Zdarzenia elementarne
Poszczególne wyniki doświadczenia nazywają się
zdarzeniami elementarnymi, zaś zbiór tych wyników
przestrzenią zdarzeń elementarnych danego
doświadczenia.
Przestrzeń zdarzeń elementarnych zwykle oznaczamy
literą
. Zdarzenia elementarne oznaczamy małą literą ,
dodając często wskaźnik.
Działania na zdarzeniach
Def. Całą przestrzeń zdarzeń elementarnych
- nazywamy zdarzeniem pewnym.
Def. Podzbiór pusty przestrzeni zdarzeń
elementarnych
nazywamy zdarzeniem niemożliwym i
oznaczamy symbolem
.
Def. Mówimy, że zdarzenie A jest zawarte w
zdarzeniu B, co zapisujemy
,
jeżeli każde
zdarzenie elementarne należące do A należy także
do B.
B
A
Działania na zdarzeniach - c.d.
Def. Zdarzenie składające się z tych wszystkich
zdarzeń elementarnych, które należą do obydwu
zdarzeń A i B nazywamy koniunkcją tych
zdarzeń
i oznaczamy symbolem
.
Def. Zdarzenie składające się z tych wszystkich
zdarzeń elementarnych, które należą do co
najmniej jednego ze zdarzeń A lub B nazywamy
alternatywą tych zdarzeń i oznaczamy
symbolem
.
B
A
B
A
Działania na zdarzeniach - c.d.
Def. Zdarzenie składające się z tych wszystkich
zdarzeń elementarnych, które należą do zdarzenia
A i nie należą do zdarzenia B nazywamy różnicą
zdarzeń i oznaczamy symbolem
.
Def. Zdarzenia A i B nie mające wspólnych
zdarzeń elementarnych, nazywamy zdarzeniami
rozłącznymi (lub wykluczającymi się).
Def. Mówimy, że zdarzenia
są
rozłączne parami, jeśli każde dwa spośród nich
wyłączają się.
B
A\
n
A
A
A
,
,
,
2
1
Działania na zdarzeniach - c.d.
Def. Zdarzeniem przeciwnym do zdarzenia A
nazywamy zdarzenie B składające się z tych
wszystkich zdarzeń elementarnych, które nie
należą do zdarzenia A. Zdarzenie przeciwne do
A oznaczamy
.
Def. Zdarzenia A i B składające się z tych
samych zdarzeń elementarnych nazywamy
zdarzeniami identycznymi i oznaczamy A=B.
Wszystkie prawa rachunku zbiorów są również
prawami rachunku zdarzeń.
A
Prawdopodobieństwo
- definicja klasyczna
Rozważmy doświadczenie losowe kończące się
zawsze dokładnie jednym spośród m jednakowo
możliwych wyników. Jeżeli zdarzeniu A sprzyja l
spośród tych wyników, to prawdopodobieństwem
P(A) zdarzenia A nazywam liczbę
.
m
l
A
P
Prawdopodobieństwo
- definicja geometryczna
Przypuśćmy, że w przestrzeni r-wymiarowej mamy
pewien obszar G i zawarty w nim obszar g.
Przypuśćmy dalej, że doświadczenie polega na
losowym wyborze punktu w obszarze G, przy czym
wszystkie punkty są równoprawne. Wówczas
prawdopodobieństwo zdarzenia A polegającego na
tym, że losowo wybrany punkt znajdzie się w obszarze
g, określamy wzorem:
gdzie mes g i mes G oznaczają odpowiednio miarę
zbioru (przy r=1 długość, przy r=2 pole, przy r=3
objętość).
mesG
mesg
A
P
Prawdopodobieństwo
- definicja von Misesa
Prawdopodobieństwo zdarzenia A jest to
granica częstości tego zdarzenia, gdy liczba
doświadczeń n dąży do nieskończoności:
n
A
n
A
P
n
lim
Prawdopodobieństwo
- definicja aksjomatyczna
Weźmy pod uwagę ustaloną przestrzeń zdarzeń
elementarnych
i wyróżnioną w niej klasę zdarzeń
probabilizowalnych.
Prawdopodobieństwem P nazywamy funkcję o
wartościach rzeczywistych określoną na klasie zdarzeń
spełniającą następujące aksjomaty:
Aksjomat 1. Dla każdego zdarzenia
prawdopodobieństwo P(A) spełnia następującą
nierówność podwójną:
Aksjomat 2. Prawdopodobieństwo zdarzenia pewnego
jest równe jedności:
A
1
0
A
P
1
P
Prawdopodobieństwo
- definicja aksjomatyczna - c.d.
