ΣΥΝΤΟΜΕΣ ΣΗΜΕΙΩΣΕΙΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ ΘΕΜΗΣ ΜΗΤΣΗΣ TΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΗΡΑΚΛΕΙΟ

Σχετικά έγγραφα
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

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

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές

Τυχαία μεταβλητή (τ.μ.)

Λύσεις 4ης Ομάδας Ασκήσεων

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

Στοχαστικές Στρατηγικές

ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 6 η Ημερομηνία Αποστολής στο Φοιτητή: 23 Απριλίου 2012

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

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

Τυχαία Διανύσματα και Ανεξαρτησία

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

3. Κατανομές πιθανότητας

Γνωστό: P (M) = 2 M = τρόποι επιλογής υποσυνόλου του M. Π.χ. M = {A, B, C} π. 1. Π.χ.

Στατιστική Ι. Ενότητα 5: Θεωρητικές Κατανομές Πιθανότητας. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών

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

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

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

ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΚΕΦΑΛΑΙΟ 3ο: ΠΙΘΑΝΟΤΗΤΕΣ ΘΕΜΑ Α. α) Τι λέγεται δειγματικός χώρος και τι ενδεχόμενο ενός πειράματος τύχης;

Εισαγωγή Η Θεωρία Πιθανοτήτων παίζει μεγάλο ρόλο στη μοντελοποίηση και μελέτη συστημάτων των οποίων δεν μπορούμε να προβλέψουμε ή να παρατηρήσουμε την

X i = Y = X 1 + X X N.

ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

Pr(10 X 15) = Pr(15 X 20) = 1/2, (10.2)

Θεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του φυλλαδίου ασκήσεων επανάληψης. P (B) P (A B) = 3/4.

f(y) dy = b a dy = b a x f(x) dx = b a dx = x 2 = b2 a 2 2(b a) b a dx = = (a2 + ab + b 2 )(b a) 3(b a)

ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΑΣΚΗΣΕΙΣ

ΤΥΧΑΙΑ ΙΑΝΥΣΜΑΤΑ. Στατιστική Συµπερασµατολογία Ι, Κ. Πετρόπουλος. Τµήµα Μαθηµατικών, Πανεπιστήµιο Πατρών

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

ΣΥΝΑΡΤΗΣΗ ΚΑΤΑΝΟΜΗΣ - ΜΕΣΗ ΤΙΜΗ

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

1. Βασικές Έννοιες - Προτάσεις Θεωρίας Πιθανοτήτων

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

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

P(200 X 232) = =


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

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

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

ε. Το μέλος δεν έχει επιλέξει κανένα από τα δύο προγράμματα. Το μέλος έχει επιλέξει αυστηρά ένα μόνο από τα δύο προγράμματα.

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΠΙΘΑΝΟΤΗΤΕΣ Δειγματικός Χώρος. Ενδεχόμενα {,,..., }.

Γιατί πιθανότητες; Γιατί πιθανότητες; Θεωρία πιθανοτήτων. Θεωρία Πιθανοτήτων. ΗΥ118, Διακριτά Μαθηματικά Άνοιξη 2017.

3.1 ΔΕΙΓΜΑΤΙΚΟΙ ΧΩΡΟΙ ΕΝΔΕΧΟΜΕΝΑ

Θεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του όγδοου φυλλαδίου ασκήσεων.

ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΔΙΑΚΡΙΤΑ ΜΑΘΗΜΑΤΙΚΑ» - 6/2/2014 Διάρκεια Εξέτασης: 2 ώρες και 50 λεπτά Ομάδα Α

Y = X 1 + X X N = X i. i=1

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

Πανεπιστήμιο Πελοποννήσου

Τμήμα Λογιστικής και Χρηματοοικονομικής. Θεωρία Πιθανοτήτων. Δρ. Αγγελίδης Π. Βασίλειος

ιωνυµική Κατανοµή(Binomial)

1 + t + s t. 1 + t + s

Θεωρητικές Κατανομές Πιθανότητας

Έντυπο Yποβολής Αξιολόγησης ΓΕ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Στατιστική Συμπερασματολογία

(a + b) + c = a + (b + c), (ab)c = a(bc) a + b = b + a, ab = ba. a(b + c) = ab + ac

Συνδυαστική Απαρίθμηση

Σημειώσεις Στατιστική & Πιθανότητες

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

II. Τυχαίες Μεταβλητές

ΣΗΜΕΙΩΣΕΙΣ ΜΕΛΕΤΗΣ ΙΟΥΝΙΟΥ 2016 (version ) είναι: ( ) f =

ΠΙΘΑΝΟΤΗΤΑ ΚΑΙ ΒΑΣΙΚΕΣ Ι ΙΟΤΗΤΕΣ ΤΗΣ (Συνέχεια)

ΚΕΦΑΛΑΙΟ 4 Η ΑΡΧΗ ΕΓΚΛΕΙΣΜΟΥ ΑΠΟΚΛΕΙΣΜΟΥ

Θέμα 1 ο (ΜΑΪΟΣ 2004, ΜΑΪΟΣ 2008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Απόδειξη

1. Πείραμα τύχης. 2. Δειγματικός Χώρος ΣΤΟΙΧΕΙΑ ΑΠΟ ΤΗ ΘΕΩΡΙΑ ΠΙΘΑΝΟΤΗΤΩΝ

x P (x) c P (x) = c P (x), x S : x c

( 1)( 3) ( ) det( ) (1 )( 1 ) ( 2)( 2) pl( ) det( L ) (5 )( 7 ) ( 1) ( ) det( M ) (1 )(1 )

ΑΛΓΕΒΡΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΠΙΘΑΝΟΤΗΤΩΝ

ΚΕΦΑΛΑΙΟ 2 ΔΙΑΤΑΞΕΙΣ, ΜΕΤΑΘΕΣΕΙΣ, ΣΥΝΔΥΑΣΜΟΙ

ΚΕΦΑΛΑΙΟ 3 ΤΟ ΔΙΩΝΥΜΙΚΟ ΘΕΩΡΗΜΑ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

α n z n = 1 + 2z 2 + 5z 3 n=0


M. J. Lighthill. g(y) = f(x) e 2πixy dx, (1) d N. g (p) (y) =

Αριθμητική Ανάλυση και Εφαρμογές

B = F i. (X \ F i ) = i I

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΟΧΑΣΤΙΚΑ ΜΟΝΤΕΛΑ

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

h(x, y) = card ({ 1 i n : x i y i

4. Απαγορεύεται η χρήση υπολογιστή χειρός. Απαγορεύεται η χρήση κινητού, και ως υπολογιστή χειρός.

Τυχαίες μεταβλητές και μέση τιμή

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

1.1 ΔΕΙΓΜΑΤΙΚΟΙ ΧΩΡΟΙ ΕΝΔΕΧΟΜΕΝΑ

Οι μελέτες φυσικών φαινομένων ή πραγματικών προβλημάτων καταλήγουν είτε σεπροσδιοριστικά

Συνδυαστική Απαρίθμηση

ΕΠΑΝΑΛΗΨΗ ΕΦΑΡΜΟΣΜΕΝΑ ΜΑΘΗΜΑΤΙΚΑ 11/01/2018

Διακριτές Κατανομές. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Διακριτές Κατανομές. τεχνικές. 42 άλυτες ασκήσεις.

ΜΕΡΙΚΕΣ ΕΙΔΙΚΕΣ ΣΥΝΕΧΕΙΣ ΚΑΤΑΝΟΜΕΣ

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 )

Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας

ΣΤΟΙΧΕΙΑ ΑΛΓΕΒΡΑΣ. 1. Συνδυαστική ανάλυση Μεταθέσεις

P (A 1 A 2... A n ) = P (A 1 )P (A 2 A 1 )P (A 3 A 1 A 2 ) P (A n A 1 A 2 A n 1 ).

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

Μαθηματικά Πληροφορικής Πιθανοτικά Εργαλεία. Υποπροσθετικότητα. Η Πιθανοτική Μέθοδος (The Probabilistic Method)

Διαφορικές Εξισώσεις.

Transcript:

ΣΥΝΤΟΜΕΣ ΣΗΜΕΙΩΣΕΙΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ ΘΕΜΗΣ ΜΗΤΣΗΣ TΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΗΡΑΚΛΕΙΟ Περιεχόμενα Προειδοποίηση 2 2 Συνδυαστική 3 3 Αξιωματική Πιθανότητα 5 4 Δεσμευμένη Πιθανότητα 7 5 Τυχαίες Μεταβλητές 9 6 Ροπές Τυχαίας Μεταβλητής 7 Ροπογεννήτριες 8 Παραδείγματα Διακριτών Κατανομών 2 9 Παραδείγματα Συνεχών Κατανομών 3 Πιθανοθεωρητικές Ανισότητες 4 Τυχαία Διανύσματα 5 2 Ανεξάρτητες Τυχαίες Μεταβλητές 6 3 Συναρτήσεις Διανυσματικών Τυχαίων Μεταβλητών 8 4 Παραδείγματα Πολυδιάστατων Κατανομών 9 5 Οριακά Θεωρήματα 2 6 Ασκήσεις 2

Προειδοποίηση Οι σημειώσεις αυτές δεν έχουν σκοπό ούτε την εξάντληση όλων των περιπτώσεων τής θεωρίας, ούτε την αυστηρή θεμελίωση τής θεωρίας Για την ρεαλιστική επίτευξη αυτών, απαιτείται γνώση θεωρίας μέτρου 2

2 Συνδυαστική Αν A είναι κάποιο πεπερασμένο σύνολο, με A συμβολίζουμε το πλήθος των στοιχείων του, με P(A) το δυναμοσύνολο τού A δηλαδή το σύνολο όλων των υποσυνόλων τού A, και με A τη δείκτρια συνάρτηση τού A, δηλαδή τη συνάρτηση, αν x A A (x) =, αν x A Υπάρχουν δυο βασικές αρχές απαρίθμησης () Η προσθετική αρχή: Αν τα A, B είναι μεταξύ τους ξένα, τότε A B = A + B Αν A B, τότε B A = B A Επομένως, αν τα A και B δεν είναι ξένα, τότε A B = A + B A B Διαδοχικές εφαρμογές τού προηγούμενου δίνουν n n A i = ( ) + A i A i i < <i i= = (2) Η πολλαπλασιαστική αρχή: A B = A B Δηλαδή αν το i μπορεί να επιλεγεί με n τρόπους και το j με m τρόπους, τότε το ζευγάρι (i, j) μπορεί να επιλεγεί με nm τρόπους Τα παρακάτω είναι εφαρμογές των δυο αρχών Διατάξεις με επανάληψη Μια διάταξη n στοιχείων ανά με επανάληψη, είναι μια διατεταγμένη -άδα, όπου σε κάθε θέση βάζουμε κάποιο στοιχείο από τα n επιτρεπομένων επαναλήψεων Από την πολλαπαλσιαστική αρχή, υπάρχουν n τέτοιες διατάξεις, αφού για την πρώτη θέση έχουμε n επιλογές, για τη δεύτερη πάλι n κτλ Ιδιαίτερα, το πλήθος των των υποσυνόλων ενός συνόλου με στοιχεία είναι 2 αφού κάθε υποσύνολο μπορεί να ταυτιστεί με τη δείκτρια συνάρτησή του, η οποία είναι μια διατεταγμένη -άδα από μηδενικά και άσους Διατάξεις χωρίς επανάληψη Μια διάταξη n στοιχείων ανά ( n) χωρίς επανάληψη, είναι μια διατεταγμένη -άδα, όπου σε κάθε θέση βάζουμε ένα στοιχείο διαφορετικό από αυτά που έχουμε βάλει στις προηγούμενες Εδώ έχουμε n επιλογές για την πρώτη θέση, n επιλογές για τη δεύτερη κτλ Επομένως έχουμε συνολικά n! n(n )(n 2) (n + ) = (n )! διατάξεις χωρίς επανάληψη Η παραπάνω ποσότητα συμβολίζεται με (n) Όταν n = η διάταξη χωρίς επανάληψη λέγεται μετάθεση Συνδυασμοί χωρίς επανάληψη Ένας συνδυασμός n στοιχείων ανά ( n) χωρίς επανάληψη, είναι ένα υποσύνολο με στοιχεία από τα δοσμένα n Σε κάθε τέτοιο συνδυασμό αντιστοιχούν! μεταθέσεις, επομένως αν συμβολίσουμε με ( n ) το πλήθος όλων των συνδυασμών, έχουμε ( ) n! = (n), άρα ( ) n n! =!(n )! Η ποσότητα αυτή ονομάζεται διωνυμικός συντελεστής και εμφανίζεται στο διωνυμικό ανάπυγμα n ( ) n (a + b) n = a b n Η ειδική περίπτωση a = b = 2 n = = n = ( ) n έχει συνδυαστική ερμηνεία (και απόδειξη), αφού το αριστερά μέλος είναι το πλήθος όλων των υποσυνόλων ενός συνόλου n στοιχείων, ενώ το δεξιά μέλος είναι το πλήθος των μονοσυνόλων συν το πλήθος των 2- συνόλων συν και τα λοιπά 3

