ЧЕРНЯК О.І., ОБУШНА О.М., СТАВИЦЬКИЙ A.В.

ЗБІРНИК ЗАДАЧ
З ТЕОРІЇ ЙМОВІРНОСТЕЙ ТА МАТЕМАТИЧНОЇ
СТАТИСТИКИ

Навчальний посібник

Рекомендовано
Міністерством освіти України
як навчальний посібник для студентів економічних
спеціальностей вищих закладів освіти

Київ - 2000
ББК
УДК 519.2 (075.8)
Черняк О.І., Обушна О.М., Ставицький A.В.
Збірник задач з теорії ймовірностей та математичної статистики: Навчальний посібник.— К.: «Знання»,
КОО, 2000.—119 с.
Збірник містить задачі з основних розділів теорії ймовірностей та математичної статистики
відповідно до програми цього курсу для економічних спеціальностей вищих навчальних закладів. Подано
багато розібраних прикладів і задач, а також відомості з курсу теорії ймовірностей та математичної
статистики, які широко використовуються в сучасних економічних дослідженнях. До задач дано
відповіді, до більш складних задач — вказівки та розв’язки.

Рецензенти: член-кореспондент НАН України, доктор фізико-математичних наук

професор М.Й. Ядренко,
доктор фізико-математичних наук, професор М.П. Моклячук

Рекомендовано Міністерством освіти України для студентів економічних спеціальностей вищих

закладів освіти (лист Міністерства освіти України №2/418 від 28 грудня 1999 р.)

2
 Зміст

ПЕРЕДМОВА................................................................................................................5

РОЗДІЛ 1. ЕЛЕМЕНТИ КОМБІНАТОРИКИ...............................................................6

РОЗДІЛ 2. ПРОСТІР ЕЛЕМЕНТАРНИХ ПОДІЙ, ВИПАДКОВІ ПОДІЇ ТА ОПЕРАЦІЇ

НАД НИМИ...................................................................................................................9

РОЗДІЛ 3. ЙМОВІРНОСТІ У ДИСКРЕТНИХ ПРОСТОРАХ ЕЛЕМЕНТАРНИХ

ПОДІЙ. КЛАСИЧНЕ ОЗНАЧЕННЯ ЙМОВІРНОСТІ………………………………….10

РОЗДІЛ 4. ГЕОМЕТРИЧНІ ЙМОВІРНОСТІ.............................................................13

РОЗДІЛ 5. АКСІОМИ ТЕОРІЇ ЙМОВІРНОСТЕЙ.....................................................15

РОЗДІЛ 6. УМОВНІ ЙМОВІРНОСТІ.........................................................................17

РОЗДІЛ 7. ФОРМУЛА ПОВНОЇ ЙМОВІРНОСТІ. ФОРМУЛА БАЙЄСА................19

РОЗДІЛ 8. ДИСКРЕТНІ ВИПАДКОВІ ВЕЛИЧИНИ. ЧИСЛОВІ

ХАРАКТЕРИСТИКИ ДИСКРЕТНИХ ВИПАДКОВИХ ВЕЛИЧИН...........................21

РОЗДІЛ 9. СХЕМА БЕРНУЛЛІ. КЛАСИЧНІ ДИСКРЕТНІ РОЗПОДІЛИ................25

РОЗДІЛ 10. НЕПЕРЕРВНІ ВИПАДКОВІ ВЕЛИЧИНИ............................................28

РОЗДІЛ 11. ЗАКОН ВЕЛИКИХ ЧИСЕЛ. ЦЕНТРАЛЬНА ГРАНИЧНА ТЕОРЕМА 34

РОЗДІЛ 12. ВИБІРКА ТА ЇЇ ОСНОВНІ ХАРАКТЕРИСТИКИ. ЕМПІРИЧНА

ФУНКЦІЯ РОЗПОДІЛУ, ГІСТОГРАМА.....................................................................37

РОЗДІЛ 13. ОЦІНЮВАННЯ НЕВІДОМИХ ПАРАМЕТРІВ РОЗПОДІЛІВ.

КЛАСИФІКАЦІЯ ОЦІНОК. ВИБІРКОВЕ СЕРЕДНЄ ТА ДИСПЕРСІЯ, МОДА,
МЕДІАНА....................................................................................................................40

РОЗДІЛ 14. ЕФЕКТИВНІ ОЦІНКИ. ДОСТАТНІ СТАТИСТИКИ..............................43

РОЗДІЛ 15. МЕТОД МОМЕНТІВ ТА МЕТОД МАКСИМАЛЬНОЇ

ПРАВДОПОДІБНОСТІ...............................................................................................48

РОЗДІЛ 16. НАДІЙНІ ІНТЕРВАЛИ...........................................................................52

РОЗДІЛ 17. ПЕРЕВІРКА СТАТИСТИЧНИХ ГІПОТЕЗ. КРИТЕРІЇ ЗГОДИ……….54

3
РОЗДІЛ 18. ПЕРЕВІРКА ГІПОТЕЗ ПРО РІВНІСТЬ МАТЕМАТИЧНИХ
СПОДІВАНЬ ТА ДИСПЕРСІЙ ДЛЯ НОРМАЛЬНИХ СУКУПНОСТЕЙ..................61

РОЗДІЛ 19. ЛІНІЙНА РЕГРЕСІЯ..............................................................................63

РОЗДІЛ 20. ЕЛЕМЕНТИ ДИСПЕРСІЙНОГО АНАЛІЗУ..........................................68

РОЗДІЛ 21. ЕЛЕМЕНТИ АНАЛІЗУ ЧАСОВИХ РЯДІВ. ВИДІЛЕННЯ ТРЕНДУ,

ЗГЛАДЖУВАННЯ, ПРОГНОЗ..................................................................................72

РОЗДІЛ 22. ЗАДАЧІ ДЛЯ КОНТРОЛЬНИХ РОБІТ.................................................78

ВІДПОВІДІ ТА ВКАЗІВКИ.........................................................................................85

ДОДАТКИ.................................................................................................................108

ЛІТЕРАТУРА.............................................................................................................115

4
Передмова
В основу добору задач покладено багаторічний досвід викладання курсу теорії ймовірностей та
математичної статистики на економічному факультеті Київського національного університету імені
Тараса Шевченка.
Посібник складається з двадцяти одного розділу. В ньому викладено теоретичні відомості та
підібрано задачі з комбінаторики, основ теорії ймовірностей, теорії оцінювання невідомих параметрів,
перевірки статистичних гіпотез, регресійного та дисперсійного аналізів, аналізу часових рядів. У
кожному розділі наведено приклади розв’язання задач. В останньому розділі пропонуються задачі для
контрольних робіт, які також можна використати при проведенні модульно-рейтингового оцінювання
знань. У додатку вміщено основні статистичні таблиці, необхідні для розв’язання прикладів та задач.
Посібник може бути корисним для студентів економічних спеціальностей вищих навчальних
закладів, аспірантів та науковців, які використовують у своїх дослідженнях ймовірнісно-статистичні
методи.
Цю роботу було підтримано проектом Tempus-Tacis JEP-10353-97.

5
Розділ 1. Елементи комбінаторики
Основний принцип комбінаторики (правило множення). Нехай треба поcлідовно виконати k
дій. Якщо першу можна виконати n1 способами, після чого другу — n2 способами, третю — n3
способами і т. д., то всі k дій може бути виконано n1  n2    nk способами.
Комбінації (сполуки) з n елементів по k. Нехай A — множина з n елементів. Довільна k-
елементна підмножина множин з n елементів називається комбінацією з n елементів по k. Порядок
елементів у підмножинах неістотний. Число k-елементних підмножин множини з n елементів
позначають Cnk . Воно дорівнює:
n!
Cnk  , де n!  1  2    n.
k!  n  k !

Домовимось, що 0!=1, тоді Cn0  1.

nk k 1 k 1
Справедливі властивості: C n  Cn , C n  C n  C n 1 .
k k

Перестановки. Множина з n елементів називається впорядкованою, якщо кожному елементу цієї

множини поставлено у відповідність певне число (номер елемента) від 1 до n так, що різним елементам
відповідають різні числа. Упорядковані множини вважаються різними, якщо вони відрізняються або
своїми елементами, або порядком їх.
Різні впорядковані множини, які відрізняються тільки порядком елементів (тобто можуть бути
утворені з тієї самої множини), називаються перестановками цієї множини. Число перестановок
множини з n елементів дорівнює :
Pn  n!
Розміщення з n елементів по k. Упорядковані k-елементні підмножини множини, що містить n
елементів, називаються розміщенням з n елементів по k. Число розміщень з n елементів по k дорівнює:
Ank  k! Cnk  n   n  1     n  k  1 .
Біном Ньютона.  a  b n  Cn0an  Cn1an 1b    Cnk an  kbk    Cnn bn , де n — натуральне
число. Якщо a  b  1, то
Cn0  Cn1    Cn2  2n .
Величина
Cnk an  kbk  Tk  1
є (k+1)-й член в розкладенні бінома, k  0, 1,  , n.
Число способів розбиття множини з n елементів на m груп. Нехай k1, k2, …, km — цілі
невід'ємні числа, причому k1 + k2 + …+ km = n. Число способів, якими можна подати множину A з n еле-
ментів у вигляді суми n множин, що містять відповідно k1, k2, …, km елементів, дорівнює:
n!
Cn  k1 , ,km   .
k1 !k2 !km !
Перестановки з повтореннями. Число різних перестановок, які можна утворити з n елементів,
серед яких є k1 елементів першого типу, k2 елементів другого типу, ...,km елементів m-го типу, дорівнює:
n!
Cn  k1 , ,km   .
k1 !k2 !km !

Приклади розв’язання задач

Задача 1. У камері схову встановлено кодовий замок з чотирьох цифр. Скільки різних комбінацій можна
скласти з цифр 1, 2, 3, 4, 5, якщо:
а) цифри в коді можуть повторюватися?
б) цифри в коді не повторюються?
в) код починається з цифри “3”?
г) код є парним числом?
д) код — парне число, цифри якого не повторюються?
Розв’язок
а) Якщо цифри у коді можуть повторюватися, то на кожній позиції у коді може стояти будь-яка з 5 цифр,
тобто загальна кількість варіантів 5555=625.

6
б) На першому місці може стояти будь-яка з 5 цифр, на другому — 4 (оскільки одна вже стоїть на
першому місці), на третьому — 3, на четвертому — 2 цифри. Загальна кількість варіантів підраховується
за основним правилом комбінаторики: 5432=120.
в) На першому місці стоїть цифра “3”, на інших місцях можуть стояти будь-які з 5 цифр. Загальна
кількість варіантів 555=125.
г) Код є парним числом, якщо на останньому місці стоїть парна цифра, тобто або 2, або 4. На інших
місцях можуть стояти будь-які цифри: 5552=250.
д) Якщо цифри не можуть повторюватися, то на останньому місці стоїть парна цифра, тоді на
передостанньому місці може стояти лише чотири цифри, на другому — 3, на першому — 2 цифри.
Загальна кількість варіантів 2342=48.
Задача 2. Скільки можна зробити перестановок з n елементів, у яких дані 2 елементи не стоять поруч?
Розв’язок. Визначимо число перестановок, у яких 2 елементи стоять поруч (a зліва, b — праворуч, і
навпаки). Будемо вважати, що ab (чи ba) один елемент. Тоді число перестановок, якщо a та b стоять
поруч, дорівнює 2[(n–1)!]. Тому шукане число перестановок дорівнює n!– 2[(n–1)!]=(n–1)!(n–2)=(n–
2)!

Задачі
1.1. З Києва до Одеси можна вибрати один із 4 залізничних або один із 3 автобусних рейсів. Скільки
є варіантів здійснити подорожі:
а) Київ–Одеса; б) Київ–Одеса–Київ; в) Київ–Одеса–Київ, якщо зворотній шлях провести у поїзді?
1.2. На вершину гори веде 7 доріг. Скількома способами турист може піднятись на гору і спуститися
з неї? Дати відповідь на те ж запитання, якщо підйом та спуск здійснювати різними шляхами.
1.3. У розіграші чемпіонату країни з футболу беруть участь 17 команд. Скількома способами можуть
бути розподілені золота, срібна і бронзова медалі?
1.4. Скільки тризначних чисел можна записати цифрами 0, 1, 2, 3, 4?
1.5. Скільки тризначних чисел можна записати цифрами 0, 1, 2, 3, 4, якщо кожну з цих цифр
використовувати не більше одного разу?
1.6. Скількома способами 7 осіб можуть стати в чергу до каси?
1.7. На першому курсі вивчають 10 предметів. У понеділок 4 пари, причому всі пари різні.
Скількома способами можна скласти розклад на понеділок?
1.8. Скільки є п'ятизначних чисел, які діляться на 5?
1.9. На одній із бічних сторін трикутника взято n точок, на другій — m точок. Кожну вершину при
основі трикутника сполучено прямими з точками, взятими на протилежній бічній стороні. На
скільки частин поділиться трикутник проведеними прямими?
1.10. Скільки партій буде зіграно в шаховому турнірі, якщо кожні два з n учасників зустрінуться
лише один раз?
1.11. Скільки діагоналей має опуклий n-кутник?
1.12. Скількома способами можна розставити на шаховій дошці розмірами n  n дві різнокольорові
тури так, щоб вони не били одна одну?
1.13. Автомобільний номер складається з двох букв і чотирьох цифр. Знайти кількість усіх можливих
номерів, які можна скласти з цифр від 0 до 9 та 30 букв українського алфавіту?
1.14. Комісія складається з голови, двох його заступників і ще 4 осіб. Скількома способами члени
комісії можуть розподілити між собою обов’язки?
1.15. Скільки є способів розподілити 15 різних предметів між трьома особами так, щоб кожна особа
отримала 5 предметів?
1.16. На книжковій полиці розміщено 10 томів. Скількома способами можна розставити їх так, щоб
при цьому 1-й та 2-й томи не стояли поруч?
1.17. З 12 чоловік кожен день протягом 6 днів вибирають 2 чергових. Визначити кількість різних
списків чергових, якщо кожна особа чергує лише один раз.
1.18. Скільки різних слів можна утворити перестановкою букв у слові: а) “математика”? б)
“комбінаторика”?
1.19. Скільки тризначних чисел, які діляться на 3, можна записати цифрами 0, 1, 2, 3, 4, 5, якщо
кожне число не повинно мати однакових цифр?
1.20. Якщо повернути аркуш паперу на 180°, то цифри 0, 1, 8 не змінюються, 6 і 9 переходять одна
в одну, а інші цифри втрачають смисл. Скільки існує семицифрових чисел, величина яких не
змінюється при повороті аркуша паперу на 180°?
1.21. З урни, що містить 10 чорних та 6 білих куль, вибирають 2 чорні та 3 білі кулі. Скількома
способами це можна зробити?

7
1.22. Скількома способами можна розмістити на полиці 4 різних книги (позначимо їх
A , B , C, D )?
1.23. Скількома способами можна впорядкувати множину {1, 2, …, 2n} так, щоб кожне парне число
мало парний номер?
1.24. Скількома способами можна розсадити 4 учнів на 25 місцях?
1.25. Студентові треба за 8 днів скласти 4 іспити. Скількома способами це можна зробити?
1.26. Скількома способами можна впорядкувати множину {1, 2, ..., n} так, щоб числа 1, 2, 3 стояли
поруч і в порядку зростання?
1.27. Скільки існує перестановок з n елементів, серед яких між двома даними елементами стоїть r
елементів?
1.28. На зборах має виступити 4 особи: A , B , C, D . Скількома способами їх можна записати в
список ораторів, якщо B не може виступити раніше, ніж A?
1.29. Скількома способами можна розмістити n гостей за круглим столом?
1.30. Шість ящиків різних матеріалів доставляють на вісім поверхів будівництва. Скількома
способами можна розподілити матеріали по поверхах? У скількох із них на восьмий поверх буде
доставлено не менше двох матеріалів?
1.31. Ліфт, у якому перебуває 9 пасажирів, зупиняється на десяти поверхах. Пасажири виходять
групами по два, три, чотири чоловіки. Скількома способами це можна зробити?

8
Розділ 2. Простір елементарних подій, випадкові події та операції над ними
У теорії ймовірностей розглядаються стохастичні експерименти, які можна повторити будь-яку
кількість раз, але результати яких не можна напевне передбачити. З кожним стохастичним експериментом
пов'язують простір елементарних подій  — сукупність можливих наслідків експерименту. Будь-яка
підмножина A простору елементарних наслідків  називається випадковою подією. При цьому  —
достовірна подія, тобто подія, яка відбувається при будь-якому наслідку стохастичного експерименту.
Випадкові події, пов'язані з даним стохастичним експериментом, — це підмножини в просторі
елементарних подій .
Основні операції над подіями:
1. Доповнення: A   w : w  A — подія, яка полягає в тому, що A не відбудеться.  =  —
неможлива подія.
2. Об’єднання подій: A В =  w : w  A або w  B — подія, яка полягає в тому, що відбудеться
принаймні одна з подій A або В.
3. Перетин (переріз) подій: AВ=  w : w  A і w  B — подія, яка полягає в тому, що відбудеться і
подія A, і подія В.
4. Різниця подій: A\ В =  w : w  A і w  B —подія, яка полягає в тому, що відбудеться подія A і не
відбудеться подія В.
5. Правило де Моргана: A  B  A  B, A  B  B  A.

Приклад розв’язання задачі

Задача 1. Монету підкидають двічі. Описати простір елементарних подій. Описати події: A — принаймні
один раз випаде герб, В — при другому підкиданні випаде герб, AВ , AВ , A\В .
Розв’язок. Якщо Г — випадання герба, Р — випадання решки, то ймовірнісний простір ={ГГ, ГР, РГ,
РР}; подія A={ГГ, ГР, РГ}, подія B={ГГ, РГ}. Оскільки AB, то AВ = {ГГ, ГР, РГ}, AВ =B={ГГ, РГ},
A\B={ГР}.

Задачі
2.1. Гральний кубик підкидають двічі. Описати простір елементарних подій. Описати події: A — сума
очок на двох кубиках дорівнює 8; В — принаймні один раз випаде 6.
2.2. Підкидають монету і гральний кубик. Описати простір елементарних подій.
2.3. Підкидають монету доти, доки не випаде герб. Описати простір елементарних подій.
2.4. Побудувати множину елементарних подій у такому експерименті: кидають монету і фіксують, чи
випав герб; кидання триває доти, доки герб не випаде двічі.
2.5. Нехай експеримент полягає у вимірюванні двох величин, які набувають значення з відрізка [0,1].
Описати простір елементарних подій.
2.6. Побудувати множину елементарних подій для експерименту, в якому вимірюються n величин 1,
2, …, n, кожна з яких може набувати довільних дійсних значень.
2.7. З партії, що містить N виробів, серед яких є n бракованих, взято m виробів. Описати простір
елементарних подій. Описати подію A: серед узятих виробів l — бракованих (n < N, l  m).
2.8. Побудувати множину елементарних подій в експерименті, що полягає у виборі з урни, в якій
лежать m білих і n чорних куль, k куль, якщо k<n+m. Чому дорівнює число елементарних подій?
Розв'язати задачу при умові, що кулі виймаються послідовно по одній.
2.9. Перевіряється партія готових виробів за двома ознаками: розмір і вага. Вироби, в яких розмір або
вага менші стандарту, бракуються; вироби, в яких і розмір, і вага більші, ніж стандартні,
повертаються на переробку; придатні вироби йдуть споживачеві. Як побудувати множину
елементарних подій у разі, якщо перевіряється партія товару з n виробів? Яка загальна кількість
елементарних подій?
2.10. Які прості вирази відповідають подіям:
а)  A  B    A  B  ?
б)  A  B    A  B    A  B  ?
в)  A  B    B  C .
2.11. Довести рівності:

9
 а)
 A  B \ B  A \  A  B  A  B ;

б)  A  B \  A  B   A  B    A  B ;

в)  A  B   C   A  C   B  C ;
г)  A  B    A  B    A  B    A  B    ;

A\BC A\BA\C
д)  A  B    A  B    A  B    A  B    ;

е) ;

ж)
A \  B  C   A \ B  \ C .

Розділ 3. Ймовірності у дискретних просторах елементарних подій.

Класичне означення ймовірності
Простір  елементарних подій називається дискретним, якщо множина  скінченна або зліченна.
Нехай простір елементарних подій  = {w1, w2, …, wn, …} дискретний. Припустимо, що кожній
елементарній події wk можна поставити у відповідність невід'ємне число рk (ймовірність wk), причому

 pk  1. Якщо A — випадкова подія (A  ), то
k 1

P A   pk , де P(A) називається ймовірністю події A. Мають місце властивості:

wk  A
а) P(A)≥0;
б) P(AB) = P(A) + P(B), якщо події A і B несумісні;
в) P()=1.
1
Нехай простір  складається з n елементарних рівноможливих подій ( pk  , k  1, n ), а до
n
складу A входять m з цих подій. Тоді
m
P A  — класичне означення ймовірності.
n

Приклад розв’язання задачі

Задача 1. Знайти ймовірності того, що серед k вибраних навмання цифр:
а) немає цифри 0;
б) немає цифри 1;
в) немає цифр 0 і 1;
г) немає цифри 0 або немає цифри 1.

10
 9
Розв’язок. а) Ймовірність того, що одна вибрана цифра не є 0, дорівнює . Таким чином, імовірність
10
k
9 
того, що всі k цифр не є 0, дорівнює P  A     .
 10 
k
9 
б) Аналогічно до попереднього прикладу P  B     .
 10 
в) Очевидно, що одночасно не вибрати цифри 0 та 1 можна з імовірністю 8/10. Загальна ймовірність
k
8 
при k випробуваннях P  A  B     .
 10 
2  9k  8k
г) P  A  B   P  A   P  B   P  A  B   .
10k

Задачі
3.1. Гральний кубик підкидають один раз. Описати простір елементарних подій. а) Описати подію A
— випаде число, що ділиться на 3. Знайти ймовірність події A, вважаючи, що всі елементарні події
рівноможливі; б) нехай підкидають гральний кубик, у якому масу розподілено так, що ймовірність
випадання певної грані пропорційна її номеру. Описати простір елементарних подій, вказати
ймовірність кожної елементарної події. Обчислити ймовірність події A.
3.2. З цифр 1, 2, 3, 4, 5 спочатку вибирають одну; потім з чотирьох цифр, які залишились,
вибирають другу. Описати простір елементарних подій. Вважаючи, що всі елементарні події
однаково можливі, обчислити ймовірність таких подій: а) перший раз вибрано непарну цифру; б)
другий раз вибрано непарну цифру; в) і перший, і другий раз вибрано непарну цифру.
3.3. У групі r студентів. Яка ймовірність того, що принаймні у двох із них збігаються дні
народження?
3.4. Гральний кубик підкидають шість разів. Обчислити ймовірність того, що випадуть усі шість
граней.
3.5. У ліфті 7 пасажирів. Ліфт зупиняється на 10-ти поверхах. Яка ймовірність того, що жодного
разу два пасажири не вийдуть на одному поверсі?
3.6. Визначити, що більш імовірно: при підкиданні чотирьох гральних кубиків випадання принаймні
однієї одиниці чи при 24 підкиданнях двох кубиків випадання принаймні один раз двох одиниць.
(Відповідь відома як «парадокс де Мере». Придворний кавалер і азартний гравець Шевальє де
Мере, сучасник Блеза Паскаля, вважав ці ймовірності рівними і звинувачував математиків у своїх
програшах).
3.7. У групі r студентів. Обчислити ймовірність того, що принаймні двоє з них народилися в одному
місяці.
3.8. Обчислити ймовірність того, що дні народження 12 осіб припадатимуть на різні місяці року.
3.9. Обчислити ймовірність того, що для даних тридцяти осіб з 12 місяців року на 6 місяців
припадає по два дні народження і на інші 6 — по 3 дні народження.
3.10. В урні є 10 куль: 3 білі та 7 чорних. З урни навмання виймається одна куля. Яка ймовірність
того, що ця куля: а) біла? б) чорна?
3.11. В урні є 10 куль: 3 білі та 7 чорних. Яка ймовірність того, що витягнуті навмання 2 кулі будуть:
а) чорні? б) білі?
3.12. A та В і ще 8 осіб стоять у черзі. Яка ймовірність того, що A та В віддалені один від одного 3
особами?
3.13. n осіб, серед яких є A і В, шикуються в шеренгу в будь-якому порядку. Яка ймовірність того, що
між A і В стане рівно r осіб?
3.14. 3 урни, в якій лежать n білих та m чорних куль, взяли навмання k куль. Яка ймовірність того,
що серед вийнятих куль буде r білих куль (rn)?
3.15. Серед N виробів M бракованих. Навмання беруть n виробів. Яка ймовірність того, що серед
них m бракованих виробів (m<n)? Яка ймовірність того, що серед них не більше ніж m
бракованих виробів?
3.16. У лотереї є n білетів, серед яких m виграшних. Обчислити ймовірність виграшу для того, хто
має r білетів.
3.17. На іспиті може бути запропоновано N запитань. Студент знає відповіді на n запитань.
Екзаменатор задає студентові k запитань, а для того щоб скласти екзамен, треба відповісти не
менше, ніж на r запитань (r<k). Яка ймовірність того, що студент складе іспит?

11
 3.18. Учасник «Національної лотереї» з 39 чисел повинен назвати 6. Повний виграш одержує той,
хто правильно назве всі шість. Виграші також одержують і ті, хто вгадає не менше трьох чисел.
Обчислити ймовірність повного виграшу. Обчислити ймовірність того, що учасник відгадає 5, 4 і
3 числа. Яка ймовірність одержати виграш у лотереї?
3.19. Для зменшення загальної кількості ігор 2n команд розбивають на дві підгрупи по n команд
кожна. Яка ймовірність того, що дві найбільш сильні команди виявляться: а) в різних підгрупах? б)
в одній підгрупі? Яка ймовірність того, що чотири найбільш сильні команди потраплять по дві в
різні підгрупи?
3.20. Кидають 12 гральних кубиків. Яка ймовірність того, що кожне з чисел 1, 2, ..., 6 випаде двічі?
3.21. До ліфта семиповерхового будинку на першому поверсі зайшли 3 особи. Кожна з них з
однаковою ймовірністю виходить на будь-якому поверсі, починаючи з другого. Знайти ймовірність
таких подій: A={всі пасажири вийдуть на 4 поверсі}, В={всі пасажири вийдуть одночасно (на
одному поверсі)}, C ={всі пасажири вийдуть на різних поверхах}.
3.22. У три вагони заходять дев'ять пасажирів. Яка ймовірність того, що: а) в перший вагон зайдуть
три пасажири? б) в кожен вагон зайдуть по три пасажири? в) в один з вагонів зайдуть чотири, в
другий – три і в третій – два пасажири?
3.23. У шафі стоять 10 пар різноманітного взуття. З них навмання обирається 4 чоботи. Знайти
ймовірність того, що серед вибраних чобіт немає парних.
3.24. 500 фірм отримали кредити в банку. Банк класифікує кожен кредит за двома характеристиками:
сума кредиту і термін кредиту (в місяцях). Відповідну класифікацію наведено в таблиці.
Термін кредиту Сума кредиту
(місяці) < 2000$ 2000— 5000— > 8000$
4999$ 7999$
12 30 2 0 0
24 4 20 5 0
36 1 20 86 5
42 0 31 99 37
48 0 0 110 50

Для перевірки навмання вибирається одна фірма.

а) Яка ймовірність того, що сума кредиту цієї фірми не менша 5000$?
б) Яка ймовірність того, що термін кредиту фірми більший двох років?
в) Яка ймовірність того, що фірма взяла кредит на суму, не меншу 2000$ на 42 місяці?
3.25. Вкладники банку за сумами вкладів та віком мають такий процентний розподіл:
Вік Суми вкладу
< 1000$ 1000—5000 $ > 5000$
< 30 років 5% 15% 8%
30—50 років 8% 25% 20%
> 50 років 7% 10% 2%
Нехай A та B такі події:
A = {у навмання вибраного клієнта вклад більший 5000$},
B = {вік навмання вибраного клієнта більший 30 років}.
Визначити: P(A), P(B), P ( A  B), P ( A  B).
3.26. У супермаркеті, аналізуючи 10000 покупок за типом товарів і типом розрахунків (готівка чи
кредитна картка), виявлено такий процентний розподіл:
Тип Тип товару
розрахунків Жіночий одяг Чоловічий Спортивні товари Господарчі товари
одяг
Каса 6% 9% 3% 7%
Кредитна 41% 9% 22% 3%
картка
Нехай A, B, C, D такі події:
A = {навмання вибраний рахунок сплачений кредитною карткою},
В = {навмання вибраний рахунок за жіночий одяг},
C = {навмання вибраний рахунок за чоловічий одяг},
D = {навмання вибраний рахунок за спортивні товари}.
Обчислити P(A), P (B  A), P (A  D), P (A  B), P(AC).

12
Розділ 4. Геометричні ймовірності.
Суть геометричної ймовірності така. Нехай в деякій обмеженій множині  n-вимірного
евклідового простору, що має міру Лебега mes(), навмання вибирають точку. Під висловом “точка,
взята навмання” або “точка, навмання кинута у деяку множину”, розуміється, що ймовірність P(A)
того, що точку буде взято з множини A  , дорівнює:
mes A 
P A  .
mes  

Приклад розв’язання задачі

Задача. На відрізку довжини l навмання взято дві точки. Яка ймовірність того, що відстань між ними не
перевищує kl, де 0<k<1?
Розв’язок. Нехай координати точок x та y. Очевидно, що     x, y : 0  x  l ,0  y  l . Таким
чином, m() = ll=l2. Тоді A={(x,y): 0  x  l, 0y l, |x–y|kl}. Звідси
x–klyx+kl, й mes(A)=l2–(l–kl)2. Таким чином,
m A  l 2   l  kl  2
P  A    1   1  k 2  2k  k2 .
m   l2

Задачі
4.1. На паркетну підлогу навмання кидають монету діаметром d. Паркет має форму квадратів із
стороною a (a > d). Яка ймовірність того, що монета не перетне жодної зі сторін квадратів
паркету?
4.2. У круг радіуса R вписано правильний n-кутник. У круг кидають навмання точку. Яка ймовірність
того, що точка попаде всередину n-кутника?
4.3. Яка ймовірність того, що з трьох навмання взятих відрізків довжини не більше a можна
побудувати трикутник?
4.4. На площині проведено паралельні прямі, відстань між якими 2а. На площину навмання кидають
круг радіусом r (r<a). Яка ймовірність того, що круг не перетне жодної з прямих?
4.5. На площині проведено паралельні прямі, відстані між якими дорівнюють почергово 1,5 см та 8
см. На площину кидають навмання круг радіусом 2,5 см. Яка ймовірність того, що цей круг не
перетне жодної з прямих ліній?
4.6. На колі одиничного радіуса з центром у початку координат навмання взято точку. Яка
ймовірність того, що проекція точки на діаметр знаходиться від центра на відстані, що не
перевищує r (r<1)?
4.7. На колі радіусом R навмання взято дві точки. Яка ймовірність того, що відстань між ними не
перевищує r(r2R)?
4.8. У коло радіусом R навмання кидають точку. Яка ймовірність того, що відстань від цієї точки до
центра кола не перевищує r?
4.9. На колі радіусом R навмання взято три точки A, B, C. Яка ймовірність того, що трикутник
ABC гострокутний?
4.10. Стержень довжиною l навмання розламали на три частини. Яка ймовірність того, що з
одержаних частин можна утворити трикутник?
4.11. Стержень довжиною l навмання розламали на дві частини. Яка ймовірність того, що довжина
меншої частини не перевищує l/3?
4.12. (Задача Бюфона). На площині проведено паралельні прямі, відстань між якими дорівнює 2а. На
цій площині кидають навмання голку довжиною 2l, la. Яка ймовірність того, що вона перетне
одну з прямих?
4.13. Навмання взято два додатних числа, кожне з яких не перевищує 1. Знайти ймовірність того, що
сума їх не перевищує 1, а добуток не перевищує 2/9.
4.14. На відрізку [–1, 2] навмання взяті 2 числа. Яка ймовірність того, що їх сума більша 1, а
добуток менший 1?
4.15. Навмання взято два додатні числа x та y, кожне з яких не перевищує 2. Знайти ймовірність
y
того, що добуток xy буде більше 1, а –– не більше 2.
x

13
4.16. На відрізку [P, Q] довжини l навмання вибрано дві точки A та B. Знайти ймовірність того, що
точка A буде ближче до B, ніж до P.
4.17. Всередині квадрата з вершинами {(0,0), (1,0), (1,1), (0,1)} навмання вибирають точку M(x,y).
Знайти ймовірність подій:
a) A={(x,y): max(x ,y)<a, a>0}; б) B={(x, y): x2+y2a2, a>0}; в) C={корені рівняння
t2+xt+y=0 дійсні}.

14
Розділ 5. Аксіоми теорії ймовірностей
Нехай  — простір елементарних подій,  є -алгебра підмножин  (-алгебра випадкових
подій), тобто
АA1) ;
АA2) якщо A, то A;

АA3) якщо Аi (i=1, 2,...), то A i  .
i 1

Припустимо, що кожній випадковій події A поставлено у відповідність число P  A  , що

задовольняє умови:
P1) P(A)0 для кожного A;
P2) P()=l;
P3) якщо послідовність {An} випадкових подій така, що АiAj= при ij, то
   
P  A j

 
  P  Ai .
 i 1  i 1

Твердження A1, A2 A3, P1, P2, P3 складають систему аксіом теорії ймовірностей. Вимірний
простір (, , P) — простір  з мірою P(*) — називають ймовірнісним простором.
Теорема додавання ймовірностей. P  A  B   P  A   P  B   P  A  B  .

Приклад розв’язання задачі

Задача 1. Нехай P(A)0,8; P(B)0,8. Довести, що P(AB)0,6.
Розв’язок. P(AB)=P(A)+P(B)–P(AB)0,8+0,8–1=0,6, оскільки P(AB)1.

