Professional Documents
Culture Documents
ΣΗΜΕΙΩΣΕΙΣ
Α. ΜΠΙΣΜΠΑ
ΚΑΘΗΓΗΤΗ
ΤΟΥ ΤΜΗΜΑΤΟΣ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ
ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ
Κ Ο Ζ Α Ν Η 2 0 2 0
ii
Περιεχόμενα
2 Τυχαίες μεταβλητές 31
2.1 Διακριτές τυχαίες μεταβλητές . . . . . . . . . . . . . . . 31
2.1.1 Διωνυμική κατανομή . . . . . . . . . . . . . . . . 33
2.1.2 Κατανομή Poisson . . . . . . . . . . . . . . . . 35
iii
iv ΠΕΡΙΕΧΟΜΕΝΑ
v
vi ΠΕΡΙΕΧΟΜΕΝΑ
1.1 Εισαγωγή
Πείραμα τύχης θα λέμε κάθε διαδικασία που γίνεται κάτω από κάποιες
συνθήκες και το αποτέλεσμα αυτής δεν είναι γνωστό πριν γίνει.
A 4 B = (A − B) ∩ (B − A) = AB c ∪ Ac B.
Λέμε ότι A ⊂ B αν κάθε απλό ενδεχόμενο που ανήκει στο A ανήκει και
στο B.
Στη συνέχεια δίνουμε μερικές χρήσιμες σχέσεις μεταξύ των πράξεων
συνόλων. Η απόδειξη αυτών είναι απλή και μπορεί κενείς να την δει
χρησιμοποιώντας τα διαγράμματα του Venn.
Ιδιότητες.
A∪B =B∪A
A ∪ (B ∪ G) = (A ∪ B) ∪ G
A ∩ (B ∪ G) = (A ∩ B) ∪ (A ∩ G)
(Ac )c = A
A ∩ Ac = ∅
(A ∩ B)c = Ac ∪ B c
A∩Ω=A
A∩B =B∩A
A ∩ (B ∩ G) = (A ∩ B) ∩ G
A ∪ (B ∩ G) = (A ∪ B) ∩ (A ∪ G)
A ∪ Ac = Ω
(A ∪ B)c = Ac ∩ B c
Ωc = ∅
Γράφουμε
N
∪ An = A1 ∪ A2 ∪ . . . ∪ AN
n=1
1.3. ΑΞΙΩΜΑΤΙΚΗ ΘΕΩΡΙΑ ΤΩΝ ΠΙΘΑΝΟΤΗΤΩΝ 5
(αριθμήσιμα προσθετική).
’μεση συνέπεια του ορισμού είναι οι ακόλουθες ιδιότητες:
Ιδιότητες.
(i) P (A) ≤ 1
(ii) P (∅) = 0
(iv) Αν A ⊂ B τότε
P (A) ≤ P (B).
(v) Αν A, B ∈ F με A ∩ B = ∅, τότε
P (A ∪ B) = P (A) + P (B).
Συμβολίζουμε με:
A το γεγονός: ο να φοιτητής έχει αποτύχει στο μάθημα της Ανάλυ-
σης και με Σ το γεγονός ο φοιτητής να έχει αποτύχει στο μάθημα της
Στατιστικής. Επειδή το πλήθος φοιτητών είναι μεγάλο, έχουμε ότι οι
πιθανότητες των ενδεχομένων που δίνονται είναι ίσες με
P (A) = 0, 45, P (Σ) = 0, 35, P (A ∩ Σ) = 0, 20.
(ii) B = {το άθροισμα των ενδείξεων των δύο ζαριών είναι επτά}
(iii)
Γ = {το ένα ζάρι φέρει τουλάχιστον 5 ενώ το άλλο τουλάχιστον 4}
10 ΚΕΦΑΛΑΙΟ 1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ
Ω = { (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6),
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
...
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6) }
Αρα
A = { (1, 6), (2, 6), (3, 6), (4, 6), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5) },
B = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)},
και
Γ = {(5, 4), (5, 5), (5, 6), (6, 4), (6, 5), (6, 6), (4, 5), (4, 6)}.
10 6 8
P (A) = , P (B) = , P (Γ) = .
36 36 36
Παρατήρηση. Αν
΄Εστω ότι έχουμε ένα χώρο πιθανότητας (Ω, F, P ). Υποθέτουμε ότι ένα
γεγονός έχει πραγματοποιηθεί. Γνωρίζοντας αυτό θέλουμε να βρούμε την
πιθανότητα να συμβεί ένα άλλο γεγονός.
