ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Δημήτριος Παντελής Πανεπιστήμιο Θεσσαλίας

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I
Παντελής Δημήτριος
Τμήμα Μηχανολόγων Μηχανικών
Πανεπιστήμιο Θεσσαλίας
ΕΝΝΟΙΑ ΠΙΘΑΝΟΤΗΤΑΣ
• Μαθηματική περιγραφή συστημάτων με αβεβαιότητα
• Παραδείγματα από την οργάνωση παραγωγής

– Διάρκεια παραγωγής προϊόντων
– Ζήτηση προϊόντων
– Βλάβες μηχανών
– Διαθεσιμότητα προσωπικού
• Εμπειρικός ορισμός πιθανότητας: σχετική συχνότητα

γεγονότος
• Υποκειμενικός ορισμός πιθανότητας: πεποίθηση σχετικά με

κάποιο γεγονός
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I 2
ΔΕΙΓΜΑΤΙΚΟΣ ΧΩΡΟΣ
• Ω: σύνολο δυνατών αποτελεσμάτων ενός πειράματος

– Στοιχεία του Ω αμοιβαίως αποκλειόμενα
– To Ω καλύπτει όλα τα ενδεχόμενα
• Το Ω μπορεί να ορίζεται με διαφορετικούς τρόπους
• Παράδειγμα: ρίψη ζαριού
Ω={1,2,3,4,5,6}
Ω={περιττός, άρτιος}
Ω={1 ή 3, 1 ή 4, 2, 5, 6}, μη αποδεκτός δειγματικός χώρος

γιατί τα 2 πρώτα στοιχεία δεν είναι αμοιβαίως
αποκλειόμενα.
ΠΑΡΑΔΕΙΓΜΑ ΔΙΑΚΡΙΤΟΥ ΔΕΙΓΜΑΤΙΚΟΥ
ΧΩΡΟΥ
• Δύο ρίψεις τετράεδρου ζαριού

Χ: Αποτέλεσμα πρώτης ρίψης
Y: Αποτέλεσμα δεύτερης ρίψης
4
Y3
2
1
1 2 3 4
X
• 16 ενδεχόμενα
Ω={(1,1), (1,2), . . . ., (4,4)}
• Η περιγραφή με δέντρο ενδείκνυται όταν το πείραμα

γίνεται σε στάδια
ΠΑΡΑΔΕΙΓΜΑ ΣΥΝΕΧΟΥΣ ΔΕΙΓΜΑΤΙΚΟΥ
ΧΩΡΟΥ
• Βελάκι σε τετραγωνικό στόχο διαστάσεων 1×1
• (x,y): οι συντεταγμένες σημείου που καρφώνεται το βελάκι
• Υποθέτοντας ότι το βελάκι βρίσκει σίγουρα το στόχο, ο

δειγματικός χώρος αποτελείται από τα σημεία που
απαρτίζουν το στόχο
Ω={ (x, y): 0≤ x, y ≤1}
• Ω: άπειρος, μη αριθμήσιμος δειγματικός χώρος
ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ
• Γεγονός: υποσύνολο δειγματικού χώρου

– Γεγονότα Α, B ξένα μεταξύ τους αν το ένα αποκλείει το
άλλο,     
• Σε κάθε γεγονός αντιστοιχεί μία πιθανότητα
• Αξιώματα πιθανοτήτων
1. P  A   0
2. P  Ω  =1
3. P  Α  Β =P  Α  +P  Β αν     
• Τα αξιώματα αρκούν για τον υπολογισμό οποιασδήποτε

πιθανότητας
– π.χ. Αν Α, B, Γ ξένα μεταξύ τους ανά δύο τότε
P         P  Α +P  Β +P  Γ 
εφαρμόζοντας δύο φορές το Αξίωμα 3
– Ανάλογο αποτέλεσμα και για την ένωση περισσότερων
γεγονότων
ΝΟΜΟΣ ΠΙΘΑΝΟΤΗΤΑΣ: ΠΑΡΑΔΕΙΓΜΑ
• Δύο ρίψεις τετράεδρου ζαριού
1
Y 2
3
4
1 2 3 4
X
• Νόμος πιθανότητας: ίδια πιθανότητα για κάθε αποτέλεσμα
1
16
• Πιθανότητα γεγονότος: Το άθροισμα πιθανοτήτων

αποτελεσμάτων που απαρτίζουν το γεγονός
P  (, )  (1,2) ή (2,4)  
1 1 2
 
16 16 16
P     άρτιος   8 
1
16
P    4 
1
16
P    7 
1
16
P  τουλάχιστον ένα 4  
7
16
ΔΙΑΚΡΙΤΟΣ ΟΜΟΙΟΜΟΡΦΟΣ ΝΟΜΟΣ
ΠΙΘΑΝΟΤΗΤΑΣ
• Όλα τα αποτελέσματα έχουν την ίδια πιθανότητα
αριθμός στοιχείων του Α

• P() 
αριθμός στοιχείων του Ω
– Πρόβλημα αρίθμησης
• Παραδείγματα: καλά ανακατεμένες τράπουλες,

φυσιολογικά νομίσματα και ζάρια
ΣΥΝΕΧΟΥΣ ΔΕΙΓΜΑΤΙΚΟΥ ΧΩΡΟΥ
• Βελάκι σε στόχο
• Μη μηδενική πιθανότητα σε κάθε σημείο: Μη αποδεκτός

νόμος πιθανότητας
– Οδηγεί σε άτοπο
• Νόμος πιθανότητας: ορίζει πιθανότητα για κάθε περιοχή

που ανήκει στο στόχο
ΣΥΝΕΧΟΥΣ ΔΕΙΓΜΑΤΙΚΟΥ ΧΩΡΟΥ
• Ομοιόμορφος νόμος πιθανότητας: Πιθανότητα=εμβαδόν
 1 1 1 1
P        
 3 2 3 3
1 1
– εμβαδόν τριγώνου με κορυφές (0,0), (0, ), ( ,0)
3 3
 
P (, )   (0,2),(0, 3)   0
– κάθε σημείο έχει μηδενικό εμβαδόν
ΙΔΙΟΤΗΤΕΣ ΝΟΜΩΝ ΠΙΘΑΝΟΤΗΤΑΣ
• Με εφαρμογή των Αξιωμάτων 2,3

     
1= P   = P   c = P     P c  P Ac = 1- P   
• Με εφαρμογή του Αξιώματος 3, εάν 1, 2 , 3 , είναι ανά

δύο ξένα μεταξύ τους τότε:
P  1  2  3   = P  A1  + P  A2  + P  A3  +
– δεν ισχύει για ένωση μη αριθμήσιμων γεγονότων
• Με εφαρμογή του Αξιώματος 3
  
P  A  B = P  A  Ac  B  = P  A  + P Ac  B
 
 


 
P  B = P   A  B  Ac  B  = P  A  B + P Ac  B
 
  

 P     = P   + P   - P     
ΠΑΡΑΔΕΙΓΜΑ ΥΠΟΛΟΓΙΣΜΟΥ
ΠΙΘΑΝΟΤΗΤΩΝ
• Ρίχνουμε νόμισμα 4 φορές
P  τουλάχιστον 1 φορά Γράμματα  = ;
Δειγματικός χώρος : 16 ισοπίθανα ενδεχόμενα

P  τουλάχιστον 1 Γ =1- P  κανένα Γ 
=1- P  KKKK  = 1- =
1 15
16 16
• Επιλέγουμε χαρτί από τράπουλα
Άσος ή ρήγας:
PA  K = P A  P K  
4 4 1
 
52 52 13
Άσος ή μαύρο:
PA  M = P A + P M - P A  M  =
4 26 2 7
 + - 
52 52 52 13
ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ
• Πληροφορία σχετικά με την έκβαση του πειράματος αλλάζει