Задачі
5.1. Відомо ймовірності подій A, B, AB. Знайти ймовірності подій:
а) A  B ; б) A  B ; в) A  B ; г) A  B ; д) A   A  B  ; е) A   A  B .
5.2. Нехай A і B — випадкові події, P0 — ймовірність того, що не відбудеться жодна з цих подій, P1
— ймовірність того, що відбудеться одна і тільки одна подія, P2 — ймовірність того, що
відбудуться обидві події. Виразити P0, P1, P2 через P(A), P(B), P ( A  B).
5.3. Двічі підкидають монету. Описати: а) простір елементарних подій; б) події: A — при першому
підкиданні випав герб; B — при другому підкиданні випав герб; в) обчислити P(A), P(B),
P(AB), P(B |A).
5.4. Три рази підкидають монету. Описати: а) простір елементарних подій; б) події A — двічі випав
герб, B — принаймні один раз випав герб; в) обчислити P(AB), P(B) і P(B \A).
5.5. Нехай А1, А2, …, Аn — випадкові події. Довести, що
 n   n  n
а) P   Ai   1  P   Ai    P  Ai  ;
 i 1  
i 1  i 1

 
 P  Ai .
n n
б) P 
 i
A   1

 i 1  i 1

5.6. Довести, що якщо А1, А2, …, Аn: P  A1  A2    An   P  A1   P  A2     P  An    n  1 .

5.7. Довести, що якщо для будь-яких n подій A1  A2   An  A, то:
P  A   P  A1   P  A2     P  An    n  1 .
5.8. У одному ящику 5 білих та 10 чорних куль, у іншому — 10 білих та 5 чорних куль. Знайти
ймовірність того, що хоча б з одного ящика буде витягнуто одну білу кулю, якщо з кожного ящика
витягнуто по кулі.
5.9. У ящику 10 червоних та 6 блакитних куль. Навмання витягають дві кулі. Яка ймовірність того,
що кулі будуть одного кольору?
5.10. Знайти ймовірність того, що навмання вибране двузначне число є кратним 2, або 5, або тому й
іншому одночасно.

15
5.11. Студент прийшов на залік, знаючи відповідь на 24 запитання з 30. Яка ймовірність скласти
залік, якщо після неправильної відповіді на запитання викладач задає ще одне запитання?

16
Розділ 6. Умовні ймовірності.
Умовна ймовірність. Нехай (, , P) — ймовірнісний простір і P(B)>0, B. Умовною
ймовірністю події A (A) при умові, що відбулася подія ВB, називається величина
P A  B
P A / B  .
P B
Формула множення ймовірностей. Якщо P(B)>0, то
P  A  B   P  B  P  A / B .
Незалежні випадкові події. Випадкові події A і B (A, B) називаються незалежними, якщо
P  A  B   P  A P  B  .
Незалежні в сукупності випадкові події. Випадкові події A1, …, An (Аi, i = 1,…, n)
називаються незалежними в сукупності, якщо

P A i    Ai  P A i  P A i
1 k
  
1
  k

для будь-яких k = 2, …, n і 1i1<i2<…<ikn. Якщо ця рівність виконується при k=2, то події A1, … Аn
називаються попарно незалежними.

Приклад розв’язання задачі

Задача. Нехай P(A)>0 та P  B / A   P  B / A  . Довести, що A та B незалежні.

A  B  B \  A  B, то
Розв’язок. Оскільки P B / A    
P A B 
, а P B / A 
P A  B
P A   P A
та

P  B \  A  B  P  A   P  A  B 1  P  A  ,
тобто P  A  P  B   P  A  B  P  A   P  A  B   P  A  B  P  A  , а звідси P  A  B   P  A  P  B  .

Задачі
6.1. Підкидають два гральних кубики. Яка ймовірність того, що випаде принаймні одна трійка, якщо
відомо, що сума очок дорівнює 7?
6.2. Підкидають три гральних кубики. Яка ймовірність того, що принаймні один раз випаде шістка,
якщо на всіх трьох кубиках випали різні грані?
6.3. З урни, в якій лежать m білих та n чорних куль, беруть послідовно дві кулі. Відомо, що перша
куля біла. Яка ймовірність того, що друга куля також виявиться білою?
6.4. Відомо, що при підкиданні 10 гральних кубиків випала принаймні одна одиниця. Яка
ймовірність того, що випаде дві або більше одиниці?
6.5. Відомо, що 5% чоловіків і 0,25% усіх жінок — дальтоніки. Навмання обрана особа —
дальтонік. Яка ймовірність того, що це чоловік? (Вважати кількість чоловіків і жінок однаковою).
P A
6.6. Довести, що коли A і B — несумісні і P  A  B   0, то P {A / A  B }  .
P A  P B
6.7. Дано: P  A / B   0,7, P  A / B   0,3, P  B / A   0,6. Обчислити Р(A).
6.8. Нехай P (B)>0 і виконується рівність P  A / B   P  A   1. Що можна сказати про події A і B?
6.9. Події A і B — несумісні, і P(B)>0. Обчислити P(A /B).
6.10. Довести, що якщо A й B — незалежні, то A й B, A й B, A й B — теж незалежні.
6.11. Події A та B1 й A та B2 — незалежні, причому B1 та B2 — несумісні. Довести, що події
A та B1 B2 — незалежні.
6.12. Якщо події A, B, C — незалежні у сукупності, то події A та BC, а також A й B/C — незалежні.
Довести це.
6.13. Нехай A та B, A та C— незалежні й BC. Тоді події A та B \C — незалежні. Довести це.
6.14. Кинуто послідовно три монети. Визначити, залежні чи незалежні події: A={випав герб на
першій монеті}, B ={випала хоча б одна решка}.
6.15. Кинуто монету і гральний кубик. Визначити залежні чи незалежні події: A = {випав герб}, B =
{випало парне число очок}.

17
 6.16. Кинуто два гральних кубики. Розглянемо випадкові події: A={на першому кубику випала парна
кількість очок}, B={на другому кубику випала непарна кількість очок}, C={сума очок на кубиках
непарна}. Довести, що події A, B, C попарно незалежні, але не є незалежними у сукупності.
6.17. Довести, що якщо A і B незалежні події і AB, то P(A)=0 або P(B)=1.
6.18. Довести, що якщо подія A не залежить сама від себе, то P(A)=0 або P(A)=1.
6.19. Два мисливці влучають у ціль з імовірностями 0,7 та 0,8, відповідно. Кожен з них робить один
постріл. Яка ймовірність того, що: а) обидва влучать? б) жоден не влучить? в) хоча б один
влучить? г) лише один влучить у ціль?
6.20. Два гравці по черзі підкидають монету. Виграє той, у кого першим випаде герб. Знайти
ймовірність виграшу для кожного з гравців.
6.21. В урні n білих та m чорних куль. Два гравці по черзі дістають кулі з урни, повертаючи кожного
разу взяту кулю в урну. Виграє той, хто першим дістане білу кулю. Знайти ймовірності виграшу
для кожного гравця.
6.22. Нехай A1, … A n — випадкові події. Довести формулу:
 n 
P   Ai   P  A1   P  A2 / A1   P  A3 / A1  A2     P  An / A1  A2    An  1  .
 
 i 1 
6.23. У компанії працює 200 службовців. Розподіл їх за віком, освітою та строком роботи в компанії
наведенио в таблиці.
Вік Менше 5 років у компанії Більше 5 років у компанії
Вища Середня Вища Середня
освіта освіта освіта освіта
 40 5 50 5
30
> 30 50 25 15 10
Навмання вибирається один службовець.
а) Яка ймовірність того, що вибрана особа має вищу освіту?
б) Якщо вибрана особа працює в компанії більше 5 років, яка ймовірність того, що її вік більше 30?
в) Нехай A та B такі події:
A = {вибрана особа має вищу освіту},
B = {вибрана особа старша 30 років}.
Чи будуть події A та B незалежними?
6.24. Фірма, що ремонтує побутову електротехніку, проаналізувавши причини поломок, зробила
висновок про такий процентний розподіл кількості поломок за типами їх:
Тип поломки
Електричний Механічний Зовнішній
Під час гарантійного ремонту 10% 25% 17%
Після гарантійного строку 15% 30% 3%
Нехай A та B такі події:
A = {навмання вибраний прилад має електричний тип поломки},
B = {навмання вибраний прилад зламався після гарантійного строку}.
Чи будуть події A та B незалежними?

18
Розділ 7. Формула повної ймовірності. Формула Байєса
Повна група подій. Випадкові події H1, …, Hn (Hi, i = 1,…n) утворюють повну групу подій,
якщо:
1) Hi — попарно несумісні ( H i  H k  , i  k );
n
2) H i  .
i 1
Формула повної ймовірності. Якщо H1, …, Hn — повна група подій і P(Hi)>0 (i= 1,…,n), то для
будь-якої події A (A) виконується рівність:
n
P A   P  H i  P  A / H i .
i 1
Формула повної ймовірності справджується і для зліченної кількості подій.
Формула Байєса. Якщо H1, …, Hn — повна група подій, P(Hi)>0 (i = 1,…,n), а A — довільна
випадкова подія (A), з P(A)>0, то
PH i P A / H i 
P H i / A  n
.
 P H k P A / H k 
k 1

Приклад розв’язання задачі

Задача 1. Серед N екзаменаційних білетів є n «щасливих». Студенти підходять за білетами один за
одним. У кого більша ймовірність узяти «щасливий» білет: у того, хто підійшов першим, чи у того, хто
підійшов другим?
Розв’язок. Нехай подія A — перший візьме щасливий білет, подія B — другий візьме щасливий білет.
n  n
P A  . H1 — перший узяв щасливий білет  P  H 1   , H2 — перший узяв нещасливий білет
N  N
 N n
 P H 2    . За формулою повної ймовірності:
 N 
n n 1 N n n n
P B  P H 1 P  B / H 1   P  H 2 P B / H 2       .
N N 1 N N 1 N
Тобто P  A   P  B  .

Задачі
7.1. Є два однакових ящики з кулями. У першому ящику 2 білих та 1 чорна куля, у другому — 1 біла
та 4 чорних кулі. Навмання вибирають один ящик і виймають з нього кулю. Яка ймовірність, що
витягнута куля буде білою? 22
7.2. На малюнку 7.1 зображено схему доріг. Туристи вийшли з пункту O,
вибираючи навмання одну дорогу з усіх можливих. Яка ймовірність
того, що вони потраплять у пункт A?
7.3. У двох урнах знаходиться відповідно n1 і n2 куль, із яких білих куль
m1 і m2. З першої урни переклали в другу урну одну кулю, колір якої
невідомий. Після цього з другої урни беруть одну кулю. Яка
ймовірність того, що ця куля біла?
7.4. В урні n куль. Усі можливі припущення про число білих куль в урні
рівноможливі. Навмання з урни беруть одну кулю. Яка ймовірність
того, що ця куля біла?
7.5. В урні знаходиться одна куля, про яку відомо, що вона або біла, або чорна. В урну поклали білу
кулю, а потім після ретельного перемішування взяли навмання одну кулю, яка виявилась білою.
Яка ймовірність того, що після цього візьмуть з урни білу кулю? (Льюис Кэрролл. История с
узелками.—М. : Мир, 1973).
7.6. В урну, яка містить n куль, поклали білу кулю. Яка ймовірність того, що взята з урни куля буде
біла, якщо всі припущення про початковий склад куль в урні рівноможливі?

19
7.7. У кожній з n урн m білих і k чорних куль. З першої урни взяли одну кулю і переклали в другу. З
другої урни взяли одну кулю і переклали в третю і т. д. Обчислити ймовірність того, що з
останньої урни буде взято білу кулю.
7.8. Урна містить n куль. Усі припущення про число білих куль в урні однаково ймовірні. Навмання
вийнята з урни куля виявилась білою. Обчислити ймовірності всіх припущень про склад куль в
урні. Яке припущення найбільш імовірне?
7.9. З урни, яка містить n куль невідомого кольору, взяли одну кулю, яка виявилась білою. Після
цього знову виймають кулю. Яка ймовірність того, що ця куля біла? (Усі припущення про
початковий склад куль в урні однаково ймовірні).
7.10. Кожна з k1 урн містить m1 білих і n1 чорних куль, а кожна з k2 урн містить m2 білих і n2
чорних куль. Із навмання взятої урни вийняли кулю, яка виявилася білою. Яка ймовірність того, що
кулю взято з першої групи урн?
7.11. Стрілець A влучає в мішень з імовірністю p1=0,6, стрілець B — з імовірністю p2 = 0,5, а
стрілець C — з імовірністю p3=0,4. Стрільці зробили залп по мішені. Відомо, що є два влучення.
Що більш імовірно: влучив C в мішень чи ні?
7.12. Три мисливці одночасно зробили по одному пострілу у ведмедя. Ведмедя вбито однією кулею.
Яка ймовірність того, що ведмедя вбито першим, другим або третім мисливцем, якщо ймовірності
влучення для них дорівнюють відповідно p1 = 0,2, p2 = 0,4, p3 = 0,6?
7.13. З урни, яка містить m білих (m>3) і n чорних куль, загублено одну кулю. Для того щоб
визначити склад куль в урні, з урни взяли дві кулі, які виявилися білими. Обчислити ймовірність
того, що загублена куля біла?
7.14. 3 урни, яка містить 3 білих та 2 чорних кулі, перекладено дві кулі до урни, яка містить 4 білих
та 4 чорних кулі. Яка ймовірність того, що з другої урни після такого перекладання буде взято
білу кулю?
7.15. Деталі виробляються на двох заводах. Обсяг продукції другого заводу в n разів перевищує обсяг
продукції першого заводу. Частка браку на першому заводі — p1, на другому — p2. Навмання
взята деталь виявилася бракованою. Яка ймовірність того, що її випущено другим заводом?
7.16. Два стрільці незалежно один від одного роблять по одному пострілу по мішені. Ймовірність
влучення першого 0,8, другого — 0,4. Відомо, що є одне влучення. Знайти ймовірність того, що у
мішень влучив перший стрілець.
7.17. На фабриці виготовляють гвинти. Перша машина виготовляє 25%, друга — 35%, третя — 40%
усіх виробів. Частка браку відповідно 5, 4 і 2%.
а) Яка ймовірність того, що випадково вибраний гвинт бракований?
б) Випадково вибраний гвинт виявився бракованим. Яка ймовірність того, що його зроблено
першою, другою, третьою машинами?

20
Розділ 8. Дискретні випадкові величини. Числові характеристики
дискретних випадкових величин
Дискретна випадкова величина. Нехай (, , P) — ймовірнісний простір. Дискретною
випадковою величиною називається функція (w) на , яка набуває скінченне або зліченне число значень
x1, x2..., xn, ... і є вимірною відносно -алгебри .
Розподіл дискретної випадкової величини. Нехай (w) — дискретна випадкова величина, яка
набуває значення x1, ..., x i,.... Набір чисел
P{w: (w)=xi}=pi (i=l, 2,....) називають розподілом випадкової величини .
ip 0,  pi  1.
i
Часто розподіл випадкової величини подають у вигляді таблиці, в якій
перераховуються значення випадкової величини разом з відповідними ймовірностями:
Значення x1 … xi …

Ймовірність p1 … pi …

Функція розподілу випадкової величини (w) визначається рівністю:

P{w: (w)<x}=
pi
. 
i ,xi  x
Сумісний розподіл випадкових величин. Нехай (w) — дискретна величина, що набуває значень
x1, x2, …, xi, …, (w) — дискретна величина, що набуває значень y1, y2, …, yj, …. Набір чисел
P {w :   w  xi ,   w  yj }  pij ,  i  1, 2,  ; j  1, 2, 
називається сумісним розподілом випадкових величин  та . Справджуються такі твердження:
а) pij  0,   pij  1,
i j

б)  pij  pi ,  pij  pj ,
де {рi} — розподіл (w), {qj} — розподіл (w).
i j

Незалежні випадкові величини. Випадкові величини  та  називаються незалежними, якщо для

будь-яких i та j
P {  w  xi ,  w  yj }  P {  w  xi }P {  w  yj }.
Математичне сподівання випадкової величини. Нехай (w) — дискретна випадкова величина,
яка набуває значень хi, з імовірностями pi (і = 1, 2,...). Припустимо, що ряд  x i pi < +∞ збігається.
i

Тоді математичним сподіванням випадкової величини (w) називається сума ряду M   w   xi pi .

i
Властивості математичного сподівання:
1. MC=C, де C — константа.
2. Якщо 0, то M0.
3. M(C)= CM.
4. M(C)= MC.
5. M()=M M.
6. Якщо  та  — незалежні випадкові величини, то M()=M M.
7. M()=  f  x i  pi .
i
Дисперсія випадкової величини (w) визначається рівністю
D  M    M   2  M  2   M   2    xi  M   2 pi .
i
  D 
середньоквадратичне відхилення випадкової величини, або ризик.
Властивості дисперсії:
1. D=0  =C – константа.
2. D0.

21
 3. D(C)=C2D.
4. D(C)=D.
5. Якщо  та  незалежні випадкові величини, то D()=D+D.
Коефіцієнт коваріації випадкових величин cov(, ) = M(–M)(–M).
Коефіцієнт кореляції. Коефіцієнтом кореляції випадкових величин називається
M    M    M   cov  ,  
  ,    , D  0, D  0.
D D D D
Справджуються такі твердження:
а) || 1;
б) якщо  та  незалежні, то (, ) = 0;
в) якщо || = 1, то з імовірністю одиниця =a+b, де a і b — деякі сталі, a0.

Приклад розв’язання задачі

Задача 1. Випадкова величина  має розподіл:
xi -1 0 1 2
pi 0,2 0,1 0,3 0,4
Знайти математичне сподівання і дисперсію випадкової величини  = 2.
Розв’язок. Будуємо розподіл випадкової величини :
yi 0,5 1 2 4
рі 0,2 0,1 0,3 0,4
Математичне сподівання M+20,3+40,4=2,4.
Дисперсія D
Задача 2. Нехай  набуває значення 1, 2, кожне з імовірністю ¼, а =2. Знайти: а) сумісний розподіл
та ; б)    ,  . Чи будуть  та  незалежними?
Розв’язок. Випадкова величина  буде набувати два значення 1 та 4 з рівними ймовірностями ½.
Знайдемо сумісний розподіл  та :
P {  1,   1}  P {  1,   1}  1
4
.
P {  2,   4}  P {  2,   1}  0.
P {  1,   4}  P {  1,   4}  0.
P {  2,   4}  P {  2,   4}  1
4
.
Випадкові величини  та  будуть залежними, оскільки, наприклад,
0  P {  1,   4}  P {  1}P {  4}  1
8
.
1 1 1 1 1 1 5 5 25
M   1  2   1   2   0; M   1   4   ; D  , D  ;
4 4 4 4 2 2 2 2 4

 5 1  5 1  5 1  5 1
cov  ,   1  1     1  1     2   4     2   4     0.
 2 4  2 4  2 4  2 4
Таким чином,    ,   0.

Задачі
8.1. Двічі кидають монету. Описати простір елементарних подій . Нехай (w) — число випадань
герба. Знайти розподіл випадкової величини , математичне сподівання M та дисперсію D.
8.2. Двічі підкидають гральний кубик. Описати простір елементарних подій . Нехай (w) — сума
очок, які випали. Знайти розподіл випадкової величини , M.
8.3. Монету підкидають, доки випаде герб. Описати простір елементарних подій . Нехай (w) —
число зроблених підкидань. Обчислити: а) розподіл випадкової величини ; б) P{>1}, P{n}.
8.4. Стріляють у ціль до першого влучення. Влучення при різних пострілах — незалежні події,
ймовірність влучення при кожному пострілі — p. Описати простір елементарних подій . Нехай
(w) — число зроблених пострілів. Обчислити розподіл випадкової величини (w).
8.5. Які з поданих нижче послідовностей є розподілами деякої дискретної випадкової величини:
а) pkq2, q = 1–p, 0 < p  1, k = 1, 2,...?
6) pk-nq, q = 1–p, 0 p 1, n>0, k = n, n+1,...?

22
 1
в) , k  1, 2,  ?
k k  1
8.6. Нехай  — випадкова величина, яка набуває значень 0, ±1, … , ±n з імовірностями
1
P {  i } . Обчислити M,, D..
2n  1
8.7. Випадкова величина  має розподіл:
 -1 0 1
Pi 1 1 1
3 3 3
Знайти: а) розподіл випадкової величини  = ||; б) M, D.
8.8. Дискретна випадкова величина  має ряд розподілу:
 1 3 5
P 0,4 0,1 0,5
Знайти розподіл випадкової величини =3, M.
8.9. Дискретна випадкова величина  має ряд розподілу:
 /4 /2 3/4
P 0,2 0,7 0,1
Знайти розподіл випадкової величини =sin, M, D.
8.10. Дискретна випадкова величина  має ряд розподілу:
 –2 –1 0 1 2
P 0,1 0,2 0,3 0,3 0,1
Знайти розподіл випадкових величин =та =||.
8.11. Математичне сподівання та дисперсія випадкової величини  дорівнюють відповідно 2 та 10.
Знайти математичне сподівання та дисперсію величини 2+5.
8.12. Знайти середнє квадратичне відхилення випадкової величини, поданої розподілом:
 3 5 7 9
P 0,4 0,3 0,2 0,1
8.13. Нехай випадкова величина  набуває скінченне число невід’ємних значень x1, x2, …, xr.
Довести, що
M  n 1
lim  max xi ; lim n M  n  max xi .
n M  n 1 i  r n 1 i  r

8.14. Два банки (A та В) мають такі прогнози щодо прибутку на наступний рік.
A В
Прибуток Ймовірність Прибуток Ймовірність
0 0,1 100$ 0,2
200$ 0,1 500$ 0,2
1000$ 0,2 2000$ 0,25
2000$ 0,5 4000$ 0,3
10000$ 0,1 8000$ 0,05
Підрахувати економічний ризик (стандартну похибку) для вкладників у банки A та В.
8.15. Нехай випадкова величина  набуває цілих невід’ємних значень, причому M   . Довести,

що M    P {  i }.
i 1
8.16. Кидають два гральних кубики. Нехай  — кількість очок на першому кубику, а  — число очок
на другому кубику. Довести, що  та  — незалежні.
8.17. Кидають два гральних кубики. Нехай  — кількість очок на першому кубику, а  —
максимальне з двох очок. Знайти: а) сумісний розподіл  та ; б)  (  , ).
8.18. Випадкові величини  та  незалежні та
1 1 1
P {  1} , P {  1} , P {  0} .
2 4 2
Чи будуть випадкові величини  та  незалежними? Знайти    ,  .

23
8.19. Нехай 1 та 2 — незалежні однаково розподілені випадкові величини та =1+2, =1–2.
Довести, що    ,    0.
8.20. Нехай  та  — відповідно сума та різниця очок, які випали при киданні двох гральних кубиків.
Довести, що    ,   0. Чи будуть  та  незалежними?
8.21. Нехай 1 та 2 — незалежні випадкові величини, які мають цілі значення. Довести, що

P {1   2  n}  P{1  k} P{2  n  k}.
k  
8.22. Нехай 1 та 2 — незалежні випадкові величини, які набувають значення 0, 1, …, n, причому
1
P { 1  i } P { 2  i } , i  0, 1,  , n. Знайти розподіл випадкової величини
n1
  1   2 .

24
Розділ 9. Схема Бернуллі. Класичні дискретні розподіли
Біноміальний розподіл. Проводяться незалежні випробування; в кожному випробуванні
може бути два результати: «успіх» — з ймовірністю p, або «невдача» — з ймовірністю q=1–p.
Нехай проведено n випробувань. Позначимо через  число «успіхів», тоді
Pn(k) =P{=k}= Cnk pk qn  k (k =0, 1,...,n).
Розподіл випадкової величини  називається біноміальним розподілом Бернуллі, а описана
вище схема носить назву схеми незалежних випробувань, або схеми Бернуллі.
M   np, D  npq.
Локальна теорема Муавра—Лапласа. Якщо n, p — константа, 0<p<1, то
x2
1    k  np
 1  O 1    1

Pn  k  e 2
     x; x  .
2npq   n  npq npq
Інтегральна теорема Муавра—Лапласа. Якщо n, p — константа, 0<p<1, то
t2
  np 1 x2 
P {x1 
npq
 x2 } 
2
x 1
e 2 dt

рівномірно по x1, x2 (–x1x2).

Теорема Пуассона. Якщо p=pn  0 та npn   при n (0<<), то
k  
Pn  k  e , k  0, 1,  .
k!
Праві частини формул у теоремах Муавра—Лапласа дають добрі наближення, якщо n
достатньо велике, а p та q не дуже близькі до 0. Часто нормальним наближенням користуються
при npq>20. Теорема Пуассона дає добре наближення, коли n велике, а p мале. Зазвичай p<0,1,
x2
1 
npq<9. Таблиці функції Лапласа   x  e 2 , інтегральної функції Лапласа
2
t2
1 x  k  
 x  
2 0
e 2 dt e наведено у додатку (табл. 1, табл. 2, табл. 3).
та функції
k!
Геометричний розподіл. Випадкова величина , яка набуває значень 0, 1, ..., k... має
геометричний розподіл з параметром p, якщо
P(=k)=(1–p)kp.
Величину  можна інтерпретувати як число випробувань до першого успіху в схемі
незалежних випробувань з імовірністю успіху p.
q q
M   , D  2 .
p p
Розподіл Пуассона. Випадкова величина , яка набуває значень 0, 1,..., k, ... має розподіл
Пуассона з параметром >0, якщо
k e  M   D   .
P(=k) = ,
k!

Приклад розв’язання задачі

Задача 1. Яка ймовірність того, що при 5 підкиданнях монети від 2 до 4 разів випаде герб?
Розв’язок. Якщо P5(k) – ймовірність того, що випало рівно k гербів, то відповідна ймовірність
дорівнює:
4
25
P5 (2)+ P5 (3)+ P5 (4)=  C5k  0,5 k  0,5 5 k  25 *  0,5 5  32 .
k2
Задача 2. Ймовірність випуску бракованого виробу дорівнює 0,02. Чому дорівнює ймовірність
того, що у партії зі 100 виробів бракованих буде не більше 3?
Розв’язок. Скористаємось теоремою Пуассона. У даному випадку n=100, p=0,02,
=np=1000,02=2. Тоді

25
 4e2 8e2
P {  3}  Pn  0  Pn  1  Pn  2  Pn  3  e 2  2e 2    0,8571.
2! 3!
Задача 3. Монету підкидають 100 разів. Яка ймовірність того, що загальне число випадань герба
буде у межах від 45 до 55?
Розв’язок. За умовою задачі n=100, p=q=0,5, npq=25, np=50. Скористаємось локальною
теоремою Муавра—Лапласа. Тоді
 
 45  50   np 55  50
P {45    55}  P      2  1  0,6826.

 25 npq 25 


Задачі
9.1. Імовірність влучення під час одного пострілу дорівнює 0,4. Скільки треба зробити
пострілів, щоб iмовірність принаймні одного влучення була не меншою 0,9?
9.2. У підручнику допущено 50 помилок на 500 сторінках. Яка ймовірність того, що у розділі
з 30 сторінок допущено: а) 2? б) менше 2? в) 2 або більше помилок? г) 0 помилок?
9.3. У середньому з 200 ламп за місяць виходить з ладу 1 лампочка. Всього встановили 400
ламп. Яка ймовірність того, що за місяць вийде з ладу: а) 3 лампочки? б) не менше 3
лампочок? в) 0 лампочок?
9.4. Яка ймовірність того, що при 10 підкиданнях монети випаде герб: а) від 4 до 6 разів? б)
від 3 до 5 разів? в) 0 разів? г) не менше 4 разів?
9.5. На фірмі немає в середньому 5% деталей, що поданих у каталозі. Надійшло замовлення на
8 деталей. Яка ймовірність того, що всі вони є на фірмі?
9.6. Нехай k0 — найбільш імовірне число успіхів у схемі Бернуллі з імовірністю успіху p при
n випробуваннях, тобто таке значення k, при якому ймовірність Pn(k) = Cnk pk qn  k
максимальна. Довести, що np–qk0np+p.
9.7. Гральний кубик кидають 6 разів. Знайти ймовірність того, що двічі випаде число очок
кратне 3.
9.8. Батарея зробила 14 пострілів по об’єкту, ймовірність влучення в який 0,2. Обчислити: а)
найбільш імовірне число влучень і його ймовірність; б) ймовірність того, що було не менше
4 влучень.
9.9. Імовірність влучення в ціль при кожному пострілі дорівнює 0,8. Скільки треба зробити
пострілів, щоб найімовірніше число влучень було 20?
9.10. Двоє кидають монету по n разів. Знайти ймовірність того, що в них однакову кількість
разів випаде герб.
9.11. Середній брак при виробництві продукції на підприємстві становить 0,1%.
Перевіряється партія з 1000 деталей. Яка ймовірність того, що бракованими буде: а) від 2
до 4 деталей? б) 1 деталь? в) не більше 3 деталей?
9.12. Імовірність влучення в ціль при кожному пострілі дорівнює 0,001. Знайти імовірність
двох і більше влучень, якщо було зроблено 5000 пострілів.
9.13. По каналу зв’язку передається 1000 знаків. Кожен знак може бути викривлений з
імовірністю 0,004. Знайти ймовірність того, що буде викривлено не більше 3 знаків.
9.14. Імовірність успіху в кожному випробуванні дорівнює 0,25. Яка ймовірність того, що при
300 випробуваннях успішними будуть: а) рівно 75 випробувань? б) рівно 85 випробувань?
9.15. Імовірність виробництва бракованого виробу дорівнює 0,005. Чому дорівнює
ймовірність того, що з 10000 вибраних навмання виробів бракованих буде не більше 60?
9.16. Імовірність виходу з ладу за час  одного приладу дорівнює 0,1. Визначити ймовірність
того, що за час  зі 100 приладів вийдуть з ладу: а) не менше 20; б) менше 15; в) від 6 до
18 приладів.
9.17. Нехай  — випадкова величина, яка має біноміальний розподіл з параметрами n та p.
Довести, що M   np, D  npq.
9.18. Що більш імовірно: виграти у гравця (рівного собі за силою гри) 4 партії з 8 чи 3 партії з
5?
9.19. Нехай — випадкова величина, яка має біноміальний розподіл з параметрами n і p.
Відомо, що M=12, D=4. Знайти n і p.
9.20. Нехай — випадкова величина, яка має геометричний розподіл з параметром p. Довести,
q q
що M   , D  2 .
p p

26
9.21. Довести, що випадкова величина  яка набуває значень 0, 1, 2,..., має геометричний
розподіл тоді і тільки тоді, коли виконується рівність:
P {  k  r /   k}  P {  r },  r  0 (характеристична властивість геометричного
розподілу).
9.22. Тривалість міжміської телефонної розмови вимірюється хвилинами і є випадковою
величиною з геометричним розподілом. Яка ймовірність того, що розмова триватиме ще 3
хвилини, якщо до цього вона тривала 10 хвилин. (Параметр геометричного розподілу
дорівнює p).
9.23. Випадкові величини 1 і 2 — незалежні і мають однаковий геометричний розподіл.
Довести, що
1
P  1  k /  1   2  n  ,  k  0, 1,  , n .
n1
9.24. Випадкові величини 1 і 2 — незалежні і мають однаковий геометричний розподіл.
Нехай   max  1 ,  2  . Знайти розподіл величини  і сумісний розподіл величин  та .
9.25. Нехай  — випадкова величина, яка має розподіл Пуассона з параметром . Довести, що
M, = , D = .
9.26. Нехай 1 і 2 — незалежні випадкові величини, які мають розподіл Пуассона з
параметрами та 2 відповідно.
а) Довести, що випадкова величина  = 1+2 має розподіл Пуассона з параметром 2.
б) Довести, що умовний розподіл величини 1 при умові, що 1+2 = n, є біноміальним
1
розподілом з параметрами n і p  , тобто
1  2
k nk
 1   1 
P  1  k /  1   2  n  Cnk    1   ,  k  0, 1,  , n  .
 1  2   1  2 
1
9.27. Випадкова величина  має розподіл Пуассона з параметром . Обчислити M .
1 
9.28. Випадкова величина  набуває цілих невід'ємних значень з імовірностями
an
P {  n}  , де a > 0 (розподіл Паскаля). Обчислити математичне сподівання і
 1  a n  1
дисперсію .
9.29. Урна містить N куль, позначених номерами від 1 до N. Послідовно виймають n куль,
повертаючи кожного разу взяту кулю назад. Нехай  — найбільший номер, який було
одержано при цьому. Знайти розподіл  і математичне сподівання .

27
Розділ 10. Неперервні випадкові величини
Нехай (, , P) — ймовірнісний простір. Випадковою величиною називається функція
(w) на , яка вимірна відносно -алгебри , тобто така функція, коли при кожному дійсному x
{w :   w  x} .
Функцією розподілу випадкової величини  (w) називається функція
F  x   P {w :   w  x}.
Функція розподілу F(х) має властивості: а) неперервна зліва; б) неcпадна на (–, +); в) F(–
) =0, F (+) = 1.
Для кожної функції F (x), що має ці властивості, можна побудувати ймовірнісний простір
(, , Р) і випадкову величину (w) на ньому, яка має функцією розподілу F(х).
Якщо F (х) — функція розподілу випадкової величини , то
P{ax<b}=F(b)–F(a), (a < b).
Щільність розподілу випадкової величини  . Якщо функцію розподілу F(x) випадкової
величини  можна подати у вигляді
x
F(x)=   p udu,
то кажуть, що випадкова величина  має щільність розподілу p(x), і таку випадкову величину
називають неперервною. Майже при всіх x виконується рівність F'(x) = p(x). Щільність розподілу
p(x) — невід'ємна функція і

  p u  du  1 .
Виконується рівність:
b
P{a<b}=  p u  du .
a
Рівномірний розподіл. Випадкова величина  має рівномірний розподіл на відрізку [a, b],
якщо

0, x  a,
 1
x  a
  ,x  a,b ,
F  x    , x   a, b, p x    b  a
 
b a 0,x  a,b .  
1, x  b,
Нормальний розподіл N(a,  2). Випадкова величина має нормальний N(a, 2) розподіл,
якщо
1  t  a
2

1 x  1  x  a 2 
F  x 
 1
2    e 2 2 dt, p x  
2
exp 
 2 
2
.