Ιδιότητες.
(i) P (A ∩ B) = P (A|B)P (B).
(ii) P (A|A) = 1
(iii) P (∅|A) = 0.
(iv) P (A|B) = 1 αν B ⊆ A.
(v) P (A ∪ Γ|B) = P (A|B) + P (Γ|B) αν A ∩ Γ = ∅.
(vi) P (A|B) + P (Ac |B) = 1.
(vii) Αν P (A∩B) > 0 τότε P (A∩B) = P (B|A)P (A) = P (A|B)P (B),
πολλαπλασιαστικός τύπος των πιθανοτήτων.
(viii) Τύπος του Bayes
P (A)P (B|A)
P (A|B) = .
P (B)
και τα γεγονότα
΄Εστω
A = { Η πρώτη είναι κορώνα }
B = {Τουλάχιστον μια φορά έχει εμφανιστεί κορώνα}.
τότε
A = {KK, KΓ},
B = {KK, KΓ, ΓK}.
΄Εστω
∆ = { στη δεύτερη ρίψη έρχεται κορώνα },
και
E = { και στις δύο ρίψεις εμφανίζεται κορώνα }
τότε
E = A ∩ ∆ = {KK},
B = A ∪ ∆,
και άρα
1
P (A∆) 4 1
(i) P (E|A) = P (A ∩ ∆|A) = = 1 = .
P (A) 2
2
1
P (A∆B) P (A∆) 4 1
(ii) P (E|B) = P (A ∩ ∆|B) = = = 3 = .
P (B) P (B) 4
3
14 ΚΕΦΑΛΑΙΟ 1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ
έχουμε ότι
P (K1 ) = 1/4,
ενώ από τη σχέση
P (K2 ∩ N2 ) P (K2 ) 1
P (K2 |N2 ) = = =
P (N2 ) 1/2 3
έχουμε ότι
P (K2 ) = 1/6.
Υπολογίζουμε την πιθανότητα
P (K1 K) P (K1 ) 1/4 3
P (K1 |K) = = = = .
P (K) P (K1 ) + P (K2 ) 1/4 + 1/6 5
Ανάλογα μπορεί κανείς να υπολογίσει την P (K2 |K) (= 52 ) ή πιο εύκολα
κάνοντας χρήση της σχέσης
P (K1 |K) + P (K2 |K) = 1.
και
P (E|A) = 0, 03, P (E|B) = 0, 01, P (E|Γ) = 0, 04
Τα ενδεχόμενα A, B, Γ είναι ξένα ανά δύο και η ένωσή τους μας δίνει
το σύνολο των εταιρειών που προμηθεύονται οι κινητήρες. Εφαρμόζοντας
το θεώρημα ολικής πιθανότητας παίρνουμε:
5 × 10 × 4 = 200.
΄Εχουμε ότι
n1 = 7, n2 = 4, n3 = 5, n4 = 2.
20 ΚΕΦΑΛΑΙΟ 1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ
Από τη βασική αρχή της απαρίθμησης έχουμε ότι πλήθος των δυνατών
διαδρομών είναι ίσο με
n1 · n2 · n3 · n4 = 7 · 4 · 5 · 2 = 280.
n! n
(n−k)! k Χωρίς επανάληψη
5! = 1 · 2 · 3 · 4 · 5 = 120.
9 · 9 · 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 3265920.
΄Ομοια
10! − 9! = 10 · 9! − 9! = 9 · 9! = 9 · 9 · 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 3265920.
1.6. ΣΥΝΔΥΑΣΤΙΚΗ ΑΝΑΛΥΣΗ 23
Μας ενδιαφέρει η σειρά των αριθμών και δεν έχουμε επανάθεση. ’ρα
έχουμε μεταθέσεις των οποίων το πλήθος είναι n!. Αν οι 1 και 2 είναι
διαδοχικοί τότε αυτοί καταλαμβάνουν 2 θέσεις και αυτό μπορεί να γίνει
με n − 1 τρόπους. Στις υπόλοιπες n − 2 θέσεις θα είναι οι υπόλοιποι
n−2 αριθμοί και οι δυνατές θέσεις αυτών είναι (n−2)!. Οπότε οι δυνατές
περιπτώσεις είναι (n−2)! (n−1) = (n−1)!. ’ρα η ζητούμενη πιθανότητα
είναι
(n − 1)! 1
= .
n! n
Ανάλογα για τους 3 διαδοχικούς μπορούμε να βρούμε την πιθανότητα
(n − 2)! 1
= .
n! n(n − 1)
N 4 16 22 23 40 64
p 0.016 0.284 0.476 0.507 0.891 0.997
4 11 4! 11!