το δειγματικό χώρο και τις πεποιθήσεις μας (πιθανότητες
γεγονότων)
• P   |  : πιθανότητα του A δεδομένου του B

– B: νέος δειγματικός χώρος
P    
• P   |  = αν P    0
P  
– «μερίδιο» του A στο νέο δειγματικό χώρο
• Ιδιότητες νόμων πιθανότητας ισχύουν και στο νέο

δειγματικό χώρο
P  1  2 |  = P  1 |  + P  2 |  - P  1  2 | 
 
P c |  = 1- P   |  
ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ
ΠΑΡΑΔΕΙΓΜΑ
• Δυο ρίψεις τετράεδρου ζαριού
• Πληροφορία: min  X,Y  = 2
• Νέος δειγματικός χώρος: 5 ενδεχόμενα (σκιασμένη περιοχή)
4
3
2
1
1 2 3 4
•  
P max  X,Y  = 2 | min  X,Y  = 2 =
1
5
•  
P max  X,Y  = 3| min  X,Y  = 2 =
2
5
ΠΟΛΛΑΠΛΑΣΙΑΣΤΙΚΟΣ ΚΑΝΟΝΑΣ
• Ορισμός δεσμευμένης πιθανότητας 

P      P     P   |  
• Γενίκευση: P  1  2  n  = P  1   P  2 | 1  
 P  3 | 1  2  P  n | 1  2   n-1 
• Παράδειγμα: 3 χαρτιά από τράπουλα

P (καμία κούπα) = ;
ΠΟΛΛΑΠΛΑΣΙΑΣΤΙΚΟΣ ΚΑΝΟΝΑΣ
Δέντρο: Δεσμευμένες πιθανότητες στους κλάδους
39  38  37
Απάντηση: 52 51 50
ΘΕΩΡΗΜΑ ΣΥΝΟΛΙΚΗΣ ΠΙΘΑΝΟΤΗΤΑΣ
• 1, 2 , , n ξένα μεταξύ τους
1  2   n = 
• P   | i  γνωστές
• P    P   | 1   P  1   P   | 2   P  2    P   | n   P  n 
– σταθμισμένος μέσος όρος των δεσμευμένων
πιθανοτήτων
ΘΕΩΡΗΜΑ ΣΥΝΟΛΙΚΗΣ ΠΙΘΑΝΟΤΗΤΑΣ
• Παράδειγμα: Αντίπαλοι 3 κατηγοριών στο σκάκι

1. Ανήκει το 50% , πιθανότητα νίκης 0,3
2. Ανήκει το 25%, πιθανότητα νίκης 0,4
3. Ανήκει το 25%, πιθανότητα νίκης 0,5
P  νίκη  0,3  0,5  0, 4  0, 25  0,5  0, 25  0,375
ΚΑΝΟΝΑΣ ΤΟΥ BAYES
P  Αi    P   | i   P  i  P  B | Ai   P  Ai 
• P  i |     
P  P  n

j=1
  
P B| Aj  P Aj
• Παράδειγμα: Σκάκι (συνέχεια)

Έστω ότι κερδίζουμε
P  αντίπαλος από 1η κατηγορία  = ;
 
P   |   1  P    1 0,3  0,5
P    1|      0,4
P 0,375
ΑΝΕΞΑΡΤΗΣΙΑ ΓΕΓΟΝΟΤΩΝ
• A,B ανεξάρτητα αν P  A | B = P  A 
– Πραγματοποίηση του B δεν προσφέρει πληροφορίες
για το A
• Από πολλαπλασιαστικό κανόνα

P  A B = P  B  P(A | B) 
P  A B = P  A   P  B αν A,B ανεξάρτητα
– Γεγονότα ξένα μεταξύ τους δεν είναι ανεξάρτητα

• Παράδειγμα: 2 ρίψεις τετράεδρου ζαριού με ισοπίθανα
ενδεχόμενα
A = {1 στην 1η ρίψη}
B = {άθροισμα 5}
P(A  B) = P  (1,4)  
1
16
1
P(A) =
4
P(B) = P  (1,4),(2,3),(3,2),(4,1)  =
4
16
P(A B) = P(A)  P(B)  A,B ανεξάρτητα
ΔΕΣΜΕΥΜΕΝΗ ΑΝΕΞΑΡΤΗΣΙΑ
• Έστω A,B ανεξάρτητα
• Αν ξέρουμε ότι έχει συμβεί το  τα A,B είναι ξένα μεταξύ

τους, άρα παύουν να είναι ανεξάρτητα
• A,B ανεξάρτητα δεδομένου του Γ εάν

P ( A |   ) = P   |  
P(   | ) = P   |    P   |  
ΔΕΣΜΕΥΜΕΝΗ ΑΝΕΞΑΡΤΗΣΙΑ:
ΠΑΡΑΔΕΙΓΜΑ
• Νόμισμα Α: Κορώνα με πιθανότητα p1

Νόμισμα B: Κορώνα με πιθανότητα p 2
• Επιλέγουμε νόμισμα και το ρίχνουμε 2 φορές

– Αν ξέρουμε ποιο είναι, οι δυο ρίψεις είναι ανεξάρτητες
– Αν δεν ξέρουμε;
K1,K 2 : κορώνα στην 1η και 2η ρίψη αντίστοιχα
P(1)  P(1 | )  P     P( 2 | )  P   

1
 (p1+ p2 )
2
1
P( 2 )   (p1 + p2 )
2
1
P(1   2 )   (p12 + p22 )
2
Αν p1  p2, K1,K 2 δεν είναι ανεξάρτητα
ΑΝΕΞΑΡΤΗΣΙΑ ΠΟΛΛΩΝ ΓΕΓΟΝΟΤΩΝ
• 1, 2 , , k ανεξάρτητα αν για κάθε υποσύνολο τους

i1 , i2 , , ik ισχύει

P Αi1  Αi2        
 Αik = P Αi1  P Αi2    P Αi k
π.χ. Α, B, Γ ανεξάρτητα αν
P      P     P  
P       P    P   
P       P    P   
P         P     P    P   
• Παράδειγμα: Ανεξαρτησία ανά ζεύγη δεν συνεπάγεται

ανεξαρτησία
– Δύο ρίψεις νομίσματος
– Α: Κορώνα στην 1η, B: Κορώνα στην 2η, Γ: Διαφορετικά
αποτελέσματα
– Α, B, Γ ανεξάρτητα ανά δυο
Όμως, P         0  P    P    P   
ΑΡΙΘΜΗΣΗ
• Για ισοπίθανα ενδεχόμενα στο δειγματικό χώρο Ω

αριθμός στοιχείων του Α
P  A 
αριθμός στοιχείων του Ω
• Αν όλα τα στοιχεία του Α έχουν την ίδια πιθανότητα p

P  A    αριθμός στοιχείων του A  p
• Ανάγκη για συστηματικές μεθόδους αρίθμησης
ΒΑΣΙΚΗ ΑΡΧΗ ΑΡΙΘΜΗΣΗΣ
• Πείραμα σε r στάδια
• n i πιθανά αποτελέσματα στο στάδιο i

– Τα αποτελέσματα αυτά μπορεί να εξαρτώνται από τα
αποτελέσματα προηγούμενων σταδίων, όμως ο
αριθμός τους είναι σταθερός, n i
• Αριθμός πιθανών αποτελεσμάτων πειράματος n1  n 2    n r
• Παράδειγμα: Πλήθος επταψήφιων αριθμών με πρώτο

