BI PST Lec01 Slides

Základní pojmy pravděpodobnosti
Přednášející:
Mgr. Petr Novák, Ph.D.
Katedra aplikované matematiky

Fakulta informačních technologií
České vysoké učení technické v Praze

c 2011–2022 Rudolf B. Blažek, Roman Kotecký, Daniel Vašata, Jitka Hrabáková, Petr Novák
Pravděpodobnost a statistika
BI-PST, ZS 2022/23, Přednáška 1
Blažek, Kotecký, Vašata, Hrabáková, Novák (FIT ČVUT) Pravděpodobnost a statistika BI-PST, ZS 2022/23, Přednáška 1 1 / 37
Organizace předmětu Obsah přednášek
Obsah přednášek
• Teorie pravděpodobnosti:
I Náhodné jevy, pravděpodobnostní míra, podmíněná pravděpodobnost, Bayesova věta,
nezávislost jevů.
I Náhodné veličiny, distribuční funkce, střední hodnota a rozptyl, soubory náhodných
veličin, sdružené a marginální rozdělení, nezávislost náhodných veličin, podmíněné
rozdělení, podmíněná střední hodnota.
I Vybraná diskrétní a spojitá rozdělení náhodných veličin, funkce náhodných veličin.
I Momenty, kvantily, kovariance a korelace, Markovova a Čebyševova nerovnost, zákony
velkých čísel, centrální limitní věta.
• Matematická statistika:
I Bodové odhady, výběrový průměr, výběrový rozptyl, intervalové odhady, testování
hypotéz, jednostranné a oboustranné alternativy.
I Vlastnosti bodových odhadů, metoda maximální věrohodnosti, lineární regrese, odhady
parametrů regresního modelu, testování významnosti modelu.
Organizace předmětu Podmínky absolvování
Podmínky úspěšného absolvování
• Cvičení:
I bude se psát 6 testů po 6 bodech, započte se 5 nejlepších – až 30b
I bude zadána domácí úloha – až 10b
I k zápočtu je nutno získat alespoň 20b (z možných 40b).
• Zkouška:
I písemná zkouška, maximálně 60b
I minimum nutné ke složení písemné zkoušky je 30b
I body ze zkoušky a z cvičení se sčítají
I možnost přilepšit si u dobrovolné zkoušky z teorie až o 5b
I ke zkoušce z teorie mohou jen ti, kdo úspěšně složili písemnou část
I právo veta: zásadní neznalost u zkoušky z teorie může vést ke ztrátě zkouškového
termínu a povinnosti složit písemnou zkoušku znovu.
Organizace předmětu Doporučená literatura
Doporučená literatura
České tituly:
• Tomáš Hobza: Matematická statistika, FJFI (online)
• Jiří Pavlík: Aplikovaná statistika, skripta VŠCHT (online)
• Jiří Anděl: Základy matematické statistiky, matfyzpress (2007) (pokročilé)
Anglické tituly:
• D. P. Bertsekas & J. N. Tsitsiklis: Introduction to Probability, Athena Scientific MIT
(2008)
• G. R. Grimmett & D. R. Stirzaker: Probability and Random Processes, Oxford
University Press (2001)
• Ch. M. Grinstead & J. L. Snell: Introduction to Probability, AMS (1997) – (online)
Více viz courses.fit.cvut.cz/BI-PST
Základní pojmy pravděpodobnosti Motivace
Pravděpodobnost a statistika
Cíl: Porozumět fungování světa v situacích, kde hraje roli náhoda.
Co považujeme za náhodný děj? V běžném životě se často setkáváme s procesy

(experimenty, testy, přírodními jevy,...), u kterých nejsme schopni předem s jistotou
určit, jaký z možných výsledků nastane.
Přesná predikce není často možná, protože je studovaný jev bud’to příliš kom-
plexní, nebo nemáme k dispozici všechny potřebné informace.
Říkáme potom, že výsledek je nepředvídatelný a určuje ho náhoda.
Teorie pravěpodobnosti vs. matematická statistika
Teorie pravděpodobnosti se snaží kvantifikovat náhodu matematicky.

