Professional Documents
Culture Documents
ΚΛΚΟΥΛΛΟΥ
ΚαΟηγητοΰ Πανεπιστημίου ΛΟηνόιν
ΑΝΑΛΟΓΙΣΜΟΣ
Τόμος I
ΘΕΩΡΙΑ ΚΙΝΔΥΝΟΥ
και
ΠΙΘΑΝΟΤΗΤΕΣ
ΕΚΔΟΣΕΙΣ ΣΥΜΜΕΤΡΙΑ
ΑΘΗΝΑ 1995
Κάθε γνήσιο αντίτυπο φέρει την υπογραφή ή σφραγίδα του συγγραφ έα.
ν να
* Στο ερώτημα για τα Προαπαιτούμενα του μαθήματος απαντώ ότι αρκεί ένα
"ενδιάμεσο" Πιθανότητες V7/1
vi
Σελ.
1 ΑΝΑΛΟΓΙΣΜΟΣ ΚΑΙ ΑΣΦΑΛΙΣΗ
1 Εισαγωγικά 1
2.1 Εννοιες από τα Καθαρά Μαθηματικά 2
2.2. Η έννοια της Προεξοφλήσεως 5
2.3. Μαθηματική Θεωρία των Κινδύνων 6
3. Βασικές Αναλογιστικές Εννοιες 7
3.1 Πίνακες (Θνησιμότητας Ανικανότητας) 7
3.2. Η έννοια του Καθαρού Ασφαλίστρου 8
3.3. Η Αρχή της Ισοδυναμίας 8
3.4. Εμπορικό Ασφάλιστρο: Επιβαρύνσεις 9
3.5. Εμπορικό Ασφάλιστρο: Αλλοι παράγοντες 10
3.6. Μαθηματικά και Τεχνικά Αποθέματα: Φιλοσοφία 11
3.7. Μαθηματικά Αποθέματα: Μηχανισμός Σχηματισμού 12
4. Ασφάλιση και Οικονομία 13
41 Ασφάλιση και Οικονομική Ανάπτυξη 14
4.2. Ασφάλιση και Αποταμίευση 14
4.3, Οικονομικά Ρίσκα του Ασφαλιστή 15
4.4. Ασφάλιση και Πληθωρισμός 16
4.5. Ασφάλιση και Οικονομικές Επιστήμες 17
5. Ασφαλίσεις Προσώπων και Αντικειμένων 18
5.1. Ασφάλιστρα 18
5.2. Αποθέματα 19
5.3. Μια Εναλλακτική Βάση Διαφοροποιήσεως 21
5.4. Οικονομικές Διαφορές 22
6. Υπολογισμός Ασφαλίστρου 24
6.1. Υπολογισμός Ενιαίου και Ετήσιου Καθαρού Ασφαλίστρου
για Ασφάλιση Ζωής 24
6.2. Υπολογισμός Καθαρού Ασφαλίστρου για Ασφάλιση
Αυτοκινήτου 25
1 Ωφελιμοσυναρτήσεις 27
2. Εξίσωση του ασφαλιζόμενου 28
3. Εξίσωση του ασφαλιστή 30
4. Βέλτιστη ασφάλιση 32
Παράρτημα. Στοιχεία Χρησιμοθεωρίας (Ωφελιμοθεωρίας) 33
ΑΣΚΗΣΕΙΣ 38
ίχ
X
Σελ.
