ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

Transcript

1 ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

2 ΕΝΝΟΙΑ ΠΙΘΑΝΟΤΗΤΑΣ Μαθηματική περιγραφή συστημάτων με αβεβαιότητα Παραδείγματα από την οργάνωση παραγωγής Διάρκεια παραγωγής προϊόντων Ζήτηση προϊόντων Βλάβες μηχανών Διαθεσιμότητα προσωπικού Εμπειρικός ορισμός πιθανότητας: σχετική συχνότητα γεγονότος Υποκειμενικός ορισμός πιθανότητας: πεποίθηση σχετικά με κάποιο γεγονός ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 2

3 ΔΕΙΓΜΑΤΙΚΟΣ ΧΩΡΟΣ Ω: σύνολο δυνατών αποτελεσμάτων ενός πειράματος Στοιχεία του Ω αμοιβαίως αποκλειόμενα To Ω καλύπτει όλα τα ενδεχόμενα Το Ω μπορεί να ορίζεται με διαφορετικούς τρόπους Παράδειγμα: ρίψη ζαριού Ω={1,2,3,4,5,6} Ω={περιττός, άρτιος} Ω={1 ή 3, 1 ή 4, 2, 5, 6}, μη αποδεκτός δειγματικός χώρος γιατί τα 2 πρώτα στοιχεία δεν είναι αμοιβαίως αποκλειόμενα. ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 3

4 ΠΑΡΑΔΕΙΓΜΑ ΔΙΑΚΡΙΤΟΥ ΔΕΙΓΜΑΤΙΚΟΥ ΧΩΡΟΥ Δύο ρίψεις τετράεδρου ζαριού Χ: Αποτέλεσμα πρώτης ρίψης Y: Αποτέλεσμα δεύτερης ρίψης 4 Y X 16 ενδεχόμενα Ω={(1,1), (1,2),...., (4,4)} Η περιγραφή με δέντρο ενδείκνυται όταν το πείραμα γίνεται σε στάδια ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 4

5 ΠΑΡΑΔΕΙΓΜΑ ΣΥΝΕΧΟΥΣ ΔΕΙΓΜΑΤΙΚΟΥ ΧΩΡΟΥ Βελάκι σε τετραγωνικό στόχο διαστάσεων 1 1 Y X (x,y): οι συντεταγμένες σημείου που καρφώνεται το βελάκι Υποθέτοντας ότι το βελάκι βρίσκει σίγουρα το στόχο, ο δειγματικός χώρος αποτελείται από τα σημεία που απαρτίζουν το στόχο Ω={ (x, y): 0 x, y 1} Ω: άπειρος, μη αριθμήσιμος δειγματικός χώρος ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 5

6 ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ Γεγονός: υποσύνολο δειγματικού χώρου Γεγονότα Α, B ξένα μεταξύ τους αν το ένα αποκλείει το άλλο, Σε κάθε γεγονός αντιστοιχεί μία πιθανότητα Αξιώματα πιθανοτήτων 1. PA 0 2. P Ω =1 3. P Α Β =P Α +P Β αν Τα αξιώματα αρκούν για τον υπολογισμό οποιασδήποτε πιθανότητας π.χ. Αν Α, B, Γ ξένα μεταξύ τους ανά δύο τότε P P Α +P Β +P Γ εφαρμόζοντας δύο φορές το Αξίωμα 3 Ανάλογο αποτέλεσμα και για την ένωση περισσότερων γεγονότων ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 6

7 ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ: ΠΑΡΑΔΕΙΓΜΑ Δύο ρίψεις τετράεδρου ζαριού 1 Y X Νόμος πιθανότητας: ίδια πιθανότητα για κάθε αποτέλεσμα Πιθανότητα γεγονότος: Το άθροισμα πιθανοτήτων αποτελεσμάτων που απαρτίζουν το γεγονός P (, ) (1,2) ή (2,4) P άρτιος P P 7 16 P τουλάχιστον ένα ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I

8 ΔΙΑΚΡΙΤΟΣ ΟΜΟΙΟΜΟΡΦΟΣ ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ Όλα τα αποτελέσματα έχουν την ίδια πιθανότητα αριθμός στοιχείων του Α P ( ) αριθμός στοιχείων του Ω Πρόβλημα αρίθμησης Παραδείγματα: καλά ανακατεμένες τράπουλες, φυσιολογικά νομίσματα και ζάρια ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 8

