‫‪1‬‬

‫הסתברות ‪ -‬סיכום‬
‫מרחב מדגם ומאורעות‬
‫מספר הגדרות‪:‬‬
‫ניסוי מקרי ‪ -‬תופעות להן מספר תוצאות אפשריות ידועות שלא ניתן לדעת מראש איזו מהן תקרה‬
‫נקראות ניסיונות מקריים‪ .‬מאופיינות ע"י מקריות וחוסר וודאות‪.‬‬

‫מאורע )‪ :(event‬קבוצה חלקית של מרחב המדגם‪ ) .‬אוסף חלקי של תוצאות ניסוי מקרי (‪.‬‬
‫סימון‪A,B,C,……..Z :‬‬
‫סוגי מאורעות‪:‬‬
‫‪ (1‬מאורע פשוט ) יסודי ( – מאורע המורכב מתוצאה אחת של ניסוי מקרי‪ ).‬נקודה במרחב מדגם(‪.‬‬

‫‪ (2‬מאורע ריק – מאורע שאין בו נקודות מדגם‪ .‬מאורע בלתי אפשרי‪ .‬סימון‪ -  :‬קבוצה ריקה‪.‬‬

‫‪ (3‬מאורע וודאי – מאורע המורכב מכל נקודות המדגם‪ .‬כלומר‪ ,‬מרחב המדגם ‪Ω :‬‬

‫מושגים מתורת הקבוצות‬

‫יחסים בין מאורעות‬
‫‪ .1‬שוויון בין מאורעות‬
‫שני מאורעות ‪ A‬ו –‪ B‬נקראים מאורעות שווים אם הם מורכבים מאותן תוצאות‪.‬‬
‫סימון ‪B=A‬‬

‫‪ .2‬הכלה‬
‫‪ A‬מוכל ב ‪ B‬אם כל איבר של ‪ A‬נמצא ב– ‪ .‬אנו אומרים גם ש ‪ A‬חלקי ל‪ B) .B-‬מכיל את ‪.(A‬‬
‫המאורע ‪ A‬מוכל )או שווה( ב )ל( ‪.B‬‬ ‫סימון‪A  B :‬‬

‫נציג בדיאגרמת ואן )‪– (Venn diagram‬‬

‫‪B‬‬
‫‪A‬‬ ‫תרשים המתאר קשרים בין קבוצות )מאורעות ומרחב מדגם(‬

‫פעולות בין שני מאורעות‬

‫‪ .1‬איחוד )‪ (the union‬בין שני מאורעות ‪ A,B‬הוא המאורע המורכב מכל התוצאות השייכות‬
‫לפחות לאחד מבין שני המאורעות ‪ A‬או ‪.B‬‬
‫במילים אחרות‪ :‬כל התוצאות השייכות ל‪ A -‬או ל‪. B -‬‬
‫סימון ‪A  B‬‬
 ‫‪2‬‬

‫‪ .2‬חיתוך )‪ (the intersection‬בין שני מאורעות ‪ A‬ו ‪ B‬הוא המאורע המורכב מכל התוצאות‬
‫השייכות גם ל ‪ A‬וגם ל ‪ ) .B‬קבוצת כל התוצאות המשותפות (‪ .‬סימון‪A  B :‬‬

‫שני מאורעות זרים )‪ ( Disjoint events‬אם ‪A  B   :‬‬ ‫‪.3‬‬

‫‪ .4‬המאורע המשלים )‪ (the complement‬של מאורע ‪ A‬הוא המאורע המורכב מכל התוצאות‬
‫במרחב המדגם שלא נמצאות ב‪ .A-‬סימון‪A :‬‬

