ΠΑΡΑΔΕΙΓΜΑΤΑ. ΚΟΛΟΒΟΥ ΑΘΑΝΑΣΙΑ

Σχετικά έγγραφα
ΜΑΘΗΜΑΤΙΚΑ Ε ΔΗΜΟΤΙΚΟΥ ΤΕΤΡΑΔΙΟ ΕΡΓΑΣΙΩΝ

Στοχαστικές Στρατηγικές

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π

P (Ā) = k P ( C A) = 0

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ. Έννοια Ορισμοί Τρόπος υπολογισμού Kατανομή πιθανότητας Ασκήσεις

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π

Μέση τιμή, διασπορά, τυπική απόκλιση. 1) Για την τυχαία διακριτή μεταβλητή Χ ισχύει Ρ(Χ=x i)=

ΕΠΑΝΑΛΗΨΗ ΕΦΑΡΜΟΣΜΕΝΑ ΜΑΘΗΜΑΤΙΚΑ 11/01/2018

Λογικά Διανύσματα. >>x = -3/2*pi : pi/100 : 3/2*pi; >>y = tan(x); >>plot(x, y)

Παραδείγματα Απαλοιφή Gauss Απαλοιφή Gauss Jordan

ΔΙΑΔΡΑΣΤΙΚΟ ΦΥΛΛΟ ΕΡΓΑΣΙΑΣ

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

ΚΕΦΑΛΑΙΟ 2 ΔΙΑΤΑΞΕΙΣ, ΜΕΤΑΘΕΣΕΙΣ, ΣΥΝΔΥΑΣΜΟΙ

Α ΕΝΟΤΗΤΑ. Πιθανότητες. Α.1 (1.1 παρ/φος σχολικού βιβλίου) Α.2 (1.2 παρ/φος σχολικού βιβλίου) Δειγματικός χώρος - Ενδεχόμενα. Η έννοια της πιθανότητας

Θεωρία Πιθανοτήτων & Στατιστική

Παραδείγματα Απαλοιφή Gauss Απαλοιφή Gauss-Jordan Παραγοντοποίηση LU, LDU

Σκοπός του παιχνιδιού. Περίληψη

K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων

3/10/2016. Στατιστική Ι. 1 η Διάλεξη

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

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006

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

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

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:

Συστήματα Αναμονής (Queuing Systems)

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

Στατιστική Επιχειρήσεων Ι. Βασικές διακριτές κατανομές

Κεφάλαιο 3 Κατανομές. Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς

Συνδυαστικά Λογικά Κυκλώματα

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

Θεωρία Πιθανοτήτων και Στατιστική

Διαδικασία Ελέγχου Μηδενικών Υποθέσεων

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

ΠΕΡΙΕΧΟΜΕΝΑ ΤΟΥ ΠΑΙΧΝΙΔΙΟΥ

1.1 Πείραμα Τύχης - δειγματικός χώρος

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:

Εισαγωγή στις Αρχές της επιστήμης των ΗΥ

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

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ 23/04/2012. Α. Να απαντήσετε με Σ ή Λ στις παρακάτω προτάσεις:

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

ΑΣΚΗΣΗ 1 ΑΣΚΗΣΗ 2 ΑΣΚΗΣΗ 3

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

A A A B A ΦΥΛΛΑ ΙΟ ΘΕΜΑΤΩΝ 1/2. Μέϱος A. Πολλαπλές επιλογές (20%) Σειριακός αριθµός : 100 Πληροφορική Ι Εξέταση Φεβρουαρίου 2019

1 ο Κεφάλαιο : Πιθανότητες. 1. Δειγματικοί χώροι 2. Διαγράμματα Venn. Φυσική γλώσσα και ΚΑΤΗΓΟΡΙΕΣ ΑΣΚΗΣΕΩΝ. 3. Κλασικός ορισμός. 4.

