Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc...

85
Πιθανότητες και Αρχές Στατιστικής(1η Dιάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τmήmα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήmιο Πατρών Ακαδηmαϊκό ΄Ετος 2020 - 2021 Σωτήρης Νικολετσέας, καθηγητής 1 / 50

Transcript of Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc...

Page 1: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

“Πιθανότητες καιΑρχές Στατιστικής”(1η Διάλεξη)

Σωτήρης Νικολετσέας, καθηγητής

Τμήμα Μηχανικών Η/Υ & Πληροφορικής,Πανεπιστήμιο Πατρών

Ακαδημαϊκό ΄Ετος 2020 - 2021

Σωτήρης Νικολετσέας, καθηγητής 1 / 50

Page 2: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Περιεχόμενα 1ης Διάλεξης

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 2 / 50

Page 3: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 3 / 50

Page 4: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1. Χρησιμότητα και σκοπός του μαθήματος

Το μάθημα έχει μαθηματικό χαρακτήρα, αλλά είναι τεράστια και η

πρακτική χρησιμότητα των Πιθανοτήτων και της Στατιστικής,

ιδιαίτερα στην Επιστήμη των Υπολογιστών.

Απαραίτητο εργαλείο για:

υψηλού επιπέδου Μηχανικό Η/Υ

μεταπτυχιακές σπουδές, έρευνα

ιδιαίτερα στη σημερινή τεχνολογική εποχή

Σωτήρης Νικολετσέας, καθηγητής 4 / 50

Page 5: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Χρησιμότητα και σκοπός του μαθήματος

Βασικές αιτίες χρησιμότητας πιθανοτήτων:

τυχαιότητα στην καθημερινότητα

εγγενής τυχαιότητα φαινομένων στις υπολογιστικές και

δικτυακές τεχνολογίες

αποδοτικοί αλγόριθμοι: σχεδιασμός και ανάλυση μέσω

πιθανοτήτων

χρήση στατιστικής για data science και big data

Σωτήρης Νικολετσέας, καθηγητής 5 / 50

Page 6: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Big data and data science

Big data: τεράστια/πολύπλοκα/αδόμητα σύνολα δεδομένων

(google search, genomics, smart cities, meteo data, socialmedia data etc.), every day 2.5 exabytes (2.5 ∗ 1018) of datais generated.

Machine Learning: αλγόριθμοι μάθησης από τα δεδομένα

Statistical Learning: μοντέλα και υπολογισμοί της

προβλεψιμότητας

Data Science: εξαγωγή γνώσης από δεδομένα, με εργαλεία

από mathematics, statistics, machine learning, computerscience, engineering, ...

Σωτήρης Νικολετσέας, καθηγητής 6 / 50

Page 7: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Example: click-through rate for links

Σωτήρης Νικολετσέας, καθηγητής 7 / 50

Page 8: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Example: recommender systems

Σωτήρης Νικολετσέας, καθηγητής 8 / 50

Page 9: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Τυχαιότητα και Πιθανότητα

τυχαιότητα: εγγενής έλλειψη προτύπου, τάξης και

προβλεψιμότητας σε φαινόμενα και γεγονότα

πιθανότητα: η ‘‘σχετική συχνότητα’’ εμφάνισης

τυχαίων γεγονότων και φαινομένων

λεπτή έννοια που είναι δύσκολο να κατανοηθεί, ενώ συχνά

αντίκειται στην διαίσθηση και την ‘‘κοινή λογική’’

οι αρχαίοι ΄Ελληνες ασχολήθηκαν με τις έννοιες αυτές χωρίς

όμως να τις ποσοτικοποιήσουν

τον 16ο αιώνα μαθηματικοί υπολόγισαν με ακρίβεια

πιθανότητες για τυχερά παιχνίδια

μόλις τον 20ο αιώνα αναπτύχθηκαν αυστηρές,

μαθηματικές θεμελιώσεις για την πιθανότητα

Σωτήρης Νικολετσέας, καθηγητής 9 / 50

Page 10: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Ενδεικτικές εφαρμογές πιθανοτήτων και στατιστικής

ιατρική, βιολογία, γενετική (π.χ. εξάπλωση ιού,

κληρονομικότητα)

οικονομικές επιστήμες (εκτίμηση οικονομικών

μεγεθών, ασφαλιστικά συμβόλαια κλπ)

ανάλυση αξιοπιστίας συστημάτων (π.χ. πυρηνικά

εργοστάσια, αεροδρόμια), δηλαδή της πιθανότητας να

λειτουργούν ικανοποιητικά στο χρόνο υπό μεταβλητές

συνθήκες

μελέτη τεχνικών έργων (π.χ. αντοχή γεφυρών σε

ανέμους, επίδραση κυμάτων και ανέμων σε πλατφόρμες

εξόρυξης πετρελαίου)

μελέτες της κοινής γνώμης (γκάλοπ, exit polls κλπ)

έλεγχος ποιότητας βιομηχανικής παραγωγής

μέσω στατιστικής δειγματοληψίας

Σωτήρης Νικολετσέας, καθηγητής 10 / 50

Page 11: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Παραδείγματα εγγενούς τυχαιότητας υπολογιστικών

φαινομένων (Ι)

Αξιόπιστος Υπολογισμός σε Δίκτυα

Τυχαιότητα: βλάβες πόρων (nodes, links) ενός δικτύου.

Αφαιρετικό μοντέλο: τυχαίοι γράφοι κορυφών (nodes) των ο-

ποίων οι ακμές (links) υπάρχουν με μια πιθανότητα p και όχι

ντετερμινιστικά.

