‫‪http://w11.easy-share.com/670645.

html‬‬
‫סטטיסטיקה – דף נוסחאות‪:‬‬
‫ממוצע‪ -‬סכום האיברים חלקי מספר האיברים‪.‬‬
‫חציון ‪ -M‬הערך של המשתנה האמצעי‪ ,‬שיש מימינו מחצית מן המספרים ושיש משמאלו מחצית מהם‪.‬‬
‫שונות ‪ -S²‬מדד פיזור המודד את סכום ריבועי המרחקים מן הממוצע‪ ,‬מחולק במספר האיברים‪.‬‬
‫סטיית תקן ‪ -S‬שורש השונות‪ ,‬מדד פיזור המודד את ממוצע הסטייה מן הממוצע‪.‬‬
‫‪n‬‬ ‫‪n‬‬

‫‪∑ ( xi − x ) 2‬‬ ‫) ‪∑ ( xi − x‬‬ ‫‪2‬‬

‫‪s2 = x2 − x 2‬‬
‫= ‪s2‬‬ ‫‪i =1‬‬ ‫=‪s‬‬ ‫‪i =1‬‬ ‫‪s = x2 − x 2‬‬
‫‪n‬‬ ‫‪n‬‬
‫התפלגות גרפית‪ -‬בהיסטוגרמה שטח המלבן מייצג את השכיחות וגובה המלבן מצביע על הצפיפות‪.‬‬
‫קבוצות‪:‬‬
‫•לכל שני מאורעות זרים ‪. P( A ∪ B ) = P ( A) + P ( B) -‬‬
‫•מאורעות הם בלתי תלויים אם‪P ( A ∩ B ) = P ( A) ⋅ P ( B ) -‬‬
‫•עקרון ההכלה ‪ -‬אם ‪( B ⊂ A‬מוכל ב‪ )..‬אז ) ‪. P ( A) ≤ P ( B‬‬
‫•עקרון ההפרש – אם ‪( B ⊂ A‬מוכל ב‪ )..‬אז )‪. P( B − A) = P( B ) − P ( A‬‬
‫•עקרון החיבור – לכל שני מאורעות מתקיים ‪. P ( A ∪ B ) = P( A) + P ( B ) − P ( A ∩ B ) -‬‬
‫•הסתברות מותנית – כאשר ידוע לנו שמאורע כלשהו התרחש והדבר משפיע על הבדיקה הבאה‪,‬‬
‫מרחב המדגם מצטמצם כמו גם הסתברות המאורע החדש ולכן‪P ( B ∩ A) -‬‬
‫= )‪P ( B / A‬‬
‫)‪P ( A‬‬ ‫זו ההסתברות ש‪ B-‬יקרה כאשר ידוע ש‪ A-‬קרה‪.‬‬
‫•לפי ההסתברות המותנית ידוע כי‪P ( A ∩ B ) = P ( A) ⋅ P ( B / A) -‬‬
‫•הקשר בין )‪ P ( A / B‬ל‪: P( B / A) -‬‬
‫ידוע כי ‪ P ( A ∩ B ) = P ( A) ⋅ P ( B / A) -‬וש‪P ( B ∩ A) = P ( B ) ⋅ P ( A / B) -‬‬
‫) ‪P ( A / B) ⋅ P ( B‬‬
‫= )‪( P ( B / A‬נוסחת בייז)‪.‬‬ ‫לכן ‪ P ( A) ⋅ P ( B / A) = P( B ) ⋅ P( A / B ) -‬ולכן ‪-‬‬
‫)‪P ( A‬‬
‫עקומת צפיפות נורמלית כללית‪:‬‬
‫•במרחק של סטיית תקן אחת מן הממוצע ישנם ‪ 68%‬מן הערכים‪ ,‬במרחק של ‪ 2‬יש – ‪94%‬‬
‫מהם‪.‬‬
‫• ‪ - µ‬ממוצע‪ - .‬סטיית תקן‪.‬‬
‫‪σ‬‬
‫•כאשר ‪ X‬מתפלג נורמלית ובעל ממוצע ‪ µ‬וסטיית תקן ‪ σ‬נסמן ‪. X ≈ N ( µ , σ ) -‬‬

‫ציוני תקן‪:‬‬
‫•ציון תקן הוא למעשה תיקנון של הערך כלומר הפיכתו למספר סטיות התקן המרוחקות מן‬
‫הממוצע‪.‬‬
‫•ציון זה מתקבל ע"י הגדרת משתנה חדש (‪ )Z‬ששווה ל‪ -‬כלומר המרחק מן הממוצע חלקי סטיית‬
‫‪x−x‬‬ ‫התקן‪.‬‬
‫=‪Z‬‬
‫‪s‬‬ ‫חישובי שטחים מתחת לעקומה נורמלית כללית‪:‬‬
‫• ‪ - Φ‬השטח מתחת לעקומה נורמלית (לפי הטבלה) של ציון תקן מסויים ‪Φ (0.5) = 0.6915‬‬
‫יש לזכור – השטח הנמדד הוא משמאל לנקודה ולכן חישוב שטח מימין =‬
‫‪. 1 − Φ (0.5) = 0.3085‬‬

