Professional Documents
Culture Documents
Σηµειώσεις στη Θεωρία Πιθανοτήτων
Σηµειώσεις στη Θεωρία Πιθανοτήτων
Μέρος Α
1. Τι είναι οι Πιθανότητες.
Είναι συνηθισµένο να ορίζουµε λοιπόν µαθηµατικές διαδικασίες, τις οποίες
ονοµάζουµε µοντέλα ή πρότυπα, ώστε να περιγράψουν φαινόµενα ή
πειράµατα. Τα µοντέλα χωρίζονται σε δύο κατηγορίες:
Τα προσδιοριστικά µοντέλα (deterministic, αιτιοκρατικά) στα οποία είναι
δυνατή µια αρκετά ακριβής πρόβλεψη του αποτελέσµατος που θα
παρατηρήσουµε για κάποιο χαρακτηριστικό µέγεθος (µεταβλητή) του υπό µελέτη
φαινοµένου όταν είναι γνωστές οι τιµές των άλλων χαρακτηριστικών µεγεθών
που εµπλέκονται στο φαινόµενο.
Παραδείγµατα τέτοιων προτύπων είναι οι εξισώσεις κίνησης της κλασικής
µηχανικής, ο νόµος των ιδανικών αερίων, ο νόµος του Ohm και άλλοι φυσικοί
νόµοι.
Τα στοχαστικά µοντέλα (propabilistic, stochastic, πιθανοτικά) στα οποία η
επαναλαµβανόµενη παρατήρησή τους κάτω από τις ίδιες συνθήκες µπορεί να
οδηγήσει σε διαφορετικά αποτελέσµατα.
Η αβεβαιότητα στα τελικά αποτελέσµατα µπορεί να οφείλεται :
1. στην τύχη, όπως στη ρίψη ενός νοµίσµατος και σε άλλα τυχερά παιχνίδια.
2. στην επίδραση ορισµένων παραγόντων που δεν µπορούν να
ελεγχθούν ή είναι άγνωστοι και επηρεάζουν το αποτέλεσµα. Για
παράδειγµα, δύο λαµπτήρες µπορεί να είναι του ίδιου ακριβώς τύπου, να
έχουν κατασκευαστεί µε την ίδια διαδικασία στο ίδιο εργοστάσιο και να
έχουν χρησιµοποιηθεί κάτω από τις ίδιες γενικά συνθήκες, αλλά να έχουν
διαφορετική διάρκεια ζωής.
Η θεωρία πιθανοτήτων, που αναφέρεται απλούστερα ως πιθανότητες, είναι
κλάδος των µαθηµατικών µε αντικείµενο την ανάλυση της συµπεριφοράς
φαινοµένων ή πειραµάτων για την περιγραφή των οποίων έχουν καθοριστεί
συγκεκριµένα στοχαστικά µοντέλα.
Η επιστήµη της στατιστικής ασχολείται µε τη συλλογή, την περιγραφή και την
περιληπτική παρουσίαση δεδοµένων, καθώς επίσης και µε την εξαγωγή
γενικότερων συµπερασµάτων µε βάση ένα περιορισµένο αριθµό µετρήσεων ή
παρατηρήσεων.
Ο κλάδος της στατιστικής που πραγµατεύεται την περιγραφή και σύντµηση
δεδοµένων µε χρήση πινάκων, γραφικών παραστάσεων και αριθµητικών µέτρων
ονοµάζεται περιγραφική στατιστική.
1
2. Βασικοί Ορισµοί
Ένα στοχαστικό µοντέλο συνίσταται, ουσιαστικά, στην καταγραφή των δυνατών
αποτελεσµάτων του φαινοµένου που περιγράφει και στην αντιστοίχιση σε
αυτά πιθανοτήτων, οι οποίες
1. είτε είναι µεµονωµένοι αριθµοί
2. είτε προκύπτουν από κάποιο δεδοµένο πιθανοτικό νόµο, που ονοµάζεται
κατανοµή.
Πείραµα τύχης είναι µία διαδικασία παρατήρησης ενός στοχαστικού φαινοµένου.
Για παράδειγµα η καταγραφή των αποτελεσµάτων από το ρίξιµο ενός ζαριού ή η
µέτρηση της ζωής ενός λαµπτήρα.
Το σύνολο των δυνατών αποτελεσµάτων πριν από την πραγµατοποίηση του
πειράµατος ονοµάζεται δειγµατικός χώρος και θα συµβολίζεται µε Ω .
Στο πείραµα της παρατήρησης του αποτελέσµατος που θα φέρει η ρίψη ενός
ζαριού, ο δειγµατικός χώρος είναι το σύνολο Ω = {1, 2, 3, 4, 5, 6}.
Στο πείραµα της παρατήρησης των αποτελεσµάτων που θα φέρουµε στη ρίψη
δύο ζαριών, ο δειγµατικός χώρος είναι το σύνολο
Ω= {( x, y) : x = 1,...,6, y = 1,...,6} . Το σύνολο Ω περιέχει 36 στοιχεία.
2o ζάρι
1 2 3 4 5 6
1 1-1 1-2 1-3 1-4 1-5 1-6
2 2-1 2-2 2-3 2-4 2-5 2-6
3 3-1 3-2 3-3 3-4 3-5 3-6
1o ζάρι
2
Όλα τα υποσύνολα ενός διακριτού δειγµατικού χώρου και, πρακτικά, όλα τα
υποσύνολα ενός συνεχούς δειγµατικού χώρου ονοµάζονται ενδεχόµενα ή
γεγονότα.
Στα ενδεχόµενα συµπεριλαµβάνεται ολόκληρος ο δειγµατικός χώρος Ω (το
βέβαιο ενδεχόµενο) και το κενό σύνολο ∅ (το αδύνατο ενδεχόµενο). Θα
συµβολίζουµε τα ενδεχόµενα µε κεφαλαία γράµµατα.
Τα δυνατά αποτελέσµατα ενός πειράµατος είναι τα πιο απλά ενδεχόµενα, και γι’
αυτό ονοµάζονται στοιχειώδη ενδεχόµενα ή, απλώς, ενδεχόµενα.
Παραδείγµατα ενδεχόµενων: Τα παρακάτω είναι υποσύνολα του δειγµατικού
χώρου Ω = {1, 2, 3, 4, 5, 6} που αντιστοιχεί στο πείραµα «Αποτέλεσµα ρίψης
ενός ζαριού».
Ε1 ={Το αποτέλεσµα του ζαριού είναι άρτιος αριθµός} = {2, 4, 6}.
Ε2={Το αποτέλεσµα του ζαριού είναι τέσσερα}={ 4}.
Ε3 ={Το αποτέλεσµα του ζαριού είναι περιττός αριθµός}= {1, 3, 5}.
Ε4 ={Το αποτέλεσµα του ζαριού είναι αριθµός µικρότερος του 3}= {1, 2}.
Ε5= {το ζάρι φέρνει αριθµό µεγαλύτερο του τέσσερα} = {5, 6}
Λέµε ότι ένα ενδεχόµενο Ε εµφανίζεται σε µια πραγµατοποίηση ενός
πειράµατος (δοκιµή) όταν το αποτέλεσµα της δοκιµής ω , δηλαδή το στοιχειώδες
ενδεχόµενο που έφερε η δοκιµή, ανήκει στο σύνολο Ε, ω ∈ E .
Για παράδειγµα εάν ω το αποτέλεσµα του ζαριού είναι 4 τότε έχουµε ω ∈ E1 και
ω ∈ E2 .
Αν Α και Β είναι δύο ενδεχόµενα σ’ ένα πείραµα, η ένωσή τους, A∪ B,
διαβάζεται “Α ή Β ” και είναι ένα ενδεχόµενο που εµφανίζεται σε µια δοκιµή όταν
στην ίδια δοκιµή εµφανιστεί το Α µόνο του ή το Β µόνο του ή εµφανιστούν και
τα δύο ενδεχόµενα µαζί. Για παράδειγµα E2 ∪ E4 = {1, 2, 4} είναι το ενδεχόµενο να
έχουµε αποτέλεσµα ή 4 ή αριθµό µικρότερο του 2.
Η τοµή των ίδιων ενδεχόµενων, A ∩ B , διαβάζεται “Α και Β” και είναι ένα
ενδεχόµενο που εµφανίζεται όταν εµφανιστούν και τα δύο ενδεχόµενα
ταυτόχρονα (στην ίδια δοκιµή). Πολλές φορές το σύµβολο της τοµής και
αντικαθίσταται από το σύµβολο του γινοµένου. ∆ηλαδή αντί A ∩ B συµβολίζουµε
A ⋅ B ή AB Για παράδειγµα E1 ∩ E4 = {2} είναι το ενδεχόµενο να έχουµε
αποτέλεσµα άρτιο αριθµό µικρότερο του 2.
Το συµπλήρωµα A ′ του ενδεχόµενου Α εµφανίζεται όταν δεν εµφανίζεται το
Α. Για παράδειγµα Ε1’=Ε3. Το συµπλήρωµα του ενδεχόµενου να έχουµε άρτιο
αποτέλεσµα είναι να έχουµε περιττό.
3
Η διαφορά A − B ορίζεται ως το ενδεχόµενο A ∩ B ′ (ή AB′ ) και εµφανίζεται
όταν στην ίδια δοκιµή εµφανιστεί το Α αλλά όχι το Β.
Tο ενδεχόµενο να είναι Ε={περιττός αλλά όχι µεγαλύτερο του 4}
E = E3 − E5 = E3 ∩ E5 ' = {1,3,5} ∩ {5, 6} ' = {1,3,5} ∩ {1, 2,3, 4} = {1,3} .
A∩ B Ω
Α Β
A ∩ B′
A′ ∩ B
Τα ενδεχόµενα A ∩ B ′ , A ∩ B και A ′ ∩ B .
4
τα Ε1 , Ε3 , Ε5 ασυµβίβαστα ανά δύο; Όχι, γιατί E1 ∩ E5 ≠ ∅ . (Επίσης,
E3 ∩ E5 ≠ ∅ ) .
5
πραγµατικό αριθµό P( A) ώστε να ικανοποιούνται οι ακόλουθες τρεις ιδιότητες
που είναι γνωστές ως αξιώµατα Kolmogorov .