= · = 4 · 1 = 4.
3 0 3! 1! 0! (11)!
4
= 0, 0088 = 0, 88%.
455
1.6. ΣΥΝΔΥΑΣΤΙΚΗ ΑΝΑΛΥΣΗ 25
66
= 0, 145 = 1, 45%.
455
(iii) Αλλάζοντας θέση ο παίκτης στην ομάδα αλλάζει και η πεντάδα. ’ρα
έχουμε διατάξεις των 12 παικτών ανά 5. Το πλήθος είναι ίσο με
12!
= 8 · 9 · 10 · 11 · 12 = 95040.
(12 − 5)!
26 ΚΕΦΑΛΑΙΟ 1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ
1.7 Ασκήσεις
5 Να δείξετε ότι
P (ABΓ) = P (A|BΓ)P (BΓ)P (Γ).
14 ΄Εχουμε ένα σύστημα στο οποίο εισάγεται ένα σήμα x με τιμές {0, 1}
και εξάγεται ένα άλλο σήμα y με τιμές {0, 1}. Δίνεται ότι
P (x = 0) = 0.6, και P (x = 1) = 0.4.
Στο σύστημα παρεμβάλεται θόρυβος και κατά συνέπεια η είσοδος δεν
συμπίπτει με την έξοδο. ΄Εχουμε υπολογίσει ότι
P (y = 0|x = 0) = 0.8, P (y = 1|x = 0) = 0.2,
P (y = 0|x = 1) = 0.4, P (y = 1|x = 1) = 0.6.
Να δείξετε ότι
P (y = 0) = 0.64, P (y = 1) = 0.36.
Τυχαίες μεταβλητές
Παράδειγμα 2.1 Ρίχνουμε ένα νόμισμα δύο φορές όπως έχουμε ανα-
φέρει
Ω = {KK, KΓ, ΓK, ΓΓ}.
Η συνάρτηση F : Ω → R, με
F (KK) = 0, F (KΓ) = F (ΓK) = 1, F (ΓΓ) = 2
είναι μια τυχαία μεταβλητή και δείχνει πόσες φορές εμφανίζεται η ένδειξη
Γ σε δύο ρίψες ενός νομίσματος.
Ιδιότητες:
(i) f (xi ) ≥ 0,
X
(ii) f (xi ) = 1.
xi
F
2
1.5
1
0.5
x
-1 1 2 3 4
-0.5
-1
n
px (1 − p)n−x αν x = 0, 1, . . . , n,
f (x) = x
0 αλλού.
Επαληθεύουμε ότι
n n
X X n
f (x) = px (1 − p)n−x = (p + (1 − p))n = 1.
x=0 x=0
x
Η κατανομή που έχει συνάρτηση πυκνότητας την f λέγεται διωνυμική
κατανομή ή και κατανομή του Bernoulli.
17
X 50
(ii) P (X ≤ 17) = (0.25)k (0.75)50−k = 0.945.
k
k=0
20
X 50
(iii) P (5 ≤ X ≤ 20) = (0.25)k (0.75)50−k = 0.991.
k
k=5
Ιδιότητες:
Xn n
X
(i) E( aj X j ) = aj E(Xj ) aj ∈ R
j=1 j=1
΄Εχουμε ότι
∞
X λk −λ
EX = k e
k!
k=0
∞
X λk
= e−λ
(k − 1)!
k=1
2.3. ΔΙΑΣΠΟΡΑ - ΑΠΟΚΛΙΣΗ 39
∞
−λ
X λk
= λe
k!
k=0
−λ λ
= λe e = λ.
Είναι
∞
2
X
2λk −λ
EX = k e
k!
k=0
40 ΚΕΦΑΛΑΙΟ 2. ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
∞
X λk
= k e−λ
(k − 1)!
k=1
∞
−λ
X λk−1
= λe k
(k − 1)!
k=1
∞
X λk
= λe−λ (k + 1)
k!
k=0
∞ k+1 0
X λ
= λe−λ
k!
k=0
∞
−λ
X λk+1 0
= λe
k!
k=0
−λ λ 0
= λe (λe )
= λe−λ (eλ + λeλ )
= λ(λ + 1).
