E [X ν ] = E [X (X 1) (X ν + 1)]

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

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

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

Πιθανότητες και Αρχές Στατιστικής (5η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος

Περιεχόμενα 5ης Διάλεξης 1 Ανισότητα Markov 2 Διασπορά 3 Συνδιασπορά 4 Ανισότητα Chebyshev 5 Παραδείγματα Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 5

X = = 81 9 = 9

ΚΕΦΑΛΑΙΟ 5 ΓΕΝΝΗΤΡΙΕΣ ΣΥΝΑΡΤΗΣΕΙΣ

Dunamoseirèc A. N. Giannakìpouloc, Tm ma Statistik c OPA

Μέση Τιµή. Έστω Χ τ.µ. και f Χ (x) ησ.π. ήσ.π.π. της Χ Μέση ή αναµενόµενη τιµή της Χ είναι ο αριθµός: αν η Χ είναι διακριτή, και αν η Χ είναι συνεχής.

Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

Θεωρία Πιθανοτήτων & Στατιστική

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

Τυχαία Διανύσματα και Ανεξαρτησία

Επισκόπηση ύλης Πιθανοτήτων Μέρος ΙΙ. M. Kούτρας

Τυχαία μεταβλητή (τ.μ.)

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:

3 ο Μέρος Χαρακτηριστικά τυχαίων μεταβλητών

Περιεχόμενα 2ης Διάλεξης 1 Σύνοψη προηγούμενου μαθήματος 2 Αξιωματικός ορισμός και απαρίθμηση 3 Διατάξεις - Συνδυασμοί 4 Παραδείγματα υπολογισμού πιθα

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ - ΑΣΚΗΣΕΙΣ. αλλού

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

ΣΥΝΑΡΤΗΣΗ ΚΑΤΑΝΟΜΗΣ - ΜΕΣΗ ΤΙΜΗ

Περιεχόμενα 3ης Διάλεξης 1 Σύνοψη Προηγούμενου Μαθήματος 2 Δεσμευμένη Πιθανότητα 3 Bayes Theorem 4 Στοχαστική Ανεξαρτησία 5 Αμοιβαία (ή πλήρης) Ανεξαρ

X = συνεχης. Είναι εμφανές ότι αναγκαία προϋπόθεση για την ύπαρξη της ροπογεννήτριας

Περιεχόμενα 3ης Διάλεξης 1 Σύνοψη Προηγούμενου Μαθήματος 2 Δεσμευμένη Πιθανότητα 3 Bayes Theorem 4 Στοχαστική Ανεξαρτησία 5 Αμοιβαία (ή πλήρης) Ανεξαρ

Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύ

3. Κατανομές πιθανότητας

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

Στατιστική Ι-Θεωρητικές Κατανομές Ι

Θεωρία Πιθανοτήτων & Στατιστική

P (M = 9) = e 9! =

Γνωστές κατανομές συνεχών μεταβλητών (συν.) (Δ). Γάμμα κατανομή

Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύ

P(200 X 232) = =

n sin 1 n. 2 n n+1 6 n. = 1. = 1 2, = 13 4.

ΣΕΙΡΕΣ ΠΡΑΓΜΑΤΙΚΩΝ ΑΡΙΘΜΩΝ

ιωνυµική Κατανοµή(Binomial)

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

ΠΙΘΑΝΟΤΗΤΕΣ. Στατιστική Συµπερασµατολογία Ι, Κ. Πετρόπουλος. Τµήµα Μαθηµατικών, Πανεπιστήµιο Πατρών

ΕΝΤΥΠΟ ΘΕΜΑΤΩΝ ΕΞΕΤΑΣΕΩΝ

AkoloujÐec sunart sewn A. N. Giannakìpouloc, Tm ma Statistik c OPA

Θεωρία Πιθανοτήτων & Στατιστική

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

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

Κατανομή συνάρτησης τυχαίας μεταβλητής Y=g(X) Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ13 ( 1 )

= 14 = 34 = Συνδυαστική Ανάλυση

ΚΕΦΑΛΑΙΟ 3 ΤΟ ΔΙΩΝΥΜΙΚΟ ΘΕΩΡΗΜΑ

Γεννήτριες Συναρτήσεις

Στην περίπτωση της συνεχούς Τ.Μ. η μάζα πιθανότητας σε κάθε σημείο είναι μηδέν.