Показниковий розподіл. Випадкова величина  має показниковий розподіл з параметром ,
якщо

1  ex , x  0, ex ,x  0,

F  x   p x     0.
0, x  0, 0,x  0,
Функція розподілу випадкового вектора ( 1,  2, …,  n) — це ймовірність
F  x1 , x2 ,  , xn   P  1  x1 ,  2  x2 ,  ,  n  xn  .
Незалежні випадкові величини. Випадкові величини 1, 2, …, n незалежні, якщо
P  1  x1 ,  2  x2 ,  ,  n  xn   P  1  x1 P  2  x2   P  n  xn  .
Математичне сподівання випадкової величини. Нехай (w) — випадкова величина на
ймовірнісному просторі (, , P).
Випадкова величина (w) має математичне сподівання, якщо існує інтеграл

28
 M   w    ( w) dPdw  M  .


Якщо F(x) — функція розподілу , а p(x) — щільність неперервної випадковоі величини, то

 
 
M   xdF  x    xp x  dx, Mf       f  x  dF  x     f  x  p x  dx,
 

де (x) — борелівська функція і   | f ( x) | dF ( x)  .
Для математичного сподівання неперервної випадкової величини справджуються всі
властивості математичного сподівання дискретної випадкової величини.
Дисперсія випадкової величини. Неперервна випадкова величина (w) має дисперсію

D  w  M    M   2  M  2   M   2    x  M   2 p x  dx.


D
Нерівність Чебишева. P   M       .
2
1
Правило 3. P   M   3    , де   D .
9
Аналогічно дискретним випадковим величинам вводяться коефіцієнти кореляції і коваріації
випадкових величин.

Приклад розв’язання задач

Задача 1. Нехай F(x), p(x) — відповідно функція розподілу і щільність випадкової величини .
Знайти функцію розподілу і щільність розподілу випадкової величини =e.
Розв’язок. При x0 P{e<x}=0; при x>0 маємо
F(x)=P{e<x}=P{<lnx}=F(lnx).

0, x  0,
0,x  0, 
Fx   px   1
Flnx,x  0, pln x  , x  0.
Отже,

 x
Задача 2. Випадкові величини 1 та 2 незалежні рівномірно розподілені на відрізку [0, 1]. Знайти
функцію розподілу випадкової величини =1+2.
Розв’язок. Функція розподілу випадкових величин 1 та 2 має вигляд:

0, x  0,

F x  F x  x,0  x  1,
1, x  1.
1 2


Помітимо, що при x  0 F  x   0 та при x  2 F  x   1.
x x2
Якщо 0  x  1, то F  x   0 x  udu  2
,

а при 1  x  2 F  x    du  
x 1 1
 x  u du  1 
2  x 2
.
0 x 1 2

29
 0, x  0,
2
 x , 0  x  1,
2
Отже, F  x   
1   2  x  , 1  x  2,
2

 2

1, x  2.
Задачі
10.1. Які з поданих нижче функцій є функціями розподілу:
а) F(x)=3/4+(1/2)arctgx?

0,x  0,
  x 0,x  0,
 
б) F  x    ,0  x  2, ? в) F  x    x ?
2 1  x ,x  0
1,x  2
0,x  0,

F  x  e д) F  x   
e x

г) ?
1  e x ?

1  ,x  0
 x
10.2. Щільність розподілу випадкової величини  дорівнює p(x)=ae-|x| (>0). Обчислити: а)
коефіцієнт a; б) функцію розподілу ; в) M, D; г) побудувати графіки щільності розподілу
і функції розподілу.
10.3. Нижче подано функції, що залежать від певних параметрів. Визначити, при яких
значеннях параметрів ці функції будуть щільностями розподілів.

 c cxaex ,x  0,
 ,d  x  ,
а) f  x    ax  b б) f  x   

0,x  d; 0,x  0.
10.4. Нехай F(x) — функція розподілу випадкової величини . Знайти функцію розподілу і
щільність розподілу випадкової величини =–.
10.5. Нехай  — випадкова величина, рівномірно розподілена на [–1, 1]. Знайти розподіл
випадкової величини =||.
10.6. Випадкова величина  рівномірно розподілена на відрізку [0, 1]. Знайти щільності
розподілу випадкових величин: а)  = 2; б)  = 1/ в) =e і побудувати графіки їх.
10.7. Нехай  — випадкова величина з неперервною функцією розподілу F(x) і =F().
Обчислити функцію розподілу .
1 1
10.8. Випадкова величина  має щільність розподілу p x   (розподіл Коші).
 1  x2
Обчислити ймовірності: а) P {  1}; б) P {  1}.
1
10.9. Випадкова величина  має показниковий розподіл з параметром  . Обчислити
3
ймовірності: а) P{ > 3}; б) P{>6/>3}; в) P{ > t+3/>t}.

30
 1 1
10.10. Щільність розподілу випадкової величини  дорівнює: p x   . Знайти
 1  x2
розподіл випадкової величини =arctg.
10.11. Випадкова величина  рівномірно розподілена на відрізку [0, 2]. Знайти функцію
розподілу випадкової величини = |– 1|.
1 1
10.12. Випадкова величина  має щільність розподілу p x   . Обчислити щільність
 1  x2
розподілу випадкової величини =2.
  
10.13. Випадкова величина  рівномірно розподілена на відрізку  2 ; 2 . Знайти
щільність розподілу випадкової величини  = sin.
1 1
10.14. Випадкова величина  має розподіл Коші з щільністю p x   . Знайти
 1  x2
1
щільність розподілу випадкової величини   .

10.15. Випадкова величина  має показниковий розподіл iз щільністю p  x   e , x  0.
x

Знайти функцію розподілу і щільність імовірності випадкової величини   e .

10.16. Нехай — випадкова величина, яка рівномірно розподілена на (0,1). Знайти функцію
1
розподілу випадкової величини  = ln . Обчислити M.

10.17. Нехай  — рівномірно розподілена на [0,1] випадкова величина. Знайти функцію
1
розподілу випадкової величини  =  ln  1    .

10.18. Нехай  має показниковий розподіл з параметром . Обчислити: Mk, D, P{>1}.
10.19. Нехай  рівномірно розподілена на [a, b]. Обчислити: M, D.
10.20. Нехай  нормально розподілена з параметрами (a, 2). Обчислити M, D, M|–a|.
10.21. Щільність розподілу випадкової величини  дорівнює:

  
 a cosx ,  x ,
2 2
p x   
0, | x |  ;
 2
а) знайти сталу a; б) знайти функцію розподілу F(x) і побудувати графіки функцій p(x) та
 
F(x); в) обчислити P 0    .
 4
10.22. Щільність розподілу випадкової величини , дорівнює:

0, x  0,

p x  ax, 0  x  2,
0, x  2;

а) знайти сталу a; б) знайти функцію розподілу F(x) і побудувати графіки функцій p(x) та F
(x).
10.23. Щільність розподілу випадкової величини  дорівнює:

31
 3x2, 0  x  1,
p x  
0, x  0, x  1;
а) знайти функцію розподілу та побудувати її графік; б) обчислити ймовірність P{–1 <  <
0,5}.
10.24. Щільність розподілу випадкової величини  дорівнює:

0, x  0,

p x  0,5x, 0  x  2,
0, x  2.

Знайти M, D, обчислити ймовірність того, що відхилення  від математичного сподівання
не перевищить 0,5.
10.25. Знайти математичне сподівання і дисперсію випадкової величини , що має щільність
розподілу:

1 | x  1 |, 0  x  2,
p x  
0, x  0, x  2.
2 2 
 cos x , | x 
| ,
10.26. Щільність розподілу випадкової величини  дорівнює: p x   
2
0, | x |  .
 2
Знайти M, D.
10.27. Випадкова величина  рівномірно розподілена на [0,1]. Обчислити:
a) M sin 2  ; б) Ме.
1 1
10.28. Нехай — випадкова величина з щільністю розподілу p  x   . Обчислити
 1  x2
M min |  |,1 .
10.29. Нехай M=1, D=0,04. Оцінити ймовірність того, що 0,5<<1,5.
10.30. Математичне сподівання річної кількості опадів у даній місцевості дорівнює 55 см.
0цінити ймовірність того, що в цій місцевості випаде за рік не менше 175 см опадів.
10.31. Середнє річне число сонячних днів у даній місцевості дорівнює 75. Оцінити
ймовірність того, що протягом року в цій місцевості буде не більше 200 сонячних днів.
10.32. Нехай 1 та 2 — незалежні випадкові величини і =1+2. Довести, що: а)
 
F  x  
  F  x  u dF  u    F  x  v dF  v ; б) якщо існують
2 1 1 2
щільності
 
розподілу, то p  x     p  x  v p  v dv    p  x  u p  u du.
1 2 2 1

10.33. Нехай 1 та 2 — незалежні випадкові величини і =1–2. Довести, що: а)

  1  F  u  x  dF  u ; б)
 
F  x     F  x  v dF  v
1 2
 2 1
якщо існують
щільності розподілу 1 та 2, то
 
p  x     p  x  v p  v dv 
1 2   p  u  x  p  u du.
2 1

32
10.34. Нехай 1 та 2 — незалежні випадкові величини і =12. Довести, що: а)
0   x   x
F  x     1  F  u  dF  u  0 F  u dF  u ;
2 1 2 1
б) якщо випадкові величини

 1 x
1 та 2 мають щільність розподілу, то p  x     | u | p  u  p  u du.
1 2

1
10.35. Нехай 1 та 2 — незалежні випадкові величини і   . Довести, що: а)
2
F  x  
0
  1  F  vx  dF 1
v 

0F  vx dF  v ;
2 1 2
б) якщо випадкові величини 1

та 2 мають щільність розподілу, то p  x     | v | p  vx p  v dv.
1 2

 1 1
10.36. Нехай 1 та 2 — незалежні випадкові величини, рівномірно розподілені на  ; .
 2 2
Знайти щільність розподілу випадкової величини  = 1+2.
10.37. Випадкові величини 1 та 2 незалежні і рівномірно розподілені на відрізку [0,1].
Знайти щільність розподілу випадкових величин: а)  = 12; б) =1–2; в) =|1–2|.
10.38. Нехай  і  — незалежні випадкові величини, які мають показниковий розподіл з
параметром . Обчислити: а) щільність розподілу – ; б) щільність розподілу |– |.
10.39. Випадкові величини  та  незалежні, причому p  x   12x  1  x  , x   0,1 ,
2

p  x   2y, y   0,1 . Обчислити розподіл добутку .

10.40. Нехай  і  — незалежні випадкові величини, які мають щільність розподілу

 1 0, x  0,
 2 , | |x  1, 
px   1 x px   x 2

0, | |x  1, xe 2 ,x  0.

Довести, що випадкова величина  має нормальний розподіл.
10.41. Випадкові величини  та  нормально розподілені N(0, 2) і незалежні. Довести, що

відношення   має розподіл Коші.

10.42. Нехай  і  — незалежні випадкові величини, які мають показниковий розподіл з
 
параметром . Обчислити: а) функцію розподілу ; б) щільність розподілу ; в) ма-
 

тематичне сподівання .

10.43. Випадкові величини 1 та 2 незалежні і мають нормальні розподіли N(a1, 12) і N(a2,
22). Довести, що випадкова величина =1 +2 має нормальний розподіл N(a1+a2, 12+22).

33
10.44. Розподіл Ерланга. Нехай {k, 1kn} — незалежні однаково розподілені за
показниковим розподілом з параметром >0 випадкові величини. Довести, що величина Sn =

 x n 1 x
 e , x  0,
1 + 2 + … + n має таку щільність розподілу: p  x     n  1 !
s
0, x  0.
n


10.45. Розподіл  2 з n степенями свободи. Нехай випадкові величини 1,..., n незалежні і
мають нормальний розподіл N(0, l). Довести, що щільність розподілу випадкової величини

 1 n 1  x
 n x 2 e 2 , x  0,
 n
2 =  12     n2 дорівнює p  x    2 2  
2
 
  2
0, x  0.

10.46. Нехай 1,..., m, 1, …, n — незалежні випадкові величини, які мають нормальний
 12     m2
розподіл N(0, 1). Знайти щільність розподілу випадкової величини .
12    n2
10.47. Розподіл Стьюдента. Нехай , 1, …, n — незалежні випадкові величини, які мають
нормальний розподіл. Довести, що щільність розподілу випадкової величини
 n  1
  
t p  x  
1  2  1
,
2 2 t
 1     n дорівнює n  n  n  1 n — число степенів
   x 
2 2
n  2  1  
 n 

свободи.
10.48. Знайти щільність розподілу суми 1+2, якщо 1 та 2 незалежні, 1 має нормальний
розподіл на [0,1], а 2 рівномірно розподілена на [0,2].
10.49. Знайти щільність розподілу суми незалежних випадкових величин 1 та 2, якщо 1 має
рівномірний розподіл на [–1, 1], a 2 має показниковий розподіл з параметром .
10.50. Випадкова величина має рівномірний розподіл на відрізку [–a; a]. Знайти коефіцієнт
кореляції між: а)  та 2; б)  та 3.
10.51. Випадкові величини  та  незалежні і мають однаковий розподіл, M=M=a,
 
D=D=2. Знайти   1 ,  2 , де  1    ,  2    .
10.52. Нехай   та  попарно некорельовані випадкові величини. Чи можна стверджувати, що
некорельованими будуть випадкові величини: а)  та +? б)  та ?

34
Розділ 11. Закон великих чисел. Центральна гранична теорема
Нехай {n, n1} — послідовність незалежних випадкових величин із скінченними
математичними сподіваннями ai  M  i , i  1. Вважається, що для цієї послідовності
виконується закон великих чисел (ЗВЧ), якщо
1 n 1 n

n k 1
 k   ak  0, n   за
n k 1
ймовірністю, тобто для будь-якого >0

 1 n 1 n 
lim P 
n  n
k 
n k 1

ak     0.

 k 1
Надалі, n   , n за ймовірністю, якщо для будь-якого  0
lim P   n       0 (збіжність за ймовірністю).
n
Теорема Хінчина. Якщо {n, n1} — послідовність незалежних однаково розподілених
випадкових величин із скінченним математичним сподіванням, то для неї виконується закон
великих чисел.
Теорема Чебишева. Якщо {n, n1} — послідовність незалежних випадкових величин з
M  k  ak  , D  C  , k  1, то для неї виконується закон великих чисел.
Теорема Маркова. Якщо {n, n1} — послідовність незалежних випадкових величин з
 n 
1
M  k  ak  , lim
n   n2
D  
  i   0, то для неї виконується закон великих чисел.
 i 1 
Наслідок теореми Маркова. Якщо {n, n1} — послідовність незалежних випадкових
1
величин з M  n 2   , n  1 та lim D n  0, то для неї виконується закон великих чисел.
n  n
Нехай {n, n1} — послідовність таких незалежних випадкових величин, що

ak  M  k ,  k2  D k , Bn2    k2 , Fk  x   P { k  x}. Вважається, що для послідовності { n,

n1} виконується:
а) умова Ліндберга, якщо для будь-якого >0
n
1
lim
n Bn2
 |x  a | B  x  ak  2 dFk  x   0;
k 1 k n

n
1
б) умова Ляпунова, якщо для деякого >0 lim
n
 M |  k  ak |2 
Bn2   k  1
 0.

Центральна гранична теорема. Нехай {n, n1} — послідовність незалежних випадкових

величин із скінченними математичними сподіваннями та дисперсіями. Якщо для цієї послідовності
виконується умова Ліндберга, то
t2
 1 n  1 x 
lim P 
n    Bn
  k  ak   x 
 2  e 2 dt  *  x.
 k 1
Якщо послідовність {n, n1} задовольняє умову рівномірної малості, тобто для довільного
 1 
>0 max P  |  k  ak |    0, n   і виконується центральна гранична теорема, то
1 k  n
 Bn 
виконується умова Ліндберга.
Наслідок 1. Для послідовності незалежних однаково розподілених випадкових величин із
скінченними другими моментами виконується центральна гранична теорема.

35
 Наслідок 2. Якщо для послідовності {n, n1} виконується умова Ляпунова, то
справджується і центральна гранична теорема.

Приклад розв’язання задач

Задача 1. Нехай {n, n1} — послідовність незалежних випадкових величин, причому n набуває
значення 2n та –2n з імовірністю ½. Чи виконується для цієї послідовності закон великих чисел?
Розв’язок. Обчислимо математичне сподівання та дисперсію випадкової величини n. Маємо
1 1
M  n  0; D n  22n   22n   4n . Теореми Чебишева та Маркова до цієї послідовності
2 2
випадкових величин застосовувати неможливо. Оцінимо ймовірність
|      n  |     n 
P 1    P 1   |  n  1  2n  1 ,  n  2n  
 n   n 
 n 1 
 
n
1 |     n  2  2 2  1
 P  n  1  2n  1 ,  n  2n  P  1     , n  .
4  n  4
Таким чином, закон великих чисел не виконується для даної послідовності.
Задача 2. Нехай {n, n1} — послідовність незалежних однаково розподілених випадкових
величин із нульовим математичним сподіванням і скінченною дисперсією: Sn   1     n .
 Sn 
Знайти  2  D k , якщо lim P   1  0,4.
n  n 
Розв’язок. Для даної послідовності випадкових величин справджується центральна гранична
 Sn  S 
теорема, тобто lim P   x    *  x  . Тоді lim P  n  x   1   *  x  . За таблицею 2
n n  n    n 
1
додатку знаходимо, що 1   *  x   0,5   x   0,4 при x=0,26. Таким чином,    3,85
x
та  2  14,82.

Задачі
11.1. Встановити, чи буде виконано умови застосування закону великих чисел для
послідовності незалежних випадкових величин із розподілом:
а) P { n  2n }  2( 2n  1) , P { n  0}  1  22n ;
1 1
б) P { n   n }  , P { n  0}  1  ;
2n n
1 1
в) P { n  n}  , P { n  0}  1  ;
2 n n
1 1
г) P { n  n}  2
, P { n  0}  1  2 ;
2n n
1 1
д) P { n  n}  , P { n  0}  ;
4 2
е) P { n  n}  2 , P { n  0}  1  2n  1 ;
n

1
є) P { n   ln n }  .
2

11.2. При яких значеннях параметра  до послідовності незалежних випадкових величин 1,
2, … таких, де Р{n=n}=1/2, можна застосувати закон великих чисел?
11.3. Нехай {n, n1} — послідовність незалежних випадкових величин, що мають
рівномірний на відрізку [0, 1]. Довести, що
1


n 
n
n  en

  k   1, n   за ймовірністю.
 k 1  

36
11.4. Нехай {n, n1} — послідовність незалежних випадкових величин, що мають
1
 n n
показниковий розподіл з параметром 1. Довести, що випадкова величина  n    k 

k  1 

збігається за ймовірністю, і знайти границю.
11.5. Для дійсної неперервної на [0,1] функції f  x  обчислити
1 n  x1    x n 
1

n   0
lim   f dx1  dxn .
0  n 
1 n 1  m
11.6. Обчислити границю lim    exp   x1    xn  dx1  dxn .
n 0 0  n
2m 
1 n 1
11.7. Обчислити границю lim   0 sin  x1    xn  dx1  dxn .
n 0 2n
1n 1

n 0
11.8. Обчислити границю lim   ln n x1    x n dx1  dxn .
0
11.9. Послідовність незалежних випадкових величин 1, 2, …, n, … задана законом
розподілу:
n a -a
P n n1
2n  1 2n  1
Чи можна застосувати до цієї послідовності: а) закон великих чисел?
б) центральну граничну теорему?
11.10. При яких  для послідовності незалежних випадкових величин із задачі 11.2
виконується центральна гранична теорема?
11.11. Нехай {n, n1} — послідовність таких незалежних випадкових величин, що
1
M  n  0, P { n  2n }  . Чи виконується для цієї послідовності центральна гранична
2
теорема?
11.12. Нехай {n, n1} — послідовність незалежних однаково розподілених випадкових
величин, які мають пуассонівський розподіл з параметром . Знайти

 n 
 
 i 1
  2i  1   2i  

lim P   x .
n
 n 
 
 

37
Розділ 12. Вибірка та її основні характеристики. Емпірична функція
розподілу, гістограма
Випадковою вибіркою об’єму n (чи вибіркою) називається випадковий вектор 1, 2, …, n,
де i — незалежні і однаково розподілені F  x   P { i  x},i  1, 2,  , n. Іноді кажуть, що
вибірка 1, 2, …, n добута з генеральної сукупності випадкової величини з функцією розподілу
F(x). Реалізацію вибірки будемо позначати відповідно X=(x1, x2, …, xn).
Розташуємо величини x1, x2, …,xn у порядку зростання: x(1)x(2) …x(n), де
x  1  min{x1 , x2 ,  , xn },x  2  друга за величиною серед x1 , x 2 ,  , x n ,
x  n   max{x1 , x2 ,  , xn }. Позначимо через (k) випадкову величину, яка для кожної реалізації
X вибірки  набуває значення x(k), k=1,2, …,n. Отримали нову послідовність випадкових величин
(1), (2), …, (n), які називаються порядковими статистиками. Причому вони задовольняють
нерівність:
  1    2      n  .
Ця послідовність називається варіаційним рядом вибірки.
Позначимо через n(x) випадкову величину, рівну числу елементів вибірки 1, 2, …, n),
vn  x 
значення яких менші x, і позначимо, Fn*  x  
. Функція Fn*  x  називається емпіричною
n
функцією розподілу. Її можна використовувати як оцінку функції F  x  . Легко бачити, що
n 1
Fn*  x  — випадкова величина, яка набуває значення {1; 2; …; ; 1} з імовірністю:
n
 k
P Fn*  x     Cnk F  x 
n
  k 1  F  x   n  k .
 
Для кожної реалізації X вибірки  функція Fn*  x  задовольняє всі властивості функції
розподілу: змінюється від 0 до 1, неперервна зліва, неспадна.
Якщо всі компоненти вектора X різні, то

0, якщо x  x1 ,


k
Fn  x   , якщо x k  x  x k1 ,
*

n
1, якщо x  x n .
Якщо деякі компоненти вектора X повторюються, то реалізацію вибірки зручніше задавати
таблицею (статистичний ряд):
Значення y1 y2 … ys
Частота m1 m2 … ms ,
де y1, y2, …, ys — різні значення даних варіаційного ряду x(1)x(2) …x(n), а mi — кількість
повторів значення yi у цьому ряді, i=1, 2, …, s. Легко бачити, що m1+m2+…+ms=n. Тоді

0, якщо x  y1,

m  m    m

Fn  x    1 2
* k
, якщо yk  x  yk 1,
 n
1, якщо x  ys .
 
Теорема Гливенка. P nlim supFn*  x   F  x   0  1.
  x 
Теорема Колмогорова. Якщо F(x) — неперервна, тоді для будь-якого t>0

38
 
 
lim  n supFn*  x   F  x   t      1 k e .
 2k t
2 2

n   x  k  
Теорема Колмогорова показує, що оцінка F*n(x) дає рівномірну оцінку з точністю до величини
1
порядку .
n
Нехай тепер  неперервна випадкова величина з щільністю p(x). Для оцінки p(x) з
реалізації X=(x1, x2, …, xn) вибірки  розіб’ємо множину значень  на s інтервалів довжини hi,
i=1, 2, …, s. Нехай x i* – середина i-го інтервалу,  i – кількість елементів xj, j=1, 2, …, n, які
i
потрапили в i-ий інтервал. Тоді – оцінка щільності в точці x i* . Прямокутники з основами hі і
nhi
i
висотами , i=1, 2, …, s у прямокутній системі координат називаються гістограмою вибірки.
nhi
Якщо на гістограмі ординати відповідні x i* послідовно з’єднати відрізками прямих, то здобута
ламана буде полігоном частот. Полігон частот є також статистичним аналогом теоретичної
*
 
щільності. Для інтервальних оцінок Fn xi 
1  i 1
  mk 
n k1
mi 
.
2 

Приклад розв’язання задачі

Задача 1. Побудувати полігон частот та емпіричну функцію розподілу для вибірки, представленої
статистичним рядом:

yi 1 4 6
mi 10 25 15
Розв’язок. На малюнку 12.1 зображено полігон частот, а на малюнку 12.2 — емпіричну функцію
розподілу.

39
Задачі
12.1. Записати вибірку 4, 2, 10, 3, 5, 4, 4, 10, 7, 3, 2, 4, 3, 5, 2 у вигляді: а) варіаційного; б)
статистичного ряду.
12.2. Побудувати емпіричну функцію розподілу та полігон частот для вибірки, поданої у вигляді
таблиці частот:
а)
yі 2 5 7 8
mі 1 3 2 8
б)
yі 0 1 2 3 4 5 7
mі 8 17 16 10 6 2 1
12.3. Побудувати емпіричну функцію розподілу, гістограму та полігон частот вибірки, поданої у
вигляді таблиці частот:
а)
Інтервал [–3;–2) [–2;–1) [–1;0) [0;1) [1;2) [2;3) [3;4) [4;5)
mі 3 10 15 24 25 13 7 3
б)
Інтервал [0,2;2,2) [2,2;4,2) [4,2;6,2) [6,2;8,2) [8,2;12,2)
mі 70 20 4 3 3
12.4. Нехай =(1, 2, …, n) — вибірка з рівномірного на відрізку [a, b] розподілу. Довести, що
n n  1
сумісна щільність розподілу (1) та (n) має вигляд p x, y   y  x  n 2 , a  x  y  b.
 b  a n

Знайти M  ( 1) , M  ( n) , D ( 1) , D ( n) , cov( ( 1) , ( n) ).

40
Розділ 13. Оцінювання невідомих параметрів розподілів. Класифікація
оцінок. Вибіркове середнє та дисперсія, мода, медіана
Нехай =(1, 2, …, n) — вибірка з генеральної сукупності з розподілом F  x,   . Причому
функція розподілу спостережуваної випадкової величини  F  x,   має відому функціональну форму,
але залежить від невідомого параметра . Цей параметр може бути будь-якою точкою заданої
параметричної множини .
Завдання оцінювання таке: використовуючи статистичну інформацію, яка міститься у вибірці 
зробити статистичні висновки про справжнє значення 0 невідомого параметра. Далі будь-яку функцію
від вибірки будемо називати статистикою. При цьому множиною визначення статистики є вибірковий
простір Rn, а множиною значень — .
При точковому оцінюванні параметра необхідно знайти таку статистику h  h   , значення якої
при заданій реалізації X=(x1, x2, …, xn) вибірки  приймають за наближене значення параметра 0. У
цьому випадку функцію h() називають оцінкою параметра 0. Для того, щоб порівнювати різні оцінки і
вибрати кращу, є така класифікація їх.
 
Означення 1. Оцінка   h   параметра  називається незміщеною, якщо M   . Якщо
 
M    b  , то величину b  будемо називати зсувом оцінки  .

Означення 2. Послідовність оцінок  n  h  1 ,  ,  n  , n  1,2,  параметра  називається

спроможною, якщо  n 
P
 , n  .

Означення 3. Послідовність оцінок  n  h  1 ,  ,  n  , n  1,2,  параметра  називається

сильно спроможною, якщо  n   з імовірністю одиниця при n  .

Означення 4. Послідовність оцінок  n  h  1 ,  ,  n  , n  1,2,  параметра  називається
асимптотично нормальною, якщо

    
n  n    N 0,  2 , n  , тобто  n має нормальний
  2 
розподіл N  0, .

 n 
 
Символ P означає збіжність за ймовірністю: lim P  n      0, для будь-якого   0, а
n 

символ  означає слабу збіжність функцій розподілів.

Позначимо клас усіх незміщених оцінок параметра  через M0. Додатково припустимо, що

дисперсії всіх оцінок з класу M0 скінченні: D  M       для будь-якого   M 0 .
  2

  
D *  inf D .
Означення 5. Оцінка * параметра  називається оптимальною, якщо M 0

Незміщеною, сильно спроможною та асимптотично нормальною оцінкою математичного

1 n
сподівання є вибіркове середнє    i .
n i 1
1 n
Через x  
n i 1
x i будемо позначати реалізацію цієї оцінки. Вибіркове середнє для дискретного

1 s s
статистичного ряду підраховується за формулою x   yi mi , n 
n i 1
 mi . Вибіркове середнє для
i 1
s
1 y  yi 1
інтервального статистичного ряду підраховується за формулою x  
n i 1
yi* mi , де yi*  i
2
–

середина інтервалу  yi , yi  1  .

S2 
1 n
  i    2 — незміщена оцінка дисперсії  2 .
n  1 i 1
1 n
S2  
n i 1
i    2 — зміщена оцінка  2
.

41
 Якщо математичне сподівання a відоме, то незміщеною, сильно спроможною і асимптотично
1 n
2
нормальною оцінкою дисперсії є оцінка S     i  a 2 .
n i 1
Розв’язок xр рівняння F  x   p, де p   0, 1 , називається p-квантиллю розподілу F  x  .
При p=0,5 квантиль називають медіаною розподілу. Вибірковою p-квантиллю Zn, p називають
порядкову статистику

 np 1 , якщо np дробове,

Zn, p  
 np , якщо np ціле.
Zn, p — це елемент вибірки, зліва від якого знаходиться частка
np  p спостережень і Zn, p —
n
порядкова статистика з максимальним номером, що задовольняє цю властивість. Величина Zn,1 / 2
називається вибірковою медіаною.
Реалізацію величини Zn, 1/ 2 позначають Me. Для дискретних статистичних рядів:

xm , при n  2m  1,

Me   xm  x m1
 , при n  2m.
 2
Для інтервальних статистичних рядів:
n i 1

2 k 1
mk
Me  yi  hi ,
mi
де yi — початок медіанного інтервалу, тобто такого, якому відповідає перша з нагромаджених частот, що
перевищує половину всіх спостережень, hi — довжина інтервалу, mi — частота медіанного інтервалу.
Мода — це елемент, який найчастіше трапляється у вибірці. Для дискретного статистичного ряду:
Mo  yk , якщо mk  max mi .
i
Для інтервального статистичного ряду:
mi  mi  1
Mo  yi  hi ,
2mi  mi  1  mi  1
де yi — початок інтервалу з найбільшою частотою, mi — частота i-го інтервалу.

Приклад розв’язання задачі

Задача 1. Обчислити вибіркове середнє, дисперсію, моду, медіану для вибірки:
Інтервал [–2; 0) [0; 4) [4; 6) [6; 10]
mi 5 10 20 15
Розв’язок. Вибіркове середнє для інтервального статистичного ряду
1 s * 1
x  
n i 1
yi mi 
50
  1  5  2  10  5  20  8  15  4,7.

M2 
1 s *2

n i 1
 
yi mi 
1
50
 
  1 2  5  22  10  52  20  82  15  30,1.

S 2  M 2   x  2  30,1   4,7 2  8,01.

42
  n 50
S2  S2   8,01  8,17.
n 1 49
25  15
Me  4  2   5.
20
20  10
Mo  4  2   5,33.
40  10  15

Задачі
13.1. Обчислити незміщені оцінки математичного сподівання та дисперсії, вибіркову медіану та моду
для вибірки:
yi 12 14 16 18 20 22
mi 5 15 50 16 10 4
13.2. Обчислити вибіркове середнє і дисперсію, моду, медіану для вибірки:
Інтервал [2, 4) [4, 6) [6, 10) [10, 16) [16, 20)
mi 2 8 35 40 15
13.3. Побудувати емпіричну функцію розподілу, полігон частот. Знайти моду, медіану, вибіркове
середнє та дисперсію для вибірки:
yi 0 1 3 5 6
mi 5 2 4 4 5
13.4. Нехай 1,2,…,n — вибірка з генеральної сукупності з нормальним розподілом N a,  2 .  
n
1 
Довести, що статистика T 
n
  i  a є незміщеною оцінкою параметра  (a — відомий
2 i 1
параметр).
13.5. Нехай 1 та 2 — два спостереження випадкової величини  з нормальним розподілом

N(0, 2). Показати, що статистика T      1   2 — незміщена оцінка , =(1, 2).
2
13.6. Нехай 1 та 2 — два спостереження випадкової величини  з нормальним розподілом

 
N a,  2 . Показати, що статистика T    

 1   2 — незміщена оцінка , =(1, 2).
2
13.7. Нехай =(…n) — вибірка з генеральної сукупності з рівномірним на відрізку  a, b
розподілом. Побудувати незміщені оцінки параметрів a, b, а також незміщені та спроможні оцінки
ab
параметрів , b  a.
2
13.8. Нехай =(1, 2, …, n) — вибірка з генеральної сукупності з рівномірним розподілом на
відрізку [0; 2]. На який коефіцієнт треба домножити статистику T     1max
i n
 i  min  i ,
1 i  n
щоб отримати незміщену оцінку параметра ?
13.9. Нехай =(1, 2, …, n) — вибірка з генеральної сукупності з рівномірним розподілом на
відрізку [; +1]. Побудувати незміщену оцінку параметра .