Aksjomat 3. Prawdopodobieństwo alternatywy
przeliczalnej liczby parami wyłączających się
zdarzeń jest równe sumie prawdopodobieństw
tych zdarzeń: jeżeli
, przy czym dla każdej pary
wskaźników i,j
jest , to
,
,
2
1
A
A
j
i
j
i
A
A
1
1
k
k
k
k
A
P
A
P
Przestrzeń probabilistyczna
Trójkę złożoną z ustalonej przestrzeni
zdarzeń elementarnych , wyróżnionej w niej
klasie zdarzeń probabilizowalnych i
określonego na niej prawdopodobieństwa P
nazywamy przestrzenią probabilistyczną.
Funkcję P nazywa się często rozkładem
prawdopodobieństwa, a przez
prawdopodobieństwo rozumie się wartość tej
funkcji P(A) dla konkretnego argumentu A, czyli
dla konkretnego zdarzenia A.
P
,
,
Najprostsze konsekwencje
aksjomatów
Twierdzenie 1. Prawdopodobieństwo zdarzenia
niemożliwego równa się zero: .
Twierdzenie 2. Jeżeli zdarzenia są
parami wyłączające się (tzn. ),
to
Twierdzenie 3. Prawdopodobieństwo zdarzenia
A jest równe 1 minus prawdopodobieństwo
zdarzenia przeciwnego .
0
P
n
A
A
A
,
,
,
2
1
j
i
A
A
j
i
dla
n
n
A
P
A
P
A
P
A
A
A
P
2
1
2
1
A
P
A
P
1
Najprostsze konsekwencje
aksjomatów - c.d.
Twierdzenie 4. Prawdopodobieństwo
alternatywy dowolnych zdarzeń A i B dane jest
wzorem
Twierdzenie 5. Prawdopodobieństwo
alternatywy dowolnych zdarzeń A, B i C dane
jest wzorem
Twierdzenie 6. Jeżeli to
B
A
P
B
P
A
P
B
A
P
C
B
A
P
C
B
P
C
A
P
B
A
P
C
p
B
P
A
P
C
B
A
P
B
A
B
P
A
P
Prawdopodobieństwo warunkowe
Prawdopodobieństwo zajścia zdarzenia A pod
warunkiem, że zaszło zdarzenie B (o
niezerowym prawdopodobieństwie) wyraża się
wzorem:
B
P
B
A
P
B
A
P
/
Prawdopodobieństwo zupełne
Niech zdarzenia wyłączają się
parami
(tzn. ), przy czym dla
i niech ich alternatywa będzie
zdarzeniem pewnym:
Wówczas dla każdego zdarzenia B zachodzi wzór
n
A
A
A
,
,
,
2
1
j
i
A
A
j
i
dla
0
i
A
P
n
i
,
,
2
,
1
n
A
A
A
2
1
n
n
A
P
A
B
P
A
P
A
B
P
A
P
A
B
P
B
P
/
/
/
2
2
1
1
Twierdzenie Bayesa
Jeśli spełnione są założenia twierdzenia o
prawdopodobieństwie zupełnym oraz
to
gdzie P(A) wyraża się wzorem z tezy twierdzenia
o prawdopodobieństwie zupełnym.
0
)
(
A
P
)
(
)
/
(
)
(
)
/
(
A
P
A
A
P
A
P
A
A
P
i
i
i
Niezależność zdarzeń
Def. Niech będzie ustaloną
przestrzenią probabilistyczną. Zdarzenia
A i B
należące do
nazywa się niezależnymi, gdy spełniony jest
warunek:
P
,
,
)
(
)
(
)
(
B
P
A
P
B
A
P
Niezależność zdarzeń- c.d.
Twierdzenie 1. Jeżeli A jest dowolnym
zdarzeniem a
P(B)=0 lub P(B)=1 to zdarzenia
A i B są
niezależne.
Twierdzenie 2. Jeżeli zdarzenia A i B są
niezależne to niezależne są też zdarzenia:
a) i B
b) A i
c) i
A
B
A
B
Niezależnoěć zdarzeń- c.d.
