You are on page 1of 182

ΜΑΘΗΜΑΤΙΚΑ

ΚΑΙ
ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ
Γ΄ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ

ΣΥΓΓΡΑΦΕΙΣ:

Αδαμόπουλος Λεωνίδας,
Δαμιανού Χαράλαμπος
Σβέρκος Ανδρέας

Επ. Σύμβουλος Παιδαγωγικού Ινστιτούτου
Αναπλ. Καθηγητής Παν/μίου Αθηνών
Σχολικός Σύμβουλος

ΚΡΙΤΕΣ:
Κουνιάς Στρατής
Μακρής Κωνσταντίνος
Τσικαλουδάκης Γεώργιος

Καθηγητής Παν/μίου Αθηνών
Σχολικός Σύμβουλος
Καθηγητής Β/θμιας Εκπαίδευσης

Γλωσσική Επιμέλεια:

Μπουσούνη Λία
Καθηγήτρια Β/θμιας Εκπαίδευσης

Δακτυλογράφηση: Μπολιώτη Πόπη
Σχήματα:
Μπούτσικας Μιχάλης

ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ

ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ
ΑΔΑΜΟΠΟΥΛΟΣ ΛΕΩΝΙΔΑΣ
ΔΑΜΙΑΝΟΥ ΧΑΡΑΛΑΜΠΟΣ
ΣΒΕΡΚΟΣ ΑΝΔΡΕΑΣ

ΜΑΘΗΜΑΤΙΚΑ
ΚΑΙ
ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ
Γ΄ ΕΝΙΑΙΟΥ ΛΥΚΕΙΟΥ

ΟΡΓΑΝΙΣΜΟΣ ΕΚΔΟΣΕΩΣ ΔΙΔΑΚΤΙΚΩΝ ΒΙΒΛΙΩΝ
ΑΘΗΝΑ

1 Συναρτήσεις 1.Ανεξάρτητα Ενδεχόμενα 138 146 157 165 ΥΠΟΔΕΙΞΕΙΣ .1 Δειγματικός Χώρος .4 Γραμμική Παλινδρόμηση 2.2 Έννοια της Πιθανότητας 3.ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΕΩΝ 179 .4 Εφαρμογές των Παραγώγων 9 19 27 39 ΚΕΦΑΛΑΙΟ 2ο : Στατιστική 2.Ενδεχόμενα 3.3 Μέτρα Θέσης και Διασποράς 2.ΠΕΡΙΕΧΟΜΕΝΑ Σελίδα ΚΕΦΑΛΑΙΟ 1ο : Διαφορικός Λογισμός 1.5 Γραμμική Συσχέτιση 58 62 83 104 117 ΚΕΦΑΛΑΙΟ 3ο : Πιθανότητες 3.3 Παράγωγος Συνάρτησης 1.2 Παρουσίαση Στατιστικών Δεδομένων 2.3 Συνδυαστική 3.4 Δεσμευμένη Πιθανότητα .2 Η Έννοια της Παραγώγου 1.1 Βασικές Έννοιες 2.

είναι πιο αναλυτική από ό. Τα οποιαδήποτε σχόλια. Γι’αυτό περιορίσαμε σημαντικά στο βιβλίο τους αυστηρούς ορισμούς και τις αποδείξεις και το εμπλουτίσαμε με πολλές εφαρμογές και παραδείγματα.ΠΡΟΛΟΓΟΣ Το βιβλίο Μαθηματικά και στοιχεία Στατιστικής περιλαμβάνει την ύλη των Μαθηματικών που προβλέπεται από το πρόγραμμα σπουδών της Γενικής Παιδείας της Γ΄ τάξης του Ενιαίου Λυκείου. τα οποία συμπληρώνονται με μερικές χρήσιμες ιδιότητες της μέσης τιμής και της διασποράς καθώς και με την παλινδρόμηση και τη γραμμική συσχέτιση δύο μεταβλητών.  Στο πρώτο κεφάλαιο εισάγεται η έννοια της παραγώγου. όπως άλλωστε επιβάλλεται από τη φύση της. Οι βασικές ιδιότητες της παραγώγου σχετικά με τη μονοτονία και τα ακρότατα μιας συνάρτησης παρουσιάζονται εποπτικά με τη βοήθεια κατάλληλων παραδειγμάτων. Το βιβλίο αποτελείται από τρία κεφάλαια. Για τον ορισμό της λαμβάνεται υπόψη η ιστορική πορεία της εξέλιξης της έννοιας. να είναι δυνατή η ολοκλήρωση της διδασκαλίας του στο χρόνο που προβλέπεται από το εγκεκριμένο ωρολόγιο πρόγραμμα. ώστε.τι στην Άλγεβρα και στη Γεωμετρία. Επίσης καταβλήθηκε ιδιαίτερη προσπάθεια. Η Θεωρία των Πιθανοτήτων ασχολείται με καταστάσεις όπου υπάρχει αβεβαιότητα. Έτσι. από μαθητές και από κάθε πολίτη που ενδιαφέρεται για τα ζητήματα της παιδείας θα είναι ιδιαίτερα ευπρόσδεκτα από τη συγγραφική ομάδα. που ανταποκρίνονται στις δυνατότητες και στα ενδιαφέροντα όλων των μαθητών. Η απόδειξη των ιδιοτήτων της πιθανότητας ενός ενδεχομένου γίνεται μόνο στην περίπτωση που τα απλά ενδεχόμενα είναι ισοπίθανα. προηγείται το πρόβλημα του καθορισμού της εφαπτομένης μιας καμπύλης σε ένα σημείο της και του προσδιορισμού της στιγμιαίας ταχύτητας ενός σώματος. Η παρουσίαση των εννοιών και της μεθοδολογίας της Στατιστικής.  Στο δεύτερο κεφάλαιο παρουσιάζονται συστηματικότερα τα στοιχεία Περιγραφικής Στατιστικής που γνώρισαν οι μαθητές στο Γυμνάσιο. του οποίου η εφαρμογή αρχίζει από το σχολικό έτος 1999-2000. Μεσογείων 396. Απευθύνεται σε όλους τους μαθητές ανεξάρτητα από την κατεύθυνση που ακολουθούν. Παρακαλούμε να αποσταλούν στο Παιδαγωγικό Ινστιτούτο. παρατηρήσεις ή κρίσεις για το βιβλίο από συναδέλφους. Μάρτιος 1999 . και αυτό την κάνει ιδιαίτερα σημαντική στις εφαρμογές της καθημερινής ζωής.  Στο τρίτο κεφάλαιο γίνεται μια εισαγωγή στη Θεωρία των Πιθανοτήτων και στις σχετιζόμενες με αυτήν μεθόδους απαρίθμησης. 15310 Αγία Παρασκευή.

1 ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ
Εισαγωγή
Στο χώρο της επιστήμης το 17ο αιώνα κυριαρχούσε η μελέτη της κίνησης των
ουράνιων σωμάτων, καθώς και η μελέτη της κίνησης ενός σώματος πάνω ή
κοντά στη Γη. Στη μελέτη αυτή προφανώς σημαντικό ρόλο έπαιζε ο
προσδιορισμός του μέτρου της ταχύτητας και της διεύθυνσης της κίνησης του
σώματος σε μια δεδομένη χρονική στιγμή. Όπως θα δούμε στη συνέχεια, αν η
θέση του σώματος μια χρονική στιγμή t εκφράζεται με τη συνάρτηση x  f (t ) ,
τότε ο προσδιορισμός του μέτρου και της διεύθυνσης της ταχύτητάς του τη
χρονική στιγμή t ανάγεται στον προσδιορισμό του ρυθμού μεταβολής της
x  f (t ) ως προς t ή, όπως ονομάστηκε αργότερα, της παραγώγου της
x  f (t ) . Έτσι, προβλήματα σχετικά με την κίνηση ενός σώματος, καθώς και
άλλα που θα συναντήσουμε αργότερα, οδήγησαν στη γένεση του Διαφορικού
Λογισμού. Θεμελιωτές του είναι οι Newton (1642-1727) και Leibniz (16461716), οι οποίοι εισήγαγαν τη γενική έννοια της “παραγώγου” και του
“διαφορικού”, βελτίωσαν τις μεθόδους του Διαφορικού Λογισμού και τις
χρησιμοποίησαν στην επίλυση προβλημάτων της Γεωμετρίας και της
Μηχανικής. Η ανάπτυξη του Διαφορικού Λογισμού δε σταμάτησε το 17ο
αιώνα, αλλά συνεχίστηκε το 18ο αιώνα με τη σημαντική συμβολή των αδελφών
Jacob Bernoulli (1654-1705) και Johann Bernoulli (1667-1748), του Euler
(1707-1783), κορυφαίου μαθηματικού της εποχής, του Lagrange (1736-1813)
και πολλών άλλων. Τέλος, η αυστηρή θεμελίωση του Διαφορικού Λογισμού
έγινε από τους μαθηματικούς του 19ου αιώνα όπως του Bolzano (1781-1848),
του Cauchy (1789-1857) και του Weierstrass (1815-1897).

1.1

ΣΥΝΑΡΤΗΣΕΙΣ

Ορισμός Συνάρτησης
Είδαμε σε προηγούμενες τάξεις ότι συνάρτηση (function) είναι μια διαδικασία
με την οποία κάθε στοιχείο ενός συνόλου Α αντιστοιχίζεται σε ένα ακριβώς
στοιχείο κάποιου άλλου συνόλου Β.

10

A

B

f

1

Στο κεφάλαιο αυτό θα ασχοληθούμε με συναρτήσεις στις οποίες το σύνολο Α,
που λέγεται πεδίο ορισμού της συνάρτησης, είναι υποσύνολο του συνόλου R
των πραγματικών αριθμών, ενώ το Β συμπίπτει με το R. Οι συναρτήσεις αυτές
λέγονται πραγματικές συναρτήσεις πραγματικής μεταβλητής και τις οποίες
στο εξής θα τις λέμε απλώς συναρτήσεις. Η συνάρτηση συμβολίζεται συνήθως
με ένα από τα μικρά γράμματα f, g, h, φ, σ κτλ. του λατινικού ή του ελληνικού
αλφαβήτου.
Έστω λοιπόν μια συνάρτηση f με πεδίο ορισμού το Α. Αν με τη συνάρτηση
αυτή το x  A αντιστοιχίζεται στο y  B , τότε γράφουμε

y  f ( x)
και διαβάζουμε “y ίσον f του x”. Το f ( x) λέγεται τιμή της f στο x. Το
γράμμα x, που συμβολίζει οποιοδήποτε στοιχείο του Α, ονομάζεται ανεξάρτητη
μεταβλητή, ενώ το y, που παριστάνει την τιμή της συνάρτησης στο x και
εξαρτάται από την τιμή του x, λέγεται εξαρτημένη μεταβλητή.
Σε μια συνάρτηση συνήθως η τιμή της εκφράζεται με έναν αλγεβρικό τύπο, για
παράδειγμα f ( x)  1  x 2 . Σ’αυτή την περίπτωση λέμε: “η συνάρτηση f με
f ( x)  1  x 2 ” ή “η συνάρτηση

f ( x)  1  x 2 ” ή “η συνάρτηση

1  x 2 ”.
Όταν το f (x) εκφράζεται μόνο με έναν αλγεβρικό τύπο, τότε το πεδίο ορισμού
της συνάρτησης είναι το “ευρύτερο” υποσύνολο του R στο οποίο το f (x) έχει
y  1  x 2 ” ή, απλούστερα, “ η συνάρτηση

νόημα πραγματικού αριθμού. Έτσι, η παραπάνω συνάρτηση f ( x)  1  x 2
έχει ως πεδίο ορισμού το σύνολο λύσεων της ανίσωσης 1  x 2  0 , δηλαδή το
3
έχει ως πεδίο ορισμού το
διάστημα   [1, 1] , η συνάρτηση g ( x) 
x2
σύνολο A  R  {2} , δηλαδή το R χωρίς το 2, ενώ η συνάρτηση h( x)  3 x  1
έχει ως πεδίο ορισμού ολόκληρο το σύνολο R των πραγματικών αριθμών.

ΣΧΟΛΙΟ
Αν και συνήθως χρησιμοποιούμε το γράμμα f για το συμβολισμό μιας
συνάρτησης και τα γράμματα x και y για το συμβολισμό της ανεξάρτητης και
της εξαρτημένης μεταβλητής αντιστοίχως, ωστόσο μπορούμε να

11

χρησιμοποιήσουμε και άλλα γράμματα. Έτσι, για παράδειγμα, οι τύποι
1
1
f ( x)  gx 2 και s (t )  gt 2 ορίζουν την ίδια συνάρτηση.
2
2

Πράξεις με Συναρτήσεις
Αν δύο συναρτήσεις f, g ορίζονται και οι δύο σε ένα σύνολο Α, τότε ορίζονται
και οι συναρτήσεις:

Το άθροισμα S  f  g , με S ( x)  f ( x)  g ( x) , x  A

Η διαφορά

Το γινόμενο P  f  g ,

Το πηλίκο

D  f  g , με D( x)  f ( x)  g ( x) , x  A

R

f
,
g

με P( x)  f ( x)  g ( x) ,
με R( x) 

x  A και

f ( x)
, όπου x  A και g ( x)  0 .
g ( x)

Για παράδειγμα, αν f ( x)  x 2  1 και g ( x)  x  1 , τότε
S ( x)  x 2  1  x  1  x( x  1)
D( x)  x 2  1  x  1  x 2  x  2  ( x  2)( x  1)
P ( x)  ( x 2  1)( x  1)  ( x  1) 2 ( x  1)

R( x) 

f ( x) x 2  1

 x  1 , όπου x  1 .
g ( x)
x 1

Γραφική Παράσταση Συνάρτησης
Έστω μια συνάρτηση f με πεδίο ορισμού ένα σύνολο Α. Όπως είδαμε σε
προηγούμενες τάξεις γραφική παράσταση ή καμπύλη της f σε ένα καρτεσιανό
σύστημα συντεταγμένων Oxy λέγεται το σύνολο των σημείων M ( x, ( f ( x)) για
όλα τα x  A . Επομένως, ένα σημείο M ( x, y ) του επιπέδου των αξόνων ανήκει
στην καμπύλη της f, μόνο όταν y  f ( x) . Η εξίσωση λοιπόν y  f ( x)
επαληθεύεται μόνο από τα ζεύγη ( x, y ) που είναι συντεταγμένες σημείων της
γραφικής παράστασης της f και λέγεται εξίσωση της γραφικής παράστασης
της f.
Είναι πολύ χρήσιμο να σχεδιάζουμε τη γραφική παράσταση μιας συνάρτησης.
Στα παρακάτω σχήματα φαίνονται οι γραφικές παραστάσεις ορισμένων
συναρτήσεων που γνωρίσαμε σε προηγούμενες τάξεις.

1 y x 2 1 O π 2π x x -1 y y=ημx O (ε) Η καμπύλη της λογαριθμικής συνάρτησης f ( x)  ln x είναι “δεξιά” του άξονα yy  .12 y y y=x 2 3 y=x2 2 O x 1 -2 (α) Η καμπύλη της συνάρτησης f ( x)  x είναι η διχοτόμος της 1ης και 3ης γωνίας των αξόνων. 2π π (στ) Οι συναρτήσεις f ( x)  ημx και g ( x)  συνx είναι περιοδικές με περίοδο 2π. x O 1 x xx . αφού e x  0 για κάθε x  R . αφού ο λογάριθμος ορίζεται μόνο για x0. x . y=συνx y=lnx O 1 -1 O (δ) Η καμπύλη της εκθετικής συνάρτησης f ( x)  e x είναι “πάνω” από τον άξονα y y y=ex 1 -1 1 2 x (β) Η καμπύλη της συνάρτησης f ( x )  x 2 είναι μια παραβολή. y -1 y 3 1 -2 -1 2 O 1 x 2 -2 -2 (γ) Η καμπύλη της συνάρτησης 1 f ( x)  είναι μια υπερβολή.

Το ίδιο  2  3π  συμβαίνει και στο διάστημα  . Αυτό οφείλεται στο γεγονός ότι το πεδίο ορισμού της f δεν περιέχει το μηδέν. για την παραπάνω συνάρτηση παρατηρούμε ότι για κάθε . 2  με x1  x 2 είναι ημx1  ημx 2 . 2π ] προκύπτει αμέσως ότι για δύο οποιαδήποτε σημεία x1 .  με x1  x 2 . όταν για οποιαδήποτε σημεία x1 .Ακρότατα Συνάρτησης y 3 y=ημx 3π/2 O π/2 π 2π x  Από τη γραφική παράσταση της συνάρτησης f ( x)  ημx . x 2 του διαστήματος  . όταν για οποιαδήποτε σημεία x1 .  . x 2   με x1  x 2 ισχύει f ( x1 )  f ( x 2 ) . x 2 του διαστήματος  π 0.  Ακόμη. Μια συνάρτηση που είναι γνησίως αύξουσα ή γνησίως φθίνουσα λέγεται γνησίως μονότονη. παρατηρούμε ότι ημx1  ημx 2 . Όμως για δύο οποιαδήποτε σημεία 2    π 3π  x1 . 2π  . και γνησίως φθίνουσα στο Δ.  . x  [0. Γενικά: 2 2  Μια συνάρτηση f λέγεται γνησίως αύξουσα σε ένα διάστημα Δ του πεδίου ορισμού της.13 1 υπάρχει μια διακοπή x στο σημείο x  0 . x 2   με x1  x 2 ισχύει f ( x1 )  f ( x 2 ) . Αυτό το εκφράζουμε λέγοντας ότι η    π συνάρτηση f ( x)  ημx είναι γνησίως αύξουσα στο διάστημα 0. 2 2  Λέμε σ’αυτή την περίπτωση ότι η συνάρτηση f ( x)  ημx είναι γνησίως  π 3π  φθίνουσα στο διάστημα  . Παρατηρούμε ότι στη γραφική παράσταση της f ( x)  Μονοτονία .

και τοπικό ελάχιστο στο x 2  A . Οι τιμές g ( x1 ) και g ( x3 ) λέγονται τοπικά ελάχιστα της συνάρτησης.14 3π π . Για παράδειγμα. όπως λέμε σε μια x1 O x2 x3 x4 x περιοχή του x1 . τοπικά ή ολικά. Λέμε ότι η συνάρτηση g έχει στο σημείο x 4 τοπικό μέγιστο. όπως λέμε. Έστω η συνάρτηση f ( x)  . Δηλαδή. Επίσης. Τα μέγιστα και τα ελάχιστα μιας συνάρτησης. Γενικά: x  [0. λέγονται ακρότατα της συνάρτησης. ελάχιστο (minimum) για x  4 2 Από τη γραφική παράσταση της y συνάρτησης g του σχήματος 4 προκύπτει y=g(x) ότι για x  x1 η τιμή της g είναι μικρότερη από τις τιμές της g σε όλα τα x που ανήκουν σε ένα ανοικτό διάστημα το οποίο περιέχει το x 1 . ή. Οι τιμές g ( x 2 ) και g ( x 4 ) λέγονται τοπικά μέγιστα της συνάρτησης. το τοπικό ελάχιστο g ( x1 ) είναι μεγαλύτερο από το τοπικό μέγιστο g ( x 4 ) . Ας x 1 εξετάσουμε όμως τη συμπεριφορά της f για τιμές του x κοντά στο 1. όταν f ( x)  f ( x1 ) για κάθε x σε μια περιοχή του x1 . η και ημx  1  ημ 2 2 π συνάρτηση f ( x)  ημx έχει ολικό μέγιστο (maximum) για x  και ολικό 2 3π . Παρατηρούμε ότι ένα τοπικό ελάχιστο μπορεί να είναι μεγαλύτερο από ένα τοπικό μέγιστο. 2π ] είναι ημx  1  ημ Μια συνάρτηση f με πεδίο ορισμού το Α λέμε ότι παρουσιάζει: Τοπικό μέγιστο στο x1  A . Το ίδιο συμβαίνει και για x  x3 . Όριο Συνάρτησης x2 1 . Στην περίπτωση αυτή λέμε ότι η συνάρτηση g έχει στο σημείο x1 τοπικό ελάχιστο. Το ίδιο συμβαίνει και για x  x 2 . για x  x 4 η τιμή g ( x 4 ) είναι μεγαλύτερη από τις τιμές της g σε όλα τα x που ανήκουν σε μια περιοχή του x 4 . όταν f ( x)  f ( x 2 ) για κάθε x σε μια περιοχή του x 2 . η οποία δεν ορίζεται για x  1 .

το f ( x)  2 . Για παράδειγμα.0001 f (x) 1.100000 2. έστω η συνάρτηση f ( x)  x  2 . x1 0.1 1.999900 f (x) 2.000100 Από τον παραπάνω πίνακα βλέπουμε ότι όταν το x παίρνει τιμές πολύ κοντά στο 1 (και από τις δύο πλευρές του 1).15 Ο παρακάτω πίνακας δείχνει τις τιμές του f (x) για τιμές του x κοντά στο 1.999 0.999000 1. το f (x) παίρνει τιμές πολύ κοντά στο 2.9999 x 1 1.900000 1.001 1. αν παρατηρήσουμε ότι για x  1 είναι f ( x)  x 2  1 ( x  1)( x  1)   x 1. δηλαδή lim f ( x)  2 .5 0. υπάρχουν όμως σημεία του πεδίου ορισμού της πολύ κοντά στο x 0 .99 0.9 0.010000 2. Ομοίως.500000 1. Στο ίδιο συμπέρασμα φτάνουμε. τότε το f ( x)  x  1 παίρνει τιμές που τείνουν στο 2 ( x  1  2) . x 1 x 1 οπότε όταν το x παίρνει τιμές που τείνουν στο 1 ( x  1) .990000 1. Τίποτα βέβαια δεν αποκλείει την αναζήτηση του ορίου μιας συνάρτησης και σε ένα σημείο x 0 που να ανήκει στο πεδίο 1 ορισμού της.500000 2.01 1. Παρατηρούμε ότι όταν x  0 .001000 2. Λέμε λοιπόν ότι η f έχει στο σημείο 1 όριο (limit) 2 και γράφουμε lim f ( x)  2 . που είναι 3 ορισμένη στο R. x 0 x 0 6 y y 2 x 0 y 1 x2 3 y y x y=x2 O Ο x x (α) (β) Ο x (γ) .5 1. lim x 2  0 και lim x  0 . που δεν ανήκει στο πεδίο ορισμού της. 5 y y 2 x 2 1 x 1 x 1 Με το προηγούμενο παράδειγμα παρουσιάσαμε με O x 1 απλό τρόπο και χωρίς μαθηματική αυστηρότητα την έννοια του ορίου μιας συνάρτησης f σε ένα σημείο x 0 .

για παράδειγμα. τριγωνομετρικές. αν για κάθε x 0  A ισχύει lim f ( x )  f ( x 0 ) . τότε x  x0 x  x0 αποδεικνύεται ότι:  lim ( f ( x)  g ( x))   1   2 x  x0      lim (kf ( x))  k 1 x  x0 lim ( f ( x) g ( x))   1 2 x  x0  f ( x)   1  lim  x  x0 g ( x )    2 lim ( f ( x)) ν   1ν x  x0 lim x  x0 ν f ( x)  ν  1 . Έτσι. λογαριθμικές. Γενικά μια συνάρτηση f με πεδίο ορισμού Α λέγεται συνεχής. x2 x2 x2 x2 x2 Παρατηρούμε ότι για τη συνάρτηση f ( x)  x  3 x  9 ισχύει lim f ( x)  f (2) . Έτσι ισχύει για παράδειγμα lim ημx  ημx 0 . x  x0 x  x0 x  x0 ΕΦΑΡΜΟΓΕΣ Να υπολογιστούν τα όρια: 3x  5 i) lim ii) lim x  4  x 5 x 8 4x ΛΥΣΗ  x 1  iii) lim x  3 x2  9 . πολυωνυμικές. εκθετικές. x3 . 2 x2 Αυτό το εκφράζουμε λέγοντας ότι η συνάρτηση f είναι συνεχής στο x0  2 .16 Αν οι συναρτήσεις f και g έχουν στο x 0 όρια πραγματικούς αριθμούς. δηλαδή αν lim f ( x)   1 και lim g ( x)   2 όπου  1 και  2 πραγματικοί αριθμοί. lim συνx  συνx 0 και lim εφx  εφx 0 (όταν συνx 0  0 ). για την πολυωνυμική συνάρτηση f ( x)  x 2  3 x  9 έχουμε lim f ( x)  lim( x 2  3x  9)  lim x 2  3 lim x  lim 9  4  6  9  1 . δηλαδή για το σχεδιασμό της δε χρειάζεται να σηκώσουμε το μολύβι από το χαρτί. x  x0 Χαρακτηριστικό γνώρισμα μιας συνεχούς συνάρτησης σε ένα κλειστό διάστημα είναι ότι η γραφική της παράσταση είναι μια συνεχής καμπύλη. αλλά και όσες προκύπτουν από πράξεις μεταξύ αυτών είναι συνεχείς συναρτήσεις. Αποδεικνύεται ότι οι γνωστές μας συναρτήσεις.

f ( x)  3 x 2  2 x  1 και g ( x)  2 x  1 . Για ποιες 2 τιμές της γωνίας θ  [0. Αν h(θ )  συνθ  ημθ . 2 5. Ποιο είναι το πεδίο ορισμού της συνάρτησης f ( x)  2x . να υπολογίσετε τις τιμές f (1) και f (e) . να υπολογίσετε τις τιμές f (1) . Αν φ(t )  t 2  5t  6 . x  3 x  3 x  3 x  3 x3 iii) lim ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. f ( x)  g ( x) . Αν f ( x)  1 ln x 2 . π 3. Να υπολογίσετε τα όρια: 7. Για ποιες τιμές του x είναι αρνητική η συνάρτηση f ( x)  ( x  3)( x  7) . f (1) . Για ποιες τιμές του t είναι φ(t )  0 . 2.17 i) lim x 5 3x  5 3  5  5 20   1 4x 45 20   ii) lim x  4  x  1  8  4  8  1  4  9  2  3  5 x 8 ( x  3)( x  3) x2  9  lim  lim ( x  3)  6 . 2π ] είναι h(θ )  0 . να υπολογίσετε τις τιμές h(0) και h  . g ( x) 8. ( x  1)( x  2) 6. 4. να υπολογίσετε τις τιμές φ(0) και φ(1) . Ποιο είναι το πεδίο ορισμού της συνάρτησης σ ( x)  ( x  3)( x  7) . να βρείτε τις συναρτήσεις f ( x) . Αν . f ( x)  g ( x) . f (2) . Αν f ( x)  x 3  3 x .

Έχουμε περιφράξει με συρματόπλεγμα μήκους 100 m. 3. h 2 . να εκφράσετε το εμβαδόν της περιοχής ως συνάρτηση του x. Να υπολογίσετε τα όρια: x2  4 5x 2 i) lim ii) lim 2 x  2 3( x  2) x  1 x  1 x 2  16 x4 x  4 iv) lim  1   iii) lim x  x4 x  iii) lim[( x  1)συνx] x 0 x 2  25 2 x 2  3x  2 vi) lim . Αν f ( x)  1 1 1 ex . να εκφράσετε το εμβαδόν της επιφάνειάς του ως συνάρτηση του r. καθώς και το εμβαδόν του ως συνάρτηση του θ. x  5 x  5 x2 x2 v) lim Β΄ ΟΜΑΔΑΣ 1. μια ορθογώνια περιοχή από τις τρεις πλευρές της. x 0 x 0 x  2 x π 4 9. Η τέταρτη πλευρά είναι τοίχος. να εκφράσετε τον όγκο του ως συνάρτηση του h. να δείξετε ότι f ( x)  f ( x)  1 . κατασκευάζεται έτσι ώστε το ύψος του και το μήκος της βάσης του να έχουν άθροισμα 20 cm. Σε ένα τρίγωνο ΑΒΓ είναι     10 . Αν   θ . Να δείξετε ότι x 5 1 i) lim  x 5 x5 2 5 ii) lim h 0 1 h 1 1  . να εκφράσετε το ύψος υ του τριγώνου από την κορυφή Β.  4. Αν το μήκος του τοίχου που θα χρησιμοποιηθεί είναι x. 5. 2. Αν η ακτίνα της βάσης του είναι r.18 i) lim( x 2  3 x  4) ii) lim [(2 x  1)( x  4)] iv) lim(2ημx  3συνx) v) lim (3ημx  συνx) . Αν το φλυτζάνι έχει ύψος h cm. Ένα κυλινδρικό φλυτζάνι. ανοικτό από πάνω.

h . Αν Ο υποθέσουμε ότι το Μ κινούμενο πάνω στον κύκλο Μ πλησιάζει το Α. Μ Επειδή το τρίγωνο ΜΑΒ είναι ορθογώνιο στο Μ. τότε η ευθεία ΑΜ φαίνεται να παίρνει μια οριακή θέση ε η οποία λέγεται εφαπτομένη (tangent) της C στο Α. R) στο σημείο Α. R) σε ένα σημείο του Α είναι η ευθεία ε που είναι κάθετη στην ακτίνα ΟΑ στο B σημείο Α. 8 Τον ισοδύναμο αυτό ορισμό της y C εφαπτομένης ενός κύκλου θα τον f(x +h) Μ 0 χρησιμοποιήσουμε στη συνέχεια για να ορίσουμε την εφαπτομένη της ε γραφικής παράστασης μιας συνάρΜ τησης σε ένα σημείο της. Από το σχήμα έχουμε ότι ο συντελεστής διεύθυνσης της ΑΜ είναι εφφ  f ( x 0  h)  f ( x 0 ) MΓ  . οπότε η γωνία Α τείνει να γίνει ορθή. Θα μπορούσαμε επομένως να ορίσουμε ως εφαπτομένη του κύκλου (O. η γωνία Β τείνει να γίνει μηδενική. Δηλαδή η Μ τέμνουσα ΑΜ τείνει να γίνει κάθετη στην ΟΑ που ε Α σημαίνει ότι τείνει να συμπέσει με την εφαπτομένη ε. f ( x 0 )) ένα σημείο της γραφικής φ Ο ω της παράστασης C. Έστω Μ ένα άλλο σημείο του κύκλου. f ( x0  h)) της C με h  0 . Α Έστω λοιπόν f μια συνάρτηση και f(x0) Γ A( x 0 . το άθροισμα των γωνιών του Α και Β είναι 90 o . x0 x0+h x Παίρνουμε και ένα άλλο σημείο M ( x0  h.2 Η ΕΝΝΟΙΑ ΤΗΣ ΠΑΡΑΓΩΓΟΥ Εφαπτομένη Καμπύλης Από τη Γεωμετρία γνωρίζουμε ότι η εφαπτομένη 7 ενός κύκλου (O. όταν δηλαδή h  0 . καθώς το Μ κινούμενο πάνω στον κύκλο τείνει να συμπέσει με το Α . Παρατηρούμε ότι καθώς το Μ κινούμενο πάνω στη C πλησιάζει το Α. την οριακή θέση της τέμνουσας ΑΜ. AΓ h οπότε ο συντελεστής διεύθυνσης της εφαπτομένης της C στο Α θα είναι εφω  lim h 0 f ( x 0  h)  f ( x 0 ) .19 1.

Έτσι η στιγμιαία ταχύτητα του σώματος ύστερα από χρόνο 5 s θα είναι υ  49. ας υποθέσουμε ότι το σώμα ύστερα από t 0 βρίσκεται στο σημείο Α και ας εξετάσουμε πόσο 9 O A t0 B t0+h . 0. Μπορούμε να προσεγγίσουμε το ζητούμενο μέγεθος υπολογίζοντας τη μέση ταχύτητα σε ένα μικρό χρονικό διάστημα για παράδειγμα του ενός δεκάτου του δευτερολέπτου.09905 49.20 Στιγμιαία Ταχύτητα Όπως έχει διαπιστωθεί πειραματικά από τον Γαλιλαίο πριν από τέσσερις αιώνες.1) 2  4.00001 Μέση ταχύτητα 53.905  5 2  49.05 5  t  5.955 49.050049 Φαίνεται ότι καθώς μικραίνει το χρονικό διάστημα.1 s .905(5. Γενικότερα.001 5  t  5.5405 49. το διάστημα S που διανύεται σε χρόνο t sec (s) από ένα σώμα που αφήνεται να πέσει στο κενό εκφράζεται από τον τύπο 1 S (t )  gt 2 . Έχουμε: Μέση ταχύτητα   διανυθέν διάστημα S (5. από t  5 s στο t  5.29525 49. Ποια όμως θα είναι η ταχύτητα ενός σώματος που πέφτει ελεύθερα σε ένα οποιοδήποτε σημείο της τροχιάς του. για παράδειγμα όταν t  5 s.1 5  t  5.05 m/s .81 m/s 2 είναι η σταθερή επιτάχυνση της βαρύτητας.0001 5  t  5.05 m/s. 2 όπου g  9.1)  S (5)  χρόνος 0.1 4.1 Ο πίνακας που ακολουθεί δείχνει τα αποτελέσματα όμοιων υπολογισμών της μέσης ταχύτητας για ολοένα και μικρότερα χρονικά διαστήματα.054905 49.5405 m/s .050491 49. Χρονικό διάστημα 5t 6 5  t  5.01 5  t  5. η μέση ταχύτητα πλησιάζει ολοένα και περισσότερο στην τιμή 49. Η οριακή αυτή τιμή των μέσων ταχυτήτων σε ολοένα και μικρότερα χρονικά διαστήματα με ένα άκρο το t  5 ορίζεται ως η στιγμιαία ταχύτητα του σώματος όταν t  5 s .

h 2 (t 0  h)  t 0 Καθώς όμως ελαττώνεται το h πλησιάζοντας το μηδέν. τιμή την οποία προσεγγίσαμε και προηγουμένως με αριθμητικούς υπολογισμούς.21 αυξάνεται το διανυόμενο διάστημα. η μέση . χωρίς ποτέ να γίνεται ίσο με το μηδέν. στη γενικότερη περίπτωση που η τετμημένη του ή. Την οριακή αυτή τιμή τη λέμε στιγμιαία ταχύτητα του κινητού στη χρονική στιγμή t 0 ή απλώς ταχύτητα του κινητού στο t 0 . όταν ο χρόνος αυξηθεί κατά h . η θέση του τη χρονική στιγμή t εκφράζεται από τη συνάρτηση x  f (t ) . όπως λέμε στη Φυσική. 2 2 2 Άρα. τότε υ  9. θεωρούμε το χρονικό διάστημα από t 0 έως t 0  h με h  0 . Την ίδια πορεία μπορούμε να ακολουθήσουμε και για τον υπολογισμό της ταχύτητας ενός κινητού το οποίο εκτελεί ευθύγραμμη κίνηση. Το κινητό διανύει σε χρόνο t 0 διάστημα S1  OA  S (t 0 )  1 2 gt 0 2 και σε χρόνο t 0  h διάστημα S 2  OB  S (t 0  h)  1 1 1 g (t 0  h) 2  gt 02  g ( 2t 0 h  h 2 ) .05 m/s .81  5  49. η μέση ταχύτητα θα πλησιάζει όλο και περισσότερο στο gt 0 . Επομένως. h 0 h 0 h h υ  lim Προφανώς όταν t 0  5 . Επομένως. η ταχύτητα υ του κινητού τη χρονική στιγμή t 0 θα είναι S (t 0  h)  S (t 0 ) S  lim  gt 0 . η αύξηση του διαστήματος σε χρόνο h είναι S  S 2  S1  AB  1 g (2t 0 h  h 2 ) 2 και η μέση ταχύτητα στο χρονικό διάστημα από t 0 σε t 0  h θα είναι 1 g ( 2t 0  h  h 2 ) 1 S 2 υ   gt 0  gh . Το κινητό σε χρόνο h μετατοπίζεται κατά Δx  x 2  x1  f (t 0  h)  f (t 0 ) . 10 O A B t0 t0+h Για να βρούμε την ταχύτητα του κινητού τη χρονική στιγμή t 0 .

όπως. h  lim h 0 Δηλαδή θα είναι το όριο του λόγου της μεταβολής της τετμημένης του κινητού προς την αύξηση του χρόνου. οδηγούν στον υπολογισμό ενός ορίου της μορφής lim h0 f ( x 0  h)  f ( x 0 ) . h h Αν σκεφτούμε όπως στην προηγούμενη ειδική περίπτωση. είναι ο ορισμός της έντασης ενός ρεύματος. συμβολίζεται με f ( x 0 ) και διαβάζεται “ f τονούμενο του x 0 ”.22 ταχύτητα του κινητού στη διάρκεια του χρονικού διαστήματος h θα είναι υ Δx f (t 0  h)  f (t 0 )  . Αν το προηγούμενο όριο υπάρχει και είναι πραγματικός αριθμός. του οριακού κόστους στην Οικονομία. Το όριο αυτό ονομάζεται παράγωγος της f στο x0. για παράδειγμα. μολονότι αναφέρονται σε διαφορετικούς επιστημονικούς κλάδους. αν θέλουμε να υπολογίσουμε την παράγωγο της συνάρτησης f ( x)  3 x 2 στο σημείο 4. Έχουμε λοιπόν: f ( x 0 )  lim h 0 f ( x 0  h)  f ( x 0 ) h Για παράδειγμα. της ταχύτητας μιας χημικής αντίδρασης. τα οποία οδηγούν στον υπολογισμό ενός ορίου της ιδίας μορφής. συμπεραίνουμε ότι η ταχύτητα του κινητού τη χρονική στιγμή t 0 θα είναι υ  lim h 0 x h f (t 0  h)  f (t 0 ) . καθώς η τελευταία τείνει προς το μηδέν χωρίς στην πραγματικότητα να γίνεται ίση με το μηδέν. h Υπάρχουν όμως και πολλά άλλα προβλήματα διαφορετικής φύσεως. Παράγωγος της f στο x  x0 Και τα δύο προηγούμενα προβλήματα. το πρώτο στη Γεωμετρία και το δεύτερο στη Μηχανική. τότε λέμε ότι η f είναι παραγωγίσιμη στο σημείο x 0 του πεδίου ορισμού της. εργαζόμαστε ως εξής:  Βρίσκουμε τη διαφορά f ( 4  h)  f ( 4) : f ( 4  h)  f (4)  3(4  h) 2  3  4 2  3(4 2  8h  h 2  4 2 )  3h(8  h) .

Η παράγωγος της f στο x 0 εκφράζει το ρυθμό μεταβολής (rate of change) του y  f (x) ως προς το x.23  Για h  0 βρίσκουμε το πηλίκο f (4  h)  f ( 4) : h f (4  h)  f ( 4) 3h(8  h)   24  3h . Όπως είναι. έχουμε lim h0 y y=|x| O x f ( 0  h )  f ( 0) h  lim  1 . όταν x  x 0 . που σημαίνει ότι δεν h0 h 0 h h f ( 0  h )  f ( 0) υπάρχει το lim . Έτσι. η συνάρτηση f ( x) | x | στο x 0  0 . έχουμε lim .  Η ταχύτητα ενός κινητού που κινείται ευθύγραμμα και η θέση του στον άξονα κίνησής του εκφράζεται από τη συνάρτηση x  f (t ) θα είναι τη χρονική στιγμή t 0 υ(t 0 )  f (t 0 ) . f ( x 0 )) θα είναι f ( x 0 ) . 11 ΣΧΟΛΙΟ Υπάρχουν και συναρτήσεις οι οποίες δεν έχουν παράγωγο σε ένα σημείο. για παράδειγμα. σύμφωνα με όσα εκθέσαμε στην προηγούμενη παράγραφο:  Ο συντελεστής διεύθυνσης της εφαπτομένης της καμπύλης που είναι η γραφική παράσταση μιας συνάρτησης f στο σημείο ( x 0 . δηλαδή ο ρυθμός μεταβολής της f (x) ως προς x όταν x  x 0 . f ( 4)  24 . h 0 h Άρα. h0 h ενώ όταν h  0 . Διότι όταν h  0 . h  0 h h f ( 0  h )  f ( 0) h  lim  1 . δηλαδή ο ρυθμός μεταβολής της f (t ) ως προς t όταν t  t 0 . h h  Υπολογίζουμε το όριο lim h0 lim h0 f ( 4  h )  f ( 4) : h f (4  h)  f (4)  lim( 24  3h)  24 .

είναι x ( 0  h )  x ( 0) h2  h  lim  lim( h  1)  1 m/s . γ) Να σχεδιαστεί η γραφική παράσταση της συνάρτησης x  x (t ) .1)  x(0)  1.5 iv) υ  x(0. Η θέση ενός υλικού σημείου που εκτελεί ευθύγραμμη κίνηση εκφράζεται με τη συνάρτηση x ( t )  t 2  t . α) Να βρεθεί η μέση ταχύτητα στα παρακάτω χρονικά διαστήματα: (i) [0.5 m/s 0. σύμφωνα με όσα γνωρίζουμε 2 4  1  1 από την Α΄ Λυκείου.1] . έχουμε την παρακάτω γραφική 2 παράσταση.1 m/s 0. τότε η γραφική παράσταση της 2 1 1  συνάρτησης x(t )  t 2  t   t    είναι. 0) της γραφικής παράστασης με συντελεστή διεύθυνσης τις μέσες ταχύτητες του ερωτήματος (α). 2] (ii) [0. όπου το t μετριέται σε δευτερόλεπτα. 0. δ) Να σχεδιαστούν οι τέμνουσες από το O( 0.5] (iv) [0. ΛΥΣΗ α) Από τον ορισμό της μέσης ταχύτητας έχουμε i) υ  x ( 2)  x ( 0) 6   3 m/s 2 2 ii) υ  x(1)  x(0) 2   2 m/s 1 1 iii) υ  x(0.1 β) Η ταχύτητα υ όταν t  0 . 0. h 0 h0 h 0 h h υ  lim γ) Αν σε ένα ορθοκανονικό σύστημα ο οριζόντιος άξονας παριστάνει το χρόνο t και ο κατακόρυφος άξονας το x(t ) . Έτσι. 1] (iii) [0.24 ΕΦΑΡΜΟΓΕΣ 1. β) Να βρεθεί η ταχύτητα όταν t  0 .5)  x(0)  1. μια παραβολή με κορυφή το σημείο   . Επίσης.   και 4  2 1 άξονα συμμετρίας την ευθεία t   . . να βρεθεί και να σχεδιαστεί η εφαπτομένη της καμπύλης της συνάρτησης x  x (t ) στο σημείο της με t  0 .

h h(3  h) 3 h . η εξίσωσή της είναι x  t . x  2t . 0) και έχουν συντελεστές διεύθυνσης 3.6) 6 5 x=2t 4 x=1. Επειδή η εφαπτομένη αυτή διέρχεται και από την αρχή των αξόνων.5 και 1. Η εφαπτομένη της καμπύλης στο σημείο της με t  0 θα έχει συντελεστή διεύθυνσης ίσο με τη στιγμιαία ταχύτητα όταν t  0 .5t και x  1. x (ii) Να βρεθεί η εξίσωση της εφαπτομένης της καμπύλης της f στο σημείο της ( 3. δηλαδή είναι η διχοτόμος της γωνίας των θετικών ημιαξόνων. f ( 3)) και να σχεδιαστεί η εφαπτομένη αυτή. 2.5t 3 x=1. δηλαδή ίσο με 1. 1. 3 . 2.1.1t x=t (εφαπτομένη) 2 2 x=t +t 1 -1 Ο 1 2 t δ) Επειδή οι τέμνουσες διέρχονται από το σημείο O (0. ΛΥΣΗ (i) Έχουμε f (3  h)  f (3)  h 3 3 33h    και για h  0 3 h 3 3 h 3 h f (3  h)  f (3)  h Επομένως  h 3h  h  1 . x  1. Οι ευθείες αυτές έχουν σχεδιαστεί στο παραπάνω σχήμα . οι εξισώσεις τους είναι x  3t .1t αντιστοίχως.25 x x=3t (2. Δίνεται η συνάρτηση f ( x)  (i) Να βρεθεί η f ( 3) .

3 x 1 2 3 4 5 6 Επειδή όμως το σημείο (3. f (3))  (3. . Να βρείτε το ρυθμό μεταβολής του L ως προς r. Να βρείτε το ρυθμό μεταβολής του Ε ως προς r. η εξίσωσή της είναι y 1 y   x 2 3 3 y 3 x 1 O 1 y x β. 1) ανήκει στην εφαπτομένη. η εξίσωση της εφαπτομένης είναι y   x  2 . έχουμε 1 1  3  β 3 1  1  β β  2. i) Το μήκος L ενός κύκλου ακτίνας r είναι L  2πr . Να βρείτε την παράγωγο της συνάρτησης i) f ( x)  3x  1 στο x  3 ii) g ( x)  x 2  5 στο x  2 iii) σ ( x)  x  2 x στο x  4 2 2. ii) Το εμβαδόν Ε ενός κύκλου ακτίνας r είναι E  πr 2 . 3 ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. 1 Άρα. Επομένως. Να βρείτε την παράγωγο της συνάρτησης f (t )  1 στο t  1 . h  0 h 3  3 h (ii) Η εφαπτομένη της καμπύλης της f στο σημείο της με x  3 έχει συντελεστή διεύθυνσης ίσο με f (3) . t 1 3. όταν r  2 . όταν r  3 .26 f (3)  lim h 0 f (3  h)  f (3) 1  1   lim   .

ii) Να βρείτε το ρυθμό μεταβολής του όγκου ενός κύβου πλευράς x ως προς x. Για παράδειγμα. i) Να βρείτε το ρυθμό μεταβολής του εμβαδού Ε ενός τετραγώνου πλευράς x ως προς x όταν x  5 . Για παράδειγμα.3 ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΗΣ Ορισμός Παραγώγου Έστω μια συνάρτηση f με πεδίο ορισμού το Α. τότε η ταχύτητά του θα είναι υ( t )  x ( t ) . τότε έχουμε: f ( x  h)  f ( x)  3( x  h) 2  3x 2  3( x 2  2 xh  h 2  x 2 )  3h(2 x  h) . 5. η παράγωγος μιας συνάρτησης f στο x 0 είναι ίση με την τιμή της παραγώγου της συνάρτησης στο σημείο αυτό. και για h  0 f ( x  h)  f ( x) 3h(2 x  h)   6 x  3h . η παράγωγος της f ( x)  3 x 2 στο x 0  4 είναι ίση με την τιμή της συνάρτησης f ( x)  6 x στο x 0  4 . f ( x)  lim(6 x  3h)  6 x . f (3)) ii) f ( x)  2 x . Η παράγωγος της συνάρτησης f  λέγεται δεύτερη παράγωγος της f και συμβολίζεται με f  . στο A(4. Να βρείτε την εξίσωση της εφαπτομένης της γραφικής παράστασης της συνάρτησης: i) f ( x)  x 2 στο A(3.27 4. h0 Έτσι. f (4)) . και Β το σύνολο των x  A στα οποία η f είναι παραγωγίσιμη. Τότε ορίζεται μια νέα συνάρτηση. Η h 0 h συνάρτηση αυτή λέγεται (πρώτη) παράγωγος (derivative) της f και συμβολίζεται με f  . δηλαδή f (4)  6  4  24 . αν f ( x)  3 x 2 . με την f ( x  h)  f ( x ) οποία κάθε x  B αντιστοιχίζεται στο f ( x)  lim . Σύμφωνα με τα προηγούμενα αν η τετμημένη ενός κινητού που κινείται ευθυγράμμως είναι x(t ) τη χρονική στιγμή t. όταν x  10 . 1. . h h Επομένως.

Στη συνέχεια θα γνωρίσουμε μερικούς κανόνες f ( x)  lim h 0 h που διευκολύνουν τον υπολογισμό της παραγώγου πιο πολύπλοκων συναρτήσεων. h οπότε lim h0 Άρα f ( x  h)  f ( x ) 0. (α) h h f ( x  h)  f ( x ) Επομένως lim  lim 1  1 . f ( x  h)  f ( x )  0. Παραγώγιση Βασικών Συναρτήσεων Έως τώρα η παραγώγιση μιας συνάρτησης f γινόταν με τη βοήθεια του τύπου f ( x  h)  f ( x ) . δηλαδή θα ισχύει α (t )  υ(t ) ή ισοδύναμα α (t )  x (t ) .  Η παράγωγος της σταθερής συνάρτησης f ( x )  c Έχουμε f ( x  h)  f ( x )  c  c  0 12 y και για h  0 . x . 13  Η παράγωγος της ταυτοτικής συνάρτησης f ( x )  x Έχουμε f ( x  h)  f ( x)  ( x  h)  x  h . f ( x  h)  f ( x ) h   1. Έχουμε f ( x  h)  f ( x)  ( x  h) 2  x 2  x 2  2 xh  h 2  x 2  (2 x  h)h .28 Αν η συνάρτηση υ είναι παραγωγίσιμη. Άρα (β) ρ  Η παράγωγος της συνάρτησης f ( x )  x y y=x O x y y=1 O Έστω η συνάρτηση f ( x)  x 2 . h y y=c c y=0 O x (α) x O (β) (c )  0 . h0 h 0 h ( x )  1 . τότε η επιτάχυνση του κινητού τη χρονική στιγμή t θα είναι η παράγωγος της ταχύτητας. και για h  0 .

Αν λάβουμε υπόψη ότι η τιμή της f (x) σε ένα σημείο x  x 0 είναι ο συντελεστής διεύθυνσης της εφαπτομένης της καμπύλης της f στο σημείο ( x 0 . lim f ( x  h)  f ( x )  lim(2 x  h)  2 x . Η παράγωγος του ημx και του συνx . όπου ρ ρητός αριθμός . όπου ν φυσικός .    ( x )   1  x x  x  2  1  2  2 1  2 x 3  3  2   ( x )   2  x x x    1  1 1 1 1  1 1 x x2    x2  x 2  . Για παράδειγμα  1 1 1 11   x 2  2 .29 και για h  0 .   2 2 2 x      Άρα  ( x ρ )  ρx ρ1 . h h Επομένως. Έστω η γραφική παράσταση της συνάρτησης f ( x)  ημx (σχήμα 15). h0 h h0 Άρα ( x 2 )  2 x 14 y y y=2x 2 y=x O x (α) O x (β) Αποδεικνύεται ότι ( x ν )  νx ν 1 . Παρατηρούμε ότι η γραφική παράσταση της f  μοιάζει με τη γραφική παράσταση της συνάρτησης συνx . μπορούμε να σχεδιάσουμε προσεγγιστικά τη γραφική παράσταση της f  . Ο τύπος αυτός ισχύει και στην περίπτωση που ο εκθέτης είναι ρητός αριθμός. f ( x  h)  f ( x ) ( 2 x  h) h   2x  h . f ( x 0 )) . .

30 y o 135 y=ημx 45 135o o Ο π 2π 45 15 o x y y=(ημx)΄ π Ο π/2 2π x Πράγματι. με βάση τον αριθμό e.  Η παράγωγος του e x και του ln x Για την εκθετική και τη λογαριθμική συνάρτηση. αποδεικνύεται ότι 1 (e x )  e x και (ln x )  . x Κανόνες Παραγώγισης  Η παράγωγος της συνάρτησης cf ( x ) Έστω η συνάρτηση F ( x)  cf ( x) . για τη συνάρτηση f ( x)  ημx αποδεικνύεται ότι ( ημx )  συνx . Έχουμε F ( x  h)  F ( x)  cf ( x  h)  cf ( x)  c( f ( x  h)  f ( x)) . . h0 h 0  h h  lim Άρα (c  f ( x ))  c  f ( x ) . και για h  0 F ( x  h)  F ( x ) c ( f ( x  h )  f ( x ) f ( x  h)  f ( x )  c . Επίσης για τη συνάρτηση g ( x)  συνx αποδεικνύεται ότι (συνx )   ημx . h h h Επομένως F ( x  h)  F ( x)  f ( x  h)  f ( x )   lim c   cf ( x) .

h h h Επομένως F ( x  h)  F ( x ) f ( x  h)  f ( x ) g ( x  h)  g ( x)  lim  lim  f ( x)  g ( x). F ( x  h)  F ( x ) f ( x  h )  f ( x ) g ( x  h )  g ( x )   . ( g ( x )) 2  g( x )  .   4 1  1  4    4   4  2   2  x  x  x  x (6 ln x)   6(ln x)   6 και  1 6  . h0 h 0 h0 h h h lim Άρα ( f ( x )  g ( x ))  f ( x )  g ( x ) Για παράδειγμα και  ( x 4  3 x)   ( x 4 )   (3x)   4 x 3  3   1 1  2 1 2   x x x x      ( ) ( )      2x  1  2 . x x Η παράγωγος της συνάρτησης f ( x )  g ( x ) Έστω η συναρτηση F ( x)  f ( x)  g ( x) .31 Για παράδειγμα (3x 5 )   3( x 5 )   3  5 x 4  15 x 4 . Έχουμε F ( x  h)  F ( x)  ( f ( x  h)  g ( x  h))  ( f ( x)  g ( x))  ( f ( x  h)  f ( x))  ( g ( x  h)  g ( x)) . x x  x Παράγωγος των συναρτήσεων f ( x )  g ( x ) και f ( x) g( x ) Για το γινόμενο και το πηλίκο συναρτήσεων αποδεικνύεται ότι ισχύουν οι παρακάτω κανόνες παραγώγισης: ( f ( x )  g ( x ))  f ( x ) g ( x )  f ( x )  g ( x )   f ( x)  f ( x )  g ( x )  f ( x )  g ( x )    . και για h  0 .