1. P ( A) ≥ 0
2. P ( Ω ) = 1
από το σύνολο των υποσυνόλων του Ω στο διάστηµα [ 0,1] ) ορίζει πιθανότητα
στο δειγµατοχώρο Ω .
Θεωρούµε ξανά τα παρακάτω είναι υποσύνολα του δειγµατικού χώρου Ω που
αντιστοιχεί στο πείραµα «Αποτέλεσµα ρίψης ενός ζαριού».
Ε1 ={Το αποτέλεσµα του ζαριού είναι άρτιος αριθµός} = {2, 4, 6}.
Ε2={Το αποτέλεσµα του ζαριού είναι τέσσερα}={ 4}.
Ε3 ={Το αποτέλεσµα του ζαριού είναι περιττός αριθµός}= {1, 3, 5}.
Ε4 ={Το αποτέλεσµα του ζαριού είναι αριθµός µικρότερος του 3}= {1, 2}.
Ε5= {το ζάρι φέρνει αριθµό µεγαλύτερο του τέσσερα} = {5, 6}
Φανερά P(Ε1)=3/6=1/2, P(Ε2)=1/6, P(Ε3)=3/6=1/2, P(Ε4)=2/6=1/3, P(Ε5)=2/6=1/3.
Ιδιότητες Πιθανοτήτων
Εκτός από τα παραπάνω ισχύουν (για όλους τους ορισµούς) :
• P( ∅ ) = 0
• Για δύο ενδεχόµενα Α, Β µε B ⊂ A ισχύουν: (α) P(B ) ≤ P( A) και (β)
P ( A − B ) = P( A) − P( B) .
Όπως είπαµε E2 ⊂ E1 , οπότε P(Ε2)=1/6 ≤ P(Ε1)=3/6=1/2 και εάν
Ε ={Το αποτέλεσµα του ζαριού είναι άρτιος αριθµός αλλά όχι τέσσερα} =
{2, 6}=Ε2- Ε1
τότε P( E ) = P( E1 − E2 ) = P ( E1 ) − P ( E2 ) = 3 / 6 − 1/ 6 = 2 / 6 = 1/ 3
6
• Κανόνας της προσθέσεως Για οποιαδήποτε ενδεχόµενα Α, Β ισχύει:
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) .
Εάν Ε ={Το αποτέλεσµα του ζαριού είναι περιττός αριθµός ή µικρότερος
του 3}= {1, 2, 3, 5}, τότε φανερά Ρ(Ε)=4/6. Εναλλακτικά µπορούµε να
δούµε ότι E = E3 ∪ E4 οπότε ισχύει
P ( E3 ∪ E4 ) = P ( E3 ) + P ( E4 ) − P ( E3 ∩ E4 ) = 3 / 6 + 2 / 6 − 1/ 6 = 4 / 6
P ( E5 ∪ E4 ) = P ( E5 ) + P ( E4 ) − P ( E5 ∩ E4 ) = 2 / 6 + 2 / 6 − 0 / 6 = 4 / 6
P( A1 ∪ A2 ∪ A3 ) = P( A1 ) + P( A2 ) + P( A3 )
− P( A1 ∩ A2 ) − P( A1 ∩ A3 ) − P( A2 ∩ A3 ) + P( A1 ∩ A2 ∩ A3 ).
Παράδειγµα:
Σε µια µελέτη των αιτίων καταστροφής του οδοστρώµατος βρέθηκε ότι στο 8%
των περιπτώσεων καταστροφής υπήρχε αστοχία υλικού, στο 85% των
περιπτώσεων υπήρχε κατασκευαστική κακοτεχνία και στο 5% των περιπτώσεων
υπήρχαν και τα δύο είδη βλάβης. Με βάση τα ποσοστά αυτά, να βρεθούν οι
παρακάτω πιθανότητες ότι σε ένα συγκεκριµένο έλεγχο οδοστρώµατος υπάρχει:
(α) αστοχία υλικού ή κατασκευαστική κακοτεχνία,
(β) αστοχία υλικού, αλλά όχι κατασκευαστική κακοτεχνία,
(γ) το πολύ ένα είδος αιτία από τις αναφερόµενες αιτίες,
(δ) καµιά από τις δύο αναφερόµενες αιτίες.
Έστω Α και Β συµβολίζουν τα ενδεχόµενα βλάβης αστοχία υλικού και
κατασκευαστικής κακοτεχνίας, αντίστοιχα. Με βάση το στατιστικό ορισµό,
7
µπορούµε να αντιστοιχίσουµε τις εξής πιθανότητες: P ( A) = 0.08 , P ( B ) = 0.85 ,
P ( A ∩ B ) = 0.05 .
(γ) “ το πολύ ένα είδος αιτία από τις αναφερόµενες αιτίες” σηµαίνει να µην
υπάρχουν και οι δύο είδη αιτίας, δηλαδή είναι το ενδεχόµενο ( A ∩ B)' . Έχουµε:
P ⎡⎣( A ∩ B ) '⎤⎦ = 1 − P ( A ∩ B ) = 1-0.05=0.95 .
παίρνουµε:
P ( A′ ∩ B′ ) = P ⎡⎣( A ∪ B ) '⎤⎦ = 1 − P ( A ∪ B ) = 1 − 0.88 = 0.12
P( B) P ( B ') 1.00
8
2. Το άθροισµα των περιθωρίων πιθανοτήτων για τις γραµµές ή για τις
στήλες ισούται µε τη µονάδα.
O πίνακας πιθανοτήτων για τα δεδοµένα του παραδείγµατος
Β Β′
Α 0.05 0.08
Α′
0.85 1.00
9
(β) Ζητείται η P( A ∩ B ′ ) = P( A − B ) . Επειδή A = ( A ∩ B) ∪ ( A ∩ B ′) και τα δύο
ενδεχόµενα στην ένωση είναι ασυµβίβαστα έπεται ότι:
P ( A ) = P ( A ∩ B′ ) + P ( A ∩ B ) = P ( A − B ) + P ( A ∩ B ) ⇔
.
P ( A − B ) = P ( A ) − P ( A ∩ B ) = 0.10 − 0.02 = 0.08
(γ) “Υπάρχει το πολύ ενός είδους βλάβη” σηµαίνει να µην υπάρχουν και τα δύο
είδη βλάβης, δηλαδή είναι το ενδεχόµενο ( A ∩ B)' . Έχουµε:
P[( A ∩ B)'] = 1 − P( A ∩ B) = 1 - 0.02 = 0.98 .
10
Α′ 0.12 0.63 0.75
0.18 0.82 1.00
Y1
Y2
Y3
11
Το σύστηµα θα λειτουργήσει ικανοποιητικά αν τουλάχίστον ένα από τα
υποσυστήµατα λειτουργήσει ικανοποιητικά.
Εφαρµόζοντας τη σχέση
P( A1 ∪ A2 ∪ A3 ) = P( A1 ) + P( A2 ) + P( A3 )
− P( A1 ∩ A2 ) − P( A1 ∩ A3 ) − P( A2 ∩ A3 ) + P( A1 ∩ A2 ∩ A3 ).
παίρνουµε:
P( A) = 0.30 + 0.40 + 0.50 − 0.12 − 0.15 − 0.20 + 0.06 = 0.79 .
4. Στοιχεία Συνδυαστικής
Βασική αρχή απαρίθµησης: Αν ένα πείραµα µπορεί να αναλυθεί σε r
υποπειράµατα, όπου το πρώτο υποπείραµα έχει ν1 δυνατά αποτελέσµατα, το
δεύτερο υποπείραµα έχει ν2 δυνατά αποτελέσµατα, ανεξάρτητα από το
αποτέλεσµα που θα εµφανιστεί στο πρώτο υποπείραµα , …, το r υποπείραµα
έχει ν r δυνατά αποτελέσµατα, ανεξάρτητα από τα αποτελέσµατα που θα
εµφανιστούν στα r − 1 πρώτα υποπειράµατα, τότε το συνολικό πείραµα έχει
ν = ν 1 ⋅ ν 2 ⋅⋅⋅ ν r δυνατά αποτελέσµατα.
Για παράδειγµα εάν έχουµε να επιλέξουµε ανάµεσα σε τρεις διαφορετικές
µπλούζες και δύο διαφορετικά παντελόνια τότε µπορούµε να έχουµε 3 × 2 = 6
διαφορετικά ντυσίµατα.
∆ιατάξεις χωρίς επανάληψη (επανατοποθέτηση) Έστω ν διαφορετικά
αντικείµενα ή, γενικότερα, ένα σύνολο µε ν στοιχεία. Αν πάρουµε r από αυτά
τα αντικείµενα (1 ≤ r ≤ ν ) και τα κατατάξουµε σε µια σειρά, τότε λέµε ότι
παίρνουµε µια διάταξη των ν αντικειµένων ανά r .
Στις διατάξεις η σειρά έχει σηµασία.
Έστω το σύνολο {α , β , γ } . Βρείτε όλες τις διατάξεις των 3 ανά 2 από αυτό το
σύνολο.
Οι ζητούµενες διατάξεις είναι: αβ , βα , αγ , γα , βγ , γβ .
Πλήθος διατάξεων των ν ανά r . Ο αριθµός των διατάξεων των ν
αντικειµένων ανά r συµβολίζεται µε Pν , r και δίνεται από τον τύπο:
Pν ,r = ν (ν − 1) ⋅⋅⋅ (ν − r + 1), r = 1, 2, , ν.
ν!
Pν ,r = , r = 1, 2 , , ν, (2.6)
(ν -r ) !
12
όπου ορίζουµε 0! = 1 και ν !=1⋅ 2 ⋅ 3 (ν − 1) ⋅ν .
Παράδειγµα: Έστω ένα δοχείο µε 10 σφαίρες οι οποίες έχουν αριθµηθεί
1, 2, , 10 . Επιλέγουµε στην τύχη 3 σφαίρες, τη µια κατόπιν της άλλης, από το
δοχείο, και έστω ότι ενδιαφερόµαστε, εκτός από τους αριθµούς των σφαιρών που
θα επιλεγούν, και για τη σειρά µε την οποία θα επιλεγούν οι σφαίρες. Βρείτε το
πλήθος των δυνατών αποτελεσµάτων του πειράµατος.