Σωτήρης Νικολετσέας, καθηγητής 11 / 50

Page 12: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Παραδείγματα εγγενούς τυχαιότητας υπολογιστικών

φαινομένων (ΙΙ)

Συστήματα Ουρών Αναμονής

Πολλά φαινόμενα και συστήματα:

εξυπηρετητές (servers, διόδια, ταμεία θεάτρου)

jobs προς εξυπηρέτηση (emails,αυτοκίνητα, άνθρωποι)

ουρές αναμονής

Οι αφίξεις είναι απρόσμενες.Υποθέσεις τυχαιότητας για

εργασίες:

ρυθμός αφίξεων

μήκη

χρόνοι άφιξης

π.χ. υποθέτουμε πιθανοτικές κατανομές

Σωτήρης Νικολετσέας, καθηγητής 12 / 50

Page 13: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Παραδείγματα εγγενούς τυχαιότητας υπολογιστικών

φαινομένων (II)

Σημαντικές (πιθανοτικές και όχι ντετερμινιστικές) μετρικές

απόδοσης:

μέσος χρόνος εξυπηρέτησης (μέση τιμή μιας τυχαίας

μεταβλητής)

μέσα μεγέθη ουρών π.χ. μνήμη server

Σωτήρης Νικολετσέας, καθηγητής 13 / 50

Page 14: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Παραδείγματα εγγενούς τυχαιότητας υπολογιστικών

φαινομένων (III)

΄Εντονη χρήση πιθανοτήτων σε ψηφιακές

επικοινωνίες και σήματα

ο θόρυβος σε ένα κανάλι επικοινωνίας (λόγω

περιβαλλοντικών επιδράσεων) συχνά θεωρείται ότι ακολουθεί

κανονική κατανομή (Gaussian)

η εξασθένηση ενός σήματος έχει πιθανοτικές συνιστώσες

(ακολουθεί συγκεκριμένες πιθανοτικές κατανομές)

Σωτήρης Νικολετσέας, καθηγητής 14 / 50

Page 15: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Σχεδιασμός και Ανάλυση Αποδοτικών Αλγορίθμων

Πιθανοτικοί Αλγόριθμοι

Τυχαίες επιλογές (π.χ. νοητή ρίψη ενός νομίσματος) ⇒ πιο

απλοί από ντετερμινιστικούς.

Πιο γρήγοροι: trade-off (αντιστάθμιση):

μικρή πιθανότητα λάθους

πολύ καλύτεροι χρόνοι

Σωτήρης Νικολετσέας, καθηγητής 15 / 50

Page 16: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 16 / 50

Page 17: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

2.1 Διδασκαλία και Φροντιστήριο

13 διαλέξεις σε 3 μεγάλες ενότητες

πιθανότητες με στοιχειώδη μέσα: λεπτές έννοιες (αξιώματα

πιθανοτήτων, απαρίθμηση, ανεξαρτησία, δεσμευμένη

πιθανότητα)

πιθανότητες με μαθηματικά εργαλεία (τυχαίες μεταβλητές,

ροπές, ανισότητες, γεννήτριες, κατανομές)

στατιστική (περιγραφική στατιστική, συσχέτιση δεδομένων,

εκτιμήτριες συναρτήσεις, διαστήματα εμπιστοσύνης,

παλινδρόμηση)

Φροντιστήρια : Δρ. Γαβριήλ Φίλιος, Μανώλης Κεριμάκης (MSc),Υπ. Δρ. Ιωάννης Μικρός

Ασκήσεις

Συμπληρώματα θεωρίας

Λύσεις παλιών θεμάτων

Σωτήρης Νικολετσέας, καθηγητής 17 / 50

Page 18: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

2.2 Σύγγραμμα και Σημειώσεις

Σύγγραμμα Μαθήματος:

“Θεωρία Πιθανοτήτων Ι”, Κουνιάς Στρατής και ΜωυσιάδηςΧρόνης

Για Στατιστική οι σημειώσεις:

“Εισαγωγή στις Πιθανότητες και τη Στατιστική (Διδακτικές

Σημειώσεις)”, Χ. Δαμιανού, Ν. Παπαδάτος, Χ. Α.Χαραλαμπίδης, Τμήμα Μαθηματικών Πανεπιστημίου

Αθηνών, Αθήνα 2003

Σωτήρης Νικολετσέας, καθηγητής 18 / 50

Page 19: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

Σύγγραμμα

ποιοτικό βιβλίο ακριβώς στο πνεύμα του μαθήματος

μαθηματική ακρίβεια και πληρότητα

πολλά παραδείγματα και λυμένες ασκήσεις

πολλές άλυτες ασκήσεις (με απαντήσεις)

Σωτήρης Νικολετσέας, καθηγητής 19 / 50

Page 20: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

2.3 Εξέταση του μαθήματος

1 2 πρόοδοι

εξέταση διάρκειας περίπου 2.5 ωρών

η ημερομηνία εξέτασης θα ανακοινώνεται 15 ημέρες νωρίτερα

καθεμία δίνει bonus μέχρι και 1 μονάδας στον τελικό βαθμό(αν ο βαθμός της τελικής εξέτασης είναι >= 5 )για όλα τα έτη

2 Τελική εξέταση

ασκήσεις μόνο - όχι θεωρία

3 Βαθμός Μαθήματος

Β. Εξέτασης + 0.1 ∗ Β. 1ης προόδου + 0.1 ∗ Β. 2ης προόδου

Σωτήρης Νικολετσέας, καθηγητής 20 / 50

Page 21: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 21 / 50

Page 22: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

α) Πείραμα τύχης

- ΄Οχι γνωστό εκ των προτέρων αποτέλεσμα ⇒ “τυχαίο”

πείραμα (υλικό π.χ. ρίχνω ζάρια, ή νοητό π.χ. διαλέγω

τυχαίο αριθμό στο [1, ..., n])

φαινόμενο (καθημερινό π.χ. θερμοκρασία, σεισμός, ή

τεχνολογικό π.χ. βλάβη ενός server, χρόνος παράδοσης

email)

Σωτήρης Νικολετσέας, καθηγητής 22 / 50

Page 23: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

- Υπάρχει (ή, τουλάχιστον, την υποθέτουμε): δυνατότητα επανάλη-

ψης κάτω από ίδιες συνθήκες (στατιστική ομαλότητα).

