ADAM OSEKOWSKI,
1. Aksjomatyka Rachunku Prawdopodobie´nstwa
Przypu´s´cmy, ˙ze wykonujemy pewien eksperyment losowy. Powstaje natychmiast pytanie: w jaki spos´ob opisa´c go matematycznie?
Przede wszystkim, na pewno mo˙zemy m´owi´c o jego potencjalnych ,,najdrob- niejszych” wynikach, kt´ore bedziemy nazywa´, c zdarzeniami elementarnymi. Zbi´or wszystkich zdarze´n elementarnych oznaczamy litera Ω, a do oznaczenia zdarze´, n elementarnych bedziemy zazwyczaj u˙zywa´, c litery ω.
Przyk lady:
1. Rzut moneta: mo˙zliwe dwa wyniki: Ω = {O, R}.,
2. Rzut kostka: mo˙zliwe sze´, s´c wynik´ow: Ω = {1, 2, 3, 4, 5, 6}.
Czesto nie interesuje nas konkretny wynik ω, ale to, czy nale˙zy on do wcze´, sniej ustalonego podzbioru zbioru Ω. Takie podzbiory nazywamy zdarzeniami i oz- naczamy literami A, B, C, . . ..
Przyk lady, c.d.:
3. Rzucamy dwa razy kostka, A - suma oczek wynosi 4. W´, owczas Ω = {(i, j) : 1 ≤ i, j ≤ 6} i A = {(1, 3), (2, 2), (3, 1)}.
4. Rzucamy moneta a˙z do wypadni, ecia or la, A - wykonano co najwy˙zej trzy, rzuty. W´owczas
Ω =(O), (R, O), (R, R, O), (R, R, R, O), . . . i A = (O), (R, O), (R, R, O) . 5. Obr´ot tarczy w ruletce, A - strza lka zatrzymuje sie w drugiej ´, cwiartce.
W´owczas Ω = [0, 2π) i A = [π/2, π].
Szczeg´olne zdarzenia, interpretacje dzia la´n/relacji na zdarzeniach:
Ω - zdarzenie pewne,
∅ - zdarzenie niemo˙zliwe,
A ∩ B - zasz ly oba zdarzenia A, B,
A ∩ B = ∅ - zdarzenia sie wykluczaj, a (s, a roz l, aczne),, A ∪ B - zasz lo A lub B,
A0- nie zasz lo A (A0nazywamy zdarzeniem przeciwnym do A, bad´, z dope lnieniem zbioru A),
A \ B = A ∩ B0 - zasz lo A i nie zasz lo B, A ⊆ B - A pociaga za sob, a B.,
Przypu´s´cmy, ˙ze mamy okre´slony zbi´or Ω i chcemy wyr´o˙zni´c rodzine F zdarze´, n, kt´ore bedziemy bada´, c. Pierwszy naturalny pomys l to rozwa˙zy´c 2Ω - klase wszys-, tkich mo˙zliwych podzbior´ow Ω. Wyb´or ten dobrze sie sprawdza w sytuacji gdy, Ω jest zbiorem co najwy˙zej przeliczalnym. Niestety, dla |Ω| > ℵ0 klasa 2Ω jest zbyt du˙za - pojawiaja si, e k lopoty z okre´, sleniem na niej prawdopodobie´nstwa -
1
co wymusza wyb´or pewnej w la´sciwej jej podrodziny. Z drugiej strony, sensowna klasa F powinna by´c zamknieta na branie sum, iloczyn´, ow i zdarzenia przeciwnego;
zak ladamy wiec, ˙ze F jest pewnym wyr´, o˙znionym σ-cia lem podzbior´ow Ω. Przy- pomnijmy odpowiednia definicj, e.,
Definicja 1.1. Rodzine F podzbior´, ow Ω nazywamy σ-cia lem, je´sli (i) ∅ ∈ F ,
(ii) A ∈ F ⇒ A0∈ F , (iii) A1, A2, . . . ∈ F ⇒
∞
[
n=1
An ∈ F . Pare (Ω, F ) nazywamy przestrzeni, a mierzaln, a.,
Przechodzimy teraz do okre´slenia prawdopodobie´nstwa. Aby zyska´c nieco in- tuicji dotyczacej tego obiektu i jego w lasno´, sci, wygodnie najpierw rozwa˙zy´c tzw.
czesto´, s´c zdarze´n. Za l´o˙zmy, i˙z w pewnym do´swiadczeniu interesuje nas prawdopo- dobie´nstwo zaj´scia pewnego zdarzenia A. Powt´orzmy to do´swiadczenie n razy i zdefiniujmy
ρn(A) = liczba do´swiadcze´n w kt´orych zasz lo A
n .
Jest to czesto´, s´c wzgledna zaj´, scia zdarzenia A w serii n do´swiadcze´n, i spodziewamy sie, i˙z dla du˙zych n liczba ρ, n(A) powinna by´c bliska szansie zaj´scia zdarzenia A w pojedynczym do´swiadczeniu. Jak latwo sprawdzi´c, ρn przyjmuje warto´sci w przedziale [0, 1] oraz posiada nastepuj, ace w lasno´, sci:
(i) ρn(Ω) = 1,
(ii) je´sli A1, A2, . . . sa parami roz l, aczne, to ρ, n
∞
[
k=1
Ak
!
=
∞
X
k=1
ρn(Ak).
Prowadzi to do nastepuj, acej definicji.,
Definicja 1.2 (Aksjomatyka Ko lmogorowa). Niech (Ω, F ) bedzie ustalon, a przest-, rzenia mierzaln, a. Funkcj, e P : F → [0, 1] nazywamy prawdopodobie´, nstwem, je´sli
(i) P(Ω) = 1,
(ii) dla dowolnych parami roz lacznych A, 1, A2, . . . ∈ F zachodzi P
∞
[
k=1
Ak
!
=
∞
X
k=1
P(Ak).
Tr´ojke (Ω, F , P) nazywamy przestrzeni, a probabilistyczn, a., Uwagi:
1. Prawdopodobie´nstwo jest wiec miar, a unormowan, a na (Ω, F ). Czasami b, e-, dziemy m´owi´c, ˙ze P jest miara probabilistyczn, a.,
2. Nale˙zy pamieta´, c, i˙z przy modelowaniu konkretnego do´swiadczenia losowego wyb´or przestrzeni probabilistycznej zale˙zy tylko od nas. W wielu sytuacjach z warunk´ow do´swiadczenia wynikaja pewne postulaty, kt´, ore w mniej czy bardziej jednoznaczny spos´ob zadaja tr´, ojke (Ω, F , P); czasami jednak tak nie jest (por., paradoks Bertranda poni˙zej).
Twierdzenie 1.1 (Podstawowe w lasno´sci prawdopodobie´nstwa). Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a oraz A, B, A, 1, A2, . . . ∈ F . W´owczas
(i) P(∅) = 0.
(ii) Je´sli A1, A2, . . . , An sa parami roz l, aczne, to P,
n
[
i=1
Ai
!
=
n
X
i=1
P(Ai).
(iii) P(A0) = 1 − P(A).
(iv) Je´sli A ⊆ B, to P(B \ A) = P(B) − P(A) oraz P(A) ≤ P(B).
(v) P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
(vi) P
∞
[
i=1
Ai
!
≤
∞
X
i=1
P(Ai).