9 ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ: ΠΑΡΑΔΕΙΓΜΑ ΣΥΝΕΧΟΥΣ ΔΕΙΓΜΑΤΙΚΟΥ ΧΩΡΟΥ Βελάκι σε στόχο Υ X Μη μηδενική πιθανότητα σε κάθε σημείο: Μη αποδεκτός νόμος πιθανότητας Οδηγεί σε άτοπο Νόμος πιθανότητας: ορίζει πιθανότητα για κάθε περιοχή που ανήκει στο στόχο ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 9

10 ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ: ΠΑΡΑΔΕΙΓΜΑ ΣΥΝΕΧΟΥΣ ΔΕΙΓΜΑΤΙΚΟΥ ΧΩΡΟΥ Ομοιόμορφος νόμος πιθανότητας: Πιθανότητα=εμβαδόν P εμβαδόν τριγώνου με κορυφές (0,0), (0, ), (,0) 3 3 P (, ) (0,2),(0, 3) 0 κάθε σημείο έχει μηδενικό εμβαδόν ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 10

11 ΙΔΙΟΤΗΤΕΣ ΝΟΜΩΝ ΠΙΘΑΝΟΤΗΤΑΣ Με εφαρμογή των Αξιωμάτων 2,3 c c 1= P = P = P P c =1- P P A Με εφαρμογή του Αξιώματος 3, εάν 1, 2, 3, είναι ανά δύο ξένα μεταξύ τους τότε: P = P A 1 + P A 2 + P A 3 + δεν ισχύει για ένωση μη αριθμήσιμων γεγονότων Με εφαρμογή του Αξιώματος 3 P A B = PA A B = P A + P A B c c P B = P A B A B = P A B + P A B c c P = P + P - P ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 11

12 ΠΑΡΑΔΕΙΓΜΑ ΥΠΟΛΟΓΙΣΜΟΥ ΠΙΘΑΝΟΤΗΤΩΝ Ρίχνουμε νόμισμα 4 φορές P τουλάχιστον 1 φορά Γράμματα =; Δειγματικός χώρος : 16 ισοπίθανα ενδεχόμενα P τουλάχιστον 1 Γ =1- P κανένα Γ 1 15 =1- PKKKK = 1- = Επιλέγουμε χαρτί από τράπουλα Άσος ή ρήγας: PA K = PA PK Άσος ή μαύρο: P A M = P A + P M - P A M = ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 12

13 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ Πληροφορία σχετικά με την έκβαση του πειράματος αλλάζει το δειγματικό χώρο και τις πεποιθήσεις μας (πιθανότητες γεγονότων) P : πιθανότητα του A δεδομένου του B: νέος δειγματικός χώρος B P P = αν P 0 P «μερίδιο» του A στο νέο δειγματικό χώρο Ιδιότητες νόμων πιθανότητας ισχύουν και στο νέο δειγματικό χώρο + P = P P - P c P = 1- P ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 13

14 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ ΠΑΡΑΔΕΙΓΜΑ Δυο ρίψεις τετράεδρου ζαριού Πληροφορία: min X,Y = 2 Νέος δειγματικός χώρος: 5 ενδεχόμενα (σκιασμένη περιοχή) P max X,Y = 2 min X,Y = 2 = 5 2 P max X,Y = 3 min X,Y = 2 = 5 ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 14

15 ΠΟΛΛΑΠΛΑΣΙΑΣΤΙΚΟΣ ΚΑΝΟΝΑΣ Ορισμός δεσμευμένης πιθανότητας P P P Γενίκευση: P = P P 1 2 n P P n 1 2 n-1 Παράδειγμα: 3 χαρτιά από τράπουλα P ( καμία κούπα )= ; ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 15

16 ΠΟΛΛΑΠΛΑΣΙΑΣΤΙΚΟΣ ΚΑΝΟΝΑΣ Δέντρο: Δεσμευμένες πιθανότητες στους κλάδους Απάντηση: ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 16

17 ΘΕΩΡΗΜΑ ΣΥΝΟΛΙΚΗΣ ΠΙΘΑΝΟΤΗΤΑΣ,,, ξένα μεταξύ τους 1 2 n 1 2 n = P γνωστές i P P P P P P P n n σταθμισμένος μέσος όρος των δεσμευμένων πιθανοτήτων ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 17

18 ΘΕΩΡΗΜΑ ΣΥΝΟΛΙΚΗΣ ΠΙΘΑΝΟΤΗΤΑΣ Παράδειγμα: Αντίπαλοι 3 κατηγοριών στο σκάκι 1. Ανήκει το 50%, πιθανότητα νίκης 0,3 2. Ανήκει το 25%, πιθανότητα νίκης 0,4 3. Ανήκει το 25%, πιθανότητα νίκης 0,5 P νίκη 0,3 0,5 0,4 0,25 0,5 0,25 0,375 ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 18

