ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες -Χειµερινό Εξάµηνο 2012 ιδάσκων : Π. Τσακαλίδης. Λύσεις : Τέταρτη Σειρά Ασκήσεων

Σχετικά έγγραφα
200, δηλαδή : 1 p Y (y) = 0, αλλού

xp X (x) = k 3 10 = k 3 10 = 8 3

1 1 c c c c c c = 1 c = 1 28 P (Y < X) = P ((1, 2)) + P ((4, 1)) + P ((4, 3)) = 2 1/ / /28 = 18/28

p(x, y) = 1 (x + y) = 3x + 6, x = 1, 2 (x + y) = 3 + 2y, y = 1, 2, 3 p(1, 1) = = 2 21 p X (1) p Y (1) = = 5 49

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-217: Πιθανότητες-Χειµερινό Εξάµηνο ιδάσκων : Π. Τσακαλίδης

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες-Χειµερινό Εξάµηνο ιδάσκων : Π. Τσακαλίδης.

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 =

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες - Χειµερινό Εξάµηνο 2017 ιδάσκων : Π. Τσακαλίδης

c(x 1)dx = 1 xf X (x)dx = (x 2 x)dx = 2 3 x3 x 2 x 2 2 (x 1)dx x 2 f X (x)dx = (x 3 x 2 )dx = 2 4 x4 2 3 x3

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ]

8 Άρα η Ϲητούµενη πιθανότητα είναι

c(2x + y)dxdy = 1 c 10x )dx = 1 210c = 1 c = x + y 1 (2xy + y2 2x + y dx == yx = 1 (32 + 4y) (2x + y)dxdy = 23 28

P( X < 8) = P( 8 < X < 8) = Φ(0.6) Φ( 1) = Φ(0.6) (1 Φ(1)) = Φ(0.6)+Φ(1) 1

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες - Χειµερινό Εξάµηνο 2015 ιδάσκων : Π. Τσακαλίδης

(365)(364)(363)...(365 n + 1) (365) k

0 x < (x + 2) 2 x < 1 f X (x) = 1 x < ( x + 2) 1 x < 2 0 x 2

P (M = 9) = e 9! =

P (Ηρ) = 0.4 P (Αρ) = 0.32 P (Απ) = 0.2

Οι παραγγελίες ακολουθούν την κατανομή Poisson. Σύμφωνα με τα δεδομένα ο

p B p I = = = 5

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες - Χειµερινό Εξάµηνο 2014 ιδάσκων : Π. Τσακαλίδης. Λύσεις εύτερης Σειράς Ασκήσεων

, x > a F X (x) = x 3 0, αλλιώς.

ΗΥ-217-ΠΙΘΑΝΟΤΗΤΕΣ-ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ 2016 ΔΙΔΑΣΚΩΝ: ΠΑΝΑΓΙΩΤΗΣ ΤΣΑΚΑΛΙΔΗΣ

3. Κατανομές πιθανότητας

12xy(1 x)dx = 12y. = 12 y. = 12 y( ) = 12 y 1 6 = 2y. x 6x(1 x)dx = 6. dx = 6 3 x4

0, x < 0 1+x 8, 0 x < 1 1 2, 1 x < x 8, 2 x < 4

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες - Χειµερινό Εξάµηνο 2016 ιδάσκων : Π. Τσακαλίδης. Λύσεις Τρίτης Σειράς Ασκήσεων

pdf: X = 0, 1 - p = q E(X) = 1 p + 0 (1 p) = p V ar(x) = E[(X µ) 2 ] = (1 p) 2 p + (0 p) 2 (1 p) = p (1 p) [1 p + p] = p (1 p) = p q

pdf: X = 0, 1 - p = q E(X) = 1 p + 0 (1 p) = p V ar(x) = E[(X µ) 2 ] = (1 p) 2 p + (0 p) 2 (1 p) = p (1 p) [1 p + p] = p (1 p) = p q

P(Ο Χρήστος κερδίζει) = 1 P(Ο Χρήστος χάνει) = 1 P(X > Y ) = 1 2. P(Ο Χρήστος νικά σε 7 από τους 10 αγώνες) = 7

Τυχαίες Μεταβλητές Γεώργιος Γαλάνης Κωνσταντίνα Παναγιωτίδου

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-217: Πιθανότητες - Χειµερινό Εξάµηνο 2012 ιδάσκων : Π. Τσακαλίδης. Λύσεις Τρίτης Σειράς Ασκήσεων

P (A B) = P (A) + P (B) P (A B).

