Professional Documents
Culture Documents
הסתברות ושימושיה
Probability Theory and Applications
שמעון בן שושן
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
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 Coecient
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
3
תוכן עניינים תוכן עניינים
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
מטלות:
5
מרחב הסתברות 2
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
דרך נוספת ־ כיוון שהשאלות הן רק על עץ ) ,(Hנוכל לקבוע את מרחב המדגם לפי מספר הפעמים שיצא עץ )סה"כ 4
אפשרויות(:
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
.2
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.
||A
)Pr (A = )(2.1
||Ω
7
מרחב הסתברות 2 הסתברות מותנית 2.4
דוגמה
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 היא ההסתברות שיתרחש מאורע Bבהינן שמאורע Aכבר התרחש.
דוגמה
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
||A ∩ B
)Pr (A|B =
||B
מסקנה :לכל שני מאורעות A, Bמתקיים ]:[Pr (A) , Pr (B) > 0
דוגמה
ולכן:
9
מרחב הסתברות 2 נוסחת ההסתברות השלמה 2.5
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
בהינתן חלוקה של Ωלמספר מאורעות זרים (Ω = ]Ai ) Aiומאורע כלשהו ,Bכך שאנחנו יודעים את ) Pr (Bאזי מתקיים:
i
בהינתן הסתברויות א־פריוריות ) ,Pr (Bנוסחת בייס מאפשרת לנו להגיע להסתברויות א־פוסטריוריות.
10
מרחב הסתברות 2 נוסחת בייס )(Bayes 2.6
דוגמה
.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
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
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:
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
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
)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
14
(Random משתנה מקרי )Variable 3
הגדרה 3.1
הגדרה ־ משתנה מקרי
משתנה מקרי Xהינו פונקציה מדידה המתאימה ערך ממשי לכל מאורע במרחב ההסתברות.
תכונות 3.2.1
.2
.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
.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
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:
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
נשים לב שגובה פונקציית ההתפלגות עבור המשתנה המקרי הבדיד הוא בדיוק גובה הקפיצה בגרף פונקציית ההתפלגות
המצטברת עבור אותו משתנה מקרי.
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
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
17
(Random משתנה מקרי )Variable 3 משתנה מקרי רציף 3.4
תכונות 3.4.2
.1
.2
∞ˆ
= fX (x) dx 1
∞−
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
18
התפלגויות בדידות 4
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:
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
19
התפלגויות בדידות 4 התפלגות גיאומטרית 4.2
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:
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
דוגמה
20
התפלגויות בדידות 4 התפלגות פואסונית 4.3
דוגמה
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.
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
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
22
התפלגויות רציפות 5
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
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
ˆ20
20
)Pr (10 6 X 6 20 = λe−λx dx = −e−λx 10 = e−10λ − e−20λ = e−1 − e−2
10
])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
הגדרה 6.1
התוחלת היא המונח המתאר את הממוצע המשוקלל של משתנים מקריים.
דוגמה ־ הבנת מושג התוחלת
.m
כלומר ,עבור Nמספיק גדול מתקיים N → Pi
i
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
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
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.
27
תוחלות של משתנים מקריים מיוחדים 6.2 תוחלת של משתנה מקרי 6
∞ ∞
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
∞ ∞
"∞ #
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
a+b
]E [X = )(6.4
2
ˆb
x b2 − a2 a+b
]E [X = = dx =
b−a )2 (b − a 2
a
∞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
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:
דוגמה
נתון משתנה מקרי רציף Xבעל צפיפות מסויימת ) fX (xומשתנה מקרי נוסף .Y = 3 − 2Xמהי פונקציית הצפיפות )?fY (y
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
30
תוחלת של משתנה מקרי 6 התפלגות ותוחלת של פונקציה של משתנה מקרי 6.3
.1מציאת ההתפלגות של Yבמפורש )כמתואר בחלק הקודם( ולאחר מכן הפעלת הגדרת התוחלת.
.2חישוב התוחלת ישירות:
דוגמה
∞−
∞ˆ
]E [aX + b = (ax + b) fX (x) dx = aE [X] + b
∞−
מהדוגמה הנ"ל נסיק שכאשר ) g (xהיא פונקציה ליניארית ב־ xאזי מתקיים:
31
שונות ) (Varianceשל משתנה מקרי 7
הגדרה 7.1
הגדרה
= E X 2 − µ2
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
32
( של משתנה מקריVariance) שונות 7 תכונות 7.3
תכונות 7.3
.1
.2
.3
33
התפלגות נורמלית )גאוסית( 8
משנה מקרי Zייקרא משתנה מקרי נורמלי תקני אם פונקציית הצפיפות שלו היא:
1 x2
)fZ (x = √ e− 2
2π
פונקציית ההתפלגות המצטברת עבוד משתנה מקרי נורמלי תקני נראית באיור :8.2
34
התפלגות נורמלית )גאוסית( 8 התפלגות נורמלית כללית 8.2
תוחלת 8.1.3
שונות 8.1.4
משנה מקרי Xייקרא משתנה מקרי נורמלי כללי אם ניתן להציגו בצורה X = αZ + βכאשר Zהוא משתנה נורמלי תקני.