Οπότε
V arX = λ(λ + 1) − λ2 = λ.
Παράδειγμα 2.10 Ρίχνουμε ένα ζάρι μια φορά. Στο δειγματοχώρο του
πειράματος θεωρούμε την τ.μ. X με τιμές την ένδειξη του ζαριού. Θα
υπολογίσουμε τη μέση τιμή, τη διασπορά και τη τυπική απόκλιση αυτής.
r
35
σ= .
12
Ιδιότητες της F .
(i) 0 ≤ F (x) ≤ 1,
(ii) Η F είναι αύξουσα συνάρτηση του x.
Αν ορίσουμε την
Z x
F (x) = f (t) dt, x ∈ R
−∞
Αποδεικνύεται ότι Z ∞
x2 √
e− 2 dx = 2π.
−∞
Η κατανομή που έχει συνάρτηση πυκνότητας
1 x2
f (x) = √ e− 2 , x∈R
2π
λέγεται κανονική κατανομή ή κατανομή Gauss.
Η συνάρτηση κατανομής αυτής είναι η
Z x
1 t2
Φ(x) = F (x) = √ e− 2 dt.
2π −∞
44 ΚΕΦΑΛΑΙΟ 2. ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
Γι΄ αυτή τη συνάρτηση δεν υπάρχει κάποιος απλούστερος τύπος και οι τι-
μές της υπολογίζονται προσεγγιστικά με διάφορες αριθμητικές μεθόδους.
Είναι εύκολο να δει κανείς ότι
Φ(−x) = 1 − Φ(x).
g(x) = √ e 2σ 2
2π σ
έχουμε τη κανονική κατανομή με μέσο µ και διασπορά σ 2 . Τη συμβο-
λίζουμε με N (µ, σ 2 ), όπου σ > 0 και µ ∈ R και γράφουμε
X ∼ N (µ, σ 2 ).
1.5
0.5
x
-4 -3 -2 -1 1 2 3 4
-0.5
-1
Σχήμα 2.3: Η γραφική παράσταση της συνάρτησης πυκνότητας της N (0, 1).
και διασπορά
Z ∞
2
E(X − µ) = (x − µ)2 f (x) dx = σ 2 .
−∞
f
3
2.5
2
1.5
1
0.5
x
-1 1 2 3 4 5 6 7
-0.5
-1
Σχήμα 2.4: Η γραφική παράσταση της συνάρτησης πυκνότητας της N (3, 5).
Η συνάρτηση πυκνότητας
λe−λx αν x ≥ 0,
f (x) =
0 x<0
(λ > 0), λέγεται εκθετική πυκνότητα. Η συνάρτηση κατανομής αυτής,
μπορεί να δει κανείς εύκολα ότι είναι η
1 − e−λx αν x ≥ 0,
F (x) =
0 x < 0.
2.0
1.5
1.0
0.5
x
0.5 1.0 1.5 2.0 2.5 3.0
Ισχύει ότι
X, Y ανεξάρτητες ⇒ cov(XY ) = 0.
Ο ορισμός της ανεξαρτησίας επεκτείνεται και στην περίπτωση περισο-
τέρων τ.μ. ως εξής
P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ) . . . P (Xn = xn )
για διακριτές τ.μ. και ανάλογα για συνεχείς τ.μ..
Αν οι τ.μ. Xj , j = 1, . . . , n είναι ανεξάρτητες, τότε
n
Y n
Y
E( Xj ) = E(Xj ).
j=1 j
0.4
0.3
0.2
0.1
x
-3 -2 -1 -0.1 1 2 3
1
= (9x3 /3 − x5 /5)|3−3
36
1 1 71
= (81 − 243/4) − (−81 + 243/4) =
36 36 72
1.5
1.0
0.5
x
-0.5 0.5 1.0 1.5
-0.5
Z 1
3
= 6 x2 x (1 − x) dx =
0 10
έχουμε
3 1 1
V (X) = EX 2 − (EX)2 = − ( )2 = .