P (A) = 1/2, P (B) = 1/2, P (C) = 1/9

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ - ΑΣΚΗΣΕΙΣ. αλλού

(1) 98! 25! = 4 100! 23! = 4

(1) 98! 25! = 4 100! 23! = 4

Θεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του πέμπτου φυλλαδίου ασκήσεων.. Δηλαδή:

Θεωρητικές Κατανομές Πιθανότητας

07/11/2016. Στατιστική Ι. 6 η Διάλεξη (Βασικές διακριτές κατανομές)

Στατιστική Ι-Θεωρητικές Κατανομές Ι

ιωνυµική Κατανοµή(Binomial)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-317: Εφαρµοσµένες Στοχαστικές ιαδικασίες - Εαρινό Εξάµηνο ιδάσκων : Π.

Βιομαθηματικά BIO-156

P(200 X 232) = =

Στατιστική Συμπερασματολογία

P (X = x) = (0.001) x (0.999) 1000 x

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

Στατιστική Επιχειρήσεων Ι. Βασικές διακριτές κατανομές

Λύσεις 4ης Ομάδας Ασκήσεων

Πανεπιστήμιο Πελοποννήσου

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων

Άσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:

Τυχαία μεταβλητή (τ.μ.)

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής.

Βιομαθηματικά BIO-156. Τυχαίες μεταβλητές Κατανομές Πιθανοτήτων. Ντίνα Λύκα. Εαρινό Εξάμηνο, 2017

u 2 2 = u a 1 (x 2 x 1 ) = (0) 2 = (50) 2 + 2( 10)(x 2 x 1 ) x 2 = x m (1)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι

ΑΣΥΜΜΕΤΡΙΑ Ας υποθέσουμε, ότι κατά την μελέτη της κατανομής δύο μεταβλητών, καταλήγουμε στα παρακάτω ιστογράμματα.

ΕΠΑΝΑΛΗΨΗ ΕΦΑΡΜΟΣΜΕΝΑ ΜΑΘΗΜΑΤΙΚΑ 11/01/2018

Θεωρία Πιθανοτήτων & Στατιστική

/ / 38

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων

ρ. Ευστρατία Μούρτου

Δειγματικές Κατανομές

Τ Ε Ι Ιονίων Νήσων Τμήμα Εφαρμογών Πληροφορικής στη Διοίκηση και την Οικονομία. Υπεύθυνος: Δρ. Κολιός Σταύρος

& 4/12/09 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ

Οι παρατηρήσεις του δείγματος, μεγέθους n = 40, δίνονται ομαδοποιημένες κατά συνέπεια ο δειγματικός μέσος υπολογίζεται από τον τύπο:

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς

Θεωρία Πιθανοτήτων & Στατιστική

ΚΑΤΑΝΟΜΈΣ. 8.1 Εισαγωγή. 8.2 Κατανομές Συχνοτήτων (Frequency Distributions) ΚΕΦΑΛΑΙΟ

( ) ΘΕΜΑ 1 κανονική κατανομή

Στατιστική Συμπερασματολογία

Θεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του όγδοου φυλλαδίου ασκήσεων.

Συνεχείς Κατανομές. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Συνεχείς Κατανομές. τεχνικές. 30 ασκήσεις.

3 ο Μέρος Χαρακτηριστικά τυχαίων μεταβλητών

P (A B) = P (AB) P (B) P (A B) = P (A) P (A B) = P (A) P (B)

ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ

ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΣΤΙΣ ΣΥΝΑΡΤΗΣΕΙΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-215: Εφαρµοσµένα Μαθηµατικά για Μηχανικούς Εαρινό Εξάµηνο 2013 ιδάσκων : Π.

Έννοια Είδη θεωρητικών κατανομών Κανονική κατανομή Τυπική κανονική κατανομή Υπολογισμός πιθανοτήτων με χρήση τυπικής κανονικής κατανομής Ασκήσεις

ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΑΣΚΗΣΕΙΣ

II. Τυχαίες Μεταβλητές

pdf: X U(a, b) 0, x < a 1 b a, a x b 0, x > b

F x h F x f x h f x g x h g x h h h. lim lim lim f x

Διωνυμική Κατανομή. x Αποδεικνύεται ότι για την διωνυμική κατανομή ισχύει: Ε(Χ)=np και V(X)=np(1-p).

x. Αν ισχύει ( ) ( )

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

P (A B) = P (A) + P (B) P (A B)

Στατιστική. Εκτιμητική

Εργαστήριο Μαθηµατικών & Στατιστικής. 1 η Πρόοδος στο Μάθηµα Στατιστική 5/12/08 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ. 3 ο Θέµα

2. Στοιχεία Πολυδιάστατων Κατανοµών

1 x-μ - 2 σ. e σ 2π. f(x) =

, και για h 0, . Άρα. Α2. Μια συνάρτηση f λέγεται γνησίως αύξουσα σε ένα διάστημα Δ του πεδίου ορισμού της, όταν για οποιαδήποτε σημεία x.