‫לוח ‪:2X2‬‬
‫‪-A‬הסתברות מאורע ‪- A ,A‬הסתברות המאורע המשלים‬
‫‪-B‬הסתברות מאורע ‪- B ,B‬הסתברות המאורע המשלים‬

‫‪A‬‬ ‫‪A‬‬
‫תוחלת‪:‬‬
‫‪B‬‬ ‫‪AB‬‬ ‫‪AB‬‬ ‫‪AB + A B = B‬‬
‫‪B‬‬ ‫‪AB‬‬ ‫‪AB‬‬ ‫‪AB + A B = B‬‬
‫‪AB + AB = A‬‬ ‫‪AB + AB = A‬‬
‫הערך שצופים שמשתנה מקרי יקבל בטווח הארוך הוא התוחלת שלו ‪( )E(x‬ממוצע משוכלל של הערכים ש‪X-‬‬
‫‪n‬‬
‫יקבל) ‪E ( x1 + x 2) = E ( x1) + E ( x 2) , E ( x) = ∑ XiP ( X = Xi ) :‬‬
‫‪i =1‬‬
‫תכונות התוחלת‪ :‬כאשר ‪ b‬קבוע ‪ E(b)=b. a‬קבוע ‪ . )E(ax)=aE(x‬יהיו ‪ a,b‬קבועים ‪E(ax+b)=aE(x)+b‬‬

‫משתנה בינומי‪:‬‬
‫ידועים מראש מספר הניסויים (ברנולי) ‪ X‬בינומי סופר את מספר ההצלחות מבין ‪ N‬ניסויים‪.‬‬
‫‪N‬‬ ‫‪N‬‬ ‫!‪N‬‬
‫= ‪P ( N = K ) =   ⋅ P K ⋅ (1 − P ) N − K ,  ‬‬ ‫)‪, X ≈ B( N , P‬‬
‫‪K‬‬ ‫!) ‪ K  K !⋅( N − K‬‬

‫משתנה גיאומטרי‪:‬‬
‫מספר הניסויים לא ידועים מראש (ברנולי) ‪ X‬גיאומטרי סופר את מספר הניסויים עד ההצלחה הראשונה‪.‬‬
‫) ‪P ( X > N ) = (1 − P ) N , P ( N = K ) = (1 − P ) K −1 ⋅ P , X ≈ G (P‬‬

‫תכונת חוסר הזיכרון‪P ( X = N + M ) = P ( X > N ) = P ( X = M ) = (1 − P ) M −1 :‬‬

‫שונות‪ ,‬תוחלת וסטיית‪-‬תקן של משתנים מקריים מיוחדים‪:‬‬

‫) ‪S = σ , V ( x) = σ 2 , E (x) = µ : X ≈ N ( µ , σ‬‬
‫‪1− p‬‬ ‫‪1− p‬‬ ‫‪1‬‬
‫=‪S‬‬ ‫) ‪, V ( x ) = 2 , E ( x) = : X ≈ G (P‬‬
‫‪p‬‬ ‫‪2‬‬
‫‪p‬‬ ‫‪p‬‬
‫) ‪S = np (1 − p ) , V ( x ) = np (1 − p ) , E ( x ) = np : X ≈ B ( N , P‬‬
‫‪V ( x ) = E ( x 2 ) − ( E ( x)) 2‬‬

‫תכונות השונות‪:‬‬
‫‪ b‬קבוע ‪ a , V (b) = 0‬קבוע )‪( V (aX + b) = V (aX ) = a V ( X ) , V (aX ) = a V ( x‬אדישות לתוספת קבוע)‬
‫‪2‬‬ ‫‪2‬‬

‫) ‪V ( X + Y ) = V ( X ) + V (Y ) + 2Cov ( X , Y‬‬

‫‪ :)Cov(x,y‬ממוצע סטיות ‪ X‬מתוחלתו כפול הסטייה של ‪ Y‬מתוחלתו ‪Cov ( x, y ) = E ( xy ) − E ( x) ⋅ E ( y ) -‬‬

‫ה‪ Cov-‬קובע את סוג הקשר‪ ,‬כלומר עולה או יורד את עוצמת הקשר ואיפיונו יבדוק מקדם המתאם‪.‬‬
‫כאשר ה‪ Cov-‬הוא‪ 0-‬אין תיאום בין ‪ X‬ל‪.Y -‬‬
‫לכל שני משתנים ‪ X‬ו‪ Y -‬מתקיים‪Cov (aX + b, cY + d ) = acCov( X , Y ) :‬‬
‫) ‪Cov ( x, y‬‬
‫= ‪ . ϕ‬כאשר מקדם המתאם שווה ל‪ 1-‬יש קשר לינארי מלא (חיובי) – וההפך‪.‬‬ ‫מקדם המתאם‪:‬‬
‫) ‪σ ( x) ⋅ σ ( y‬‬
‫כאשר מקדם המתאם שווה ל‪ 0-‬אז אין קשר וגם ה‪ Cov-‬שווה ל‪.0-‬‬