‫דף נוסחאות במבוא להסתברות ולסטטיסטיקה‬

‫פונקציית התפלגות (מצטברת)‪Fx (t )  P( X  t ) :‬‬ ‫מרחב מדגם‪ :‬אוסף כל התוצאות האפשריות לניסוי‪ .‬‬
‫‪b‬‬
‫‪ .1‬בדיד סופי (טבעיים); ‪ .2‬בדיד אינסופי (טבעיים) ‪ .3‬רציף (ממשיים)‬
‫)‪Fx (t )  P(a  x  b)   P( X  x‬‬ ‫הסתברות מצטברת‬ ‫(צפיפות) אם אינסופי אז נקרא שדה סיגמא ע"פ אמות מידה (שטח)‬
‫‪a‬‬
‫מרחב מדגם סימטרי‪ :‬כשלכל מאורע פשוט יש הסתברות כמו לאחר‪.‬‬
‫תכונות ההסתברות ‪ P‬למאורע ‪:A‬‬
‫מציאת התפלגות מ"מ בדיד המקבל ערכים שלמים באמצעות ) ‪: Fx (t‬‬
‫‪P()  1 .1‬‬
‫)‪P( X  k )  Fx (k )  Fx (k  1‬‬
‫‪ ,‬לכל ‪A‬‬ ‫‪P( A)  1 ,‬‬ ‫‪P( A)  0 .2‬‬
‫משתנה מקרי דו‪-‬מימדי בדיד‬ ‫‪ .3‬קלמוגורוב‪ :‬אם ‪ A‬ו ‪ B‬זרים אז )‪P( A  B)  P( A)  P( B‬‬
‫על מרחב המדגם מוגדרים שני משתנים מקריים‪.‬‬
‫‪ .4‬החוק המשלים‪P( A )  1  P( A) :‬‬
‫התפלגות משותפת והתפלגות שולית‪:‬‬
‫‪ .5‬מונוטוניות‪ :‬אם ‪ A  B‬אז )‪P( A)  P( B‬‬
‫‪j‬‬ ‫‪X‬‬ ‫שולית‬ ‫משפט האיחוד‪P( A  B)  P( A)  P( B)  P( A  B) :‬‬
‫‪X‬‬ ‫\‬ ‫‪Y‬‬ ‫)‪P( A  B)  P( A)  P(B‬‬ ‫אם ‪ A,B‬זרים אז מתקיים‪:‬‬
‫הסתברות האיחוד לשלושה מאורעות‪:‬‬
‫) ‪P( A  B  C )  P( A)  P( B)  P(C‬‬
‫‪i‬‬ ‫) ‪P( X  i  Y  j‬‬ ‫)‪P( X  i‬‬
‫) ‪ P( A  B)  P( A  C )  P( B  C )  P( A  B  C‬‬
‫אם ‪ A,B‬בלתי תלויים אז מתקיים‪P( A  B)  P( A)  P(B) :‬‬
‫שולית‬ ‫‪1‬‬
‫) ‪P(Y  j‬‬
‫)‪P(B)  P(B | A)  P( A)  P( A | B‬‬
‫‪Y‬‬