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων

ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΑΣΚΗΣΕΙΣ

Στατιστική. Ενότητα 3 η : Χαρακτηριστικά Τυχαίων Μεταβλητών Θεωρητικές Κατανομές Πιθανότητας για Διακριτή Τυχαία Μεταβλητή

Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:

Στατιστική Ι-Θεωρητικές Κατανομές ΙΙ

ΑΝΑΛΥΣΗ 1 ΕΙΚΟΣΤΟ ΤΕΤΑΡΤΟ ΜΑΘΗΜΑ, Μ. Παπαδημητράκης.

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές

Θεωρία Πιθανοτήτων & Στατιστική

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

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

Υπολογιστικά & Διακριτά Μαθηματικά

ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) . Δείξτε ότι η στατιστική συνάρτηση T = X( n)

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


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

5. Δεικτες Παραμετροι

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική

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

ΘΕΩΡΙΑ ΠΙΘΑΝΟΤΗΤΩΝ Ι (ΝΠΣ) ΠΙΘΑΝΟΤΗΤΕΣ Ι (ΠΠΣ) Φεβρουάριος 2010

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις, σημειακή εκτίμηση παραμέτρων και γραμμική παλινδρόμηση Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή

Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύ

Θεωρητικές Κατανομές Πιθανότητας

Φράγματα τύπου Chernoff και Εφαρμογές

Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:

Βιομαθηματικά BIO-156

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

Θεωρία Πιθανοτήτων & Στατιστική

Τυχαίες μεταβλητές και μέση τιμή

Γεννήτριες Συναρτήσεις

Γεννήτριες Συναρτήσεις

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 7. Τυχαίες Μεταβλητές και Διακριτές Κατανομές Πιθανοτήτων

Θέμα 1. που. . Δηλαδή ο υπόχωρος V είναι το. Απάντηση 1α) ii)παρατηρούμε οτι

2 (3x2 1) 5x 1 ) 5x 3 4x 3 )= 1 2 (5x3 3x) 7x 1 2 (5x3 3x) 3 ) + 48x ) 16x 3 )= 1 8 (63x5 70x 3 +15x)

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

MEΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΗΣ ΜΟΡΦΗΣ Y= g( X1, X2,..., Xn)

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ

P(n, r) = n! P(n, r) = n r. (n r)! n r. n+r 1 r n!

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ. Πιθανότητες. Συναρτήσεις πολλών μεταβλητών Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας

Έντυπο Yποβολής Αξιολόγησης ΓΕ

ΕΠΑΝΑΛΗΨΗ ΕΦΑΡΜΟΣΜΕΝΑ ΜΑΘΗΜΑΤΙΚΑ 11/01/2018

α n z n = 1 + 2z 2 + 5z 3 n=0

ΠΡΟΣΟΧΗ : Νέα Ύλη για τις Κατατακτήριες από 2012 και μετά στην Φυσική Ι. Για το 1ο εξάμηνο. ΕΞΕΤΑΣΤΕΑ ΥΛΗ στο μάθημα ΦΥΣΙΚΗ Ι -ΜΗΧΑΝΙΚΗ

Η παρουσίαση που ακολουθεί, αφορά την κανονική κατανομή και σκοπό έχει τη διευκόλυνση των φοιτητών του τμήματος Ηλεκτρολόγων Μηχανικών & Μηχανικών

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19

Transcript:

Πιθανότητες και Αρχές Στατιστικής (6η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 30

Περιεχόμενα 6ης Διάλεξης 1 Ροπές 2 Γεννήτριες συναρτήσεις 3 Πιθανογεννήτριες 4 Γεννήτριες Αθροισμάτων 5 Παραδείγματα Σωτήρης Νικολετσέας, καθηγητής 2 / 30