Το πείραµα αναλύεται σε 3 υποπειράµατα που έχουν 10, 9, και 8 δυνατά
αποτελέσµατα, αντίστοιχα, και, εποµένως, το πλήθος όλων των αποτελεσµάτων
του συνολικού πειράµατος είναι ίσο µε 10 ⋅ 9 ⋅ 8 = 720 . ∆ηλαδή έχουµε 720
διαφορετικές τριάδες. Με αυτόν τον τρόπο χρησιµοποιήσαµε την βασική αρχή
απαρίθµησης. Άµεσα θα µπορούσαµε να υπολογίσουµε τις διατάξεις 10
αντικειµένων (αριθµών από 1 έως 10) ανά 3 (θέσεις στις τριάδες) χωρίς
επανάθεση (επανατοποθέτηση). Οπότε από τον τύπο P10,3 = 10 ⋅ 9 ⋅ 8 = 720 .
13
εδώ, εκτός από τους αριθµούς των σφαιρών που θα επιλεγούν, και για τη σειρά
µε την οποία θα επιλεγούν οι σφαίρες. Να βρεθεί το πλήθος των δυνατών
αποτελεσµάτων του πειράµατος.
Το ζητούµενο πλήθος είναι ίσο µε R10,3 . Από τον παραπάνω τύπο,
R10,3 = 10 3 = 1000.
⎛ν ⎞ ν!
⎜ ⎟= , r = 0, 1, ,ν.
⎝ r ⎠ (ν − r ) ! r !
Άσκηση 4
Μια παρτίδα εξαρτηµάτων περιέχει 20 εξαρτήµατα συνολικά, από τα οποία 6
εξαρτήµατα είναι ελαττωµατικά. Βρείτε την πιθανότητα να περιέχονται 2
ελαττωµατικά εξαρτήµατα µεταξύ 5 εξαρτηµάτων που επιλέχτηκαν στην τύχη
(χωρίς επανατοποθέτηση) από την παρτίδα.
Απάντηση
Έστω A το ενδεχόµενο για το οποίο ζητείται η πιθανότητα. Επειδή δε µας
ενδιαφέρει η σειρά επιλογής των 5 εξαρτηµάτων, εργαζόµαστε µε συνδυασµούς.
14
Τα ευνοϊκά αποτελέσµατα του πειράµατος προς το A είναι όσοι οι δυνατοί
τρόποι επιλογής 2 ελαττωµατικών από τα 6 ελαττωµατικά εξαρτήµατα και 3
καλών από τα 14 καλά εξαρτήµατα της παρτίδας. Με εφαρµογή της βασικής
⎛ 6⎞ ⎛ 14⎞
αρχής απαρίθµησης, αυτοί είναι ⎜ ⎟ ⋅ ⎜ ⎟ . Ο συνολικός αριθµός των δυνατών
⎝ 2⎠ ⎝ 3 ⎠
αποτελεσµάτων του πειράµατος είναι ίσος µε το πλήθος των υποσυνόλων 5
⎛ 20⎞
στοιχείων ενός συνόλου µε 20 στοιχεία, δηλαδή µε ⎜ ⎟ . Επειδή η επιλογή των
⎝ 5⎠
σφαιρών γίνεται τυχαία, µπορούµε να θεωρήσουµε ισοπίθανα όλα τα δυνατά
αποτελέσµατα του πειράµατος. Άρα βρίσκουµε:
⎛ 6⎞ ⎛ 14⎞
⎜ ⎟ ⋅⎜ ⎟
⎝ 2⎠ ⎝ 3 ⎠
P( A) = = 0.3522
⎛ 20⎞
⎜ ⎟
⎝ 5⎠
Άσκηση 5
Πόσες πινακίδες κυκλοφορίας υπάρχουν µε τρία γράµµατα και τέσσερις αριθµούς
από 0 µέχρι 9, όταν το πρώτο γράµµα είναι Υ και τα δύο επόµενα γράµµατα
είναι γράµµατα του ελληνικού αλφαβήτου που συµπίπτουν µε γράµµα(µµατα) του
λατινικού αλφαβήτου;
Απάντηση
Υπάρχουν 14 γράµµατα του ελληνικού αλφαβήτου που δε συµπίπτουν µε
γράµµατα του λατινικού αλφαβήτου. Αναλύοντας το πείραµα σε 6 υποπειράµατα
(επιλογή 2 γραµµάτων και 4 αριθµών), βλέπουµε ότι το πλήθος των πινακίδων
είναι 14×14×10×10×10×10 = 14 2 ⋅ 10 4 = 1,960,000 πινακίδες. Πρέπει να
παρατηρήσετε εδώ ότι θα µπορούσαµε να φανταστούµε το πείραµα να
αποτελείται από δύο υποπειράµατα, µια δειγµατοληψία µε επανατοποθέτηση 2
γραµµάτων από ένα δοχείο µε 14 γράµµατα και µια δειγµατοληψία µε
επανατοποθέτηση 4 αριθµών από ένα δοχείο µε 10 αριθµούς.
Άσκηση 6
Σ’ ένα µάθηµα επιλογής είναι γραµµένοι 5 φοιτητές. Κάθε φοιτητής πρέπει να
γράψει µια εργασία που θα επιλέξει στην τύχη από ένα σύνολο 10 εργασιών.
(α) Με πόσους διαφορετικούς τρόπους µπορούν να επιλεγούν οι εργασίες από
τους φοιτητές όταν
ι) οι φοιτητές πρέπει να επιλέξουν διαφορετικές εργασίες;
ιι) δεν υπάρχει περιορισµός στις επιλογές;
(β) Έστω ότι οι φοιτητές επιλέγουν µεταξύ των 10 εργασιών χωρίς περιορισµό.
Ποια είναι η πιθανότητα οι φοιτητές να επιλέξουν διαφορετικές εργασίες;
15
Απάντηση
(α) ι) Αυτό είναι ένα πείραµα δειγµατοληψίας χωρίς επανατοποθέτηση 5
εργασιών από 10 εργασίες. Ο πρώτος (π.χ. κατά αλφαβητική σειρά) φοιτητής
επιλέγει µια εργασία από τις 10, ο δεύτερος φοιτητής επιλέγει µια εργασία από τις
υπόλοιπες 9, …, ο πέµπτος φοιτητής επιλέγει µια εργασία από τις υπόλοιπες 6.
Το πλήθος των δυνατών αποτελεσµάτων είναι P10 ,5 = 10×9×8×7×6 = 30,240
τρόποι. Παρατηρούµε ότι το αποτέλεσµα δεν εξαρτάται από τη σειρά (αλφαβητική
ή όχι) µε την οποία θα επιλέξουν οι φοιτητές.
Ιι) Τώρα γίνεται δειγµατοληψία µε επανατοποθέτηση 5 εργασιών από 10
εργασίες. Το πλήθος των δυνατών αποτελεσµάτων του πειράµατος είναι
R10 ,5 = 10 5 = 100,000 τρόποι. (β) Έστω p η ζητούµενη πιθανότητα. Σύµφωνα µε
τον κλασικό ορισµό, p = P( E ) 10 5 , όπου Ε συµβολίζει το ενδεχόµενο οι
φοιτητές να επιλέξουν διαφορετικές εργασίες. Όµως, το πλήθος των ευνοϊκών
αποτελεσµάτων προς το ενδεχόµενο Ε είναι ίσο µε P10 ,5 , γιατί, αν φανταστούµε
ένα πείραµα δειγµατοληψίας µε επανατοποθέτηση, αλλά µε τον περιορισµό να
παίρνουµε διαφορετικά αποτελέσµατα στα υποπειράµατά του, αυτό το πείραµα
είναι ουσιαστικά πείραµα δειγµατοληψίας χωρίς επανατοποθέτηση. Άρα
p = 30,240 100,000 = 0.3024 .
Άσκηση 7
Ένα κουτί µε 12 µπαταρίες ραδιοφώνου περιέχει 3 ελαττωµατικές µπαταρίες. Αν
αγοράσετε 4 µπαταρίες από το κουτί, να βρεθούν οι πιθανότητες να πάρουµε:
(α) µια ελαττωµατική µπαταρία,
(β) όλες καλές µπαταρίες.
Απάντηση
Με παρόµοια συλλογιστική µε αυτή της απάντησης της Άσκησης 4 και
συµβολίζοντας µε A, B τα ενδεχόµενα που µας ενδιαφέρουν, βρίσκουµε:
⎛ 3⎞ ⎛ 9⎞ 9⋅8⋅ 7
⎜ ⎟ ⋅⎜ ⎟ 3⋅
⎝ 1⎠ ⎝ 3⎠ 3! 252
(α) P( A) = = = = 0.5091 ,
⎛ 12⎞ 12 ⋅ 11⋅ 10 ⋅ 9 495
⎜ ⎟ 4!
⎝ 4⎠
⎛ 3⎞ ⎛ 9⎞ 9 ⋅8⋅ 7⋅ 6
⎜ ⎟ ⋅⎜ ⎟ 1⋅
⎝ 0⎠ ⎝ 4⎠ 4! 14
(β) P( B ) = = = = 0.2545 .
⎛ 12⎞ 12 ⋅ 11 ⋅ 10 ⋅ 9 55
⎜ ⎟ 4!
⎝ 4⎠
16
5. ∆εσµευµένη Πιθανότητα
Ορισµός δεσµευµένης πιθανότητας: Έστω Α, Β δύο ενδεχόµενα σ’ ένα
πείραµα και έστω ότι P( B) > 0 . Η δεσµευµένη πιθανότητα του Α όταν δίνεται
το Β συµβολίζεται µε P( A B) και ορίζεται από τη σχέση:
P( A ∩ B )
P( A B ) = .
P( B )
Άσκηση 9
Αναφερόµενοι στα δεδοµένα της Άσκησης 2, να υπολογισθούν οι εξής
πιθανότητες για το αεροδρόµιο:
(α) να πάρει το βραβείο Α όταν είναι γνωστό ότι δε θα πάρει το βραβείο Β,
(β) να µην πάρει και τα δύο βραβεία, δεδοµένου ότι θα πάρει το βραβείο Α.
Απάντηση
17
P( A ∩ B ′ ) 019
. 0.19
(α) P( A B ′ ) = = = = 0.2317 .
P( B ′ ) 1 − 018
. 0.82
P( A ∩ B ′) 0.19
(β) Ζητείται η P( B ′ A) . Είναι P( B ′ A) = = = 0.76 .