3. ΣΥΛΛΟΓΙΚΑ ΜΟΝΤΕΛΑ ΚΙΝΔΥΝΟΥ
1. Εισαγωγή 43
2. Η ανέλιξη κινδύνου 45
3. Συλλογικά μοντέλα κινδύνου μιας περιόδου 46
3.1. Κατανομή της συσσωρευμένης ζημιάς S 47
4. Ιδιότητες της σύνθετης Poisson 51
5. Προκρούστειος χρόνος 53
6. Υπολογισμός της κατανομής της S 56
7. Προσέγγιση της κατανομής της S 59
ΑΣΚΗΣΕΙΣ 61
1. Ανατοκισμός 66
1.1. Χρόνος διπλασιασμού 67
1.2. Συνεχής ανατοκισμός 68
1.3. Ενταση ανατοκισμού 68
2. Ράντες 70
2.1. Απόσβεση χρέους 70
2.2. Ληξιπρόθεσμες και προκαταβαλλόμενες ράντες 72
2.3. Υπολογιστική προσέγγιση ράντας 73
2.4. Συνεχείς ράντες 73
2.5, Αποτίμηση ράντας 74
ΑΣΚΗΣΕΙΣ 75
1. Τυχαίο επιτόκιο 79
2. Τυχαία παρούσα και μέλλουσα αξία · 80
3. Τυχαίο επιτόκιο συνάρτηση του χρόνου 83
4. Επιτόκιο και χρόνος τυχαίες μεταβλητές 84
ΑΣΚΗΣΕΙΣ 86
6. ΚΑΤΑΝΟΜΕΣ ΕΠΙΒΙΩΣΕΩΣ
1. Συναρτήσεις επιβιώσεως 90
2. Κατανομή υπόλοιπης ζωής 92
3. Ροπές υπόλοιπης ζωής 93
ΑΣΚΗΣΕΙΣ 97
7. ΠΙΝΑΚΕΣ ΕΠΙΒΙΩΣΕΩΣ
1. Εισαγωγικά ∣
QJ
2. Εννοια και είδη πινάκων επιβιώσεως 102
3. Περιγραφή των πινάκων επιβιώσεως 1Q3
xi
∑ελ.
4. Κατασκευή πλήρων πινάκων επιβιώσεως 105
ΑΣΚΗΣΗ 109
8. ΚΙΝΔΥΝΟΣ ΧΡΕΟΚΟΠΙΑΣ
Παροράματα 125
ΜΕΡΟΣ Β: ΠΙΘΑΝΟΤΗΤΕΣ
Σελ.
L ΒΑΣΙΚΕΣ ΠΡΟΤΑΣΕΙΣ ΤΗΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ
6.1.
Εννοια παραμέτρου 49
6.2.
Παράμετροι θέσεως μιας κατανομής 49
Ποσοστιαία - εκατοστιαία
6.3. 51
Μέση τιμή - Μαθηματική Ελπίδα
6.4. 53
Ιδιότητες της μέσης τιμής
6.5. 58
Ροπές - Διασπορά
6.6. 60
Κατά προσέγγιση υπολογισμός του μέσου
6.7.
και της διασποράς 64
ΑΣΚΗΣΕΙΣ 66
V. ΓΕΝΝΗΤΡΙΕΣ - ΧΑΡΑΚΤΗΡΙΣΤΙΚΕΣ ΣΥ Ν Α ΡΤ Η ΣΕ ΙΣ
∑ελ.
11.4. Συναρτήσεις πολλών μεταβλητών 145
ΑΣΚΗΣΕΙΣ 146
ΘΕΩΡΙΑ ΚΙΝΔΥΝΟΥ
ΚΕΦΑΛΑΙΟ 1
1. Ε ισ αγω γικ ά
2.1. Έ ννοιες από τα Κ α θ α ρ ά Μ α θημα τικά . Στη βάση κάθε θεωρίας της
ασφαλίσεως είναι η έννοια του κινδύνου. Ή, για να είμαστε πιό ακριβείς,
η έννοια του ασφαλιστικού κινδύνου, που αποδίδεται διεθνώς με τον όρο
ρίσκο (risk). Η διάκριση είναι απλή: δεν μας ενδιαφέρει ο φυσικός
κίνδυνος καθ' εαυτός αλλά τα οικονομ ικά ε π α κ ό λ ο υ θ α του φυσικού
κινδύνου.
Η μαθηματική θεμελίωση της ασφάλισης είναι η φυσική, λογικά άμεση
συνέπεια της συνειδητοποίησης ότι ο κίνδυνος αποτελεί ειδική περίπτωση
της ευρύτερης έννοιας του τυ χ α ίο υ γεγο νό το ς ή τ υ χ α ίο υ σ υ μ β ά ν το ς
(random event) ή, κατά τους αναλογιστές, ενδεχομένου ή π ε ρ ισ τ α τ ικ ο ύ
' Το κράμα αυτό ασφαλίσεως στοχαστικών, μαθηματικών και οικονομικών επιστημών (ενισχυμένο με
στοιχεία από τις διοικητικές, τις εμπορικές, κ.λ.π. επιστήμες) αποτελεί την α ν α λ ο γ ι ο τ ι κ ή επ ισ τή μ η .