W lasno´s´c (v) z powy˙zszego twierdzenia mo˙zna uog´olni´c na przypadek sko´nczonej liczby zbior´ow. Zachodzi nastepuj, acy fakt.,
Twierdzenie 1.2 (Wz´or w lacze´n i wy lacze´, n). Je´sli A1, A2, . . . , An∈ F , to P(A1∪ A2∪ . . . ∪ An) =
n
X
i=1
P(Ai) −X
i<j
P(Ai∩ Aj) + X
i<j<k
P(Ai∩ Aj∩ Ak) − . . . + (−1)n+1P(A1∩ A2∩ . . . ∩ An).
Dowody powy˙zszych dw´och twierdze´n sa bardzo proste i opieraja si, e na wyko-, rzystaniu aksjomatyki Ko lmogorowa. Szczeg´o ly pozostawiamy czytelnikowi.
Twierdzenie 1.3 (Twierdzenie o ciag lo´, sci). Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia,
probabilistyczna oraz (A, n)∞n=1 jest ciagiem zdarze´, n.
(i) Je´sli ciag ten jest wst, epuj, acy (tzn. A, 1⊆ A2⊆ . . .), to P
∞
[
n=1
An
!
= lim
n→∞P(An).
(ii) Je´sli ciag ten jest zst, epuj, acy (tzn. A, 1⊇ A2⊇ . . .), to P
∞
\
n=1
An
!
= lim
n→∞P(An).
Dow´od: (i) Rozwa˙zmy ciag (B, n)n≥1 zdarze´n, zadany przez B1= A1, B2= A2\ A1, B3= A3\ A2, . . . . Jak latwo sprawdzi´c, zdarzenia B1, B2, . . . sa parami roz l, aczne,, Sk
n=1Bn= Ak dla dowolnego k ≥ 1 orazS∞
n=1Bn=S∞
n=1An. Zatem P
∞
[
n=1
An
!
= P
∞
[
n=1
Bn
!
=
∞
X
n=1
P(Bn) = lim
k→∞
k
X
n=1
P(Bn) = lim
k→∞P
k
[
n=1
Bn
!
= lim
k→∞P(Ak), gdzie w drugim przej´sciu korzystali´smy z przeliczalnej addytywno´sci miary P, a w czwartym skorzystali´smy z Twierdzenia 1 (ii).
(ii) Ciag dope lnie´, n (A0n)n≥1 jest wstepuj, acy, a zatem, korzystaj, ac z (i) oraz z, praw de Morgana, mamy
P
∞
\
n=1
An
!
= 1 − P ∞
\
n=1
An
!0!
= 1 − P
∞
[
n=1
A0n
!
= 1 − lim
n→∞P(A0n) = lim
n→∞P(An).
Przyk lady:
1. (Schemat klasyczny, prawdopodobie´nstwo klasyczne). Za l´o˙zmy, ˙ze Ω jest zbiorem sko´nczonym, F = 2Ωi wszystkie zdarzenia jednoelementowe sa jednakowo, prawdopodobne. W´owczas, jak latwo sprawdzi´c, dla dowolnego A ∈ F ,
P(A) = |A|
|Ω|.
2. Za l´o˙zmy, ˙ze Ω = {ω1, ω2, . . .} jest zbiorem co najwy˙zej przeliczalnym oraz p1, p2, . . . - liczby nieujemne o sumie 1. W´owczas wyb´or F = 2Ω oraz P({ωi}) = pi, i = 1, 2, . . ., jednoznacznie zadaje przestrze´n probabilistyczna (Ω, F , P): dla, ka˙zdego A ∈ F mamy
P(A) = X
i
1A(ωi)pi,
gdzie 1Ato funkcja wska´znikowa (charakterystyczna) bad´, z indykator zbioru A:
1A(ω) =
(1 je´sli ω ∈ A, 0 je´sli ω /∈ A.
3. (Prawdopodobie´nstwo geometryczne). Za l´o˙zmy, ˙ze Ω ∈ B(Rd), tzn. Ω jest podzbiorem borelowskim Rd, przy czym 0 < |Ω| < ∞ (tu | · | oznacza miare, Lebesgue’a w Rd). Niech F = B(Ω) bedzie σ-cia lem podzbior´, ow borelowskich Ω, a miara probabilistyczna P bedzie zadana przez,
P(A) = |A|
|Ω|.
W´owczas tr´ojka (Ω, F , P) jest przestrzenia probabilistyczn, a. Przestrze´, n te wyko-, rzystujemy do modelowania do´swiadczenia polegajacego na losowaniu punktu ze, zbioru Ω.
4. (Paradoks Bertranda) Z okregu o promieniu 1 wylosowano ci, eciw, e AB. Jakie, jest prawdopodobie´nstwo tego, ˙ze bedzie ona d lu˙zsza ni˙z bok tr´, ojkata r´, ownoboczne- go wpisanego w ten okrag?,
Przedstawimy trzy rozwiazania.,
I) Ze wzgledu na niezmienniczo´, s´c okregu na obroty, wylosowanie ci, eciwy AB, mo˙zemy uto˙zsami´c z wylosowaniem miary kata ´, srodkowego α = ∠AOB ∈ [0, 2π).
Tak wiec Ω = [0, 2π), F = B(Ω) oraz P jest prawdopodobie´, nstwem geometrycznym.
Cieciwa spe lnia warunki zadania wtedy i tylko wtedy, gdy α ∈ (2π/3, 4π/3), a zatem, szukane prawdopodobie´nstwo wynosi
P((2π/3, 4π/3)) =
|(2π/3, 4π/3)|
|[0, 2π)| = 1 3.
II) Wylosowanie cieciwy mo˙zna uto˙zsami´, c z wylosowaniem jej ´srodka. Mamy wiec Ω = B(0, 1), F = B(Ω) i P jest prawdopodobie´, nstwem geometrycznym.
Cieciwa b, edzie spe lnia la ˙z, adane warunki wtedy i tylko wtedy, gdy jej ´, srodek bedzie, le˙za l wewnatrz ko la o promieniu 1/2 wsp´, o l´srodkowego z danym okregiem, zatem, szukane prawdopodobie´nstwo wynosi
P([0, 1/2)) =
|B(0, 1/2)|
B(0, 1) = 1 4.
III) Tak jak w poprzednim rozwiazaniu, bierzemy pod uwag, e po lo˙zenie ´, srodka cieciwy, lecz tym razem patrzymy na jego odleg lo´, s´c od ´srodka okregu. Tak wi, ec, Ω = [0, 1], F = B(Ω) i P jest prawdopodobie´nstwem geometrycznym. Cieciwa, bedzie spe lnia la warunki zadania je´, sli jej ´srodek bedzie odleg ly od ´, srodka okregu o, mniej ni˙z 1/2. Zatem szukane prawdopodobie´nstwo wynosi
P([0, 1/2)) = |[0, 1/2)|
|[0, 1]| = 1 2.
Tak wiec widzimy, i˙z otrzymali´, smy trzy r´o˙zne wyniki, stad wyraz ,,paradoks”, powy˙zej. Sprzeczno´sci jednak tu nie ma - u˙zyli´smy trzech r´o˙znych przestrzeni probabilistycznych do opisu tego samego do´swiadczenia losowego. Og´olnie rzecz uj- mujac, teoria prawdopodobie´, nstwa nie rozstrzyga, jaki model do´swiadczenia nale˙zy wybra´c; pozwala ona oblicza´c prawdopodobie´nstwa zdarze´n dopiero w sytuacji, gdy zadano ju˙z konkretna przestrze´, n probabilistyczna.,
2. Zadania
1. Na ile sposob´ow mo˙zna ustawi´c w ciag sze´, s´c jedynek, pie´,c dw´ojek oraz cztery tr´ojki?
2. Wyznaczy´c liczbe rozwi, aza´, n r´ownania x1+ x2+ x3+ x4= 50 a) w liczbach ca lkowitych nieujemnych x1, x2, x3, x4,
b) w liczbach ca lkowitych dodatnich x1, x2, x3, x4.