10 2 20
(iii) η συνάρτηση κατανομής F (x) της τυχαίας μεταβλητής X, δίνεται
από τη σχέση Z x
F (x) = f (t) dt, x ∈ R
−∞
Διακρίνουμε τις περιπτώσεις:
Αν x < 0 τότε έχουμε
Z x Z x
F (x) = f (t) dt = 0 dt = 0.
−∞ −∞
Αν 0 ≤ x ≤ 1 τότε έχουμε
Z x Z 0 Z x
F (x) = f (t) dt = f (t) dt + f (t) dt
Z−∞x
−∞ 0
1.5
1.0
0.5
x
-0.5 0.5 1.0 1.5 2.0 2.5 3.0
-0.5
Επίσης
9
V (Y ) = V (3X − 2) = 32 V (X) = .
20
(v) Η πιθανότητα P (X < 2/5) δίνεται από τη σχέση
Z 2/5 Z 2/5
P (X < 2/5) = f (x) dx = 6 (x − x2 ) dx
−∞ 0
2/5 44
= (6x2 /2 − 6x3 /3)|0 = .
625
τυπική απόκλιση 1.500 ώρες. Για μια πόλη αγοράζονται και τοποθετούνται
5.000 τέτοιοι λαμπτήρες.
a. Πόσοι λαμπτήρες αναμένουμε να έχουν διάρκεια ζωής:
(i) τουλάχιστον 9.000 ώρες,
(ii) λιγότερο από 9.000 ώρες,
(iii) μεταξύ 10.800 και 12.300 ωρών,
(iv) μεταξύ 6.750 και 9.750 ωρών,
(v) λιγότερο από 13.050 ώρες,
(vi) περισσότερο από 8.100 ώρες
b. Να βρεθούν οι πραγματικοί αριθμοί κ, λ που ικανοποιούν τη σχέση
P (X < κ) = P (X > λ) = 0, 1
= P (Z ≥ −0, 60)
= 1 − P (Z ≤ −0, 60)
= 1 − 0, 2743 = 0, 7257.
και οι λαμπτήρες που αναμένουμε να έχουν διάρκεια ζωής τουλάχιστον
9.000 ώρες είναι 5.000 × 0, 7257 = 3628.
(vi)
X − 9.000 13.050 − 9.000
P (X ≤ 13.050) = P ( ≤ )
1.500 1.500
= P (Z ≤ 3) = 0, 9987
και οι λαμπτήρες που αναμένουμε να έχουν διάρκεια ζωής λιγότερο από
9.000 ώρες είναι 5.000 × 0, 9987 = 4.995.
b. ΄Οπως και νωρίτερα έχουμε
X − 9.000 κ − 9.000
P (X < κ) = P ( < ) = 0, 1
1.500 1.500
Από τους πίνακες τις κανονικής κατανομής έχουμε ότι
κ − 9.000
= −1.28
1.500
και άρα
κ = 7.080.
Ανάλογα έχουμε
X − 9.000 λ − 9.000
P (X > λ) = P ( > )
1.500 1.500
X − 9.000 −λ + 9.000
= P( < ) = 0, 1
1.500 1.500
και άρα −λ+9.000
1.500 = −1, 28 οπότε λ = 10.920. Η δεσμευμένη πιθανότητα
δίνεται από τη σχέση
P ({X < λ} ∩ {X > κ})
P ({X < λ} | {X > κ}) =
P (X > κ)
56 ΚΕΦΑΛΑΙΟ 2. ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
= 1 − e−0,2 − 0, 2e−0,2
= 1 − 0, 8187 − 0.1637 = 0, 0176.
Για να έχουμε το πολύ μια κλήση σε 1 λεπτό σημαίνει ότι δεν θα έχουμε
καμμία κλήση ή θα έχουμε ακριβώς μια κλήση.
P (X ≤ 1) = P (X = 0) + P (X = 1)
0 1
−λ λ −λ λ
= e +e
0! 1!
−0,2 −0,2
= e + 0, 2e
= 0, 8187 + 0.1637 = 0, 9824.
(i)
Z 4
P (3 ≤ T ≤ 4) = 0, 2 e−0,2 t dt
3
−0,2×3
= e − e−0,2×4 = 0, 0994.