0, x   ,
13.10. Нехай =( ,  , …,  ) — вибірка з генеральної сукупності з щільністю p x,  
1 2 n
  x 
e , x   .
 1 1
Довести, що оцінка  n  min  i     1  є незміщеною оцінкою параметра .
1 i  n n n

43
Розділ 14. Ефективні оцінки. Достатні статистики
Нехай L(X, ) — щільність розподілу вибіркового вектора =(1, 2, …, n), X  R n ,    (або
ймовірність у дискретному випадку). Якщо  вибірка з генеральної сукупності з розподілом F  x,   ,
n
то L  X ,     p xk ,  , 
де p x k ,   — щільність випадкової величини (або ймовірність у
k 1
дискретному випадку). Функція L(X, ) називається функцією правдоподібності.
2

Функцію I    M  
ln L   ,   називають кількістю інформації за Фішером. У разі,
  
якщо 1, 2, …, n — незалежні однаково розподілені випадкові величини з щільністю p x,   ,
2
  
I    nI 1    nM  ln p ,    .
  

Нехай для деякої функції h  існує незміщена оцінка h    .
Теорема (нерівність Крамера-Рао). Нехай функція L(X,) двічі диференційована за  і
2
 2 
M ln L   ,    , M ln L   ,    , M ln L   ,    ,
  2 
функція h  диференційована і
  
Dh      ,  h X  L X ,   dX  ,
Rn 
тоді

Dh    
 h'     2 .
I  
Нерівність перетворюється в рівність тоді і тільки тоді, коли
 ln L  ,  



  A  h     h  
з імовірністю одиниця, де
I  
A    .
h'  
Якщо h    , то M  h        I 1   .
 2

 
Нехай тепер h    зміщена оцінка  і Mh       b . Тоді

Dh    
1  b '     2 .
I  
Якщо нижня межа нерівності двох останніх нерівностей для незміщеної чи зміщеної оцінки
відповідно досягається, то така оцінка називається ефективною.
Статистика T(називається достатньою для невідомого параметра , якщо умовна щільність (або
ймовірність у дискретному випадку) L  X | t ;   випадкового вектора при умові T()=t не залежить від
.
Це означає, що статистика T містить усю інформацію про параметр , що є у вибірці. Достатня
статистика задає оптимальний спосіб зображення статистичних даних, що особливо важливо при обробці
великих масивів статистичної інформації. Потрібно знайти достатню статистику мінімальної вимірності,
що подає дані в найбільш стиснутому вигляді. При цьому йдеться про мінімальну достатню
статистику. Очевидно вибірка  є достатньою статистикою, але ця статистика тривіальна, оскільки не
скорочує даних.

45
 Теорема (критерій факторизації). Для того, щоб статистика T() була достатньою, необхідно і
достатньо, щоб функція правдоподібності мала вигляд:
L  X ,     T  X  ,   h X  ,
де функції h X  i T  X  не залежать від .

Приклади розв’язання задач

Задача 1. Знайти оцінку параметрів нормального розподілу.
Розв’язок. Нехай =(1, 2, …, n) — вибірка з генеральної сукупності з нормальним розподілом
N  a,   . Розглянемо два випадки.
1) a — невідомий параметр, а дисперсія  відома. Тоді
n

n
  xk  a  2
L X , a    2 
  k 1
2
e 2 ,
n

n
  x k  a 2
ln L  X , a   ln  2   , k 1
2 2
 ln L  X , a 1 n n1 n  n
a  k 1
   n k 1

  x  a    x k  a    x  a .
  

 ln L   , a n
Тобто
a


 a.  
 2 ln L  , a n 
Підрахуємо тепер I  a : I  a   M  , D  .
2
a  n
 ln L  , a 1 n
Отже, D  I 1
 a і
a
 
 I  a   a . Таким чином, оцінка     k параметра
n k 1
a ефективна. Крім того, вона сильно спроможна і асимптотично нормальна.
2) a — відомий параметр, а дисперсія  невідома. Аналогічно,
n

n n
   k  a 2
ln L  ,     ln  2   ln   k 1
,
2 2 2
 ln L  ,  n  1 n 
 
n
n 1
  2    k  a 2  2 
 k  a 2     n2 S 2   .

 2 2 k 1 2  n k 1  2
Оцінка S 2 є незміщеною, сильно спроможною і асимптотично нормальною оцінкою дисперсії
.
 n 1 n  n n n
I     M  2  3
 2  k 1
  
k  a 2    2  3  2 .
 2  2
 
 ln L  , 
Отже,

 
 I   S 2   і S 2 — ефективна оцінка параметра  . Її дисперсія

2 2
DS 2  .
n
Задача 2. Знайти оцінку параметра показникового розподілу.

46
Розв’язок. Нехай 1, 2, …, n — незалежні однаково розподілені випадкові величини з
ˆ n
1  n  . n
p x,    ex , x  0, M  k  . Нехай

n
k
Випадкова величина  n   k має
k 1
k 1
n n 1
 x
розподіл Ерланга, щільність якого pn  x   ex , x  0. Тоді
 n  1 !
 n  n x n 1 x n  n
M n  0 x  n  1! e dx   n  1! 0 t e dt   n  1!  n  1 
n  2 t

n  n  2 ! n 
    ,
 n  1! n 1 n 1
 1
    x   1e x dx — гамма-функція,    1     ,     .


0
 2
ˆ 
Отже,  n — зміщена оцінка параметра  , b   . Підрахуємо I   :
n 1
n

n  k 1  k
L  ,    e ,
n
ln L   ,    n ln      k ,
k 1

 ln L   ,   n n


 
 k 1
k , 
 2 ln L  ,   n
2
 ,
 2
n
I    .
2 ˆ
Далі підраховуємо D n :
 n 2  n x n 1 x
 n 2 2  n 3 t n 2 2 n 2 2
0 x 2  n  1!  
 n  1! 0
M n2  e dx  t e dt   n  2  ;
 n  1!  n  1 n  2 
 n 2 2 n 2 2 n 2 2
D n    .
 n  1 n  2  n  1 2  n  1 2  n  2
2
 1  2
1   
Далі  1  b'    2  n  1  2n
  ;
I   n  n  1 2
 n 2 2  2n
D n   для n  3, 4,  .
 n  1 2  n  2  n  1 2
 n
n 
Отже, оцінка n
не є ефективною оцінкою параметра  .
 k 1
k

Задача 3. Знайти достатню статистику для нормального розподілу N  a,   .

1 n 1 n n
n
  xk  a  2 n
  xk  x  2  1  x  a  2

L X , a,    2    2 
   
Розв’язок. 2
e 2 k 1 2
e 2 k 1 2 k 1 .

47
  n
2
Згідно з критерієм факторизації T       ,   k    . Якщо дисперсія  відома, то достатньою

 k 1 
статистикою для параметра  буде  . Якщо ж, навпаки, a — відомий параметр, то достатньою
n
статистикою для  буде    k  a 2 .
k 1
Задача 4. Знайти достатню статистику для параметра розподілу Коші.
Розв’язок. Нехай
n
1 1 1 1
p x,    ; LX ,    2  1  x .
 1  x    2
 k 1 k   2
Для параметра  існує лише тривіальна достатня статистика   1, 2, , n  .
Задача 5. Знайти достатню статистику для параметра рівномірного розподілу на відрізку    ;   .

0, x    ;  ,
Розв’язок. p x,  

1   0,
2 , x    ;  ,
1, при x  0,
де I  x  
n
L  X ,     2   n  I   x k   I   x k  ,

0, при x  0.
k 1

Легко бачити, що функцію правдоподібності можна зобразити у вигляді

L  X ,    2  n
   
I   x( n)  I   x( 1) . Тоді достатньою статистикою для параметра  буде вектор
  1 ,   n  , де   1  1min
kn
 k ,   n   max  k .
1 k  n

Задачі
14.1. Нехай =(1,2,…,n) — вибірка з генеральної сукупності з пуассонівським розподілом
 k  
P   k  e , k  0, 1, 2,  ,  0. Показати, що статистика  n   є незміщеною та
k!
ефективною оцінкою параметра .
14.2. Нехай =(1,2,…,n) — вибірка з генеральної сукупності з розподілом Паскаля
k 
P   k  , k  0, 1,  ,   0. Показати, що статистика  n   є незміщеною та
1    k 1

ефективною оцінкою параметра .

14.3. Одновимірний вектор  набуває скінченного числа значень 0, 1, …, n з імовірністю
 
P {  x}  Cnx x  1    n  x , x  0, 1,  , n,    0; 1 . Довести, що статистика  n  є
n
незміщеною та ефективною оцінкою параметра  (біноміальний розподіл).
14.4. Випадкові величини 1,2,…,n — незалежні й однаково рівномірно розподілені на відрізку
 0,  . Показати, що   n   max  k — достатня статистика для параметра  .
1 k  n

0, x  0,
14.5. Нехай 1, 2, …, n — вибірка з генеральної сукупності з щільністю p x,      x  
e , x  0.

48
 Показати, що   n   1min
kn
 k — достатня статистика для параметра  .
14.6. Випадкові величини 1,2,…,n — незалежні й однаково розподілені з щільністю
x
1 
p x,    e  , x  0,   0. Знайти достатню статистику і записати щільність її розподілу.


49
14.7. Випадкові величини 1,2,…,n — незалежні й однаково розподілені з щільністю
p x,    C  ex , 0  x   . Знайти константу C  та достатню статистику для параметра
.
14.8. Знайти достатню статистику для параметра  пуассонівського розподілу
 k 
P {  k}  e , k  0, 1,  ,   0. Який розподіл має достатня статистика?
k!
 
14.9. Випадкова величина  має логарифмічний нормальний розподіл з параметрами a,  2 , якщо
 
  ln  має нормальний розподіл N a,  2 . Знайти щільність розподілу , M  , D . Знайти

достатню статистику для векторного параметра   a,  2 . 

50
Розділ 15. Метод моментів та метод максимальної правдоподібності
Нехай =(1, 2, …, n) — вибірка з генеральної сукупності з розподілом F  x,   , де =(1, 2,
…, s),     R s . Припустимо, що у випадковій величині , що спостерігається, є перші s моментів
 k  M  k , k  1, s. При цьому вони є функціями від невідомих параметрів :  k   k   . Нехай
X   x1 , x2 ,  , xn  — реалізація вибірки . Значення оцінок параметрів  1 , 2 ,  s за методом
моментів знаходиться в результаті розв’язку системи рівнянь:
1 n k
 k    
n i 1
xi , k  1, s.

Оцінки, знайдені методом моментів, як правило, спроможні, але часто неефективні.

Нехай спостерігається випадковий вектор =(1,  2, …,  n) з щільністю

L  X ,   , X   x1 , x2 ,  , xn   R n
і     R . Оцінкою максимальної правдоподібності  n
n

називається така точка множини  , в якій функція правдоподібності L  X ,   при заданому X набуває
максимального значення. Тобто
ˆ
L  X , n   max L  X ,  .
 

У багатьох випадках знаходять max ln L  X ,   , причому максимум досягається в тих же точках,

 

що і max L  X ,  .
 
Якщо для кожного X з вибіркового простору Rn максимум L  X ,   досягається у внутрішній
точці  і функція L  X ,   диференційована за  , то оцінка


  
 n   n 1 ,  n 2  , , n( s )  при заданій
реалізації X   x1 , x2 ,  , xn  вектора  задовольняє систему рівнянь:
L  X ,   ln L  X ,  
 0, або  0, j  1, s.
 j  j
Останні рівняння називаються рівняннями правдоподібності.
Якщо для параметра  існує достатня статистика T(X), то розв’язок рівнянь правдоподібності є
функцією від достатньої статистики.
Нехай  — скалярний параметр. Якщо для параметра  існує ефективна незміщена оцінка, то вона
збігається з оцінкою максимальної правдоподібності.

Приклади розв’язання задач

Задача 1. Нехай 1,2,…,n — вибірка з генеральної сукупності з щільністю
x2
2x 
p x,    e 2 , x  0,   0.
2
Знайти методом моментів оцінку параметра . Чи буде ця оцінка незміщеною та спроможною?
Розв’язок. Спочатку підрахуємо:
 x2  
2x 2    3 
  2 te dt    t e t dt    
t
M k  e  2 dx .
0
2 0 2 t 0
 2 2
n
 1  2 2 n

Тоді    x i і оцінкою параметра  буде  n    k . Таким чином,  n є
2 n i 1  n  k 1
незміщеною і спроможною оцінкою (закон великих чисел).
Задача 2. Задана щільність рівномірного розподілу

51
  , x    ; ,

px,    1   0.
2 , x    ; ,
Знайти методом моментів оцінку параметра .

x
Розв’язок. Математичне сподівання M k   2 dx  0 і не залежить від . Підрахуємо


x2 2 2 1 n 2
M  k2   2 dx 
3
. Отже, рівняння має вигляд
3

n i 1
xi  і оцінка параметра  буде


 3 n 2
n  i .
n i 1
Задача 3. Знайти оцінку максимальної правдоподібності для параметрів нормального розподілу
N  a,   .
n 1 n
L X , a,     2 
    xk  a  2
Розв’язок. 2
e 2 k 1 .
Рівняння правдоподібності мають вигляд:
 ln L  X , a,   1 n
   xk  a  0,
a  k 1
 ln L  X , a,   n 1 n


 
2 2 2
  xk  a 2  0.
k 1
Розв’язуючи ці рівняння відносно a і  , дістанемо:
 1 
n
1 n
a n   xk  x ,  n    xk  x  .
2

n k 1 n k 1
Знайдемо тепер другі частинні похідні:
 2 ln L  X , a,   n
  0,
a 2

n

 x  a
2

 2 ln L X , a,   n k
n
  k 1 
  n
   0,
 2
2 2  3

a  an
2 2

n n

 ln L X , a,  
2  x k  a    xk  x   n 2 n

a
 k 1

2

  n
 k 1
2
 0, оскільки   x k  x   0.
 n 2
   xk  x  
 k 1
a  an

 k 1 
Підрахуємо визначник у точці  a,    a n ,  n :  

2
 n 
 2 ln L  2 ln L
2
   xk  a  
a  n   k 1  n5
  2 a
2
   0.
 ln L  ln L 2
2 3
 4   n
 n 
3

2   x k  x  

a  an
 2  2
 k 1 

52
 ˆ
Тобто точка з координатами  aˆn , n  максимізує значення функції ln L  X , a,   , і для
параметрів  a,   оцінкою максимальної правдоподібності буде  , S 2 .  
Задача 4. Знайти оцінку максимальної правдоподібності для показникового розподілу з щільністю
p x,    ex , x  0 .
n

 x
L  X ,    n e
Розв’язок. Функція правдоподібності має вигляд
, а рівняння правдоподібності
k
k 1

 ln L  X ,   n n


 
 k 1
xk  0. 
 n
n  n
.  2 ln L  X ,  n 
Отже, Оскільки   0, то  n — точка максимуму функції
xk 1
k  2
 2

1
ln L  X ,   . Таким чином, оцінкою максимальної правдоподібності параметра  буде . Ця оцінка

є зміщеною і неефективною. Зауважимо, що коли показниковий розподіл задається у вигляді
x
1 
p x,    e  , x  0,


то оцінка максимальної правдоподібності  n   буде незміщеною і ефективною.

Задачі
15.1. Використовуючи метод моментів, знайти за вибіркою , 2, …, n, де
m 
P { k  m}  e , m  0, 1,  , оцінку  n параметра  . Чи буде оцінка незміщеною,
m!
спроможною? Знайти також оцінку максимальної правдоподібності параметра  .
15.2. Нехай 1,2,…,n — вибірка з генеральної сукупності з рівномірного на відрізку    ,  
pозподілу. За допомогою методу моментів знайти оцінку параметра  2 . Чи буде ця оцінка
незміщеною і спроможною?
15.3. Побудувати за допомогою методу моментів спроможні оцінки параметрів a і b за
результатами n незалежних спостережень випадкових величин , 2, …, n, кожна з яких має
нормальний розподіл N  0, 1 або N  a, 1 з імовірністю b і 1  b відповідно.
15.4. Нехай , 2, …, n — вибірка з генеральної сукупності з щільністю
x3
 k  , оцінку параметра  методом
p x,   k  x e 2 3 , x  0,  0. Знайти функцію
моментів. Чи буде оцінка незміщеною та спроможною? Чи збігається вона з оцінкою максимальної
правдоподібності?
15.5. Методом максимальної правдоподібності за вибіркою 1, 2, …,n знайти оцінку невідомого
m
параметра  розподілу Паскаля P {  k}  , m  0, 1,  ,   0. Яким властивостям
  1 m 1
відповідає ця оцінка?
15.6. Нехай , 2, …, n — вибірка з генеральної сукупності з щільністю
m

p x,  , m  x m 1e x , x  0,   0, m  0. Знайти оцінку невідомих параметрів  і
 m
m за допомогою методу моментів. Нехай при n  10 , 2, …, n набули таких значень: 0,1;
0,4; 0,5; 0,7; 0,6; 0,1; 0,05; 0,8; 0,15; 0,1. Обчислити значення оцінок.
15.7. Методом максимальної правдоподібності за вибіркою =(, 2, …, n) з генеральної сукупності
 
з розподілом N  ,  2 знайти оцінку параметра  .
15.8. Методом максимальної правдоподібності знайти оцінку параметра  біноміального розподілу
(див. задачу 14.3). Яким властивостям відповідає ця оцінка? Чи буде вона збігатися з оцінкою
методу моментів?

53
 
15.9. Методом максимальної правдоподібності знайти оцінку параметрів a,  2 логнормального 
розподілу (див. задачу 14.9).
15.10. Показати, що оцінкою максимальної правдоподібності для рівномірного на  0;   розподілу

 , 0  x   ,
p x,   

служить  n  max  i ,

0, x  0, .
1 k  n

15.11. Методом максимальної правдоподібності знайти оцінку параметра  розподілу

  1 m
P { k  m}  ,   1, m  0, 1,  . Чи буде ця оцінка незміщеною та ефективною?
 m 1

0, x  1,

15.12. Нехай 1, 2,…, n — вибірка з генеральної сукупності з щільністю p x,     1  1
    , x  1,  0.
 x
Знайти оцінку максимальної правдоподібності для параметра . Чи буде вона спроможною?

54
Розділ 16. Надійні інтервали
Нехай  — вибірковий вектор об'єму n, P — розподіл вектора , який залежить від невідомого
параметра . При інтервальному оцінюванні невідомого параметра  шукають такі дві статистики
h1    і h2 (  ), в яких h1  h2 і для яких при заданому  1      0, 1 виконується умова:
P {h1       h2    } 1   .
Тоді інтервал  h1    , h2    називається (1–-надійним інтервалом, імовірність 1– —
рівнем надійності, а h1    і h2    — нижньою та верхньою межами надійності.
 C  C 
Інтервал  n  , n  — асимптотично найкоротший (1–-надійний інтервал.



I n

I  n     
Значення величин C подано у таблиці 4 додатка.
Надійні інтервали для нормального розподілу
1. Надійний інтервал для математичного сподівання при відомій дисперсії:
 
  C  a    C .
n n
2. Надійний інтервал для дисперсії  2 , якщо математичне сподівання a відоме:
nS 2 nS 2
2  ,
 12  22
1 n
2
де S    k  a 2 , числа  12 і  22 такі, що
n k 1


P  2  n   12   
2

і P   n   2 
2 2 
2
(таблиця 5 додатка).

3. Надійні інтервали для дисперсії a та  2 у випадку, якщо обидва параметри невідомі:

 
S S
  ta  a    ta ,
n n
 
 n  1 S 2   2   n  1 S 2
,
 22 12
 
де t знаходиться з таблиці Стьюдента (табл. 6 додатка) так, щоб P tn  1  t  1   , де k  n  1 -

число степенів свободи,


S2 
1 n

n  1 k 1
 2
  
 k   , P  2  n  1   12 

2
 
і P   n  1   2 
2 2 
2
(таблиця 5 додатка).

Приклад розв'язання задачі

Задача 1. Нехай =(1, 2, …, n) — вибірковий вектор з генеральної сукупності з розподілом Пуассона з
параметром . Побудувати (1–-надійний інтервал.
Розв’язок. За умовою задачі
n

k  xk
  
P  k  k  e , k  0, 1, . L  X ,   e n n , X   x1 , x2 ,  , xn 
k 1

k! —
 xk !
k 1
реалізація вектора .
 ln L  X ,   n 2 n
  x   , ln L  X ,     2 x .
   2

Оцінка максимальної правдоподібності знаходиться з рівняння:

55
   2
n n
 
n
n 1

    0 і n   
n
  , I    M 
i 1
i 2
ln L  ,     .
2 
Тоді (1–-надійний інтервал для параметра буде таким:
 
  C      C .
n n

Задачі
16.1. Побудувати надійний інтервал для параметра  біноміального розподілу
P   k  Cnk k  1    n , k  0, 1,  , n;    0; 1 .
16.2. Проведено 100 незалежних спостережень, у результаті яких подія A спостерігалась 40 разів.
Визначити надійний інтервал для ймовірності виникнення події A при 1– = 0,95, якщо число
виникнень події A має біноміальний розподіл.
16.3. На телефонній станції проводились спостереження за числом нeправильних з’єднань за
хвилину. Спостереження протягом години дали такі результати:
xk 0 1 2 3 4 5 7
mk 8 17 16 10 6 2 1
Припускаючи, що число правильних з’єднань за хвилину має пуассонівський розподіл, знайти
надійний інтервал для математичного сподівання розподілу з надійністю 0,99.
16.4. Побудувати надійний інтервал для параметра  нормального розподілу N  , 4 2 .  
16.5. Побудувати надійний інтервал для параметра  за вибіркою =(1, 2, …, n) з генеральної
сукупності з розподілом:
m
а) P  k  m  , m  0, 1,  ,  0;
 1    m 1
б) P  k  m 
  1 m
, m  0, 1,  ,   1.
 m 1
16.6. Знайти надійні інтервали для параметрів a і 2 нормального розподілу за вибіркою:
а) 0,6; 2,4; 2,1; 1,4; 1,2; 4,8; 0,9; 1,1; 3,5; 3,0; 0,5; 2,5.
б) 0,2; 0,5; 1,0; 1,5; 0,8; 1,0; 2,0.
Для параметра a: 1–=0,95; для 2: 1–=0,9.
16.7. Знайти надійний інтервал для математичного сподівання нормального розподілу N a,  2 ,  
2
якщо n  25, x  16,8;   25, 1    0,99.
16.8.
ˆ
Знайти надійний інтервал для дисперсії нормального розподілу  
N a,  2 , якщо
n  20, S 2  10, 1    0,9.
16.9. За вибіркою з нормального розподілу
xk -2 1 2 3 4 5
mk 4 3 4 6 2 1
з надійністю 0,95 знайти інтервальні оцінки для параметра a, якщо:
а) 2=4; б)  — невідоме.
Знайти також надійний інтервал для 2, якщо:
а) a=2; б) a — невідоме; 1–=0,9.
16.10. Побудувати надійний інтервал для параметра  за вибіркою 1,2,…,n з генеральної
x
сукупності з щільністю p( x,  )  1 e  , x  0,   0.



16.11. Для з’ясування використання програмного забезпечення Microsoft у місті довільно
вибрано 100 фірм. Обстеження показало, що 80 фірм використовують програмне
забезпечення. Побудувати 0,95-надійний інтервал для частки фірм, що використовують
програмне забезпечення Microsoft у місті.

56
Розділ 17. Перевірка статистичних гіпотез. Критерії згоди
Статистичною гіпотезою називається будь-яке твердження про вигляд або властивості розподілу
випадкових величин, що спостерігаються в експерименті. Правило, згідно з яким гіпотеза H0, що
перевіряється, приймається чи відхиляється, називається статистичним критерієм для перевірки гіпотези
H0. Наведемо декілька прикладів статистичних гіпотез.
1. Гіпотеза про вигляд розподілу. Нехай =(1, 2, …, n) — вибірка з генеральної сукупності з
невідомою функцією розподілу F  x  . Тоді H 0 : F  x   F  x  , де F  x  повністю задана, або
H 0 : F  x   M , де M   F  x,   ,   — задане сімейство функцій розподілу.
2. Гіпотеза однорідності. Нехай маємо k вибірок =(1, 2, …, n), i  1, k з генеральних
сукупностей з функціями розподілу Fi  x  , i  1, k. Потрібно перевірити гіпотезу про те, що це
спостереження над однією і тією ж випадковою величиною, тобто H 0 : F1  x   F2  x     Fk  x  .
3. Гіпотеза незалежності. Одночасно спостерігаються дві випадкові величини  та ,
F  ,    x, y — невідома їхня сумісна функція розподілу. Потрібно перевірити гіпотезу про те, що  та
 — незалежні випадкові величини, тобто H 0 : F  ,    x, y  F  x  F   y .
Розглянемо методи перевірки гіпотез описаних вище типів. У всіх випадках формулювалася лише
одна гіпотеза H0, і необхідно перевірити, чи узгоджуються статистичні дані з цією гіпотезою, чи ні.
Відповідні критерії називаються критеріями згоди. Якщо гіпотеза H0 однозначно фіксує розподіл
спостережень, то гіпотеза називається простою, у протилежному випадку — складною. У наведених
вище прикладах лише гіпотеза H 0 : F  x   F  x  є простою.
Опишемо основний процес, який використовується при побудові критерію згоди. Вибирається
деяка статистика T  T    , яка є мірою розбіжності статистичного й теоретичного законів розподілу і
називається статистикою критеріїв або критерієм. Далі знаходиться розподіл критерію T в
припущенні, що розподіл спостережень збігається з гіпотетичним. Визначимо тепер таке число T , щоб
P T  T / H 0    , де  — достатньо мале число. Число  називається рівнем значущості критерію.
Якщо значення міри розбіжності T , обчислене за спостереженнями, більше або рівне T T  T ,
 

тоді відхилення від теоретичного закону вважається значущим, і гіпотеза відхиляється. Якщо ж T  T ,
то відхилення не вважається значущим, тобто дані експерименту не суперечать гіпотезі.
Критерій Колмогорова про вигляд розподілу. Критерій Колмогорова застосовується в тих
випадках, коли F(x) — неперервна функція. Статистикою критерію вибирається величина
Dn  Dn     n sup Fn*  x   F  x  ,
x

де Fn*  x  — емпірична функція розподілу. За заданим рівнем значущості  знайдемо таке число , що
P  Dn   / H 0   1  K      .
У таблиці 8 додатка наведено значення  для різних . Отже, одержимо таке правило перевірки
гіпотези H0. Нехай n  Dn  X  — величина Dn    , обчислена за реалізацєю вибірки
X   x1 , x2 ,  , xn  . Якщо n   , то гіпотеза H0 відхиляється, а при n   — приймається.

57
 Критерій згоди  2 про вигляд розподілу. Цей критерій можна використовувати для будь-яких
розподілів. Розіб’ємо множину всіх можливих значень спостережуваної випадкової величини  на r
інтервалів  1 ,  2 , ,  r , що не перетинаються. Якщо спостерігається дискретна випадкова
величина, то  i , i  1, r — це різні значення цієї величини. Нехай vi — число елементів вибірки, що
потрапили в інтервал  i , Pi  P    i / H 0 . Статистикою критерію  2 вибирається величина
r
 vi  npi  2
 n2   npi
.
i 1
Критерій перевірки гіпотези H0 будується таким чином. Обчисливши значення  n2 і вибравши
рівень значущості , за таблицею  2 -розподілу (таблиця 5 додатка) визначимо величину
 
 r2 1,  : P  2  r  1   r2 1,    . Якщо  n2   r21,  , то гіпотеза H0 відхиляється, якщо ж
 n2   r21,  , то гіпотеза приймається.
Критерій  2 можна використовувати для перевірки складних гіпотез. Нехай за вибіркою =(1,
2, …, n) потрібно перевірити гіпотезу H 0 : F  x   M , де M   F  x,   ,    — задане
сімейство розподілу. Невідомий параметр  оцінюється за вибіркою і в статистику  n2 підставляються
 
 
ймовірності pi , підраховані через F x, n , де  n — оцінка . Тоді граничний розподіл  n2 буде
 2 -розподіл з  r  l  1 степенями свободи, де l — розмірність параметра . Далі критерії перевірки
2 2
гіпотези будуються аналогічно наведеному критерію. Якщо  n   r  l  1,  , то гіпотеза H0 відхиляється,
2 2
якщо ж  n   r  l  1,  , то гіпотеза приймається.
Нехай =(1, 2, …, n) і =(1, 2, …, n) — дві вибірки з генеральних сукупностей з невідомими
функціями розподілу F1  x  та F2  x  відповідно. Потрібно перевірити гіпотезу про те, що це
спостереження над однією і тією ж випадковою величиною, тобто H 0 : F1  x   F2  x  .
Критерій однорідності Смирнова—Колмогорова. Цей критерій використовується лише для
неперервних розподілів. За міру розбіжності приймається величина
nm
nm  sup Fn*1  x   Fm
*
2 x , де Fn*1  x  , Fm
*
2  x  — емпіричні функції розподілу,
n  m x
побудовані за першою і другою вибірками. При n  , m   розподіл випадкової величини nm
збігається до розподілу Колмогорова. Далі критерії будуються аналогічно критерію Колмогорова. За
заданим рівнем значущості  знайдемо табличне число  (таблиця 8 додатка). Якщо  nm   , то
гіпотеза H0 відхиляється, а при  nm   — приймається.
Критерій однорідності  2 . Цей критерій можна використовувати для перевірки даних, які
мають дискретну структуру. Окрім того, за допомогою цього критерію можна перевіряти однорідність
будь-якого скінченного числа вибірок (за критерєм Смирнова—Колмогорова можна порівнювати лише
дві вибірки). Нехай проведено k послідовних серій незалежних спостережень, які складаються з n1, n2,
…nk спостережень. При цьому в кожному експерименті може виникнути один з l наслідків, ij — число
l
виникнень i-го наслідку в j-й серії. n j    ij , n  n1  n2    nk — загальна кількість об’єм
i 1
спостережень. Потрібно перевірити гіпотезу H0 про те, що всі спостереження проводилися над однією і
тією ж величиною. Статистикою критерію є величина

58
 2
  n 
  i 0 j 
l k  ij n  k
  ; v 
 n2 n   i 0n j
i0  vij .
i 1 j 1 j 1

У таблиці  2 -розподілу (таблиця 5 додатка) за заданим  і числом степенів свободи

m   l  1 k  1 знаходимо число  m
2 2 2
 2 2

,  : P   m   m,    . Якщо  n   m,  , то гіпотеза H0

відхиляється, якщо ж  n2  2
m , , то гіпотеза приймається.
Критерій незалежності  2 . Критерій  2 дає змогу перевіряти також гіпотезу про незалежність
двох випадкових величин та . Статистикою критерію є величина
l k vij  mij 2
2   mij
,
i 1 j 1
де vij — число випадків, коли одночасно спостерігалися =xi та =yj (для неперервних випадкових
величин i та j — номери відповідних інтервалів),
vi 0 v0j l k
mij 
n
, v0j  vij ; vi 0   vij ; 
i 1 j 1
l k
l і k — число значень, яких набувають випадкові величини  та ; n    vij — обсяг вибірки.
i 1 j 1
2
Вибір табличного значення   l  1 k  1 ,  і прийняття рішення проводиться аналогічно описаній вище
процедурі для критерію однорідності  2 .

Приклади розв’язання задач

Задача 1. Нехай вибірку подано у вигляді таблиці частот:
Інтервал [0; 1) [1; 2) [2; 3) [3; 4) [4; 5) [5; 6) [6; 7) [7; 8) [8; 9) [9; 10]
mi 35 16 15 17 17 19 11 16 30 24

1, x  10,
x

Перевірити гіпотезу H : F  x    , x  0, 10, (рівномірний розподіл на [0; 10], =0,05.
0 
10
0, x  0,
Розв’язок. Нехай xi* — середина i-го інтервалу. Емпіричну функцію розподілу Fn*  x  можна
підрахувати за формулою:

 
Fn* xi* 
1  i  1

n  k 1


mk  0,5mi  .


Усі результати обчислень наведемо у таблиці (n=200):
Інтервал [0; 1) [1; 2) [2; 3) [3; 4) [4; 5) [5; 6) [6; 7) [7; 8) [8; 9) [9; 10)
mi 35 16 15 17 17 19 11 16 30 24
xi* 0,5 1,5 2,5 3,5 4,5 5,5 6,5 7,5 8,5 9,5
Fn*  x  0,087 0,215 0,292 0,372 0,457 0,547 0,622 0,69 0,805 0,94
F  x 0,05 0,15 0,25 0,35 0,45 0,55 0,65 0,75 0,85 0,95
Fn*  x  F  x 0,037 0,065 0,042 0,022 0,007 0,003 0,028 0,06 0,045 0,01

n  200  0,065  0,919;   1,358. Оскільки  n   , то гіпотеза H 0 приймається.

