ΣΗΜΕΙΩΣΕΙΣ - ΠΙΘΑΝΟΤΗΤΕΣ

ΠΙΘΑΝΟΤΗΤΕΣ
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
1 Εισαγωγή στις Πιθανότητες 1

1.1 Εισαγωγή . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Βασική θεωρία συνόλων . . . . . . . . . . . . . . . . . . 3
1.3 Αξιωματική θεωρία των πιθανοτήτων . . . . . . . . . . . 5
1.4 Δεσμευμένη πιθανότητα . . . . . . . . . . . . . . . . . . 11
1.5 Ανεξάρτητα γεγονότα . . . . . . . . . . . . . . . . . . . 17
1.6 Συνδυαστική ανάλυση . . . . . . . . . . . . . . . . . . . 19
1.6.1 Συνδυασμοί - διατάξεις - μεταθέσεις . . . . . . . . 20
1.6.2 Δειγματοληψία χωρίς επανάθεση . . . . . . . . . . 20
1.6.3 Δειγματοληψία με επανάθεση . . . . . . . . . . . 21
1.7 Ασκήσεις . . . . . . . . . . . . . . . . . . . . . . . . . . 27
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
2.1.3 Προσέγγιση της διωνυμικής κατανομής από την

κατανομή Poisson . . . . . . . . . . . . . . . . . 36
2.1.4 Υπεργεωμετρική κατανομή . . . . . . . . . . . . . 37
2.2 Μέση τιμή διακριτών τυχαίων μεταβλητών . . . . . . . . . 37
2.3 Διασπορά - απόκλιση . . . . . . . . . . . . . . . . . . . . 39
2.4 Συνεχείς τυχαίες μεταβλητές . . . . . . . . . . . . . . . 41
2.5 Μέση τιμή συνεχούς τυχαίας μεταβλητής . . . . . . . . . 42
2.5.1 Κανονική κατανομή . . . . . . . . . . . . . . . . 43
2.5.2 Η εκθετική πυκνότητα . . . . . . . . . . . . . . . 45
2.5.3 Πυκνότητα Γάμμα . . . . . . . . . . . . . . . . . 46
2.6 Ανεξάρτητες τυχαίες μεταβλητές . . . . . . . . . . . . . 47
2.7 Χαρακτηριστική συνάρτηση . . . . . . . . . . . . . . . . 59
2.7.1 Τύπος της αντιστροφής . . . . . . . . . . . . . . 59
2.7.2 Βασικές ιδιότητες . . . . . . . . . . . . . . . . . 60
2.8 Ροπογεννήτριες . . . . . . . . . . . . . . . . . . . . . . 63
2.9 Δυο βασικά θεωρήματα . . . . . . . . . . . . . . . . . . 64
2.10 Εφαρμογές . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.10.1 Εντροπία . . . . . . . . . . . . . . . . . . . . . . 64
2.10.2 Τυχαία σήματα . . . . . . . . . . . . . . . . . . . 66
2.11 Ασκήσεις . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Βιβλιογραφία 69
Πρόλογος
Η Θεωρία των Πιθανοτήτων είναι ένας κλάδος των Μαθηματικών και

ασχολείται με τη μελέτη των τυχαίων φαινομένων. Εκτός από το θεωρητι-
κό ενδιαφέρον παρουσιάζει και πολλές εφαρμογές σε διάφορες επιστήμες
όπως η Ιατρική, η Φυσική, η Οικονομία, η Θεωρία σημάτων, τα Δύκτια
Επικοινωνιών κ.λ.π.. Σκοπός των σημειώσεων είναι να βοηθήσουν τους
φοιτητές του Τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών Υ-
πολογιστών της Πολυτεχικής Σχολής του Πανεπιστημίου Δυτικής Μα-
κεδονίας στο μάθημα Πιθανότητες και Στατιστική. Περιέχουν τη βασική
θεωρία των Πιθανοτήτων και κάποιες εφαρμογές αυτής στην εντροπία,
τους κώδικες και τον θόρυβο. Αναφέρουμε ότι κατά τη μετάδοση ενός
σήματος μέσα από ένα σύστημα συνήθως επιδρά κάποιος θόρυβος ο οπο-
ίος δεν μπορεί να μοντελαριστεί. Για τη μελέτη τέτοιων σημάτων κάνουμε
χρήση της θεωρία των στοχαστικών σημάτων η οποία βασίζεται στη θε-
ωρία των πιθανοτήτων.
Με τη θεωρία των Πιθανοτήτων αχολήθηκαν από τους αρχαίους χρό-
νους οι Αιγύπτιοι, οι ΄Ελληνες, οι Ρωμαίοι, οι Ινδοί στην προσπάθειά
τους να προγνώσουν τον καιρό, την υπερχείλιση των ποταμών κ.λ.π. και
βασιζόταν σε προηγούμενες παρατηρήσεις.
Σημαντική είναι η συμβολή των Galileo, Pascal, Fermat, Huygens,
Bernoulli, Bayes, Euler, LaPlace, Gauss, Poisson καθώς επίσης των
Φυσικών Boltzman, Brown, Gibbs, Maxwell (16ος αιώνας - 19ος αι-
ώνας).
v
vi ΠΕΡΙΕΧΟΜΕΝΑ
Τέλος αναφέρουμε τη Ρωσική σχολή (19ος αιώνας) με τους Lobache-

vsky, Chebychev, Markov και βέβαια τον Kolmogorov (1903 - 1987)
που θεωρείται ο θεμελιωτής της αξιωματικής θεωρίας των Πιθανοτήτων
(1933).
Σε κάθε Κεφάλαιο περιέχονται λυμένα παραδείγματα που βοηθούν
στην καλύτερη κατανόηση της θεωρίας καθώς και άλυτες ασκήσεις.
Οι σημειώσεις είναι γραμμένες σε LATEX και τα σχήματα σε Mathe-
matica.
Κεφάλαιο 1
Εισαγωγή στις Πιθανότητες
1.1 Εισαγωγή
Πείραμα τύχης θα λέμε κάθε διαδικασία που γίνεται κάτω από κάποιες
συνθήκες και το αποτέλεσμα αυτής δεν είναι γνωστό πριν γίνει.
Παράδειγμα 1.1 (i) Η ρίψη ενός ζαριού

(ii) Η κλήρωση του λόττο
(iii) Η ρίψη ενός νομίσματος
(iv) Η ρίψη ενός νομίσματος μέχρι να εμφανιστεί η ένδειξη γράμματα
(v) Το τράβηγμα ενός τραπουλόχαρτου
(vi) Η διάρκεια μιας τηλεφωνικής συνδιάλεξης
(vii) Η καταγραφή του ύψους των ατόμων μιας αίθουσας
(viii) Η διάρκεια ζωής μιας ηλεκτρικής λάμπας.
Λέμε δειγματικό χώρο ή δειγματοχώρο και τον συμβολίζουμε με Ω το

σύνολο όλων των δυνατών αποτελεσμάτων ενός πειράματος τύχης.
Παράδειγμα 1.2 Ρίχνουμε ένα νόμισμα δύο φορές. Συμβολίζουμε με

Κ το αποτέλεσμα να εμφανιστεί κορώνα και με Γ το αποτέλεσμα να εμφα-
νιστούν γράμματα. ΄Εχουμε ένα πείραμα τύχης με δειγματοχώρο
Ω = {KK, KΓ, ΓK, ΓΓ}.
1
2 ΚΕΦΑΛΑΙΟ 1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ
Παράδειγμα 1.3 Ρίχνουμε ένα ζάρι μία φορά. Τότε ο δειγματοχώρος

είναι
Ω = {1, 2, 3, 4, 5, 6}.
Παράδειγμα 1.4 Ο δειγματοχώρος του Παραδείγματος 1.2 (iv) είναι

Ω = {Γ, KΓ, KKΓ, KKKΓ, . . .}.
Παράδειγμα 1.5 Ο δειγματοχώρος του Παραδείγματος 1.2 (viii) είναι

Ω = {x ∈ R : x ≥ 0}.
Ο δειγματοχώρος Ω μπορεί να είναι πεπερασμένος (βλ. Παραδ. 1.2, 1.3 )

ή άπειρο αριθμήσιμο (υπάρχει αντιστοιχία 1 - 1 με το σύνολο των φυσικών
αριθμών) (βλ. Παραδ. 1.4) ή άπειρο μη αριθμήσιμο και λέγεται συνεχές
(βλ. Παραδ. 1.5). Στις δύο πρώτες περιπτώσεις λέμε ότι έχουμε ένα
διακριτό δειγματοχώρο ενώ στην τρίτη ότι έχουμε συνεχή.
Κάθε δυνατό αποτέλεσμα ενός πειράματος τύχης λέγεται απλό γεγο-
νός ή απλό ενδεχόμενο. Συνήθως το συμβολίζουμε με τα μικρά γράμματα
ω, σ, κ.λ.π..
Μια ένωση από απλά ενδεχόμενα (ένα υποσύνολο του Ω) λέγεται γε-
γονός ή ενδεχόμενο και συνήθως συμβολίζεται με τα κεφαλαία γράμματα
Α, Β, κ.λ.π..
Το Ω λέγεται βέβαιο γεγονός και το ∅ λέγεται αδύνατο γεγονός.
Παράδειγμα 1.6 Απλά γεγονότα στο παράδειγμα 2 είναι τα

{KK} {KΓ} {ΓK} {ΓΓ}
΄Ενα γεγονός είναι το
A = {Στη πρώτη ρίψη να έρθει Κ }
Είναι φανερό ότι
A = {KK, KΓ}.
1.2. ΒΑΣΙΚΗ ΘΕΩΡΙΑ ΣΥΝΟΛΩΝ 3
1.2 Βασική θεωρία συνόλων
Σ΄ αυτή την παράγραφο αναφέρουμε μερικές έννοιες από τη θεωρία συ-

νόλων. Αυτό γιατί οι πράξεις μεταξύ των γεγονότων εκφράζονται με
πράξεις μεταξύ συνόλων.
Ισότητα. Λέμε ότι τα γεγονότα A, B είναι ίσα, γράφουμε A = B,
αν όταν συμβαίνει το A συμβαίνει και το B και αντίστροφα.
Τομή. Είναι το σύνολο που αποτελείται από τα απλά γεγονότα που
ανήκουν ταυτόχρονα και στο A και στο B,
A ∩ B = {ω ∈ Ω : ω ∈ A και ω ∈ B}.
Το A ∩ B είναι το γεγονός που συμβαίνει όταν συμβαίνουν ταυτόχρονα
τα γεγονότα A και B. Συνήθως γράφουμε AB αντί A ∩ B. Αν τα A
και B δεν έχουν κανένα κοινό σημείο τότε AB = ∅ και λέγονται ξένα ή
ασυμβίβαστα.
΄Ενωση. Είναι το σύνολο των απλών γεγονότων που ανήκουν στο
ένα ή στο άλλο ή και στα δύο μαζί, γράφουμε
A ∪ B = {ω ∈ Ω : ω ∈ A η ω ∈ B}.
Δηλαδή είναι το γεγονός που συμβαίνει όταν συμβαίνει τουλάχιστον ένα
από τα γεγονότα A και B.
Συμπλήρωμα του A, συμβολίζεται με Ac και αποτελείται από όλα
τα σημεία του Ω που δεν ανήκουν στο A,
Ac = {ω ∈ Ω : ω 6∈ A}.
Λέμε ότι συμβαίνει το Ac αν και μόνον αν δεν συμβαίνει το A.
Διαφορά του B από το A, συμβολίζεται με A−B και αποτελείται
από όλα τα σημεία του A που δεν ανήκουν στο B,
A − B = A ∩ B c.
Λέμε ότι συμβαίνει το A αλλά όχι το B.
Συμμετρική διαφορά. Συμβαίνει ακριβώς τότε όταν συμβαίνει ένα

από τα A, B Συμβολίζεται με
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
για το σύνολο των σημείων που ανήκουν σε κάποιο από τα An , n =

1, 2, . . . , N . Επίσης γράφουμε
∞
∪ An = A1 ∪ A2 ∪ . . .
n=1
για το σύνολο των σημείων που ανήκουν σε κάποιο από τα An , n =

1, 2, . . . , (τουλάχιστον ένα από τα An ).
Ανάλογα έχουμε τους συμβολισμούς:
N
∩ An = A1 ∩ A2 ∩ . . . ∩ AN ,
n=1
δηλαδή το σύνολο των σημείων που ανήκουν σε κάθε σύνολο An , με

n = 1, 2, . . . , N και
∞
∩ An = A1 ∩ A2 ∩ . . . ,
n=1
δηλαδή το σύνολο των σημείων που ανήκουν σε κάθε σύνολο An , με

n = 1, 2, . . ..
1.3 Αξιωματική θεωρία των πιθανοτήτων
΄Εστω Ω ο δειγματοχώρος ενός πειράματος τύχης. Η έννοια της πιθα-

νότητας γενικά δεν ορίζεται σε κάθε υποσύνολο του Ω (μπορεί το Ω να
είναι άπειρο). Για το λόγο αυτό περιοριζόμαστε σε κατάλληλο υποσύνολο
του συνόλου των υποσυνόλων του Ω. Αυτό λέγεται σ-άλγεβρα υποσυ-
νόλων του Ω. Δεν θα ασχοληθούμε μ΄ αυτό που έχει κυρίως μαθηματικό
ενδιαφέρον. Αναφέρουμε μόνο ότι η σ-άλγεβρα είναι κλειστή ως προς τα
συμπληρώματα και ως προς την αριθμήσιμη ένωση συνόλων.
Ορισμός 1.3.1 Ονομάζουμε χώρο πιθανότητας μια τριάδα (Ω, F, P )

όπου Ω ένα μη κενό σύνολο, F είναι μια σ-άλγεβρα υποσυνόλων του Ω
και P είναι μια συνολοσυνάρτηση που τη λέμε πιθανότητα και πληρεί τα
ακόλουθα:
(i) 0 ≤ P (A), για κάθε A ∈ F (μη αρνητική).