Για παράδειγμα:

Υπάρχει: ρίψη ενός ζαριού

Την υποθέτουμε: διάρκεια συνδιάλεξης:

Μεγάλο εύρος χρόνου

Μεγάλο πλήθος συνδιαλέξεων

Διαφορετικοί συνομιλητές

(λεπτό σημείο: η τυχαιότητα δεν είναι άγνοια ή αδυναμία υπο-

λογισμού αλλά εγγενής ιδιότητα)

Σωτήρης Νικολετσέας, καθηγητής 23 / 50

Page 24: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

β) Δειγματοχώρος Ω (sample space)-Δειγματοχώρος Ω: Το σύνολο όλων των δυνατών αποτελεσμάτων

ενός πειράματος τύχης π.χ. Ζάρι → Ω = {1, 2, ..., 6}

-Απλό γεγονός ή αλλιώς, sample point (σημείο/στοιχείο του δειγ-

ματοχώρου) (simple event): το αποτέλεσμα ενός πειράματος τύχης

-Γεγονός (event):

σύνολο απλών γεγονότων

υποσύνολο του δειγματοχώρου

Σωτήρης Νικολετσέας, καθηγητής 24 / 50

Page 25: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

-Πραγματοποίηση γεγονότος: όταν το πείραμα οδηγεί σε αποτέλε-

σμα (απλό γεγονός) που περιέχεται στο γεγονός

-Παραδείγματα: τυχαία τοποθέτηση δύο διακριτών σφαιρών σε δύο

διακριτά κελιά

Ω = { (a,b), (ab,-), (-,ab), (b,a) }Α = “υπάρχει άδειο κελί”= { (ab,-), (-,ab) }Β = “το πρώτο κελί δεν είναι άδειο”= { (a,b), (b,a), (ab,-) }

Σωτήρης Νικολετσέας, καθηγητής 25 / 50

Page 26: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

-Πραγματοποίηση γεγονότος: όταν το πείραμα οδηγεί σε αποτέλε-

σμα (απλό γεγονός) που περιέχεται στο γεγονός

-Παραδείγματα: τυχαία τοποθέτηση δύο διακριτών σφαιρών σε δύο

διακριτά κελιά

Ω = { (a,b), (ab,-), (-,ab), (b,a) }

Α = “υπάρχει άδειο κελί”= { (ab,-), (-,ab) }Β = “το πρώτο κελί δεν είναι άδειο”= { (a,b), (b,a), (ab,-) }

Σωτήρης Νικολετσέας, καθηγητής 25 / 50

Page 27: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

-Πραγματοποίηση γεγονότος: όταν το πείραμα οδηγεί σε αποτέλε-

σμα (απλό γεγονός) που περιέχεται στο γεγονός

-Παραδείγματα: τυχαία τοποθέτηση δύο διακριτών σφαιρών σε δύο

διακριτά κελιά

Ω = { (a,b), (ab,-), (-,ab), (b,a) }Α = “υπάρχει άδειο κελί”= { (ab,-), (-,ab) }

Β = “το πρώτο κελί δεν είναι άδειο”= { (a,b), (b,a), (ab,-) }

Σωτήρης Νικολετσέας, καθηγητής 25 / 50

Page 28: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

3. Βασικές έννοιες

-Πραγματοποίηση γεγονότος: όταν το πείραμα οδηγεί σε αποτέλε-

σμα (απλό γεγονός) που περιέχεται στο γεγονός

-Παραδείγματα: τυχαία τοποθέτηση δύο διακριτών σφαιρών σε δύο

διακριτά κελιά

Ω = { (a,b), (ab,-), (-,ab), (b,a) }Α = “υπάρχει άδειο κελί”= { (ab,-), (-,ab) }Β = “το πρώτο κελί δεν είναι άδειο”= { (a,b), (b,a), (ab,-) }

Σωτήρης Νικολετσέας, καθηγητής 25 / 50

Page 29: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 26 / 50

Page 30: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Είδη δειγματοχώρων:

πεπερασμένοι

άπειροι

αριθμήσιμοι ←→ ΝΣ

αλγόριθμοι (πλήθος βημάτων)

μη αριθμήσιμοι

hardwareεπεξεργασία σημάτων

Διακριτοί: πεπερασμένοι ή αριθμήσιμα άπειροι

Συνεχείς: μη αριθμήσιμα άπειροι

Σωτήρης Νικολετσέας, καθηγητής 27 / 50

Page 31: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Παραδείγμα 1: Ρίχνω ένα νόμισμα μέχρι για πρώτη φορά το αποτέ-

λεσμα να είναι “Γράμματα”.