Δηλαδή για να παραγωγίσουμε τη συνάρτηση f ( g ( x)) . σε πρώτη φάση παραγωγίζουμε την f σαν να έχει ανεξάρτητη μεταβλητή την g(x) και στη συνέχεια πολλαπλασιάζουμε με την παράγωγο της g. Είναι. με τη βοήθεια των κανόνων παραγώγισης αθροίσματος. δηλαδή. είναι  x   2 1 x . Γι’αυτό η συνάρτηση F λέγεται σύνθεση της g με την f. (( x 3  1) 3 )  3( x 3  1) 2 ( x 3  1))  3( x 3  1) 2  3x 2  9 x 2 ( x 3  1) 2 . Επίσης. γινομένου και πηλίκου μπορούμε να παραγωγίσουμε και πολυπλοκότερες συναρτήσεις όπως για παράδειγμα τις ( x 3  1) 2 και ( x 3  1) 3 για τις οποίες έχουμε (( x 3  1) 2 )   (( x 3  1)( x 3  1))   3 x 2 ( x 3  1)  3 x 2 ( x 3  1)  6 x 2 ( x 3  1) και (( x 3  1) 3 )  [( x 3  1) 2 ( x 3  1)]  6 x 2 ( x 3  1)( x 3  1)  ( x 3  1) 2  3 x 2  9 x 2 ( x 3  1) 2 Πώς όμως θα παραγωγίσουμε μια συνάρτηση όπως η F ( x)  x 2  1 . Παρατηρούμε ότι η συνάρτηση F (x) προκύπτει αν στην f ( x)  x θέσουμε όπου x το g ( x)  x 2  1 . συνx. Αποδεικνύεται ότι για την παράγωγο μιας σύνθετης συνάρτησης ισχύει:  f ( g( x ))  f ( g ( x ))  g ( x ) . Επομένως. e x και ln x . επειδή όπως είδαμε. έχουμε: . F ( x)  x 2  1  f ( g ( x)) . ημx. Επίσης.32 Για παράδειγμα ( x  ημx)   ( x) ημx  x( ημx)   ημx  x  συνx και  2 2 2 2 2  x  1  ( x  1)  x  ( x  1)  ( x )  x  2 x  2 x  x  2 x  ( x  2)     2   (x 2 )2 x4 x4 x3  x   Η παράγωγος σύνθετης συνάρτησης Γνωρίζουμε ήδη πώς παραγωγίζονται οι συναρτήσεις x ν .

συν 2 x . (ημ(2 x  1))   συν (2 x  1)  (2 x  1)   2  συν (2 x  1) . ΛΥΣΗ i) Έχουμε f ( x)  (εφx)  Άρα ii) Έχουμε  2 2 1  ημx  ( ημ x) συνx  ημx(συνx)  συν x  ημ x    . Στον παρακάτω πίνακα συνοψίζονται οι βασικοί τύποι και κανόνες παραγώγισης. x x2  1 . Να υπολογιστεί η παράγωγος των συναρτήσεων i) f ( x )  εφx ii) f ( x )  ημ 2 3 x .   2 2 συν x συν x συν 2 x  συνx  1 (εφx )  . (c )   0 ( x)  1 (cf ( x))  cf ( x) ( x ρ )  ρx ρ1 1 ( x )  2 x (ημx)  συνx (συνx)  ημx (e x )   e x 1 (nx)  x ( f ( x)  g ( x))  f ( x)  g ( x) ( f ( x) g ( x))  f ( x) g ( x)  f ( x) g ( x)   f ( x)  f ( x) g ( x)  f ( x) g ( x)    ( g ( x)) 2  g ( x)   f ( g ( x))  f ( g ( x))  g ( x) ΕΦΑΡΜΟΓΕΣ 1.33  1 1  x 2  1    ( x 2  1)    2x    2 x2  1 2 x2 1 Ομοίως .

Η θέση ενός υλικού σημείου. ii) Η ταχύτητα του σημείου σε χρόνο t  2s είναι και σε χρόνο t  4s είναι υ(2)  3  2 2  12  2  9  3 m/s υ(4)  3  4 2  12  4  9  9 m/s . iii) Το σημείο είναι ακίνητο. όπου χρησιμοποιήθηκε η σχέση ημ 2α  2ημα συνα . ΛΥΣΗ i) Η ταχύτητα είναι υ(t )  x (t )  (t 3  6t 2  9t )   3t 2  12t  9 . το σημείο είναι ακίνητο ύστερα από 1 s και ύστερα από 3 s. iii) Πότε το σημείο είναι (στιγμιαία) ακίνητο. iv) Το σημείο κινείται στη θετική κατεύθυνση. όπου το t μετριέται σε δευτερόλεπτα και το x σε μέτρα. ii) Ποια είναι η ταχύτητα του σημείου σε χρόνο 2 s και ποια σε χρόνο 4 s. i) Να βρεθεί η ταχύτητα του σημείου σε χρόνο t. 2. iv) Πότε το σημείο κινείται στη θετική κατεύθυνση και πότε στην αρνητική κατεύθυνση. δηλαδή όταν 3t 2  12t  9  0 t 2  4t  3  0 (t  1)(t  3)  0 t 1 ή t  3 . v) Να βρεθεί το ολικό διάστημα που έχει διανύσει το σημείο στη διάρκεια των πρώτων 5 s. Άρα.34 f ( x)  [(ημ3x) 2 ]  2  ημ3 x  (ημ3 x)   2  ημ3 x  συν3x  (3x)   3  2ημ3 x  συν3 x  3  ημ(2  3 x)  3ημ 6 x . όταν υ(t )  0 . το οποίο εκτελεί ευθύγραμμη κίνηση δίνεται από τον τύπο x  x ( t )  t 3  6t 2  9t . δηλαδή όταν 3t 2  12t  9  0 t 2  4t  3  0 t 1 ή t  3 . όταν υ(t )  0 . .

το ολικό διάστημα S που διάνυσε το σημείο σε χρόνο 5s είναι S  S1  S 2  S 3  4  4  20  28 m . ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ (Να βρείτε τις παραγώγους των συναρτήσεων στις ασκήσεις 1-18) 1. iii) f ( x)  x 5 . το σημείο κινείται στη θετική κατεύθυνση στα χρονικά διαστήματα t  1 και t  3 (και στην αρνητική κατεύθυνση όταν 1  t  3) . Σχηματικά η κίνηση του υλικού σημείου μπορεί να παρασταθεί ως εξής: t=3 t=1 t=0 0 4 x=x(t) v) Η απόσταση που διανύθηκε από το κινούμενο σημείο είναι:  Στη διάρκεια του πρώτου δευτερόλεπτου S1 | x(1)  x(0) |  | 4  0 | 4 m .35 Άρα. . i) f ( x)  x 3 / 2 ii) f ( x)  x 3 3. i) f ( x)  3 x ii) f ( x)  5 x 2 . i) f ( x)  5 ii) f ( x)  x 4 iii) f ( x)  x 9 . 2. x  0 .  Από t  1 μέχρι t  3 S 2 | x(3)  x(1) || 0  4 | 4 m  Από t  3 μέχρι t  5 S 3 | x(5)  x(3) || 20  0 | 20 m Άρα.

i) f ( x)  e 3 x x ημx iii) f ( x)  (2 x 2  3 x) 5 . x0.36 4. 5 ii) f ( x)  6 x x . x 7. ii) f ( x)  1  ημx . x iii) f ( x)  8. i) f ( x)  ( x 3  1)( x 4  1) ii) f ( x)  ημx(1  συνx) . i) f ( x)  x 4  3x 2 ii) f ( x)  x 2  5  3 x x 2  2x  1 . i) f ( x)  2 x 2  x 16. 1  συνx 3 . 2 20 x . 1 i) f ( x)  1 ii) f ( x)  3 x 5. 9. i) f ( x)  xσυνx  3( x  1)( x  1) x2 x 1 ii) f ( x)  1 1  συνx ii) f ( x)  11. ( x  1) 2 ii) f ( x)  (2 x  1) 5 ii) f ( x)  ημx 3 15. i) f ( x)  12. i) f ( x)  ημ 3 x iii) f ( x)  x  ημx . 13. i) f ( x)  ( x  1) 5 14. i) f ( x)  ii) f ( x)  4 x 2 ημx  3x 2 συνx . 10. i) f ( x)  8 x 3  ημx  5 ii) f ( x)  6συνx  8( x 2  x) . iii) f ( x)  x  ημ 4 x iv) f ( x)  εφ3 x . e x  e x . ii) f ( x)  e  x 2 iii) f ( x)  e ax  β iv) f ( x)  ex . iii) f ( x)  x i) f ( x)  4 x 3 ii) f ( x)  6 x 5 iii) f ( x)   6 6. i) f ( x)  4 1 5 x2 .

37 iii) f ( x)  ln(αx  β ) 18. i) Να βρείτε το συντελεστή διεύθυνσης της εφαπτομένης της καμπύλης της t3 στο σημείο της A(3. i) f ( x)  ln x x 1 . Β΄ ΟΜΑΔΑΣ 1. Να βρείτε την τιμή του α ώστε η εφαπτομένη της γραφικής παράστασης της συνάρτησης f ( x)  αx(1  x) στο σημείο της O (0. 0) ως προς x όταν x  10 . x3 iv) f ( x)  ln x  1 .  3  3 20. f (3)) . i) f ( x)  ln 2 x ii) f ( x)  e x ln x .3) 21. 2. Να βρείτε το ρυθμό μεταβολής της απόστασης των σημείων A(0. Να βρείτε τα σημεία της καμπύλης 3x η εφαπτομένη x 1 της συνάρτησης . όπου 4 t  8 . Να βρείτε το ρυθμό ανάπτυξης του ποντικιού: i) ύστερα από t εβδομάδες και ii) ύστερα από 1. f (0)) να σχηματίζει με τον άξονα x x γωνία 60 0 . Σε ποιά σημεία της καμπύλης της συνάρτησης f ( x)  της είναι παράλληλη στην ευθεία y  3x  5 .0) 22. 19. Το βάρος Β σε γραμμάρια ενός θηλυκού ποντικιού ύστερα από t εβδομάδες δίνεται προσεγγιστικά από τη συνάρτηση B (t )  1  1 (t  2) 2 . y A(0. 2 και 8 εβδομάδες. x O B(x.3) και B (x. συνάρτησης f (t )  2 t 1 ημθ στο σημείο ii) Ομοίως της καμπύλης της συνάρτησης f (θ )  ημθ  συνθ π  π  της  . f    . ii) f ( x)  ln 17.

τη φωτοχημική ικανότητα του φυτού. 6. Να βρείτε την ταχύτητα του σώματος σε χρόνο t και να προσδιορίσετε πότε το σώμα είναι ακίνητο. να βρείτε το μ ώστε να ισχύει f ( x)  3 f ( x)  4 f ( x)  0 . α P( I )  10. να δείξετε ότι f ( x)  ω 2 f ( x)  0 . 3. 5. 3 9. Ποια είναι η επιτάχυνση του σώματος στις χρονικές αυτές στιγμές. Να βρείτε την εξίσωση της εφαπτομένης της καμπύλης της συνάρτησης π f ( x)  2ημx  συνx στο σημείο της με x  . iii) Να δείξετε ότι. να δείξετε ότι f ( x)  p 2 f ( x) . x 1 4. Ένα σώμα κινείται σε έναν άξονα έτσι ώστε η θέση του σε χρόνο t να δίνεται από τον τύπο x(t )  t 3  2t 2  t . ω σταθερές. Αν f ( x)  Aσυνωx  Bημωx . όπου t ο χρόνος και τα Α. β σταθερές. I  0 . . ii) Να δείξετε ότι P ( I )  1  βP ( I ) . όπου Ι η ένταση του φωτός και α. i) Να βρείτε την ταχύτητα και την επιτάχυνση του σημείου ως συνάρτηση του t. Ο ρυθμός της φωτοσύνθεσης P ενός φυτού δίνεται από τον τύπο I . ii) Να δείξετε ότι η επιτάχυνση είναι ανάλογη της απομάκρυνσης y.38 f ( x)  x 3  6 x 2  9 x  4 στα οποία οι εφαπτόμενες είναι παράλληλες στον άξονα x x . το μέτρο της ταχύτητας είναι μέγιστο. i) α  βI Να βρείτε την P (I ) ή. 1 2 καθώς και την P (0) . Να βρείτε τις εξισώσεις των εφαπτομένων της γραφικής παράστασης της x f ( x)  που είναι παράλληλες στη διχοτόμο της γωνίας x0ˆ y . όταν η επιτάχυνση είναι 0. Αν f ( x)  αe px  βe  px . Αν f ( x)  e μx . όπως λέγεται. Η θέση ενός υλικού σημείου που κινείται σε έναν κατακόρυφο άξονα δίνεται από τον τύπο y (t )  Aημωt . 8. 7.

σύμφωνα με όσα μας διδάσκει η Φυσική. Λύνοντας την ανίσωση h (t )  0 . . Ας υποθέσουμε. Ας δούμε τώρα πώς μεταβάλλεται το πρόσημο της παραγώγου h (t )  10t  20 στο διάστημα [0. 4] . μεταξύ όλων των ορθογωνίων με την ίδια περίμετρο βρήκαμε τις διαστάσεις εκείνου του ορθογωνίου που έχει το μέγιστο εμβαδόν και μεταξύ όλων των ορθογωνίων με το ίδιο εμβαδόν. Αν η επιτάχυνση της βαρύτητας είναι g  10 m/s 2 . για παράδειγμα.  16 h 20 β  2 που είναι 2α 4 t Είναι γνησίως αύξουσα για t  2 και γνησίως O 2 φθίνουσα για t  2 . Με τη βοήθεια όμως της παραγώγου μπορούμε να διατυπώσουμε μια γενική μέθοδο προσδιορισμού της μέγιστης ή της ελάχιστης τιμής ενός μεταβαλλόμενου μεγέθους. αναζητήσαμε τις διαστάσεις εκείνου του ορθογωνίου που έχει την ελάχιστη περίμετρο.4 ΕΦΑΡΜΟΓΕΣ ΤΩΝ ΠΑΡΑΓΩΓΩΝ Το Κριτήριο της Πρώτης Παραγώγου Σε προηγούμενες τάξεις χρειάστηκε να εφαρμόσουμε τις μεθόδους της Άλγεβρας και της Γεωμετρίας για να επιλύσουμε προβλήματα στα οποία σκοπός ήταν να μεγιστοποιήσουμε ή να ελαχιστοποιήσουμε την τιμή ενός μεγέθους. η παράγωγός της είναι αρνητική. Βέβαια οι μέθοδοι που χρησιμοποιήσαμε για την επίλυση των προβλημάτων αυτών δύσκολα μπορούν να εφαρμοστούν και για την επίλυση προβλημάτων άλλης μορφής. ότι θέλουμε να βρούμε το μέγιστο ύψος στο οποίο μπορεί να φθάσει ένα σώμα που εκτοξεύεται κατακόρυφα προς τα επάνω με αρχική ταχύτητα υ0  20 m/s . ενώ δεξιά του 2 όπου η συνάρτηση είναι φθίνουσα. το ύψος h του σώματος ύστερα από t δευτερόλεπτα θα είναι h(t )  20t  5t 2  5t 2  20t . τότε.39 1. βρίσκουμε ότι αριστερά του 2 όπου η συνάρτηση είναι γνησίως αύξουσα. η παράγωγός της είναι θετική. Παρουσιάζει μέγιστο για t   ίσο με h(2)  20 . Για παράδειγμα. (1) Επομένως η γραφική παράσταση της h(t) θα είναι μια παραβολή η οποία:   Τέμνει τον άξονα των t στα σημεία t  0 και t4.

Παρατηρούμε ακόμα ότι στο σημείο t  2 όπου η h παρουσιάζει μέγιστο. β ) για x  x 0 ελάχιστο. για x 0  (α. τότε η f (α. x 0 ) και f ( x)  0 στο ( x 0 .40 t 0 h (t ) 2  0 4  Από τα παραπάνω φαίνεται να υπάρχει στενή σχέση ανάμεσα στη μονοτονία και στην παράγωγο μιας συνάρτησης. Αποδεικνύεται ότι:  Αν μια συνάρτηση f είναι παραγωγίσιμη σε ένα διάστημα Δ και ισχύει f ( x)  0 για κάθε εσωτερικό σημείο του Δ. ενώ εκατέρωθεν του t  2 η h  αλλάζει πρόσημο. Αποδεικνύεται ότι:  Αν για μια συνάρτηση f ισχύουν f ( x 0 )  0 στο (α.  Αν μια συνάρτηση f είναι παραγωγίσιμη σε ένα διάστημα Δ και ισχύει f ( x)  0 για κάθε εσωτερικό σημείο του Δ. β ) . β ) . f ( x)  0 παρουσιάζει στο διάστημα 17 y f ΄(x0)=0 y f ΄(x)<0 f ΄(x)<0 f ΄(x)>0 f ΄(x)>0 f ΄(x0)=0 O O x0 (α) x x0 (β) x . x 0 ) και f ( x)  0 στο ( x 0 . η h  μηδενίζεται. β ) . τότε η f είναι γνησίως αύξουσα στο Δ. β ) για x  x 0 μέγιστο. f ( x)  0 παρουσιάζει στο διάστημα για x 0  (α. τότε η f είναι γνησίως φθίνουσα στο Δ. τότε η f (α. β ) .  Αν για μια συνάρτηση f ισχύουν f ( x 0 )  0 στο (α.

2α 2α   β 2α 0   f ( x)  αx 2 βx  γ. είναι ίση με f     α   β γ 4α  2α   2α   2α  2.41 ΕΦΑΡΜΟΓΕΣ 1. α  0 για x   β παρουσιάζει 2α ελάχιστο αν α  0 και μέγιστο αν α  0 . Η τιμή του μεγίστου ή του ελαχίστου Άρα. α  0 . αν α  0 . Να βρεθούν τα ακρότατα της συνάρτησης f ( x )  αx 2  βx  γ . Σε πόσο χρόνο ο πληθυσμός των βακτηριδίων θα είναι μέγιστος και ποιος θα είναι ο πληθυσμός αυτός. . ΛΥΣΗ Έχουμε: f ( x)  (αx 2  βx  γ )   2αx  β . όπου t ο χρόνος σε ώρες. Ένας πληθυσμός 1000 βακτηριδίων εισάγεται σε ένα θρεπτικό μέσον και αναπτύσσεται σύμφωνα με τη συνάρτηση p( t )  1000  1000t 100  t 2 . τότε f ( x)  0 για x   β και f ( x)  0 για x   . f ( x)  0  2αx  β  0  x   β . τότε f ( x)  0 για x   x  f (x) β 2α 0   β και f ( x)  0 για x   β . η συνάρτηση 2 4αγ  β 2  β   β  β . β Επομένως. 2α 2α x  f (x)   ενώ αν α  0 . 2α f ( x)  0  2αx  β  0  2αx   β .

στο (10. Αυτό σημαίνει ότι η f  από αρνητική γίνεται θετική. η x0 x παράγωγός της. f ( x 0 )  0 .42 ΛΥΣΗ Έχουμε p(t )  1000(100  t 2 )  1000t  2t 1000(100  t 2 )  . Επομένως p (t )  0 για 0  t  10 . η συνάρτηση είναι αύξουσα y=f(x) για x  x 0 και φθίνουσα για x  x 0 . y y=f(x) Τότε. Αφού λοιπόν η f O είναι φθίνουσα. δηλαδή είναι φθίνουσα συνάρτηση. (100  t 2 ) 2 (100  t 2 ) 2 p (t )  0  1000(100  t 2 )  0  t  10 ή t  10 .   ). η συνάρτηση είναι φθίνουσα για x  x0 και αύξουσα για x  x0 . Αυτό σημαίνει ότι η f  από θετική γίνεται αρνητική. Άρα ύστερα από 10 ώρες θα παρουσιαστεί ο μέγιστος πληθυσμός βακτηριδίων που θα είναι ίσος με 1000  10 1000  10 p (10)  1000   1000   1050 . η ρίζα t  10 απορρίπτεται. 10) και p (t )  0 . της οποίας η καμπύλη είναι μία παραβολή και η οποία για x  x 0 παρουσιάζει μέγιστο. Έχουμε λοιπόν p (10)  0 . δηλαδή η f  θα είναι αρνητική. 18 y Τότε. 2 200 100  10 Το Κριτήριο της Δεύτερης Παραγώγου  Έστω μια συνάρτηση f. της οποίας η καμπύλη είναι μια παραβολή και η οποία για x  x 0 παρουσιάζει ελάχιστο. Επειδή ο χρόνος t είναι θετικός. για τιμές κοντά στο x 0 . δηλαδή είναι x0 O x . p (t )  0  1000(100  t 2 )  0  100  t 2  0  t 2  100  0 2 2 (100  t )  (t  10)(t  10)  0  10  t  10 . 19  Έστω τώρα η συνάρτηση f. p (t )  0 στο (0. για τιμές του x κοντά στο x0 . Επομένως.

τότε δεν μπορεί να χρησιμοποιηθεί το κριτήριο της 2ης παραγώγου για τον προσδιορισμό των ακροτάτων της f. Τότε     2 x . Το παράθυρο έχει περίμετρο 30 μέτρα. Αν Ε το εμβαδόν του παραθύρου. A x x y Δ B y 2x Γ ΛΥΣΗ  Έστω x η ακτίνα του ημικυκλίου.  Αν για μια συνάρτηση f ισχύουν f ( x 0 )  0 και f ( x 0 )  0 . f ( x0 )  0 . τότε η f παρουσιάζει (τοπικό) μέγιστο στο x  x 0 . Ένα παράθυρο έχει το διπλανό σχήμα και αποτελείται από ένα ορθογώνιο που περικλείεται στο άνω μέρος από ένα ημικύκλιο. η παράγωγος της f  . Άρα. ΕΦΑΡΜΟΓΕΣ 1. τότε η f παρουσιάζει (τοπικό) ελάχιστο στο x  x 0 . Επομένως. Αποδεικνύεται ότι:  Αν για μια συνάρτηση f ισχύουν f ( x 0 )  0 και f ( x 0 )  0 . Αν     y . όταν το εμβαδόν του είναι μέγιστο. τότε E  2 xy  1 2 1 π  πx  x(30  2 x  πx)  πx 2  30 x   2   x 2 .43 αύξουσα συνάρτηση. 2 2 2  . Να βρείτε τις διαστάσεις που πρέπει να έχει ώστε να μπαίνει από αυτό όσο γίνεται περισσότερο φως. ΣΧΟΛΙΟ Αν για μια συνάρτηση f ισχύουν f ( x 0 )  0 και f ( x 0 )  0 . δηλαδή η f  θα είναι θετική. έχουμε: 1 y  2 x  y   2πx  30 2 2 y  30  2 x  πx (1) Η μεγαλύτερη ποσότητα φωτός θα διέρχεται από το παράθυρο.

2  δηλαδή  E ( x)  30  (4  π ) x Έχουμε και E ( x)  0  x  30 .2 m . 4π 30 η συνάρτηση 4π έχει τη μέγιστη τιμή της. το παράθυρο έχει το μέγιστο εμβαδό. Το κέρδος P σε ευρώ από την πώληση ενός αυτοκινήτου ορισμένου τύπου και ο χρόνος παραγωγής του t σε ώρες σχετίζονται με τον τύπο: 250   P ( t )  20 200   t 2 . .44 π  E ( x)  30 x   2   x 2 . Έχουμε   250   500   500  P (t )  20 2  2t   20  3  2   20 3  2   0 . Επομένως t   P (t )  0  250  2t  0  t 3  125  t  5 . t t t       Άρα για t  5 έχουμε το μέγιστο δυνατό κέρδος που είναι ίσο με P (5)  20(200  50  25)  20  125  2500 ευρώ. t2 Θα εξετάσουμε αν η τιμή t  5 αντιστοιχεί σε μέγιστο κέρδος με τη βοήθεια της δεύτερης παραγώγου. συμπεραίνουμε ότι για x  2 y  30  (2  π )  Άρα για x  y  30 60  4π 4π και επομένως y 30 . Για την τιμή αυτή του x από την (1) έχουμε Επειδή E ( x)  (4  π )  0 . π4 30  4. π4 2. αφού t  3 . t  3 . ΛΥΣΗ   250 Έχουμε P(t )  20 2  2t  . t   Να βρεθεί το μέγιστο δυνατό κέρδος.

Ένα κουτί σχήματος ορθογωνίου παραλληλεπιπέδου με τετράγωνη βάση και ανοικτό από πάνω πρέπει να έχει όγκο 32 dm 3 . Αν ένα κουτί σχήματος ορθογωνίου παραλληλεπιπέδου με βάση τετράγωνο και ανοικτό από πάνω πρέπει να έχει επιφάνεια ίση με 12 dm 2 . 6. Να βρείτε τα ακρότατα των συναρτήσεων i) f ( x)  x 2  2 x ii) f ( x)  3x 2  6 iii) f ( x)  x 2  2 x  4 . 2. λ c  . Να βρείτε τη μεγαλύτερη τιμή που μπορεί να πάρει το γινόμενό τους. Για ποιο μήκος κύματος έχουμε την ελάχιστη ταχύτητα. Η ταχύτητα ενός κύματος μήκους λ μέσα στο νερό είναι υ  κ 10. 9. Ομοίως των συναρτήσεων i) f ( x)  x 3  6 x 2  5 ii) f ( x)   x 3  3x  1 . 8. ώστε για την κατασκευή του να χρειάζεται το ελάχιστο δυνατό υλικό. 3.45 ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. Να βρείτε ποιές πρέπει να είναι οι διαστάσεις του κουτιού. Να δείξετε ότι οι παρακάτω συναρτήσεις δεν έχουν ακρότατα i) f ( x)  2 x 3 ii) f ( x)   x 3  16 iii) f ( x)  x 3  3x 2  3x  10 iv) f ( x)   x 3  3x 2  5 x  11 . Το άθροισμα δύο αριθμών είναι ίσο με 40. Να βρείτε το σημείο της ευθείας με εξίσωση y  2 x  3 που είναι πλησιέστερο στην αρχή των αξόνων. 7. c λ όπου κ και c θετικές σταθερές. 5. Να προσδιοριστούν δύο θετικοί αριθμοί με τις εξής ιδιότητες: Το άθροισμά τους να είναι 10 και το άθροισμα των τετραγώνων τους να είναι ελάχιστο. . ποιος είναι ο μέγιστος δυνατός όγκος του. Από όλα τα ορθογώνια με εμβαδό 100m 2 ποιο είναι εκείνο που έχει τη μικρότερη περίμετρο. 4.

Αν υ  100 p(1  ln r )  100qr . ώστε να έχει το μέγιστο όγκο. αφού κοπούν από τις γωνίες του τέσσερα ίσα τετράγωνα και στη συνέχεια διπλωθούν προς τα επάνω οι πλευρές. Ο φράχτης για την περίφραξη κοστίζει 900 δρχ. να δείξετε ότι το υ έχει τη  x 1 μέγιστη τιμή του όταν x  . 5. Από ένα φύλλο λαμαρίνας σχήματος τετραγώνου πλευράς 60 cm θα κατασκευαστεί ένα δοχείο./m. . όπου κ θετική σταθερά. Θέλουμε να περιφράξουμε μια περιοχή 16000 m 2 σχήματος ορθογωνίου με μεταβλητές διαστάσεις και να τη χωρίσουμε στη μέση. 60 60 4. 7. όπου Α. Να βρείτε ποιες πρέπει να είναι οι διαστάσεις του δοχείου. να έχουμε το ελάχιστο κόστος για την περίφραξη μαζί με το χώρισμα. k1 και k 2 k 2  k1 θετικές σταθερές με k 2  k1 . τότε ύστερα από χρόνο t η συγκέντρωση y του φαρμάκου στο αίμα του δίνεται από τη συνάρτηση y (t )    A e k1t  e k2t . Σε έναν κύκλο ακτίνας ρ να εγγράψετε το ορθογώνιο με το μεγαλύτερο δυνατό εμβαδόν. Να δείξετε ότι το άθροισμα των εμβαδών των δύο σχημάτων είναι ελάχιστο.46 Β΄ ΟΜΑΔΑΣ 1. Αν υ  κx 2 ln  . Η έρευνα έχει δείξει ότι αν σε έναν ασθενή γίνει μια υποδόρια ένεση. όταν η πλευρά του τετραγώνου είναι ίση με τη διάμετρο του κύκλου./m και ο φράχτης για το χώρισμα 600 δρχ. Να βρείτε ποιες πρέπει να είναι οι διαστάσεις του ορθογωνίου ώστε. ανοικτό από πάνω. Να βρείτε το χρόνο t στον οποίο το φάρμακο θα παρουσιάσει τη μέγιστη συγκέντρωση. Ένα σύρμα μήκους λ κόβεται σε δύο τμήματα με τα οποία σχηματίζουμε έναν κύκλο και ένα τετράγωνο αντιστοίχως. q 1 2. όπου p και q θετικές σταθερές. e 3. 6. να δείξετε ότι p το υ έχει τη μέγιστη τιμή του όταν r  .

ΓΕΝΙΚΕΣ ΑΣΚΗΣΕΙΣ 1. Το ιστιοφόρο ταξιδεύει νότια με 40 km/h. καταναλώνει την ώρα 6  0. Όμως αν η ράβδος δεν είναι ομογενής και η μάζα της μετρούμενη από το αριστερό άκρο της μέχρι το σημείο που απέχει από το άκρο αυτό απόσταση x μέτρα δίνεται από τη συνάρτηση m  f (x) . . θα έχουν οι άνθρωποι των δύο πλοίων οπτική επαφή σε κάποια στιγμή. Να σχολιάσετε αν η απάντηση στο ερώτημα ii) είναι εφαρμόσιμη λόγω της μεγάλης απόστασης.47 8. τότε ορίζουμε ως γραμμική πυκνότητα ρ στο σημείο x το όριο f ( x  h)  f ( x ) . 1. να βρεθεί i) Η μέση πυκνότητα του τμήματος της ράβδου στο διάστημα [1. Δύο ηλεκτρικές αντιστάσεις πρέπει να έχουν άθροισμα 450Ω. 10. lim h0 h x x+h Αν υποθέσουμε ότι για μια ράβδο η μάζα της δίνεται από τη συνάρτηση m  f ( x)  x . ii) Να βρείτε την τιμή του υ για την οποία έχουμε την οικονομικότερη κατανάλωση καυσίμων. Πως πρέπει να επιλεγούν ώστε όταν συνδεθούν εν παραλλήλω να δίνουν τη μέγιστη ολική αντίσταση. Ένα ορισμένο όχημα όταν ταξιδεύει με ταχύτητα υ km/h. και το φορτηγό ανατολικά με 20 km/h. Το μεσημέρι ένα ιστιοφόρο βρίσκεται 20 χιλιόμετρα βορείως ενός φορτηγού πλοίου. όπου το x μετριέται σε μέτρα και η μάζα της σε χιλιόγραμμα.21] ii) Η γραμμική πυκνότητα της ράβδου για x  1 . Αν μια συρμάτινη ράβδος είναι ομογενής.0001υ 3 λίτρα καύσιμα. τότε η γραμμική της πυκνότητα ρ m  ορίζεται ως η μάζα της ανά μονάδα μήκους  ρ   και μετριέται σε   χιλιόγραμμα ανά μέτρο (kgr/m). Αν η ορατότητα είναι 10 km. καθώς και την ποσότητα καυσίμων που χρειάζεται το όχημα για να διανύσει τα 1000km. i) Να βρείτε τη συνολική ποσότητα καυσίμων που χρειάζεται για να διανύσει μια απόσταση 1000km με σταθερή ταχύτητα υ. δηλαδή την παράγωγο της μάζας ως προς το μήκος. 9.

4. Μια ευθεία ε διέρχεται από το Α και τέμνει τους θετικούς ημιάξονες 0x και 0y στα p και q αντιστοίχως. τότε η συνάρτηση C λέγεται συνάρτηση κόστους. Σε ένα ορθοκανονικό σύστημα δίνεται το σημείο A(α. 3. Ένα κυλινδρικό δοχείο πρέπει να έχει χωρητικότητα 1lt. το πηλίκο C ( x) C ( x  h)  C ( x ) λέγεται c( x)  λέγεται μέσο κόστος και το όριο lim h  0 x h οριακό κόστος. Να βρείτε τη μέγιστη χωρητικότητα του ποτηριού. Το κόστος C της ημερήσιας παραγωγής x μονάδων ενός προϊόντος από μια βιοτεχνία που απασχολεί v εργάτες δίνεται από τον τύπο: C ( x)  x 3  3vx 2  5v 3 σε χιλιάδες δρχ. Να βρείτε πόσες μονάδες πρέπει να παράγονται ημερησίως και από πόσους εργάτες. Να βρείτε τις διαστάσεις του οι οποίες ελαχιστοποιούν το κόστος του μετάλλου από το οποίο θα κατασκευαστεί το δοχείο. ώστε να έχουμε ελάχιστο κόστος και μέγιστο κέρδος. 6. Α R Ο Β R O 8. 7. Από έναν κυκλικό δίσκο ακτίνας R αφαιρούμε έναν κυκλικό τομέα ΟΑΒ και ενώνοντας τις ακτίνες ΟΑ και ΟΒ κατασκευάζουμε ένα κωνικό ποτήρι. Αν C (x) είναι το συνολικό κόστος για την παραγωγή x μονάδων ενός προϊόντος.48 2. Ποιος κύλινδρος με άθροισμα διαμέτρου και ύψους 20 cm έχει το μέγιστο δυνατό όγκο. Το κέρδος ανά μονάδα προϊόντος είναι 16  v χιλιάδες δρχ. 5. Σε ποιό σημείο της γραφικής παράστασης της συνάρτησης f ( x)  x 3  3x 2  2 x  1 η εφαπτομένη έχει τον ελάχιστο συντελεστή διεύθυνσης. . β ) του 1ου τεταρτημορίου. Να δείξετε ότι η ελάχιστη τιμή του αθροίσματος p  q είναι ίση με ( α  β ) 2 .

α) Να αποδείξετε ότι αν το κέρδος για κάποιο x είναι μέγιστο. Α x  2 διαδρομή ΑΓΒ είναι t ( x)  ii) Να υπολογίσετε την t (x) .001 x 2 και η συνάρτηση ζήτησης p( x)  50  0. 9. μια ακτίνα φωτός από ένα σημείο Α του αέρα φθάνει σε ένα σημείο Β του νερού ακολουθώντας μια πορεία ΑΓΒ η οποία ελαχιστοποιεί τον απαιτούμενο χρόνο. Επίσης από την πώληση x μονάδων του προϊόντος το συνολικό κέρδος είναι P ( x)  R( x)  C ( x) . αν η συνάρτηση κόστους είναι C ( x)  3800  5 x  0. τα συνολικά έσοδα είναι R ( x)  x  p( x) . Σύμφωνα με την αρχή του Fermat. β) Ποιο είναι το επίπεδο παραγωγής που μεγιστοποιεί τα κέρδη για μια εταιρεία. Να αποδείξετε ότι i) Ο χρόνος που χρειάζεται το φως για τη d12 Β . Η συνάρτηση P καλείται συνάρτηση κέρδους και η παράγωγος P  καλείται οριακή συνάρτηση κέρδους. β) Μια εταιρεία εκτιμά ότι το κόστος (σε δολάρια) για την παραγωγή x 1 μονάδων ενός προϊόντος είναι C ( x)   x 2  2 x  2600 . τότε ισχύει: οριακό κόστος=μέσο κόστος.01 x . το μέσο κόστος και το οριακό κόστος για την παραγωγή 1000 μονάδων. 2000 μονάδων και 3000 μονάδων. ii) Ποιο είναι το επίπεδο παραγωγής για το οποίο το μέσο κόστος είναι το χαμηλότερο και ποια είναι η ελάχιστη τιμή του μέσου κόστους. Αν x μονάδες ενός προϊόντος είναι διαθέσιμες για πώληση. Έστω υ1 η ταχύτητα του φωτός στον αέρα και υ2 η ταχύτητα του στο νερό. ημα υ1  . 1000 i) Να βρείτε το κόστος. iii) Να αποδείξετε ότι ημβ υ2 υ1 d12 d1 Γ νερό β d2 d (d  x)  υ2 d-x x 2  αέρας a 10. τότε η τιμή πώλησης p (x) της μονάδας του προϊόντος λέγεται συνάρτηση ζήτησης. τότε τα οριακά έσοδα είναι ίσα με το οριακό κόστος. Η συνάρτηση R λέγεται συνάρτηση εσόδων και η παράγωγος R  λέγεται οριακή συνάρτηση εσόδων.49 α) Να αποδείξετε ότι αν για κάποιο x το μέσο κόστος είναι ελάχιστο. Από την πώληση x μονάδων του προϊόντος.

0] Δ.  1  x  1 Γ. x  2 . Η τιμή του κ είναι Α. y=x2 B x O x y=x1 y A(1. 2 Γ. Στο διπλανό σχήμα τα σημεία Α και Β είναι τα σημεία τομής των καμπυλών των 1 συναρτήσεων f ( x)  ημx και g ( x)  . y 1/ 2 A O B x . x Β. 3x 2x x y A 2.4) 3. παράσταση της συνάρτησης f ( x)  2  x2 Οι τιμές του x για τις οποίες ισχύει 6  2 είναι: 2  x2 Α. [2. x  1  x 2 . x  2 Β.  ) Β. π 2 Β.  2  x  2 5. x 2 Γ. 3] . π 6 Γ(k. Στο διπλανό σχήμα το μήκος του τμήματος ΑΒ είναι Α. 2) Γ. -6 Ο Δ.-3) y 3 2 1 -3 -2 -1 O 1 2 x 3 Δ. (0.-3) 4. 8 Β. π 3 Γ. x Δ(1. 2π 3 Δ. 10.4) B(k. Στο διπλανό σχήμα έχουμε τη γραφική 6 . [0. Ο όγκος του διπλανού ορθογωνίου παραλληλεπιπέδου εκφράζεται με τη συνάρτηση V ( x)  x(2  x)(3  x) . x 2  x  1 Δ.50 ΕΡΩΤΗΣΕΙΣ ΚΑΤΑΝΟΗΣΗΣ 1. (. 2 Το μήκος του τμήματος ΑΒ είναι: Α. Το εμβαδόν του διπλανού ορθογωνίου ΑΒΓΔ είναι 63. Το πεδίο ορισμού της συνάρτησης αυτής είναι το διάστημα: Α.

5 Ο Ε. 5 Β. 4 Γ. κ  1 Γ. Στο διπλανό σχήμα έχουμε τις γραφικές παραστάσεις δυο συναρτήσεων f και g . Το πλήθος των διακεκριμένων λύσεων της εξίσωσης  f ( x ) 2  Α.-1) x Β(4. Η ευθεία y  κ θέλουμε να τέμνει τη Β.-2) Α(-3. Τότε πρέπει: Α. 6 x y 4 y=f(x) 3 7. 2 5 f ( x) είναι: Β. 2 O 1 2 8. Το άθροισμα f (2)  g (2) είναι: Α. κ  1 3 y=f(x) Ο Γ(1. 3 y=g(x) 2 1 Δ. 3 Γ. 3] γράψετε τα ακρότατα της συνάρτησης f .51 6. Για καθένα από τα παρακάτω όρια να χρησιμοποιήσετε την αντίστοιχη γραφική παράσταση για να βρείτε την τιμή του ή να προσδιορίσετε ότι δεν υπάρχει. Η γραφική παράσταση μιας συνάρτησης f y φαίνεται στο διπλανό σχήμα. . 4 x y διπλανή γραφική παράσταση της συνάρτησης f σε 4 διαφορετικά σημεία. Με βάση τη διπλανή γραφική παράσταση της συνάρτησης f ( x)  x 2  2 x / A  [0. 4 Δ. κ  2 Δ. να 3 2 1 -1 O 1 2 3 x -1 10.  2  κ  1 .-2) y 9.

52 i) ii) y y y Ο x2 x x3 x y x O x2 x 0 x x lim iii) iv) |x| x y x y y 2 Ο x3 x 0 x lim y 1 ( x 1) 2 2 3 x lim x 0 | x | x x -2 -1 O 1 x lim x 1 v) 1 ( x  1) 2 vi) y y x 1 x 1 2 y 3 1 -1 Ο y 2 1 2 x 1 -1 -2 x2 1 x  1 x  1 -2 lim y y  2  x 1 2 1 O 1 2 x   lim 2  x  1 x 2 -1 O 1 x x3 1 x 1 x  1 lim vii) 3 x 3 1 x 1 .

f (3)  6 και g (3)  5 να βρείτε για x  3 τις παραγώγους των συναρτήσεων f α) f  g β) f  g γ) f  g δ) g 13. y O x x (2) (3) (4) y x O O x y y O y x O O x (α) x O O (1) y y y (β) x (γ) (δ) . 1 1 ii) Αν f ( x)  και f (α )   . Αν h( x)  f ( g ( x)) και g (3)  6 . ποια είναι η τιμή του α. g (3)  4 και f (6)  7 . ποιες τιμές μπορεί να έχει ο α. 2 12. να βρείτε τον αριθμό h(3) . Να αντιστοιχίσετε κάθε συνάρτηση στην παράγωγό της. Αν για τις συναρτήσεις f και g ισχύουν f (3)  4 . g (3)  2 .53 11. x 9 3 iii) Αν f ( x)  ημx και f (α )  . Στην πρώτη γραμμή του παρακάτω πίνακα υπάρχουν οι γραφικές παραστάσεις μερικών συναρτήσεων και στη δεύτερη γραμμή οι παράγωγοι των συναρτήσεων αυτών. 14. i) Αν f ( x)  3x 2 και f (α )  12 . ποιο είναι το σύνολο των τιμών του α.

εκτίμησε τον πληθυσμό του Λονδίνου το έτος αυτό στα 387. κράτος) η οποία. στοιχειώδεις απογραφές φαίνεται να έχουν πραγματοποιηθεί από τους Σίνες. Μπορεί όμως να προέρχεται από την αρχαία ελληνική λέξη στατίζω (τοποθετώ. Επίσης. Στα 1620 ο Άγγλος εμπορευόμενος Graunt από δειγματοληπτική έρευνα που έκανε σε οικογένειες του Λονδίνου βρήκε ότι σε κάθε 88 άτομα υπήρχαν 3 θάνατοι. Ο μεγάλος ρυθμός θνησιμότητας στην Ευρώπη οφειλόταν στις επιδημικές ασθένειες. τα προϊόντα. τους φόρους. οικονομικά και πολιτικά φαινόμενα. συμπεραίνω).. στους πολέμους και στις λιμοκτονίες. τους άνδρες σε στρατεύσιμη ηλικία κτλ. χρησιμοποιήθηκε αρχικά για το χαρακτηρισμό αριθμητικών δεδομένων που αναφέρονται κυρίως στον πληθυσμό μιας χώρας. στην Κίνα από τον αυτοκράτορα Yao. τους Αιγυπτίους και τους Πέρσες.2 ΣΤΑΤΙΣΤΙΚΗ Εισαγωγή Ο όρος “Στατιστική” ενδεχομένως να προέρχεται από τη λατινική λέξη “status” (πολιτεία.200 άτομα. Με την εμφάνιση της Στατιστικής και στα πρώτα στάδια της ανάπτυξής της οι άνθρωποι την ταύτισαν με την παράθεση τεράστιων πινάκων με δεδομένα σχετικά με τους θανάτους. Η αρχαιότερη ίσως συλλογή στατιστικών στοιχείων θεωρείται η απογραφή πληθυσμού που έγινε το 2238 π. και γρήγορα επεκτάθηκε και σε άλλες χώρες της Δυτικής Ευρώπης. Όπως γνωρίζουμε απογραφή πληθυσμού είχε επίσης διαταχθεί και από τον καίσαρα Αύγουστο στην περίοδο της γέννησης του Χριστού. Ο όρος Στατιστική αναφέρεται επίσης και από το Σωκράτη (Ξενοφώντος “Απομνημονεύματα”) και από τον Αριστοτέλη (“Πολιτεία”). Στις αρχικές καταγραφές των θανάτων από την πανώλη.200 θανάτους το 1620.Χ. η συγκέντρωση στατιστικών στοιχείων είχε στόχο τον εντοπισμό των πολιτών που είχαν υποχρέωση να υπηρετήσουν ως πολεμιστές ή να πληρώσουν φόρο. Χρησιμοποιώντας τους καταλόγους του Λονδίνου. τις γεννήσεις. που έδιναν 13. Συστηματική συλλογή δεδομένων για τον πληθυσμό και την οικονομία άρχισε κατά τη διάρκεια της Αναγέννησης στις πόλεις Βενετία και Φλωρεντία στην Ιταλία. προσπαθώντας έτσι να περιγράψουν διάφορα δημογραφικά. . Στην αρχαιότητα. τη φοβερή ασθένεια που εμφανίστηκε το 1348 και κράτησε πάνω από 400 χρόνια. προστέθηκαν στη συνέχεια και οι θάνατοι από άλλες αιτίες. ταξινομώ.

Συμπερασματικά λοιπόν μπορούμε να δώσουμε ως ορισμό της “Στατιστικής” το συνηθέστερο και πλέον γνωστό ορισμό του R. η ραγδαία ανάπτυξη του εμπορίου ώθησε τις πολιτειακές αρχές στη μελέτη οικονομικών δεδομένων. στο τέλος του 11ου αιώνα. σήμερα μπορούμε να διακρίνουμε σε μια στατιστική έρευνα τρία στάδια: Τη συλλογή του στατιστικού υλικού. αναφέρεται σε διάφορες μονάδες παραγωγής της Αγγλίας όπως μεταλλεία. η επαγωγική στατιστική ή στατιστική συμπερασματολογία (inferential statistics) περιλαμβάνει τις μεθόδους με τις οποίες γίνεται η προσέγγιση των χαρακτηριστικών ενός μεγάλου συνόλου δεδομένων. Κοινωνιολογία.A. Λαογραφία. την επεξεργασία και παρουσίασή του και τέλος την ανάλυση αυτού του υλικού και την εξαγωγή χρήσιμων συμπερασμάτων. . όπως είναι το εξαγωγικό εμπόριο. Fisher (1890-1962). Έτσι αν. Η Στατιστική σήμερα χρησιμοποιείται ευρύτατα σε όλους σχεδόν τους τομείς της ανθρώπινης δραστηριότητας. Από τις Ανθρωπιστικές. Τα τρία αυτά στάδια επιτυγχάνονται με την εφαρμογή καταλλήλων για κάθε περίπτωση στατιστικών μεθόδων. όπως και με τη βοήθεια των Υπολογιστών. με τον δεύτερο ασχολείται η περιγραφική στατιστική (descriptive statistics). με τη μελέτη των χαρακτηριστικών ενός μικρού υποσυνόλου των δεδομένων. Από το 16ο έως το 19ο αιώνα. Βασικές έννοιες της Στατιστικής έχουν εισχωρήσει και ενσωματωθεί σε όλες τις επιστήμες. για παράδειγμα. Προβαίνει δηλαδή σε μια επαγωγή από το δείγμα στον πληθυσμό. ο Διευθυντής ενός σχολείου εξετάζοντας ένα δείγμα 100 απουσιών των μαθητών από το σύνολο των απουσιών ενός τριμήνου αναφέρει στο σύλλογο των καθηγητών ότι 20 από τις 100 απουσίες είναι αδικαιολόγητες. Τέλος. Αν όμως αναφέρει ότι το 20% των απουσιών είναι αδικαιολόγητες. τότε συμπεραίνει ότι το ποσοστό των απουσιών όλων των μαθητών του σχολείου είναι (περίπου) το ίδιο με αυτό του δείγματος. Ο κλάδος της Στατιστικής που ασχολείται με τον πρώτο στόχο λέγεται σχεδιασμός πειραμάτων (experimental design) ενώ.56 Μια πραγματικά σπουδαία στατιστική απογραφή στην εποχή του Γουλιέλμου του Κατακτητή. ιχθυοτροφεία κ.ά. πατέρα της σύγχρονης Στατιστικής: Στατιστική είναι ένα σύνολο αρχών και μεθοδολογιών για:  το σχεδιασμό της διαδικασίας συλλογής δεδομένων  τη συνοπτική και αποτελεσματική παρουσίασή τους  την ανάλυση και εξαγωγή αντίστοιχων συμπερασμάτων. οι οποίοι σημείωσαν τεράστια ανάπτυξη στις μέρες μας. τότε απλώς περιγράφει αυτό που παρατήρησε. το πλήθος και η δυναμικότητα των βιομηχανιών κτλ. Νομικές και Κοινωνικές Επιστήμες (Αρχαιολογία. που αποτελεί και το αντικείμενο μελέτης μας στη συνέχεια. Ενώ παλαιότερα η Στατιστική ασχολείτο μόνο με την παράθεση τεράστιων πινάκων με δεδομένα και αναρίθμητων διαγραμμάτων.

την απασχόληση και την ανεργία στη χώρα. την επίδραση της επαγγελματικής απασχόλησης των γυναικών στην οικογενειακή ζωή. κοινωνιολόγοι και πολιτικοί επιστήμονες μελετούν ποικίλα θέματα όπως πρότυπα εσόδων-εξόδων των οικογενειών και των επιχειρήσεων. τις Επιστήμες Υγείας (Ιατρική. Οι έρευνες των ανθρώπινων πληθυσμών (συχνά αναφερόμενες και ως δημοσκοπήσεις) αποτελούν σπουδαίες πηγές βασικής γνώσης των κοινωνικών επιστημών. Παραπάνω έχουν αναφερθεί ελάχιστα από τα πεδία εφαρμογών της Στατιστικής. τις Τεχνολογικές Επιστήμες (Μηχανολογία. Ανάλογα με τα αποτελέσματα διαμορφώνεται και η κυβερνητική πολιτική στα θέματα αυτά. διαπιστώνουμε ολοένα και περισσότερο να γίνεται χρήση μεθόδων της Στατιστικής για την υποστήριξη διάφορων θέσεων. Οικονομολόγοι. Η ανάλυση στατιστικών ερευνών είναι το κυριότερο εργαλείο έρευνας σε ένα μεγάλο φάσμα εφαρμογών των παραπάνω επιστημών. …). Η μελέτη όμως και η γνώση της Στατιστικής βοηθά όχι μόνο στη σωστή χρήση των γνωστών μεθόδων αλλά και στην ανάπτυξη νέων τεχνικών για την αποτελεσματικότερη εξαγωγή χρήσιμων συμπερασμάτων. …). αντικατάσταση ή το κρίσιμο σημείο αντοχής συσκευών ή προσωπικού. στατιστικών στοιχείων. Πολλά προβλήματα που αντιμετωπίζουν σήμερα οι επιχειρήσεις αφορούν τη διατήρηση. Ο διευθυντής μιας βιομηχανίας πρέπει να είναι σε θέση να κατανοεί στατιστικές έρευνες που αφορούν την ποιότητα του προϊόντος και την αποδοτικότητα της παραγωγικής διαδικασίας. Χημεία. Διαφήμηση. για να δώσουν εγκυρότητα στις απόψεις τους και να πείσουν για τα λεγόμενά τους. Ναυπηγική. τις προτιμήσεις των ψηφοφόρων για τους υποψηφίους και τις θέσεις τους. Σήμερα κάθε γιατρός πρέπει να έχει βασικές γνώσεις Στατιστικής που θα τον βοηθήσουν τόσο στην έρευνα όσο και στην καθημερινή άσκηση του κάθε μορφής και είδους ιατρικού ή βιοϊατρικού. Χρηματιστηριακά. γενικότερα. επαγγέλματος.57 Δημογραφία. Marketing. …). τις Φυσικές Επιστήμες (Φυσική. ψυχολόγοι. Ακόμα και σε τηλεοπτικές αντιπαραθέσεις (κυρίως σε προεκλογικές περιόδους) βλέπουμε τους συνομιλητές να κάνουν χρήση αριθμών. Προφανώς μια λεπτομερής περιγραφή όλων των εφαρμογών δεν είναι δυνατή. …) μέχρι τις Επιστήμες Οικονομίας και Διοίκησης (Οικονομικά. 2. βλέπουμε να υπεισέρχεται η Στατιστική είτε με την αρχική περιγραφική μορφή της είτε με τις προηγμένες αναλυτικές τεχνικές της. Η Εθνική Στατιστική Υπηρεσία κάθε χώρας διενεργεί σε τακτά χρονικά διαστήματα δειγματοληπτικές έρευνες. Βιολογία. γραφημάτων και διαγραμμάτων. για να πάρει πληροφορίες για τον πληθωρισμό. Πρέπει επίσης να αντιλαμβάνεται την αποτελεσματικότητα της διαφήμισης και τις προτιμήσεις του καταναλωτή σε μια έρευνα αγοράς.1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ . …). Πέρα από όλα αυτά. Συμβουλευόμενος και τον στατιστικό μπορεί να πάρει σωστές αποφάσεις αναφορικά με την επέκταση ή μη της επιχείρησης. τις συγκοινωνιακές και ταξιδιωτικές συνήθειες των κατοίκων μιας πόλης. Φαρμακευτική. Αστρονομία. Τοπογραφία.