‫‪ i‬ערך עבור ‪ j , X‬ערך עבור ‪Y‬‬

‫או‪:‬‬
‫סך ההסתברויות המשותפות בתוך הטבלה שווה ל‪.1‬‬ ‫הסתברות מותנית (בדר"כ ניתנת באחוזים)(‪ A‬בתנאי ‪: )B‬‬
‫סכום ההסתברויות השוליות שווה ל‪.1‬‬ ‫)‪P( A  B‬‬
‫הסתברות שולית‪ :‬מקבעים ערך לאחד מהמשתנים והשני "רץ" עליו‪.‬‬ ‫)‪P( A | B)  P( B | A‬‬ ‫‪,‬‬ ‫‪P( A | B) ‬‬
‫)‪P( B‬‬
‫‪ -‬הערך במשבצת ‪ i, j‬שווה ל‪P( X  i  Y  j) -‬‬
‫אם אין קשר בין המאורעות‪ ,‬ההסתברות המותנית והרגילה שוות‪.‬‬
‫‪ -‬הערך במשבצת ‪ i‬בשולית ‪ X‬שווה ל‪ , P( X  i) -‬ולסכום שורה ‪i‬‬ ‫)‪P( A  B)  P( A)  P( B | A‬‬ ‫משפט המכפלה‪:‬‬
‫* ניתן למצוא את ההתפלגות של ) ‪ P( X | Y  j‬ע"י נרמול העמודה ה‪-‬‬ ‫‪ A‬ו ‪ B‬בלתי תלויים אם ורק אם‬
‫‪ j‬בהכפלה בקבוע‪ ,‬כך שסכום ההסתברויות שווה ‪( 1‬כנ"ל‬ ‫)‪ P( B | A)  P( B‬ואז )‪P( A  B)  P( A)  P( B‬‬
‫עבור )‪.) P(Y | X  i‬‬ ‫בלי החזרה – המאורעות תלויים‪ ,‬עם החזרה – בלתי תלויים‪.‬‬
‫אם יש אפס בטבלה כאשר ההתפלגויות השוליות שונות מאפס‪ ,‬אזי יש‬ ‫משפט ההסתברות השלמה‪:‬‬
‫תלות ‪ .‬אם ‪ x‬ו‪ y‬הם בלתי תלויים אז‬
‫‪ -‬מאורעות זרים‬ ‫שלב ‪ A1 ,.., An : I‬חלוקה של ‪‬‬
‫)‪P( X  x, Y  y)  P( X  x)  P(Y  y‬‬
‫‪P( A1 )  P( A2 )  ...  P( An )  1‬‬
‫)‪PX ,Y ( x, y‬‬ ‫נוסחא להתפלגות שולית‪:‬‬
‫‪n‬‬
‫)‪PX ( x)   PX ,Y ( x, y‬‬ ‫) ‪P( B)   P( B | Ai )  P( Ai‬‬
‫‪yY‬‬
‫התפלגות משותפת‪:‬‬ ‫שלב ‪: II‬‬
‫‪i 1‬‬

‫חישוב ההסתברות של מקסימום )‪:z=max(x,y‬‬

‫) ‪P( Ai )  P( B | Ai‬‬
‫)‪P(Z  z)  P( X  z)  P(Y  z)  P(Y  z)  P( X  z‬‬ ‫‪P( Ai | B) ‬‬ ‫‪n‬‬
‫חישוב ההסתברות של מינימום )‪:m=min(x,y‬‬
‫)‪P(M  m)  P( X  m)  P(Y  m)  P(Y  m)  P( X  m‬‬ ‫חוק בייס‪ P( A )  P(B | A ) :‬‬
‫‪j 1‬‬
‫‪j‬‬ ‫‪j‬‬

‫נוסחאות כלליות‬ ‫קומבינטוריקה (צירופים סדורים)‪:‬‬

‫חוקי דה‪-‬מורגן‪A  B  A  B       :‬‬ ‫‪a  a  a...  a  a‬‬ ‫‪n‬‬
‫עם החזרה‪ ,‬עם חשיבות לסדר‪:‬‬ ‫‪‬‬
‫סכום סדרה הנדסית סופית‪:‬‬ ‫עם החזרה‪ ,‬ללא חשיבות לסדר‬ ‫‪‬‬
‫ללא החזרה‪ ,‬עם חשיבות לסדר‪:‬‬ ‫‪‬‬
‫‪1  qn‬‬
‫‪a  aq  aq 2  ..  aq n  a ‬‬ ‫‪N ( N  1)( N  2)  ...  ( N  n  1) ‬‬
‫!‪N‬‬
‫‪1 q‬‬ ‫!)‪( N  n‬‬
‫כלומר‪| q |  1 ,‬‬ ‫סכום סדרה הנדסית אינסופית מתכנסת‪:‬‬
‫!‪n‬‬
‫‪a‬‬ ‫( ‪C kn ‬‬ ‫)‬ ‫ללא החזרה‪ ,‬ללא חשיבות לסדר‪:‬‬
‫‪a  aq  aq  ... ‬‬ ‫!‪(n  k )!k‬‬
‫‪2‬‬