‫‪ .5‬חוקי דה מורגן‪:‬‬

‫‪A B  A  B‬‬ ‫‪A B  A  B‬‬

‫"מילון"לזיהוי מושגים מתורת הקבוצות‬

‫‪ .1‬המילים‪ :‬לפחות‪ ,‬או‪ ,‬הכוונה היא לאיחוד ‪ :‬‬
‫‪ .2‬המילים‪ :‬גם‪ ,‬ו ‪ ,‬ש )עם סגול( הכוונה היא לחיתוך ‪ :‬‬
‫‪ .3‬המילים‪.... :‬לא )אינו( ‪ .....‬הכוונה היא למאורע המשלים‪.‬‬

‫הסתברות‬

‫פונקציית הסתברות‬
‫הגדרה‪ :‬פונקציה המתאימה לכל מאורע במרחב המדגם מספר ממשי אי שלילי )‪ 0‬או חיובי(‬
‫המסומן ב )‪ P(A‬נקראת פונקציית הסתברות‪.‬‬
‫כך שמתקיימות ‪ 3‬אקסיומות‪:‬‬
‫‪P ( )  0‬‬ ‫‪ .1‬ההסברות של הקבוצה הריקה היא אפס‪:‬‬
‫ההסתברות של מרחב המדגם היא ‪P ()  1 :1‬‬ ‫‪.2‬‬

‫‪ .3‬אם ‪ A‬ו – ‪ B‬מאורעות זרים אזי מתקיים‪P A  B   P A  PB  :‬‬

 ‫‪3‬‬

‫חוקים נגזרים מ ‪ 3‬האקסיומות‪:‬‬

‫‪0  P( A)  1 .1‬‬

‫‪ p ( A)  1  p ( A) .2‬לכל מאורע ‪.A‬‬

‫‪A‬‬

‫‪ .3‬לכל שני מאורעות ‪A,B‬‬

‫) ‪P ( A  B )  P ( A)  P ( B )  P ( A  B‬‬

‫‪.4‬חוקי דה מורגן‬
‫)‪P( A  B)  P( A  B)  1  P( A  B‬‬ ‫‪.a‬‬

‫)‪P( A  B)  P( A  B)  1  P( A  B‬‬ ‫‪.b‬‬

‫‪ .5‬לכל שני מאורעות ‪ A‬ו – ‪ B‬מתקיים‪:‬‬

‫)𝐵 ∩ 𝐴(𝑃 ‪𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) −‬‬ ‫‪.1‬‬
‫)𝐵 ∩ 𝐴(𝑃 ‪𝑃(𝐴̅ ∩ 𝐵) = 𝑃(𝐵) −‬‬ ‫‪.2‬‬