μέτριο. Από τη διαδοχική εξέταση των ατόμων του πληθυσμού ως προς ένα χαρακτηριστικό τους προκύπτει μια σειρά από δεδομένα. Οι δυνατές όμως τιμές που μπορεί να πάρει η μεταβλητή “ομάδα αίματος” είναι οι εξής τέσσερις: Α. Β. ποιο “κόμμα” π. Τέτοιες είναι. Τα στοιχεία του πληθυσμού συχνά αναφέρονται και ως μονάδες ή άτομα του πληθυσμού. Ο. για παράδειγμα. το φύλο (με τιμές αγόρι. Y . το βάρος. που λέγονται στατιστικά δεδομένα ή παρατηρήσεις. Τα στατιστικά δεδομένα δεν είναι κατ’ανάγκη διαφορετικά. ΑΒ και Ο. καρκίνος κτλ). που μπορεί να χαρακτηριστεί ως υψηλό. καθώς και το ενδιαφέρον των μαθητών για τη Στατιστική. κορίτσι). Ένα τέτοιο σύνολο λέγεται πληθυσμός (population). τα στατιστικά δεδομένα ή παρατηρήσεις που θα προκύψουν μπορεί να είναι: Α. αν εξετάζουμε την ομάδα αίματος δέκα ατόμων. Β. Σε ποιοτικές ή κατηγορικές μεταβλητές. ΑΒ. ΑΒ.58 Πληθυσμός . αυτό που μας ενδιαφέρει είναι να εξετάσουμε τα στοιχεία ενός συνόλου ως προς ένα ή περισσότερα χαρακτηριστικά τους. B. μέτρια. την ομάδα αίματος και το φύλο των μαθητών της Γ΄ τάξης Λυκείου δ) τις συνέπειες του καπνίσματος στην υγεία των καπνιστών κτλ. Στο πρώτο παράδειγμα έχουμε το σύνολο των ψηφοφόρων και μας ενδιαφέρει η προτίμησή τους. Οι δυνατές τιμές που μπορεί να πάρει μια μεταβλητή λέγονται τιμές της μεταβλητής. χαμηλό ή μηδαμινό. Β. Στο τρίτο παράδειγμα έχουμε το σύνολο των μαθητών της Γ΄ Λυκείου και μας ενδιαφέρουν τα τέσσερα χαρακτηριστικά τους: ύψος. Ο). Σε καθένα από τα παραδείγματα αυτά έχουμε ένα σύνολο και θέλουμε να εξετάσουμε τα στοιχεία του ως προς ένα ή περισσότερα χαρακτηριστικά τους. Για παράδειγμα. η ομάδα αίματος (με τιμές Α. ΑΒ. Α.χ. των οποίων οι τιμές τους δεν είναι αριθμοί. Z . οι συνέπειες του καπνίσματος (με τιμές καρδιακά νοσήματα.. καλή ή πολύ καλή). Τις μεταβλητές τις διακρίνουμε: 1. ΑΒ. Αυτό συμβαίνει. για παράδειγμα. Β. .Μεταβλητές Όπως αναφέρθηκε και προηγουμένως. ΑΒ. Α. Τα χαρακτηριστικά ως προς τα οποία εξετάζουμε έναν πληθυσμό λέγονται μεταβλητές (variables) και τις συμβολίζουμε συνήθως με τα κεφαλαία γράμματα X . .. Ο. όταν ενδιαφερόμαστε για: α) τις προτιμήσεις των ψηφοφόρων εν όψει των προσεχών εκλογών β) τον αριθμό των υπαλλήλων μιας επιχείρησης γ) το ύψος. ομάδα αίματος και φύλο. όπως επίσης και η οικονομική κατάσταση και η υγεία των ανθρώπων (που μπορεί να χαρακτηριστεί ως κακή. βάρος. υποστηρίζουν.

Κάνει τις παρατηρήσεις . Επίσης ο κόπος. για παράδειγμα. Εξάλλου ένας κατασκευαστής εκρηκτικών μηχανισμών ή ηλεκτρικών λυχνιών είναι αδύνατο να δοκιμάζει όλους τους παραγόμενους μηχανισμούς. Τέτοιες μεταβλητές είναι. Τέτοιες μεταβλητές είναι το ύψος και το βάρος των μαθητών της Γ΄ Λυκείου. οικονομικού. εμπορικού και βιομηχανικού χαρακτήρα.…. το αποτέλεσμα της ρίψης ενός ζαριού (με τιμές 1. για να προσδιορίσει τι αντίληψη έχουν για τις θέσεις του. η οποία αποτελεί κύρια πηγή δεδομένων δημογραφικού.2. Η μέθοδος αυτή συλλογής των δεδομένων καλείται απογραφή (census). για παράδειγμα. ιδίως όταν ο πληθυσμός που εξετάζεται είναι αρκετά μεγάλος.…).6) κτλ. που μπορούν να πάρουν αποιαδήποτε τιμή ενός διαστήματος πραγματικών αριθμών (α. η διάρκεια μιας τηλεφωνικής συνδιάλεξης κτλ. για να ελέγχει την αποτελεσματικότητά τους. των οποίων οι τιμές είναι αριθμοί και διακρίνονται: i) Σε διακριτές μεταβλητές. ο χρόνος και τα έξοδα που χρειάζονται για τη διεξαγωγή μιας απογραφής είναι πολλές φορές αρκετά μεγάλα. Η τελευταία απογραφή έγινε το 1991. Συλλογή Στατιστικών Δεδομένων Ένας τρόπος για να πάρουμε τις απαραίτητες πληροφορίες που χρειαζόμαστε για κάποιο πληθυσμό είναι να εξετάσουμε όλα τα άτομα (στοιχεία) του πληθυσμού ως προς το χαρακτηριστικό που μας ενδιαφέρει. β ) . Ένας υποψήφιος βουλευτής. ή όλες τις παραγόμενες λυχνίες για να ελέγχει το χρόνο ζωής τους.2. Ομοίως ο γιατρός για να υπολογίσει την αποτελεσματικότητα ενός νέου φαρμάκου στην καταπολέμηση μιας ασθένειας είναι αδύνατο να περιμένει να δοκιμαστεί το φάρμακο σε όλα τα άτομα που πάσχουν από τη συγκεκριμένη ασθένεια. Σε πολλές όμως περιπτώσεις η εξέταση όλων των μονάδων του πληθυσμού είναι δύσκολη ή ακόμα και αδύνατη. ii) Σε συνεχείς μεταβλητές. το οποίο καλείται δείγμα. Σε ποσοτικές μεταβλητές. πριν από τις εκλογές είναι δύσκολο να εξετάσει όλους τους ψηφοφόρους. ο χρόνος που χρειάζονται οι μαθητές να απαντήσουν στα θέματα μιας εξέτασης. Όπου λοιπόν η απογραφή είναι δύσκολη.59 2. ο ερευνητής μαζεύει πληροφορίες από κάποια μικρή ομάδα ή υποσύνολο του πληθυσμού. η Στατιστική Υπηρεσία της χώρας μας (ΕΣΥΕ) κάνει κάθε 10 χρόνια απογραφή του πληθυσμού. Για παράδειγμα. ο αριθμός των υπαλλήλων μιας επιχείρησης (με τιμές 1. που παίρνουν μόνο “μεμονωμένες” τιμές. αδύνατη ή οικονομικά και χρονικά ασύμφορη.

Οι αρχές και οι μέθοδοι για τη συλλογή και ανάλυση δεδομένων από πεπερασμένους πληθυσμούς είναι το αντικείμενο της Δειγματοληψίας (Sampling). θα ισχύουν δηλαδή με ικανοποιητική ακρίβεια για ολόκληρο τον πληθυσμό. Γενικά. εάν έχει επιλεγεί κατά τέτοιο τρόπο. Για παράδειγμα. ώστε κάθε μονάδα του πληθυσμού να έχει την ίδια δυνατότητα να επιλεγεί. Παρουσιάζεται έτσι η ανάγκη πρόσληψης και εκπαίδευσης μεγάλου αριθμού υπαλλήλων. αν η επιλογή του δείγματος γίνει με σωστό τρόπο.000 ατόμων πρόβλεψε νίκη του Landon με ποσοστό 57%. μπορούμε να πούμε ότι η οργάνωση της συλλογής και επεξεργασίας των σχετικών δεδομένων και πληροφοριών γίνεται κατά τρόπο που για δεδομένη ακρίβεια να επιτυγχάνεται το χαμηλότερο δυνατό κόστος ή. Αξίζει να σημειωθεί ότι μία “προσεκτική” επιλογή μικρότερου δείγματος είναι δυνατόν να δώσει καλύτερα αποτελέσματα από ένα μεγαλύτερο δείγμα που δεν έχει εκλεγεί κατάλληλα. η μη αντιπροσωπευτικότητα του δείγματος. να εξασφαλίζεται η μέγιστη δυνατή ακρίβεια την οποίαν επιτρέπουν τα μέσα που διαθέτουμε. Gallup χρησιμοποιώντας δείγμα 50.60 του στο δείγμα αυτό και μετά γενικεύει τα συμπεράσματά του για ολόκληρο τον πληθυσμό.000 ατόμων πρόβλεψε το σωστό αποτέλεσμα που ήταν νίκη του Roosvelt με ποσοστό 62%! Η παταγώδης αποτυχία της δημοσκόπησης του περιοδικού οφειλόταν στο γεγονός ότι το δείγμα που επελέγη δεν ήταν αντιπροσωπευτικό του πληθυσμού. Η επιλογή του αντιπροσωπευτικού δείγματος είναι “εκ των ων ουκ άνευ”. Στην πράξη. αντιστρόφως. Από την άλλη πλευρά. Ενδεικτικό είναι το παράδειγμα των προεδρικών εκλογών των ΗΠΑ το 1936. Τα συμπεράσματα όμως που θα προκύψουν από τη μελέτη του δείγματος θα είναι αξιόπιστα. το δημοσκοπικό γραφείο του G.400. αντιπροσωπευτικό του πληθυσμού. ΑΣΚΗΣΕΙΣ . πολλές φορές χρησιμοποιούνται ανεπαρκώς εκπαιδευμένοι απογραφείς με κίνδυνο να σημειώνονται λάθη οφειλόμενα σ’αυτούς. ο μη σωστός καθορισμός του μεγέθους του δείγματος αποτελούν μερικά βασικά μειονεκτήματα στη διαδικασία επιλογής ενός δείγματος. Το περιοδικό Literary Digest χρησιμοποιώντας δείγμα 2. εκτιμάται ότι η επόμενη απογραφή του 2001 θα κοστίσει στον κρατικό προϋπολογισμό περίπου 20 δις δραχμές. στις απογραφές απαιτείται συνήθως μεγάλος αριθμός απογραφέων. ώστε το δείγμα να είναι. που αποτελεί τη βάση της Στατιστικής. όπως λέμε. Λόγω του μεγάλου χρόνου και κυρίως των σημαντικών εξόδων που απαιτούνται. ένα δείγμα θεωρείται αντιπροσωπευτικό ενός πληθυσμού. Αντίθετα. Ο κακός σχεδιασμός και η εκτέλεση της στατιστικής έρευνας. Αποτελεί πολύ σοβαρή και δύσκολη διαδικασία.

Τηλεφωνεί λοιπόν σε συγγενείς και φίλους του και τους ρωτάει σχετικά. 4. Ποιος είναι. β) μόνο γυναίκες. γ) Για να εκτιμήσουμε το κατά κεφαλή εισόδημα των Ελλήνων παίρνουμε ένα δείγμα από το Κολωνάκι των Αθηνών. Στις παρακάτω περιπτώσεις ποιες μπορεί να είναι οι μεταβλητές που μας ενδιαφέρουν. Είναι καλύτερο να πάρουμε: α) μόνο άνδρες. γ) Εξετάζουμε ένα δείγμα τηλεθεατών. Για να βρούμε ποιες εκπομπές στην τηλεόραση έχουν τη μεγαλύτερη ακροαματικότητα αποφασίσαμε να πάρουμε δείγμα 500 τηλεθεατών. Γι’αυτό τον λόγο πήρε ως δείγμα όσους απουσίασαν το Νοέμβριο.2 ΠΑΡΟΥΣΙΑΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ . Από τις ποσοτικές ποιες είναι διακριτές και ποιες συνεχείς. Τι έχετε να παρατηρήσετε για τα παρακάτω επιλεγόμενα δείγματα. πηγαίνουμε σε μια μεγάλη στρατιωτική μονάδα και ρωτάμε όλους τους στρατιώτες. ο καλύτερος από τους παρακάτω τρόπους. α) Για να βρούμε τα ποσοστά των ανδρών και των γυναικών στην Ελλάδα. ε) άτομα από διάφορες περιοχές. για να πάρουμε το δείγμα. κατά τη γνώμη σας. Ποιες από τις παρακάτω μεταβλητές είναι ποιοτικές και ποιες ποσοτικές. 2. γ) άτομα από τις μεγάλες πόλεις δ) άτομα μόνο από την επαρχία. δ) Εξετάζουμε το χρόνο συμμετοχής και τον αριθμό πόντων που επιτυγχάνουν οι καλαθοσφαιριστές μιας ομάδας σε έναν αγώνα. δ) Για να δούμε πώς διασκεδάζουν οι νέοι της χώρας μας επιλέγουμε κάποιους μαθητές από διάφορα Λύκεια της Αττικής. β) Κάποιος θέλει να σχηματίσει μια ιδέα για το αποτέλεσμα των επερχόμενων βουλευτικών εκλογών. 3. Να γίνει η διάκρισή τους σε ποιοτικές ή ποσοτικές και να αναφερθούν μερικές δυνατές τιμές τους: α) Εξετάζουμε ένα δείγμα υπαλλήλων μιας εταιρείας β) Εξετάζουμε ένα δείγμα προϊόντων από μια παραγωγή. πόσοι άνδρες και πόσες γυναίκες υπάρχουν στην οικογένειά τους. α) Βάρος στ) Τόπος καταγωγής β) Αριθμός τροχαίων ατυχημάτων ζ) Επάγγελμα γ) Φύλο η) Αριθμός παιδιών στην οικογένεια δ) Οικογενειακή κατάσταση θ) Βαθμολογία στο σκάκι ε) Στάθμη της λίμνης του Μαραθώνα ι) Νούμερο γυναικείων παπουτσιών.61 1. ε) Ο διευθυντής ενός Λυκείου αποφάσισε να καταγράψει τους λόγους της απουσίας των μαθητών από το Λύκειο κατά τη διάρκεια της ακαδημαϊκής χρονιάς. 2.

85 6. ώστε να είναι εύκολη η κατανόησή τους και η εξαγωγή σωστών συμπερασμάτων.40 Εκτίμηση 1993 1. που γράφεται στο επάνω μέρος του πίνακα και δηλώνει με σαφήνεια και συνοπτικά το περιεχόμενο του πίνακα. . Η παρουσίαση των στατιστικών δεδομένων σε πίνακες γίνεται με την κατάλληλη τοποθέτηση των πληροφοριών σε γραμμές και στήλες. Πίνακας 1 Πληθυσμός της Ελλάδος (σε εκατομμύρια) κατά μεγάλες ομάδες ηλικιών Ηλικία Απογραφή (σε έτη) 1971 0-14 2. με τρόπο που να διευκολύνεται η σύγκριση των στοιχείων και η καλύτερη ενημέρωση του αναγνώστη σχετικά με τη δομή του πληθυσμού που ερευνάμε. όταν επιθυμεί.19 1. που περιέχει διαχωρισμένα μέσα στις γραμμές και στις στήλες τα στατιστικά δεδομένα. β) τις επικεφαλίδες των γραμμών και στηλών. 1996 Απογραφή 1981 2.58 Πίνακας 2 Επιφάνεια και πληθυσμός των κατοικημένων νησιών της Ελλάδας με πληθυσμό. κατά την απογραφή του 1991.22 15-64 5. γ) το κύριο σώμα (κορμό).58 0. που δείχνουν συνοπτικά τη φύση και τις μονάδες μέτρησης των δεδομένων. β) ειδικούς πίνακες. Οι πίνακες διακρίνονται στους: α) γενικούς πίνακες.000 κατοίκων.62 Στατιστικοί Πίνακες Μετά τη συλλογή των στατιστικών δεδομένων είναι αναγκαία η κατασκευή συνοπτικών πινάκων ή γραφικών παραστάσεων. δ) την πηγή.81 7.97 6.54 Εκτίμηση 1994 1. Κάθε πίνακας που έχει κατασκευαστεί σωστά πρέπει να περιέχει: α) τον τίτλο. άνω των 10.24 Απογραφή 1991 1.99 1.04 1. οι οποίοι περιέχουν όλες τις πληροφορίες που προκύπτουν από μία στατιστική έρευνα (συνήθως με αρκετά λεπτομερειακά στοιχεία) και αποτελούν πηγές στατιστικών πληροφοριών στη διάθεση των επιστημόνων-ερευνητών για παραπέρα ανάλυση και εξαγωγή συμπερασμάτων. για επαλήθευση στοιχείων ή για λήψη περισσότερων πληροφοριών. οι οποίοι είναι συνοπτικοί και σαφείς.96 65 Πηγή: ΕΣΥΕ. Τα στοιχεία τους συνήθως έχουν ληφθεί από τους γενικούς πίνακες. έτσι ώστε ο αναγνώστης να ανατρέχει σ’αυτήν.31 6. που διευκρινίζουν την εφαρμογή των προηγούμενων εννοιών. Παρακάτω δίνονται μερικοί στατιστικοί πίνακες.88 1. που γράφεται στο κάτω μέρος του πίνακα και δείχνει την προέλευση των στατιστικών στοιχείων.

527 19. Απογραφή 1991 Πληθυσμός κατά τις απογραφές 1971 456.180 14.664 17. Κρήτη 8.700 27.870 11.986 97.612 Νάξος 389.721 30.831 48.082 185.639 Πίνακας 3 Εργατικά ατυχήματα κατά ομάδες ηλικιών Έτη 1990-94 Ηλικία 1990 1991 1992 1993 1994 Κάτω των 15 18 9 10 16 5 15-19 731 564 437 735 442 20-24 3323 2785 2755 2981 2696 25-29 4277 3921 4246 3881 3717 30-34 3952 3700 3388 3348 3282 35-39 3589 3146 3233 3230 3000 40-44 3237 2803 2911 2880 2903 45-49 2839 2593 2784 2608 2403 50-54 2727 2564 2286 2095 1877 55-59 2304 2230 2185 1699 1664 60-64 728 720 688 420 523 65-69 121 150 140 66 96 Σύνολο 27846 25185 25063 23959 22608 Πηγή: ΙΚΑ.796 Κεφαλληνία 734.581 Σαλαμίνα 91. Βαθμός Ύψος Ύψος .502 87.127 1991 539.065 18.503 Σύρος 84.661.706 34.942 Λήμνος 476.998 Ρόδος 1.611 Κάλυμνος 110.645 32.629 15.367 30.111 19.459 Χίος 842.288 Ζάκυνθος 406.642 9.601 87.626 88.635.060 29.787 89.533 31.917 16.097 23.272 19.637 Λέσβος 1.014 Κέρκυρα 585.553 1981 502.312 Σάμος 477.947 20.938 205.011 14.183 Εύβοια 3. Ελληνικό Ινστιτούτο Υγιεινής και Ασφάλειας τηςΕργασίας Πίνακας 4 Χαρακτηριστικά 40 μαθητών Γ΄ τάξης ενός Λυκείου.032 17.316 22.201 13.672 Λευκάδα 301.401.578 32.471 162.350 14.487 31.350 26.χμ.037 13.392 104.151 98.014 Πηγή: ΕΣΥΕ.181 51.008 66.434 Θάσος 383.649 96.63 Κατοικημένες Επιφάνεια νήσοι σε τ.606 52.650 13.295 28.668 11.261.574 19.556 14.379 15.781 33.106 Κως 287.069 Αίγινα 77.838 13.

3:Διασκέδαση . Πίνακες Κατανομής Συχνοτήτων 168 165 160 162 168 168 162 174 160 170 164 165 170 169 165 174 173 170 161 168 158 165 165 162 157 170 165 167 170 170 172 167 158 165 160 160 163 170 167 162 . ’98). 4:Μουσική.64 α.α Φύλο Ασχολία * Αριθμός αδελφών μαθηματικών Ύψος Βάρος πατέρα Β΄ λυκείου (cm) (Kg) (cm) μητέρας (cm) 1 K 4 1 15 170 60 172 2 A 1 0 17 180 68 185 3 K 4 2 12 178 62 181 4 K 5 1 18 165 47 180 5 K 5 0 15 170 54 180 6 K 4 3 16 168 56 185 7 K 4 2 15 175 58 193 8 A 4 1 15 175 72 174 9 A 2 3 13 173 67 182 10 K 3 1 15 162 50 176 11 K 4 1 16 160 51 176 12 A 2 1 11 170 58 182 13 K 7 3 20 167 50 174 14 A 1 1 18 177 81 177 15 A 1 0 17 180 70 170 16 K 2 2 19 170 63 165 17 A 2 0 14 182 71 176 18 A 7 2 17 178 73 182 19 K 4 1 14 165 58 180 20 A 5 1 16 178 74 173 21 K 5 1 12 156 44 170 22 K 5 1 13 175 53 170 23 A 5 2 18 172 60 178 24 K 6 1 16 173 64 182 25 K 6 2 14 167 57 172 26 A 5 0 14 187 85 185 27 K 6 1 17 170 62 180 28 A 3 1 12 180 80 180 29 A 3 0 15 178 73 173 30 A 2 1 10 191 86 180 31 A 2 0 16 176 65 180 32 K 4 1 12 169 57 170 33 K 4 2 14 167 61 179 34 K 4 1 19 166 62 178 35 A 3 1 19 179 76 178 36 A 3 1 16 178 68 180 37 A 5 1 19 180 85 170 38 K 5 1 19 164 64 184 39 K 3 0 15 170 63 165 40 K 4 1 15 173 63 186 *1: Υπολογιστές. 2:Αθλητισμός.Ντίσκο. 5:Τηλεόραση -Κινηματογράφος. 6:Διάβασμα εξωσχολικών βιβλίων. 7:Άλλο Πηγή: Δειγματοληπτική έρευνα μεταξύ μαθητών 1ου Λυκείου Αμαρουσίου (Σεπτ.

αντίστοιχα. κ . Διατρέχοντας με τη σειρά τη λίστα των δεδομένων καταγράφουμε κάθε παρατήρηση με συμβολικό τρόπο σαν μια γραμμή “ | ” στην αντίστοιχη τιμή της μεταβλητής.175 0.  ν κ ν ν1 ν 2   . για τη μεταβλητή Χ: “αριθμός αδελφών” του πίνακα 4 οι συχνότητες για τις τιμές x1  0 .. Πίνακας 5 Κατανομή συχνοτήτων της μεταβλητής Χ: “αριθμός αδελφών” των μαθητών του πίνακα 4.075 20. x3  2 . αφού ν ν  ν 2  . Στην τιμή xi αντιστοιχίζεται η (απόλυτη) συχνότητα (frequency) νi . ν Για τη σχετική συχνότητα ισχύουν οι ιδιότητες: fi  (2) (i) 0  f i  1 για i  1..0 55. ν ν ν ν ν Συνήθως.  f κ  1 . όπως φαίνεται στον παρακάτω πίνακα 5. x 4  3 είναι. ν1  8 .5 7. Αριθμός αδελφών Διαλογή Συχνότητα xi 0 1 2 3 |||| ||| |||| |||| |||| |||| | |||| || ||| | Σύνολο: Σχετική Συχνότητα Σχετική Συχνότητα νi fi fi % 8 22 7 3 0. ν 2  22 . x κ είναι οι τιμές μιας μεταβλητής Χ. προκύπτει η σχετική συχνότητα (relative frequency) f i της τιμής x i ..  ν κ  v (1) Για παράδειγμα....2. δηλαδή νi . που αφορά τα άτομα ενός δείγματος μεγέθους v. x 2 .  f κ  . ν 4  3 με ν1  ν 2  ν3  ν 4  40 ..2. i  1.550 0. δηλαδή ο φυσικός αριθμός που δείχνει πόσες φορές εμφανίζεται η τιμή xi της εξεταζόμενης μεταβλητής Χ στο σύνολο των παρατηρήσεων.. Είναι φανερό ότι το άθροισμα όλων των συχνοτήτων είναι ίσο με το μέγεθος ν του δείγματος.0 17.000 100. (ii) f 1  f 2  .... ν3  7 ... κ αφού 0  νi  ν .. Ο υπολογισμός των συχνοτήτων γίνεται με τη διαλογή των παρατηρήσεων. x 2  1 . δηλαδή: ν1  ν 2  .200 0...5 40 1...  κ  1   1..65 Ας υποθέσουμε ότι x1 . οπότε f 1  f 2  ...0 Αν διαιρέσουμε τη συχνότητα νi με το μέγεθος ν του δείγματος.. τις σχετικές συχνότητες f i τις εκφράζουμε επί τοις εκατό. κ  ν .

20 . f i %) . F2 %  75% .. f 2 %  55% .2. Για μια μεταβλητή. x 2 . οι σχετικές συχνότητες για τις τιμές x1  0 .20 . N 3  ν1  ν 2  ν 3  37 και N 4  ν1  ν 2  ν 3  ν 4  ν  40 . F3  f 1  f 2  f 3  0.55  0. ν 2  N 2  N 1 .66 συμβολίζονται με f i % .. x 3  2 . F3 %  92.. Για παράδειγμα. f 2   0. Συχνά οι Fi πολλαπλασιάζονται επί 100 εκφραζόμενες έτσι επί τοις εκατό. x 2  1 ... δηλαδή Fi %  100 Fi . Οι ποσότητες xi . N 2  ν1  ν 2  30 . οπότε F1  f 1  0.. x 4  3 της μεταβλητής Χ: “αριθμός αδελφών΄” είναι αντιστοίχως: 8 22 7 3 f1   0. οι οποίες εκφράζουν το πλήθος και το ποσοστό αντίστοιχα των παρατηρήσεων που είναι μικρότερες ή ίσες της τιμής xi .20  0. Συνεπώς f 1 %  20% . Αθροιστικές Συχνότητες Στην περίπτωση των ποσοτικών μεταβλητών εκτός από τις συχνότητες νi και f i χρησιμοποιούνται συνήθως και οι λεγόμενες αθροιστικές συχνότητες (cumulative frequencies) N i και οι αθροιστικές σχετικές συχνότητες (cumulative relative frequencies) Fi . f 3   0.925 και F4  f 1  f 2  f 3  f 4  1 .075  1 . βλέπε πίνακα 6.5% και f 4 %  7. για τη μεταβλητή Χ: “αριθμός αδελφών” του πίνακα 4 είναι N 1  ν1  8 . F2  f 1  f 2  0. x κ μιας ποσοτικής μεταβλητής Χ είναι σε αύξουσα διάταξη. νi . Όμοια. Αν οι τιμές x1 .. τότε η αθροιστική συχνότητα της τιμής xi είναι N i  ν1  ν 2  .. Είναι φανερό ότι ισχύουν οι σχέσεις: ν1  N 1 ..75 ..075 με 40 40 40 40 f 1  f 2  f 3  f 4  0.5% με f 1 %  f 2 %  f 3 %  f 4 %  100% . f i . νi . ή των ζευγών ( xi ..5% και F4 %  100% .. νi ) λέμε ότι αποτελεί την κατανομή συχνοτήτων και το σύνολο των ζευγών ( xi . f i για ένα δείγμα συγκεντρώνονται σε ένα συνοπτικό πίνακα. δηλαδή f i %  100 f i ... την κατανομή των σχετικών συχνοτήτων.55 . κ . που ονομάζεται πίνακας κατανομής συχνοτήτων ή απλά πίνακας συχνοτήτων. Στον πίνακα 5 παρουσιάζονται οι κατανομές συχνοτήτων και σχετικών συχνοτήτων της μεταβλητής Χ: “αριθμός αδελφών” των μαθητών του πίνακα 4. ν κ  N κ  N κ 1 . το σύνολο των ζευγών ( xi .175  0..175 και f 4   0. οπότε F1 %  20% . για i 1.. f i ) . Για παράδειγμα. η αθροιστική σχετική συχνότητα είναι Fi  f1  f 2  . f 3 %  17.

Αθροισ. γ) το υπόμνημα που επεξηγεί συνήθως τις τιμές της μεταβλητής και δ) την πηγή των δεδομένων. Συχν.200 0.0 Αθροιστική Σχετ. Ni Fi Fi % 8 30 37 40 — 0. Στον πίνακα 7 έχουμε την κατανομή συχνοτήτων της μεταβλητής Χ: “απασχόληση στον . Αριθμός αδελφών Συχνότητα Σχετ. f κ  Fκ  Fκ 1 . Οι γραφικές παραστάσεις παρέχουν πιο σαφή εικόνα του χαρακτηριστικού σε σχέση με τους πίνακες. είναι πολύ πιο ενδιαφέρουσες και ελκυστικές.000 20.0 — Γραφική Παράσταση Κατανομής Συχνοτήτων Τα στατιστικά δεδομένα παρουσιάζονται πολλές φορές και υπό μορφή γραφικών παραστάσεων ή διαγραμμάτων.0 75. Συχν. Υπάρχουν διάφοροι τρόποι γραφικής παρουσίασης.550 0.0 55.000 — 20..5 100.200 0. β) την κλίμακα με τις τιμές των μεγεθών που απεικονίζονται. Επί πλέον με τα διαγράμματα διευκολύνεται η σύγκριση μεταξύ ομοειδών στοιχείων για το ίδιο ή για διαφορετικά χαρακτηριστικά. Όπως όμως οι στατιστικοί πίνακες έτσι και τα στατιστικά διαγράμματα πρέπει να συνοδεύονται από α) τον τίτλο. Το ραβδόγραμμα αποτελείται από ορθογώνιες στήλες που οι βάσεις τους βρίσκονται πάνω στον οριζόντιο ή τον κατακόρυφο άξονα.0 92.750 0. Πίνακας 6 Κατανομή συχνοτήτων και αθροιστικών συχνοτήτων της μεταβλητής “αριθμός αδελφών” των μαθητών του πίνακα 4.075 1. α) Ραβδόγραμμα Το ραβδόγραμμα (barchart) χρησιμοποιείται για τη γραφική παράσταση των τιμών μιας ποιοτικής μεταβλητής.925 1. Τόσο η απόσταση μεταξύ των στηλών όσο και το μήκος των βάσεών τους καθορίζονται αυθαίρετα. χωρίς βέβαια να προσφέρουν περισσότερη πληροφορία από εκείνη που περιέχεται στους αντίστοιχους πίνακες συχνοτήτων. Συχν. Έτσι έχουμε αντίστοιχα το ραβδόγραμμα συχνοτήτων και το ραβδόγραμμα σχετικών συχνοτήτων.. Σχετ.175 0. f 2  F2  F1 . Συχν..5 100.5 7. Συχν.0 17. xi νi fi fi % 0 1 2 3 Σύνολο: 8 22 7 3 40 0. ανάλογα με το είδος των δεδομένων που έχουμε.. Αθροιστική Σχετ. Σε κάθε τιμή της μεταβλητής Χ αντιστοιχεί μια ορθογώνια στήλη της οποίας το ύψος είναι ίσο με την αντίστοιχη συχνότητα ή σχετική συχνότητα.67 και f1  F1 .

βιβλ.150 0.5 22. τότε κατασκευάζουμε το ραβδόγραμμα σχετικών συχνοτήτων του σχήματος 1(γ). όπως προκύπτει από τον πίνακα 4.5 15. Πίνακας 7 Κατανομή συχνοτήτων για την απασχόληση στον ελεύθερο χρόνο τους των μαθητών του πίνακα 4.1 0. βιβλ.150 0.3 (β) Ραβδόγραμμα συχνοτήτων (α) και σχετικών συχνοτήτων (β) για την απασχόληση των μαθητών του πίνακα 7. όπως φαίνεται στο σχήμα 1(β).075 0. Βιβλίων Άλλο 3 6 6 11 9 3 2 40 0.075 0. που παριστάνεται το ραβδόγραμμα σχετικών συχνοτήτων της ίδιας μεταβλητής. 4 Μουσική Τηλεόραση Κινηματογρ. Απασχόληση Συχνότητα Σχετική συχνότητα Σχετική συχνότητα xi νi fi fi % Υπολογιστές Αθλητισμός Διασκέδαση-ντίσκο Μουσική Τηλεόραση-Κινηματογράφος.275 0. Μουσική ΤηλεόρασηΚινηματογρ.0 100.225 0.0 27. vi 12 Άλλο 10 Διασκέδαση 0 Αθλητισμός Άλλο 2 Διάβασμα εξωσχ. (β) τα αντίστοιχα ραβδογράμματα συχνοτήτων και σχετικών συχνοτήτων.050 1.5 5.000 7. Αν θέλουμε να συγκρίνουμε τον τρόπο που περνούν τον ελεύθερο χρόνο τους τα αγόρια και τα κορίτσια.0 15. . Διάβασμα εξωσχ.2 fi 0.68 ελεύθερο χρόνο” και στα σχήματα 1(α).0 i 1 2 3 4 5 6 7 Σύνολο: Μερικές φορές σε ένα ραβδόγραμμα συχνοτήτων ο ρόλος των δύο αξόνων είναι δυνατόν να αντιστραφεί.5 7. H/Y 8 1 Η/Υ 0 (α) 0. Διασκέδαση Ντίσκο 6 Αθλητισμός Διάβασμα εξωσχ.

69

fi %

50

1

45
40
35

Αγόρια

Κορίτσια

30
25
20
15
10
5
0

Η/Υ

Αθλητισμός

Διασκέδαση

Μουσική

Τηλεόραση- Διάβασμα
Άλλο
Κινηματογράφος εξωσχ. βιβλίων

(γ)
Ραβδόγραμμα σχετικών συχνοτήτων για την απασχόληση των μαθητών του πίνακα 4
ανάλογα με το φύλο.

β) Διάγραμμα Συχνοτήτων
Στην περίπτωση που έχουμε μια ποσοτική μεταβλητή αντί του ραβδογράμματος
χρησιμοποιείται το διάγραμμα συχνοτήτων (line diagram). Αυτό μοιάζει με το
ραβδόγραμμα με μόνη διαφορά ότι αντί να χρησιμοποιούμε συμπαγή
ορθογώνια υψώνουμε σε κάθε xi (υποθέτοντας ότι x1  x 2 ... x κ ) μία κάθετη
γραμμή με μήκος ίσο προς την αντίστοιχη συχνότητα, όπως φαίνεται στο σχήμα
2(α). Μπορούμε επίσης αντί των συχνοτήτων νi στον κάθετο άξονα να
βάλουμε τις σχετικές συχνότητες f i , οπότε έχουμε το διάγραμμα σχετικών
συχνοτήτων.
Ενώνοντας τα σημεία ( xi , νi ) ή ( xi , f i ) έχουμε το λεγόμενο πολύγωνο
συχνοτήτων ή πολύγωνο σχετικών συχνοτήτων, αντίστοιχα, που μας δίνουν
μια γενική ιδέα για τη μεταβολή της συχνότητας ή της σχετικής συχνότητας
όσο μεγαλώνει η τιμή της μεταβλητής που εξετάζουμε, βλέπε σχήμα 2(β).
25

νi

25

νi

20

20

15

15

10

10

5

5

0

2

0
0

1
2
αδέλφια

3

0

1
2
αδέλφια

3

(α)
(β)
Διάγραμμα συχνοτήτων (α) και πολύγωνο συχνοτήτων (β) για τη μεταβλητή
“αριθμός αδελφών” του πίνακα 4.

70

γ) Κυκλικό Διάγραμμα
Το κυκλικό διάγραμμα (piechart) χρησιμοποιείται για τη γραφική παράσταση
τόσο των ποιοτικών όσο και των ποσοτικών δεδομένων, όταν οι διαφορετικές
τιμές της μεταβλητής είναι σχετικά λίγες. Το κυκλικό διάγραμμα είναι ένας
κυκλικός δίσκος χωρισμένος σε κυκλικούς τομείς, τα εμβαδά ή ,ισοδύναμα, τα
τόξα των οποίων είναι ανάλογα προς τις αντίστοιχες συχνότητες νi ή τις
σχετικές συχνότητες f i των τιμών xi της μεταβλητής. Αν συμβολίσουμε με αi
το αντίστοιχο τόξο ενός κυκλικού τμήματος στο κυκλικό διάγραμμα
συχνοτήτων, τότε

360 o
 360 o f i για i 1,2,..., κ .
ν

αi  νi

Στο σχήμα 3 παριστάνεται το αντίστοιχο κυκλικό διάγραμμα σχετικών
συχνοτήτων της “απασχόλησης των μαθητών” για τα δεδομένα του πίνακα 4.
Διάβασμα
εξωσχ. βιβλ.
(7,5%)
Άλλο (5%)

Τηλεόραση Κινηματ.
(22,5%)

Κυκλικό διάγραμμα σχετικών συχνοτήτων της απασχόλησης των μαθητών για
τα δεδομένα του πίνακα 4.

3

Η/Υ (7,5%)

Αθλητισμός
(15%)
Μουσική
(27,5%)

Διασκέδαση Ντίσκο (15%)

δ) Σημειόγραμμα
Όταν έχουμε λίγες παρατηρήσεις, η κατανομή τους μπορεί να περιγραφεί με το
σημειόγραμμα (dot diagram), στο οποίο οι τιμές παριστάνονται γραφικά σαν
σημεία υπεράνω ενός οριζόντιου άξονα. Στο σχήμα 4 έχουμε το σημειόγραμμα
των χρόνων (σε λεπτά) 4,2,3,1,5,6,4,2,3,4,7,4,8,6,3 που χρειάστηκαν δεκαπέντε
μαθητές, για να λύσουν ένα πρόβλημα.
4
0

1

2

3

4

5

6

7

8

χρόνος (σε λεπτά)

71

ε) Χρονόγραμμα.
Το χρονόγραμμα ή χρονολογικό διάγραμμα χρησιμοποιείται για τη γραφική
απεικόνιση της διαχρονικής εξέλιξης ενός οικονομικού, δημογραφικού ή άλλου
μεγέθους. Ο οριζόντιος άξονας χρησιμοποιείται συνήθως ως άξονας μέτρησης
του χρόνου και ο κάθετος ως άξονας μέτρησης της εξεταζόμενης μεταβλητής.
Στο σχήμα 5 έχουμε το χρονόγραμμα του ποσοστού ανεργίας στη χώρα μας από
το 1990 έως το 1995. (Πηγή ΕΣΥΕ).
Παρατηρούμε
ότι
στο
fi %
5
16
γυναικείο πληθυσμό υπάρΘήλεις
14
χει συστηματικά μεγαλύτε12
ρο ποσοστό ανεργίας, γύρω
10
στις 8 εκατοστιαίες μονάΣύνολο
8
δες. Στο διάστημα 1993-95
6
το ποσοστό ανεργίας έχει
Άρρενες
4
σταθεροποιηθεί γύρω στο
2
6,5% για τους άνδρες και
0
γύρω στο 15% για τις
1990 1991
1992
1993
1994 1995
γυναίκες.
Ποσοστά ανεργίας στηνΕλλάδα

Ομαδοποίηση των Παρατηρήσεων
Οι πίνακες συχνοτήτων και κατ’αναλογίαν τα αντίστοιχα διαγράμματα είναι
δύσκολο να κατασκευαστούν, όταν το πλήθος των τιμών μιας μεταβλητής είναι
αρκετά μεγάλο. Αυτό μπορεί να συμβεί είτε στην περίπτωση μιας διακριτής
μεταβλητής είτε, πολύ περισσότερο, στην περίπτωση μιας συνεχούς
μεταβλητής, όπου αυτή μπορεί να πάρει οποιαδήποτε τιμή στο διάστημα
ορισμού της. Σ’αυτές τις περιπτώσεις είναι απαραίτητο να ταξινομηθούν
(ομαδοποιηθούν) τα δεδομένα σε μικρό πλήθος ομάδων, που ονομάζονται και
κλάσεις (class intervals), έτσι ώστε κάθε τιμή να ανήκει μόνο σε μία κλάση. Τα
άκρα των κλάσεων καλούνται όρια των κλάσεων (class boundaries). Συνήθως
υιοθετούμε την περίπτωση που μια κλάση περιέχει το κάτω άκρο της (κλειστή
αριστερά) αλλά όχι το άνω άκρο της (ανοικτή δεξιά), δηλαδή που οι κλάσεις
είναι της μορφής [ , ). Οι παρατηρήσεις κάθε κλάσης θεωρούνται όμοιες, οπότε
μπορούν να “αντιπροσωπευθούν” από τις κεντρικές τιμές, τα κέντρα δηλαδή
κάθε κλάσης.
 Το πρώτο βήμα στην ομαδοποίηση των δεδομένων είναι η εκλογή του
αριθμού κ των ομάδων ή κλάσεων. Ο αριθμός αυτός συνήθως ορίζεται
αυθαίρετα από τον ερευνητή σύμφωνα με την πείρα του. Γενικά όμως μπορεί
να χρησιμοποιηθεί ως οδηγός ο παρακάτω πίνακας:

δίνεται στον παρακάτω πίνακα 8. Σε αγκύλες έχουμε τη μικρότερη και τη μεγαλύτερη τιμή. δηλαδή τη διαφορά της μικρότερης παρατήρησης από τη μεγαλύτερη παρατήρηση του συνολικού δείγματος. για παράδειγμα. όπως έχει καταγραφεί με τη σειρά. κ . όπως έχει καταγραφεί στον πίνακα 4.. ή για πρακτικούς λόγους λίγο πιο κάτω από την μικρότερη παρατήρηση. Το πλάτος των . Επειδή έχουμε ν  40 παρατηρήσεις. ημερών απεργίας κτλ. Για να κατασκευάσουμε ισοπλατείς κλάσεις.. Τότε υπολογίζουμε το πλάτος c των κλάσεων διαιρώντας το εύρος R διά του αριθμού των κλάσεων κ. στις κατανομές εισοδήματος. Το πλήθος των παρατηρήσεων νi που προκύπτουν από τη διαλογή για την κλάση i καλείται συχνότητα της κλάσης αυτής ή συχνότητα της κεντρικής τιμής xi . 170 160 [156] 176 180 170 175 169 178 167 172 167 165 177 173 166 170 180 167 179 168 170 187 178 175 182 170 180 175 178 180 164 173 165 178 170 162 178 [191] 173 Παρατηρούμε ότι το εύρος του δείγματος είναι R  191  156  35 .72 Μέγεθος δείγματος ν  20 20  50 50  100 100  200 Αριθμός κλάσεων κ 5 6 7 8 Μέγεθος δείγματος ν 200  400 400  700 700  1000  1000 Αριθμός κλάσεων κ 9 10 11 12  Το δεύτερο βήμα είναι ο προσδιορισμός του πλάτους των κλάσεων. Φυσικά υπάρχουν και περιπτώσεις όπου επιβάλλεται οι κλάσεις να έχουν άνισο πλάτος. για παράδειγμα. όπως. ότι από τα δεδομένα του πίνακα 4 εξετάζουμε το ύψος των μαθητών. χρησιμοποιούμε κ  6 κλάσεις. γίνεται η διαλογή των παρατηρήσεων. Έστω. Στην πλειονότητα των πρακτικών εφαρμογών οι κλάσεις έχουν το ίδιο πλάτος. Αυτονόητο είναι ότι η μεγαλύτερη τιμή του δείγματος θα (πρέπει να) ανήκει οπωσδήποτε στην τελευταία κλάση.  Τέλος.. i  1. αν χρειαστεί για λόγους διευκόλυνσης. πάντα προς τα πάνω. Πίνακας 8 Το ύψος (σε cm) των μαθητών της Γ΄ Λυκείου. Πλάτος μιας κλάσης ονομάζεται η διαφορά του κατωτέρου από το ανώτερο όριο της κλάσης..  Το επόμενο βήμα είναι η κατασκευή των κλάσεων. Ξεκινώντας από την μικρότερη παρατήρηση. και προσθέτοντας κάθε φορά το πλάτος c δημιουργούμε τις κ κλάσεις. χρησιμοποιούμε το εύρος (range) R του δείγματος.2. Το ύψος των μαθητών. στρογγυλεύοντας.

83  6 . Στον οριζόντιο άξονα ενός συστήματος ορθογωνίων αξόνων σημειώνουμε. από καθένα από τα οποία έχει βάση ίση με το πλάτος της κλάσης και ύψος τέτοιο. Στη συνέχεια.0 25. Επομένως. κατασκευάζουμε διαδοχικά ορθογώνια (ιστούς). θα έχουμε τον επόμενο πίνακα 9.0 30. Αθρ.0 27. Συχν. το ύψος κάθε ορθογωνίου είναι ίσο προς τη συχνότητα της αντίστοιχης κλάσης. Για παράδειγμα. Σχετική Συχνότητα Αθρ.0 82.  Μία παρατήρηση που συμπίπτει με το άνω άκρο μιας κλάσης θα τοποθετηθεί κατά τη διαλογή στην αμέσως επόμενη κλάση.0 40 100 — — Ιστόγραμμα Συχνοτήτων Η αντίστοιχη γραφική παράσταση ενός πίνακα συχνοτήτων με ομαδοποιημένα δεδομένα γίνεται με το λεγόμενο ιστόγραμμα (histogram) συχνοτήτων. στον κατακόρυφο άξονα σε . έτσι ώστε να ισχύει πάλι ότι το εμβαδόν των ορθογωνίων είναι ίσο με τις αντίστοιχες συχνότητες.5 5.73 κλάσεων είναι c  R / κ  35 / 6  5.5 95.5 12. α) Κλάσεις Ίσου Πλάτους Θεωρώντας το πλάτος c ως μονάδα μέτρησης του χαρακτηριστικού στον οριζόντιο άξονα.συχν.0 20.  Οι κεντρικές τιμές διαφέρουν μεταξύ τους όσο και το πλάτος των κλάσεων. Σχετ. Αν θεωρήσουμε ως αρχή της πρώτης κλάσης το 156. σχετικών.0 2 10 22 33 38 40 5. ο μαθητής με ύψος 180 θα τοποθετηθεί στην πέμπτη κλάση [180. Πίνακας 9 Κατανομές συχνοτήτων (απόλυτων. αθροιστικών) για τα δεδομένα του πίνακα 8. με κατάλληλη κλίμακα.) 156-162 162-168 168-174 174-180 180-186 186-192 Κεντρικές τιμές Διαλογή xi 159 165 171 177 183 189 Σύνολο || |||| ||| |||| |||| | | |||| |||| | |||| || — Συχν. τα όρια των κλάσεων.0 100. Κλάσεις [ . που εδώ είναι ίσο με 6. 186).0 55. Πρέπει να προσεχτεί ότι:  Καμία παρατήρηση δεν μπορεί να μείνει έξω από κάποια κλάση. νi fi % Ni Fi % 2 8 12 11 5 2 5. ώστε το εμβαδόν του ορθογωνίου να ισούται με τη συχνότητα της κλάσης αυτής.

σχηματίζεται το λεγόμενο πολύγωνο συχνοτήτων (frequency polygon). Αν ενώσουμε σε ένα ιστόγραμμα αθροιστικών συχνοτήτων τα δεξιά άκρα (όχι μέσα) των άνω βάσεων των ορθογωνίων με ευθύγραμμα τμήματα βρίσκουμε το πολύγωνο αθροιστικών συχνοτήτων (ogive) της κατανομής. Το εμβαδόν του χωρίου που ορίζεται από το πολύγωνο συχνοτήτων και τον οριζόντιο άξονα είναι ίσο με το άθροισμα των συχνοτήτων.05 0 0 156 162 168 174 180 186 192 156 Υψος (σε cm) 162 168 174 180 186 192 Ύψος (σε cm) (α) (β) Ιστόγραμμα και πολύγωνο (α) συχνοτήτων και (β) σχετικών συχνοτήτων για τα δεδομένα του πίνακα 9.2 0.74 ένα ιστόγραμμα συχνοτήτων βάζουμε τις συχνότητες. οπότε στον κάθετο άξονα βάζουμε τις σχετικές συχνότητες.25 8 0.2 6 0.3 0. Με ανάλογο τρόπο κατασκευάζεται και το ιστόγραμμα σχετικών συχνοτήτων. Αν στα ιστογράμματα συχνοτήτων θεωρήσουμε δύο ακόμη υποθετικές κλάσεις.1 0 156 162 168 174 180 186 192 Ύψος (σε cm) β) Κλάσεις Άνισου Πλάτους Όπως προαναφέραμε. στην αρχή και στο τέλος.5 0. Με τον ίδιο τρόπο κατασκευάζονται και ιστογράμματα αθροιστικών τα συχνοτήτων και αθροιστικών σχετι. 7  0.8 0.4 0.Fi κών συχνοτήτων. δηλαδή με το μέγεθος του δείγματος ν. Όμοια κατασκευάζεται από το ιστόγραμμα σχετικών συχνοτήτων και το πολύγωνο σχετικών συχνοτήτων με εμβαδόν ίσο με 1.15 4 0. (βλέπε σχήμα 6). συνήθως επιλέγουμε κλάσεις ίσου πλάτους.1 2 0.9 0. Υπάρχουν . 12 vi 0. με συχνότητα μηδέν και στη συνέχεια ενώσουμε τα μέσα των άνω βάσεων των ορθογωνίων. Στο σχήμα 7 παριστάνεται το ιστόγραμμα και το πολύγωνο αθροιστικών σχετικών συχνοτήτων για το ύψος των μαθητών του πίνακα 9 .3 fi 10 6 0.7 0.6 0.

αν ci είναι το πλάτος ν της κλάσης i με συχνότητα νi . σε sec. ci i  1. Διάρκεια τηλεφ..75 όμως και περιπτώσεις που είναι απαραίτητο να έχουμε κλάσεις διαφορετικού πλάτους όπως. Έστω.0 4. Αυτά δίνονται στον επόμενο πίνακα. Άρα. κ . σε sec 0 0 10 20 (α) (β) Ιστόγραμμα συχνοτήτων (α) και σχετικών συχνοτήτων (β) 30 40 . όπως δηλαδή συμβαίνει και στο ιστόγραμμα με κλάσεις ίσου πλάτους . 25-30 24 Το αντίστοιχο ιστόγραμμα συχνοτή30-40 16 των κατασκευάζεται πάλι.. έτσι ώστε ν  80 Σύνολο το εμβαδόν κάθε ορθογωνίου να ισούται με τη συχνότητα της αντίστοιχης κλάσης.6 1. για παράδειγμα. για παράδειγμα.8 1. στην κατανάλωση νερού και ηλεκτρικού ρεύματος ή ακόμα και περιπτώσεις όπου οι συχνότητες σε κάποιες κλάσεις να είναι πολύ μικρές οπότε γίνεται συγχώνευση κλάσεων. Επομένως.00 2. η οποία δίνεται στο 20-25 20 διπλανό πίνακα συχνοτήτων.. το ύψος του ορθογωνίου θα είναι υi  i .0 4. Πλάτος κλάσης ci Συχνότητα νi Ύψος ν υi  i ci Ύψος f % υi*  i ci 0-20 20-25 25-30 30-40 20 5 5 10 20 20 24 16 1.00 6. Παρατηρούμε ότι το άθροισμα των εμβαδών όλων των ορθογωνίων είναι ίσο με το συνολικό μέγεθος δείγματος ν. Συχνότητα (σε sec) ν  80 τηλεφωνημάτων που σε sec νi έγιναν τυχαία από ένα κινητό 0-20 20 τηλέφωνο.2.. για την κατασκευή του ιστογράμματος συχνοτήτων χρειαζόμαστε τα πλάτη των κλάσεων και τα ύψη των ορθογωνίων.25 5. η διάρκεια Διάρκεια τηλεφ.00 Τότε το ιστόγραμμα συχνοτήτων δίνεται στο σχήμα 8(α). υi 5 υi* 4 8 6 5 3 4 2 3 1 2 1 0 0 10 20 30 40 Διάρκεια τηλεφ.