Def. Mówimy, że zdarzenia
są
wzajemnie niezależne jeśli
prawdopodobieństwo koniunkcji dowolnych k
różnych zdarzeń spośród nich jest równe
iloczynowi prawdopodobieństw tych zdarzeń.
n
A
A
A
,
,
,
2
1
Pojęcie zmiennej losowej
Def. Niech będzie przestrzenią
probabilistyczną. Zmienną losową nazywamy
dowolną funkcję o wartościach rzeczywistych,
określoną na przestrzeni zdarzeń
elementarnych i spełniającą warunek : dla
każdej liczby rzeczywistej x
zbiór zdarzeń elementarnych , dla których
spełniona jest nierówność jest
zdarzeniem, czyli
P
,
,
x
X
)
(
S
x
X
)
(
:
Pojęcie zmiennej losowej
Zmienne losowe będziemy oznaczać dużymi
końcowymi literami alfabetu:
X,Y,Z; ich
wartości odpowiednimi literami małymi: x,y,z.
Dystrybuanta zmiennej losowej
Def. Niech X oznacza dowolną ustaloną
zmienną losową. Funkcję
( lub krócej: F)
określoną na całej osi równością
nazywamy dystrybuantą zmiennej losowej
X.
X
F
,
x
X
P
x
F
X
)
(
:
(
)
(
Własności dystrybuanty
1) dla każdego ,
2)
jest funkcją niemalejącą,
3)
4) jest funkcją lewostronnie ciągłą,
5) przyrost dystrybuanty F między
punktami i
1
)
(
0
x
F
R
x
0
)
(
)
(
lim
F
x
F
x
1
)
(
)
(
lim
F
x
F
x
)
(
)
(
1
2
x
F
x
F
1
x
2
x
Własności dystrybuanty - c.d.
5) przyrost dystrybuanty F między
punktami i wyraża
prawdopodobieństwo
przyjęcia przez zmienną losową X
wartości z przedziału
6) różnica wyraża
prawdopodobieństwo
przyjęcia przez zmienną losową X
wartości
)
(
)
(
1
2
x
F
x
F
1
x
2
x
)
(
2
1
x
X
x
P
2
1
,x
x
)
(
)
(
0
0
x
F
x
F
)
(
0
x
X
P
0
x
)
(
0
x
X
P
)
(
)
(
0
0
x
F
x
F
Niezależność zmiennych losowych
Def. Mówimy, że zmienne losowe X i Y są
niezależne, gdy dla dowolnych
zdarzenia
i
są niezależne, czyli
R
y
x
,
x
X
)
(
:
y
Y
)
(
:
y
Y
P
x
X
P
y
Y
x
X
P
,
Zmienne losowe - c.d.
Def. Mówimy, że zmienna losowe X jest typu
dyskretnego, jeżeli daje się wyróżnić
skończony lub przeliczalny zbiór
jej wartości taki, że:
(*)
Równość ( * ) nosi nazwę warunku
unormowania.
...
,...,
,
2
1
n
x
x
x
W
,
,
0
)
(
W
x
x
X
P
i
i
W
x
i
i
x
X
P
1
)
(
Zmienne losowe - c.d.
Def.
Funkcją
(
rozkładu
)
prawdopodobieństwa dyskretnej zmiennej
losowej X nazywamy funkcję p określoną na
zbiorze W jej punktów skokowych
równością:
lub tabelką
i spełniającą warunek unormowania.
i
x
W
x
p
x
X
P
x
p
i
i
i
i
,
)
(
)
(
x
i
x
1
x
2
...
x
n
...
p
i
px
( )
1
px
( )
2
...
px
n
( )
...
W
x
i
Zmienne losowe - c.d.
Def. Mówimy, że zmienna losowa X jest typu
ciągłego, jeżeli istnieje nieujemna funkcja f,
określona i całkowalna na całej osi taka, że dla
każdego przedziału
Funkcja f nazywa się gęstością ( rozkładu )
prawdopodobieństwa zmiennej losowej X, a
jej wykres - krzywą gęstości.
Równość
nosi nazwę warunku unormowania.
2
1
,x
x
2
1
)
(
2
1
x
x
dx
x
f
x
X
x
P
1
)
( dx
x
f
Zmienne losowe - c.d.
Tw. Każda funkcja f nieujemna i spełniająca
warunek
unormowania
jest
gęstością
prawdopodobieństwa pewnej zmiennej losowej.
Def. Dystrybuanta F zmiennej losowej X
typu ciągłego o gęstości f wyraża się
następującym wzorem:
x
R
x
dt
t
f
x
F
.
,
)
(
)
(
Funkcje zmiennej losowej typu
ciągłego
Tw.
