = = )Pr (X 6 t = ]Pr [(X 6 t) ∧ Uj chosen ]Pr [(Uj 6 t) ∧ Uj chosen
j=1 j=1
4
X t t t t
= = Pr (Uj 6 t) · Pr (Uj chosen) = 0.2t + 0.3 + 0.3 + 0.2
j=1
2 3 4 2
4
1 X
)FX (1 6 t 6 2 = = )Pr (X 6 t) = Pr (X 6 1) + Pr (1 < X 6 t + ]Pr [(1 < X 6 t) ∧ Uj chosen
2 j=2
4 4
1 X 1 X
= + Pr [(1 < Uj 6 t) ∧ Uj chosen] = + )Pr (1 < Uj 6 t) · Pr (Uj chosen
2 j=2 2 j=2
1 t−1 t−1 t−1 1 3t
= + 0.3 + 0.3 + 0.2 = +
2 2 3 4 5 10
באופן דומה עבור הקטעים הנותרים:
1 3t 4 t
= )FX (2 6 t 6 3 + , = )FX (3 6 t 6 4 5 + 20 , FX (4 6 t) = 1
2 20
נחשב את התוחלת של :X
0 , x60
1
, 0<x61
∞ˆ 2
)dFX (x 3
, 1<x62
]E [X = = )fX (x) x dx ; fX (x = 103
dx
20 , 2<x63
∞−
1
, 3<x64
20
0 , 4<x
]E [X = 1.25
68
28.4.14 ־8 תרגול 8 תוחלת 8.1
דוגמה
: נסמן את המשתנים המקריים הבאים.C > 0 ו־X ∼ Exp (λ) ,λ ∈ (0, ∞) יהיו
√
Y = C · X, Z = X 2 , W = X
?fY , fZ , fW מהם פונקציות הצפיפות
.fY (t) = fZ (t) = fW (t) = 0 מתקייםt < 0 מובן שלכל
:Y עבור
t
ˆC ˆt
t −λx λ −λx
FY (t) = Pr (Y 6 t) = Pr (C · X 6 t) = Pr X 6 = λe dx = e C dx
C C
0 0
λ −λx λ
fY = e C ⇒ Y ∼ Exp
C C
:Z עבור
√
√ ˆ t ˆt √
−λx λ
Pr (Z 6 t) = Pr X 2 6 t = Pr X 6 t = √ e−λ x dx
FZ (t) = λe dx =
2 x
0 0
λ √
fZ = √ e−λ x
2 x
:W עבור
ˆt ˆt
2
√ 2
−λx
X 6 t = Pr X 6 t2 = 2λxe−λx dx
FW (t) = Pr (W 6 t) = Pr λe dx =
0 0
−λx2
fW = 2λxe
69
12.5.14 ־9 תרגול 9
12.5.14 ־9 תרגול 9
תוחלת ושונות 9.1
דוגמה
: נחשב את הגדלים הבאים.X ∼ Geom (p) ו־p ∈ (0, 1) יהי
1
E [X] =
p
∞
X ∞
X
k−1 k−2
E [X (X − 1)] = k (k − 1) p (1 − p) = p (1 − p) k (k − 1) (1 − p)
k=2 k=2
∞ ∞
X d2 k
X d2 k
= p (1 − p) 2
(1 − p) = p (1 − p) (1 − p)
dp dp2
k=2 k=0
2 X∞
d2 1
d k 2 2 − 2p
= p (1 − p) 2 (1 − p) = p (1 − p) 2 = p (1 − p) 3 =
dp dp p p p2
k=0
2 − 2p 1 1 1−p
= E X 2 − E2 [X] = E [X (X − 1)] + E [X] − E2 [X] =
Var (X) 2
+ − 2 =
p p p p2
דוגמה
1
:Pr (|X| > t) 6 t2 הראו כיt > 0 יהי.1 ושונות0 משתנה מקרי עם תוחלתX יהי
(
1 ,x>t
∀x ∈ R : f (x) =
0 ,x<t
t2 · Pr (|X| > t) t2 · E [f (|X|)] = E t2 · f (|X|)
=