‫𝐵 ∩ ̅𝐴‬
‫𝐵 ∩ ̅𝐴‬

‫ניתן להציג שני מאורעות בתרשים ואן או בטבלה שנקראת תרשים ‪) 2X2‬ריבוע קסם(‬

‫תרשים ‪) 2X2‬ריבוע קסם(‬

‫‪A/B‬‬ ‫‪A‬‬ ‫‪A‬‬

‫‪B‬‬ ‫‪P A  B ‬‬ ‫‪‬‬
‫‪P AB‬‬ ‫‪‬‬ ‫‪P B ‬‬
‫‪B‬‬ ‫‪P A  B ‬‬ ‫‪PA  B ‬‬ ‫‪P B ‬‬
‫‪P  A‬‬ ‫‪PA ‬‬ ‫‪1‬‬
 ‫‪4‬‬

‫תרשים וואן‬

‫‪2‬‬
‫𝑩∩𝑨‬
‫‪1‬‬ ‫‪1‬‬
‫נ‬
‫𝑩∩𝑨‬

‫‪0‬‬
‫𝑩∪𝑨 = 𝑩∩𝑨‬

‫𝑩∩𝑨‬

‫איחוד של שלושה מאורעות‬

‫) ‪P ( A  B  C )  P( A)  P( B)  P(C )  P( A  B)  P( A  C )  P ( B  C ) P( A  B  C‬‬

‫נציג בתרשים ואן את כל החיתוכים האפשריים‪:‬‬

‫̅𝐶 ∩ 𝐵 ∩ 𝐴‬
‫‪A‬‬ ‫‪B‬‬
‫̅𝐶 ∩ 𝐵 ∩ 𝐴‬ ‫̅𝐶 ∩ 𝐵 ∩ ̅𝐴‬

‫𝐶∩𝐵∩𝐴‬ ‫̅𝐶 ∩ 𝐵 ∩ ̅𝐴‬

‫𝐶∪𝐵∪𝐴=‬

‫𝐶∩𝐵∩𝐴‬ ‫𝐶 ∩ 𝐵 ∩ ̅𝐴‬
‫‪C‬‬

‫𝐶 ∩ 𝐵 ∩ ̅𝐴‬
 ‫‪5‬‬

‫תרשימי וואן מיוחדים‬

‫‪.‬‬

‫הסתברות במרחב מדגם סימטרי‬

‫מרחב מדגם סימטרי ‪ -‬מרחב מדגם שבו ‪ n‬מאורעות פשוטים כך שלכל מאורע פשוט הסתברות‬
‫‪1‬‬
‫שווה‬
‫‪n‬‬
‫‪ A‬מאורע חלקי למרחב המדגם ‪ . ‬ההסתברות של המאורע ‪ A‬מחושבת‪:‬‬
‫)𝐴(𝑛‬ ‫גודל המאורע 𝐴‬
‫= )𝐴(𝑝‬ ‫=‬
‫גודל מרחב המדגם )‪𝑛(Ω‬‬

‫הסתברות מותנית‬
‫ההסתברות של ‪ A‬בתנאי שארע ‪ B‬היא ‪:‬‬ ‫יהיו ‪ A‬ו‪ B -‬שני מאורעות ב ‪  -‬כך ש ‪P(B)>0 -‬‬
‫)‪P( A  B‬‬
‫‪P( A / B) ‬‬
‫)‪P( B‬‬
‫הערה ‪ :‬אנו אומרים גם הסתברות של ‪ A‬אם ידוע ‪ B‬או הסתברות של ‪ A‬בהינתן ‪B‬‬

‫"מילון" לזיהוי הסתברות מותנית‬

‫נתון משפט המחולק לשני תתי משפטים בדרך כלל על ידי פסיק )אך לא תמיד(‬
‫החלק של תת המשפט המתחיל באחת המילים הבאות‪:‬‬
‫"בהינתן"‪" ,‬אם ידוע"‪" ,‬ידוע ש‪" ,"..‬מקרב"‪" ,‬מתוך"‪" ,‬מבין"‪" ,‬מ‪,"-‬‬
‫הוא מרחב המדגם החדש בהסתברות המותנית‪.‬‬

‫אי תלות ותלות של מאורעות‬

‫הגדרה‪ :‬המאורע ‪ A‬בלתי תלוי במאורע ‪ B‬אם העובדה ש ‪ B‬כבר קרה אינה משפיעה על ההסתברות ש‬
‫‪ A‬יקרה‪ ,‬אחרת ‪ A‬ו ‪ B‬נקראים מאורעות תלויים‪.‬‬
‫מתמטית‪ :‬שני המאורעות בלתי תלויים אם מתקיים‪P ( A B )  P A :‬‬

‫במילים אחרות ‪ A -‬ו ‪ B‬נקראים מאורעות בלתי תלויים אם ורק אם‪P ( A  B )  P ( A) * P ( B ) :‬‬
 ‫‪6‬‬