(ii)
Z 10
P (T ≤ 10) = 0, 2 e−0,2 t dt
0
= 1 − e−0,2×10 = 0, 8646
(iii)
P (T ≥ 5) = 1 − P (X ≤ 5)
Z 5
= 0, 2 e−0,2 t dt
0
= 1 − e−0,2×5 = 0, 6321
(iv)
P ({T > 10} ∩ {T > 7})
P ({T > 10} | {T > 7}) =
P (T > 7)
P ({T > 10})
=
P (T > 7)
1 − (1 − e−0,2×10 )
=
1 − (1 − e−0,2×7 )
e−0,2×10
= −0,2×7 = e−0,2×3 ( = P ({X > 3}) ).
e
Η παραπάνω ισότητα είναι εφαρμογή της ιδιότητας της έλλειψης μνήμης
που έχει η εκθετική κατανομή. Μία πρακτική ερμηνεία της έλλειψης
μνήμης, είναι ότι η χρονική διάρκεια ζωής μιας συσκευής δεν εξαρτάται
από το εάν έχει ήδη λειτουργήσει κάποια έτη. Σε ένα μηχάνημα, εάν οι
βλάβες δεν εμφανίζονται λόγω της παλαιότητάς του (π.χ. υπολογιστής)
αλλά λόγω άλλων τυχαίων παραγόντων τότε ο χρόνος μέχρι να εμφανι-
στεί μία βλάβη (χρόνος καλής λειτουργίας) μπορεί να μοντελοποιηθεί από
2.7. ΧΑΡΑΚΤΗΡΙΣΤΙΚΗ ΣΥΝΑΡΤΗΣΗ 59
ότι Z ∞
1
f (t) = fb(ξ)eiξt dξ. (2)
2π −∞
Η f (t) λέγεται αντίστροφος μετασχηματισμός Fourier της fb(ξ).
Η παραπάνω ισότητα ισχύει για τα σημεία στα οποία η συνάρτηση είναι
συνεχής. Αποδεικνύεται ότι ο τύπος της αντιστροφής ισχύει και όταν στα
σημεία ασυνέχειας της f ισχύει η ισότητα
f (t+ ) + f (t− )
f (t) = .
2
Τις σχέσεις (1) και (2) μπορούμε να τις έχουμε για μεγάλες κλάσεις
συναρτήσεων. Πολλές φορές την ύπαρξη αυτών των ολοκληρωμάτων
την θεωρούμε σαν αρχική τιμή του Cauchy - (Cauchy principal value),
δηλαδή θέλουμε να υπάρχει το όριο
Z T
lim f (t)e−iξt dt
T →∞ −T
κάτι που είναι ασθενέστερο από τον ορισμό του γενικευμένου ολοκλη-
ρώματος.
Οι μεταβλητές x και ξ λέγονται συνήθως χρόνος και συχνότητα αντίστοι-
χα.
τότε
1
fd
1 f2 (ξ) = g(ξ).
2π
τότε έχουμε
(−i)n mn = fb(n) (0).
2.8 Ροπογεννήτριες
MX (t) = E(etX ),
nX (t) = E(tX ), t ∈ R
Αν X ∼ N (µ, σ) τότε
σ 2 t2
E(eitX ) = eitµ−( 2 )
σ 2 t2
MX (t) = etµ+( 2 )
Αν X ∼ B(n, p) τότε
2.10 Εφαρμογές
2.10.1 Εντροπία
και της μετάδοσης πληροφοριών. Στη ρίψη του νομίσματος που προανα-
φέραμε αποδεικνύεται ότι η εντροπία δίνεται από τη σχέση
E = −p log p − (1 − p) log(1 − p),
όπου p ∈ [0, 1] και με την παραδοχή ότι 0 log 0 = 0. Περισσότερες
λεπτομέρειες μπορεί κανείς να βρει στο βιβλίο [3]
E
0.8
0.6
0.4
0.2
p
0.2 0.4 0.6 0.8 1
Σχήμα 2.6: Η γραφική παράσταση της συνάρτησης f (p) = −p log2 p−(1−p) log2 (1−p), p ∈
[0, 1].
Θα αναφέρουμε μόνο τον ορισμό του τυχαίου σήματος. ΄Εστω ένας χώρος
πιθανότητας (Ω, F, P ). Θεωρούμε μια οικογένεια τ.μ. X(t), t ∈ I ⊆ R.
(Για κάθε t ∈ I η X(t) είναι μια τυχαία μεταβλητή).
Μέση τιμή της στοχαστικής διαδικασίας λέμε τον αριθμό
M (t) = E(X(t)).
2.11 Ασκήσεις
69