3. Ile jest takich ,,sz´ostek” w Totolotku, ˙ze ˙zadne dwie z wylosowanych liczb nie sa kolejne?,
4. Z talii 52 kart wylosowano 13 kart. Jakie jest prawdopodobie´nstwo tego,
˙ze istnieje kolor, w kt´orym a) dok ladnie siedem, b) dok ladnie sze´s´c kart jest tego samego koloru?
5. Klasa liczy 15 uczni´ow. Nauczyciel wybiera na ka˙zdej lekcji na chybi l trafi l jednego ucznia do odpowiedzi. Obliczy´c prawdopodobie´nstwo tego, ˙ze w ciagu 16, lekcji ka˙zdy ucze´n bedzie przepytany.,
6. W szafie jest n par but´ow. Wyjmujemy na chybi l trafi l k but´ow (k ≤ n).
Obliczy´c prawdopodobie´nstwo tego, ˙ze
a) w´sr´od wyjetych but´, ow jest co najmniej jedna para, b) w´sr´od wyjetych but´, ow jest dok ladnie jedna para.
7. (Ω, F , P ) jest przestrzenia probabilistyczn, a, A, B, C ∈ F .,
a) Za l´o˙zmy, ˙ze P (A ∪ B) = 1/2, P (A ∩ B) = 1/4, P (A\B) = P (B\A).
Obliczy´c P (A) oraz P (B\A).
b) Za l´o˙zmy, ˙ze A ∪ B ∪ C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A ∩ B) = P (A ∩ C) = P (B ∩ C). Wykaza´c, ˙ze 1/6 ≤ P (A) ≤ 1/4.
c) Za l´o˙zmy, ˙ze P (A) ≥ 2/3, P (B) ≥ 2/3, P (C) ≥ 2/3, P (A ∩ B ∩ C) = 0.
Obliczy´c P (A).
8. Rozdano 52 karty czterem graczom, po 13 kart ka˙zdemu. Jakie jest praw- dopodobie´nstwo, ˙ze ka˙zdy z graczy ma co najmniej jednego pika?
9. Jest N list´ow i N zaadaresowanych kopert z r´o˙znymi adresami. Ka˙zdy list odpowiada dok ladnie jednemu adresowi i na odwr´ot. W lo˙zono listy do kopert na chybi l trafi l, po jednym li´scie do ka˙zdej koperty. Obliczy´c prawdopodobie´nstwo, ˙ze
˙zaden list nie trafi l do w la´sciwej koperty.
10. Udowodni´c, ˙ze ka˙zde niesko´nczone σ-cia lo jest nieprzeliczalne.
11. Kij o d lugo´sci 1 z lamano losowo w dw´och punktach. Jakie jest praw- dopodobie´nstwo, ˙ze z powsta lych trzech odcink´ow mo˙zna zbudowa´c tr´ojkat?,
12. Na niesko´nczona szachownic, e o boku 1 rzucono monet, e o ´, srednicy 23. Jakie jest prawdopodobie´nstwo, ˙ze a) moneta znajdzie sie ca lkowicie we wn, etrzu jednego, z p´ol; b) przetnie sie z dwoma bokami szachownicy?,
13. Na p laszczyzne podzielon, a na niesko´, nczone pasy o szeroko´sci d rzucono losowo ig le o d lugo´, sci ` (` < d). Wyznaczy´c prawdopodobie´nstwo tego, ˙ze ig la przetnie brzeg kt´orego´s pasa.
3. Prawdopodobie´nstwo warunkowe i niezale ˙zno´s´c zdarze´n 3.1. Prawdopodobie´nstwo warunkowe. Zacznijmy od nastepuj, acego przyk ladu.,
Przyk lad: W urnie jest pie´,c bia lych kul ponumerowanych liczbami 1, 2, 3, 4, 5 oraz trzy kule czarne ponumerowane liczbami 1, 2, 3. Losujemy kule i okazuje si, e,,
˙ze jest bia la. Jakie jest prawdopodobie´nstwo, ˙ze numer na niej jest parzysty?
Oczywista odpowied´z: 2/5. Z drugiej strony, formalnie, mamy do czynienia ze schematem klasycznym na
Ω = {(1, b), (2, b), . . . , (5, b), (1, c), (2, c), (3, c)}.
Okre´slmy zdarzenia: A - wylosowano kule o numerze parzystym, B - wylosowano, kule bia l, a; zatem,
A = {(2, b), (4, b), (2, c)}, B = {(1, b), (2, b), . . . , (5, b)}
i mamy
2
5 =|A ∩ B|
|B| = |A ∩ B|/|Ω|
|B|/|Ω| =P(A ∩ B) P(B)
. Sugeruje to nastepuj, ac, a definicj, e.,
Definicja 3.1. Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a oraz A, B, sa zdarzeniami takimi, ˙ze P(B) > 0. Prawdopodobie´, nstwem warunkowym (zaj´scia) zdarzenia A pod warunkiem (zaj´scia) zdarzenia B nazywamy liczbe,
P (A|B) = P(A ∩ B) P(B)
.
Uwaga: Jak latwo sprawdzi´c, przy ustalonym zdarzeniu B takim, ˙ze P(B) > 0, prawdopodobie´nstwo warunkowe P(·|B) jest nowa miar, a probabilistyczn, a na (Ω, F )., Twierdzenie 3.1 (Prawdopodobie´nstwo iloczynu zdarze´n). Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a oraz A, 1, A2, . . ., Ansa zdarzeniami spe lniaj, acymi, warunek P(A1∩ A2∩ . . . ∩ An) > 0. W´owczas
P(A1∩ A2∩ . . . ∩ An)
= P(An|A1∩ A2∩ . . . ∩ An−1)P(An−1|A1∩ A2∩ . . . An−2) . . . P(A2|A1)P(A1).
Dow´od. Wystarczy zastosowa´c definicje prawdopodobie´, nstwa warunkowego. Przyk lad:
W urnie znajduje sie n−1 bia lych kul oraz jedna czarna. Losujemy po jednej kuli, a˙z do momentu, gdy wylosujemy czarna kul, e. jakie jest prawdopodobie´, nstwo tego,
˙ze wykonamy k losowa´n je´sli a) losujemy bez zwracania b) losujemy ze zwracaniem?
Oznaczmy bia le kule przez b1, b2, . . ., bn−1, a czarna kul, e przez c. Mamy, Ω = {(c), (b1, c), (b2, c), . . . , (bn−1, c), (b1, b1, c), . . .},
F = 2Ω, a prawdopodobie´nstwo zadane jest poprzez okre´slenie mas poszczeg´olnych zdarze´n jednoelementowych (por. Przyk lad 2 z poprzedniego wyk ladu).