E X 2 = Var (X) + E2 [X] = 1
6
1
Pr (|X| > t) 6
t2
דוגמה
X−µ
.a, b ∈ R יהיו.X ∗ =
נגדיר,σX וסטיית תקןµ משתנה מקרי עם תוחלתX בהינתן
σ
: חשבו את הגדלים הבאים.1
X −µ µ µ
E [aX ∗ + b] = aE [X ∗ ] + b = aE +b=a − +b=b
σ σ σ
a2
X µ
Var (aX ∗ + b) = Var (aX ∗ ) = a2 Var (X) = a2 Var − = 2 Var (X) = a2
σ σ σ | {z }
=σ 2
2
.(∀t > 0) : Pr (|X − µ| > t) 6 σt2 הוכיחו את אי־שוויון צ'בישב ־.2
2
X − µ
Pr (|X − µ| > t) = Pr > t = Pr |X ∗ | > t 6 σ
σ σ σ t 2
.כאשר המעבר האחרון נובע מהדוגמה הקודמת
70
תרגול 9־ 12.5.14 9 תוחלת ושונות 9.1
דוגמה
אדם יוצא לעבודה כל יום בשעה .7 : 30הזמן הממוצע שלוקח לו להגיע הוא 30דקות וסטיית התקן של זמן זה היא 5דקות.
ביום מסויים מגיע לקוח למקום העבודה ב־ ,8 : 30הראו שהסיכוי שהאדם יגיע אחרי הלקוח קטן מ־.3%
נשתמש באי־שוויון צ'בישב .יהי Xהזמן שלוקח לאדם להגיע לעבודה.
25 3
)Pr (X > 60 = Pr (X − 30 > 30) 6 Pr (|X − 30| > 30) 6 < = 3%
900 100
71
תרגול 10־ 19.5.14 10
תרגול 10־ 19.5.14 10
התפלגות נורמלית 10.1
דוגמה
1
> Pr Xכאשר ):X ∼ N (3, 4 2 בעזרת הטבלה עבור ההתפלגות הנורמלית סטנדרטית חלצו את ) Pr (X ≤ 1ו־
X −3 X −3 † X −3
)Pr (X ≤ 1 = Pr ≤ −1 = 1 − Pr ≥ −1 = 1 − Pr ≤ 1 = 1 − 0.84 = 0.16
2 2 2
כאשר את המעבר † עשינו מסמטרייה.
1 X −3 2.5 X −3
> Pr X = Pr >− = Pr ≤ 1.25 = 0.89
2 2 2 2
דוגמה נניח שהגובה של גבר בן 25במדינה כלשהיא הוא משתנה מקרי נורמלי , X ∼ N µ, σ 2כאשר , µ = 174.5
ו־. σ 2 = 36
.1מהו אחוז בני ה־ 25אשר גובהם לפחות ?170
X −µ 170 − µ X −µ µ − 170 X −µ 3
)Pr (X ≥ 170 = Pr ≥ = Pr ≤ = Pr ≤ = 0.77
σ σ σ σ σ 4
.2מהו α > 0המינימלי כך שגובהם של לכל היותר 10%מבני ה־ 25הוא לפחות .α
X −µ α−µ α − 174.5
)Pr (X 6 α = Pr 6 =Φ = 0.9
σ σ 6
α − 174.5
= 1.28 ⇒ α = 182.2
6
72
19.5.14 ־10 תרגול 10 התפלגות נורמלית 10.1
: מ"מ עם צפיפות משותפתX, Y דוגמה יהיו
(
c · e−x−2y , x, y > 0
fXY (x, y) =
0 , else
?c מהו.1
ˆ∞ ˆ∞ ˆ∞ ˆ∞
−x−2y −x c
= P (X, Y ) ∈ R2 = c e−2y dy =
1 e dxdy = c e dx
2
0 0 0 0
c = 2
?Pr (X > 1, Y < 1) מהו.2
ˆ1 ˆ∞ ˆ1 ˆ∞
−x−2y −2y e2 − 1
Pr (X > 1, Y < 1) = 2e dxdy = 2 e dy e−x dx =