P ( A) 0.25
Άσκηση 9
Από µια συνήθη τράπουλα 52 χαρτιών επιλέγουµε στην τύχη 5 χαρτιά χωρίς
επανατοποθέτηση. Να βρεθούν οι πιθανότητες:
(α) τα 2 πρώτα χαρτιά που θα επιλεγούν να είναι άσοι,
(β) τα 2 πρώτα χαρτιά που θα επιλεγούν να περιέχουν ακριβώς έναν άσο,
Απάντηση: Έστω Ai = {να βγάλουµε άσο στο i χαρτί}, Bi = {να βγάλουµε
δέκα στο i χαρτί}, K i = {να βγάλουµε ρήγα στο i χαρτί}, i = 1, 2, 3, 4, 5 .
P ( A1 ∩ A2 ) = P ( A1 ) ⋅ P (A2 A1 ) =
4 3
⋅ = 0.0045 .
52 51
Εδώ βλέπουµε ότι η δεσµευµένη πιθανότητα P A2 ( A1 ) βρίσκεται αµέσως, µε
χρήση του κλασικού ορισµού της πιθανότητας στο πείραµα επιλογής του
δεύτερου χαρτιού.
(β) Επειδή ο άσος µπορεί να βγει στο πρώτο ή στο δεύτερο χαρτί, αλλά όχι και
στα δύο, έχουµε να βρούµε την πιθανότητα του ενδεχόµενου
(A1 ∩ A2′ ) ∪( A1′ ∩ A2 ) . Η πιθανότητα αυτή ισούται µε το άθροισµα των
πιθανοτήτων των δύο ενδεχόµενων στις παρενθέσεις, επειδή αυτά είναι
ασυµβίβαστα. Εποµένως, από τον κανόνα του γινοµένου:
[ ]
P ( A1 ∩ A2′ ) ∪( A1′ ∩ A2 ) = P( A1 ) ⋅ P A2′ ( )
A1 + P( A1′ ) ⋅ P A2 ( A1′ )
4 48 48 4 ( 2)( 4)( 48)
= ⋅ + ⋅ = = 0.1448 .
52 51 52 51 ( 52)( 51)
Τα δύο ενδεχόµενα Α και Β του ίδιου πειράµατος τύχης λέγονται ανεξάρτητα
όταν η πραγµατοποίηση του ενός δεν µας δίνει πληροφορίες για την
πραγµατοποίηση του άλλου.
Τα δύο ενδεχόµενα Α και Β λέγονται ανεξάρτητα όταν ισχύει η σχέση:
P( A ∩ B) = P( A) ⋅ P( B) .
Τα n ενδεχόµενα A1 , A2 , , An λέγονται ανεξάρτητα αν για οποιοδήποτε
φυσικό αριθµό k µε 2 ≤ k ≤ n και για οποιοδήποτε υποσύνολο k ενεχόµενων
από τα n, Ai1 , Ai2 , , Ain , ισχύει:
18
(
P Ai1 ∩ Ai2 ∩ ) ( ) ( ) ( )
∩ Ain = P Ai1 ⋅ P Ai2 ⋅⋅⋅ P Ain .
Ω
E
A1 A2 … An
(
P( E ) = P E ) (
A1 ⋅ P( A1 ) + P E )
A2 ⋅ P( A2 ) + + PE( )
An ⋅ P( An ) .
Άσκηση 11
Σε µια αποθήκη είναι αποθηκευµένα εξαρτήµατα του ίδιου τύπου, που
προέρχονται από τρεις διαφορετικούς προµηθευτές Α, Β, Γ, και σε ποσοστά 50%
από τον Α, 40% από το Β, 10% από τον Γ. Είναι γνωστό ότι οι προµηθευτές
Α, Β, Γ παράγουν ελαττωµατικά εξαρτήµατα σε ποσοστά 6%, 10% και 15%,
αντίστοιχα. Έστω ότι επιλέγουµε στην τύχη ένα εξάρτηµα από την αποθήκη. ΝΑ
Να βρεθεί η πιθανότητα να επιλέξουµε ελαττωµατικό εξάρτηµα.
19
Απάντηση: Έστω Α, Β, Γ τα ενδεχόµενα το εξάρτηµα που θα επιλέξουµε να
προέρχεται από τους αντίστοιχους προµηθευτές και Ε το ενδεχόµενο το
εξάρτηµα να είναι ελαττωµατικό. Εφαρµόζοντας το θεώρηµα ολικής πιθανότητας,
παίρνουµε:
P( E ) = P( E A) ⋅ P( A) + P( E B ) ⋅ P( B ) + P( E Γ ) ⋅ P( Γ )
= (0.06) ⋅ (0.50) + (0.10) ⋅ (0.40) + (0.15) ⋅ (0.10) = 0.03 + 0.04 + 0.015 = 0.085 .
Κανόνας του Bayes Έστω Ε και A1 , A2 , , An ενδεχόµενα σ’ ένα πείραµα
και έστω ότι ισχύουν οι ίδιες υποθέσεις γι’ αυτά όπως στο Θεώρηµα Ολικής
Πιθανότητας. Τότε, ισχύει για i = 1, 2, , n,
P( Ai E) =
(
P E )
Ai ⋅ P( Ai )
(
P E ) (
A1 ⋅ P( A1 ) + P E
A2 ⋅ P( A2 ) +
…
)
+ P E An ⋅ P( An ) ( )
Ο κανόνας του Bayes χρησιµοποιείται συχνά για την αναθεώρηση των
πιθανοτήτων διαφόρων ενδεχόµενων τα οποία προηγούνται χρονικά από άλλα
ενδεχόµενα του πειράµατος ή αποτελούν τις αιτίες των αποτελεσµάτων που
έχουµε παρατηρήσει. Επίσης, είναι χρήσιµο στην εύρεση επιτρεπτών ορίων
λαθών σε διαγνωστικούς ελέγχους προκειµένου οι έλεγχοι αυτοί να είναι
πρακτικά χρήσιµοι.
Άσκηση 12
Αναφερόµενοι στην Άσκηση 11 να βρεθεί η πιθανότητα το εξάρτηµα που
επιλέξαµε να προέρχεται από τον προµηθευτή Γ δοθέντος ότι βρέθηκε
ελαττωµατικό.
Απάντηση: Θέλουµε να βρούµε την P(Γ E ) . Εφαρµόζοντας τον κανόνα του
Bayes και παίρνοντας υπόψη την απάντηση της 11 που είναι η τιµή του
παρονοµαστή έχουµε:
P (E Γ ) ⋅ P(Γ ) (0.15) ⋅ (0.10) 0.015
P (Γ E ) = = = = 0.1765
P (E ) 0.085 0.085
Άσκηση 13
Μια ασφαλιστική εταιρεία πιστεύει ότι τα άτοµα που ασφαλίζονται σε κάποιο
πρόγραµµα µπορούν να διακριθούν σε δύο βασικές κατηγορίες, ανάλογα µε το
αν είναι επιρρεπή ή όχι στα ατυχήµατα. Από στατιστικές µελέτες έχει εκτιµηθεί ότι
ένα άτοµο που είναι επιρρεπές έχει πιθανότητα 0.40 να πάθει (τουλάχιστον ένα)
ατύχηµα στη διάρκεια ενός έτους, ενώ η αντίστοιχη πιθανότητα για τα µη
επιρρεπή άτοµα είναι 0.10 . Αν υποθέσουµε ότι το 20% των ατόµων που
ασφαλίζονται είναι επιρρεπή, να βρεθούν οι πιθανότητες ένα άτοµο να είναι
επιρρεπές, όταν το άτοµο αυτό είχε ατύχηµα: (α) στη διάρκεια του πρώτου
20
χρόνου ασφάλισής του και (β) σε καθένα από τα δύο πρώτα χρόνια ασφάλισής
του.
Απάντηση
Έστω T j = {το άτοµο θα έχει ατύχηµα στο j χρόνο ασφάλισής του}, j = 1, 2
και A = {το άτοµο είναι επιρρεπές στα ατυχήµατα}.
(α) ∆ίνονται P( T1 A) = 0.40, P( T1 A ′) = 010
. , P( A) = 0.20 . Έχουµε:
P (T1 A) ⋅ P ( A) (0.40) ⋅ (0.20)
P (A T1 ) = = = 0.50 .
P (T1 A) ⋅ P ( A) + P (T1 A′) ⋅ P ( A′) (0.40 ) ⋅ (0.20 ) + (0.10 ) ⋅ (0.80 )
(β) Εφαρµόζουµε και πάλι τον κανόνα του Bayes, παίρνοντας ως εκ των
προτέρων πιθανότητες τις εκ των υστέρων πιθανότητες του πρώτου βήµατος,
( )
δηλαδή: P( A) = P A T1 = 0.50 και P ( A′) = P (A′ T1 ) = 1 − P (A T1 ) = 0.50 . Έχουµε:
P (T2 A) ⋅ P ( A) (0.40) ⋅ (0.50)
P (A T1 ∩ T2 ) = = = 0.80 .
P (T2 A) ⋅ P ( A) + P (T2 A′) ⋅ P ( A′) (0.40 ) ⋅ (0.50 ) + (0.10 ) ⋅ (0.50 )
Παρατηρήστε ότι η εµφάνιση όλο και περισσότερων ατυχηµάτων σ’ ένα άτοµο
αυξάνει συνεχώς την εκ των υστέρων πιθανότητα αυτό το άτοµο να ανήκει στην
κατηγορία των επιρρεπών ατόµων προς τα ατυχήµατα. Αυτός είναι, άλλωστε, και
ο λόγος που οι ασφαλιστικές εταιρείες αυξάνουν το ασφάλιστρο µετά την
πραγµατοποίηση ατυχηµάτων.
Άσκηση 14
Σε ένα σύστηµα τηλεπικοινωνίας µε ποµπό και δέκτη, τα εκπεµπόµενα σήµατα
είναι 0 ή 1 και εκπέµπονται µε την ίδια πιθανότητα. Η. Ο δέκτης λαµβάνει τα
σήµατα µε ένα σφάλµα, έτσι ώστε: Η πιθανότητα να πάρει κάποιος 1 όταν
στέλνεται 1 είναι 0.99 αντίστοιχα, η πιθανότητα να πάρει κάποιος 0, όταν
στέλνεται 0, είναι 0.98. Τα σήµατα εκπέµπονται ανεξάρτητα το ένα από το άλλο
και παίρνονται από το δέκτη στη σειρά που στάλθηκαν.
