II. Τυχαίες Μεταβλητές

Σχετικά έγγραφα
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ. Πιθανότητες. Συνάρτηση κατανομής πιθανότητας Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας

Τυχαίες Μεταβλητές. Ορισμός

Μέρος ΙΙ. Τυχαίες Μεταβλητές

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

Μέρος IV. Πολυδιάστατες τυχαίες μεταβλητές. Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ15 ( 1 )

3. Κατανομές πιθανότητας

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

3 ο Μέρος Χαρακτηριστικά τυχαίων μεταβλητών

17/10/2016. Στατιστική Ι. 3 η Διάλεξη

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

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ. Πιθανότητες. Συνεχείς τυχαίες μεταβλητές Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας

Στατιστική Επιχειρήσεων Ι. Βασικές διακριτές κατανομές

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

ΚΕΦΑΛΑΙΟ 4ο ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΑΠΟ ΣΥΝΕΧΕΙΣ ΚΑΙ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

Τυχαίες Μεταβλητές (τ.µ.)

Πανεπιστήμιο Πελοποννήσου

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

Τυχαία μεταβλητή (τ.μ.)

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

Βιομαθηματικά BIO-156

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ. Έννοια Ορισμοί Τρόπος υπολογισμού Kατανομή πιθανότητας Ασκήσεις

ιωνυµική Κατανοµή(Binomial)

ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Queuing Systems

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

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

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων

Θεωρητικές Κατανομές Πιθανότητας

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές

ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Π

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

Θεωρία Πιθανοτήτων & Στατιστική

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

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

Στοχαστικές Στρατηγικές

Θεωρία Πιθανοτήτων & Στατιστική

0. Σύντοµη επισκόπηση θεωρίας πιθανοτήτων

ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 2 : Πληροφορία και Εντροπία Διάλεξη: Κώστας Μαλιάτσος Χρήστος Ξενάκης, Κώστας Μαλιάτσος

Υπολογιστικά & Διακριτά Μαθηματικά

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Συνεχείς Τυχαίες Μεταβλητές

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

Η διακριτή συνάρτηση μάζας πιθανότητας δίνεται από την

ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΑΣΚΗΣΕΙΣ

Κατανομές Πιθανοτήτων. Γεωργία Φουτσιτζή, Καθηγήτρια, Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πανεπιστήμιο Ιωαννίνων Ακαδ.

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

ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ - ΠΡΟΣΟΜΟΙΩΣΗ

Συστήματα Αναμονής. Ενότητα 2: Τυχαίες Μεταβλητές. Αγγελική Σγώρα Τμήμα Μηχανικών Πληροφορικής ΤΕ

ΤΥΧΑΙΑ ΙΑΝΥΣΜΑΤΑ. Θεωρία Πιθανοτήτων και Στοχαστικές ιαδικασίες, Κ. Πετρόπουλος. Τµ. Επιστήµης των Υλικών

ρ. Ευστρατία Μούρτου

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

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

2. Η πιθανότητα της αριθμήσιμης ένωσης ξένων μεταξύ τους ενδεχομένων είναι το άθροισμα των πιθανοτήτων των ενδεχομένων.

ΠΙΘΑΝΟΤΗΤΕΣ -ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ(τελικές εξετάσεις πλη12)

2. Η πιθανότητα της αριθμήσιμης ένωσης ξένων μεταξύ τους ενδεχομένων είναι το άθροισμα των πιθανοτήτων των ενδεχομένων.

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

ΕΡΩΤΗΣΕΙΣ ΣΩΣΤΟΥ ΛΑΘΟΥΣ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΤΗΣ Γ ΓΕΝΙΚΗΣ ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ

Βασικά στοιχεία της θεωρίας πιθανοτήτων

ΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ

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

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

Βασικά στοιχεία της θεωρίας πιθανοτήτων

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

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

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

1 x-μ - 2 σ. e σ 2π. f(x) =

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

ΒΑΣΙΚΕΣ ΣΥΝΕΧΕΙΣ ΚΑΤΑΝΟΜΕΣ

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

ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Queuing Systems

Στατιστική Επιχειρήσεων Ι

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

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

ΣΥΝΔΥΑΣΤΙΚΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ

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

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

X:S X(S) Έστω ότι στρίβουµε ένα αµερόληπτο νόµισµα δύο φορές και ενδιαφερόµαστε για τον αριθµό των Κ που θα εµφανιστούν.