Το πλήθος των συνδυασμών είναι ίσο με το πλήθος των τρόπων με τους οποίους όμοια αντικείμενα μπορούν να κατανεμηθούν σε n διακεκριμένες θέσεις Συνεπώς n αντικείμενα μπορούν να κατανεμηθούν σε δοχεία απεριόριστης χωρητικότητας με (n ) + τρόπους Συνδυασμοί με επανάληψη Αν στους συνδυασμούς των n ανά επιτρέψουμε επαναλήψεις, τότε έχουμε μια κατανομή όμοιων σφαιριδίων σε n διακεκριμένα κελιά, όπου στο i κελί τοποθετούμε j σφαιρίδια αν και μόνο αν το i αντικείμενο επιλέγεται j φορές στο συνδυασμό Έτσι το πλήθος των συνδυασμών με επανάληψη είναι ( ) n + n Αναγραμματισμοί Ας υποθέσουμε ότι έχουμε μια λέξη μήκους m η οποία αποτελείται από σύμβολα τύπου, 2 σύμβολα τύπου 2,, n σύμβολα τύπου n Σε ένα αναγραμματισμό κάθε ομάδα j όμοιων συμβόλων αντιστοιχεί σε j! μεταθέσεις επομένως το πλήθος όλων των αναγραμματισμών είναι m!! 2! n! Η ποσότητα αυτή ονομάζεται πολυωνυμικός συντελεστής και συμβολίζεται με ( ) m, 2,, n 4

3 Αξιωματική Πιθανότητα Ένα τυχαίο πείραμα ή πείραμα τύχης είναι οποιαδήποτε διαδικασία έχει τυχαίες εκβάσεις Για παράδειγμα, ρίχνουμε ένα ζάρι ή ένα νόμισμα και καταγράφουμε την ένδειξη, τραβάμε ένα κλήρο από μια κληρωτίδα, τραβάμε ένα χαρτί από μια τράπουλα, επιλέγουμε έναν άνθρωπο και μετράμε το ύψος του, πυροβολούμε ένα στόχο και μετράμε την απόκλιση τής βολής από το κέντρο Τα πειράματα τύχης μοντελοποιούνται από μαθηματικά αντικείμενα που λέγονται χώροι πιθανότητας Ένας χώρος πιθανότητας είναι μια τριάδα (Ω, A, P), όπου Ω είναι ο δειγματικός χώρος, δηλαδή το σύνολο όλων των δυνατών εκβάσεων τού πειράματος, και A η οικογένεια των ενδεχομένων ή τυχαίων γεγονότων, δηλαδή μια οικογένεια υποσυνόλων τού Ω με τις ιδιότητες () Ω A (2) Αν A A, τότε Ω A A (3) Αν A n είναι μια ακολουθία ενδεχομένων τότε η ένωση n A n είναι ενδεχόμενο Τέλος P είναι μια συνάρτηση πιθανότητας, δηλαδή μια (συνολο)συνάρτηση με τις ιδιότητες P : A [, ] () P( ) =, P(Ω) = (2) Αν A n είναι μια ακολουθία ξένων ανά δυο ενδεχομένων, τότε P( n A n ) = n P(A n ) Για παράδειγμα αν ρίξουμε ένα (φυσιολογικό) ζάρι, Ω = {, 2, 3, 4, 5, 6}, A = P(Ω), P(A) = A 6 Έτσι η πιθανότητα να φέρουμε 4 ή 5 ή 6 είναι η πιθανότητα τού ενδεχομένου {4, 5, 6} δηλαδή P({4, 5, 6}) = 3 6 = 2 Παρακινούμενοι από το προηγούμενο παράδειγμα, όποτε έχουμε πεπερασμένο δειγματικό χώρο με ισοπίθανες εκβάσεις, η πιθανότητα ενός ενδεχομένου είναι ο λόγος τού πλήθους των στοιχείων τού ενδεχομένου δια το πλήθος των στοιχείων τού δειγματικού χώρου Πιο γραφικά πλήθος ευνοϊκών εκβάσεων πλήθος όλων των δυνατών εκβάσεων Ο παραπάνω τύπος είναι και ο ορισμός τής εμπειρικής πιθανότητας Στην πράξη, πολλές φορές χρησιμοποιούμε αυτόν τον ορισμό χωρίς να καταφεύγουμε στον αυστηρό προσδιορισμό τού χώρου πιθανότητας Παραδείγματα Ανακατεύουμε τα γράμματα Α,Α,Λ,Λ Ποια η πιθανότητα να πάρουμε τη λέξη ΑΛΛΑ; Εδώ οι δυνατές εκβάσεις είναι οι αναγραμματισμοί των τεσσάρων γραμμάτων οι οποίοι είναι 6 Η ευνοϊκή έκβαση είναι μία, άρα η ζητούμενη πιθανότητα είναι /6 Ανακατεύουμε τα γράμματα Α,Α,Β,Β,Γ,Γ,Δ,Δ Ποια η πιθανότητα να πάρουμε μια λέξη που αρχίζει με Α και 8 τελειώνει με Β; Οι δυνατές εκβάσεις είναι οι αναγραμματισμοί των 8 γραμμάτων οι οποίοι είναι ( 2,2,2,2 ) = 3 4 5 6 7 Οι ευνοϊκές εκβάσεις είναι όλες οι λέξεις τής μορφής Α******Β, όπου ****** είναι αναγραμματισμός 6 των Α,Β,Γ,Γ,Δ,Δ Το πλήθος αυτών των αναγραμματισμών είναι ( ),2,2, = 2 3 5 6 Έτσι η ζητούμενη πιθανότητα είναι /4 Θεώρημα Έστω (Ω, A, P) χώρος πιθανότητας Τότε () Αν για τα ενδεχόμενα A, B ισχύει A B τότε P(A) P(B) (2) Για κάθε ενδεχόμενο A έχουμε P(Ω A) = P(A) (3) Αν A n είναι μια ακολουθία εδεχομένων τότε P( n A n ) n P(A n ) (4) Αν A n είναι μια αύξουσα (αντίστοιχα φθίνουσα) ακολουθία ενδεχομένων τότε P( n A n ) = lim P(A n ) (αντίστοιχα P( n A n ) = lim P(A n )) Απόδειξη () P(B) = P((B A) A) = P(B A) + P(A) P(A) (2) = P(Ω) = P(A) + P(Ω A) (3) Αν B n = A n <n A, τότε τα B n είναι ανά δυο ξένα και n A n = n B n, άρα P A n = P B n = P(B n ) P(A n ) n n 5 n n

(4) Αν B n όπως πριν τότε P A n = lim n n P(B ) = lim n n P B = lim n P(A n) Γενικότερα, αν θέσουμε lim inf A n = n n A και lim sup A n = n n A τότε P(lim inf A n ) lim inf P(A n ) lim sup P(A n ) P(lim sup A n ) 6

4 Δεσμευμένη Πιθανότητα Αν τα A, B είναι δυο ενδεχόμενα, τότε το ενδεχόμενο να συμβεί το B δεδομένου ότι έχει συμβεί το A συμβολίζεται με B A Η πιθανότητα αυτό το ενδεχόμενο να συμβεί ορίζεται και ονομάζεται δεσμευμένη πιθανότητα Θεώρημα Απόδειξη P(B A) = P(A B) P(A) P(A A 2 A n ) = P(A n A A n )P(A n A A n 2 ) P(A 2 A )P(A ) P(A A 2 A n ) = P(A A n ) P(A A n ) P(A A n ) P(A A n 2 ) P(A A 2 ) P(A ) P(A ) = P(A n A A n )P(A n A A n 2 ) P(A 2 A )P(A ) Παράδειγμα Σε ένα δοχείο υπάρχουν n άσπρα και n μαύρα σφαιρίδια Επιλέγουμε τυχαία τρία σφαιρίδια (χωρίς να τα βάλουμε πίσω) Ποια η πιθανότητα να έχουν το ίδιο χρώμα; Θεωρούμε τα ενδεχόμενα A j = το j σφαιρίδιο είναι άσπρο, j =, 2, 3 τότε P(A A 2 A 3 ) = P(A 3 A A 2 ) P(A 2 A ) P(A ) = n 2 2n 2 n 2n 2 = n 2 4(2n ) Αυτή είναι η πιθανότητα να είναι και τα τρία άσπρα και είναι ίση με την πιθανότητα να είναι και τα τρία μαύρα n 2 Επομένως η ζητούμενη πιθανότητα είναι Εναλλακτικά, το πρόβλημα δεν αλλάζει αν θεωρήσουμε ότι τα 2(2n ) σφαιρίδια είναι αριθμημένα (=διακεκριμένα) Τότε τα τρία σφαιρίδια μπορούν να επιλεγούν με ( 2n ) 3 τρόπους Οι ευνοϊκοί τρόποι (και τα τρία άσπρα) είναι ( n ) 3 Άρα η πιθανότητα να είναι και τα τρία άσπρα είναι ( n 3 ) ( 2n 3 ) = n 2 4(2n 2) Θεώρημα (Ολικής πιθανότητας) Αν η ακολουθία ενδεχομένων A n διαμερίζει το δειγματικό χώρο, τότε για κάθε ενδεχόμενο B έχουμε P(B) = P(B A n )P(A n ) Απόδειξη n P(B A n )P(A n ) = P(B A n ) = P (B A n ) = P(B) n n Παράδειγμα Δυο δοχεία περιέχουν w άσπρα και b μαύρα σφαιρίδια το πρώτο, και w 2 άσπρα και b 2 μαύρα σφαιρίδια το δεύτερο Ρίχνουμε ένα νόμισμα Αν φέρουμε Κ επιλέγουμε ένα σφαιρίδιο από το πρώτο δοχείο Αν φέρουμε Γ επιλέγουμε ένα σφαιρίδιο από το δεύτερο δοχείο Ποια η πιθανότητα το σφαιρίδιο να είναι άσπρο; Θεωρούμε τα ενδεχόμενα A = το σφαιρίδιο είναι άσπρο, Τότε H = φέραμε Κ, T = φέραμε Γ P(A) = P(A H)P(H) + P(A T)P(T) = w w + b 2 + w 2 w 2 + b 2 2 Θεώρημα (Bayes) Με τις ίδιες υποθέσεις όπως παραπάνω για κάθε i P(A i B) = P(B A i)p(a i ) j P(B A j )P(A j ), 7 n