Απαντήστε στα κάτωθι ερωτήµατα:
(α) Ποια η πιθανότητα να πάρουµε το σήµα 010 όταν εκπέµπεται 110;
(β) Ποια η πιθανότητα να πάρουµε το σήµα 110;
Απάντηση
Ορίζοντας τα γεγονότα:
Χ: η πηγή στέλνει 1, Y: η πηγή στέλνει 0
Α: ο δέκτης λαµβάνει 1, B: ο δέκτης λαµβάνει 0
παρατηρούµε ότι από τα δεδοµένα του προβλήµατος έχουµε τις εξής
πιθανότητες:
P ( X ) = 0.50 , P (Y ) = 1 − P (Y ') = 1 − P ( X ) = 1 − 0.5 = 0.5
21
P( B | Y ) = 0.98 , P( A Y ) = 1 − P( A ' Y ) = 1 − P( B | Y ) = 0.02
α) Ζητάµε: P(( B | X ) ∩ ( A | X ) ∩ ( B | Y ))
∆ηλαδή τελικά
P(( B | X ) ∩ ( A | X ) ∩ ( B | Y )) = P( B | X ) ⋅ P( A | X ) ⋅ P( B | Y ) = 0.01⋅ 0.99 ⋅ 0.98 = 0.009702
β) Ζητάµε P( A ∩ A ∩ B)
Τα γεγονότα αυτά είναι ανεξάρτητα οπότε τελικά P ( A ∩ A ∩ B ) = P ( A) ⋅ P ( A) ⋅ P ( B )
Για να υπολογίσουµε το P ( A) πρέπει να χρησιµοποιήσουµε το θεώρηµα Ολικής
πιθανότητας. Τα Α,Β είναι ασυµβίβαστα (ξένα) µεταξύ τους δηλαδή A ∩ B = ∅ και
εξαντλούν το χώρο A ∪ B = Ω . Οπότε σύµφωνα µε το θεώρηµα
P ( A) = P ( A | X ) ⋅ P ( X ) + P ( A | Y ) ⋅ P (Y ) = 0.99 ⋅ 0.5 + 0.02 ⋅ 0.5 = 0.505
παρόµοια
P ( B ) = P ( B | X ) ⋅ P ( X ) + P ( B | Y ) ⋅ P (Y ) = 0.01 ⋅ 0.5 + 0.98 ⋅ 0.5 = 0.495
Άρα τελικά
P ( A ∩ A ∩ B ) = P( A) ⋅ P( A) ⋅ P( B) = 0.5052 × 0.495 = 0.12623
Άσκηση 15
Το τεστ Παπανικολάου κάνει ορθή διάγνωση στο 98% των περιπτώσεων, δηλαδή
το τεστ είναι θετικό µε πιθανότητα 0.98 εάν η εξεταζόµενη πράγµατι πάσχει από
καρκίνο της µήτρας και είναι αρνητικό µε πιθανότητα 0.98 εάν δεν έχει την
ασθένεια. Γνωρίζουµε ότι το ποσοστό των πασχόντων γυναικών από αυτή τη
µορφή του καρκίνου στη χώρα µας είναι 1 στις 1.000. Ποια είναι η πιθανότητα
πράγµατι να πάσχει από καρκίνο της µήτρας µία γυναίκα στην οποία το τεστ
βγήκε θετικό.
Απάντηση
Έστω Α το ενδεχόµενο «πάσχει από την ασθένεια» και Θ το ενδεχόµενο «το τεστ
είναι θετικό».
Τα Α,Α’ είναι ασυµβίβαστα (ξένα) µεταξύ τους δηλαδή A ∩ A ' = ∅ και εξαντλούν
το χώρο A ∪ A ' = Ω . Οπότε σύµφωνα µε το θεώρηµα Bayes έχουµε:
P ( A) ⋅ P ( Θ / Α )
P ( Α / Θ) =
P ( A) ⋅ P (Θ / Α) + P ( A ') ⋅ P (Θ / Α ')
22
P (Θ / Α ) = 0.98, P ( Θ / Α ') = 0.02
P ( Θ '/ Α ') = 0.98, P ( Θ '/ Α ) = 0.02
0.001⋅ 0.98
P ( Α / Θ) = = 0.0048
0.001⋅ 0.98 + 0.999 ⋅ 0.02
Άσκηση 16
Το 7% του πληθυσµού µιας αφρικανικής χώρας πάσχει από ΑIDS. Ένα άτοµο για
το οποίο υπάρχει υποψία ότι πάσχει από την ασθένεια υποβάλλεται σε δύο
ανεξάρτητα µεταξύ τους τεστ. Ένα συνηθισµένο τεστ (ELISA) έχει πιθανότητα
θετικού ή αρνητικού σφάλµατος 2% (δηλαδή η πιθανότητα να είναι σωστή η
διάγνωση 98%).
Ποια η πιθανότητα να πάσχει πράγµατι από τη ασθένεια
i) ∆εδοµένου ότι και τα δύο τεστ είναι θετικά,
ii) ∆εδοµένου ότι µόνο το ένα τεστ είναι θετικό;
Απάντηση
Έστω Α το ενδεχόµενο «πάσχει από την ασθένεια», Θ1 το ενδεχόµενο «το τεστ 1
είναι θετικό», και Θ2 το ενδεχόµενο «το τέστ 2 είναι θετικό» και αξιοποιήστε τις
πιθανότητες:
P(A) = 0.07, P(A') = 0.93
P(Θ1/A) = P(Θ 2 /A) = 0.98
i)Τα Α,Α’ είναι ασυµβίβαστα (ξένα) µεταξύ τους δηλαδή A ∩ A ' = ∅ και εξαντλούν
το χώρο A ∪ A ' = Ω . Οπότε σύµφωνα µε το θεώρηµα Bayes έχουµε:
23
P ((Θ1 ∩ Θ2 ) / Α) ⋅ P ( A) 0.07 ⋅ 0.9604
P ( Α /(Θ1 ∩ Θ2 )) = = =
P ((Θ1 ∩ Θ2 ) / Α) ⋅ P ( A) + P ((Θ1 ∩ Θ2 ) / Α ') ⋅ P ( A ') 0.07 ⋅ 0.9604 + 0.93 ⋅ 0.0004
0.067228
= = 0.9945
0.0676
ii) Ορίζω Θ το γεγονός «µόνο το ένα τεστ είναι θετικό». Ζητάµε P ( Α / Θ )
Οπότε σύµφωνα µε το θεώρηµα Bayes έχουµε:
P ( Θ / Α ) ⋅ P ( A)
P ( Α / Θ)) =
P (Θ / Α) ⋅ P ( A) + P (Θ / Α ') ⋅ P ( A ')
Περιοριζόµαστε στο δειγµατικό χώρο αυτών που πάσχουν, παρατηρούµε ότι για
αυτόν τον δειγµατικό χώρο Θ = ( Θ1 ∩ Θ2 ' ) ∪ ( Θ2 ∩ Θ1 ' )
Άσκηση 17
Μία πηγή στέλνει τρία γράµµατα x,y,z µε συχνότητα 30%, 20% και 50%
αντίστοιχα. Ένας δέκτης λαµβάνει τα γράµµατα µε ένα σφάλµα, έτσι ώστε: Η
πιθανότητα να πάρει κάποιος x, y, z, όταν στέλνεται x, είναι 0.7, 0.2, 0.1
αντίστοιχα, η πιθανότητα να πάρει κάποιος x, y, z, όταν στέλνεται y, είναι 0.3, 0.6,
0.1 αντίστοιχα και τέλος, η πιθανότητα να πάρει κάποιος x, y, z, όταν στέλνεται z,
είναι 0.1, 0.5, 0.4 αντίστοιχα. Τα γράµµατα εκπέµπονται ανεξάρτητα το ένα από
το άλλο και παίρνονται από το δέκτη στη σειρά που στάλθηκαν. Ορίζοντας τα
γεγονότα:
24
Α: ο δέκτης λαµβάνει x, B: ο δέκτης λαµβάνει y, Γ: ο δέκτης λαµβάνει z ,
ΛΥΣΗ:
(α) P(να πάρουµε το σήµα yyx όταν εκπέµπεται yyx)=P(να πάρουµε το σήµα y
όταν εκπέµπεται y ΚΑΙ να πάρουµε το σήµα y όταν εκπέµπεται y ΚΑΙ να πάρουµε
το σήµα x όταν εκπέµπεται x)=P((B|Y) ⋅ (B|Y) ⋅ (A|X))=0.6 ⋅ 0.6 ⋅ 0.7=0.252
Άσκηση 18
Το υπάρχον τεστ για συγκεκριµένη µορφή καρκίνου του εντέρου κάνει ορθή
διάγνωση στο 95% των περιπτώσεων, δηλαδή το τέστ είναι θετικό µε πιθανότητα
25
0.95 εάν ο εξεταζόµενος πράγµατι πάσχει από καρκίνο και είναι αρνητικό µε
πιθανότητα 0.95 εάν δεν έχει την ασθένεια. Γνωρίζουµε ότι το ποσοστό των
πασχόντων από αυτή τη µορφή του καρκίνου στη χώρα µας είναι 1 στις 10.000.
∆εδοµένου ότι το τεστ για το κύριο Χ είναι θετικό, είναι δικαιολογηµένος ο
υπερβολικός φόβος του κύριου Χ; Ποια είναι η πιθανότητα αυτός πράγµατι να
πάσχει από καρκίνο; Ποια ερµηνεία δίνετε στο αποτέλεσµά σας;
Υπόδειξη: Έστω Α το ενδεχόµενο «πάσχει από την ασθένεια» και Θ το
ενδεχόµενο «το τεστ είναι θετικό». Παρατηρήστε ότι
P(A) = 1/10000 = 0.0001, P(A') = P(1- A) = 9999/10000 = 0.9999 και
χρησιµοποιήστε τον τύπο του Bayes.
ΛΥΣΗ:
P ( A) ⋅ P ( Θ / Α) P ( A) = 1/10000 = 0.0001,
P ( Α / Θ) =
P ( A) ⋅ P (Θ / Α) + P ( A ') ⋅ P (Θ / Α ') P ( A ') = 9999 /10000 = 0.9999
Άρα λιγότεροι από δύο στους χίλιους εξεταζόµενους µε θετικό τέστ τελικά
πάσχουν από την ασθένεια, οπότε είναι αδικαιολόγητος ο φόβος του κυρίου Χ.