Όταν οι παρατηρήσεις δεν είναι συμμετρικά κατανεμημένες. με “κωδωνοειδή” μορφή λέγεται κανονική κατανομή (normal distribution) και παίζει σπουδαίο ρόλο στη Στατιστική. Μερικές χαρακτηριστικές καμπύλες συχνοτήτων που συναντάμε συχνά στις εφαρμογές δίνονται στο σχήμα 10.07 καμπύλες συχνοτήτων έχουν μεγάλη εφαρμογή στη Στατιστική. 10 (α) (β) (γ) Μερικές χαρακτηριστικές κατανομές συχνοτήτων (δ) . Με ανάλογο τρόπο κατασκευάζεται και το ιστόγραμμα σχετικών συχνοτήτων. Όταν οι παρατηρήσεις “κατανέμονται” ομοιόμορφα σε ένα διάστημα [α. όπου οι 0 τους μπορούν να 150 160 170 180 190 200 ιδιότητες Ύψος (σε cm) χρησιμοποιηθούν για την εξαγωγή χρήσιμων συμπερασμάτων.30 μορφή μιας ομαλής καμπύλης. η 0.37 τότε η πολυγωνική γραμμή fi συχνοτήτων τείνει να πάρει τη 0. 0. όπως στην κατανομή (α). (σχήμα 8(β)) αρκεί να χρησιμοποιήσουμε ως ύψος των ορθογωνίων το λόγο των σχετικών συχνοτήτων προς το πλάτος των κλάσεων.22 οποία ονομάζεται καμπύλη συχνοτήτων (frequency curve). Η κατανομή (β). η κατανομή λέγεται ασύμμετρη με θετική ασυμμετρία όπως στην κατανομή (γ) ή αρνητική ασυμμετρία όπως στην κατανομή (δ).15 όπως δείχνει το σχήμα 9. δηλαδή υi*  fi % . Οι 0. ci Καμπύλες Συχνοτήτων Εάν υποθέσουμε ότι ο αριθμός των κλάσεων για μια συνεχή μεταβλητή είναι αρκετά μεγάλος (τείνει στο άπειρο) και ότι το πλάτος των κλάσεων είναι αρκετά μικρό (τείνει στο μηδέν).76 της διάρκειας τηλεφωνημάτων. 9 0. Καμπύλη συχνοτήτων για το ύψος των μαθητών του πίνακα 4 Η μορφή μιας κατανομής συχνοτήτων εξαρτάται από το πώς είναι κατανεμημένες οι παρατηρήσεις σε όλη την έκταση του εύρους τους. β]. η κατανομή λέγεται ομοιόμορφη.

το άθροισμα των εμβαδών όλων των ορθογωνίων θα πρέπει να ισούται με 100. Το εμβαδόν του πρώτου ορθογωνίου είναι E1  (1  0)  10  10 .77 ΕΦΑΡΜΟΓΕΣ 1. Εάν είναι γνωστό ότι 10 δεν υπάρχει μισθός άνω των 5 0 $1000. στο σημείο (0. και του τέταρτου E 4  (10  5)  5  25 . Άρα.6 0. ΛΥΣΗ Επειδή έχουμε ένα ιστόγραμμα σχετικών συχνοτήτων ( f i % ). 2. 10 Επειδή το πλάτος του ορθο5 0 γωνίου είναι 5  2  3 . όπως φαίνεται στο διπλανό σχήμα. 0. Το 0. 170 156 162 x*=168 174 186 192 180 β) Όμοια.7 αθροιστικό διάγραμμα και 0.35 μέχρι το σημείο ( x .4 Δ * p=0.8 τον άξονα 0 x μέχρι το 0. Το p  0.5 μετά κάθετα στον άξονα 0 x 0. κάτω από το οποίο ανήκει το 25% των μαθητών (β) το ποσοστό p των μαθητών που έχουν ύψος μέχρι και 170cm. 0) καταλήγουμε. Από το πολύγωνο αθροιστικών συχνοτήτων του παρακάτω διαγράμματος να βρεθεί (α) το ύψος x*.9 0. όπως φαίνεται στο διάγραμμα. ακολουθώντας τη διαδρομή ΓΔ από το σημείο (170.25) Fi 1 πηγαίνουμε παράλληλα προς 0.3 0. του δεύτερου ορθογωνίου E 2  (2  1)  20  20 .2 A x *  168 είναι το ζητούμενο 0. Στο διπλανό ιστόγραμμα σχετικών συχνοτήτων σβήστηκε κατά λάθος το ορθογώνιο της κλάσης 20 15 [2-5). p ) . . όπως φαίνεται στο σχήμα. και ξεκινώντας από το σημείο (0. το εμβαδόν του τρίτου ορθογωνίου θα είναι 20 15 E 3  100  (10  20  25)  45 . το ύψος 0 1 2 3 4 5 6 7 8 9 10 Μισθός (σε εκατοντάδες $) του θα είναι 45 / 3  15 .35  35% είναι το ζητούμενο ποσοστό. ΛΥΣΗ α) Ακολουθούμε τη διαδρομή ΑΒ.1 B Γ 0 ύψος.0) . να κατασκευάσετε το 0 1 2 3 4 5 6 7 8 9 10 Μισθός (σε εκατοντάδες $) ορθογώνιο αυτό.

Να μετατρέψετε τον προηγούμενο πίνακα συχνοτήτων της άσκησης 2 σε πίνακα σχετικών συχνοτήτων επί τοις εκατό: α) ως προς το σύνολο των φοιτητών β) ως προς το φύλο (γραμμές) γ) ως προς τη βαθμολογία (στήλες). Η βαθμολογία 50 φοιτητών στις εξετάσεις ενός μαθήματος είναι: 3 8 6 1 5 4 7 3 6 6 5 6 5 3 7 8 5 6 1 9 9 9 4 5 10 7 3 2 8 9 6 8 9 1 8 8 5 8 2 7 7 6 7 3 6 10 6 7 4 5 α) Να κατασκευάσετε τον πίνακα κατανομής συχνοτήτων και σχετικών συχνοτήτων (απολύτων και αθροιστικών). β) Από τον πίνακα αυτό να εκτιμήσετε το ποσοστό των φοιτητών που πήραν βαθμό i) κάτω από τη βάση (μικρότερο του 5) ii) άριστα (9 ή 10) ii) τουλάχιστον 7 αλλά το πολύ 9. Οι παραπάνω φοιτητές ήταν αντίστοιχα αγόρια (Α) ή κορίτσια (Κ): Α Κ Α Κ Α Α Κ Α Κ Α Κ Α Α Κ Κ Α Α Α Α Α Κ Α Κ Κ Κ Α Κ Κ Κ Κ Α Α Α Α Α Α Κ Κ Α Α Κ Α Α Α Α Κ Α Κ Α Κ Να συμπληρώσετε τον επόμενο πίνακα χρησιμοποιώντας απόλυτες συχνότητες. 2.78 ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. Φύλο Α Κ Σύνολο Βαθμολογία 5 <5 Σύνολο 3. .

Scorpions. Iron Maiden. Scorpions. Rolling Stones. 7. Να κατασκευάσετε α) το ραβδόγραμμα και β) το κυκλικό διάγραμμα σχετικών συχνοτήτων. 8. Σε ένα κυκλικό διάγραμμα παριστάνεται η βαθμολογία των 450 μαθητών ενός Γυμνασίου σε τέσσερις κατηγορίες “Άριστα”.79 4.60 25 2 6. . Iron Maiden. Άλλο. Άλλο. Scorpions. Να μετατρέψετε το κυκλικό διάγραμμα σε ραβδόγραμμα σχετικών συχνοτήτων. Η γωνία του κυκλικού τομέα για την επίδοση “Καλώς” είναι 1440. Oasis.20 6 Fi fi % Fi % 10 0. Scorpions. 2 8 4 3 1 9 5 4 5. Να συμπληρώσετε τον παρακάτω πίνακα. να βρεθεί ο αριθμός και το ποσοστό των εργατών που απουσίασαν: Αριθμός Συχνότητα Αριθμός Συχνότητα α) τουλάχιστον 1 ημέρα ημερών ημερών β) πάνω από 5 ημέρες 8 5 12 0 γ) από 3 έως 5 ημέρες 0 6 8 1 δ) το πολύ 5 ημέρες 5 7 5 2 ε) ακριβώς 5 ημέρες. Άλλο. Metallica. Metallica. Metallica. Χρησιμοποιώντας τον παρακάτω πίνακα συχνοτήτων. Τα δημοφιλέστερα ξένα μουσικά συγκροτήματα των 18 αγοριών του πίνακα 4 ήσαν: Metallica. Metallica. Το 30% των μαθητών έχουν επίδοση “Λίαν Καλώς”. Να κατασκευάσετε το διάγραμμα συχνοτήτων του βαθμού Μαθηματικών για τα αγόρια και κορίτσια (χωριστά) του πίνακα 4. “Λίαν Καλώς”. Οι μαθητές με βαθμό “Σχεδόν Καλώς” είναι διπλάσιοι των μαθητών με “Άριστα”. Iron Maiden. που δίνει την κατανομή του αριθμού των ημερών απουσίας από την εργασία τους λόγω ασθένειας 50 εργατών. “Καλώς” και “Σχεδόν Καλώς”. Rolling Stones. xi 1 2 3 4 5 6 Σύνολο νi fi Ni 4 0.

Παρακάτω δίνονται τα μετάλλια που πήραν μερικές χώρες στο 17ο Ευρωπαϊκό Πρωτάθλημα Στίβου. Χώρα Μ. Τα παρακάτω δεδομένα αντιπροσωπεύουν την επίδοση 50 υποψηφίων για την πρόσληψή τους σε μια ιδιωτική σχολή (κλίμακα 0-10).80 9. (Πηγή: ΕΚΕΠΑΠ. Να κατασκευάσετε το ραβδόγραμμα και το κυκλικό διάγραμμα σχετικών συχνοτήτων.) Να κατασκευάσετε τα αντίστοιχα χρονογράμματα και να τα σχολιάσετε. Τα κρούσματα δύο λοιμωδών νόσων από το 1987 έως το 1997 δίνονται στο διπλανό πίνακα. Έτος Έρπης ζωστήρ Ηπατίτιδα Α 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 85 58 123 178 134 201 241 252 338 296 256 351 254 273 172 213 127 123 259 295 107 131 12. πόσους θα πάρει. Από το 1960 έως το 1998 (Πρωταθλήματα Α΄ Εθνικής) ο Παναθηναϊκός έχει κατακτήσει 15 τίτλους. 10. 6785147399253867768130149 0978612354664328877655924 α) Να παραστήσετε τα δεδομένα σε έναν πίνακα συχνοτήτων. γ) Αν η σχολή θελήσει να πάρει όσους είχαν επίδοση μεγαλύτερη ή ίση του 8. . ο ΠΑΟΚ 2 και η Λάρισα 1. Βρετανία Γερμανία Ρωσία Πολωνία Ρουμανία Ουκρανία Ιταλία Πορτογαλία Ισπανία Γαλλία Ελλάδα Χρυσά Ασημένια Χάλκινα 9 8 6 3 3 3 2 2 2 2 1 4 7 9 4 2 2 4 3 1 1 0 3 8 7 1 2 1 3 1 4 1 2 11. η ΑΕΚ 9. Να παρασταθούν τα δεδομένα αυτά σε ένα ραβδόγραμμα. το 1998. β) Να κατασκευάσετε το διάγραμμα σχετικών και αθροιστικών σχετικών συχνοτήτων. ο Ολυμπιακός 12.

14. 47. Το παρακάτω χρονόγραμμα δίνει τη σχετική συχνότητα των νέων πτυχιούχων Μαθηματικών σε όλη την Ελλάδα από το 1930 έως το 1995 ανάλογα με το φύλο. α) Μελετώντας προσεκτικά το χρονόγραμμα αυτό ποιά συμπεράσματα εξάγονται. 51. 4. Τι ποσοστό οικογενειών της περιοχής είχαν εισόδημα 5. 7. Πόσοι ήσαν οι άνδρες που έγιναν πτυχιούχοι . Από αυτούς είχαμε 7. Να παρασταθούν τα δεδομένα αυτά σε μορφή πίνακα. 4. 43. Δίπλα δίνεται μόνο ένα ορθογώνιο από το ιστόγραμμα του ετήσιου εισοδήματος των οικογενειών μιας περιοχής. Να παρασταθούν τα παραπάνω δεδομένα της άσκησης 2 σε μορφή πίνακα αναφορικά με το έτος και το φύλο των ατόμων. 222. 9. Ένας μαθητής έκανε το διπλανό πολύγωνο σχετικών συχνοτήτων για το ύψος των αγοριών της τάξης του και ο καθηγητής το διέγραψε σαν λάθος. τι επίδοση πρέπει να έχει κάποιος για να επιλεγεί.000. 20. γ) Σαλαμίνας με βάση τα δεδομένα του πίνακα 2. 44. έως 7. 25 20 15 10 5 0 13. δρχ. Τι συμπέρασμα συνάγετε. 11. 2.000. 98. 5. β) Ο συνολικός αριθμός νέων πτυχιούχων Μαθηματικών το έτος 1995 ήταν 789. 222 και 65 αντίστοιχα. β) Θάσου. 3. 66. γ) Ο αριθμός των γυναικών που έγιναν πτυχιούχοι Μαθηματικών το έτος 1974 ήσαν 173. 5 7 εισόδημα (σε εκατομ. 90. 10. 79. Να κατασκευάσετε τα αντίστοιχα χρονογράμματα για τον πληθυσμό των νησιών α) Λέσβου. 14. 1. 71. 4.81 δ) Αν η σχολή πάρει μόνο το 36% των υποψηφίων. 2. 8. Είχε δίκιο ο καθηγητής.) 10 14. 146.000 δρχ. 2. 79.000 δρχ. 20 και 9 αντίστοιχα ήταν γυναίκες. 99 και 33 από 21-30 ετών και οι υπόλοιποι ήσαν άνω των 30 ετών. 72. 176. Πόσες ήσαν οι γυναίκες και πόσοι οι άνδρες. Οι βεβαιωθέντες θάνατοι από χρήση ναρκωτικών κατά τα έτη 1988-1998 (για το 1998 έως 8 Απριλίου) σύμφωνα με τον Οργανισμό κατά των Ναρκωτικών (ΟΚΑΝΑ) ήταν 62. 22 και 6 μέχρι και 20 ετών. 34.. 78. αν γνωρίζουμε ότι από τους βεβαιωθέντες θανάτους από χρήση ναρκωτικών κατά τα έτη 1988-1998 οι 8. 7. 8. 49. 8 6 4 2 0 150 160 170 180 ύψος (σε cm) 190 Β΄ ΟΜΑΔΑΣ 1.

Στον παρακάτω πίνακα δίνεται η κατανομή συχνοτήτων της συστολικής πίεσης 150 γυναικών ηλικίας 17-24 ετών που χρησιμοποιούν το φάρμακο Α για κάποια πάθηση και 200 γυναικών. % 100 90 80 70 60 50 Άνδρες 40 Γυναίκες 30 20 10 0 1930 32 34 36 38 56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 έτη 5. Συστολική πίεση (σε mm Hg) Φάρμακο Α νi 95-99 6 100-104 15 105-109 16 110-114 22 115-119 30 120-124 20 125-129 15 130-134 12 135-139 6 140-144 5 145-149 3 Σύνολο 150 Πηγή: Υποθετικά δεδομένα Φάρμακο Β νi 4 14 18 24 32 28 28 26 12 8 6 200 . χρησιμοποιώντας τους ίδιους άξονες συντεταγμένων. 6. ανάλογης ηλικίας. Να δοθεί και να ερμηνευτεί το χρονόγραμμα των δεδομένων του πίνακα 1 για κάθε ομάδα ηλικιών. δ) Πόσοι άνδρες και πόσες γυναίκες πήραν πτυχίο Μαθηματικών στην Ελλάδα το 1985. που χρησιμοποιούν το φάρμακο Β. α) Να συγκρίνετε τα ποσοστά γυναικών που παίρνουν τα φάρμακα Α και Β και έχουν συστολική πίεση μεγαλύτερη ή ίση των 130 mm Hg β) Να κατασκευάσετε τα πολύγωνα αθροιστικών σχετικών συχνοτήτων.82 Μαθηματικοί το ίδιο έτος.

4 3.4 5.1 13.8 5. Οι χρόνοι (σε λεπτά) που χρειάστηκαν 55 μαθητές να λύσουν ένα πρόβλημα δίνονται παρακάτω: 3. γ) Να κατασκευάσετε το πολύγωνο σχετικών συχνοτήτων και αθροιστικών σχετικών συχνοτήτων.9 3.4 2. Fi % .1 8.1 7. fi % (A) fi % (B) 40 30 30 20 20 10 10 0 10 11 12 13 14 15 16 17 18 19 20 0 11 10 11 12 13 14 15 16 17 18 19 20 Βαθμολογία Βαθμολογία (α) (β) Παρατηρούμε ότι η βαθμολογία και των δύο τμημάτων είναι συγκεντρωμένη .9 7.3 11.9 12.2 3.8 2.2 13.4 4.9 11.8 3. Έστω.9 2.6 9.4 3.8 1. για να συγκρίνει δύο διαφορετικά τμήματα Α και Β της ίδιας τάξης ως προς την επίδοσή τους σε ένα μάθημα.5 5.6 2. β) Να κατασκευάσετε τον πίνακα με τις συχνότητες  i .0 3.8 1.0 4.0 3.4 4.3 3. N i . για παράδειγμα.9 8. πήρε τυχαία 10 μαθητές από κάθε τμήμα.83 7.7 9.7 3.7 12.4 10.7 6.6 1.3 1.6 3.4 3.3 ΜΕΤΡΑ ΘΕΣΗΣ ΚΑΙ ΔΙΑΣΠΟΡΑΣ Εισαγωγή Εκτός από τους στατιστικούς πίνακες και τα διαγράμματα υπάρχουν και αριθμητικά μέτρα με τα οποία μπορούμε να περιγράψουμε με συντομία μια κατανομή συχνοτήτων.3 3. Τα διαγράμματα σχετικών συχνοτήτων δίνονται στα σχήματα 11(α). ένας καθηγητής ο οποίος.0 2.4 2.9 3.9 6. Η βαθμολογία τους στο μάθημα αυτό ήταν: Τμήμα Α: 13 13 14 15 15 15 15 16 16 18 Τμήμα Β: 10 13 14 14 15 15 15 16 18 20.9 13.4 2.2 α) Να ομαδοποιήσετε τα δεδομένα σε κατάλληλο αριθμό κλάσεων. f i % . (β) .7 3.0 2. 2.5 3.8 7.9 6.8 3.7 1. Η γνώση των μέτρων αυτών διευκολύνει και την παραπέρα στατιστική επεξεργασία των δεδομένων.5 8.

ενώ της Δ είναι δεξιότερα του x 0 . που καθορίζουν τη μορφή της κατανομής. α) Μέση Τιμή ( x ) . για δεδομένο σημείο x 0 του άξονα 0 x . Για να ορίσουμε δηλαδή κάποια μέτρα (αριθμητικά μεγέθη). Β έχει μεγαλύτερη αλλά η x0 μεταβλητότητα από την Α. ενώ τα δεύτερα μέτρα διασποράς ή μέτρα μεταβλητότητας (measures of variability). Δηλαδή. Οι έννοιες “κεντρική τιμή” και “διασπορά των παρατηρήσεων” μας δίνουν το ερέθισμα για έναν ακόμα πιο σύντομο τρόπο περιγραφής της κατανομής ενός συνόλου δεδομένων. Οι x καμπύλες Γ και Δ είναι ασύμμετρες.84 γύρω στο 15. είναι ο αριθμητικός μέσος ή μέση τιμή (arithmetic mean or average). Η Δ παρουσιάζει μεγαλύτερη μεταβλητότητα από τη Γ. Στο σχήμα 12 B οι καμπύλες συχνοτήτων Α και Β είναι συμμετρικές με το ίδιο “κέντρο” x 0 . με τη Γ όπως λέμε να παρουσιάζει θετική ασυμμετρία και τη Δ αρνητική ασυμμετρία. η διάμεσος (median) και η κορυφή ή επικρατούσα τιμή (mode). Εκτός από τα μέτρα θέσης και διασποράς μιας κατανομής πολλές φορές είναι απαραίτητος και ο προσδιορισμός κάποιων άλλων μέτρων. εκφράζοντας την “κατά μέσο όρο” απόστασή τους από την αρχή των αξόνων. Το “κέντρο” της Γ είναι αριστερότερα του x 0 . Κατά πόσο δηλαδή η αντίστοιχη καμπύλη συχνοτήτων είναι συμμετρική ή όχι ως προς την ευθεία x  x 0 . οι βαθμοί του Β΄ τμήματος είναι περισσότερο διασκορπισμένοι γύρω από μια “κεντρική” τιμή. Μέτρα Θέσης Τα πιο συνηθισμένα μέτρα που χρησιμοποιούνται για την περιγραφή της θέσης ενός συνόλου δεδομένων πάνω στον οριζόντιο άξονα ox . Τα μέτρα αυτά. που συνήθως εκφράζονται σε συνάρτηση με τα μέτρα θέσης και διασποράς. δηλαδή πόσο αυτές εκτείνονται γύρω από το “κέντρο” τους. Υπολογίζοντας από ένα σύνολο 12 A δεδομένων κάποια από τα ανωτέρω μέτρα. μπορούμε να έχουμε μια σύντομη περιγραφή της μορφής της Γ Δ καμπύλης συχνοτήτων. καλούνται μέτρα ασυμμετρίας (measures of skewness) . Τα πρώτα τα καλούμε μέτρα θέσης της κατανομής (location measures). που να μας δίνουν α) τη θέση του “κέντρου” των παρατηρήσεων στον οριζόντιο άξονα και β) τη διασπορά των παρατηρήσεων. αλλά το δεύτερο τμήμα παρουσιάζει μεγαλύτερη διασπορά βαθμών από το πρώτο.

v κ αντίστοιχα. η μέση επίδοση των μαθητών στο τμήμα Α θα είναι σύμφωνα με την (1) xA  13  13  14  . x κ είναι οι τιμές της μεταβλητής Χ με συχνότητες v1 ....  ν κ  x i νi i 1 κ  νi  1 κ  xi νi ν i 1 (2) i 1 Η παραπάνω σχέση ισοδύναμα γράφεται: κ x   xi i 1 κ νi   xi f i ν i 1 όπου f i οι σχετικές συχνότητες.. Σε μια κατανομή συχνοτήτων. Για παράδειγμα.... t 2 .85 Η μέση τιμή ενός συνόλου ν παρατηρήσεων αποτελεί το σπουδαιότερο και χρησιμότερο μέτρο της Στατιστικής και ορίζεται ως το άθροισμα των παρατηρήσεων διά του πλήθους των παρατηρήσεων... όταν δεν υπάρχει πρόβλημα σύγχυσης.  18 150   15 10 10 ή ισοδύναμα από τον αντίστοιχο πίνακα συχνοτήτων σύμφωνα με την (2).. ... η μέση τιμή ορίζεται ισοδύναμα από τη σχέση: κ x x1ν1  x 2 ν 2  ..  t v και διαβάζεται “άθροισμα των t i από i  1 έως ν”. αν x1 ...  t ν  1 ν x 1 2  i 1   t i ν ν ν i 1 ν όπου το σύμβολο  t i (1) παριστάνει μια συντομογραφία του αθροίσματος i 1 t1  t 2  ....... συμβολίζεται και ως  t i ή ακόμα πιο απλά με  t . Συχνά. τότε η μέση τιμή συμβολίζεται με x και δίνεται από τη σχέση: ν ti t  t  .  x κ ν κ  ν1  ν 2  . v 2 .. Όταν σε ένα δείγμα μεγέθους ν οι παρατηρήσεις μιας μεταβλητής Χ είναι t1 . t v . x 2 .

Επίσης. Χάνουμε λοιπόν λίγο ως προς στην ακρίβεια κερδίζουμε όμως χρόνο! β) Σταθμικός Μέσος Στις περιπτώσεις που δίνεται διαφορετική βαρύτητα (έμφαση) στις τιμές x1 . τότε σύμφωνα με τη σχέση (2) η μέση τιμή θα είναι: x  x i νi  6903  172. το μέσο ύψος των 40 μαθητών της Γ΄ Λυκείου του πίνακα 8. υπολογίζεται και η μέση επίδοση για το τμήμα Β. Η Σύνολο ν i  40 x i ν i  6903 υπόθεση αυτή σημαίνει απώλεια πληροφοριών για τις αρχικές τιμές. έστω και μικρή. Αν x i είναι το κέντρο της i κλάσης και νi η αντίστοιχη συχνότητα.174-180 180-186 183 5 915 νται από την αντίστοιχη 186-192 189 2 378 κεντρική τιμή x i . τότε αντί του αριθμητικού μέσου χρησιμοποιούμε τον σταθμισμένο αριθμητικό μέσο ή σταθμικό μέσο .. η οποία είναι πάλι x B  15 . σύμφωνα 6918  172.. νA 10 Ομοίως. x 2 . ομαδοποιώντας τα δεδομένα σε κ  6 κλάσεις. με τη σχέση (1) είναι x  40 Για ευκολότερο όμως υπολογισμό χρησιμοποιούμε τον πίνακα συχνοτήτων.6 cm.. Πού οφείλεται αυτή η. ν 40 Παρατηρούμε ότι οι δύο μέσες τιμές του ίδιου συνόλου δεδομένων δεν είναι ακριβώς οι ίδιες. διαφορά. x ν ενός συνόλου δεδομένων..95 cm . Η διαφορά αυτή οφείλεται Ύψος Κεντρικές στο γεγονός ότι κατά την Συχνότητα σε cm τιμές ομαδοποίηση υποθέσαμε x νi xi ν i i ότι οι παρατηρήσεις κάθε 159 2 318 κλάσης είναι ομοιόμορφα 156-162 165 8 1320 κατανεμημένες και ότι οι 162-168 171 12 2025 τιμές της μεταβλητής σε 168-174 177 11 1947 κάθε κλάση εκπροσωπού. όπως αυτός δίνεται παρακάτω.86 Βαθμός xi Συχνότητα νi xi νi 13 14 15 16 18 Σύνολο 2 1 4 2 1 ν A  10 26 14 60 32 18 xi νi  150 xA   xi νi  150  15 .

Εάν ένας μαθητής πάρει τους βαθμούς x1  16. Παρατηρούμε όμως ότι οι οκτώ από τις εννέα παρατηρήσεις είναι μικρότερες του 9 και μία (ακραία τιμή). 8. Αυτό σημαίνει ότι η μέση τιμή δεν ενδείκνυται ως μέτρο θέσης (“κέντρο”) των παρατηρήσεων αυτών. 6.5 . 7. 1.5 167   16. 4. 6.5  7. 6. x 3  17 και x 4  16. 5. για την εισαγωγή ενός μαθητή στην τριτοβάθμια εκπαίδευση θα συνυπολογίζονται ο βαθμός x1 του απολυτηρίου του Ενιαίου Λυκείου με συντελεστή (βάρος) w1  7 . 5. 5. 1.. wν . 1. 9. ή ο μέσος όρος (ημιάθροισμα) των δύο μεσαίων παρατηρήσεων όταν το ν είναι άρτιος αριθμός. 8.5  1  1  0... Αντίθετα. τότε ο σταθμικός μέσος της επίδοσης του θα είναι: x 16. 1. η οποία επηρεάζει και τη μέση τιμή είναι. για να βρούμε τη διάμεσο των δεδομένων: α) 3.. 8. 1.. 8. Για παράδειγμα. η οποία ορίζεται ως εξής: Διάμεσος (δ) ενός δείγματος ν παρατηρήσεων οι οποίες έχουν διαταχθεί σε αύξουσα σειρά ορίζεται ως η μεσαία παρατήρηση. αρκετά μεγαλύτερη του 9. 2. όταν το ν είναι περιττός αριθμός.5  18  1  17  1  16. 9 β) 3. ο βαθμός x 3 στο 1ο βασικό μάθημα με συντελεστή w3  1 και ο βαθμός x 4 στο 2ο βασικό μάθημα με συντελεστή w4  0.5 10 γ) Διάμεσος (δ) Οι χρόνοι (σε λεπτά) που χρειάστηκαν 9 μαθητές. 6. ο βαθμός x 2 στο τεστ δεξιοτήτων με συντελεστή w2  1 . i 1 Για παράδειγμα. w2 . για να λύσουν ένα πρόβλημα είναι: 3. 4.6 .. 5. 0.  xν wν  w1  w2  . x 2  18 . 4. τότε ο σταθμικός μέσος βρίσκεται από τον τύπο: ν x x1 w1  x 2 w2  .  wν  xi wi i 1 ν  wi . 0..5. 2. 6.. x 2 .. με το νέο σύστημα. 7.. 36.6  0.. ένα άλλο μέτρο θέσης που δεν επηρεάζεται από ακραίες παρατηρήσεις είναι η διάμεσος (median). Εάν σε κάθε τιμή x1 . που εκφράζεται με τους λεγόμενους συντελεστές στάθμισης (βαρύτητας) w1 .7 .. x ν δώσουμε διαφορετική βαρύτητα. 9 εργαζόμαστε ως εξής: . 7.5 .87 (weighted mean). 1. 8 με μέση τιμή x  9 .

αντιστοιχεί στην τιμή x  δ της μεταβλητής Χ (στον οριζόντιο άξονα). η διάμεσος είναι το ημιάθροισμα των δύο μεσαίων παρατηρήσεων (της 45  4. Εφόσον στον κάθετο άξονα έχουμε τις αθροιστικές σχετικές συχνότητες. Η διάμεσος. η διάμεσος είναι η τιμή για την οποία το πολύ 50% των παρατηρήσεων είναι μικρότερες από αυτήν και το πολύ 50% των παρατηρήσεων είναι μεγαλύτερες από την τιμή αυτήν. όπως ορίστηκε. β) Έχουμε ν  14 παρατηρήσεις οι οποίες σε αύξουσα σειρά είναι: 0 1 1 1 2 3 4 5 6 6 8 8 9 9. δ  173 . έβδομης και όγδοης στη σειρά). δ  4 . Άρα. η διάμεσος είναι η μεσαία παρατήρηση (έβδομη στη σειρά). η διάμεσος είναι η τιμή που χωρίζει ένα σύνολο παρατηρήσεων σε δύο ίσα μέρη όταν οι παρατηρήσεις αυτές τοποθετηθούν με σειρά τάξης μεγέθους. Δηλαδή. Άρα. 100 13 Fi % 90 80 70 60 50 A B 40 30 20 10 Γ 0 156 162 P10 168 Q1 174 δ 180 Q3 186 P90 192 x . έτσι ώστε το 50% των παρατηρήσεων να είναι μικρότερες ή ίσες του δ. η διάμεσος θα έχει αθροιστική σχετική συχνότητα Fi  50% . Ακριβέστερα. στο σημείο Γ αντιστοιχεί η διάμεσος δ των παρατηρήσεων. Δηλαδή. Διάμεσος σε Ομαδοποιημένα Δεδομένα Θεωρούμε τα δεδομένα του ύψους των μαθητών στον πίνακα 9 και το αντίστοιχο ιστόγραμμα αθροιστικών σχετικών συχνοτήτων με την πολυγωνική γραμμή. από το σημείο Α (50% των παρατηρήσεων) φέρουμε την AB // 0 x και στη συνέχεια τη BΓ0 x . οι οποίες σε αύξουσα σειρά είναι: 0 1 1 1 2 3 4 5 6 6 8 8 9. Τότε.88 α) Έχουμε ν  13 παρατηρήσεις. σχήμα 13. δηλαδή δ  2 Παρατηρούμε ότι.5 .

Συχνά για ευκολία ο υπολογισμός των τεταρτημορίων Q1 και Q3 ενός συνόλου δεδομένων γίνεται κατά προσέγγιση υπολογίζοντας τις διαμέσους του πρώτου και του δεύτερου μισού των διατεταγμένων παρατηρήσεων. 8. 0. εργαζόμαστε ως εξής:  Διατάσσουμε τις παρατηρήσεις σε αύξουσα σειρά μεγέθους: Έχουμε ν  13 παρατηρήσεις. Τα μέτρα αυτά χρησιμοποιούνται αρκετά συχνά για τη μελέτη ενός συνόλου δεδομένων. 1. κ  1.. προκειμένου να υπολογίσουμε τα τεταρτημόρια των δεδομένων 3.  Υπολογίζουμε τη διάμεσο. 2  Υπολογίζουμε τη διάμεσο του δεύτερου μισού των διατεταγμένων παρατηρήσεων.. 6... Όμοια για το Q3 έχουμε αριστερά το πολύ 75% των παρατηρήσεων και δεξιά το πολύ 25% των παρατηρήσεων. 5. 6. . Η τιμή αυτή είναι το Q3 . Οι τιμές P1 . Για παράδειγμα.  Υπολογίζουμε τη διάμεσο του πρώτου μισού των διατεταγμένων παρατηρήσεων. δηλαδή των 0 11 1 1 1 2 3... όπως προαναφέραμε: H διάμεσος είναι η έβδομη στη σειρά παρατήρηση. 1. δηλαδή των παρατηρήσεων που είναι δεξιά του δ. Q2 και Q3 . ορίζουμε ως κ-εκατοστιαίο σημείο ή Pκ εκατοστημόριο ενός συνόλου παρατηρήσεων την τιμή εκείνη για την οποία το πολύ κ% των παρατηρήσεων είναι μικρότερες του Pκ και το πολύ (100-κ)% των παρατηρήσεων είναι μεγαλύτερες από την τιμή αυτήν.2. 2.99 . Η τιμή αυτή είναι το Q1 : Η διάμεσος των παρατηρήσεων που είναι αριστερά του δ. δηλαδή των παρατηρήσεων που είναι αριστερά του δ. δηλαδή Q2  δ . είναι το Q1   1. Προφανώς το Q2  P50 συμπίπτει και με τη διάμεσο. τα οποία καλούνται τεταρτημόρια (quartiles) και συμβολίζονται με Q1 . οι οποίες σε αύξουσα σειρά είναι: 0 1 1 1 2 3 4 5 6 6 8 8 9.. Ειδική περίπτωση εκατοστημορίων είναι τα P25 . Επομένως. P50 . αντίστοιχα. 4. P75 . P2 . Για το Q1 έχουμε αριστερά το πολύ 25% των παρατηρήσεων και δεξιά το πολύ 75%. έτσι ώστε το πολύ 50% των παρατηρήσεων να είναι μικρότερες του δ και το πολύ 50% των παρατηρήσεων να είναι μεγαλύτερες του δ.. αντίστοιχα. 1. δηλαδή δ  4 . P99 χωρίζουν τη συνολική συχνότητα σε 100 ίσα μέρη. μπορούμε ανάλογα να ορίσουμε και τα εκατοστημόρια (percentiles) Pκ . αναλόγως και με τον ορισμό της διαμέσου.89 δ) Εκατοστημόρια ( Pκ ) Όπως ορίσαμε τη διάμεσο δ. 9. 8.

90 Η διάμεσος των παρατηρήσεων που είναι δεξιά του δ. Q2  δ . Για παράδειγμα: α) Η επικρατούσα τιμή (επικρατούσα απασχόληση) για την απασχόληση των μαθητών του πίνακα 5 στον ελεύθερο χρόνο τους είναι M 0  " Μουσική" . 8. δηλαδή των 5 6 6 8 8 9. από το οποίο βρίσκουμε κατά προσέγγιση: P10  162. 2.. δ) Όταν όλες οι παρατηρήσεις είναι διαφορετικές. για τις παρατηρήσεις 0. Έτσι. δηλαδή οι περισσότερες οικογένειες (55%) έχουν δύο παιδιά. Οι 1 2 τιμές 2 και 4 είναι και οι δύο επικρατούσες τιμές. τότε λέμε ότι δεν υπάρχει επικρατούσα τιμή. γ) Για να βρούμε την επικρατούσα τιμή των xi vi παρατηρήσεων 0 1 1 2 2 2 3 4 4 4 5 5 7 8. P90 για τα δεδομένα του πίνακα 9. β) Η επικρατούσα τιμή του αριθμού των αδελφών των μαθητών στον πίνακα 6 είναι M 0  1 . Είναι προφανές ότι η επικρατούσα τιμή μπορεί να οριστεί και στην περίπτωση ποιοτικών δεδομένων. 9 δεν έχουμε επικρατούσα τιμή. Q3  178 και P90  184 .5 . 1. ενώ τα άλλα μέτρα που είδαμε ορίζονται μόνο για ποσοτικά δεδομένα. 7. Q3 και P10 . Όταν 4 3 έχουμε δύο κορυφές. . γιατί 2 3 καθεμιά έχει συχνότητα 3. η αντίστοιχη κατανομή 5 2 συχνοτήτων λέγεται δικόρυφη (bimodal). Q1  168 . ενώ όταν 7 1 έχουμε πολλές κορυφές λέγεται πολυκόρυφη 8 1 (multimodal). Βλέπουμε εδώ ότι η 3 1 επικρατούσα τιμή μπορεί να μην είναι μοναδική. 0 1 κατασκευάζουμε το διπλανό πίνακα συχνοτήτων. είναι το Q3  2 Εκατοστημόρια σε Ομαδοποιημένα Δεδομένα Ο υπολογισμός των εκατοστημορίων (ή τεταρτημορίων) σε ομαδοποιημένα δεδομένα γίνεται όπως και στη διάμεσο από το πολύγωνο αθροιστικών σχετικών συχνοτήτων. Στο σχήμα 13 δίνονται τα Q1 . δ  173 . ε) Επικρατούσα Τιμή ( M 0 ) Στην περίπτωση μη ομαδοποιημένων δεδομένων επικρατούσα τιμή ή κορυφή (mode) Μ0 ορίζεται ως η παρατήρηση με τη μεγαλύτερη συχνότητα. 68  7.

(β).3 συγκρίνοντας τις βαθμολογίες των μαθητών δύο τμημάτων Α και Β στα σχήματα 11(α).10 νέμονται ομοιόμορφα. για να περιγράψουν πλήρως την κατανομή. 14 Υποθέτοντας. είναι φανερό ότι οι κατανομές τους διαφέρουν σημαντικά ως προς τη μεταβλητότητά τους. Αυτά όμως δεν επαρκούν. όπως έχουμε ήδη B Γ 12 Δ2 αναφέρει και προηγουμένως. ως η τετμημένη του σημείου τομής Ζ των ευθύγραμμων 6 τμημάτων ΑΓ και ΒΔ. Στο σχήμα αυτό 4 c δίνεται η κορυφή για το ύψος των μαθητών του πίνακα 9. έχουν δηλαδή μεγάλες αποκλίσεις γύρω από τη μέση τιμή τους. Οι βαθμοί του τμήματος Α είναι περισσότερο “συγκεντρωμένοι” γύρω από τη μέση τιμή. αντίθετα. ενώ. οι βαθμοί του τμήματος Β διασπείρονται περισσότερο. η διακύμανση και η τυπική απόκλιση. Τέτοια μέτρα λέγονται μέτρα διασποράς (measures of variation. δηλαδή την κλάση με τη μεγαλύτερη συχνότητα. Κατά 2 προσέγγιση η κορυφή (επικρατέστερο 0 ύψος) είναι M 0  173 cm. η ενδοτεταρτημοριακή απόκλιση. Παράλληλα λοιπόν με τα μέτρα θέσης κρίνεται απαραίτητη και η εξέταση κάποιων μέτρων διασποράς ή μεταβλητότητας. Τα σπουδαιότερα μέτρα διασποράς είναι το εύρος. M0 156 162 Li =168 174 180 186 192 Μέτρα Διασποράς Στα προηγούμενα είδαμε ότι τα μέτρα θέσης παρέχουν κάποια πληροφορία για την κατανομή ενός πληθυσμού. τότε βρίσκουμε πρώτα την επικρατούσα κλάση i . α) Εύρος (R) . η επικρατούσα τιμή προσδιορίζεται. Ενώ οι βαθμολογίες των δύο τμημάτων Α και Β έχουν ίσες μέσες τιμές x A  x B  15 και ίσες διαμέσους δ A  δ B  15 . δηλαδή μέτρων που εκφράζουν τις αποκλίσεις των τιμών μιας μεταβλητής γύρω από τα μέτρα κεντρικής τάσης. dispersion measures). όπως διαπιστώσαμε στην αρχή της § 2. ότι οι v i Ε Ζ Δ Δ 1 παρατηρήσεις στις κλάσεις κατα. όπως φαίνεται στο 8 Α διπλανό σχήμα 14.91 Επικρατούσα Τιμή σε Ομαδοποιημένα Δεδομένα Όταν έχουμε ομαδοποιημένα (ποσοτικά) δεδομένα σε ισοπλατείς κλάσεις.

βρήκαμε ότι είναι R  191  156  35 . ενώ για το τμήμα Β. Από τα δεδομένα του σχήματος 13 βρήκαμε κατά προσέγγιση Q1  168 . Προφανώς. δηλαδή: Εύρος R  Μεγαλύτερη παρατήρηση-Μικρότερη παρατήρηση Έτσι. τόσο μεγαλύτερη θα είναι η συγκέντρωση των τιμών και άρα μικρότερη η διασπορά των τιμών της μεταβλητής. Όταν έχουμε ομαδοποιημένα δεδομένα. το εύρος των υψών στον πίνακα 8. Το εύρος είναι ένα αρκετά απλό μέτρο. γ) Διακύμανση (s2) . τιμές που επιβεβαιώνουν ότι πράγματι στο τμήμα Β έχουμε μεγαλύτερη διασπορά βαθμολογίας παρά στο τμήμα Α. Για παράδειγμα. δηλαδή: Q  Q3  Q1 Στο μεταξύ τους διάστημα περιλαμβάνεται το 50% των παρατηρήσεων. R B  20  10  10 . που ορίζεται ως η διαφορά της ελάχιστης παρατήρησης από τη μέγιστη παρατήρηση. για τη βαθμολογία του τμήματος Α το εύρος είναι R A  18  13  5 . το εύρος δίνεται από τη διαφορά του κατώτερου ορίου της πρώτης κλάσης από το ανώτερο όριο της τελευταίας κλάσης. Q3  178 επομένως το ενδοτεταρτημοριακό εύρος είναι Q  10 . πριν αυτά ομαδοποιηθούν. Επομένως όσο μικρότερο είναι αυτό το διάστημα. που υπολογίζεται εύκολα δε θεωρείται όμως αξιόπιστο μέτρο διασποράς. γιατί βασίζεται μόνο στις δυο ακραίες παρατηρήσεις. το εύρος σε ομαδοποιημένα δεδομένα μπορεί να διαφέρει ελαφρώς από τα αντίστοιχα δεδομένα πριν αυτά ομαδοποιηθούν. β) Ενδοτεταρτημοριακό Εύρος (Q) Το ενδοτεταρτημοριακό εύρος (interquartile range) είναι η διαφορά του πρώτου τεταρτημορίου Q1 από το τρίτο τεταρτημόριο Q3 . Το εύρος των υψών των μαθητών του δείγματος στον πίνακα 9 είναι R  192  156  36 .92 Το απλούστερο από τα μέτρα διασποράς είναι το εύρος ή κύμανση (range) (R). Δηλαδή το 50% των μαθητών έχουν ύψος μεταξύ 168 και 178 cm.

93 Ένας άλλος τρόπος για να υπολογίσουμε τη διασπορά των παρατηρήσεων t1 .  t v vx    x  x  0. Ο αριθμός όμως αυτός είναι ίσος με μηδέν.  (t v  x ) t1  t 2  .... t v μιας μεταβλητής Χ θα ήταν να αφαιρέσουμε τη μέση τιμή x από κάθε παρατήρηση και να βρούμε τον αριθμητικό μέσο των διαφορών αυτών. η διακύμανση ορίζεται από τη σχέση: s2  1 κ  ( xi  x ) 2 νi ν i 1 (3) ή την ισοδύναμη μορφή: (4) .. Το μέτρο αυτό καλείται διακύμανση ή διασπορά (variance) και ορίζεται από τη σχέση s2  1 ν  (t i  x ) 2 ν i 1 (1) Ο τύπος αυτός αποδεικνύεται ότι μπορεί να πάρει την ισοδύναμη μορφή: 2  ν   ν   ti   1 i 1   s 2   t i2    ν i 1 ν      (2) η οποία διευκολύνει σημαντικά τους υπολογισμούς κυρίως όταν η μέση τιμή x δεν είναι ακέραιος αριθμός.  (t v  x )  v  (t i  x ) i 1 v ... Όταν έχουμε πίνακα συχνοτήτων ή ομαδοποιημένα δεδομένα. δηλαδή τον αριθμό: v (t1  x )  (t 2  x )  .. t 2 .. αφού (t1  x )  (t 2  x )  .. ως ένα μέτρο διασποράς παίρνουμε τον μέσο όρο των τετραγώνων των αποκλίσεων των t i από τη μέση τιμή τους x .. v v v Γι’αυτό.

x 2 . ν κ .6 .. Για παράδειγμα. που επιβεβαιώνει τη διαπίστωσή μας ότι η βαθμολογία των μαθητών του τμήματος Β παρουσιάζει μεγαλύτερη μεταβλητότητα από τη βαθμολογία των μαθητών του τμήματος Α.. Ομοίως. 10 10 ενώ για τους μαθητές του τμήματος Β βρίσκουμε s B2  6. η διακύμανση του ύψους των μαθητών για τα ομαδοποιημένα δεδομένα του πίνακα 9..4 2 2 s   x i ν i      ν i 1 40  ν  40      .. η διακύμανση της βαθμολογίας των μαθητών του τμήματος Α είναι σύμφωνα με την (1) s A2  (13  15) 2  (13  15) 2  (14  15) 2  . s 2   xi2 vi    v i 1 v      όπου x1 . υπολογίζεται σύμφωνα με τον τύπο (3).... x κ οι τιμές της μεταβλητής (ή τα κέντρα των κλάσεων) με αντίστοιχες συχνότητες ν1 .. ν 2 ..  (18  15) 2 20   2.6930   53. όπως φαίνεται στον επόμενο πίνακα: Κλάσεις [ .) Κεντρικές τιμές xi 156-162 159 162-168 165 168-174 171 174-180 177 180-186 183 186-192 189 Σύνολο: Συχνότητα νi xi2 xi νi x i2 νi 2 8 12 11 5 2 ν  40 25281 27225 29241 31329 33489 35721 — 318 1320 2052 1942 915 378 x i ν i  50562 217800 350892 344619 167445 71442 x i2 ν i  6930 1202760 Επομένως: 2  κ   x ν κ  i i   2 1 i 1    1 1202776 .94 2    κ κ   xi vi   1 i 1  ..

δηλαδή R  6 s .3 cm . δ) Τυπική Απόκλιση (s) Η διακύμανση είναι μια αξιόπιστη παράμετρος διασποράς. βρίσκουμε s 2  50.4  7. Αν όμως πάρουμε τη θετική τετραγωνική ρίζα της διακύμανσης.7% περίπου των παρατηρήσεων βρίσκεται στο διάστημα ( x  3s. συμβολίζεται με s και δίνεται από τη σχέση: s  s2 Η τυπική απόκλιση για το ύψος των μαθητών του πίνακα 4 είναι από το προηγούμενο παράδειγμα s  53. Αξίζει να σημειωθεί ότι αν η καμπύλη συχνοτήτων για το χαρακτηριστικό που εξετάζουμε είναι κανονική ή περίπου κανονική.13 cm . Για παράδειγμα.9  7. x  2 s ) iii) το 99. τότε η τυπική απόκλιση s έχει τις παρακάτω ιδιότητες: 15 i) το 68% περίπου των παρατηρήσεων βρίσκεται στο διάστημα ( x  s.9 .95 Εάν υπολογίσουμε τη διακύμανση από τα μη ομαδοποιημένα δεδομένα του πίνακα 8. αν υπολογιστεί από τα μη ομαδοποιημένα δεδομένα του πίνακα 8. που εξετάσαμε έως τώρα. η διακύμανση εκφράζεται σε cm 2 . αν αυτή υπολογιστεί από τα ομαδοποιημένα δεδομένα του πίνακα 9. s s x  3s x  2 s x  s x 68% 95% 99. Η ποσότητα αυτή λέγεται τυπική απόκλιση (standard deviation). x  3s ) iv) το εύρος ισούται περίπου με έξι τυπικές αποκλίσεις. όπως ακριβώς είναι και όλα τα άλλα μέτρα θέσης.7% x  s x  2 s x  3s . αλλά έχει ένα μειονέκτημα. Δεν εκφράζεται με τις μονάδες με τις οποίες εκφράζονται οι παρατηρήσεις. Η διαφορά αυτή οφείλεται στην απώλεια πληροφορίας λόγω ομαδοποίησης των παρατηρήσεων. ή s  50. αν οι παρατηρήσεις εκφράζονται σε cm. θα έχουμε ένα μέτρο διασποράς που θα εκφράζεται με την ίδια μονάδα μέτρησης του χαρακτηριστικού. x  s ) ii) το 95% περίπου των παρατηρήσεων βρίσκεται στο διάστημα ( x  2 s.

τη μεταβλητότητα των δεδομένων απαλλαγμένη από την επίδραση της μέσης τιμής.96 Συντελεστής Mεταβολής (CV) Έστω ότι από ένα δείγμα είκοσι μαθητών της Α΄ Γυμνασίου βρήκαμε μέσο βάρος x A  40 kgr και τυπική απόκλιση s A  6 kgr . ενώ από ένα δεύτερο δείγμα τριάντα μαθητών της Γ΄ Λυκείου βρήκαμε μέσο βάρος x B  75 kgr και τυπική απόκλιση s B  6 kgr . Στην περίπτωση αυτή έχουμε διαφορετικές μονάδες μέτρησης του μισθού. δηλαδή. Εκφράζει. Για το πρώτο παράδειγμα του βάρους έχουμε συντελεστή μεταβολής για τις δύο ομάδες μαθητών: CV A  sA 6  100%   100%  15% και 40 xA CV B  sB 6  100%   100%  8% 75 xB δηλαδή. όπως έχουμε δει έως τώρα.400 με τυπική απόκλιση s B  $350 .000 δρχ. με τυπική απόκλιση s A  42. ο βαθμός διασποράς του βάρους των μαθητών Γυμνασίου είναι μεγαλύτερος από το βαθμό διασποράς του βάρους των μαθητών Λυκείου (για .. Όπως αντιλαμβανόμαστε. είναι λάθος να πούμε ότι το βάρος των μαθητών του Λυκείου έχει τον ίδιο βαθμό μεταβλητότητας με το βάρος των μαθητών του Γυμνασίου. καθόσον η βαρύτητα που έχουν τα 6 kgr στο μέσο βάρος των 40 kgr είναι διαφορετική από αυτήν που έχουν στο μέσο βάρος των 75 kgr. ας υποθέσουμε ότι ο μέσος μισθός των υπαλλήλων μιας εταιρείας Α είναι x A  250. μέση τιμή x Ο συντελεστής μεταβολής εκφράζεται επί τοις εκατό. αλλά έχουν σημαντικά διαφορετικές μέσες τιμές. ο οποίος ορίζεται από το λόγο: CV  τυπική απόκλιση s  100%   100% .000 δρχ. Ακόμη. είναι ο συντελεστής μεταβολής ή συντελεστής μεταβλητότητας (coefficient of variation). Ένα μέτρο με το οποίο μπορούμε να ξεπεράσουμε τις παραπάνω δυσκολίες και το οποίο μας βοηθά στη σύγκριση ομάδων τιμών. που είτε εκφράζονται σε διαφορετικές μονάδες μέτρησης είτε εκφράζονται στην ίδια μονάδα μέτρησης. επομένως οι διασπορές των παρατηρήσεων δεν είναι άμεσα συγκρίσιμες. είναι συνεπώς ανεξάρτητος από τις μονάδες μέτρησης και παριστάνει ένα μέτρο σχετικής διασποράς των τιμών και όχι της απόλυτης διασποράς. ενώ για τους υπαλλήλους μιας εταιρείας Β είναι x B  $1.

ο συντελεστής μεταβολής δίνει μεγαλύτερη σχετική διασπορά στην εταιρεία Β.67 sec.97 τα συγκεκριμένα δείγματα). γ) σε πόσο χρόνο από της στιγμή της εκκίνησης κάλυψε την απόσταση το 25% των μαθητών. Παρ’όλο που η τυπική απόκλιση των μισθών στην εταιρεία Α είναι μεγαλύτερη από την τυπική απόκλιση στην εταιρεία Β. ο διάμεσος και ο επικρατέστερος χρόνος για την κάλυψη της συγκεκριμένης απόστασης. Ο διπλανός πίνακας συχνοτήτων δίνει την κατανομή του χρόνου Χ (σε sec) 60 μαθητών που χρειάστηκαν. ΕΦΑΡΜΟΓΕΣ 1. Γενικά δεχόμαστε ότι ένα δείγμα τιμών μιας μεταβλητής θα είναι ομοιογενές. Να υπολογιστούν: α) ο μέσος. Ανάλογα συμπεράσματα βγάζουμε και για το δεύτερο παράδειγμα. εάν ο συντελεστής μεταβολής δεν ξεπερνά το 10%. x v 60 . Αυτό μεταφράζεται στο να λέμε ότι έχουμε μεγαλύτερη ομοιογένεια μισθών στην εταιρεία Α παρά στη Β. ο μέσος χρόνος για την κάλυψη της συγκεκριμένης απόστασης είναι:  xi vi  4000  66. όπου βρίσκουμε CV A  12% και CV B  25% . για να τρέξουν μια δεδομένη απόσταση. β) η τυπική απόκλιση. xi νi 50 55 60 65 70 75 80 4 6 8 12 14 10 6 ΛΥΣΗ α)  Για τον υπολογισμό της μέσης τιμής συμπληρώνουμε τις τρεις πρώτες στήλες του παρακάτω πίνακα: xi vi xi vi xi2 vi 50 55 60 65 70 75 80 Σύνολο 4 6 8 12 14 10 6 ν=60 200 330 480 780 980 750 480 Σ xi vi =4000 10000 18150 28800 50700 68600 56250 38400 Σ xi2 vi =270900 Επομένως.