Απόδειξη P(B A i )P(A i ) j P(B A j )P(A j ) = P(B A i) = P(A i B) P(B) Παράδειγμα Στο προηγούμενο παράδειγμα, δεδομένου ότι επιλέξαμε άσπρο σφαιρίδιο, ποια η πιθανότητα να φέραμε Κ; P(H A) = P(A H)P(H) P(A H)P(H) + P(A T)P(T) = w w +b 2 w w +b 2 + w 2 w 2 +b 2 2 = w (w 2 + b 2 ) w (w 2 + b 2 ) + w 2 (w + b ) Για δυο ενδεχόμενα A και B, οι συνθήκες P(A B) = P(A)P(B), P(B A) = P(B) και P(A B) = P(A) είναι ισοδύναμες Όταν ισχύει οποιαδήποτε από τις τρεις λέμε ότι τα A και B είναι ανεξάρτητα Ανεξάρτητα ενδεχόμενα σημαίνει ότι η πραγματοποίηση τού ενός δεν επηρεάζει την πραγματοποίηση τού άλλου Παράδειγμα Στο πρώτο παράδειγμα, αν κάθε φορά που επιλέγουμε ένα σφαιρίδιο το επιστρέφουμε πίσω στο δοχείο, τότε τα A j είναι ανεξάρτητα και έχουν και τα τρία πιθανότητα /2 Άρα P(A A 2 A 3 ) = P(A )P(A 2 )P(A 3 ) = 8 Η παραπάνω πιθανότητα είναι ασυμπωτικά ίση με την πιθανότητα n 2 τού πρώτου παραδείγματος Αυτό είναι 4(2n ) αναμενόμενο αφού αν έχουμε πολύ μεγάλο αριθμό σφαιριδίων στο δοχείο, ελάχιστη διαφορά θα κάνει αν τα τρία σφαιρίδια τού δείγματος τα βάλουμε πίσω ή όχι Τα A,, A n λέγονται ανεξάρτητα αν για κάθε I {,, n} έχουμε P( i I A i ) = i I P(A i ) 8

5 Τυχαίες Μεταβλητές Μια τυχαία μεταβλητή είναι μια μεταβλητή που παίρνει πραγματικές τιμές με τυχαίο τρόπο Για παράδειγμα, ρίχνουμε ένα ζάρι και συμβολίζουμε με X την ένδειξη που παίρνουμε Τότε η X είναι μια τυχαία μεταβλητή με P(X = j) =, j =,, 6 6 Αν η X είναι μια τυχαία μεταβλητή, τότε η αύξουσα συνάρτηση F X (x) = P(X x) ονομάζεται συνάρτηση κατανομής τής X Μια τυχαία μεταβλητή X ονομάζεται () Διακριτή αν υπάρχει μια μη-αρνητική συνάρτηση f X (η συνάρτηση πιθανότητας τής X) τέτοια ώστε P(X = x) = f X (x) για όλα τα x που είναι τιμές τής X Οι διακριτές τυχαίες μεταβλητές παίρνουν θετικές τιμές σ' ένα πεπερασμένο ή αριθμήσιμο διακριτό σύνολο Για παράδειγμα, η ένδειξη ενός ζαριού, ο αριθμός αυτοκινητιστικών ατυχημάτων μια δεδομένη περίοδο, ο αριθμός απωλειών σ' ένα πόλεμο, ο αριθμός των πελατών σ' ένα κατάστημα μια δεδομένη στιγμή (2) Συνεχής αν υπάρχει μια μη-αρνητική ολοκληρώσιμη συνάρτηση f X (η συνάρτηση πυκνότητας τής X) τέτοια ώστε P(X x) = x f X (t) dt για όλα τα x που είναι τιμές τής X Οι συνεχείς τυχαίες μεταβλητές παίρνουν θετικές τιμές σε διαστήματα Για παράδειγμα το ύψος, το βάρος, το εισόδημα ενός ανθρώπου Το κέρδος μιας επιχείρησης Η απόκλιση μιας βολής από το κέντρο Προκύπτει άμεσα από τους ορισμούς ότι () Αν η X είναι διακριτή και x ξ μια αρίθμηση των διαδοχικών τιμών της, τότε f X (x ξ ) = F X (x ξ ) F X (x ξ ), και αντίστροφα F X (x ξ ) = ζ ξ f X (x ζ ) Επίσης ξ f X (x ξ ) = Γενικότερα, αν A είναι κάποιο σύνολο τιμών τής X τότε P(X A) = f X (x ξ ) x ξ A (2) Αν η X είναι συνεχής, τότε f X = F X (στα σημεία που η F X είναι παραγωγίσιμη), και αντίστροφα F X (x) = x f X(t) dt Επίσης f X(t) dt = Γενικότερα, αν A είναι κάποιο σύνολο τιμών τής X τότε P(X A) = f X (t) dt Συνήθως το A είναι εδώ διάστημα ή ένωση διαστημάτων Παρατηρούμε ότι αν η X είναι συνεχής τότε η πιθανότητα να πάρει οποιαδήποτε διακριτή τιμή είναι μηδέν διότι P(X = x) = lim n P(x /n < X x) = lim n x A x /n f X (t) dt = Δηλαδή η πιθανότητα να επιλέξουμε έναν άνθρωπο και να έχει ύψος, ας πούμε, 72 είναι μηδέν Θετική είναι η πιθανότητα το ύψος του να βρίσκεται, ας πούμε, στο διάστημα [7, 73] Όταν λέμε ότι προσδιορίζουμε την κατανομή μιας τυχαίας μεταβλητής, εννοούμε ότι βρίσκουμε τη συνάρτηση πιθανότητας ή πυκνότητας Βρίσκουμε δηλαδή τον πιθανοθεωρητικό νόμο που τη διέπει Έτσι αν X είναι κάποια τυχαία μεταβλητή και g μια συνάρτηση, τότε έχουμε μια καινούργια τυχαία μεταβλητή Y = g(x) Για να βρούμε την κατανομή τής Y είτε προσπαθούμε να υπολογίσουμε απ' ευθείας την πιθανότητα P(Y = y) αν η X είναι διακριτή, ή βρίσκουμε πρώτα την F Y (y) = P(Y y) και μετά παραγωγίζουμε αν η X είναι συνεχής Παραδείγματα () Ρίχνουμε ένα ζάρι Αν X είναι η ένδειξη, βρείτε την κατανομή τής X 2 Η X παίρνει τις τιμές {, 2, 3, 4, 5, 6} με πιθανότητα /6 Άρα η X 2 παίρνει τις τιμές {, 4, 9, 6, 25, 36} με πιθανότητα /6 (2) Η X είναι συνεχής στο [, ] με συνάρτηση πυκνότητας f X (x) = Βρείτε την κατανομή τής X 2 Έχουμε για y Άρα F Y (y) = P(X 2 y) = P(X y) = f Y (y) = F Y (y) = 2 y 9 y dt

6 Ροπές Τυχαίας Μεταβλητής Αν η X είναι μια τυχαία μεταβλητή τότε ονομάζουμε μέση τιμή τής X την ποσότητα () x x f X (x), αν η X είναι διακριτή, (2) x f X(x) dx, αν η X είναι συνεχής, δεδομένου ότι η σειρά ή το ολοκληρωμα συγκλίνουν απόλυτα Η μέση τιμή, αν υπάρχει, συμβολίζεται με E(X) ή με µ X Θεώρημα Έστω X μια τυχαία μεταβλητή και g μια συνάρτηση τότε () E(g(X)) = x g(x) f X (x), αν η X είναι διακριτή (2) E(g(X)) = g(x) f X(x) dx, αν η X είναι συνεχής (Δεδομένου ότι η σειρά ή το ολοκλήρωμα συγκλίνουν απόλυτα) Απόδειξη Θέτουμε Y = g(x) () Αν η X παίρνει τις τιμές x j με πιθανότητα p j = f X (x j ) τότε η Y παίρνει τις τιμές y j = g(x j ) με την ίδια πιθανότητα Έτσι E(Y) = y j P(Y = y j ) = g(x j )p j = g(x j ) f X (x j ) (2) Από την άσκηση 52 έχουμε 'Εχουμε Ομοίως E(Y) = I = = I + I 2 ( F Y (y)) dy {x:g(x)>y} j f X (x) dxdy = I 2 = F Y (y) dy = j f X (x) g(x) g(x) f X (x) dx j P(Y > y) dy P(Y y) dy dydx = g(x) f X (x) dx Η ποσότητα E(X ), αν υπάρχει, ονομάζεται ροπή τάξης, και η E(X 2 ) E(X) 2 διασπορά ή κύμανση και συμβολίζεται με Var(X) ή με σ 2 X Παρατηρούμε ότι E((X µ X ) 2 ) = Έτσι η διασπορά είναι πάντα μη-αρνητική (x µ X ) 2 f X (x) dx = E(X 2 ) µ 2 X = Var(X) Παράδειγμα Αν f X (x) =, x [, ], τότε E(X n ) = xn dx = n+

7 Ροπογεννήτριες Αν η είναι μια τυχαία μεταβλητή, θέτουμε M X (t) = E(e tx ), για εκείνα τα t για τα οποία η μέση τιμή υπάρχει Η M X ονμάζεται ροπογεννήτρια τής X διότι αν αναπτύξουμε το εκθετικό σε δυναμοσειρά παίρνουμε E(X n ) M X (t) = t n n! Από τη μοναδικότητα των συντελεστών Taylor έχουμε ότι n E(X n ) = dn M X dt n t= Θεώρημα Αν οι τυχαίες μεταβλητές X και Y έχουν την ίδια ροπογεννήτρια τότε έχουν την ίδια κατανομή Απόδειξη (Στην περίπτωση X, Y συνεχείς με συνεχή πυκνότητα και a X, Y b) Από την υπόθεση προκύπτει ότι E(X n ) = E(Y n ), άρα b a tn ( f X (t) f Y (t)) dt = για κάθε n Θέτουμε g = f X f Y Τότε b Pg = για κάθε a πολυώνυμο P Έστω P j μια ακολουθία πολυωνύμων η οποία συγκλίνει ομοιόμορφα στην g (θεώρημα Weierstrass) Τότε Άρα g = b a g 2 = b a g(g P j ) Παράδειγμα Αν f X (x) = e x, x, τότε M X (t) = e tx e x dx = t, t < Αναπτύσσοντας την t σε σειρά Taylor με κέντρο το μηδέν παίρνουμε + t = t n Άρα E(X n ) = n! n=