‫‪1 q‬‬
‫סידור של ‪ n‬עצמים שונים בשורה נקרא תמורה של העצמים‪.‬‬
‫‪a  a  d  a  2d  ..  a  (n  1)d‬‬
‫‪(a  a(n  1)d )  n‬‬ ‫סכום סדרה חשבונית‪:‬‬
‫‪‬‬
‫‪2‬‬

‫‪1‬‬
 ‫דף נוסחאות במבוא להסתברות ולסטטיסטיקה [‪ - ]2‬התפלגויות בדידות‬
‫)‪X ~ H ( N , D, n‬‬ ‫היפר‪-‬גאומטרית‪:‬‬ ‫אחידה בדידה‪X ~ U ( N ) :‬‬
‫משמעות‪ :‬רוצים למצוא הסתברות למשיכת ‪ k‬מתוך ‪ D‬מיוחדים‪ ,‬ב‪n -‬‬ ‫משמעות‪ :‬קיימות ‪ N‬נקודות ולכולן אותן ההסתברות‪.‬‬
‫דגימות‪ ,‬מתוך אוכלוסייה בגודל ‪.N‬‬
‫‪1‬‬
‫‪D‬‬ ‫‪ D  N  D ‬‬ ‫‪P( X  k ) ‬‬
‫‪E( X )  n ‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪N‬‬
‫‪k  n  k ‬‬
‫‪P( X  k )   ‬‬
‫‪N‬‬
‫‪D‬‬ ‫‪D ‬‬ ‫‪n 1 ‬‬ ‫‪N‬‬
‫‪N 1‬‬ ‫‪N2 1‬‬
‫‪V ( X )  n  1  1 ‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪E( X ) ‬‬ ‫‪,V ( X ) ‬‬
‫‪N‬‬ ‫‪N ‬‬ ‫‪N 1 ‬‬ ‫‪n‬‬
‫‪2‬‬ ‫‪12‬‬
‫‪ – N‬מספר הפריטים באוכלוסיה כולה‬ ‫‪ - N‬מספר הערכים האפשריים‬
‫‪ – D‬מספר המיוחדים מתוך האוכלוסייה‬ ‫‪ - k‬ערך אפשרי ל‪) k  1,.., N ( ,x -‬‬
‫‪ - n‬מספר הדגימות (זה נחשב *ללא החזרה* וללא חשיבות לסדר)‬
‫‪ – k‬מספר המיוחדים שנקבל בדגימה( ‪) k  0,.., n‬‬
‫גאומטרית‪X ~ G( p) :‬‬ ‫)‪X ~ Bin(n, p‬‬
‫בינומית‪:‬‬
‫משמעות ‪ :‬מבצעים ניסוי שוב ושוב עד ההצלחה‪ .‬רוצים למצוא‬ ‫משמעות‪ :‬מבצעים ‪ n‬ניסויים עם הסתברות להצלחה ‪( p‬קבועה לכל‬
‫הסתברות ל‪ k -‬ניסויים‪.‬‬ ‫ניסוי)‪ ,‬ורוצים למצוא הסתברויות ל‪ k -‬הצלחות‪.‬‬
‫‪1‬‬ ‫‪n‬‬
‫‪E ( x) ‬‬ ‫‪P( X  k )    p k (1  p) nk‬‬
‫‪p‬‬
‫‪P( X  k )  (1  p) k 1 p‬‬ ‫‪k‬‬
‫‪1 p‬‬ ‫)‪E ( X )  npV ( X )  np (1  p‬‬
‫‪V ( x)  2‬‬
‫‪p‬‬ ‫‪n‬‬