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

3.1 ΔΕΙΓΜΑΤΙΚΟΙ ΧΩΡΟΙ ΕΝΔΕΧΟΜΕΝΑ

Κεφάλαιο 2 Πιθανότητες. Πέτρος Ε. Μαραβελάκης, Επίκουρος Καθηγητής, Πανεπιστήμιο Πειραιώς

3 ΠΙΘΑΝΟΤΗΤΕΣ. ο δειγματικός χώρος του πειράματος θα είναι το σύνολο: Ω = ω, ω,..., ω }.

Πιθανότητες. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Γενικής κεφάλαιο 3 94 ασκήσεις. Kglykos.gr. εκδόσεις. Καλό πήξιμο. Ι δ ι α ί τ ε ρ α μ α θ ή μ α τ α

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

Προγραμματιστικές Ασκήσεις, Φυλλάδιο 1

Υπολογιστικά & Διακριτά Μαθηματικά

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

Επιχειρησιακή Έρευνα I

TO ΥΠΟΠΡΟΓΡΑΜΜΑ ΣΥΝΑΡΤΗΣΗ

Πριν απο λιγα χρονια ημουνα ακριβως σαν εσενα.

ΚΕΦΑΛΑΙΟ 2 ΑΛΓΟΡΙΘΜΟΙ ΔΟΜΗ ΑΚΟΛΟΥΘΙΑΣ ΘΕΩΡΙΑ

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007

1.1 ΔΕΙΓΜΑΤΙΚΟΙ ΧΩΡΟΙ ΕΝΔΕΧΟΜΕΝΑ

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

HY118-Διακριτά Μαθηματικά

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

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ. Εξετάσεις Προσομοίωσης 10/04/2018

Η ΔΙΔΑΣΚΑΛΙΑ ΤΩΝ ΠΙΘΑΝΟΤΗΤΩΝ ΣΤΟ ΔΗΜΟΤΙΚΟ ΣΧΟΛΕΙΟ

Στατιστική Επιχειρήσεων Ι

Γ2.1 Στοιχεία Αρχιτεκτονικής. Γ Λυκείου Κατεύθυνσης

ΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 4. Παραδείγματα Ανάλυσης Πολυπλοκότητας Ανάλυση Αναδρομικών Αλγόριθμων

Βρόχοι. Εντολή επανάληψης. Το άθροισμα των αριθμών 1 5 υπολογίζεται με την εντολή. Πρόβλημα. Πώς θα υπολογίσουμε το άθροισμα των ακέραιων ;

Κατανομές. Κολοβού Αθανασία

ΔΕΙΓΜΑΤΙΚΟΣ ΧΩΡΟΣ ΕΝΔΕΧΟΜΕΝΑ

Τυχαίοι αριθμοί ρίξε μια «ζαριά»

ΠΙΘΑΝΟΤΗΤΕΣ Α ΛΥΚΕΙΟΥ Ανδρεσάκης Δ. ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΠΙΘΑΝΟΤΗΤΕΣ

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

32 κάρτες-πόλης 9 κάρτες-χαρακτήρων 5 κάρτες-αστυνομίας

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

Στατιστική Ι. Ενότητα 3: Πιθανότητες. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών

Λύσεις 4ης Ομάδας Ασκήσεων

ΣΤΟΙΧΕΙΑ ΑΛΓΕΒΡΑΣ. 1. Συνδυαστική ανάλυση Μεταθέσεις

Σημειωματάριο Δευτέρας 4 Δεκ. 2017

Μετασχηματισμός Δεδομένων

Ψηφιακά Συστήματα. 5. Απλοποίηση με χάρτες Karnaugh

Προσομοίωση (simulation) στο Matlab

Τυχαίες Μεταβλητές. Ορισμός

ΔΟΚΙΜΑΣΤΙΚΟ ΤΕΣΤ Γ' ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΤΕΤΑΡΤΗ 26 ΑΠΡΙΛΙΟΥ 2017 ΑΕΠΠ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΤΕΣΣΕΡΕΙΣ (4)