59
Задача 2. За спостереженнями, наведеними в таблиці, за допомогою критерію  2 перевірити гіпотезу,
що випадкова величина має нормальний розподіл (=0,05).
Інтервал [-4; 0) [0; 2) [2; 4) [4; 6]
mi 20 40 30 10
Розв’язок. Обчислимо оцінки параметрів нормального розподілу за вибіркою.
1
x   40  40  90  50  1,4;
100

S2 
1
99
  
  2  1,4 2 20  1  1,4 2 40   3  1,4 2 30   5  1,4 2 10  4,48; S  2,1.
Тепер перейдемо до підрахунку ймовірностей pi , i  1,4.
  4  1,4   a 0  1,4 
p1  P {4    0}  P    
 2,1  2,1 
   2,57    0,66  0,4949 0,2455  0,2494.
 0  1,4   a 2  1,4 
p2  P {0    2}  P    
 2,1  2,1 
   0,286    0,66  0,1140  0,2455  0,3595.
 2  1,4   a 4  1,4 
p3  P {2    4} P    
 2,1  2,1 
   1,23    0,286  0,3905 0,1140  0,2765.
 4  1,4   a 6  1,4 
p4  P {4    6}  P    
 2,1  2,1 
   2,19    1,23  0,4855  0,3905  0,0950.
(Див. таблицю 2 додатка). Далі результати наведемо у таблиці:
Інтервал [-4; 0) [0; 2) [2; 4) [4; 6)
mi 20 40 30 10
pi 0,2494 0,3595 0,2765 0,095
npi 24,94 35,95 27,65 9,5

 mi  npi  2 24,40 16,40 5,52 0,25

 mi  npi  2 0,98 0,46 0,2 0,02

npi
 n2  1,66. Кількість інтервалів r  4, а кількість невідомих параметрів l  2. Тоді число
степенів свободи k  r  l  1  1.
 12; 0,05  3,8. Отже, 1,66<3,8, гіпотеза приймається.
Задача 3. За допомогою критерію  2 перевірити гіпотезу однорідності двох вибірок (=0,05).
xi 1 2 3 4
vi 1 40 26 24 10
vi 2 30 20 30 20
vi 0 70 46 54 30
Розв’язок. За умовою задачі n1  100, n2  100, n  200. Тоді

60
  n2 
 40  35 2   26  23 2   24  27 2   10  15 2   30  35 2   20  23 2 
35 23 27 15 35 23


 30  27   20  15  6,2;  2  7,8.
2 2
3; 0,05
27 15
Отже, оскільки 6,2<7,8, то гіпотеза однорідності приймається.
Задача 4. Проведено 300 спостережень одночасно над випадковими величинами  та , які набувають
значеннь 1, 2 і 1, 2, 3 відповідно. Кількості спостережуваних пар vij наведено в таблиці.
 1 2 3 vi 0

1 32 68 50 150
2 40 70 40 150
v0j 72 138 90 300
Перевірити за допомогою критерію  2 , чи є незалежними випадкові величини  та  при рівні
значущості 0,01.
 
Розв’язок. Знайдемо величини mij . Матриця mij i  1, 2; j  1,3 буде такою:
 36 69 45
mij   , а матриця v  m    16
ij ij
1 2 25
 . Далі знайдемо матрицю,
25
 36 69 45  16 1
vij  mij 2 . Дістанемо  0,44 0,014 0,55
елементами якої будуть величини  0,44 0,014 0,55. Підсумувавши
mij  
2
елементи матриці, знаходимо, що  n2  2,008. Число степенів свободи m  2,  2; 001  9,2. Оскільки
 n2   22; 0,01, то гіпотеза незалежності приймається.

Задачі
17.1. За спостереженнями, наведеними в таблиці, за допомогою критерію  2 перевірити гіпотезу,
що випадкова величина має пуассонівський розподіл:
а=0,05
xi 0 1 2 3 4
mi 110 65 21 3 1
б) =0,05
xi 0 1 2 3 4 5 6 7
mi 112 168 130 68 32 5 1 1
в) =0,05
xi 0 1 2 3 4 5
mi 229 211 93 35 7 1
г) =0,01
xi 0 1 2 3 4 5 6 7
mi 8 17 16 10 6 2 0 1
д) =0,1
xi 0 1 2 3 4 5
mi 376 100 81 35 7 1
17.2. За спостереженнями, наведеними в таблиці, за допомогою критерію  2 або критерію
Колмогорова перевірити згоду з рівномірним розподілом. У першому рядку таблиці вказано ліву
границю інтервалу (i — номер інтервалу  i ; i  1 ).

61
 а) =0,05

i 0 1 2 3 4 5 6 7 8 9 10 11
mi 45 41 34 54 39 43 41 33 37 41 47 39
б) =0,1
i 0 1 2 3 4 5 6 7 8 9
mi 74 92 83 79 80 73 77 75 76 91
в) =0,01
i 0 1 2 3 4 5 6 7 8 9
mi 16 15 19 13 14 19 14 11 13 16
17.3. За спостереженнями, наведеними в таблиці, за допомогою критерію Колмогорова або критерію
 2 перевірити згоду з нормальним розподілом:
а) =0,05
Інтервал [0; 5) [5; 10) [10; 15) [15; 20) [20; 25)
mi 15 75 100 50 10
б) =0,01
Інтервал [3,0; 3,6) [3,6; 4,2) [4,2; 4,8) [4,8; 5,4) [5,4; 6,0) [6,0; 6,6) [6,6; 7,2)
mi 2 8 35 43 22 15 5
в) =0,05
Інтервал [-3; -1) [-1; 0) [0; 1) [1; 2) [2; 3) [3; 5)
mi 13 15 24 25 13 10
г) =0,1
Інтервал [-8; -2) [-2; 4) [4; 10) [10; 16)
mi 10 50 30 10
д) =0,05
Інтервал [-4; 0) [0; 2) [2; 4) [4; 6)
mi 20 40 30 10
17.4. З продукції двох верстатів зробили дві вибірки по 38 виробів:

Розмір 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56
деталі
mi( 1) 2 1 2 2 1 1 4 1 1 0 5 0 0 6 4 3 5

mi( 2) 2 0 0 2 3 0 1 6 0 5 2 3 1 5 3 3 2
Перевірити, використовуючи критерій Смирнова—Колмогорова, гіпотезу про те, що ці вибірки
належать одній і тій же генеральній сукупності при рівні значущості =0,1.
17.5. У першому потоці з 300 абітурієнтів оцінку «2» отримало 33 чоловіка, «3» — 43, «4» —
80, «5» — 144, а в другому потоці інші 300 абітурієнтів мали такий результат: «2» — 39, «3» —
35, «4» — 72, «5» — 154. Чи можна вважати обидва потоки однорідними при рівні значущості
0,05?
17.6. За допомогою критерію  2 перевірити гіпотезу однорідності двох вибірок, наведених у
таблиці (=0,05).
xi 1 2 3 4 5 6 7 8

mi( 1) 4 4 15 51 22 3 1 0

mi( 2) 1 1 8 43 34 7 3 3
17.7. Вісім незалежних рівноточкових вимірів у першій лабораторії дали результати: 0,869; 0,874;
0,867; 0,875; 0,870; 0,869; 0,864; 0,872. Після десяти рівноточкових вимірів у другій
лабораторії отримано: 0,865; 0,870; 0,866; 0,871; 0,870; 0,868; 0,871; 0,870; 0,869;
0,874.

62
Перевірити гіпотезу однорідності цих вибірок, використовуючи критерій Смирнова—Колмогорова
при =0,01.
17.8. Двовимірна випадкова величина (, ) може набувати 4 значення: (0;0), (0;1), (1;0), (1;1).
180 незалежних спостережень дали такі результати: значення (0;0) спостерігалося 39 разів; (0;1)
— 50, (1;0) — 53; (1;1) — 38. Чи можна вважати, що  і  — незалежні випадкові величини? ( 
= 0,1 ).
17.9. Проведено 200 спостережень одночасно над випадковими величинами  і , які набувають
значення 1, 2 та 1, 2, 3 відповідно. Результати спостережень наведено в таблиці:
 1 2 3 vi 0

1 25 50 25 100
2 52 41 7 100
v0j 77 91 32 200
Перевірити за допомогою критерію  2 чи є незалежними випадкові величини  та  при =0,05.
17.10. Серед 300 чоловік, які вступали до університету 97 мали оцінку “5” у школі, 48 отримали
“5” на вступних іспитах із того ж предмета, причому лише 18 чоловік мали “5” і в школі, і на
вступних іспитах. З рівнем значущості =0,1 перевірити гіпотезу незалежності оцінок “5” у школі
й на вступних іспитах.
17.11. За допомогою критерію  2 перевірити гіпотезу про однорідність двох вибірок, наведених у
таблиці (=0,05).
xi 1 2 3 4

mi 1 40 20 20 20

mi 2 30 20 30 20
17.12. Зроблено 4000 підкидань монети. Решка випала 2040 разів, а
герб — 1960. За допомогою критерію  2 перевірити гіпотезу про те, що монета була
“правильною”, тобто ймовірність випадання герба p = 1/2 ,  = 0,1.

63
Розділ 18. Перевірка гіпотез про рівність математичних сподівань та
дисперсій для нормальних сукупностей
Нехай  та  — дві незалежні випадкові величини, кожна з яких має нормальний розподіл
   
N a,  12 та N a,  22 . У результаті спостережень цих випадкових величин отримано дві вибірки
=(1, 2, …, n1) та =(1, 2, …, n2).
Гіпотеза про рівність математичних сподівань при відомих дисперсіях. Необхідно перевірити
гіпотезу H 0 : a1  a2 проти альтернативної гіпотези H 1 : a1  a2  0,  12 та  22 — відомі.
Критична множина задається нерівністю:
 
 
 x y 
R n1   X , Y  :  C ,
  12  22 
  
 n1 n2 
n1
1
X   x1 , x2 ,  , xn1  , Y   y1 , y2 ,  , yn2  — реалізація вибірок  та , x   xi ,
n1 i 1
n2
1
y 
n2
 yi ,
i 1
 — похибка першого роду, тобто ймовірність прийняти гіпотезу H1, коли правильна H0, 2Ф(C)=1–
(див. таблицю 2 додатка).
Якщо (X, Y)Rn1, то приймається гіпотеза H1, якщо ж (X, Y)Rn1, то приймається H0.
Гіпотеза про рівність математичних сподівань при невідомих дисперсіях. Нехай потрібно
перевірити такі ж гіпотези, як і в попередньому випадку, але  12   22   2 і величина  2 невідома.
Критична множина задається нерівністю:
 
 
 x y 
Rn1   X , Y  :    t n1  n2  2; ,
  1 1   n1  1 S12   n 2  1 S 22 
 
n  n  
  1 2  n1  n 2  2 
 1 ni 2 1 n2
де S12    x i  x  2
, S 2    yi  y  2 .
n1  1 i 1 n 2  1 i 1
Число tn  n2 2;  знаходиться за таблицею Стьюдента (таблиця 6 додатка) при числі степенів
   1  .
1

свободи n1  n2  2 і P t  tn 1
 n2  2; 
Гіпотеза про рівність дисперсій при невідомих математичних сподіваннях. Нехай тепер
потрібно перевірити гіпотезу H 0 :  12   22 проти альтернативної гіпотези H 1 :  12   22 . При

S12
справедливості гіпотези H0 випадкова величина F   2 має розподіл Фішера—Снедекора з
S2
 n1  1, n2  1 степенями свободи. Тоді критична множина задається нерівністю:

 S12 
Rn1   X , Y  :  2  F  ;k1 ;k2  ,
 S2 
 
де S12  S 22 , чого завжди можна досягти, змінивши індекси, k1  n1  1, k2  n2  1. Величина
F  , k , k  знаходиться за таблицею розподілу Фішера—Снедекора (таблиця 7 додатка).
1 2

Гіпотеза про рівність дисперсій при відомих математичних сподіваннях. Ця гіпотеза

ni
S12 1
перевіряється аналогічно попередній, але в даному випадку F 
S22
2
, де S1 
n1
  i  a1  2 ,
i 1

64
 n2
1
S22 
n2
 i  a2  2 . Якщо правильна гіпотеза H 0 :  12   22 , то випадкова величина F має розподіл
i 1
 
Фішера—Снедекора з n1 , n2 степенями свободи. Критична множина задається нерівністю:
 S2 
Rn1   X , Y  : 12  F  ; n ; n  .
 S2 1 2


Приклади розв’язання задач

Задача 1. За двома вибірками об’єму n1  25, n2  50 з генеральних сукупностей випадкових величин
   
 та , які мають нормальний розподіл N a1 ,  12 і N a1 ,  22 , визначено x  9,79, y  9,60.
Перевірити гіпотезу H 0 : a1  a2 при  1   2  0,3,   0,01.
x y 9,79  9,60
C   2,59.
Розв’язок. Маємо 1 1 1 1 Порівняємо значення C з C  2,57
  0,3 
n1 n2 25 50
(таблиця 4 додатка). Оскільки 2,59>2,57, то гіпотезу про рівність математичних сподівань відхиляємо.
Задача 2. За двома вибірками об’єму n1  10, n2  15 з генеральних сукупностей випадкових величин
 
 та , які мають нормальний розподіл, підраховано вибіркові дисперсії S12  9,6 і S 22  5,7.
Перевірити гіпотезу про рівність дисперсій випадкових величин  та , =0,05.

S12 9,6
Розв’язок. Обчислимо F   2   1,68, k1  9, k 2  14. Порівняємо F з F 0,05; 9; 14  2,65.
S 2 5,7
Маємо 1,68<2,65. Тоді гіпотеза про рівність дисперсій  та  приймається.

Задачі
18.1. У результаті спостережень над випадковими величинами  та  отримано такі вибірки:
а)
: 45, 48, 53, 44, 59, 60, 41, 43, 57;
: 51, 50,42, 44, 39, 40, 48, 38, 59, 55, 51.
б)
: 2,50; 2,50; 2,60; 2,75; 2,80; 2,80; 2,95;
: 2,50; 2,80; 2,85; 2,90; 2,90; 2,95; 3,40.
Чи можна вважати, що випадкові величини мають однакові математичні сподівання? Похибка
першого роду дорівнює 0,05. Припускається, що випадкові величини  та  мають нормальний
розподіл з рівними дисперсіями.
18.2. З нормальної генеральної сукупності з  2  25 здобуто дві вибірки об’ємом n1  n2  9.
Середнє першої вибірки x  2, а другої y  3. Чи можна пояснити цю розбіжність
випадковими причинами при похибці першого роду 0,05?
18.3. Одним і тим же приладом було зроблено дві серії вимірів:
1) 2,5 3,2 3,5 3,8 3,5.
2) 2,0 2,7 2,5 2,9 2,3 2,6.
а) Припускаючи, що виміри мають нормальний розподіл з однаковими дисперсіями, перевірити
гіпотезу про рівність математичних сподівань при =0,05;
б) Перевірити гіпотезу про те, що дисперсії однакові для цих вимірів,  = 0,05.
в) Перевірити гіпотезу про те, що дисперсії однакові для цих вимірів, якщо a1  3, a2  2,5,
  0,05.
18.4. x  0,103, y  0,368 — вибіркові середні у двох вибірках об’єму n1  n2  50 з
нормальних сукупностей N a1 , 1 і   N  a2 , 1 . Перевірити гіпотезу H 0 : a1  a2 проти
альтернативної H 1 : a1  a2. Похибка першого роду 0,01.

65
 18.5. За двома вибірками з нормальних сукупностей об’єму n1  11, n2  15 підраховано
S12  0,76 і S22  0,38. При =0,05 перевірити гіпотезу про рівність дисперсій цих двох
n1 n2
1 1
2
нормальних сукупностей. S1 
n1
  xi  x  2 , S22 
n2
  yi  y  2 .
i 1 i 1
18.6. У результаті спостережень випадкових величин  та  отримано вибірки:
xi 1 2 2,5 3
mi 2 1 3 4
yi -1 2 2,5 3
mi 3 2 1 2
Чи можна вважати, що випадкові величини мають однакові математичні сподівання? Вважати, що
 та  — незалежні випадкові величини і мають нормальний розподіл з рівними дисперсіями,  =
0,05.

Розділ 19. Лінійна регресія

Нехай ми маємо теоретичну залежність між величинами x та y у вигляді:
y    x,
де   x  — деяка функція. Проте в експерименті внаслідок можливих похибок вимірювань або
невизначеностей у самому об’єкті в точці x i спостерігається величина
yi    xi    i ,
де  i — деякі випадкові величини.
Треба за спостереженнями пар  x i , yi  , i  1, n зробити статистичні висновки щодо функції
  x .
Регресія. Нехай  та  — дві випадкові величини (залежні у загальному випадку), і ми хочемо
знайти найкраще в деякому розумінні наближення величини  деякою функцією g() від величини .
Під найкращим наближенням будемо розуміти наближення в середньому квадратичному.
Означення. Величина g() називається найліпшим наближенням величини  в середньому
квадратичному, якщо
M   g    2  min M        2 .
  
Функція g() є середньоквадратичною регресією величини  на величину . Часто функцію
g x   M  /   x  називають кореляційною залежністю випадкових величин  та  або функцією
регресії випадкової величини  відносно . Звичайно регресію шукають у якомусь конкретному класі
функцій і мінімум береться за функціями    з цього класу.
Лінійна регресія. Розглянемо регресію в класі лінійних функцій, тобто припустимо, що
g       ,
де  і  — невідомі параметри.
Введемо такі позначення:

m1  M  , m2  M  ,  12  D ,  22  D ,   M    m1   m2  ,   ,
 1 2
тобто  —коефіцієнт кореляції.
Лінійна середньоквадратична регресія g   величини  на величину  має вигляд:
2
g   m2     m1  .
1
Повернемося тепер до сформульованої на початку задачі про найліпше визначення функції   x  .
Будемо вважати, що функція   x  належить деякій параметричній сукупності функцій
  x,  1 ,  2 ,  ,  k  , і ми маємо спостереження  xi , yi  , i  1, n.
Означення. Оцінкою невідомих параметрів  1 ,  2 ,  ,  k за методом найменших квадратів
  
буде вектор  1 ,  2 ,  ,  k , при якому досягається мінімум функції:

66
 n
  1 ,  2 ,  ,  k     yi    xi , 1 ,  2 ,  ,  k   2 ,
i 1
  
а функція   x,  1 ,  2 ,  ,  k  буде найліпшим середньоквадратичним наближенням, що відновлює
залежність між x та y за результатами наших спостережень.
 
Якщо функція  x,  1 ,  2 ,  ,  k диференційована за аргументами  1 ,  2 ,  ,  k , для
  
знаходження величин  1 ,  2 ,  ,  k одержимо систему рівнянь:
n
  x1 ,  1 ,  2 ,  ,  k 
  yi    xi ,  1 ,  2 ,  ,  k    0, j  1, k.
i 1  j
Розглянемо важливий випадок, коли функція   x  має вигляд
  x   kx  b,

де k і b — невідомі параметри. У цьому випадку оцінками параметрів лінійної регресії будуть числа k
n
та b , при яких функція   k, b    yi  kxi  b 2

досягає мінімуму.
i 1
Тоді
n n

  yi xi  n xy  y i  y  xi  x 
 
k i 1
n
 i 1
2
, b  y  kx ,
n
x
i 1
2
i  nx 2  x i  x
i 1

1 n 1 n
де x  
n i 1
xi , y 
n i 1
yi . 
У випадку поліноміальної регресії
  x    0   1x   2x 2     mx m ,
  
оцінки невідомих параметрів  1 ,  2 ,  ,  m знаходяться з системи лінійних алгебраїчних рівнянь
m
 Sk  j  j  Zk , k  0, m,
j 0
n n
де Si   xij , Zk   yi xik , k  0, m, l  0, 2m.
i 1 i 1
Якщо значення x i відомі без похибок, а значення yi незалежні та рівноточні, то оцінка
дисперсії (похибка вимірювань) величини yi визначається за формулою:
2
  min n  m
 
2  , де  min    y i    j x j  .
n  m 1 i 1  j 0 
2

Оцінки  k дисперсій коефіцієнтів k визначаються за формулами:

  2
 2k  kk ,

де  — визначник системи, а  kk — алгебраїчне доповнення до елемента, який стоїть на діагоналі й
має індекс k у визначнику  . У випадку лінійної регресії
n


x 2
i 
 min  21 
n 
 min .
 20  i 1
 , n
 n  n2
2
    xi 
2
n
 n
 n 2 n x 2

n xi2    xi  i 1
i
 i 1 
i 1  i 1 
Якщо величини yi мають нормальний розподіл, то для коефіцієнтів  k справеджуються такі
надійні інтервали:

67
    
 k  t n  m1;   k   k   k  t n  m 1;    k ,

де  k — оцінки, отримані методом найменших квадратів, а число tn m1;  знаходиться за таблицею
розподілу Стьюдента (таблиця 6 додатка) при числі степенів свободи k  n  m  1 і

P | t | tn m1;   1   . 
Вибірковий коефіцієнт кореляції визначається за формулою:
n


x i  x  y i  y 
 i 1
.
n n

 x  x  y  y
2 2
i i
i 1 i 1

У деяких випадках функція   x  , яка не є многочленом, може бути зведена до нього заміною
змінних. Приклади такої заміни наведено в таблиці.
№ Початкова функція До якого вигляду приводиться Заміна змінної
1. y  Ae kx
Z   0   1x Z  ln y,
 0  ln A,  1  k
2. y  Bx 
Z   0   1u Z  ln y, u  ln x,
 0  ln B,  1  
3. 1 y   0   1u 1
y  0  u
x x
4. 1 y   0   1u 1
y  0  u
x x
Коефіцієнт кореляції рангів. У деяких випадках натрапляємо на ознаки, які не піддаються
кількісним оцінкам. Тоді кожній оцінці можна поставити у відповідність порядковий номер, який назвемо
рангом. Нехай n осіб за якістю A мають ранги X 1 , X 2 , , X n , а за якістю B — Y1 , Y 2 , , Y n , де
всі X та Y є перестановками n перших чисел натурального ряду. dk  X k  Y k — різниця рангів.
Тоді коефіцієнт кореляції рангів Спірмена, або коефіцієнт щільності зв’язку між A та B,
визначається за формулою:
n
6 d k2

  1 k 1
.
n n 3

Є й і інші показники щільності зв’язку між рангами. Якщо не можна визначити рангову
відмінність декількох осіб, то беруть середній ранг. У цьому випадку використовують коефіцієнт
кореляції рангів Кендела:
n3  n
 Tx  T y    d k2
n

 6
 k 1
,
 n3  n  n 3  n 
  2Tx   2T y 
 6  6 

 ti3  ti 
l

де ti — число об’єднаних рангів для X та Y.

i 1
Tx  Ty  ,
12

Приклади розв’язання задач

Задача 1. Припускаючи, що кореляційна залежність величин  та  лінійна    x   kx  b , за
результатами спостережень, наведених у таблиці, знайти коефіцієнти k, b, похибку вимірювань, надійні
інтервали для коефіцієнтів та вибірковий коефіцієнт кореляції, 1    0,95.
xi 2 4 6 8 10

68
 yi 4 6 8 7 10
Розв’язок. Усі результати обчислень занесемо в таблицю (n=5):

xi yi x i2 x i yi yi  y i  yi  2
2 4 4 8 4,4 0,16
4 6 16 24 5,7 0,09
6 8 36 48 7 1
8 7 64 56 8,3 1,69
10 10 100 100 9,6 0,16
 30 35 220 236 3,1
2
 n
n   236  5  42
  n    xi   5  200  302  200,
xi2 x  6, y  7, k   0,65,
i 1  i 1  40
   3,1
b  7  0,65  6  3,1, y i  0,65 x  3,1.  min  3,1. Тоді 2   1,03,
52
 220   5 
 b2   1,03  1,133,  b  1,064,  k2   1,03  0,02575,  k  0,16.
200 200
З таблиці розподілу Стьюдента (таблиця 6 додатка) знаходимо t3; 0,05  3,18. Тоді з імовірністю
0,95
3,1  3,18  1,064  b  3,1  3,18  1,064, тобто 0,283  b  6,483 і
0,65  3,18  0,16  k  0,65  3,18  0,16, тобто 0,141  k  1,159.
Для визначення вибіркового коефіцієнта кореляції підрахуємо суми:
n n

  xi  x  2  n  40;   yi  y  2   4  7 2   6  7 2   8  7 2  10  7 2  20;
i 1 i 1
n n
  xi  x  yi  y    xi yi  nx y  236  5  42  26.
i 1 i 1
 26 13
Тоді     0,919.
20  40 10 2
Задача 2. Припускаючи, що кореляційна залежність величини  та  експоненціальна, тобто
  x   Aekx , за результатами спостережень, наведених у таблиці, знайти коефіцієнти A та k.
xi 0 1 2 3 4 5 6 7 8 9 10
yi 100 75 55 40 30 20 15 10 10 5 5
Розв’язок. Усі результати обчислень занесемо в таблицю ( zi  ln yi ):
ˆ
xi yi zi x i2 x i zi zi
0 100 4,6 0 0 4,59
1 75 4,3 1 4,3 4,28
2 55 4 4 8 3,97
3 40 3,7 9 11,1 3,66
4 30 3,4 16 13,6 3,35
5 20 3 25 15 3,04
6 15 2,7 36 16,2 2,73
7 10 2,3 49 16,1 2,42
8 10 2,3 64 18,4 2,11
9 5 1,6 81 14,4 1,80
10 5 1,6 100 16 1,49
 55 33,5 385 133,1
133,1  11  5  3,04
 
n  11, x  5, z  3,04,  1   k   0,31,
385  11  25
    
 0  ln A  3,04  0,31  5  4,59. Отже, k  0,31 і A  e  0  98,5.

69
 Тоді   x   98,5  e0,31x .
Задача 3. На змаганнях з фігурного катання судді розподілили місця між учасниками змагань таким
чином:
Учасники A B C D E F G H I J
1 суддя 1,5 1,5 3 4 6 6 6 8 9,5 9,5
2 суддя 1 2 4 4 4 6 7 8 9 10
Встановити, наскільки об’єктивні оцінки суддів, тобто наскільки тісний зв’язок між оцінками.
Розв’язок. Перший суддя поділив перше місце між учасниками A та B. Їхній об’єднаний ранг
1 2
 1,5. Учасники D, E, G поділили 5, 6, 7 місця. Їхній об’єднаний ранг дорівнює 6 і т.д.
2
Обчислимо величини Tx , Ty . При обчисленні Tx маємо: A та B — два об’єднаних ранги, D, E, G —
три об’єднаних ранги й I, J — два об’єднаних ранги. Таким чином:

Tx 
2
3
 
 2  33  3  23  2  
 3, Ty 

33  3
 2;
 
12 12
1000  10   3  2  7
 6
  0,956.
 1000  10  1000  10 
  6   4
 6  6 
Звідси можна зробити висновок, що оцінки, поставлені суддями учасникам змагань, об’єктивні.

Задачі
19.1. Припускаючи, що кореляційна залежність випадкових величин  та  лінійна    x   kx  b ,
за результатами спостережень, наведених у таблиці, знайти коефіцієнти k та b, похибку
вимірювань, надійні інтервали для коефіцієнтів та вибірковий коефіцієнт кореляції,
1    0,95.
а)
xi 1 2 3 4 5
yi 4,5 7 8 7,5 9
б)
xi 2 4 6 8 9
yi 10 8 7 5 2

в)
xi –1 0 1 2 3 4
yi 2 3 4 6 5 7
19.2. Припускаючи, що кореляційна залежність випадкових величин  та  має вигляд
  x   
  1x   2x 2 , за результатами спостережень, наведених у таблиці, знайти
0
коефіцієнти  0 , 1 , 2 , похибку вимірювань, надійні інтервали для коефіцієнтів та вибірковий
коефіцієнт кореляції, 1    0,99.
а)
xi –3 –2 –1 0 1 2 3
yi –0,7 0 0,5 0,7 0,9 0,8 0,5
б)
xi 0 2 4 6 8 10
yi 5 –1 0,5 1,5 4,5 8,5
19.3. Припускаючи, що кореляційна залежність випадкових величин  та  має вигляд
  
   x    0  1  , за результатами спостережень, наведених у таблиці, знайти коефіцієнти  0 та
 x

70
  1 , похибку вимірювань, надійні інтервали для коефіцієнтів та вибірковий коефіцієнт кореляції,
1    0,95.
а)
xi 0,25 0,5 1 2
yi 6 4 3 3
б)
xi 1 2 5 10
yi 10 5 2 1
19.4. Припускаючи, що кореляційна залежність випадкових величин  (статутний капітал групи
комерційних банків, млн.$) та  (кількість юридичних осіб засновників) лінійна  = a0 + a1  , за
результатами спостережень, наведеними у таблиці, знайти коефіцієнти a0, a1, надійні інтервали
для коефіцієнтів та вибірковий коефіцієнт кореляції, 1 –  = 0,95.
 2 4 6 8
 5 7 8 9
19.5. 15 студентів склали іспити з бухгалтерського обліку та математичного аналізу.
Ранжування їх за результатами іспитів наведено нижче. Чи є який-небудь зв’язок між цими двома
результатами? (Підрахувати коефіцієнт кореляції рангів Спірмена).
Студент 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Бух. облік 10 5 12 1 6 2 7 11 15 3 9 14 13 4 8
Матем. 13 4 10 1 11 2 8 9 14 5 7 12 15 3 6
аналіз
19.6. Побудувати лінійну регресію за спостереженнями ( y = a0 + a1 x ):
xi 2 3 4 5
yi 5 7 10 12
Знайти надійні інтервали для a0 , a1 (1 –  = 0,95) та вибірковий коефіцієнт кореляції.
19.7. На змаганнях арбітри так розподілили місця між учасниками змагань:
Учасники A B C D E F G H I J
1 суддя 2 2 2 4,5 6 4,5 7 8,5 10 8,5
2 суддя 1 3 2 7 5,5 4 5,5 8 9,5 9,5
З’ясувати, наскільки тісний зв’язок між оцінками. (Підрахувати кoефіцієнт кореляції рангів
Кендела).
19.8. При випробуванні здатності розрізняти відтінки 15 кольорових дисків, дійсний порядок
розташування яких: 1, 2, 3,…, 15, пацієнт розташував диски у такому порядку: 2, 4, 1, 3, 7, 6, 8,
10, 9, 5, 15, 11, 12, 14, 13. Знайти коефіцієнт кореляції між дійсними і спостереженими
рангами.

Розділ 20. Елементи дисперсійного аналізу

Дисперсійний аналіз — це статистичний метод аналізу результатів спостережень, які залежать від
різних, одночасно діючих факторів, вибір найбільш важливих із них і оцінка їхнього впливу.
Однофакторний дисперсійний аналіз. В основі однофакторного аналізу лежить теоретично-
ймовірнісна схема:
x ij  a   i   ij , j  1, ni , i  1, m, n  n1  n2    nm , де
x ij — спостереження величини, яку досліджують;
ni — число спостережень при i-му значенні фактору;
a — загальне середнє;

71
  i — ефект фактору;
 ij — похибка спостережень, незалежні випадкові величини, що мають нормальний розподіл
  2
N 0,  2 , тобто M  ij  0, D ij   .
Потрібно перевірити гіпотезу:
H 0 :  i  0, i  1, m, тобто фактор не впливає на результати спостережень.
ni
1 m
Нехай x    xij — загальне середнє,
n i 1 j 1
ni
1
xi 
ni
 x ij — групове середнє,
j 1
m ni
Q    xij x  2 — сума квадратів відхилень спостережень від загального середнього,
i 1 j 1
ni
Q  Q1  Q2 , де Q1   ni  yi  y  2 — сума квадратів відхилень між групами,
i 1
m ni
Q2    xij  xi  2 — сума квадратів відхилень всередині групи.
i 1 j 1

Q1 Q2 Q
S12  , S22  , S2  — незміщена оцінка  2 .
m1 nm n 1
S12
Статистика критерію: F  .
S22
Для перевірки гіпотези H0 маємо критерій: якщо F  F  , k1 , k2  , то гіпотеза H0
відхиляється, а при F  F  , k , k  приймається. Величина F  , k , k 
1 2 1 2
знаходиться за таблицею
розподілу Фішера—Снедекора (таблиця 7 додатка), k1  m  1, k2  n  m.
Двофакторний дисперсійний аналіз
x ijs  a   1   j   ij   ijs , i  1, m, j  1, k, s  1, nij ,
m — число рівнів фактора A;
k — число рівнів фактора B;
 i — ефект фактора A;
 j — ефект фактора B;
 ij — ефект взаємодії факторів.
Якщо всі nij  1, тобто при кожному рівні фактора A і фактора B маємо лише одне
спостереження, то
xij  a   i   j   ij .
Розглянемо цю модель.
1k 1 m 1 m k
xi *  
k j 1
xij , x* j  
m i 1
x ij , x    x ij .
km i 1 j 1
m k
Q   xij x  2  Q1  Q2  Q3 , де
i 1 j 1

72
 m
Q1  k xi*  x
2
— сума квадратів відхилень за фактором A,

i1
Q2  m  x* j  x  — сума квадратів відхилень за фактором B,
k
2

j 1

mk
 
Q3  xij xi* x*j x 2
— залишкова сума квадратів.

i1j1
H 0A :  i  0, i  1, m,
H 0B :  i  0, i  1, k.
Q1 Q Q3 Q
S12  , S22  2 , S32  , S2  — незміщена оцінка  2 .
m1 k1  k  1 m  1 km  1

S12
Критерій перевірки гіпотези H A
0 : якщо F A   F  , k1 , k2  , то гіпотеза H 0A відхиляється,
S32
якщо F A  F  , k , k  — приймається, за умови, що k1  m  1, k2   k  1 m  1 .
1 2

S22
Аналогічно, H 0B відхиляється, якщо FB   F  , k1 , k2  , приймається, якщо
S32
FB  F  , k , k  , за умови, що k1  k  1, k2   k  1 m  1 .
1 2

Приклад розв’язання задачі

Задача 1. Перевірити гіпотези значущості факторів для двофакторного комплексу з одним
спостереженням, результати якого подано в таблиці. Рівень значущості =0,95.
B1 B2 B3
xi *
A1 1 2 3 2
A2 5 6 10 7
x* j 3 4 6,5 4,5
1 2 3
Розв'язок. x1*   2, загальне середнє x  4,5. Тоді
3
  
Q1  3  2  4,5 2   7  4,5 2  3   2,5 2  2,52  37,5, , 

73
  
Q2  2  3  4,5 2   4  4,5 2   6,5  4,5 2  13,
Q3   1  2  3  4,5   2  2  4  4,5   3  2  6,5  4,5 2   5  7  3  4,5 2 
2 2

  6  7  4  4,5 2   10  7  6,5  4,5 2  3,

Q  37,5  13,0,3,0  53,5.
37,5 13 3
S12   37,5; S22   6,5; S32   1,5.
1 2 1 2

Отримані дані можна записати у вигляді таблиці:

Сума Число Оцінка
Компонента дисперсій квадратів степенів свободи дисперсії
Між середніми в рядках (фактор A) 37,5 1 37,5
Між середніми в стовпчиках (фактор B) 13,0 2 6,5
Залишкова 3,0 2 1,5
Повна 53,5 5 10,7
Обчислюємо FA та F B :
S12 37,5
FA    25,
S32 1,5
S22 6,5
FB    4,3.
S32 1,5
Для рівня значущості =0,05 та k2  2, k1  1 степенів свободи за таблицею Фішера—
Снедекора (таблиця 7 додатка) знаходимо:
F  A   18,51, F A  25,
F  B   19,0, FB  4,3.
Порівнюючи табличні значення з обчисленими, маємо:
F A  F  A  , FB  F  B  .
Отримані результати дають змогу зробити висновок: нульова гіпотеза про рівність середніх у
рядках не підтверджується, тобто вплив фактора A на досліджувану ознаку значний; нульова гіпотеза про
рівність середніх у стовпчиках не заперечується, тобто вплив фактора B на досліджувану ознаку
незначний.