• Výsledkům pokusu přiřazujeme jejich pravděpodobnost, udávající ideální podíl
případů, kdy daný výsledek nastane.
• Na základě jednoduchých modelů dokážeme řešit složité problémy.
• Např. pokud máme k dispozici vyváženou minci, můžeme spočítat, jaká je šance,
že nám z 1000 hodů padne 100 orlů.
Matematická statistika odhaduje náhodnost pomocí experimentálních dat.

• Na základě výsledků opakovaného pokusu navrhujeme a ověřujeme
pravděpodobnostní modely.
• Např. z 1000 hodů mincí můžeme zkusit odhadnout, jak často padá hlava nebo
orel.
• Pokud nám padne orel jen 100 krát, znamená to, že mince není vyvážená?
Klasická definice pravděpodobnosti
Klasická definice pravděpodobnosti (Pierre-Simon Laplace 1749-1827)

• Konečný počet n vzájemně různých výsledků nějakého pokusu (např. hod kostkou).
• Předpokládáme, že všechny výsledky jsou stejně pravděpodobné.
• Jestliže právě m z těchto výsledků odpovídá realizaci jevu A (např. padlo sudé číslo),
potom definujeme pravděpodobnost jevu A jako
m počet příznivých výsledků

P(A) = = .
n počet všech možných výsledků
Nedokonalost této definice:

• Myšlenkový experiment. Často hod mincí či kostkou, výběr kuličky z krabičky, atp.
• Co když je kostka nevyvážená?
• Co když máme nekonečně nebo dokonce nespočetně mnoho možností?
Klasická definice pravděpodobnosti
Příklad – Hod dvěma vyváženými mincemi

Jaká je pravděpodobnost, že padne alespoň jednou hlava (heads)?
Počet dvojic, ve kterých je alespoň jedna hlava, je 3. Celkově jsou 4 možnosti
(HH,HO,OH,OO). Tedy:
3
P(alespoň jedna H) = .
4
Příklad – Hod vyváženou šestistěnnou kostkou

Jaká je pravděpodobnost, že padne sudé číslo?
Sudá čísla jsou 3 (2,4,6). Celkově je 6 možností. Tedy:
3 1
P(sudé) = = .
6 2
X Zopakujte si základy kombinatoriky.
Geometrická definice pravděpodobnosti

Pokud
• výsledky nastávají v nějakém geometrickém objektu či množině Ω konečné „velikosti“
(délky, plochy, objemu)
• a každý výsledek (např. bod) je stejně pravděpodobný
(anebo každá oblast stejné „velikosti“ je stejně pravděpodobná),
pak pravděpodobnost jevu A definujeme jako „ relativní velikost “ množiny A
„velikost“ množiny příznivých výsledků „velikost“ A

P(A) = = .
„velikost“ množiny všech možných výsledků „velikost“ Ω
Mluvíme pak o rovnoměrném rozložení (rozdělení) výsledků experimentu.
Nedokonalost této definice:

• Jak zavést nerovnoměrnost?
• Co s nekonečně velkými objekty?

Příklad – Romeo a Julie
Romeo a Julie se mají setkat na tajném místě mezi polednem a 1 hod. po poledni. Každý
dorazí v náhodném okamžiku, rovnoměrně zvoleném v tomto rozmezí, ale počká jen 15
minut. Pokud ten druhý nedorazí, odejde. Jaká je pravděpodobnost, že se setkají?
Romeo B
1/4
0 1/4 Julie 1
Celková plocha je 1. Vybarvená oblast odpovídá situacím kdy se setkají.
1 − (3/4) · (3/4) 7
P(B) = = .
1 16
Základní pojmy pravděpodobnosti Experiment, pravděpodobnostní prostor
Experiment, pravděpodobnostní prostor
Abychom se mohli zabývat obecnou definicí pravděpodobnosti, musíme si nejdříve