e3
0 1 0 1
?Pr (X < Y ) מהו.3
ˆ∞ ˆy ˆ∞ ˆy ˆ∞
−x−2y −2y −x 1
e−2y 1 − e−y dy =
Pr (X < Y ) = 2e dxdy = 2 e dy e dx = 2
3
0 0 0 0 0
73
תרגול 11־ 26.5.14 11
תרגול 11־ 26.5.14 11
התפלגויות משותפות 11.1
דוגמה
יהיו X, Yמשתנים מקריים עם צפיפות משותפת ) fXY (x, yכך ש־ .X 6 Yהראו ש־] .E [X] 6 E [Y
X6Y ⇔ ])(∀ω ∈ Ω) [X (ω) 6 Y (ω
מהעובדה ש־ X 6 Yנוכל להסיק ש־ fXY (x, y) = 0לכל נקודה ) (x, yהמקיימת .y < x
נחשב את התוחלת:
¨ ¨ ¨
]E [X = = xfXY (x, y) dxdy xfXY (x, y) dxdy 6 yfXY (x, y) dxdy
R2 x6y x6y
¨
= ] yfXY (x, y) dxdy = E [Y
R2
דוגמה
נתון מטבע עם הסתברות ) p ∈ (0, 1לקבלת עץ .מהי תוחלת מספר ההטלות שיש לבצע בכדי לקבל k > 1פעמים עץ.
נגדיר את המשתנה המקרי Xלהיות מספר ההטלות הכולל.
נגדיר את המשתנים המקריים הבאים X1 :־ מספר ההטלות עד לקבלת העץ הראשון ,לכל 1 < j 6 kנסמן ב־ Xjאת מספר
ההטלות בין העץ ה־ j − 1עד העץ ה־.j
Pk
= Xוכן שלכל 1 6 j 6 kמתקיים ) .X ∼ Geom (pלכן: נשים לב שמתקיים Xj
j=1
k k k
X X X 1 k
]E [X = E = Xj
= ] E [Xj =
j=1 j=1 j=1
p p
74
תרגול 11־ 26.5.14 11 התפלגויות משותפות 11.1
דוגמה
תהי Q = (X, Y ) ∈ R2כך ש־ X, Yבלתי תלויים וכן ).X ∼ N (0, 1) , Y ∼ N (0, 1
נגדיר את המשתנה המקרי Sלהיות שטח העיגול עם מרכז ) (0, 0העובר דרך .Q
מהן התוחלת והצפיפות של ?S
2 2
1 − x +y
.fXY (x, y) = fX (x) fY (y) = 2π e 2 נשים לב ש־ .S = π X 2 + Y 2וכן שמתקיים
יהי .t ∈ Rלכל t < 0מתקיים .FS (t) = 0עבור :t > 0
! r " ¨ r !#
p
2 2
t t
)FS (t = Pr (S 6 t) = Pr X +Y 6 = Pr (X, Y ) ∈ B 0, = fXY (x, y) dxdy
π π
B
√t
¨ ˆ π ˆ2π
1 x2 +y 2 1 r2 t
= = e− 2 dxdy re− 2 drdθ = 1 − e− 2π
2π 2π
B 0 0
(
0 ,t<0 1
= )FS (t t
− 2π
⇒ S ∼ Exp
1−e ,t>0 2π
לכן:
1 −2
E [S] = 2π , = )fS (s e 2π
2π
75
תרגול 12־ 2.6.14 12
תרגול 12־ 2.6.14 12
שונות משותפת 12.1
דוגמה
נתון כד עם 10כדורים .על 5מהם רשום ” ,”1על 4מהם רשום ” ”2ועל כדור אחד רשום ” .”3שולפים שני כדורים בזה אחר
זה ללא החזרה.
נגדיר את המשתנים המקריים הבאים:
X־ המספר על הכדור הראשון.
Y־ המספר על הכדור השני.
S־ סכום המספרים.
T־ ממוצע המספרים.