Jeżeli:
1) zmienna losowa X jest typu ciągłego o gęstości
skoncentrowanej na przedziale ,
2) funkcja
, określona co najmniej na
przedziale jest różniczkowalna i przy tym
jej
pochodna ma stały znak, to:
a) zmienna losowa jest również typu
ciągłego,
b) jej gęstość
wyraża się wzorem:
X
f
b
a,
)
(
:
x
u
y
x
u
b
a,
)
(x
u
Y
Y
f
Funkcje zmiennej losowej typu
ciągłego- c.d.
gdzie: jest rozwiązaniem równania
)
(y
v
x
)
(x
u
y
)
,
min(
1
1
b
a
c
)
,
max(
1
1
b
a
d
)
(
lim
1
x
u
a
a
x
)
(
lim
1
x
u
b
b
x
y
d
y
c
y
v
y
v
f
y
f
X
Y
h
pozostalyc
dla
0
dla
)
(
))
(
(
)
(
Wartość oczekiwana
Def. Wartością oczekiwaną (wartością
przeciętną, wartością średnią) zmiennej
losowej dyskretnej o funkcji
prawdopodobieństwa
nazywamy liczbę określoną wzorem
ale
pod
warunkiem,
że
w
przypadku
przeliczalnej liczby punktów skokowych, szereg
po prawej stronie wzoru jest bezwzględnie
zbieżny.
)
(
i
x
p
)
(X
E
W
x
i
i
i
x
p
x
X
E
)
(
)
(
Wartość oczekiwana - c.d.
Def. Wartością oczekiwaną zmiennej
losowej X typu ciągłego o gęstości f
nazywamy liczbę E(X) określoną wzorem:
ale pod warunkiem, że w przypadku gęstości
nieograniczonej lub skoncentrowanej
na
przedziale niewłaściwym, całka po prawej
stronie jest zbieżna bezwzględnie.
dx
x
xf
X
E
)
(
)
(
Wartość oczekiwana - c.d.
Tw.
Wartość oczekiwana zmiennej losowej ma
następujące własności (X,Y - zmienne losowe
dowolnego typu, a,b,c - stałe):
a) wartość oczekiwana stałej jest równa tej
stałej,
b) gdy istnieje
, wartość
oczekiwana jest miarą położenia,
c)
gdy istnieje
,
wartość
oczekiwana odchylenia dowolnej zmiennej losowej od
jej wartości
oczekiwanej jest równa zeru,
c
c
E
)
(
c
X
E
c
X
E
)
(
)
(
)
(X
E
0
))
(
(
X
E
X
E
)
(X E
Wartość oczekiwana - c.d.
d) gdy istnieje ,
e) gdy istnieją dwie
spośród występujących tu wartości
oczekiwanych,
f) gdy istnieją E(X) i E(Y)
oraz X i Y są niezależne.
)
(
)
(
X
E
a
aX
E
)
(X
E
)
(
)
(
)
(
Y
E
X
E
Y
X
E
)
(
)
(
)
(
Y
E
X
E
XY
E
Kwantyle
Kwantylem rzędu p zmiennej losowej X typu
ciągłego o dystrybuancie F i o gęstości f
nazywamy liczbę , spełniającą jeden z
równoważnych warunków:
, ,
Kwantyl rzędu nazywa się medianą.
p
x
p
x
F
p
)
(
p
x
X
P
p
)
(
p
x
p
dx
x
f )
(
2
1
p
Kwantyle -c.d.
Kwantylem rzędu p zmiennej losowej X typu
dyskretnego o dystrybuancie F i skokach
nazywamy liczbę , spełniającą jeden z
równoważnych warunków:
, ,
)
(
i
x
p
p
x
)
(
)
(
p
p
x
F
p
x
F
)
(
)
(
p
p
x
X
P
p
x
X
P
p
i
p
i
x
x
x
x
i
i
x
p
p
x
p
)
(
)
(
Wariancja
Wariancją zmiennej losowej X mającą wartość
oczekiwaną E(X), nazywamy liczbę V(X)
określoną wzorem
:
Uwzględniając typ zmiennej losowej i
odpowiednie własności, wzór powyższy możemy
zapisać w następującej postaci:
2
))
(
(
)
(
X
E
X
E
X
V
ciaglego
jest typu
gdy
)
(
))
(
(
o
dyskretneg
jest typu
gdy
)
(
))
(
(
)
(
2
2
X
dx
x
f
X
E
x
X
x
p
X
E
x
X
V
W
x
i
i
i
Odchylenie standardowe
Odchyleniem standardowym, nazywamy
arytmetyczny pierwiastek kwadratowy z
wariancji:
)
(X
V
Wariancja - własności
Tw. Wariancja zmiennej losowej ma następujące
własności (X,Y - zmienne dowolnego typu, a,b,c-
stałe):
a) ,
b) ,
c) ,
d) ,
e) ,
f) gdy X,Y są niezależne.