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π

Θεωρία Πιθανοτήτων & Στατιστική

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

ΘΕΩΡΙΑ ΠΙΘΑΝΟΤΗΤΩΝ Ι Φεβρουάριος 2018 Σειρά Α Θέματα 3 ως 7 και αναλυτικές (ή σύντομες) απαντήσεις

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

Transcript:

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-217: Πιθανότητες -Χειµερινό Εξάµηνο 212 ιδάσκων : Π. Τσακαλίδης Λύσεις : Τέταρτη Σειρά Ασκήσεων Ηµεροµηνία Ανάθεσης : 5/11/212 Ηµεροµηνία Παράδοσης : 14/11/212 Θέµατα : ιακριτές Τυχαίες Μεταβλητές ΙΙ). Ασκηση 1. α) Τα Ϲάρι είναι δίκαιο, οπότε κάθε αριθµός έχει την ίδια πιθανότητα να εµφανιστεί : 1 6. Συνεπώς, p 8) = P = 8) = P {1}) = 1 6. p 5) = P = 5) = P {2, 3}) = P {2}) + P {3}) = 1 6 + 1 6 = 2 6. p z) = P = z) = P {4, 5, 6}) = P {4}) + P {5}) + P {6}) = 1 6 + 1 6 + 1 6 = 3 6. ϐ) 1 = µ = x xp x) = 8 1 6 ) + 5 2 6 ) + z) 3 6 = 18 3z 6. Λύνοντας ως προς z, έχουµε z = 6 18 3 = 8. γ) E[ln )] = x ln x )p x) = ln 8) 1 6 ) + ln 5) 2 6 ) + ln z) 3 6 ) = ln2z3 ) 6 = ln124) 6 = 1.92. Ασκηση 2. Εστω B ο αριθµός των µπλέ σοκολάτων και Y ο αριθµός των κίτρινων τις οποίες παίρνει ο ϕίλος σας. Τότε το κόστος σε λεπτά είναι = 5B + 25Y. Ο παρακάτω πίνακας δείχνει τα πιθανά B, Y ) Ϲεύγη, το πλήθος εµφάνισης κάθε Ϲεύγους B, Y ), τη πιθανότητα του Ϲεύγους P {B, Y )} = B, Y ) / Ω και τη τιµή που έχει η µεταβλητή για το συγκεκριµένο 9 Ϲεύγος. Προφανώς, υπάρχουν συνολικά 3) τρόποι για να επιλέξει 3 σοκολάτες από τις 9, δηλαδή Ω = 9 3) = 84. B, Y ) B, Y ) P {B, Y )}, ) 4 4 3) 84, 1) 3 ) 4 18 1 2) 84 25, 2) 3 ) 4 12 2 1) 84 5, 3) 3 1 3) 84 75 1, ) 2 ) 4 12 1 2) 84 5 1, 1) 2 ) 3 ) 4 24 1 1 1) 84 75 1, 2) 2 ) 3 6 1 2) 84 1 2, ) 2 ) 4 4 2 1) 84 1 ) 2, 1) 3 1) 2 2 3 84 125 Άρα, η παίρνει τις τιµές,25,5,75,1,125 µε πιθανότητες : p ) = P { = } = P {, )} = 4 p 25) = P { = 25} = P {, 1)} = 18 p 5) = P { = 5} = P {, 2) 1, )} = P {, 2)} + P {1, )} = 12 84 + 12 84 = 24 p 75) = P { = 75} = P {, 3) 1, 1)} = P {, 3)} + P {1, 1)} = 1 84 + 24 84 = 25 p 1) = P { = 1} = P {1, 2) 2, )} = P {1, 2)} + P {2, )} = 6 84 + 4 84 = 1 p 125) = P { = 125} = P {2, 1)} = 3 E[2 + 1] = 2E[] + 1 = 2 175 3 ) + 1 = 353 3 = 117.66. V ar2 + 1) = 2 2 V ar) = 4 15625 6 ) = 3125 9 = 3472.22.