(ii) P (Ω) = 1.
(iii) Αν Aj ∈ F, j = 1, 2, . . . και Ai ∩ Aj = ∅, i 6= j τότε
∞
∞ X
P ( ∪ Aj ) = P (Aj )
j=1
j=1
(αριθμήσιμα προσθετική).
’μεση συνέπεια του ορισμού είναι οι ακόλουθες ιδιότητες:
Ιδιότητες.
(i) P (A) ≤ 1
(ii) P (∅) = 0
(iii) P (Ac ) = 1 − P (A)
(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).
(vi) Γενικότερα, αν A, B ∈ F, τότε
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Στην περίπτωση που ο δειγματοχώρος είναι πεπερασμένος και κάθε

απλό γεγονός έχει την ίδια δυνατότητα να συμβεί, η πιθανότητα του εν-
δεχόμενου A ορίζεται από τη σχέση:
αριθμός των απλών γεγονότων του Α X
P (A) = = P ({ωi }).
πλήθος στοιχείων του Ω
ωi ∈A
Παράδειγμα 1.7 Ρίχνουμε ένα νόμισμα 3 φορές.

(i) Να βρεθεί η πιθανότητα ώστε να έχουμε ακριβώς μια κορώνα.
(ii) Να βρεθεί η πιθανότητα ώστε να έχουμε άρτιο αριθμό γραμμάτων.
Συμβολίζουμε με Κ το απλό γεγονός να έρθει κορώνα και με Γ το

απλό γεγονός να έρθει γράμμα. Ο δειγματοχώρος μας είναι ο
Ω = {KKK, KKΓ, KΓK, KΓΓ, ΓKK, ΓKΓ, ΓΓK, ΓΓΓ}
Υποθέτουμε ότι το κάθε ένα από τα απλά ενδεχόμενα είναι ισοπίθανα.

(i) Αν
A = {ακριβώς μια κορώνα}
τότε
A = {KΓΓ, ΓKΓ, ΓΓK}
και άρα
3
P (A) = .
8
(ii) Αν
B = {άρτιος αριθμός γραμμάτων}
τότε
B = {KKK, KΓΓ, ΓKΓ, ΓΓK}
και άρα
4
P (B) = .
8
Παράδειγμα 1.8 Σε ένα μεγάλο πλήθος φοιτητών διαπιστώθηκε ότι

το 45% των φοιτητών είχε αποτύχει στο μάθημα της Ανάλυσης, το 35%
των φοιτητών είχε αποτύχει στο μάθημα της Στατιστικής και το 20%
των φοιτητών είχε αποτύχει και στα δύο μαθήματα. Να υπολογιστεί η
πιθανότητα των ενδεχομένων:
(i) Ο φοιτητής να έχει αποτύχει σε κάποιο μάθημα.
(ii) Ο φοιτητής να έχει επιτύχει και στα δύο μαθήματα.
(iii) Ο φοιτητής να έχει αποτύχει στο μάθημα της Ανάλυσης, αλλά να

έχει επιτύχει στο μάθημα της Στατιστικής.
(iv) Ο φοιτητής ή έχει αποτύχει στο μάθημα της Ανάλυσης ή έχει επι-
τύχει στο μάθημα της Στατιστικής.
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.
(i) Το ενδεχόμενο ο φοιτητής να έχει αποτύχει σε κάποιο μάθημα είναι

το A ∪ Σ και άρα
P (A ∪ Σ) = P (A) + P (Σ) − P (A ∩ Σ) = 0, 45 − 0, 35 − 0, 20 = 0, 60.
(ii) Το ενδεχόμενο ο φοιτητής να έχει επιτύχει και στα δύο μαθήματα

είναι το Ac ∩ Σc και άρα
P (Ac ∩ Σc ) = P ((A ∪ Σ)c ) = 1 − P (A ∪ Σ) = 1 − 0, 60 = 0, 40.
(iii) Το ενδεχόμενο ο φοιτητής να έχει αποτύχει στο μάθημα της Ανάλυ-

σης, αλλά να έχει επιτύχει στο μάθημα της Στατιστικής είναι το A ∩ Σc
και άρα
P (A ∩ Σc ) = P (A) − P (A ∩ Σ) = 0, 45 − 0, 20 = 0, 25.
(iv) Το ενδεχόμενο ο φοιτητής ή έχει αποτύχει στο μάθημα της Ανάλυ-

σης ή έχει επιτύχει στο μάθημα της Στατιστικής είναι το A ∪ Σc και
άρα
P (A ∪ Σc ) = P (A) + P (Σc ) − P (A ∩ Σc )
= 0, 45 + (1 − 0, 35) − 0, 25 = 0, 85.
Παράδειγμα 1.9 Δίνεται ο δειγματοχώρος

Ω = {1, 2, . . .}
και η συνάρτηση πιθανότητας σ΄ αυτόν που ορίζεται από τη σχέση
1
P (n) = .
2n
Να βρεθεί η πιθανότητα του γεγονότος να έχουμε περιττό αριθμό.
Θέλουμε να βρούμε την πιθανότητα του γεγονότος

A = {1, 3, 5, . . .}
Από τον ορισμό της πιθανότητας προκύπτει ότι
P (A) = P (1) + P (3) + P (5) + . . .
X∞
= P (2j − 1)
j=1
∞
X 1 2
= = .
j=1
22j−1 3
Μπορεί κανείς να υπολογίσει την πιθανότητα να είναι άρτιος (Ac ) είτε με

ανάλογη διαδικασία είτε χρησιμοποιώντας την ιδιότητα
1
P (Ac ) = 1 − P (A) = .
3
Παράδειγμα 1.10 Ρίχνουμε 1 κανονικό ζάρι 2 φορές. Να βρεθεί ο

δειγματοχώρος καθώς και οι πιθανότητες των γεγονότων.
(i) A = {εμφανίζεται ακριβώς ένα έξι}
(ii) B = {το άθροισμα των ενδείξεων των δύο ζαριών είναι επτά}
(iii)
Γ = {το ένα ζάρι φέρει τουλάχιστον 5 ενώ το άλλο τουλάχιστον 4}
Από τη ρίψη των ζαριών προκύπτουν τα απλά ενδεχόμενα που τα συμ-

βολίζουμε με τα διατεταγμένα ζεύγη (a, b) όπου το a είναι η ένδειξη του
πρώτου ζαριού και b η ένδειξη του δεύτερου. Ο δειγματοχώρος μας λοι-
πόν είναι
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)}.
Οι αντίστοιχες πιθανότητες είναι
10 6 8
P (A) = , P (B) = , P (Γ) = .
36 36 36
Παρατήρηση. Αν
Ak = {το άθροισμα των ενδείξεων των δύο ζαριών είναι k},
k = 2, 3, . . . 12, τότε μπορεί να δει κανείς ότι

( k−1
36 αν k = 2, . . . , 7,
P (Ak ) = 12−(k−1)
36 αν k = 7, . . . , 12.
Από τις παραπάνω πιθανότητες μπορούμε εύκολα να διαπιστώσουμε ότι
η P (A7 ) = 61 , είναι η πιο μεγάλη.
1.4. ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ 11
1.4 Δεσμευμένη πιθανότητα
΄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.
Ορισμός 1.4.1 Ονομάζουμε δεσμευμένη πιθανότητα ή υπό συνθήκη

πιθανότητα του A δεδομένου του B και τη συμβολίζουμε με P (A|B) την
πιθανότητα να συμβεί το A υπό την συνθήκη ότι έχει πραγματοποιηθεί το
B. Αν P (B) > 0 τότε
P (A ∩ B)
P (A|B) = .
P (B)
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)
Θεώρημα 1.4.2 (Θεώρημα ολικής πιθανότητας.) Αν Ak ∈

F, k = 1, 2, . . . , n, είναι μια διαμέριση του Ω (Ak ∩ Ai = ∅, i 6= k και
∪nk=1 Ak = Ω) με P (Ak ) > 0 για κάθε k = 1, . . . , n, τότε για κάθε
B ∈ F έχουμε ότι
n
X
P (B) = P (B|Ak )P (Ak ).
k=1
Ειδικότερα άν 0 < P (A) < 1 τότε
P (B) = P (B|A)P (A) + P (B|Ac )P (Ac ).
Θεώρημα 1.4.3 (Θεώρημα του Bayes.) Με τις προϋποθέσεις

του προηγούμενου θεωρήματος και P (B) > 0, έχουμε ότι για κάθε
Aj , j = 1, . . . , n, ισχύει
P (B|Aj )P (Aj )
P (Aj |B) = Pn .
k=1 P (B|Ak )P (Ak )
Παράδειγμα 1.11 Στις οικογένειες με τρία παιδιά έστω Α το ενδε-

χόμενο να υπάρχουν 2 τουλάχιστον κορίτσια και Β το ενδεχόμενο να είναι
κορίτσι το πρώτο παιδί. Να βρεθεί η πιθανότητα P (A|B).
Λύση. Ο δειγματοχώρος είναι
Ω = {AAA, AAK, AKA, AKK, KAA, KAK, KKA, KKK}
και τα γεγονότα
A = {AKK, KAK, KKA, KKK},
B = {KAA, KAK, KKA, KKK}

ενώ
A ∩ B = {KAK, KKA, KKK}.
Είναι φανερό ότι έχουμε
4 1 3
P (A) = P (B) = = και P (AB) = .
8 2 8
’ρα
P (AB) 3
P (A|B) = = .
P (B) 4
Παράδειγμα 1.12 Ρίχνουμε ένα νόμισμα δύο φορές. Να βρεθεί η

πιθανότητα να έρθουν δύο κορώνες αν ξέρουμε ότι
(i) Η πρώτη είναι κορώνα.
(ii) Τουλάχιστον μια φορά έχει εμφανιστεί κορώνα.
Ω = {KK, KΓ, ΓK, ΓΓ}
΄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
Παράδειγμα 1.13 Σε ένα δοχείο υπάρχουν δύο νομίσματα. Το πρώτο

είναι γνήσιο το δεύτερο κάλπικο και έχει πιθανότητα εμφάνισης κορώνας
1/3 και γραμμάτων 2/3. Παίρνουμε τυχαία ένα από τα δύο νομίσματα και
το ρίχνουμε. Να βρεθεί η πιθανότητα να έχουμε πάρει το γνήσιο νόμισμα
αν ξέρουμε ότι κατά τη ρίψη του εμφανίστηκε κορώνα.