19 ΚΑΝΟΝΑΣ ΤΟΥ BAYES P Αi P i P i P B Ai P Ai P i P P n P B Aj P Aj Παράδειγμα: Σκάκι (συνέχεια) Έστω ότι κερδίζουμε P αντίπαλος από 1 η κατηγορία = ; P j=1 P 1 P 1 0,3 0,5 P 1 0,4 0,375 ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 19

20 ΑΝΕΞΑΡΤΗΣΙΑ ΓΕΓΟΝΟΤΩΝ A,B ανεξάρτητα αν P A B = P A Πραγματοποίηση του B δεν προσφέρει πληροφορίες για το A Από πολλαπλασιαστικό κανόνα P A B = P B P(A B) P A B = P A P B αν A,B ανεξάρτητα Γεγονότα ξένα μεταξύ τους δεν είναι ανεξάρτητα Παράδειγμα: 2 ρίψεις τετράεδρου ζαριού με ισοπίθανα ενδεχόμενα A= {1 στην 1 η ρίψη} B= {άθροισμα 5} 1 P( A B ) = P (1,4 ) P(A)= P ( B) = P (1,4),(2,3),(3,2),(4,1 ) = 16 P( A B) = P(A) P( B) A,B ανεξάρτητα ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 20

21 ΔΕΣΜΕΥΜΕΝΗ ΑΝΕΞΑΡΤΗΣΙΑ Έστω A,B ανεξάρτητα Αν ξέρουμε ότι έχει συμβεί το τα A,B είναι ξένα μεταξύ τους, άρα παύουν να είναι ανεξάρτητα A,B ανεξάρτητα δεδομένου του Γ εάν P( A ) = P P ( ) = P P ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 21

22 ΔΕΣΜΕΥΜΕΝΗ ΑΝΕΞΑΡΤΗΣΙΑ: ΠΑΡΑΔΕΙΓΜΑ Νόμισμα Α: Κορώνα με πιθανότητα p 1 Νόμισμα B: Κορώνα με πιθανότητα p 2 Επιλέγουμε νόμισμα και το ρίχνουμε 2 φορές Αν ξέρουμε ποιο είναι, οι δυο ρίψεις είναι ανεξάρτητες Αν δεν ξέρουμε; K,K : κορώνα στην 1 η και 2 η ρίψη αντίστοιχα P( 1) P( 1 ) P P( 2 ) P (p 1+ p2) 2 1 P( 2) (p 1+ p 2) P( 1 2) (p 1 + p 2 ) 2 Αν p p, K,K δεν είναι ανεξάρτητα ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 22

23 ΑΝΕΞΑΡΤΗΣΙΑ ΠΟΛΛΩΝ ΓΕΓΟΝΟΤΩΝ 1, 2,, k ανεξάρτητα αν για κάθε υποσύνολο τους,,, ισχύει i i i i i i =PΑi P i P i P Α Α Α Α Α π.χ. Α, B, Γ ανεξάρτητα αν Παράδειγμα: Ανεξαρτησία ανά ζεύγη δεν συνεπάγεται ανεξαρτησία Δύο ρίψεις νομίσματος Α: Κορώνα στην 1 η, B: Κορώνα στην 2 η, Γ: Διαφορετικά αποτελέσματα Α, B, Γανεξάρτητα ανά δυο Όμως, 1 2 k 1 2 k 1 2 k P P P P P P P P P P P P P 0 P P P P ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 23

24 ΑΡΙΘΜΗΣΗ Για ισοπίθανα ενδεχόμενα στο δειγματικό χώρο Ω PA αριθμός στοιχείων του Α αριθμός στοιχείων του Ω Αν όλα τα στοιχεία του Α έχουν την ίδια πιθανότητα p αριθμός στοιχείων του A P A p Ανάγκη για συστηματικές μεθόδους αρίθμησης ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 24

25 ΒΑΣΙΚΗ ΑΡΧΗ ΑΡΙΘΜΗΣΗΣ Πείραμα σε r στάδια n i πιθανά αποτελέσματα στο στάδιο i Τα αποτελέσματα αυτά μπορεί να εξαρτώνται από τα αποτελέσματα προηγούμενων σταδίων, όμως ο αριθμός τους είναι σταθερός, n i Αριθμός πιθανών αποτελεσμάτων πειράματος n n n 1 2 r Παράδειγμα: Πλήθος επταψήφιων αριθμών με πρώτο ψηφίο διαφορετικό από 0 ή 1 n 1 = 8 (επιλογές για το 1 ο ψηφίο) n 2 = = n 7 =10 (επιλογές για τα υπόλοιπα ψηφία) Απάντηση: n n n = ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 25