Πιθανότητες - 212/Τέταρτη Σειρά Ασκήσεων 2 Ασκηση 3. α) Εστω ο αριθµός των χαµένων πακέτων σε ένα καρέ. Αναγνωρίσουµε ότι η τ.µ. ακολουθεί διωνυµική κατανοµή µε παραµέτρους n = 1 και p =.1, δηλαδή n = 1, p =.1). Παρατηρούµε buffering όταν 5. Συνεπώς, P 5) = 1 P 4) = 1 4 ) 1.1) k.999) 1 k =.3637 k k= ϐ) Καθώς το n είναι µεγάλο και το p µικρό, µπορούµε να χρησιµοποιήσουµε την Poisson προσέγγιση της ιωνυµικής. Εστω Y µία Poisson τ.µ. µε παραµέτρους λ = np = 1 1 3 = 1. Σύµφωνα µε τη Poisson προσέγγιση, η πιθανότητα ότι πέντε ή περισσότερα πακέτα ενός καρέ ϑα χαθούν προσεγγίζεται από : 4 e λ λ k P 5) P Y 5) = 1 P Y 4) = 1 k! k= = 1 e 1 1+ 1 1! + 1 2! + 1 3! + 1 4! ) =.366. Ασκηση 4. α,i) Προφανώς ο Κώστας λαµβάνει πίσω 1 1 ευρώ µε πιθανότητα 1/5 και ευρώ µε πιθανότητα 49/5. Συνεπώς, 49 5 x =, 1 p x) = 5 x = 1, αλλού α,ii) Η µέση τιµή είναι Η δεύτερη ϱοπή είναι Συνεπώς, η έχει διασπορά και τυπική απόκλιση σ = 14 ευρώ. E[] = 49 5 + 1 1 5 = 2. E[ 2 ] = 2 49 5 + 12 1 5 = 2 16. σ 2 = E[ 2 ] E[]) 2 = 2 1 6 2) 2 = 196. Στην ίδια απάντηση µπορούµε να ϕτάσουµε αν παρατηρήσουµε ότι = 1 4 Z, όπου η Z ακολουθεί Bernoulli κατανοµή µε παράµετρο p = 1/5. Συνεπώς, E[] = 1 4 E[Z] = 1 4 p = 1 4 1/5) = 2 και var) = var1 4 Z) = 1 8 varz) = 1 8 p1 p) = 1 8 1/5)49/5) = 196 που δίνει µία τυπική απόκλιση ίση µε σ = var) = 14 ευρώ. ϐ, i) Σε αυτή την περίπτωση ο Κώστας λαµβάνει πίσω Y = 1W ευρώ. Η τ.µ. W εκφράζει το πλήθος των λαχείων που κερδίζουν από 1 ευρώ το καθένα) και ακολουθεί ιωνυµική κατανοµή µε παραµέτρους n = 1 και p = 1/5, W n = 1, p = 1/5). Συνεπώς, η τ.µ. Y παίρνει τιµές στο σύνολο {, 1, 2,..., 98, 99, 1} µε πιθανότητα ) 1 p Y 1k) = 1 k 5 )k 49 5 )1 k ; k =, 1, 2,..., 1.

Πιθανότητες - 212/Τέταρτη Σειρά Ασκήσεων 3 ϐ, ii) Εχουµε ότι η µε τη νέα στρατηγική, η µέση τιµή είναι η διασπορά είναι E[Y ] = 1E[W ] = 1np = 1 1 1 5 = 2, vary ) = var1w ) = 1 4 varw ) = 1 4 np1 p) = 1 4 11/5)49/5) = 196 που δίνει τυπική απόκλιση ίση µε σ Y = 14 ευρώ. Και οι δύο στρατηγικές δίνουν το ίδιο µέσο κέρδος αλλά η δεύτερη στρατηγική έχει 1 ϕορές µικρότερη τυπική απόκλιση. Ασκηση 5. [Απόσταση µεταξύ δύο τυχαία επιλεγµένων κορυφών] α) Υπάρχουν 36 πιθανές τιµές των i, j) και D = i j. Αρχικά, p D ) = P {D = } = {1, 1),..., 6, 6)} 36 = 6 36 = 3 18 = 1 6. Για 1 k 5, p D k) = P {D = k} = {1,k+1),...,6 k,6)} {k+1,1),...,6,6 k)} p D k) = για k / {,..., 5}. 36 = 26 k) 36 = 6 k 18 και E[D] = 3 18 + 5 18 1 + 4 18 2 + 3 18 3 + 2 18 4 + 1 18 5 = 35 18 = 1.944. E[D 2 ] = 3 18 2 + 5 18 12 + 4 18 22 + 3 18 32 + 2 18 42 + 1 18 52 = 15 18 = 5.8333. vard) = E[D 2 ] E[D]) 2 = 2.525. ϐ) Εστω i = 1 χωρίς ϐλάβη της γενικότητας. Τότε D = αν j = 1, D = 1 αν j {2, 6}, D = 2 αν j {3, 5}, και D = 3 αν j = 4. Εποµένως, p D ) = p D 3) = 1 6, p D1) = p D 2) = 2 6 = 1 3, και p D k) = αν k / {, 1, 2, 3}. E[D] = 1 6 + 1 3 1 + 1 3 2 + 1 6 3 = 1.5. E[D 2 ] = 1 6 + 1 3 12 + 1 3 22 + 1 6 32 = 19 6. vard) = E[D 2 ] E[D]) 2 = 11 12 =.9167. γ) Εστω i = 1 χωρίς ϐλάβη της γενικότητας. Τότε D = αν j = 1, D = 1 αν j {2, 5, 9, 12}, και D = 3 αν j = 7. Για τις άλλες 6 επιλογές του j, D = 2. Συνεπώς, p D ) = p D 3) = 1 12, p D1) = 4 12 = 1 3 και p D2) = 6 12 = 1 19 2. Σε αυτή την περίπτωση ϐρίσκουµε ότι E[D] = 12 = 1.5833 και vard) =.5764.