Ω = {K1 , Γ1 , K2 , Γ2 }
όπου Ki , Gi είναι η εμφάνιση κορώνας και γραμμάτων αντίστοιχα από το
i νόμισμα i = 1, 2. ΄Εστω
K = {K1 , K2 },
το ενδεχόμενο να εμφανιστεί κορώνα,
Γ = {Γ1 , Γ2 },
το ενδεχόμενο να εμφανιστούν γράμματα
N1 = {K1 , Γ1 },
το ενδεχόμενο να έχουμε το πρώτο νόμισμα και
N2 = {K2 , Γ2 },
το ενδεχόμενο να έχουμε το δεύτερο νόμισμα. Από την υπόθεση έχουμε
ότι
1
P (N1 ) = P (N2 ) = ,
2
1
P (K1 |N1 ) = P (Γ1 |N1 ) = ,
2
1 2
P (K2 |N2 ) = , P (Γ2 |N2 ) = .
3 3
και άρα λόγω της σχέσης
P (K1 ∩ N1 ) P (K1 ) 1
P (K1 |N1 ) = = =
P (N1 ) 1/2 2
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.
Παράδειγμα 1.14 Δίνεται ότι

1 1 1
P (T1 ) = , P (T2 ) = , P (T3 ) = .
2 4 4
Επίσης
3 4 5
P (W |T1 ) = , P (W |T2 ) = , P (W |T3 ) = .
10 10 10
Να βρεθεί η P (W ) και η P (T1 |W ).
Λύση. Από το θεώρημα ολικής πιθανότητας έχουμε ότι

P (W ) = P (W |T1 )P (T1 ) + P (W |T2 )P (T2 ) + P (W |T3 )P (T3 )
3 1 4 1 5 1
= × + × + × = 0.375.
10 2 10 4 10 4
Κάνοντας χρήση του τύπου του Bayes έχουμε ότι
3 1
P (W |T1 )P (T1 ) 10 × 2
P (T1 |W ) = = = 0.4.
P (W ) 0.375
Παράδειγμα 1.15 Μια βιομηχανία προμηθεύεται κινητήρες από τρεις

διαφορετικές εταιρείες Α, Β και Γ σε ποσοστά 30%, 20% και 50%, α-
ντίστοιχα. Από την εταιρεία Α το 3% είναι ελαττωματικοί, από τη Β το
1% και από τη Γ το 4%.
(i) Ποιά είναι η πιθανότητα να είναι ένας κινητήρας της βιομηχανίας ε-
λαττωματικός;
(ii) Αν ο κινητήρας είναι ελαττωματικός ποιά είναι η πιθανότητα να προ-
έρχεται από την εταιρεία Γ;
(iii) Αν ο κινητήρας δεν είναι ελαττωματικός ποιά είναι η πιθανότητα να
προέρχεται από την εταιρεία Β;
Θεωρούμε τα ακόλουθα ενδεχόμενα:

A = {ο κινητήρας είναι από το εργοστάσιο Α},
B = {ο κινητήρας είναι από το εργοστάσιο Β},
Γ = {ο κινητήρας είναι από το εργοστάσιο Γ},
E = {ο κινητήρας είναι ελαττωματικός }.
(i) ΄Εχουμε ότι
P (A) = 0, 30, P (B) = 0, 20, P (Γ) = 0, 50
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:
P (E) = P (E|A)P (A) + P (E|B)P (B) + P (E|Γ)P (Γ)

= 0, 03 · 0, 3 + 0, 01 · 0, 2 + 0, 04 · 0, 5
= 0, 031 = 3, 1%.
’ρα η πιθανότητα να είναι ένας κινητήρας της βιομηχανίας ελαττωματικός

είναι 3,1
1.5. ΑΝΕΞΑΡΤΗΤΑ ΓΕΓΟΝΟΤΑ 17
(ii) Πρέπει να υπολογίσουμε την πιθανότητα P (Γ|E). Από το τύπο του

Bayes έχουμε ότι
P (E|Γ)P (Γ) 0, 04 · 0, 5 20
P (Γ|E) = = = .
P (E) 0, 031 31
’ρα η πιθανότητα ο κινητήρας να προέρχεται από την εταιρεία Γ όταν είναι
ελαττωματικός είναι 20
31 , δηλαδή 64, 5%.
(iii) Πρέπει να υπολογίσουμε την πιθανότητα P (B|E c ). Από το τύπο του

Bayes έχουμε ότι
c P (E c |B)P (B) (1 − P (E|B))P (B)
P (B|E ) = =
P (E c ) 1 − P (E)
0, 99 · 0, 2
= = 0, 2043 = 20, 43%.
0, 969
Δηλαδή η πιθανότητα ο κινητήρας να προέρχεται από την εταιρεία Β όταν

δεν είναι ελαττωματικός είναι 20, 43%.
1.5 Ανεξάρτητα γεγονότα
Η έννοια της ανεξαρτησίας είναι θεμελιώδους σημασίας και είναι εκείνη

που διαφοροποιεί την Θεωρία των Πιθανοτήτων από τη Θεωρία Μέτρου.
Ορισμός 1.5.1 Δύο γεγονότα A, B λέγονται ανεξάρτητα αν

P (AB) = P (A)P (B).
Παρατήρηση. Αν τα A, B είναι ανεξάρτητα και P (B) > 0 τότε

P (A|B) = P (A).
Αυτό σημαίνει ότι η γνώση της πραγματοποίησης του γεγονότος A δεν
δίνει επιπλέων πληροφορίες για την εμφάνιση του γεγονότος B.
Ο προηγούμενος ορισμός επεκτείνεται και στη περίπτωση που έχουμε
περισσότερα από δύο γεγονότα.
Ορισμός 1.5.2 Τα γεγονότα Aj , j = 1, . . . , n λέγονται αναξάρτητα

αν Y
P ( ∩ Aj ) = P (Aj )
j∈I
j∈I
για κάθε συλλογή δεικτών I ⊆ {1, . . . , n}.
Παράδειγμα 1.16 Ρίχνουμε ένα νόμισμα δύο φορές. Να εξεταστεί η

ανεξαρτησία των γεγονότων A και B, όπου
A = { διαφορετική εμφάνιση και στις δύο ρίψεις },
B = {εμφάνιση κορώνας στη δεύτερη ρίψη}.
Είναι φανερό ότι

A = {ΓK, KΓ},
B = {KK, ΓK}.
AB = {ΓK}.
Οπότε
P (A) = P (B) = 1/2
P (AB) = 1/4 = P (A)P (B)
και άρα είναι ανεξάρτητα.
1.6. ΣΥΝΔΥΑΣΤΙΚΗ ΑΝΑΛΥΣΗ 19
1.6 Συνδυαστική ανάλυση
Σ΄ αυτή την παράγραφο θα δούμε πως μπορούμε να υπολογίσουμε τις

πιθανότητες γεγονότων σε πεπερασμένο δειγματικό χώρο στον οποίο τα
απλά γεγονότα είναι ισοπίθανα.
Βασική αρχή απαριθμήσεως. Υποθέτουμε ότι έχουμε μια δια-
δικασία που ολοκληρώνεται σε r βήματα. Το κάθε βήμα εκτελείται με
n
Qi rδιαφορετικούς τρόπους. Τότε η διαδικασία μπορεί να ολοκληρωθεί με
i=1 ni διαφορετικούς τρόπους.
Παράδειγμα 1.17 Να υπολογιστεί ο αριθμός των στηλών που πρέπει

να συμπληρωθούν στο ΠΡΟ-ΠΟ ώστε το 13-άρι να είναι σίγουρο.
Κάθε στήλη μπορεί να συμπληρωθεί με 3 τρόπους. ’ρα σύμφωνα με το

παραπάνω πρέπει να συμπληρώσουμε
313 = 1.594.323 στήλες.
Παράδειγμα 1.18 Σε μια βιβλιοθήκη υπάρχουν 5 βιβλία Μαθηματι-

κών, 10 Φυσικής και 4 Χημείας. Πόσες διαφορετικές τριάδες βιβλίων
μπορεί να πάρει κανείς παίρνοντας ένα βιβλίο από κάθε θέμα.
Από την αρχή της απαρίθμησης το ζητούμενος αριθμός είναι
5 × 10 × 4 = 200.
Παράδειγμα 1.19 Η κατασκευή ενός προϊόντος γίνεται σε τέσσερα

στάδια. Για το πρώτο στάδιο υπάρχουν 7 ίδιες μηχανές, για το δεύτερο
4, για το τρίτο 5 και το τέταρτο 2. Να βρεθεί το πλήθος των δυνατών
τρόπων που μπορεί να κατασκευαστεί ένα προϊόν.
΄Εχουμε ότι
n1 = 7, n2 = 4, n3 = 5, n4 = 2.
Από τη βασική αρχή της απαρίθμησης έχουμε ότι πλήθος των δυνατών
διαδρομών είναι ίσο με
n1 · n2 · n3 · n4 = 7 · 4 · 5 · 2 = 280.
1.6.1 Συνδυασμοί - διατάξεις - μεταθέσεις
΄Εστω ένα σύνολο n αντικειμένων διακεκριμένων μεταξύ τους.

Αν κάνουμε μια συλλογή πλήθους k από αυτά χωρίς να μας ενδιαφέρει
η σειρά των αντικειμένων στη συλλογή τότε λέμε ότι έχουμε ένα συν-
δυασμό (combination). Αν μας ενδιαφέρει η σειρά των αντικειμένων
στη συλλογή τότε λέμε ότι έχουμε μια διάταξη (permutation). Αν στη
διάταξη k = n τότε λέμε ότι έχουμε μια μετάθεση. Αν στην παραπάνω
συλλογή επιτρέπουμε την επανάληψη αντικειμένων τότε λέμε ότι έχουμε
συνδυασμό - διάταξη - μετάθεση με επανάθεση (επανατοποθέτηση)
αντίστοιχα.
1.6.2 Δειγματοληψία χωρίς επανάθεση
΄Εχουμε μια συλλογή n αριθμημένων αντικειμένων από το ένα μέχρι το

n. Παίρνουμε k από αυτά χωρίς επανάθεση (κάθε ένα από αυτά που
βγάζουμε δεν το ξαναβάζουμε στη συλλογή).
Σχηματίζουμε μια διάταξη (μας ενδιαφέρει η σειρά). Τότε το πρώτο
αντικείμενο επιλέγεται με n δυνατότητες, το δεύτερο με n−1 δυνατότητες
και τελικά το k επιλέγεται με n − (k + 1) δυνατότητες. Σύμφωνα με τη
θεμελιώδη αρχή της απαρίθμησης έχουμε ότι ο αριθμός των διαφορετικών
συλλογών με k αντικείμενα θα είναι
n!
n(n − 1) . . . (n − k + 1) = = (n)k .
(n − k)!
n!
΄Εχουμε δηλαδή ότι οι διατάξεις των n αντικειμένων ανά k είναι (n−k)! .
Είναι φανερό ότι των μεταθέσεων θα είναι n!.
Συνδυασμοί (δε μας ενδιαφέρει η διάταξη). Από κάθε συνδυασμό

και μεταθέτοντας τα k αντικείμενα παίρνουμε k! διαφορετικές διατάξεις.
n!
Επειδή το πλήθος των διατάξεων είναι (n−k)! προκύπτει ότι το πλήθος
των διαφορετικών συνδυασμών των n αντικειμένων ανά k είναι

n n!
= .
k k!(n − k)!
1.6.3 Δειγματοληψία με επανάθεση
Το πλήθος των διατάξεων με επανάληψη n αντικειμένων ανά k

είναι
nk
αφού κάθε αντικείμενο επιλέγεται με n διαφορετικούς τρόπους και σύμ-
φωνα με τη θεμελιώδη αρχή της απαρίθμησης έχουμε ότι ο αριθμός θα
είναι nk .
Αν θέλουμε να υπολογίσουμε τον αριθμό των συνδυασμών (δεν μας εν-
διαφέρει η διάταξη) n αντικειμένων ανά k με επανάληψη (κάθε αντικείμενο
το επανατοποθετούμε) τότε αποδεικνύεται ότι ο ζητούμενος αριθμός είναι

n+k−1
.
n−1
Τα παραπάνω συνοψίζονται στον ακόλουθο πίνακα.

n+k−1

nk n−1 Με επανάληψη
n! n

(n−k)! k Χωρίς επανάληψη
με διάταξη χωρίς διάταξη

Για τον υπολογισμό των παραγοντικών που εμφανίζονται στον υπο-

λογισμό των πιθανοτήτων μπορούμε να κάνουμε χρήση του τύπου του
Stirling √
n! ≈ nn e−n 2πn.
Παράδειγμα 1.20 Να υπολογίσεται τους διαφορετικούς τρόπους που

μπορούμε να τοποθετήσουμε 5 διαφορετικά γράμματα σε μία σειρά.
΄Εχουμε μετάθεση (μας ενδιαφέρει η σειρά και των πέντε γραμμάτων).

΄Οπότε το πλήθος των διαφορετικών τρόπων είναι
5! = 1 · 2 · 3 · 4 · 5 = 120.
Παράδειγμα 1.21 Να υπολογιστεί το πλήθος των διαφορετικών αριθ-

μών με δέκα ψηφία, που μπορούμε να σχηματίσουμε κάνοντας χρήση των
αριθμών 0, 1, 2, . . . , 9 χωρίς να επαναλαμβάνουμε κάποιο ψηφίο.
Ο πρώτος αριθμός έχει 9 επιλογές (όλες εκτός του 0). Ο δεύτερος

τις υπόλοιπες 9 επιλογές. Ο τρίτος τις υπόλοιπες 8 κλπ. Ο τελευταίος
θα έχει μια επιλογή (ο αριθμός που έχει μείνει). Αρα το πλήθος θα είναι
9 · 9 · 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 3265920.
β΄ τρόπος. Υπολογίζουμε τις διάταξεις των 10 αριθμών σε 10 θέσεις

(μας ενδιαφέρει η σειρά και δεν έχουμε επανάληψη). ΄Εχουμε μετάθεση
με πλήθος 10!. Το πλήθος των διατάξεων αυτών με πρώτο ψηφίο το 0
είναι πάλι μετάθεση με πλήθος 9!. Αρα το ζητούμενο πλήθος είναι ίσο με
10! − 9! = 3628800 − 362880 = 3265920.
΄Ομοια
10! − 9! = 10 · 9! − 9! = 9 · 9! = 9 · 9 · 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 3265920.
Παράδειγμα 1.22 Τοποθετούμε τους αριθμούς 1, 2, . . . , n τυχαία.