חשבו את הגדלים הבאים:
.1פונקציית ההסתברות של :X, Y
)(∀1 6 i, j 6 3 , pXY (i, j) = Pr [(X ])= i) ∩ (Y = j
5 4 2 5 4 2
= )pXY (1, 1 = · , = )pXY (1, 2 · =
10 9 9 10 9 9
5 1 1 4 5 2
= )pXY (1, 3 = · , = )pXY (2, 1 · =
10 9 18 10 9 9
4 3 2 4 1 2
= )pXY (2, 2 = · , = )pXY (2, 3 · =
10 9 15 10 9 45
1 5 1 1 4 2
= )pXY (3, 1 = · , = )pXY (3, 2 · =
10 9 18 10 9 45
pXY (3, 3) = 0
.2האם X, Yמתפלגים אותו דבר?
כן ,כיוון שהמטריצה שקיבלנו סימטרית.
.3מהם ):pX (x) , pY (y
1 1
= )pX (1) = pY (1 , pX (2) = pY (2) = 52 , = )pX (3) = pY (3
2 10
.4מהם התוחלות של כל אחד מהמשתנים המקריים:
1 2 1
] E [X] = E [Y = ·1 ·+2· +3 = 1.6
2 5 10
E [S] = E [X] + E [Y ] = 3.2
1
E [T ] = E [S] = 1.6
2
.5האם X, Yבלתי תלויים?
1
.0 = pXY (3, 3) 6= pX (3) · pX (3) = 100 לא ,משום ש־
.6מהו הסימן של ) ?Cov (X, Y
הסימן הוא שלילי ,משום שככל ש־ Xגדול יותר ,כך נצפה ש־ Yיהיה קטן יותר.
76
2.6.14 ־12 תרגול 12 שונות משותפת 12.1
המשך דוגמה
Cov (X, Y ) , Cov (X, S) , Cov (Y, T ) והשונויות המשותפותX, Y, S, T למה שוות השונויות של.7
1 2 1
= E X 2 − 2.56 = 1 · + 4 · + 9 ·
Var (X) − 2.56 = 3 − 2.56 = 0.44
2 5 10
Var (Y ) = Var (X) = 0.44
113 11
Cov (X, Y ) = E [XY ] − E [X] E [Y ] = − 2.56 = −
45 225
Var (S) = Cov (S, S) = Cov (X + Y, X + Y ) = Cov (X, X) + Cov (X, Y ) + Cov (Y, X) + Cov (Y, Y )
176
= Var (X) − 2 · Cov (X, Y ) + Var (Y ) =
225
1 44
Var (T ) = Var (S) =
4 225
88
Cov (X, S) = Cov (X, X + Y ) = Cov (X, X) + Cov (X, Y ) = Var (X) + Cov (X, Y ) =
225
1 1 44
Cov (Y, T ) = Cov (Y, S) = Cov (X, S) =
2 2 225
?ρXY מהו מקדם המתאם.8
Cov (X, Y ) 1
ρXY = p =−
Var (X) Var (Y ) 9
דוגמה
. את מספר ההטלותX נסמן ב־. עציםk > 1 מטילים את המטבע עד שמקבלים.p ∈ (0, 1) נתון מטבע שיוצא עץ בהסתברות
?X מהי התוחלת והשונות של
:את התוחלת חישבנו בשיעור הקודם
k
E [X] =
p
:נחשב את השונות
k X k k
X X 1−p
Var (X) = Cov (Xi , Xj ) = Var (Xi ) = k 2
i=1 j=1 i=1
p
77
תרגול 12־ 2.6.14 12 שונות משותפת 12.1
דוגמה
נתונים שני משתנים מקריים X, Yבלתי תלויים ושווי התפלגות.
.1האם בהכרח X + Y, X − Yבלתי תלויים?
לא נכון .נראה דוגמה נגדית:
נגדיר:
(
1
2 , X = 0, Y = 0
) pX (X) = pY (Y = 1
2 , X = 1, Y = 1
ונקבל:
1
=0 = Pr [(X + Y = 2) ∩ (X − Y = 1)] 6 = )Pr (X + Y = 2) · Pr (X − Y = 1
16
.2האם בהכרח X + Y, X − Yבלתי מתואמים?