ψηφίο διαφορετικό από 0 ή 1
n1 = 8 (επιλογές για το 1ο ψηφίο)
n 2 = = n7 =10 (επιλογές για τα υπόλοιπα ψηφία)
Απάντηση: n1  n2    n7 = 8  106
ΜΕΤΑΘΕΣΕΙΣ
• Επιλογή k αντικειμένων από n
• k-μεταθέσεις: Πλήθος διαφορετικών ακολουθιών k

αντικειμένων
n!
n  (n-1)    (n-k+1)=
(n-k)!
• Παράδειγμα: Το πλήθος των λέξεων με 4 διαφορετικά
γράμματα είναι
24  23  22  21
• Μεταθέσεις: Πλήθος τρόπων που μπορούν να διαταχθούν n

αντικείμενα (k=n)
n  (n -1)    2  1  n!
• Παράδειγμα: Με πόσους τρόπους μπορούν να δοθούν 5

φάρμακα σε 5 ασθενείς;
Απάντηση: 5! =120
ΣΥΝΔΥΑΣΜΟΙ
n
•   : Για σύνολο n στοιχείων, αριθμός υποσυνόλων με k
k
στοιχεία
n
• Αριθμός k-μεταθέσεων =    k!
k
 
 n  
– 1ο στάδιο: επιλογή k αντικειμένων    επιλογές 
 k  
– 2ο στάδιο: επιλογή μετάθεσης των k αντικειμένων
(k! επιλογές)
n n! n n!
• Άρα,    k!=    =
 
k (n- k)!  k  k!(n- k)!
• Παράδειγμα: Αριθμός διαφορετικών πεντάδων χαρτιών από

τράπουλα
 52  52!
    2598960
  5!47!
5
ΣΥΝΔΥΑΣΜΟΙ
• Παράδειγμα: Ρίχνουμε νόμισμα 10 φορές. Με πόσους

τρόπους μπορούμε να πάρουμε 3 φορές Γράμματα;
 10 
  : τρόποι με τους οποίους μπορούν να επιλεγούν 3
 3  θέσεις για Γ από σύνολο 10 θέσεων
– π.χ. (2, 3, 4): Γ τη 2η, 3η και 4η φορά
ΔΙΑΜΕΡΙΣΕΙΣ
 n 
•   : τρόποι διαχωρισμού n αντικειμένων σε r
 n1,n 2 , ,n r  ομάδες μεγέθους n ,n , ,n
1 2 r
 n  n!
•   
 n1 ,n 2 , ,n r  n1!n 2! n r!
• Παράδειγμα: Με πόσους τρόπους μπορούν να μοιραστούν

τα χαρτιά μίας τράπουλας σε 4 παίχτες; (13 ο καθένας)
 52  52!
Απάντηση:   
13,13,13,13  13!13!13!13!
• Πλήθος αναγραμματισμών της λέξης MISSISSIPPI

– αριθμός διαμερίσεων 11 θέσεων (γράμματα της λέξης)
σε 4 ομάδες μεγέθους 1 (γράμμα M), 4 (γράμμα I), 2
(γράμμα P) και 4 (γράμμα S)
 11  11!
  
 1,4,4,2  1!4!4!2!
ΥΠΟΛΟΓΙΣΜΟΣ ΠΙΘΑΝΟΤΗΤΩΝ ΜΕΣΩ
ΑΡΙΘΜΗΣΗΣ
• Ρίχνουμε ζάρι 5 φορές

Α={ 5 διαφορετικά αποτελέσματα}
P    ;
– Αριθμός όλων των ενδεχομένων 65
– Αριθμός ενδεχομένων που αντιστοιχούν στο Α= αριθμός

5-μεταθέσεων 6 αντικειμένων = 6  5  4  3  2
65 43 2
– P   
65
• Ρίχνουμε νόμισμα 10 φορές, P    = p
Α={ 3 φορές Γ }
P    ;
 10 
–   διαφορετικές ακολουθίες με 3 γράμματα

3
– Κάθε ακολουθία έχει πιθανότητα p3  1- p 
7
ΥΠΟΛΟΓΙΣΜΟΣ ΠΙΘΑΝΟΤΗΤΩΝ ΜΕΣΩ
ΑΡΙΘΜΗΣΗΣ
10  3
– P       p  1- p  (συνέχεια από το
7

3 προηγούμενο παράδειγμα)
• Μοίρασμα τράπουλας σε 4 παίχτες

Α={ ο κάθε παίχτης παίρνει έναν άσο}
P    ;
52!
– Αριθμός πιθανών διαμμερίσεων =
13!13!13!13!
– Αριθμός διαμερίσεων με 1 άσο ο καθένας =

= (αριθμός μεταθέσεων των 4 άσων)•(αριθμός
διαμερίσεων των 48 υπόλοιπων χαρτιών)=
= 4! 48!
12!12!12!12!
4!48!
– P   
12!4 
134  4!
52! 49  50  51  52
13!4
ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
• Σε κάθε αποτέλεσμα του πειράματος αντιστοιχεί μία

αριθμητική τιμή
• Μαθηματικός ορισμός: Τυχαία μεταβλητή X είναι

συνάρτηση με πεδίο ορισμού το δειγματικό χώρο Ω και
πεδίο τιμών το σύνολο των πραγματικών αριθμών
X:   R
– Για ω . Χ  ω είναι η τιμή που αντιστοιχει στο
αποτέλεσμα ω του πειράματος
• Παραδείγματα
– αριθμός Κ σε 3 ρίψεις νομίσματος (0, 1, 2, 3)
– άθροισμα δύο ρίψεων ζαριού (2, 3, , 12)
– χρόνος παραγωγής προϊόντων (τιμή σε κάποιο συνεχές
διάστημα)
• Συμβολισμός
X : τυχαία μεταβλητή
x: αριθμητική τιμή
ΔΙΑΚΡΙΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
• Πεπερασμένο ή αριθμήσιμο σύνολο τιμών
• Συνάρτηση μάζας πιθανότητας (pmf)

– πιθανότητα για κάθε τιμή της X
– σχήμα: πιθανότητα ως μάζα συγκεντρωμένη στην

αντίστοιχη τιμή
– p X  x  = P  X = x  = P ω  : X(ω)=x
– pX  x   0, pX  x  =1
X
ΔΙΑΚΡΙΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
• Παράδειγμα: X = αριθμός K σε δύο ρίψεις νομίσματος

  KK, K ,  K, 
pX  0   P  X  0   P    
1
4
pX  2  P  X  2   P    
1
4
pX 1  P  X  1  P     P    
1
2
ΠΑΡΑΔΕΙΓΜΑΤΑ ΔΙΑΚΡΙΤΩΝ ΤΥΧΑΙΩΝ
ΜΕΤΑΒΛΗΤΩΝ
• Πείραμα με δύο αποτελέσματα

“Επιτυχία” ( E: πιθανότητα p)
“Αποτυχία” ( Α: πιθανότητα 1-p)
• Τυχαία μεταβλητή Bernoulli

X : αριθμός επιτυχιών (0 ή 1)
– pX 1  p, pX  0  1- p
• Δυωνυμική τυχαία μεταβλητή

X : αριθμός επιτυχιών σε n ανεξάρτητες επαναλήψεις του
πειράματος
n k
– X p  k  = P  X = k  = n-k
  p (1- p) , k=0,1, ,n
k
• Γεωμετρική τυχαία μεταβλητή

X : αριθμός επαναλήψεων του πειράματος έως την πρώτη
επιτυχία
– X = k  k-1 αποτυχίες και μία επιτυχία
– pX  k  = P  X = k  = (1- p)k-1 p, k=1,2,3,
ΠΑΡΑΔΕΙΓΜΑΤΑ ΔΙΑΚΡΙΤΩΝ ΤΥΧΑΙΩΝ
• Τυχαία μεταβλητή Poisson
λk
– pX  k  = P  X = k  = e  ,
-λ
k=0,1,2,
k!
– Προσεγγίζει ικανοποιητικά τη διωνυμική τυχαία