Ω = {Γ, ΚΓ, ΚΚΓ, ΚΚΚΓ, ... } → άπειρος αριθμήσιμος δειγ-

ματοχώρος λόγω αντιστοιχίας με τον αριθμό των απαιτούμενων ε-

παναλήψεων 1, 2, 3, 4, · · ·

Σωτήρης Νικολετσέας, καθηγητής 28 / 50

Page 32: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Παραδείγμα 1: Ρίχνω ένα νόμισμα μέχρι για πρώτη φορά το αποτέ-

λεσμα να είναι “Γράμματα”.

Ω = {Γ, ΚΓ, ΚΚΓ, ΚΚΚΓ, ... } → άπειρος αριθμήσιμος δειγ-

ματοχώρος λόγω αντιστοιχίας με τον αριθμό των απαιτούμενων ε-

παναλήψεων 1, 2, 3, 4, · · ·

Σωτήρης Νικολετσέας, καθηγητής 28 / 50

Page 33: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Παραδείγματα συνεχών δειγματοχώρων:

Ο χρόνος για να παραδοθεί ένα email

Ο χρόνος ζωής μιας μπαταρίας

Η διάρκεια μίας συνδιάλεξης

Το ύψος ενός ανθρώπου

Σωτήρης Νικολετσέας, καθηγητής 29 / 50

Page 34: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Η σημασία σωστού υπολογισμού του δειγματοχώρου

Ρίχνω δύο ζάρια, ποιά είναι η πιθανότητα να φέρω δύο άσσους

Pr{ δύο άσσους } = ?

Σωστή λύση

1

36

Λάθος λύση

Ω = {0, 1, 2}Ισοπίθανα

)⇒ 1

3

Σωτήρης Νικολετσέας, καθηγητής 30 / 50

Page 35: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Η σημασία σωστού υπολογισμού του δειγματοχώρου

Ρίχνω δύο ζάρια, ποιά είναι η πιθανότητα να φέρω δύο άσσους

Pr{ δύο άσσους } = ?

Σωστή λύση

1

36

Λάθος λύση

Ω = {0, 1, 2}Ισοπίθανα

)⇒ 1

3

Σωτήρης Νικολετσέας, καθηγητής 30 / 50

Page 36: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

4. Είδη δειγματοχώρων

Η σημασία σωστού υπολογισμού του δειγματοχώρου

Ρίχνω δύο ζάρια, ποιά είναι η πιθανότητα να φέρω δύο άσσους

Pr{ δύο άσσους } = ?

Σωστή λύση

1

36

Λάθος λύση

Ω = {0, 1, 2}Ισοπίθανα

)⇒ 1

3

Σωτήρης Νικολετσέας, καθηγητής 30 / 50

Page 37: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 31 / 50

Page 38: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

5. Πράξεις με γεγονότα

Γεγονότα ←→ Σύνολα ⇒ Πράξεις με γεγονότα ←→ Πράξεις με

σύνολα

Συμπλήρωμα AΤομή ∩΄Ενωση ∪

Ερμηνεία

A : δε συμβαίνει το Α

Α∩Β : και τα δύο γεγονότα συμβαίνουν

Α∪Β : ένα τουλάχιστον γεγονός συμβαίνει

Σωτήρης Νικολετσέας, καθηγητής 32 / 50

Page 39: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

5. Πράξεις με Γεγονότα

- Α, Β ασυμβίβαστα (ξένα) ←→ Α∩Β = Ø

- Α1, Α2, · · · διαμέριση του Ω ←→ασυμβίβαστα ανά δύο ⇒ ∀ i 6= j, Αi ∩ Αj = Ø

η ένωσή τους είναι Ω ⇒ Α1 ∪ Α2 ∪ ... = Ω

- Διαφορά:

συμβαίνει το Α

δεν συμβαίνει το Β

Αποδεικνύεται ότι Α - Β = Α ·B

- Συμμετρική διαφορά (ακριβώς ένα): Α⊕Β = (Α - Β) ∪ (Β -

Α) = Α ·B ∪ A · ΒΣωτήρης Νικολετσέας, καθηγητής 33 / 50

Page 40: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

5. Πράξεις με Γεγονότα

Ιδιότητες

1 Ταυτοδυναμία: Α ∪ Α = Α Α · Α = Α

2 Ταυτοτικές: Α ∪ Ω = Ω Α · Ω = Α

3 Συμπληρώματος: Α ∪ A = Ω Α ∩ A = Ø

4 Αντιμεταθετικές: Α ∪ Β = Β ∪ Α Α ∩ Β = Β ∩ Α

5 Προσεταιριστικές: (Α ∪ Β) ∪ C = Α ∪ (Β ∪ C )

(Α ∩ Β) ∩ C = Α ∩ (Β ∩ C )

6 Επιμεριστικές: Α·(Β ∪ C ) = Α·Β ∪ Α·CΑ ∪ (Β ∩ C ) = (Α ∪ Β) ∩ (Α ∪ C )

Σωτήρης Νικολετσέας, καθηγητής 34 / 50

Page 41: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 35 / 50

Page 42: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

6.1 Ορισμοί για την πιθανότητα

Ορισμός κλασσικής πιθανότητας (De Moivre, 1711) (Laplace, 1812)Πειράματα

Πεπερασμένο πλήθος σημείων δειγματοχώρου

Ισοπίθανα δυνατά αποτελέσματα

P(A) = N(A)N = πλήθος ευνοϊκών για το Α αποτελεσμάτων

πλήθος δυνατών αποτελεσμάτων

Παράδειγμα: Ρίξιμο ζαριού: Α =“Αποτέλεσμα περιττό”= {1, 3, 5}P(A) = 3

6

χρήσιμος στην πράξη

περιοριστικές υποθέσεις

Σωτήρης Νικολετσέας, καθηγητής 36 / 50

Page 43: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

6.2 ΄Οριο σχετικής συχνότητας

P(A) = limN→∞N(A)N

Πολλές επαναλήψεις, μεγάλα μεγέθη⇒ σύγκλιση σε μια τιμή

(πιθανότητα)

Παράδειγμα: Συμμετρικό νόμισμα Ω = {Κ, Γ} Α = {Κ}

Σωτήρης Νικολετσέας, καθηγητής 37 / 50

Page 44: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

6.2 ΄Οριο σχετικής συχνότητας

΄Εχει εγκαταλειφθεί ως προσπάθεια θεμελίωσης της έννοιας

της πιθανότητας.

