‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬

‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫הרצאה ‪ – 10‬המשך התפלגות נורמלית ומשפט הגבול המרכזי‬

‫חישוב הסתברויות ואחוזונים בהתפלגות נורמלית כללית‬
‫דוגמה‬
‫משקל של קבוצת סטודנטים מתפלג נורמלית עם תוחלת ‪ 73‬ושונות ‪.225‬‬
‫‪ – X‬משקל של סטודנט‬
‫) ‪𝑋~𝑁(73,225) = 𝑁(73, 152‬‬
‫א‪ .‬מצאו את ההסתברות שמשקלו של סטונדט נמוך מ‪85-‬‬
‫)‪𝑃(𝑋 < 85‬‬
‫נתקנן‪:‬‬
‫‪𝑋 − 𝜇 85 − 73‬‬
‫= 𝑋𝑍‬ ‫=‬ ‫‪= 0.8‬‬
‫‪σ‬‬ ‫‪15‬‬

‫‪𝑃(𝑋 < 85) = 𝑃(𝑍 < 0.8) = 𝛷(0.8) = 0.7881‬‬

‫ב‪ .‬מצאו את ההסתברות שמשקלו של סטודנט נמוך מ‪ 85-‬אך גבוה מ‪60-‬‬

‫‪60 − 73‬‬ ‫‪85 − 73‬‬
‫( 𝑃 = )‪𝑃(60 < 𝑋 < 85‬‬ ‫<𝑍<‬ ‫)‬
‫‪15‬‬ ‫‪15‬‬
‫= )‪= 𝑃(−0.87 < 𝑍 < 0.8) = 𝛷(0.8) − 𝛷(−0.87‬‬
‫‪= 𝛷(0.8) − (1 − 𝛷(0.87)) = 0.7881 − (1 − 0.8078) = 0.5959‬‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫ג‪ .‬מצאו את הרבעון העליון‬

‫?= ‪𝑋0.75‬‬
‫𝜇‪𝑋−‬‬
‫=𝑍‬ ‫‪➔ 𝑋 = 𝜇 + 𝑍σ‬‬
‫‪σ‬‬

‫‪𝑋0.75 = 𝜇 + 𝑍0.75 σ = 73 + 0.68 ∙ 15 = 83‬‬

‫דוגמאות ממבחנים‪:‬‬
‫ממבחן מועד א סמ א ‪ X :2018‬מתפלג נורמלית ומקיים ש‪𝑃(𝑋 > 80) = 0.5 -‬‬
‫וגם ‪ 𝑃(𝑋 > 70) = 0.9918‬למה שווה התוחלת והשונות של ‪?X‬‬