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

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

JavaScript 6. Πίνακες

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

ΔΙΑΓΩΝΙΣΜΑ: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΑΞΗ:- Γ ΛΥΚΕΙΟΥ ΤΜΗΜΑΤΑ: ΓΟ4 ΓΟ7 (ΖΩΓΡΑΦΟΥ) ΓΟ5 ΓΟ6 (ΧΟΛΑΡΓΟΣ) HM/NIA: 15/1/2017

Μέρος ΙΙ. Τυχαίες Μεταβλητές

Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα

Στατιστική Περιγραφή Φυσικού Μεγέθους - Πιθανότητες

Διάλεξη 04: Παραδείγματα Ανάλυσης

ΑΡΧΗ 1ης ΣΕΛΙΔΑΣ. Για i από 1 μέχρι Μ Εμφάνισε A[4,i] Τέλος_επανάληψης. (μονάδες 6) ΤΕΛΟΣ 1ης ΑΠΟ 7 ΣΕΛΙΔΕΣ

Διάλεξη 04: Παραδείγματα Ανάλυσης Πολυπλοκότητας/Ανάλυση Αναδρομικών Αλγόριθμων

ΔΕΣΜΕΥΜΕΝΕΣ Ή ΥΠΟ ΣΥΝΘΗΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ. Εξετάσεις Προσομοίωσης 24/04/2019

Transcript:

ΠΑΡΑΔΕΙΓΜΑΤΑ ΚΟΛΟΒΟΥ ΑΘΑΝΑΣΙΑ http://users.uoa.gr/~akolovou/

Βήματα (γενικά) Μοντελοποίηση του προβλήματος Ορισμός τυχαίων μεταβλητών Ορίζουμε σαν παράμετρο τον αριθμό των επαναλήψεων του πειράματος

Παράδειγμα 1 Αν ρίξουμε ένα ζάρι 4 φορές τουλάχιστον 1 φορά θα εμφανιστεί το 6. Αρχικά ορίζουμε ένα πίνακα που αποτελείται από 4 στήλες, και έχει τόσες γραμμές όσες και οι επαναλήψεις του πειράματος 1rst throw 2nd throw 3rd throw 4rth throw 2 5 1 6 3 4 1 5 2 1 6 6............ Ορίζουμε την τυχαία μεταβλητή sixes η οποία παίρνει τιμή 1 αν πήραμε τουλάχιστον μία φορά 6 και 0 αν όχι.

Παράδειγμα 1 (συνέχεια) Έπειτα θα χρησιμοποιήσουμε λογικές εκφράσεις για να μετατρέψουμε τις τιμές των τυχαίων αριθμών σε τιμές των τυχαίων μεταβλητών. Η έκφραση της μορφής sixes == 6 δημιουργεί ένα νέο πίνακα ίσων διαστάσεων με τον πίνακα sixes που έχει 1 εκεί όπου ισχύει η συνθήκη και 0 αλλού. Αρκεί λοιπόν να βρούμε τις γραμμές του νέου αυτού πίνακα που έχουν 1.

Παράδειγμα 1 (matlab implementation) roll=100; out=floor(6*(rand(roll,4)))+1; %4 ρίψεις ενός ζαριού sixes = (out==6); %πόσες φορές πήραμε 6 στις ρίψεις success=sum(sixes,2)>=1; %επιτυχία αν πήραμε 6 τουλάχιστον 1 φορά sum(success)/roll Θα τρέξουμε το πείραμα για διαφορετικό αριθμό επαναλήψεων από 10 έως 10000 roll=linspace(10,10000,10); for i=1:size(roll,2) out=floor(6*(rand(roll(i),4)))+1; sixes = (out==6); success=sum(sixes,2)>=1; results(i)=sum(success)/roll(i); end plot(roll,results);grid on 0.54 0.52 0.5 0.48 0.46 0.44 0.42 0.4 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Παράδειγμα 2 Στο Las Vegas, ο τροχός μία ρουλέτας έχει 38 slots που αριθμούνται ως εξής 0, 00, 1, 2,..., 36. Οι θέσεις 0 και 00 είναι πράσινες και οι μισές από τις υπόλοιπες 36 είναι κόκκινες και οι άλλες μισές είναι μαύρες. Ο κρουπιέρης γυρίζει τη ρουλέτα και πετάει τη μπίλια στον τροχό. Αν ποντάρεις ένα ευρώ στο κόκκινο κερδίζεις ένα ευρώ αν η μπίλια σταματήσει στο κόκκινο, διαφορετικά χάνεις ένα ευρώ. Να γραφτεί πρόγραμμα που υπολογίζει τα κέρδη για ένα παίχτη που ποντάρει 500 φορές στο κόκκινο.