‫‪ - p‬הסתברות להצלחה‬
‫‪M X (t )   pet  (1  p) ‬‬
‫‪ – k‬מספר ניסויים עד הצלחה ראשונה (כולל)‪) k  1,2,... ( ,‬‬ ‫‪ - n‬מספר ניסויים (זה נחשב *עם החזרה*)‬
‫תכונת חוסר זיכרון‪P( X  a  k | X  a)  P( X  k ) :‬‬ ‫‪ - p‬הסתברות להצלחה‪ q=1-p( ,‬הסתברות לכשלון)‬
‫‪ - p‬מספר הצלחות‪) k  0,.., n (,‬‬
‫‪P( X  k )  (1  p)k‬‬
‫מעברים שימושיים‪:‬‬ ‫חיבור מ"מ בינומיים‪:‬‬
‫‪P( X  k )  1  (1  p)k‬‬
‫)‪ X ~ Bin(n, p),Y ~ Bin(m, p‬אותו ‪ ,P‬אז )‪X  Y ~ Bin(n  m, p‬‬
‫פואסונית‪X ~ Poi( ) :‬‬ ‫בינומית שלילית‪X ~ NB(m, p) :‬‬
‫משמעות‪ :‬מספר אירועים ביחידת זמן‪ .‬ידוע שבתוחלת‬ ‫משמעות‪ :‬מבצעים ניסוי שוב ושוב עד הגעה ל‪ m -‬הצלחות‪ .‬רוצים‬
‫מגיעים ‪ ‬מצטרפים‪ ,‬ורוצים לדעת הסתברות שבפועל הגיעו ‪.k‬‬ ‫למצוא הסתברות ל‪ k -‬ניסויים‪.‬‬
‫‪k‬‬ ‫‪ k 1 m‬‬
‫‪P( X  k )  e ‬‬ ‫‪P( X  k )  ‬‬ ‫‪ p (1  p) k  m‬‬
‫!‪k‬‬ ‫‪‬‬ ‫‪m‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪E ( X )  V ( X )  ‬‬ ‫‪m‬‬ ‫)‪m(1  p‬‬
‫‪E ( X )  ,V ( X ) ‬‬
‫)‪M X (t )  e    ee  e ( e 1‬‬
‫‪t‬‬ ‫‪t‬‬
‫‪p‬‬ ‫‪p2‬‬
‫‪ - ‬ממוצע של אירועים ליחידה (בדר"כ זמן)‬ ‫‪ - m‬כמות הצלחות נדרשת‬
‫‪ - k‬מספר האירועים ליחידה‪) k  0,1,2,... ( ,‬‬ ‫‪ - p‬הסתברות להצלחה‬
‫) ‪X ~ Poi(1 ),Y ~ Poi(2‬‬ ‫‪ - k‬מס' ניסויים‪) k  m, m  1,... ( ,‬‬
‫חיבור מ"מ פואסונים‪:‬‬ ‫חשוב‪ :‬סכום של ‪ m‬מ"מ ב"ת שווי התפלגות המתפלגים גיאומטרית‪,‬‬
‫) ‪ X  Y ~ Poi(1  2‬‬
‫מתפלג בינומי שלילי עם פרמטרים ‪m,p‬‬
‫קירוב בינומי לפואסוני‪:‬‬
‫)‪ X ~ Bin(np‬ומתקיים ש‪ n -‬מספיק גדול‪ ,‬אזי )‪X ~ Poi(  np‬‬
‫קירוב בינומי להיפרגאו‪:‬‬
‫‪‬‬ ‫‪M ‬‬
‫‪X ~ HG(n, N , M )  X ~ Bin  n,‬‬ ‫‪‬‬ ‫אם ‪ n  N  M‬אז‬
‫‪ NM ‬‬

‫הוצאה של ‪ n‬פריטים ללא החזרה בזה אחר זה שקולה להוצאת ‪n‬‬

‫פריטים יחד‪ ,‬שקולה לסידור ‪ n‬פריטים בשורה‪.‬‬
‫‪a‬‬
‫‪P( Ai ) ‬‬
‫‪N‬‬
‫מספר האפשרויות לסידור כאשר הפריט ה ‪ i‬מיוחד‪ ,‬חלקי‬
‫מספר האפשרויות לסידור ‪ N‬פריטים‪ ,‬שמתוכם ‪ a‬מיוחדים‪ ,‬בשורה‪.‬‬