התשובה היא כן:
) Cov (X + Y, X − Y = ) Cov (X, X) + Cov (X, −Y ) + Cov (Y, X) + Cov (Y, −Y
= Var (X) − Cov (X, Y ) + Cov (X, Y ) − Var (Y ) = 0
78
תרגול 13־ 9.6.14 13
תרגול 13־ 9.6.14 13
שונות משותפת 13.1
דוגמה
נתונים שני משתנים מקריים X, Yבעלי צפיפות משותפת
(
2 , x, y > 0 ∧ x + y 6 1
)fXY (x, y =
0 , else
מהו מקדם המתאם ?ρXY
נחשב את ההתפלגות השולית של :X
∞ˆ ˆ
1−x
0
,x60
)fX (x = = fXY (x, y) dy 2 dy = 2 − 2x , 0 < x 6 1
0 ,1<x
∞− 0
נחשב את התוחלת של :X
∞ˆ ˆ1
1
]E [X = = xfX (x) dx = 2x − 2x2 dx
3
∞− 0
נחשב את התוחלת של :X 2
∞ˆ ˆ1
1
= E X2 2
= 2x2 − 2x3 dx
= x fX (x) dx
6
∞− 0
השונות של :X
1 1 1
)Var (X = = −
6 9 18
כיוון ש־ X, Yסימטריים לחלוטין נוכל להסיק כי הגדלים עבור Yזהים.
נחשב את התוחלת של :XY
∞ˆ ∞ˆ ˆ1 1−x
ˆ ˆ1
2 1
] E [XY = xyfXY = (x, y) dxdy = 2xy dydx = x (1 − x) dx
12
∞−∞ − 0 0 0
השונות המשותפת:
1 1 1
) Cov (X, Y = − =−
12 9 36
מקדם המתאם:
1
− 36 1
ρXY = 1 =−
18
2
79
תרגול 13־ 9.6.14 13 שימוש בקונבולוציה 13.2
שימוש בקונבולוציה 13.2
דוגמה
נתונים שני משתנים מקריים בלתי תלויים ) .X, Y ∼ U (0, 1נגדיר .S = X + Yמהי הצפיפות של ?S
כפי שראינו בשיעור:
0 ,s<0
∞ˆ
s ,06s61
= )fS (s = )]fX (x) fY (s − x) dx = length ([0, 1] ∩ [s − 1, s
2 − s ,16s62
∞−
0 ,2<s
דוגמה
נתונים שני משתנים מקריים בלתי תלויים ) .X ∼ Exp (λ) , Y ∼ U (0, 1נגדיר .S = X + Yמהי הצפיפות של ?S
כפי שראינו בשיעור:
∞ˆ ˆs 0
,s<0
= )fS (s fX (x) fY (s − x) dx = λ Θ (x) e−λx dx = 1 − e−λs ,0 6 s 6 1
) −λ(t−1
− e−λt , 1 < s
∞− s−1 e
80
תרגול 14־ 16.6.14 14
תרגול 14־ 16.6.14 14
משפט הגבול המרכזי 14.1
בהינתן סדרה של Nמשתנים מקריים ) (N 1בלתי תלויים ושווי התפלגות X1 , X2 , . . . , XNכך ש־= ) E [X1 ] = 0, Var (X1
,1אזי לכל t ∈ Rמתקיים:
N
P
Xj
j=1
√ Pr )6 t ≈ Φ (t
N
דוגמה
נתונות 3קוביות:
קוביה א' עם פאות } ,{2, 2, 3, 3, 9, 9קוביה ב' עם פאות } {4, 4, 5, 5, 7, 7וקוביה ג' עם פאות }.{1, 1, 6, 6, 8, 8
משחקים את המשחק הבא :כל אחד בוחר קוביה שונה ומטיל אותה Nפעמים .המנצח נקבע בהתאם לאחת מהגרסות הבאות:
.1מי שמנצח ביותר סיבובים מנצח במשחק.
.2מי שסכום כלל ההטלות שלו גדול יותר מנצח במשחק.
ענו על השאלות עבור כל אחת מהגרסות:
.1האם תעדיפו לבחור קוביה ראשונים או שניים?