korektně zavést jevy – množiny, jimž budeme přiřazovat pravděpodobnost. Proto formálně
definujeme tzv. experiment, neboli pravděpodobnostní prostor jako trojici
E = (Ω, F, P),
kde Ω zahrnuje všechny výsledky experimentu a F je kolekce všech jevů, kterým umíme
(nebo smíme) přiřadit či spočítat pravděpodobnost P.
Definice
Množinu všech možných výsledků daného experimentu značíme Ω a nazýváme ji prostor
elementárních jevů nebo také výběrový prostor (sample space).
Libovolný možný výsledek ω ∈ Ω nazýváme elementární jev (outcome).
Elementární jevy v Ω, tedy výsledky experimentu, musí být vzájemně exkluzivní

a v souhrnu vyčerpávající.
Prostor elementárních jevů
První krok tedy vždy je:

analýza možných výsledků vedoucí k volbě prostoru elementárních jevů Ω.
Elementární jevy v Ω by měly být
vzájemně exkluzivní a ve svém souhrnu vyčerpávající.
Vzájemně exkluzivní: elementární jevy: na kostce padlo 1 nebo 2, 1 nebo 3,. . . ? Když
padne 1, nebylo by jasné, o který z nich jde.
Ve svém souhrnu vyčerpávající: každý výsledek experimentu je možno interpretovat jako
některý elementární jev.
Při házení mincí bychom mohli mít Ω = {H, O, X}, kde X označuje výsledek, při kterém
mince zůstala na hraně.
Prostor elementárních jevů by měl být dostatečně detailní, aby rozlišil výsledky, které
vnímáme jako různé, měl by však pominout nepodstatné detaily.
Možné prostory elementárních jevů
Příklady
• Hod mincí: Ω = {H, O}
• Hod kostkou: Ω = {1, 2, 3, 4, 5, 6}
• Hod dvěma mincemi: Ω = {H, O} × {H, O} ≡ {(H, H), (H, O), (O, H), (O, O)}
• Výška rakety nad povrchem země: Ω = [0, ∞)
• Náhodný text emailu v kódování UTF-32 (constant length) o maximální velikosti 1MB.
Maximální počet znaků ve zprávě je
1 MB 220 bytes
= = 218 = 262144.
32 bits 4 bytes
Tudíž: Ω = {(x1 , x2 , . . . , x218 )|xi ∈ N, 0 ≤ xi < 232 , pro všechna i}
Možné prostory elementárních jevů
Příklady
• Série n hodů kostkou: Ω = {1, 2, 3, 4, 5, 6}n
• Série (
n hodů kostkou, při které nás zajímá jen to kolikrát
) padne která strana:
6
X
Ω = (k1 , k2 , k3 , k4 , k5 , k6 ) ∈ Z6+ : ki = n
i=1
• Hod šipkou do terče T ⊂ R2 : Ω = T ∪ {∗}, kde {∗} je jednobodová množina
reprezentující výsledek „ šipka netrefila terč “
Pokud je terč rozdělen na 5 pásem a jde nám jen o to do kterého pásma se šipka
zabodla, je Ω = {1, 2, 3, 4, 5, ∗}
• Házení mincí dokud nepadne první orel: spočetný prostor Ω = {ω1 , ω2 , ω3 , . . . },
ωi : výsledek kdy prvních i − 1 hodů padla hlava a i-tý hod je orel
• Házení mincí nekonečně mnohokrát: nekonečný prostor Ω = {H, O}N
Znázornění elementárních jevů pro sérii experimentů

Pro dva hody kostkou:
• souřadnicový popis
• stromový diagram.
Každá posloupnost výsledků jednotlivých hodů odpovídá jednomu listu a je jednoznačně
určena cestou od kořene stromu k tomuto listu (na obr. jsou explicitně označeny jen 3 listy).
6 1
1,5
5 2
druhý hod
4 3
4
3
2 5 5,4
1 6
1 2 3 4 5 6 6,6
první hod
Náhodné jevy
Náhodným jevem A budeme rozumět množinu elementárních jevů – tj. podmnožinu
A ⊂ Ω, které potřebujeme přiřadit pravděpodobnost.
Příklad – Hod dvěma mincemi