Δηλαδή.. παρατηρήσεων 65 και 70.56  8. όταν λ  x .4 sec .  ( x v  λ) 2 i 1 γίνεται ελάχιστη.. μιας και η μέση τιμή δεν είναι ακέραιος αριθμός. άρα M 0  70 sec .56 sec 60   60  και η τυπική απόκλιση s  70..  2( x v  λ) . βρίσκουμε f ( λ)  2( x1  λ)  2( x 2  λ). άρα η διάμεσος είναι ο μέσος όρος της 30ής και 31ης παρατήρησης.. β) Για τον υπολογισμό της τυπικής απόκλισης είναι προτιμότερο να εφαρμόσουμε τη σχέση (4).  x v  λ  0 x1  x 2  . 2.. ύστερα από μία ώρα από τη στιγμή της εκκίνησης το 25% των μαθητών κάλυψαν τη συγκεκριμένη απόσταση. άρα δ  2  Η επικρατούσα τιμή είναι η τιμή με τη μεγαλύτερη συχνότητα.. . Έχουμε διαδοχικά: f ( λ)  0 x1  λ  x 2  λ  .  xν λ 1  x.  x v  νλ  0 x  x 2  . ΛΥΣΗ Λαμβάνοντας την πρώτη παράγωγο της f ( λ) . δηλαδή ο μέσος όρος των 65  70  67. Αριστερά της διαμέσου δ  67.98  Έχουμε ν  60 παρατηρήσεις σε αύξουσα σειρά. Με βάση τον παραπάνω πίνακα η διακύμανση της μεταβλητής Χ είναι: s2   xi vi  1  2  x i v i  v v  2  1  4000 2  2  270900    70. γ) Θέλουμε να υπολογίσουμε το πρώτο τεταρτημόριο. δηλαδή Q1  (60  60) / 2  60 sec ... συνεπάγεται ότι για λ  x η f ( λ) γίνεται ελάχιστη. Η διάμεσος αυτών των 30 πρώτων παρατηρήσεων είναι το ημιάθροισμα της 15ης και 16ης παρατήρησης. Q1 .. Να αποδειχτεί ότι η συνάρτηση v f ( λ )   ( x i  λ) 2  ( x 1  λ) 2 ( x 2  λ) 2  . ν Η δεύτερη παράγωγος της f ( λ) είναι: f ( λ)  2 2  .  2  2ν    ν και επειδή f ( x )  2ν  0...5 sec .5 έχουμε 30 παρατηρήσεις..

ii) s y  s x β) Αν y1 .. α) Αν y1 . x 2 .. i  1.... Έστω x1 . να δειχτεί ότι: i) y  x  c .. ii) s y | c | s x ΑΠΟΔΕΙΞΗ α) Έχουμε yi  xi  c .. επομένως: i) y1  y 2  .. v .  ( xv  c  x  c) 2  1 v 2 2 ( x  x )  ( x 2  x )  ......... x v ν παρατηρήσεις με μέση τιμή x και τυπική απόκλιση s x ......2.  ( y v  y ) 2 v 2 ( x  c  x  c)  ( x 2  c  x  c) 2  .  ...... να αποδειχτεί ότι: i) y  c x ..2.  ( y v  y ) 2 v  (cx1  cx ) 2  (cx2  cx ) 2  .....  (cxv  cx ) 2 v c 2 [( x1  x ) 2  ( x 2  x ) 2  ..  cxv x  x 2  ..... x v επί μια σταθερά c.  y v x1  c  x 2  c  ..  xv  c  v v x1  x 2  .. i  1.. y v είναι οι παρατηρήσεις που προκύπτουν αν προσθέσουμε σε καθεμιά από τις x1 ..  ( xv  x ) 2 ]  c 2 s x2 . v Άρα και s y  s x .. επομένως: i) y y1  y 2  ..  y v cx1  cx 2  .. ii) s 2y  β) Έχουμε y i  cxi ...  xv  c 1  cx v v v ii) s y2  ( y1  y ) 2  ( y 2  y ) 2  ..99 3. y 2 . x 2 . x 2 ... v Άρα και s y  | c | s x ..  xv vc    x c v v y ( y1  y ) 2  ( y 2  y ) 2  ..  ( xv  x ) 2  1  s x2 .. v .. x v μια σταθερά c. y v είναι οι παρατηρήσεις που προκύπτουν αν πολλαπλασιάσουμε τις x1 . y 2 .

34. τη διάμεσο και την επικρατούσα τιμή του βάρους όλων των μπαλών. Έχουμε ένα δείγμα ν  10 παρατηρήσεων. 1 και 3. 18. Η μέση ηλικία 18 αγοριών και 12 κοριτσιών μιας τάξης είναι 15. Ποιο είναι το μέσο ύψος της ομάδας τώρα. Το μέσο ύψος 9 καλαθοσφαιριστών μιας ομάδας είναι 205 cm. μια κόκκινη 12 gr και μια πράσινη 13 gr Nα βρείτε τη μέση τιμή. Είναι δυνατό η μέση τιμή να είναι α) 1 β) 4 γ) 1. και 4 υπαλλήλους στο Τμήμα Γ με μέσο μισθό 360 χιλ. δρχ. 8. 0. β) 20 μπάλες γ) δε γνωρίζουμε πόσες μπάλες υπάρχουν στην κάλπη. 10. Η επίδοση ενός μαθητή σε πέντε μαθήματα είναι 12. -10. 14. Ένας επενδυτής επένδυσε το ίδιο ποσό χρημάτων σε 8 διαφορετικές μετοχές στο χρηματιστήριο. 14.4 χρόνια. Να βρεθεί η μέση εκατοστιαία απόδοση της επένδυσης. 2. δρχ. 3. 6 υπαλλήλους στο Τμήμα Β με μέσο μισθό 280 χιλ.100 ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. Έξι διαδοχικοί άρτιοι αριθμοί έχουν μέση τιμή 15.8. 16. να βρείτε τη μέση ηλικία των κοριτσιών. 3. 6. α) Για να “ψηλώσει” την ομάδα ο προπονητής πήρε έναν ακόμη παίκτη με ύψος 216 cm. 20%. β) Εάν ήθελε να “ψηλώσει” την ομάδα στα 208 cm. Σε ποια μαθήματα έπρεπε να δώσει ιδιαίτερη προσοχή ο μαθητής. 27. Κατά τη διάρκεια του περασμένου έτους οι μετοχές είχαν τις παρακάτω εκατοστιαίες μεταβολές στην αξία τους: 5. -20. 5. μαύρες..8 χρόνια. δρχ. όπου κάθε παρατήρηση μπορεί να είναι 1. μια μαύρη 11 gr. Μια άσπρη μπάλα έχει βάρος 10 gr. Ποιος . Εάν η μέση ηλικία των αγοριών είναι 15. 2 ή 3. αν ξέρουμε ότι στην κάλπη υπάρχουν α) 10 μπάλες. 4. β) Αν τα μαθήματα είχαν συντελεστές στάθμισης 2. 7. κόκκινες και πράσινες μπάλες σε αναλογία 10%. πόσο ύψος έπρεπε να έχει ο καλαθοσφαιριστής που πήρε. Να βρείτε τους αριθμούς και τη διάμεσό τους. Σε μια κάλπη υπάρχουν άσπρες. ποια θα ήταν η μέση επίδοση. 30% και 40% αντίστοιχα. 16. 1. α) Να βρείτε τη μέση επίδοση.. Ένα εργοστάσιο απασχολεί 5 υπαλλήλους στο Τμήμα Α με μέσο (μηνιαίο) μισθό 249 χιλ.

60. 50. 99. γ) η διάμεσος. 2. 40. 1 11. Οι τρεις από αυτούς είναι οι 5. 8. 13. 50. Ποιο θα είναι το μέσο ύψος της τάξης: α) αν φύγει ένας μαθητής με ύψος 180 cm.5. 50. 100 0. 20. Στο διπλανό πίνακα δίνονται οι τιμές μιας μεταβλητής Χ με τις αντίστοιχες συχνότητές τους. Η πέμπτη συχνότητα χάθηκε! Μπορείτε να την “ανακαλύψετε”. (Να μη γίνουν πράξεις). 14. 9. xi νi 2 3 4 5 6 7 1 3 1 2 . 10. Το μέσο ύψος των 30 μαθητών και μαθητριών μιας τάξης είναι 170 cm. γ) αν φύγει ένας μαθητής με ύψος 180 cm και έλθει μια μαθήτρια με ύψος 170 cm. 9. . 48. γ) υπάρχουν δύο επικρατούσες τιμές. Καθεμία από τις παρακάτω λίστες δεδομένων έχουν μέση τιμή 50. β) αν έρθει μια νέα μαθήτρια με ύψος 170 cm.4. δ) το πρώτο και τρίτο τεταρτημόριο. α) Σε ποια λίστα υπάρχει (i) μεγαλύτερη (ii) μικρότερη διασπορά παρατηρήσεων. εάν γνωρίζετε ότι α) η μέση τιμή είναι 4. β) η διάμεσος είναι το 4. 12. β) Μπορεί να χρησιμοποιηθεί για σύγκριση των δεδομένων αυτών το εύρος. Για την κατανομή του βαθμού των Μαθηματικών της Β΄ τάξης των 40 μαθητών και μαθητριών της Γ΄ Λυκείου του πίνακα 4 να βρείτε: α) τη μέση τιμή. 1. Επισκέψεις Συχνότητα [0-2) 2-4 4-6 6-8 8-10 8 12 10 6 4 Να υπολογιστούν: α) η μέση τιμή. Ο παρακάτω πίνακας δίνει τον αριθμό των επισκέψεων 40 μαθητών σε διάφορα μουσεία της χώρας κατά τη διάρκεια ενός έτους. 0. 52. 51. 49. 100 0.101 είναι ο μέσος μισθός όλων των υπαλλήλων. 80. β) η επικρατούσα τιμή. δ) το πρώτο και το τρίτο τεταρτημόριο και να ερμηνεύσετε τα αποτελέσματα. Να βρείτε τους άλλους δύο. 98. 100. Η μέση τιμή και η διάμεσος πέντε αριθμών είναι 6. β) τη διάμεσο. γ) την επικρατούσα τιμή.

19. . Ο μέσος χρόνος που χρειάζονται οι μαθητές ενός σχολείου να πάνε το πρωί από το σπίτι τους μέχρι το σχολείο είναι 10 λεπτά με τυπική απόκλιση 2 λεπτά. 7 γ) 6. 12 β) 3. Οι μαθητές του Γ2 ξόδεψαν σε μια μέρα κατά μέσο όρο 625 δρχ. Η βαθμολογία 50 μαθητών στην Ιστορία κυμαίνεται από 10 μέχρι 20 (κανένας δεν είναι κάτω από τη βάση). αγοράζοντας διάφορα τρόφιμα από το κυλικείο του σχολείου. και Q3 . 17. 21 δ) -1. Εάν επιπλέον γνωρίζετε ότι το  xi2  11. -3. 14. 8.700 . Εάν ο συντελεστής μεταβολής είναι 27.2%. 11. α) Να παρασταθούν τα δεδομένα σε έναν πίνακα συχνοτήτων. γ) το πολύ 10 λεπτά δ) από 6 έως 12 λεπτά 18. να βρείτε την τυπική απόκλιση. την τυπική απόκλιση και το συντελεστή μεταβολής. 5. 15. 15. 3. δεκαπέντε κάτω από 14. πέντε μεγαλύτερο ή ίσο του 18 και δεκαπέντε μεγαλύτερο ή ίσο του 16. 4. Να υπολογίσετε: α) τη μέση τιμή. Η βαθμολογία δέκα μαθητών σε ένα διαγώνισμα ήταν: 7. 11. β) τα Q1 . -4. 3.746. Να υπολογίσετε τη διακύμανση και την τυπική απόκλιση για καθεμιά από τις παρακάτω λίστες δεδομένων. 13. Β΄ ΟΜΑΔΑΣ 1. πόσοι είναι οι μαθητές του Γ2. 16. -5. γ) το εύρος. 20. 12. 9. να βρείτε κατά προσέγγιση το ποσοστό των μαθητών που χρειάζονται: α) κάτω από 8 λεπτά β) πάνω από 14 λεπτά για να πάνε στο σχολείο τους. -7. 10.102 15. 12. Υποθέτοντας ότι έχουμε περίπου κανονική κατανομή. 10. την επικρατούσα τιμή και τη διάμεσο. Γνωρίζουμε επίσης ότι πέντε μαθητές έχουν βαθμό κάτω από 12. α) 1. Να υπολογίσετε τη μέση τιμή και τη διάμεσο για τα παρακάτω δείγματα δεδομένων και να σχολιάσετε τα αποτελέσματα: α) 1 2 6 β) 2 4 12 γ) 11 12 16 δ) 12 14 22. 9. 4. Να υπολογιστεί η τυπική απόκλιση των δεδομένων της άσκησης 12. Συγκρίνοντας τα δεδομένα και τα αποτελέσματα τι συμπέρασμα βγάζετε.

. α) Ποια είναι η μέση.. Η μέση τιμή και η διακύμανση των 5 τιμών ενός δείγματος είναι x  4 και 4 s 2  10 . 7. 4. δρχ. 3. Q3 . αν προσθέσουμε και το ΦΠΑ. γ) Αν ο μαθητής πληρώσει επί πλέον 100 δρχ. (χωρίς ΦΠΑ) για κάθε βιβλίο που θα “ντύσει”. 4. Εάν. 10 α) Πόσοι είναι οι πωλητές. για τις τέσσερις τιμές ισχύει  ( xi  x ) 2  14 . που είναι 18%. η διάμεση και η επικρατούσα αξία (τιμή) των βιβλίων. γ) Εάν στο 5% των μαθητών με την καλύτερη επίδοση δοθεί έπαινος. 6. 2. 8 β) Πόσοι πωλητές έκαναν πωλήσεις 6 πάνω από 5 εκατομμύρια δρχ. πόσο βαθμό πρέπει να έχει κάποιος μαθητής για να πάρει έπαινο. Στο διπλανό σχήμα φαίνονται τα ύψη των πωλήσεων σε εκατομμύρια δρχ. 9. . ii) τη διάμεσο. 6. δρχ. τη μέση τιμή και τη διακύμανση. αντίστοιχα. 2. αντίστοιχα. ε) Από το πολύγωνο αθροιστικών σχετικών συχνοτήτων να εκτιμήσετε τα τρία τεταρτημόρια Q1 . 2 δ) Να κατασκευάσετε τον πίνακα 0 συχνοτήτων και να υπολογίσετε 0 2 4 6 8 10 12 14 πωλήσεις σε εκατομ. πώς διαμορφώνονται τώρα τα ευρήματα του ερωτήματος (β). τότε εκείνες μετασχηματίζονται σε άλλες τιμές με μέση τιμή 0 και διασπορά 1. γ) Να βρεθεί η επικρατούσα τιμή 4 των πωλήσεων. 2.103 β) Να υπολογίσετε: i) τη μέση τιμή. Q2 . 4 χιλ. Ένας μαθητής αγόρασε 10 βιβλία που κόστιζαν χωρίς ΦΠΑ 5. 3. 10 και 12 ενός δείγματος αφαιρέσουμε τη μέση τιμή τους και διαιρέσουμε με την τυπική τους απόκλιση. 5. β) Πώς μεταβάλλονται τα ευρήματα του ερωτηματος (α). 8. Να δείξετε ότι η ιδιότητα αυτή ισχύει για όλα τα δυνατά δείγματα. 2. να i 1 βρεθεί η πέμπτη τιμή. που έγιναν από τους πωλητές μιας 14 εταιρείας κατά τη διάρκεια ενός 12 έτους. 3. Να δείξετε ότι εάν από όλες τις τιμές 0. 3.

Να υπολογίσετε: α) Την τυπική απόκλιση και το συντελεστή μεταβολής. για να προσδιορίσουμε με ποιο τρόπο οι μεταβλητές αυτές σχετίζονται μεταξύ τους. Για παράδειγμα: α) Η ηλικία και το βάρος ενός παιδιού έχουν κάποια θετική εξάρτηση (συσχέτιση) μεταξύ τους με την έννοια ότι όσο πιο μεγάλο είναι το παιδί τόσο μεγαλύτερο βάρος θα έχει. . π. με το ύψος. και στη συνέχεια να τα 85-89 123 195 συγκρίνετε. Για καθεμιά μεμονωμένη μεταβλητή αρκεστήκαμε στη μελέτη της κατανομής συχνοτήτων. στον υπολογισμό διάφορων μέτρων όπως μέση τιμή.χ. Από τη Στατιστική της Φυσικής Κίνησης Πληθυσμού της Ελλάδας οι θάνατοι λόγω υπερτασικής νόσου το Θάνατοι Ηλικία Άνδρες Γυναίκες 1995 δίνονται στον διπλανό πίνακα 50-54 10 7 (ΕΣΥΕ): 55-59 10 4 Να κατασκευάσετε στο ίδιο σχήμα 60-64 17 21 τα πολύγωνα αθροιστικών σχετικών 65-69 36 57 συχνοτήτων για την ηλικία ανδρών 70-74 44 61 και γυναικών. με την επίδοση μαθητών κτλ. β) Το ενδοτεταρτημοριακό εύρος. β) Η διάρκεια ζωής των ζώντων οργανισμών σε μια περιοχή και το ποσοστό μόλυνσης της περιοχής έχουν αρνητική εξάρτηση μεταξύ τους. Στο διπλανό πίνακα δίνεται η κατανομή της ηλικίας των ατόμων μιας πόλης. διακύμανση κτλ. 2. με το βάρος. που 75-79 73 109 πέθαναν από υπερτασική νόσο το 80-84 117 162 1995.104 6. Σε αρκετές όμως περιπτώσεις εξίσου ενδιαφέρουσα είναι και η ταυτόχρονη μελέτη δύο ή περισσότερων μεταβλητών. διάμεσος.4 ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Εισαγωγή Στα διάφορα προβλήματα που εξετάσαμε έως τώρα στη Στατιστική ασχοληθήκαμε κάθε φορά με μία μόνο μεταβλητή (ξεχωριστά). αντίστοιχα. Ηλικία (σε έτη) Συχνότητα (σε χιλιάδες) 0-20 20-40 40-60 60-80 80-100 12 14 20 10 4 7. με την έννοια ότι όσο πιο μεγάλο είναι το ποσοστό μόλυνσης της περιοχής τόσο μικρότερη είναι η διάρκεια ζωής των οργανισμών που ζουν στην περιοχή.

ε) Το ύψος των αποδοχών των υπαλλήλων μιας εταιρείας δεν εξαρτάται από το βάρος τους. από την ποσότητα λιπάσματος. Έτσι λοιπόν είναι ενδιαφέρον να εξεταστούν οι επιδράσεις που κάποιες μεταβλητές ασκούν σε κάποιες άλλες μεταβλητές. Με τη μελέτη του ύψους των παιδιών σε σχέση με το ύψος των γονέων διαπιστώθηκε ότι παιδιά ψηλών γονέων τείνουν. Σε ένα δείγμα 10 μαθητών μετράμε. Η διάκριση εδώ μεταξύ ανεξάρτητης και εξαρτημένης μεταβλητής είναι δύσκολη. Στις μη πειραματικές μελέτες ή δειγματοληψίες. Ιστορικά. από πριν τις δόσεις ενός φαρμάκου (ανεξάρτητη μεταβλητή) που δίνει στα πειραματόζωα και μετρά τις αντιδράσεις τους (εξαρτημένη μεταβλητή).105 γ) Όσο μεγαλύτερη (μέχρι ένα ανώτερο όριο) είναι η περιεκτικότητα σε φθόριο στο πόσιμο νερό. κατά μέσο όρο. και η εξαρτημένη μεταβλητή Y (dependent or response variable). Στις πειραματικές μελέτες ο ερευνητής καθορίζει. Η ύπαρξη μιας συναρτησιακής σχέσης (εξίσωσης) μεταξύ των μεταβλητών μπορεί να είναι εξαιρετικά πολύτιμη για την πρόβλεψη των τιμών μιας μεταβλητής από τις γνώσεις που διαθέτουμε για τις άλλες μεταβλητές. όταν ισχύουν κάποιες συγκεκριμένες συνθήκες. τότε . το βάρος και το ύψος τους. της υγρασίας κτλ. να είναι κοντύτερα των γονιών τους. για παράδειγμα. δ) Η συνολική παραγωγή καλαμποκιού εξαρτάται από τη θέση του χωραφιού. Αν αυτό που μας ενδιαφέρει είναι το “τι συμβαίνει με το βάρος των παιδιών όταν αλλάζει το ύψος τους”. Με την παλινδρόμηση ενδιαφέρεται να προσδιορίσει μία σχέση δόσης-αντίδρασης για το συγκεκριμένο φάρμακο. να γίνονται ψηλότερα των γονιών τους. κατά την οποία υπάρχει μόνο μια ανεξάρτητη μεταβλητή X (independent or input variable). για παράδειγμα. Απλή Γραμμική Παλινδρόμηση Η απλούστερη περίπτωση παλινδρόμησης είναι η απλή γραμμική παλινδρόμηση (simple linear regression). ενώ παιδιά κοντών γονέων τείνουν. τόσο μικρότερες είναι οι περιπτώσεις στη φθορά των δοντιών των μικρών παιδιών. ο όρος “regression” χρησιμοποιήθηκε για πρώτη φορά από τον Άγγλο ανθρωπολόγο Galton (1822-1911) το 1885. Η περίπτωση αυτή εμφανίζεται τόσο σε πειραματικές όσο και σε μη πειραματικές μελέτες. από την επίδραση της θερμοκρασίας. η οποία μπορεί να προσεγγιστεί ικανοποιητικά από μία γραμμική συνάρτηση του X. κατά μέσο όρο. γίνονται μετρήσεις σε δύο χαρακτηριστικά (μεταβλητές) για κάθε άτομο (μονάδα) του δείγματος. Ο κλάδος της Στατιστικής που εξετάζει τη σχέση μεταξύ δύο ή περισσότερων μεταβλητών με απώτερο σκοπό την πρόβλεψη μιας απ’αυτές μέσω των άλλων χαρακτηρίζεται με την ονομασία ανάλυση παλινδρόμησης (regression analysis).

Η παράσταση αυτή των σημείων καλείται διάγραμμα διασποράς (scatter diagram). Πίνακας 10 Λίστα υψών (σε cm) και βαρών (σε kg) των 18 αγοριών του πίνακα 4. Δηλαδή το δείγμα αποτελείται από τα ζεύγη τιμών των συνεχών μεταβλητών X (ύψος) και Y (βάρος). Αντίθετα. τότε θεωρούμε ως ανεξάρτητη μεταβλητή Χ το βάρος και ως εξαρτημένη μεταβλητή Υ το ύψος. βλέπε σχήμα 16. . Μαθητής Α Β Γ Δ Ε Ζ Η Θ Ι Ύψος X 170 172 173 175 176 177 178 178 178 Βάρος Y 58 60 67 72 65 81 73 74 73 Μαθητής Κ Λ Μ Ν Ξ Ο Π Ρ Σ Ύψος X 178 179 180 180 180 180 182 187 191 Βάρος Y 68 76 68 80 70 85 71 85 86 Στο παράδειγμα αυτό έχουμε την περίπτωση όπου σε κάθε άτομο (μαθητή) γίνονται δύο μετρήσεις. Τότε έχουμε παλινδρόμηση του ύψους (Υ) πάνω στο βάρος (Χ). Διάγραμμα Διασποράς Ο παρακάτω πίνακας 10 δίνει τα ύψη X (σε cm) και τα βάρη Y (σε kg) των 18 αγοριών της Γ΄ Λυκείου του πίνακα 4.106 θεωρούμε ως ανεξάρτητη μεταβλητή X το ύψος και ως εξαρτημένη μεταβλητή Y το βάρος. Αν παραστήσουμε τα ζεύγη ( x. Οπότε. παρατηρούμε ότι προκύπτει μία “διασπορά” των σημείων που αντιστοιχούν στους μαθητές που εξετάζουμε. αν μας ενδιαφέρει το “τι συμβαίνει με το ύψος των παιδιών όταν αλλάζει το βάρος τους”. y ) των παρατηρήσεων σε ένα σύστημα ορθογώνιων αξόνων. Οι τιμές του ύψους δίνονται σε αύξουσα σειρά. ενδιαφερόμαστε για την παλινδρόμηση του βάρους (Y) πάνω στο ύψος (X).

Όπως έχουμε ήδη αναφέρει. οπότε η ευθεία που θα προσαρμόζεται καλύτερα στα σημεία αυτά καλείται ευθεία παλινδρόμησης της Y πάνω στη X. όπως ο Π είναι ψηλότερος από τον Ν αλλά ο Ν είναι βαρύτερος από τον Π. Στο παράδειγμα αυτό το διάγραμμα διασποράς δείχνει. έτσι ώστε η ευθεία που θα προκύψει να μας δίνει όσο . Όπως γνωρίζουμε. αλλά υπάρχουν και εξαιρέσεις. Ευθεία Παλινδρόμησης Από το διάγραμμα διασποράς του προηγούμενου παραδείγματος φαίνεται καθαρά ότι υπάρχει μία σχέση ανάμεσα στο ύψος Χ και το βάρος Υ των 18 αγοριών της Γ΄ Λυκείου. Η προσεκτική παρατήρηση ενός διαγράμματος διασποράς μπορεί να μας δώσει σημαντικές πληροφορίες για τη σχέση εξάρτησης που ενδεχομένως υπάρχει μεταξύ των μεταβλητών τις οποίες εξετάζουμε. η εξίσωση μιας ευθείας δίνεται από τη σχέση: y  α  βx (1) όπου α και β είναι παράμετροι τις οποίες θέλουμε να υπολογίσουμε ή. ο Ν είναι ψηλότερος και βαρύτερος από τον Κ. Η πείρα μας λέει ότι υπάρχει κάποια σχέση μεταξύ του ύψους και του βάρους κάθε μαθητή. δηλαδή η σχέση μεταξύ των X και Y είναι κατά προσέγγιση γραμμική. Για παράδειγμα.86) 83 Ν 78 73 68 Π Γ(173. μπορούμε να θεωρήσουμε τη μία μεταβλητή ως ανεξάρτητη μεταβλητή και την άλλη ως εξαρτημένη. ο Π είναι ψηλότερος και βαρύτερος από τον Κ. γενικά.107 88 16 Σ(191. Τα σημεία ( x. y ) είναι συγκεντρωμένα περίπου γύρω από μία ευθεία.67) Κ 63 58 170 174 178 182 ύψος (cm) 186 190 194 Διάγραμμα διασποράς και ευθεία προσαρμοσμένη “με το μάτι” για τα δεδομένα του πίνακα 10 . όπως λέμε. Εδώ θεωρούμε ως ανεξάρτητη μεταβλητή το ύψος X και ως εξαρτημένη μεταβλητή το βάρος Y. ότι οι ψηλοί μαθητές είναι συνήθως και πιο βαρείς. να “εκτιμήσουμε”.

οπότε προκύπτει το σύστημα:  y1  α  βx1 67  α  173 β  . Το κυριότερο είναι η έλλειψη αντικειμενικότητας. (2) Επομένως. Ο πιο εύκολος τρόπος χάραξης της ευθείας είναι αυτός που γίνεται “με το μάτι”.67) και  (191. έστω τα  (173. η ευθεία που κατά τη γνώμη μας προσαρμόζεται καλύτερα στα σημεία του διαγράμματος διασποράς διέρχεται από το σημείο (0 . όπου η ευθεία αυτή τέμνει τον άξονα y y .6) και έχει συντελεστή διεύθυνσης 1. Ακόμα και το ίδιο άτομο μπορεί να χαράζει διαφορετικές ευθείες κάθε φορά. Μάλιστα εδώ ο Gauss . -115.  86  α  191β  y 2  α  βx 2  Επιλύοντας το σύστημα αυτό βρίσκουμε α  115. y ) των σημείων αυτών στην (1). εργαζόμαστε ως εξής:  Επιλέγουμε δύο σημεία.6  1. Μέθοδος των Ελαχίστων Τετραγώνων Είδαμε ότι η πιο απλή διαδικασία προσαρμογής μιας ευθείας γραμμής σε ένα διάγραμμα διασποράς είναι “με το μάτι”.06 οπότε η εξίσωση της ευθείας (1) γίνεται: y  115. Μια τέτοια ευθεία έχουμε φέρει και στο διάγραμμα διασποράς του σχήματος 16. Για να βρούμε τα α και β. αφού διάφορα άτομα μπορούν να χαράξουν διαφορετικές μεταξύ τους ευθείες. Μιά μέθοδος που χρησιμοποιείται για την εκτίμηση των παραμέτρων α και β. (1777-1855) στην αστρονομική του πραγματεία “Theoria Motus” για τον προσδιορισμό της τροχιάς του μικρού πλανήτη Δήμητρα. Η πρώτη αναφορά με ολοκληρωμένη ανάπτυξη της μεθόδου των ελαχίστων τετραγώνων εμφανίζεται το 1805 σε μια εργασία του Γάλλου μαθηματικού Legendre. ενώ η παράμετρος β παριστάνει το συντελεστή διεύθυνσης της ευθείας. Χρειαζόμαστε λοιπόν μια ακριβέστερη μέθοδο για την προσαρμογή μιας ευθείας γραμμής σε τέτοιου είδους δεδομένα. α ) . Η παράμετρος α μας δίνει το σημείο (0.06 x .6 και β  1. Αυτή όμως έχει πολλά μειονεκτήματα παρά την απλότητά της.06. είναι η “μέθοδος ελαχίστων τετραγώνων”.  Αντικαθιστούμε τις συντεταγμένες ( x.108 το δυνατόν την καλύτερη περιγραφή της σχέσης (εξάρτησης) που υπάρχει μεταξύ των μεταβλητών X και Y. (1752-1833) και αμέσως μετά από το Γερμανό μαθηματικό Gauss. άρα και για την εύρεση της εξίσωσης της καλύτερης ευθείας που προσαρμόζεται στα δεδομένα.86) πάνω στην ευθεία που φέραμε “με το μάτι”.

έτσι ώστε να ελαχιστοποιείται το άθροισμα των τετραγώνων των κατακόρυφων αποστάσεων των σημείων ( xi . που πιστεύουμε ότι προσαρμόζεται καλύτερα στα σημεία ( xi . έχουμε δηλαδή ένα σφάλμα ε 2  60  64  4 . Η μέθοδος των ελαχίστων τετραγώνων συνίσταται στον προσδιορισμό των παραμέτρων α. με ύψος x 2  172 cm έχουμε βρει.81) . σύμφωνα με την ευθεία που φέραμε. ενώ το αναμενόμενο βάρος του σύμφωνα με την ευθεία που φέραμε είναι 71kg. Έτσι. το βάρος του που μετρήθηκε ήταν y 6  81kg . 17 90 }ε 85 18 Ζ(177. έτσι ώστε να προηγείται του Legendre ως προς την ανακάλυψη αυτής της μεθόδου.60) 55 165 170 175 180 Ύψος (σε cm) 185 190 195 Προσαρμογή ευθείας ελαχίστων τετραγώνων στο διάγραμμα διασποράς του δεδομένων του πίνακα 10 .60) .64) 65 }ε 60 }ε 1 2 Β(172. το βάρος του αναμένεται να είναι (περίπου) 64kg. ενώ. Ανάλογα σφάλματα υπολογίζονται και για τους άλλους μαθητές. βάρος y 2  60kg .71) (172. όπως φαίνεται στον πίνακα 10. β. δηλαδή βάρος 4kg λιγότερο από το αναμενόμενο. Ας δούμε ξανά το διάγραμμα διασποράς στο σχήμα 17 του προηγούμενου παραδείγματος για τα ύψη Χ και τα βάρη Υ των 18 μαθητών του πίνακα 10. έχουμε δηλαδή ένα σφάλμα ε 6  81  71  10 . για παράδειγμα. έτσι ώστε τα σφάλματα που προκύπτουν να είναι όσο το δυνατόν μικρότερα.81) 80 ε6 75  70 y=α+β x (177. για το μαθητή Β. σημείο Z (177. σημείο B (172. Θα θέλαμε λοιπόν να βρούμε με κάποια μέθοδο εκείνη την ευθεία y  α  βx . Ομοίως για το μαθητή Ζ.109 αναφέρει ότι χρησιμοποίησε την αρχή των ελαχίστων τετραγώνων πριν από το 1794 (σε ηλικία μόλις 17 ετών). Στο διάγραμμα αυτό έχουμε φέρει και μία ευθεία y  α  βx . yi ) από την ευθεία . yi ) για τις v  18 συνολικά μετρήσεις των μεταβλητών Χ και Υ. δηλαδή βάρος 10kg περισσότερο από το αναμενόμενο.

110 y  α  βx . αντιστοίχως. δηλαδή το ν ν i 1 i 1  εi2   ( yi  α  βxi ) 2 (4) να γίνεται ελάχιστο. καλούνται εκτιμήτριες ελαχίστων τετραγώνων (least square estimators). Ερμηνεία των αˆ και βˆ ευθεία . Παρατηρούμε ότι υπάρχει σημαντική διαφορά από την y  115. Αντικαθιστώντας το αˆ  y  βˆx στη σχέση (6) βρίσκουμε την yˆ  y  βˆ ( x  x ) . Αντικαθιστώντας τις τιμές xi και y i από τον πίνακα 10 στις σχέσεις (5) βρίσκουμε: βˆ  1.06 x που προσαρμόσαμε “με το μάτι” στο σχήμα 16. x   xi .1 οπότε η ευθεία ελαχίστων τετραγώνων που προσαρμόζεται καλύτερα στα δεδομένα είναι από τη σχέση (6). που ελαχιστοποιούν την (4). y ) και έχει συντελεστή διεύθυνσης το βˆ . η οποία φανερώνει ότι η ευθεία ελαχίστων τετραγώνων yˆ  αˆ  βˆx διέρχεται από το σημείο με συντεταγμένες ( x .28 x . Οι τιμές των παραμέτρων α και β.28 και αˆ  156. συμβολίζονται με αˆ (“α καπέλο”) και βˆ (“β καπέλο”). και αποδεικνύεται (η απόδειξη εδώ παραλείπεται) ότι δίνονται από τις σχέσεις: ν  ν  ν  ν  xi yi    xi   yi  i 1  i 1  i 1  βˆ  2 ν ν  2 ν  x i    xi  i 1  i 1  αˆ  y  βˆx όπου y (5) 1 ν 1 ν  y i . η yˆ  156.1  1.6  1. ν i 1 ν i 1 Η ευθεία yˆ  αˆ  βˆx (6) καλείται ευθεία ελαχίστων τετραγώνων ή ευθεία παλινδρόμησης της Υ (πάνω) στη Χ.

70 0. Να σχολιαστούν τα αποτελέσματα.5 7 6 5 4 2. Δόση (σε mgr) Χρόνος λιποθυμίας (sec) 0.60 0. 0. αντίστοιχα. Όταν το αˆ  0 τότε η ευθεία διέρχεται από την αρχή των αξόνων. Έτσι.5.30 0. γ) Ύστερα από πόσο χρόνο αναμένεται να λιποθυμήσει ένα ποντίκι.35 0. ΕΦΑΡΜΟΓΕΣ 1. Έστω τώρα δυο τιμές x1 και x 2  x1  1 της ανεξάρτητης μεταβλητής. όταν το x αυξηθεί κατά μια μονάδα τότε το yˆ αυξάνεται κατά βˆ μονάδες όταν βˆ  0 ή ελαττώνεται κατά βˆ μονάδες όταν βˆ  0 . Τότε λαμβάνοντας τη διαφορά των αντίστοιχων προβλεπόμενων τιμών της εξαρτημένης μεταβλητής βρίσκουμε yˆ 2  yˆ1  (αˆ  βˆx 2 )  (αˆ  βˆx1 )  αˆ  βˆ ( x1  1)  (αˆ  βˆx1 )  βˆ δηλαδή yˆ 2  yˆ1  βˆ .65 0.111 Στην εξίσωση ελαχίστων τετραγώνων yˆ  αˆ  βˆx η τιμή της εκτιμήτριας αˆ της παραμέτρου α παριστάνει την τεταγμένη του σημείου στο οποίο η ευθεία τέμνει τον άξονα y y . εάν του γίνει ένεση (εμβολιαστεί) με 0.45 0. 1 mgr αναισθητικού. δηλαδή την τιμή της εξαρτημένης μεταβλητής Υ όταν x  0 .5 11 8.75 0.5 2 α) Να γίνει το διάγραμμα διασποράς β) Να επιλεγούν δύο πιθανά σημεία από τα οποία διέρχεται η προσαρμοσμένη ευθεία παλινδρόμησης και με βάση αυτά να βρεθεί η εξίσωση της ευθείας.80 12. .5 11. Συνεπώς ο συντελεστής διεύθυνσης βˆ της ευθείας yˆ  αˆ  βˆx παριστά τη μεταβολή της εξαρτημένης μεταβλητής Υ όταν το Χ μεταβληθεί κατά μια μονάδα. για να εξετάσει την επίδραση ενός αναισθητικού.40 0. Ένας ερευνητής. Οι χρόνοι που μεσολάβησαν ώσπου τα ποντίκια να χάσουν τις αισθήσεις τους (λιποθυμήσουν) καταγράφονται στον παρακάτω πίνακα.55 0. εμβολίασε 10 ποντίκια με διαφορετική δόση κάθε φορά.

8 β .3) και B (0.3 β   1.1 0. 8. από την επίλυση του οποίου βρίσκουμε α  18. Αντικαθιστώντας στην εξίσωση της ευθείας y  α  βx έχουμε το σύστημα: 12.3 0.9  α  0. γ) Αντικαθιστώντας στην παραπάνω εξίσωση τις τιμές της δόσης x  0 . Μεγαλύτερη δόση επιφέρει γρηγορότερη (σε μικρότερο χρόνο) λιποθυμία. το διάγραμμα διασποράς παριστάνεται παρακάτω: 18 15 A 12 9 6 3 0 B 0. Επομένως. όπως άλλωστε αναμενόταν και από το διάγραμμα διασποράς. ΣΧΟΛΙΟ Παρατηρούμε ότι εμφανίζονται εδώ δυο παράδοξα:  Μηδενική δόση του αναισθητικού προκαλεί λιποθυμία σε 18. Ενδιαφέρεται δηλαδή να προσδιορίσει μια σχέση δόσης αναισθητικού και χρόνου λιποθυμίας. βρίσκουμε τον προβλεπόμενο χρόνο λιποθυμίας του ποντικιού y  18.8 .2 0.5 sec.4 0.5 και β  20. ότι ο συντελεστής διεύθυνσης είναι αρνητικός.5 . δηλαδή έχουμε αρνητική εξάρτηση του χρόνου λιποθυμίας ως προς τη δόση αναισθητικού. κατά την οποία ο ερευνητής καθορίζει εκ των προτέρων τη δόση του αναισθητικού που θα δώσει στα πειραματόζωα και μετρά τις αντιδράσεις τους. 1.9 β) Δύο σημεία από τα οποία εκτιμάται “με το μάτι” ότι θα διέρχεται η καλύτερη ευθεία παλινδρόμησης είναι τα A(0.6 0. Έτσι. . 0.3 . οπότε η ευθεία παλινδρόμησης έχει εξίσωση y  18. αντίστοιχα.112 ΛΥΣΗ α) Η περίπτωση που εξετάζεται εδώ αναφέρεται σε μια πειραματική κατάσταση.3 sec.5 και 1 mgr.8 0. η δόση αναισθητικού παριστάνει την ανεξάρτητη μεταβλητή (X) και ο χρόνος λιποθυμίας την εξαρτημένη μεταβλητή (Y).8 x . 12. Παρατηρούμε.1 και  2.5  20.5 δόση (mgr) 0.2  α  0.7 0.8 .9) .

είναι δηλαδή δυνατές. Υ 15 13 11 9 9 6 5 4 5 6 8 10 9 12 15 11 α) Να βρεθεί η ευθεία ελαχίστων τετραγώνων yˆ  αˆ  βˆ x (των πωλήσεων σε συνάρτηση με την τιμή) και να χαραχτεί στο αντίστοιχο διάγραμμα διασποράς.. ΛΥΣΗ α) Για τον προσδιορισμό της εξίσωσης της ευθείας ελάχιστων τετραγώνων διευκολύνει ο διπλανός πίνακας με τις απαραίτητες πράξεις. β) Να ερμηνευθεί η έννοια των αˆ και βˆ γ) Ποια είναι η αναμενόμενη ζήτηση (πωλήσεις).113 Υποθέτουμε όμως εδώ ότι τα ποντίκια χάνουν τις αισθήσεις τους μόνο από τη δόση του αναισθητικού και όχι από το φόβο τους!  Δόση αναισθητικού 1 mgr προκαλεί λιποθυμία σε  2. 2. όταν η τιμή είναι 800 δρχ. Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος (π. των κερασιών) Υ (σε κιλά) από το μανάβικο μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος σε εκατοντάδες δρχ.5 ν ν 8 8 x 15 13 11 9 9 6 5 4 Σx  72 y 5 6 8 10 9 12 15 11 Σy  76 x2 xy 225 169 121 81 81 36 25 16 2 Σx  754 75 78 88 90 81 72 75 44 Σxy  603 .3 sec.3 sec λιπόθυμο! Οι δύο αυτές παρατηρήσεις οδηγούν στο βασικό συμπέρασμα ότι οι προβλέψεις της εξαρτημένης μεταβλητής έχουν νόημα. Επομένως.χ. Όμως και πάλι εδώ υποθέτουμε ότι η ένεση γίνεται σε ποντίκι που έχει τις αισθήσεις του και όχι να είναι πριν από 2./κιλό. Χ Πωλήσεις σε κιλά. έχουμε: ν8 x  x  72  9 y  y  76  9. όταν η ζήτηση είναι 10 κιλά. ανά κιλό για μια ορισμένη χρονική περίοδο Τιμή κερασιών ανά κιλό σε εκατοντάδες δρχ. μόνο για τις τιμές της ανεξάρτητης μεταβλητής οι οποίες βρίσκονται στο διάστημα που έχουμε εξετάσει ή τουλάχιστον πολύ κοντά στα άκρα του διαστήματος αυτού. δ) Με βάση την ευθεία αυτή μπορούμε να προβλέψουμε την τιμή του προϊόντος.

34  0. δ) Προφανώς./κιλό) διάγραμμα διασποράς./κιλό Προφανώς εδώ τέτοια περίπτωση δεν είναι ρεαλιστική.34  6. Για να γίνει κάτι τέτοιο. όπως φαίνεται δίπλα./κιλό (μία μονάδα). όταν η Χ μεταβληθεί κατά μία μονάδα. οι πωλήσεις θα ελαττωθούν κατά 0. όταν η τιμή του είναι 0 δρχ. όταν δίνεται το Υ. στην περίπτωση που χρησιμοποιείται η μέθοδος των ελαχίστων τετραγώνων για την εκτίμηση της ευθείας παλινδρόμησης της εξαρτημένης μεταβλητής Υ πάνω στην ανεξάρτητη μεταβλητή Χ.34  0.34 προσδιορίζει την προβλεπόμενη ζήτηση του προϊόντος.76 2 2 848 8(754)  (72) 2 ν  x   x  ˆ  y  ˆx  9. Να κατασκευάσετε το διάγραμμα διασποράς και να βρείτε την εξίσωση της ευθείας που προσαρμόζεται (με το μάτι) καλύτερα στα δεδομένα. σημαίνει ότι x  8 (8 εκατοντάδες δρχ. 10 Επειδή γνωρίζουμε ότι η ευθεία 5 διέρχεται από τα σημεία (0. α ) και 0 ( x .76  8  16./κιλό.76)(9)  16.76 x . για x  8 η αναμενόμενη ζήτηση y είναι yˆ  16. δεν μπορεί να χρησιμοποιηθεί η προκύπτουσα ευθεία για πρόβλεψη της Χ. γ) Όταν η αξία του προϊόντος είναι 800δρχ. Δηλαδή όταν η τιμή των κερασιών αυξηθεί κατά 100 δρχ.114 ν  x y  ( x)( y ) 8(603)  (72)(76)  648 βˆ     0.26 κιλά. 20 Άρα. Το β προσδιορίζει τη μεταβολή που επέρχεται στην εξαρτημένη μεταβλητή Υ. η εξίσωση της ζήτησης (των 15 κερασιών) σε συνάρτηση με την τιμή τους είναι yˆ  16. είναι εύκολο να χαραχτεί στο 0 5 10 15 20 τιμή (εκατοντάδες δρχ. (α) x 12 15 16 18 18 . ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1.). Συνεπώς.5  (0.76 κιλά. πρέπει εξαρχής να εκτιμηθεί η ευθεία παλινδρόμησης της Χ πάνω στην Υ. y ) . β) Το αˆ  16.34 .08  10.

α) x y 1 1 2 2 3 3 4 4 5 5 β) x y 1 5 2 4 3 3 4 2 5 1 γ) x y 1 4 2 2 3 5 4 1 5 3 δ) x y 1 3 2 1 3 5 4 2 5 4 4. Να συγκρίνετε τα αποτελέσματα που προκύπτουν με τη μέθοδο αυτή με τα αντίστοιχα αποτελέσματα που προέκυψαν με την προσαρμογή της ευθείας “με το μάτι”. x 12 15 16 18 18 . όταν x6. έτη (x) 40 3. (i) (ii) 20 80 Β 16 12 75 70 8 Β 65 Α 4 60 0 Α 55 0 4 8 12 16 20 βαθμός στα Μαθηματικά (x) 15 20 25 30 35 Ηλικία. Χρησιμοποιώντας τα σημεία Α και Β να βρείτε τις εξισώσεις y  α  βx των αντίστοιχων ευθειών. α) Με τη μέθοδο ελαχίστων τετραγώνων να βρείτε την ευθεία γραμμικής παλινδρόμησης της Υ πάνω στη Χ για τα παρακάτω δεδομένα 5 μαθητών. Να εφαρμόσετε τη μέθοδο ελαχίστων τετραγώνων για τα δεδομένα της Eφαρμογής 1. Επίδοση στα Μαθηματικά. όπως τις χάραξε “με το μάτι” ένας μαθητής. Παρακάτω δίνονται δύο διαγράμματα διασποράς με τις προσαρμοσμένες ευθείες. Για καθένα από τα παρακάτω ζεύγη τιμών να βρείτε την εξίσωση ελαχίστων τετραγώνων y  α  βx και να την χαράξετε στο αντίστοιχο διάγραμμα διασποράς.115 y (β) 13 x y 14 1 12 18 2 10 18 3 10 20 4 6 5 6 6 3 7 5 8 2 9 4 2. Στη συνέχεια να προβλέψετε την τιμή της y. για να εκτιμήσετε την ευθεία γραμμικής παλινδρόμησης του χρόνου λιποθυμίας (Υ) των ποντικιών στη δόση αναισθητικού (Χ). 5.

κατά τη γνώμη σας. y 20 22 24 25 28 30 33 38 Ηλικία νύφης . 2. Από 8 γάμους που έγιναν σε μια εκκλησία κατά τη διάρκεια ενός μηνός. 4. Να χρησιμοποιήσετε τα δεδομένα του Πίνακα 4 μόνο για τα αγόρια. ποιο βαθμό. δ) Τι συστολική πίεση προβλέπετε για μια γυναίκα 75 ετών. πρέπει να πάρει. Ο παρακάτω πίνακας δίνει τα αποτελέσματα των μετρήσεων της συστολικής πίεσης και της ηλικίας 10 γυναικών: Ηλικία (έτη) Πίεση (mm Hg) 25 30 35 40 45 50 55 60 65 70 116 117 121 147 111 133 105 153 155 176 α) Ποια από τις δύο μεταβλητές ηλικία και συστολική πίεση μπορεί να θεωρηθεί ως ανεξάρτητη μεταβλητή. οι ηλικίες των ανδρογύνων ήσαν: Ηλικία γαμπρού. x 20 20 22 27 24 25 28 34 α) Να υπολογίσετε με τη μέθοδο ελαχίστων τετραγώνων την ευθεία γραμμικής παλινδρόμησης της Υ πάνω στη Χ και να τη χαράξετε στο αντίστοιχο διάγραμμα διασποράς. Β΄ ΟΜΑΔΑΣ 1. β) Να βρείτε την αναμενόμενη ηλικία του γαμπρού για μια υποψήφια νύφη 25 ετών. για να προβλέψετε το ύψος μιας μαθήτριας όταν: α) η μητέρα της έχει ύψος 167 cm β) ο μέσος όρος του ύψους των γονιών της είναι 170 cm. Να χρησιμοποιήσετε τα δεδομένα του Πίνακα 4 μόνο για τα κορίτσια. y 13 14 18 18 20 β) Αν υποθέσουμε ότι χάθηκε ο βαθμός της Φυσικής για το μαθητή που πήρε 15 στα Μαθηματικά και για να μην υποχρεωθεί ο μαθητής να ξαναδώσει εξετάσεις στη Φυσική. για να προβλέψετε το ύψος ενός μαθητή όταν: α) ο πατέρας του έχει ύψος 180 cm β) ο μέσος όρος του ύψους των γονιών του είναι 170 cm. γ) Να χαράξετε “με το μάτι” την ευθεία που προσαρμόζεται καλύτερα στα δεδομένα.116 Επίδοση στη Φυσική. . β) Να γίνει το αντίστοιχο διάγραμμα διασποράς. 3.

5 . β) την αναμενόμενη ηλικία της νύφης για έναν υποψήφιο γαμπρό 28 ετών. 2.0 2.0 1. y i ) για τις μεταβλητές Χ.5 4.0 5.5 2.5 5.0 3.5 2.5 1. η μέση τιμή και η τυπική απόκλιση.0 3.5 6.0 4. Υ και ( xi . s y  0. γ) για κάθε έτος που ένας άνδρας καθυστερεί να παντρευτεί πόσο αυξάνεται η ηλικία της υποψήφιας νύφης.5 από τα οποία βρίσκουμε:  x  3. s x  1. Για τα ίδια δεδομένα της προηγούμενης άσκησης (4) να βρείτε: α) την ευθεία γραμμικής παλινδρόμησης της Χ πάνω στη Υ.5 5.5 5.0 3. με τη γραμμική παλινδρόμηση που εξετάσαμε στην προηγούμενη παράγραφο είδαμε πώς βρίσκουμε την ευθεία γραμμικής παλινδρόμησης η οποία προσαρμόζεται καλύτερα στο “σμήνος” των σημείων όπως αυτά παριστάνονται σε ένα διάγραμμα διασποράς. 5.117 γ) Για κάθε έτος που μια γυναίκα καθυστερεί να παντρευτεί πόσο αυξάνεται η ηλικία του υποψήφιου γαμπρού. y  5 . αντιστοίχως. y i ) για τις μεταβλητές X .5 3.0 4. για παράδειγμα.5 4.0 4. Y  : xi yi x i y i 1 1 2 3 3 4 5 5 2. Επιπλέον.94 .5 ΓΡΑΜΜΙΚΗ ΣΥΣΧΕΤΙΣΗ Εισαγωγή Εχουμε δει μέχρι τώρα ότι ένα σύνολο παρατηρήσεων μιας μεταβλητής περιγράφεται με τα μέτρα θέσης και διασποράς. Ας δούμε.5 6. τα παρακάτω ζεύγη τιμών ( xi .0 4. όπως για παράδειγμα.0 3.0 1.

y   5 .2. y i ) i 1. .46 .118  x   3.58  0. y i ) και την αντίστοιχη ευθεία ελαχίστων τετραγώνων yˆ  2.. 6 y 6 5 5 4 4 3 3 2 2 1 y΄ 18 1 x Ο 1 2 3 4 5 6 x΄ Ο (α) 1 2 3 4 5 6 (β) Στα δύο αυτά διαγράμματα διασποράς βλέπουμε ότι προσαρμόζεται η ίδια ευθεία γραμμικής παλινδρόμησης.. Y ) ή απλά με r και δίνεται από τον τύπο: . Ένα μέτρο που μας δίνει το μέγεθος της γραμμικής σχέσης ή το βαθμό συγκέντρωσης των σημείων του διαγράμματος διασποράς γύρω από την ευθεία παλινδρόμησης είναι ο λεγόμενος συντελεστής γραμμικής συσχέτισης (linear correlation coefficient)..66  το διάγραμμα διασποράς στο σχήμα 18(α) των σημείων ( xi . Δηλαδή στην πρώτη περίπτωση η γραμμική σχέση μεταξύ των μεταβλητών είναι ισχυρότερη παρά στη δεύτερη περίπτωση. συμβολίζεται με r ( X ..58  0.47 x  το διάγραμμα διασποράς στο σχήμα 18(β) των σημείων ( xi . s y  1. y i ) και την αντίστοιχη ευθεία ελαχίστων τετραγώνων yˆ   2. Όμως τα σημεία του σμήνους στο διάγραμμα (α) είναι περισσότερο συγκεντρωμένα γύρω από την ευθεία ενώ στο διάγραμμα (β) έχουμε ένα πιο χαλαρό σμήνος σημείων γύρω από την αντίστοιχη ευθεία παλινδρόμησης.47 x  . s x  1. Συντελεστής Γραμμικής Συσχέτισης Ο συντελεστής γραμμικής συσχέτισης δύο μεταβλητών Χ και Υ ορίζεται με βάση ένα δείγμα ν ζευγών παρατηρήσεων ( xi .