1 Ροπές 2 Γεννήτριες συναρτήσεις 3 Πιθανογεννήτριες 4 Γεννήτριες Αθροισμάτων 5 Παραδείγματα Σωτήρης Νικολετσέας, καθηγητής 3 / 30

1. Ροπές Moments - Διάφορα είδη ν-οστή ροπή περί την τιμή α: α ν = E [(X α) ν ] ν-οστή ροπή περί την αρχή: µ ν = E [X ν ] ν-οστή ροπή περί τη μέση τιμή: µ ν = E [(X µ) ν ] ν-οστή παραγοντική ροπή: E [X ν ] = E [X (X 1) (X ν + 1)] οπότε μέση τιμή: 1η ροπή περί την αρχή διασπορά: 2η ροπή περί τη μέση τιμή Σωτήρης Νικολετσέας, καθηγητής 4 / 30

1. Ροπές Moments Συντελεστής λοξότητας: [ (X λ = µ ) ] 3 µ 3 σ 3 = E σ Συντελεστής κύρτωσης: [ (X K = µ ) ] 4 µ 4 σ 4 3 = E 3 σ Σωτήρης Νικολετσέας, καθηγητής 5 / 30

1. Ροπές Moments Σωτήρης Νικολετσέας, καθηγητής 6 / 30

1. Ροπές Moments Η κυρτότητα της τυπικής κανονικής κατανομής ειναι 0. Σωτήρης Νικολετσέας, καθηγητής 7 / 30

1 Ροπές 2 Γεννήτριες συναρτήσεις 3 Πιθανογεννήτριες 4 Γεννήτριες Αθροισμάτων 5 Παραδείγματα Σωτήρης Νικολετσέας, καθηγητής 8 / 30

2. Γενικά για γεννήτριες συναρτήσεις Ορισμός < g n >= g 0, g 1, g n, G(z) = g 0 + g 1 z + g 2 z 2 + = π.χ. < g n >= 1 G(z) = n g n z n n=0 z n = 1 + z + z 2 + = 1 1 z Σωτήρης Νικολετσέας, καθηγητής 9 / 30

2. Γενικά για γεννήτριες συναρτήσεις Σημασία: Μια πυκνή αναραπαράσταση της ακολουθίας που την καθορίζει μονοσήμαντα Δηλαδή F (z) = G(z) f n = g n, n Αν ξέρουμε την γεννήτρια, μπορούμε να βρούμε την ακολουθία αφού g n είναι ο συντελεστής του z n στο ανάπτυγμα της γεννήτριας σε σειρά Σωτήρης Νικολετσέας, καθηγητής 10 / 30

2. Μερικές Ιδιότητες f n + g n F (z) + G (z) c n g n G (c z) convolution (συνέλιξη): f 0 f 1 f 2 g 0 g 1 g 2 h n = (c = 1 εναλλασσόμενα πρόσημα) n f k g n k F (z) G (z) k=0 άθροισμα πρώτων όρων ακολουθίας (συνέλιξη με 1): n 1 f k F (z) 1 z k=0 Σωτήρης Νικολετσέας, καθηγητής 11 / 30

2. Ενα παράδειγμα Να βρεθεί η ακολουθία που έχει ως γεννήτριά της την 1 G(z) = (1 z) 2. Σωτήρης Νικολετσέας, καθηγητής 12 / 30

2. Ενα παράδειγμα Να βρεθεί η ακολουθία που έχει ως γεννήτριά της την 1 G(z) = (1 z) 2. Λύση (α τρόπος): G(z) = ( z + 1) 2 = n=0 ( ) 2 ( 1) n z n n ( 2 n=0 ( ) 2 ( z) n 1 2 n = n ) Άρα g n = ( 1) n ( 2)( 3)... ( 2 n + 1) = ( 1) n = n n! ( 2)( 3)... ( n 1) = ( 1) n = n! 2 3 n (n + 1) = = n + 1 n! Σωτήρης Νικολετσέας, καθηγητής 12 / 30