μεταβλητή για μεγάλο n, μικρό p και np=λ
– Παράδειγμα : 100 συσκευές, πιθανότητα βλάβης 0,01
για κάθε μία
P  5 παθαίνουν βλάβη  ;
X= αριθμός μηχανών που παθαίνουν βλάβη
Χ: διωνυμική με n=100, p=0,01
100 
P  X = 5     0,01  (1-0,01)  0,0029
5 95
 5 
Προσεγγιστικά, Χ: Poisson με λ=100•0,01=1
e-1  15
P  X = 5 =  0,00306
5!
ΣΥΝΑΡΤΗΣΕΙΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ
• Y = g  X
• X : τυχαία μεταβλητή με γνωστή pmf pX  x 
• Ζητούμενο: pmf τηςY, pY  y 
•   
pY  y  = P  Y = y  = P g  X  = y  pX  x 
x:g(x)=y
• Παράδειγμα
pX  x   ,
1
x= - 4,-3,-2,-1,0,1,2,3,4
9
Y X
pY  0  = pX  0  =
1
9
Για k=1,2,3,4, pY  k  = pX  k  + pX  -k  =
2
9
ΜΕΣΗ ΤΙΜΗ
• Ορισμός: E  X    x pX  x 
X
• Ερμηνείες
– Μέσος όρος αποτελεσμάτων σε μεγάλο αριθμό
επαναλήψεων του πειράματος
– Κέντρο βάρους της συνάρτησης μάζας πιθανότητας
X : αποτέλεσμα ρίψης ζαριού
pX  x  = ,
1
x=1,2,3,4,5,6
6
E  X   (1  2  3  4  5  6) 
1
6
ΜΕΣΗ ΤΙΜΗ
• Λόγω συμμετρίας το κέντρο βάρους βρίσκεται στο μέσον

του διαστήματος [1,6]: 1  6  3,5
2
ΙΔΙΟΤΗΤΕΣ ΜΕΣΗΣ ΤΙΜΗΣ
• X τυχαία μεταβλητή με γνωστή pmf, Y = g  X 
• E  Y =  y pY (y)
y
– Εύρεση pY  y  δεν είναι απαραίτητη
– E  Y  = E  g  X   = g(x)  pX  x 
x
V: ταχύτητα (km/h), P(V = 5) = 0,6 , P(V = 30) = 0,4
Τ: χρόνος για απόσταση 2 km
2 2
E  T   E     0,6 
2 4
 0,4 
V 5 30 15
• Γενικά, Ε  g  X    g  E  X 
– Εξαίρεση: γραμμικές συναρτήσεις
Ε  αX+ β   αE  X   β
ΔΙΑΣΠΟΡΑ
 2
• var  X   E  X-E  X  
 
– Μέτρο δικύμανσης των τιμών της X
• Ιδιότητες
– var  X   0
– var  αX+ β   α2 var  X 
H σταθερά β μετατοπίζει τις τιμές της τυχαίας
μεταβλητής χωρίς να αλλάζει τη διακύμανσή τους
• Για ευκολότερο υπολογισμό
 
var  X   E 2 - E  X 
2
• Τυπική απόκλιση
   var(X)
ΔΙΑΣΠΟΡΑ
X : αποτέλεσμα ρίψης ζαριού
  
7
2
  
 2  12  22  32  42  52  62   1 91

6 6
2
91  7  35
var  X     
6  2  12
ΜΕΣΗ ΤΙΜΗ ΚΑΙ ΔΙΑΣΠΟΡΑ
BERNOULLI, POISSON
• Bernoulli
pX  0 =1- p, pX 1 = p
E  X   0  (1- p)+1  p = p
 
E X2  02  (1- p)+12  p = p
var  X  = p- p2 = p (1-p)
• Poisson
λk
pX  k  = e  , k = 0,1,2,
-λ
k!

λk

E X  k  e 
k!
=λ -λ
k=0

  
E X 2
 k e 
k=0
λk
2
k!
= λ  (λ+1)
-λ
var  X   λ  (λ+1) - λ2  λ
ΑΠΟ ΚΟΙΝΟΥ ΣΥΝΑΡΤΗΣΗ ΜΑΖΑΣ
• Ταυτόχρονη μελέτη δύο ή περισσότερων τυχαίων

μεταβλητών
– Για δύο τυχαίες μεταβλητές X,Y
pX,Y  x, y  = P  X = x και Y = y 
–  pX,Y  x, y  = 1
x,y
– pX  x  = P  X = x  =  P  X = x και Y = y    pX,Y  x, y 
y y
– pY  y  =  pX,Y  x, y 
x
ΑΠΟ ΚΟΙΝΟΥ ΣΥΝΑΡΤΗΣΗ ΜΑΖΑΣ
Υ 0 1/20 1/20 1/20

4
1/20 2/20 3/20 1/20

3
1/20 2/20 3/20 1/20

2
1/20 1/20 1/20 0

1
1 2 3 4 Χ
pX  2 = pX,Y  2,1 + pX,Y  2,2  + pX,Y  2,3 + pX,Y  2,4  =
6
20
pY  4 = pX,Y 1,4  + pX,Y  2,4  + pX,Y 3,4  + pX,Y  4,4  =

3
20
• Z = g  X,Y 

– pZ  z  = P g  X,Y  = z =   pX,Y  x, y 
(x,y):g(x,y)=z
– E g  X,Y  = g  x,y   pX,Y  x, y 

x y
– Γενικά E g  X,Y   g  E  X  ,E  Y 
– Εξαίρεση: γραμμικές συναρτήσεις

E  αX+ βY+ γ   αE  X   βE  Y   γ
• Παράδειγμα: Z = X+ 2Y
Υ 0 1/20 1/20 1/20
4
1/20 2/20 3/20 1/20

3
1/20 2/20 3/20 1/20

2
1/20 1/20 1/20 0

1
1 2 3 4 Χ
(συνέχεια παραδείγματος)
E  Z = E  X  + 2E  Y 
pX 1 = , p X  2  = , p X  3 = , p X  4  =
3 6 8 3
20 20 20 20
Ε  X  =1 
3 6 8 3
 2  +3  +4   2,55
20 20 20 20
pY 1 = , p Y  2  = , p Y  3 = , p Y  4  =
3 7 7 3
20 20 20 20
Ε  Y  =1 
3 7 7 3
 2  +3  +4   2,5
20 20 20 20
E  Z  2,55  2  2,5  7,55
ΠΟΛΛΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
• Γενίκευση για περισσότερες από δύο τυχαίες μεταβλητές

– Για 3 τυχαίες μεταβλητές
pX,Y,Z  x,y,z   P  X = x και Y = y και Z = z 
pX,Y  x, y   pX,Y,Z  x, y,z 

z
pX  x  =  pX,Y,Z  x, y,z 
y z

E g  X,Y,Z =  g  x, y,z   pX,Y,Z  x, y,z 
x y z
• E  α1 X1  α2 X2   αn Xn   α1 E  X1   α2 E  X2    α n E  Xn 
– Μέση τιμή διατηρεί την γραμμικότητα της συνάρτησης
• Μέση τιμή διωνυμικής τυχαίας μεταβλητής

n
n
Ε X   k    pk (1- p)n-k
k
k=0
Πιο εύκολα, X = X1 +X2 + +Xn

– X1 +X2 + +Xn Bernoulli
E  X =E  X1  +E  X2  + +E  Xn   n  p
ΔΕΣΜΕΥΜΕΝΗ ΣΥΝΑΡΤΗΣΗ ΜΑΖΑΣ
• Δέσμευση από γεγονός Α
pX|A  x  = P  X = x | A  =