25 0.76 .5 3 2 8.25 1 7 3 0 1 0 0 -0.5 0 -1 0.0 3. Από τον ορισμό του r παρατηρούμε ότι για μεγάλες τιμές x i της Χ και y i της Υ (μεγαλύτερες από τη μέση τιμή τους) οι διαφορές ( xi  x ) και ( y i  y ) είναι θετικές.5 4.0 -2 -2 -1 0 0 1 2 2 0 -1. ή σε μικρές τιμές της Χ αντιστοιχούν μικρές τιμές της Υ τότε ο συντελεστής συσχέτισης είναι θετικός και λέμε ότι οι Χ. οι διαφορές ( xi  x ) και ( y i  y ) είναι αρνητικές. οπότε το γινόμενό τους είναι πάλι θετικό.25 0 1 0.5 4. 18 7  ( xi  x ) 2  ( y i  y ) 2 .0 3. Υ είναι θετικά συσχετισμένες.5 24 32 γραμμικής συσχέτισης για τα δεδομένα του πρώτου παραδείγματος r 8.5 5. Επομένως.5 0 -0.5 1 0 4 4 1 0 0 1 4 4 18 2. οπότε λέμε ότι οι μεταβλητές αυτές είναι αρνητικά συσχετισμένες. Με βάση τον παρακάτω πίνακα και τον τύπο (1) υπολογίζουμε το συντελεστή xi yi xi  x yi  y ( xi  x ) 2 ( yi  y) 2 ( x i  x )( y i  y ) 1 1 2 3 3 4 5 5 2. Ανάλογα μπορούμε να δούμε ότι ο r παίρνει αρνητικές τιμές όταν σε μεγάλες τιμές της μιας μεταβλητής αντιστοιχούν μικρές τιμές της άλλης.25 0 0.5 1. οπότε το γινόμενό τους είναι θετικό.5 5. Όμοια για μικρές τιμές xi και y i .119 ν r  ( xi  x )( y i  y ) i 1 ν  ( xi  x ) 2 i 1 ν (1)  ( yi  y) 2 i 1 αναφέρεται δε και ως συντελεστής συσχέτισης του Pearson.0 4.5  ( xi  x )( y i  y )   0. όταν σε μεγάλες τιμές της μεταβλητής Χ αντιστοιχούν και μεγάλες τιμές της Υ.

Y  του δεύτερου παραδείγματος. β  0  r  1 . Υ είναι θετικά γραμμικά συσχετισμένες (σχήμα 19(γ). .41 .τότε οι Χ. τότε οι Χ. τότε δεν υπάρχει γραμμική συσχέτιση μεταξύ των μεταβλητών. δηλαδή y  α  βx . Υ είναι γραμμικά ασυσχέτιστες (σχήμα 19(ζ)). Επί πλέον ισχύει πάντοτε ότι:  1  r  1 .120 Με ανάλογο τρόπο υπολογίζουμε και το συντελεστή γραμμικής συσχέτισης για τα δεδομένα του δεύτερου παραδείγματος όπου βρίσκουμε r   0. (στ))  r  1 . Αυτό δηλώνει ότι οι μεταβλητές Χ. δηλαδή y  α  βx . τότε έχουμε τέλεια θετική γραμμική συσχέτιση και όλα τα σημεία βρίσκονται πάνω σε μια ευθεία με θετική κλίση (σχήμα 19(α)). Υ του πρώτου παραδείγματος είναι περισσότερο γραμμικά συσχετισμένες παρά οι μεταβλητές X . Ο συντελεστής συσχέτισης είναι καθαρός αριθμός. Οι μεταβλητές δηλαδή Χ. Συγκρίνοντας τους δύο συντελεστές συσχέτισης βλέπουμε ότι r  r  . Υ είναι αρνητικά γραμμικά συσχετισμένες (σχήμα 19(δ). επομένως είναι ανεξάρτητος των χρησιμοποιούμενων μονάδων μέτρησης των μεταβλητών Χ και Υ. β  0  r 0 . Πιο συγκεκριμένα όταν:  0  r  1 . τότε έχουμε τέλεια αρνητική γραμμική συσχέτιση και όλα τα σημεία βρίσκονται πάνω σε μια ευθεία με αρνητική κλίση (σχήμα 19(β)). (ε))  1 r  0 . δηλαδή δεν εκφράζεται σε συγκεκριμένες μονάδες μέτρησης.

8 y r = 1 y r  0.121 19 r = +1 y x (α) x (δ) y x (γ) r  +0.2 y r  +0. y i ) . (ζ) x Αποδεικνύεται ότι ο συντελεστής γραμμικής συσχέτισης r δίνεται ισοδύναμα και από τον παρακάτω τύπο. y δεν είναι ακέραιοι:    i 1    i 1     xi y i    xi   y i  i 1 r      xi2    xi  i 1  i 1  2      y i2    y i  i 1  i 1  2 (2) . η χρήση του οποίου διευκολύνει συχνά τους υπολογισμούς κυρίως στην περίπτωση που οι x .8 y (β) r  0.2 y x (ε) x (στ) x r0 Διαγράμματα διασποράς και συντελεστές συσχέτισης για διάφορα ζεύγη παρατηρήσεων ( xi .

Όσο το r πλησιάζει στο  1 τόσο τα σημεία τείνουν να βρίσκονται σε μια ευθεία με β  0 . Συνήθως στις εφαρμογές εξετάζεται η συσχέτιση και η παλινδρόμηση μαζί. Το πόσο έντονη είναι η σχέση εξάρτησης μεταξύ των δύο μεταβλητών μας το δίνει ο συντελεστής συσχέτισης.122 Συσχέτιση και Παλινδρόμηση Η παλινδρόμηση και η συσχέτιση. οι δύο διαδικασίες δεν είναι άσχετες μεταξύ τους. είναι δύο διαδικασίες μελέτης διμεταβλητών πληθυσμών. ΕΦΑΡΜΟΓΗ Να υπολογιστεί και να ερμηνευτεί ο συντελεστής συσχέτισης r μεταξύ των μεταβλητών Χ και Υ με βάση τις παρακάτω τιμές: x y 10 21 13 24 17 29 21 25 25 36 28 33 30 40 ΛΥΣΗ Για τον υπολογισμό του συντελεστή συσχέτισης μεταξύ των Χ και Υ διευκολύνει ο παρακάτω πίνακας: x y x2 y2 xy 10 13 17 21 25 28 30 21 24 29 25 36 33 40 100 169 289 441 625 784 900 441 576 841 625 1296 1089 1600 210 312 493 525 900 924 1200 Σx  144 Σy  208 Σx 2  3308 Σy 2  6468 Σxy  4564  7 . ενώ ο συντελεστής γραμμικής συσχέτισης δίνει ένα μέτρο του μεγέθους της γραμμικής συσχέτισης μεταξύ δύο μεταβλητών. όπως τις εξετάσαμε έως τώρα. να προκαθορίζονται δηλαδή οι τιμές της μιας μεταβλητής. Όσο το r πλησιάζει στο 1 τόσο τα σημεία του διαγράμματος διασποράς τείνουν να βρίσκονται σε μια ευθεία με συντελεστή διεύθυνσης β  0 . τότε μπορεί να μελετηθεί είτε η εξάρτηση της Υ από τη Χ είτε η εξάρτηση της Χ από την Υ. οπότε έχουμε πληρέστερη και πιο ολοκληρωμένη εξέταση των δύο μεταβλητών. Όταν δεν έχουμε πειραματικά δεδομένα. τότε β  0 . Η παλινδρόμηση προσδιορίζει τη σχέση εξάρτησης μεταξύ δύο μεταβλητών. Επομένως. Όταν r  0 .

123 .

123 Ο συντελεστής συσχέτισης υπολογίζεται από τη σχέση: r  ν  xy   x  y  ν  x   x  2 2 ν  y   y  2 2 7(4564)  (144)(208) 7(3308)  (144) 2 7(6468)  (208) 2  0. μέτρια ή μεγάλη: α) x y 1 -2 3 0 5 1 7 3 9 5 10 6 12 8 13 10 β) x y 1 4 3 5 5 1 7 6 9 4 10 3 12 8 13 10 γ) x y x 1 10 1 3 8 3 5 3 5 7 4 7 9 6 9 10 3 10 12 2 12 13 5 13 δ) . y 40 Η υψηλή τιμή του r μας δείχνει ότι υπάρχει πολύ έντονη θετική γραμμική συσχέτιση μεταξύ των μεταβλητών Χ και Υ.2. 0. 35 30 25 20 15 5 10 15 20 25 30 x ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. Να διατάξετε τις παρακάτω τιμές του r σε αύξουσα τάξη του βαθμού γραμμικής συσχέτισης δύο μεταβλητών: -0. 0.7. 0. όπως εξάλλου μπορούμε να το διαπιστώσουμε και από το αντίστοιχο διάγραμμα διασποράς. 2.6. -0. y i ) να εκτιμήσετε (χωρίς πράξεις) εάν η γραμμική συσχέτιση μεταξύ των μεταβλητών X και Y είναι θετική ή αρνητική και επιπλέον αν είναι μικρή. Από τα διαγράμματα διασποράς των παρακάτω ζευγών ( x i .9.9 . -1.

y i ) έχουμε: y  4. Β΄ ΟΜΑΔΑΣ . x 7. x  4 .5 .  xi y i  138 . Να βρείτε τους συντελεστές γραμμικής συσχέτισης για τα παρακάτω ζεύγη τιμών και να σχολιάσετε τα αποτελέσματα. y  9 Να υπολογίσετε το συντελεστή συσχέτισης. Να υπολογίσετε το συντελεστή συσχέτισης. y  0) : x y 1 2 6 8 9 3 6 1 8 13 ( x  x )2 ( y  y)2 ( x  x )( y  y ) 9 1 3 ν ν i 1 i 1 7. Για τέσσερα ζεύγη παρατηρήσεων ( xi . 4. β) Για εφτά ζεύγη παρατηρήσεων ( xi .. Να συμπληρώσετε τον παρακάτω πίνακα και να υπολογίσετε το συντελεστή συσχέτισης ( x. α) Να δείξετε ότι  ( x i  x )( y i  y )   xi y i  νx y . Να υπολογίσετε τους συντελεστές γραμμικής συσχέτισης για τα ζεύγη τιμών ( x i . y i ) της προηγούμενης άσκησης και να τους συγκρίνετε με τις αντίστοιχες εκτιμήσεις σας.  ( y i  y ) 2  112 . y i ) έχουμε  ( xi  x ) 2  28 .124 ε) y 10 8 3 4 1 6 5 12 x y 1 6 3 8 5 6 7 3 9 5 10 7 12 8 13 9 3.  x i2  210 .  y i2  92 . 6.  xi y i  308 . α) β) 1 2 3 4 5 4 2 0 -2 -4 x y x y 1 2 3 4 5 -4 -2 0 2 4 5.

Αριθμός τσιγάρων x 7 49 41 38 37 19 35 40 Τυποποιημένος δείκτης I.).2 11. y 15. μητέρας 115 120 120 130 135 I.7 11. Τα παρακάτω δεδομένα παριστάνουν τους δείκτες ευφυΐας (I.Q. (1 γαλόνι  3. Σy 2  2213 . y 3 3 22 17 12 9 13 Δίνονται: ν  15 .6 10. να σχολιάσετε τον ισχυρισμό του ερευνητή.8 12.2 α) Να υπολογίσετε και να ερμηνεύσετε το συντελεστή συσχέτισης.5 14. ποια θα είναι η τιμή του συντελεστή συσχέτισης.Q. β) Αν μετατραπούν οι ποσότητες γάλακτος σε λίτρα.1 13. θυγατέρας 110 125 110 130 120 α) Να κατασκευάσετε το διάγραμμα διασποράς β) Από το διάγραμμα διασποράς να εκτιμήσετε το συντελεστή συσχέτισης γ) Να υπολογίσετε και να ερμηνεύσετε το συντελεστή συσχέτισης 3.Q.Q.8 13.125 1.) 10 μητέρων (Χ) και των θυγατέρων τους (Υ): I.Q.1 14. Με βάση τα παρακάτω δεδομένα για 15 καπνιστές.4 12. Σε μια εξέταση στα Μαθηματικά οκτώ μαθητών η βαθμολογία δύο . Σxy  4317 4.3 12. Σy  161 . y 10 6 15 5 12 4 19 11 Αριθμός τσιγάρων x 1 10 18 21 15 7 38 Τυποποιημένος δείκτης I. x Άπαχο γάλα.Q.8 15.Q.Q.8 λίτρα) 2. Ένας ερευνητής πιστεύει ότι υπάρχει συσχέτιση μεταξύ καπνιστών (του αριθμού τσιγάρων που καπνίζουν κάθε μέρα) και της εξυπνάδας (δείκτης I. Σx  376 . μητέρας 85 90 95 100 110 I. Η κατά άτομο κατανάλωση (σε γαλόνια) άπαχου (Υ) και πλήρους (Χ) γάλακτος για τα έτη 1982-87 στις ΗΠΑ δίνεται στον παρακάτω πίνακα: Έτος 1982 1983 1984 1985 1986 1987 Πλήρες γάλα. Σx 2  12714 . θυγατέρας 90 100 90 105 120 I.

τη διάμεση τιμή. την κορυφή και την τυπική απόκλιση. ΓΕΝΙΚΕΣ ΑΣΚΗΣΕΙΣ 1. 2. Β ήταν ως ακολούθως: Μαθητής 1 55 54 Εξεταστής Α Εξεταστής Β 2 62 56 3 71 61 4 66 66 5 63 63 6 56 61 7 72 73 8 51 54 Να εξετάσετε εάν υπάρχει γραμμική συσχέτιση μεταξύ της βαθμολογίας των δύο εξεταστών. Ο αριθμός των τυπογραφικών λαθών που βρέθηκαν στις 60 σελίδες ενός κειμένου στην πρώτη του διόρθωση ήταν: 3 6 4 3 4 4 3 9 5 0 2 3 2 0 1 1 6 2 0 0 7 3 1 4 2 1 2 4 2 1 3 5 3 4 3 5 4 5 3 6 5 4 4 6 6 3 4 7 7 3 5 8 4 7 6 9 0 6 8 5 α) Να ομαδοποιήσετε τα δεδομένα σε πέντε ισοπλατείς κλάσεις πλάτους δύο και να κατασκευάσετε τον πίνακα συχνοτήτων. την επικρατούσα τιμή και την τυπική απόκλιση του αριθμού των παιδιών. β) Να κατασκευάσετε τα ιστογράμματα συχνοτήτων και αθροιστικών συχνοτήτων και τα αντίστοιχα πολύγωνα συχνοτήτων. .126 εξεταστών Α. Ο αριθμός των παιδιών σε ένα δείγμα 80 οικογενειών μιας πόλης δίνεται στον παρακάτω πίνακα: Αριθμός Παιδιών Οικογένειες 0 10 1 25 2 20 3 12 4 6 5 5 6 2 α) Να βρείτε τη μέση τιμή. γ) Να υπολογίσετε τη μέση τιμή. τη διάμεσο. β) Να κατασκευάσετε το διάγραμμα σχετικών συχνοτήτων και το πολύγωνο αθροιστικών σχετικών συχνοτήτων γ) Από το πολύγωνο αθροιστικών σχετικών συχνοτήτων να εκτιμήσετε τα τρία τεταρτημόρια.

γ) Το 1.000 δρχ. iii) 20. 34% α) Να κατασκευάσετε τον πίνακα συχνοτήτων.-Απρ. 941 809 σε ένα ραβδόγραμμα συχνοτήτων. Ποιο είναι το συμπερασμά σας.) που έγινε το Μάιο του 1998. γ) Πόσοι συνολικά υπάλληλοι 5x <10 αναμένονται να συνταξιοδοτηθούν 30% (συμπληρώνοντας 35-ετία) μέσα στα επόμενα i) 5 χρόνια. α) Ποιον τύπου λυχνία θα προτιμήσετε. ii) 10 χρόνια. Πόσα ατυχήματα ήταν θανατηφόρα για τα αντίστοιχα έτη.-Δεκ. ii) 19. Σε μια εταιρεία συνολικά εργάζονται 200 άτομα. 775 636 β) Πόσα ατυχήματα συνέβησαν κατά Σύνολο 5834 4465 μέσο όρο για τα έτη 1990 και 1994.1% του 1994 ήταν θανατηφόρα. 1020 783 α) Να απεικονίσετε τα δεδομένα Σεπ.000 δρχ. Νοεμ.-Οκτ.Κ. Μια λυχνία τύπου Α στοιχίζει 23.000 δρχ. Ιουλ. β) Ποιου τύπου οι λυχνίες παρουσιάζουν μεγαλύτερη ομοιογένεια ως προς τη διάρκεια λειτουργίας τους. 1114 829 Υπουργείου Εργασίας). Τα εργατικά ατυχήματα που Ιαν. αν η μία λυχνία τύπου Β στοιχίζει: i) 18.-Αυγ.000 δρχ. Σε δειγματοληπτική έρευνα που έγινε στις 15 χώρες της Ευρωπαϊκής Ένωσης (Ε. Α Β 12 14 23 30 36 12 13 16 22 32 Να αιτιολογήσετε σε κάθε περίπτωση την απάντησή σας. Μήνες 1990 1994 4. x <5 β) Να υπολογίσετε τη μέση τιμή και 18% την τυπική απόκλιση. τα ποσοστά των ατόμων που αισθάνονταν πολύ καλά πληροφορημένα για το ενιαίο νόμισμα (ευρώ) . Ο παρακάτω πίνακας δίνει τη διάρκεια ζωής δύο τύπων λυχνιών Α και Β σε χιλιάδες ώρες. 1057 692 συνέβησαν το 1990 και το 1994 Μαρ.4% των ατυχημάτων του 1990 και το 2.) μία βδομάδα πριν και μία βδομάδα μετά το Συμβούλιο Κορυφής.127 3.-Φεβρ. Όπως προέκυψε από ένα τυχαίο δείγμα υπαλλήλων. ο 20x <30 συνολικός χρόνος υπηρεσίας τους 14% 30x <35 δίνεται στο διπλανό κυκλικό 10x <20 4% διάγραμμα.Ε. 6. δ) Να κατασκευάσετε το ιστόγραμμα σχετικών συχνοτήτων. (Σ. 5. 927 716 δίνονται στο διπλανό πίνακα (Στοιχεία Μάιος-Ιούν.

2 1964 — 5:24.8 5:01.4 4:00.Ε.2 1984 5:26.1 3:51.Κ.Κ.2 3:45.0 1988 5:17.3 1972 6:02.4 4:44.7 Πηγή: The World Almanac and Book of Facts.6 4:27. Χ 63 64 64 64 66 65 65 66 66 67 67 67 67 68 68 1960 61 62 63 64 65 66 67 68 69 1970 71 72 73 74 α) Να εκτιμήσετε την ευθεία γραμμικής παλινδρόμησης της Υ στη Χ.0 4:07.5 4:48.8 3:51. Χρόνος Χρόνος Έτος Χρόνος Χρόνος Ανδρών Γυναικών Ανδρών Γυναικών 4:54. Τι συμπεράσματα βγάζετε.3 4:12.5 4:03.8 4:19. 39 39 62 55 20 38 45 α) Να παραστήσετε τα δεδομένα σε μορφή ραβδογράμματος. πριν και μετά το Σ.9 3:47. Κ. β) Μα βρεθεί το μέσο ποσοστό των πολύ καλά ενημερωμένων για τις 15 χώρες της Ε.2 5:04. Υ Έτος.Κ.Ε.3 1956 — 6:16.6 4:18. Να δώσετε (για κάθε φύλο χωριστά) το χρονόγραμμα των δεδομένων αυτών. και να την παραστήσετε στο διάγραμμα διασποράς.8 4:43.128 δίνονται στον παρακάτω πίνακα: Χώρα Αυστρία Βέλγιο Βρετανία Γαλλία Γερμανία Δανία Ελλάδα Ιρλανδία Πριν το Σ.2 4:50.9 3:51.9 1976 5:42.3 1960 — 5:36.0 1968 — 5:26.3 1980 5:28. 30 49 56 56 18 40 45 Μετά το Σ. Ποιος από τους δύο μέσους είναι ο αντιπροσωπευτικότερος.. 47 55 35 72 48 53 22 29 Χώρα Ισπανία Ιταλία Λουξεμβούργο Ολλανδία Πορτογαλία Σουηδία Φινλανδία Πριν το Σ. β) Το 1976 είχαμε 69. 7. Έτος 1904 1908 1912 1920 1924 1928 1932 1936 1948 1952 8.4 4:31.2 4:09. Οι κάτοικοι ανά km 2 από το 1960 έως και το 1974 στην Ελλάδα ήταν: Κάτοικοι.1 4:30.Κ.5 κατοίκους/ km 2 .8 4:41.8 4:09. Στον παρακάτω πίνακα παριστάνονται οι χρόνοι (σε λεπτά και δευτερόλεπτα) των νικητών των Ολυμπιακών αγώνων στην κολύμβηση στα 400 μέτρα ελευθέρας (freestyle) ανδρών και γυναικών. Είναι αυτό αναμενόμενο. υπολογίζοντας i) τον αριθμητικό μέσο και ii) το σταθμικό μέσο ποσοστό με βάρη τους πληθυσμούς των 15 χωρών μελών της Ε.6 4:08.4 4:07. 1994. 50 55 40 61 44 51 26 41 Μετά το Σ.0 1992 5:12. .

129

(Υπόδειξη: Θεωρούμε ως έτος αναφοράς το 1960 με τιμή x  1 ).
9. Ο συντελεστής γενικής θνησιμότητας (Σ.Γ.Θ.) της Ελλάδας για τα χρόνια
1931-1964 παρουσίασε την παρακάτω πορεία.
Έτος, Χ
Σ.Γ.Θ.%, Υ

1931
17,7

1936
15,1

1940
12,8

1950
7,9

1956
7,4

1961
7,6

1964
8,2

α) Να χαράξετε “με το μάτι” την ευθεία γραμμικής παλινδρόμησης
y  α  βx στο διάγραμμα διασποράς και από την ευθεία αυτή να
εκτιμήσετε το Σ.Γ.Θ. για το έτος 1965.
β) Χρησιμοποιώντας τη μέθοδο των δύο σημείων να υπολογίσετε την
εξίσωση της ευθείας παλινδρόμησης και στη συνέχεια να εκτιμήσετε
πάλι το Σ.Γ.Θ. για το έτος 1965. Συγκρίνετε με το προηγούμενο
αποτέλεσμα.
γ) Να επαναλάβετε το ίδιο χρησιμοποιώντας τη μέθοδο ελαχίστων
τετραγώνων.
Σημ. Για την ανεξάρτητη μεταβλητή Χ να θέσετε για το έτος 1931 ως τιμή
το 1, οπότε για το 1936 το x  6 και για το 1965 το 35.
10. Ο παρακάτω πίνακας δίνει το μηνιαίο εισόδημα Χ και τις αντίστοιχες
δαπάνες διατροφής Υ πέντε νοικοκυριών, που πάρθηκαν τυχαία από μια
πολυκατοικία.
Εισόδημα ( 10 5 δρχ), Χ
Δαπάνες διατροφής (  10 δρχ.), Υ
5

3,5

3,7

4,2

4,3

6,9

1,1

1,5

1,8

1,5

2,5

α) Με τη μέθοδο των “ελαχίστων τετραγώνων” να βρείτε την εξίσωση της
ευθείας γραμμικής παλινδρόμησης των εξόδων διατροφής (πάνω) στο
εισόδημα.
β) Μια οικογένεια της πολυκατοικίας έχει μηνιαίο εισόδημα 500.000 δρχ.
Πόσο εκτιμάτε εσείς ότι θα ξοδεύει για διατροφή το μήνα;
γ) Αν γνωρίζετε ότι μια οικογένεια ξοδεύει 300.000 δρχ. για διατροφή
μπορείτε, με βάση τα παραπάνω, να προβλέψετε το μηνιαίο εισόδημά
της;
1 ν
s xy   (xi  x )( y i  y ) καλείται συνδιακύμανση των
ν i 1
μεταβλητών Χ και Υ. Αν καλέσουμε με s x2 , s 2y τις διακυμάνσεις των Χ και

11. Η ποσότητα

Υ αντίστοιχα, να δείξετε ότι ισχύουν οι σχέσεις:
s xy
s
α) βˆ  2
β) r  βˆ x .
sy
sx
12. Ένας μαθητής γνώριζε ότι η σχέση που συνδέει τους βαθμούς Φαρενάιτ (οF)

130

με τους βαθμούς Κελσίου (οC) είναι γραμμική, δηλαδή F  α  βC . Επειδή
όμως δε θυμότανε τις σταθερές α, β, μέτρησε τη θερμοκρασία του
δωματίου του σε πέντε διαφορετικές ώρες με δύο θερμόμετρα με κλίμακα
σε οF και οC, αντίστοιχα, και πήρε τα παρακάτω ζεύγη τιμών:
ο
ο

C
F

15
59

20
68

25
77

30
86

35
95

Να βρείτε τη σχέση Fˆ  αˆ  βˆC που συνδέει τις δύο κλίμακες
θερμοκρασίας.
13. Δίνεται δείγμα ν ζευγών ( x1 , y1 ), ( x 2 , y 2 ),..., ( x ν , y ν ) δύο μεταβλητών Χ και
Υ και έστω r ( X ,Y ) ο συντελεστής συσχέτισης. Εάν Z  Y όπου λ θετική
σταθερά, να δείξετε ότι ισχύει:

r( X , Z )  r( X , Y ) .
Τι γίνεται, εάν   0 ;
14. Ο αριθμός των διαζυγίων που εκδόθηκαν στην Κύπρο από το 1974 έως το
1994 δίνεται παρακάτω (Πηγή: Τμήμα Στατιστικής και Ερευνών Κύπρου).

Έτος

x

Αριθμός Διαζυγίων
y

Έτος

x

Αριθμός Διαζυγίων
y

1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984

1
140
2
121
3
110
4
136
5
158
6
161
7
164
8
175
9
216
10
262
11
250
Δίνονται: ν =21
Σy 2 =17.726.800

1985
1986
1987
1988
1989
1990
1991
1992
1993
1994

12
13
14
15
16
17
18
19
20
21

258
276
326
312
335
348
304
433
504
555

Σx 2 =3.311
Σy =5.544

Σx =231
Σxy =75.512

Να βρείτε την ευθεία “ελαχίστων τετραγώνων” και να εκτιμήσετε τον
αριθμό των διαζυγίων για τα έτη 1995, 2000.

131

ΕΡΩΤΗΣΕΙΣ ΚΑΤΑΝΟΗΣΗΣ
Στις ερωτήσεις 1-10 να βάλετε σε κύκλο το Σ (Σωστό) ή το Λ (Λάθος).
1. Πάντοτε ένα μεγάλύτερο δείγμα δίνει πιο αξιόπιστα αποτελέσματα από ένα
μικρότερο δείγμα.
Σ Λ
2. Όταν έχουμε συμμετρική κατανομή, η μέση τιμή συμπίπτει με τη διάμεσο.
Σ Λ
3. Όταν έχουμε ακραίες παρατηρήσεις, είναι προτιμότερο να χρησιμοποιούμε
τη μέση τιμή αντί της διαμέσου.
Σ Λ
4. Ο λόγος της μέσης τιμής προς την τυπική απόκλιση καλείται συντελεστής
μεταβολής και είναι καθαρός αριθμός.
Σ Λ
5. Όταν προσθέσουμε μια σταθερά στις παρατηρήσεις μιας μεταβλητής τότε η
μέση τιμή και η τυπική απόκλιση αυξάνουν κατά τη σταθερά αυτή. Σ Λ
6. Όταν πολλαπλασιάσουμε τις τιμές μιας μεταβλητής επί μια σταθερά, τότε η
μέση τιμή πολλαπλασιάζεται επί την ίδια σταθερά.
Σ Λ
7. Όταν πολλαπλασιάσουμε τις τιμές μιας μεταβλητής επί μια σταθερά, τότε η
τυπική απόκλιση πολλαπλασιάζεται επί την ίδια σταθερά.
Σ Λ
8. Η διάμεσος και το δεύτερο τεταρτημόριο έχουν πάντα την ίδια τιμή. Σ

Λ

9. Το βάρος της ζάχαρης που βάζουμε στους καφέδες είναι ποιοτική
μεταβλητή, γιατί χαρακτηρίζει τον καφέ σκέτο, μέτριο ή γλυκύ.
Σ Λ
10. Η σχετική συχνότητα μπορεί να πάρει και αρνητικές τιμές.

Σ

Λ

11. Για την ανεξάρτητη μεταβλητή οι παρατηρήσεις είτε προκαθορίζονται είτε
λαμβάνονται χωρίς να υπεισέρχεται σφάλμα μέτρησης.
Σ Λ
12. Η β παριστάνει την αύξηση της εξαρτημένης μεταβλητής, όταν η
ανεξάρτητη μεταβλητή αυξηθεί κατά μία μονάδα.
Σ Λ
13. Ένας συντελεστής συσχέτισης r  0,6 δείχνει μεγαλύτερη γραμμική
συσχέτιση μεταξύ δύο μεταβλητών παρά ο r  0,9 .
Σ Λ
14. Όταν r ( X ,Y )  0 , τότε συνεπάγεται ότι οι μεταβλητές Χ, Υ είναι θετικά

1) και (1.5 Β. η επικρατούσα τιμή Δ. Ένα μέτρο που χρησιμοποιείται τόσο για ποιοτικά όσο και για ποσοτικά δεδομένα είναι: Α.25 Γ. Εάν οι συντελεστές μεταβολής δύο συνόλων δεδομένων Α και Β είναι 15% και 20% αντιστοίχως.. Αρνητικός Β. 19.25 x η προβλεπόμενη τιμή y για x  10 είναι: Α. (1. s 2   x i2   xi  v v 2 v  x i2   x i  2 2 2 2 Δ. Η διακύμανση των παρατηρήσεων x1 . s  v  xi   x i  v2   17. Με βάση την ευθεία παλινδρόμησης y  10  3. 10 Δ.132 συσχετισμένες.  3 Γ. Υ είναι: Α. 21. s  Β. (0. Δεν μπορούμε να ξέρουμε. 16. τότε η ευθεία γραμμικής παλινδρόμησης της Υ στη Χ μπορεί να διέρχεται από τα σημεία: Α.1) Γ.0) . Θετικός Δ..  3 / 2 . Ο συντελεστής γραμμικής συσχέτισης r και ο συντελεστής β στην ευθεία .. s 2   ( xi  x ) Γ. 22. 3. (1. Σ Λ Στις ερωτήσεις 15-24 να βάλετε σε κύκλο τη σωστή απάντηση. η τυπική απόκλιση Β.1) Β.0) Δ. (0. 15. 20. Με βάση την ευθεία παλινδρόμησης y  2  3 x ο συντελεστής γραμμικής συσχέτισης των Χ. x 2 .1) και (1.. Εάν ο συντελεστής γραμμικής συσχέτισης δύο μεταβλητών Χ. x v δίνεται από τον τύπο: 1 1 2 Α.1) και (1.0) και (1. η μέση τιμή Γ. Υ είναι r  1 . κανένα από τα παραπάνω. τότε: Α: τα δεδομένα Α παρουσιάζουν μεταλύτερη ομοιογένεια από τα Β Β: τα δεδομένα Α παρουσιάζουν μικρότερη ομοιογένεια από τα Β Γ: τα δεδομένα Α παρουσιάζουν μεταλύτερη διασπορά από τα Β Δ: τα δεδομένα Α παρουσιάζουν μικρότερη διασπορά από τα Β 18.

(β)… με τα (i). Στην παλινδρόμηση με y συμβολίζουμε: Α. τις πραγματικές τιμές της εξαρτημένης μεταβλητής Β. ενώ οι Z. W Β. 25. 24. όπου αυτή είναι δυνατή. (ii). Υ έχουν συντελεστή συσχέτισης r1  0. Υ είναι τριπλάσια συσχετισμένες από τις Z. Υ είναι: Α. W Γ. Δ. γραμμικά ασυσχέτιστες Δ. που προκύπτουν από την εξίσωση γραμμικής παλινδρόμησης Δ. κανένα από τα παραπάνω. τέλεια θετικά συσχετισμένες Β. πάντα το ίδιο πρόσημο πάντα διαφορετικό πρόσημο άλλοτε το ίδιο πρόσημο και άλλοτε διαφορετικό δεν έχουν καμιά σχέση ως προς το πρόσημό τους. τις προβλεπόμενες τιμές της εξαρτημένης μεταβλητής. s  7. τέλεια αρνητικά συσχετισμένες. τις τιμές της ανεξάρτητης μεταβλητής Γ. Υ είναι περισσότερο (σε μεγαλύτερο βαθμό) συσχετισμένες από τις Ζ. 26. W έχουν συντελεστή συσχέτισης r2  0. s  7. Στις ερωτήσεις 25-35 να γίνει αντιστοίχιση των (α). Y )  0 . Οι Χ. Γ.3 . 23. Οι μεταβλητές Χ.5 . Β. α) 1 (α) (β) (γ)       i) x  δ 2 10 18 19  ii) x  δ iii) x  δ  i) x  10 . 22. Δεν μπορούμε να συγκρίνουμε διαφορετικές μεταβλητές. Οι Χ. τότε οι Χ.133 γραμμικής παλινδρόμησης y  α  βx έχουν: Α.9 . … .5  ii) x  20 . ασυσχέτιστες Γ. Α. Εάν r ( X .

α) 10 11 12 13 14   i) x  δ β) 10 11 12 13 24  γ) 1 11 12 13 14   ii) x  δ δ) 20 21 22 23 24  ε) 30 33 36 39 42   iii) x  δ 30. v) x  15 .  iv) x  20 .  i) μέτρο θέσης  ii) μέτρο διασποράς 28. s  1. iv) Ύψος όλων των αυτοκινήτων. ii) Ύψος των παντρεμένων ζευγαριών. α) 5 7 8 10 13 24  β) 1 2 8 9 9 25  γ) 1 2 9 12 12 18   i) x  9  ii) δ  9  iii) M 0  9 29. i) Ύψος των μελών των νοικοκυριών στα οποία (α) οι γονείς είναι και οι δύο κάτω των 24 ετών.4  s 2. iii) Ύψος όλων των ατόμων. 100 120 (β) 50 75 100 125 150 175 200 ύψος (cm) (δ) (γ) 150 160 170 180 190 ύψος (cm) 50 100 200 150 ύψος (cm) 140 160 ύψος (cm) . Παρακάτω δίνονται οι καμπύλες συχνοτήτων (α) έως (δ) τεσσάρων μεταβλητών (i) έως (iv) από μια μελέτη που έγινε σε κάποια πόλη.4 s  1.134 β) 18 19 20 21 22  γ) 8 9 10 11 12  27. α) διάμεσος β) επικρατούσα τιμή γ) τυπική απόκλιση δ) εύρος ε) διακύμανση στ) μέση τιμή        iii) x  10 .

s 1 (ii) x  3. 2 3 4 (α) r  0  5 (i) x  3. 5 . 5 . Παρακάτω δίνονται κατά προσέγγιση οι καμπύλες συχνοτήτων (α) έως (γ) τριών διαφορετικών συνόλων δεδομένων και διάφορες τιμές (i) έως (iv) της μέσης τιμής και της τυπικής απόκλισης: (α) 1 2 3 4 5 6 (β) 1 2 3 4 5 6 (γ) 1 33. (i) 0 (iii) (ii) 5 10 15 20 0 5 10 15 20 0 10 5 15 20 32. s 1 (iv) x  2. κατά το οποίο α) στο πρώτο τμήμα πέρασε το 50% β) Στο δεύτερο τμήμα πέρασε ποσοστό άνω του 50% γ) Στο τρίτο τμήμα πέρασε ποσοστό κάτω του 50%. s2 (iii) x  2. r0   β 0 r0   β0 x (iii) x (iv) . 5 . Παρακάτω δίνονται οι καμπύλες σχετικών συχνοτήτων ((i) έως (iii)) της βαθμολογίας τριών τμημάτων σε ένα διαγώνισμα.8    y (δ) r  0.135 31.8  (γ) r  1   y  y x y x (i) (ii) 34. s 2. 5 . 6 (β) r  0.

. Για την ευθεία γραμμικής παλινδρόμησης y  2 x ισχύει: α0  r0   Σωστό β2   Λάθος rβ   Δεν μπορούμε να ξέρουμε. r0   35.136 β  0.

αλλά πολύ αργότερα. Έτσι. Μολονότι όμως τα τυχερά παιχνίδια ήταν ευρέως διαδεδομένα και στους Αρχαίους Έλληνες και στους Ρωμαίους. Ιδιαίτερα ο Laplace με τις εργασίες του άνοιξε μια καινούργια εποχή για τη Θεωρία Πιθανοτήτων. Η Θεωρία των Πιθανοτήτων αναπτύχθηκε ακόμα περισσότερο το 18ο αιώνα με τις αξιοσημείωτες εργασίες των μαθηματικών Bernoulli.Χ. κοινωνικών και φυσικών φαινομένων.3 ΠΙΘΑΝΟΤΗΤΕΣ Εισαγωγή Υπάρχει σε πολλούς η εντύπωση ότι το κύριο κίνητρο για την ανάπτυξη της Θεωρίας των Πιθανοτήτων προήλθε από το ενδιαφέρον του ανθρώπου για τα τυχερά παιχνίδια. όπως συνέβη με άλλους κλάδους των Μαθηματικών. με αφορμή τη μελέτη των σφαλμάτων που προκύπτουν στις επαναλαμβανόμενες μετρήσεις του ίδιου αστρονομικού μεγέθους ανακαλύπτεται η περίφημη κανονική κατανομή του Gauss. . Η ανάπτυξη της Θεωρίας των Πιθανοτήτων οφείλεται επίσης και στις ανάγκες των Φυσικών Επιστημών όπως η εφαρμογή της Θεωρίας Σφαλμάτων σε αστρονομικές παρατηρήσεις. Laplace και Gauss. η Θεωρία των Πιθανοτήτων δεν αναπτύχθηκε κατά την αρχαιότητα. Έτσι. Σημαντική μάλιστα ώθηση στην ανάπτυξη του κλάδου αυτού των Μαθηματικών αποτέλεσε η γόνιμη αλληλογραφία που αναπτύχθηκε ανάμεσα στους Pascal και Fermat το 17ο αιώνα με αφορμή διάφορα προβλήματα που προέκυψαν από την ενασχόληση του ανθρώπου με τα τυχερά παιχνίδια. De Moivre. Γι’αυτό πολλοί απορρίπτουν την άποψη ότι η Θεωρία των Πιθανοτήτων οφείλει τη γένεσή της στην ενασχόληση του ανθρώπου με τα τυχερά παιχνίδια και την αποδίδουν στις ανάγκες να λυθούν προβλήματα που παρουσιάστηκαν με την ανάπτυξη του εμπορίου. αλλά εφαρμόζει τα συμπεράσματά του και σε ένα πλήθος από επιστημονικά και πρακτικά προβλήματα. Κατόπιν αποδεικνύεται ότι η κανονική κατανομή απεικονίζει όχι μόνο την κατανομή των σφαλμάτων των αστρονομικών παρατηρήσεων αλλά και την κατανομή πολλών βιολογικών. της συλλογής εσόδων του κράτους κτλ. το 16ο και 17ο αιώνα μ. στη διάρκεια του 19ου αιώνα γεννιούνται νέοι κλάδοι των εφαρμοσμένων μαθηματικών. των ασφαλίσεων. Γιατί ο Laplace δεν περιορίζεται μόνο στη μαθηματική ανάλυση των τυχερών παιγνιδιών.

Ρίχνεται ένα ζάρι και καταγράφεται η ένδειξη της άνω έδρας του. τα Ασφαλιστικά Μαθηματικά και η Στατιστική Μηχανική. Υπάρχουν όμως και πειράματα των οποίων δεν μπορούμε εκ των προτέρων να προβλέψουμε το αποτέλεσμα. Είναι αξιοσημείωτο το γεγονός ότι οι εφαρμογές των Πιθανοτήτων αναφέρονται σε ένα ευρύτατο φάσμα επιστημών όπως η Φυσική. η Οικονομολογία. μολονότι επαναλαμβάνονται (φαινομενικά τουλάχιστον) κάτω από τις ίδιες συνθήκες. Von Mises. η Τηλεπικοινωνία. αν θερμάνουμε αποσταγμένο νερό σε 1000 Κελσίου στην επιφάνεια της θάλασσας. Markov. Απεναντίας έχει μετασχηματιστεί σε έναν αυτοτελή κλάδο των καθαρών Μαθηματικών. Επίσης. η Γενετική. Καινούργια θεωρητικά αποτελέσματα παρέχουν νέες δυνατότητες για τη χρησιμοποίηση των μεθόδων της Θεωρίας των Πιθανοτήτων. μπορούμε να προβλέψουμε με ακρίβεια το διάστημα που θα διανύσει σε ορισμένο χρόνο t. Η Θεωρία των Πιθανοτήτων ανήκει στους κλάδους των Μαθηματικών που συμβαδίζουν με την ανάπτυξη των φυσικών επιστημών και της τεχνολογίας. Ρίχνεται ένα νόμισμα και καταγράφεται η άνω όψη του. έχει σημειώσει αλματώδη πρόοδο. Στις μέρες μας η Θεωρία των Πιθανοτήτων με τις εργασίες πολλών διάσημων μαθηματικών. Αυτό δε σημαίνει βέβαια ότι η Θεωρία των Πιθανοτήτων είναι απλώς ένα βοηθητικό εργαλείο για τη λύση πρακτικών προβλημάτων των άλλων επιστημών. που έχει δικά του προβλήματα και δικές του μεθόδους. αφού ο αριθμός αυτός εξαρτάται από πολλούς απρόβλεπτους παράγοντες. δεν μπορούμε να προβλέψουμε με ακρίβεια τον αριθμό των τροχαίων ατυχημάτων που συμβαίνουν σε μια εβδομάδα σε ένα σημείο μιας εθνικής οδού.ά. Ένα τέτοιο πείραμα ονομάζεται πείραμα τύχης (random experiment). αν αφήσουμε ένα σώμα να πέσει στο κενό υπό την επίδραση της βαρύτητας. 3.138 όπως είναι η Θεωρία των Σφαλμάτων. 2. Διαλέγεται αυθαίρετα μια οικογένεια με δύο παιδιά και εξετάζεται ως προς . 3. το νερό θα βράσει. Κάθε τέτοιο πείραμα κατά το οποίο η γνώση των συνθηκών κάτω από τις οποίες εκτελείται καθορίζει πλήρως το αποτέλεσμα λέγεται αιτιοκρατικό (deterministic) πείραμα. η Μετεωρολογία κτλ.1 ΔΕΙΓΜΑΤΙΚΟΣ ΧΩΡΟΣ .ΕΝΔΕΧΟΜΕΝΑ Πείραμα Τύχης Όπως γνωρίζουμε από τη Φυσική. Πειράματα τύχης είναι και τα εξής: 1. η Χημεία. Για παράδειγμα. Kolmogorov κ. η Ψυχολογία. δηλαδή σε ατμοσφαιρική πίεση 760 mm Hg.. όπως είναι οι Chebyshev.

Δειγματικός Χώρος Όλα τα αποτελέσματα που μπορούν να εμφανιστούν σε ένα πείραμα τύχης λέγονται δυνατά αποτελέσματα ή δυνατές περιπτώσεις του πειράματος. 6. 3. στις 5 μ. 8.. στη ρίψη ενός ζαριού τα σύνολα A  {2. ω2 . ωκ } . 3... 3. Γίνεται η κλήρωση του ΛΟΤΤΟ και καταγράφεται το αποτέλεσμα. ω2 . Για παράδειγμα.. τότε ο δειγματικός χώρος του πειράματος θα είναι το σύνολο: Ω  {ω1 .. τότε ο δειγματικός χώρος είναι Ω  {Κ . B  {1. ωκ είναι τα δυνατά αποτελέσματα ενός πειράματος τύχης.139 4. Το σύνολο των δυνατών αποτελεσμάτων λέγεται δειγματικός χώρος (sample space) και συμβολίζεται συνήθως με το γράμμα Ω. 6} . ο δειγματικός χώρος είναι   {1. Το Α είναι το ενδεχόμενο να φέρουμε άρτιο αριθμό. 6. Ένα ενδεχόμενο λέγεται απλό όταν έχει ένα μόνο στοιχείο και σύνθετο αν έχει περισσότερα στοιχεία. 4. ενώ τα Α και Β είναι σύνθετα . 5. Επίσης. στο δεύτερο από τα παραπάνω πειράματα τύχης η ένδειξη της άνω έδρας μπορεί να είναι ένας από τους αριθμούς 1. Επιλέγεται τυχαία μια τηλεφωνική συνδιάλεξη και καταγράφεται η διάρκειά της. μετράται το μήκος της ουράς των αυτοκινήτων στα πρώτα διόδια της Εθνικής οδού Αθηνών-Λαμίας. Γ } . 9. Επιλέγεται τυχαία μια μέρα της εβδομάδος και μετράται ο αριθμός των τηλεθεατών που παρακολούθησαν το απογευματινό δελτίο ειδήσεων στην ΕΤ1. στο πρώτο από τα παραπάνω πειράματα τύχης. 5. Επομένως. Είναι φανερό ότι ένα ενδεχόμενο είναι υποσύνολο του δειγματικού χώρου. 5} και Γ  {6} είναι ενδεχόμενα. Ενδεχόμενα Το σύνολο που έχει ως στοιχεία ένα ή περισσότερα αποτελέσματα ενός πειράματος τύχης λέγεται ενδεχόμενο (event) ή γεγονός. το Β να φέρουμε περιττό αριθμό και το Γ να φέρουμε 6. Έτσι. Την παραμονή του Πάσχα. αν με Κ συμβολίσουμε το αποτέλεσμα να φέρουμε “κεφαλή” και με Γ το αποτέλεσμα να φέρουμε “γράμματα”. το Γ είναι ένα απλό ενδεχόμενο. Αν δηλαδή ω1 .. 6} . το φύλο των παιδιών και τη σειρά γέννησής τους.. 4. Για παράδειγμα. 7.μ. 4. Ρίχνεται ένα νόμισμα ώσπου να φέρουμε “γράμματα” αλλά όχι περισσότερο από τρεις φορές. 2. Επιλέγεται τυχαία μια ραδιενεργός πηγή και καταγράφεται ο αριθμός των εκπεμπόμενων σωματιδίων σε συγκεκριμένο χρονικό διάστημα. 2... 5.

Το πλήθος των στοιχείων ενός ενδεχομένου Α θα το συμβολίζουμε με N ( A) . όταν πραγματοποιούνται συγχρόνως τα Α και Β. N ( )  6 και N (}  0 . όταν φέρουμε 2 ή 4 ή 6. 4. Δεχόμαστε ακόμα ως ενδεχόμενο και το κενό σύνολο  που δεν πραγματοποιείται σε καμιά εκτέλεση του πειράματος τύχης. έχουμε:  Το ενδεχόμενο A  B . 6} έχουμε N ( A)  3 . όταν πραγματοποιείται ένα τουλάχιστον από τα Α. αν   {1. σε μια συγκεκριμένη εκτέλεσή του είναι στοιχείο ενός ενδεχομένου. Ο ίδιος ο δειγματικός χώρος Ω ενός πειράματος θεωρείται ότι είναι ενδεχόμενο. Γι’αυτό λέμε ότι το  είναι το αδύνατο ενδεχόμενο. 4. Όταν το αποτέλεσμα ενός πειράματος. Έτσι. για παράδειγμα. 4. 6} έχει τρεις ευνοϊκές περιπτώσεις και πραγματοποιείται. 5. Πράξεις με Ενδεχόμενα Όπως είδαμε. τότε λέμε ότι το ενδεχόμενο αυτό πραγματοποιείται ή συμβαίνει. που διαβάζεται “Α ένωση Β” ή “Α ή Β” και πραγματοποιείται. Επομένως. αν Α και Β είναι δύο ενδεχόμενα. αφού όποιο και αν είναι το αποτέλεσμα του πειράματος θα ανήκει στο Ω. 6} και A  {2. A B Ω A B . το οποίο μάλιστα πραγματοποιείται πάντοτε. Γι’αυτό το Ω λέγεται βέβαιο ενδεχόμενο.140 ενδεχόμενα. Γι’αυτό τα στοιχεία ενός ενδεχομένου λέγονται και ευνοϊκές περιπτώσεις για την πραγματοποίησή του. μεταξύ των ενδεχομένων ενός πειράματος μπορούν να οριστούν οι γνωστές πράξεις μεταξύ των συνόλων. 2. A B Ω A B  Το ενδεχόμενο A  B . Έτσι. Β. που διαβάζεται “Α τομή Β” ή “Α και Β” και πραγματοποιείται. τα ενδεχόμενα είναι υποσύνολα του δειγματικού χώρου Ω. από τις οποίες προκύπτουν νέα ενδεχόμενα. το ενδεχόμενο A  {2. Επομένως.3.

4} και B  {2. που διαβάζεται “όχι Α” ή “συμπληρωματικό του Α” και πραγματοποιείται. Το ενδεχόμενο Α πραγματοποιείται Το ενδεχόμενο Α δεν πραγματοποιείται Ένα τουλάχιστον από τα Α και Β πραγματοποιείται Πραγματοποιούνται αμφότερα τα Α και Β Δεν πραγματοποιείται κανένα από τα Α και Β Πραγματοποιείται μόνο το Α Η πραγματοποίηση του Α συνεπάγεται την πραγματοποίηση του Β ω A ω  A (ή ω A ) ω A  B ω A  B ω  ( A  B )΄ ω  A  B (ή ω  A  B ΄) A B Για παράδειγμα. Το A λέγεται και “αντίθετο του Α”. στη ρίψη ενός ζαριού έστω τα ενδεχόμενα A  {1.4. Στην αριστερή στήλη του πίνακα αναγράφονται διάφορες σχέσεις για τα Α και Β διατυπωμένες στην κοινή γλώσσα. όταν δεν πραγματοποιείται το Α. και στη δεξιά στήλη αναγράφονται οι ίδιες σχέσεις αλλά διατυπωμένες στη γλώσσα των συνόλων.3. A  B. B. . Αν το αποτέλεσμα της ρίψης είναι ο αριθμός 1. Είναι εύκολο να δούμε ότι A  B  A  B . που διαβάζεται “διαφορά του Β από το Α” και πραγματοποιείται. A  B δεν πραγματοποιούνται.6} . A΄ A Ω A B Ω A B Στον παρακάτω πίνακα τα Α και Β συμβολίζουν ενδεχόμενα ενός πειράματος και το ω ένα αποτέλεσμα του πειράματος αυτού.141  Το ενδεχόμενο A . ( A  B) . τότε τα ενδεχόμενα A. B  πραγματοποιούνται.  Το ενδεχόμενο A  B .2. ενώ τα A. A  B. ( A  B ) . όταν πραγματοποιείται το Α αλλά όχι το Β.

i) Να γραφτεί ο δειγματικός χώρος Ω του πειράματος. 4. iii) Να βρεθούν τα ενδεχόμενα A3 . 5} . Ω αφού δεν έχουν κανένα κοινό στοιχείο. A5  A4 . ii) Να παρασταθούν με αναγραφή τα ενδεχόμενα που προσδιορίζονται από την αντίστοιχη ιδιότητα: Α1: “Ο αριθμός των Κ υπερβαίνει τον αριθμό των Γ” Α2: “Ο αριθμός των Κ είναι ακριβώς 2” Α3: “Ο αριθμός των Κ είναι τουλάχιστον 2” Α4: “Ίδια όψη και στις τρεις ρίψεις” Α5: “Στην πρώτη ρίψη φέρνουμε Κ”. ΛΥΣΗ i) Για να προσδιορίσουμε το δειγματικό χώρο. ΕΦΑΡΜΟΓΕΣ 1. θα χρησιμοποιήσουμε ένα δεντροδιάγραμμα: 1η ρίψη 2η ρίψη Κ Κ Γ Κ Γ Γ 3η ρίψη Αποτέλεσμα Κ ΚΚΚ Γ ΚΚΓ Κ ΚΓΚ Γ ΚΓΓ Κ ΓΚΚ Γ ΓΚΓ Κ ΓΓΚ Γ ΓΓΓ . Στην A B   περίπτωση αυτή τα Α και Β λέγονται ασυμβίβαστα.142 Ασυμβίβαστα Ενδεχόμενα Στη ρίψη ενός ζαριού αν Α είναι το ενδεχόμενο B να φέρουμε άρτιο αριθμό και Β το ενδεχόμενο A 2 1 να φέρουμε περιττό αριθμό. όταν A  B   . A5  A2 . Ρίχνουμε ένα νόμισμα τρεις διαδοχικές φορές. 3. 6} 4 3 και B  {1. Δύο ασυμβίβαστα ενδεχόμενα λέγονται επίσης ξένα μεταξύ τους ή αμοιβαίως αποκλειόμενα. Γενικά: Δύο ενδεχόμενα Α και Β λέγονται ασυμβίβαστα. έχουμε A  {2. Παρατηρούμε ότι τα Α και Β 5 6 δεν μπορούν να πραγματοποιηθούν συγχρόνως.