‫מתוך הנתון ש‪ P(X>80)=0.5-‬מקבלים ש‪μ=80-‬‬

‫נעזר בנתון השני כדי למצוא את סטיית התקן‪:‬‬
‫‪𝑃(𝑋 > 70) = 0.9918‬‬

‫‪70 − 80‬‬
‫> 𝑍( 𝑃 = )‪𝑃(𝑋 > 70‬‬ ‫‪) = 0.9918‬‬
‫‪σ‬‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫‪70 − 80‬‬
‫= ‪𝑍0.0082 = −𝑍0.9918 = −2.4‬‬
‫‪σ‬‬
‫ומכאן נקבל ש‪ σ=4.1667-‬ולכן ‪σ2 = 4.16672‬‬
‫דוגמה נוספת ממבחן‪ :‬קבוצת תצפיות מתפלגת נורמלית ) ‪ 𝑋~𝑁(𝑚, 𝑠 2‬מצאו‬
‫ערך ‪ a‬כך ש‪:-‬‬
‫א‪ .‬אחוז התצפיות בתוך הטווח 𝑠𝑎 ‪ 𝑚 ±‬הוא ‪75%‬‬
‫)𝑠𝑎 ‪0.75 = 𝑃(𝑚 − 𝑎𝑠 < 𝑋 < 𝑚 +‬‬
‫𝑚 ‪𝑚 − 𝑎𝑠 −‬‬ ‫𝑚 ‪𝑚 + 𝑎𝑠 −‬‬
‫(𝑃 =‬ ‫<𝑍<‬ ‫)𝑎 < 𝑍 < 𝑎‪) = 𝑃(−‬‬
‫𝑠‬ ‫𝑠‬
‫‪= 2𝛷(𝑎) − 1‬‬
‫‪2𝛷(𝑎) − 1 = 0.75 ==> 𝛷(𝑎) = 0.875‬‬
‫לכן ‪ a‬הוא האחוזון ה‪ 87.5-‬ולכן ‪a=1.16‬‬
‫ב‪ .‬אחוז התצפיות שקטנות מ‪ m-as-‬הוא ‪22%‬‬
‫𝑚 ‪𝑚 − 𝑎𝑠 −‬‬
‫< 𝑍( 𝑃 = )𝑠𝑎 ‪0.22 = 𝑃(𝑋 < 𝑚 −‬‬ ‫)𝑎‪) = 𝑃(𝑍 < −‬‬
‫𝑠‬
‫)𝑎‪= 𝛷(−‬‬
‫כלומר ‪ -a‬הוא האחוזון ה‪ 22-‬ולכן ‪ a‬הוא האחוזון ה‪78-‬‬
‫ולכן ‪a=0.78‬‬
‫‪𝑍0.22 = −𝑍0.78‬‬
‫דוגמה מסכמת‬
‫התפלגות הציונים בחשבון היא נורמלית עם תוחלת ‪ 75‬וסטיית תקן ‪ .5‬מצאו‬
‫את הציון‪ ,‬ציון התקן והאחוזון של כל תלמיד כאשר המורה שושנה מסרה את‬
‫הציונים לתלמידיה כך‪:‬‬
‫שמעון – נמצא באחוזון ה‪30-‬‬
‫יגאל – קיבל ציון תקן ‪-1.3‬‬
‫משה – קיבל ‪80‬‬
‫שרה – נמצאת ‪ 2‬סטיות תקן מעל יגאל‬
‫רחל – קיבלה ‪65‬‬
‫רינה – קיבלה בדיוק את החציון‬
‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫רבקה – רק ‪ 10%‬קיבלו ציונים גבוהים ממנה‬

‫‪ -X‬ציון בחשבון )‪X~N(75,52‬‬

‫אחוזון‬ ‫ציון תקן‬ ‫ציון‬ ‫שם הילד‬

‫‪0.3‬‬ ‫‪𝑍0.3 = −𝑍0.7‬‬ ‫‪𝑋0.3‬‬ ‫שמעון‬
‫‪= −0.53‬‬ ‫‪= 75‬‬
‫‪+ (−0.53) ∙ 5‬‬
‫‪= 72.4‬‬
‫)‪𝛷(−1.3‬‬ ‫𝑋 ‪-1.3‬‬ ‫יגאל‬
‫)‪= 1 − 𝛷(1.3‬‬ ‫)‪= 75 + (−1.3‬‬
‫‪= 1 − 0.9032‬‬ ‫‪∙ 5 = 68.5‬‬
‫‪= 0.0968‬‬
‫‪𝛷(1) = 0.8413‬‬ ‫‪80 − 75‬‬ ‫‪80‬‬ ‫משה‬
‫‪=1‬‬
‫‪5‬‬
‫)‪𝛷(0.7‬‬ ‫‪-1.3+2=0.7‬‬ ‫𝑋‬ ‫שרה‬
‫‪= 0.7580‬‬ ‫‪= 75 + 0.7 ∙ 5‬‬
‫‪= 78.5‬‬
‫)‪𝛷(−2‬‬ ‫‪65 − 75‬‬ ‫‪65‬‬ ‫רחל‬
‫‪= −2‬‬
‫= )‪= 1 − 𝛷(2‬‬ ‫‪5‬‬
‫‪= 1 − 0.9772‬‬
‫‪= 0.0228‬‬
‫‪0.5‬‬ ‫‪0‬‬ ‫‪75‬‬ ‫רינה‬
‫‪0.9‬‬ ‫‪1.282‬‬ ‫𝑋‬ ‫רבקה‬
‫‪= 75 + 1.282‬‬
‫‪∙ 5 = 81.41‬‬