גרסה א':
נניח שהקוביות כבר נבחרו ושההסתברות לכך שננצח בסיבוב ספציפי היא ) .p ∈ (0, 1לכל 1 6 j 6 Nנגדיר את המשתנה
המקרי Tjלהיות 1אם ניצחנו בסיבוב ה־ jו־ 0אם הפסדנו בו .כמו כן ,נגדיר את Tלהיות מספר הסיבובים בהם ניצחנו ־
PN
= .Tמתקיים: Tj
j=1
" # " #
√ 1
−p
N T − Np )N (1 − 2p †
)Pr (lost = < Pr T = Pr p < p ≈Φ Np2
2 )N p (1 − p )2 N p (1 − p )p (1 − p
כאשר המעבר המסומן ב־† הוא על פי משפט הגבול המרכזי.
" #
√ p − 12
Pr (win) ≈ Φ Np
)p (1 − p
1
p−
√ 2היא פונקציה עולה של pולכן כדאי לבחור את pכמה שיותר גדול. בדיקה ישירה מעלה ש־
)p(1−p
נמצא את pעבור המקרים השונים:
5 2
= .pאם 9 = .pאם נבחר את קוביה ב' והיריב את קוביה ג' אזי אם אנחנו נבחר את קוביה א' והיריב את קוביה ב' אזי
3
נבחר את קוביה ג' והיריב את קוביה א' אזי .p = 59
1
כלומר ,אם נבחר שניים ,תמיד נוכל לדאוג למצב שבו .p > 2לכן ,עדיף לבחור שניים .במקרה כזה ,היריב יעדיף לבחור את
קוביה ב' או קוביה ג' בכדי להקטין את הסיכוי שלנו לנצח.
גרסה ב':
נניח שהקוביות כבר נבחרו ושההסתברות לכך שננצח בסיבוב ספציפי היא ) .p ∈ (0, 1לכל 1 6 j 6 Nנגדיר את המשתנה
המקרי Xjלהיות המספר שקיבלנו בסיבוב ה־ jואת Yjלהיות המספר שהיריב קיבל בהטלה ה־ .jנסמן Wj = Xj − Yj
PN
= .W ונגדיר את Wלהיות Wj
j=1
81
תרגול 14־ 16.6.14 14 משפט הגבול המרכזי 14.1
המשך דוגמה
מתקיים:
" # " #
] W − N E [W1 ] N E [W1 † √ ] E [W1
)Pr (lost = Pr (W < 0) = Pr p < −p ≈Φ − Np
) N Var (W1 ) N Var (W1 ) Var (W1
כאשר המעבר המסומן ב־† הוא על פי משפט הגבול המרכזי.
" #
√ ] E [W1
≈ )Pr (win Φ Np
) Var (W1
מתקיים ש־] .E [W1 ] = E [X1 ] − E [Y1אם אנחנו נבחר בקוביה ב' והיריב בקוביה א' אזי .E [W1 ] = 32אם אנחנו בוחרים
בקוביה ב' והיריב בקוביה ג' אזי .E [X1 ] = 31כלומר ,הסיכוי לנצח בבחירת קוביה ב' הוא הגבוה ביותר .לכן ,עדיף לבחור
ראשונים ולקחת את קוביה ב' .במקרה זה היריב יעדיף לבחור את קוביה ג'.
.2בהנחה שסעיף 1מתקיים והמשחק מתנהל כפי שצריך ,מה הסיכוי שבכל זאת תפסידו?