P X = x  A 
PA
• Δέσμευση από άλλη τυχαία μεταβλητή

P  X = x και Y = y  pX,Y  x, y 
pX|Y  x | y  = P  X = x | Y = y  = 
P  Y = y pY  y 
• Πολλαπλασιαστικός κανόνας
pX,Y  x, y   pY  y   pX|Y  x, y 
• Θεώρημα συνολικής πιθανότητας
pX  x  = pX,Y  x, y  = pX|Y  x, y   pY  y 
y y
ΔΕΣΜΕΥΜΕΝΗ ΣΥΝΑΡΤΗΣΗ ΜΑΖΑΣ
• Δεσμευμένη μέση τιμή

E  X | A = x pX|A  x 
E  X | Y = y  =  x  pX|Y  x | y 
x
• Θεώρημα συνολικής μέσης τιμής
– Α1,Α2 , ,Αn : διαμέριση δειγματικού χώρου
E  X =  E  X | Ai   P  A i 
i
– E  X  =  E  X | Y = y   pY  y 
y
ΓΕΩΜΕΤΡΙΚΗ ΤΥΧΑΙΑ ΜΕΤΑΒΛΗΤΗ
• Μέση τιμή 
– E  X  =  x 1- p  p
x-1
x=1
– Με χρήση δεσμευμένων μέσων τιμών
E  X  =   X | X = 1  P  X = 1  E  X | X > 1  P  X > 1
 
 1  p+ 1 + E  X   1- p   E  X  =
1
p
• Διασπορά
     
E X 2 =  X 2 | X = 1  P  X = 1  E X 2 | X > 1  P  X > 1

2
  
 1  p E 1  X    1- p   E X 2  2 -
2 1
p p
var  X  =
2 1 1 1- p
- - = 2
p2 p p2 p
ΑΝΕΞΑΡΤΗΣΙΑ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ
• Από κοινού συνάρτηση μάζας πιθανότητας ισούται με το

γινόμενο των επιμέρους συναρτήσεων μάζας πιθανότητας
– π.χ. X,Y,Z ανεξάρτητες αν
pX,Y,Z  x, y,z  = pX  x   pY  y   pZ  z  για κάθε x, y,z
Υ4 0 1/20 1/20 1/20
3 1/20 2/20 3/20 1/20
2 1/20 2/20 3/20 1/20
1/20 1/20 1/20 0

1
1 2 3 4 Χ
• Είναι οι X,Y ανεξάρτητες;
– Όχι: pX,Y  2,4 =  pX  2  pY  4  =
1 18
20 400
– Εναλλακτικά, pX|Y 1| 4 = 0  pX 1
ΑΝΕΞΑΡΤΗΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
• Αν X,Y ανεξάρτητες
– E  XY  = E  X   E  Y 
– E g  X  h  Y  = E g  X   E h  Y 
– var  X+ Y  = var  X  + var  Y 

X,Y ανεξάρτητες, Z = X- 4Y
var  Z = var  X  + var -4Y  = var  X  + -4  var  Y  = var X  +16var Y 
2
• Γενίκευση: Αν X1,X2 , ,Xn ανεξάρτητες

var  X1  X2   Xn   var  X1   var  X2    var  Xn 
• Διασπορά διωνυμικής τυχαίας μεταβλητής

X = X1 + X2   Xn
– X1,X2 , ,Xn ανεξάρτητες Bernoulli
var  X  var  X1   var  X2    var  Xn  = n p 1- p 
ΣΥΝΔΙΑΣΠΟΡΑ
• cov  X,Y  = E  X- E  X   Y- E  Y  

 
– Θετική: μεγάλες(μικρές) τιμές της Χ συνήθως
αντιστοιχούν σε μεγάλες (μικρές) τιμές της Y
– Αρνητική: μεγάλες(μικρές) τιμές της Χ συνήθως
αντιστοιχούν σε μικρές(μεγάλες) τιμές της Y
– Μηδενική: δεν υπάρχει τέτοιου είδους συσχέτιση,X,Y
ασυσχέτιστες
• cov  X,Y  = E  XY  - E  X  E  Y 
– Χ,Υ ανεξάρτητες  cov  X,Y = 0
(Το αντίθετο δεν ισχύει απαραίτητα)
Παράδειγμα: pX,Y 1,0 = pX,Y  0,1 = pX,Y  -1,0  = pX,Y  0,-1 

1
•
4
XY = 0 πάντα  E  XY  = 0
  cov(X,Y) = 0
E X = E Y = 0 
X,Y δεν είναι ανεξάρτητες διότι

Χ  0  Y = 0 (Χ δίνει πληροφορία για το Y )
ΣΥΝΔΙΑΣΠΟΡΑ
• Διασπορά αθροίσματος τυχαίων μεταβλητών
 n  n

var  Xi  =
   var  Xi  +  
cov Xi ,X j 
 i=1  i=1 i,j: i j
ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ
• Αδιάστατη μορφή της συνδιασποράς

cov  X,Y 
ρ  X,Y  =
var  X  var  Y 
• -1  ρ  1
– ρ =1  Y = αX+ β (γραμμική σχέση)
– ρ=0: X,Y ασυσχέτιστες
• Παράδειγμα: ρίψη νομίσματος n φορές

X: αριθμός Κ, Y: αριθμός Γ
ρ  X,Y  = ;
X+ Y = n  Y = n- X (γραμμική σχέση)
Άρα ρ  X,Y  =-1 (αρνητική κλίση)
ΣΥΝΕΧΕΙΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
• Μη αριθμήσιμο σύνολο τιμών (διάστημα)

• Συνάρτηση πυκνότητας πιθανότητας (pdf)
– πιθανότητα για κάθε διάστημα
b
P  a  X  b  = f X  x  dx

 a
–  fX  x  dx = 1
-
– Για μικρό δ
P  x  X  x+ δ   fX  x   δ
– PX = a  = 0
ΜΕΣΗ ΤΙΜΗ ΚΑΙ ΔΙΑΣΠΟΡΑ

• E X =  x fX  x  dx , κέντρο βάρους
-

• E g  X   =  g  x   fX  x  dx
-

var  X  = E X   - E  X  =  x f X  x  dx- E  X 
2 2
• 2 2
-
• Συνεχής ομοιόμορφη τυχαία μεταβλητή

– fX  x  =
1
, axb
b- a
– E X =
a+ b
2
 b- a 
2
– var  X  =
12
• Εκθετική τυχαία μεταβλητή

– fX  x  = λe-λ x , x  0
– E  X =
1
λ
– var  X  =
1
λ2
ΑΘΡΟΙΣΤΙΚΗ ΣΥΝΑΡΤΗΣΗ ΚΑΤΑΝΟΜΗΣ
• Κοινός ορισμός για διακριτές και συνεχείς τυχαίες

μεταβλητές
FX  x  = P  X  x 
• Παράδειγμα συνεχούς τυχαίας μεταβλητής
ΑΘΡΟΙΣΤΙΚΗ ΣΥΝΑΡΤΗΣΗ ΚΑΤΑΝΟΜΗΣ
• Παράδειγμα διακριτής τυχαίας μεταβλητής
ΙΔΙΟΤΗΤΕΣ ΕΚΘΕΤΙΚΗΣ ΤΥΧΑΙΑΣ
ΜΕΤΑΒΛΗΤΗΣ
• Έλλειψη μνήμης
– Αν ο χρόνος μεταξύ διαδοχικών γεγονότων είναι
εκθετική τυχαία μεταβλητή, τα μελλοντικά γεγονότα
δεν εξαρτώνται από τα προηγούμενα
– FX  x  =1- e-λ x  P  X > x  = e-λ x
PX > t + x 
– PX > t + x | X > t  = = P X > x 
PX > t 
• Σχέση με τυχαία μεταβλητή Poisson