ΓΚΓ . ο δειγματικός χώρος του πειράματος αποτελείται από διατεταγμένες τριάδες με στοιχεία το Κ και το Γ και είναι Ω  {KKK . A3  {ΚΓΓ . ΓKΓ . ii) Δεν πραγματοποιείται κανένα από τα Α και Β. A5  A4  {ΚΚΓ . ΓKK . ΚΚΚ . Το ενδεχόμενο A5  A2 περιέχει τα κοινά στοιχεία των A5 και A2 . ΓΚΚ } A3  {ΚΚΚ . εκ των οποίων το ένα στην πρώτη θέση. Επομένως. KΓΓ . ΓΓΓ } A5  {ΚΚΚ . γραμμοσκιάζουμε τις επιφάνειες των Α και Β με εξαίρεση την τομή τους. ΓΓΓ } . KKΓ . ΚΓΚ . ΚΓΚ . Επομένως. ΓΚΚ } (Παρατηρούμε ότι A3  A1 ) A4  {ΚΚΚ . ΚΓΚ . Επομένως. ΓΓΓ } . ΚΓΓ } . ΚΓΚ } . δηλαδή την κοινή επιφάνειά τους. ΚΓΓ . περιέχει δηλαδή τα στοιχεία στα οποία ο αριθμός των Κ είναι μικρότερος από 2. δηλαδή τα στοιχεία με δύο ακριβώς Κ. A B Ω Α Β Β Α . 2. Παρατηρούμε ότι στην περίπτωση αυτή πραγματοποιείται ένα μόνο από τα A  B και B  A . ΚΚΓ . ΛΥΣΗ i) Επειδή θέλουμε να πραγματοποιείται μόνο το Α ή μόνο το Β. ΓΓΚ . Το ενδεχόμενο A5  A4 περιέχει τα στοιχεία που στην πρώτη θέση έχουν Κ ή τα στοιχεία που έχουν ίδιες και τις τρεις ενδείξεις. ΓΚΚ } A2  {ΚΚΓ . Άρα. ii) Έχοντας υπόψη το δειγματικό χώρο Ω και την αντίστοιχη ιδιότητα έχουμε: A1  {ΚΚΚ . ΚΓΚ . Να παρασταθούν με διαγράμματα Venn και να εκφραστούν με τη βοήθεια συνόλων τα ενδεχόμενα που ορίζονται με τις εκφράσεις: i) Πραγματοποιείται μόνο ένα από τα Α και Β. ΓΓK . ΚΓΚ .143 Άρα. KΓ K . ΚΚΓ . A5  A2  {ΚΚΓ . Δίνονται δύο ενδεχόμενα Α και Β ενός πειράματος με δειγματικό χώρο Ω. ΓΓΓ} . το ζητούμενο ενδεχόμενο είναι το ( A  B)  ( B  A) ή ισοδύναμα το ( A  B )  ( A  B) . ΚΚΓ . iii) Το A3 περιέχει εκείνα τα στοιχεία του δειγματικού χώρου που δεν περιέχει το A3 .

με τρένο ή με αεροπλάνο. χωρίς όμως τώρα να γίνει επανατοποθέτηση της πρώτης μπάλας πριν την εξαγωγή της δεύτερης. γραμμοσκιάζουμε την επιφάνεια του Ω που είναι εκτός της ένωσης των Α και Β. (Όπως λέμε παίρνουμε διαδοχικά δύο μπάλες με επανατοποθέτηση). Μια οικογένεια από την Αθήνα αποφασίζει να κάνει τις επόμενες διακοπές της στην Κύπρο ή στη Μακεδονία. ii) Ποιο είναι το ενδεχόμενο “η πρώτη μπάλα να είναι κόκκινη”. Ένα κουτί έχει τρεις μπάλες. μια μαύρη και μια κόκκινη. Να επιλυθεί το προηγούμενο πρόβλημα. τότε: i) Να γράψετε το δειγματικό χώρο Ω του πειράματος ii) Να βρείτε το ενδεχόμενο Α: “Η οικογένεια θα πάει με αεροπλάνο στον τόπο των διακοπών της”. (Όπως λέμε παίρνουμε διαδοχικά δύο μπάλες χωρίς επανατοποθέτηση). δηλαδή το ( A  B) . Στην περίπτωση αυτή παρατηρούμε ότι το ζητούμενο σύνολο είναι συμπληρωματικό του A  B . iii) Ποιο είναι το ενδεχόμενο “να εξαχθεί και τις δυο φορές μπάλα με το ίδιο χρώμα”. 3. Στη Μακεδονία μπορεί να πάει με το αυτοκίνητό της. Οι δυνατές επιλογές δίνονται στον παρακάτω πίνακα: .144 ii) Επειδή θέλουμε να μην πραγματοποιείται κανένα από τα Α και Β. 2. το συνοδευτικό και το γλυκό. i) Ποιος είναι ο δειγματικός χώρος του πειράματος. Το κύριο πιάτο. Ένα ξενοδοχείο προσφέρει γεύμα που αποτελείται από τρία πιάτα. Αν ως αποτέλεσμα του πειράματος θεωρήσουμε τον τόπο διακοπών και το ταξιδιωτικό μέσο. Στην Κύπρο μπορεί να πάει με αεροπλάνο ή με πλοίο. μια άσπρη. A B Ω ( A  B)  ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. καταγράφουμε το χρώμα της και την ξαναβάζουμε στο κουτί. Στη συνέχεια παίρνουμε μια δεύτερη μπάλα και καταγράφουμε επίσης το χρώμα της. 4. Κάνουμε το εξής πείραμα: παίρνουμε από το κουτί μια μπάλα.

iv) Επιλέγουμε κάποιον με ένα αυτοκίνητο. iii) Επιλέγουμε μια γυναίκα. Α είναι το ενδεχόμενο να έχει γεννηθεί στην Ελλάδα και Β το ενδεχόμενο να είναι καθολικός. Μεταξύ των οικογενειών με τρία παιδιά επιλέγουμε τυχαία μια οικογένεια και εξετάζουμε τα παιδιά ως προς το φύλο και ως προς τη σειρά γέννησής τους. Α είναι το ενδεχόμενο να φέρουμε 3 και Β είναι το ενδεχόμενο να φέρουμε άρτιο αριθμό. 5. μέτρια. ii) Το ενδεχόμενο Α: “η κατάσταση του ασθενούς είναι σοβαρή ή κρίσιμη και είναι ανασφάλιστος”. Α είναι το ενδεχόμενο να έχει ηλικία άνω των 30 και Β το ενδεχόμενο να είναι παντρεμένη πάνω από 30 χρόνια. Σε καθεμιά από τις παρακάτω περιπτώσεις να εξετάσετε αν τα ενδεχόμενα Α και Β είναι ασυμβίβαστα: i) Ρίχνουμε ένα ζάρι. Α είναι το ενδεχόμενο το αυτοκίνητό του να είναι ευρωπαϊκό και Β το ενδεχόμενο να είναι ασιατικό. σοβαρή ή κρίσιμη. σοβαρή ή κρίσιμη. 7. iv) Το ενδεχόμενο Γ: “ο ασθενής είναι ασφαλισμένος”. Να γράψετε το δειγματικό χώρο του πειράματος. i) Να βρείτε το δειγματικό χώρο του πειράματος ii) Να βρείτε το ενδεχόμενο Α: “το άτομο επιλέγει παγωτό” iii) Να βρείτε το ενδεχόμενο Β: “το άτομο επιλέγει κοτόπουλο” iv) Να βρείτε το ενδεχόμενο A  B v) Αν Γ το ενδεχόμενο: “το άτομο επιλέγει ρύζι”.145 Γεύμα Επιλογές Κύριο πιάτο Συνοδευτικό Γλυκό Κοτόπουλο ή φιλέτο Μακαρόνια ή ρύζι ή χόρτα Παγωτό ή τούρτα ή ζελέ Ένα άτομο πρόκειται να διαλέξει ένα είδος από κάθε πιάτο. 6. ii) Επιλέγουμε ένα άτομο. γ ή δ. Να βρείτε: i) Το δειγματικό χώρο Ω του πειράματος. να βρείτε το ενδεχόμενο ( A  B)  Γ . β. μέτρια. Η διεύθυνση καταγράφει με 0 τον ανασφάλιστο ασθενή και με 1 τον ασφαλισμένο. iii) Το ενδεχόμενο Β: “η κατάσταση του ασθενούς είναι καλή ή μέτρια”. και στη συνέχεια δίπλα γράφει ένα από τα γράμματα α. Η διεύθυνση ενός νοσοκομείου κωδικοποιεί τους ασθενείς σύμφωνα με το αν είναι ασφαλισμένοι ή όχι και σύμφωνα με την κατάσταση της υγείας τους. η οποία χαρακτηρίζεται ως καλή. . Θεωρούμε το πείραμα της κωδικοποίησης ενός νέου ασθενούς. ανάλογα με το αν η κατάστασή του είναι καλή.

είναι η αβεβαιότητα για το ποιο αποτέλεσμα του πειράματος θα εμφανιστεί σε μια συγκεκριμένη εκτέλεσή του. 2. Αν Α και Β είναι ενδεχόμενα ενός δειγματικού χώρου Ω. B   . που θα είναι ένα μέτρο της “προσδοκίας” με την οποία αναμένουμε την πραγματοποίησή του. δεν μπορούμε με βεβαιότητα να προβλέψουμε αν το Α θα πραγματοποιηθεί ή όχι. Δύο παίκτες θα παίξουν σκάκι και συμφωνούν νικητής να είναι εκείνος που πρώτος θα κερδίσει δύο παιχνίδια.2 ΕΝΝΟΙΑ ΤΗΣ ΠΙΘΑΝΟΤΗΤΑΣ Εισαγωγή Ένα από τα κύρια χαρακτηριστικά του πειράματος τύχης. A   . αν Α είναι ένα ενδεχόμενο.146 Β΄ ΟΜΑΔΑΣ 1. 3. να αποδείξετε ότι: αν A  B . τότε B   A . να γράψετε το δειγματικό χώρο του πειράματος. Θα προσπαθήσουμε στη συνέχεια να απαντήσουμε στα ερωτήματα αυτά. 4. 3. Αν α είναι το αποτέλεσμα να κερδίσει ο πρώτος παίκτης ένα παιχνίδι και β είναι το αποτέλεσμα να κερδίσει ο δεύτερος παίκτης ένα παιχνίδι. Β: “Το άθροισμα των ενδείξεων στις δύο ρίψεις είναι άρτιος αριθμός” Γ: “Το γινόμενο των ενδείξεων στις δύο ρίψεις είναι μικρότερο του 5” Στη συνέχεια να βρείτε τα ενδεχόμενα A  B . ( A  B)  Γ . Επομένως. Να βρείτε τα ενδεχόμενα: Α: “Το αποτέλεσμα της 1ης ρίψης είναι μεγαλύτερο από το αποτέλεσμα της 2ης ρίψης”. Έννοια και Ιδιότητες Σχετικής Συχνότητας . Δηλαδή πώς θα βρούμε μια διαδικασία με την οποία σε κάθε ενδεχόμενο θα αντιστοιχίζουμε την πιθανότητά του. Γι’αυτό είναι χρήσιμο να αντιστοιχίσουμε σε κάθε ενδεχόμενο Α έναν αριθμό. Πώς όμως θα προσδιορίσουμε για κάθε ενδεχόμενο ενός πειράματος τύχης την πιθανότητά του. όπως είδαμε. Ρίχνουμε ένα ζάρι δύο φορές. Να γράψετε το ενδεχόμενο A  B ως ένωση τριών ξένων μεταξύ τους ενδεχομένων. Τον αριθμό αυτό τον ονομάζουμε πιθανότητα του Α και τον συμβολίζουμε με P( A) . Έστω Α και Β δύο ενδεχόμενα του ίδιου δειγματικού χώρου Ω.

508 0.494 0.486 0.147 Αν σε ν εκτελέσεις ενός πειράματος ένα ενδεχόμενο Α πραγματοποιείται κ κ φορές.482 0. 2... f 1  f 2  . 20.700 0.. Στον παρακάτω πίνακα αναφέρονται το πλήθος των Κ και οι αντίστοιχες σχετικές συχνότητες στις 10.533 0.471 0. ενός “αμερόληπτου” νομίσματος..489 0.200 ρίψεις του νομίσματος ενώ στο σχήμα 1 παριστάνεται το αντίστοιχο διάγραμμα σχετικών συχνοτήτων Πίνακας ρίψεων ενός νομίσματος ν κ fκ 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 7 13 16 23 26 31 33 39 43 46 53 61 66 70 73 81 87 89 93 99 0.. 30. όπως λέμε “τείνει” στον αριθμό 0. f 2  2 . όπως λέμε.5 ή.460 0. τότε ο λόγος ονομάζεται σχετική συχνότητα του Α και συμβολίζεται v με f A .520 0... Ανάλογα . {ω2 }... {ω λ ) πραγματοποιούνται κ1 . οι σχετικές συχνότητες των ενδεχομένων {K }.  f λ  1 v v Ας εκτελέσουμε τώρα το ακόλουθο πείραμα: Ρίχνουμε ένα συμμετρικό και ομογενές νόμισμα και σημειώνουμε με Κ το αποτέλεσμα “κεφαλή” και με Γ το αποτέλεσμα “γράμματα”.…. ω2 .517 0. i  1. κ 2 .506 0.. ω λ } και σε ν εκτελέσεις του πειράματος αυτού τα απλά ενδεχόμενα {ω1 }... Αυτό επιβεβαιώνει την “προσδοκία” μας ότι στη ρίψη ενός συμμετρικού και ομογενούς νομίσματος ή.2. 0  f i  1.575 0. λ (αφού 0  κ i  v ) κ  κ 2  ... κ λ φορές κ κ κ αντιστοίχως..5..495 Διάγραμμα σχετικών συχνοτήτων 1 fk 1 0..500 0..488 0.650 0.. f λ  λ των v v v απλών ενδεχομένων θα έχουμε: 1.478 0.. Ιδιαίτερα αν ο δειγματικός χώρος ενός πειράματος είναι το πεπερασμένο σύνολο Ω  {ω1 .512 0.  κ λ v  1. τότε για τις σχετικές συχνότητες f 1  1 .. { Γ } είναι ίσες.508 0...5 v 0 0 50 100 150 200 Παρατηρούμε ότι καθώς αυξάνεται ο αριθμός ν των ρίψεων η σχετική συχνότητα f κ εμφάνισης της “κεφαλής” σταθεροποιείται γύρω από την τιμή 0..

καθώς ο αριθμός των δοκιμών του πειράματος επαναλαμβάνεται απεριόριστα. {4}. το ενδεχόμενο να φέρουμε ζυγό αριθμό στη ρίψη ενός αμερόληπτου ζαριού. Έστω για παράδειγμα. {3}. ισοδύναμα. που διατυπώθηκε από τον . τα απλά ενδεχόμενα είναι ισοπίθανα. Το εμπειρικό αυτό εξαγόμενο. Κλασικός Ορισμός Πιθανότητας Ας εξετάσουμε την ειδική περίπτωση του αμερόληπτου νομίσματος. 6 6 6 6 Γενικά. Θα προσπαθήσουμε τώρα στηριζόμενοι στις προηγούμενες διαπιστώσεις να ορίσουμε την πιθανότητα ενός ενδεχομένου. Όπως διαπιστώσαμε προηγουμένως η σχετική συχνότητα καθενός από τα απλά 1 ενδεχόμενα {K }. το οποίο επιβεβαιώνεται και θεωρητικά. {2}.148 παραδείγματα μας οδηγούν στο συμπέρασμα ότι οι σχετικές συχνότητες πραγματοποίησης των ενδεχομένων ενός πειράματος σταθεροποιούνται γύρω από κάποιους αριθμούς (όχι πάντοτε ίδιους). Ρίχνουμε ένα τέτοιο νόμισμα και παρατηρούμε την όψη που θα εμφανιστεί. Πλήθος Δυνατών Περιπτώσεων N (Ω ) Έτσι. Ομοίως θα μπορούσαμε να 2 διαπιστώσουμε ότι στη ρίψη ενός αμερόληπτου ζαριού η σχετική συχνότητα καθενός από τα απλά ενδεχόμενα {1}. ονομάζεται στατιστική ομαλότητα ή νόμος των μεγάλων αριθμών. έχουμε τον κλασικό ορισμό της πιθανότητας. Ας δούμε τώρα ποια αναμένουμε να είναι η σχετική συχνότητα ενός σύνθετου ενδεχομένου σε ένα πείραμα με ισοπίθανα αποτελέσματα. { Γ } τείνει στον αριθμό . {5} και {6} τείνει στον 1 . Επειδή το ενδεχόμενο αυτό πραγματοποιείται όταν το αποτέλεσμα του πειράματος είναι 2 ή 4 ή 6 και καθένα από τα αποτελέσματα 1 αυτά εμφανίζεται με σχετική συχνότητα . η συχνότητα εμφάνισης του ζυγού 6 1 1 1 3 αριθμού αναμένεται να είναι    . σε ένα πείραμα με ν ισοπίθανα αποτελέσματα η σχετική συχνότητα κ ενός ενδεχομένου με κ στοιχεία θα τείνει στον αριθμό . Γι’αυτό είναι εύλογο ν σε ένα πείραμα με ισοπίθανα αποτελέσματα να ορίσουμε ως πιθανότητα του ενδεχομένου Α τον αριθμό: P( A)  Πλήθος Ευνοϊκών Περιπτώσεων N ( A)  . Σε πειράματα όπως τα προηγούμενα λέμε ότι τα δυνατά αριθμό 6 αποτελέσματα ή.

i  1. Αξιωματικός Ορισμός Πιθανότητας Για να μπορεί όμως να χρησιμοποιηθεί ο κλασικός ορισμός της πιθανότητας σε ένα δειγματικό χώρο με πεπερασμένο πλήθος στοιχείων.149 Laplace το 1812. 1 .. P ( )  N ( ) 0 2. Όπως για παράδειγμα ο αριθμός των αυτοκινητιστικών δυστυχημάτων μια ορισμένη εβδομάδα. Έστω   {ω1 . ΣΧΟΛΙΟ Αν P (ωi )  .. ων } ένας δειγματικός χώρος με πεπερασμένο πλήθος στοιχείων... Στην πράξη. Υπάρχουν όμως πολλά πειράματα τύχης..  P (α κ ) . των οποίων ο δειγματικός χώρος δεν αποτελείται από ισοπίθανα απλά ενδεχόμενα. Για κάθε ενδεχόμενο Α ισχύει 0  P ( A)  1 .. v .. είναι απαραίτητο τα απλά ενδεχόμενα να είναι ισοπίθανα. αφού το πλήθος των στοιχείων ενός ενδεχομένου είναι ίσο ή μικρότερο από το πλήθος των στοιχείων του δειγματικού χώρου. ο οποίος έχει ανάλογες ιδιότητες με τη σχετική συχνότητα. α κ }   ορίζουμε το άθροισμα P (α1 )  P (α 2 )  . Σε κάθε απλό ενδεχόμενο {ωi } αντιστοιχίζουμε έναν πραγματικό αριθμό.. ιδιαίτερα στην περίπτωση που δεν ισχύει ο κλασικός ορισμός της πιθανότητας. ως πιθανότητα ενός ενδεχομένου Α λαμβάνεται το όριο της σχετικής του συχνότητας. τότε έχουμε τον κλασικό ορισμό της πιθανότητας v ενός ενδεχομένου.. η ρίψη ενός ζαριού που δεν είναι συμμετρικό κτλ. ω2 . Από τον προηγούμενο ορισμό προκύπτει άμεσα ότι: N ( ) 1 1.. Για τις περιπτώσεις αυτές χρησιμοποιούμε τον παρακάτω αξιωματικό ορισμό της πιθανότητας. Τον αριθμό P(ωi ) ονομάζουμε πιθανότητα του ενδεχομένου {ωi } . Ως πιθανότητα P( A) ενός ενδεχομένου A  {α1 ..... που τον συμβολίζουμε με P (ωi ) .2.. ενώ ως πιθανότητα του αδύνατου ενδεχομένου  ορίζουμε τον αριθμό P ()  0 . α 2 .. P ()  0 N ( ) 3. έτσι ώστε να ισχύουν:  0  P(ωi )  1  P (ω1 )  P (ω2 )  .  P(ων )  1 .

Για οποιαδήποτε ασυμβίβαστα μεταξύ τους ενδεχόμενα Α και Β ισχύει: P ( A  B )  P( A)  P( B) ΑΠΟΔΕΙΞΗ Αν N ( A)  κ και N ( B)  λ . Αποδεικνύεται όμως ότι ισχύουν και στην περίπτωση που τα απλά ενδεχόμενα δεν είναι ισοπίθανα. Για δύο συμπληρωματικά ενδεχόμενα Α και A ισχύει: P( A)  1  P( A) ΑΠΟΔΕΙΞΗ . ω2 .150 Όταν έχουμε ένα δειγματικό χώρο   {ω1 .. ων } και χρησιμοποιούμε τη φράση “παίρνουμε τυχαία ένα στοιχείο του Ω”.2. Β και Γ είναι ανά δύο ασυμβίβαστα θα έχουμε P ( A  B  Γ )  P( A)  P( B)  P( Γ ) . v . v Κανόνες Λογισμού των Πιθανοτήτων Για τις πιθανότητες των ενδεχομένων ενός δειγματικού χώρου Ω ισχύουν οι παρακάτω ιδιότητες. Επομένως: N ( A  B) N ( ) B A N ( A)  N ( B )  N ( ) N ( A) N ( B ) Ω   . i  1. έχουμε N ( A  B )  κ  λ  N ( A)  N ( B ) . P( A  B)  2... N ( ) N ( ) A B  P( A)  P( B) . τότε το A  B έχει κ  λ στοιχεία. 1. εννοούμε ότι όλα τα δυνατά 1 αποτελέσματα είναι ισοπίθανα με πιθανότητα P (ωi )  . αν τα ενδεχόμενα Α.. Οι κανόνες αυτοί θα αποδειχθούν στην περίπτωση που τα απλά ενδεχόμενα είναι ισοπίθανα. Έτσι. γιατί αλλιώς τα Α και Β δε θα ήταν ασυμβίβαστα. γνωστές ως “κανόνες λογισμού των πιθανοτήτων”..... Η ιδιότητα αυτή είναι γνωστή ως απλός προσθετικός νόμος (simply additive law) και ισχύει και για περισσότερα από δύο ενδεχόμενα. Δηλαδή.

Αν A  B . (1) Ω A B N ( A  B ) N ( A) N ( B ) N ( A  B )    N ( ) N ( ) N ( ) N ( ) και επομένως P ( A  B)  P( A)  P ( B )  P ( A  B) . Η ιδιότητα αυτή είναι γνωστή ως προσθετικός νόμος (additive law). έχουμε διαδοχικά. δηλαδή τα Α και A είναι ασυμβίβαστα. Για δύο ενδεχόμενα Α και Β ενός δειγματικού χώρου Ω ισχύει: P( A  B)  P( A)  P( B)  P( A  B) ΑΠΟΔΕΙΞΗ Για δυο ενδεχόμενα Α και Β έχουμε αφού στο άθροισμα N ( A)  N ( B ) το πλήθος των στοιχείων του A  B υπολογίζεται δυο φορές.151 Επειδή A  A   . Για δύο ενδεχόμενα Α και δειγματικού χώρου Ω ισχύει B A Ω Β ενός . 5. σύμφωνα με τον απλό προσθετικό νόμο: P ( A  A)  P( A)  P( A) P ( )  P ( A)  P ( A) A΄ A 1  P ( A)  P( A) . Οπότε P ( A)  1  P( A) . 4. Αν διαιρέσουμε τα μέλη της (1) με N ( ) έχουμε: B A N ( A  B )  N ( A)  N ( B )  N ( A  B) . τότε P ( A)  P ( B ) ΑΠΟΔΕΙΞΗ Επειδή A  B έχουμε διαδοχικά: N ( A)  N ( B ) N ( A) N ( B)  N ( ) N ( ) P ( A)  P( B) . Ω 3.

4) 5 (1.3) (6. 2ο 1ο 1 2 3 4 5 6 1 (1.2) (4.5) (3. Ρίχνουμε δύο “αμερόληπτα” ζάρια.4) (5.5) 6 (1.1) 2 (1. Να βρεθεί η πιθανότητα να φέρουμε ως αποτέλεσμα δύο διαδοχικούς αριθμούς.3).1) (6.1). χρησιμοποιούμε έναν πίνακα “διπλής εισόδου”. δηλαδή N ( )  36 .2) 3 (1.3) (4.4) (6.2) (2.4) (2. (3.6) (2.  Το ενδεχόμενο Α: “να φέρουμε δύο διαδοχικούς αριθμούς”. (3. (4. (2.5). όπως φαίνεται στο ακόλουθο σχήμα.5) (5.4).4) (4. έχουμε: P ( A)  P ( A  B )  P ( A  B) .5) (2. ΕΦΑΡΜΟΓΕΣ 1. (5.2) (3.4).3).3) 4 (1.5)} δηλαδή N ( A)  10  Επομένως.3) (3.2). P ( A)  N ( A) 10 5   . (5.4) (3.152 P ( A  B)  P ( A)  P ( A  B ) . N ( ) 36 18 .5) (6.6)(6.1) (2. ΑΠΟΔΕΙΞΗ Επειδή τα ενδεχόμενα A  B και A  B είναι ασυμβίβαστα και ( A  B)  ( A  B)  A .6) (5. (2. είναι το A  {(1.6) Από τον πίνακα αυτόν έχουμε ότι ο δειγματικός χώρος Ω έχει 36 ισοπίθανα δυνατά αποτελέσματα.3) (5.6) (4.6) (6.1) (3. ΛΥΣΗ  Για να βρούμε το δειγματικό χώρο του πειράματος.2) (6. Άρα A B Ω A B P ( A  B)  P ( A)  P( A  B ) .2).1) (5.1) (4.3) (2.5) (4. ( 4.2) (5.6) (3.

4  2  0.6 και P ( B )  0 .2)  1  0.28 ή. έχουμε: A B Ω P (( A  B )  ( B  A))  P ( A  B )  P( B  A) ( A  B ) ( B  A )  P( A)  P ( A  B)  P ( B )  P( A  B )  P( A)  P( B )  2 P ( A  B)  0. Επειδή τα ενδεχόμενα A  B και B  A είναι ασυμβίβαστα. i) Να εξεταστεί αν τα Α και Β είναι ασυμβίβαστα.5 .2 . . Επομένως P (( A  B) )  1  P ( A  B) B A  1  ( P ( A)  P ( B )  P ( A  B ))  1  (0.153 Άρα. Για δύο ενδεχόμενα ενός δειγματικού χώρου Ω ισχύουν P ( A)  0. P ( B )  0. Να βρεθεί η πιθανότητα των ενδεχομένων: i) Να μην πραγματοποιηθεί κανένα από τα Α και Β. ii) Το ενδεχόμενο να πραγματοποιηθεί μόνο ένα από τα Α και Β είναι το ( A  B)  ( B  A) .2  0. 18 στη γλώσσα των ποσοστών.5  0. Για δύο ενδεχόμενα Α και Β ενός δειγματικού χώρου Ω δίνονται P ( A)  0.3 .5  0. 2. 3.4 και P ( A  B )  0.5 .4  0. περίπου 28%.5 . ii) Να πραγματοποιηθεί μόνο ένα από τα Α και Β. η πιθανότητα να φέρουμε δύο διαδοχικούς αριθμούς είναι 5  0. ΛΥΣΗ i) Το ενδεχόμενο να μην πραγματοποιηθεί κανένα από τα Α και Β είναι το ( A  B )  .7 Ω ( A  B)   0.

ΛΥΣΗ i) Αν τα Α και Β ήταν ασυμβίβαστα.5  1  P ( A  B ) 0. ii) Επειδή A  B  B και A  B  A .5  P ( A  B )  1 0.5 (1) Από τον προσθετικό νόμο των πιθανοτήτων έχουμε: Ω A B P ( A  B )  P ( A)  P( B)  P( A  B ) P ( A  B )  0.5  P ( A  B ) . P ( A  B)  1 . δηλαδή. επομένως P ( A  B)  0. έχουμε A B P ( A  B )  P( B) και P( A  B)  P( A) .154 ii) Να αποδείξετε ότι 0. Από μια τράπουλα με 52 φύλλα παίρνουμε ένα στην τύχη.5  1.6  0.5 . ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. (2) Από τις (1) και (2) προκύπτει ότι: 0.1  P ( A  B )  0.1  P ( A  B ) . Να βρείτε την πιθανότητα στη ρίψη δύο νομισμάτων να εμφανιστούν δύο .6  0. Άρα. τα Α και Β δεν είναι ασυμβίβαστα.5 .6  0.1 ισχύει. Όμως Επομένως: P( A  B)  1 . 2. 0. από τον απλό προθετικό νόμο των πιθανοτήτων θα είχαμε: P ( A  B )  P ( A)  P( B)  0.6  0. που είναι άτοπο.1  P( A  B)  0. Να βρείτε τις πιθανότητες των ενδεχομένων i) το χαρτί να είναι πέντε ii) το χαρτί να μην είναι πέντε.

155 “γράμματα”. Παίρνουμε τυχαίως μια μπάλα. 6 3 9. Σε έναν αγώνα η πιθανότητα να κερδίσει ο Λευτέρης είναι 30%. A  {ω   / ω πολλαπλάσιο του 3} και B  {ω   / ω πολλαπλάσιο του 4}. Να βρείτε την P ( A) . Οι απαντήσεις τους φαίνονται στον επόμενο πίνακα: Αριθμός μαθητών Αριθμός αδελφών 4 0 11 1 9 2 3 3 2 4 1 5 Αν επιλέξουμε τυχαία από την τάξη ένα μαθητή. Για τα ενδεχόμενα Α και Β ενός δειγματικού χώρου Ω ισχύουν P ( A)  P( A  B)  1 . Για τα ενδεχόμενα Α και Β ενός δειγματικού χώρου Ω ισχύουν P ( A)  P( B)  17 . 10. Για τα ενδεχόμενα Α και Β του ίδιου δειγματικού χώρου Ω δίνεται ότι 1 2 1 P ( A)  . 30 7 2 και P ( A  B )  . Για τα ενδεχόμενα Α και Β του ίδιου δειγματικού χώρου είναι γνωστό ότι P( A)  P( B) . Για δύο ενδεχόμενα του ίδιου δειγματικού χώρου Ω να δείξετε ότι . ρωτήθηκαν οι μαθητές πόσα αδέλφια έχουν. Σε μια τάξη με 30 μαθητές. Αν επιλέξουμε τυχαίως ένα στοιχείο του Ω. P ( A  B)  0. να βρείτε τις πιθανότητες i) να ανήκει στο Α ii) να μην ανήκει στο Β. 7. 2 3 12 11. Να βρείτε τις πιθανότητες των ενδεχομένων η μπάλα να είναι: i) μαύρη ii) άσπρη ή μαύρη iii) ούτε κόκκινη ούτε πράσινη. 5 κόκκινες και 10 πράσινες. Να βρείτε την P ( A  B) . Να βρείτε την P ( A  B ) . P( B )  και P( A  B)  .6 και P ( A  B )  0. Ένα κουτί περιέχει μπάλες: 10 άσπρες. 3. 15 3 8.2 . 2 5 1 και P ( A  B)  . η πιθανότητα να κερδίσει ο Παύλος είναι 20% και η πιθανότητα να κερδίσει ο Νίκος είναι 40%. Έστω τα σύνολα   {ω  N / 10  ω  20} . 4. Να βρείτε την πιθανότητα i) να κερδίσει ο Λευτέρης ή ο Παύλος ii) να μην κερδίσει ο Λευτέρης ή ο Νίκος. 5. να βρείτε την πιθανότητα η οικογένειά του να έχει τρία παιδιά. 15 μαύρες. Να βρείτε την P (B) . 6.

14. να δείξετε ότι 0. 13. Αν Α και Β είναι ενδεχόμενα του ίδιου δειγματικού χώρου Ω με P( A)  0. 3. 6. β) μόνο μία ασθένεια. το 55% έχουν κάρτα V και το 15% έχουν και τις δύο κάρτες. Να βρείτε την πιθανότητα να μη μαθαίνει καμιά από τις δύο γλώσσες. P ( B)  λ και P( A  B)  μ . Ποια είναι η πιθανότητα ένας πελάτης που επιλέγεται τυχαία να έχει μία τουλάχιστον από τις δυο κάρτες. Αν για τα ενδεχόμενα Α και Β ενός δειγματικού χώρου Ω έχουμε P ( A)  κ .6 και P( B)  0. Αν P( A) 3  . Για ένα άτομο που επιλέγεται τυχαία ποια είναι η πιθανότητα να έχει α) τουλάχιστον μία ασθένεια. Το 25% των πελατών έχουν κάρτα D. Β΄ ΟΜΑΔΑΣ 1. Από τους μαθητές ενός σχολείου το 80% μαθαίνει αγγλικά. το 30% γαλλικά και το 20% και τις δύο γλώσσες. Σε μια κωμόπολη το 15% των νοικοκυριών δεν έχoυν τηλεόραση.6 . 12. Ένα ορισμένο κατάστημα δέχεται πιστωτικές κάρτες D ή V.156 P( A  B)  P ( A)  P( B) . να βρείτε τις πιθανότητες P ( A) και P ( A) . να βρείτε τις πιθανότητες: i) να πραγματοποιηθεί τουλάχιστον ένα από τα Α και Β ii) να μην πραγματοποιηθεί κανένα από τα Α και Β iii) να πραγματοποιηθεί μόνο ένα από τα Α και Β. P( A) P( A) 5. Το 10% των ατόμων ενός πληθυσμού έχουν υπέρταση. Αν 0  P ( A)  1 . Να βρείτε την πιθανότητα να έχει τηλεόραση και βίντεο.7 . το 6% στεφανιαία καρδιακή ασθένεια και το 2% έχουν και τα δύο. P ( A) 4 4. το 40% δεν έχουν βίντεο και το 10% δεν έχουν ούτε τηλεόραση ούτε βίντεο.3  P ( A  B )  0. Για δύο ενδεχόμενα Α και Β του ίδιου δειγματικού χώρου Ω να δείξετε ότι . 2. να αποδείξετε ότι 1 1  4. Επιλέγουμε τυχαίως ένα νοικοκυριό. Επιλέγουμε τυχαίως ένα μαθητή.

.157 P ( B )  P ( A)  P( A  B) .

Ενδιαφερόμαστε για τους διαφορετικούς τρόπους ως προς το ταξιδιωτικό μέσο με τους οποίους μπορεί να πάει κάποιος από τη Θεσσαλονίκη στο Ηράκλειο.3 ΣΥΝΔΥΑΣΤΙΚΗ Είδαμε ότι όταν ο δειγματικός χώρος Ω ενός πειράματος τύχης έχει πεπερασμένο πλήθος απλών ενδεχομένων και τα απλά αυτά ενδεχόμενα είναι ισοπίθανα. η απευθείας απαρίθμηση των στοιχείων του δειγματικού χώρου και των ενδεχομένων που μας ενδιαφέρουν είναι δύσκολη ή και πρακτικά αδύνατη. Π) Α (Π. όταν έχουμε ισοπίθανα απλά ενδεχόμενα. Σε πολλά προβλήματα όμως. Στις περιπτώσεις αυτές η απαρίθμηση διευκολύνεται με τις επόμενες μεθόδους της Συνδυαστικής η οποία είναι ένας από τους βασικούς κλάδους των Μαθηματικών. Α) Π (Α. Τα παραπάνω φαίνονται παραστατικά στο επόμενο δεντροδιάγραμμα: 1η φάση Θεσσαλονίκη-Αθήνα Τ Λ Αρχή Α Π 2η φάση Αθήνα-Ηράκλειο Α Π Αποτέλεσμα (Τ. ο υπολογισμός της P ( A) ανάγεται στην απαρίθμηση των στοιχείων των συνόλων Ω και Α.157 3. N ( ) Επομένως. Από τη Θεσσαλονίκη μπορεί να ταξιδέψει στην Αθήνα με τρένο (Τ) ή λεωφορείο (Λ) ή αεροπλάνο (Α) ή πλοίο (Π) και από την Αθήνα στο Ηράκλειο με πλοίο ή αεροπλάνο. Π) Α (Α. Άρα το ταξίδι Θεσσαλονίκη-Ηράκλειο μπορεί να γίνει με 4  2  8 διαφορετικούς τρόπους. στο Ηράκλειο Κρήτης χωρίς να χρησιμοποιήσει το ΙΧ αυτοκίνητό του. μέσω Αθηνών. Α) Π (Λ. τότε η πιθανότητα ενός ενδεχομένου Α είναι: N ( A) P ( A)  . Α) Π (Π. Α) (Τ. Σε κάθε τρόπο της πρώτης φάσης αντιστοιχούν οι δύο τρόποι της δεύτερης φάσης. Π) Α (Λ. Π) . Βασική Αρχή Απαρίθμησης Ας υποθέσουμε ότι κάποιος επιθυμεί να ταξιδέψει από τη Θεσσαλονίκη. Το ταξίδι λοιπόν γίνεται σε δύο φάσεις. Η πρώτη φάση είναι η μετάβαση από τη Θεσσαλονίκη στην Αθήνα και η δεύτερη από την Αθήνα στο Ηράκλειο. Η πρώτη φάση του ταξιδιού μπορεί να γίνει με 4 τρόπους και η δεύτερη με 2 τρόπους.

. φν . τότε σύμφωνα με τη βασική αρχή απαρίθμησης μπορούν να σχηματισθούν κ1  κ 2  . στη ν-οστή φάση το ν-στό στοιχείο με κ v .. Η 3η φάση μπορεί να γίνει με 3 τρόπους. Η 2η φάση μπορεί να γίνει με 4 τρόπους. φ2 . Αν θέλουμε να 1η 2η 3η βρούμε το πλήθος των διαφορετικών τριάδων που θέση θέση θέση θα εκλεγούν για τις τρεις θέσεις σκεπτόμαστε ως εξής: 5 4 3 τρόποι τρόποι τρόποι Η διαδικασία εκλογής μπορεί να χωριστεί σε τρεις φάσεις: 1η φάση εκλογή προέδρου.. Επομένως.. γραμματέα. Επομένως.. σύμφωνα με τη βασική αρχή απαρίθμησης. το πλήθος των διαφορετικών δυνατών τριάδων είναι 5  4  3  60 .  κ ν διαφορετικές διατεταγμένες ν-άδες. βρίσκουμε ότι: . λέγεται καθένας από τους διαφορετικούς τρόπους με τους οποίους μπορούμε να πάρουμε κ διαφορετικά στοιχεία του Α και να τα βάλουμε σε μια σειρά. όσα είναι και τα μέλη της επιτροπής. Καθεμιά από τις παραπάνω τριάδες λέγεται διάταξη των 5 ανά 3. Γενικά: Διάταξη των ν στοιχείων ενός συνόλου Α ανά κ.158 Γενικά ισχύει η επόμενη βασική αρχή απαρίθμησης: Έστω ότι μια διαδικασία μπορεί να πραγματοποιηθεί σε ν διαδοχικές φάσεις φ1 .. Η 1η φάση μπορεί να γίνει με 5 τρόπους. τότε η διαδικασία αυτή μπορεί να πραγματοποιηθεί με κ1  κ 2  .….….  κ ν τρόπους. και για καθέναν από όλους αυτούς τους τρόπους η φάση φν μπορεί να πραγματοποιηθεί με κ ν τρόπους.. Το πλήθος των διατάξεων των ν ανά κ συμβολίζεται με νκ και αν εργαστούμε όπως στο προηγούμενο παράδειγμα. αν με μια διαδικασία η οποία πραγματοποιείται όπως ορίστηκε προηγουμένως. στην πρώτη φάση συμπληρώνεται το πρώτο στοιχείο μιας διατεταγμένης ν-άδας με κ1 τρόπους. όσα είναι και τα μέλη της επιτροπής που απέμειναν ύστερα και από την εκλογή του ταμία. και ταμία.. με κν. στη δεύτερη φάση το δεύτερο στοιχείο με κ 2 τρόπους . Αν η φάση φ1 μπορεί να πραγματοποιηθεί με κ1 τρόπους και για καθέναν από αυτούς η φάση φ2 μπορεί να πραγματοποιηθεί με κ 2 τρόπους . Διατάξεις Ας υποθέσουμε ότι μία επιτροπή με 5 μαθητές συνεδριάζει για να εκλέξει πρόεδρο. όσα είναι και τα μέλη της επιτροπής που απέμειναν ύστερα από την εκλογή του προέδρου. 2η φάση εκλογή γραμματέα και 3η φάση εκλογή ταμία.

..(ν  κ  1) (1) Σύμφωνα με τον παραπάνω ορισμό δύο διατάξεις των ν ανά κ είναι διαφορετικές αν διαφέρουν ως προς ένα τουλάχιστον στοιχείο ή ως προς τη θέση που κατέχουν τα στοιχεία.. αν στο προηγούμενο παράδειγμα θέλουμε να βάλουμε τους 5 μαθητές σε μια σειρά. Το πλήθος νν των μεταθέσεων των ν στοιχείων συμβολίζεται με M ν και σύμφωνα με τον τύπο (1) είναι M ν  ν(ν  1)(ν  2). Το γινόμενο 1  2  3. 2. 1) είναι διαφορετικές μεταξύ τους. επειδή Δνν  M ν  ν! .3  2  1 ν!  .(ν  κ  1)(ν  κ )(ν  κ  1).3  2  1 (ν  κ )(ν  κ  1).. Στην περίπτωση που πάρουμε και τα ν στοιχεία ενός συνόλου Α και τα βάλουμε σε μια σειρά.... 2.3  2  1 . τότε υπάρχουν M 5  1  2  3  4  5  120 διαφορετικοί τρόποι με τους οποίους μπορούμε να τους τοποθετήσουμε Αν χρησιμοποιήσουμε το σύμβολο του παραγοντικού για να εκφράσουμε το πλήθος των διατάξεων των ν ανά κ με κ  ν έχουμε: νκ  ν(ν  1)(ν  2). Για παράδειγμα.159 Δκν  ν(ν  1)(ν  2).. Είναι λοιπόν λογικό να ορίσουμε 0!=1. 3) και (3. 0! . τότε έχουμε μια διάταξη των ν στοιχείων ανά ν η οποία λέγεται μετάθεση των ν στοιχείων.(ν  2)(ν  1)ν συμβολίζεται με ν! και διαβάζεται ν παραγοντικό. (ν  κ )!  Επομένως νκ  ν! (ν  κ )! (3) Αν τώρα θέλουμε ο τύπος (3) να ισχύει και για κ  ν . Επομένως M ν  ν! (2) Έτσι.. 4... 3)..(ν  κ  1) ν(ν  1)(ν  2).. (1. ν! πρέπει  ν! .. οι διατάξεις (1.

{ Α. Ε} . Γ . Δ}. Δ}. Δ. { Α. Ε}. . Γενικά: Συνδυασμός των ν στοιχείων ενός συνόλου Α ανά υποσύνολο του Α με κ στοιχεία.160 Συνδυασμοί Ας υποθέσουμε ότι από 5 άτομα Α. 3! 3! (5  3)! 6  2 Πιο συγκεκριμένα οι ομάδες αυτές θα είναι: { Α. Δ. Β. Δ. Δ και Ε θέλουμε να επιλέξουμε μια ομάδα 3 ατόμων. Β. Επομένως.  κ  κ!(ν  κ )! Σύμφωνα με τον παραπάνω ορισμό δύο συνδυασμοί των ν ανά κ είναι διαφορετικοί αν διαφέρουν κατά ένα τουλάχιστον στοιχείο. Κάθε τέτοια επιλογή λέγεται συνδυασμός των 5 ανά 3. Ε} . Γ }. Β. Ε} . Επομένως. ο συνολικός αριθμός των διατεταγμένων ομάδων θα είναι 3!x. ν ν!    . {Β. και { Γ . { Α. Αν x είναι ο αριθμός των διαφορετικών ομάδων που μπορούμε να επιλέξουμε. {Β. Γ . οπότε x  Δ35 5! 120    10 . Γ . κ λέγεται κάθε ν Το πλήθος των συνδυασμών των ν στοιχείων ανά κ συμβολίζεται με   και κ αν εργαστούμε όπως στο προηγούμενο παράδειγμα. { Α. τότε από κάθε τέτοια ομάδα μπορούν να προκύψουν 3! διατεταγμένες ομάδες. {Β. χωρίς να μας ενδιαφέρει η κατάταξη μέσα σ’αυτήν την ομάδα. Β. βρίσκουμε ότι ν! ν v! (ν  κ )!      . { Α. κ! κ!(v  κ )!  κ  κ! Δκν Επομένως. Ε} . θα είναι Δ35  3! x . Δ}. Ο αριθμός αυτός όμως είναι το πλήθος των διατάξεων Δ35 . Γ . Ε}. Γ.

i) Να προσδιοριστεί το πλήθος των διαφορετικών στηλών που μπορούμε να συμπληρώσουμε. Επομένως.000016 . η ζητούμενη πιθανότητα είναι ίση με 12  13   2 13  2 26 N ( A) 12   13  13  0. το πλήθος των ευνοϊκών περιπτώσεων για το Β είναι . Χ που αντιστοιχούν σε πρόβλεψη: νίκης της γηπεδούχου ομάδας (1).594. και 2 τρόποι για να συμπληρώσουμε τον αγώνα που απομένει με λάθος πρόβλεψη. Επομένως.. το πλήθος των ευνοϊκών περιπτώσεων για το Α είναι 13  Ν ( Α)     2 . Υπάρχουν 13    τρόποι για να επιλέξουμε τις 11 θέσεις με το σωστό αποτέλεσμα και 2  11 τρόποι για να συμπληρώσουμε καθεμιά από τις υπόλοιπες 2 θέσεις με λαθεμένη πρόβλεψη. Άρα. 3  3  1. Υπάρχουν   τρόποι για να 12  επιλέξουμε τους 12 αγώνες που συμπληρώνονται με το σωστό αποτέλεσμα. Επομένως. ΛΥΣΗ i) Μια στήλη ΠΡΟΠΟ είναι μια 13-άδα.161 ΕΦΑΡΜΟΓΕΣ 1. Β: “να πιάσουμε ακριβώς 11 αγώνες”. ισοπαλίας (Χ). νίκης της φιλοξενούμενης ομάδας (2). σύμφωνα με τη 13 βασική αρχή απαρίθμησης. υπάρχουν συνολικά 3  3  3 . στην οποία κάθε θέση μπορεί να συμπληρωθεί με τρεις διαφορετικούς τρόπους.323 13 παράγοντες διαφορετικές στήλες. ii) Αν συμπληρώσουμε τυχαία μια στήλη ΠΡΟΠΟ. Στο τυχερό παιχνίδι του ΠΡΟΠΟ συμπληρώνουμε καθεμιά από τις 13 θέσεις με ένα από τα στοιχεία 1. ii) Ευνοϊκή περίπτωση για το Α είναι κάθε στήλη στην οποία καθεμιά από τις 12 θέσεις συμπληρώνεται με το σωστό αποτέλεσμα και η εναπομένουσα θέση  13  συμπληρώνεται με λαθεμένη πρόβλεψη. 2.. να βρεθούν οι πιθανότητες των ενδεχομένων Α: “να πιάσουμε ακριβώς 12 αγώνες”. P( A)   13 N (Ω ) 3 3 3  Ευνοϊκή περίπτωση για το Β είναι κάθε στήλη στην οποία καθεμιά από τις 11 θέσεις συμπληρώνεται με το σωστό αποτέλεσμα και καθεμιά από τις υπόλοιπες 2 θέσεις συμπληρώνεται με μια λαθεμένη πρόβλεψη.

Ποια είναι η πιθανότητα μεταξύ κ μαθητών (κ  365 ) δύο τουλάχιστον να έχουν γενέθλια την ίδια μέρα. τότε A είναι το ενδεχόμενο “οι κ μαθητές να έχουν γενέθλια σε διαφορετικές μέρες” και ισχύει P( A)  1  P( A) . ΛΥΣΗ Αν Α είναι το ενδεχόμενο “δύο τουλάχιστον μαθητές να έχουν γενέθλια την ίδια μέρα”. ΛΥΣΗ Επειδή τελικά δεν έχει σημασία η σειρά κλήρωσης του κάθε αριθμού. 13983816  49    6 3. 13 N (Ω ) 3 3 2. ποια είναι η πιθανότητα του ενδεχομένου Α: “να πετύχουμε 4 ακριβώς σωστά νούμερα”. Επομένως. 6 Για να βρούμε το πλήθος των ευνοϊκών περιπτώσεων σκεφτόμαστε ως εξής:  6 Υπάρχουν   τρόποι για να επιλέξουμε 4 σωστά νούμερα από τα 6 που  4  49  6   43      τρόποι για να επιλέξουμε κληρώθηκαν. η ζητούμενη πιθανότητα είναι ίση με 11 13     2  2 N ( B )  11 312 P( B)    13  0.162 13  Ν ( B )     2  2 . οι δυνατές περιπτώσεις του πειράματος είναι τόσες όσοι και οι συνδυασμοί των 49  49  ανά 6. Άρα  4  2   6   43      13545  4  2  P ( A)    0. αν παίξουμε μια στήλη. Στη συνέχεια μένουν   6  4  2  τα 2 λάθος νούμερα. το πλήθος των ευνοϊκών περιπτώσεων είναι  6   43  N ( A)       . (Ο χρόνος υπολογίζεται με 365 μέρες).000969 ή 1%ο περίπου. δηλαδή N ( )    . Στο τυχερό παιχνίδι του ΛΟΤΤΟ “6 από 49”. Επομένως ο υπολογισμός της .000196 . Άρα.

Με πόσους διαφορετικούς τρόπους μπορούν να μπουν σε μια σειρά 4 αγόρια και 3 κορίτσια. 2.706 60 0.163 P( A) ανάγεται στον υπολογισμό της P( A) ..(365  κ  1) . ενώ μεταξύ 70 ατόμων το ενδεχόμενο αυτό είναι σχεδόν βέβαιο. 3.(365  κ  1) . 5 πουκάμισα.. Ποια είναι η πιθανότητα να είναι όλα μαζί τα αγόρια ..411 23 0. Πόσες πινακίδες κυκλοφορίας μπορούμε να κατασκευάσουμε που να περιέχουν στη σειρά τρία κεφαλαία γράμματα του ελληνικού αλφαβήτου ακολουθούμενα από έναν τετραψήφιο αριθμό. με πόσους τρόπους μπορεί να ντυθεί. φορώντας από όλα τα είδη. Ποια είναι η πιθανότητα μια τέτοια πινακίδα να αρχίζει με φωνήεν και να τελειώνει σε άρτιο ψηφίο. Ποια είναι η πιθανότητα να φοράει ένα ορισμένο σακάκι.. Επομένως.117 20 0.(365  κ  1) 365  364. ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. Το πλήθος των δυνατών περιπτώσεων του πειράματος είναι N (Ω )  365  365  365    365  365 κ . Με πόσους διαφορετικούς τρόπους μπορούν να καθίσουν 4 άτομα σε 6 θέσεις μιας σειράς...999 Παρατηρούμε ότι ήδη μεταξύ 23 ατόμων η πιθανότητα δύο άτομα να έχουν γενέθλια την ίδια μέρα είναι μεγαλύτερη από 50%. 10 ζευγάρια κάλτσες και 2 ζευγάρια παπούτσια.  365 κ 365 κ P ( A)  1  Άρα 365  364. αφού ένας μαθητής μπορεί να έχει γεννηθεί σε μια από τις 365 μέρες του έτους. 4 παντελόνια.. αφού οι κ μαθητές πρέπει να έχουν γεννηθεί σε διαφορετικές μέρες του έτους. Ποιά είναι η πιθανότητα η τελευταία θέση να μείνει κενή.507 30 0. P ( A)  365  (365  1)  (365  2).. 365 κ Οι τιμές του P( A) για μερικές τιμές του κ δίνονται στον επόμενο πίνακα: κ P(A) 10 0. Αν κάποιος διαθέτει 3 σακάκια.[(365  (κ  1)] . Οι ευνοϊκές περιπτώσεις για το A είναι 365  (365  1)  (365  2). 4.994 70 0.