Ποιά η πιθανότητα οι αριθμοί 1 και 2 να είναι διαδοχικοί. ΄Ομοια για τους
αριθμούς k , k + 1, k + 2, (k + 2 ≤ n).
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)
Παράδειγμα 1.23 (Πρόβλημα των γενεθλίων). Σε μια αίθουσα υπάρ-

χουν N μαθητές. Επίσης κάθε μαθητής έχει γενέθλια σε μια από τις 365
μέρες και όλες οι μέρες είναι ισοπίθανες. Ποιά η πιθανότητα να υπάρχουν
2 τουλάχιστον μαθητές στην αίθουσα των οποιών τα γενέθλια να είναι την
ίδια μέρα.
΄Εστω A το γεγονός όλοι οι μαθητές να έχουν γενέθλια σε διαφορε-

τικές μέρες.
Οι δυνατές διατάξεις των N μαθητών είναι 365N (έχουμε επανάλη-
ψη) ενώ αυτές που δεν έχουμε επανάληψη (διαφορετική ημερομηνία τα
365!
γενέθλια) είναι (365)N = (365−N )! (όσες και οι διατάξεις). Η ζητούμενη
πιθανότητα είναι η
365!
p = 1 − P (A) = 1 − .
(365 − N )! 365N
Από τον πίνακα
N 4 16 22 23 40 64
p 0.016 0.284 0.476 0.507 0.891 0.997
έχουμε ότι συμφέρει κανείς να στοιχηματίσει σε μια αίθουσα τουλάχι-

στον 23 ατόμων. Διαισθητικά θα περίμενε κανείς να είναι μεγαλύτερος ο
αριθμός των μαθητών της αίθουσας.
Παράδειγμα 1.24 Σ΄ ένα κατάστημα πώλησης ηλεκτρονικών υπολο-

γιστών (H/Y) υπάρχουν διαθέσιμοι 15 H/Y από τους οποίους οι 4 είναι
ελαττωματικοί. ΄Ενα πελάτης αγοράζει τυχαία 3 υπολογιστές. Να βρεθούν
οι εξής πιθανότητες:
(i) Οι 3 H/Y να είναι ελαττωματικοί.
(ii) Δύο ακριβώς να είναι ελαττωματικοί.
Οι δυνατές επιλογές της αγοράς είναι ίσες με τους συνδυασμούς των 15

υπολογιστών ανά 3. Το πλήθος τους είναι ίσο με

15 15! 12! · 13 · 14 · 15
= = = 455.
3 3! (12)! 3! (12)!
(i) Από τους 4 ελαττωματικούς υπολογιστές πρέπει να επιλέξουμε τους

3 ενώ από τους 11 μη ελαττωματικούς κανέναν. Από τη βασική αρχή της
απαρίθμησης έχουμε ότι τα επιθυμητά αποτελέσματα είναι ίσα με

4 11 4! 11!
= · = 4 · 1 = 4.
3 0 3! 1! 0! (11)!
Επειδή τα απλά γεγονότα είναι ισοπίθανα, έχουμε ότι η ζητούμενη πιθα-

νότητα είναι ίση με
4
= 0, 0088 = 0, 88%.
455
(ii) Από τους 4 ελαττωματικούς υπολογιστές πρέπει να επιλέξουμε τους

2 ενώ από τους 11 μη ελαττωματικούς τους άλλους 2. ΄Ομοια με το (i)
έχουμε ότι τα επιθυμητά αποτελέσματα είναι ίσα με

4 11 4! 11!
= · = 6 · 11 = 66.
2 1 2! 2! 1! (10)!
και ότι η ζητούμενη πιθανότητα είναι ίση με
66
= 0, 145 = 1, 45%.
455
Παράδειγμα 1.25 Μια ομάδα μπάσκετ διαθέτει 12 παίκτες. Να υπο-

λογίσετε
(i) τις διαφορετικές 5άδες που μπορούν να σχηματιστούν,
(ii) τις διαφορετικές 5άδες μπορούν να σχηματιστούν γνωρίζοντας ότι
τρεις συγκεκριμένοι παίκτες θα συμμετέχουν οπωσδήποτε στην 5άδα,
(iii) τις διαφορετικές 5άδες μπορούν να σχηματιστούν θεωρώντας ότι ο
κάθε παίκτης μπορεί να παίξει σε οποιαδήποτε θέση.
(i) ΄Εχουμε συνδυασμούς των 12 παικτών ανά 5 (χωρίς επανάθεση και δε

μας ενδιαφέρει η διάταξη). Το πλήθος είναι ίσο με

12 12! 8 · 9 · 10 · 11 · 12
= = = 792.
5 5! 7! 1·2·3·4·5
(ii) Στην ομάδα θα τοποθετηθούν οι 2 παίκτες που θα επιλεγούν από

τους υπόλοιπους 9. Το πλήθος είναι ίσο με

9 9! 8·9
= = = 36.
2 2! 7! 1 · 2
(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)!
Παράδειγμα 1.26 Σε ένα κιβώτιο ανταλλακτικών υπάρχουν 20 καλά

και 7 ελαττωματικά. Παίρνουμε τυχαία 5 ανταλλακτικά χωρίς επανατοπο-
θέτηση.
(i) Ποιά η πιθανότητα τα 4 ακριβώς να είναι καλά;
(ii) Ποιά η πιθανότητα όλα να είναι ελαττωματικά;
(iii) Ποιά η πιθανότητα το πολύ 2 να είναι ελαττωματικά;
Οι δυνατές επιλογές είναι ίσες με τους συνδυασμούς των 27 (σύνολο

ανταλλακτικών) ανά 5. Το πλήθος είναι ίσο με

27 27! 22! · 23 · 24 · 25 · 26 · 27
= =
5 5! 22! 5! 22!
23 · 24 · 25 · 26 · 27
= = 80730.
1·2·3·4·5
(i) Από τα 7 ελαττωματικά πρέπει να επιλέξουμε το 1 ενώ από τα 20 καλά

τα 4. Από τη βασική αρχή της απαρίθμησης έχουμε ότι τα επιθυμητά
αποτελέσματα είναι ίσα με

7 20 7! 20!
= · = 7 · 4845 = 33915.
1 4 6! 1! 16! 4!
Επειδή τα απλά γεγονότα είναι ισοπίθανα, έχουμε ότι η ζητούμενη πιθα-

νότητα είναι ίση με
33915
= 0, 42 = 42%.
80730
(ii) Από τα 7 ελαττωματικά πρέπει να επιλέξουμε τα 5 ενώ από τα 20 καλά

κανένα. Από τη βασική αρχή της απαρίθμησης έχουμε ότι τα επιθυμητά
αποτελέσματα είναι ίσα με

7 20 7! 20!
= · = 21 · 1 = 21
5 0 5! 2! 20! 0!
και άρα η ζητούμενη πιθανότητα είναι ίση με
21
= 0, 00026 = 0, 026%.
80730
1.7. ΑΣΚΗΣΕΙΣ 27
(iii) Για να είναι το πολύ 2 ελαττωματικά, θα πρέπει να έχουμε κανένα,

ακριβώς ένα και ακριβώς 2 ελαττωματικά. Τα επιθυμητά αποτελέσματα
είναι ίσα με
7 20 7 20 7 20
+ +
0 5 1 4 2 3
και άρα η ζητούμενη πιθανότητα είναι ίση με
7 20 7 20 7 20

0 5 + 1 4 + 2 3 15504 + 33915 + 23940
27
=
5
80730
73359
= = 0, 9087 = 90, 87%.
80730
1.7 Ασκήσεις
1 Δείξτε ότι αν A, B είναι δύο ενδεχόμενα σε ένα χώρο πιθανότητας

(Ω, F, P ), τότε
(i) P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
(ii) P (A ∩ B) ≤ P (A) + P (B)
2 Δίνονται τα ενδεχόμενα A, B για τα οποία ισχύει

2 1
P (A) = P (B) = και P (A ∪ B) = .
5 2
Να βρεθεί η P (A ∩ B).

1 1 1
P (A) = P (A ∪ B) = και P (A ∩ B) = .
3 2 4
Να βρεθεί η P (B).

1 1
A ⊂ B, P (A) = και P (B) = .
5 4
Να βρεθούν οι P (A|B), P (B|A).
5 Να δείξετε ότι
P (ABΓ) = P (A|BΓ)P (BΓ)P (Γ).
6 Σε ένα δοχείο υπάρχουν 100 σφαιρίδια. Τα 4 είναι κόκκινα τα 2 πράσινα

και τα υπόλοιπα καφέ. Αν επιλέξουμε ένα σφαιρίδιο κατά τύχη να βρεθεί
η πιθανότητα ώστε το επιλεγόμενο να είναι (i) κόκκινο, (ii) πράσινο, (iii)
είτε κόκκινο είτε πράσινο.
7 Αν An , n = 1, . . . , n ανεξάρτητα γεγονότα τότε

n
n Y
P ( ∪ An ) = 1 − P (Acn )
n=1
n=1
8 Ρίχνουμε ένα ζάρι 2 φορές. Να εξεταστούν από πλευράς ανεξαρτησίας

τα ακόλουθα γεγονότα
(i) A1 = { άρτιος στη πρώτη ρίψη }.
(ii) A2 = { άρτιος στη δεύτερη ρίψη }.
(iii) A3 = { το άθροισμα των δύο ρίψεων είναι άρτιος }.
9 ΄Εχουμε 4 κουτιά με λάμπες. Το πρώτο έχει 2000 λάμπες και το 5%

είναι ελαττωματικές, το δεύτερο έχει 500 λάμπες και το 40% είναι ελατ-
τωματικές, το τρίτο έχει 1000 λάμπες και το 10% είναι ελαττωματικές,
το τέταρτο έχει 2000 λάμπες και το 10% είναι ελαττωματικές. Παίρνουμε
τυχαία ένα κουτί και από αυτό 1 λάμπα. Να βρεθεί:
(i) Η πιθανότητα να πάρουμε ελαττωματική λάμπα.
(ii) Αν έχουμε πάρει ελαττωματική λάμπα να βρεθεί η πιθανότητα να προ-
έρχεται από το δεύτερο κουτί.
10 Ο πληθυσμός μιας αίθουσας είναι 40% άντρες και 60% γυναίκες.

Υποθέτουμε ότι το 50% των ανδρών και το 30% των γυναικών καπνίζουν.
Να βρεθεί η πιθανότητα ένας καπνιστής να είναι άνδρας.
11 Ρίχνουμε δύο ζάρια. Ποιά η πιθανότητα να έρθει ακριβώς ένα 3.

Ποιά η πιθανότητα να έρθει ακριβώς ένα 3 όταν ξέρουμε ότι το άθροισμα
των ενδείξεων είναι 7.
12 Ρίχνουμε ένα αμερόληπτο ζάρι. Να βρεθεί η πιθανότητα να έρθει η

ένδειξη 6 όταν ξέρουμε ότι έχει έρθει άρτιος αριθμός.
13 ΄Ενα δοχείο έχει 3 κόκκινες σφαίρες και 2 πράσινες. Παίρνουμε διαδο-

χικά 2 σφαίρες. Να βρεθεί η πιθανότητα η πρώτη σφαίρα να είναι κόκκινη
και η δεύτερη να είναι πράσινη.
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.
15 Σ΄ ένα ραντεβού 2 ατόμων ο κάθε ένας αργεί τυχαία μέχρι 1 ώρα.

Αν ο καθένας περιμένει 15 λεπτά να βρεθεί η πιθανότητα να συναντηθούν.
16 Με πόσους τρόπους μπορούμε

να επιλέξουμε 5 ερωτήσεις από ένα
10
σύνολο 10 ερωτήσεων; (Απ. 5 ).
17 Να βρεθεί η πιθανότητα να φέρουμε δυο φορές γράμματα όταν ρίξου-

5 1 1

με ένα νόμισμα 5 φορές. (Απ. 2 22 25−2 ).
18 Ρίχνουμε 2 ζάρια 3 φορές. Να βρεθεί η πιθανότητα να φέρουμε

3 1 0 1 3

άθροισμα 7 τουλάχιστον 1 φορά. (Απ. διωνυμική, 0 ( 6 ) ( 6 ) ).
Κεφάλαιο 2
Τυχαίες μεταβλητές
2.1 Διακριτές τυχαίες μεταβλητές
Ορισμός 2.1.1 ΄Εστω (Ω, F, P ) είναι ένα χώρος πιθανότητας και X :

Ω → R μια συνάρτηση. Αν το πεδίο τιμών είναι πεπερασμένο ή αριθ-
μήσιμο, έστω {x1 , x2 , . . . , } και το σύνολο {ω ∈ Ω : X(ω) = xi } είναι
ενδεχόμενο για κάθε i, τότε λέμε ότι έχουμε μια διακριτή πραγματική
τυχαία μεταβλητή (τ.μ.).
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.
Παράδειγμα 2.2 Θεωρούμε το δειγματοχώρο που περιέχει όλα το η-

λεκτρονικών μηνυμάτων που στάλθηκαν σε μια μέρα στο δυαδύκτιο. Η
συνάρτηση που σε κάθε μήνυμα αντιστοιχεί τον αριθμό πχ. των χαρα-
κτήρων του έχει κάθε μήνυμα είναι μια τυχαία μεταβλητή. Μπορεί κανείς
να θεωρήσει και άλλες τ.μ. όπως την ώρα που αυτό στάλθηκε κλπ.
31
32 ΚΕΦΑΛΑΙΟ 2. ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ
Για μια τυχαία μεταβλητή και για το ενδεχόμενο

Ai = {ω ∈ Ω : X(ω) = xi }
ορίζεται η πιθανότητα P (Ai ).
Ορισμός 2.1.2 Η συνάρτηση

f (xi ) = P (Ai )
λέγεται διακριτή συνάρτηση πυκνότητας της X και η συνάρτηση
X
F (x) = f (y)
y≤x
λέγεται συνάρτηση κατανομής της X.
Ιδιότητες:
(i) f (xi ) ≥ 0,
X
(ii) f (xi ) = 1.
xi
Ορισμός 2.1.3 Η συνάρτηση f : R → R λέγεται διακριτή συνάρτηση

πυκνότητας αν ικανοποιεί τις δυο παραπάνω ιδιότητες.
Παράδειγμα 2.3 Η συνάρτηση πυκνότητας του Παραδείγματος 2.1

δίνεται από τη σχέση
1 1 1
f (0) = , f (1) = , f (2) =
4 2 4
και άρα η συνάρτηση κατανομής θα είναι η

 0 αν x < 0,
 1

F (x) = 4 αν 0 ≤ x < 1,
3
αν 1 ≤ x < 2,
 4


1 αν 2 ≤ x.
Η γραφική παράσταση της F δίνεται από το σχήμα 2.1.

2.1. ΔΙΑΚΡΙΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ 33
F
2
1.5
1
0.5
x
-1 1 2 3 4
-0.5
-1
Σχήμα 2.1: Η γραφική παράσταση της F .
2.1.1 Διωνυμική κατανομή
Ρίχνουμε ένα κέρμα n φορές. Υποθέτουμε ότι η πιθανότητα εμφάνισης

κορώνας είναι p και γραμμάτων 1 − p. ΄Εστω Sn είναι η τυχαία μεταβλητή
που δείχνει πόσες φορές εμφανίζεται κορώνα στις n ρίψεις. Είναι φανερό
ότι η τ.μ. παίρνει τιμές 0, 1, . . . , n. Αποδεικνύεται ότι

n k
P (Sn = k) = p (1 − p)n−k
k
και συνεπώς η συνάρτηση πυκνότητας f της Sn η οποία λέγεται και
διωνυμική πυκνότητα με παραμέτρους n και p και συμβολίζεται με B(n, p)
είναι η
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.
Παράδειγμα 2.4 Το 25% των εξεταζομένων σε ένα μάθημα αποτυγ-

χάνει. ΄Εστω X η τ.μ. που μετράει τον αριθμό των αποτυχόντων από ένα
πλήθος 50 εξεταζομένων. Να βρεθούν οι ακόλουθες πιθανότητες:

(i) P (X ≥ 1), (ii) P (X ≤ 17), (iii) P (5 ≤ X ≤ 20).
΄Εχουμε διωνυμική κατανομή με n = 50, p = 0.25. Οπότε έχουμε

(i)
P (X ≥ 1) = 1 − P (X = 0)

50
= 1− (0.25)0 (0.75)50 = 0.9999.
0
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
Παράδειγμα 2.5 Σε ένα τυχαίο δείγμα 5 ανταλλακτικών είναι γνωστό

ότι η πιθανότητα να μην υπάρχει ελαττωματικό ανταλλακτικό είναι ίση
με την πιθανότητα όλα τα ανταλλακτικά να είναι ελαττωματικά. Αν X
είναι η τυχαία μεταβλητή που δηλώνει τον αριθμό των ελαττωματικών
ανταλλακτικών στο δείγμα, να υπολογίσετε:
(i) Τη συνάρτηση πιθανότητας της X.
(ii) τη μέση τιμή E(X) και την τυπική απόκλιση σ της X.
(i) Η τυχαία μεταβλητή X που δηλώνει τον αριθμό των ελαττωματικών

ανταλλακτικών στο δείγμα των 5 ανταλλακτικών ακολουθεί τη διωνυμική
κατανομή με n = 5 και πιθανότητα να είναι το ανταλλακτικό ελαττωματι-
κό p ενώ η πιθανότητα να είναι το ανταλλακτικό μη ελαττωματικό 1 − p.
Η συνάρτηση πιθανότητας είναι

5 k
P (X = k) = p (1 − p)5−k .
k
2.1. ΔΙΑΚΡΙΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ 35
Από τη υπόθεση έχουμε ότι

P (X = 0) = P (X = 5)
οπότε
5 0 5 5
p (1 − p)5 = p (1 − p)0
0 5
και άρα
(1 − p)5 = p5
από όπου προκύπτει ότι (1 − p) = p και άρα p = 21 .
5
(ii) Η μέση τιμή E(X) δίνεται από τη σχέση E(X) = np = 2 και η
τυπική απόκλιση σ της X δίνεται από τη σχέση
r √
p p 1 5
σ = V (X) = np(1 − p) = 5 = .
4 2
2.1.2 Κατανομή Poisson
Σε ένα τηλεφωνικό κέντρο καταγράφεται ο αριθμός των τηλεφωνικών

κλήσεων που εξυπηρετούνται σε χρονικό διάστημα t. Ο αριθμός αυτός
είναι μια τ.μ. με τιμές 1, 2, . . . M όπου το M είναι πολύ μεγάλος αριθμός
και για ευκολία τον θεωρούμε ∞.
Η συνάρτηση πυκνότητας της παραπάνω τ.μ. προσεγγίζεται πολύ καλά
από τη κατανομή Poisson η οποία έχει συνάρτηση πυκνότητας
k
−λ λ
P (X = k) = f (k) = e ,
k!
k = 0, 1, . . . , λ > 0. Το λ λέγεται παράμετρος της κατανομής. Η
κατανομή συμβολίζεται με P (λ). Μπορούμε να παρατηρήσουμε ότι
∞ ∞
X X λk
f (k) = e−λ
k!
k=0 k=0
∞
−λ
X λk
= e
k!
k=0
−λ λ
= e e = 1.
Η κατανομή αυτή περιγράφει επίσης ικανοποιητικά το πλήθος ατόμων

μιας ραδιενεργούς ουσίας που διασπώνται στη μονάδα του χρόνου, το
πλήθος των τυπογραφικών λαθών σε μια σελίδα ενός βιβλίου, κλπ.
2.1.3 Προσέγγιση της διωνυμικής κατανομής από την κατανομή

Poisson
΄Εστω ότι έχουμε n δοκιμές Bernoulli με πιθανότητα p = nλ , όπου το n

είναι αρκετά μεγάλο και το p αρκετά μικρό. Τότε

n k
P (Sn = k) = p (1 − p)n−k
k
n−k
λk

n! λ
= 1−
k!(n − k)! nk n
n
λk nk

n! λ
= 1−
k! (n − k)!nk (n − λ)k n
λk
≈ × 1 × 1 × e−λ
k!
k
−λ λ
= e .
k!
Παράδειγμα 2.6 Οι ηλεκτικοί λαμπτήρες που παράγονται σε ένα ερ-
γοστάσιο είναι σε ποσοστό 1% ελαττωματικοί. Να βρεθεί η πιθανότητα σε
κουτί με 100 λαμπτήρες να μην υπάρχουν ελαττωματικοί λαμπτήρες.
΄Εχουμε δοκιμές Bernoulli με πιθανότητα p = 0.01 και n = 100. Οπότε

100 0
P (S100 = 0) = p (1 − p)100 = 0.366.
0
Μπορούμε να θεωρήσουμε ότι ακολουθεί προσεγγιστικά την κατανομή
Poisson με λ = 0.01 × 100 = 1. Τότε
1
P (X = 0) = e−1 = 0.3678.
1
Διαπιστώνουμε ότι οι δύο αριθμοί δεν έχουν μεγάλη απόκλιση και ο υ-
πολογισμός είναι ευκολότερος.
2.2. ΜΕΣΗ ΤΙΜΗ ΔΙΑΚΡΙΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ 37
2.1.4 Υπεργεωμετρική κατανομή
Σε ένα δοχείο υπάρχουν m λευκά σφαιρίδια και n μαύρα. Παίρνουμε

τυχαία τα r χωρίς επανάθεση. Αν X είναι η τυχαία μεταβλητή που δείχνει
τον αριθμό των λευκών σφαιριδίων τότε αποδεικνύεται ότι
m
n
x r−x
P (X = x) = f (x) = n+m
, x = 0, 1, . . . , min(m, r).
r
Την κατανομή αυτή τη λέμε υπεργεωμετρική κατανομή και τη συμβο-

λίζουμε με H(x : m, n, r).
2.2 Μέση τιμή διακριτών τυχαίων μεταβλητών
΄Εστω X μια διακριτή τυχαία μεταβλητή με πιθανές τιμές {x1 , . . . , xr }.

Ορίζουμε μέση τιμή της τ.μ. X και τη συμβολίζουμε με µ ή EX τον
αριθμό
X r
EX = µ = xi f (xi )
i=1
όπου f είναι η πυκνότητα της X. Ειδικότερα αν P (X = xi ) = 1r (δη-

λαδή η X έχει ομοιόμορφη κατανομή στο σύνολο {x1 , . . . , xr } - όλες οι
πιθανότητες είναι ίσες) τότε
r
1 X
EX = xi
r i=1
και άρα έχουμε τον συνήθη μέσο όρο.

Ο προηγούμενος ορισμός επεκτείνεται και όταν r = ∞ με την προϋπό-
θεση ότι
X
|xj |f (xj ) < +∞.
j=1
Ιδιότητες:
Xn n
X
(i) E( aj X j ) = aj E(Xj ) aj ∈ R
j=1 j=1
(ii) E(aX + b) = aE(X) + b, a, b ∈ R
Παράδειγμα 2.7 (Διωνυμική κατανομή).
Για n = 1 έχουμε ότι

EX = 0 × P (X = 0) + 1 × P (X = 1) = p.
Για n > 1 κάνοντας τις πράξεις έχουμε ότι
n
X n k
EX = k p (1 − p)n−k
k
k=0
n
X n!
= k pk (1 − p)n−k
k! (n − k)!
k=0
n
X (n − 1)!
= np pk−1 (1 − p)n−k
(k − 1)! (n − k)!
k=1
n−1
X n−1
= np pm (1 − p)n−m = np.
m=0
m
Παράδειγμα 2.8 (κατανομή Poisson.) Θα υπολογίσουμε τη μέ-

ση τιμή της κατανομής του Poisson.
∞
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.
2.3 Διασπορά - απόκλιση
΄Εστω n ∈ N. Λέμε ότι η X έχει ροπή τάξης n αν η X n έχει πεπερασμένη

μέση τιμή. Αυτή δίνεται από τη σχέση
∞
X
n
EX = xnk f (xk ).
k=0
Αν η ροπή δεύτερης τάξης είναι πεπερασμένη τότε ορίζεται η διασπορά
της X και συμβολίζεται V arX, από τη σχέση
V arX = E(X − EX)2 = EX 2 − (EX)2 .
Είναι φανερό ότι V arX ≥ 0. Ο αριθμός
√
σ = V arX
λέγεται τυπική απόκλιση της X.
Αποδεικνύεται ότι η τιμή του a για την οποία ελαχιστοποιείται η πο-
σότητα E(X − a)2 είναι a = µ και άρα η ελάχιστη τιμή αυτής είναι η
V arX.
Ιδιότητα:
V ar(aX + b) = a2 V arX, a, b ∈ R.
Παράδειγμα 2.9 Θα υπολογίσουμε τη διασπορά της κατανομής του

Poisson.
Είναι
∞
2
X
2λk −λ
EX = k e
k!
k=0
∞
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.
Υποθέτουμε ότι όλες οι ενδείξεις είναι ισοπίθανες με πιθανότητα 1/6.