Vyjádřete množinově jev „ padne alespoň jednou hlava“.
Prostor elementárních jevů je Ω = {(H, H), (H, O), (O, H), (O, O)}.
Jev A označující „ padla alespoň jedna hlava“ bude tedy:
A = {(H, H), (H, O), (O, H)} ⊂ Ω.
Příklad – Hod šestistěnnou kostkou

Vyjádřete množinově jev „ padlo sudé číslo“.
Sudá čísla jsou 2, 4 a 6. Jev A označující „ padlo sudé číslo“ bude tedy
A = {2, 4, 6} ⊂ Ω.
Operace s náhodnými jevy
S náhodnými jevy provádíme všechny klasické množinové operace. V teorii

pravděpodobnosti se však pro tyto operace používá speciální terminologie:
• Ac doplněk jevu A – opačný jev
• A ∩ B průnik jevů A a B – nastává současně A a B
• A ∪ B sjednocení A a B – bud’ A nebo B (nebo oba)
• A \ B rozdíl A a B – A, ale ne B
• A ⊂ B podmnožina – když A, tak B
• ∅ prázdná množina – nemožný jev
• Ω výběrový prostor – jistý jev
• ω prvek Ω – elementární jev
Naším cílem je umět přiřadit pravděpodobnosti i výsledkům těchto operací.
Struktura množiny náhodných jevů
Někdy je nepotřebné, nebo i nemožné přiřadit pravděpodobnosti všem možným

podmnožinám Ω (tj. ne všechny možné podmnožiny Ω nazýváme jevy).
Pravděpodobnosti však potřebujeme umět přiřadit i výsledkům všech předchozích

množinových operací, a to i při jejich spočetném opakování.
Ukazuje se, že stačí uvažovat náhodné jevy jako prvky nějaké σ -algebry F :
Definice
Systém F podmnožin prostoru Ω nazýváme σ -algebrou (angl. též σ -field) jestliže jsou
splněny následující podmínky:
i) ∅ ∈ F – obsahuje nemožný jev
ii) když A ∈ F , tak Ac ∈ F – obsahuje opačný jev
S∞
iii) když A1 , A2 , . . . ∈ F , tak i=1 Ai ∈ F – obsahuje spočetné sjednocení.
Poznámka: F obsahuje i jistý jev Ω.
Struktura množiny náhodných jevů
Při specifikaci pravděpodobnostního modelu tedy vždy uvažujeme dvojici (Ω, F), kterou
nazýváme měřitelný prostor.
Zadání F nám říká, jaké jevy můžeme „ pozorovat “ a také měřit jejich pravděpodobnost.
Příklady možných σ -algeber

• F = {∅, Ω} je σ -algebra
• pro libovolné A ⊂ Ω je F = {∅, A, Ac , Ω} σ -algebra
• F = 2Ω – všechny podmnožiny tvoří σ -algebru.
Nejpřímočařejší volba pro konečnou nebo spočetnou Ω.
• Borelovská σ -algebra B – nejmenší σ algebra obsahující všechny otevřené intervaly.
Nejpřímočařejší volba pro nespočetnou Ω ⊂ Rd .
Pravděpodobnostní míra
Definice
Pravděpodobnostní míra na (Ω, F) je funkce P : F → R splňující:
i) nezápornost: pro každé A ∈ F platí P(A) ≥ 0
ii) normalizace: P(Ω) = 1,
iii) σ−aditivita: když jsou A1 , A2 , . . . ∈ F vzájemně disjunktní jevy
(Ai ∩ Aj = ∅ pro ∀i, j : i 6= j ), tak
∞ ∞
!
[ X
P Ai = P(Ai ).
i=1 i=1
Trojici E = (Ω, F, P) potom nazýváme experiment nebo pravděpodobnostní prostor.
Z definice plyne, že pro každé A ∈ F platí 0 ≤ P(A) ≤ 1.