‫התפלגות של סכום של מ"מ מתוך התפלגויות מיוחדות מוכרות‬

‫נשתמש בפונקציה יוצרת מומנטים כדי לחשב את סכום של מ"מ‬
‫התפלגות נורמלית‬
‫נניח ) 𝑦‪ 𝑋~𝑁(𝜇𝑥 , σ2𝑥 ), 𝑌~𝑁(𝜇𝑦 , σ2‬והם ב"ת‬
‫איך מתפלג ‪?X+Y‬‬
‫פונקציה יוצרת מומנטים של ההתפלגות הנורמלית‪:‬‬
‫‪1 2 2‬‬ ‫‪1‬‬
‫‪𝑀𝑋 (𝑡) = 𝑒 𝜇𝑡+2σ‬‬ ‫𝑡‬
‫) ‪= exp (𝜇𝑡 + σ2 𝑡 2‬‬
‫‪2‬‬
‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫) 𝑌𝑡 𝑒 𝑋𝑡 𝑒(𝐸 = ) )𝑌‪𝑀𝑋+𝑌 (𝑡) = 𝐸(𝑒 𝑡(𝑋+‬‬

‫מכיוון ש‪ X-‬ו‪ Y-‬הם ב"ת‬
‫)𝑡( 𝑌𝑀)𝑡( 𝑋𝑀 = ) 𝑌𝑡 𝑒(𝐸) 𝑋𝑡 𝑒(𝐸 = ) 𝑌𝑡 𝑒 𝑋𝑡 𝑒(𝐸‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪= exp (𝜇𝑥 𝑡 + σ2𝑥 𝑡 2 ) exp (𝜇𝑦 𝑡 + σ2𝑦 𝑡 2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪= exp (𝜇𝑥 𝑡 + σ𝑋2 𝑡 2 + 𝜇𝑦 𝑡 + σ2𝑦 𝑡 2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬
‫)) 𝑦‪= exp (𝑡(𝜇𝑥 + 𝜇𝑦 ) + 𝑡 2 (σ𝑋2 + σ2‬‬
‫‪2‬‬
‫קיבלנו פונקציה יוצרת מומנטים של התפלגות נורמלית עם תוחלת 𝑦𝜇 ‪𝜇𝑥 +‬‬
‫ושונות 𝑦‪σ𝑋2 + σ2‬‬
‫) 𝑦‪𝑋 + 𝑌~𝑁(𝜇𝑥 + 𝜇𝑦 , σ𝑋2 + σ2‬‬