Παράδειγμα 2 Ορισμός τυχαίων μεταβλητών wins που παίρνει τιμή 1 αν κερδίζω στο στοίχημα ή 0 αν χάνω, και loses (loses=wins-1) που εξαρτάται από την wins και παίρνει τιμές 0 αν κερδίζω ή -1 αν χάνω στο στοίχημα. Το αποτέλεσμα θα είναι winnings= (wins+loses);

Παράδειγμα 2 Αρχικά ορίζουμε ένα πίνακα που αποτελείται από μία στήλη, και έχει τόσες γραμμές όσες και οι επαναλήψεις του πειράματος. Έπειτα θα χρησιμοποιήσουμε λογικές εκφράσεις για να μετατρέψουμε τις τιμές των τυχαίων αριθμών σε τιμές των τυχαίων μεταβλητών. Μία έκφραση της μορφής reds<18/38 στο Matlab παράγει έναν πίνακα ίσων διαστάσεων με τον πίνακα reds που έχει ένα εκεί όπου ισχύει η συνθήκη P(1)=18/38 και 0 αλλού, P(0)=20/38.

Παράδειγμα 2 (συνέχεια) Ας το δούμε τώρα ολοκληρωμένο για 500 επαναλήψεις runs=500; red=rand(runs,1); wins=red<18/38; loses=wins-1; winnings=sum(wins)+sum(loses); Ένα αποτέλεσμα για παράδειγμα είναι winnings=-50 no luck at all!!

Παράδειγμα 2 plot results Μπορούμε να χρησιμοποιήσουμε την εντολή cumsum (cumulative sum) που υπολογίζει τα μερικά αθροίσματα σε ένα πίνακα ( για παράδειγμα σε μία ακολουθία {a,b,c } τα μερικά αθροίσματα θα είναι a, a+b, a+b+c ) winnings=cumsum(wins+loses); plot(1:runs,winnings);grid; 10 5 0-5 Roulette Wheel Betting on Red -10-15 -20-25 -30-35 -40 0 50 100 150 200 250 300 350 400 450 500

Παράδειγμα 3 Ένα άλλο πρόβλημα θα ήταν να πούμε ότι ποντάρουμε ότι ένας συγκεκριμένος αριθμός, πχ το 15 θα εμφανιστεί. Αν η μπίλια σταματήσει στον αριθμό παίρνεις πίσω το ευρώ σου συν 50 ευρώ ακόμα. Αν όχι, χάνεις το ευρώ σου. Να γραφτεί πρόγραμμα που μας υπολογίζει τα κέρδη για κάποιον που ποντάρει 500 φορές στο 15.

Παράδειγμα 3 Αρχικά ορίζουμε ένα πίνακα που αποτελείται από μία στήλη, και έχει τόσες γραμμές όσες και οι επαναλήψεις του πειράματος. Έπειτα θα χρησιμοποιήσουμε λογικές εκφράσεις για να μετατρέψουμε τις τιμές των τυχαίων αριθμών σε τιμές των τυχαίων μεταβλητών. Μία έκφραση της μορφής number_15<1/38 στο Matlab παράγει έναν πίνακα ίσων διαστάσεων με τον πίνακα number_15 που έχει ένα εκεί όπου ισχύει η συνθήκη P(1)=1/38 και 0 αλλού, P(0)=37/38.