4. Δίνονται δύο παράλληλες ευθείες ε1 και ε 2 . θα καθίσουν τυχαία ο ένας δίπλα στον άλλον.. Αν πάρουμε τυχαία έναν τέτοιο αριθμό. Να βρείτε την πιθανότητα του ενδεχομένου το κουτί να γίνει αποδεκτό. Ένα κουτί περιέχει 20 ηλεκτρικές ασφάλειες. Αν . A2 . Να βρείτε την πιθανότητα του ενδεχομένου τέσσερα άτομα να έχουν γεννηθεί σε τέσσερις διαφορετικές εποχές του έτους.. Στην ε1 ορίζουμε 10 σημεία και στην ε 2 20 σημεία. Από το σύνολο των μεταθέσεων των στοιχείων 1. Να βρείτε ποια είναι η πιθανότητα να μην αρχίζει από 1. 5. 6. Ποια είναι η πιθανότητα ένα από τα παραπάνω τμήματα που επιλέγεται τυχαία να μη διέρχεται από το σημείο A1 . 2. 7. μεταξύ των οποίων ο Κώστας και ο Νίκος. Να αποδείξετε ότι     κ  ν  κ  6. …. 5. A8 . από τις οποίες οι 5 είναι ελαττωματικές. Β΄ ΟΜΑΔΑΣ 1. Με τα ψηφία 1. 3. 5 φτιάχνουμε τετραψήφιους αριθμούς στους οποίους το κάθε ψηφίο μπορεί να χρησιμοποιηθεί περισσότερο από μια φορά. Δέκα φίλοι. ποια είναι η πιθανότητα να έχει όλα τα ψηφία του διαφορετικά. Ποια είναι η πιθανότητα ο Κώστας και ο Νίκος να καθίσουν σε διπλανές θέσεις. Αν βρεθούν περισσότερες από μία ελαττωματικές. ν  ν   . 4. ν επιλέγουμε τυχαίως μία. Επιλέγουμε τυχαίως 4 ασφάλειες και τις δοκιμάζουμε. Ποια η πιθανότητα να παρεμβάλλονται άλλοι ανάμεσά τους. 3. Πόσα τρίγωνα ορίζουν τα σημεία αυτά. Να βρείτε τις πιθανότητες των ενδεχομένων: i) τα άτομα να είναι γυναίκες ii) ένα τουλάχιστον να είναι άνδρας iii) να υπάρχει μία μόνο γυναίκα. 2. 2.. Σε έναν κύκλο δίνονται 8 σημεία A1 . το κουτί επιστρέφεται ως απαράδεκτο. Από ένα σύλλογο καθηγητών με 7 άνδρες και 6 γυναίκες επιλέγουμε τυχαίως 4 άτομα.. 3.164 και όλα μαζί τα κορίτσια. Πόσα ευθύγραμμα τμήματα ορίζουν τα σημεία αυτά.

Ρίχνουμε ένα νόμισμα ν φορές. ποια είναι η πιθανότητα να έχει μία πλευρά του στην ε1 . ενώ 4 άνδρες και 2 γυναίκες είναι τεχνικοί υπάλληλοι. Να βρείτε την πιθανότητα του ενδεχομένου να φέρουμε τουλάχιστον ένα “έξι” σε 4 ρίψεις ενός ζαριού και να τη συγκρίνετε με την πιθανότητα να φέρουμε τουλάχιστον μια φορά “εξάρες” σε 24 ρίψεις δύο ζαριών. Να βρείτε την πιθανότητα του ενδεχομένου να μη φέρουμε σε δύο διαδοχικές ρίψεις ίδιο αποτέλεσμα.4 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ . 9. 3. Να υπολογίσετε την πιθανότητα τα επιλεγμένα άτομα να είναι του ίδιου φύλου. Να βρείτε τις πιθανότητες των ενδεχομένων: Α: “Κάθε οδηγός να πάρει το δικό του κλειδί” Β: “Μόνο ένας οδηγός να πάρει το δικό του κλειδί” Γ: “Κανένας οδηγός να μην πάρει το δικό του κλειδί”. 8.ΑΝΕΞΑΡΤΗΤΑ ΕΝΔΕΧΟΜΕΝΑ Δεσμευμένη Πιθανότητα Για το διοικητικό συμβούλιο μιας επιχείρησης θα εκλεγεί ένας αντιπρόσωπος. Από τους υποψηφίους 3 άνδρες και 6 γυναίκες είναι διοικητικοί υπάλληλοι. Από μια τάξη στην οποία φοιτούν 10 κορίτσια και 12 αγόρια επιλέγονται στην τύχη τρία άτομα για να εκπροσωπήσουν την τάξη. Σύμφωνα με αυτά τα δεδομένα οι υποψήφιοι μπορούν να ταξινομηθούν στον ακόλουθο πίνακα ως εξής: Άνδρας Γυναίκα Άθροισμα στήλης Διοικητικός 3 6 9 Θεωρούμε τα ενδεχόμενα: Α: “Να εκλεγεί διοικητικός” Τεχνικός 4 2 6 Άθροισμα γραμμής 7 8 15 .165 επιλέξουμε τυχαίως ένα τέτοιο τρίγωνο. 11. 10. Υποψήφιοι είναι 7 άνδρες και 8 γυναίκες. Ο υπάλληλος ενός χώρου στάθμευσης δίνει τυχαία τα τρία κλειδιά αυτοκινήτων στους τρεις κατόχους των αυτοκινήτων αυτών.

αν υποθέσουμε ότι ο δειγματικός χώρος Ω αποτελείται από ισοπίθανα αποτελέσματα. Αυτό συνεπάγεται ότι ο αντιπρόσωπος θα είναι μία από τις 8 γυναίκες και επομένως η πιθανότητα να εκλεγεί διοικητικός 6 γίνεται . Ομοίως 8 6  P( B) . Αυτή λοιπόν είναι η πιθανότητα του ενδεχομένου: “Να εκλεγεί 8 διοικητικός με δεδομένο ότι έχει ήδη εκλεγεί γυναίκα”. A B Ω Αφού έχει πραγματοποιηθεί το ενδεχόμενο Β. 9 Γενικά. Γενικά: Αν Α και Β είναι δύο ενδεχόμενα ενός πειράματος και P ( B )  0 .166 Β: “Να εκλεγεί γυναίκα”. Επομένως. Με την παραδοχή ότι τα 15 στοιχεία του δειγματικού χώρου είναι ισοπίθανα. δηλαδή P ( A | B )  6  P ( A) . Το ενδεχόμενο αυτό συμβολίζεται με A | B και η πιθανότητα του P( A | B) λέγεται δεσμευμένη πιθανότητα του Α με δεδομένο το Β. έχουμε P ( A)  15 15 Ύστερα από την εκλογή και πριν από την ανακοίνωση του αποτελέσματος έγινε γνωστό ότι εκλέγεται γυναίκα. τότε ο . Ας βρίσκουμε ότι P( B | A)  υποθέσουμε ότι ζητάμε την πιθανότητα του Α με δεδομένο ότι το Β έχει ήδη πραγματοποιηθεί. Με άλλα λόγια η πληροφορία για την πραγματοποίηση του Β περιορίζει το δειγματικό χώρο Ω στο Β και το ενδεχόμενο Α στο A  B .  N ( B) P( B) N ( ) Η πιθανότητα αυτή λέγεται δεσμευμένη πιθανότητα του Α με δεδομένο το Β. η ζητούμενη πιθανότητα είναι: N ( A  B)  P( A | B)  N ( B) N ( A  B) P( A  B) N ( ) . έστω Α και Β δύο ενδεχόμενα ενός δειγματικού χώρου Ω με P ( B )  0 . η απλή λογική μας λέει ότι πρέπει να περιοριστούμε στα στοιχεία του Β και από αυτά να βρούμε ποια είναι τα ευνοϊκά για το Α. 9 8 και P ( B )  .

τότε P( B | A)  P( A  B) . 8 15 P( A | B)  P( A) . ενώ P ( A)  . με δεδομένο ότι το ενδεχόμενο Β έχει 9 6 ήδη πραγματοποιηθεί. Δηλαδή: λόγος P( A | B)  Ομοίως. αν στο πείραμα της ρίψης δύο ζαριών θεωρήσουμε τα ενδεχόμενα Α: “Το πρώτο ζάρι να φέρει 1” και Β: “Το δεύτερο ζάρι να φέρει άρτιο”. Με άλλα λόγια η πραγματοποίηση του Β επηρέασε την πιθανότητα πραγματοποίησης του Α. αν P ( A)  0 . P( B) P( A  B) . Οι παραπάνω ισότητες εκφράζουν τον πολλαπλασιαστικό νόμο των πιθανοτήτων. Για παράδειγμα. είναι P( A | B)  . Υπάρχουν όμως και ενδεχόμενα στα οποία η πληροφορία για την πραγματοποίηση του ενός δεν επηρεάζει την πιθανότητα πραγματοποίησης του άλλου. P( A) Έτσι στο προηγούμενο παράδειγμα η πιθανότητα να εκλεγεί διοικητικός με δεδομένο ότι έχει εκλεγεί γυναίκα είναι: 6 P( A  B) 15 6 P( A | B)    8 8 P( B) 15 και 6 P( A  B) 15 6 P( B | A)    . 9 9 P( A) 15 Άμεση συνέπεια του παραπάνω ορισμού είναι ότι P ( A  B )  P( A)  P ( B | A)  P( B)  P ( A | B ) . έχουμε: . Ανεξάρτητα Ενδεχόμενα Στο προηγούμενο παράδειγμα διαπιστώσαμε ότι η πιθανότητα πραγματοποίησης του ενδεχομένου Α. Δηλαδή.167 P( A  B) λέγεται δεσμευμένη πιθανότητα του Α με δεδομένο το Β P( B) και συμβολίζεται με P ( A | B ) .

168

P( A) 

Επομένως,

18 1
6 1
3
.
 , P( B) 

και P( A  B) 
36
36 6
36 2

P( A | B) 

3 1

18 6

και P( B | A) 

3 1
 .
6 2

Παρατηρούμε, δηλαδή, ότι P( A | B )  P( A) και P( B | A)  P( B) . Γι’αυτό λέμε
ότι τα ενδεχόμενα Α και Β είναι ανεξάρτητα. Γενικά:
Δύο ενδεχόμενα Α και Β με P ( A)  0 και P ( B )  0 λέγονται ανεξάρτητα,
αν και μόνον αν P( A | B)  P( A) και P( B | A)  P( B ) .
Λαμβάνοντες υπόψη τον πολλαπλασιαστικό νόμο των πιθανοτήτων
συμπεραίνουμε
ότι
για
δύο
ανεξάρτητα
ενδεχόμενα
έχουμε
P ( A  B)  P ( A)  P ( B ) . Η ισότητα αυτή χρησιμοποιείται και ως ορισμός των
ανεξάρτητων ενδεχομένων, χωρίς μάλιστα τον περιορισμό P ( A)  0 και
P ( B )  0 . Δηλαδή:
Δύο ενδεχόμενα Α και Β λέγονται ανεξάρτητα, αν
P ( A  B )  P ( A)  P ( B )
Δύο ενδεχόμενα που δεν είναι ανεξάρτητα λέγονται εξαρτημένα.

ΣΧΟΛΙΟ
Με την ισότητα P ( A  B )  P ( A)  P ( B ) μπορούμε να διαπιστώσουμε αν δύο
ενδεχόμενα Α και Β είναι ανεξάρτητα. Στην πράξη, όμως, η ανεξαρτησία δύο
ενδεχομένων ή ισχύει από μόνη της, λόγω της φύσης του πειράματος ή έχει
περιληφθεί στις υποθέσεις κατασκευής του μοντέλου που περιγράφει κάποια
φαινόμενα.
Για παράδειγμα, είναι εύλογο να δεχτούμε ότι είναι ανεξάρτητα τα ενδεχόμενα
Α: “ο συμπλέκτης του αυτοκινήτου είναι σε καλή κατάσταση” και Β: “η
μπαταρία του αυτοκινήτου είναι σε καλή κατάσταση”.
Αντιθέτως, είναι λάθος να δεχτούμε ως ανεξάρτητα τα ενδεχόμενα
Α: “Ένα άτομο είναι μανιώδης καπνιστής” και Β: “Ένα άτομο θα προσβληθεί
από ασθένεια των πνευμόνων”.

ΕΦΑΡΜΟΓΕΣ

169

1. Για την ασφαλή πτήση ενός αεροπλάνου με δύο κινητήρες, πρέπει να
δουλεύει ο ένας τουλάχιστον κινητήρας. Οι κινητήρες δουλεύουν
ανεξάρτητα ο ένας από τον άλλον. Αν υποθέσουμε ότι η πιθανότητα να
πάθει κάποιος κινητήρας βλάβη είναι 0,003, να βρεθεί η πιθανότητα για μια
ασφαλή πτήση.
ΛΥΣΗ

Το αεροπλάνο δεν εκτελεί ασφαλή πτήση, όταν πάθουν βλάβη και οι δύο
κινητήρες. Επειδή οι κινητήρες λειτουργούν ανεξαρτήτως ο ένας από τον
άλλον, η πιθανότητα να πάθουν βλάβη και οι δύο συγχρόνως είναι ίση με
0,003  0,003 . Άρα, η πιθανότητα μιας ασφαλούς πτήσης είναι ίση με
1  0,003  0,003  0,999991 δηλαδή 99,9991% .

2.

Από τρεις όμοιες μηχανές ενός εργοστασίου η πρώτη (Ι) παράγει το
20%, η δεύτερη (ΙΙ) το 30% και η τρίτη (ΙΙΙ) το 50% της συνολικής
παραγωγής ενός εξαρτήματος. Επιπλέον, το 5% της παραγωγής της
μηχανής Ι, το 4% της ΙΙ και το 2% της ΙΙΙ είναι ελαττωματικά εξαρτήματα.
Δύο ερωτήσεις του λεγόμενου ποιοτικού ελέγχου είναι οι εξής:
i) Αν επιλέξουμε τυχαίως ένα εξάρτημα σε ένα κατάστημα πωλήσεων ποια
είναι η πιθανότητα να είναι ελαττωματικό;
ii) Αν ένα εξάρτημα που επιλέχθηκε τυχαία είναι ελαττωματικό, ποια είναι
η πιθανότητα να προέρχεται από τη μηχανή Ι;
ΛΥΣΗ

Αν A1 , A2 και A3 είναι τα ενδεχόμενα το
A1
A3
επιλεγμένο εξάρτημα να προέρχεται από τις
A
μηχανές Ι, ΙΙ και ΙΙΙ αντιστοίχως, τότε
P( A1 )  0,2 , P( A2 )  0,3 και P( A3 )  0,5 . Τα
A2

A1 , A2 και A3 είναι ανά δύο ξένα μεταξύ τους
και επιπλέον A1  A2  A3   .
Αν Α είναι το ενδεχόμενο το επιλεγμένο εξάρτημα να είναι ελαττωματικό,
τότε
A  ( A  A1 )  ( A  A2 )  ( A  A3 )
και
P( A)  P( A  A1 )  P( A  A2 )  P( A  A3 ) .
(1)
Από τα δεδομένα του προβλήματος έχουμε P( A | A1 )  0,05 , P( A | A2 )  0,04
και P ( A | A3 )  0,02 . Επομένως:
i) Από την (1) και τον πολλαπλασιαστικό νόμο των πιθανοτήτων έχουμε:

P( A)  P( A1 )  P( A | A1 )  P( A2 )  P( A | A2 )  P( A3 )  P ( A | A3 )

170

 0,2  0,05  0,3  0,04  0,5  0,02  0,032 .
ii) Ζητάμε την πιθανότητα P( A1 | A) . Έχουμε

P( A1 | A) 

P( A1  A) P( A | A1 )  P( A1 ) 0,2  0,05 0,01



 0,3125 ,
P( A)
P( A)
0,032
0,032

δηλαδή, 31,25% .
Η λύση προβλημάτων όπως το προηγούμενο, διευκολύνεται με τη βοήθεια ενός
δεντροδιαγράμματος, όπως φαίνεται στο σχήμα:
Προέλευση
εξαρτήματος
0,2

Αρχή O

0,3
0,5

Α1
Α2
Α3

0,05
0,95
0,04
0,96
0,02
0,98

Ποιότητα
εξαρτήματος Αποτέλεσμα

Πιθανότητα
αποτελέσματος

Α

A1  A

0,20,05

Α΄

A1  A

0,20,95

Α

A2  A

0,30,04

Α΄

A2  A

0,30,96

Α

A3  A

0,50,02

Α΄

A3  A

0,50,98

Οι κλάδοι OA1 , OA2 και OA3 αντιστοιχούν στα ενδεχόμενα προέλευσης του
εξαρτήματος από τις μηχανές Ι, ΙΙ και ΙΙΙ αντιστοίχως, και οι αντίστοιχες
πιθανότητες των ενδεχομένων αυτών είναι γραμμένες πάνω στους κλάδους.
Από το τέλος κάθε τέτοιου κλάδου ξεκινούν δύο άλλοι κλάδοι, που
αντιστοιχούν στα ενδεχόμενα το εξάρτημα να είναι ελαττωματικό ή μη
ελαττωματικό με γραμμένες πάλι επάνω τους τις αντίστοιχες πιθανότητες.
Για να απαντήσουμε στο ερώτημα (i) επισημαίνουμε πρώτα τις διαδρομές που
οδηγούν σε ελαττωματικό εξάρτημα.
Οι διαδρομές αυτές είναι οι OA1 A, OA2 A και OA3 A και αντιστοιχούν στα
ενδεχόμενα A1  A, A2  A και A3  A .
Στη συνέχεια με εφαρμογή του πολλαπλασιαστικού νόμου των πιθανοτήτων
υπολογίζουμε τις πιθανότητες των ενδεχομένων αυτών. Έχουμε
P( A1  A)  0,2  0,05 , P ( A2  A)  0,3  0,04 και P ( A3  A)  0,5  0,02 .
Τέλος, επειδή τα ενδεχόμενα που παριστάνουν οι διαδρομές είναι ασυμβίβαστα,
προσθέτουμε τις παραπάνω πιθανότητες και βρίσκουμε την πιθανότητα του
ενδεχομένου Α. Επομένως
P ( A)  0,2  0,05  0,3  0,04  0,5  0,02  0,032 .
ΣΧΟΛΙΟ
Στο δεύτερο ερώτημα της παραπάνω εφαρμογής γνωρίζουμε το αποτέλεσμα
του πειράματος και ζητάμε την πιθανότητα να προέρχεται το εξάρτημα από τη

Τα ενδεχόμενα Α και Β είναι ανεξάρτητα και ισχύουν P ( A)  1 και 4 1 P( A  B)  . Να υπολογίσετε τις πιθανότητες 5 2 4 P ( A  B ) . 6. P ( B )  και P( A | B)  . ενώ η P ( A1 ) λέγεται “εκ των προτέρων (a priori) πιθανότητα”. 3. να βρείτε την P (B) . Στη συνέχεια παίρνουμε μια δεύτερη μπάλα. Ένα κουτί περιέχει 6 κόκκινες και 8 μαύρες μπάλες. 7. Να βρείτε την πιθανότητα του ενδεχομένου να φέρουμε 6 στην πρώτη ρίψη και περιττό αριθμό στη δεύτερη ρίψη. Να βρείτε την πιθανότητα του ενδεχομένου η πρώτη μπάλα να είναι μαύρη και η δεύτερη κόκκινη. Για δύο ενδεχόμενα Α και Β του ίδιου δειγματικού χώρου ισχύουν 1 2 1 P ( A)  . P( B | A)  και P ( A)  . Αν P ( A  B )  2 5 1 . 4. Η πιθανότητα αυτή P( A1 | A) λέγεται “εκ των υστέρων (a posteriori) πιθανότητα”. Να βρείτε τις P (B) και P ( A  B ) .171 μηχανή Ι. ΑΣΚΗΣΕΙΣ Α΄ ΟΜΑΔΑΣ 1. Παίρνουμε από το κουτί τυχαίως μια μπάλα. Για δύο ενδεχόμενα Α και Β του ίδιου δειγματικού χώρου ισχύουν 1 1 4 P ( A)  . 3 2 3 . 5 8. Ρίχνουμε ένα ζάρι δύο φορές. Από μια τράπουλα με 52 φύλλα παίρνει κάποιος τυχαία ένα φύλλο και λέει ότι είναι “σπαθί”. Ποια είναι η πιθανότητα το φύλλο να είναι φιγούρα. σημειώνουμε το χρώμα της και την επανατοποθετούμε στο κουτί. P ( B | A) και P ( A  B ) . 4 6 3 5. 2. Ρίχνει κάποιος ένα ζάρι και αναγγέλλει ότι έφερε ζυγό αριθμό. P( A | B)  και P( B | A)  . Ποια είναι η πιθανότητα να έχει φέρει 6.

Αν μια μέρα επιλέξουμε τυχαία ένα πλοίο που φτάνει στο νησί.172 i) Είναι τα Α και Β ανεξάρτητα. Αν επιλέξουμε τυχαία ένα άτομο που καπνίζει. 9. το 15% έγραψε στη Φυσική κάτω από τη βάση και το 10% των μαθητών έγραψε και στα δύο μαθήματα κάτω από τη βάση. Επιλέγουμε τυχαίως ένα μαθητή του Γυμνασίου αυτού. να βρείτε την πιθανότητα η μία μόνο να πάθει βλάβη μέσα στον πρώτο χρόνο λειτουργία τους. οι οποίες άρχισαν να λειτουργούν συγχρόνως και ανεξάρτητα η μια από την άλλη. Σε ένα νησί φτάνουν καθημερινά πλοία. ii) Είναι τα Α και Β ξένα μεταξύ τους. Το 10% των πλοίων από Πειραιά και το 5% των πλοίων από Ραφήνα φθάνουν με καθυστέρηση στο νησί. ii) Αν έχει αποτύχει στα Μαθηματικά ποια είναι η πιθανότητα να έχει αποτύχει και στη Φυσική. Σε ένα Γυμνάσιο στις εξετάσεις του Ιουνίου το 25% έγραψε στα Μαθηματικά κάτω από τη βάση. 3. Στο διπλανό κύκλωμα “εν παραλλήλω” η πιθανότητα κάθε διακόπτης να είναι κλειστός (δηλαδή να επιτρέπει τη διέλευση ρεύματος) είναι 0. να έρχεται από Πειραιά. Από τους άνδρες καπνίζει το 50% και από τις γυναίκες το 30%. Για δύο ενδεχόμενα Α και Β του δειγματικού χώρου Ω να αποδείξετε ότι P( A | B)  P( A | B)  1 10.8. . να βρεθούν οι πιθανότητες: i) Να φτάσει με καθυστέρηση ii) Αν φτάσει με καθυστέρηση. ποια είναι η πιθανότητα να έχει αποτύχει και στα Μαθηματικά. Αν μια βιομηχανία έχει δύο τέτοιες μηχανές. Η πιθανότητα να πάθει βλάβη μέσα στον πρώτο χρόνο λειτουργίας της μια μηχανή ορισμένου τύπου είναι 10%. που αναχωρούν από Πειραιά και Ραφήνα και σε ποσοστά 60% και 40% αντιστοίχως. Σε ένα εργοστάσιο το 60% των εργαζομένων είναι άνδρες και το 40% είναι γυναίκες. Β΄ ΟΜΑΔΑΣ 1. Οι διακόπτες Β λειτουργούν ανεξάρτητα ο ένας από τον Α άλλον. ποια η πιθανότητα να είναι γυναίκα. 4. Να βρείτε την πιθανότητα του ενδεχομένου να διέρχεται ρεύμα από το Α στο Β. i) Αν έχει αποτύχει στη Φυσική. iii) Να υπολογίσετε την P (B) . 2.

iii) Ποια είναι η πιθανότητα ένα τουλάχιστον από τα οικόπεδα να είναι γωνιακό. ΓΕΝΙΚΕΣ ΑΣΚΗΣΕΙΣ 1. Δύο άτομα παίρνουν το ένα μετά το άλλο από την κληρωτίδα ένα ακριβώς λαχνό χωρίς επανατοποθέτηση. Δύο κτήματα έχουν χωριστεί σε 9 και 12 οικόπεδα. Ένα καινούργιο τεστ διάγνωσης της ασθένειας έχει πιθανότητα θετικού σφάλματος (θετικό τεστ. ενώ το άτομο είναι υγιές) 1% και πιθανότητα αρνητικού σφάλματος (αρνητικό τεστ. Μια κληρωτίδα περιέχει ν λαχνούς από τους οποίους κερδίζει μόνο ένας. ενώ το άτομο πάσχει από την ασθένεια) 5%. Να εξετάσετε αν έχει δίκιο. Κάποιος υποστηρίζει ότι το πρώτο άτομο έχει μεγαλύτερη πιθανότητα να κερδίσει από το δεύτερο. ii) Ποια είναι η πιθανότητα κανένα από τα οικόπεδα να μην είναι γωνιακό. 7. Για ένα τυχαίο άτομο από τον πληθυσμό αυτό το τεστ είναι θετικό. 1. .... 6. Να βρείτε την πιθανότητα το άτομο να πάσχει πράγματι από την ασθένεια αυτή. Δίνονται και οι . i) Ποια είναι η πιθανότητα και τα δύο οικόπεδα να είναι γωνιακά. 2. Έστω ο δειγματικός χώρος   {0.100} . Το 1‰ ενός πληθυσμού πάσχει από μια σοβαρή ασθένεια. 3.173 5. όπως φαίνεται παρακάτω: Επιλέγουμε τυχαίως και ανεξάρτητα το ένα από το άλλο ένα οικόπεδο από κάθε κτήμα.

Να αποδείξετε ότι i) P ( A  B)  1. Β υποσύνολα του Ω.100 .. Να υπολογίσετε την πιθανότητα 2κ P (0) . ii) Σε ένα τυχαίο φύτεμα των δέντρων ποια είναι η πιθανότητα δύο ορισμένα δέντρα να βρεθούν στην ίδια πλευρά του δρόμου και σε διπλανές θέσεις.. αλλά οι κ από αυτές είναι άσπρες και οι υπόλοιπες λ είναι μαύρες. 2. ΕΡΩΤΗΣΕΙΣ ΚΑΤΑΝΟΗΣΗΣ 1.. Αν τα ενδεχόμενα Α και Β είναι ανεξάρτητα. i) Να βρείτε το πλήθος των διαφορετικών τρόπων με τους οποίους μπορεί να γίνει αυτό αν όλα τα δέντρα είναι διαφορετικά μεταξύ τους. 5 στην ανατολική πλευρά και 4 στη δυτική πλευρά. Αν ρίξουμε δύο νομίσματα τα αποτελέσματα μπορεί να είναι δύο “κεφαλές”. 2. Να βρείτε την πιθανότητα του ενδεχομένου η 2η μπάλα να είναι μαύρη. Ένα κουτί περιέχει μπάλες όμοιες σε σχήμα και σε μέγεθος.174 πιθανότητες P (κ )  1 . Έστω Ω ένας δειγματικός χώρος με πεπερασμένο πλήθος στοιχείων και Α. η δύο “γράμματα”.01  P( A  B ) και ii) A  B   .71 . και . Αν επανατοποθετήσουμε την 1η μπάλα. κ  1. Δ Α 4. Παίρνουμε δύο μπάλες τη μια κατόπιν της άλλης και χωρίς επανατοποθέτηση της πρώτης μπάλας. iii) A και B  . Τι παρατηρείτε.28 και P ( B )  0. Υποθέτουμε ότι P( A)  0. Στο παρακάτω σχήμα φαίνονται οι θέσεις 9 δέντρων τα οποία θα φυτευθούν κατά μήκος των πλευρών ενός δρόμου. ποια είναι τότε η πιθανότητα η 2η μπάλα να είναι μαύρη. 5. μια “κεφαλή” και μια “γράμματα”. να αποδείξετε ότι είναι ανεξάρτητα και τα ενδεχόμενα: i) A και Β ii) Α και B  . 3..

στη ρίψη του ζαριού αυτού και στην παρατήρηση του χρώματος και της ένδειξης της άνω έδρας του.8 (γ) 0. η πιθανότητα να φέρουμε “κεφαλή” σε μια ρίψη του νομίσματος είναι 5  1 . (α) Τι σημαίνει εδώ η λέξη “τυχαία”. Ποιο ενδεχόμενο παριστάνει στο διπλανό διάγραμμα Venn το σκιασμένο εμβαδόν. Τρία συνηθισμένα ζάρια. 2 2 1 . (Να βάλετε σε κύκλο τη σωστή απάντηση) (Σε καθεμιά από τις ερωτήσεις 4-7 μία μόνο από τις συνοδευτικές απαντήσεις είναι σωστή. Ποιος είναι ο αριθμός των διαφορετικών τρόπων με τους οποίους μπορούμε να επιλέξουμε 2 αγόρια και 3 κορίτσια από 10 αγόρια και 8 κορίτσια. Ένα νόμισμα ρίχνεται 5 φορές και έρχεται κάθε φορά “κεφαλή”. Αν τα ενδεχόμενα Α και Β είναι τέτοια ώστε P ( A)  1 1 .175 επομένως. 5.6 (δ) 1.4. P( B)  . 4. 10   8  10   8  (β) Δ210  Δ38 (γ)      (δ)      (α) Δ210  Δ38  2   3  2   3 . τοποθετούνται σε ένα κουτί. Αν η πιθανότητα πραγματοποίησης ενός ενδεχομένου είναι 0. ποια είναι η P( A  B) . ποια είναι η πιθανότητα της μη πραγματοποίησης του ενδεχομένου αυτού. Τι είναι 3 λάθος στο επιχείρημα αυτό. Ω 7. 2. (β) 4 4 16 P( A  B)  (α) 1 B A 6.2 (β) 0. Επομένως. (α) 0. 4 3 1 1 (γ) (δ) (ε) τίποτα από τα προηγούμενα. Ποιο είναι το σωστό. Ένα πείραμα συνίσταται στην τυχαία επιλογή ενός ζαριού από το κουτί. (β) Το πλήθος των στοιχείων του δειγματικού χώρου του πειράματος είναι (i) 3  6 (ii) 3 6 (iii) 6! (iv) 6 3 (v) 3  6 3 . 5 3. καθένα από αυτά τα ενδεχόμενα έχει πιθανότητα 1 . ένα άσπρο. ένα μαύρο και ένα κόκκινο.4. Να βάλετε σε κύκλο τη σωστή απάντηση). (α) Β (β) A (γ) A  B (δ) B  A . Να σχολιάσετε το αποτέλεσμα αυτό.

8.6 και P ( B )  0. Αν είναι σωστή.6 και P( B)  0. Σ 11. Δύο ενδεχόμενα ξένα μεταξύ τους είναι αντίθετα. Αν δύο ενδεχόμενα Α και Β είναι ανεξάρτητα. με P ( A)  0. Αν δύο ενδεχόμενα Α και Β είναι ξένα μεταξύ τους. Υποθέτουμε ότι τα ενδεχόμενα Α και Β είναι ανεξάρτητα. Να αντιστοιχίσετε κάθε στοιχείο της στήλης Ι στο ίσο του της στήλης ΙΙ.176 (Καθεμιά από τις παρακάτω προτάσεις 8-13 είναι σωστή ή λάθος. Δύο ανεξάρτητα ενδεχόμενα είναι ξένα μεταξύ τους. Σ Λ 12.6 P( A | B) 0 P ( B | A) 0. Σ Λ 14.2 . Σ Λ 9. Δύο συμπληρωματικά ενδεχόμενα είναι ξένα μεταξύ τους.2 0. Δύο ενδεχόμενα ξένα μεταξύ τους είναι και ανεξάρτητα. κυκλώστε το Λ). Στήλη Ι Στήλη ΙΙ P( A  B) 0. αν είναι λάθος. Στήλη Ι P( A  B) Στήλη ΙΙ 0.8 P( A  B) 0. Σ Λ 10. Σ Λ 13. Να αντιστοιχίσετε κάθε στοιχείο της στήλης Ι στο ίσο του της στήλης ΙΙ. τότε και τα Λ συμπληρωματικά τους A και B  είναι ξένα μεταξύ τους. Υποθέτουμε ότι τα ενδεχόμενα Α και Β είναι ασυμβίβαστα.6 . με P ( A)  0.12 15. τότε και τα αντίθετά τους είναι ανεξάρτητα.2 . κυκλώστε το Σ.

68 P( A | B) 0. Να γράψετε με τη βοήθεια των πράξεων των συνόλων το ενδεχόμενο που παριστάνει το σκιασμένο εμβαδόν σε καθένα από τα παρακάτω διαγράμματα Venn: A i) Ω ii) A iii) B Ω B A B Ω B iv) A Ω .12 16.3 .177 P( A  B) 0. Αν τα ενδεχόμενα Α και Β είναι ξένα μεταξύ τους. 17.2 P ( B | A) 0. -Να δικαιολογήσετε την απάντησή σας. μπορεί να ισχύει P ( A)  P ( B )  1.

. 3 ii)  3x 4 iii)  5 x 6 . 0  x  50 . 6. Να χρησιμοποιήσετε την ιδιότητα 1 v α  v . 5. 8. 2 1 1 2 1 ii)  . ii) 300. 9. 2} .ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΕΩΝ 1 ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ § 1. i) 3 ii) -4 iii) 10 1  . 2.  ) . i) 10 . 2x 1 2 5 iv) 3 v) 2 2 .  3  x  7  (. 4. 0   θ  180  § 1. i) y  6 x  9 ii) y  2.  V ( h)  π    h. R  {1. 0   θ  180 . 5. 1. 5. x . 2  20  h  3. 0  r  4. 3.2 Α΄ Ομάδας 6. 4. iii) 9x 8 . 2. 0  h  20  2π  10 . 2. i)  3 3 x2 5 5 x3 1 1 1 1 i)   ii)   3 x3 x 2 x x 2 1 . π 1 x2.  6x3  7x 2  1 1. i) x  5  ( x  5 )( x  5 ) κτλ. 2. 4.3 A΄ Ομάδας 1.  υ(θ )  10  ημθ .1 Α΄ Ομάδας 1. 4 i) 2π ii) 4π . 1 . 1. 3. 2 5. iii)   5 x5 x 2 i) i) 12x 2 ii)  30 x 6 iii)  8x19 . θ  ή θ  4 4 0.  E (θ )  50  ημθ .  1. 7.  3x 2  2 3x 2  2 x  1 1 .  E (r )  πr 2  2πr  ( 20  2πr ). α E ( x)  x(50  x). π 5π . 2 . i) 0 ii) 2  § 1.1 B΄ Ομάδας 2. 3]  [7. t  2 ή t  3 .ΥΠΟΔΕΙΞΕΙΣ . i) 0 ii) 4x 3 2. i) 4 ii) -10 iii) 2 5 iii) 1 iv) 8 v) -10 vi) 5. § 1. ii) h  (1  h)  1  ( 1  h  1)( 1  h  1) κτλ. 1 x2 3.

i) ii) 13. i) (t  2) ii) . 8. 6. i) 1  ln x x2 1  ii) e x   ln x  . § 1. 6 . (e  e  x ) 2 16. ii) 3x 2  συνx 3 3 iii) ημ4 x  4 x  συν4 x iv) . 1 3 20. (1  συνx) 2 ημx (1  συνx) 2 (0. 5 . ημx  xσυνx ημ 2 x 2  2συνx  xημx .180 6. συν 2 3x 4x 1 συνx . Το τετράγωνο με πλευρά 10m. 21. 109 22. ( 2. ( x  1) 3 ii) 3x 2  συνx 3 iii) 5( 2 x 2  3 x) 4 ( 4 x  3) . t  . i) 3e  x2 iii) αe α 1 3 ii)  iii) x x αx  β 1 iv) . x   19. (1. ύψος 2dm. i) ii) f ( x)  6 x 2 . 400. Καθένας είναι ίσος με 5. i) υ(t )  Aωσυνωt 8. 5 5  λc. i) 5( x  1) 4 ii) 1 4. i) 18. i) iii) 12. i) 1. 4dm 3 . 8. i) ii) 2 2 1  ημx 2 2x  x ii)  2 xe 2 iv) x . 8). 10. γνησίως φθίνουσα iii) f ( x)  3( x  1) . f ( x)   Aωημωx  Bωσυνωx f ( x)   Aω 2 συνωx  Bω 2 ημωx κτλ. i) 3ημ 2 x  συνx 3x f ( x)  αpe px  βpe  px f ( x)  αp 2e px  βp 2e  px κτλ.4 Α΄ Ομάδας αx  β 1.  υ(t )  3t 2  4t  1. y  x  α (t )   Aω 2 ημωt 14. α (1)  2 . i) Μέγιστο: f (0)  5 Ελάχιστο: f (4)  27 ii) Ελάχιστο: f (1)  1 Μέγιστο: f (1)  3 . 2 2 10 . γνησίως αύξουσα f ( x)  3 x 2 . 0). 7. (0. 3. γνησίως αύξουσα 2 4. 5. i) P ( I )  ( α  βI ) 2 ii) Να κάνετε τις πράξεις στο 2ο μέλος. άρα γνησίως φθίνουσα. 4. 2( x  1) 17.  . 2. ii) α (t )  ω 2  y iii) α (t )  0  συνωt  1 κτλ. i) συνx  xημx  6 x 2 2 ii) (8 x  3x ) ημx  ( 4 x  6 x)συνx . 2. 15.08 ii) 2( 2  3 ) . (2. 4) . 7. 10. 3. 2. § 1. 6. 6) . iv) f ( x)  3x 2  6 x  5  0 για κάθε x  R . . 3 1  2 x4 x i) 3. x x i) 24 x 2  συνx ii) 6ημx  8(2 x  1) . 0).3 B΄ Ομάδας 1.2) . (3. 10. -1. 3 9. x 2  2x ( x  1) 2 11. i) Ελάχιστο: f (1)  1 ii) Μέγιστο: f (0)  6 iii) Ελάχιστο: f (1)  3 . Πλευρά βάσης 4dm.  6 3  . t  1 3 1  α   2. 7. 3 π  . 9. iii) 9 x 3 1 i) 4 x  6 x ii) 2 x  2 iii) 1  2 . i) 7 x 6  4 x 3  3 x 2 ii) συνx  συν 2 x . 2 3 α 9. 3 5.

r 1 υ( r )  100 p 2  0 κτλ. r υ( x)   κ (2 x ln x  x) . 5. ύψος=  cm .5m.87. (1. 6. α) 76% β) 16% γ) 34% δ) 84% ε) 16%. 3.476 iii) ρ  0. 2. ηλικία (ποσοτική-διακριτή). Ποσοτικές-διακριτές: β. 16000 20 30  109. 6.1 1. 4. 2π 3 R 3. 7. ii) 1 x 1 dx t ( x)     2 2 υ1 υ 2 x  d1 (d  x) 2  d 22 iii) Όταν t ελάχιστος. (ε) 4. 6 17600.500 10.22 α) P ( x)  R ( x)  C ( x) κτλ. δ. Καθεμιά 225 Ω. 4. ΓΕΝΙΚΕΣ ΑΣΚΗΣΕΙΣ 1. θ. 7. 4. διότι η ελάχιστη απόσταση των πλοίων θα είναι 80  100  10 Km . Διάμετρος κύκλου = λ .3 .1  υ 2 υ ii) 3 30000  31 Km/h . 3.  146m . 3) . 8. 3. 2. Πλευρά βάσης 40cm. Να βρεθεί μετά το N1 κτλ.5 . Να εργαστείτε όπως στο σχήμα 1(γ). Ποιοτικές: γ. § 2. 5. ύψος 10cm. i)  0.β) i) 26% ii) 14% iii) 38%. Δηλαδή . η. 5. β) 2. κ 2  κ1  κ1  6000 i)  0. Για παράδειγμα: α) Θα έχουμε υπερεκτίμηση των ανδρών κτλ. α) Το 22% των φοιτητών είναι αγόρια με βαθμό <5. BΓ  d 22  ( d  x ) 2 κτλ. Έχουμε 11 αγόρια με βαθμό <5. ι Ποσοτικές-συνεχείς: α. i) AΓ  d12  x 2 . Πλευρά τετραγώνου= 4π κ  1 t ln 2  . στ. φύλο (ποιοτική) κτλ. 2. υ( x)   κ (2 ln x  3) κτλ. ε 2. β  p  q  (α  β )   αλ   κτλ. v 5. 5. 10. 6.2 Α΄ Ομάδας 1. Είναι δυνατό να έχουμε διάφορους λόγους ακαταλληλότητας των επιλεγομένων δειγμάτων. 4 10600. 8. 8 ii) 1612.6 . 9. 20 30 Είναι το τετράγωνο. 3 3 Ύψος = Διάμετρος βάσης. 3.4 Β΄ Ομάδας 1. 2 ΣΤΑΤΙΣΤΙΚΗ § 2. Από τη σχέση f 2  2 βρίσκουμε v πρώτα το μέγεθος v  20 . 27 β) i) 5600. 7. Θα έχουν. τότε t ( x)  0 κτλ. λ  40 20 Διάμετρος  cm . . Για τους v  450 μαθητές έχουμε 30% με τιμή x2  “Λίαν καλώς”. 5. 1 υ(r )  100 p  100q . ζ. 16 μονάδες από 8 εργάτες. κτλ.181 § 1. κτλ. 8. 9. Να κατασκευάσετε πρώτα τον πίνακα συχνοτήτων και μετά να εργαστείτε όπως στα σχήματα 1(β) και 3. 5. Είναι δυνατόν να έχουμε διάφορες μεταβλητές για κάθε περίπτωση. Για παράδειγμα: α) μισθός (ποσοτική-συνεχής).

β) yˆ  6  x .1  0. α) 169. β) ΟΧΙ. yˆ  18. α) yˆ  x .6 x . 10. 11. δ  4 γ) x  13. 3.. δ  11 β) Q1  7 .5%. 9. 291. 2. 7.1cm β) 235 cm. Q3  6 .2 Β΄ Ομάδας 1. γ) ΝΑΙ. i) y  3  x .. β) 33. § 2. γ) 169. δρχ. 12. M 0  13gr . 13. α) x  15. 16.3x . β) x  15 . 14. M 0  11 . § 2. δ  12gr . § 2.29 ..8 . 15. α) 60. v  28 . β) 2.66cm. 20 με διάμεσο δ  15 .47.75% β) Q  Q3  Q1  59  24  35 7. δ  2 β) x  6. 14.182 9. 20% ΝΑΙ. β) 2. β) s 2  36 . δ) x  5.. α) 14. 5. δ) 81. γ) 3.3 . α) 206. γ) 50%. 6. 19.4 . f 2 %  30  v2  135  α2  108 . 11. Να γίνουν οι πράξεις. 13. γ) s2  4 . β) Αυξάνουν κατά 18%. Για τη Λέσβο υπάρχει πτωτική τάση ενώ για τη Σαλαμίνα υπάρχει ανοδική τάση.3 Α΄ Ομάδας 1. β) ΟΧΙ.3 . δ  3500 δρχ. α) s 2  4 . 4. Να εργαστείτε όπως στο σχήμα 5.7 εκατομ. Οι 2 και 6. γ) 11 άτομα δ) επίδοση  7 .3 Β΄ Ομάδας 1. 5. δ  4 . 17. α) s  23. α) 2. Q3  8. 6.3% και Φάρμακο Β 26%.33 . 14. Να εργαστείτε όπως στο σχήμα 16.8 . ii) y  46. 10. Να εργαστείτε όπως στο σχήμα 5. Επειδή v  55 να χρησιμοποιήσετε κ  7 κλάσεις με πλάτος c  1. δ  15 γ) P95  19 2. 10. β) 13.4 Α΄ Ομάδας 1. β) M 0  3. β) 355 γυναίκες. γ) 5.3x δ) yˆ  2. δρχ. 6. Q3  13 γ) R  12. 8.7% . 5 2. α) x  3. γ) Αυξάνουν κατά 100 δρχ. α) x  10 . 8.24 ε) Q1  2. s 2  12. § 2.9  0. β) 170cm. 434 άνδρες γ) 692 δ) Δεν μπορούμε να ξέρουμε με τα στοιχεία που μας δίνονται. s  3. Και στις 3 περιπτώσεις έχουμε: x  12gr . Q3  17 .3 .8. δ  14 . α) Φάρμακο Α 17. 18. γ) yˆ  3. Να εργαστείτε όπως στα σχήματα 1(β) και 3.45 . Να εργαστείτε όπως στο σχήμα 7. α) Μικρότερη διασπορά έχουμε στη δεύτερη λίστα και μεγαλύτερη διασπορά στην τρίτη. α) x  4400 δρχ. δ  12 δ) x  16. 12. 5.000 δρχ.5%. Το εμβαδόν πρέπει να είναι 100. α) x  4.7  0. 18. 2. 7. 14. 10 ή -2 3. 12. α) 16%. 4. δ  5. Ηλικία  20 21-30  31 Σύνολο Ανάλογα με την άσκηση 2. 2. cv  53.25%. κτλ. 4. δ) Q1  14.87.98  21. cv  38. Να εργαστείτε όπως στο σχήμα 1(γ). s2  4 .67 x 6 3. 20.2 εκατομ. α) ΝΑΙ. Για τη Θάσο υπάρχει περίπου σταθερή κατάσταση. 4.67cm. Να συμπληρώσετε τον πίνακα: Έτος 3. γ) M 0  15 . 16. γ) Q1  2. β) δ  15 . M 0  3000 δρχ.

183 5.3x .49 .87 x . § 2. κτλ. Να χρησιμοποιήσετε δενδροδιάγραμμα. 8. Y ) εάν λ  0.07 x .8C .77 . α) Θετική . α) 178. 0.1 Α΄ Ομάδας ΓΕΝΙΚΕΣ ΑΣΚΗΣΕΙΣ x  2. β) x1990  486.4 . r  0. δ  4. Να χρησιμοποιήσετε δενδροδιάγραμμα. ii) 22 δ) Να εργαστείτε όπως στο σχήμα 8(β).4  18. 4.1 Β΄ Ομάδας 1. 5. α) r  0. αββ . 7.μεγάλη. 5.2 .8%. 5. 3. Y ) εάν λ  0 13. α) 168. β) Ο σταθμικός μέσος. οπότε θα έχει και διαφορετική πρόβλεψη συστολικής πίεσης.025 . 2.2.74 . M 0  4. x1994  372 . 6.1  0. 7.000 δρχ. -0. β) x  14. α) Η ηλικία. α) yˆ  1.2 . 3. γ.29 . Fˆ  32  1. Ω  {αα .5 Α΄ Ομάδας 1.1 cm 4.70 δ) r  0. β) r  0. β) r2  1 . α) Να εργαστείτε όπως στο σχήμα 1(γ).5.5 Β΄ Ομάδας 3 ΠΙΘΑΝΟΤΗΤΕΣ 1. 14. -1. 100 Να χρησιμοποιήσετε δενδροδιάγραμμα.25  0. s  2. -0.  r ( X . Δείτε και την άσκηση 7(α) Α΄ Ομάδας της §2.4 γ) i) 8. γ) Περίπου 9 μήνες.05 ε) r  0. β) r  1 .δ) Καθένας από τους μαθητές μπορεί να φέρει τη “δική του” ευθεία. δ  2 . β) Περίπου 27 έτη και 7 μήνες.8% .36 x β) 186. Να χρησιμοποιήσετε δενδροδιάγραμμα. 2. 3. 3. 11. β) Περίπου 25 έτη και 5 μήνες. r ( X . r  0. 2. 4. β) 16. γ) r  0.88  1.99 . § 3. r  0. § 3. Να εργαστείτε όπως στο σχήμα 5. α) r  1 β) r  1 2. α) v  60 . r  0.35  1.3 cm β) 168. M 0  1 . 6. 12. α) r1  1 . α) Να εργαστείτε όπως στο σχήμα 1(γ). 1.4 Β΄ Ομάδας 1. r  0. 10.22 . 4. αβα.34 x β) 68. βαα.6. α) yˆ  63. α) i) τις λυχνίες τύπου Β ii) δεν έχουμε προτίμηση iii) τις λυχνίες τύπου Α. α) y  0. yˆ1995  472 διαζύγια. β) cv A  39. 7. 3. γ) x  4. cv B  38.9.5 cm. yˆ  56. 5.53  0.59 . Να εργαστείτε όπως στο σχήμα 13. c  2 . Y )    r ( X . 4.72 y . Να χρησιμοποιήσετε δενδροδιάγραμμα.7. 6. 1.06  0. Να χρησιμοποιήσετε δενδροδιάγραμμα. κ  5 .1. γ) Περίπου 1 έτος και 2 μήνες.97 . α) yˆ  0. i) Ασυμβίβαστα ii) Δεν είναι ασυμβίβαστα iii) Δεν είναι ασυμβίβαστα iv) Ασυμβίβαστα.9 κάτοικοι/km2 9. . 0.87 . s  7. yˆ 2000  547 διαζύγια § 2. s  1. 200 v1  18  36 κτλ. ββ} . γ) y  16. βαβ .18 x .7 cm β) 177. γ) Πρέπει να βρείτε την ευθεία ελαχίστων τετραγώνων της Χ πάνω στην Υ. § 2. 2. 0.33 . α) xˆ  5.

 κ  κ!(v  κ )! (v  κ )! κ! 3. 124416000. 6.4 Α΄ Ομάδας 1. 14. 9 2800. 28 1 .4 3 . 12. 5. 143 54 35 24  0. i) κ  λ  μ ii) 1  κ  λ  μ iii) κ  λ  2 μ . τότε x  B κτλ. 10. 3 42 . 4. 4 15 25 25 i) ii) iii) . 10%. 7!. 13. 48 1 . 32 3 140 i) ii) 143 143 Περίπου 75%. 4. 40 40 40 9 . 5! 24 . 3 2.491 . 6. Αν P ( A)  x . 1  1 . 11 . .  2 3 . 30 2 3 0. 8  . 3 2 . 360. 6. § 3. 8. i) 2. 1 13 ii) 12 . τότε P ( A)  1  x κτλ. . 4 P ( A  B )  P( A)  P( B )  P ( A)  P ( B )  P( A  B )  P ( A)  P ( B ) κτλ. 4. 8. 3 4 3. 11.2 Β΄ Ομάδας 1.3 Α΄ Ομάδας 1. § 3. 77 11. 3. α) 14% β) 12%.2 Α΄ Ομάδας 1. iii) . Να χρησιμοποιήσετε διάγραμμα Venn.  4 125 5 1 1 . 2 v 1 1 1 1 . 13 1 . 4 6 36 § 3. 5 5 3 . 5. 5. 6 2 3 17 . 9. 11 11 i) 50% ii) 30%. 1 . 7. Να λάβετε υπόψη ότι P( A)  1  P ( A) και P ( A  B )  1 . 55%.3 Β΄ Ομάδας 1. Να βρείτε το δειγματικό χώρο και τα ενδεχόμενα με τη βοήθεια πίνακα διπλής εισόδου. 30 3 8 i) ii) .184 2. 3. 2. . 3. 35 v v! v!     κτλ. Έστω x  B  . 7. 4 § 3. . 10. 7 . 9. § 3.518. . v 4 1 . . 7 7 4. 6. 1  24  0. 5. 65%. Να λάβετε υπόψη ότι A  B  A και P( A  B)  1 . 4. 2. 1200.

2 2 10. 3 . .4 Β΄ Ομάδας 1. έχουν ίδια πιθανότητα. δηλ.  Με επανατοποθέτηση: κλ 5.7%. i) Να λάβετε υπόψη τους κανόνες λογισμού πιθανοτήτων. 27 27 27 95 7. 2. . 2. 0. 4 17 10 6. Να λάβετε υπόψη ότι P (0)  P (1)  . i) ii) .. i) Όχι ii) Όχι ΓΕΝΙΚΕΣ ΑΣΚΗΣΕΙΣ iii) 1 . 3. 5 20 8.087 . 7 5. 13 1 2 7 . 12 12 . ii) Να χρησιμοποιήσετε την εις άτοπον απαγωγή. i) 9! ii) 36 λ 4. 7. 7 . .  0. Να λάβετε υπόψη ότι P ( A  B )  P ( B )  P ( A  B ) . iii) Να λάβετε υπόψη ότι A  B   ( A  B )  . 3. i) Να λάβετε υπόψη ότι P ( A  B )  P ( B )  P ( A  B ) ii) Να λάβετε υπόψη ότι P ( A  B )  P ( A)  P ( A  B ) . . 6. 5. 4 9. 2 4. Όχι.  P (100)  1 . 18% 3. 8. 5 5 10 1 .  Χωρίς επανατοποθέτηση: κλ λ . 3 1 . 3 5 § 3. 49 4 17 . 1094 1. i) 8% ii) 75%..96. . 4.185 2. i) ii) iii) .