2. Ενα παράδειγμα - Συνέχεια Σωτήρης Νικολετσέας, καθηγητής 13 / 30

2. Ενα παράδειγμα - Συνέχεια β τρόπος: G(z) = 1 1 z 1 άρα είναι η συνέλιξη της 1 z f n =< 1, 1, > με την f n =< 1, 1, >. Άρα n n g n = f k f n k = 1 1 = n + 1 k=0 k=0 Σωτήρης Νικολετσέας, καθηγητής 13 / 30

2. Ενα παράδειγμα - Συνέχεια β τρόπος: G(z) = 1 1 z 1 άρα είναι η συνέλιξη της 1 z f n =< 1, 1, > με την f n =< 1, 1, >. Άρα n n g n = f k f n k = 1 1 = n + 1 k=0 k=0 Επαλήθευση: g n = n + 1 =< 1, 2, 3, > G(z) = 1 + 2z + 3z 2 +... Αλλά 1 + z + z 2 + z 3 + = 1 1 z Παραγωγίζοντας: 1 + 2z + 3z 2 1 + = (1 z) 2 Σωτήρης Νικολετσέας, καθηγητής 13 / 30

2. Άλλο ένα παράδειγμα Να βρεθεί η γεννήτρια της g n = 2 n =< 1, 2, 4, 8, > Σωτήρης Νικολετσέας, καθηγητής 14 / 30

2. Άλλο ένα παράδειγμα Να βρεθεί η γεννήτρια της g n = 2 n =< 1, 2, 4, 8, > Λύση: G(z) = 2 n z n = n=0 n=0 (2z) n = 1 1 2z Σωτήρης Νικολετσέας, καθηγητής 14 / 30

2. Άλλο ένα παράδειγμα Να βρεθεί η γεννήτρια της g n = 2 n =< 1, 2, 4, 8, > Λύση: G(z) = άλλος τρόπος: 2 n z n = n=0 Απευθείας από την ιδιότητα (2z) n = 1 1 2z n=0 c n g n G(cz) για c = 2 και g n = 1 G(2z) = 1 1 2z Σωτήρης Νικολετσέας, καθηγητής 14 / 30

1 Ροπές 2 Γεννήτριες συναρτήσεις 3 Πιθανογεννήτριες 4 Γεννήτριες Αθροισμάτων 5 Παραδείγματα Σωτήρης Νικολετσέας, καθηγητής 15 / 30

3. Πιθανογεννήτριες Ορισμός Π (z) = E [ z X] = x z x P r {X = x} Χρήσιμες Ιδιότητες Π (z) = x x z x 1 P r {X = x} Π (1) = x x P r {X = x} δηλαδή Π (1) = E(X) σ 2 = Π (1) + Π (1) ( Π (1) ) 2 Δηλαδή η πιθανογεννήτρια γεννά τις πιθανότητες των τιμών x της μεταβλητής, οι οποίες ειναι οι συντελεστές των z x στο ανάπτυγμα της πιθανογεννήτριας σε δυναμοσειρά. Σωτήρης Νικολετσέας, καθηγητής 16 / 30

3. Πιθανογεννήτριες Διωνυμική P r{x = x} = Π(z) = ( ) n p x (1 p) n x, x = 0, 1,, n x n z x ( ) n p x q n x = x x=0 n x=0 ( ) n (pz) x q n x = (p z + q) n x Π (1) = n (p z + q) n 1 p z=1 = n (p 1 + q) n 1 p = n p Σωτήρης Νικολετσέας, καθηγητής 17 / 30

3. Πιθανογεννήτριες Poisson f(x) = e λ λx, x = 0, 1, 2, x! Π(z) = z x e λ λx x! = (λ z) x e λ x! x=0 x=0 Π (1) = λ e λ (z 1) z=1 Π (1) = µ = λ = e λ e λ z = e λ (z 1) Σωτήρης Νικολετσέας, καθηγητής 18 / 30