Rozwa˙zmy zdarzenie Ai - i-ta kula jest bia la, i = 1, 2, . . .. Korzystajac z, powy˙zszego twierdzenia, mamy
P(A0k∩ Ak−1∩ Ak−2∩ . . . ∩ A1)
= P(A0k|Ak−1∩ . . . ∩ A1)P(Ak−1|Ak−2∩ . . . ∩ A1) . . . P(A2|A1)P(A1).
a) Z warunk´ow zadania wynika, ˙ze P(Ai|Ai−1∩ . . . ∩ A1) = n − i
n − i + 1, P(A0k|Ak−1∩ . . . ∩ A1) = 1 n − k + 1, a zatem szukane prawdopodobie´nstwo wynosi
1
n − k + 1 ·n − k + 1
n − k + 2·n − k + 2
n − k + 3 · . . . ·n − 2 n − 1·n − 1
n = 1 n. b) Tym razem mamy
P(Ai|Ai−1∩ Ai−2∩ . . . ∩ A1) =n − 1 n , a wiec szukane prawdopodobie´, nstwo jest r´owne
1 −n − 1 n
· n − 1 n · n − 1
n · . . . · n − 1 n = 1
n
n − 1 n
k−1 .
Zajmiemy sie teraz analiz, a do´, swiadcze´n ,,wieloetapowych”, w kt´orych mamy do czynienia z losowaniem w kilku krokach, a przestrze´n probabilistyczna jest zadana poprzez specyfikacje prawdopodobie´, nstw warunkowych zwiazanych z poszczeg´, olnymi krokami (por. przyk lad poni˙zej). Zacznijmy od definicji.
Definicja 3.2. M´owimy, ˙ze rodzina zdarze´n (Bk)nk=1jest rozbiciem (sko´nczonym) zbioru Ω, je´sli B1∪ B2∪ . . . ∪ Bn = Ω oraz zdarzenia B1, B2, . . . , Bn sa parami, roz laczne. Analogicznie definiujemy rozbicie przeliczalne Ω.,
Twierdzenie 3.2 (Wz´or na prawdopodobie´nstwo ca lkowite). Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a oraz A ∈ F oraz (B, k)kjest rozbiciem Ω (sko´nczonym lub przeliczalnym), takim, ˙ze P(Bk) > 0 dla wszystkich k. W´owczas
P(A) = X
k
P(A|Bk)P(Bk).
Dow´od. Zdarzenia A ∩ B1, A ∩ B2, . . ., sa parami roz l, aczne i daj, a w sumie A, a, zatem
P(A) = X
k
P(A ∩ Bk) =X
k
P(A|Bk)P(Bk).
Twierdzenie 3.3 (Wz´or Bayesa). Przy za lo˙zeniach jak wy˙zej, je´sli P(A) > 0, to dla ka˙zdego k,
P(Bk|A) = P(A|Bk)P(Bk) P
nP(A|Bn)P(Bn)
= P(A|Bk)P(Bk) P(A)
.
Dow´od. Wz´or wynika natychmiast z definicji prawdopodobie´nstwa warunkowego
oraz wzoru na prawdopodobie´nstwo ca lkowite.
Przyk lad:
Dane sa urny I oraz II. W urnie I znajduje si, e b, 1kul bia lych oraz c1kul czarnych, za´s w urnie II - b2 kul bia lych i c2 kul czarnych. Losujemy urne, a nast, epnie kul, e, z tej urny.
a) Jakie jest prawdopodobie´nstwo, ˙ze kula jest bia la?
b) Za l´o˙zmy, ˙ze wyciagni, eta kula jest bia la. Jakie jest prawdopodobie´, nstwo tego,
˙ze losowano z I urny?
Mamy dwa etapy do´swiadczenia: losowanie urny oraz losowanie kuli z danej urny. Wprowad´zmy zdarzenia A - wyciagni, eto bia l, a kul, e, B, 1 - wylosowano urne I,,
B2 - wylosowano urne II. Mamy B, 1∩ B2= ∅, B1∪ B2= Ω, a wiec rodzina (B, i)2i=1 jest rozbiciem Ω. Z warunk´ow zadania wynika, ˙ze
P(B1) = P(B2) =1
2 > 0, P(A|B1) = b1 b1+ c1
, P(A|B2) = b2 b2+ c2
. a) Korzystajac ze wzoru na prawdopodobie´, nstwo ca lkowite mamy
P(A) = P(A|B1)P(B1) + P(A|B2)P(B2) =1 2
b1
b1+ c1 + b2
b2+ c2
. b) Na mocy wzoru Bayesa,
P(B1|A) = P(A|B1)P(B1) P(A)
= b1/(b1+ c1)
b1/(b1+ c1) + b2/(b2+ c2).
3.2. Niezale ˙zno´s´c zdarze´n. Zacznijmy od intuicji. Za l´o˙zmy, ˙ze A, B sa zdarzeni-, ami, przy czym P(B) > 0. W´owczas zdarzenia A, B powinny by´c niezale˙zne, je´sli informacja o tym, ˙ze zasz lo zdarzenie B nie wp lywa na prawdopodobie´nstwo zaj´scia zdarzenia A; tzn. niezale˙zno´s´c powinna by´c r´ownowa˙zna r´owno´sci P(A|B) = P(A), czyli P(A ∩ B) = P(A)P(B). Przyjmujemy to jako definicje.,
Definicja 3.3. Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a. Zdarzenia, A, B sa niezale˙zne, je´, sli
P(A ∩ B) = P(A)P(B).
Uwaga: Je´sli P(A) = 0, to dla dowolnego B ∈ F zdarzenia A oraz B sa,
niezale˙zne. Ta sama teza zachodzi gdy P(A) = 1.
Zdefiniujemy teraz niezale˙zno´s´c wiekszej liczby zdarze´, n. Zacznijmy od przy- padku sko´nczonego. Intuicyjnie, zdarzenia A1, A2, . . ., An sa niezale˙zne je´, sli ka˙zdy poduk lad tych zdarze´n jest niezale˙zny oraz zdarzenia An, A1∩ A2∩ . . . An−1 sa, niezale˙zne. jak latwo zauwa˙zy´c, powy˙zsze warunki wymuszaja r´, owno´s´c
P(Ai1∩ Ai2∩ . . . ∩ Aik) = P(Ai1)P(Ai2) . . . P(Aik)
dla dowolnego k = 2, 3, . . . , n i dowolnego rosnacego ci, agu 1 ≤ i, 1 < i2 < . . . <
ik ≤ n. Przyjmujemy to jako definicje.,
Definicja 3.4. M´owimy, ˙ze zdarzenia A1, A2, . . ., Ansa niezale˙zne, je´, sli dla wszys- tkich 2 ≤ k ≤ n oraz dowolnego ciagu 1 ≤ i, 1< i2< . . . < ik≤ n zachodzi r´owno´s´c
P(Ai1∩ Ai2∩ . . . ∩ Aik) = P(Ai1)P(Ai2) . . . P(Aik).
Definicja 3.5. M´owimy, ˙ze zdarzenia A1, A2, . . ., An sa niezale˙zne parami, je´, sli dla dowolnych r´o˙znych i, j ∈ {1, 2, . . . , n}, zdarzenia Ai oraz Aj sa niezale˙zne.,
Oczywi´scie niezale˙zno´s´c ,,zespo lowa” (czy te˙z ,, laczna”) zdarze´, n A1, A2, . . ., An pociaga za sob, a ich niezale˙zno´, s´c parami. Implikacja w druga stron, e nie jest, prawdziwa, co ilustruje nastepuj, acy przyk lad.,
Przyk lad:
Rzucamy dwa razy kostka. Niech A - za pierwszym razem wypad la parzysta, liczba oczek, B - za drugim razem wypad la parzysta liczba oczek, C - suma oczek jest parzysta. Bezpo´srednio wyliczamy, i˙z
P(A) = P(B) = P(C) = 1
2, P(A ∩ B) = P(B ∩ C) = P(C ∩ A) = 1 4,
a wiec zdarzenia A, B, C s, a niezale˙zne parami. Nie s, a jednak niezale˙zne zespo lowo:, mamy A ∩ B ⊂ C, a wiec P(A ∩ B ∩ C) = P(A ∩ B) = 1/4 6= P(A)P(B)P(C).,
W przypadku dowolnej (by´c mo˙ze niesko´nczonej) liczby zdarze´n, niezale˙zno´s´c definiujemy nastepuj, aco.,
Definicja 3.6. Za l´o˙zmy, ˙ze {Ai}i∈I jest pewna rodzin, a zdarze´, n. M´owimy, i˙z zdarzenia te sa niezale˙zne, je´, sli dla ka˙zdego n oraz parami r´o˙znych i1, i2, . . ., in∈ I zdarzenia Ai1, Ai2, . . ., Ain sa niezale˙zne.,
Zdefiniujemy teraz pojecie niezale˙zno´, sci σ-cia l.