Παράδειγμα 3 (συνέχεια) runs=500; bet=rand(runs,1); number_15=bet<1/38; other_numbers=number_15-1; winnings=cumsum(number_15*50+other_numbers); plot(1:runs,winnings);grid; 140 120 100 80 60 40 20 0-20 -40 Roulette Wheel-betting on 15-60 0 50 100 150 200 250 300 350 400 450 500

Παράδειγμα 4 Μία μηχανή παγωτού λειτουργεί κανονικά όταν και τα τέσσερα υποσυστήματα της (A,B,C,D) λειτουργούν κανονικά. Τα υποσυστήματα είναι ανεξάρτητα και καθένα από αυτά έχει πιθανότητα βλάβης 1/4 Δεδομένου ότι η μηχανή σήμερα σήμερα δεν λειτουργεί, ποια είναι η πιθανότητα μόνο το Α να ευθύνεται για αυτό?

Παράδειγμα 4 (συνέχεια) Ορισμός τυχαίων μεταβλητών A,B,C,D που παίρνουν την τιμή 1 ή 0. Ορίζουμε επίσης και την τυχαία μεταβλητή ICE, που παίρνει τιμή 1 ή 0 ανάλογα με το αν λειτουργεί ή όχι η μηχανή. Ορίζουμε σαν παράμετρο τον αριθμό των επαναλήψεων του πειράματος

Παράδειγμα 4 (συνέχεια) Αρχικά ορίζουμε ένα πίνακα που αποτελείται από μία τετράδα τυχαίων αριθμών, και έχει τόσες γραμμές όσες και οι επαναλήψεις του πειράματος. Έπειτα θα χρησιμοποιήσουμε λογικές εκφράσεις για να μετατρέψουμε τις τιμές των τυχαίων αριθμών σε τιμές των τυχαίων μεταβλητών. Μία έκφραση της μορφής subsystem>0.25 στο Matlab παράγει έναν πίνακα που έχει 1 εκεί όπου ισχύει η συνθήκη, P(1)=3/4 και 0 αλλού, P(0)=1/4.

Παράδειγμα 4 (συνέχεια) Το αποτέλεσμα του πειράματος μπορεί να προκύψει από μία τετράδα τυχαίων τιμών που συμβολίζουν αν τα ανεξάρτητα υποσυστήματα λειτουργούν ή όχι A B C D 0 1 1 0 1 0 0 1 Η τυχαία μεταβλητή ICE γίνεται 1 όταν μία ολόκληρη γραμμή στον παραπάνω πίνακα είναι 1. Χρησιμοποιούμε την εντολή sum για να το εκφράσουμε αυτό και συγκεκριμένα αν sum<4 η μηχανή δεν λειτουργεί.

Παράδειγμα 4 (συνέχεια) Με την συνθήκη sum<4 θα πάρουμε ένα νέο πίνακα που περιέχει μόνο τις τετράδες που το άθροισμα είναι μικρότερο του 4. Στη συνέχεια από αυτές τις τετράδες θέλουμε μόνο να κρατήσουμε εκείνες μόνο που έχουν Α=0, B=C=D=1. Έτσι θα πάρουμε ένα νέο πίνακα που περιέχει μόνο τις τετράδες που μας ενδιαφέρουν ( Α δεν λειτουργεί και όλα τα άλλα λειτουργούν)

Παράδειγμα 4 (matlab implementation) runs=100; subsystem=rand(runs,4); failure=subsystem>0.25; x=find ( sum(failure,2)<4 ) ; % sum(a,2) means sum each row %want to keep only the lines with sum<4, so we construct a new array new=failure(x(:),:) ; %choose the lines from new with A=0, B=C=D=1 (sum of row equals 3 at this case) result= find ( new(:,1)==0 & sum(new,2)==3 ); p=length(result)/length(new)