‫הערה‪ :‬בחישוב הסתברויות ניתן להיעזר בתרשים עץ‪ .‬ראו הברים לתרשים בעמודים הבאים‪.‬‬
‫כללים לזיהוי אי תלות‬
‫‪ (1‬קיימת אי תלות אם בחירת האובייקטים היא עם החזרה‪.‬‬
‫קיימת תלות אם בחירת האובייקטים היא ללא החזרה‪.‬‬
‫‪ (2‬קיימת אי תלות אם בוחרים מדגם בגודל סופי ‪ n‬מתוך אוכלוסייה אינסופית‬
‫)אוכלוסייה אינסופית =אוכלוסייה גדולה שלא יודעים את גודלה המדויק(‪ .‬כמו כן נתונה‬
‫הסתברות ‪p‬‬
‫‪ (3‬כלל זה הוא הכללה של כלל ‪ .2‬לעיתים מניחים אי תלות למרות שבמציאות יש תלות מסוימת‬
‫אך לא ניתן למדוד אותה‪ .‬במקרה מעין זה בדרך כלל ייאמר להניח אי תלות‬
‫)‪P( A  B)  P( A) * P(B‬‬ ‫‪ (4‬קיימת אי תלות אם מתקיים‪:‬‬

‫הערות חשובות‬
‫אין לבלבל בין המושגים "'מאורעות בלתי תלויים " ו "מאורעות זרים "‪ .‬יותר מכך‪,‬‬ ‫‪‬‬
‫מאורעות זרים בעלי הסתברויות חיוביות ושונות מ‪ 1 -‬הם בהכרח מאורעות תלויים‪.‬‬
‫המאורע הריק ‪ ‬והמאורע הוודאי ‪ ‬בלתי תלויים בכל מאורע אחר‬ ‫‪‬‬
‫אם ‪ A‬ו ‪ B -‬הם שני מאורעות לא זרים אז הם יכולים להיות גם תלויים או בלתי תלויים‬ ‫‪‬‬

‫וסחת ההסתברות השלמה ו וסחת בייס‬

‫אם מרחב המדגם ‪ ‬מתפרק לאיחוד של מאורעות זרים ‪A1 , A2 , ...An‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫נוסחת ההסתברות השלמה‬ ‫‪   P Ai   1‬אז לכל מאורע ‪ B‬מתקיים‪:‬‬
‫‪ i 1‬‬ ‫‪‬‬
‫‪n‬‬
‫א‪PB    P Ai  PB | Ai   P A1  PB | A1   P A2  PB | A2   ...P An  PB | An  .‬‬
‫‪i 1‬‬

‫ההסתברות של ‪ B‬ית ת כממוצע משוקלל של ההסתברויות המות ות ‪ , PB | Ai  -‬כאשר‬

‫המשקלות הן הסתברויות המאורעות ‪ Ai‬המתאימים‪.‬‬
‫נוסחת בייס‬
‫‪P  Ak  B  P  Ak  P B | Ak ‬‬ ‫‪P  A  P B | Ak ‬‬
‫‪P  Ak | B  ‬‬ ‫‪‬‬ ‫‪ n k‬‬ ‫ב‪.‬‬
‫‪P B ‬‬ ‫‪P B ‬‬
‫‪ P Ai  PB | Ai ‬‬
‫‪i 1‬‬

‫תרשים עץ לחישוב הסתברויות ב יסוי בשלבים‬

‫משורש העץ מוציאים מספר ע פים כמספר האפשרויות‬ ‫א‪.‬‬

‫השו ות בשלב א' של ה יסוי‪ .‬על כל ע ף רושמים את‬
‫ההסתברות לקבלת התוצאה המתאימה‪ .‬סכום ההסתברויות ‪1‬‬
‫מקצה כל ע ף שהתקבל בשלב א'‪ ,‬מוציאים שוב ע פים‬ ‫ב‪.‬‬
‫כמספר האפשרויות השו ות בשלב ב'‪ .‬על כל ע ף כזה‬
‫רושמים את ההסתברות המות ית לקבלת תוצאה זו בשלב ב'‪,‬‬
 ‫‪7‬‬