Πειραματικός έλεγχος πιθανότητας γεγονότος (π.χ.

του ισοπίθανου) όταν υπάρχει υπάρχει αμφισβήτηση (π.χ. με

προσομοίωση σε υπολογιστή).

Σωτήρης Νικολετσέας, καθηγητής 38 / 50

Page 45: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 39 / 50

Page 46: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

(Kolmogorov, 1933)

Ορισμός

Πιθανότητα = συνολοσυνάρτηση: υποσύνολα του Ω ⇒πραγματικούς αριθμούς: δηλαδή γεγονότα ⇒ πιθανότητες

Αξιώματα

1o Αξίωμα : P(A) ≥ 02o Αξίωμα : P(Ω)= 13o Αξίωμα : A ∩ B = Ø ⇒ P(A ∪ B) = P(A) + P(B)

Σωτήρης Νικολετσέας, καθηγητής 40 / 50

Page 47: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

(Kolmogorov, 1933)

Ορισμός

Πιθανότητα = συνολοσυνάρτηση: υποσύνολα του Ω ⇒πραγματικούς αριθμούς: δηλαδή γεγονότα ⇒ πιθανότητες

Αξιώματα

1o Αξίωμα : P(A) ≥ 02o Αξίωμα : P(Ω)= 13o Αξίωμα : A ∩ B = Ø ⇒ P(A ∪ B) = P(A) + P(B)

Σωτήρης Νικολετσέας, καθηγητής 40 / 50

Page 48: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Ιδιότητες

1 0 ≤ P(A) ≤ 1

2 P(A) + P(A) = 1

3 P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

4 P(∪i Ai) ≤∑i

P (Ai) Ανισότητα του Boole, άνω φράγμα για

πιθανότητα ένωσης γεγονότων

Σωτήρης Νικολετσέας, καθηγητής 41 / 50

Page 49: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.

Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 50: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 51: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒

Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 52: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 53: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 54: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒

Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 55: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒

Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 56: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

7. Αξιωματική Θεμελίωση - Μαθηματική Πιθανότητα

Απόδειξη: 3) P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Απ.Εκφράζω το Α ∪ Β ως δύο ξένα σύνολα:

A ∪ B = A ∪ B·A ⇒Pr{A∪B} = Pr{A} + Pr{B·A} (1)

Τώρα εκφράζω το Β ως 2 ξένα σύνολα:

B = B · Ω = B · (A∪A) ⇒ B = B·A ∪ A·B ⇒Pr{B} = Pr{B·A} + Pr{A·B} ⇒Pr{B·A} = Pr{B} - Pr{A·B} (2)

Σωτήρης Νικολετσέας, καθηγητής 42 / 50

Page 57: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

1 Χρησιμότητα και σκοπός του μαθήματος

2 Τρόπος διδασκαλίας και εξέτασης

3 Βασικές έννοιες

4 Είδη δειγματοχώρων

5 Πράξεις με γεγονότα

6 Ορισμοί για την πιθανότητα

7 Αξιωματική θεμελίωση - Μαθηματική πιθανότητα

8 Παραδείγματα

Σωτήρης Νικολετσέας, καθηγητής 43 / 50

Page 58: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 1

α) Γεγονότα A, B, C : Ακριβώς 2 συμβαίνουν:

A·B·C ∪ A·B·C ∪ A·B·C

β) Γεγονότα A, B, C : ΄Οχι περισσότερα από 2 συμβαίνουν

όχι 3 ⇒ ABC = A ∪ B ∪ C (διαφορετικά, τουλάχιστον ένα δεν

συμβαίνει)

Σωτήρης Νικολετσέας, καθηγητής 44 / 50

Page 59: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 1

α) Γεγονότα A, B, C : Ακριβώς 2 συμβαίνουν:

A·B·C ∪ A·B·C ∪ A·B·C

β) Γεγονότα A, B, C : ΄Οχι περισσότερα από 2 συμβαίνουν

όχι 3 ⇒ ABC = A ∪ B ∪ C (διαφορετικά, τουλάχιστον ένα δεν

συμβαίνει)

Σωτήρης Νικολετσέας, καθηγητής 44 / 50

Page 60: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 1

α) Γεγονότα A, B, C : Ακριβώς 2 συμβαίνουν:

A·B·C ∪ A·B·C ∪ A·B·C

β) Γεγονότα A, B, C : ΄Οχι περισσότερα από 2 συμβαίνουν

όχι 3 ⇒ ABC = A ∪ B ∪ C (διαφορετικά, τουλάχιστον ένα δεν

συμβαίνει)

Σωτήρης Νικολετσέας, καθηγητής 44 / 50

Page 61: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 1

α) Γεγονότα A, B, C : Ακριβώς 2 συμβαίνουν:

A·B·C ∪ A·B·C ∪ A·B·C

β) Γεγονότα A, B, C : ΄Οχι περισσότερα από 2 συμβαίνουν

όχι 3 ⇒ ABC = A ∪ B ∪ C (διαφορετικά, τουλάχιστον ένα δεν

συμβαίνει)