Αναλογιστής (actuary) είναι ο κατ'εζοχήν τεχνικός της ασφαλίσεως -ο "μαθηματικός της ασφαλίσεως"
κατά τον σαφώς περιγραφικότερο γερμανικό όρο Versichcrungsmathematiker.
3
1 Η ο ικ ο ν ο μ ικ ή κ άλυψ η ενός κινδύνου (π.χ„ της εγκυμοσύνης) δεν αποτελεί πάντοτε, από καθαρά
1 Η απόκλιση αυτή θα εμφανισθεί έστω και αν δεν υπάρχει καμιά απολύτω ς διαφ ορά α νάμ εσ α στις
εταιρείες ως προ; τα κριτήρια επιλογής κινδύνων, κ.λ.π. Πρόκειται, δηλαδή, όχι γ ια τυχόν
σ υσ τη μ α τικές διαφορές ανάμεσα στις εταιρείες (που, φυσικά, προξενούν πρόσθετες α π ο κ λίσ εις!), α λ λ ά
v ia αποκλίσεις οφειλόμενες σε εντελώς τ υ χ α ίε ς επιδράσεις.
Μιλάμε, φυσικά, για ασφάλιστρο ελεύθερα προσδιοριζόμενο από τις εταιρείες κ α ι όχι γ ια ενιαίο
υποχρεωτικό ασφάλιστρο που, όπως συμβαίνει στα αυτοκίνητα, επιβάλλεται α π ό τις κ ρ α τικ ές αρχές.
5
1 Τα αναλογιστικά κριτήρια που οδηγούν στον καθορισμό του τεχνικού επιτοκίου δεν Οα μας
απασχολήσουν. Το επιτόκιο αυτό πάντως υπόκειται συνήθως σε νομοθετικούς περιορισμούς και έχει μόνο
έμμεση σχέση με τα κρατούντα επιτόκια καταθέσεων, χορηγήσεων, κ.λ.π.
2 Ίσως αξίζει να σημειωθεί, ότι η παρούσα αξία (9.625 δραχμές), τοκιζόμενη προς 4%, ανέρχεται οτο
χρησιμοποιεί κυρίως τις μεθόδους της θεωρίας των πιθανοτήτων · της ίδιας,
δηλαδή, θεωρίας που παίζει πρωτεύοντα ρόλο στον υπολογισμό των
μαθηματικών ασφαλίστρων και αποθεμάτων, με τα οποία θ' ασχοληθούμε σε
επόμενα Κεφάλαια.
1 Τόσο μεγάλος ώστε να εξασφαλίζει την αξιοπιστία της στατιστικής (εμπειρικής) πιθανότητας.
9
* Χωρίς αυτό να oημaivcι, ότι οι απαιτήοτις των αοφαλισρίνων δtv μπορούν ν α επεκταΟ ούν και οτα
κεφάλαια της εταιρείας σε περίπτωση που τα (ασφαλιστικά) αποθέματα υ π ο δ ειχ θ ο ύ ν α νεπ α ρ κ ή , Κ α ι
χωρίς ακόμα να σημαίνει, ότι δεν υπάρχει στενή σχέση ανάμεσα στην οικονομική επιβίωση του αοφ αλιοτή
και στην προστασία των ασφαλισμένων,
12
Χωρίς αυτό να σημαίνει, ότι οι απαιτήσεις των ασφαλισμένων δεν μπορούν να επεκταθούν και στα
κεφάλαια της εταιρείας σε περίπτωση που τα (ασφαλιστικά) αποθέματα αποδειχθούν ανεπαρκή. Και
χωρίς ακόμα να <π⅛ιαivει, ότι δεν υπάρχει στενή σχέση ανάμεσα στην οικονομική επιβίωση του ασφαλιστή
και στην προστασία των ασφαλισμένων.
14
πληρώνοντας το αοφάλιστρο).