Definicja 3.7. Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a oraz F, 1, F2, . . . , Fn sa σ-cia lami zawartymi w F . M´, owimy, ˙ze σ-cia la te sa niezale˙zne, je´, sli dla dowolnych A1∈ F1, A2∈ F2, . . ., An∈ Fn zachodzi warunek
P(A1∩ A2∩ . . . ∩ An) = P(A1)P(A2) . . . P(An).
Twierdzenie 3.4. Przy za lo˙zeniach powy˙zszej definicji, σ-cia la F1, F2, . . ., Fn sa, niezale˙zne wtedy i tylko wtedy, gdy dowolne A1 ∈ F1, A2 ∈ F2, . . ., An ∈ Fn sa, niezale˙zne.
Dow´od. ⇐ oczywiste.
⇒ Mamy dowie´s´c, ˙ze dla dowolnego 2 ≤ k ≤ n oraz dowolnego ciagu 1 ≤ i, 1<
i2< . . . < ik ≤ n zachodzi r´owno´s´c
(∗) P(Ai1∩ Ai2∩ . . . ∩ Aik) = P(Ai1)P(Ai2) . . . P(Aik).
Rozwa˙zmy zdarzenia B1, B2, . . ., Bn dane przez Bi=
(Ai je´sli i = i` dla pewnego `, Ω w przeciwnym przypadku.
W´owczas B1∈ F1, B2∈ F2, . . ., Bn∈ Fn, a zatem
P(B1∩ B2∩ . . . ∩ Bn) = P(B1)P(B2) . . . P(Bn),
co jest r´ownowa˙zne (*).
Przyk lady:
1. Rzucamy dwa razy kostka. Wprowad´, zmy standardowa przestrze´, n proba- bilistyczna opisuj, ac, a to do´, swiadczenie (por. poprzedni wyk lad). Rozwa˙zmy σ-cia la
F1= {A × {1, 2, 3, 4, 5, 6} : A ⊆ {1, 2, 3, 4, 5, 6}}, F2= {{1, 2, 3, 4, 5, 6} × B : B ⊆ {1, 2, 3, 4, 5, 6}}.
W´owczas F1, F2 ⊂ F i F1, F2 sa niezale˙zne: istotnie, dla dowolnych zdarze´, n A × {1, 2, 3, 4, 5, 6} ∈ F1, B × {1, 2, 3, 4, 5, 6} ∈ F2mamy
P(A × {1, 2, 3, 4, 5, 6}) =
|A| · 6 36 = |A|
6 , P({1, 2, 3, 4, 5, 6} × B) = 6 · |B|
36 =|B|
6 oraz
P((A × {1, 2, 3, 4, 5, 6}) ∩ ({1, 2, 3, 4, 5, 6} × B)) = P(A × B) =
|A| · |B|
36 . 2. Za l´o˙zmy, ˙ze σ(A1), σ(A2), . . ., σ(An) bed, a σ-cia lami generowanymi przez, zdarzenia A1, A2, . . ., An, odpowiednio (przypomnijmy: σ(A) = {A, A0, ∅, Ω}).
W´owczas je´sli A1, A2, . . ., An sa niezale˙zne, to σ(A, 1), σ(A2), . . ., σ(An) te˙z sa,
niezale˙zne. Aby to wykaza´c, musimy sprawdzi´c, ˙ze dla dowolnych Bi ∈ Fi, i = 1, 2, . . . , n, zachodzi
P(B1∩ B2∩ . . . ∩ Bn) = P(B1)P(B2) . . . P(Bn).
Je´sli co najmniej jedno ze zdarze´n Bi jest zbiorem pustym, to powy˙zsza r´owno´s´c jest spe lniona: obie strony sa r´, owne 0. Je´sli dla pewnego j mamy Bj = Ω, to mo˙zemy to zdarzenie pomina´,c po obu stronach. Zatem, wystarczy dowie´s´c, ˙ze dla dowolnego ciagu 1 ≤ i, 1< i2< . . . < ik≤ n mamy
P(Bi1∩ Bi2∩ . . . ∩ Bik) = P(Bi1)P(Bi2) . . . P(Bik), gdzie dla ka˙zdego j, zdarzenie Bij jest r´owne Aij lub A0i
j. Poprzez prosta indukcj, e,, wystarczy wykaza´c, ˙ze
P(A0i1∩ Ai2∩ Ai3∩ . . . ∩ Aik) = P(A0i1)P(Ai2)P(Ai3) . . . P(Aik), co natychmiast wynika z niezale˙zno´sci zdarze´n A1, A2, . . ., An: istotnie,
P(A0i1∩ Ai2∩ Ai3∩ . . . ∩ Aik)
= P(Ai2∩ Ai3∩ . . . ∩ Aik) − P(Ai1∩ Ai2∩ Ai3∩ . . . ∩ Aik)
= P(Ai2)P(Ai3) . . . P(Aik) − P(Ai1)P(Ai2)P(Ai3) . . . P(Aik)
= P(A0i1)P(Ai2)P(Ai3) . . . P(Aik).
Rozwa˙zmy teraz nastepuj, acy problem. Za l´, o˙zmy, ˙ze mamy N do´swiadcze´n, przy czym i-te do´swiadczenie jest opisywane przez przestrze´n probabilistyczna (Ω, i, Fi, Pi).
W jaki spos´ob mo˙zemy zbudowa´c przestrze´n (Ω, F , P) dla do´swiadczenia pole- gajacego na niezale˙znym przeprowadzeniu tych N do´, swiadcze´n?
Oczywi´scie, jako zbi´or Ω bierzemy Ω1× Ω2× . . . ΩN. Aby okre´sli´c F , zwr´o´cmy uwage, i˙z σ-cia lo F, i jest reprezentowane, w kontek´scie powy˙zszego zbioru Ω, przez klase,
Fi0 = {Ω1× Ω2× . . . × Ωi−1× Ai× Ωi+1× . . . × ΩN : Ai ∈ Fi}.
Stad naturalny pomys l, by wzi, a´,c F = σ(F10, F20, . . . , FN0 ), σ-cia lo generowane przez F10, F20, . . . , FN0 . Innymi s lowy, jako F bierzemy σ-cia lo produktowe F1⊗ F2⊗ . . . ⊗ FN. Przejd´zmy do okre´slenia miary probabilistycznej P. Z powy˙zszych postu- lat´ow, σ-cia la F10, F20, . . ., FN0 maja by´, c niezale˙zne, a zatem poszukujemy takiego prawdopodobie´nstwa P, ˙ze dla dowolnych Ai∈ Fi, i = 1, 2, . . . , N ,
P(A1× A2× . . . × AN) =
P (A1× Ω2× . . . × ΩN) ∩ (Ω1× A2× . . . × ΩN) ∩ . . . ∩ (Ω1× . . . × ΩN −1× AN)
=
N
Y
i=1
P(Ω1× . . . × Ai× . . . × ΩN).