Σωτήρης Νικολετσέας, καθηγητής 44 / 50

Page 62: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 2

Να αποδείξετε ότι A ⊂ B ⇒ Pr{A} ≤ Pr{B}

Απόδειξη:

A ⊂ B ⇒ B = A ∪ B·A ⇒Pr{B} = Pr{A} + Pr{B·A} ⇒

Pr{B} ≥ Pr{A}

Σωτήρης Νικολετσέας, καθηγητής 45 / 50

Page 63: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 2

Να αποδείξετε ότι A ⊂ B ⇒ Pr{A} ≤ Pr{B}

Απόδειξη:

A ⊂ B ⇒ B = A ∪ B·A ⇒Pr{B} = Pr{A} + Pr{B·A} ⇒

Pr{B} ≥ Pr{A}

Σωτήρης Νικολετσέας, καθηγητής 45 / 50

Page 64: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 3

Να δειχθεί: P(A1 ∪A2 ∪ ... ∪An) ≤ P(A1)+P(A2)+...+P(An)Απόδειξη:

Α1 ∪ Α2 ∪ ... ∪ Αn = Α1 ∪ Α2·A1 ∪ Α3 ·A1 ·A2 ∪ · · · ⇒Pr(A1∪A2 ∪ ... ∪An) =

Pr{A1}+Pr{A2·A1}+Pr{A3 ·A1 ·A2}+ · · ·

Αλλά A ⊂ B ⇒ Pr{A} ≤ Pr{B}

και αρκεί να δούμε ότι A2 ·A1 ⊂ A2 κ.ο.κ.

Σωτήρης Νικολετσέας, καθηγητής 46 / 50

Page 65: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 3

Να δειχθεί: P(A1 ∪A2 ∪ ... ∪An) ≤ P(A1)+P(A2)+...+P(An)Απόδειξη:

Α1 ∪ Α2 ∪ ... ∪ Αn = Α1 ∪ Α2·A1 ∪ Α3 ·A1 ·A2 ∪ · · · ⇒

Pr(A1∪A2 ∪ ... ∪An) =

Pr{A1}+Pr{A2·A1}+Pr{A3 ·A1 ·A2}+ · · ·

Αλλά A ⊂ B ⇒ Pr{A} ≤ Pr{B}

και αρκεί να δούμε ότι A2 ·A1 ⊂ A2 κ.ο.κ.

Σωτήρης Νικολετσέας, καθηγητής 46 / 50

Page 66: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 3

Να δειχθεί: P(A1 ∪A2 ∪ ... ∪An) ≤ P(A1)+P(A2)+...+P(An)Απόδειξη:

Α1 ∪ Α2 ∪ ... ∪ Αn = Α1 ∪ Α2·A1 ∪ Α3 ·A1 ·A2 ∪ · · · ⇒Pr(A1∪A2 ∪ ... ∪An) =

Pr{A1}+Pr{A2·A1}+Pr{A3 ·A1 ·A2}+ · · ·

Αλλά A ⊂ B ⇒ Pr{A} ≤ Pr{B}

και αρκεί να δούμε ότι A2 ·A1 ⊂ A2 κ.ο.κ.

Σωτήρης Νικολετσέας, καθηγητής 46 / 50

Page 67: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 3

Να δειχθεί: P(A1 ∪A2 ∪ ... ∪An) ≤ P(A1)+P(A2)+...+P(An)Απόδειξη:

Α1 ∪ Α2 ∪ ... ∪ Αn = Α1 ∪ Α2·A1 ∪ Α3 ·A1 ·A2 ∪ · · · ⇒Pr(A1∪A2 ∪ ... ∪An) =

Pr{A1}+Pr{A2·A1}+Pr{A3 ·A1 ·A2}+ · · ·

Αλλά A ⊂ B ⇒ Pr{A} ≤ Pr{B}

και αρκεί να δούμε ότι A2 ·A1 ⊂ A2 κ.ο.κ.

Σωτήρης Νικολετσέας, καθηγητής 46 / 50

Page 68: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 3

Να δειχθεί: P(A1 ∪A2 ∪ ... ∪An) ≤ P(A1)+P(A2)+...+P(An)Απόδειξη:

Α1 ∪ Α2 ∪ ... ∪ Αn = Α1 ∪ Α2·A1 ∪ Α3 ·A1 ·A2 ∪ · · · ⇒Pr(A1∪A2 ∪ ... ∪An) =

Pr{A1}+Pr{A2·A1}+Pr{A3 ·A1 ·A2}+ · · ·

Αλλά A ⊂ B ⇒ Pr{A} ≤ Pr{B}

και αρκεί να δούμε ότι A2 ·A1 ⊂ A2 κ.ο.κ.