– X : χρόνος μεταξύ διαδοχικών γεγονότων
– N : αριθμός γεγονότων σε διάστημα Τ
1
– X εκθετικός με μέση τιμή 
λ
N Poisson με μέση τιμή λΤ
• Y = g  X
• X: τυχαία μεταβλητή με γνωστή pdf f X  x 
• Ζητούμενο: pdf της Y , f Y  y 
– g  X  1-1, h  y  αντίστροφη της g  X 
dh  y 

fY  y   fX h  y   dy
– Γενικά, αν h i  y  είναι οι ρίζες της εξίσωσης y = g  X 

dhi  y 
fY  y  =   fX hi  y   dy
i
• Παράδειγμα: X ομοιόμορφη στο [0,1] Y = X

– Αντίστροφη συνάρτηση: X = Y2
– Για 0  y  1,
fY  y  = fX   y 
2 dy2
dy
= 1 2 y = 2 y
• Γραμμικές συναρτήσεις, Y = aX+ b

 y- b  1
fY  y  = fX  
 a  a
ΚΑΝΟΝΙΚΗ ΤΥΧΑΙΑ ΜΕΤΑΒΛΗΤΗ
2
1 x - μ 
-  
fX  x  =
1
• e 2 σ 
σ 2π
E  X  = μ, var  X  = σ2
• Συμβολισμός X N μ,σ2  
•   
X N μ,σ2  aX+ b N aμ + b, a 2 σ2 
– Y = aX+ b
2
1  y-b-a μ 
1  y- b    
– fY  y  =
1 2 a σ 
fX  = e
a  a  a σ 2π
X- μ
• Y= : τυποποιημένη κανονική μεταβλητή
σ
E  Y  = 0, var  Y  =1
ΥΠΟΛΟΓΙΣΜΟΣ ΠΙΘΑΝΟΤΗΤΩΝ
•   z  : αθροιστική συνάρτηση κατανομής τυποποιημένης

κανονικής τυχαίας μεταβλητής
– Τιμές της   z  στον πίνακα της επόμενης σελίδας (11)
•  
X N μ,σ2
 X- μ x - μ   x- μ 
– FX  x  = P  X  x   P       
 σ σ   σ 
• Παράδειγμα: X N 60,202  
P  X  80  ;
 80 - 60 
P  X  80  1- FX 80   1-   
 20 
 1-  1 =1- 0,8413 = 0,1587
ΥΠΟΛΟΓΙΣΜΟΣ ΠΙΘΑΝΟΤΗΤΩΝ
ΡΟΠΟΓΕΝΝΗΤΡΙΕΣ
• MX  s  = E esX 
 
– Αντιστοιχία 1-1 μεταξύ τυχαίας μεταβλητής X και
ροπογεννήτριας MX  s 
• Ροπογεννήτρια κανονικής τυχαίας μεταβλητής

σ 2 s2
 
+μ s
X N μ,σ2  MX  s  =e 2
ΑΘΡΟΙΣΜΑ ΚΑΝΟΝΙΚΩΝ ΤΥΧΑΙΩΝ
• Xi  
N μi ,σi2 , i =1,2, ,n , ανεξάρτητες
n
• W=  ci X i  n


i=1
 s ci Xi 
• M W  s  = E e  = E e
sW i=1 =
   
 
 
 
c σ  s

2 2 2
 c μ 
i i
n   +
=  M X  sci  = e
i i
2
i
i=1
 n n 
• W N  ci μi , ci σi  , διότι M W  s  είναι
 2 2

 
 i=1 i=1 
ροπογεννήτρια κανονικής τυχαίας μεταβλητής
ΚΕΝΤΡΙΚΟ ΟΡΙΑΚΟ ΘΕΩΡΗΜΑ
• X1,X2 , ,Xn ανεξάρτητες τυχαίες μεταβλητές με ίδια

κατανομή , E  Xi  = μ, var  Xi  = σ2
• Sn = X1  X2   Xn
 E  Zn  = 0, var  Zn  =1
Sn - nμ
Zn 
σ n
• Θεώρημα: Για κάθε z

lim P  Zn  z  =   z 
n
–   z  : αθροιστική συνάρτηση κατανομής

τυποποιημένης τυχαίας μεταβλητής
ΚΕΝΤΡΙΚΟ ΟΡΙΑΚΟ ΘΕΩΡΗΜΑ
• Sn μπορεί επίσης να προσεγγιστεί από κανονική τυχαία

μεταβλητή
– Παράδειγμα: Κιβώτιο με βάρος ομοιόμορφα
κατανεμημένο μεταξύ 5 και 50 κιλών
μ = 27,5 σ2 =168,75
Συνολικό βάρος 100 κιβωτίων: κανονική τυχαία

μεταβλητή με μέση τιμή 100  μ και διασπορά 100  σ2
ΠΡΟΣΕΓΓΙΣΗ ΔΙΩΝΥΜΙΚΗΣ
• X = X1  X2   Xn
– Άθροισμα n ανεξάρτητων τυχαίων μεταβλητών
Bernoulli
 1 1
• P  X = k  = P  k-  X  k+  , k =1, ,n-1
 2 2
• Κεντρικό οριακό Θεώρημα:

 1 1
P  X = k   P  k-  Sn  k+  , k =1, ,n-1
 2 2
– Sn: κανονική τυχαία μεταβλητή με μέση τιμή n p και
διασπορά n p 1- p 
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι
Συμπληρωματικές Σημειώσεις
Δημήτριος Παντελής
ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ
Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων
μεταβλητών χαρακτηρίζονται από κάποιες παραμέτρους. Παραδείγματος χάριν, η
μέση τιμή και η διασπορά (  ,  2 ) χαρακτηρίζουν τη συνάρτηση πυκνότητας
πιθανότητας της κανονικής τυχαίας μεταβλητής, η μέση τιμή  τη συνάρτηση
πιθανότητας της Poisson, και η πιθανότητα επιτυχίας p τη συνάρτηση πιθανότητας
της διωνυμικής. Όταν αυτές οι παράμετροι είναι άγνωστες, εκτιμώνται από
δειγματοληπτικές μετρήσεις, π.χ. η μέση τιμή του βάρους μιας συσκευασίας
εκτιμάται από το μέσο βάρος της συσκευασίας σε ένα πεπερασμένο δείγμα. Η
ανάλυση που ακολουθεί υποθέτει ότι η δειγματοληψία γίνεται με τυχαίο τρόπο,
δηλαδή οι μετρήσεις του δείγματος είναι ανεξάρτητες μεταξύ τους.
1. Σημειακή εκτίμηση
Έστω  άγνωστη παράμετρος που χαρακτηρίζει μια τυχαία μεταβλητή X . Η
παράμετρος αυτή εκτιμάται από τυχαίο δείγμα που αποτελείται από μετρήσεις
X 1 , X 2 , , X n . Οι τιμές του δείγματος είναι ανεξάρτητες τυχαίες μεταβλητές με
συνάρτηση (πυκνότητας) πιθανότητας ίδια με της X . Από τις τιμές αυτές προκύπτει
μια εκτιμήτρια συνάρτηση ˆ η τιμή της οποίας δίνει μια εκτίμηση για την παράμετρο
 . Ακολουθούν ορισμένα παραδείγματα εκτιμητριών.
Μέση τιμή. Εκτιμάται από τη μέση τιμή του δείγματος X , όπου