‫באותו אופן אפשר להוכיח ש‪ ∑𝑛𝑖=1 𝑋𝑖 ~𝑁(∑𝑛𝑖=1 𝜇𝑖 , ∑𝑛𝑖=1 σ2𝑖 ) -‬כאשר ‪ n‬הם‬
‫מ"מ ב"ת‬
‫אם )‪ X~N(μ,σ2‬איך מתפלג ‪?Y=aX+b‬‬
‫𝑏 ‪𝐸(𝑌) = 𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏 = 𝑎𝜇 +‬‬
‫‪𝑉(𝑌) = 𝑉(𝑎𝑋 + 𝑏) = 𝑎2 𝑉(𝑋) = 𝑎2 σ2‬‬
‫) ‪𝑌~𝑁(𝑎𝜇 + 𝑏, 𝑎2 σ2‬‬
‫דוגמה ממבחן‪:‬‬
‫יהיו )‪ Y~N(2,25) ,X~N(4,16‬מ"מ ב"ת‬
‫א‪ .‬כיצד מתפלג ‪ 3X‬ו‪?2Y-‬‬
‫)‪3𝑋~𝑁(3 ∙ 4,32 ∙ 16) = 𝑁(12,144‬‬
‫)‪2𝑌~𝑁(2 ∙ 2,22 ∙ 25) = 𝑁(4, 100‬‬
‫ב‪ .‬יהיו ) 𝑤‪ 𝐾~𝑁(𝜇𝑘 , σ2𝑘 ), 𝑊~𝑁(𝜇𝑤 , σ2‬מ"מ ב"ת‪ .‬מצא איך מתפלג ‪?W-K‬‬
‫) 𝐾𝑡‪𝑀𝑊−𝐾 (𝑡) = 𝐸(𝑒 𝑡(𝑊−𝐾) ) = 𝐸(𝑒 𝑡𝑊 𝑒 −‬‬
‫מכיוון ש‪ W,K-‬הם ב"ת‬
‫)𝑡( 𝐾‪𝐸(𝑒 𝑡𝑊 𝑒 −𝑡𝐾 ) = 𝐸(𝑒 𝑡𝑊 )𝐸(𝑒 −𝑡𝐾 ) = 𝑀𝑊 (𝑡)𝑀−‬‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫) 𝑘‪ −𝐾~𝑁(−𝜇𝑘 , σ2‬לכן‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪= exp (𝜇𝑊 𝑡 + σ2𝑊 𝑡 2 ) exp (−𝜇𝑘 𝑡 + σ2𝑘 𝑡 2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1 2 2‬‬ ‫‪1‬‬
‫) ‪= exp (𝜇𝑊 𝑡 + σ𝑊 𝑡 −𝜇𝑘 𝑡 + σ2𝑘 𝑡 2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬
‫)) 𝑘‪= exp (𝑡(𝜇𝑊 − 𝜇𝑘 ) + 𝑡 2 (σ2𝑊 + σ2‬‬
‫‪2‬‬
‫לכן קיבלנו פונקציה יוצרת מומנטים של התפלגות התפלגות נורמלית‬
‫) 𝑘‪𝑊 − 𝐾~𝑁(𝜇𝑊 − 𝜇𝑘 , σ2𝑊 + σ2‬‬
‫ג‪ .‬כיצד מתפלג ‪?Y-X‬‬
‫)‪𝑌 − 𝑋~𝑁(2 − 4, 25 + 16) = 𝑁(−2,41‬‬
‫ד‪ .‬מצאו את )‪𝑃(2𝑌 + 3𝑋 + 40 < 10‬‬
‫)‪𝑃(2𝑌 + 3𝑋 + 40 < 10‬‬
‫דרך א‪:‬‬
‫‪𝐸(2𝑌 + 3𝑋 + 40) = 2𝐸(𝑌) + 3𝐸(𝑋) + 40 = 2 ∙ 2 + 3 ∙ 4 + 40 = 56‬‬
‫‪𝑉(2𝑌 + 3𝑋 + 40) = 22 ∙ 25 + 32 ∙ 16 = 244‬‬
‫)‪2𝑌 + 3𝑋 + 40~𝑁(56, 244‬‬
‫‪10 − 56‬‬
‫< 𝑍( 𝑃 = )‪𝑃(2𝑌 + 3𝑋 + 40 < 10‬‬ ‫‪) = 𝛷(−2.9) = 0.0019‬‬
‫‪244‬‬
‫דרך ב‪:‬‬
‫)‪𝑃(2𝑌 + 3𝑋 + 40 < 10) = 𝑃(2𝑌 + 3𝑋 < −30‬‬
‫)‪2𝑌 + 3𝑋~𝑁(16,244‬‬
‫‪−30 − 16‬‬
‫< 𝑍( 𝑃 = )‪𝑃(2𝑌 + 3𝑋 < −30‬‬ ‫)‪) = 𝛷(−2.9‬‬
‫‪244‬‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫סכום של ברנולי‬
‫יהיו )𝑝(𝑟𝑒𝐵~ 𝑖𝑋 מ"מ ב"ת איך מתפלג 𝑖𝑋 ‪∑𝑛𝑖=1‬‬
‫𝑛‬
‫𝑛∑ 𝑡‬
‫𝑖𝑋 ‪𝑖=1‬‬
‫𝑒(𝐸 = )𝑡( 𝑖𝑋 ‪𝑀∑𝑛𝑖=1‬‬ ‫) 𝑖𝑋𝑡 𝑒 ∏( 𝐸 = )‬
‫‪𝑖=1‬‬