תכונות 8.2.2
35
התפלגות נורמלית )גאוסית( 8 משפט דה־מואבר ־ לפלס 8.3
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
36
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:
)X (ω
במרחב של מספר משתנים מקריים נוכל להגדיר וקטור אקראי Y (ω) בכדי לתאר את המצב.
.
.
.
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
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
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
∞− ∞−
מסקנה נוספת שנוכל להגיע אליה ־ בהינתן ,Y > Xאזי ]:E [Y ] > E [X
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:
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
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
∞−∞ −
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
.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.
.1סימטריה:
.2ביליניאריות:
40
התפלגות משותפת של מספר משתנים מקריים 9 שונות משותפת 9.4
.4מכפלה פנימית:
] E [XY = = xyfXY (x, y) dxdy xyfX (x) fY (y) dxdy = xfX (x) dx yfY (y) dy
R2 R2 ∞− ∞−
] = E [X] E [Y
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:
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
יהיו X, Yמשתנים מקריים שאינם דטרמינימסטיים ־ Var (X) > 0 , Var (Y ) > 0־ אזי מקדם המתאם שלהם מוגדר
להיות:
) Cov (X, Y
ρXY =
σX σY
)Cov (Y − λX, Y − λX = Var (Y − λX) = Var (Y ) + λ2 Var (X) − 2λCov (X, Y ) > 0
בנוסף ,נשים לב שאם ,ρXY = 1אזי Y = αX + βעבור α > 0ואם ,ρXY = −1אזי Y = αX + βעבור .α < 0
.1שונות של סכום:
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
)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
∞−
דוגמה
43
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות משותפת של משתנים מקריים מותנים 9.6
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
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
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
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:
דוגמה
45
התפלגות משותפת של מספר משתנים מקריים 9 התפלגות משותפת של משתנים מקריים מותנים 9.6
דוגמה
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
נתוך ) .X ∼ Geom (pנחשב את ] .E [xלשם כך נגדיר משתנה מקרי Yלהיות 1אם הצלחנו בניסוי הראשון ו־ 0אחרת
)ההסתברות להצליח בניסוי מסויים היא .(p
46
התנהגות אסימפטוטית של משתנה מקרי 10
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
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
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
2
.0 < σX כמו כן ,נשים לב שעבור משפט הגבול המרכזי אנו חייבים להניח שמתקיים ∞ <
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
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
∞→ 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
)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 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:
51
תרגול 1־ 17.2.14 1
II חלק
תרגולים
תרגול 1־ 17.2.14 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
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
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
טענה
הוכחה:
טענה
הוכחה:
55
תרגול 2־ 24.2.14 2 מרחב הסתברות 2.1
טענה
הוכחהַ:ר
דוגמות 2.1.2
דוגמה
.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:
.2ישנם שלושה מספרים ראשוניים במרחב המדגם ) (2, 3, 5ולכן ההסתברות לקבל מספר ראשוני היא:
10
)Pr (prime =
21
דוגמה
!3 1
)Pr (A is first = =
!4 4
57
תרגול 3־ 3.3.14 3
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
נסמן ב־ Bאת המאורע שבו בקוביה אחת יצא 5ובשניה יצא :6
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
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:
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
59
תרגול 4־ 10.3.14 4
אי־תלות 4.1
דוגמה
) 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
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
דוגמה
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:
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
2 3
) Pr (Fr ∩ Sr = = ) Pr (Sr |Fr ) · Pr (Fr · = 0.06
10 10
6 7
) Pr (Fw ∩ Sw = = ) Pr (Sw |Fw ) · Pr (Fw · = 0.42
10 10
61
תרגול 5־ 11.3.14 5
R1
% &
X R3 → Y
& %
R2
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:
62
תרגול 5־ 11.3.14 5 פונקציית התפלגות מצטברת 5.2
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
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:
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
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
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
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
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
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?
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
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
: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
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
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
1
> Pr Xכאשר ):X ∼ N (3, 4 2 בעזרת הטבלה עבור ההתפלגות הנורמלית סטנדרטית חלצו את ) Pr (X ≤ 1ו־
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
.2מהו α > 0המינימלי כך שגובהם של לכל היותר 10%מבני ה־ 25הוא לפחות .α
72
19.5.14 ־10 תרגול 10 התפלגות נורמלית 10.1
(
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
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
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
יהיו X, Yמשתנים מקריים עם צפיפות משותפת ) fXY (x, yכך ש־ .X 6 Yהראו ש־] .E [X] 6 E [Y
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
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
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
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
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
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
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
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
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
82