Ponadto, chcemy by P(Ω1× . . . × Ai× . . . × ΩN) = Pi(Ai) dla ka˙zdego i. Pod- sumowujac, poszukujemy takiego P, by dla dowolnych zdarze´, n A1, A2, . . . , AN jak wy˙zej zachodzi la r´owno´s´c
P(A1× A2× . . . × AN) = P1(A1)P2(A2) . . . PN(AN).
Z teorii miary wiadomo, ˙ze istnieje dok ladnie jedno takie prawdopodobie´nstwo P na F1⊗ F2⊗ . . . ⊗ FN, i jest ono r´owne P1⊗ P2⊗ . . . ⊗ PN - produktowi miar P1, P2, . . ., PN.
Analogiczne rozumowanie mo˙zna przeprowadzi´c w przypadku gdy mamy do czy- niania z niesko´nczona liczb, a do´, swiadcze´n modelowanych przez przestrzenie proba- bilistyczne (Ωi, Fi, Pi).
Przyk lad: Schemat Bernoulliego. Za l´o˙zmy, i˙z dla ka˙zdego i = 1, 2, . . . , N mamy Ωi = {0, 1}, Fi = 2Ωi oraz Pi({1}) = p, gdzie p ∈ [0, 1] jest ustalonym parametrem. Widzimy, i˙z ka˙zda pojedyncza przestrze´n (Ωi, Fi, Pi) modeluje do´swiadczenie w kt´orym sa dwa mo˙zliwe wyniki: 0 i 1, interpretowane jako pora˙zka i sukces, (podkre´slmy: prawdopodobie´nstwo sukcesu jest r´owne p i nie zale˙zy od numeru do´swiadczenia). Takie pojedyncze do´swiadczenie nazywamy pr´oba Bernoulliego., Na mocy powy˙zszej konstrukcji, przestrze´n probabilistyczna
({0, 1}N, 2Ω, P) = (Ω1× Ω2× . . . × ΩN, F1⊗ F2⊗ . . . ⊗ FN, P1⊗ P2⊗ . . . ⊗ PN) modeluje ciag niezale˙znych N powt´, orze´n pr´oby Bernoulliego. Ciag ten nazywamy, schematem Bernoulliego.
Zauwa˙zmy, i˙z dla dowolnego ω = (ω1, ω2, . . . , ωN) ∈ Ω mamy P({ω}) = pk(1 − p)N −k, gdzie k jest liczba jedynek w ci, agu ω., Wynika stad, i˙z je´, sli okre´slimy zdarzenie Ak= {liczba sukces´ow jest r´owna k}, to
P(Ak) = X
ω∈Ak
P({ω}) = |Ak|pk(1 − p)N −k=N k
pk(1 − p)N −k.
Za l´o˙zmy, ˙ze A1, A2, . . . sa pewnymi zdarzeniami; w´, owczas T∞ n=1
S∞ m=nAm mo˙zemy interpretowa´c jako ,,zasz lo niesko´nczenie wiele spo´sr´od zdarze´n A1, A2, . . .”. Okazuje sie, ˙ze przy pewnych za lo˙zeniach, zdarzenie to ma prawdopodobie´, nstwo 0 lub 1. ´Sci´slej, zachodzi nastepuj, acy fakt.,
Lemat 3.1 (Borela-Cantelli). Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilisty-,
czna oraz A, 1, A2, . . . ∈ F . (i) Je´sliP∞
n=1P(An) < ∞, to P
\∞
n=1
∞
[
m=n
Am
= 0
(a zatem z prawdopodobie´nstwem 1 zachodzi sko´nczenie wiele spo´sr´od Ai).
(ii) Je´sli A1, A2, . . . sa niezale˙zne i, P∞
n=1P(An) = ∞, to P
\∞
n=1
∞
[
m=n
Am
= 1.
Dow´od. (i) Mamy P
\∞
n=1
∞
[
m=n
Am
≤ P [∞
m=n
Am
≤
∞
X
m=n
P(Am)−−−−→ 0.n→∞
(ii) Udowodnimy, ˙ze zdarzenie przeciwneS∞ n=1
T∞
m=nA0mma prawdopodobie´nstwo 0. Wystarczy wykaza´c, i˙z P(T∞
m=nA0m) = 0 dla wszystkich n (w´owczas rozwa˙zane zdarzenie przeciwne bedzie przeliczaln, a sum, a zbior´, ow miary 0, a zatem tak˙ze bedzie, mia lo miare 0). Korzystaj, ac z twierdzenia o ci, ag lo´, sci, mamy i˙z dla dowolnego n,
P
\∞
m=n
A0m
= P \∞
k=n k
\
m=n
A0m
= lim
k→∞P
\k
m=n
A0m ,
co na mocy niezale˙zno´sci zdarze´n A1, A2, . . . jest r´owne lim
k→∞
k
Y
m=n
P(A0m) = lim
k→∞
k
Y
m=n
(1 − P(Am)) ≤ lim sup
k→∞
e−Pkm=nP(Am)= 0.
Na zako´nczenie zaprezentujemy pewien przydatny fakt, tzw. lemat o π − λ uk ladach. Aby poda´c pewna motywacj, e, za l´, o˙zmy, ˙ze µ, ν sa miarami probabilisty-, cznymi na pewnej przestrzeni mierzalnej (Ω, F ). Przypu´s´cmy, i˙z chcemy wykaza´c, i˙z te miary sa sobie r´, owne: mamy wiec sprawdzi´, c, czy dla dowolnego A ∈ F zachodzi r´owno´s´c
µ(A) = ν(A).
Powstaje bardzo naturalne pytanie: czy wystarczy zweryfikowa´c powy˙zsza to˙zsamo´, s´c dla pewnej szczeg´olnej klasy zdarze´n A, np. dla generator´ow σ-cia la F ? Okazuje sie,
˙ze zbi´or generator´ow nie jest na og´o l dobrym wyborem: mianowicie trzeba za lo˙zy´c,
˙ze klasa ta jest dodatkowo π-uk ladem.
Definicja 3.8. Za l´o˙zmy, ˙ze K jest niepusta klas, a podzbior´, ow Ω. M´owimy, ˙ze K jest π-uk ladem, je´sli klasa ta jest zamknieta ze wzgl, edu na branie sko´, nczonych iloczyn´ow: z tego, ˙ze A, B ∈ K wynika, ˙ze A ∩ B ∈ K.
Definicja 3.9. Za l´o˙zmy, ˙ze L jest pewna klas, a podzbior´, ow Ω. M´owimy, ˙ze L jest λ-uk ladem, je´sli sa spe lnione nast, epuj, ace warunki:,
(i) Ω ∈ L,
(ii) je´sli A, B ∈ L i A ⊆ B, to B \ A ∈ L,
(iii) je´sli A1, A2, . . . jest wstepuj, acym ci, agiem element´, ow L, toS∞
n=1An∈ L.
Lemat 3.2 (o π − λ uk ladach). Je´sli L jest λ-uk ladem zawierajacym π-uk lad K,, to L zawiera tak˙ze σ-cia lo generowane przez K.
Dow´od. Rozumowanie podzielimy na trzy cze´,sci.
