ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΑΣΚΗΣΕΙΣ

Σχετικά έγγραφα
ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

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

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ

ΣΥΝΑΡΤΗΣΗ ΚΑΤΑΝΟΜΗΣ - ΜΕΣΗ ΤΙΜΗ

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

Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων

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

ιωνυµική Κατανοµή(Binomial)

ΕΣΜΕΥΜΕΝΕΣ ΠΙΘΑΝΟΤΗΤΕΣ

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

ΕΣΜΕΥΜΕΝΕΣ ΠΙΘΑΝΟΤΗΤΕΣ

ΣΤΟΧΑΣΤΙΚΕΣ ΙΑ ΙΚΑΣΙΕΣ

Στατιστική Συμπερασματολογία

Πανεπιστήμιο Πελοποννήσου

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

Βιομαθηματικά BIO-156

Τυχαίες Μεταβλητές (τ.µ.)

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

ΕΞΕΤΑΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΣΤΑΤΙΣΤΙΚΗ I: ΕΚΤΙΜΗΤΙΚΗ

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

3. Κατανομές πιθανότητας

ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ

ΤΥΧΑΙΑ ΔΙΑΝΥΣΜΑΤΑ F(x) 1, x n. 2. Η F είναι μη φθίνουσα και δεξιά συνεχής ως προς κάθε μεταβλητή. 3.

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I Παντελής Δημήτριος Τμήμα Μηχανολόγων Μηχανικών

Τυχαία μεταβλητή (τ.μ.)

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

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

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

200, δηλαδή : 1 p Y (y) = 0, αλλού

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2

ΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ

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.

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

II. Τυχαίες Μεταβλητές

Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ

ΕΠΑΝΑΛΗΨΗ ΒΑΣΙΚΩΝ ΕΝΝΟΙΩΝ ΣΤΑΤΙΣΤΙΚΗΣ

ρ. Ευστρατία Μούρτου

Τυχαίες Μεταβλητές Γεώργιος Γαλάνης Κωνσταντίνα Παναγιωτίδου

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

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

P (M = 9) = e 9! =

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

3 ο Μέρος Χαρακτηριστικά τυχαίων μεταβλητών

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

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

Στατιστική. Εκτιμητική

P(200 X 232) = =

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

Τυχαία Διανύσματα και Ανεξαρτησία

ΣΤΑΤΙΣΤΙΚΗ ΠΙΘΑΝΟΤΗΤΕΣ

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71

Θεωρία Πιθανοτήτων & Στατιστική

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

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

Θεωρητικές Κατανομές Πιθανότητας

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

Επισκόπηση ύλης Πιθανοτήτων Μέρος ΙΙ. M. Kούτρας

0. Σύντοµη επισκόπηση θεωρίας πιθανοτήτων

ΕΠΑΝΑΛΗΠΤΙΚΗ ΕΙΓΜΑΤΟΛΗΨΙΑ

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

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

Κεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής

Σημειώσεις Στατιστική & Πιθανότητες

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

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

Περιεχόµενα. Πρόλογος Ιστορική εξέλιξη της πιθανοκρατικής αντίληψης... 13

ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ - ΑΣΚΗΣΕΙΣ. αλλού

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

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

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

Η «ύλη» του προπτυχιακού µαθήµατος

Είδη Μεταβλητών. κλίµακα µέτρησης

Γ. Κορίλη, Μοντέλα Εξυπηρέτησης

n i P(x i ) P(X = x i ) = lim

Στατιστική ΙΙ Ενότητα 2: ειγµατοληψία

Κεφάλαιο 3: Τυχαίες µεταβλητές και κατανοµές πιθανότητας.

P (A) + P (B), [Α,Β: ξένα µεταξύ τους] P (C A B) [P (A) + P (B)] P (C A) P (A) P (B) 3 4 ( ) 1 7 = 3 7 =

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

P (M = n T = t)µe µt dt. λ+µ

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Επισκόπηση ύλης Πιθανοτήτων: Μέρος ΙΙ. M. Kούτρας

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

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

Πιθανότητες Γεώργιος Γαλάνης Κωνσταντίνα Παναγιωτίδου

Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Τυχαίες μεταβλητές, στοχαστικές ανελίξεις και χρονοσειρές

εσµευµένες Πιθανότητες-Λυµένα Παραδείγµατα 3. Επιλέγουµε έναν που δεν είναι άνεργος. Ποια είναι η πιθανότητα να είναι πτυχιούχος; = 0.