0
)
(
X
V
0
)
(
c
V
)
(
)
(
X
V
c
X
V
)
(
)
(
2
X
V
a
aX
V
2
2
)
(
)
(
)
(
X
E
X
E
X
V
)
(
)
(
)
(
Y
V
X
V
Y
X
V
Momenty
Momentem rzędu r względem stałej c
zmiennej losowej X nazywamy liczbę
określoną wzorem:
Momenty względem stałej c=0 noszą nazwę
momentów zwykłych, względem c=E(X) -
momentów centralnych.
, .
)
(c
r
r
r
c
X
E
c
)
(
)
(
)
(
)
0
(
1
X
E
)
(
)
(
2
X
V
X
E
Kowariancja
Kowariancję zmiennych losowych X i Y
mających wartości oczekiwane E(X) i E(Y),
nazywamy liczbę cov(X,Y) określoną wzorem:
Zachodzą związki:
a) ,
b) gdy X, Y są niezależne,
c)
]
)
(
)
(
[
)
,
cov(
Y
E
Y
X
E
X
E
Y
X
)
(
)
,
cov(
X
V
X
X
0
)
,
cov(
Y
X
)
,
cov(
2
)
(
)
(
)
(
Y
X
Y
V
X
V
Y
X
V
Współczynnik korelacji
Współczynnikiem korelacji zmiennych
losowych X i Y mających wartości oczekiwane
E(X), E(Y) oraz wariancje V(X)>0, V(Y)>0,
nazywamy liczbę określoną wzorem :
Y
X
Y
X
Y
X
)
,
cov(
,
Współczynnik korelacji - c.d.
Parametr powyższy służy do badania
zależności pomiędzy zmiennymi losowymi X i
Y a przede wszystkim do:
1) zaprzeczenia zdania: zmienne losowe X i Y
są niezależne,
2) pomiędzy zmiennymi losowymi X i Y
istnieje zależność liniowa z
prawdopodobieństwem 1.
Współczynnik korelacji - własności
1) jest niezmiennikiem
przekształcenia liniowego;
2) ;
3) gdy X,Y są niezależne;
4) warunkiem koniecznym i dostatecznym na to, aby
istniały stałe
, takie, że
jest .
d
cY
b
aX
Y
X
d
b
c
a
,
,
,
,
0
,
0
1
,
Y
X
0
,
Y
X
)
0
(
,
a
b
a
1
)
(
)
(
:
b
aX
Y
P
1
2
,
Y
X
Niektóre rozkłady
prawdopodobieństwa
Rozkład dwumianowy
Rozkład Poissona
Rozkład normalny
Rozkład Weibulla
Rozkład dwumianowy
Mówimy, że dyskretna zmienna losowa ma
rozkład dwumianowy z parametrami
,
, jeżeli jej funkcja prawdopodobieństwa
wyraża się wzorem:
,
gdzie .
Wartość oczekiwana i wariancja zmiennej
losowej o rozkładzie dwumianowym z
parametrami (n,p) wyrażają się wzorami:
E(X)=np, V(X)=npq.
)
,
( p
n
1
0
p
k
n
k
n
q
p
k
n
k
P
)
(
n
W
k
,...,
1
,
0
1
q
p
Rozkład Poissona
Mówimy, że zmienna losowa K ma rozkład
Poissona z parametrem
,
jeżeli jej funkcja
prawdopodobieństwa wyraża się wzorem:
Wartość oczekiwana i wariancja zmiennej
losowej o rozkładzie Poissona wyrażają się
wzorami:
, .
.
0
,
,...,
2
,
1
,
0
,
!
)
(
n
W
k
k
e
k
P
k
)
(X
E
)
(X
V
Rozkład Poissona -c.d.
Rozważmy dowolne urządzenie obsługujące
(np. kasę, centralę telefoniczną, port, zakład
usługowy) do którego napływają zgłoszenia
wymagające obsługi.