1) Zauwa˙zmy, ˙ze je´sli L jest λ-uk ladem oraz A, B ∈ L spe lniaja A ∩ B = ∅, to, A ∪ B = (A0\ B)0∈ L,
korzystajac z (i) i (ii).,
2) Je´sli L jest jednocze´snie π-uk ladem oraz λ-uk ladem, to jest σ-cia lem. Aby to wykaza´c, zauwa˙zmy, i˙z je´sli A, B ∈ L, to
A ∪ B = A ∪ (B \ (A ∩ B)) ∈ L,
na mocy 1) oraz warunk´ow definiujacych π-uk lad i λ-uk lad. Wobec tego, przez, prosta indukcj, e, L b, edzie zamkni, ete ze wzgl, edu na branie sko´, nczonych sum, a zatem je´sli A1, A2, . . . jest dowolnym ciagiem element´, ow z L, to
∞
[
n=1
An=
∞
[
n=1 n
[
k=1
Ak
!
∈ L.
W ostatnim kroku skorzystali´smy z tego, ˙ze A1, A1∪ A2, A1∪ A2∪ A3, . . . jest wstepuj, acym ci, agiem element´, ow L.
3) Niech Λ bedzie klas, a wszystkich λ-uk lad´, ow zawierajacych K i po l´, o˙zmy L0= T
L∈ΛL. W´owczas L0∈ Λ oraz K ⊆ L0⊆ L. Wystarczy wiec udowodni´, c, ˙ze L0jest σ-cia lem: na mocy 2), wystarczy wykaza´c, ˙ze L0jest π-uk ladem. We´zmy dowolne A ∈ K i rozwa˙zmy klase,
K1= {B : A ∩ B ∈ L0}.
Oczywi´scie K1⊇ K, gdy˙z K jest π-uk ladem. Ponadto K1jest λ-uk ladem:
(i) Ω ∈ K1, bo A ∩ Ω = A ∈ K ⊆ L0; (ii) je´sli B1, B2∈ K1, B1⊆ B2, to
A ∩ (B2\ B1) = (A ∩ B2) \ (A ∩ B1) ∈ L0, a wiec B, 2\ B1∈ K1;
(iii) B1⊆ B2⊆ . . . ∈ K1, to
A ∩
∞
[
n=1
Bn
!
=
∞
[
n=1
(A ∩ Bn) ∈ L0,
skad wynika, i˙z, S∞
n=1Bn∈ K1.
Zatem K1 zawiera L0, gdy˙z L0 jest najmniejszym λ-uk ladem zawierajacym K., Wykazali´smy wiec, ˙ze dla dowolnego A ∈ K oraz dowolnego B ∈ L, 0, A ∩ B ∈ L0. Nastepnie powtarzamy rozumowanie: ustalamy B ∈ L, 0 i definiujemy K2 = {A : A ∩ B ∈ L0}. Mamy K2⊇ K oraz K2 jest λ-uk ladem, skad wynika, i˙z K, 2⊇ L0, a wiec dla dowolnych A, B ∈ L, 0zachodzi A ∩ B ∈ L0. Dow´od jest zako´nczony.
Jako zastosowanie, udowodnimy nastepuj, acy fakt.,
Twierdzenie 3.5. Za l´o˙zmy, ˙ze (Ω, F , P) jest przestrzenia probabilistyczn, a. Przy-, pu´s´cmy, i˙z rodzine {F, γ}∈Γniezale˙znych σ-cia l podzielono na n podrodzin {Fγi}γi∈Γi, i = 1, 2, . . . , n. W´owczas σ-cia la
σ {Fγ1}γ1∈Γ1 , σ {Fγ2}γ2∈Γ2 , . . . , σ ({Fγn}γn∈Γn) , generowane przez poszczeg´olne podrodziny te˙z sa niezale˙zne.,
Dow´od. Przeprowadzimy dow´od dla n = 2; dla wiekszych n rozumowanie jest ana-, logiczne. Mamy wiec dwie rodziny {F, γ}γ∈Γ, {Gδ}δ∈∆niezale˙znych pod-σ-cia l F i musimy wykaza´c, ˙ze dla dowolnych A ∈ σ({Fγ}γ∈Γ), B ∈ σ({Gδ}δ∈∆) zachodzi
(∗) P(A ∩ B) = P(A)P(B).
Na mocy niezale˙zno´sci σ-cia l, wz´or (*) zachodzi dla zbior´ow postaci A = Aγ1∩ Aγ2∩ . . . ∩ Aγk, Aγi ∈ Fγi, i = 1, 2, . . . , k,
B = Bδ1∩ Bδ2∩ . . . ∩ Bδ`, Bδj ∈ Gδj, j = 1, 2, . . . , `.
Ustalmy A jak wy˙zej i rozwa˙zmy klase K = {B : zachodzi (*)}., Mamy wiec, K ⊇ {Bδ1 ∩ Bδ2 ∩ . . . ∩ Bδ` : Bδj ∈ Gδj}, i ta ostatnia klasa jest, rzecz jasna, π-uk ladem generujacym σ({G, δ}δ∈∆). Ponadto K jest λ-uk ladem:
(i) Ω ∈ K, bo P(A ∩ Ω) = P(A)P(Ω).
(ii) je´sli B1, B2∈ K i B1⊆ B2, to B2\ B1∈ K: istotnie, P(A ∩ (B2\ B1)) = P (A ∩ B2) \ (A ∩ B1)
= P(A ∩ B2) − P(A ∩ B1)
= P(A) P(B2) − P(B1) = P(A)P(B2\ B1).
(iii) Je´sli B1⊆ B2⊆ . . . ∈ K, toS∞
n=1Bn∈ K, gdy˙z z twierdzenia o ciag lo´, sci, P A ∩
∞
[
n=1
Bn
!!
= P
∞
[
n=1
(A ∩ Bn)
!
= lim
n→∞P(A ∩ Bn)
= lim
n→∞P(A)P(Bn) = P(A)P
∞
[
n=1
Bn
! .
Zatem na mocy lematu o π − λ uk ladach, K zawiera σ({Gδ}δ∈∆), czyli (*) za- chodzi dla dowolnego zbioru A postaci Aγ1∩ Aγ2∩ . . . ∩ Aγk oraz B ∈ σ({Gδ}δ∈∆).
Nastepnie, powtarzamy rozumowanie: ustalamy B ∈ σ({G, δ}δ∈∆) i definiujemy L = {A : zachodzi (*)}. Klasa L zawiera wszystkie zbiory postaci Aγ1∩ Aγ2∩ . . . ∩ Aγk, kt´ore tworza π-uk lad generuj, acy σ({F, γ}γ∈Γ). Tak jak wy˙zej, sprawdzamy, ˙ze L jest λ uk ladem, a zatem z lematu o π − λ uk ladach, L ⊇ σ({Fγ}γ∈Γ). Wobec tego (*) zachodzi dla wszystkich A ∈ σ({Fγ}γ∈Γ) oraz B ∈ σ({Gδ}δ∈∆), skad dostajemy,
˙zadan, a niezale˙zno´, s´c σ-cia l.
4. Zadania
1. Grupa n os´ob (n ≥ 3), w´sr´od kt´orych sa osoby X, Y i Z, ustawia si, e losowo, w kolejce. Jakie jest prawdopodobie´nstwo tego, ˙ze
a) X stoi bezpo´srednio przed Y , je´sli Y stoi bezpo´srednio przed Z?
b) X stoi przed Y , je´sli Y stoi przed Z?