Ομοιόμορφη διακριτή 8 Παραδείγματα Διακριτών Κατανομών Ω = {x,, x n }, f X (x ) = n, για κάθε Όλα τα σημεία τού δειγματοχώρου έχουν την ίδια πιθανότητα Διωνυμική ( ) n Ω = {,,, n}, f X () = p ( p) n Συμβολίζεται με B(n, p) και ισούται με τον αριθμό των επιτυχιών σε n ανεξάρτητες δοκιμές Bernoulli με πιθανότητα επιτυχίας p (δοκιμή Bernoulli είναι οποιοδήποτε πείραμα τύχης με δυο δυνατές εκβάσεις: επιτυχία και αποτυχία) Γεωμετρική Poisson Παράδειγμα Ρίχνουμε ένα ζάρι φορές Η πιθανότητα να φέρουμε 6 φορές το 3 είναι ( ) ( 6 ( 5 ) 4 6 6) 6 Ω = N, f X (n) = ( p) n p Ισούται με τον αριθμό των δοκιμών μέχρι την πρώτη επιτυχία σε μια ακολουθία δοκιμών Bernoulli με πιθανότητα επιτυχίας p Παράδειγμα Η πιθανότητα να ρίξουμε ένα ζάρι φορές μέχρι να φέρουμε 3 είναι ( 5 6) 999 6 λ λn Ω = {,, 2, }, f X (n) = e n!, λ > σταθερά Συνήθως ισούται με το πλήθος "σπάνιων" γεγονότων που συμβαίνουν ένα δεδομένο χρονικό διάστημα Ο τύπος προκύπτει ως εξής Ας πούμε ότι η X n είναι διωνυμική B(n, p n ), όπου p n = λ/n Έτσι για μεγάλο αριθμό δοκιμών η πιθανότητα επιτυχίας είναι μικρή ("σπάνιο" γεγονός) Τότε η πιθανότητα επιτυχιών είναι n! λ ( P(X n = ) = λ ) n λ λ e (n )! (n λ)! n!, καθώς ο αριθμός των δοκιμών n τείνει στο άπειρο Δηλαδή φανταζόμαστε ότι ο Θεός ρίχνει μέχρι το τέλος τού σύμπαντος ένα πειραγμένο νόμισμα όπου το Κ έχει πολύ μικρή πιθανότητα εμφάνισης Όταν φέρνει Κ γίνεται ένας σεισμός Το λ είναι μια παράμετρος που εκφράζει τη συχνότητα των σεισμών Η Poisson συμβολίζεται με P(λ) Αρνητική διωνυμική ( ) Ω = {n, n +, }, f X () = p n ( p) n, n n N σταθερά Ισούται με το πλήθος των δοκιμών μέχρι να έχουμε n επιτυχίες σε μια ακολουθία ανεξάρτητων δοκιμών Bernoulli με πιθανότητα επιτυχίας p Συμβολίζεται με AB(n, p) Για n = παίρνουμε τη γεωμετρική Υπεργεωμετρική Ω = {,,, }, f X (x) = (n x )( m x ) ( n+m ), n, m, σταθερές με min{n, m} Ισούται με το πλήθος των άσπρων σφαιριδίων σ' ένα δείγμα μεγέθους από ένα δοχείο που περιέχει n άσπρα και m μαύρα σφαιρίδια 2

Ομοιόμορφη Εκθετική Γάμμα Κανονική 9 Παραδείγματα Συνεχών Κατανομών Ω = [a, b], f X (x) = b a, a < b σταθερές Συμβολίζεται με U(a, b) λ > σταθερά Ω = [, + ), f X (x) = λe λx, Ω = [, + ), f X (x) = λa Γ(a) xa e λx, a, λ > σταθερές, Γ η συνάρτηση γάμμα Για a = παίρνουμε την εκθετική Συμβολίζεται με Γ(a, λ) ή Γ(a, /λ) Ω = R, f X (x) = { σ 2π exp ( x µ ) 2 }, 2 σ µ R, σ > σταθερές Συμβολίζεται με N(µ, σ 2 ) Αν X N(µ, σ 2 ) τότε Z = X µ σ N(, ) Το σύμβολο σημαίνει "ακολουθεί την κατανομή" Η N(, ) λέγεται τυποποιημένη κανονική και η συνάρτηση κατανομής της συμβολίζεται με Φ 3

Πιθανοθεωρητικές Ανισότητες Θεώρημα (Ανισότητα Chebychev) Αν η τυχαία μεταβλητή X έχει μέση τιμή µ και διασπορα σ 2, τότε για κάθε ε > έχουμε Απόδειξη (X συνεχής) ε 2 P( X µ > ε) P( X µ > ε) σ2 ε 2 x µ >ε x µ 2 f X (x) dx σ 2 Θεώρημα (Ανισότητα Jensen) Αν η X είναι μια τυχαία μεταβλητή και η g μια κυρτή συνάρτηση τότε Απόδειξη Θέτουμε µ = E(X) και g(e(x)) E(g(X)) β = sup s<µ g(µ) g(s) µ s Τότε g(x) g(µ) β(x µ), για κάθε x λόγω κυρτότητας Πολλαπλασιάζουμε με την πυκνότητα τής X (αντίστοιχα τη συνάρτηση πιθανότητας) και ολοκληρώνουμε ως προς x (αντίστοιχα αθροίζουμε) Η ανισότητα Jensen για g(t) = t 2 δίνει την ανισότητα Cauchy-Schwarz E(X) 2 E(X 2 ), η οποία προκύπτει και από την γενικότερη Cauchy-Schwarz ( 2 ( ) ( ) f g ) f 2 g 2 Μπορούμε να έχουμε μια γρήγορη απόδειξη παρατηρώντας ότι η ποσότητα (t f (x) g(x) ) 2 dx, είναι μη αρνητική για κάθε t Άρα θεωρούμενη τριώνυμο τού t πρέπει να έχει αρνητική διακρίνουσα Η συνθήκη αυτή είναι ακριβώς η ανισότητα Cauchy-Schwarz 4

Τυχαία Διανύσματα Ένα τυχαίο διάνυσμα ή πολυδιάστατη τυχαία μεταβλητή είναι μια n-άδα (X, X 2,, X n ) τυχαίων μεταβλητών Για απλότητα στο συμβολισμό θα περιοριστούμε στις 2-διάστατες μεταβλητές Σε αναλογία με τη μονοδιάστατη περίπτωση ορίζουμε την από κοινού συνάρτηση κατανομής F X,Y (x, y) = P(X x & Y y) Η (X, Y) ονομάζεται () Διακριτή αν υπάρχει μια μη-αρνητική συνάρτηση f X,Y, η συνάρτηση πιθανότητας τής (X, Y), τέτοια ώστε P(X = x & Y = y) = f X,Y (x, y) για όλα τα (x, y) που είναι τιμές τής (X, Y) Οι διακριτές τυχαίες μεταβλητές παίρνουν θετικές τιμές σ' ένα πεπερασμένο ή αριθμήσιμο διακριτό σύνολο Γενικότερα P((X, Y) A) = f X,Y (x, y) (x,y) A (2) Συνεχής αν υπάρχει μια μη-αρνητική ολοκληρώσιμη συνάρτηση f X,Y, η συνάρτηση πυκνότητας τής (X, Y), τέτοια ώστε P(X x & Y y) = f X,Y (s, t) dsdt s x & t y για όλα τα (x, y) που είναι τιμές τής (X, Y) Οι συνεχείς τυχαίες μεταβλητές παίρνουν θετικές τιμές σε σύνολα με μη-κενό εσωτερικό Γενικότερα P((X, Y) A) = f X,Y (x, y) dxdy Δεδομένου τού ζευγαριού (X, Y) οι X και Y ονομάζονται περιθώριες Ισχύει ότι f X (x) = f X,Y (x, y), f Y (y) = f X,Y (x, y), αν η (X, Y) είναι διακριτή, και f X (x) = y A f X,Y (x, y) dy, f Y (y) = x f X,Y (x, y) dx, αν η (X, Y) είναι συνεχής Σε αναλογία με τη μονοδιάστατη περίπτωση, αν η (X, Y) είναι συνεχής, τότε f X,Y = 2 F X,Y x y 5

2 Ανεξάρτητες Τυχαίες Μεταβλητές Δυο τυχαίες μεταβλητές ονομάζονται ανεξάρτητες αν f X,Y (x, y) = f X (x) f Y (y) Σε αναλογία με την περίπτωση των ενδεχομένων, η τυχαία μεταβλητή X δεδομένου ότι η Y έχει πάρει την τιμή y ορίζεται να έχει πυκνότητα f X Y (x y) = f X,Y(x, y) f Y (y) Ο τύπος ολικής πιθανότητας παίρνει τη μορφή f X Y (x y) f Y (y), f X (x) = y f X Y (x y) f Y (y) dy, Η μέση τιμή τής X δεδομένου ότι Y = y ισούται (όταν υπάρχει) με x f X Y (x y), E(X Y = y) = x x f X Y (x y)) dx, Y διακριτή Y συνεχής X διακριτή X συνεχής και είναι συνάρτηση τού y Ας την ονομάσουμε g(y) Επομένως έχει νοήμα να θεωρήσουμε την τυχαία μεταβλητή g(y) η οποία ονομάζεται δεσμευμένη μέση τιμή και συμβολίζεται με E(X Y) Θεώρημα E(E(X Y)) = E(X) Απόδειξη (Συνεχής περίπτωση) E(E(X Y)) = E(X Y = y) f Y (y) dy = x f X Y (x y) f Y (y) dxdy = x f X (x) dx = E(X) Όπως και στη μονοδιάστατη περίπτωση, αν η g(x, Y) είναι μια συνάρτηση τού τυχαίου ζευγαριού (X, Y), τότε E(g(X, Y)) = g(x, y) f X,Y (x, y) dxdy, R 2 δεδομένου ότι το ολοκλήρωμα συγκλίνει απόλυτα Αυτό δείχνει και τη γραμμικότητα τής μέσης τιμής: Παρατηρούμε ότι αν οι X και Y είναι ανεξάρτητες τότε E(aX + by) = ae(x) + be(y) E(g(X)h(Y)) = E(g(X))E(h(Y)), για κάθε συναρτήσεις g και h, ώστε οι παραπάνω μέσες τιμές να υπάρχουν Έτσι αν οι X,, X n είναι ανεξάρτητες και οι διασπορές υπάρχουν, τότε 2 Var X 2 = E X E X = E(X j X j ) E(X i )E(X j ) = Var(X ) Ένα μέτρο τού βαθμού στον οποίο δυο μεταβλητές είναι συσχετισμένες αποτελεί η συνδιακύμανση Cov(X, Y) = E(XY) E(X)E(Y), και ο συντελεστής συσχέτισης Cov(X, Y) ρ(x, Y) = σ X σ Y Από την ανισότητα Cauchy-Schwarz έχουμε ότι E(XY) 2 E(X 2 )E(Y 2 ) Επομένως Cov(X, Y) 2 = E((X µ X )(Y µ Y )) 2 σ 2 X σ2 Y Έτσι σε απόλυτη τιμή ο συντελεστής συσχέτισης είναι μικρότερος από ή ίσος με Τέλος όπως στη μονοδιάστατη περίπτωση, η ροπογεννήτρια ενός ζευγαριού (X, Y) ορίζεται i, j M X,Y (s, t) = E ( e sx+ty) 6 i, j

Παρατηρούμε ότι αν οι X και Y είναι ανεξάρτητες τότε M X,Y (s, t) = M X (s)m Y (t) 7