Άσκηση 19
Το 10% του πληθυσµού µιας αφρικανικής χώρας πάσχει από σοβαρή ασθένεια.
Ένα άτοµο για το οποίο υπάρχει υποψία ότι πάσχει από την ασθένεια
υποβάλλεται σε δύο ανεξάρτητα µεταξύ τους τεστ καθένα από τα οποία κάνει
σωστή διάγνωση µε πιθανότητα 90%. Ποια η πιθανότητα να πάσχει πράγµατι
από τη ασθένεια i) ∆εδοµένου ότι και τα δύο τεστ είναι θετικά, ii) ∆εδοµένου ότι
µόνο το ένα τεστ είναι θετικό; Τι παρατηρείτε;
26
ασθένεια» και Θ1 το ενδεχόµενο «το τεστ 1 είναι θετικό», και Θ2 το ενδεχόµενο
«το τεστ 2 είναι θετικό».
ΛΥΣΗ:
i)
P ( A) = 0.1, P ( A ') = 0.9, P (Θ1 / A) = P (Θ2 / A) = P (Θ / A) = 0.9
P (Θ1' / A ') = P (Θ'2 / A ') = P (Θ '/ A ') = 0.9
ii) Ορίζω Η το γεγονός «µόνο το ένα τεστ είναι θετικό» και ζητάµε P ( Α / H ) .
Οπότε σύµφωνα µε το θεώρηµα Bayes έχουµε:
P (H / Α ) ⋅ P ( A )
P ( Α / H )) =
P (H / Α) ⋅ P ( A) + P (H / Α ') ⋅ P ( A ')
Περιοριζόµαστε στο δειγµατικό χώρο αυτών που πάσχουν, παρατηρούµε ότι για
αυτόν τον δειγµατικό χώρο
H = ( Θ1 ∩ Θ2 ' ) ∪ ( Θ2 ∩ Θ1 ' )
P (H ) = P ( Θ1 ∩ Θ2 ' ) + P ( Θ2 ∩ Θ1 ' )
επειδή τα τεστ είναι ανεξάρτητα
P ( Θ1 ∩ Θ2 ' ) = P ( Θ1 ) P ( Θ2 ' ) και P ( Θ2 ∩ Θ1 ' ) = P ( Θ2 ) P ( Θ1 ' )
οπότε έχουµε
P (H ) = P ( Θ1 ∩ Θ2 ' ) + P ( Θ2 ∩ Θ1 ' ) = P ( Θ1 ) P ( Θ2 ' ) + P ( Θ2 ) P ( Θ1 ' )
και επειδή µιλάµε για το δειγµατοχώρο αυτών που πάσχουν ισχύει
P (H | A) = P ( Θ1 | A ) P ( Θ2 ' | A ) + P ( Θ2 | A ) P ( Θ1 ' | A ) = 0.9 × 0.1 + 0.9 × 0.1 = 0.18
Παρόµοια για το δειγµατοχώρο αυτών που δεν πάσχουν έχουµε
P (H | A ') = P ( Θ1 | A ' ) P ( Θ2 ' | A ' ) + P ( Θ 2 | A ' ) P ( Θ1 ' | A ' ) = 0.9 × 0.1 + 0.9 × 0.1 = 0.18
Οπότε
27
P ( A ) ⋅ P (H / Α ) 0.1⋅ 0.18
P(Α / H ) = = = 0.1
P ( A) ⋅ P (H / Α) + P ( A ') ⋅ P (H / Α ') 0.1⋅ 0.18 + 0.9 ⋅ 0.18
Άσκηση 20
Ένας οδηγός έχει πιθανότητα 0.01 να συλληφθεί µεθυσµένος. Το αλκοτέστ κάνει
ορθή διάγνωση στο 95% των περιπτώσεων, δηλαδή το τεστ είναι θετικό µε
πιθανότητα 0.95 εάν ο συλληφθείς είναι µεθυσµένος και αρνητικό µε πιθανότητα
0.95 εάν δεν είναι. ∆εδοµένου ότι το τεστ για το κύριο Χ είναι θετικό, είναι
δικαιολογηµένος ο φόβος του κύριου Χ ότι θα πληρώσει το πρόστιµο; Ποια είναι η
πιθανότητα αν αυτός ζητήσει δεύτερο ανεξάρτητο τεστ να δικαιωθεί; Υπόδειξη:
Θεωρήστε Α το ενδεχόµενο «ο συλληφθείς είναι µεθυσµένος» και Θ το
ενδεχόµενο «το τεστ είναι θετικό» και χρησιµοποιήστε τον τύπο του Bayes.
Λύση:
28
ΜΕΡΟΣ Β’
Τυχαίες Μεταβλητές και κατανοµές
Τυχαία µεταβλητή (τ.µ.) είναι µια συνάρτηση X ( ⋅) µε πεδίο ορισµού το
δειγµατικό χώρο Ω του πειράµατος και πεδίο τιµών ένα σύνολο πραγµατικών
αριθµών.
∆ηλαδή µε τη συνάρτηση αυτή κάθε στοιχείο ω του Ω (αποτέλεσµα του
πειράµατος) απεικονίζεται σ’ ένα και µόνο πραγµατικό αριθµό X (ω ) = x .
Μία τιµή ή, γενικότερα, ένα σύνολο τιµών µιας τυχαίας µεταβλητής αντιστοιχεί,
µε την έννοια της αντίστροφης απεικόνισης, σ’ ένα συγκεκριµένο ενδεχόµενο
του πειράµατος.
4. Να ισχύει P (α < X ≤ β ) = F ( β ) − F (α )
Οπότε ισχύει
P( X ≤ β ) = F ( β ),
P (α < X ≤ β ) = F ( β ) − F (α ),
P( X < β ) = F ( β −),
P (α < X < β ) = F ( β −) − F (α ),
P( X > a) = 1 − F (a)
P (α ≤ X < β ) = F ( β −) − F (α −),
P( X ≥ a ) = 1 − F (a −),
P (α ≤ X ≤ β ) = F ( β ) − F (α −),
P( X = a ) = F (a ) − F (a −),
Στην περίπτωση που η σύναρτηση κατανοµής είναι και δεξιά συνεχής έχουµε
F (a ) = F ( a −) και F ( β ) = F ( β −) οπότε η πιθανότητα να εµφανιστεί ακριβώς µία
δεδοµένη τιµή P ( X = a ) = 0 .
∆ιακριτές Τυχαίες µεταβλητές.
29
Μια τ.µ. που παίρνει διακριτές τιµές, όπως η τ.µ. X = {άθροισµα που θα
φέρουµε στη ρίψη δύο ζαριών} λέγεται διακριτή τυχαία µεταβλητή.
Υπάρχουν, βέβαια, και διακριτές τ.µ. µε πάρα πολύ µεγάλο (θεωρητικά άπειρο)
πλήθος δυνατών τιµών, όπως το πλήθος των σωµατιδίων που εκπέµπει µια
ραδιενεργός πηγή, το πλήθος των εξαρτηµάτων που κατασκευάζονται µηχανικά
µε µια παραγωγική διαδικασία µέχρι να παραχθεί το πρώτο ελαττωµατικό
εξάρτηµα κτλ.
Η συνάρτηση πιθανότητας (σ.π.) µιας διακριτής τ.µ. Χ είναι µια συνάρτηση
f (x ) µε πεδίο ορισµού το σύνολο των πραγµατικών αριθµών R και πεδίο
τιµών ένα υποσύνολο του διαστήµατος [0, 1] και τέτοια ώστε για κάθε πραγµατικό
αριθµό x , η συνάρτηση παίρνει ως τιµή την πιθανότητα να παρατηρήσουµε τιµή
της τ.µ. Χ ίση µε x , δηλαδή:
f ( x ) = P ( X = x ), για κάθε x ∈ Rx = { x1 , x2 ,… , xν , …} .
Για να µπορεί µια συνάρτηση f (x ) να είναι νόµιµη σ.π., θα πρέπει να
ικανοποιεί τις εξής δύο ιδιότητες:
(i) f ( x ) = 0 , για κάθε x ∉ Rx .
(i) f ( x ) ≥0 , για κάθε x ∈ Rx .
(iii) ∑ f ( x)
x∈Rx
= 1, όπου το άθροισµα υπολογίζεται για όλα τα x όπου
f ( x ) > 0.
Η σ.π. του αθροίσµατος των αποτελεσµάτων που θα φέρουµε µε τη ρίψη δύο
ζαριών.
Τιµές της σ.π.
1 2 3 4 5 6 5 4 3 2 1
f ( x ) = P( X = x ) 36 36 36 36 36 36 36 36 36 36 36
30
0.1667
0.1389
0.0833
0.0556
0.0278
2 3 4 5 6 7 8 9 10 11 12
x
Παράδειγµα Έστω Χ = αριθµός που φέρνει ένα ζάρι που ρίχνεται στην τύχη.
Βρείτε τη µέση τιµή της Χ.
Απάντηση: Η σ.π. της τ.µ. Χ είναι f ( x ) = 1 6 για x = 1, 2, 3, 4, 5, 6 και
f ( x ) = 0 για άλλα x . Εποµένως, από τον παραπάνω τύπο έχουµε:
1 1 1 1 1 1 21
E(X ) = 1 +2 + 3 +4 +5 +6 = = 3.5 .
6 6 6 6 6 6 6
Η ερµηνεία του µ X = 3.5 είναι η εξής: Αν κάναµε ένα πολύ µεγάλο αριθµό
επαναλήψεων του πειράµατος ρίψης ενός ζαριού, ο µέσος όρος των
παρατηρήσεών µας θα βρισκόταν πολύ κοντά στο 3.5 .
σ X = var( X ) = E ( X − µ ) [ 2
].
Όπου διασπορά var( X ) = E ⎡( X − µ ) ⎤
2
⎣ ⎦
Η ∆ιωνυµική Κατανοµή
Πολλά φαινόµενα του πραγµατικού κόσµου µπορούν να ενταχθούν σε µια γενική
κατηγορία, που περιγράφεται ως εξής:
1. Υπάρχει µια ακολουθία δοκιµών Bernoulli, δηλαδή πειραµάτων µε δύο
δυνατά αποτελέσµατα του τύπου ναι - όχι, λειτουργεί - δε λειτουργεί,
συµβαίνει - δε συµβαίνει, «επιτυχία» - «αποτυχία».