3. Πιθανογεννήτριες Σύγκλιση Διωνυμικής Poisson λ = np Π 1 (z) = (p z + 1 p) n = (1 + p (z 1)) n = [ 1 + ] n λ (z 1) 1 1 n λ (z 1) λ (z 1) [ 1 + e λ (z 1) = Π 2 (z) ] λ (z 1) n n Σωτήρης Νικολετσέας, καθηγητής 19 / 30

3. Ροπογεννήτριες Ορισμός M(t) = E [ e tx] = x e tx P r{x = x} Στη συνεχή περίπτωση: M(t) = E [ e tx] = e tx f(x) dx Παρατήρηση: πρόκειται όχι για αριθμό αλλά για συνάρτηση μιας παραμέτρου t. Σωτήρης Νικολετσέας, καθηγητής 20 / 30

3. Ροπογεννήτριες - Εξήγηση ονομασίας Είναι: M(t) = E [ e tx] = x e tx f(x) Παραγωγίζοντας: [ ] M (t) = d e tx f(x) = dt x x M (t) = x e tx f(x) x d [ e tx f(x) ] dt M (0) = x x f(x) = E(X) Δηλαδή, η τιμή της πρώτης παραγώγου της ροπογεννήτριας στο 0 είναι η μέση τιμή (δηλαδή η ροπογεννήτρια γεννά την πρώτη ροπή). Σωτήρης Νικολετσέας, καθηγητής 21 / 30

3. Ροπογεννήτριες - Εξήγηση ονομασίας (2) Ομοίως: M (t) = x x 2 e tx f(x) M (0) = E(X 2 ) και γενικά η n οστή παράγωγος γεννά την n οστή ροπή περί την αρχή. Παρατήρηση: Αντίστοιχα αποτελέσματα ισχύουν στη συνεχή περίπτωση. Σωτήρης Νικολετσέας, καθηγητής 22 / 30

1 Ροπές 2 Γεννήτριες συναρτήσεις 3 Πιθανογεννήτριες 4 Γεννήτριες Αθροισμάτων 5 Παραδείγματα Σωτήρης Νικολετσέας, καθηγητής 23 / 30

4. Γεννήτριες Αθροισμάτων X, Y ανεξάρτητες X Π 1 (z), M 1 (t) Y Π 2 (z), M 2 (t) X + Y Π 1(z)Π 2 (z) και M 1 (t)m 2 (t) Απόδειξη (για ροπογεννήτριες): M X+Y (t) = E[e t(x+y ) ] = E[e tx e ty ] Λόγω της ανεξαρτησίας είναι: M X+Y (t) = E[e tx ] E[e ty ] = M X (t) M Y (t) Σωτήρης Νικολετσέας, καθηγητής 24 / 30

1 Ροπές 2 Γεννήτριες συναρτήσεις 3 Πιθανογεννήτριες 4 Γεννήτριες Αθροισμάτων 5 Παραδείγματα Σωτήρης Νικολετσέας, καθηγητής 25 / 30

5. Παράδειγμα 1 X : P oisson(λ 1 ) Y : P oisson(λ 2 ) X, Y ανεξάρτητες X + Y : P oisson (λ 1 + λ 2 ) Σωτήρης Νικολετσέας, καθηγητής 26 / 30

5. Παράδειγμα 1 Απάντηση: X : P oisson(λ 1 ) Y : P oisson(λ 2 ) X, Y ανεξάρτητες X + Y : P oisson (λ 1 + λ 2 ) Σωτήρης Νικολετσέας, καθηγητής 26 / 30

5. Παράδειγμα 1 X : P oisson(λ 1 ) Y : P oisson(λ 2 ) X, Y ανεξάρτητες X + Y : P oisson (λ 1 + λ 2 ) Απάντηση: X Π 1 (z) = e λ 1 (z 1) Y Π 2 (z) = e λ 2 (z 1) Σωτήρης Νικολετσέας, καθηγητής 26 / 30