3 Συναρτήσεις Διανυσματικών Τυχαίων Μεταβλητών Έστω (X, Y) ένα τυχαίο διάνυσμα και T : R 2 R 2, T(x, y) = (z, w), μια αμφιδιαφόριση Θα υπολογίσουμε την πυκνότητα τής (Z, W) = T(X, Y) Θέτοντας A z,w = {(s, t) : s z & t w} έχουμε F Z,W (z, w) = P(Z z & W w) = P((X, Y) T (A z,w )) = = z w f X,Y T (s, t) J T (s, t) dt ds, T (A z,w ) όπου J T είναι η Jacobian τής αντίστροφης τής T Παραγωγίζοντας ως προς z και w παίρνουμε f Z,W (z, w) = f X,Y (x(z, w), y(z, w)) Παράδειγμα Αν οι X και Y είναι τυχαίες μεταβλητές, βρείτε την κατανομή τού αθροίσματος Z = X +Y Θεωρούμε το μετασχηματισμό (X, Y) (X, Z) = (X, X + Y) Τότε Άρα Αν οι X και Y είναι ανεξάρτητες, τότε Εναλλακτικά f X,Z (x, z) = f X,Y (x, z x) f Z (z) = f Z (z) = F Z (z) = P(X + Y z) = x+y z x z y z f X,Y (x, z x) dx f X (x) f Y (z x) dx f X,Y (x, y) dxdy = x w y w z x και παραγωγίζουμε ως προς z Ομοίως η πυκνότητα τού γινομένου W = XY είναι f W (w) = f X,Y (x, w/x) dx x f X,Y f X,Y (x, y) dy dx, Σε κάποιες περιπτώσεις, ο προσδιορισμός τής κατανομής αθροισμάτων ανεξάρτητων τυχαίων μεταβλητών διευκολύνεται με τη χρήση ροπογεννητριών Για παράδειγμα αν X N(, ), τότε Αν τώρα X N(µ, σ 2 ) τότε Z = X µ σ M X (t) = E ( e tx) = e tx e x2 t 2 dx = e 2 2 2π N(, ) Άρα M X (t) = E ( e t(σz+µ)) = e tµ e t2 σ 2 /2 Έτσι αν X j N(µ j, σ 2 j ), j =,, n είναι ανεξάρτητες κανονικές τότε για το άθροισμα Z = j X j ισχύει M Z (t) = M X j (t) = exp t µ j exp t 2 σ 2 j 2 Επομένως Z N( j µ j, j σ 2 j ) j j j 8

4 Παραδείγματα Πολυδιάστατων Κατανομών () (Πολυωνυμική) Ας υποθέσουμε ότι έχουμε μια ακολουθία από n ανεξάρτητα πειράματα Κάθε πείραμα έχει δυνατές εκβάσεις με πιθανότητα πραγματοποίησης p j η κάθε μια Αν X j είναι συνολικός αριθμός των j-εκβάσεων μετά τα n πειράματα, τότε ( ) n f X,X 2,,X (x, x 2,, x ) = p x x, x 2,, x px 2 2 px (2) (Πολυδιάστατη κανονική) f X (x) = ( (2π)n Σ exp ) 2 (x µ)σ (x µ) t, όπου µ R n το διάνυσμα των μέσων τιμών και Σ = (σ i j ) R n n ο συμμετρικός, θετικά ορισμένος πίνακας των συνδιακυμάνσεων 9

5 Οριακά Θεωρήματα Μια ακολουθία τυχαίων μεταβλητών X n λέμε ότι συγκλίνει κατά πιθανότητα στην τυχαία μεταβλητή X αν για κάθε c > P( X n X > c) Λέμε ότι συγκλίνει κατά κατανομή στη X αν F Xn (x) F X (x), για κάθε x Θα χρειαστούμε τον παρακάτω συμβολισμό n S n = X n, X n = n S n j= Θεώρημα (Νόμος των Μεγάλων Αριθμών) Αν X n είναι μια ακολουθία ανεξάρτητων και ισόνομων μεταβλήτων με μέση τιμή µ και διασπορά σ 2, τότε η X n συγκλίνει κατά πιθανότητα στη μέση τιμή µ Απόδειξη Από την ανισότητα Chebychev έχουμε P( X n µ > c) Var(X n) c 2 = σ2 c 2 n Θεώρημα (Κεντρικό Οριακό Θεώρημα) Με τις ίδιες υποθέσεις όπως στο προηγούμενο θεώρημα, η ακολουθία Z n = S n nµ σ n συγκλίνει κατά κατανομή στην N(, ) 2

6 Ασκήσεις Άσκηση Βρείτε τα σύνολα A = + n= A n και B = + n= A n, όταν () A n = ( 2n, n ), n N (2) A n = { (x, y) R 2 : x 2 + y 2 n 2 }, n N Λύση () A = (, /2) (/2, ) διότι το δεξί άκρο τού A n+ είναι μεγαλύτερο από το αριστερό άκρο τού A n για n 2, B = διότι δεν υπάρχει αριθμός x με 2n < x < n για κάθε n (2) Το A είναι ο μοναδιαίος δίσκος, το B είναι το {(, )} Άσκηση 2 Έστω A n, B n ακολουθίες υποσυνόλων ενός συνόλου X Αποδείξτε ότι (lim inf A n ) (lim sup B n ) (lim sup A n ) (lim sup B n ) (lim inf A n ) (lim sup B n ) lim sup(a n B n ) Εξετάστε αν ισχύει πάντοτε η σχέση (lim sup A n ) (lim sup B n ) lim sup(a n B n ) Λύση Ο πρώτος εγκλεισμός είναι προφανής διότι lim inf A n lim sup A n Για τον δεύτερο, ένα στοιχείο στο αριστερά μέλος ανήκει τελικά σε όλα τα A n και σε άπειρα B n, άρα ανήκει σε άπειρα A n B n, δηλαδή στο δεξιά μέλος Ο τρίτος εγκλεισμός δεν ισχύει όπως φαίνεται από τις ακολουθίες A n = (, ) αν n άρτιος, A n = (, 2) αν n περιττός, και B n = (, 2) αν n άρτιος, B n = (, ) αν n περιττός Άσκηση 3 Υπολογίστε το lim sup A n και το lim inf A n στις παρακάτω περιπτώσεις Λύση () Αν A n A m =, για κάθε n m (2) Αν A 2n = [, 2 + 2n), A2n+ = ( 2 2n+, ], για κάθε n N () lim inf A n = lim sup A n = (2) lim inf A n = [, ], lim sup A n = [ 2, 2] Άσκηση 4 Αν τα A,, A n είναι υποσύνολα κάποιου συνόλου, δείξτε ότι n n n A = A (A A + ), = = όπου A B = (A B) (B A) είναι η συμμετρική διαφορά Λύση Το είναι προφανές Για το, αν κάποιο x ανήκει στην ένωση των A αλλά όχι στην τομή τους, τότε υπάρχουν δυο διαδοχικά i και j ώστε x A i και x A j Άσκηση 5 Αν Ω είναι κάποιο σύνολο και A Ω, τότε η δείκτρια συνάρτηση τού A συμβολίζεται με A και ορίζεται ως εξής, αν x A A : Ω {, }, A (x) =, αν x A Αν A, A 2,, A n Ω εκφράστε την δείκτρια τής ένωσης n = A μέσω των A Λύση Κατ' αρχάς παρατηρούμε ότι για κάθε A, B Ω, έχουμε A B = A B, και αν επιπλέον τα A, B είναι ξένα τότε A B = A + B Τέλος A = A Τώρα, κάθε x n = A ανήκει σε κάποια A (μπορεί σε όλα) και δεν ανήκει στα υπόλοιπα Επομένως αν θέσουμε S = A και S = A, τότε η ένωση των A είναι η ένωση όλων των συνόλων τής μορφής S j S j 2 2 S j n n όπου τα j είναι ή και δεν είναι όλα Για παράδειγμα, η ένωση δυο συνόλων A A 2 είναι ίση με την ένωση των A A 2, A A 2 και A A 2 Έτσι αν θέσουμε f = A και f = A τότε n = A = f j f j n n = j,, j n {,} ( j,, j n ) (,,) 2

Εναλλακτικά, n n = A = ( A ) = Άσκηση 6 Δείξτε ότι αν τα A, A n είναι υποσύνολα κάποιου συνόλου Ω τότε A lim sup A n = lim inf(a A n ), και A lim inf A n = lim sup(a A n ) Λύση Και οι δυο σχέσεις είναι άμεση συνέπεια των κανόνων De Morgan: Το συμπλήρωμα τής ένωσης είναι η τομή των συμπληρωμάτων και το συμπλήρωμα τής τομής είναι η ένωση των συμπληρωμάτων Άσκηση 7 Έστω X {, 2, 3, 4, 5, 6} το αποτέλεσμα τής ρίψης ενός ("τίμιου") ζαριού Τοποθετούμε δυο ίσα βάρη στις πλευρές "5" και "6" έτσι ώστε P(X = 5 ή X = 6) = 3P(X = ή X = 2 ή X = 3 ή X = 4) Βρείτε την πιθανότητα P(X = j) για j =, 2, 3, 4, 5, 6 Λύση Θέτουμε p = P(X = 5) = P(X = 6), q = P(X = ) = P(X = 2) = P(X = 3) = P(X = 4) Τότε 2p = 2q και 2p + 4q =, άρα p =, q = Άσκηση 8 Ένας συνεταιρισμός με n μέλη (n 3) έχει 3 υποψήφιους προέδρους Για να εκλεγεί ένας υποψήφιος χρειάζεται τουλάχιστο n 2 ψήφους Ποια είναι η πιθανότητα κανείς να μην εκλεγεί; Λύση Αν A, B, C είναι οι ψήφοι που πήραν οι τρεις υποψήφιοι, τότε θεωρώντας την ψηφοφορία μια ακολουθία n ανεξάρτητων δοκιμών Bernoulli με πιθανότητα επιτυχίας /3, έχουμε ( ) n ( ( 2 ) n P(A = ) = P(B = ) = P(C = ) = 3) 3 Έτσι η ζητούμενη πιθανότητα είναι P(A n 2) P(B n 2) P(C n 2) Άσκηση 9 Δεδομένου ότι P(A) = P(B) = 3/4, ποια είναι η μέγιστη και η ελάχιστη τιμή τής πιθανότητας P(A B); Λύση Προφανώς P(A B) 3/4 και από τη σχέση P(A B) = P(A) + P(B) P(A B) παίρνουμε P(A B) /2 Άσκηση Δίνεται ότι P(A) = /2, P(B) = 5/2 και P((A B) ) = /3 Υπολογίστε τις πιθανότητες P(A B), P(A B ), P(A B), P(A B ) Λύση P(A B) = P(A) + P(B) P(A B) P(A B) = P(A) P(A B) P(B A) = P(B) P(A B) P(A B ) = P((A B) ) Άσκηση Ρίχνουμε 3 φορές ένα "τίμιο" ζάρι, παίρνουμε τους αριθμούς a, b και c και θεωρούμε το σύστημα x 2y = 3 ax by = c Ποια η πιθανότητα το σύστημα να έχει άπειρες λύσεις; να μην έχει λύση; να έχει μοναδική λύση; να έχει μοναδική λύση την (3, ); 22