31
2. Η πιθανότητα επιτυχίας (δηλαδή να συµβεί το συγκεκριµένο αποτέλεσµα
που θέλουµε να παρατηρήσουµε) σε κάθε δοκιµή είναι ίδια, έστω µια
σταθερά (γνωστή ή άγνωστη) p µε 0 < p < 1 .
3. Οι δοκιµές Bernoulli είναι ανεξάρτητες
Μερικά παραδείγµατα φαινοµένων τέτοιου είδους µπορεί να είναι τα εξής:
• Η επαναλαµβανόµενη ρίψη ενός νοµίσµατος.
• Η παρατήρηση του φύλου σε διαδοχικές γεννήσεις παιδιών.
• Ο έλεγχος διαδοχικών εξαρτηµάτων που παράγονται µε µια βιοµηχανική
διεργασία για τη διακρίβωση της συµµόρφωσης ή µη συµµόρφωσης καθενός
προς κάποιες προ-διαγραφές.
• Η τέλεση διαδοχικών εργαστηριακών πειραµάτων και η παρατήρηση σε
καθένα απ’ αυτά αν συµβαίνει ή δε συµβαίνει κάποιο ενδεχόµενο (π.χ. ότι η
θερµοκρασία δεν υπερβαίνει τους 20°C).
Αν το χαρακτηριστικό µέγεθος που θέλουµε να παρατηρήσουµε σε τέτοια
φαινόµενα είναι ο αριθµός Χ των επιτυχιών που θα πάρουµε σ’ ένα
προκαθορισµένο πλήθος n δοκιµών, τότε λέµε ότι η τυχαία µεταβλητή (τ.µ.) Χ
έχει τη διωνυµική κατανοµή µε παραµέτρους n και p και συµβολίζουµε X ∼
B ( n, p) . Έστω q = 1 − p η πιθανότητα αποτυχίας σε κάθε δοκιµή. Η συνάρτηση
πιθανότητας (σ.π.) της Χ δίνεται από τον τύπο:
⎧⎛ n ⎞ x n − x
⎪⎜ ⎟ p q , x = 0, 1, 2, … , n
f ( x ) = ⎨⎜⎝ x ⎟⎠
⎪0, αλλου.
⎩
Η ονοµασία της κατανοµής αυτής οφείλεται στο γεγονός ότι οι τιµές f ( 0),
32
πλήθος περιοδικών ελέγχων. Έστω ότι θέλουµε να βρούµε την πιθανότητα
P( X ≥ 3) . H πιθανότητα αυτή είναι χρήσιµη, για παράδειγµα, στην αξιολόγηση
ενός εξής κανόνα διακοπής της διεργασίας παραγωγής:
15
⎛ ⎞15
P ( X ≥ 3) = ∑ ⎜⎝ x ⎟⎠ ( 0.05) x ( 0.95) 15− x = 1 − P ( X = 0) − P ( X = 1) − P ( X = 2)
x=3
33
(β) Βρείτε την πιθανότητα ο υπολογιστής να λειτουργήσει χωρίς βλάβη για
διάστηµα µεταξύ 50 και 150 ωρών.
(γ) Βρείτε την πιθανότητα ο υπολογιστής να πάθει βλάβη πριν από τις 100
ώρες συνεχούς λειτουργίας.
Απάντηση: (α) Για να είναι η f ( x ) νόµιµη σ.π.π. θα πρέπει να ολοκληρώνεται
στη µονάδα. ∆ηλαδή θα πρέπει:
∞ ∞
1= ∫ f ( x )dx = λ ∫ e − x 100 dx = − λ (100)e − x 100 ∞
0
=100λ .
−∞ −∞
1.0000
0.9167
0.8333
0.7222
0.5833
F(x)
0.4167
0.2778
0.1667
0.0833
0.0000
1 2 3 4 5 6 7 8 9 10 11 12 13
x
34
Η Κανονική Κατανοµή
Η κανονική κατανοµή χρησιµοποιείται ως πιθανοτικό πρότυπο για πολλά συνεχή
χαρακτηριστικά που παρουσιάζουν συµµετρία γύρω από µια τιµή, όπως το
βάρος και το ύψος ατόµων, διαστάσεις µήκους µηχανικών εξαρτηµάτων, η
θερµοκρασία, η υγρασία, οι βαθµοί συγκέντρωσης και οξύτητας χηµικών
διαλυµάτων κτλ.
Λέµε ότι η συνεχής τ.µ. Χ έχει κανονική κατανοµή µε µέση τιµή µ και τυπική
απόκλιση σ και συµβολίζουµε Χ ∼ N ( µ , σ ) όταν η σ.π.π. της Χ είναι:
1 ⎡ 1 2⎤
f (x ) = exp⎢− ( x − µ ) ⎥, −∞ < x < ∞. (4.11)
2π σ ⎣ 2σ 2 ⎦
0.4
0.3 68.26%
0.2
0.1
0.0 z
-4 -3 -2 -1 0 1 2 3 4
35
Η σ.π.π. της N ( 0, 1) και η πιθανότητα P (−1 ≤ Z ≤ 1) .
Επειδή για οποιαδήποτε τ.µ. Χ µε µέση τιµή µ και τυπική απόκλιση σ ισχύει:
⎛a − µ b − µ⎞ ⎛b − µ⎞ ⎛ a − µ⎞
P (a < X ≤ b) = P⎜ <Z ≤ ⎟ = FZ ⎜ ⎟ − FZ ⎜ ⎟, (4.12)
⎝ σ σ ⎠ ⎝ σ ⎠ ⎝ σ ⎠
0.04 0.4
N(50, 10) N(0, 1)
0.90 0.90
0.03 0.3
0.02 0.2
0.01 0.1
0.00 0.0
20 50 80 x -3 0 3 z
62.8 1.28
Η Εκθετική Κατανοµή
Λέµε ότι η τ.µ. Χ έχει την εκθετική κατανοµή µε παράµετρο λ ( λ > 0) και
συµβολίζουµε Χ ∼ E ( λ ) όταν η σ.π.π. της Χ είναι:
⎧⎪λ e − λx , x > 0
f ( x) = ⎨ (4.13)
⎪⎩0, x ≤ 0.
Η µέση τιµή και η διασπορά της E ( λ ) είναι:
E ( X ) = 1 λ , var( X ) = 1 λ 2
f(x) F(x)
0.010
1.0
0.005 0.5
0.000 0.0
0 100 200 300 400 500 x 0 100 200 300 400 500 x
36
λιγότερο από 3 λεπτά, και δ) να διαρκέσει λιγότερο από 6 λεπτά δεδοµένου ότι
ξεπέρασε σε διάρκεια τα 3 λεπτά.
Λύση:
Επειδή στη λύση της άσκησης θα µας χρειαστεί το ολοκλήρωµα της συνάρτησης
πυκνότητας υπολογίζουµε αρχικά το αόριστο ολοκλήρωµα:
1 − 15 x 1 1
− x
1
− x
∫ f ( x)dx = ∫ e dx = ( −5 ) e + c = e 5 + c ,
5
και διαπιστώνουµε ότι
5 5
∞ 1
− x
∫
0
f ( x)dx = e 5 ∞
| = 1 , άρα η f(x) είναι όντως συνάρτηση πυκνότητας πιθανότητας.
0
Με βάση τον ορισµό της συνάρτησης πυκνότητας πιθανότητας έχουµε για τις
πιθανότητες που µας ζητάει η άσκηση:
∞
1 −1 x ∞
α) P [ X > 5] = ∫ e 5 dx = ⎡ −e 5 ⎤ = e −1
−1 x
5 ⎣ ⎦5
5
− ⎛ − ⎞
6
1 − 15 x 6 −
3
−
6 3 3
β) P [3 < X < 6] = ∫ e dx = −e⎡ ⎤
− 15 x
= e − e = e ⎜1 − e ⎟
5 5 5 5
5 ⎣ ⎦3
3 ⎝ ⎠
3
1 −1 x 3 −
3
γ) P [ X < 3] = ∫ e 5 dx = ⎡ −e 5 ⎤ = 1 − e 5
−1 x
5 ⎣ ⎦0
0
37
Λύση:
A) Η τυχαία µεταβλητή Χ=ύψος ανδρών, ακολουθεί την κανονική κατανοµή
X − 167
( X ≈ N (167,3 ) )
2
οπότε η µεταβλητή Z =
3
ακολουθεί την τυπική κανονική
⎡ X − 167 ⎤
α) P[ X > 167] = P ⎢ > 0 ⎥ = P[ Z > 0] = 1 − P[ Z ≤ 0] = 1 − 0,5 = 0,5 = 50%
⎣ 3 ⎦
Σηµειώνουµε ότι P[ Z < 0] = P[ Z ≤ 0] αφού η πιθανότητα να εµφανιστεί ακριβώς
µια δεδοµένη τιµή είναι µηδέν, άρα P[ Z = 0] = 0 .