5. Παράδειγμα 1 X : P oisson(λ 1 ) Y : P oisson(λ 2 ) X, Y ανεξάρτητες X + Y : P oisson (λ 1 + λ 2 ) Απάντηση: X Π 1 (z) = e λ 1 (z 1) Y Π 2 (z) = e λ 2 (z 1) οπότε X + Y Π(z) = Π 1 (z) Π 2 (z) = e (λ 1+λ 2 ) (z 1) Σωτήρης Νικολετσέας, καθηγητής 26 / 30

5. Παράδειγμα 1 X : P oisson(λ 1 ) Y : P oisson(λ 2 ) X, Y ανεξάρτητες X + Y : P oisson (λ 1 + λ 2 ) Απάντηση: X Π 1 (z) = e λ 1 (z 1) Y Π 2 (z) = e λ 2 (z 1) οπότε X + Y Π(z) = Π 1 (z) Π 2 (z) = e (λ 1+λ 2 ) (z 1) άρα X + Y P oisson (λ 1 + λ 2 ) Σωτήρης Νικολετσέας, καθηγητής 26 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Για κάθε ζάρι i = 1,, 4 είναι: Π i (z) = Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Για κάθε ζάρι i = 1,, 4 είναι: Π i (z) = 1 6 z + 1 6 z2 + 1 6 z3 + 1 6 z4 + 1 6 z5 + 1 6 z6 Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Για κάθε ζάρι i = 1,, 4 είναι: Π i (z) = 1 6 z + 1 6 z2 + 1 6 z3 + 1 6 z4 + 1 6 z5 + 1 6 z6 Για το άθροισμα των 4 ζαριών είναι: Π(z) = Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Για κάθε ζάρι i = 1,, 4 είναι: Π i (z) = 1 6 z + 1 6 z2 + 1 6 z3 + 1 6 z4 + 1 6 z5 + 1 6 z6 Για το άθροισμα των 4 ζαριών είναι: Π(z) = (Π 1 (z)) 4 = [ 1 6 (z + z 2 + + z 6) ] 4 Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Για κάθε ζάρι i = 1,, 4 είναι: Π i (z) = 1 6 z + 1 6 z2 + 1 6 z3 + 1 6 z4 + 1 6 z5 + 1 6 z6 Για το άθροισμα των 4 ζαριών είναι: Π(z) = (Π 1 (z)) 4 = Άρα Ρ = [ 1 6 (z + z 2 + + z 6) ] 4 Σωτήρης Νικολετσέας, καθηγητής 27 / 30

5. Παράδειγμα 2 Ρίψη 4 ζαριών : Ρ(άθροισμα 17) =? Απάντηση: Για κάθε ζάρι i = 1,, 4 είναι: Π i (z) = 1 6 z + 1 6 z2 + 1 6 z3 + 1 6 z4 + 1 6 z5 + 1 6 z6 Για το άθροισμα των 4 ζαριών είναι: Π(z) = (Π 1 (z)) 4 = [ 1 6 (z + z 2 + + z 6) ] 4 Άρα Ρ = ο συντελεστής του z 17 Σωτήρης Νικολετσέας, καθηγητής 27 / 30