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

Ορισμός : Η συνάρτηση X : Ω είναι μετρήσιμη εάν 1. της τυχαίας μεταβλητής X : Ω, είναι το πεδίο τιμών της X. Δηλαδή είναι το υποσύνολο του { }

Στατιστική Ι-Θεωρητικές Κατανομές ΙΙ

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

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

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

ΜΕΡΙΚΕΣ ΕΙΔΙΚΕΣ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ

Ορισμός : Η συνάρτηση X : Ω είναι μετρήσιμη εάν 1. της τυχαίας μεταβλητής X : Ω, είναι το πεδίο τιμών της X. Δηλαδή είναι το υποσύνολο του { }

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

ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Queuing Systems Επισκόπηση Γνώσεων Πιθανοτήτων (2/2) Διαδικασία Γεννήσεων Θανάτων Η Ουρά Μ/Μ/1

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

p B p I = = = 5

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

Θέμα: ΑΣΚΗΣΕΙΣ ΣΤΙΣ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ ΚΕΦΑΛΑΙΟ 7 KELLER

Φροντιστήριο 3o. όπου x = max{m N 0 : m x} και N 0 = {0, 1, 2,...} Λύση. Ιδιότητες αθροιστικής: lim F (x) = 0 αφού F (x) = 0 για x < 1.

Θέμα: ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΓΙΑ ΤΙΣ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ ΚΕΦΑΛΑΙΟ 7 ΒΙΒΛΙΟ KELLER

ΣΥΣΤΗΜΑΤΑ ΑΝΑΜΟΝΗΣ Queuing Systems Εισαγωγή (2/2) Επισκόπηση Γνώσεων Πιθανοτήτων (1/2)

Transcript:

II. Τυχαίες Μεταβλητές τυχαία μεταβλητή (τ.μ.) Χ : Αναφέρεται πάνω σε μία μετρούμενη ποσότητα του τυχαίου πειράματος Εκφράζει μία συνάρτηση (απεικόνιση) από τον δειγματικό χώρο (Ω) σε έναν αριθμητικό χώρο (R X ), Ω -> R X Η ποσότητα είναι τυχαία καθώς αναφέρεται σε χώρο αβεβαιότητας: P(X=) = P(ζ Ω : X(ζ)=) Αθροιστική συνάρτηση κατανομής πιθανότητας (σ.κ.π.) () = P( X ) = P(ζ Ω : X(ζ) ) Πιθανότητες Μέρος 3 ο Κ. Μπλέκας (/7)

II. Ιδιότητες της σ.κ.π. () (α). 0 (), εφόσον είναι πιθανότητα (β). lim lim 0 (γ). αν < 2 τότε ( ) ( 2 ), δηλ. η () είναι μη φθίνουσα (δ). Η σ.κ.π. () είναι συνεχής από δεξιά (δεξιά συνεχής) h ( ) lim h 0 (ε). αν a<b τότε P(a<X b) = (b) (a) (στ). P(X=a) = (a) (a - ) (δηλ. το άλμα της σ.κ.π. στο σημείο X=a) (ζ). P(X>) = - P(X ) = -() Πιθανότητες Μέρος 3 ο Κ. Μπλέκας (2/7)

II2. Διακριτές Τυχαίες Μεταβλητές Μία τυχαία μεταβλητή (τ.μ.) Χ είναι διακριτή εάν το σύνολο τιμών της είναι πεπερασμένο ή το πολύ απείρως αριθμήσιμο. R X = {, 2,,, } Η σ.κ.π. () = P( X ) είναι μη φθίνουσα, δεξιά συνεχής και κλιμακωτή με άλματα στις τιμές της μεταβλητής. Το σύνολο πιθανοτήτων των τιμών της τ.μ. Χ ορίζει την συνάρτηση () = P(X=) R X που ονομάζεται συνάρτηση πυκνότητας (ή μάζας) πιθανότητας () και για την οποία ισχύουν τα παρακάτω: ( ) 0 i i R X PX i PX k k Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (3/8) k i k