⎡ X − 167 170 − 167 ⎤
β) P[ X > 170] = P ⎢ > ⎥⎦ = P[ Z > 1] =
⎣ 3 3
= 1 − P[ Z ≤ 1] = 1 − 0,8413 = 0,1587 = 15,87%
γ) Εργαζόµενοι όπως και πριν και χρησιµοποιώντας το γεγονός ότι η τυπική
κανονική κατανοµή είναι άρτια συνάρτηση έχουµε:
⎡161 − 167 X − 167 173 − 167 ⎤
P[161 < X < 173] = P ⎢ < < ⎥⎦ = P[−2 < Z < 2] =
⎣ 3 3 3
= P[ Z < 2] − P[ Z < −2] = P[ Z < 2] − (1 − P[ Z < 2]) =
= 2 P[ Z < 2] − 1 = 2 ⋅ 0, 9772 − 1 = 0, 9544 = 95, 44%
B) α) Η πιθανότητα ένας άνδρας να έχει ύψος πάνω από 170cm είναι σύµφωνα
µε το ερώτηµα Ι.β) p=0,1587. Έστω η τυχαία µεταβλητή Υ=αριθµός ανδρών µε
ύψος πάνω από 170cm. Αν επιλέγουµε ανεξάρτητα 4 άνδρες και τους ελέγχουµε
ως προς το ύψος τους και κάθε δοκιµή έχει πιθανότητα να πάρουµε θετικό
αποτέλεσµα (ύψος πάνω από 170cm) p=0,1587 τότε η Υ ακολουθεί διωνυµική
κατανοµή µε παραµέτρους n=4 και p=0,1587. Οπότε έχουµε :
⎛n⎞ ⎛4⎞
P[Y = k ] = ⎜ ⎟ p k (1 − p ) = ⎜ ⎟ 0,1587 k (1 − 0,1587 ) .
n−k 4− k
⎝k⎠ ⎝k ⎠
Εποµένως η ζητούµενη πιθανότητα υπολογίζονται ως ακολούθως:
⎛ 4⎞
P[Y = 4] = ⎜ ⎟ 0,1587 4 (1 − 0,1587 ) = 0,1587 4 = 0.00063
0
⎝ 4⎠
β) Όπως και πριν η µεταβλητή W= αριθµός ανδρών µε ύψος πάνω από 167cm
ακολουθεί διωνυµική κατανοµή µε παραµέτρους n=4 και p=0,5 (σύµφωνα µε το
ερώτηµα Ι α)). Οπότε έχουµε:
⎛ 4⎞ 4! 1 3
P[Y = 2] = ⎜ ⎟ 0,52 (1 − 0,5 ) =
2
0,54 = 6 ⋅ = = 0.375
⎝ 2⎠ 2!2! 16 8
Άσκηση 3
38
Έστω η πιθανότητα να πετύχουµε ένα στόχο µε µια βολή είναι 0,4. Ποιος αριθµός
βολών απαιτείται ώστε η πιθανότητα να χτυπηθεί τουλάχιστον µια φορά ο στόχος
να είναι µεγαλύτερη του 0,9; Σηµειώνεται ότι το αποτέλεσµα κάθε βολής είναι
ανεξάρτητο από τα αποτελέσµατα των προηγούµενων βολών και ακολουθεί την
διωνυµική κατανοµή.
Λύση:
Η τυχαία µεταβλητή Χ=αριθµός επιτυχηµένων βολών ακολουθεί διωνυµική
κατανοµή µε πιθανότητα επιτυχίας p=0,4.
⎛n⎞ ⎛n⎞
P[ X = k ] = ⎜ ⎟ p k (1 − p ) = ⎜ ⎟ 0, 4k 0, 6n − k
n−k
⎝k ⎠ ⎝k ⎠
Η πιθανότητα να χτυπηθεί τουλάχιστον µια φορά ο στόχος δίνεται από τη σχέση
⎛n⎞
P[ X ≥ 1] = 1 − P[ X = 0] = 1 − ⎜ ⎟ 0, 40 0, 6n = 1 − 0, 6n
⎝0⎠
Για να γίνει η πιθανότητα αυτή µεγαλύτερη από 0,9 πρέπει
log(0,1)
1 − 0, 6n ≥ 0,9 ⇒ 0,1 ≥ 0, 6n ⇒ log(0,1) ≥ n log(0, 6) ⇒ n ≥ ⇒ n ≥ 4,51 .
log(0, 6)
Οπότε µετά από 5 βολές η πιθανότητα να χτυπηθεί τουλάχιστον µια φορά ο
στόχος είναι µεγαλύτερη από 0,9.
Άσκηση 4
Σε ένα τεστ πολλαπλής επιλογής δίνονται 3 ερωτήσεις µε 3 απαντήσεις για την
πρώτη, 5 απαντήσεις για την δεύτερη και 4 απαντήσεις για την τρίτη ερώτηση.
Υποθέτοντας ότι ο διαγωνιζόµενος απαντάει και στις 3 ερωτήσεις τυχαία να
βρεθεί η µέση τιµή Ε(Χ) των σωστών απαντήσεων Χ του διαγωνιζόµενου.
Λύση:
Η τυχαία µεταβλητή Χ παίρνει τις τιµές 0, 1, 2 και 3. Οι αντίστοιχες πιθανότητες
υπολογίζονται ως ακολούθως:
p0 = P[ X = 0] = Ρ(λάθος απάντηση στην 1η ερώτηση)* Ρ(λάθος απάντηση στην
2 4 3 2
2η ερώτηση)* Ρ(λάθος απάντηση στην 3η ερώτηση)= ⋅ ⋅ = .
3 5 4 5
p1 = P[ X = 1] = Ρ(σωστή απάντηση στην 1η ερώτηση και λάθος στις άλλες 2) +
Ρ(σωστή απάντηση στην 2η ερώτηση και λάθος στις άλλες 2) + Ρ(σωστή
1 4 3 2 1 3 2 4 1
απάντηση στην 3η ερώτηση και λάθος στις άλλες 2) = ⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅ =
3 5 4 3 5 4 3 5 4
12 6 8 26 13
= + + = = .
60 60 60 60 30
p2 = P[ X = 2] = Ρ(σωστές απαντήσεις στις ερωτήσεις 1 και 2 και λάθος στην
ερώτηση 3) + Ρ(σωστές απαντήσεις στις ερωτήσεις 1 και 3 και λάθος στην
39
ερώτηση 2) + Ρ(σωστές απαντήσεις στις ερωτήσεις 2 και 3 και λάθος στην
ερώτηση 1) =
1 1 3 1 4 1 2 1 1 3 4 2 9 3
⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅ = + + = = .
3 5 4 3 5 4 3 5 4 60 60 60 60 20
p3 = P[ X = 3] = Ρ(σωστή απάντηση στην 1η ερώτηση)* Ρ(σωστή απάντηση στην
1 1 1 1
2η ερώτηση)* Ρ(σωστή απάντηση στην 3η ερώτηση)= ⋅ ⋅ = .
3 5 4 60
Οπότε η µέση τιµή της Χ είναι:
13 3 1 47
E ( X ) = 0 p0 + 1 p1 + 2 p2 + 3 p3 = 1
+2 +3 = = 0, 78
30 20 60 60
Εποµένως κατά µέσο όρο δεν απαντάει σωστά ούτε σε µια ερώτηση.
Ασκηση 5
Οι βαθµοί στην τελική εξέταση ενός µαθήµατος, µε άριστα το 20, ακολουθούν
κανονική κατανοµή µε µέσο όρο το 12 και τυπική απόκλιση 2 µονάδες. Για να
περάσει κανείς στο µάθηµα αυτό πρέπει να συγκεντρώσει στο διαγώνισµα
τουλάχιστον 10 µονάδες. Σε ένα τυχαίο δείγµα 3 µαθητών ποια είναι η
πιθανότητα τουλάχιστον ένας από αυτούς να περάσει το µάθηµα; ∆ίνεται ότι, αν η
τυχαία µεταβλητή Ζ ακολουθεί την τυπική κανονική κατανοµή, τότε
P[ Z ≤ 1] = 0,8413 .
Λύση:
Εναλλακτικά
P(περνάει τουλάχιστον ένας)=P(περνάει ένας και δύο δεν περνάνε) + P(περνάνε
δύο και ένας δεν περνάει)+ P(περνάει τρεις)= 3*0.8413*(1-0.8413)2
+3*0.84132*(1-0.8413) + (0.8413)3 = 0.996
Άσκηση 6
40
Από τα παραγόµενα τεµάχια µιας βιοµηχανικής µονάδας το 2% είναι
ελαττωµατικά. Ποια είναι η πιθανότητα σε 100 τεµάχια να βρούµε τουλάχιστον
δύο ελαττωµατικά;
Λύση:
Η τυχαία µεταβλητή Χ που παριστά τα παραγόµενα ελαττωµατικά τεµάχια της
βιοµηχανικής µονάδας, έχει ∆ιωνυµική Κατανοµή µε n=100 και p= Πιθανότητα
ελαττωµατικών τεµαχίων=0.02.
Σύµφωνα µε τα δεδοµένα του προβλήµατος ζητάµε:
P [ X ≥ 2] = 1 − P [ X < 2] = 1 − P [ X ≤ 1] = 1 − { P [ X = 0] + P [ X = 1]} (1)
()
Αλλά ,επειδή P [ X = x ] = n p x q n − x , x = 0,1,....n ,
x
( )
Είναι: P [ X = 0] = 100 0.020 0.98100− 0 = 0.98100 = 0.13
0
Άσκηση 7
Σε ένα διαγωνισµό για την πρόσληψη υπαλλήλων, ο µέσος όρος της
βαθµολογίας ήταν 74 και η τυπική απόκλιση 7. Αν γνωρίζουµε ότι προσληφθεί το
12% των διαγωνιζόµενων και οι βαθµοί κατανέµονται κανονικά, τι βαθµό είχε ο
τελευταίος επιτυχών;
41
⎡X −µ α −µ⎤ ⎡ α − 74 ⎤
Τότε η (1) γίνεται: P ⎢ ≤ ⎥ = P ⎢Ζ ≤ = 0.88
⎣ σ σ ⎦ ⎣ 7 ⎥⎦
⎛ α − 74 ⎞
∆ηλαδή Φ ⎜ ⎟ = 0.88
⎝ 7 ⎠
Από τους Κανονικούς πίνακες έχουµε ότι Φ (1.2 ) = 0.88
α − 74
Άρα = 1.2 . ∆ηλαδή, α=82.4
7
ΠΑΡΑΤΗΡΗΣΗ:
Το παρόν υλικό δεν αποτελεί αυτόνοµο διδακτικό υλικό, βασίζεται στο
σύγγραµµα που διανέµεται και στην προτεινόµενη βιβλιογραφία του µαθήµατος.
Το περιεχόµενο του αρχείου απλά αποτελεί περίγραµµα των παραδόσεων του
µαθήµατος. Αποτελούν τις διαφάνειες της διδασκαλίας µαθήµατος από το
διδάσκοντα για δική του χρήση και παρακαλώ να µη χρησιµοποιηθεί και να µην
αναπαραχθεί και διανεµηθεί για άλλο σκοπό.
Θεωρία και παραδείγµατα και σχήµατα έχουν αντληθεί από τα συγγράµµατα :
1. Πιθανότητες, Κουτρουβέλης Ελληνικό Ανοικτό Πανεπιστήµιο.
2. Ασκήσεις Πιθανοτήτων Μέρος Ι, Β’ Έκδοση, Αντζουλάκος, Κούτρας, Μπένος.
Εκδόσεις Σταµούλης.
3. Ανώτερα Μαθηµατικά ΙΙ για Μηχανικούς Α. Αθανασιάδη Εκδόσεις Τζιόλα.
42