‫‪2‬‬
 ‫דף נוסחאות במבוא להסתברות ולסטטיסטיקה [‪ – ]3‬תוחלת‪ ,‬שונות‪ ,‬שונות משותפת‬
‫שונות‪:‬‬ ‫תוחלת‪:‬‬
‫אם נבצע ניסוי פעמים רבות‪ ,‬התוצאות יתכנסו למספר מסוים (תוחלת) מדד לפיזור סביב התוחלת (=כמה אנחנו מרוחקים מהתוחלת?)‬
‫‪‬‬
‫‪V ( X )  E( X 2 )  [ E( X )]2‬‬ ‫) ‪E ( X )   ai  P( X  ai‬‬ ‫‪ x‬מ"מ המקבל ערכים ‪a1 , a2 ,...‬‬
‫‪i 1‬‬
‫] )) ‪V ( X )  E[( X  E( X‬‬ ‫‪2‬‬
‫תכונות התוחלת‪:‬‬
‫תכונות השונות‪:‬‬ ‫‪E (c )  c‬‬
‫‪V (X )  0‬‬
‫‪E (aX  b)  aE ( X )  b‬‬
‫‪V (c )  0‬‬
‫) ‪E ( X  Y )  E ( X )  E (Y‬‬
‫) ‪V (c  x )  V ( x‬‬
‫)‪V (cx )  V (cx )  c 2V ( x‬‬
‫‪E ( g ( X )) ‬‬ ‫) ‪ g ( X ) P( X‬‬
‫‪x X‬‬

‫)‪  Var (x‬‬ ‫סטיית תקן‪ :‬מדד לפיזור‬ ‫תשומת לב‪E ( x 2 )   x 2 P( x)  ( E ( x)) 2 :‬‬
‫‪x‬‬