‫כיוון שכל המ"מ הם ב"ת‬

‫𝑛‬ ‫𝑛‬ ‫𝑛‬ ‫𝑛‬

‫) 𝑡 𝑒𝑝 ‪𝐸 (∏ 𝑒 𝑡𝑋𝑖 ) = ∏ 𝐸(𝑒 𝑡𝑋𝑖 ) = ∏ 𝑀𝑋𝑖 (𝑡) = ∏(𝑞 +‬‬

‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫𝑛) 𝑡 𝑒𝑝 ‪= (𝑞 +‬‬
‫קיבלנו פונקציה יוצרת מומנטים של בינומית ולכן‬
‫𝑛‬

‫)𝑝 ‪∑ 𝑋𝑖 ~𝐵𝑖𝑛(𝑛,‬‬
‫‪𝑖=1‬‬

‫סכום של בינומי‬
‫יהיו )𝑝 ‪ 𝑋𝑖 ~𝐵𝑖𝑛(𝑛,‬מ"מ ב"ת איך מתפלג 𝑖𝑋 ‪∑𝑘𝑖=1‬‬
‫𝑘‬
‫𝑘∑ 𝑡‬
‫𝑖𝑋 ‪𝑖=1‬‬
‫𝑘∑ 𝑀‬ ‫𝑒( 𝐸 = )𝑡(‬ ‫) 𝑖𝑋𝑡 𝑒 ∏( 𝐸 = )‬
‫𝑖𝑋 ‪𝑖=1‬‬
‫‪𝑖=1‬‬

‫כיוון שכל המ"מ הם ב"ת‬

‫𝑘‬ ‫𝑘‬ ‫𝑘‬ ‫𝑘‬

‫𝑛) 𝑡 𝑒𝑝 ‪𝐸 (∏ 𝑒 𝑡𝑋𝑖 ) = ∏ 𝐸(𝑒 𝑡𝑋𝑖 ) = ∏ 𝑀𝑋𝑖 (𝑡) = ∏(𝑞 +‬‬

‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫𝑛𝑘) 𝑡‬
‫𝑒𝑝 ‪= (𝑞 +‬‬
‫קיבלנו פונקציה יוצרת מומנטים של בינומית‬
‫𝑘‬

‫)𝑝 ‪∑ 𝑋𝑖 ~𝐵𝑖𝑛(𝑛𝑘,‬‬
‫‪𝑖=1‬‬

‫יהיו )𝑝 ‪ 𝑋𝑖 ~𝐵𝑖𝑛(𝑛𝑖 ,‬מ"מ ב"ת איך מתפלג 𝑖𝑋 ‪?∑𝑘𝑖=1‬‬

‫𝑘‬
‫𝑘∑ 𝑡‬
‫𝑖𝑋 ‪𝑖=1‬‬
‫𝑘∑ 𝑀‬ ‫𝑒( 𝐸 = )𝑡(‬ ‫) 𝑖𝑋𝑡 𝑒 ∏( 𝐸 = )‬
‫𝑖𝑋 ‪𝑖=1‬‬
‫‪𝑖=1‬‬
‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫כיוון שכל המ"מ הם ב"ת‬

‫𝑘‬ ‫𝑘‬ ‫𝑘‬ ‫𝑘‬

‫𝑖𝑛) 𝑡 𝑒𝑝 ‪𝐸 (∏ 𝑒 𝑡𝑋𝑖 ) = ∏ 𝐸(𝑒 𝑡𝑋𝑖 ) = ∏ 𝑀𝑋𝑖 (𝑡) = ∏(𝑞 +‬‬

‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫𝑘∑ ) 𝑡‬
‫𝑖𝑛 ‪𝑖=1‬‬
‫𝑒𝑝 ‪= (𝑞 +‬‬
‫קיבלנו פונקציה יוצרת מומנטים של בינומית‬
‫𝑘‬ ‫𝑘‬