Λύση Όλες οι δυνατές εκβάσεις για τα (a, b, c) είναι 6 3 = 26 Η ορίζουσα είναι μηδέν όταν b = 2a Αυτό μπορεί να γίνει με 8 τρόπους Το σύστημα έχει άπειρες λύσεις όταν η ορίζουσα είναι μηδέν και c = 3a Αυτό μπορεί να γίνει με 2 τρόπους, άρα με πιθανότητα 2/26 = /8 Το σύστημα δεν έχει λύση όταν η ορίζουσα είναι μηδέν και c 3a Αυτό μπορεί να γίνει με 8 2 = 6 τρόπους, άρα με πιθανότητα 6/26 = 2/27 Το σύστημα έχει μοναδική λύση όταν η ορίζουσα είναι μη μηδενική Αυτό μπορεί να γίνει με 26 8 = 98 τρόπους, άρα με πιθανότητα 98/26 = 99/8 Για να έχει μοναδική λύση την (3, ), πρέπει c = 3a = (3 + 3b)/2, δηλαδή (a, b, c) = (,, 3) ή (a, b, c) = (2, 3, 6), άρα με πιθανότητα 2/26 = /8 Άσκηση 2 Έστω A n μια ακολουθία ενδεχομένων σε κάποιο χώρο πιθανότητας Υποθέτουμε ότι η πιθανότητα τού A n είναι 2 για κάθε n Δείξτε ότι με πιθανότητα, κάθε στοιχείο τού δειγματοχώρου ανήκει το πολύ σε πεπερασμένο πλήθος από τα A n n Λύση καθώς m + Δηλαδή P(lim sup A n ) = P A 2 n n Άσκηση 3 Θέτουμε Ω = {a,, a n } Προσδιορίστε όλες τις συναρτήσεις πιθανότητας στο (Ω, P(Ω)) Κάντε το ίδιο αν το Ω είναι άπειρο αριθμήσιμο Λύση Η συνάρτηση προσδιορίζεται από όλες τις ακολουθίες (πεπερασμένες ή άπειρες) μη αρνητικών αριθμών οι οποίες αθροίζουν στο Άσκηση 4 Σε ένα δοχείο τοποθετούμε n 2 άσπρες και 2 μαύρες μπάλες Τραβάμε διαδοχικά μπάλες (και τις πετάμε έξω) μέχρι να τραβήξουμε μια μαύρη, οπότε κερδίζουμε Ποιος είναι ο ελάχιστος αριθμός τραβηγμάτων έτσι ώστε να είμαστε βέβαιοι ότι θα κερδίσουμε με πιθανότητα τουλάχιστο p; ( < p < ) Λύση Για να κερδίσουμε στο j τράβηγμα πρέπει να τραβήξουμε άσπρη στα j πρώτα τραβήγματα και μαύρη στο j τράβηγμα Αυτό γίνεται με πιθανότητα Ζητάμε το ελάχιστο ώστε p j > p j= (2n ) 2 n(n ) m p j = (n 2) j (2) 2(n j) = (n) j n(n ) > p = (2n ) (2n ) 2 4pn(n ) 2 Άσκηση 5 n εκλέκτορες ψηφίζουν υποψήφιους Ποια είναι η πιθανότητα ένας υποψήφιος να πάρει m ψήφους; ( m n) Λύση Το πλήθος των τρόπων που a όμοια σφαιρίδια (ψήφοι) μπορούν να κατανεμηθούν σε b διακεκριμένα κελιά (υποψήφιοι) είναι ίσος με τους συνδυασμούς a + b ανά b Επομένως η ζητούμενη πιθανότητα είναι ( n m+ 2 ) 2 ( n+ ) Δείτε την άσκηση 8 για μια εναλλακτική προσέγγιση Άσκηση 6 Αν A και B είναι δυο ενδεχόμενα σε κάποιο χώρο πιθανότητας, δείξτε ότι P(A B) P(A)P(B) 4 Λύση Χρησιμοποιώντας την ανισότητα xy (x+y)2 4 με x = P(A) και y = P(B) παίρνουμε P(A)P(B) (P(A) + P(B))2 4 + P(A B) 4 = (P(A B) + P(A B))2 4 4 + P(A B) P(A B) + 2P(A B) 4 Άρα P(A)P(B) P(A B) 4 Η ανισότητα αυτή με το B στη θέση τού B δίνει P(A B) P(A)P(B) 4 Επομένως έχουμε τη ζητούμενη ανισότητα Άσκηση 7 Αν A n είναι μια ακολουθία ενδεχομένων με P(A n ) = τότε P ( + n= A n) = 23

Λύση Η πιθανότητα τής τομής είναι μείον την πιθανότητα τής ένωσης των συμπληρωμάτων, η οποία είναι μηδέν Άσκηση 8 Δείξτε ότι δεν υπάρχει συνάρτηση πιθανότητας στο (R, B) η οποία να δίνει την ίδια πιθανότητα σε όλα τα διαστήματα μήκους Λύση Αν υπήρχε, τότε η πιθανότητα μιας άπειρης αριθμήσιμης ξένης ένωσης διαστημάτων μήκους θα ήταν άπειρη Άσκηση 9 Έστω p, n φυσικοί αριθμοί Κατανέμουμε στην τύχη p νομίσματα αριθμημένα από το ως το p σε n κελιά αριθμημένα από το ως το n Τα κελιά έχουν απεριόριστη χωρητικότητα Για i =,, n σημειώνουμε με A i το ενδεχόμενο το i-κελί να είναι κενό Βρείτε την πιθανότητα τού ενδεχομένου A A n και χρησιμοποιώντας τον τύπο που βρήκατε, υπολογίστε το πλήθος των επί συναρτήσεων από ένα σύνολο με p στοιχεία σε ένα σύνολο με n στοιχεία Λύση Τα p νομίσματα μπορούν να μπουν σε n κελιά με n p τρόπους, και σε n κελιά ( κελί άδειο) με (n ) p τρόπους, άρα (n )p P(A i ) = n p Γενικότερα η πιθανότητα κελιά να είναι κενά είναι (n )p n Επομένως p n P(A A n ) = ( ) + P(A j A j ) = j < < j = n ( ) ( ) p n n ( ) + n Αν η κατανομή των νομισμάτων στα κελιά παριστάνει μια συνάρτηση, τότε επί συνάρτηση σημαίνει κανένα κελί άδειο Άρα το ζητούμενο πλήθος είναι n p ( p), όπου p η πιθανότητα που υπολογίστηκε παραπάνω Άσκηση 2 Έστω n ένας περιττός αριθμός Μια κάλπη περιέχει 2n αριθμημένα σφαιρίδια Τραβάμε n σφαιρίδια χωρίς επανάθεση Ποια είναι η πιθανότητα το άθροισμα των αριθμών των σφαιριδίων που τραβήξαμε να είναι γνήσια μεγαλύτερο από το άθροισμα των αριθμών των υπόλοιπων σφαιριδίων; Λύση Αν s = + 2 + + (2n) τότε το s είναι περιττός αριθμός Έτσι αν a, a είναι το άθροισμα των αριθμών που τραβήξαμε και το άθροισμα των αριθμών που έμειναν, έχουμε ότι a + a = s, άρα αποκλείεται a = a Επίσης σε κάθε ζευγάρι (a, a ) αντιστοιχεί το ζευγάρι (a, a) Συνεπώς η ζητούμενη πιθανότητα είναι 2 Άσκηση 2 Ρίχνουμε ένα ζάρι άπειρες φορές Ποια είναι η πιθανότητα μια δεδομένη πλευρά να μην εμφανιστεί ποτέ; Λύση Η ζητούμενη πιθανότητα είναι lim ( 5 6) n = Άσκηση 22 Αν A και B είναι δυο ενδεχόμενα σε κάποιο χώρο πιθανότητας, με πιθανότητες a > και b > αντίστοιχα, δείξτε ότι αν P(A B) > a τότε P(B A) > b, και εξετάστε αν είναι αληθής ή ψευδής η ανισότητα P(A B) a + b b Λύση Αν P(A B) > a τότε P(A B) > ab, άρα P(B A) = P(A B)/a > b Επίσης η ανισότητα που θέλουμε να εξετάσουμε είναι ισοδύναμη με την η οποία είναι αληθής = P(A) + P(B) P(A B) = P(A B), Άσκηση 23 Η πιθανότητα να πετύχουμε ένα στόχο είναι p Ποιος είναι ο ελάχιστος αριθμός από σφαίρες που πρέπει να έχουμε μαζί μας ώστε να είμαστε βέβαιοι ότι θα πετύχουμε το στόχο με πιθανότητα α Λύση Η πιθανότητα να πετύχουμε το στόχο στην n βολή είναι ( p) n p Επομένως ζητάμε το ελάχιστο n τέτοιο ώστε p + p 2 + + p n > α Άσκηση 24 4 ανεξάρτητες βολές ρίχνονται σε ένα στόχο Η πιθανότητες να πετύχουν το στόχο είναι αντίστοιχα p =, p 2 = 2, p 3 = 3, p 4 = 4 Αν τρεις βολές πέτυχαν το στόχο, ποια είναι η πιθανότητα να ήταν οι τρεις πρώτες; 24

Λύση Θεωρούμε τα ενδεχόμενα Παρατηρούμε ότι Άρα Συνεπώς A = Η βολή πέτυχε το στόχο T = Τρεις βολές πέτυχαν το στόχο T = (A A 2 A 3 A 4 ) (A A 2 A 3 A 4) (A A 2 A 3 A 4 ) (A A 2 A 3 A 4 ) P(T) = p p 2 p 3 ( p 4 ) + p p 2 ( p 3 )p 4 + p ( p 2 )p 3 p 4 + ( p )p 2 p 3 p 4 P(A A 2 A 3 T) = P(A A 2 A 3 T) P(T) Άσκηση 25 Ποιες συνθήκες πρέπει να ικανοποιούν οι αριθμοί p, q, r, s ώστε Λύση Θέτουμε x = P(A) τότε Συνεπώς = P(A A 2 A 3 A 4 ) P(T) P(A B) = p, P(A B ) = q, P(B A) = r, P(B A ) = s p = P(A B) = q = P(A B ) = Διαιρώντας κατά μέλη παίρνουμε P(B A)P(A) P(B A)P(A) + P(B A )P(A ) = rx rx + s( x) P(B A)P(A) P(B A)P(A) + P(B A )P(A ) = ( r)x ( r)x + ( s)( x) p s( x) =, rx q ( s)( x) = ( r)x ( ) ( ) ( ) ( ) p s = q r Άσκηση 26 Διαλέγουμε στην τύχη δυο φυσικούς μικρότερους ή ίσους τού Ποια η πιθανότητα το άθροισμά τους να είναι 2; Λύση Ω = {(n, m) : n, m } και ενδιαφερόμαστε για το ενδεχόμενο A = {(2, ), (3, 9), (4, 8),, (9, 3), (, 2)} P(A) = A Ω = Άσκηση 27 Μια κάλπη A περιέχει λ λευκά και µ μαύρα σφαιρίδια Μια κάλπη A 2 περιέχει λ 2 λευκά και µ 2 μαύρα σφαιρίδια Παίρνουμε ένα σφαιρίδιο από την πρώτη και το βάζουμε στη δεύτερη και μετά παίρνουμε ένα από τη δεύτερη και το βάζουμε στην πρώτη Τέλος ξαναπαίρνουμε ένα σφαιρίδιο από την πρώτη Ποια είναι η πιθανότητα να είναι μαύρο; Λύση Θεωρούμε τα ενδεχόμενα B j = Το j σφαιρίδιο είναι μαύρο j =, 2, 3 Από το θεώρημα ολικής πιθανότητας έχουμε W j = Το j σφαιρίδιο είναι άσπρο, P(B 3 ) = P(B 3 B B 2 )P(B B 2 ) + P(B 3 W W 2 )P(W W 2 ) + P(B 3 W B 2 )P(W B 2 ) + P(B 3 B W 2 )P(B W 2 ) = P(B 3 B B 2 )P(B 2 B )P(B ) + P(B 3 W W 2 )P(W 2 W )P(W ) + P(B 3 W B 2 )P(B 2 W )P(W ) + P(B 3 B W 2 )P(W 2 B )P(B ) = µ µ 2 + µ + µ λ 2 + λ µ + λ µ 2 + λ 2 + µ + λ µ + λ µ 2 + λ 2 + µ + λ + µ + µ 2 λ + µ λ 2 µ µ + λ µ 2 + λ 2 + µ + λ µ + λ µ 2 + λ 2 + µ + λ 25