Είναι
6
X 1 21
EX = k = = 3.5.
6 6
k=1
6
2
X 1 91
EX = k2 = .
6 6
k=1
35
V arX = EX 2 − (EX)2 = .
12
2.4. ΣΥΝΕΧΕΙΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ 41
r
35
σ= .
12
Παράδειγμα 2.11 Στη διωνυμική κατανομή μπορεί κανείς να διαπι-

στώσει ότι
V arSn = np(1 − p).
2.4 Συνεχείς τυχαίες μεταβλητές
Μέχρι στιγμής έχουμε ασχοληθεί κυρίως με τις διακριτές τ.μ.. Στην

πράξη αυτές δεν αρκούν γι΄ αυτό και εισάγουμε τις συνεχείς τ.μ.. Αυτές
μπορεί να είναι μετρήσεις όπως ο χρόνος, η τάση του ρεύματος, το βάρος
κ.λ.π..
Ορισμός 2.4.1 Τυχαία μεταβλητή (τ.μ.) σε ένα χώρο πιθανότητας

(Ω, F, P ) είναι μια συνάρτηση X : Ω → R τέτοια ώστε για κάθε x ∈ R
το σύνολο {ω ∈ Ω : X(ω) ≤ x} να είναι ενδεχόμενο. Η συνάρτηση
F (x) = P (X ≤ x) = P ({ω ∈ Ω : X(ω) ≤ x}
λέγεται συνάρτηση κατανομής της X.
Εύκολα διαπιστώνει κανείς ότι

F (b) − F (a) = P (a < X ≤ b), a < b.
Ιδιότητες της F .
(i) 0 ≤ F (x) ≤ 1,
(ii) Η F είναι αύξουσα συνάρτηση του x.
Ορισμός 2.4.2 Η τ.μ. λέγεται συνεχής αν

P (X = x) = 0 για κάθε x ∈ R
(δηλαδή αν και μόνον αν η F είναι συνεχής συνάρτηση του x).
Ορισμός 2.4.3 Μια μη αρνητική συνάρτηση f τέτοια ώστε

Z ∞
f (x) dx = 1
−∞
λέγεται συνάρτηση πυκνότητας (συνεχούς τύπου).
Αν ορίσουμε την
Z x
F (x) = f (t) dt, x ∈ R
−∞
τότε η F είναι μια συνεχής συνάρτηση κατανομής. Επίσης είναι φανερό

ότι Z b
P (a ≤ X ≤ b) = f (x) dx.
a
2.5 Μέση τιμή συνεχούς τυχαίας μεταβλητής
Ονομάζουμε μέση τιμή μιας συνεχούς τυχαίας μεταβλητής X με συνάρ-

τηση πυκνότητας f τον αριθμό
Z ∞
EX = µ = xf (x) dx.
−∞
Ροπή τάξης n μιας συνεχούς τυχαίας μεταβλητής X λέγεται ο αριθμός

Z ∞
n
EX = xn f (x) dx.
−∞
και διασπορά αυτής ο αριθμός

Z ∞
2
V ar(f ) = σ = (x − µ)2 f (x) dx.
−∞
Παράδειγμα 2.12 (Ομοιόμορφη πυκνότητα). ΄Εστω a < b και

( 1
b−a αν a ≤ x ≤ b,
U (a, b, x) =
0 αλλού
2.5. ΜΕΣΗ ΤΙΜΗ ΣΥΝΕΧΟΥΣ ΤΥΧΑΙΑΣ ΜΕΤΑΒΛΗΤΗΣ 43
η ομοιόμορφη πυκνότητα στο [a, b]. Η συνάρτηση κατανομής αυτής δίνε-

ται από τη σχέση

 0 αν x < a,
x−a
F (x) = b−a αν a ≤ x ≤ b,
1 αν b < x.

Η γραφική παράσταση της F δίνεται από το σχήμα:

F
2
1.5
1
0.5
x
-1 1 2 3 4 5 6 7
-0.5
-1
Σχήμα 2.2: γραφική παράσταση της F με a = 2 και b = 5.
Στην ομοιόμορφη κατανομή έχουμε ότι

a+b (b − a)2 b−a
EX = , V ar = , σ= √ .
2 12 2 3
2.5.1 Κανονική κατανομή
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 −∞
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).
Ανάλογα, παίρνοντας την συνάρτηση πυκνότητας

1 − (x−µ)
2
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 ).
Η κανονική κατανομή με μέσο µ = 0 και διασπορά σ 2 = 1, δηλαδή η

N (0, 1) λέγεται και τυπική κανονική κατανομή.
Η κατανομή πολλών εφαρμογών (πχ. βαθμολογία σπουδαστών, μέτρη-
ση βάρους - ύψους κλπ) ακολουθεί την κανονική κατανομή.
f
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).
Παράδειγμα 2.13 Η κατανομή Gauss X ∼ N (µ, σ 2 ), έχει μέση τιμή

Z ∞
E(X) = xf (x) dx = µ
−∞
2.5. ΜΕΣΗ ΤΙΜΗ ΣΥΝΕΧΟΥΣ ΤΥΧΑΙΑΣ ΜΕΤΑΒΛΗΤΗΣ 45
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).
2.5.2 Η εκθετική πυκνότητα
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.
Η εκθετική καανομή περιγράφει το χρόνο μέχρι να συμβεί ένα γεγο-

νός Poisson ή το χρόνο μεταξύ δύο διαδοχικών γεγονότων Poisson, για
παράδειγμα η διάρκεια ζωής ενός τραντζίστορ.
Αν η τυχαία μεταβλητή X ακολουθει την εκθετική κατανομή έχουμε
EX = λ1 ενώ
1 1
V arX = 2 και σ = .
λ λ
2.0
1.5
1.0
0.5
x
0.5 1.0 1.5 2.0 2.5 3.0
Σχήμα 2.5: Η γραφική παράσταση της εκθετικής πυκνότητας με λ = 2 και λ = 1.
2.5.3 Πυκνότητα Γάμμα
Ονομάζουμε Γάμμα συνάρτηση και τη συμβολίζουμε με το γράμμα

Γ τη συνάρτηση
Z ∞
Γ(x) = tx−1 e−t dt, x > 0.
0
Το παραπάνω ολοκλήρωμα δε γράφεται σε απλούστερη μορφή.

Η συνάρτηση
( a−1 a
x λ −λx
Γ(a) e αν x > 0,
F (x : a, λ) =
0 x≤0
λέγεται πυκνότητα γάμμα με παραμέτρους a και λ όπου a, λ > 0.
Για a = 1 έχουμε την εκθετική κατανομή. Η τυχαία μεταβλητή που πε-

ριγράφει το χρόνο που απαιτείται για την πραγματοποίηση ενός ορισμένου
πλήθους γεγονότων που ακολουθούν τη διαδικασία Poisson περιγράφεται
από την κατανομή Γάμμα.
2.6. ΑΝΕΞΑΡΤΗΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ 47
2.6 Ανεξάρτητες τυχαίες μεταβλητές
Ορισμός 2.6.1 Δυο τυχαίες μεταβλητές ονομάζονται ανεξάρτητες αν

P (X = x, Y = y) = P (X = x)P (Y = y), (για διακριτές)
P (X ≤ x, Y ≤ y) = P (X ≤ x)P (Y ≤ y) (για συνεχείς)
για κάθε x, y ∈ R.
Ορισμός 2.6.2 Ονομάζουμε συσχέτιση ή συνδιακύμανση (covariane)

των μεταβλητών X, Y και την συμβολίζουμε με cov(XY ) τον αριθμό
cov(XY ) = E((X − EX)(Y − EY )) = E(XY ) − (EX)(EY ).
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
Γενικά ισχύει ότι

V ar(X + Y ) = V arX + V arY + 2cov(X, Y ),
ενώ για ανεξάρτητες τ.μ. έχουμε ότι
Xn n
X
V ar( Xj ) = V ar(Xj ).
j=1 j
Παράδειγμα 2.14 Η τυχαία μεταβλητή X έχει συνάρτηση πυκνότη-

τας πιθανότητας
c(9 − x2 ) −3 ≤ x ≤ 3,

f (x) =
0 αλλού.
(i) Να βρεθεί η τιμή του πραγματικού αριθμού c.
(ii) Να βρεθεί η μέση τιμή E(X) και η διασπορά V (X)
της X.
(iii) Να βρεθεί η πιθανότητα P (X < 0).
(i) Για να έχουμε συνάρτηση πυκνότητας πιθανότητας

R∞ θα πρέπει f (x) ≥
0, το οποίο ισχύει από το τύπο της f και −∞ f (x) dx = 1. Υπολογίζο-
ντας το ολοκλήρωμα
Z ∞ Z 3
f (x) dx = c(9 − x2 ) dx
−∞ −3
= c(9x − x3 /3)|3−3 = c(27 − 9) − c(−27 + 9) = 36c
1
έχουμε ότι 36c = 1 και άρα c = 36 .
Το γράφημα δίνεται από το σχήμα:
0.4
0.3
0.2
0.1
x
-3 -2 -1 -0.1 1 2 3
(ii) Η μέση τιμή E(X) είναι

Z ∞ Z 3
1
E(X) = xf (x) dx = (9x − x3 ) dx
−∞ −3 36
1
= (9x2 /2 − x4 /4)|3−3
36
1 1
= (81/2 − 81/4) − (81/2 − 81/4) = 0
36 36
και η διασπορά V (X) είναι
Z ∞ Z 3
2 1
V (X) = (x − 0) f (x) dx = (9x2 − x4 ) dx
−∞ −3 36
1
= (9x3 /3 − x5 /5)|3−3
36
1 1 71
= (81 − 243/4) − (−81 + 243/4) =
36 36 72
(iii) Η πιθανότητα P (X < 0) δίνεται από τη σχέση

Z 0 Z 0
1
P (X < 0) = f (x) dx = (9 − x2 ) dx
−∞ −3 36
1 1 1 1
= (9x − x3 /3)|0−3 = (0 − 0) − (−27 + 9) = .
36 36 36 2
Παράδειγμα 2.15 Μια τυχαία μεταβλητή X έχει συνάρτηση πυκνό-

τητας πιθανότητας:

kx(1 − x), αν 0 ≤ x ≤ 1,
f (x) =
0, αλλού.
Να βρεθούν:
(i) η τιμή του πραγματικού αριθμού k,
(ii) η μέση τιμή E(X) και η διασπορά V (X) της X.
(iii) η συνάρτηση κατανομής F (x) της τυχαίας μεταβλητής X,
(iv) η μέση τιμή E(Y ) και η διασπορά V (Y ) της τυχαίας μεταβλητής
Y = 3X − 2.
(v) οι πιθανότητες P (X < 2/5), P (X > 1/5|X < 2/5).
R∞
(i) Η f είναι θετική, οπότε αρκεί να έχουμε −∞ f (x) dx = 1. Υπολο-
γίζουμε το ολοκλήρωμα:
Z ∞ Z 1
f (x) dx = kx(1 − x) dx
−∞ 0
= k(x2 /2 − x3 /3)|10
= k(1/2 − 1/3) − 0 = k/6.
΄Αρα k/6 = 1, οπότε k = 6.

f
1.5
1.0
0.5
x
-0.5 0.5 1.0 1.5
-0.5
(ii) Η μέση τιμή E(X) είναι

Z ∞ Z 1
E(X) = xf (x) dx = 6x(x − x2 ) dx
−∞ 0
Z 1
= 6(x2 − x3 ) dx
0
1
= 6(x3 /3 − x4 /4)|10 = 6(1/3 − 1/4) =
2
και η διασπορά V (X) είναι
Z ∞
V (X) = (x − 1/2)2 f (x) dx
−∞
Z 1
1
= 6 (x − 1/2)2 x (1 − x) dx = .
0 20
Θα μπορούσαμε να την υπολογίσουμε και από τη σχέση
V arX = E(X − EX)2 = EX 2 − (EX)2 .
Οπότε επειδή
Z ∞
2
EX = x2 f (x) dx
−∞
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
= 6t(1 − t) dt = (3t2 − 2t3 )|x0 = 3x2 − 2x3 .

0
Τέλος x > 1
Z x Z 1
F (x) = f (t) dt = 6t(1 − t) dt = 1.
−∞ 0
Τελικά έχουμε ότι

0,
 αν x ≤ 0,
F (x) = 3x − 2x3 , 2
αν 0 ≤ x ≤ 1
1, αν x ≥ 1.