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

Θεωρία Πιθανοτήτων & Στατιστική

Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών Εθνικό Μετσόβιο Πολυτεχνείο. Στοχαστικές Ανελίξεις. Κεφάλαιο 1: Εισαγωγή. Κοκολάκης Γεώργιος

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές

Θεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του όγδοου φυλλαδίου ασκήσεων.

Στοχαστικές Στρατηγικές

Στατιστική Επιχειρήσεων Ι. Βασικές διακριτές κατανομές

Θεωρία Πιθανοτήτων & Στατιστική

ΣΥΝ ΥΑΣΤΙΚΗ ΑΝΑΛΥΣΗ. Θεωρία Πιθανοτήτων και Στοχαστικές ιαδικασίες, Κ. Πετρόπουλος. Τµ. Επιστήµης των Υλικών

Transcript:

Τµ. Επιστήµης των Υλικών

ειγµατοληψία Με ιάταξη ειγµατοληψία Χωρίς ιάταξη Χωρίς Επανατοποθέτηση (n)k Με Επανατοποθέτηση n k Χωρίς Επανατοποθέτηση ( n k) Με Επανατοποθέτηση ( n+k 1 ) k

ειγµατοληψία Με ιάταξη ειγµατοληψία Χωρίς ιάταξη Χωρίς Επανατοποθέτηση (n)k Με Επανατοποθέτηση n k Χωρίς Επανατοποθέτηση ( n k) Με Επανατοποθέτηση ( n+k 1 ) k Επ. ειγµατοληψία ιακεκριµένα Σφαιρίδια Μη ιακεκριµένα Σφαιρίδια Με Περιορισµούς n! Χωρίς Περιορισµούς n 1!n 2!...n k! k n ( n 1 ) Με Περιορισµούς k 1 Χωρίς Περιορισµούς ( n+k 1 ) n

Παραδείγµατα Παράδειγµα 1 Σύµφωνα µε τις διαθέσεις της κυβέρνησης, 118 υπάλληλοι του Π.Π. τίθενται σε διαθεσιµότητα. Αν για αυτούς τους υπαλλήλους υπάρχουν τρεις ισοπίθανες περιπτώσεις, είτε να υπηρετήσουν άλλες ακαδηµαϊκές µονάδες, είτε να µετατεθούν σε άλλες υπηρεσίες του κράτους, είτε να απολυθούν, τότε 1 υπολογίστε την πιθανότητα 52 υπάλληλοι να υπηρετήσουν σε άλλη ακαδηµαϊκή µονάδα, 40 υπάλληλοι να µετατεθούν σε άλλη υπηρεσία του κράτους και οι υπόλοιποι να απολυθούν. 2 Ποια είναι η πιθανότητα το πολύ 10 να απολυθούν;

εσµευµένες Πιθανότητες Ορισµός Τα σύνολα A 1, A 2,...,A n,... αποτελούν µια διαµέριση του συνόλου Ω, εάν αυτά είναι ξένα µεταξύ τους ανά δύο (δηλ. A i A j =, i j) και j=1aj = Ω. Θεώρηµα Ολικής Πιθανότητας (Θ.Ο.Π.) Εστω {A j, j = 1, 2,...} µια διαµέριση του δειγµατοχώρου Ω, τότε για κάθε σύνολο Β του δειγµατοχώρου ισχύει η σχέση P(B) = P(A j)p(b A j). j=1 Θεώρηµα Bayes Υπό τις προϋποθέσεις του Θ.Ο.Π. και εφ οσον P(B) > 0, P(A j B) = P(Aj)P(B Aj) P(B) όπου P(A j) ονοµάζεται εκ των προτέρων πιθανότητα και P(A j B) ονοµάζεται εκ των υστέρων πιθανότητα., j = 1, 2,...,