2. Z talii 52 kart losujemy 5 kart bez zwracania. Obliczy´c prawdopodobie´nstwo tego, ˙ze mamy dok ladnie 3 asy, je˙zeli wiadomo, ˙ze
a) mamy co najmniej jednego asa;
b) mamy asa czarnego koloru;
c) mamy asa pik;
d) pierwsza wylosowan, a kart, a jest as;, e) pierwsza wylosowan, a kart, a jest czarny as;, f) pierwsza wylosowan, a kart, a jest as pik.,
3. W urnie znajduja si, e trzy bia le i cztery czarne kule. Losujemy kul, e, wyrzu-, camy bez ogladania, a nast, epnie losujemy kolejn, a kul, e z urny.,
a) Jakie jest prawdopodobie´nstwo, ˙ze druga kula jest bia la?
b) Za l´o˙zmy, ˙ze za drugim razem wyciagni, eto bia l, a kul, e. Jakie jest prawdopodo-, bie´nstwo, ˙ze za pierwszym razem wylosowano czarna kul, e?,
4. W populacji jest 15% dyslektyk´ow. Je´sli w te´scie diagnostycznym ucze´n pope lni 6 lub wiecej b l, ed´, ow, to zostaje uznany za dyslektyka. Ka˙zdy dyslektyk na pewno pope lni co najmniej 6 b led´, ow w takim te´scie, ale r´ownie˙z nie-dyslektyk mo˙ze pope lni´c wiecej ni˙z 5 b l, ed´, ow – dzieje sie tak z prawdopodobie´, nswem 0,1. Jasio pope lni l w te´scie 6 b led´, ow. Jakie jest prawdopodobie´nstwo, ˙ze jest dyslektykiem?
Jakie jest prawdopodobie´nstwo tego, ˙ze w kolejnym te´scie te˙z pope lni co najmniej 6 b led´, ow?
5. W pewnej fabryce telewizor´ow ka˙zdy z aparat´ow mo˙ze by´c wadliwy z praw- dopodobie´nstwem p. W fabryce sa trzy stanowiska kontroli i wyprodukowany, telewizor trafia na ka˙zde ze stanowisk z jednakowym prawdopodobie´nstwem. i- te stanowisko wykrywa wadliwy telewizor z prawdopodobie´nstwem pi (i = 1, 2, 3).
Telewizory nie odrzucone w fabryce trafiaja do hurtowni i tam poddawane s, a do-, datkowej kontroli, kt´ora wykrywa wadliwy telewizor z prawdopodobie´nstwem p0.
a) Obliczy´c prawdopodobie´nstwo tego, ˙ze dany nowowyprodukowany telewizor znajdzie sie w sprzeda˙zy (tzn. przejdzie przez obie kontrole).,
b) Przypu´s´cmy, ˙ze telewizor jest ju˙z w sklepie. Jakie jest prawdopodobie´nstwo,
˙ze jest on wadliwy?
6. Rzucamy dwa razy kostka. Rozwa˙zmy zdarzenia: A – za pierwszym razem, wypad la liczba oczek podzielna przez 3; B – suma wyrzuconych oczek jest parzysta;
C – za ka˙zdym razem uzyskali´smy te sam, a liczb, e oczek. Czy zdarzenia A, B s, a, niezale˙zne? Czy A, B, C sa niezale˙zne?,
7. Na n kartonikach zapisano n r´o˙znych liczb rzeczywistych. Kartoniki w lo˙zono do pude lka, starannie wymieszano, a nastepnie losowano kolejno bez zwracania., Niech Ak – k-ta wylosowana liczba jest wieksza od poprzednich.,
a) Udowodni´c, ˙ze P(Ak) = 1/k, k = 1, 2, . . . , n.
b) Udowodni´c, ˙ze zdarzenia A1, A2, . . . , An sa niezale˙zne.,
8. Dane sa liczby ca lkowite dodatnie m, n oraz liczby p, q ∈ (0, 1) spe lniaj, ace, warunek p + q = 1. Dowie´s´c, ˙ze
(1 − pn)m+ (1 − qm)n ≥ 1.
9. Wyznaczy´c najbardziej prawdopodobna liczb, e sukces´, ow w schemacie n pr´ob Bernoulliego z prawdopodobie´nstwem sukcesu p.
10. Rzucono 10 razy kostka. Jakie jest prawdopodobie´, nstwo tego, ˙ze w pier- wszym rzucie otrzymano sz´ostke, je´, sli wiadomo, ˙ze
a) otrzymano trzy sz´ostki?
b) w nastepnych dziewi, eciu rzutach otrzymano same sz´, ostki?
11. Rzucamy kostka a˙z do momentu gdy wyrzucimy pi, atk, e b, ad´, z trzy razy sz´ostke ( l, acznie, niekoniecznie pod rz, ad). Jakie jest prawdopodobie´, nstwo, ˙ze rzucimy dok ladnie n razy?
12. Prawdopodobie´nstwo tego, ˙ze w urnie znajduje sie k kostek, wynosi, 2k!ke−2, k = 0, 1, 2, . . .. Losujemy kolejno bez zwracania wszystkie kostki z urny i wykonu- jemy rzuty ka˙zda z nich. Jakie jest prawdopodobie´, nstwo, ˙ze uzyskamy l sz´ostek?
13. Jakie jest prawdopodobie´nstwo tego, ˙ze liczba sukces´ow w schemacie Bernoul- liego n pr´ob z p = 12 bedzie podzielna,
a) przez 3?
b) przez 4?
14. Niech (Ω, F , P) bedzie przestrzeni, a probabilistyczn, a dla schematu n pr´, ob Bernoulliego z prawdopodobie´nstwem sukcesu p. Dla dowolnego 0 ≤ k ≤ n, niech Ak oznacza zdarzenie, i˙z jest dok ladnie k sukces´ow. Wykaza´c, ˙ze dla dowolnego B ∈ F oraz ka˙zdego k, prawdopodobie´nstwo warunkowe P(B|Ak) nie zale˙zy od p.
15. Rzucamy niesko´nczenie wiele razy moneta, dla kt´, orej prawdopodobie´nstwo wypadniecia or la wynosi p 6= 1/2. Dla n = 2, 4, . . ., rozwa˙zmy zdarzenie A, n - do rzutu n w lacznie wypad lo tyle samo or l´, ow co reszek. Udowodni´c, ˙ze z praw- dopodobie´nstwem 1 zajdzie sko´nczenie wiele spo´sr´od zdarze´n A1, A2, . . ..
16. Rzucamy niesko´nczenie wiele razy moneta, dla kt´, orej prawdopodobie´nstwo wypadniecia or la wynosi p ∈ (0, 1]., Udowodni´c, ˙ze z prawdopodobie´nstwem 1 wystapi niesko´, nczenie wiele serii z lo˙zonych ze 100 or l´ow pod rzad.,
17. Dane sa dwie miary probabilistyczne µ, ν na (R, B(R)).,
a) Za l´o˙zmy, ˙ze dla dowolnej liczby t > 0 mamy ν([−t, t]) = µ([−t, t]). Udowodni´c,
˙ze je´sli A ∈ B(R) jest symetryczny wzgledem 0, to µ(A) = ν(A).,
b) Przypu´s´cmy, ˙ze K jest pewna klas, a generuj, ac, a B(R) (tzn. spe lniaj, ac, a σ(K) =, B(R)). Czy z tego, ˙ze µ(A) = ν(A) dla ka˙zdego A ∈ K, wynika, i˙z µ = ν?