‫אם ‪ X‬ו‪ Y‬בלתי תלויים אז‪( E( X  Y )  E( X )  E(Y ) :‬לא נכון הפוך)‬

‫) ‪V ( X  Y )  V ( X )  V (Y‬‬ ‫אם ‪ X‬ו‪ Y‬בלתי תלויים אז‪:‬‬
‫שונות מותנה‪V (Y )  E[V (Y | X )]  V [E(Y | X )] :‬‬
‫תוחלת מותנה‪E(Y )  E[E(Y | X )] :‬‬
‫שונות של חיבור שני מ"מ‪:‬‬
‫) ‪V ( X  Y )  V ( X )  V (Y )  2COV ( X ,Y‬‬
‫)‪E ( X , Y )   x  y  P( X  x, Y  y‬‬
‫שונות משותפת‪:‬‬
‫‪x‬‬ ‫‪y‬‬
‫עד כמה שני משתנים מתואמים ‪ /‬לא מתואמים‬
‫])) ‪COV ( X ,Y )  E[( X  E ( X ))(Y  E (Y‬‬ ‫אם הם ב"ת‪E ( X , Y )   x  P( X  x)   y  P(Y  y) :‬‬
‫‪x‬‬ ‫‪y‬‬
‫) ‪COV ( X ,Y )  E ( X  Y )  E ( X )  E (Y‬‬ ‫אי שיווון מרקוב‪:‬‬
‫‪ x,y‬בלתי מתואמים‪:‬‬ ‫חסם עליון להסתברות‪ .‬התוחלת נתונה‪ ,‬ההתפלגות אינה ידועה‪.‬‬
‫) ‪E( XY )  E ( X ) E(Y‬‬ ‫‪ ,‬או אם‬ ‫‪COV‬‬ ‫אם ‪( X ,Y )  0‬‬ ‫) ‪E( X‬‬
‫‪P( X  c) ‬‬ ‫לכל ‪ c‬קבוע‪:‬‬
‫או אם ) ‪V ( X  Y )  V ( X )  V (Y‬‬ ‫‪c‬‬
‫אם ‪ x,y‬בלתי תלויים אז הם בהכרח בלתי מתואמים‬ ‫אי שיווון צ'ביצ'ב‪:‬‬
‫(להפך לא בהכרח נכון)‪.‬‬ ‫חישוב מרחקים מהתוחלת‪ .‬התוחלת והשונות (סטיית התקן) נתונות‪.‬‬
‫‪1‬‬
‫שונות משותפת עוזרת לנו לחשב שונות בביטוי‪:‬‬ ‫‪P(| x   | a   )  1 ‬‬
‫) ‪V ( X  Y )  V ( X )  V (Y )  2COV ( X , Y‬‬ ‫‪a2‬‬
‫‪2‬‬
‫‪p(| x   |  )  1 ‬‬
‫תכונות השונות המשותפת‪:‬‬ ‫‪2‬‬
‫) ‪COV ( X , X )  V ( X‬‬ ‫‪   a  ‬מרחק מהתוחלת‪ a ,‬מספר סטיות תקן מהתוחלת‪.‬‬
‫) ‪COV ( X ,Y )  COV (Y , X‬‬ ‫(תוחלת=אמצע ההפרש‪ ,‬ומחלצים את ‪ a‬לפי סטיית התקן הנתונה‪).‬‬
‫אם ‪ a‬קבוע‪COV (aX ,Y )  a  COV ( X ,Y ) ,‬‬
‫‪ X ,Y , Z‬מ"מ‪,‬‬
‫) ‪COV ( X  Z ,Y )  COV ( X ,Y )  COV (Z ,Y‬‬
‫אם ‪ a,b‬קבועים‪COV (aX , bY )  a  b  COV ( X , Y ) ,‬‬
‫מקדם המתאם‪:‬‬ ‫סכום וממוצע של משתנה מקרי‪:‬‬
‫מדד למידת התאמה בין משתנים‬
‫‪X1  ..  X n‬‬
‫) ‪COV ( x, y‬‬ ‫) ‪COV ( x, y‬‬ ‫‪Xn ‬‬ ‫‪Sn  X1  ..  X n‬‬
‫‪‬‬ ‫‪‬‬ ‫‪1    1‬‬ ‫‪n‬‬ ‫ממוצע‪:‬‬ ‫סכום‪:‬‬
‫) ‪ ( x)   ( y‬‬ ‫) ‪V ( x)  V ( y‬‬ ‫‪n‬‬
‫) ‪V (Sn )  V ( X i )   COV ( X i , X j‬‬
‫שונויות של סכום וממוצע‪:‬‬
‫אם שווה ‪ :0‬המשתנים בלתי מתואמים (לינארית);‬ ‫‪i 1‬‬ ‫‪i j‬‬
‫אם שווה ‪ :1‬קשר בין ‪ X‬ל‪ Y‬חיובי חזק (‪ X‬עולה אז ‪ Y‬עולה);‬
‫אם שווה ‪ -1‬קשר בין ‪ X‬ל‪ Y‬שלישי חזק (‪ X‬עולה אז ‪ Y‬יורד);‬ ‫‪S‬‬ ‫‪ 1‬‬
‫סיכום‪ :‬הערך המוחלט של מקדם המתאם מתאר את חוזק הקשר‪,‬‬
‫‪V (X n ) V  n‬‬ ‫) ‪  2  V ( Sn‬‬
‫והסימן מתאר את הכיוון‪.‬‬ ‫‪ n‬‬ ‫‪ n‬‬
‫הערה‪ :‬אם ‪ X ,Y‬בלתי מתואמים או בלתי תלויים‪:‬‬
‫אם ‪ X1 ,.., X n‬בלתי תלויים ושווי התפלגות אזי‪:‬‬ ‫‪n‬‬
‫) ‪V (Sn )  V ( X i‬‬
‫) ‪V ( X1‬‬ ‫ולכן‪:‬‬ ‫אזי ‪ COV ( X ,Y )  0‬לכל ‪i  j‬‬
‫‪E ( X n )  E ( X1 ) , V ( X n ) ‬‬ ‫‪i 1‬‬
‫‪n‬‬

‫‪3‬‬
 ‫דף נוסחאות במבוא להסתברות ולסטטיסטיקה [‪ – ]4‬משתנה מקרי רציף חד מימדי ודו מימדי‬
‫התפלגויות ידועות‬ ‫משתנה מקרי רציף‪:‬‬
‫)‪X ~ U (a, b‬‬ ‫התפלגות אחידה רציפה‪:‬‬ ‫אין משמעות להסתברות בנקודה מסוימת אלא בתחום מסוים‪.‬‬
‫פונקצית צפיפות‪( :‬השטח בין ‪ a‬ל‪ b‬מתחת ל‪:)f‬‬
‫‪b‬‬
‫‪ 1‬‬ ‫‪P(a  x  b)   f ( x)dx‬‬
‫‪‬‬ ‫‪a xb‬‬
‫‪f ( x)   b  a‬‬ ‫‪a‬‬
‫‪ 0‬‬ ‫‪else‬‬ ‫א‪ f .‬חיובית בכל תחום ההגדרה;‬ ‫תכונות‪:‬‬
‫‪ 0‬‬ ‫‪xa‬‬ ‫‪‬‬