Задачі
20.1. З чотирьох партій сировини для текстильної промисловості відібрано по 5 зразків і проведено
випробування на визначення величини розривного навантаження. Результати випробувань
наведено в таблиці:
Номер партії Розривні навантаження
1 200 140 170 145 165
2 190 150 210 150 150
3 230 190 200 190 200
4 150 170 150 170 180
З’ясувати, чи суттєвий вплив різних партій сировини (фактор A) на величину розривного
навантаження,  = 0,05.
20.2. У таблиці наведено дані про кількість угод, заключених фірмою, завдяки різноманітним
рекламним агенціям та всіляким засобам реклами.
Фактор A Фактор В
Газета Радіо Телебачення
Рекламна агенція
1 12 20 16
2 22 24 12
За допомогою двофакторного дисперсійного аналізу з’ясувати, чи суттєвий вплив факторів A
(рекламна агенція) та B (засоби реклами) на кількість укладених угод,  = 0,05.

74
 20.3. За допомогою двофакторного дисперсійного аналізу з’ясувати,
чи суттєвий вплив факторів A та B на результати спостережень,  = 0,05.
Фактор A Фактор B
1 2 3
1 1 2 3
2 5 6 10
20.4. У таблиці наведено квартальні значення експорту товарів з України за останні 4 роки (млн.
дол. США). Зробити висновок, чи є суттєвим номер кварталу, =0,05.
Квартал Експорт товарів
1 квартал 2751 3544 3527 3443
2 квартал 3505 4208 3858 3750
3 квартал 3859 3905 3945 3174
4 квартал 4129 3890 4088 3332

20.5. У таблиці подано ціну квартир у різних районах Києва (в у. о.). Зробити висновок про
суттєвість впливу обраного району на ціну квартири, =0,05.
Район Ціна квартир
Дарницький 5000 17200 16800 6900 29900 18000
Печерський 8200 6200 45000 32000 25000 13000
Старокиївський 35000 37000 42000 12000 19000 21000
Харківський 6500 6400 11200 13100 18000 4600

20.6. У таблиці подано ціну (в у. о.) квартир залежно від району Києва. Зробити висновок про
вплив престижності району на ціну квартир, =0,05.
Район 1-кімнатна 2-кімнатна 3-кімнатна 4-кімнатна 5-кімнатна
Дарницький 5000 12500 24800 38000 55000
Печерський 8200 14200 31000 48000 65000
Старокиївський 9200 17000 29000 51000 80000
Харківський 6500 15400 22200 34500 50000

20.7. На 4 заводах, які належать одному холдингу, вивчали вплив величини заробітної плати на
продуктивність праці, тобто кількість оброблених за робочу зміну деталей.
Завод Заробітна плата
170 гр. 240 гр. 360 гр. 1000 гр.
1 12 14 18 19
2 13 14 23 23
3 11 13 17 18
4 15 15 17 20
Зробіть висновок щодо доцільності підвищення заробітної плати на заводах холдинга, =0,05.

Розділ 21. Елементи аналізу часових рядів. Виділення тренду,

згладжування, прогноз
Адитивна модель часового ряду  xt  :
x t  yt  st   t , t  1, 2, , T , де
yt — детермінована складова (тренд),
st — сезонні коливання,
 t — нерегульований або залишковий компонент (випадкова складова), M  t  0.
Мультиплікативна модель: x t  yt  st   t , t  1, 2, , T .
Виділення тренду. Нехай x t  yt   t ,  t — незалежні випадкові величини з
2
M  t  0, D t   .
Для виділення тренду застосовується метод найменших квадратів. Наприклад, якщо
yt  a0  a1t, то a0 і a1 знаходити з

75
 T
Q    x t  a0  a1t  2  min,
t 1

T T 1 T 
  t  xt   xt 
  t 1 2 t 1 
a1  12 ,
T T 2  1
T


x t
 T 1
a0  t 1
 a1 .
T 2
Аналогічно використовується метод найменших квадратів у випадку поліноміального тренду:
k
yt  a0   ai t i , t  1, 2, , T .
i 1

 1 k
Зважене згладжування. y t   xt i , l  2k  1, або
l ik
k k

yt   wi xt i , де
i  k
 wi
i  k
 1, 0  wi  1, k — наперед задане число.

Експоненціальне згладжування. Цей метод дає змогу аналізувати часовий ряд і отримувати
прогнози без попереднього задання форми тренду. Вимагається лише, щоб у множині дослідження тренд
змінювався досить поступово.
  
y1  x1 , y t  xt  1    y t 1 , де 0    1, або
  
y t 1  y t    xt  y t .
 
Прогнози: xT  k  yT , k  1, 2,  .
Метод згладжування Холта—Вінтерса. Нехай E t — трендова компонента, а Yt — приріст.
Тоді
E 1  x1 , E 2  x 2 ,
Y 2  x 2  x1 ,
E k  wxk   1  w  E k  1  Yk  1  ,
Yk  v E k  E k 1    1  v Yk 1 , k  3.
ˆ
Прогноз часового ряду: x T  s  E T  sYT .
Нехай тепер xt — стаціонарний процес.
Модель авторегресії AR(p): x t   0   1x t 1   2x t 2     px t  p   t .
Коефіцієнти  0 ,  1 ,  ,  p можна оцінити методом найменших квадратів. Наприклад, для AR(1)
x t   0   1x t 1   t маємо:
T T T T

 x x t
2
t 1   xt  xt 1   xt 1
0  t 2 t 2 t 2 t 2
2
,
 T  1  xt21    xt 1 
T T

t 2  t 2 
T T T


 T  1  xt  xt 1   xt  xt 1
1  t 2 t 2 t 2
2
T
 T

 T  1  x 2
t 1    xt 1 
t 2  t 2 

76
    k 1 
і прогноз xT  k  1k xT   0    1i .
i 0
Модель рухомого середнього МА(q): x t  c   t   1 t 1   2 t 2     q t  q .
Модель ARMA(p, q): x t   0   1x t 1     px t  p   t   1 t 1   2 t 2     q t q .

Міри точності прогнозів. Якщо xt — часовий ряд, а x t — прогнозне значення, то
1
MSE    xt  x t  2 — середньоквадратична похибка прогнозу за n кроків.
n t
1
RMSE    xt  x t  2 .
n t
1 
MAD  
n t
xt  xt — середня абсолютна похибка.

 2
1  xt  xt 
RMSPE  100 
n t  xt 
 — корінь із середньоквадратичної похибки у відсотках від

фактичних значень.

100 xt  x t
MAPE 
n t
 x — середня абсолютна похибка у відсотках.
t

Приклад розв’язання задачі

Задача 1. У таблиці наведено щорічні значення виробництва пива у США за 1970—1989 рр. Методом
експоненціального згладжування (w=0,7 та w  0,3 ) та методом Холта—Вінтерса ( w  0,7, v  0,3
та w  0,3, v  0,7 ) побудувати прогнози значень виробництва пива на 1987—1989 рр,
використовуючи дані за 1970—1986 рр. Підрахувати похибки RMSE , MAD .
Розв’язок. Спочатку підрахуємо експоненціально згладжені значення E1, E2, …, Et для років 1970—
1986. E 1  Y1  133,1.
Для w  0,3 :
E 2  wY2   1  w E 1  0,3  137,4   1  0,3  133,1  134,39.
E 3  wY3   1  w E 2  0,3  141,3   1  0,3  134,39  136,46.
Інші значення подано в таблиці.
Для w  0,7 :
E 2  wY2   1  w E 1  0,7  137,4   1  0,7  133,1  136,11.
E 3  wY3   1  w E 2  0,7  141,3   1  0,7  136,11  139,74.
Інші значення подано в таблиці.
Рік Виробництво Експоненціально Експоненціально
пива згладжене значення, згладжене значення,
w  0,3 w  0,7
1970 133,1 133,10 133,10
1971 137,4 134,39 136,11
1972 141,3 136,46 139,74
1973 148,6 140,10 145,94
1974 156,2 144,93 153,12
1975 160,6 149,63 158,36
1976 163,7 153,85 162,10
1977 170,5 158,85 167,98
1978 179,1 164,92 175,76
1979 184,2 170,71 181,67
1980 194,1 177,72 190,37
1981 193,7 182,52 192,70

77
 1982 196,2 186,62 195,15
1983 195,4 189,26 195,33
1984 192,2 190,14 193,14
1985 194,3 191,39 193,95
1986 194,4 192,29 194,27
1987 195,9
1988 197,4
1989 197,8
Використовуючи експоненціальне згладжування, отримаємо такі прогнозні значення.
Для w  0,3 :
F1987  Ft 1  E t  192,29, похибка прогнозу   195,9  192,29  3,61.
F1988  Ft 2  Ft 1  192,29, похибка прогнозу   197,4  192,29  5,11.
F1989  Ft 3  Ft 2  192,29, похибка прогнозу   197,8  192,29  5,51.
Для w  0,7 :
F1987  Ft 1  E t  194,27, похибка прогнозу   195,9  194,27  1,63.
F1988  Ft 2  Ft 1  194,27, похибка прогнозу   197,4  194,27  3,13.
F1989  Ft 3  Ft 2  194,27, похибка прогнозу   197,8  194,27  3,53.
Тепер обчислимо значення за методом Холта—Вінтерса за 1970—1986 рр.
Для w  0,7 та v  0,3 :
E 2  Y 2  137,40;
E 3  wY3   1  w  E 2  T2   0,7  141,3   1  0,7 137,4  4,3  141,42;
T2  Y 2  Y1  137,4  133,1  4,3;
T3  v E 3  E 2    1  v T2  0,3  141,42  137,40  1  0,3  4,3  4,22.
Інші значення E t та Tt подано в таблиці.
Для w  0,3 та v  0,7 :
E 2  Y 2  137,40;
E 3  wY3   1  w  E 2  T2   0,3  141,3   1  0,3 137,4  4,3  141,58;
T2  Y 2  Y1  137,4  133,1  4,3;
T3  v E 3  E 2    1  vT2  0,7   141,58  137,40   1  0,7  4,3  4,22.
Інші значення E t та Tt подано в таблиці.
Рік Виробництво Et , Tt , Et , Tt ,
пива w  0,7, w  0,7, w  0,3, w  0,3,
v  0,3 v  0,3 v  0,7 v  0,7
1970 133,1
1971 137,4 137,40 4,30 137,40 4,30
1972 141,3 141,42 4,22 141,58 4,22
1973 148,6 147,71 4,84 146,64 4,80
1974 156,2 155,10 5,61 152,87 5,80
1975 160,6 160,63 5,58 159,25 6,21
1976 163,7 164,45 5,05 164,93 5,84
1977 170,5 170,20 5,26 170,69 5,78
1978 179,1 178,01 6,03 177,26 6,33
1979 184,2 184,15 6,06 183,78 6,46
1980 194,1 192,93 6,88 191,40 7,27
1981 193,7 195,53 5,59 197,18 6,23
1982 196,2 197,68 4,56 201,24 4,72
1983 195,4 197,45 3,12 202,79 2,50
1984 192,2 194,71 1,36 201,36 –0,25

78
 1985 194,3 194,83 0,99 199,07 –1,68
1986 194,4 194,83 0,69 196,49 –2,31
1987 195,9
1988 197,4
1989 197,8
Далі будуємо прогнози за методом Холта—Вінтерса.
Для w  0,7 та v  0,3 :
F1987  Ft 1  E t  Tt  194,83  0,69  195,52;
похибка прогнозу   195,9  195,52  0,38;
F1988  Ft 2  E t  2Tt  194,83  2  0,69  196,21;
похибка прогнозу   197,4  196,21  1,19;
F1989  Ft 3  E t  3Tt  194,83  3  0,69  196,90;
похибка прогнозу   197,8  196,9  0,90.
Для w  0,3 та v  0,7 :
F1987  Ft 1  E t  Tt  196,49  2,31  194,18;
похибка прогнозу   195,9  194,18  1,72;
F1988  Ft 2  E t  2Tt  196,49  2  2,31  191,87;
похибка прогнозу   197,4  191,87  5,53;
F1989  Ft 3  E t  3Tt  196,49  3  2,31  189,56;
похибка прогнозу   197,8  189,56  8,24.
Тепер підрахуємо похибки прогнозів.
Для експоненціального згладжування при w  0,3 :
n
 Ft  Yt 192,29  195,9  192,29  197,4  192,29  197,8
t 1
MAD   
n 3
14,23
  4,7433.
3
n
  Ft  Yt  2   3,61 2    5,11 2    5,51 2
t 1
RMSE    4,8133.
n 3
Для експоненціального згладжування при w  0,7 :
n
 Ft  Yt 194,27  195,9  194,27  197,4  194,27  197,8
t 1
MAD   
n 3
8,29
  2,7633.
3
n
  Ft  Yt  2   1,63 2    3,13 2    3,53 2
t 1
RMSE    2,8818.
n 3
Для методу Холта—Вінтерса при w  0,7 та v  0,3 :
n
 Ft  Yt 195,52  195,9  196,21  197,4  196,9  197,8
t 1
MAD   
n 3
2,47
  0,8233.
3

79
 n
  Ft  Yt  2   0,38 2    1,19 2    0,90 2
t 1
RMSE    0,8889.
n 3
Для методу Холта—Вінтерса при w  0,3 та v  0,7 :
n
 Ft  Yt 194,18  195,9  191,87  197,4  189,56  197,8
t 1
MAD   
n 3
15,49
  5,1633.
3
n
  Ft  Yt  2   1,72 2    5,53 2    8,24 2
t 1
RMSE    2,8818.
n 3
Слід зазначити, що обидва значення MAD для прогнозів за методом експоненціального
згладжування  4,7433 та 2,7633 лежать між значеннями MAD для прогнозів за методом Холта
—Вінтерса ( 0,8223 та 5,8148). Аналогічно, RMSE для прогнозів за методом експоненціального
згладжування  4,8133 та 2,8818 лежать між RMSE для прогнозів за методом Холта—Вінтерса
 0,8889 та 5,8148 .
Можна сказати, що існує трендовий компонент у часовому ряду виробництва пива. Дані
збільшуються кожного року з 1970 по 1980 рр, потім зростають та спадають протягом декількох років і
знову збільшуються з 1985 року. Здається, що модель Холта—Вінтерса з параметрами w  0,7 та
v  0,3 є найкращою для прогнозування обсягів виробництва пива. Ця модель має найменшу похибку.

Задачі
21.1. У таблиці наведено квартальні значення експорту послуг України за 1996—1998 роки. а)
Методом експоненціального згладжування ( =0,8); б) методом Холта—Вінтерса (
w  0,8, v  0,3 ) побудувати прогнози значень експорту послуг на 1998 рік, використовуючи
дані за 1996—1997 роки. Підрахувати похибки RMSE , MAD , RMSPE , MAPE .
Статті 1996 р. 1997 р. 1998 р
платіжного І кв. II кв. III кв. IV кв. I кв. II кв. III кв. IV кв. І кв. II кв. III кв. IV кв.
балансу
Баланс –702 65 –22 –463 –741 –354 –249 –192 –722 –261 –364 140
товарів та
послуг
Експорт 4667 5486 5068 5125 4744 5040 5205 5366 4421 4727 4147 4326
товарів та
послуг
Імпорт 5369 5421 5090 5588 5485 5394 5454 5558 5143 4988 4511 4186
товарів та
послуг
Експорт 3544 4208 3905 3890 3527 3858 3945 4088 3443 3750 3174 3332
товарів
Імпорт 5050 5019 4624 5150 4983 4882 4830 4928 4459 4270 3868 3686
товарів
Баланс послуг 804 876 697 797 715 670 636 648 294 259 330 494
Експорт 1123 1278 1163 1235 1217 1182 1260 1278 978 977 973 994
послуг
Імпорт послуг 319 402 466 438 502 512 624 630 684 718 643 500
21.2. У таблиці наведено квартальні значення імпорту послуг з України за 1996—1998 рр.
Методами: а) експоненціального згладжування (=0,8); б) Холта—Вінтерса ( w  0,8, v  0,3 )
побудувати прогнози значень імпорту послуг на 1998 рік, використовуючи дані за 1996—1997
рр. Підрахувати похибки RMSE , MAD , RMSPE , MAPE .

80
21.3. У таблиці наведено квартальні значення балансу товарів та послуг з України за 1996—1998
рр. Методами: а) експоненціального згладжування ( =0,8); б) Холта—Вінтерса (
w  0,8, v  0,3 ) побудувати прогнози значень балансу товарів та послуг на 1998 рік,
використовуючи дані за 1996—1997 рр. Підрахувати похибки RMSE , MAD , RMSPE ,
MAPE .
21.4. У таблиці наведено квартальні значення експорту товарів України за 1996—1998 рр.
Методами: а) експоненціального згладжування (=0,8); б) Холта—Вінтерса ( w  0,8, v  0,3 )
побудувати прогнози значень експорту товарів на 1998 рік, використовуючи дані за 1996—1997
рр. Підрахувати похибки RMSE , MAD , RMSPE , MAPE .
21.5. У таблиці наведено квартальні значення імпорту товарів України за 1996—1998 рр.
Методами: а) експоненціального згладжування (=0,8); б) Холта—Вінтерса ( w  0,8, v  0,3 )
побудувати прогнози значень товарів послуг на 1998 рік, використовуючи дані за 1996—1997
рр. Підрахувати похибки RMSE , MAD , RMSPE , MAPE .
21.6. Припускаючи, що дані часових рядів стаціонарні, побудувати AR(1) для: а) експорту послуг; б)
імпорту послуг; в) експорту товарів; г) імпорту товарів; д) балансу товарів та послуг. Побудувати
прогноз на 1998 рік, використовуючи дані за 1996—1997 роки. Підрахувати похибки RMSE ,
MAD , RMSPE , MAPE .
21.7. Виділити лінійний тренд для імпорту послуг.

81
Розділ 22. Задачі для контрольних робіт
Контрольна робота №1 “Теорія ймовірностей”

Варіант 1
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Переможцями конкурсу стали 15 жінок та 10 чоловіків. Організатори випадковим чином обрали 4
особи для вручення суперпризів. Яка ймовірність того, що серед них буде: а) дві жінки і два
чоловіки? б) хоча б одна жінка?
3. У прямокутному трикутнику з катетами довжиною 4 м та 9 м навмання вибрали точку. Яка
ймовірність того, що вона потрапить в коло радіусом 1 м, розташоване в трикутнику?
4. Виробник комп'ютерів отримує комплектуючі деталі від трьох постачальників, частки яких становлять
20%, 45%, 35%. Деталі першого постачальника мають 2% браку, другого 1,5%, третього — 1,7%.
Яка ймовірність того, що: а) навмання вибрана деталь буде з браком? б) браковану деталь отримано
від другого постачальника?
Варіант 2
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. У партії з 25 автомобілів 5 мають дефекти. Яка ймовірність того, що серед 3 навмання відібраних
автомобілів буде: а) тільки два автомобілі без дефектів? б) не більше одного автомобіля з дефектом?
3. Навмання обрано два додатних числа x та y, кожне з яких не перевищує 7. Знайти ймовірність того, що
сума їх буде не більша 5, а відношення y/x — не менше 2.
4. Податкові інспектори роблять перевірку діяльності підприємств: перший обслуговує 40 підприємств,
серед яких 25% не мають заборгованостей, другий — 60 підприємств, із них 40% — без
заборгованостей. Яка ймовірність того, що: а) навмання обране підприємство не має заборгованості?
б) підприємство, що не має заборгованості, перевіряв перший інспектор?

Варіант 3
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. У філії банку працює 7 чоловіків і 6 жінок. Яка ймовірність того, що серед 5 навмання відібраних осіб
буде: а) 2 жінки? б) хоча б один чоловік?
3. У колі радіусом 5 см розташовано прямокутник зі сторонами 4 см і 6 см. Яка ймовірність того, що
навмання вибрана в колі точка лежатиме і в прямокутнику?
4. Виробництво певної продукції може проводитись у трьох температурних режимах з ймовірностями
0,45; 0,25; 0,3 відповідно. Залежно від температурного режиму ймовірність отримання продукції
вищої якості становить 0,8; 0,85; 0,9. Яка ймовірність того, що: а) виготовлена продукція вищої
якості? б) продукцію вищої якості виготовлено при третьому температурному режимі?

Варіант 4
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Кондуктор автобуса зберігає купюри різної вартості у двох кишенях: в одній — 7 купюр по 2 грн. та 3
купюри по 5 грн., в іншій — відповідно 12 та 8 купюр. З кожної кишені кондуктор навмання дістає
одну купюру. Яка ймовірність того, що: а) обидві купюри однієї вартості? б) купюри різної вартості?
3. На відрізку [–2, 3] навмання вибрано два числа х та у. Яка ймовірність того, що сума їх менша 3, а
різниця у–х менша 2?
4. Тираж популярної газети друкується в двох типографіях. Потужності двох типографій відносяться як
3:4, причому перша типографія дає 3,5% браку, а друга — 2.5% браку. Яка ймовірність того, що: а)
навмання обраний примірник газети буде бракованим? б) бракований примірник газети надрукованио
в першій типографії?

Варіант 5
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Серед 30 працівників фірми випадковим чином розподіляють путівки до трьох міст: A — 17 путівок,
В — 5 путівок, С — 8 путівок. Яка ймовірність того, що дві конкретні особи поїдуть до одного
міста?
3. Навмання вибрано два додатних числа, кожне з яких не перевищує 6. Знайти ймовірність того, що
сума їх буде не більша 5, а добуток не менше 3.
4. До каси підприємства надійшли банкноти у пачках від двох банків: 50 пачок від першого банку і 70 —
від другого. Ймовірність помилки касирів першого банку становить 0,15%, другого — 0,2%. Яка

82
 ймовірність того, що: а) навмання вибрану пачку сформовано без помилок? б) пачку без помилок
було сформовано касирами другого банку?

Варіант 6
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Диспетчер обслуговує три лінії. Ймовірність того, що протягом години звернуться по першій лінії
становить 0,3, по другій — 0,4, по третій — 0,6. Яка ймовірність того, що протягом години
диспетчер отримає виклики з: а) однієї лінії? б) хоча б однієї лінії?
3. В коло радіусом 50 мм вписано ромб із діагоналями 40 мм та 60 мм. Яка ймовірність того, що
навмання вибрана точка кола буде лежати і в ромбі?
4. Завод випускає кухонні набори білого та синього кольорів, що виготовляються двома цехами . Перший
цех виробляє 35% продукції, серед яких 40% наборів синього кольору. У продукції другого цеху
55% синіх наборів. Яка ймовірність того, що: а) навмання вибраний набір синього кольору? б) набір
синього кольору зроблено другим цехом?

Варіант 7
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Магазин отримав товар від трьох постачальників: 50% від першого постачальника, 35% — від
другого, 15% — від третього. Яка ймовірність того, що 2 навмання відібрані одиниці товару
виготовлено: а) одним і тим же постачальником? б) першим або другим постачальником?
3. У рівнобедреному трикутник з бічною стороною 5 м розташовано квадрат зі стороною 2 м. Яка
ймовірність того, що навмання вибрана точка трикутника буде лежати і в квадраті?
4. На двох полицях стоять книги: на першій — 15 українською і 7 російською мовами, на другій —
відповідно 10 і 8 книг. З першої полиці навмання перекладено книгу на другу полицю. Яка
ймовірність того, що: а) навмання вибрана з другої полиці книга виявиться українською? б) з першої
полиці було перекладено російську книгу, якщо вибрана з другої полиці книга виявилась
українською?

Варіант 8
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Імовірність того, що потрібна водієві деталь лежить у першому ящику, становить 0,7, у другому —
0,9, у третьому — 0,8. Знайти ймовірність того, що деталь лежить: а) тільки в одному ящику? б) не
більше, ніж у двох ящиках?
3. Навмання обрано два додатних числа x та y, кожне з яких не перевищує 10. Знайти ймовірність того,
що добуток їх буде більший 4, а різниця y–x — не менше 2.
4. Магазин отримує продукцію від двох виробників: перший постачає 2/5 усіх виробів, другий — 3/5.
Імовірність продажу виробів першого постачальника становить 0,95, другого — 0,8. Яка
ймовірність того, що: а) навмання вибраний виріб не буде реалізовано? б) нереалізований виріб
отримано від першого виробника?

Варіант 9
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Три аварійні пристрої працюють незалежно і сповіщають про аварію з імовірностями 0,8; 0,9; 0,75.
Яка ймовірність того, що при аварії спрацює: а) тільки один пристрій? б) хоча б один пристрій?
3. У ромбі з бічною стороною 5 см лежить прямокутник зі сторонами 2 см та 3 см. Знайти ймовірність
того, що навмання вибрана у ромбі точка лежатиме і в прямокутнику.
4. У рекламному агентстві працює три групи дизайнерів: перша група обслуговує 25 фірм, друга — 45,
третя — 40. Протягом одного місяця кошти, витрачені на рекламу дизайнерами першої групи,
повертаються до 40% фірм, другої — 45%, третьої — 35%. Яка ймовірність того, що: а) навмання
вибрана фірма окупила витрачені на рекламу кошти протягом місяця? б) фірма, що окупила протягом
місяця витрачені на рекламу кошти, обслуговувалась третьою групою дизайнерів?

Варіант 10
1. Скільки різних слів можна скласти з літер вашого: а) імені? б) прізвища?
2. Хлібопекарня випікає 70% продукції з борошна вищого сорту і 25% з борошна першого сорту. Яка
ймовірність того, що серед 2 навмання обраних виробів буде: а) тільки один із борошна вищого
сорту? б) два одного і того ж сорту?
3. На відрізку [–3, 2] навмання вибрано два числа х та у. Яка ймовірність того, що різниця їх менша 1?

83
4. Справи клієнтів банку зберігаються у 8 сейфах: у трьох сейфах — по 150 справ, у п'яти – по 250
справ. Імовірність вчасного повернення кредиту клієнтами, справи яких лежать у перших трьох
сейфах, становить 0,96, останніх п'яти — 0,95. Яка ймовірність того, що: а) навмання вибрано
справу клієнта, який вчасно поверне кредит? б) справа клієнта, який своєчасно повернув кредит,
лежала в одному з перших трьох сейфів?

Контрольна робота №2 “Теорія ймовірностей”

Варіант 1
1. Ймовірність того, що студент складе залік з першого разу, дорівнює 0,9. Яка ймовірність того, що
серед 7 студентів залік складуть: а) 5 студентів? б) не менше 5 студентів?
2. Відділ доставки піцерії отримує 80% замовлень на фірмову піцу. Знайти ймовірність того, що серед
100 замовлень буде на фірмову піццу: а) рівно половина; б) не менше 70 замовлень.
3. Імовірність укладення угоди за результатами ділових переговорів дорівнює 0,7. Випадкова величина ξ
– число укладених угод після чотирьох ділових зустрічей. Знайти закон розподілу випадкової
величини ξ, математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу:
 0, x 1
 x 2  1
F(x) =  , 1 x  3
 8
 1, x  3.
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти
ймовірність того, що ξ прийме значення з інтервалу [2; 3). Побудувати графіки функцій F(x) та p(x).

Варіант 2
1. При транспортуванні 3% виробів із скла пошкоджуються. Яка ймовірність того, що серед 6 відібраних
для перевірки виробів буде: а) лише один пошкоджений? б) хоча б один пошкоджений?
2. Абоненти пейджингового зв'язку не отримують відправлені повідомлення з імовірністю 0,2. Знайти
ймовірність того, що серед 400 відправлених повідомлень буде: а) рівно 90 отриманих повідомлень;
б) не більше 50 не отриманих повідомлень.
3. Імовірність потрапити до другого туру виборів для одного кандидата становить 0,8, для другого —
0,7. Випадкова величина ξ — число кандидатів, які пройшли до другого туру виборів. Знайти закон
розподілу випадкової величини ξ, математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне
відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу :

 0, x  3
x  3
F(x) =  , 3 x 3
 6
 1, x  3.
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ набуде значення з інтервалу [–1; 2). Побудувати графіки функцій F(x) та p(x).

Варіант 3
1. Імпортер постачає жалюзі для вікон, причому 70% з них — горизонтальні. Яка ймовірність того, що
серед 6 відібраних жалюзі буде: а) 3 горизонтальних? б) не менше 4 горизонтальних?
2. Для порівняння зон покриття мобільного зв'язку було залучено 520 телефонів одного стандарту і 550
іншого. Відомо, що телефонний зв'язок першого стандарту підтримується у 80% зони, другий — у

84
 75%. Визначити найімовірніше число телефонів кожного стандарту, які мали зв'язок, і знайти
ймовірності, які відповідають цим числам. При якому стандарті найімовірніше число є найбільшим?
3. Імовірність підвищення курсу акцій першого підприємства становить 0,4; другого — 0,6; третього —
0,7. Випадкова величина ξ — число підприємств, курс акцій яких підвищився. Знайти закон
розподілу випадкової величини , математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне
відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу :
 0, x2
 x 2  4
F(x) =  , 2 x 4
 12 x  4.
 1,
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ прийме значення з інтервалу [3; 4). Побудувати графіки функцій F(x) та p(x).

Варіант 4
1. Серед 500 коробок взуття нової колекції в 400 лежить взуття чорного кольору. Яка ймовірність того,
що у 4 навмання вибраних коробках буде: а) одна із взуттям чорного кольору? б) не менше ніж у
двох чорне взуття?
2. У податкових накладних є помилки з імовірністю 5%. Скільки податкових накладних слід узяти, щоб
найімовірніше число накладних без помилок було дорівнювало 70? Яка ймовірність такого числа
податкових накладних?
3. Імовірність прийняття на роботу кожного з 5 претендентів становить 0,2. Випадкова величина ξ —
число претендентів, прийнятих на роботу. Знайти закон розподілу випадкової величини ξ,
математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу:
 0, x0
 x 2  x
F(x) =  , 0 x 3
 12
 1, x  3.
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ набуде значення з інтервалу [0; 2). Побудувати графіки функцій F(x) та p(x).

Варіант 5
1. Додаткового оснащення нового автомобіля вимагають 15% покупців автосалону. Яка ймовірність того,
що серед 5 навмання вибраних покупців авто: а) буде не більше трьох з додатковими вимогами? б)
хоча б один не вимагатиме додаткового оснащення?
2. Енергетична компанія обслуговує 800 споживачів електроенергії. Перебої у подачі енергії протягом
доби виникають з імовірністю 0,005. Яка ймовірність того, що протягом доби надійде не більше 4,
але не менше 9 повідомлень про перебої?
3. Імовірність отримати премію за якісно виконані роботи становить 0,8 за кожен місяць, роботи
проводились протягом кварталу. Випадкова величина ξ — число премій, отриманих за квартал.
Знайти закон розподілу випадкової величини ξ, математичне сподівання Mξ, дисперсію Dξ і
середньоквадратичне відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу:
 0, x3
 x 2  9
F(x) =  , 3 x 5
 16
 1, x  5.

85
 Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ набуде значення з інтервалу [4; 5). Побудувати графіки функцій F(x) та p(x).

Варіант 6
1. До агентства нерухомості звертаються з приводу оренди та продажу квартир у співвідношенні 7:5. Яка
ймовірність того, що серед 6 довільно вибраних заявок буде: а) чотири щодо продажу квартир? б) не
менше чотирьох щодо аренди квартир?
2. Фірма виконує поліграфічні роботи, причому 20% замовлень припадає на виготовлення візитних
карток. Знайти ймовірність того, що серед 850 клієнтів: а) 150 замовлять візитні картки; б) не
більше 100 замовлять візитні картки.
3. На аукціоні виставлено картини, надані двома художніми салонами, у співвідношенні 3:2. Навмання
вибирають чотири картини. Випадкова величина ξ — число картин, виставлених першим салоном
серед чотирьох відібраних. Знайти закон розподілу випадкової величини ξ, математичне сподівання
Mξ, дисперсію Dξ і середньоквадратичне відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу :

 0, x  2
x  2
F(x) =  , 2 x 3
 5
 1, x  3.
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ прийме значення з інтервалу [–1; 2). Побудувати графіки функцій F(x) та p(x).

Варіант 7
1. Підприємство виготовляє аудіотехніку, 3% якої мають дефекти. Для контролю з партії апаратури
навмання вибирається 5 виробів. Якщо виріб має дефект, то при перевірці його виявляють з
імовірністю 0,94. Яка ймовірність того, що дефект буде знайдено: а) тільки в одному виробі? б) хоча
б в одному виробі?
2. Протягом місяця інспекторами ДАІ проводиться в середньому 4 рейди з перевірки технічного стану
автомобілів. Знайти ймовірність того, що протягом двох тижнів буде проведено не більше 3 рейдів.
3. Фірмовий салон продає 20% ексклюзивного одягу. Навмання вибирають 5 виробів. Випадкова
величина ξ — число ексклюзивних виробів серед п'яти відібраних. Знайти закон розподілу
випадкової величини ξ, математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне відхилення
σξ .
4. Випадкова величина ξ задана функцією розподілу :
 0, x  0
 x 3
F(x) =  , 0  x  2
 8 x  2.
 1,
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ прийме значення з інтервалу [1; 2). Побудувати графіки функцій F(x) та p(x).