Σωτήρης Νικολετσέας, καθηγητής 46 / 50

Page 69: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 4

ν.δ. ότι η πιθανότητα να συμβεί ένα μόνο από τα γεγονότα E, Fείναι

P(E) + P(F) - 2 P(EF)

Απάντηση:

Pr{ένα μόνο} = Pr{EF ∪ EF}Αλλά EF ∪ EF = E ⇒ Pr{EF} = Pr{E} − Pr{EF}και EF ∪ EF = F ⇒ Pr{EF} = Pr{F} − Pr{EF}

Σωτήρης Νικολετσέας, καθηγητής 47 / 50

Page 70: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 4

ν.δ. ότι η πιθανότητα να συμβεί ένα μόνο από τα γεγονότα E, Fείναι

P(E) + P(F) - 2 P(EF)

Απάντηση:

Pr{ένα μόνο} = Pr{EF ∪ EF}

Αλλά EF ∪ EF = E ⇒ Pr{EF} = Pr{E} − Pr{EF}και EF ∪ EF = F ⇒ Pr{EF} = Pr{F} − Pr{EF}

Σωτήρης Νικολετσέας, καθηγητής 47 / 50

Page 71: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 4

ν.δ. ότι η πιθανότητα να συμβεί ένα μόνο από τα γεγονότα E, Fείναι

P(E) + P(F) - 2 P(EF)

Απάντηση:

Pr{ένα μόνο} = Pr{EF ∪ EF}Αλλά EF ∪ EF = E ⇒ Pr{EF} = Pr{E} − Pr{EF}

και EF ∪ EF = F ⇒ Pr{EF} = Pr{F} − Pr{EF}

Σωτήρης Νικολετσέας, καθηγητής 47 / 50

Page 72: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 4

ν.δ. ότι η πιθανότητα να συμβεί ένα μόνο από τα γεγονότα E, Fείναι

P(E) + P(F) - 2 P(EF)

Απάντηση:

Pr{ένα μόνο} = Pr{EF ∪ EF}Αλλά EF ∪ EF = E ⇒ Pr{EF} = Pr{E} − Pr{EF}και EF ∪ EF = F ⇒

Pr{EF} = Pr{F} − Pr{EF}

Σωτήρης Νικολετσέας, καθηγητής 47 / 50

Page 73: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 4

ν.δ. ότι η πιθανότητα να συμβεί ένα μόνο από τα γεγονότα E, Fείναι

P(E) + P(F) - 2 P(EF)

Απάντηση:

Pr{ένα μόνο} = Pr{EF ∪ EF}Αλλά EF ∪ EF = E ⇒ Pr{EF} = Pr{E} − Pr{EF}και EF ∪ EF = F ⇒ Pr{EF} = Pr{F} − Pr{EF}

Σωτήρης Νικολετσέας, καθηγητής 47 / 50

Page 74: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 5

Το δοχείο Α έχει 3 κόκκινες και 3 μαύρες μπάλες, ενώ το δοχείο

Β 4 κόκκινες και 6 μαύρες. Τραβάμε τυχαία μια μπάλα από κάθε

δοχείο. Ποια η πιθανότητα οι δυο μπάλες να έχουν το ίδιο χρώμα;

Λύση:

Pr{το ίδιο χρώμα} = Pr{K ∪M} = Pr{K}+ Pr{M}(Κ = “ίδιο χρώμα κόκκινο”, Μ = “ίδιο χρώμα μαύρο”)

= Pr{KAKB}+ Pr{MAMB}

(KA: “η μπάλα που τραβάμε από το Α είναι κόκκινη”, κ.ο.κ.)

=3·46·10 + 3·6

6·10 = 12

Σωτήρης Νικολετσέας, καθηγητής 48 / 50

Page 75: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 5

Το δοχείο Α έχει 3 κόκκινες και 3 μαύρες μπάλες, ενώ το δοχείο

Β 4 κόκκινες και 6 μαύρες. Τραβάμε τυχαία μια μπάλα από κάθε

δοχείο. Ποια η πιθανότητα οι δυο μπάλες να έχουν το ίδιο χρώμα;

Λύση:

Pr{το ίδιο χρώμα} = Pr{K ∪M} = Pr{K}+ Pr{M}(Κ = “ίδιο χρώμα κόκκινο”, Μ = “ίδιο χρώμα μαύρο”)

= Pr{KAKB}+ Pr{MAMB}

(KA: “η μπάλα που τραβάμε από το Α είναι κόκκινη”, κ.ο.κ.)

=3·46·10 + 3·6

6·10 = 12

Σωτήρης Νικολετσέας, καθηγητής 48 / 50

Page 76: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 5

Το δοχείο Α έχει 3 κόκκινες και 3 μαύρες μπάλες, ενώ το δοχείο

Β 4 κόκκινες και 6 μαύρες. Τραβάμε τυχαία μια μπάλα από κάθε

δοχείο. Ποια η πιθανότητα οι δυο μπάλες να έχουν το ίδιο χρώμα;

Λύση:

Pr{το ίδιο χρώμα} = Pr{K ∪M} = Pr{K}+ Pr{M}

(Κ = “ίδιο χρώμα κόκκινο”, Μ = “ίδιο χρώμα μαύρο”)

= Pr{KAKB}+ Pr{MAMB}

(KA: “η μπάλα που τραβάμε από το Α είναι κόκκινη”, κ.ο.κ.)

=3·46·10 + 3·6

6·10 = 12

Σωτήρης Νικολετσέας, καθηγητής 48 / 50

Page 77: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 5

Το δοχείο Α έχει 3 κόκκινες και 3 μαύρες μπάλες, ενώ το δοχείο

Β 4 κόκκινες και 6 μαύρες. Τραβάμε τυχαία μια μπάλα από κάθε

δοχείο. Ποια η πιθανότητα οι δυο μπάλες να έχουν το ίδιο χρώμα;

Λύση:

Pr{το ίδιο χρώμα} = Pr{K ∪M} = Pr{K}+ Pr{M}(Κ = “ίδιο χρώμα κόκκινο”, Μ = “ίδιο χρώμα μαύρο”)

= Pr{KAKB}+ Pr{MAMB}

(KA: “η μπάλα που τραβάμε από το Α είναι κόκκινη”, κ.ο.κ.)