Pravděpodobnost se také uvádí v procentech, tedy 0% až 100%.
Volba P určuje, co si v daném případě představujeme pod pojmem „ náhodný “. Vágní

zadání však může vést k paradoxům.
Bertrandův paradox
Příklad – Bertrandův paradox (Joseph Bertrand, 1889)

Náhodná tětiva na jednotkové kružnici.
Jaká je pravděpodobnost, že náhodně umístěná tětiva χ v jed-

notkové kružnici bude delší, než strana ` (libovolného) vepsa-
ného rovnostranného trojúhelníku?
Tedy P(A), kde A = {|χ| > `}.
To záleží na tom, co přesně míníme slovem „náhodná“:
Možnost 1: Vybereme rovnoměrně náhodně střed χ:
Ω1 = {x ∈ R2 : |x| < 1}, A1 = {x ∈ Ω1 : |x| < 1/2},

π(1/2)2 1
P1 (A1 ) = = .
π12 4
Bertrandův paradox
Příklad – Bertrandův paradox– pokračování

Náhodná tětiva na jednotkové kružnici
Možnost 2: Vybereme rovnoměrně náhodně úhel a směr (irele-

vantní díky symetrii) tětivy χ:
60◦ 1
Ω2 = (0◦, 180◦ ], A2 = (120◦, 180◦ ], P2 (A2 ) = ◦
= .
180 3
Možnost 3: Vybereme rovnoměrně náhodně vzdálenost tětivy

χ od středu a (opět irelevantní) směr:
1
Ω3 = [0, 1), A3 = [0, 1/2), P3 (A3 ) = .
2
Definice rovnoměrné pravděpodobnosti
Definice pravděpodobnosti pro rovnoměrné rozdělení konečného počtu možností:
Pokud Ω je konečná a realizace jsou stejně pravděpodobné:
#A počet příznivých výsledků

P(A) = = .
#Ω počet všech výsledků
Geometrická definice rovnoměrné pravděpodobnosti:
Bud’ Ω libovolný prostor s konečnou mírou µ, tj. umíme měřit velikosti (délku, plochu,
objem, hmotnost, čas, apod.). Pro náhodný jev A ⊂ Ω definujeme:
µ(A) velikost A
P(A) = = .
µ(Ω) velikost Ω
Snadno ověříme, že vyhovují definici pravděpodobnostní míry.
Základní pojmy pravděpodobnosti Vlastnosti pravděpodobnosti
Vlastnosti pravděpodobnosti
Věta
Necht’ A a B jsou náhodné jevy na pravděpodobnostním prostoru s mírou P. Potom platí:
i) P(∅) = 0
ii) jestliže A a B jsou vzájemně disjunktní, pak P(A ∪ B) = P(A) + P(B)
iii) P(Ac ) = 1 − P(A)
iv) P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
v) pokud A ⊂ B , tak P(A) ≤ P(B) - monotonie
Důsledky:
• P(A) ≤ 1 – z v)
• P(A ∪ B) ≤ P(A) + P(B) – z iv)
Jak si zapamatovat základní pravidla – Vennův diagram
Geometrická definice pravděpodobnosti jevu A:
plocha(A) pokud výsledky experimentu

P(A) =
plocha(Ω) jsou rozloženy v rovnoměrně
Vennův diagram:
⌦
A
plocha(A)
P(A) =
plocha(Ω)
Pravděpodobnost doplňku jevu:

⌦ _
A
A
P(Ac ) = 1 − P(A)
Heuristika:
plocha(Ac ) = plocha(Ω) − plocha(A)
plocha(Ac ) plocha(Ω) plocha(A)

= −
plocha(Ω) plocha(Ω) plocha(Ω)
P(Ac ) = 1 − P(A)
Pravděpodobnost sjednocení disjunktních jevů:

⌦
A B
P(A ∪ B) = P(A) + P(B)
Pravděpodobnost sjednocení jevů:
⌦
A B
P(A∪B) = P(A)+P(B)−P(A∩B)

Pravděpodobnost sjednocení jevů:
⌦
A B
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Heuristika pomocí sčítání ploch:

⌦ ⌦ ⌦
A B A B A B
+ =
⌦
A B
Průnik jsme přičetli dvakrát. Musíme jej tedy odečíst.
Vlastností pravděpodobnosti – důkaz
Důkaz
i) Vytvoříme posloupnost disjunktních jevů: Ai = ∅ pro všechna i ∈ N z iii) vlastnosti definice

pravděpodobnosti dostáváme
∞ ∞
!
[ X
P(∅) = P ∅ = P(∅) ,
i=1 i=1
což může být splněno jen pro P(∅) = 0.
ii) Vytvoříme posloupnost disjunktních jevů: A1 = A, A2 = B a Ai = ∅ pro i > 2. Z bodu i) a iii)

vlastnosti definice pravděpodobnosti dostáváme
∞ ∞
!
[ X
P(A ∪ B) = P Ai = P(Ai ) = P(A) + P(B).
i=1 i=1
iii) 1 = P(Ω) = P(A ∪ Ac ) = P(A) + P(Ac )
Vlastností pravděpodobnosti – důkaz
Důkaz
iv) Množinu A ∪ B můžeme napsat jako disjunktní sjednocení A ∪ (B \ A).

Z bodu ii) plyne P(A ∪ B) = P(A) + P(B \ A).
Protože, P(B) = P(B \ A) + P(A ∩ B),
B
dostáváme finálně:
A
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
v) Pokud A ⊂ B , tak A ∩ B = A.
P(B) = P(B \ A) + P(A ∩ B) = P(B \ A) + P(A) ≥ P(A).
Vlastnosti pravděpodobnosti
Věta
Necht’ A1 , A2 , . . . jsou náhodné jevy na pravděpodobnostním prostoru s mírou P. Potom
platí:
∞ ∞
!
[ X
i) σ−subaditivita: P Ai ≤ P(Ai )
i=1 i=1
n
! !
[ X \
|J|−1
ii) princip inkluze-exkluze: P Ai = (−1) P Ai
i=1 J⊂{1,2,...,n} i∈J
J6=∅
Pro 3 jevy: P(A ∪ B ∪ C) =
P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C)
Vlastnosti pravděpodobnosti – důkaz

Důkaz
∞ ∞ i−1
!
[ [ [
i) Množinu Ai můžeme zapsat jako disjunktní sjednocení Ai \ Ak Z iii) vlastnosti definice
i=1 i=1 k=1
pravděpodobnosti dostáváme
∞ ∞ i−1 ∞ i−1 ∞
! !! !
[ [ [ X [ X
P Ai =P Ai \ Ak = P Ai \ Ak ≤ P(Ai ).
i=1 i=1 k=1 i=1 k=1 i=1
ii) Dokážeme tvrzení pro tři jevy A, B , C : Množinu A ∪ B ∪ C můžeme napsat jako disjunktní sjednocení
A ∪ ((B ∪ C) \ A).
Z bodu ii) předchozí věty plyne P(A ∪ B ∪ C) = P(A) + P((B ∪ C) \ A).
Protože P(B ∪ C) = P((B ∪ C) \ A) + P(A ∩ (B ∪ C)), dostáváme:
P(A ∪ B ∪ C) = P(A) + P(B ∪ C) − P((A ∩ B) ∪ (A ∩ C)).
a znovu aplikujeme bod ii) předchozí věty na:
P(B ∪ C) a P((A ∩ B) ∪ (A ∩ C)) C
B
A
finálně dostáváme:
P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C)
Spojitost pravděpodobnosti
Věta
Necht’ A1 , A2 , . . . je posloupnost náhodných jevů rostoucí ve smyslu inkluze, tj.
A1 ⊂ A2 ⊂ A3 ⊂ . . . . Označme
∞
[
A= Ai .
i=1
Potom P(A) = lim P(Ai ).

i→∞
Obdobně necht’ B1 , B2 , . . . je posloupnost náhodných jevů klesající ve smyslu inkluze, tj.