‫)𝑝 ‪∑ 𝑋𝑖 ~𝐵𝑖𝑛 (∑ 𝑛𝑖 ,‬‬

‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬

‫דוגמה‪ :‬גיא מטיל קובייה ‪ 5‬פעמים וראובן מטיל קובייה פעמיים‪ .‬מה ההסתברות‬
‫שגיא וראובן קיבלו ביחד ‪ 4‬פעמים תוצאה קטנה מ‪?3-‬‬
‫‪ – X‬מספר הפעמים שיצא לגיא תוצאה קטנה מ‪3-‬‬
‫‪ – Y‬מספר הפעמים שיצא לראובן תוצאה קטנה מ‪3-‬‬
‫‪2 1‬‬
‫=𝑝‬ ‫=‬
‫‪6 3‬‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪𝑋~𝐵𝑖𝑛 (5, ) , 𝑌~𝐵𝑖𝑛 (2,‬‬
‫‪3‬‬ ‫‪3‬‬
‫כיוון ש‪ X-‬ו‪ Y-‬הם ב"ת‬
‫‪1‬‬
‫) ‪𝑋 + 𝑌~𝐵𝑖𝑛 (7,‬‬
‫‪3‬‬
‫‪4‬‬
‫‪7 1‬‬ ‫‪2 3‬‬
‫) ( ) ( ) ( = )‪𝑃(𝑋 + 𝑌 = 4‬‬
‫‪4 3‬‬ ‫‪3‬‬
‫סכום של פאוסוני‬
‫יהיו ) 𝑖‪ 𝑋𝑖 ~𝑃𝑜𝑖𝑠(λ‬ב"ת כיצד יתפלג 𝑖𝑋 ‪?∑𝑛𝑖=1‬‬
‫𝑛‬
‫𝑛∑ 𝑡‬
‫𝑖𝑋 ‪𝑖=1‬‬
‫𝑒(𝐸 = )𝑡( 𝑖𝑋 ‪𝑀∑𝑛𝑖=1‬‬ ‫) 𝑖𝑋𝑡 𝑒 ∏( 𝐸 = )‬
‫‪𝑖=1‬‬

‫כיוון שכל המ"מ הם ב"ת‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫𝑛‬ ‫𝑛‬ ‫𝑛‬ ‫𝑛‬

‫)‪𝑡 −1‬‬
‫𝑒(𝑖‪𝐸 (∏ 𝑒 𝑡𝑋𝑖 ) = ∏ 𝐸(𝑒 𝑡𝑋𝑖 ) = ∏ 𝑀𝑋𝑖 (𝑡) = ∏ 𝑒 λ‬‬
‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫𝑛∑‬ ‫𝑡‬
‫)‪𝑖=1 λ𝑖 (𝑒 −1‬‬
‫𝑒=‬
‫לכן קיבלנו פונקציה יוצרת מומנטים של פאוסונית‪:‬‬
‫𝑛‬ ‫𝑛‬

‫) 𝑖‪∑ 𝑋𝑖 ~𝑃𝑜𝑖𝑠 (∑ λ‬‬

‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬

‫דוגמה‪ :‬במרכזייה טלפונית יש ‪ 4‬קווי טלפון‪ .‬מספר השיחות בקו הראשון מתפלג‬
‫פואסונית עם ‪ λ=25‬בשעה מספרי השיחות בשאר הקווים מתפלג פואסונית עם‬
‫‪ λ=20‬בשעה‪ .‬מה ההסתברות שלמרכזייה מגיעות ‪ 40‬שיחות בחצי שעה?‬
‫𝑖𝑋 – מספר השיחות שהגיעו מקו ‪ i‬בשעה‬
‫)‪𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 ~𝑃𝑜𝑖𝑠(25 + 3 ∙ 20) = 𝑃𝑜𝑖𝑠(85‬‬
‫𝑖𝑌 – מסר השיחות שהגיעו מקו ‪ i‬בחצי שעה‬
‫‪85‬‬
‫( 𝑠𝑖𝑜𝑃~ ‪𝑌1 + 𝑌2 + 𝑌3 + 𝑌4‬‬ ‫)‪) = 𝑃𝑜𝑖𝑠(42.5‬‬
‫‪2‬‬
‫‪𝑒 −42.5 42.540‬‬
‫= )‪𝑃(𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 = 40‬‬
‫!‪40‬‬
‫התפלגות הממוצע‬
‫יהיו ) ‪ 𝑋𝑖 ~𝑁(𝜇, σ2‬מ"מ ב"ת‬
‫𝑖𝑋 ‪∑𝑛𝑖=1‬‬
‫=𝑋‬
‫𝑛‬
‫𝑖𝑋 ‪∑𝑛𝑖=1‬‬ ‫𝜇𝑛 ) 𝑖𝑋 ‪𝐸(∑𝑛𝑖=1‬‬
‫( 𝐸 = )𝑋(𝐸‬ ‫=)‬ ‫=‬ ‫𝜇=‬
‫𝑛‬ ‫𝑛‬ ‫𝑛‬
‫𝑖𝑋 ‪∑𝑛𝑖=1‬‬ ‫‪𝑛σ2 σ2‬‬
‫( 𝑉 = )𝑋(𝑉‬ ‫= ‪)= 2‬‬
‫𝑛‬ ‫𝑛‬ ‫𝑛‬
‫‪σ2‬‬
‫‪𝑋~𝑁 (𝜇,‬‬
‫𝑛‬
‫לכן קיבלנו‪):‬‬
‫‪σ‬‬
‫סטיית התקן של המומצע – טעות התקן ‪-‬‬
‫𝑛√‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫משפט הגבול המרכזי‬