גרסה א' ־ עבור 20הטלות:
√ 12 − 95
Pr (lost) ≈ Φ 20 q ≈ 0.31
20
81
גרסה ב' ־ עבור 32הטלות:
≈ )Pr (lost Φ (−0.59) = 0.28
82
You might also like
- סיכום חדואDocument36 pagesסיכום חדואAnna KunzvizkiNo ratings yet
- Bdida SicumDocument58 pagesBdida SicumReut CohenNo ratings yet
- כל תקצירי השיעורים של דומצבסקי באריזה אחתDocument139 pagesכל תקצירי השיעורים של דומצבסקי באריזה אחתeitanrNo ratings yet
- מבוא להסתברות וסטטיסטיקהDocument8 pagesמבוא להסתברות וסטטיסטיקהAlice PodolskyNo ratings yet
- Sagi Sandler ProjectDocument158 pagesSagi Sandler Projectelad kotlovskiNo ratings yet
- הרצאה 2 - התפלגות נורמלית PDFDocument30 pagesהרצאה 2 - התפלגות נורמלית PDFtanababaNo ratings yet
- משוואות דיפרנציאליות ד'ר ספיבקDocument97 pagesמשוואות דיפרנציאליות ד'ר ספיבקAlex Kolominsky100% (1)
- חוברת הרצאות - הסתברות וסטטיסטיקה להנדסת חשמלDocument28 pagesחוברת הרצאות - הסתברות וסטטיסטיקה להנדסת חשמלAlex BilikNo ratings yet
- פיזיקה מאט נטDocument1 pageפיזיקה מאט נטamit95367% (3)
- דף נוסחאותDocument3 pagesדף נוסחאותTheo GluschankoffNo ratings yet
- קורסים מצולמיםDocument18 pagesקורסים מצולמיםjohanNo ratings yet
- הכנה למבחן בפיזיקהDocument5 pagesהכנה למבחן בפיזיקהMiTTeLMaNiANo ratings yet
- דף נוסחאות סטטיסטיקה - סופי1Document7 pagesדף נוסחאות סטטיסטיקה - סופי1api-3738386No ratings yet
- Probability and Apps - Ex2Document2 pagesProbability and Apps - Ex2benshenhar7682No ratings yet
- נוסחאון פיזיקה 2023Document8 pagesנוסחאון פיזיקה 2023liav leviNo ratings yet
- סטטיסטיקה נוסחאות1Document10 pagesסטטיסטיקה נוסחאות1Oz Efraim EliavNo ratings yet
- דף נוסחאות למקצוע מגעיל (סטטיסטיקה)Document2 pagesדף נוסחאות למקצוע מגעיל (סטטיסטיקה)api-3831508100% (1)
- שאלות -טראומה בהריון -מסכםDocument3 pagesשאלות -טראומה בהריון -מסכםapi-3824434No ratings yet
- הסקה סטטיסטיתDocument81 pagesהסקה סטטיסטיתGal KahanaNo ratings yet
- הסתברותDocument39 pagesהסתברותapi-3774802No ratings yet
- הסתברותDocument134 pagesהסתברותNir ScoopNo ratings yet
- Madar 1Document103 pagesMadar 1jeangkNo ratings yet
- הרדמהDocument2 pagesהרדמהapi-3824434No ratings yet
- סיכום לורן מאוחד לקובץ אחדDocument257 pagesסיכום לורן מאוחד לקובץ אחדHibba Nasser100% (2)
- Biology1 PDFDocument103 pagesBiology1 PDFRon MarcusNo ratings yet
- סיכום הסתברות וסטטיסטיקהDocument7 pagesסיכום הסתברות וסטטיסטיקהYuval HaimNo ratings yet
- היסטולוגיה 1 - שריר אוריDocument26 pagesהיסטולוגיה 1 - שריר אוריapi-3740505100% (1)
- רפואת שינה- -סיכומים-עודדDocument27 pagesרפואת שינה- -סיכומים-עודדapi-3740505No ratings yet
- נוסחאות והגדרות כימיה לgreDocument13 pagesנוסחאות והגדרות כימיה לgrekamalNo ratings yet
- אטום PDFDocument18 pagesאטום PDFGuy CohenNo ratings yet
- Zir ZSRDocument2 pagesZir ZSRReut Tal100% (2)
- תורת המספריםDocument21 pagesתורת המספריםNoy SofferNo ratings yet
- E Ele BDocument57 pagesE Ele BsanastasNo ratings yet
- סטטיסטיקה סיכום קורס שליDocument15 pagesסטטיסטיקה סיכום קורס שליEyalFreemanNo ratings yet