Παραδείγµατα Παράδειγµα 2 Μετά το δεύτερο µεγάλο σεισµό στο Ληξούρι της Κεφαλλονιάς, το 30% των σπιτιών κρίθηκαν µη κατοικίσηµα, οπότε το 40% των κατοίκων, όπου το σπίτι τους κρίθηκε ως µη κατοικίσηµο, έφυγαν από το νησί, όπως έφυγαν και το 25% των κατοίκων, όπου το σπίτι τους κρίθηκε ως κατοικίσηµο. 1 Υπολογίστε το ποσοστό των κατοίκων του Ληξουρίου που έφυγε από το νησί. 2 Για τον κάτοικο του Ληξουρίου, ο οποίος δεν έφυγε από το νησί, υπολογίστε την πιθανότητα, το σπίτι του να έχει κριθεί ως κατοικίσηµο.

ιακριτές Κατανοµές ιωνυµική κατανοµή Η τυχαία µεταβλητή X ακολουθεί τη διωνυµική κατανοµή ή X είναι µια διωνυµική τυχαία µεταβλητή, εάν ( ) n f(x) = P(X = x) = p x (1 p) n x, x = 0, 1,...,n, 0 < p < 1. x Συµβολικά: X B(n, p). EX = np, VarX = np(1 p).

ιακριτές Κατανοµές ιωνυµική κατανοµή Η τυχαία µεταβλητή X ακολουθεί τη διωνυµική κατανοµή ή X είναι µια διωνυµική τυχαία µεταβλητή, εάν ( ) n f(x) = P(X = x) = p x (1 p) n x, x = 0, 1,...,n, 0 < p < 1. x Συµβολικά: X B(n, p). Poisson κατανοµή EX = np, VarX = np(1 p). Η τυχαία µεταβλητή X ακολουθεί τη Poisson κατανοµή ή X είναι µια Poisson τυχαία µεταβλητή, εάν f(x) = P(X = x) = e λλx x! Συµβολικά: X P(λ). EX = VarX = λ., x = 0, 1,..., λ > 0.

ιακριτές Κατανοµές Υπεργεωµετρική κατανοµή Η τυχαία µεταβλητή X ακολουθεί τη υπεργεωµετρική κατανοµή ή X είναι µια υπεργεωµετρική τυχαία µεταβλητή, εάν ( m ( n ) f(x) = P(X = x) = x) ), x = 0, 1,... min{m, r}, m, n, r Z +. r x ( m+n r Συµβολικά: X H(x : n, m, r).

ιακριτές Κατανοµές Αρνητική ιωνυµική κατανοµή Η τυχαία µεταβλητή X ακολουθεί την αρνητική διωνυµική κατανοµή ή X είναι µια αρνητική διωνυµική τυχαία µεταβλητή, εάν ( ) r + x 1 f(x) = P(X = x) = p r (1 p) x, x = 0, 1,..., 0 < p < 1. x Συµβολικά: X NB(r, p).

ιακριτές Κατανοµές Αρνητική ιωνυµική κατανοµή Η τυχαία µεταβλητή X ακολουθεί την αρνητική διωνυµική κατανοµή ή X είναι µια αρνητική διωνυµική τυχαία µεταβλητή, εάν ( ) r + x 1 f(x) = P(X = x) = p r (1 p) x, x = 0, 1,..., 0 < p < 1. x Συµβολικά: X NB(r, p). Παρατήρηση Για r = 1, P(X = x) = p(1 p) x, x = 0, 1, 2,... και η κατανοµή ονοµάζεται γεωµετρική κατανοµή ή κατανοµή του Pascal. Συµβολικά: X Ge(p). EX = 1 p p, VarX = 1 p p 2.

Συνεχείς Κατανοµές Κανονική κατανοµή ή κατανοµή του Gauss Η τυχαία µεταβλητή X ακολουθεί την κανονική κατανοµή ή X είναι µια κανονική τυχαία µεταβλητή, εάν f(x) = 1 2πσ 2 e (x µ)2 2σ 2, x R, µ R, σ > 0. Συµβολικά: X N(µ,σ 2 ). EX = µ, VarX = σ 2.