Варіант 8
1. Імовірність того, що студент правильно відповість хоча б на одне запитання з двох заданих викладачем,
дорівнює 0,99. Знайти ймовірність того, що студент правильно відповість на три з чотирьох заданих
запитань викладача.
2. Виробництво касових апаратів має 5% браку. Скільки касових апаратів слід перевірити, щоб з
імовірністю 0,95 брак не перевищував 7%?
3. Спортивний клуб закупив м'ячі для гри в теніс, 70% яких білого кольору. Навмання беруть чотири
м'ячі. Випадкова величина ξ — число білих м'ячів серед чотирьох відібраних. Знайти закон розподілу
випадкової величини ξ, математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне відхилення
σξ .
4. Випадкова величина ξ задана функцією розподілу :

86
  0, x0
 x 2  2x
F(x) =  , 0 x 2
 8
 1, x  2.
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ набуде значення з інтервалу [0; 1). Побудувати графіки функцій F(x) та p(x).

Варіант 9
1. Кафе обслуговує відвідувачів, 15% яких є постійними клієнтами. Скільки відвідувачів слід відібрати,
щоб з імовірністю 0,9 зафіксувати хоча б одного постійного клієнта?
2. Адвокат виграє справу з ймовірністю 0,9. Скільки справ йому необхідно провести, щоб із ймовірністю
0,8 він виграв не менше 25 справ?
3. Екзаменаційний білет містить три запитання. Імовірність того, що студент правильно відповість на
перше запитання, становить 0,9, на друге — 0,8, на третє — 0,7. Випадкова величина ξ — число
питань екзаменаційного білету, на які студент дасть правильну відповідь. Знайти закон розподілу
випадкової величини ξ, математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне відхилення
σξ .
4. Випадкова величина ξ задана функцією розподілу :

 0, x  2
 3x  6
F(x) =  , 2 x  3
 15 x  3.
 1,
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ набуде значення з інтервалу [–1; 2). Побудувати графіки функцій F(x) та p(x).

Варіант 10
1. Викладач перевіряє контрольні роботи 12 студентів. Імовірність того, що за роботу буде поставлено
задовільну оцінку, дорівнює 0,9. Знайти ймовірність того, що не менше ніж за 10 робіт буде
поставлено задовільну оцінку. Яке найімовірніше число робіт, за які буде поставлено задовільну
оцінку?
2. Локальна мережа складається з 100 комп'ютерів. Імовірність виникнення збоїв у роботі протягом доби
для кожного з них дорівнює 0,002. Яка ймовірність того, що протягом доби збої виникнуть не
більше ніж у 3 комп'ютерах?
3. Імовірність невідповідності задекларованого товару стандартам становить 0,1. Митник вибирає з
партії один виріб і перевіряє його якість. Якщо цей виріб не відповідає вимогам, то партія
затримується і перевірка далі вже не проводиться. Якщо виріб відповідає вимогам, то митник для
перевірки бере наступний виріб і т. д. Усього він перевіряє не більше п'яти виробів. Випадкова
величина ξ — число перевірених виробів. Знайти закон розподілу випадкової величини ξ,
математичне сподівання Mξ, дисперсію Dξ і середньоквадратичне відхилення σξ.
4. Випадкова величина ξ задана функцією розподілу:
 0, x 1
 x 3  1
F(x) =  , 1 x  3
 26
 1, x  3.
Визначити щільність розподілу p(x), математичне сподівання Mξ і дисперсію Dξ. Знайти ймовірність
того, що ξ набуде значення з інтервалу [2; 3). Побудувати графіки функцій F(x) та p(x).

Контрольна робота №3 “Математична статистика”

Варіант 1

87
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
хі 4 5 8 11 14
mi 5 3 2 8 2
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра ξ пуассонівського розподілу (1–α = 0,95) за вибіркою задачі
1 при невідомій дисперсії.
3. Перевірити гіпотезу про пуассонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 8 12 16 20 24
уi 7 15 23 31 39

Варіант 2
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
[хі, xi+1) [4, 6) [6, 8) [8, 10) [10, 14) [14, 16)
mi 5 3 2 8 2
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметру λ пуассонівського розподілу (1–α = 0,95) за вибіркою задачі
1.
3. Перевірити гіпотезу про нормальний розподіл випадкової величини (1–α = 0,95) за вибіркою задачі 1.
4. Знайти рівняння лінійної регресії та підрахувати вибірковий коефіцієнт кореляції за вибіркою:
хі 5 9 11 17 21
уi 2 5 8 11 14

Варіант 3
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
[хі, xi+1) [3, 5) [5, 7) [7, 11) [11, 13) [13, 15)
mi 4 3 6 3 4
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра σ2 нормального розподілу (1–α = 0,9) за вибіркою задачі 1
при невідомому математичному сподіванні.
3. Перевірити гіпотезу про пуассонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 5 10 15 20 25
уi 4 10 15 22 28

Варіант 4
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
хі 14 15 18 21 24
mi 2 5 6 8 4
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра λ пуасcонівського розподілу (1–α = 0,95) за вибіркою задачі
1.
3. Перевірити гіпотезу про нормальний розподіл випадкової величини (1–α = 0,95) за вибіркою задачі 1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 7 9 11 14 15
уi 5 10 15 19 23

Варіант 5
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
хі 4 5 6 7 9
mi 3 8 7 3 4
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра ξ нормального розподілу (1–α = 0,95) за вибіркою задачі 1
при відомій дисперсії.
3. Перевірити гіпотезу про пуасcонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.

88
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 9 13 16 20 21
уi 5 7 9 12 14

Варіант 6
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
[хі, xi+1) [4, 8) [8, 12) [12, 16) [16, 20) [20, 24)
mi 2 5 6 8 4
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра σ2 нормального розподілу (1–α = 0,9) за вибіркою задачі 1
при відомому математичному сподіванні.
3. Перевірити гіпотезу про пуасcонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 5 10 15 20 25
уi 4 8 12 16 20

Варіант 7
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
[хі, xi+1) [6, 9) [9, 12) [12, 15) [15, 18) [18, 21)
mi 7 5 4 3 6
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра λ пуасcонівського розподілу (1–α = 0,95) за вибіркою задачі
1.
3. Перевірити гіпотезу про пуасcонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 9 15 25 30 35
уi 7 10 14 18 23

Варіант 8
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
хі 9 15 17 20 24
mi 5 8 4 5 3
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра ξ нормального розподілу (1–α = 0,95) за вибіркою задачі 1
при невідомій дисперсії.
3. Перевірити гіпотезу про пуасcонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.
4. Знайти рівняння лінійної регресії та підрахувати вибірковий коефіцієнт кореляції за вибіркою:
хі 7 10 12 15 18
уi 10 12 14 16 19

Варіант 9
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
хі 9 14 16 23 25
mi 3 7 4 5 6
Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра λ пуассонівського розподілу (1–α = 0,95) за вибіркою задачі
1.
3. Перевірити гіпотезу про нормальний розподіл випадкової величини (1–α = 0,95) за вибіркою задачі 1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 5 12 20 25 30
уi 5 8 11 14 17
Варіант 10
1. Знайти вибіркове середнє, дисперсію, моду і медіану для вибірки:
[хі, xi+1) [5, 9) [9, 13) [13, 17) [17, 21) [21, 25)
mi 5 3 2 4 6

89
 Побудувати емпіричну функцію розподілу, гістограму та полігон частот.
2. Знайти надійний інтервал для параметра σ2 нормального розподілу (1–α = 0,9) за вибіркою задачі 1
при невідомому математичному сподіванні.
3. Перевірити гіпотезу про пуасcонівський розподіл випадкової величини (1–α = 0,95) за вибіркою задачі
1.
4. Знайти рівняння лінійної регресії та обчислити вибірковий коефіцієнт кореляції за вибіркою:
хі 4 9 14 18 22
уi -1 3 7 11 15

Відповіді та вказівки

90
Розділ 1
1.1. а) 7; б) 49; в) 28.
1.2. 49; 42.
1.3. 17  16  15  4080.
1.4. 4  5  5  100.
1.5. 4  3  3  36.
1.6. 7!=5040.
1.7. 10  9  8  7  5040.
1.8. 18000.
1.9.  m  1 n  1 .
Cn2 
 n  1n .
1.10.
2
 n  3n .
1.11.
2
1.12. n 2  n  1 2 .
1.13. 302  104.
1.14. C71  C62  105.
15!
1.15. .
 5! 3
1.16. 89!=2903040.
12!
1.17. C12  2,2,2,2,2,2   7484400.
 2! 6
10! 13!
1.18. а) C10  2,3,2,1,1,1   151200; б) .
2!3!2!  2! 3
1.19. 40.
1.20. 1458.
2
1.21. C10  C63  900.
1.22. 4!=24.

1.23.  n ! 2 .
4
1.24. A25.
1.25. A 84 .
1.26.  n  2 !
1.27. 2 n  2 !  n  r  1 .
1.28. 12.
1.29.  n  1 !.
1.30. 86 ;86  13  75.
3 10!
1.31. A10  C92  C73  C44  .
4

Розділ 2
2.1.    1, 1 ,  1, 2 ,  1, 3 ,  1, 4 ,  1, 5 ,  1, 6 ,  2, 1 ,  2, 2 ,  ,  6, 5 ,  6, 6 .
A    2, 6 ,  3, 5 ,  4, 4 ,  5, 3 ,  6, 2 ;

91
 B    1, 6 ,  2, 6 ,  3, 6 ,  4, 6 ,  5, 6 ,  6, 6 ,  6, 5 ,  6, 4 ,  6, 3 ,  6, 2 ,  6, 1
.
2.2.
    Г , 1 ,  Г , 2 ,  Г , 3 ,  Г , 4 ,  Г , 5 ,  Г , 6 ,  P , 1 ,  P , 2 ,  P , 3 ,  P , 4 ,  P , 5 ,  P , 6 .
2.3.    Г , PГ , PP Г ,  .
2.4.    ГГ , PГГ , ГРГ , ГPPГ , РГРГ , РРГГ ,  .
2.5.     x, y : 0  x  1, 0  y  1 .
2.6.     x1 , x2 ,  , xn  : x1  R , x2  R ,  , xn  R .
2.7.  складається з усіх можливих партій, що містять m виробів (число таких партій CN
m

); A складається з тих партій m виробів, серед яких є рівно l бракованих (число таких
ml
партій Cnl  CN n ).
k k
2.8. Cm  n ; Am n .
2.9. а)  ; б) A  B ; в) ( A  C)  B .

Розділ 3
1
3.1.   {1, 2, 3, 4, 5, 6}, а) A  {3, 6}, P  A   ; б)   {1, 2, 3, 4, 5, 6},
3
i i
Pi   ,
6
21 P  A   3  6  9  3 .
i 21 21 21 7
i 1

  1, 2 ,  1, 3 ,  1, 4 ,  1, 5 ,  2, 1 ,  2, 3 ,  2, 4 ,  2, 5 
  3 3
3.2.     3, 1 ,  3, 2 ,  3, 4 ,  3, 5 ,  4, 1 ,  4, 2 ,  4, 3 ,  4, 5 , а) ; б) ; в)
 5,1 ,  5,2 ,  5,3 ,  5,4  5 5
 
3
.
10
Ar
3.3. 1  365r .
 365
6!
3.4.  0,0154.
66
7
A10
3.5.  0,06.
107

4 24
5 35
3.6. p1  1    , p2  1    . Беручи до уваги нерівність  1  x  n  1  nx, x  1,
 6  36 
6 6 24 4
35 1 1 5  35   5
дістанемо     1    1   . Тоді      і p1  p2 .
 36   36  6 6  36   6
r
A12
3.7. P  A   1  , r  12 і P  A   1 при r  12.
12r
12!
3.8.  0,0005.
1212

92
 30! 6 1
3.9. 6 6
 C12 
 0,0035.
2 3 1230
3 7
3.10. а) ; б) .
10 10
C72 7 C2 1
3.11. а) 2  ; б) 23  .
C10 15 C10 15
12  8! 2
3.12.  .
10! 15
2 n  r  1
3.13. .
n n  1
kr
Cnr  Cm
3.14. .
Cnk  m
m
CM  CNn mM m k
CM  CNn kM
3.15.
CNn
;  CNn
.
k0
min m, r  s
Cm  Cnr  m
s
3.16.  Cnr
.
s1
k
Cni  CNkin
3.17.  CNk
.
i r
1
3.18. Iмовірність повного виграшу 6
 105 ; ймовірність відгадати i чисел дорівнює
C39
6 i 6 i
C6i  C33 6
C6i C33
6
C39
, i  5,4,3; ймовірність одержати виграш  6
C39
.
i 3

C21C2nn12 n 2C22C2nn22 n 1 C42C2nn24

3.19. а)  ; б)  ; в) .
C2nn 2n  1 C2nn 2n  1 C2nn
12!
3.20.  0,003438.
26  612
1 1 65 4 5
3.21. P  A   ; P B  ; P  C   .
216 36 63 9
C93 26 C93C63C33 C94 C53C22
3.22. а) ; б) ; в)  3!.
39 39 39
4
C10  24
3.23. 4
 0,6935.
C20
392 439 167
3.24. а) ; б) ; в) .
500 500 500
3.25. P  A   0,3; P  B   0,72;
P  A  B   0,8; P  A  B   0,22.

3.26. P  A   0,75; P  A  B   0,41;

P  A  D   0,22; P  A  B   0,81;

93
 P  A  C  0,84.

Розділ 4
 a  d 2
4.1. .
a2
1 2
nR 2 sin
S
4.2. n  2 n  n sin 2 .
Skр R 2
2 n
4.3.     x, y, z : 0  x  a, 0  y  a, 0  z  a ,
1
A    x, y, z : x  y  z, x  z  y, y  z  x ; P  A   .
2
r
4.4. 1  .
a
6
4.5.  0,316.
19

4.6.
2 arccosr R  .

4.7.
2 arcsin r 2R  .

2
r
4.8. .
R2
1
4.9. .
4
1
4.10. .
4
2
4.11. .
3
4.12. Нехай x — відстань від середини голки до найближчої паралелі,  — кут, який
утворює голка з цією паралеллю. Тоді
    x,   : 0    a, 0      ; A    x,   : x  l sin  

і  l sin d
P A  o 
2l
.
a a
2
1  23 1 3 2 1 1 2
4.13. P A    
dx    ln 2.
2 3 1 9x 18 3 9
3
4 ln 2  3
4.14. .
18
3 ln 2  1
4.15. .
8

94
 3
4.16. .
4
4.17. a) a 2 , при 0  a  1 і 1, при a  1;
  
a 2 a2  1 
a2 2
 arcsin 1   arcsin a  1  ,
б) , при 0  a  1; 2       при
4  a 
a


1 a  2 і 1, при a  2;
1
в) .
12

Розділ 5
5.1. а) P  A   P  A  B  ; б) – в) 1  P  A   P  B   P  A  B  ; г) 1  P  A  B  ;
д) P  B   P  A  B  ; е) P  A   P  B   P  A  B  .
5.2. P0  1  P  A   P  B   P  A  B  ; P1  P  A   P  B   2P  A  B  ; P2  P  A  B  .
5.3. а)    ГГ , ГР , РГ , РР ; б) A   ГГ , ГР , В   ГГ , РГ ;

1 1 1
в)
РА  РВ  ,РА В  ; РВ \ А  .
2 4 4
7 3 1
5.4. в)
P  B  ; P  A  B  ; P  B \ A  .
n
8 8 2 n
5.5. а)  Ai  Bi , де B1  A1 , B2  A1  A2 ,..., Bn  A1  A2  ... An 1  An .
i 1 i 1

 n   n  n n
Події Bi несумісні і Bi  A i . Тоді P   Ai   P  Bi    P  Bi    P  Ai  .
 i 1   i 1  i 1 i 1

5.6. При n  2 P  A1  A2   P  A1   P  A2   P  A1  A2   P  A1   P  A2   1.
Далі скористатися методом математичної індукції.
5.7. Використати нерівність задачі 5.6.
7
5.8. .
9
2
C10 C62 1
5.9. 2
 2
 .
C16 C16 2
5.10. 0,6
6 5 28
5.11. 1     0,9655.
30 29 29

95
Розділ 6
1
6.1. .
3
5 43 1
6.2. 1   .
65 4 2
m1
6.3. .
mn 1
10  59
6.4. 1   0,61.
610  510
20
6.5. .
21
P A   A  B P A
6.6. P  A / A  B    .
P A  B P A  P B
21
6.7. .
46
6.8. Незалежні.
6.9. 0.
6.10. Доведемо, що A і B незалежні.
 
P A  B  P  B \ A  B  P  B  P  A  B 
 P  B   P  A   P  B   P  B  1  P  A    P  B   P A .  
6.11. P  A   B1  B2    P  A  B1   P  A  B2   P  A  P  B1   P  A  P  B2  
 P  A   P  B1   P  B2    P  A  P  B1  B2  .
6.12. P  A   B  C   P  A  B   P  A  C  P  A  B  C 
P  A   P  B   P  C   B  C   P  A   P  B  C .
A і B \ C.

P A  \B C  P A  \B A B C  P A B  P A B C 

Доведемо незалежність

 P  A   P  B   P  B   P  C    P  A   P  B \ B  C 

 P A  P \B C.

96
6.13.
P  A   B \ C  P  A  B   P  A  C  
 P  A   P  B   P  C  P  A  P  B \ C  .
1 7 3 7
6.14. P  A   , P  B  , P A  B   P  A  P B  .
2 8 4 16
6.15. Незалежні.
1 1
6.16. P  A   P  B   P  C  , P  A  B   P  A  C  P  B  C  .
2 4
P  A  B   P  A   P  B  . Аналогічно, попарно незалежними є події A і C, B і C.
1 1
Але P  A  B  C   P  A   P  B   P  C  .
4 8
6.17. Оскільки P  A  B   P  A  P  B  і A  B  A , то P  A   P  A   P  B  . Тоді
P  A   0, або P  B   1.
6.18. P  A  A   P  A   P  A  . Тоді P  A   P 2  A  .
Отже , P  A   0 або P  A   1.
6.19. a) 0,56; б)0,06; в) 0,94; г) 0,38.
2 1
6.20. Імовірність виграшу першого гравця , а другого — .
3 3
nm m
6.21. та .
n  2m n  2m
6.22. Використати метод математичної індукції.
155 25
6.23. а) ; б) ;
200 80
в) P  A   0,775, P  B   0,5, P  A  B   0,325  P  A   P  B   0,3875.
Тобто події A та B – залежні.
6.24. P  A   0,25, P  B   0,48; P  A  B   0,15  P  A   P  B   0,12.
A і B – залежні події.

Розділ 7
13
7.1. .
30
5
7.2. .
8
7.3. Подія A — поява білої кулі з другої урни. Можуть бути два припущення: H 1 —
m1
переклали білу кулю, H 2 — переклали не білу кулю. Очевидно, P  H 1   ;
n1

97
 n1  m1 m
P H 2    1  1 . Події H 1 , H 2 утворюють повну групу подій і за
n1 n1
формулою повної ймовірності
m1 m2  1  m1  m2 m n m
P A  P H 1 P A / H 1  P H 2  P A / H 2     1     1 1 2.
n1 n2  1  n1  n2  1 n1  n2  1
1
7.4. Нехай подія H i — i білих куль в урні, i  0,1,...,n. Тоді P  H i   . A—
n1
n
i i 1 1
поява білої кулі з урни. P  A / H i   . Отже, P  A      .
n i 0 n n  1 2
7.5. Нехай подія H 1 — в урні біла куля, H 2 — чорна. A — перша витягнута куля біла, B
— друга витягнута куля біла. Тоді
P  A  B P  A  B / H 1P  H 1   P A  B / H 2 P  H 2 
P B / A   
P A P A / H 1P H 1  P A / H 2 P H 2 
1  12 2
  .
1  12  12  12 3
n2
7.6. .
2 n  1
7.7. Нехай подія Ai — з i-ї урни переклали білу кулю.

Тоді P  A1  
m
m k
   
; P  A2   P  A2 / A1  P  H 1   P A2 / A 1 P A 1 
m1 m m k m
     і т. д.
m k 1 m k m k 1 m k m k
m
Тобто P  A1   P  A2   P  A3   ...  P  An   .
m k
7.8. Див. позначення задачі 7.4.

i  1
P A / H i P H i  n n1 2i
P H i / A   
P A 1 n n  1
2
2
і P  H n / A   max P  H i / A   .
i n 1
7.9. Див. позначення задачі 7.4. Нехай подія A — перша витягнута куля біла, B — друга
витягнута куля біла. Тоді
P A  B n P  A  B / H i P  H i  2 n 2 1
P B / A 
P A
  1 C

 2  Ci 
n  1

i 1 2 n i 2

2 n
2 n n  1 n  1 2
 
 i  i  1 
n n  1 n  1 i  2 n n  1 n  1

3
 .
3
7.10. Використати формулу Байєса. Введемо такі події: A — витягнута куля біла, H 1 — вона
з першої групи урн, H 2 — з другої групи урн.

98
 k1 k2
P H 1  , P H 2   ,
k1  k2 k1  k2
m1 k
 1
P A / H 1P H 1 m1  n1 k1  k2
P H 1 / A   
P A / H 1P H 1  P A / H 2 P H 2  m1 k1 m2 k2
  
m1  n1 k1  k2 m2  n2 k1  k2
m1k1  m2  n2 
 .
m1k1  m2  n2   m2k2  m1  n1 

7.11. Нехай D — випадкова подія, яка полягає в тому, що є два влучення. Тоді
PC  D p3 p1  1  p2   p3 p2  1  p1  10 1
P C / D     .
P  D p3 p1  1  p2   p3 p2  1  p1   p1 p2  1  p3  19 2
7.12. Введемо такі випадкові події: Ai — ведмедя вбив i-й мисливець, i=1, 2, 3; B —
ведмедя вбито однією кулею.
Тоді P  p1  1  p2  1  p3   p2  1  p1  1  p3   p3  1  p1  1  p2   0,464;
P  A1  B  p1 1  p2 1  p3  0,048 3
P  A1 / B      ,
P B 0,464 0,464 29
0,128 8 0,288 18
P  A2 / B    ; P  A3 / B    .
0,464 9 0,464 29
7.13. Випадкові події: H 1 — загублено білу кулю, H 2 — чорну кулю, A — витягнуто дві
білі кулі.
P A  H 1 P A  H 1
P H 1 / A   
P A P A / H 1P H 1  P A / H 2 P H 2 
3
Cm
Cn3m m 2
  .
2
Cm 1 m Cm2
n n  m 2
  
2
Cnm1 nm Cn2m1 nm
7.14. Випадкові події: A — витягнуто білу кулю з другої урни; H 1 — перекладено 2 білі
кулі з першої урни, H 2 — білу та чорну, H 3 — дві чорні.
3
6 C32 5 C31  C21 4 C22
P A   P A / H i P H i         0,52.
i 1 10 C52 10 C52 10 C52
np2
7.15. .
p1  np2

7.16. 6 .
7
7.17. а) 0,0345; б) 25 ; 28 ; 16 .
69 69 69

99
Розділ 8
8.1.
 0 1 2
P 1 1 1
4 2 4
3 1
M   1; M  2  ; D  .
2 2
8.2.
 2 3 4 5 6 7 8 9 10 11 12
P 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
M  7.

8.3.

 

  Г , РГ , РРГ ,...,РР
 ...
РГ ,...
  ,

 n 

wn  РР
 ... ,   wn   n ,
РГ

n

1 1 1
pn  P   n 
2n
; P   1   2n 
2
,
n 2
n
1 1
P   n   2i  1
2n
.
i 1

8.4. pn  P   n   1  p n 1  p.

8.5. а) не розподіл, бо  pk q2  pq  1;
k 1

б) розподіл, бо  pkn q  1;
k n
 
1 1 1
в) розподіл, бо  k k  1    k  k  1   1.
k 1 k 1

n n  1
8.6. M   0, D  .
3

8.7.
 0 1
P 1 2
3 3

M   2 3 ; D  2 9 .
8.8.
 3 9 15
P 0,4 0,1 0,5

M   9,6.

100
8.9.
 2 1
2
P 0,3 0,7


M   14  3 2 / 20, 
D  0,315  0,21 2.
8.10.
 1 2 5  0 1 2
P 0,3 0,5 0,2 P 0,3 0,5 0,2

8.11. 9; 40.
8.12. 2.
8.13. Нехай x m  max x i ,
1i r
n
r x 
M  n1
 x in1  pi 
x m pm   i  pi  x i
i  m x m 
lim  lim i 1r  lim  xm .
n  Mn n  n 
x 
n
 x in  pi

pm   i  pi
i 1 i  m x m 
xi
При цьому використовується, що  1, i  m.
xm
8.14. Нехай  — прибуток у банку A, а  — у банку B.
Тоді M   M   2220$,    2697,    2030.
   
8.15.  P   i    P   k   iP   i  M  .
i 1 i 1 k  i i 1
8.16. Знайти сумісний розподіл  і  . Показати, що для будь-яких i , j  1,2,...,
6
1
P   i ,   j   P   i P   j   .
36

 0, i  j
 1
8.17. P   i ,   j     6  i  1 , i  j .
 36
 1 ,i  j
 36
7
M   , D 
35
.P   i 
13  2i  , i  1,2,...,6.
2 12 36
91 1555 85
M  , D  , cov  ,    ,    ,    0,68.
36 1296 72
1 1
8.18.Ні. Розподіл    має вигляд P   0  , P   14  ;
2 4
1 1
P   1,   1   P   1 P   1  .
8 16
M   0, D  1, M   0, D  12 .
cov  ,   M  2  M   M  2  0.

101
 Отже,  (  ,)  0.
8.19. Нехай M  1  M  2  m, M  12  M  22  a.
Тоді M   2m, M   0, M   M  12   22  0.  
Отже, cov  ,    M   M   M   0 і    ,   0.
8.20. Скористатися задачею 8.19.
 
8.21. P  1   2  n   P  1   2  n /  1  k P  1  k   P  2  n  k P  1  k .
k   k  

 k1
  n  1 2 , k  0,1,...,n
8.22. P   k  
2n  k  1
 , k  n  1,...,2n.
  n  1 2

Розділ 9
9.1. 1  0,6n  0,9. Тоді n  5.
50
9.2. Скористаємось теоремою Пуассона: n  30, p   0,1,   30  0,1  3.
500
а) Pn  2  0,22404; б) P   2  Pn  0  Pn  1  0,19915;
в) P   2  1  Pn  0  Pn  1  1  0,04979 0,14936 0,80085;
г) P   0  Pn  0  0,04979.
9.3. а) 0,18045; б) 0,32332; в) 0,13534.
6
21 291 1 53
9.4. а)  C10k   0,5 10  32 ; б) 512
; в)
1024
; г)
64
.
k4
9.5. 0,958  0,6634.
9.6. Pn  k0  1  Pn  k0  і Pn  k0  1  Pn  k0  . Розпишемо першу нерівність
q p
Cnk  1 pk  1qn  k  1  Cnk pk qn  k . Після скорочення дістанемо n  k  1  k ,
0 0 0 0 0 0

0 0
тобто k0  np  p. Аналогічно розписуючи другу нерівність, дістанемо k0  np  q.
2 4
1 2 80
9.7. P6  2  C62      .
 3  3 243
9.8. а) k0  2, k0  3, P14  2  P14  3  0,25; б) P   4  0,302.
9.9. 24 або 25.

 Cnk 
n
2 1 C2nn 1
9.10. n
 n
 при великих n. Тут використовувались комбінаторна
k0 4 4 n

 Cnk 
n
2
тотожність  C2nn і формула Стірлінга n!  2nn n en .
k0
9.11. Скористатися теоремою Пуассона. n  1000, p  0,001,   np  1.
1 1 1 1 1 1
а) P  2    4  e  e  e  0,26058;
2! 3! 4!
б) P   1  0,36788;
в) P   3  0,98101.
9.12. Аналогічно задачі 9.11: n  5000, p  0,001,   np  5.
P   2  1  e5  5e5  0,95957.

102
9.13. 0,43348.
9.14. Скористатися локальною теоремою Муавра—Лапласа.
а) 0,0532; б) 0,0219.
9.15. В силу інтегральної теореми Муавра—Лапласа

  50   np 10   1
1,43
P  0    60  P     e
 t2 / 2
dt 

 49,75 npq 49,75 
 2  7,09
   1,43    7,09  0,92364 .
Значення   7,09  0,5 з точністю 1010.
9.16. а) 0,0005; б) 0,9510; в) 0,9043.
n n
9.17. M    k  Cnk pk qn  k  np Cnk11 pk 1qn  k  np p  q n 1  np.
k 1 k 1

 kCnk  nCnk 11 .

n n n n
M2   k2Cnk pk qn  k  n  kCnk 11 pk qn  k  np  Cnk11 pk  1qn  k  n   k  1 Cnk11 pk qn  k 
k 1 k 1 k 1 k2
n
 np  n n  1 p2  Cnk22 pk  2qn  k  np  n n  1 p2   np 2  npq.
k2
D  M  2
  M   2  npq.
3 2 4 4
 1  1 40  1  1 35
9.18. C53        C84       .
 2  2 128  2  2 128
2
9.19. n  18, p  .
3
 
1 q
9.20. M    k  qk  p  pq  k  qk 1  p  q  1  q 2 
p
.
k 1 k 1
Тут використали такі рівності:
 

1    
 1  1
 qk  ;   qk  
1  q  k  0 
 kqk 1
 


 1  q 
  1  q 2
.
k0 k 1
  
2 1 2q2 q
M2   k2qk p  q2 p k k  1 qk  2  qp kqk 1  q2  p   1  q 3
 qp
 1  q 2

p2

p
k 1 k2 k 1
2
q q2 2q q q q
D  M  2   M   2   2   1    2 .
2

p p p p  p  p
9.21. Необхідність. Нехай  має геометричний розподіл, тоді
qk  r  p qk  r   1  q
P   k  r /   k    k
 qr  p  P   r 
q .
 qi p
i k

Достатність. Нехай виконується рівність задачі. Позначимо pk  P   k .

P   k  r  Pk  r
P   k  r /   k  
 
 pr .
Тоді
 P   i  pi
i k i k

pr  1  pr  pi  pr  1  p0   pr  1  1  p0  2  ...  p0  1  p0  r  1 .
i 1

Отже, pk  p0  1  p0  k . Нехай p0  p,1  p0  q, тоді pk  pqk , що і треба було

довести.

103
9. 22. P   13/   10  P   3   1  p 3  p.
n
9. 23. P  1   2  n   p  qk  p  qn  k  p2qn   n  1 .
k0
P  1  k,  1   2  n P  1  k  P  2  n  k
P  1  k /  1   2  n   
P  1   2  n P  1   2  n
p  qk  p  qn  k 1
  , k  0,1,...,n.
p q  n  1
2 n
n1

9.24. P   k  pqk 2  qk  qk  1 
P   k,  1  i  q k i 2
 p ,k  i і

P   i ,  1  i   1  qi  1 qi p. 
 k 
 k  1
9.25. M   k e   e      e  e    .
k 1 k! k  1  k  1 !
 
k kk
M2   k2  k! e   e    k  1 ! 
k 1 k 1

   k2
k  1  
 e   2    2
    .
 k 2  k  2 ! k 1  k  1  ! 
D  2    2   .
ki
1i   2
k
9.26. а) P  1   2  k   i! e 
 k  i  !
e   2

i 0

e     k
k! e    
 i !  k  i  ! 12  1  2  k ;
1 2 1 2
i ki
 
k! i 0 k!
б) див. задачу 9.23.
k   e e  
 1  e 

 
1 1 k  1
9.27. M  
1   k  0 k  1 k!
e 

  k  1 !  
e 1 

.
k0
1 a
9.28. Розподіл Паскаля є геометричним розподілом з p  ,q  .
1 a a1
q q
Тоді M    a, D  2  a a  1 .
p p
n n
k k  1
9.29. P   k       , k  1,2,...,N .
N   N 
N 1 n
k
M  N    N  .
k 1

Розділ 10
10.1. в), г), д).
 1 x
  e , x  0, 2
10.2. a  , F  x   2 M   0, D  2 .
2 1 
1  e x , x  0,
 2

104
   1
10.3. а) Не може бути щільністю; б) c  .
  1
10.4. F  x   1  F  x  0 .
10.5. Рівномірний розподіл на  0,1.
 0, x   0,1

10.6. а) F  x    1
, x   0,1 ,
 2 x
 0, x  1
б) F x   1
, x  1,
 x 2
 0, x   1, e
в) F  x    1
, x   1, e .
 x
10.7. Рівномірний розподіл на  0,1.

10.8. а) 1 ; б) 1 .
4 2
10.9. а) e1 ; б) e1 ; в) e1 .

10.10. Рівномірний розподіл на  2 , 2.

10.11. Рівномірний розподіл на  0,1.

  
10.12. F  x   P   x  P  x   
2

x 
2

 
arctg x , x  0;

 0, x  0

P  x    1  1  1 , x  0.
 1  x x
 0, x    1,1

10.13. P  x    1
, x    1; 1 .
 1  x 2
10.14. Нехай x  0. Тоді
1  1  1 
F  x   P   x   P   x,   0  P   x,   0 
        

 1  1 1 1 1  1  1  1
= P   ,   0    1    arctg    1  arctg  .
 x  2 2 2   x   x
Якщо ж, x  0, то
1  1  1 
F  x   P   x   P   x,   0  P   x,   0 
     
1  1 1 1  1  1  1
P     0     arctg    arctg  .
x  2 2   x    x
1 1
P  x   , x  0.
 1  x2

105
10.15. Рівномірний розподіл на  0,1 .(Див. задачу 10.7).
 x
1  e , x  0, M   1.
10.16. F  x   

 0, x  0
 
1  e , x  0
x

10.17. F  x   

 0, x  0
k! 1
k
10.18. M   k
, D  , P   1  e  .
 2

10.19. M  
ab
, D 
 b  a 2 .
2 12
10.20. M   a, D   2
  x  a 2

1 
M a 
2 
 x  ae 2 2 dx 

 
  t2 2  t2

2
 te 2 dt 
2
 te 2 dt 
 0

2 dy 2

2
 2ye y
2y


.
0
1
10.21. а) a  ;
2
 1, x   2

1  sin x  
б) F  x    , 2 x 2
 2
 0, x    2 .
2
в) .
4
 1, x  2
 2
F  x   x 4 ,0  x  2
1
10.22. а) a  ; б)
2
 0, x  0.