- שיחזור מבחן סטטיסטיקה והסתברות 27-2-2006Document2 pagesשיחזור מבחן סטטיסטיקה והסתברות 27-2-2006api-3774802No ratings yet
- טבלת התפלגויותDocument1 pageטבלת התפלגויותיעל בן אליהוNo ratings yet
- חוברת מבחנים ssp PDFDocument372 pagesחוברת מבחנים ssp PDFAnonymous yNHVv22INo ratings yet
- דף נוסחאותDocument8 pagesדף נוסחאותManuel NeuerNo ratings yet
- הסתברות וסטטיסטיקה - שיעור 6 - 291107Document7 pagesהסתברות וסטטיסטיקה - שיעור 6 - 291107api-3738386100% (1)
- פיזיקה מכניקה - תנועה מעגלית - 01.01.07Document3 pagesפיזיקה מכניקה - תנועה מעגלית - 01.01.07api-3738386100% (2)
- תרגילים סטטיסטיקה ב כלכלה 2009Document17 pagesתרגילים סטטיסטיקה ב כלכלה 2009Pavel25No ratings yet
- דגימהDocument25 pagesדגימהapi-19729700No ratings yet
- מבוא לסטטיסטיקה סיכום סמסטרDocument41 pagesמבוא לסטטיסטיקה סיכום סמסטרnoa valansiNo ratings yet
- הכנה לוועדה PDFDocument111 pagesהכנה לוועדה PDFalon67% (12)
- מבוא לביולוגיה 1-5Document55 pagesמבוא לביולוגיה 1-5api-3728316No ratings yet
- רפואה מערבית מערכת עצביםDocument20 pagesרפואה מערבית מערכת עצביםArthur EfremovNo ratings yet
- דף מושגים באפידמיולוגיהDocument6 pagesדף מושגים באפידמיולוגיהtamar.razNo ratings yet
- הסתברות וסטטיסטיקה - שיעור 9 - 201207Document11 pagesהסתברות וסטטיסטיקה - שיעור 9 - 201207api-3738386No ratings yet
- כימיה אורגניתDocument6 pagesכימיה אורגניתAnastasia Kadikov AshurovNo ratings yet
- כימיה כללית ואנליטית סיכומונהDocument20 pagesכימיה כללית ואנליטית סיכומונהמירי צבריNo ratings yet
- דף נוסחאות - הסתברות בחיי היומיוםDocument1 pageדף נוסחאות - הסתברות בחיי היומיוםSharon MograbiNo ratings yet
- הרצאה מספר 1- אמבריולוגיה של מערכת הרביהDocument3 pagesהרצאה מספר 1- אמבריולוגיה של מערכת הרביהNimrod Ben AriNo ratings yet
- סיכום מבוא לכירורגיה על ידי רשהDocument41 pagesסיכום מבוא לכירורגיה על ידי רשהSarah WeinbergerNo ratings yet
- (מדריך) שפת C - חלק א'Document5 pages(מדריך) שפת C - חלק א'api-3849383No ratings yet
- StatisticsDocument4 pagesStatisticsYana RoseNo ratings yet
- מכניקהDocument56 pagesמכניקהBlich high School0% (1)
- UntitledDocument67 pagesUntitledYoel CohenNo ratings yet
- סיכום לינאריתDocument84 pagesסיכום לינאריתShai WachtelNo ratings yet
- Probability and Apps - TA2Document3 pagesProbability and Apps - TA2benshenhar7682No ratings yet
- Probability and Apps - TA4Document3 pagesProbability and Apps - TA4benshenhar7682No ratings yet
- Probability and Apps - Ex9Document1 pageProbability and Apps - Ex9benshenhar7682No ratings yet
- Probability and Apps - Ex2Document2 pagesProbability and Apps - Ex2benshenhar7682No ratings yet
- עבודת מעבדה לחמד''עDocument5 pagesעבודת מעבדה לחמד''עbenshenhar7682No ratings yet
- Ex 7Document2 pagesEx 7benshenhar7682No ratings yet
- QM 3 - Ex1Document2 pagesQM 3 - Ex1benshenhar7682No ratings yet
- QM3 - Ex2Document4 pagesQM3 - Ex2benshenhar7682No ratings yet
- תרגיל 1 קוונטים 2Document1 pageתרגיל 1 קוונטים 2benshenhar7682No ratings yet
- קוונטים 1Document4 pagesקוונטים 1benshenhar7682No ratings yet
- Ex 3Document1 pageEx 3benshenhar7682No ratings yet