Συνεχείς Κατανοµές Κανονική κατανοµή ή κατανοµή του Gauss Η τυχαία µεταβλητή X ακολουθεί την κανονική κατανοµή ή X είναι µια κανονική τυχαία µεταβλητή, εάν f(x) = 1 2πσ 2 e (x µ)2 2σ 2, x R, µ R, σ > 0. Συµβολικά: X N(µ,σ 2 ). EX = µ, VarX = σ 2. Παρατήρηση Για µ = 0, σ 2 = 1 f(x) = 1 2π e x2 /2, x R ονοµάζεται τυπική κανονική κατανοµή. Συµβολικά: X N(0, 1). και η κατανοµή

Συνεχείς Κατανοµές Οµοιόµορφη κατανοµή Η τυχαία µεταβλητή X ακολουθεί την οµοιόµορφη κατανοµή ή X είναι µια οµοιόµορφη τυχαία µεταβλητή, εάν 1, x [a,β] f(x) = β a 0, x [a,β] Συµβολικά: X U(a,β). EX = a +β 2, VarX = β a)2. 12

Συνεχείς Κατανοµές Γάµµα κατανοµή Η τυχαία µεταβλητή X ακολουθεί την Γάµµα κατανοµή ή X είναι µια Γάµµα τυχαία µεταβλητή, εάν f(x) = Συµβολικά: X G(a,β). 1 Γ(a)β a xa 1 e x/β, x > 0, a,β > 0. EX = aβ, VarX = aβ 2.

Συνεχείς Κατανοµές Γάµµα κατανοµή Η τυχαία µεταβλητή X ακολουθεί την Γάµµα κατανοµή ή X είναι µια Γάµµα τυχαία µεταβλητή, εάν f(x) = Συµβολικά: X G(a,β). Εκθετική κατανοµή 1 Γ(a)β a xa 1 e x/β, x > 0, a,β > 0. EX = aβ, VarX = aβ 2. Η τυχαία µεταβλητή X ακολουθεί την εκθετική κατανοµή ή X είναι µια εκθετική τυχαία µεταβλητή, εάν f(x) = λ e λx, x > 0, λ > 0. Συµβολικά: X E(λ) G(a = 1,β = 1/λ). EX = 1 λ, VarX = 1 λ 2.

Παραδείγµατα Παράδειγµα 3 Θεωρούµε ότι το πλήθος των πελατών που εξυπηρετούνται από ένα ταµείο ενός supermarket είναι µια Poisson τ.µ., µε µέση τιµή 20 πελάτες την ώρα. 1 Υπολογίστε την πιθανότητα να εξυπηρετηθούν τουλάχιστον 2 πελάτες τα επόµενα 15 λεπτά. 2 Για τις επόµενες 2 ώρες, ποια είναι η πιθανότητα για µισή ώρα (από αυτές τις δύο ώρες) να εξυπηρετούνται από το συγκεκριµένο ταµείο τουλάχιστον 2 πελάτες το 15λεπτο; 3 Ο διευθυντής του supermarket καταγράφει ανά 15λεπτο, το πλήθος των πελατών που εξυπηρετούνται από το συγκεκριµένο ταµείο. Ποια είναι η πιθανότητα στο 6 0 15λεπτο αυτής της καταγραφής να εξυπηρετούνται τουλάχιστον 2 πελάτες;

Τυχαία ιανύσµατα Περιθώρια Πυκνότητα Πιθανότητας f X1 (x 1 ) = x 2 f(x 1, x 2 ), = (X 1, X 2 ) διακριτό τ.δ. X + f(x 1, x 2 )dx 2, = (X 1, X 2 ) συνεχές τ.δ. X

Τυχαία ιανύσµατα Περιθώρια Πυκνότητα Πιθανότητας f X1 (x 1 ) = x 2 f(x 1, x 2 ), = (X 1, X 2 ) διακριτό τ.δ. X + f(x 1, x 2 )dx 2, = (X 1, X 2 ) συνεχές τ.δ. X εσµευµένη Πυκνότητα Πιθανότητας f X1 X 2 (x 1 x 2 ) = f(x 1, x 2 ) ονοµάζεται δεσµευµένη π.π. της X 1 δοθείσης f X2 (x 2 ) της X 2. f X2 X 1 (x 2 x 1 ) = f(x 1, x 2 ) f X1 (x 1 ) της X 1. ονοµάζεται δεσµευµένη π.π. της X 2 δοθείσης