Άσκηση 28 Επιλέγουμε ένα φυσικό αριθμό n με πιθανότητα /2 n Στη συνέχεια επιλέγουμε y {,, n} με πιθανότητα /n Ποια είναι η πιθανότητα ο y να είναι άρτιος; Λύση Αν X είναι ο πρώτος και Y ο δεύτερος αριθμός έχουμε από το θεώρημα ολικής πιθανότητας Η ζητούμενη πιθανότητα είναι P(Y = n) = P(Y = n X = )P(X = ) = P(Y = 2n) = n 2 + =n [ ] 225347 2 2 Άσκηση 29 Ρίχνουμε ένα νόμισμα άπειρες φορές Θέτουμε e j = αν στην j-ρίψη φέρουμε Κ, και e j = αν φέρουμε Γ Αν n e j s n = 2 j, δείξτε ότι η πιθανότητα το s n να είναι μικρότερο από t ( t ) τείνει στο t καθώς n + j= Λύση Αν t = + d j j= είναι το δυαδικό ανάπτυγμα τού t, τότε το πλήθος των D {, } n για τα οποία έχουμε 2 j είναι j n D( j) 2 j t 2 n D() + 2 n 2 D(2) + + D(n) Άσκηση 3 Από γνήσια κείμενα δυο αρχαίων συγγραφέων Α και Β βρέθηκε ότι η λέξη "και" αποτελεί το % των λέξεων τού κειμένου για τον Α, και το 9% για τον Β Ένα νέο κείμενο που βρέθηκε αποδίδεται κατά 6% στον Α και 4% στον Β Αν σε 9 τυχαίες λέξεις του νέου κειμένου βρέθηκε "και", ποια είναι η πιθανότητα το κείμενο να είναι τού Α; Λύση Θεωρούμε τα ενδεχόμενα A = Το κείμενο είναι τού Α Τα δεδομένα είναι B = Το κείμενο είναι τού Β T = Από τις τυχαίες 9 λέξεις η μια είναι "και" S = Η τυχούσα λέξη είναι "και" P(A) = 6, P(B) = 4, P(S A) =, P(S B) = 9, και θεωρώντας την επιλογή των 9 λέξεων μια ακολουθία δοκιμών Bernoulli με επιτυχία την επιλογή "και", έχουμε ( ) ( ) 9 9 P(T A) = P(S A)( P(S A)) 8, P(T B) = P(S B)( P(S B)) 8 Η ζητούμενη πιθανότητα από τον τύπο τού Bayes είναι P(A T) = P(T A)P(A) P(T A)P(A) + P(T B)P(B) Άσκηση 3 Θεωρούμε n κάλπες και υποθέτουμε ότι η κάλπη περιέχει άσπρες και n μαύρες σφαίρες Επιλέγουμε στην τύχη μια κάλπη και τραβάμε διαδοχικά και χωρίς επανάθεση δυο σφαίρες Ποια η πιθανότητα να είναι και οι δυο άσπρες; 26

Λύση θεωρούμε τα ενδεχόμενα A = Οι δυο σφαίρες είναι άσπρες A = Επιλέξαμε την κάλπη Έχουμε P(A ) = /n και P(A A ) = ( ) Άρα από το θεώρημα ολικής πιθανότητας n(n ) n n P(A) = P(A A )P(A ) = ( ) n 2 (n ) = Άσκηση 32 Σταθεροποιούμε n N και επιλέγουμε ένα φυσικό μικρότερο ίσο του 2n με πιθανότητα ανάλογη τού λογαρίθμου του Αν A είναι το ενδεχόμενο επιλογής τού και B το ενδεχόμενο επιλογής άρτιου αριθμού, υπολογίστε τις πιθανότητες P(A ), P(B) και P(A 2p B), όπου p φυσικός Λύση Αν P(A ) = c log τότε πρέπει 2n = P(A ) =, άρα c = / log((2n)!) Επίσης n n log 2 + log(n!) P(B) = P(A 2 ) =, P(A 2p B) = P(A 2p) log((2n)!) P(B) = Άσκηση 33 Σε κάποιο χώρο πιθανότητας δείξτε ότι: () Αν τα A,, A n είναι ανεξάρτητα, τότε και τα συμπληρώματά τους είναι ανεξάρτητα Επίσης δείξτε ότι n P A n e = P(A ) = (2) Αν B n, n =, 2, είναι μια ακολουθία ξένων ανά δυο γεγονότων και A ένα γεγονός ανεξάρτητο με κάθε B n τότε το A είναι ανεξάρτητο και με την ένωση των B n Υπόδειξη: Στο () μπορείτε να χρησιμοποιήσετε την ανισότητα e x > x Λύση () Αν τα A, B είναι ανεξάρτητα, τότε P(A B ) = P(A B) = P(A) P(B) + P(A)P(B) = ( P(A))( P(B)) = P(A )P(B ) (2) Επαγωγικά, αν ισχύει για n το πλήθος ανεξάρτητα γεγονότα και τα A,, A n+ είναι ανεξάρτητα τότε για κάθε { j,, j } {,, n + } έχουμε P(A j A j ) = P((A j A j ) )( P(A j )) Τώρα n P A = P(A A n ) = = = ( P(A j )) ( P(A j ))( P(A j )) = P(A j ) P(A j ) = n ( P(A )) = n e P(A) = e n = P(A ) P B A = P(B A) = P(A) P(B ) = P(A)P B Άσκηση 34 Αν A n είναι μια ακολουθία ανεξάρτητων γεγονότων σε κάποιο χώρο πιθανότητας έτσι ώστε η σειρά + n= P(A n) αποκλίνει, τότε P(lim sup A n ) = Λύση Η προηγούμενη άσκηση μας δίνει ότι για κάθε m n έχουμε m P A m e =n P(A ) Παίρνοντας όριο καθώς m + για κάθε n Άρα P(lim sup A n ) = =n P A =, n 27 =

Άσκηση 35 Έστω ότι η διακριτή τυχαία μεταβλητή X έχει συνάρτηση πυκνότητας ( ) x f (x) = c, x =, +,, n Υπολογίστε τη σταθερά c και τη συνάρτηση κατανομής τής X Επίσης, αν μπορείτε, υπολογίστε την c με καθαρά συνδυαστικά επιχειρήματα (σκεφτείτε τι εκφράζει ο διωνυμικός συντελεστής) Λύση Άρα n x= ( ) x = + n x=+ {( ) x ( )} x = ( ) n f (x) = (x ) ( n ), F(x) = x ( ) j ( n ) = (x ) ( n j= ) Άσκηση 36 Έστω ότι η συνεχής τυχαία μεταβλητή X έχει συνάρτηση πυκνότητας f (x) = ce x, x R Να υπολογιστεί η c, η συνάρτηση κατανομής τής X και η πιθανότητα P( < X 2) Λύση e x dx = 2, άρα c = /2, και F(x) = x e t dt = e x, 2 2 2 e x, x x, P( < X 2) = F(2) F( ) = 2 (2 e e 2 ) Άσκηση 37 Έστω A, B δυο ανεξάρτητα ενδεχόμενα με P(A) = P(B) = p Βρείτε την κατανομή των παρακάτω τυχαίων μεταβλητών X = A + B, Y = A B, Z = A B, όπου S είναι η δείκτρια συνάρτηση τού συνόλου S Λύση P(A B ) = 2p + p 2, x = f X (x) = P(A B) + P(B A) = 2p( p), x = P(A B) = p 2, x = 2 P(A B) + P((A B) ) = 2p + 2p 2, y = f Y (y) = P(A B) = p p 2, y = P(B A) = p p 2, y = P((A B) ) = p 2, z = f Z (z) = P(A B) = p 2, z = Άσκηση 38 Αν X : Ω {,, 2, } είναι μια τυχαία μεταβλητή τής οποίας η πυκνότητα ικανοποιεί την αναδρομική σχέση βρείτε την κατανομή τής X f (n) = 4 f (n ), n =, 2,, n Λύση Η αναδρομική σχέση δίνει f (n) = 4n n! f () Αφού πρέπει n f (n) =, έχουμε f () = e 4, δηλαδή Poisson με παράμετρο 4 28

Άσκηση 39 Έστω ότι η τυχαία μεταβλητή X έχει συνάρτηση κατανομής, x <, F(x) = [x] c = θ, x όπου θ (, ) δοσμένη σταθερά και [x] το ακέραιο μέρος τού x Bρείτε τη c και τη συνάρτηση πυκνότητας τής X Λύση Έχουμε lim x + F(x) = c + θ = = c log θ, άρα c = ( ) log θ Η F είναι σταθερή σε κάθε διάστημα (, + ), =, 2,, άρα f (x) = σε κάθε τέτοιο διάστημα Έτσι για φυσικό έχουμε, f () = F() F( ) = c θ Άσκηση 4 Λύση () Δώστε μια πιθανοθεωρητική απόδειξη τού τύπου (λ + λ 2 + + λ n ) = j + j 2 + + j n = ( j, j 2,, j n ) λ j λ j 2 2 λ j n n, όπου τα λ j είναι θετικά (2) Ο αριθμός των απωλειών την j ημέρα ενός πολέμου ακολουθεί την κατανομή Poisson με παράμετρο λ j Χρησιμοποιώντας το () βρείτε την πιθανότητα σε n ημέρες να έχουμε απώλειες () Θεωρούμε μια ακολουθία ανεξάρτητων πειραμάτων, όπου κάθε πείραμα έχει n δυνατές εκβάσεις με πιθανότητα p j η κάθε μια Τότε η πιθανότητα να έχουμε j εκβάσεις τύπου, j 2 τύπου 2,, j n τύπου n είναι ίση με ( ) p j j,, j p j n n n Αν αθροίσουμε ως προς όλα τα j,, j n με j + + j n = πρέπει να πάρουμε αναγκαστικά Θέτοντας p j = λ j /(λ + + λ n ) παίρνουμε τον ζητούμενο τύπο (2) Η πιθανότητα να έχουμε j απώλειες την πρώτη μέρα και j 2 τη δεύτερη, και j n τη n-οστή, είναι e λ λ j j! λ jn e λ n n j n! Aθροίζοντας ως προς όλα τα j,, j n με άθροισμα παίρνουμε j + + j n = δηλαδή Poisson με παράμετρο λ + + λ n e λ λ j j! λ jn e λ n n j n! = e (λ + +λ n ) (λ + + λ n ),! Άσκηση 4 Σε μια γραμμή παραγωγής, η πιθανότητα παραγωγής ενός ελαττωματικού προϊόντος είναι p Τα προϊόντα τοποθετούνται σε κουτιά με n μονάδες ανά κουτί και τα κουτιά σε χαρτόνια με κουτιά ανά χαρτόνι Να βρείτε την πιθανότητα ένα κουτί να περιέχει x ελαττωματικά προϊόντα, και την πιθανότητα ένα χαρτόνι να έχει y κουτιά τα οποία να περιέχουν μια τουλάχιστο ελαττωματική μονάδα Λύση Στην πρώτη περίπτωση έχουμε B(n, p) Στη δεύτερη έχουμε B(, ( p) n ) Άσκηση 42 Επιλέγουμε τυχαία δυο φυσικούς X και Y με P[X = n] = P[Y = n] = 2 n Βρείτε την πιθανότητα ο X να διαιρεί τον Y Λύση Αν Ω = {(n, m) : n, m N} θέλουμε την πιθανότητα του ενδεχομένου {(n, n) :, n N} Δηλαδή 2 n 2 = n 2 n (2 n ) 66695,n n 29