‫‪F ( x)  ‬‬
‫‪x  a‬‬
‫‪a xb‬‬
‫(אחרת זו לא פונקציה חוקית)‬ ‫ב‪ f ( x)dx  1 .‬‬
‫‪‬‬
‫‪b  a‬‬ ‫פונקצית התפלגות (הצטברות)‪:‬‬
‫‪ 1‬‬ ‫‪xb‬‬
‫כדי להגיע לפונקצית התפלגות נחשב אינטגרל לפי התחומים ונקבל‬
‫תוחלת ושונות‪:‬‬ ‫פונקציה של השטח‪:‬‬
‫)‪( a  b‬‬ ‫‪(b  a) 2‬‬ ‫‪t‬‬
‫‪E ( x) ‬‬ ‫‪, V ( x) ‬‬
‫‪2‬‬ ‫‪12‬‬ ‫‪f ( x)  F ' ( x) , F (t )  P( x  t ) ‬‬ ‫‪ f ( x)dx,‬‬
‫‪‬‬
‫(תשומת לב לרציפות האינטגרל! לפעמים צריך לחבר שטחים שונים)‬
‫התפלגות אקפוננציאלית (מעריכית)‪:‬‬ ‫משתנה מקרי רציף דו מימדי‪:‬‬
‫מודדת זמן בין אירועים פואסונים‬ ‫פונקצית צפיפות‪f ( x, y) :‬‬
‫‪ – X‬זמן בין אירועים פואסונים‪ -  ,‬מס' אירועים ממוצע ביחידת זמן‪.‬‬
‫דוגמא‪ :‬אם ‪ ‬ממוצע תאונות דרכים בחודש אז ) ‪ X ~ P(‬מספר‬ ‫‪  f ( x, y)dxdy‬‬
‫‪ - X‬זמן בין ‪ 2‬תאונות‪.‬‬ ‫התאונות בחודש‪ ,‬ו ) ‪~ exp(‬‬ ‫‪y x‬‬
‫צפיפות שולית‪:‬‬
‫‪  e  x‬‬ ‫‪0 x‬‬
‫‪f ( x)  ‬‬ ‫‪f ( x)   f ( x, y )dy‬‬
‫‪ 0‬‬ ‫‪else‬‬
‫‪y‬‬

‫‪ 0‬‬ ‫‪x0‬‬ ‫‪f ( y )   f ( x, y )dx‬‬

‫‪F ( x)  ‬‬ ‫‪ x‬‬
‫‪1  e‬‬ ‫‪x0‬‬ ‫‪x‬‬
‫אי תלות‪f ( x, y)  f ( x)  f ( y) :‬‬
‫תוחלת ושונות‪:‬‬ ‫) ‪f ( x, y‬‬
‫‪f ( y | x) ‬‬ ‫התפלגות מותנית‪:‬‬
‫‪1‬‬ ‫‪1‬‬ ‫)‪f ( x‬‬
‫‪E ( x) ‬‬ ‫‪, V ( x) ‬‬
‫‪‬‬ ‫‪2‬‬ ‫תזכורת‪ :‬חישוב תוחלת‪:‬‬
‫התפלגות נורמלית‪X ~ N (  ,  ) :‬‬ ‫‪E ( x, y)    x  y  f ( x, y)dxdy‬‬
‫‪2‬‬

‫‪y x‬‬
‫‪x‬‬
‫‪1‬‬ ‫( ‪ 0.5‬‬ ‫)‬ ‫‪2‬‬

‫‪f ( x) ‬‬ ‫‪e‬‬ ‫‪‬‬

‫‪  x  ‬‬
‫‪2‬‬
‫‪x‬‬
‫‪Z‬‬ ‫משתנה נורמלי סטנדרטי‪Z ~ N (0,1) :‬‬
‫‪‬‬
‫פונקצית ההסתברות המצטברת של ‪:z‬‬
‫) ‪( z )  P( z  t‬‬
‫) ‪( z )  1  ( z‬‬

‫‪4‬‬