εσµευµένες Ροπές τυχαίων µεταβλητών εσµευµένη Μέση Τιµή της X 1 δοθείσης της X 2 E(X 1 X 2 ) = x 1 f X1 X 2 (x 1 x 2 ), X 1 διακριτή τ.µ. + x 1 f X1 X 2 (x 1 x 2 )dx 1, X 1 συνεχής τ.µ. εσµευµένη Μέση Τιµή της X 2 δοθείσης της X 1 E(X 2 X 1 ) = x 2 f X2 X 1 (x 2 x 1 ), X 2 διακριτή τ.µ. + x 2 f X2 X 1 (x 2 x 1 )dx 2, X 2 συνεχής τ.µ.

Συντελεστής Συσχέτισης ύο Τυχαίων Μεταβλητών Συντελεστής Συσχέτισης = E[(X 1 EX 1 )(X 2 EX 2 )] Var(X1 )Var(X 2 ) E[(X 1 EX 1 )(X 2 EX 2 )] = E(X 1 X 2 ) E(X 1 )E(X 2 ) = Cov(X 1, X 2 ) ονοµάζεται συνδιασπορά των τ.µ. X 1 και X 2. Παρατήρηση Ο συντελεστής συσχέτισης (όπως και η συνδιασπορά) µας λένε αν και πως σχετίζονται γραµµικά µεταξύ τους οι δύο τυχαίες µεταβλητές. 1 1 = 1, έχουµε αυστηρά ϑετική γραµµική συχέτιση ανάµεσα στις δύο τ.µ. = 1, έχουµε αυστηρά αρνητική γραµµική συχέτιση ανάµεσα στις δύο τ.µ. = 0, οι τ.µ. X 1 και X 2 ονοµάζονται ασυσχέτιστες.

Παραδείγµατα Παράδειγµα 4 Το τυχαίο διάνυσµα (X, Y) είναι οµοιόµορφο στον χώρο που περικλείεται από τις ευθείες X Y = 2, X = 0, Y = 0. 1 Να ϐρεθεί η πυκνότητα πιθανότητας του τ.δ. (X, Y). 2 Να υπολογιστούν οι περιθώριες π.π. των τ.µ. X και Y. 3 Υπολογίστε τη συνδιασπορά των τ.µ. X και Y. 4 Υπολογίστε την P(X > 1 Y < 1/2).

Παραδείγµατα Παράδειγµα 5 ίνεται η από κοινού πυκνότητα πιθανότητας των τ.µ. X και Y, f X,Y (x, y) = { c x 3 y 3, x > y > 1. 0, διαφορετικά. 1 Να προσδιοριστεί η σταθερά c. 2 Να υπολογιστούν οι περιθώριες π.π. των τ.µ. X και Y. 3 Υπολογίστε τη συνδιασπορά των τ.µ. X και Y. 4 Υπολογίστε την E(X Y = 2).

Στοχαστική Ανεξαρτησία Ανεξαρτησία τ.µ. Οι τυχαίες µεταβλητές X 1, X 2,...,X k ονοµάζονται ανεξάρτητες P(X 1 A 1, X 2 A 2,...,X k A k ) = P(X 1 A 1 )P(X 2 A 2 )...P(X k A k ) Παραγοντικό Θεώρηµα k X 1, X 2,...,X k ανεξ. τ.µ. F X (x ) = F X1 (x 1 )...F Xk (x k ) = F Xi (x i ) f X (x ) = f X1 (x 1 )...f Xk (x k ) = i=1 k f Xi (x i ) i=1 Παρατήρηση Αν X 1, X 2,...,X k είναι ανεξάρτητες τ.µ. Var(X 1 + X 2 +...+X k ) = Var(X 1 )+Var(X 2 )+...+Var(X k ).