26 ΜΕΤΑΘΕΣΕΙΣ Επιλογή k αντικειμένων από n k-μεταθέσεις: Πλήθος διαφορετικών ακολουθιών k αντικειμένων n! n (n-1) (n-k+1)= (n-k)! Παράδειγμα: Το πλήθος των λέξεων με 4 διαφορετικά γράμματα είναι Μεταθέσεις: Πλήθος τρόπων που μπορούν να διαταχθούν n αντικείμενα (k=n) Παράδειγμα: Με πόσους τρόπους μπορούν να δοθούν 5 φάρμακα σε 5 ασθενείς; Απάντηση: 5! = n (n -1) 21 n! ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 26

27 ΣΥΝΔΥΑΣΜΟΙ n : Για σύνολο n στοιχείων, αριθμός υποσυνόλων με k k στοιχεία n Αριθμός k-μεταθέσεων = k! k 1 ο στάδιο: επιλογή k αντικειμένων n k επιλογές 2 ο στάδιο: επιλογή μετάθεσης των k αντικειμένων (k! επιλογές) Άρα, n n! n n! k!= = k (n- k)! k k!(n- k)! Παράδειγμα: Αριθμός διαφορετικών πεντάδων χαρτιών από τράπουλα 52 52! !47! ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 27

28 ΣΥΝΔΥΑΣΜΟΙ Παράδειγμα: Ρίχνουμε νόμισμα 10 φορές. Με πόσους τρόπους μπορούμε να πάρουμε 3 φορές Γράμματα; 10 : τρόποι με τους οποίους μπορούν να επιλεγούν 3 3 θέσεις για Γ από σύνολο 10 θέσεων π.χ. (2, 3, 4): Γ τη 2 η, 3 η και 4 η φορά ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 28

29 ΔΙΑΜΕΡΙΣΕΙΣ n : τρόποι διαχωρισμού n αντικειμένων σε r n 1,n 2,,n r ομάδες μεγέθους n 1,n 2,,nr n n! n 1,n 2,,n r n 1!n 2! n r! Παράδειγμα: Με πόσους τρόπους μπορούν να μοιραστούν τα χαρτιά μίας τράπουλας σε 4 παίχτες; (13 ο καθένας) Απάντηση: 52 52! 13,13,13,13 13!13!13!13! Πλήθος αναγραμματισμών της λέξης MISSISSIPPI αριθμός διαμερίσεων 11 θέσεων (γράμματα της λέξης) σε 4 ομάδες μεγέθους 1 (γράμμα M), 4 (γράμμα I), 2 (γράμμα P) και 4 (γράμμα S) 11 11! 1,4,4,2 1!4!4!2! ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 29

30 ΥΠΟΛΟΓΙΣΜΟΣ ΠΙΘΑΝΟΤΗΤΩΝ ΜΕΣΩ ΑΡΙΘΜΗΣΗΣ Ρίχνουμε ζάρι 5 φορές Α={ 5 διαφορετικά αποτελέσματα} P ; Αριθμός όλων των ενδεχομένων 5 6 Αριθμός ενδεχομένων που αντιστοιχούν στο Α= αριθμός 5-μεταθέσεων 6 αντικειμένων = P 5 Ρίχνουμε νόμισμα 10 φορές, P Α={ 3 φορές Γ } P ; = p 10 διαφορετικές ακολουθίες με 3 γράμματα 3 Κάθε ακολουθία έχει πιθανότητα 3 p 1- p 7 ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 30

31 ΥΠΟΛΟΓΙΣΜΟΣ ΠΙΘΑΝΟΤΗΤΩΝ ΜΕΣΩ ΑΡΙΘΜΗΣΗΣ 10 3 P p 1- p 7 (συνέχεια από το 3 προηγούμενο παράδειγμα) Μοίρασμα τράπουλας σε 4 παίχτες Α={ ο κάθε παίχτης παίρνει έναν άσο} Αριθμός διαμερίσεων με 1 άσο ο καθένας = = (αριθμός μεταθέσεων των 4 άσων) (αριθμός = P ; 52! Αριθμός πιθανών διαμμερίσεων = 13!13!13!13! διαμερίσεων των 48 υπόλοιπων χαρτιών)= 48! 4! 12!12!12!12! P 4!48! ! 13 4! 52! ! 4 ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 31