P (A) + P (B), [Α,Β: ξένα µεταξύ τους] P (C A B) [P (A) + P (B)] P (C A) P (A) P (B) 3 4 ( ) 1 7 = 3 7 =

Transcript

1 Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ Θεωρία Πιθανοτήτων ιδάσκων : Π. Τσακαλίδης Λύσεις Προόδου- 22 Νοεµβρίου 2014 Θέµα 1 - (15 µονάδες) Εχουµε ότι : P (C A B) P (C (A B)) P (CA CB) P (A B) P (A B) P (CA) + P (CB), [Α,Β: ξένα µεταξύ τους] P (A) + P (C A) P (A) + P (C B) P (A) + Εποµένως, λύνοντας ως προς P (C B) έχουµε ότι : P (C B) P (C A B) [P (A) + ] P (C A) P (A) 3 4 ( ) 1 7 1/ Θέµα 2 - (20 µονάδες) Εστω X το πλήθος των εργασιών που υποβάλλονται σε ένα δευτερόλεπτο. Μας δίνεται ότι X P oisson (λ 2). Η συνάρτηση πιθανότητας γίνεται : P X (k) e 2 2k, k 0, 1, 2,... k! Ορίζουµε τώρα τα εξής γεγονότα που µας ενδιαφέρουν : B { Ενας τυχαία επιλεγµένος διακοµιστής είναι χαλασµένος.} N { Ενας τυχαία επιλεγµένος διακοµιστής είναι νέος} O { Ενας τυχαία επιλεγµένος διακοµιστής είναι παλιός} Μας δίνονται οι πιθανότητες : P (N) 0.2 και P (O) 0.8 (α) Εφαρµόζουµε το Θεώρηµα Ολικής Πιθανότητας (ΘΟΠ) και έχουµε : P (N) P (B N) + P (O) P (B O) P (N) P (X > 3) + P (O) P (X > 1) P (N) [1 P (X 3)] + P (0) [1 P (X 1)] [1 P X (k)] + 0.8[1 P X (k)] k0 k0 0.2[1 e 2 2e ! e ! e 2 ) + 0.8(1 e 2 2e 2 )

2 Π. Τσακαλίδης/ΗΨ Πιθανότητες 2 (ϐ) (γ) Εφαρµόζουµε τον κανόνα του Bayes: P (O B) P (O B) 0.8P (X > 1) P (O) P (B O) 0.8(1 e 2 2e 2 ) Μετά την αντικατάσταση, 40% των διακοµιστών είναι παλιοί και 60% είναι νέοι. ηλαδή έχουµε ότι : P (N) 0.6 και P (O) 0.4. Συνεπώς : 0.6P (X > 3) + 0.4P (X > 1) 0.6(1 e 2 2e ! e ! e 2 ) + 0.4(1 e 2 2e 2 ) (δ) Εχουµε µια ϐελτίωση της τάξης του : Εφαρµόζουµε τον κανόνα του Bayes: % P (N B) P (N) P (B N) 0.6P (X > 3) Θέµα 3 - (20 µονάδες) (α) Ερµηνεύοντας τον µηχανισµό που περιγράφει η εκφώνηση, παρατηρούµε ότι : (i) Για 1 k n 1, η τ.µ X παίρνει την τιµή k αν τα (k 1) πρώτα της σήµατα δεν λάβουν απάντηση και το k-οστό της σήµα λάβει απάντηση. (ii) Επίσης, η τ.µ X παίρνει την τιµή n αν τα πρώτα n 1 της σήµατα δεν λάβουν απάντηση, ανεξάρτητα από το τι γίνεται στη µετάδοση του n-οστού της σήµατος. Εποµένως, (i): P X (k) P (X k) (1 p) k 1 p, k 1, 2,..., n 1 (ii): P X (n) P (X n) (1 p) n 1 Σε µία έκφραση : P X (k) (1 p) k 1 p, k 1, 2,..., n 1 (1 p) n 1, k n Ελέγχουµε αν οι τιµές που ϐρήκαµε αθροίζονται στη µονάδα : n n 1 P X (k) (1 p) k 1 p + (1 p) n 1 k1 k1 n 2 (1 p) m p + (1 p) n 1 m0 1 (1 p)n 1 1 (1 p) p + (1 p) n 1 1