Άσκηση 43 Τοποθετούμε n αριθμημένα σφαιρίδια σε n αριθμημένα κελιά Αν το j σφαιρίδιο τοποθετηθεί στο j κελί λέμε ότι έχουμε ένα ταίριασμα Αν X είναι το πλήθος των ταιριασμάτων, βρείτε τη συνάρτηση πιθανότητας τής τυχαίας μεταβλητής X Λύση Αν D n, είναι ο αριθμός των τρόπων που μπορούμε να έχουμε ταιριάσματα όταν βάζουμε n σφαιρίδια σε n κελιά, τότε ( ) n D n, = D n, Επίσης, αν A n, είναι το σύνολο των τρόπων που μπορούμε να έχουμε ταίριασμα στο κελί, όταν βάζουμε n σφαιρίδια σε n κελιά, τότε A n, = (n )! και γενικότερα (A n, j A n, jm ) = (n m)! Έτσι n ( ) n D n, = (n )! A n, A n,n = ( ) j (n j)! j Συνεπώς η ζητούμενη συνάρτηση πιθανότητας είναι j= f X () = P(X = ) = D n, n! =! n j= ( ) j j! Άσκηση 44 Έστω ότι X B(n = 8, p = 3/4) Αν p i = P(X = i), δείξτε ότι p i = 3(9 i) p i, i =,, 8 i Υπολογίστε στη συνέχεια την P(X 7) και βρείτε τη μεγαλύτερη τιμή τού έτσι ώστε P(X ) Λύση p i p i = (8 i )(3/4)i (/4) 8 i ( 8 = i )(3/4)i (/4) 9 i 3(9 i) i P(X 7) = p 7 + p 8 = 3678 Τα p, p + p, p + p + + p 7 είναι 52588 3847 422668 27298 385 32457 63299 899887 Άρα = 2 Άσκηση 45 () Βρείτε τον πραγματικό αριθμό a έτσι ώστε η συνάρτηση f (x) = a x 2, x > 4 να είναι συνάρτηση πυκνότητας μιας συνεχούς τυχαίας μεταβλητής X (2) Βρείτε τη συνάρτηση κατανομής F τής X (3) Δώστε τα γραφήματα των f και F Λύση f (x) dx = a ln 3, άρα a = / ln 3 F(x) = x 3 f (x) dx = + a ln x /2 x+/2

Άσκηση 46 Έστω X μια συνεχής τυχαία μεταβλητή τής οποίας η πυκνότητα f είναι άρτια και συνεχής Υποθέτουμε ότι η Y = X 2 ακολουθεί την εκθετική κατανομή με παράμετρο λ > Βρείτε την f Λύση Έχουμε P( x X x ) = P(Y x 2 ), δηλαδή F X ( x ) F X ( x ) = F Y (x 2 ) Παραγωγίζοντας παίρνουμε f X (x) = λ x e λx2 Άσκηση 47 Έστω ότι η τυχαία μεταβλητή X ακολουθεί την Poisson με παράμετρο λ > Θέτουμε [ X ] Y = 4 2X +, 2 όπου [ ] είναι το ακέραιο μέρος Βρείτε την κατανομή τής Y και υπολογίστε τη μέση τιμή της και τη διασπορά της Λύση Αν X άρτιος τότε Y =, αν X περιττός τότε Y = Άρα ( ) P(Y = ) = P(X άρτιος) = e λ + λ2 2! + λ4 4! + = e λ eλ + e λ 2 Ομοίως P(Y = ) = e λ eλ e λ 2 E(Y) = f Y () f Y ( ) = e 2λ E(Y 2 ) = f Y () + f Y ( ) = Var(Y) = E(Y 2 ) (E(Y)) 2 = e 4λ Άσκηση 48 Θεωρούμε δυο κάλπες Α και Β Αρχικά η Α έχει δυο σφαιρίδια και 2, και η Β είναι κενή Ρίχνουμε ένα νόμισμα 2n φορές Σε κάθε ρίψη αν φέρουμε Κ το σφαιρίδιο αλλάζει κάλπη, ενώ αν φέρουμε Γ το σφαιρίδιο 2 αλλάζει κάλπη Αν X είναι ο αριθμός των σφαιριδίων στην Α μετά τις 2n ρίψεις, βρείτε την κατανομή και τη μέση τιμή τής X Λύση Αν S είναι ο αριθμός των Κ τότε X = 2 αν S άρτιος και X = αν S περιττός Παρατηρούμε ότι ( ) N ( ) N ( ) N = = j j j N, j άρτιος j N, j περιττός Άρα P(S άρτιος) = P(S περιττός) = /2 Έτσι f X (2) = f X () = /2 και E(X) = Άσκηση 49 Αν η X είναι τυποποιημένη κανονική, βρείτε την κατανομή τής Z = X 2 2X Λύση Η διακρίνουσα τού X 2 2X t είναι 4( + t) Άρα, αν t <, P(Z t) = Αν t, Συνεπώς F Z (t) = P(Z t) = P( + t X + + t) = F X ( + + t) F X ( + t) f Z (t) = F Z (t) = e t 2 2 + t ( e +t + e +t ) Άσκηση 5 Ο αριθμός των μικροβίων σε οποιαδήποτε περιοχή μιας πλάκας μικροσκοπίου ακολουθεί την κατανομή Poisson με παράμετρο ανάλογη τού εμβαδού τής περιοχής Να βρεθεί η κατανομή τής απόστασης οποιουδήποτε μικροβίου από το κοντινότερό του 3

Λύση Έστω N s ο αριθμός των μικροβίων σε μια περιοχή εμβαδού s και R η απόσταση οποιουδήποτε μικροβίου από το κοντινότερό του Τότε Συνεπώς F R (r) = P(R r) = P(N πr 2 ) = e cπr2 f R (r) = F R (r) = 2πre cπr2 Άσκηση 5 Παίρνουμε τυχαία ένα σημείο P πάνω σ' ένα ευθύγραμμο τμήμα AB μήκους 2a Θεωρούμε την τυχαία μεταβλητή X = AP PB Να βρεθεί η μέση τιμή και η πυκνότητα τής X Λύση Αν T = AP, τότε T U(, 2a) (ομοιόμορφη), και X = T(2a T) Έτσι E[T] = E[T 2 ] = 2a 2a t 2a dt = a t 2 2a dt = 4 3 a2 E[X] = E[2aT T 2 ] = 2aE[T] E[T 2 ] = 2 3 a2 Τώρα Αλλά, αν x F X (x) = P[X x] = P[T(2a T) x] = P[T 2 2aT + x ], αν < x < a 2, αν x a 2 P[T 2 2aT + x ] = P [ T a a 2 x ] + P [ T a + a 2 x ] = Παραγωγίζοντας παίρνουμε 2a a f X (x) = 2 x, αν < x < a2, διαφορετικά a2 x a Άσκηση 52 Έστω ότι η συνεχής τυχαία μεταβλητή X έχει συνάρτηση κατανομής F και μέση τιμή µ Δείξτε ότι Λύση ( F(x)) dx = F(x) dx = µ = x x Προσθέτοντας κατά μέλη παίρνουμε το ζητούμενο ( F(x)) dx f X (t) dt dx = f X (t) dt dx = t F(x) dx f X (t) t dx dt = dx dt = t f X (t) dt t f X (t) dt Άσκηση 53 Υποθέτουμε ότι η συνεχής τυχαία μεταβλητή X έχει μέση τιμή µ και συνάρτηση πυκνότητας f με την ιδιότητα f (c + x) = f (c x) για κάποιο c (συμμετρική γύρω από το c) Δείξτε ότι µ = c Λύση µ = = 2c µ x f X (x) dx = (y + c) f X (y + c) dy = (y + c) f X (c y) dy = (2c u) f X (u) du Άσκηση 54 Δυο παίκτες Α και Β παίζουν με ένα ζάρι Αρχίζει ο Α Κερδίζει ο παίκτης που θα φέρει πρώτος άσσο Υπολογίστε τις πιθανότητες νίκης των δυο παικτών 32

Λύση Ο Α μπορεί να κερδίσει με τους ακόλουθους τρόπους άρα με πιθανότητα,,,, } {{ },, άρτιο πλήθος 6 n άρτιος ( 5 6 ) n = 6 + ( 5 ) 2n = 6 6 Ο Β κερδίζει με πιθανότητα 6 = 5 Άσκηση 55 Έστω ότι η τυχαία μεταβλητή X είναι ομοιόμορφη στο διάστημα [ 2, 2] Θέτουμε Y = cos(πx) Βρείτε τη συνάρτηση πυκνότητας, τη συνάρτηση κατανομής, τη μέση τιμή και τη διασπορά τής Y Λύση Η Y κινείται στο [, ] και F Y (y) = P(cos(πX) y) = P (X ) π arccos y + P (X ) ( ) π arccos y = F X π arccos y + F X ( ) π arccos y, n= για y Άρα E(Y 2 ) = 2 π E(Y) = 2 π f Y (y) = F y(y) = 2 π y 2, y < y dy = 2 [ ] y 2 y 2 π = 2 y= π y 2 y 2 dy = 2 π [ 2 y y 2 + arcsin y ] = 2 y= 2 Var(Y) = E(Y 2 ) (E(Y)) 2 = 2 4 π 2 Άσκηση 56 Η πιθανότητα επιβίωσης ενός θύματος τροχαίου ατυχήματος είναι p Το πλήθος K των ατυχημάτων ανά έτος ακολουθεί την κατανομή Poisson με παράμετρο λ, δηλαδή P(K = ) = e λ λ /! Αν X είναι ο αριθμός των θυμάτων που επιβιώνουν κάθε χρόνο, να βρεθεί η συνάρτηση πιθανότητας τής X Λύση Δεδομένου ότι έχουν γίνει ατυχήματα, το πλήθος των θυμάτων που επιβίωσαν ακολουθεί τη διωνυμική κατανομή με παραμέτρους και p, έτσι απο το θεώρημα ολικής πιθανότητας έχουμε + ( f X (x) = P(X = x) = P(X = x K = )P(K = ) = )p x ( p) x λ λ (λp)x e = e λp, x! x! δηλαδή Poisson με παράμετρο λp Άσκηση 57 Έστω λ R και f : R R η συνάρτηση =x f (x) = λ2 [x] [,+ ) (x), όπου [ ] είναι το ακέραιο μέρος Βρείτε το λ ώστε η f να είναι συνάρτηση πυκνότητας μιας συνεχούς τυχαίας μεταβλητής X, και για αυτό το λ βρείτε τη μέση τιμή τής X Λύση Άρα λ = /2 E(X) = + f (x) dx = x f (x) dx = 2 Χρησιμοποιήσαμε τον τύπο x = γεωμετρικής προόδου x ( x) 2 = + = + + f (x) dx = λ 2 = 2λ + x dx = 2 4 = + 2 = + 2 + 2 = = 3 2 ο οποίος προκύπτει αν παραγωγίσουμε τον τύπο τού αθροίσματος 33