B1 ⊃ B2 ⊃ B3 ⊃ . . . . Označme
∞
\
B= Bi .
i=1
Potom P(B) = lim P(Bi ).

i→∞
Důkaz spojitosti pravděpodobnosti

Důkaz
Dokážeme první část tvrzení:
∞
[
A můžeme zapsat jako disjunktní sjednocení A = (An \ An−1 ).
Proto platí: n=1
∞ ∞ N
!
[ X X
P(A) = P (An \ An−1 ) = P(An \ An−1 ) = lim P(An \ An−1 )
N →∞
n=1 n=1 n=1
= lim P(AN )
N →∞
Druhou část dokážeme pomocí De Morganových zákonů a první části:

 !C 
∞ ∞ ∞
! !
\ [ [
C =1−P C
P(B) = P Bn = P Bn Bn
n=1 n=1 n=1
C
Množiny Bn splňují předpoklady z první části a tedy:

C C
P(B) = 1 − lim P(BN ) = lim 1 − P(BN ) = lim P(BN )
N →∞ N →∞ N →∞
Úloha o rozdělení sázky – Chevalier de Méré, 1654
• Dva hráči, A a B, hrají opakovaně spravedlivou hru (kde oba mají stejnou šanci na
výhru), dokud jeden hráč nedosáhne 6 vítězství.
• Oba hráči vsadili stejnou částku, vítěz bere vše.
• Série her je předčasně přerušena, přičemž zatím:
I A vyhrál 5x,
I B vyhrál 3x.
• Jak by si měli rozdělit vloženou sázku?
Úloha o rozdělení sázky – řešení

Blaise Pascal a Pierre de Fermat:
• Pokud by se ve hře pokračovalo, jak by hráč B mohl vyhrát 6x?
I Hráči A stačí vyhrát pouze jednou.
I Takže hráč B musí vyhrát všechny 3 následující hry
I V následujících třech hrách je osm stejně pravděpodobných výsledků:
{(AAA), (AAB), (ABA), (ABB), (BAA), (BAB), (BBA), (BBB)}.
I P(B vyhraje 1. a 2. a 3. příští hru) = P(BBB) = 1/8

• Pro výhru hráče A pak máme:
P(A vyhraje 1. nebo 2. nebo 3. příští hru)
= P(A vyhraje 1. hru)
+ P(A prohraje 1. a vyhraje 2. hru)
+ P(A prohraje 1. a 2. a vyhraje 3. hru)
= P(A • •) + P(BA•) + P(BBA) = 4/8 + 2/8 + 1/8 = 7/8.
Tedy sázku by si měli rozdělit v poměru sedm dílů pro A a jeden díl pro B.
Rekapitulace
Náhodný experiment je reprezentován jako pravděpodobnostní prostor (Ω, F, P):

• Ω je množina možných výsledků.
• F je systém podmnožin Ω s rozumnými vlastnostmi.
• Prvky A ∈ F jsou náhodné jevy.
• Pravděpodobnostní míra P je funkce, která přiřazuje náhodným jevům reálné číslo
z intervalu [0, 1], reprezentující ideální podíl případů, kdy daný jev nastává.
Pokud je možných výsledků pokusu jen konečně mnoho a jsou všechny stejně
pravděpodobné, lze počítat
|A|
P(A) = .
|Ω|

BI PST Lec01 Slides

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

BI PST Lec01 Slides

Uploaded by

Copyright:

Available Formats

Základní pojmy pravděpodobnosti

Katedra aplikované matematiky

Podmínky úspěšného absolvování

Více viz courses.fit.cvut.cz/BI-PST

Cíl: Porozumět fungování světa v situacích, kde hraje roli náhoda.