(iv) Από γνωστές ιδιότητες έχουμε ότι
3 1
E(Y ) = E(3X − 2) = 3E(X) − 2 = −2=− .
2 2
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
Η δεσμευμένη πιθανότητα P (X > 1/5 | X < 2/5) δίνεται από τη σχέση

P ({X > 1/5} ∩ {X < 2/5})
P ({X > 1/5} | {X < 2/5}) =
P (X < 2/5)
P ({1/5 < X < 2/5})
=
P (X < 2/5)
R 2/5
1/5 f (x) dx
=
P (X < 2/5)
R 2/5 2
1/5 6 (x − x ) dx
31
625 31
= = 44 = .
P (X < 2/5) 625
44
Παράδειγμα 2.16 Η διάρκεια ζωής των ηλεκτρικών λαμπτήρων μιας

εταιρίας, ακολουθεί την κανονική κατανομή με μέση τιμή 9.000 ώρες και
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
και στη συνέχεια να υπολογιστεί η δεσμευμένη πιθανότητα
P (X < λ | X > κ).
c. Σε μία οδό υπάρχουν 12 λαμπτήρες. Να βρεθεί η πιθανότητα τουλάχι-

στον 11 από αυτούς να λειτουργούν μετά από 8.100 ώρες συναρτήσει της
πιθανότητας p = P (X > 8.100) .
a. Η διάρκεια ζωής του ηλεκτρικού λαμπτήρα είναι μια τυχαία μεταβλητή

Χ η οποία ακολουθεί την κανονική κατανομή με μέση τιμή µ = 9.000 και
τυπική απόκλιση σ = 1.500. Η τυχαία μεταβλητή Z = X−µ σ ακολουθεί
την κανονική κατανομή N (0, 1). Θα υπολογίσουμε πρώτα την πιθανότητα
p για τη ζητούμενη κάθε φορά χρονική διάρκεια ζωής του λαμπτήρα.
Γνωρίζοντας την πιθανότητα p, ο αριθμός των λαμπτήρων με την ιδιότητα
αυτή είναι μια τυχαία μεταβλητή που ακολουθεί την διωνυμική κατανομή
B(5.000, p). Το ζητούμενο πλήθος των αναμενόμενων λαμπτήρων θα
είναι η μέση τιμή της κατανομής αυτής, δηλαδή θα είναι ίσος με n p =
5.000 p.
(i)
X − 9.000 1
P (X ≥ 9.000) = P ( ≥ 0) = P (Z ≥ 0) =
1.500 2
και οι λαμπτήρες που αναμένουμε να έχουν διάρκεια ζωής τουλάχιστον

9.000 ώρες είναι 5.000 12 = 2.500.
(ii)
X − 9.000 1
P (X ≤ 9.000) = P ( ≤ 0) = P (Z ≤ 0) =
1.500 2
και οι λαμπτήρες που αναμένουμε να έχουν διάρκεια ζωής λιγότερο από
9.000 ώρες είναι 5.000 12 = 2.500.
(iii)
P (10.800 ≤ X ≤ 12.300) =
10.800 − 9.000 X − 9.000 12.300 − 9.000
= P( ≤ ≤ )
1.500 1.500 1.500
= P (1, 2 ≤ Z ≤ 2, 2)
= P (Z ≤ 2, 2) − P (Z ≤ 1, 2)
= 0, 9861 − 0, 8849 = 0, 1012
και οι λαμπτήρες που αναμένουμε να έχουν διάρκεια ζωής μεταξύ 10.800
και 12.300 ώρών είναι 5.000 × 0, 1012 ' 506.
(iv)
P (6.750 ≤ X ≤ 9.750) =
6.750 − 9.000 X − 9.000 9.750 − 9.000
= P( ≤ ≤ )
1.500 1.500 1.500
= P (−1, 5 ≤ Z ≤ 0, 50)
= P (Z ≤ 0, 50) − P (Z ≤ −1, 5)
= = 0, 6915 − 0, 0668 = 0, 6247
και οι λαμπτήρες που αναμένουμε να έχουν διάρκεια ζωής μεταξύ 10.800
και 12.300 ώρών είναι 5.000 × 0, 6247 ' 3.124.
(v)
X − 9.000 8.100 − 9.000
P (X ≥ 8.100) = P ( ≥ )
1.500 1.500
−900
= P (Z ≥ )
1.500
= 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)
P ({κ < X < λ})

=
P (X > κ)
1 − P ({X < κ}) − ({X > λ})
=
1 − P (X < κ)
1 − 0, 1 − 0, 1 8
= = .
1 − 0, 1 9
Παρατήρηση: Για τους αριθμούς κ και λ ισχύει ότι κ + λ = 2 µ.
c. Το πλήθος των λαμπτήρων που λειτουργούν πάνω από 8.100 ώρες
ακολουθεί τη διωνυμική κατανομή με B(n, p) με n = 12 και p = P (X >
8.100). Επειδή p = 0, 7257 η ζητούμενη πιθανότητα θα είναι ίση με

12 12 0 12 11
p (1 − p) + p (1 − p)1 = p12 + 12p11 (1 − p) = 11, 81%.
12 11
Παράδειγμα 2.17 Ο αριθμός των κλήσεων σε ένα τηλεφωνικό κέν-

τρο κατά τη διάρκεια μιας ώρας, ακολουθεί κατανομή Poisson με μέσο
ρυθμό 12 κλήσεις την ώρα. Να υπολογιστεί η πιθανότητα ο αριθμός των
κλήσεων στο τηλεφωνικό κέντρο να είναι:
(i) τουλάχιστον δύο κλήσεις σε 1 λεπτό,
(ii) το πολύ μια κλήση σε 1 λεπτό,
(iii) καμία κλήση σε 5 λεπτά,
(iv) τουλάχιστον 1 κλήση σε 10 λεπτά.
Η τυχαία μεταβλητή X που δίνει το αριθμό των κλήσεων στο λεπτό

ακολουθεί την κατανομή Poisson. Επειδή έχουμε 12 κλήσεις την ώρα,
12
στο λεπτό έχουμε 60 = 15 = 0, 2 κλήσεις. Αρα θα έχουμε λ = 0, 2.
(i) Για να έχουμε τουλάχιστον δύο κλήσεις σε 1 λεπτό σημαίνει ότι δεν
μπορεί να έχουμε καμμία κλήση και δεν μπορεί να έχουμε μία κλήση. Αρα
P (X ≥ 2) = 1 − P (X = 0) − P (X = 1)
0 1
−λ λ −λ λ
= 1−e −e
0! 1!
= 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.
(Μπορείτε να παρατηρήσετε ότι τα παραπάνω δύο γεγονότα είναι συμπλη-

ρωματικά.
(iii) Επειδή το χρονικό διάστημα είναι τα 5 λεπτά
P (X5 = 0) = e−5λ = e−1 = 0, 3679.
(iv) Το χρονικό διάστημα είναι τα 10 λεπτά
P (X10 ≥ 1) = 1 − P (X10 = 0) = 1 − e−10λ = 1 − e−2 = 0.8646.
Παράδειγμα 2.18 Σε ένα τηλεφωνικό κέντρο ο αριθμός εισερχόμε-

νων κλήσεων ακολουθεί κατανομή Poisson με μέσο ρυθμό 12 κλήσεις
την ώρα. Να βρεθεί η πιθανότητα το χρονικό διάστημα μεταξύ δύο δια-
δοχικών κλήσεων να είναι
(i) μεταξύ τριών και τεσσάρων λεπτών,
(ii) μικρότερο των δέκα λεπτών,
(iii) μεγαλύτερο των πέντε λεπτών,
(iv) Να υπολογιστεί η πιθανότητα P ({X > 10} | {X > 7}).
Επειδή ο αριθμός των εισερχομένων κλήσεων ακολουθεί κατανομή

Poisson με μέσο ρυθμό 12 κλήσεις την ώρα, το χρονικό διάστημα μεταξύ
δύο διαδοχικών κλήσεων ακολουθεί εκθετική κατανομή με λ = 0, 2.
(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
εκθετική κατανομή. Ωστόσο, εάν ένα μηχάνημα φθείρεται με τη διάρκεια

του χρόνου (π.χ. αυτοκίνητο) η εκθετική κατανομή δεν είναι ένα καλό
μοντέλο.
2.7 Χαρακτηριστική συνάρτηση
Η χαρακτηριστική συνάρτηση μιας συνάρτησης πυκνότητας είναι ο Μετα-

σχηματισμός Fourier αυτής. Μας βοηθάει στην εύρεση των ροπών, στην
απόδειξη του κεντρικού οριακού θεωρήματος κ.λ.π..
Ορισμός 2.7.1 ΄Εστω X μια συνεχής τ.μ. με συνάρτηση πυκνότητας

f (t). Ορίζουμε το ολοκλήρωμα
Z ∞
iξX
E(e ) = f (t)e−iξt dt, ξ ∈ R. (1)
−∞
Αν αυτό υπάρχει για κάθε ξ ∈ R, τότε η συνάρτηση E(eiξX ) που συμ-

βολίζεται και με fb(ξ) λέγεται χαρακτηριστική συνάρτηση της X ή με-
τασχηματισμός Fourier της f.
Ορισμός 2.7.2 ΄Εστω μια διακριτή τυχαία μεταβλητή X με τιμές

x1 , . . . , xN . Ονομάζουμε χαρακτηριστική συνάρτηση αυτής, E(eiξX ), τον
αριθμό
XN
iξX
E(e ) = eiξxk f (xk )
k=1
(ονομάζεται και μετασχηματισμός Fourier της ακολουθίας).
2.7.1 Τύπος της αντιστροφής
Ο ακόλουθος τύπος μας επιτρέπει να παραστήσουμε την f με τη βοήθεια

της fb, όταν η f είναι κατάλληλη συνάρτηση. Συγκεκριμένα αποδεικνύεται
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.
Παράδειγμα 2.19 Για την εκθετική κατανομή X έχουμε ότι

λ
E(eiξX ) = .
λ − iξ
2.7.2 Βασικές ιδιότητες
Οι ακόλουθες ιδιότητες του μετασχηματισμού Fourier είναι άμεση συ-

νέπεια του ορισμού του καθώς και του τύπου της αντιστροφής.
Γραμμικότητα. Ο μετασχηματισμός Fourier είναι γραμμική πρά-

ξη, δηλαδή αν g = a1 f1 + a2 f2 τότε
gb = a1 fb1 + a2 fb2 ,
2.7. ΧΑΡΑΚΤΗΡΙΣΤΙΚΗ ΣΥΝΑΡΤΗΣΗ 61
όπου a1 , a2 αυθαίρετες σταθερές.

Συμμετρία. Αν g(t) = fb(t) τότε
gb(ξ) = 2πf (−ξ).
Βαθμωτή χρόνου (time scaling). Αν a ∈ R και g(t) = f (at)

τότε
1 b ξ
gb(ξ) = f .
|a| a
Χρονική μετατόπιση (time shifting). Αν g(t) = f (t − t0 ) τότε
gb(ξ) = fb(ξ)e−iξt0 .
Μετατόπιση συχνότητας (frequency shifting). Αν g(t) =

eiξ0 t f (t) τότε
gb(ξ) = fb(ξ − ξ0 ).
Διαφόριση του χρόνου (time differentiation). Υποθέτοντας
ότι ο μετασχηματισμός Fourier της f (n) υπάρχει, έχουμε ότι
(n) (ξ) = (iξ)n fb(ξ).
fd
Διαφόριση της συχνότητας (frequency differentiation). Αν

g(t) = (−it)n f (t) τότε
gb(ξ) = fb (n) (ξ).
Συζυγής συνάρτηση (conjugate function). Αν g(t) = f (t)

τότε
gb(ξ) = fb(−ξ).
Συνέλιξη στο χρόνο (time convolution). ΄Εστω δύο συναρ-
τήσεις f1 και f2 . Αν
Z ∞
f (t) = f1 ∗ f2 (t) = f1 (t − x)f2 (x) dx
−∞
τότε
fb(ξ) = fb1 (ξ)fb2 (ξ).
Συνέλιξη στη συχνότητα (frequency convolution). ΄Εστω

δύο συναρτήσεις f1 και f2 . Αν
Z ∞
g(ξ) = fb1 ∗ fb2 (ξ) = fb1 (ξ − z)fb2 (z) dz
−∞
τότε
1
fd
1 f2 (ξ) = g(ξ).
2π
Θεώρημα ροπής (moment theorem). ΄Εστω ότι

Z ∞
mn = tn f (t) dt, n = 0, 1, 2, . . . ,
−∞
τότε έχουμε
(−i)n mn = fb(n) (0).
Θεώρημα του Parseval. Αποδεικνύεται ότι ισχύει η ακόλουθη ι-

σότητα:
Z ∞ Z ∞
2 1
|f (t)| dt = |fb(ξ)|2 dξ.
−∞ 2π −∞
Γενικότερα
Z ∞ Z ∞
1
f1 (t)f2 (t) dt = fb1 (−ξ)fb2 (ξ) dξ.
−∞ 2π −∞
Ανάλογες ιδιότητες με αυτές της χαρακτηριστικής συνάρτησης για

συνεχή τ.μ. ισχύουν και για την χαρακτηριστική συνάρτηση διακριτών
τ.μ. . Παραλείπουμε την αναφορά αυτών.
΄Οπως και στο μετασχηματισμό Fourier συνεχών τ.μ. έτσι και για
διακριτές τ.μ. έχουμε - σε ειδικές περιπτώσεις - τον αντίστροφο διακε-
κριμένο μετασχηματισμό Fourier με τη βοήθεια του οποίου μπορούμε να
αποκτήσουμε την αρχική ακολουθία.
2.8. ΡΟΠΟΓΕΝΝΗΤΡΙΕΣ 63
2.8 Ροπογεννήτριες
Η ροπογεννήτρια της τ.μ. X ορίζεται από τη σχέση
MX (t) = E(etX ),
(λέγεται και μετασχηματισμός Laplace της f ).