‫‪σ2‬‬
‫‪𝑋~𝑛→∞ . 𝑁 (𝜇,‬‬ ‫יהיו 𝑖𝑋 "מ ב"ת אז )‬
‫𝑛‬

‫כלומר הממוצע מתפלג בקירוב נורמלית וזה יתקיים עבור ‪ n‬מספיק גדול‪ .‬עבור‬
‫‪n≥25‬‬
‫דוגמה‪ :‬ידוע כי אוכלוסייה מתפלגת עם תוחלת ‪ 84‬ושונות ‪ .16‬מה ההסתברות‬
‫למצוא ממוצע מדגם שגדול מ‪ 87-‬כאשר גודל המדגם הוא ‪?30‬‬
‫‪𝐸(𝑋) = 84, 𝑉(𝑋) = 16‬‬
‫)‪𝑃(𝑋30 > 87‬‬
‫‪16‬‬
‫לפי משפט הגבול המרכזי כיוון שגודל המדגם מספיק גדול ) ‪𝑋~𝑁 (84,‬‬
‫‪30‬‬

‫‪87 − 84‬‬
‫> 𝑍 𝑃 = )‪𝑃(𝑋30 > 87‬‬ ‫)‪= 𝑃(𝑍 > 4.108) = 1 − 𝛷(4.108‬‬
‫‪√16‬‬
‫(‬ ‫) ‪30‬‬
‫‪=1−1=0‬‬
‫דוגמה נוספת‪ :‬לאוכלוסייה מסוימת יש התפלגות א סימטרית ימנית עם תוחלת‬
‫‪ 100‬וסטיית תקן ‪.15‬‬
‫א‪ .‬מה ההסתברות שפרט יחיד שנדגם מהאוכלוסייה ערכו גדול מ‪ ?110-‬לא‬
‫ניתן לחשב כיוון שלא נתון לי ההתפלגות ממש‪.‬‬
‫ב‪ .‬מהי התפלגות הממוצע עבור גודל מדגם של ‪ 64‬תצפיות?‬
‫‪152‬‬
‫‪𝑋~𝑁 (100,‬‬ ‫)‬
‫‪64‬‬
‫ג‪ .‬מהו אחוז המדגמים בגודל ‪ 64‬שבהם הממוצע קטן מ‪?110-‬‬

‫‪110 − 100‬‬
‫< 𝑍( 𝑃 = )‪𝑃(𝑋 < 110‬‬ ‫‪) = 𝛷(5.33) = 1‬‬
‫‪15‬‬
‫‪8‬‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫ד‪ .‬מהו התחום הסימטרי סביב המומצע שבו מרוכזים ‪ 95%‬מממוצעי‬

‫המדגמים בגודל ‪?64‬‬

‫‪−𝑎 − 100‬‬ ‫‪𝑎 − 100‬‬

‫( 𝑃 = )𝑎 < 𝑋 < 𝑎‪𝑃(−‬‬ ‫<𝑍<‬ ‫)‬
‫‪15‬‬ ‫‪15‬‬
‫‪8‬‬ ‫‪8‬‬
‫‪𝑎 − 100‬‬
‫( 𝛷‪= 2‬‬ ‫‪) − 1 = 0.95‬‬
‫‪15‬‬
‫‪8‬‬