 1, x  1
 3 1
10.23. а) F  x   x ,0  x  1 ; б) .
 0, x  0 8

10.24. M   43 ; D  29 ; P    M   0,5  23 .
1
10.25. M   1, D  .
6
2 1
10.26. M   0; D   .
12 2
10.27. а) 1 ; б) e  1.
2

106
 
1 1
10.28. M min  ,1   min x ,1 1  x 2 dx 
 

2 1 x

dx  1 1
 

  0 1  x 2
dx   1  x 2   2   ln 2.
1 
D
10.29. P  0,5    1,5  P    1  0,5   0,16 .
0,52
M
10.30. Скористаємося нерівністю P      .

55 11
P   175   .
175 35
75
10.31. P   200  1   0,625.
200
 0, x  1
10.36. p  x   
1  x , x  1.
 0, x  ( 0,1)  0, x  1
10.37. а) p  x    б) p  x   
ln x, x  ( 0,1) 1  x , x  1.
 0, x   0;1
в) p  x   
2  2x,0  x  1.
  x
10.38. а) p   x   e ;
2
  x
e , x  0
б) p   x   

 0, x  0.
12x  1  x  , x   0,1
 2
10.39. p  x   

 0, x   0,1 .

 0, x  0 1
10.42. а) F  x    x , x  0; б) p x   2
, x  0; в) не існує.
1  x 1  x

1

  x  u  a1  2  u  a2  2 
10.43. p  2  x    2 12  2 22 du.
exp
1
2 1 2 
Позначимо z  u  a2 , w  x  a1  a2 . Тоді
  2 2 
2 
  1  1  2
  22 2 
 x  1   w dz 
p 1
 2
2 1 2   2    1 2
exp   z  w
 1  12   22
 2 2 
 1   2 

    
  
1  1
1  w2 /   12   22   t2 1   x  a1  a2  2 /   12   22 

2  12   22
e 2
 e 2dt 
2  12   22
e 2


10.44—10.45. Доведення провести, використовуючи метод математичної індукції.

107
 m
 m  n  2 1
 x
10.46. p x    2 
m n
, x  0.
n
   m
   1  x  2
 2  2 
 0, x   0,3
 x
 ,0  x  1
 2
10.48. p x    1
,1  x  2
 2
1
  3  x  ,2  x  3.
2

 0, x  1
 1
10.49. p x    1 e 
   x  1

,1  x  1
 2
 
 1 e   x 1  e   x  1 , x  1.
 2
21
10.50. а) 0; б) .
5
 
10.51.  2   2 /  2   2 . 
10.52. а) так; б) не завжди; наприклад,
1 1
P   1  ; P   1  , а      .
2 2
Ці випадкові величини попарно некорельовані, але 1  M   M   M   0.

Розділ 11
11.1. а), б), г), е), є) – виконуються; в), д) – не виконуються.
11.2.   0,5.
1 n
11.3. ln  n  1   ln  k  0 за ймовірністю в силу ЗВЧ. Тут використали те, що
n k 1
1
M ln  k   ln xdx  1 і n  1 за ймовірністю.
0


 ln xe
x
11.4. ec , c  dx.
0

11.5. Нехай  n , n  1 — послідовність незалежних однаково розподілених випадкових

величин з рівномірним розподілом на  0,1 .
В силу ЗВЧ
1 n 1 1 n 
  k  M  1  , n   за ймовірністю і f     f  1 , n   за ймовірністю

n k 1 2 n k   2
 k 1 
для будь-якої неперервної функції. Згідно з теоремою Лебега, якщо f  x  — обмежена
функція, то

108
 1 n 
Mf  
   Mf  1   f  1 , n  .
n k   2  2
 k `1 
1 n1
1 n   x1  ... xn 
Але Mf  
 k    ... f  dx1 ...dxn .
 n k 1  0 0
n 
m
11.6.
e 2.
11.7. 2m.
11.8. –1.
11.9. Закон великих чисел та центральна гранична теорема виконуються.
11.10. При   12 .
3
M  k  0, D k  k 2 , M  k  k3 ,
n
n 2 `1
Bn2   k2 ~
2  1
, при 2  1  0.
k 1
n
При   1  k ~ln n , а при   12
1
Bn2  Bn2 обмежена при n  .
2 k 1
n
n 3  1
Аналогічно при   13 Cn3   k3 ~ 3  1
, а при    13 Cn3 ~ln n , і при
k 1

  13 обмежена.
Оскільки при   1
2
n 3  1  0 n

3  32 


3
 
3
 , то Cn  0 Bn і умова Ляпунова виконана.

При   12 не виконується умова рівномірної малості.

При   1 також Cn3  0 Bn3 .
2
11.11. Не виконується.
* x 
11.12.   .
 2 

Розділ 12
12.1. а) 2,2,2,3,3,3,4,4,4,4,5,5,7,10,10;
б) yi 2 3 4 5 7 10
mi 3 3 4 2 1 2

0, x  2
1 ,2  x  5
 14

а) Fn  x   4 ,5  x  7
*
12.2.
14
6 ,7  x  8
 14
1, x  8

109
 0, x  0
8 ,0  x  1
 60
25 ,1  x  2
 60
4160 ,2  x  3
б) F  x   
*
n 51
 60,3  x  4
57 ,4  x  5
 60
59 ,5  x  7
 60
1, x  7
n
12.3. M   1  b   b  a ,
n1
n
M   n  a   b  a ,
n1
n b  a 2
D  1  D  n   ,
 n  2 n  1 2
 
cov  1 ,   n  
 b  a 2
.
 n  2 n  1 2

Розділ 13

13.1. x  16,46; M 0  M e  16; S 2  4,92.

13.2. x  11,32; M 0  11, M e  10,75; S 2  14,7.

13.3. x  3,2; M 0  3, M e  3; S 2  5,96.
2
13.4. Скористатися тим, що M  i  a  .


13.5. Скористатися тим, що  1   2 має розподіл N 0,2 2 . 
13.6. Скористатися тим, що  1   2 має розподіл N 0,2 . 2



13.7. a n
1
 n       , b  1  n       .
1 n n n 1
n 1 n 1
ab   1    n 
13.8. Незміщеними і спроможними оцінками будуть статистики  і ;
2 2
 n  1    .
 
незміщеною і спроможною оцінкою для  b  a буде статистика
 n  1  n   1
Використати результати задачі 12.4.
n 1
13.9. .
2 n  1

110
  i  1 1
13.10.  n  1min
i n
   1  .
n1 n1
1
13.11. Показати, що M min  i    .
1 i  n n

Розділ 14
n
14.1. Скористатися тим, що I    .

n
x n 1  x 1
14.6. T       i , pT  x    n  1 !
e  n.

i 1

 
 
n
1
14.7. C   1  e , T      max  i ;   i .
2

  1 i  n i 1 
n
14.8. T       i ; T   має розподіл Пуассона з параметром n .
i 1
 ln x  a 2

1 
14.9. p  x   e 2 , x  0,
2

2 x
a
 
2

 e2a   e  1 ,
2 2
14.10. M  e 2 ; D
 n n 
 
T       i , ln 2  i  .

 i 1 i 1 

Розділ 15

15.1.  n   — незміщена та спроможна оцінка.
 3 n
15.2.  n2    i2 — незміщена і спроможна оцінка.
n i 1
 2 1  2 1 n 2
15.3. a n 

, bn  1 
2 1

, де 2   k .
n k 1
3  1
15.4. k        . Оцінка максимальної правдоподібності —
3
, n
4
3
 
1 n 3
n  3  k .
n k 1
 1 n
15.5.  n      k — незміщена й ефективна оцінка.
n k 1
   2 1 n 2
15.6.  
2  2
, m 
2  2
, де  2    k . Ці оцінки спроможні. У числовому
n k 1
ˆ ˆ
прикладі m  1,678,   4,79.

111
 4 n 2
15.7. 
    k
n k 1
n  .
2
 
15.8.  n  .
n

15.11.  n    1 — незміщена й ефективна оцінка.
 n
n  n
15.12. — спроможна оцінка.
 ln 
k 1
k

Розділ 16

16.1.  n 
C  
  C

   
 n 1   n     n    n 1   n , n  .
n
 
n n
16.2. 0,304    0,496.
16.3. 1,53    2,47.
 
 
16.4. 2C 2C
1 1
n n
n 
16.5. a) I    ; n   .
   1
C

     1       1.
C
  
n n
n ˆ
б) I    ,  n    1.
   1
C
 C
  1     1      1     1 .  
n n
16.6. а) 1,325  a  2,675, 0,951   2  4,074.
16.7. 14,23    19,37.
16.8. 6,31   2  18,81.
 
  .
16.10. C C
1 1
n n
16.11. 0,7216  p  0,8784.

Розділ 17
17.1. а)  n2  0,55;  32;0,05  7,8; 0,32  7,8, гіпотеза приймається.

17.3. б)  n2  6,22;  42;0,01  13,3; 6,22  13,3, гіпотеза приймається;

2 2
д)  n  1,66;  1;0,05  3,8; 1,66  3,8, гіпотеза приймається.
17.4.  n  0,581;  0,1  1,224; 0,581  1,224, гіпотеза приймається.
2 2
17.5.  n  2,07;  3; 0,05  7,8; 2,07  7,8, гіпотеза приймається.

112
17.6. n  1,13;  0,05  1,358; 1,3  1,358, гіпотеза однорідності приймається.
17.7.  n  0,58;  0,01  1,627; 0,58  1,627, гіпотеза однорідності приймається.
2 2
17.8.  n  3,75;  1; 0,1  2,7; 3,75  2,7, гіпотеза незалежності відхиляється.
2 2
17.9.  n  20,48;  2 ; 0,05  6,0; 20,48  6,0, гіпотеза незалежності
відхиляється.
2 2
17.10.  n  0,696;  1; 0,1  2,7; 0,696  2,7, гіпотеза незалежності приймається.
2 2
17.11.  n  3,43;  3; 0,05  7,8; 3,43  7,8, гіпотеза однорідності приймається.
2 2
17.12.  n  1,6;  1; 0,05  3,8; 1,6  3,8, гіпотеза приймається.

Розділ 18
18.1. а) t  0,94; t18;0,05  2,10; 0,94  2,1 і гіпотеза про рівність математичних сподівань
приймається;
б) t  1,67; t12;0,05  2,18; 1,67  2,18 і гіпотеза про рівність математичних
сподівань приймається.
18.2. C  0,43; C  1,96; 0,43  1,96 і розбіжність між середніми пояснюється
випадковими причинами.
18.3. а) t  3,26, t9; 0,95  2,26, 3,26  2,26, гіпотеза про рівність математичних
сподівань відхиляється;
б) F  2,45, F 0,05; 4; 5  5,19, F  F 0,05; 4; 5 , гіпотеза про рівність дисперсій
приймається.
18.4. C  1,325, C  2,57; C  C , гіпотеза про рівність математичних сподівань
приймається.
18.5. F  2,05, F 0,05; 10; 14  2,60, F  F 0,05; 10; 14 , гіпотеза про рівність дисперсій
приймається.
18.6. tn  1,42, t16; 0,95  2,12, 1,42  2,12, гіпотеза приймається.

Розділ 19
19.3. а)
0,9   
y  2,3  , a 0  2,3; a1  0,9; 1,38  a 0  3,21; 0,51  a1  1,29;   0,985.
x
19.4.
  
y  4  0,65x, a 0  4; a1  0,65; 1,979  a 0  6,021; 0,2802  a1  1,0198;   0,982.

19.5.   0,882.
19.6.
  
y  0,1  2,4 x, a 0  1; a1  2,4;  2,13  a 0  2,33; 1,792  a1  3,008;   0,996.
19.7.   0,922.

19.8.   0,882.

Розділ 20
20.1. F  3,65, F 0,05; 3; 16  3,24, F  F 0,05; 3; 16 , вплив фактора A суттєвий.
20.2. F A  0,67, F 0,05; 1; 2  18,51. Оскільки 0,67  18,51, то вплив фактора A
несуттєвий.
F A  1,32, F 0,05; 2; 2  19. Оскільки 1,32  19 , то вплив фактора B несуттєвий.

113
20.3. F A  25, F 0,05; 1; 2  18,51. Оскільки 25  18,51, то вплив факторa A суттєвий.
F A  4,3, F 0,05; 2; 2  19. Оскільки 4,3  19, то вплив факторa B несуттєвий.

Розділ 21
21.1.
98-1 98-2 98-3 98-4 RMSE MAD RMSPE MAPE
Експоненціал. 1213,0 1213,0 1213,0 1213,0 232,7 232,5 23,7% 23,7%
Холт—Вінтерс 1234,2 1253,4 1272,7 1291,9 283,1 282,6 28,9% 28,8%
21.2.
98-1 98-2 98-3 98-4 RMSE MAD RMSPE MAPE
Експоненціал. 497,2 497,2 497,2 497,2 162,0 139,1 23,5% 20,3%
Холт—Вінтерс 527,8 559,4 590,9 622,5 129,7 122,3 20,5% 19,4%
21.3.
98-1 98-2 98-3 98-4 RMSE MAD RMSPE MAPE
Експоненціал. –382,6 –382,6 –382,6 –382,6 317,6 250,6 189,6% 118,0%
Холт—Вінтерс –299,6 –228,7 –157,9 –87,0 261,5 222,0 90,9% 72,4%

21.4.
98-1 98-2 98-3 98-4 RMSE MAD RMSPE MAPE
Експоненціал. 3842,2 3842,2 3842,2 3842,2 467,6 417,5 14,3% 12,6%
Холт—Вінтерс 3917,6 3985,9 4054,3 4122,6 648,2 595,4 19,8% 17,9%
21.5.
98-1 98-2 98-3 98-4 RMSE MAD RMSPE MAPE
Експоненціал. 4940,7 4940,7 4940,7 4940,7 922,9 869,9 23,9% 22,1%

Холт—Вінтерс 4923,6 4908,7 4893,9 4879,0 880,3 830,5 22,8% 21,1%

21.6.
Стаття AR(1)-процес RMSE MAD RMSPE MAPE
Експорт послуг x t  1762 0,44x t 1 237,96 237,6 24,3% 24,2%
Імпорт послуг x t  143  0,79x t 1 86,93 68,8 16,1% 11,9%
Експорт товарів x t  4765 0,22x t 1 521,41 468,7 15,9% 14,1%
Імпорт товарів x t  6825 0,39x t 1 905,36 855,7 23,5% 21,7%
Баланс товарів та послуг x t  270  0,03x t 1 308,30 240,8 152,8% 97,3%
21.7. yt  299,86  41,51t.

114
Додатки
x2
1 
Таблиця 1. Значення функції   x   e 2 .
2
x 0 1 2 3 4 5 6 7 8 9
0,0 0,3989 3989 3989 3988 3986 3984 3982 3980 3977 3973
0,1 3970 3965 3961 3956 3951 3945 3939 3932 3925 3918
0,2 3910 3902 3894 3885 3876 3867 3857 3847 3836 3825
0,3 3814 3802 3790 3778 3765 3752 3739 3726 3712 3697
0,4 3683 3668 3653 3637 3621 3605 3589 3572 3555 3538
0,5 3521 3503 3485 3467 3443 3429 3410 3391 3372 3352
0,6 3332 3312 3292 3271 3251 3230 3209 3187 3166 3144
0,7 3123 3101 3079 3056 3034 3011 2989 2966 2943 2920
0,8 2897 2874 2850 2827 2803 2780 2756 2732 2709 2685
0,9 2661 2637 2613 2589 2565 2541 2516 2492 2468 2444
1,0 0,2420 2396 2371 2347 2323 2299 2275 2251 2227 2203
1,2 2179 2155 2131 2107 2083 2059 2036 2012 1989 1965
1,2 1942 1919 1895 1872 1849 1826 1804 1781 1758 1736
1,3 1714 1691 1669 1647 1626 1604 1582 1561 1539 1518
1,4 1497 1476 1456 1435 1415 1394 1374 1354 1334 1315
1,5 1295 1276 1257 1238 1219 1200 1182 1163 1145 1127
1,6 1109 1092 1074 1057 1040 1023 1006 0989 0973 0957
1,7 0940 0925 0909 0893 0878 0863 0848 0833 0818 0804
1,8 0790 0775 0761 0748 0734 0721 0707 0694 0681 0669
1,9 0656 0644 0632 0620 0608 0596 0584 0573 0562 0551
2,0 0,0540 0529 0519 0508 0498 0488 0478 0468 0459 0449
2,1 0440 0431 0422 0413 0404 0396 0387 0379 0371 0363
2,2 0355 0347 0339 0332 0325 0317 0310 0303 0297 0290
2,3 0283 0277 0270 0264 0258 0252 0246 0241 0235 0229
2,4 0224 0219 0213 0208 0203 0198 0194 0189 0184 0180
2,5 0175 0171 0167 0163 0158 0154 0151 0147 0143 0139
2,6 0136 0132 0129 0126 0122 0119 0116 0113 0110 0107
2,7 0104 0101 0099 0096 0093 0091 0088 0086 0084 0081
2,8 0079 0077 0075 0073 0071 0069 0067 0065 0063 0061
2,9 0060 0058 0056 0055 0053 0051 0050 0048 0047 0046
3,0 0,0044 0043 0042 0040 0039 0038 0037 0036 0035 0034
3,1 0033 0032 0031 0030 0029 0028 0027 0026 0025 0025
3,2 0024 0023 0022 0022 0021 0020 0020 0019 0018 0018
3,3 0017 0017 0016 0016 0015 0015 0014 0014 0013 0013
3,4 0012 0012 0012 0011 0011 0010 0010 0010 0009 0009
3,5 0009 0008 0008 0008 0008 0007 0007 0007 0007 0006
3,6 0006 0006 0006 0005 0005 0005 0005 0005 0005 0004
3,7 0004 0004 0004 0004 0004 0004 0003 0003 0003 0003
3,8 0003 0003 0003 0003 0003 0002 0002 0002 0002 0002
3,9 0002 0002 0002 0002 0002 0002 0002 0002 0001 0001

115
 t2
1 x 
Таблиця 2. Значення функції Лапласа   x   0 e 2 dt.
2
x 0 1 2 3 4 5 6 7 8 9
0,0 0,00000 00399 00798 01197 01595 01994 02392 02790 03188 03586
0,1 03983 04380 04776 05172 05567 05962 06356 06749 07142 07535
0,2 07926 08317 08706 09095 09483 09871 10257 10642 11026 11409
0,3 11791 12172 12552 12930 13307 13683 14058 14431 14803 15173
0,4 15542 15910 16276 16640 17003 17364 17724 18082 18439 18793
0,5 19146 19497 19847 20194 20540 20884 21226 21566 21904 22240
0,6 22575 22907 23237 23565 23891 24215 24537 24857 25175 25490
0,7 25804 26115 26424 26730 27035 27337 27637 27935 28230 28524
0,8 28814 29103 29389 29673 29955 30234 30511 30785 31057 31327
0,9 31594 31859 32121 32381 32639 32894 33147 33398 33646 33891
1,0 34134 34375 34614 34850 35083 35314 35543 35769 35993 36214
1,1 36433 36650 36864 37076 37286 37493 37698 37900 38100 38298
1,2 38493 38686 38877 39065 39251 39435 39617 39766 39973 40147
1,3 40320 40490 40658 40824 40988 41149 41309 41466 41621 41774
1,4 41924 42073 42220 42364 42507 42647 42786 42922 43056 43189
1,5 43319 43448 43574 43699 43822 43943 44062 44179 44295 44408
1,6 44520 44636 44738 44845 44950 45053 45154 45254 45352 45449
1,7 45543 45637 45728 45818 45907 45994 46080 46164 46246 46327
1,8 46407 46485 46562 46638 46712 46784 46856 46926 46995 47062
1,9 47128 47193 47257 47320 47381 47441 47500 47558 47615 47670
2,0 47726 47778 47831 47882 47932 47982 48030 48077 48124 48169
2,1 48214 48257 48300 48311 48382 48422 48461 48500 48537 48574
2,2 48610 48645 48679 48713 48745 48778 48809 48840 48870 48899
2,3 48928 48986 48983 49910 49036 49061 49086 49111 49134 49158
2,4 49180 49202 49224 49245 49266 49286 49305 49124 49343 49361
2,5 49379 49396 49413 49439 49446 49461 49477 49492 49506 49520
2,6 49534 49547 49560 49573 49585 49598 49609 49621 49632 49643
2,7 49653 49664 49674 49683 49693 49702 49711 49720 49728 49736
2,8 49744 49752 49760 49767 49774 49781 49788 49795 49801 49807
2,9 49813 49819 49825 49831 49836 49841 49846 49851 49856 49861
3,0 0,49865 3,5 0,49977 4,0 0,499968
3,1 49903 3,6 49984 4,5 499997
3,2 49931 3,7 49989 5,0 49999997
3, 3 49952 3,8 49993
3,4 49966 3,9 49995

116
 k  
Таблиця 3. Розподіл Пуассона. Значення функції pk     e .
k!
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 2 3 4 5
0 0,90484 0,81873 0,74082 0,67032 0,60653 0,54881 0,49659 0,44933 0,40657 0,36788 0,13534 0,04979 0,01832 0,00674
1 0,09048 0,16375 0,22225 0,26813 0,30327 0,32929 0,34761 0,35946 0,36591 0,36788 0,27067 0,14936 0,07326 0,03369
2 0,00452 0,01637 0,03334 0,05363 0,07582 0,09879 0,12166 0,14379 0,16466 0,18394 0,27067 0,22404 0,14653 0,08422
3 0,00015 0,00109 0,00333 0,00715 0,01264 0,01976 0,02839 0,03834 0,04940 0,06131 0,18045 0,22404 0,19537 0,14037
4 0,00000 0,00005 0,00025 0,00072 0,00158 0,00296 0,00497 0,00767 0,01111 0,01533 0,09022 0,16803 0,19537 0,17547
5 0,00000 0,00000 0,00002 0,00006 0,00016 0,00036 0,00070 0,00123 0,00200 0,00307 0,03609 0,10082 0,15629 0,17547
6 0,00000 0,00000 0,00000 0,00000 0,00001 0,00004 0,00008 0,00016 0,00030 0,00051 0,01203 0,05041 0,10420 0,14622
7 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00001 0,00002 0,00004 0,00007 0,00344 0,02160 0,05954 0,10444
8 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00001 0,00086 0,00810 0,02977 0,06528
9 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00019 0,00270 0,01323 0,03627
10 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00004 0,00081 0,00529 0,01813
11 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00001 0,00022 0,00192 0,00824
12 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00006 0,00064 0,00343
13 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00001 0,00020 0,00132
14 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00006 0,00047
15 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00002 0,00016
16 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00005
17 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00001

Таблиця 4. Значення C .
1 0,8 0,9 0,95 0,99 0,99
9
C 1,28 1,64 1,96 2,57 3,29

117
 
Таблиця 5. Значення  k2, залежно від iмовірності P  2  k   k2,   і числа 
степенів свободи  . Щільність розподілу  2  k дорівнює:

x k / 2  1e x / 2
P  k   x  
2 , x  0.
 k  k/ 2
 2
 2
1 0,01 0,05 0,10 0,90 0,95 0,99
k
1 0,00016 0,0039 0,016 2,7 3,8 6,6
2 0,020 0,103 0,211 4,6 6,0 9,2
3 1,115 0,352 0,584 6,3 7,8 11,3
4 0,30 0,71 1,06 7,8 9,5 13,3
5 0,55 1,14 1,61 9,2 11,1 15,1
6 1,187 1,63 2,20 10,6 12,6 16,8
7 1,24 2,17 2,83 12,0 14,1 18,5
8 1,65 2,73 3,49 13,4 15,5 20,1
9 2,09 3,32 4,17 14,7 16,9 21,7
10 2,56 3,94 4,86 16,0 18,3 23,2
11 3,1 4,6 5,6 17,3 19,7 24,7
12 3,6 5,2 6,3 18,5 21,0 26,2
13 4,1 5,9 7,0 19,8 22,4 27,7
14 4,7 6,6 7,8 21,1 23,7 29,1
15 5,2 7,3 8,5 22,3 25,0 30,6
16 5,8 8,0 9,3 23,5 26,3 32,0
17 6,4 8,7 10,1 24,8 27,6 33,4
18 7,0 9,4 10,9 26,0 28,9 34,8
19 7,6 10,1 11,7 27,2 30,1 36,2
20 8,3 10,9 12,4 28,4 31,4 37,6
21 8,9 11,6 13,2 29,6 32,7 38,9
22 9,5 12,3 14,0 30,8 33,9 40,3
23 10,2 13,1 14,8 32,0 35,2 41,6
24 10,9 13,8 15,7 33,2 36,4 43,0
25 11,5 14,6 16,5 34,4 37,7 44,3
26 12,2 15,4 17,3 35,6 38,8 45,6
27 12,9 16,2 18,1 36,7 40,1 47,0
28 13,6 16,9 18,9 37,9 41,3 48,3
29 14,3 17,7 19,8 39,1 42,6 49,6
30 15,0 18,5 20,6 40,3 43,8 50,9

118
Таблиця 6. Значення t для розподілу Стьюдента залежно від iмовірності
P  tk  t   1   і числа степенів свободи k. Щільність розподілу дорівнює:
 n  1 n 1
  
2   x 2  2
Pt  x      1  .
k
n  n 
  n
 2
0,90 0,95 0,99
1
k
1 6,31 12,71 63,7
2 2,92 4,30 9,92
3 2,35 3,18 5,84
4 2,13 2,77 4,60
5 2,02 2,57 4,03
6 1,943 2,45 3,71
7 1,895 2,36 3,50
8 1,860 2,31 3,36
9 1.833 2,26 3,25
10 1,812 2,23 3,17
11 1.796 2,20 3,11
12 1,782 2,18 3,06
13 1,771 2,16 3,01
14 1,761 2,14 2,98
15 1,753 2,13 2,95
16 1,746 2,12 2,92
17 1,740 2,11 2,90
18 1,734 2,10 2,88
19 1,729 2,09 2,86.
20 1,725 2,09 2,84
25 1,708 2,06 2,79
30 1,697 2,04 2,46
80 1,659 1,991 2,640
100 1,651 1,984 2,627
 1,645 1,960 2,576

119
Таблиця 7. Розподіл Фішера-Снедекора. Значення F  , k , k  залежно від
 
1 2

імовірності P Fk , k  F  , k , k    і числа степенів свободи  k1 , k2  і

1 2 1 2

щільність розподілу Fk , k дорівнює 1 2

 k  k2  k k
 1  1
1 1

 2   k  2 x 2
p x    1
, x  0,   0,05.
 k1   k2   k2  k k 1 2

    k1x  2
2  2   1
 k2 
k1 1 2 3 4 5 9 10
k2
1 161 200 216 225 230 241 242
2 18,51 19,00 19,16 19,25 19,30 19,38 19,39
3 10,13 9,55 9,28 9,12 9,01 8,81 8,78
4 7,71 6,94 6,59 6,39 6,26 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,78 4,74
6 5,99 5,14 4,76 .4,53 4,39 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,68 3,63
8 5,32 4,46 4,07 3,84 3,69 3,39 3,34
9 5,12 4,26 3,86 3,63 3,48 3,18 3,13
10 4,96 4,10 3,71 3,48 3,33 3,02 2,97
11 4,84 3,98 3,56 3,36 3,20 2,90 2,86
12 4,75 3,88 3,49 3,26 3,11 2,80 2,76
14 4,60 3,74 3,34 3,11 2,96 2,65 2,60
16 4,49 3,63 3,24 3,01 2,85 2,54 2,49
20 4,35 3,49 3,10 2,87 2,71 2,40 2,35
30 4,17 3,32 2,92 2,69 2,53 2,21 2,16
50 4,03 3,18 2,79 2,56 2,40 2,07 2,02
100 3,94 3,09 2,70 2,46 2,30 1,97 1,92
 3,84 2,99 2,60 2,37 2,21 1,88 1,83

k1 20 50 100  k1 20 50 100 
k2 k2
1 248 252 253 254 10 2,77 2,64 2,59 2,54
2 19,44 19,47 19,49 19,50 11 2,65 12,50 2,45 2,40
3 8,66 8,58 8,56 8,53 12 2,54 2,40 2,25 2,30
4 5,80 5,70 5,66 5,63 14 2,39 2,24 2,19 2,13
5 4,56 4,44 4,40 4,36 16 2,28 2,13 2,07 2,01
6 3,87 3,75 3,71 3,67 20 2,12 1,96 1,90 1,84
7 3,44 3,32 3,28 3,23 30 1,93 1,76 1,69 1,62
8 3,15 3,03 2,98 2,93 50 1,78 1,60 1,52 1,44
9 2,93 2,80 2,76 2,71 100 1,68 1,48 1,39 1,28
 1,57 1,35 1,24 1,00

120
Таблиця 8. Критичні значення  для розподілу Колмогорова
 0,50 0,40 0,30 0,20 0,10 0,05 0,02 0,01 0,001
 0,828 0,895 0,974 1,073 1,224 1,358 1,520 1,627 1,950

121
Література

Підручники, навчальні посібники та монографії

1. Анісімов B. B., Черняк О. І. Математична статистика. — К.: МП «Леся»,

1995.
2. Андерсон Т. Статистический анализ временных рядов.—М.: Мир, 1976.
3. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление.
Вып.1, 2.—М.: Мир, 1974.
4. Большов Л. Н., Смирнов Н. В. Таблицы математической статистики. — М.:
Наука, 1983.
5. Боровков A. A. Теория вероятностей. — М.: Наука, 1986.
6. Боровков A.A. Математическая статистика.—М.: Наука, 1984.
7. Ван дер Варден. Математическая статистика.—М.: Мир, 1960.
8. Гихман И. И., Скороход А. В., Ядренко М. И. Теория вероятностей и
математическая статистика. — К.: Вища школа. Головне вид-во,1988.
9. Гмурман В.Е. Теория вероятностей и математическая статистика. 7-е изд.,
стер. — М.: Высшая школа, 1999.
10. Гнеденко Б.В. Курс теории вероятностей.— 6-е изд.—М.: Наука,1988.
11. Ивченко Г. И., Медведев Ю. И. Математическая статистика. —М.: Высшая
школа, 1984.
12. Коваленко И.Н., Гнеденко Б.В. Теория вероятностей.—К.: Вища школа,
1990.
13. Колемаев В.А., Староверова О.В., Турундаевский В.Б. Теория вероятностей
и математическая статистика.— М.: Высшая школа, 1991.
14. Крамер Г. Математические методы статистики.—М.: Мир,1975.
15. Леоненко М. М., Мішура Ю. С., Пархоменко В. М., Ядренко М. Й.
Теоретико—ймовірнісні та статистичні методи в економетриці та
фінансовій математиці. — К.: Інформтехніка, 1995.
16. Математическая статистика /Под ред. Длина А. М. — М.: Высшая школа,
1975.
17. Розанов Ю.А. Теория вероятностей, случайные процессы и
математическая статистика. — М.: Наука, 1985.
18. Скороход А.В. Элементы теории вероятностей и случайных процессов. —
К.: Вища школа. Головне вид-во, 1980.
19. Феллер В. Введение в теорию вероятностей и ее приложения. — 3-е изд.—
М.: Мир, 1984.—Т.1—2.
20. Черняк О.І. Навчально-методичні матеріали з курсу “Теорія ймовірностей
та математична статистика” для студентів економічних спеціальностей
денної та очно-заочної форми навчання.—К.: КІЕМБСС, 1998.
21. Шефтель З. Г. Теорія ймовірностей. — К.: Вища школа, 1994.
22. Ширяев. Вероятность.— М.: Наука, 1980.
23. McClave J.T., Benson P.G. Statistics for business and economics.-6ed. Dellen.
Macmillan, 1994.

122
Збірники задач

1. Антонов О.В., Котляр В.Ю., Черняк О.І. Тести з курсу “Вища математика
для економістів” — К.: РВВ КІВС, 1997.
2. Володин Б. Г., Ганин М. Н., Динер И. Я. и др. Сборник задач по теории
вероятностей и математической статистике и теории случайных
функций /Под. ред. Свешникова А. А. — М.: Наука, 1970.
3. Гмурман В.Е. Руководство к решению задач по теории вероятностей и
математической статистике. 5-е изд., стер. — М.: Высшая школа, 1999.
4. Климов Г.П., Кузьмин А.Д. Вероятность, процессы, статистика. Задачи с
решениями. — М.: Изд-во МГУ, 1985.
5. Прохоров А.В., Ушаков В.Г., Ушаков Н.Г. Задачи по теории вероятностей.
Основные понятия. Предельные теоремы. Случайные процессы. — М.,
Наука,1986.
6. Севастьянов Б.А., Чистяков В.П., Зубков А.М. Сборник задач по теории
вероятностей. — М.: Наука, 1980.
7. Теорія ймовірностей: Збірник задач. /За ред. A.В. Скорохода. — К.: Вища
школа. Головне вид-во, 1976.
8. Турчин В.М. Математична статистика в прикладах і задачах. —К.: НМК ВО,
1993.
9. Черняк А.И. Методические указания и учебные задания для
самостоятельной работы по курсу “Теория вероятностей и математическая
статистика” для студентов факультета кибернетики. — К.: Вид-во КГУ,
1988.

123
Для нотаток:

124
125
126