=3·46·10 + 3·6

6·10 = 12

Σωτήρης Νικολετσέας, καθηγητής 48 / 50

Page 78: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 5

Το δοχείο Α έχει 3 κόκκινες και 3 μαύρες μπάλες, ενώ το δοχείο

Β 4 κόκκινες και 6 μαύρες. Τραβάμε τυχαία μια μπάλα από κάθε

δοχείο. Ποια η πιθανότητα οι δυο μπάλες να έχουν το ίδιο χρώμα;

Λύση:

Pr{το ίδιο χρώμα} = Pr{K ∪M} = Pr{K}+ Pr{M}(Κ = “ίδιο χρώμα κόκκινο”, Μ = “ίδιο χρώμα μαύρο”)

= Pr{KAKB}+ Pr{MAMB}

(KA: “η μπάλα που τραβάμε από το Α είναι κόκκινη”, κ.ο.κ.)

=3·46·10 + 3·6

6·10 = 12

Σωτήρης Νικολετσέας, καθηγητής 48 / 50

Page 79: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 5

Το δοχείο Α έχει 3 κόκκινες και 3 μαύρες μπάλες, ενώ το δοχείο

Β 4 κόκκινες και 6 μαύρες. Τραβάμε τυχαία μια μπάλα από κάθε

δοχείο. Ποια η πιθανότητα οι δυο μπάλες να έχουν το ίδιο χρώμα;

Λύση:

Pr{το ίδιο χρώμα} = Pr{K ∪M} = Pr{K}+ Pr{M}(Κ = “ίδιο χρώμα κόκκινο”, Μ = “ίδιο χρώμα μαύρο”)

= Pr{KAKB}+ Pr{MAMB}

(KA: “η μπάλα που τραβάμε από το Α είναι κόκκινη”, κ.ο.κ.)

=3·46·10 + 3·6

6·10 = 12

Σωτήρης Νικολετσέας, καθηγητής 48 / 50

Page 80: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 6

Στο κύκλωμα του σχήματος κάθε διακόπτης είναι κλειστός με

πιθανότητα P, ανεξάρτητα από τους υπόλοιπους. Πόση η

πιθανότητα να ανάψει ο λαμπτήρας;

Σωτήρης Νικολετσέας, καθηγητής 49 / 50

Page 81: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 6 (συνέχεια)

Λύση:

΄Εστω AK , BK , CKDK τα γεγονότα “Είναι κλειστός ο διακόπτης

A, B, C, D”αντίστοιχα.

Ο λαμπτήρας ανάβει με πιθανότητα

Pr{AK ·BK ∪ (CK ∪DK)} == Pr{AK ·BK}+ Pr{CK ∪DK} − Pr{AKBK · (CK ∪DK)} == p · p + (p + p− p2)− p2 · (p + p− p2) = p4 − 2p3 + 2p

Σωτήρης Νικολετσέας, καθηγητής 50 / 50

Page 82: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 6 (συνέχεια)

Λύση:

΄Εστω AK , BK , CKDK τα γεγονότα “Είναι κλειστός ο διακόπτης

A, B, C, D”αντίστοιχα.Ο λαμπτήρας ανάβει με πιθανότητα

Pr{AK ·BK ∪ (CK ∪DK)} == Pr{AK ·BK}+ Pr{CK ∪DK} − Pr{AKBK · (CK ∪DK)} == p · p + (p + p− p2)− p2 · (p + p− p2) = p4 − 2p3 + 2p

Σωτήρης Νικολετσέας, καθηγητής 50 / 50

Page 83: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 6 (συνέχεια)

Λύση:

΄Εστω AK , BK , CKDK τα γεγονότα “Είναι κλειστός ο διακόπτης

A, B, C, D”αντίστοιχα.Ο λαμπτήρας ανάβει με πιθανότητα

Pr{AK ·BK ∪ (CK ∪DK)} =

= Pr{AK ·BK}+ Pr{CK ∪DK} − Pr{AKBK · (CK ∪DK)} == p · p + (p + p− p2)− p2 · (p + p− p2) = p4 − 2p3 + 2p

Σωτήρης Νικολετσέας, καθηγητής 50 / 50

Page 84: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 6 (συνέχεια)

Λύση:

΄Εστω AK , BK , CKDK τα γεγονότα “Είναι κλειστός ο διακόπτης

A, B, C, D”αντίστοιχα.Ο λαμπτήρας ανάβει με πιθανότητα

Pr{AK ·BK ∪ (CK ∪DK)} == Pr{AK ·BK}+ Pr{CK ∪DK} − Pr{AKBK · (CK ∪DK)} =

= p · p + (p + p− p2)− p2 · (p + p− p2) = p4 − 2p3 + 2p

Σωτήρης Νικολετσέας, καθηγητής 50 / 50

Page 85: Pijanìthtec kai ArqŁc Statistik€c (1h Di‹lexh) · 2019-10-02 · \Pijanìthtec kai ArqŁc Statistik€c" (1h Di‹lexh) Swt€rhc NikoletsŁac, kajhght€c Tm€ma Mhqanik‚n

8. Παράδειγμα 6 (συνέχεια)

Λύση:

΄Εστω AK , BK , CKDK τα γεγονότα “Είναι κλειστός ο διακόπτης

A, B, C, D”αντίστοιχα.Ο λαμπτήρας ανάβει με πιθανότητα

Pr{AK ·BK ∪ (CK ∪DK)} == Pr{AK ·BK}+ Pr{CK ∪DK} − Pr{AKBK · (CK ∪DK)} == p · p + (p + p− p2)− p2 · (p + p− p2) = p4 − 2p3 + 2p

Σωτήρης Νικολετσέας, καθηγητής 50 / 50