‫לאור התוצאה שאליה הגע ו בשלב א'‪ .‬כך ממשיכים עבור כל‬
‫שלבי ה יסוי‪.‬‬
‫אורך ע ף )מסלול( הוא כמספר שלבי ה יסוי‪ .‬כל ע ף מייצג‬ ‫ג‪.‬‬
‫תוצאה בודדת של ה יסוי המשולב כולו כלומר‪ :‬חיתוך‬
‫אפשרי(‪ .‬ההסתברות של כל תוצאה כזאת )חיתוך( שווה‬
‫למכפלת כל ההסתברויות הרשומות על הע פים לאורך‬
‫המסלול המתאים לתוצאה זו‪.‬‬
‫ההסתברות של כל מאורע היא סכום ההסתברויות של כל התוצאות )מסלולים(‬ ‫ד‪.‬‬
‫המתאימים למאורע זה‪.‬‬

‫משתנה מקרי בדיד‬

‫משת ה מקרי )מ"מ( הוא פו קציה מספרית המוגדרת על מרחב המדגם‪.‬‬
‫טווח של מ"מ ‪ :x‬קבוצת הערכים שהמ"מ ‪ x‬יכול לקבל‪.‬‬

‫רשימת הערכים ה מצאים בטווח של משת ה מקרי בדיד ‪ X‬בצירוף ההסתברויות‬

‫לכל ערך קרא פו קציית הסתברות של משת ה מקרי )מ"מ( ‪:X‬‬

‫‪x‬‬ ‫‪x1‬‬ ‫‪x2‬‬ ‫…‬ ‫…‬ ‫‪xk‬‬ ‫סה"כ‬

‫‪P x ‬‬ ‫‪P x1 ‬‬ ‫‪P x2 ‬‬ ‫‪P xk ‬‬ ‫‪1‬‬

‫‪I‬‬ ‫‪0  P xi   1‬‬

‫‪k‬‬
‫‪II‬‬ ‫‪ Px   1‬‬
‫‪i 1‬‬
‫‪i‬‬

‫תוחלת של משת ה מקרי בדיד‬

‫תוחלת היא ממוצע צפוי של הערכים שהמשת ה ‪ X‬מקבל המשוקללים בהתאם‬

‫להסתברויותיהם‪ .‬סימון‪E  X  :‬‬
‫‪k‬‬
‫‪E  X    xi  P xi   x1  Px1   x2  P x2   ...  xk  Pxk ‬‬
‫‪i 1‬‬

‫שו ות של מ"מ‬
‫השו ות של מ"מ ‪ X‬מוגדרת כתוחלת ריבועי הסטיות )מהתוחלת(‪.‬‬
‫מסומ ת‪ 1‬ב ‪ V  X  -‬ומוגדרת מתמטית‪:‬‬
‫‪k‬‬
‫‪V  X     xi  EX   P xi ‬‬
‫‪2‬‬
‫‪V ( X )  E ( X 2 )  [ E ( X )]2‬‬ ‫‪or‬‬
‫‪i 1‬‬
‫ה וסחה באמצעותה חשב היא‪ :‬הנוסחה בה נשתמש לחישוב היא‪:‬‬

‫‪2‬‬
‫‪k‬‬
‫‪ k‬‬ ‫‪‬‬
‫‪V  X    xi  P ( xi )    xi  p( xi ) ‬‬
‫‪2‬‬

‫‪i 1‬‬ ‫‪ i 1‬‬ ‫‪‬‬

‫סטיית התקן‬
 ‫‪8‬‬

‫סטיית התקן של מ"מ ‪ X‬היא השורש החיובי של השו ות )‪.  x  V (x‬‬

‫תכונות של התוחלת‪ ,‬השונות וסטיית התקן של משתנה מקרי בדיד‬
‫תכונות התוחלת‬
‫‪ X‬משתנה מקרי‪ a ,‬ו‪ b -‬קבועים‪Y  b  X  a ,‬‬ ‫‪.1‬‬
‫אזי‪E (Y )  E bX  a   bE  X   a :‬‬