Η παραγοντική ροπογεννήτρια της τ.μ. X ορίζεται από τη σχέση
nX (t) = E(tX ), t ∈ R
(λέγεται και μετασχηματισμός Mellin - Stieltjes της f ). Ισχύει ότι
nX (t) = MX (log t).
Αν t = iξ τότε έχουμε την χαρακτηριστική συνάρτηση που έχουμε

προαναφέρει.
Αν X ∼ P (λ) τότε
it
−λ
E(eitX ) = eλe
nX (t) = eλt−λ
t
MX (t) = eλe −λ
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
E(eitX ) = (peit + (1 − p))n
MX (t) = (pet + 1 − p)n

nX (t) = (pt + 1 − p)n
2.9 Δυο βασικά θεωρήματα
Σ΄ αυτή την παράγραφο θα αναφέρουμε δυο σημαντικά θεωρήματα της

θεωρίας των πιθανοτήτων χωρίς απόδειξη. Αναφέρουμε επίσης ότι για τα
θεωρήματα αυτά υπάρχουν διάφορες γενικεύσεις.
Θεώρημα 2.9.1 (Νόμος των μεγάλων αριθμών - Εργοδικό Θεώρημα)

΄Εστω Xn , n = 1, . . . ανεξάρτητες τυχαίες μεταβλητές με κοινή κατανομή
και πεπερασμένο μέσο µ. Τότε
N
!
1 X
P {ω ∈ Ω : Xn (ω) → µ, N → ∞} = 1.
N n=1
Θεώρημα 2.9.2 (Κεντρικό οριακό θώρημα) ΄Εστω Xn , n = 1, . . . α-

νεξάρτητες τυχαίες μεταβλητές με κοινή κατανομή, πεπερασμένο μέσο µ
και διασπορά σ 2 > 0. Τότε
PN !
n=1 Xn (ω) − N µ
lim P {ω ∈ Ω : √ ≤ x} → Φ(x)
N →∞ σ N
Rx t2
√1 −2
όπου Φ(x) = 2π −∞ e dt x ∈ R, ομοιόμορφα στο R.
2.10 Εφαρμογές
2.10.1 Εντροπία
Στη ρίψη ενός νομίσματος η πιθανότητα εμφάνισης κορώνας είναι p και

γραμμάτων είναι q = 1 − p. Αν το p είναι κοντά στο 0 ή 1 τότε μπορούμε
να πούμε με μεγάλη βεβαιότητα τι θα εμφανιστεί κατα τη ρίψη του νο-
μίσματος. Διαισθανόμαστε ότι η αβεβαιότητα είναι μέγιστη όταν p = 12 .
Για τη μέτρηση της αβεβαιότητας έχει εισαχθεί η έννοια της εντροπίας.
Ο Shannon την χρησιμοποίησε (1948) στη θεωρία της κωδικοποίησης
2.10. ΕΦΑΡΜΟΓΕΣ 65
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].
Μεταδίδεται ένα σήμα xn και λαμβάνεται ένα yn . Το σήμα yn γενικά

εξαρτάται από το xn και από το σύστημα που μεσολαβεί, π.χ. καλώδιο
κ.λ.π.. Υποθέτουμε ότι και τα δυο σήματα είναι δυαδικά, δηλαδή xn , yn ∈
{0, 1}. ΄Εστω οι πιθανότητες για το xn είναι
P (xn = 0) = p, P (xn = 1) = 1 − p.
΄Εστω ακόμη ότι έχουμε τις δεσμευμένες πιθανότητες
P (yn = j|xn = i) = πij , i, j ∈ {0, 1}
Από το παραπάνω προκύπτει ότι αν
π01 = π10 = a
τότε
π00 = π11 = 1 − a
και λέμε ότι έχουμε ένα συμμετρικό κανάλι.

Ο αριθμός
1 − a log a − (1 − a) log(1 − a),
λέγεται χωρητικότητα του καναλιού.
Το παραπάνω αποτελεί παράδειγμα καναλιού χωρίς μνήμη (το yn εξαρτάται
μόνο από το xn και όχι από τα προηγούμενα δηλαδή τα x1 , . . . , xn−1 ).
Αν υπήρχε εξάρτηση θα λέγαμε ότι έχουμε κανάλι με μνήμη και αυτό θα
μπορούσε να περιγραφεί από μια Μαρκοβιανή διαδικασία.
2.10.2 Τυχαία σήματα
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)).
Συνδυακύμανση λέμε τον αριθμό

R(t1 , t2 ) = E(X(t1 )X(t2 )).
R(t, t) = E(|X(t)|2 ).
Τα τυχαία σήματα έχουν εφαρμογές στη θεωρία σημάτων, όπου με τη
βοήθεια του Μετασχηματισμού Fourier φίνεται η μελέτη του φάσματος
ισχύος, του θεωρήματος Wiener - Khinchin κ.λ.π..
2.11 Ασκήσεις
19 Αν X είναι η τ.μ. που έχει συνάρτηση πυκνότητας την εκθετική

πυκνότητα τότε να δείξετε ότι
P (X > a + b) = P (X > a)P (X > b), a, b ≥ 0.
20 Η τυχαία μεταβλητή X έχει συνάρτηση πυκνότητας την πυκνότητα

Γάμμα, Γ(a, λ). Να δείξετε ότι
a
EX = .
λ
21 Η συνάρτηση κατανομής μιας τ.μ. δίνεται από τη σχέση
1 − x92 αν x > 3,

F (x) =
0 x ≤ 3.
Να βρεθούν οι πιθανότητες (i) P (X < 4), (ii) P (5 < X < 6) και (iii) η
συνάρτηση πυκνότητας αυτής.
22 ΄Εστω X ∼ N (µ, σ 2 ). Να δείξετε ότι

EX = µ, V arX = σ 2 .
23 Αν η τ.μ. ακολουθεί την ομοιόμορφη κατανομή δείξτε ότι

a+b (b − a)2 b−a
EX = , V ar = , σ= √ .
2 12 2 3
24 Να υπολογιστεί η σταθερά c ώστε η συνάρτηση

ce−5x αν x > 0,

f (x) =
0 x≤0
να είναι συνάρτηση πυκνότητας. Στη συνέχεια να υπολογίσετε την πιθα-
νότητα P (1 < X < 2). Επίσης να γίνουν οι γραφικές παραστάσεις της
f και της συνάρτησης κατανομής αυτής.
25 Δείξτε ότι η ροπογεννήτρια της διωνυμικής κατανομής δίνεται από

τη σχέση
M (t) = (pet + (1 − p))n .
26 Να δείξετε τους τύπους του Παραδείγματος 2.10.
27 Να δείξετε τους τύπους της παραγράφου 2.8.

Βιβλιογραφία
[1] Laszlo Babai,

Probability, http://people.cs.uchicago.edu/laci/reu02/prob.pdf
[2] Κουνιάς Σ., Μωυσιάδης Χ., Θεωρία Πιθανοτήτων Ι, Εκδόσεις Ζήτη,
Θεσσαλονίκη 1995.
[3] Papoulis A., Probability, Random Variables, and Stochastic Pro-
cesses, (paperback), McGraw Hill.
[4] Ρούσσας Γ., Θεωρία Πιθανοτήτων, Εκδόσεις Ζήτη.
[5] A. N. Shiryayev, Probability, Berlin - Heidelberg - New York:
Springer 1984.
[6] Murray R. Spiegel, Πιθανότητες και Στατιστική, McGraw-Hill, Ne-
w York, ΕΣΠΙ, Αθηνα 1977.
[7] Τζαννές Ν.-Σ., Πανά Σ.,, Θεωρία σημάτων, Πάτρα 1980.
[8] Random Process,
http://www2.elen.utah.edu/∼ schlegel/classes/ee5510/Lnotes.
html
[9] http://web.stanford.edu/class/archive/ee/ee178/ee178.1172/
notes.html
69

ΣΗΜΕΙΩΣΕΙΣ - ΠΙΘΑΝΟΤΗΤΕΣ

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ΣΗΜΕΙΩΣΕΙΣ - ΠΙΘΑΝΟΤΗΤΕΣ

Uploaded by

Copyright:

Available Formats

ΠΙΘΑΝΟΤΗΤΕΣ

1 Εισαγωγή στις Πιθανότητες 1

2.1.3 Προσέγγιση της διωνυμικής κατανομής από την

Η Θεωρία των Πιθανοτήτων είναι ένας κλάδος των Μαθηματικών και

Τέλος αναφέρουμε τη Ρωσική σχολή (19ος αιώνας) με τους Lobache-

Εισαγωγή στις Πιθανότητες

Παράδειγμα 1.1 (i) Η ρίψη ενός ζαριού

Λέμε δειγματικό χώρο ή δειγματοχώρο και τον συμβολίζουμε με Ω το

Παράδειγμα 1.2 Ρίχνουμε ένα νόμισμα δύο φορές. Συμβολίζουμε με

Παράδειγμα 1.3 Ρίχνουμε ένα ζάρι μία φορά. Τότε ο δειγματοχώρος

Παράδειγμα 1.4 Ο δειγματοχώρος του Παραδείγματος 1.2 (iv) είναι

Παράδειγμα 1.5 Ο δειγματοχώρος του Παραδείγματος 1.2 (viii) είναι

Ο δειγματοχώρος Ω μπορεί να είναι πεπερασμένος (βλ. Παραδ. 1.2, 1.3 )

Παράδειγμα 1.6 Απλά γεγονότα στο παράδειγμα 2 είναι τα

1.2 Βασική θεωρία συνόλων

Σ΄ αυτή την παράγραφο αναφέρουμε μερικές έννοιες από τη θεωρία συ-

Συμμετρική διαφορά. Συμβαίνει ακριβώς τότε όταν συμβαίνει ένα

για το σύνολο των σημείων που ανήκουν σε κάποιο από τα An , n =

για το σύνολο των σημείων που ανήκουν σε κάποιο από τα An , n =

δηλαδή το σύνολο των σημείων που ανήκουν σε κάθε σύνολο An , με

δηλαδή το σύνολο των σημείων που ανήκουν σε κάθε σύνολο An , με

1.3 Αξιωματική θεωρία των πιθανοτήτων

΄Εστω Ω ο δειγματοχώρος ενός πειράματος τύχης. Η έννοια της πιθα-

Ορισμός 1.3.1 Ονομάζουμε χώρο πιθανότητας μια τριάδα (Ω, F, P )

(i) 0 ≤ P (A), για κάθε A ∈ F (μη αρνητική).

(iii) P (Ac ) = 1 − P (A)

(vi) Γενικότερα, αν A, B ∈ F, τότε

P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

Στην περίπτωση που ο δειγματοχώρος είναι πεπερασμένος και κάθε

Παράδειγμα 1.7 Ρίχνουμε ένα νόμισμα 3 φορές.

Συμβολίζουμε με Κ το απλό γεγονός να έρθει κορώνα και με Γ το

Ω = {KKK, KKΓ, KΓK, KΓΓ, ΓKK, ΓKΓ, ΓΓK, ΓΓΓ}

Υποθέτουμε ότι το κάθε ένα από τα απλά ενδεχόμενα είναι ισοπίθανα.

Παράδειγμα 1.8 Σε ένα μεγάλο πλήθος φοιτητών διαπιστώθηκε ότι

(iii) Ο φοιτητής να έχει αποτύχει στο μάθημα της Ανάλυσης, αλλά να

(i) Το ενδεχόμενο ο φοιτητής να έχει αποτύχει σε κάποιο μάθημα είναι

(ii) Το ενδεχόμενο ο φοιτητής να έχει επιτύχει και στα δύο μαθήματα

(iii) Το ενδεχόμενο ο φοιτητής να έχει αποτύχει στο μάθημα της Ανάλυ-

(iv) Το ενδεχόμενο ο φοιτητής ή έχει αποτύχει στο μάθημα της Ανάλυ-

Παράδειγμα 1.9 Δίνεται ο δειγματοχώρος

Θέλουμε να βρούμε την πιθανότητα του γεγονότος

Μπορεί κανείς να υπολογίσει την πιθανότητα να είναι άρτιος (Ac ) είτε με

Παράδειγμα 1.10 Ρίχνουμε 1 κανονικό ζάρι 2 φορές. Να βρεθεί ο

Από τη ρίψη των ζαριών προκύπτουν τα απλά ενδεχόμενα που τα συμ-

Οι αντίστοιχες πιθανότητες είναι

Ak = {το άθροισμα των ενδείξεων των δύο ζαριών είναι k},

k = 2, 3, . . . 12, τότε μπορεί να δει κανείς ότι

1.4 Δεσμευμένη πιθανότητα

Ορισμός 1.4.1 Ονομάζουμε δεσμευμένη πιθανότητα ή υπό συνθήκη

Θεώρημα 1.4.2 (Θεώρημα ολικής πιθανότητας.) Αν Ak ∈

Ειδικότερα άν 0 < P (A) < 1 τότε

P (B) = P (B|A)P (A) + P (B|Ac )P (Ac ).

Θεώρημα 1.4.3 (Θεώρημα του Bayes.) Με τις προϋποθέσεις

Παράδειγμα 1.11 Στις οικογένειες με τρία παιδιά έστω Α το ενδε-

Λύση. Ο δειγματοχώρος είναι

Ω = {AAA, AAK, AKA, AKK, KAA, KAK, KKA, KKK}

A = {AKK, KAK, KKA, KKK},

B = {KAA, KAK, KKA, KKK}

Παράδειγμα 1.12 Ρίχνουμε ένα νόμισμα δύο φορές. Να βρεθεί η

Λύση. Ο δειγματοχώρος είναι

Ω = {KK, KΓ, ΓK, ΓΓ}

Παράδειγμα 1.13 Σε ένα δοχείο υπάρχουν δύο νομίσματα. Το πρώτο

Λύση. Ο δειγματοχώρος είναι

Παράδειγμα 1.14 Δίνεται ότι