Υπολογισμός συντελεστή του z 17 Π(z) = 1 6 4 z4 (1 + z + + z 5 ) 4 = 1 ( 1 z 6 6 4 z4 1 z Αλλά A = (1 z 6 ) 4 = 1 4z 6 + 6z 12 4z 18 + z 24 και B = (1 z) 4 = ) n=0 ( z)n 1 4 n = ( 4 n = ( 4)( 5)...( 4 n+1) n=0 n! ( 1) n z n = = n=0 (n + 1)(n + 2)(n + 3)zn Στο γινόμενο A B ο συντελεστής του z 13 είναι: 1 14 15 16 4 8 9 10 + 6 2 3 4 = 104 Τελικά, ο συντελεστής του z 17 είναι 104 6 4 ) 4 Σωτήρης Νικολετσέας, καθηγητής 28 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Λύση: M(t) = E [ e tx] = Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Λύση: M(t) = E [ e tx] = x e tx P r{x = x} = Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Λύση: M(t) = E [ e tx] = x e tx P r{x = x} = = 1 2 e2t + 1 6 e3t + 1 3 e5t Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Λύση: M(t) = E [ e tx] = x e tx P r{x = x} = = 1 2 e2t + 1 6 e3t + 1 3 e5t Καταρχήν, η μέση τιμή είναι E(X) = 2 1 2 + 31 6 + 51 3 = 19 6 Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Λύση: M(t) = E [ e tx] = x e tx P r{x = x} = = 1 2 e2t + 1 6 e3t + 1 3 e5t Καταρχήν, η μέση τιμή είναι E(X) = 2 1 2 + 31 6 + 51 3 = 19 6 Μέσω της ροπογεννήτριας: M (t) = e 2t + 1 2 e3t + 5 3 e5t Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 3 Εστω μεταβλητή Χ που παίρνει τις τιμές 2, 3 και 5 με αντίστοιχες πιθανότητες 1 2, 1 6 και 1. Να βρεθεί η ροπογεννήτρια και η μέση 3 τιμή. Λύση: M(t) = E [ e tx] = x e tx P r{x = x} = = 1 2 e2t + 1 6 e3t + 1 3 e5t Καταρχήν, η μέση τιμή είναι E(X) = 2 1 2 + 31 6 + 51 3 = 19 6 Μέσω της ροπογεννήτριας: M (t) = e 2t + 1 2 e3t + 5 3 e5t E(X) = M (0) = 1 + 1 2 + 5 3 = 19 6 Σωτήρης Νικολετσέας, καθηγητής 29 / 30

5. Παράδειγμα 4 (Ροπογεννήτρια της Poisson) Εστω τ.μ. Χ με κατανομή πιθανότητας {e λ λx f(x) = x!, x = 0, 1, 2,... 0, διαφορετικά Να βρεθεί η ροπογεννήτρια και η μέση τιμή. Σωτήρης Νικολετσέας, καθηγητής 30 / 30

5. Παράδειγμα 4 (Ροπογεννήτρια της Poisson) Εστω τ.μ. Χ με κατανομή πιθανότητας {e λ λx f(x) = x!, x = 0, 1, 2,... 0, διαφορετικά Να βρεθεί η ροπογεννήτρια και η μέση τιμή. Λύση: M(t) = E [ e tx] = e tx λ λx e x! = x=0 = e λ (λe t ) x = e λ e λet = e λ(et 1) x! x=0 Σωτήρης Νικολετσέας, καθηγητής 30 / 30

5. Παράδειγμα 4 (Ροπογεννήτρια της Poisson) Εστω τ.μ. Χ με κατανομή πιθανότητας {e λ λx f(x) = x!, x = 0, 1, 2,... 0, διαφορετικά Να βρεθεί η ροπογεννήτρια και η μέση τιμή. Λύση: M(t) = E [ e tx] = e tx λ λx e x! = x=0 = e λ (λe t ) x = e λ e λet = e λ(et 1) x! x=0 M (t) = λe t e λ(et 1) Σωτήρης Νικολετσέας, καθηγητής 30 / 30

5. Παράδειγμα 4 (Ροπογεννήτρια της Poisson) Εστω τ.μ. Χ με κατανομή πιθανότητας {e λ λx f(x) = x!, x = 0, 1, 2,... 0, διαφορετικά Να βρεθεί η ροπογεννήτρια και η μέση τιμή. Λύση: M(t) = E [ e tx] = e tx λ λx e x! = x=0 = e λ (λe t ) x = e λ e λet = e λ(et 1) x! x=0 M (t) = λe t e λ(et 1) E(X) = M (0) = λ Σωτήρης Νικολετσέας, καθηγητής 30 / 30