‫‪𝑎 − 100‬‬
‫(𝛷‬ ‫‪) = 0.975‬‬
‫‪15‬‬
‫‪8‬‬
‫‪𝑎 − 100‬‬
‫‪= 1.96‬‬
‫‪15‬‬
‫‪8‬‬
‫ומכאן נקבל ש‪a=103.675-‬‬

‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬
 ‫מבוא להסתברות – מדעי המחשב ומדע הנתונים‬
‫עריכה‪ :‬ד"ר מיכל ביתן‬

‫דוגמה מועד א סמ א ‪2020‬‬

‫נתונה אוכלוסייה עם תוחלת ‪ 80‬ושונות ‪ .16‬חוקר בדק מדגמים בגודל ‪ 121‬כל‬
‫‪1‬‬
‫‪𝑃 ( ∑121‬‬
‫אחד‪ .‬נתון ש‪𝑖=1 𝑋𝑖 < 959) = 𝑎 -‬‬
‫‪10‬‬

‫‪𝑃(𝑋 < 𝑏) = 0.3594‬‬

‫מצא את ‪a b‬‬
‫כיוון שגודל המדגם הוא ‪ 121‬והוא גדול מ‪ 25-‬לפי משפט הגבול המרכזי‬
‫‪16‬‬
‫‪𝑋~𝑁 (80,‬‬ ‫)‬
‫‪121‬‬
‫‪ B‬הוא האחוזון ה‪35.94-‬‬
‫‪𝑍0.3594 = −𝑍0.6406 = −0.36‬‬
‫נשתמש בפעולה ההפוכה לתקנון‪:‬‬

‫‪16‬‬
‫√ ∙ )‪𝑋0.3594 = 80 + (−0.36‬‬ ‫‪= 79.87‬‬
‫‪121‬‬

‫כדי למצוא את ‪:a‬‬

‫‪121‬‬ ‫‪121‬‬
‫‪1‬‬ ‫‪9590‬‬
‫< 𝑋( 𝑃 = )‪𝑃 ( ∑ 𝑋𝑖 < 959) = 𝑃 (∑ 𝑋𝑖 < 9590‬‬ ‫)‬
‫‪10‬‬ ‫‪121‬‬
‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫‪9590‬‬
‫‪− 80‬‬
‫<𝑍 𝑃=‬ ‫‪121‬‬ ‫‪= 𝛷(−2.06) = 0.0197‬‬
‫√‬ ‫‪16‬‬
‫(‬ ‫) ‪121‬‬
‫דרך ב‪:‬‬
‫‪σ2‬‬
‫‪ 𝑋~𝑁 (𝜇,‬לכן ) ‪∑𝑛𝑖=1 𝑋𝑖 ~𝑁(𝑛𝜇, 𝑛σ2‬‬ ‫לפי משפט הגבול המרכזי )‬
‫𝑛‬

‫‪∑121‬‬
‫לכן )‪𝑖=1 𝑋𝑖 ~𝑁(121 ∙ 80, 121 ∙ 16‬‬
‫‪121‬‬ ‫‪121‬‬
‫‪1‬‬
‫)‪𝑃 ( ∑ 𝑋𝑖 < 959) = 𝑃 (∑ 𝑋𝑖 < 9590‬‬
‫‪10‬‬
‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫‪9590 − 121 ∙ 80‬‬
‫< 𝑍( 𝑃 =‬ ‫)‪) = 𝛷(−2.06‬‬
‫‪√121 ∙ 16‬‬
‫חומרים מלווים אלו הינם הקניין הרוחני של הקורס מבוא להסתברות ופרי עבודתה של ד"ר מיכל ביתן‪.‬‬
‫אין להעתיק‪ ,‬לשכפל ‪ ,‬לפרסם‪ ,‬להפיץ‪ ,‬או לאחסן‪.‬‬
‫שימוש בחומרים אלו מהווה עוולה אזרחית והפרה חמורה של תקנון המכללה למנהל!‬