Co považujeme za náhodný děj? V běžném životě se často setkáváme s procesy

Říkáme potom, že výsledek je nepředvídatelný a určuje ho náhoda.

Teorie pravěpodobnosti vs. matematická statistika

Teorie pravděpodobnosti se snaží kvantifikovat náhodu matematicky.

Matematická statistika odhaduje náhodnost pomocí experimentálních dat.

Klasická definice pravděpodobnosti

Klasická definice pravděpodobnosti (Pierre-Simon Laplace 1749-1827)

m počet příznivých výsledků

Nedokonalost této definice:

Klasická definice pravděpodobnosti

Příklad – Hod dvěma vyváženými mincemi

Příklad – Hod vyváženou šestistěnnou kostkou

X Zopakujte si základy kombinatoriky.

Geometrická definice pravděpodobnosti

pak pravděpodobnost jevu A definujeme jako „ relativní velikost “ množiny A

„velikost“ množiny příznivých výsledků „velikost“ A

Mluvíme pak o rovnoměrném rozložení (rozdělení) výsledků experimentu.

Nedokonalost této definice:

Geometrická definice pravděpodobnosti

Celková plocha je 1. Vybarvená oblast odpovídá situacím kdy se setkají.

Experiment, pravděpodobnostní prostor

Abychom se mohli zabývat obecnou definicí pravděpodobnosti, musíme si nejdříve

Libovolný možný výsledek ω ∈ Ω nazýváme elementární jev (outcome).

Elementární jevy v Ω, tedy výsledky experimentu, musí být vzájemně exkluzivní

Prostor elementárních jevů

První krok tedy vždy je:

Možné prostory elementárních jevů

Tudíž: Ω = {(x1 , x2 , . . . , x218 )|xi ∈ N, 0 ≤ xi < 232 , pro všechna i}

Možné prostory elementárních jevů

Znázornění elementárních jevů pro sérii experimentů

Příklad – Hod dvěma mincemi

A = {(H, H), (H, O), (O, H)} ⊂ Ω.

Příklad – Hod šestistěnnou kostkou

Operace s náhodnými jevy

S náhodnými jevy provádíme všechny klasické množinové operace. V teorii

Struktura množiny náhodných jevů

Někdy je nepotřebné, nebo i nemožné přiřadit pravděpodobnosti všem možným

Pravděpodobnosti však potřebujeme umět přiřadit i výsledkům všech předchozích

Poznámka: F obsahuje i jistý jev Ω.

Struktura množiny náhodných jevů

Příklady možných σ -algeber

Trojici E = (Ω, F, P) potom nazýváme experiment nebo pravděpodobnostní prostor.

Z definice plyne, že pro každé A ∈ F platí 0 ≤ P(A) ≤ 1.

Volba P určuje, co si v daném případě představujeme pod pojmem „ náhodný “. Vágní

Příklad – Bertrandův paradox (Joseph Bertrand, 1889)

Jaká je pravděpodobnost, že náhodně umístěná tětiva χ v jed-

To záleží na tom, co přesně míníme slovem „náhodná“:

Možnost 1: Vybereme rovnoměrně náhodně střed χ:

Ω1 = {x ∈ R2 : |x| < 1}, A1 = {x ∈ Ω1 : |x| < 1/2},

Příklad – Bertrandův paradox– pokračování

Možnost 2: Vybereme rovnoměrně náhodně úhel a směr (irele-

Možnost 3: Vybereme rovnoměrně náhodně vzdálenost tětivy

Definice rovnoměrné pravděpodobnosti

Definice pravděpodobnosti pro rovnoměrné rozdělení konečného počtu možností:

Pokud Ω je konečná a realizace jsou stejně pravděpodobné:

#A počet příznivých výsledků

Geometrická definice rovnoměrné pravděpodobnosti:

Jak si zapamatovat základní pravidla – Vennův diagram