Αναπαραγωγικές Ιδιότητες Θεωρούµε X 1, X 2,...,X k ανεξάρτητες τ.µ. k k 1 X i B(n i, p), i = 1, 2,...,k X i B( n i, p) i=1 i=1 k k 2 X i P(λ i ), i = 1, 2,...,k X i P( λ i ) i=1 i=1 k k k 3 X i N(µ i,σi 2), i = 1, 2,...,k X i N( µ i, σ 2 i ) i=1 i=1 i=1 i=1 k k 4 X i G(a i,β), i = 1, 2,...,k X i G( a i,β) k 5 X i E(λ) G(1, 1/λ), i = 1, 2,...,k X i G(n,λ) i=1 i=1

Κεντρικό Οριακό Θεώρηµα (Κ.Ο.Θ.) Κ.Ο.Θ. Εστω X 1, X 2,...,X n ανεξάρτητες και ισόνοµες τυχαίες µεταβλητές, µε E(X i ) = µ και VarX i = σ 2, i = 1, 2,...,n, τότε n n X i E( X i ) i=1 i=1 n Var( X i ) i=1 Z N(0, 1).

Παραδείγµατα Παράδειγµα 6 Υποθέτουµε ότι η πιθανότητα για έναν νέο επιστήµονα να µεταναστεύσει στο εξωτερικό είναι 1/3. 1 Ρωτάµε 1800 νέους επιστήµονες αν πρόκειται να µεταναστεύσουν, υπολογίστε την πιθανότητα, µέσω Κ.Ο.Θ., όπως το πολύ 640 από αυτούς να ϕύγουν για το εξωτερικό. 2 Ρωτάµε νέους επιστήµονες αν πρόκειται να ϕύγουν για το εξωτερικό. Ποιο ϑα είναι το αναµενόµενο πλήθος των ερωτηθέντων, έτσι ώστε η διαδικασία αυτή να σταµατήσει όταν ϕτάσουµε στο 500 οστό άτοµο που δηλώνει ότι πρόκειται να ϕύγει για το εξωτερικό. Χρησιµοποιήστε την 1η ταυτότητα του Wald.

Στοχαστικές ιαδικασίες Ορισµός Μία στοχαστική διαδικασία είναι µία οικογένεια τυχαίων µεταβλητών {X(t) : t T}, όπου t είναι µία παράµετρος που παίρνει τιµές σε ένα κατάλληλα ορισµένο σύνολο T.

Στοχαστικές ιαδικασίες Ορισµός Μία στοχαστική διαδικασία είναι µία οικογένεια τυχαίων µεταβλητών {X(t) : t T}, όπου t είναι µία παράµετρος που παίρνει τιµές σε ένα κατάλληλα ορισµένο σύνολο T. Αν t [0, a), έχουµε στοχαστική διαδικασία σε συνεχή χρόνο. Αν t = 0, 1, 2,..., έχουµε στοχαστική διαδικασία σε διακριτό χρόνο.

Στοχαστικές ιαδικασίες Ορισµός Μία στοχαστική διαδικασία είναι µία οικογένεια τυχαίων µεταβλητών {X(t) : t T}, όπου t είναι µία παράµετρος που παίρνει τιµές σε ένα κατάλληλα ορισµένο σύνολο T. Αν t [0, a), έχουµε στοχαστική διαδικασία σε συνεχή χρόνο. Αν t = 0, 1, 2,..., έχουµε στοχαστική διαδικασία σε διακριτό χρόνο. Εστω Ε το πεδίο τιµών της τ.µ. X(t) (ή X n ), τότε το Ε ονοµάζεται χώρος καταστάσεων. Αν Ε είναι ένα πεπερασµένο ή αριθµήσιµο σύνολο, έχουµε στοχαστική διαδικασία µε διακριτό χώρο καταστάσεων. Αν Ε είναι ένα διάστηµα ή το R, έχουµε στοχαστική διαδικασία µε συνεχή χώρο καταστάσεων.

Στοχαστικές ιαδικασίες Ταυτότητα του Wald Αν X 1, X 2,... ανεξάρτητες και ισόνοµες τ.µ. µε EX i <, i = 1, 2,... και N είναι τ.µ. που αναπαριστά τη στιγµή τερµατισµού της ακολουθίας των τ.µ. τότε, N E( X i ) = (EX)(EN) i=1 όπου X είναι τ.µ. ισόνοµη µε τις X 1, X 2,...