II3. Ειδικές κατανομές διακριτών τ.μ. (Α) Ομοιόμορφη (Uiorm) κατανομή Όλες οι τιμές της μεταβλητής είναι ισοπίθανες Σύνολο τιμών της μεταβλητής R X = {, 2,, } Συνάρτηση πυκνότητας πιθανότητας () ( i ) = / i=,, Συνάρτηση κατανομής πιθανότητας (σ.κ.π.) PX ακέραιο μέρος του Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (4/8)

(Β) Beroulli κατανομή Beroulli πείραμα ή δοκιμή: το τυχαίο πείραμα το αποτέλεσμα του οποίου είναι δυαδικό: αποτυχία (0) ή επιτυχία (). ρ (-ρ) είναι η πιθανότητα επιτυχίας (αποτυχίας). Σύνολο τιμών της μεταβλητής R X = {0,} σ.κ.π. Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (5/8) 0 0 0 X P 0

(Γ) Διωνυμική (biomial) κατανομή Μετρά το πλήθος των επιτυχιών σε ανεξάρτητες Beroulli δοκιμές κάθε μία από τις οποίες έχει πιθανότητα επιτυχίας ρ. συμβολίζουμε τ.μ. X ~ b(,ρ). σύνολο τιμών της μεταβλητής R X = {0,,, } - Αν ρ=0.5 τότε η είναι συμμετρική, δηλ. () = (-) - Αναδρομικός τύπος: - Για *=[(+)ρ] έχουμε την μέγιστη τιμή (κορυφή της κατανομής) Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (6/8)

(Δ) Αρνητική Διωνυμική (Negative biomial) κατανομή Μετρά το πλήθος των Beroulli δοκιμών που απαιτούνται ώστε να πετύχουμε επιτυχίες. συμβολίζουμε τ.μ. X ~ Nb(,ρ). σύνολο τιμών της μεταβλητής R X = {, +, } Αναδρομικός τύπος: Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (7/8)

(Ε) Γεωμετρική (Geometrical) κατανομή Μετρά το πλήθος των Beroulli δοκιμών μέχρι την πρώτη επιτυχία. συμβολίζουμε τ.μ. X ~ G(ρ) δηλ. G(ρ) Nb(=,ρ) σύνολο τιμών της μεταβλητής R X = {, 2, } Πιθανότητα να περιμένουμε τουλάχιστον χρον. στιγμές έως ότου εμφανιστεί κάτι σ.κ.π. PX άρα PX Ιδιότητα της απώλειας μνήμης PX m X P( X m) m Η πιθανότητα να περιμένουμε επιπλέον τουλάχιστον m χρονικές στιγμές είναι η ίδια με την πιθανότητα να περιμέναμε m χρον. στιγμές από την αρχή. Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (8/8)

(ΣΤ) Υπεργεωμετρική (Hyper-Geometrical) κατανομή Έστω δοχείο με Ν αντικείμενα εκ των οποίων τα m έχουν μία κοινή ιδιότητα. Επιλέγουμε τα αντικείμενα και μετράμε πόσα από αυτά έχουν την ιδιότητα των m αντικειμένων. συμβολίζουμε τ.μ. X ~ hg(n,m,), σύνολο τιμών R X = {0,,, mi(,m)} αναδρομικός τύπος: Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (9/8) N m N m X P m N m

(Ζ) Poisso κατανομή Μετρά το πλήθος εμφάνισης ενός φαινομένου σε ένα συγκεκριμένο χρονικό ή χωρικό διάστημα. (π.χ. αριθμός άφιξης πελατών, πλήθος σταλθέντων πακέτων από έναν εξυπηρετητή (server), αριθμός επισκέψεων μιας ιστοσελίδας, κλπ.) συμβολίζουμε τ.μ. X ~ P(λ), σύνολο τιμών της μεταβλητής R X = {0,, }! PX e λ: ρυθμός εμφάνισης του φαινομένου αναδρομικός τύπος: Πιθανότητες Μέρος 4 ο Κ. Μπλέκας (0/8)