X1  X 2    X n
X .
n
Διασπορά. Εκτιμάται από τη διασπορά του δείγματος S 2 , όπου
( X 1  X ) 2  ( X 2  X ) 2    ( X n  X ) 2 X 12  X 22    X n2  nX 2
S2   .
n 1 n 1
Ποσοστό. Έστω p το ποσοστό του πληθυσμού με μια συγκεκριμένη ιδιότητα (π.χ.
ποσοστό ελαττωματικών σε παραγωγική διαδικασία). Το ποσοστό αυτό εκτιμάται
1
από το αντίστοιχο ποσοστό στο δείγμα, το οποίο ισούται με pˆ  An n , όπου An ο
αριθμός των μελών του δείγματος με αυτή την ιδιότητα.
Ιδιότητες εκτιμητριών
Η εκτίμηση βασίζεται σε μετρήσεις από ένα υποσύνολο του πληθυσμού (δείγμα), άρα
είναι φυσικό να αποκλίνει από την πραγματική τιμή της παραμέτρου  με συνέπεια
την ύπαρξη σφάλματος εκτίμησης | ˆ   | . Η μέση τιμή του τετραγώνου του
σφάλματος εκτίμησης E[(ˆ   ) 2 ] ονομάζεται μέσο τετραγωνικό σφάλμα (mean

squared error, MSE) και χαρακτηρίζει την ποιότητα της εκτιμήτριας: όσο μικρότερο
το MSE, τόσο καλύτερη η εκτίμηση.
Μια άλλη επιθυμητή ιδιότητα είναι η εκτιμήτρια να δίνει κατά μέσο την
πραγματική τιμή της άγνωστης παραμέτρου, δηλαδή E(ˆ)   . Μια τέτοια
εκτιμήτρια ονομάζεται αμερόληπτη. Είναι φανερό από τον ορισμό του μέσου
τετραγωνικού σφάλματος ότι για αμερόληπτες εκτιμήτριες ισχύει MSE=var(ˆ) .
Ακολουθούν παραδείγματα αμερόληπτων εκτιμητριών.
Μέση τιμή δείγματος. Έστω  η μέση τιμή μιας τυχαίας μεταβλητής X .

E(X 1 )  E(X 2 )    E(X n )        n
E( X )    ,
n n n
άρα η X είναι αμερόληπτη εκτιμήτρια της  .
Έστω  2 η διασπορά της X . Επειδή οι τιμές του δείγματος είναι ανεξάρτητες

τυχαίες μεταβλητές έχουμε
var(X 1 )  var (X 2 )    var (X n )  2   2     2 n 2  2
MSE  var( X )    2  .
n2 n2 n n
Διασπορά δείγματος. Η μέση τιμή της διασποράς του δείγματος ισούται με
E(X 12 )  E(X 22 )    E(X n2 )  nE( X 2 )
E( S 2 )  ,
n 1
όπου
E( X i2 )  var( X i )  [E( X i )]2   2   2 , i  1, 2, , n ,
2
E( X 2 )  var( X )  [E( X )]2   2 .
n
2
Συνδυάζοντας τις παραπάνω σχέσεις παίρνουμε E( S 2 )   2 , άρα η S 2 είναι
αμερόληπτη εκτιμήτρια της  2 .
Ποσοστό σε δείγμα. Έστω p η πιθανότητα ένα μέλος του δείγματος να έχει μια
συγκεκριμένη ιδιότητα. Άρα ο αριθμός An των μελών του δείγματος με αυτή την
ιδιότητα είναι διωνυμική τυχαία μεταβλητή με E( An )  np και var( An )  np (1  p) .

Επομένως
E(An ) np
E( pˆ )    p,
n n
άρα το p̂ είναι αμερόληπτη εκτιμήτρια του p . Επίσης
var (An ) np (1  p) p (1  p)
MSE  var( pˆ )    .
n2 n2 n
Κατανομές εκτιμητριών
Υπάρχουν περιπτώσεις εκτιμητριών για τις οποίες, εκτός από τη μέση τιμή και τη
διασπορά τους, είναι εφικτό να προσδιοριστεί και η συνάρτηση πυκνότητας
πιθανότητας.
Μέση τιμή δείγματος. 1) Αν η τυχαία μεταβλητή X είναι κανονική με μέση τιμή 
και διασπορά  2 , η μέση τιμή του δείγματος, ως γραμμικός συνδυασμός κανονικών

τυχαίων μεταβλητών, είναι επίσης κανονική τυχαία μεταβλητή με μέση τιμή  και
X 
διασπορά  2 n , δηλαδή ~ N (0,1) . Αν όμως η διασπορά είναι άγνωστη,
 n
X 
χρησιμοποιούμε την εκτιμήτριά της S 2 για την οποία ισχύει ~ tn 1 , όπου tn 1
S n
είναι η κατανομή Student (ή κατανομή t ) με n  1 βαθμούς ελευθερίας.
2) Αν το δείγμα είναι μεγάλο ( n  30 ), τότε λόγω του κεντρικού οριακού θεωρήματος
και ανεξαρτήτως της κατανομής του πληθυσμού η μέση τιμή του δείγματος είναι
προσεγγιστικά κανονική με μέση τιμή  και διασπορά  2 n . Η προσέγγιση ισχύει
X 
ακόμα και όταν η διασπορά  2 είναι άγνωστη, οπότε έχουμε ~ N (0,1) .
S n
3
Ποσοστό σε δείγμα. Για μεγάλα δείγματα το ποσοστό p̂ είναι προσεγγιστικά
p(1  p)
κανονική τυχαία μεταβλητή με μέση τιμή p και διασπορά .
n
2. Διαστήματα εμπιστοσύνης
Τα διαστήματα εμπιστοσύνης αποτελούν μια ευρύτερη μορφή εκτίμησης από τη
σημειακή. Αντί η άγνωστη παράμετρος να εκτιμηθεί από μια συγκεκριμένη τιμή,
υπολογίζεται ένα διάστημα που περιέχει την τιμή αυτής της παραμέτρου με μια
προκαθορισμένη πιθανότητα.
Ορισμός. Το διάστημα [a, b] είναι ένα 100(1   )% διάστημα εμπιστοσύνης για την
παράμετρο  αν P(  [a, b])  1   .
Διάστημα εμπιστοσύνης μέσης τιμής

Έστω ότι η τυχαία μεταβλητή X είναι κανονική με γνωστή διασπορά  2 , άρα
X  
~ N (0,1) . Έστω επίσης z 2 η τιμή για την οποία ισχύει P Y  z 2   ,
 n 2
όπου Y η τυποποιημένη κανονική τυχαία μεταβλητή. Για δεδομένο  η τιμή αυτή

βρίσκεται από τον πίνακα της κανονικής κατανομής. Επομένως
 X  
P   z 2   z 2   1   
  n 
   
P  X  z 2    X  z 2   1
 n n
Συγκρίνοντας την τελευταία σχέση με τον ορισμό του διαστήματος εμπιστοσύνης
   