Πιθανότητες - 212/Τέταρτη Σειρά Ασκήσεων 4 Ασκηση 6. α) >> N = 2; >> p =.2; >> = sumrand2, 1) <.2); ϐ) >> all = zeros1,1); >> for i=1:1 >> alli) = sumrand2,1) <.2); >> est = zeros21,1); >> for value=:2 >> estvalue+1)=sumall == value); %the +1 to avoid index! >> est = est/1; % normalization >> allvalues = :2; % 21 x 1 vector; >> stemallvalues,est); >> hold on; >> for value=:2 >> value+1)=factorialn)/factorialvalue)* factorialn-value)))*pˆvalue)*1-p)ˆn-value); >> stemallvalues,, r ) Στο σχήµα 1 ϕαίνεται η εκτιµόµενη µπλε) και η ϑεωρητική κόκκινο) σ.π. της τυχαίας µεταβλητής. Η είναι διωνυµική τυχαία µεταβλητή µε παραµέτρους n = 2 και p =.2..25.2.15.1.5 2 4 6 8 1 12 14 16 18 2 Σχήµα 1: Η σ.π. της τυχαίας µεταβλητής για το ερώτηµα ϐ) της Άσκησης 6. γ) Για p = 1/2, η σ.π. είναι συµµετρική. Τότε όταν np είναι ακέραιος, η συνάρτηση µεγιστοποιείται στο σηµείο np. Οταν p 1/2, η παράσταση δεν είναι συµµετρική. Τότε όταν np είναι ακέραιος, η συνάρτηση µεγιστοποιείται στο np, ενώ όταν το np δεν είναι ακέραιος τότε οι δύο µέγιστες τιµές της συνάρτησης ϐρίσκονται αριστερά και δεξιά του np. Για τις γραφικές παραστάσεις ϐλέπε το Σχήµα 2.

Πιθανότητες - 212/Τέταρτη Σειρά Ασκήσεων 5.25 n,p) = 13,.5).25 n, p) = 12,.5).2.2.15.15.1.1.5.5 2 4 6 8 1 12 14 2 4 6 8 1 12.2 n, p) = 19, 1/3).2 n, p) = 21, 1/3).18.18.16.16.14.14.12.12.1.1.8.8.6.6.4.4.2.2 2 4 6 8 1 12 14 16 18 2 5 1 15 2 25 Σχήµα 2: Άσκηση 6 ερώτηµα γ). δ) >> n=1; p=.1; >> for value=:n >> Binomialvalue+1)=factorialn)/factorialvalue)*factorialn-value))) >> *pˆvalue)*1-p)ˆn-value)); >> allvalues = :n; >> clf; >> stemallvalues,binomial); >> hold on; >> for value=:n >> Poissonvalue+1)=1)ˆvalue)*exp-1)/factorialvalue); >> stemallvalues,poisson, r ); % pretty good match!

Πιθανότητες - 212/Τέταρτη Σειρά Ασκήσεων 6.14.12.1.8.6.4.2 1 2 3 4 5 6 7 8 9 1 Σχήµα 3: Άσκηση 6 ερώτηµα δ). Με µπλε είναι η γραφική παράσταση της διωνυµικής για n = 1, p =.1) και µε κόκκινο η γραφική παράσταση της Poisson µε παράµετρο λ = 1.