Udowadnia się, że jeżeli:
1) prawdopodobieństwo pojawienia się k
zgłoszeń w przedziale czasu nie zależy:
a) od chwili ,
b) od liczby zgłoszeń, które pojawiły się do
chwili ,
2) pojawienie się dwóch lub więcej zgłoszeń w
małym odcinku czasu jest praktycznie
niemożliwe,
)
,
(
0
0
t
t
t
0
t
0
t
Rozkład Poissona -c.d.
to prawdopodobieństwo pojawienia się k
zgłoszeń w przedziale czasu o długości t
wyraża się wzorem Poissona z parametrem ,
który oznacza tzw. intensywność strumienia
zgłoszeń, czyli oczekiwaną liczbę zgłoszeń w
jednostce czasu.
Rozkład dwumianowy a Poissona
Niech zmienna losowa X ma rozkład
dwumianowy, taki że,
to
np
n
lim
!
lim
k
e
q
p
k
n
k
k
n
k
n
Rozkład normalny
Mówimy, że zmienna losowa X ma rozkład
normalny (rozkład Gaussa) z
parametrami
, jeżeli jej gęstość
prawdopodobieństwa wyraża się wzorem:
gdzie - dowolne,
Parametry i maja prostą interpretację
probabilistyczną:
jest wartością oczekiwaną,
-
wariancją.
)
,
(
R
x
x
f
e
x
2
2
)
(
2
1
2
1
)
(
.
0
2
Rozkład normalny - c.d.
Tw.
Jeżeli zmienna losowa X ma rozkład
normalny
, to zmienna losowa U:
ma rozkład normalny N(0,1) czyli
standaryzowany rozkład normalny.
Zatem gęstość zmiennej losowej U, którą
będziemy oznaczać przez
, przyjmuje
postać:
)
,
(
N
X
U
e
u
U
2
2
1
2
1
)
(
R
u
Rozkład normalny - c.d.
Istnieją tablice wartości gęstości i
odpowiadającej jej dystrybuanty :
Dystrybuanta standaryzowanej zmiennej
losowej U ma własność:
u
dt
t
u
e
2
2
1
2
1
)
(
R
u
u
u
),
(
1
)
(
Rozkład Weibulla
Mówimy, że zmienna losowa X ma rozkład Weibulla
o parametrach p i
, jeżeli jej gęstość jest
postaci:
Wartość oczekiwana i wariancja zmiennej o
rozkładzie Weibulla wyrażają się przez funkcję
specjalną
następującymi wzorami:
gdzie
0
0
,
0
0
,
)
(
1
x
x
e
px
x
f
p
x
p
2
2
1
)
1
1
(
)
1
2
(
)
(
),
1
1
(
)
(
p
p
X
V
p
X
E
p
p
0
1
0
,
)
(
p
dx
e
x
p
x
p
Przykłady twierdzeń granicznych
Tw.
Dla każdej zmiennej losowej X,
mającej wartość skończoną, zachodzi
następująca nierówność, zwana
nierównością Czebyszewa:
2
)
(
)
(
X
V
X
E
X
P
n
n
Twierdzenie Czebyszewa
Jeżeli zmienne losowe są niezależne,
mają skończone wartości oczekiwane oraz
wspólnie ograniczone wariancje, czyli
to przy każdej liczbie zachodzi zbieżność:
gdzie
jest średnią arytmetyczną
zaś jest średnią arytmetyczną wartości
oczekiwanych
.
,...
,...,
,
2
1
n
X
X
X
)
(
i
X
E
,..
2
,
1
,
)
(
i
C
X
V
i
0
1
)
(
n
n
n
X
E
X
P
n
X
(*)
,...
2
,
1
),
...
(
1
2
1
n
X
X
X
n
n
n
X
)
(
n
X
E
)
(
i
X
E
Twierdzenie Bernoulliego
Jeżeli
są zmiennymi losowymi
o rozkładach Bernoulliego odpowiednio z
parametrami (n,p), to przy dowolnym
,...
2
,
1
,
n
S
n
0
1
n
n
p
n
S
P
Centralne twierdzenie Lindberga-
Levy’ego
Jeżeli zmienne losowe
1) są niezależne,
2) mają ten sam rozkład,
3) skończoną wartość oczekiwaną
i skończoną wariancję
to ciąg dystrybuant
standaryzowanych
zmiennych losowych
gdzie jest zbieżny do
dystrybuanty
standaryzowanego rozkładu normalnego.
,...
,...,
,
2
1
n
X
X
X
)
(
i
X
E
2
)
(
i
X
V
n
F
n
U
n
n
S
U
n
n
n
S
n
X
X
X
...
2
1