3 Π. Τσακαλίδης/ΗΨ Πιθανότητες 3 (ϐ) Η πιθανότητα να πάρουµε busy signal είναι ίση µε την πιθανότητα να µην λάβουν απάντηση τα n σήµατά της : P (busy signal) (1 p) n (γ) Ζητάµε να ισχύει το εξής : P (busy signal) (1 p) n (1 0.9) n n n 3 Για n 3, έχουµε : p, k 1 P X (k) (1 p)p, k 2 (1 p) 2, k 3 0.9, k , k , k 3 Εποµένως, οι µεταδόσεις κατά µέσο όρο γίνονται : E[X] Θέµα 4 - (20 µονάδες) (α) Προφανώς, η τ.µ X µετρά το πλήθος των επιτυχιών (να έρθει 6 ) σε n 10, ανεξάρτητες, πανοµοιότυπες δοκιµές Bernoulli, όπου η πιθανότητα επιτυχίας σε κάθε δοκιµή είναι 1/16 (διότι το Ϲάρι µας είναι δίκαιο). Εποµένως, έχουµε : X (n 10, p 1 6 ). Η συνάρτηση πιθανότητας περιγράφεται από την παρακάτω σχέση : ( ) 10 P X (k) ( 1 k 6 )k ( 5 6 )10 k, k 0, 1,..., 10 Η µέση τιµή της X γίνεται : E[X] n p Η διασπορά, var(x) γίνεται : Εποµένως, var(x) np(1 p) E[X 2 ] var(x) + (E[X]) (5 3 ) (ϐ) Αν παίξουµε το παιχνίδι 10 ϕορές, ϑα ϕέρουµε X ϕορές το 6 και 10 X ϕορές όχι 6. Συνεπώς, το συνολικό κέρδος µας Z, ϑα είναι : Z 10X 2(10 X) 12X 20 Το αναµενόµενο κέρδος µας ϑα είναι : E[Z] 12E[X]

4 Π. Τσακαλίδης/ΗΨ Πιθανότητες 4 (γ) Η Y είναι Γεωµετρική τ.µ µε παράµετρο p 1 6 Y Geo(p 1 6 ). Η συνάρτηση πιθανότητας γίνεται : P Y (k) )k 1, k 1, 2,... 6 Η µέση τιµή είναι : E[Y ] 1 p 6 (δ) Εστω W το πλήθος των παιχνιδιών (προσπαθειών) µέχρις ότου ϕέρουµε 6 για 5η ϕορά. Η W ακολουθεί κατανοµή P ascal τάξης r 5 µε πάραµετρο p 1 6 : W P ascal(r 5, p 1 6 ), E[W ] r p 5 1/6 30 Σε αυτή την περίπτωση, το αναµενόµενο κέρδος µας είναι : Το αναµενόµενο κέρδος είναι : Z (W 5) 2W W E[Z] 60 ZE[W ] Μάλιστα, το ίδιο µέσο κέρδος( 0) έχετε όσες ϕορές και αν παίξετε το παιχνίδι, 10, 100, ή 10 6,... Θέµα 5 - (25 µονάδες) (α) Πρέπει : x y P X,Y (x, y) 1. Οπότε έχουµε : (2 2)c + (2 3)c + (3 2)c + (3 3)c + (5 2)c + (5 3)c 1 ( )c 1 c 1 c 1 Ο πίνακας τιµών της από κοινού συνάρτησης πιθανότητας και των περιθωριακών συναρτήσεων πιθανότητας p X (x) και p Y (y) γίνεται : X Y P Y (y) 2 4/ 6/ 10/ 20/ 3 6/ 9/ 15/ 30/ P X (x) 10/ 15/ 25/ (ϐ) Εχουµε : P (Y < X) P ({(3, 2) ή (5, 2) ή (5, 3)}) P X,Y (3, 2) + P X,Y (5, 2) + P X,Y (5, 3)

5 Π. Τσακαλίδης/ΗΨ Πιθανότητες 5 (γ) P (Y > X) P ({(2, 3)}) P X,Y (2, 3) 6 (δ) P (Y X) P ({(2, 2) ή (3, 3)}) P X,Y (2, 2) + P X,Y (3, 3) (ε) Οι περιθωριακές συναρτήσεις πιθανότητας των τ.µ X και Y είναι : P X (x) 10/, x 2 15/, x 3 P X,Y (x, y) 25/, x 5 Y P Y (y) X 20/, y 2 P X,Y (x, y) 30/, y 3 (στ) P (X 5) P X (5) (Ϲ) Οι µέσες τιµές των τ.µ X και Y γίνονται : E[X] E[Y ] (η) Για να ϐρούµε τις διασπορές των τ.µ X και Y πρέπει πρώτα να υπολογίσουµε τις παρακάτω ποσότητες : E[X 2 ] E[Y 2 ] Οπότε έχουµε, var(x) 16 (3.8) var(y ) 7 (2.6)