συμπεραίνουμε ότι το διάστημα  X  z 2 , X  z 2  είναι ένα 100(1   )%
 n n
διάστημα εμπιστοσύνης για τη μέση τιμή  .
Με παρόμοιο τρόπο μπορεί να δειχθεί ότι για κανονικό πληθυσμό με άγνωστη
διασπορά ένα 100(1   )% διάστημα εμπιστοσύνης για τη μέση τιμή είναι το
 S S 
 X  t 2 , n 1 , X  t ,n 1  , όπου t , είναι η τιμή για την οποία ισχύει
 n 2 n
P  t  t ,    και μπορεί να βρεθεί από τον πίνακα στο τέλος των σημειώσεων.
4
Τέλος, για μεγάλα δείγματα το αντίστοιχο διάστημα εμπιστοσύνης είναι της μορφής
  ήS  ήS
 X  z 2 , X  z 2 .
 n n 
Το εύρος του διαστήματος εμπιστοσύνης έχει άμεση σχέση με το σφάλμα
  ήS
εκτίμησης X   . Συγκεκριμένα ισχύει P  X    z 2    . Αν λοιπόν
 n 
θέλουμε το σφάλμα εκτίμησης της μέσης τιμής να είναι μεγαλύτερο από d με
πιθανότητα το πολύ  , πρέπει το μισό του 100(1   )% διαστήματος εμπιστοσύνης
να είναι το πολύ d . Αυτό σημαίνει ότι το απαιτούμενο μέγεθος δείγματος είναι
2 2
 z 2  2  z 2  2
   ή   S ανάλογα με το αν η διασπορά είναι γνωστή ή άγνωστη. Στη
 d   d 
δεύτερη περίπτωση η διασπορά S 2 υπολογίζεται από κάποιο μικρό αρχικό δείγμα.
Διάστημα εμπιστοσύνης ποσοστού

Θεωρούμε την περίπτωση μεγάλων δειγμάτων για την οποία ισχύει
pˆ  p
~ N (0,1) . Παρόμοια με την περίπτωση της μέσης τιμής προκύπτει
p (1  p) n
 p (1  p) p(1  p) 
διάστημα εμπιστοσύνης  pˆ  z 2 , pˆ  z 2  , όπου όμως η
 n n 
παράμετρος p είναι η άγνωστη παράμετρος που θέλουμε να εκτιμήσουμε. Το
πρόβλημα παρακάμπτεται αντικαθιστώντας το p(1  p) με το pˆ (1  pˆ ) και τελικά
 pˆ (1  pˆ ) pˆ (1  pˆ ) 
παίρνουμε διάστημα εμπιστοσύνης  pˆ  z 2 , pˆ  z 2 .
 n n 
Όσον αφορά το σφάλμα εκτίμησης p̂  p , αν θέλουμε να είναι μεγαλύτερο από
d με πιθανότητα το πολύ  , πρέπει το μισό του 100(1   )% διαστήματος

εμπιστοσύνης να είναι το πολύ d . Αυτό σημαίνει μέγεθος δείγματος τουλάχιστον ίσο
2
 z 2 
με   pˆ (1  pˆ ) , όπου το ποσοστό p̂ υπολογίζεται από κάποιο μικρό αρχικό
 d 
δείγμα. Εναλλακτικά, επειδή pˆ (1  pˆ )  1 4 , μπορούμε ως απαιτούμενο μέγεθος
2
1  z 2 
δείγματος να πάρουμε το   .
4 d 

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Δημήτριος Παντελής Πανεπιστήμιο Θεσσαλίας

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Δημήτριος Παντελής Πανεπιστήμιο Θεσσαλίας

Uploaded by

Copyright:

Available Formats

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ I

• Μαθηματική περιγραφή συστημάτων με αβεβαιότητα

• Παραδείγματα από την οργάνωση παραγωγής

• Εμπειρικός ορισμός πιθανότητας: σχετική συχνότητα

• Υποκειμενικός ορισμός πιθανότητας: πεποίθηση σχετικά με

• Ω: σύνολο δυνατών αποτελεσμάτων ενός πειράματος

• Το Ω μπορεί να ορίζεται με διαφορετικούς τρόπους

• Παράδειγμα: ρίψη ζαριού

Ω={1 ή 3, 1 ή 4, 2, 5, 6}, μη αποδεκτός δειγματικός χώρος

• Δύο ρίψεις τετράεδρου ζαριού

• Η περιγραφή με δέντρο ενδείκνυται όταν το πείραμα

• Βελάκι σε τετραγωνικό στόχο διαστάσεων 1×1

• (x,y): οι συντεταγμένες σημείου που καρφώνεται το βελάκι

• Υποθέτοντας ότι το βελάκι βρίσκει σίγουρα το στόχο, ο

• Ω: άπειρος, μη αριθμήσιμος δειγματικός χώρος

• Γεγονός: υποσύνολο δειγματικού χώρου

• Σε κάθε γεγονός αντιστοιχεί μία πιθανότητα

• Τα αξιώματα αρκούν για τον υπολογισμό οποιασδήποτε

• Δύο ρίψεις τετράεδρου ζαριού

• Πιθανότητα γεγονότος: Το άθροισμα πιθανοτήτων

• Όλα τα αποτελέσματα έχουν την ίδια πιθανότητα

αριθμός στοιχείων του Α

• Παραδείγματα: καλά ανακατεμένες τράπουλες,

• Μη μηδενική πιθανότητα σε κάθε σημείο: Μη αποδεκτός

• Νόμος πιθανότητας: ορίζει πιθανότητα για κάθε περιοχή

• Ομοιόμορφος νόμος πιθανότητας: Πιθανότητα=εμβαδόν

– κάθε σημείο έχει μηδενικό εμβαδόν

• Με εφαρμογή των Αξιωμάτων 2,3

• Με εφαρμογή του Αξιώματος 3, εάν 1, 2 , 3 , είναι ανά

• Με εφαρμογή του Αξιώματος 3

• Ρίχνουμε νόμισμα 4 φορές

P  τουλάχιστον 1 φορά Γράμματα  = ;

Δειγματικός χώρος : 16 ισοπίθανα ενδεχόμενα

• Πληροφορία σχετικά με την έκβαση του πειράματος αλλάζει

• P   |  : πιθανότητα του A δεδομένου του B

• Ιδιότητες νόμων πιθανότητας ισχύουν και στο νέο

• Δυο ρίψεις τετράεδρου ζαριού

• Πληροφορία: min  X,Y  = 2

• Νέος δειγματικός χώρος: 5 ενδεχόμενα (σκιασμένη περιοχή)

• Ορισμός δεσμευμένης πιθανότητας 

• Παράδειγμα: 3 χαρτιά από τράπουλα

Δέντρο: Δεσμευμένες πιθανότητες στους κλάδους

• 1, 2 , , n ξένα μεταξύ τους

• Παράδειγμα: Αντίπαλοι 3 κατηγοριών στο σκάκι

P  νίκη  0,3  0,5  0, 4  0, 25  0,5  0, 25  0,375

• Παράδειγμα: Σκάκι (συνέχεια)

• Από πολλαπλασιαστικό κανόνα

– Γεγονότα ξένα μεταξύ τους δεν είναι ανεξάρτητα

• Έστω A,B ανεξάρτητα

• Αν ξέρουμε ότι έχει συμβεί το  τα A,B είναι ξένα μεταξύ

• A,B ανεξάρτητα δεδομένου του Γ εάν

• Νόμισμα Α: Κορώνα με πιθανότητα p1

• Επιλέγουμε νόμισμα και το ρίχνουμε 2 φορές

P(1)  P(1 | )  P     P( 2 | )  P   

Αν p1  p2, K1,K 2 δεν είναι ανεξάρτητα

• 1, 2 , , k ανεξάρτητα αν για κάθε υποσύνολο τους

• Παράδειγμα: Ανεξαρτησία ανά ζεύγη δεν συνεπάγεται

• Για ισοπίθανα ενδεχόμενα στο δειγματικό χώρο Ω

• Αν όλα τα στοιχεία του Α έχουν την ίδια πιθανότητα p

• Ανάγκη για συστηματικές μεθόδους αρίθμησης

• n i πιθανά αποτελέσματα στο στάδιο i

• Αριθμός πιθανών αποτελεσμάτων πειράματος n1  n 2    n r

• Παράδειγμα: Πλήθος επταψήφιων αριθμών με πρώτο

• Επιλογή k αντικειμένων από n