‫‪ X‬ו‪ Y-‬שני משתנים מקריים‪ Z  X  Y ,‬אזי‪:‬‬ ‫‪.2‬‬

‫) ‪E ( X  Y )  E ( X )  E (Y‬‬

‫תכונות השונות‬

‫‪ V  X   0‬לכל משתנה מקרי ‪.X‬‬ ‫‪.1‬‬

‫‪ X‬משתנה מקרי‪ a ,‬ו‪ b -‬קבועים‪Y  b  X  a ,‬‬ ‫‪.2‬‬
‫אזי‪V (bX  a)  b2V ( X ) :‬‬

‫‪ X‬ו‪ Y-‬שני משתנים מקריים בלתי תלויים‪ Z  X  Y ,‬אזי‪:‬‬ ‫‪.3‬‬

‫) ‪VAR( x  y )  VAR( x)  VAR( y‬‬

‫תכונות סטיית התקן‬

‫‪ X‬משתנה מקרי‪ a ,‬ו‪ b -‬קבועים‪,‬‬

‫אזי ‪ y  V (Y )  b   x‬‬

‫סכום והפרש של ‪ n‬משתנים מקריים‬

‫‪ x‬ו ‪ y -‬שני משתנים מקריים אזי‪:‬‬
‫‪) E ( x  y )  E ( x)  E ( y ) .1‬תוחלת היא ממוצע צפוי(‬
‫‪VAR( x  y )  VAR( x)  VAR( y ) .2‬‬
‫חלק ‪ 2‬של הטענה מתקיים רק כאשר ‪ x‬ו ‪ y -‬הם משתנים מקריים בלתי תלויים‬

‫הכללה עבור ‪ n‬משתנים מקריים‪:‬‬

‫יהיו 𝑥 … ‪ 𝑥 , 𝑥 ,‬מקריים משת ים ∶‬
‫) 𝑥 ( 𝐸 ‪𝐸 (𝑥 , 𝑥 , … 𝑥 ) = 𝐸 ( 𝑥 ) + 𝐸 ( 𝑥 ) + ⋯ +‬‬
‫) 𝑥 (𝑉 ‪𝑉 (𝑥 , 𝑥 , … 𝑥 ) = 𝑉 ( 𝑥 ) + 𝑉 ( 𝑥 ) + ⋯ +‬‬

‫התפלגות בינומית‬
‫הגדרה‬
‫אמר ש ‪ x‬מתפלג בי ומית עם פרמטרים ‪ n‬ו ‪ p‬אם ‪ x‬מקבל את הערכים ‪0,1,2,…n‬‬
‫‪ n‬‬
‫בהסתברות ‪p ( x )     p x  (1  p ) n x‬‬
‫‪ x‬‬
 ‫‪9‬‬

‫כללים לזיהוי ההתפלגות‪:‬‬

‫חייבים להתקיים ‪ 3‬הת אים הבאים כדי שההתפלגות תהיה בי ומית‪:‬‬
‫‪ .1‬לפ י ו מספר סופי ‪ n‬של יסיו ות בלתי תלויים או מדגם מקרי בגודל ‪.n‬‬
‫‪ .2‬בכל יסיון ו יסיון שתי תוצאות אפשריות ‪:‬אחת‪" :‬הצלחה" והיא מתקבלת‬
‫‪. 1- p‬‬ ‫בהסתברות ‪ p‬והש ייה כשלון והיא מתקבלת בהסתברות‬
‫‪ .3‬המשת ה המקרי ‪ X‬סופר מס הצלחות מתוך ‪ n‬יסיו ות‪.‬‬

‫תוחלת ושו ות של משת ה מקרי בי ומי‬

‫אם ‪x ~ B (n, p) :‬‬

‫‪ E ( x )  n  p‬תוחלת של ‪x‬‬
‫) ‪VAR ( x)  n  P (1  p‬‬
‫שונות של ‪x‬‬
‫) ‪ x  n  p  (1  p‬‬
‫סטיית תקן של ‪x‬‬