16
1 Υπάρχει μεγαλύτερη τάση να πάθουν οι αοφαλιομίνοι "ζημιά", να π αρουσιάσουν " α νικ α νότη τα " , κ.λ.ιτ.
Πέρα όμως από αυτή την τάση, η επιδείνωση των αποτελεσμάτων είνα ι (μερικώ ς) α ντικ ειμ ενικ ή . Μελέτες
έχουν δείξει, π.χ., ότι ακόμα και η θνησιμότητα μπορεί να παρουσιάσει επιδείνω ση κ α τ ά την διάρκεια
οικονομικών κρίσεων.
2 Συνήθως βέβαια, αν η ζημιά δεν υπερβαίνει κάποιο συμφωνημένο m axim um . Υ π ά ρ χ ο υ ν όμως καμιά
χρειάζεται “εκτίμηση της ζημιάς" (καθορισμός του ποσού που απαιτείται γ ια την α π ο κ α τ ά σ τ α σ ή της).
17
μέσα στα πλαίσια αυτά, ίσως πρέπει να αναφερθεί η μαθη μ ατική έννοια της
(οικονομικής) χρησιμότητας ή ω φ ε λ ιμ ό τ η τ α ς (utility ) -δηλαδή, της
(υποκειμενικής) αξίας, την οποία αποδίδει ένα άτομο σε κ ά π ο ιο οικονομικό
αγαθό (βλ. Κεφάλαιο 2).
αλλά ο αντίκτυπός τους στον τομέα των αποζημιώσεων είναι τόσο πιό
έντονος όσο ο κίνδυνος εμπεριέχει υποκειμενικά στοιχεία 12. Τέλος, οι
διάφοροι κλάδοι παρουσιάζουν διαφορετική διάρθρωση εξόδων ανάλογα με
το αν αντιμετωπίζουν (κυρίως) ζημιές με μεγάλη συχνότητα και μικρό μέσο
μέγεθος (πολλές μικρές ζημιές) ή όχι, αν προσφέρουν (κυρίως) μικρές ή
μεγάλες καλύψεις (ασφαλιστικά ποσά), κ.λπ.
6. Υπολογισμός Ασφαλίστρου
Δ εδομένα
Κ ατ’ αρχήν υποθέτουμε, ότι ο ασφαλιστής είναι ελεύθερος να
καθορίσει το ασφάλιστρο με βάση τη δική του εμπειρία στον Κλάδο
αυτοκινήτων. (Η χρήση ιδίων στατιστικών στοιχείων είναι η καλύτερη
1 Αν αγνοήσουμε το τεχνικό επιτόκιο, βλέπουμε εύκολα ότι 41,264 δρχ. είναι "χοντρικά σωστό" μέγεθος
για την προσδοκώμενη τιμή των αποζημιώσεων. Οι πιθανότητες πληρωμής του 1.000.000 δρχ. είναι 1%,
l r5% και 2% - ολικά, δηλ. 4,5%. Συνεπώς, η μαθηιιαηκή προσδοκία είναι 4,5% του 1.000.000 ή 45.000
δρχ. Η διαφορά ανάμεσα στις 45.000 δρχ. και στις 41.264 δρχ. οφείλεται στην επίδραση της χρηματικής
προεξοφλήσεως.
2 Αξίζει να σημειωθεί, ότι το άθροισμα των τριών ετησίων ασφαλίστρων υπερβαίνει το ενιαίο
ασφάλιστρο: 3 ∙(J4 .461) > 41.264. Αυτό είναι και πάλι αυνέπεια της προεξοφλήσεως: Επειδή το ενιαίο
ασφάλιστρο καταβάλλεται ολόκληρο κατά την υπογραφή της συμβάσεως ενώ τα ετήσια ασφάλιστρα
καταβάλλονται σε διάφορα μελλοντικά χρονικά διαστήματα, οι 41,264 δρχ. έχουν την ίδια παρούσα
αξία με τις τρεις χρονικά διασπαρμένες δόσεις των 14.461 δρχ.
26
Υπολογισμός
Εφόσον οι προσδοκώμενες αποζημιώσεις είναι 180.000.000 δραχμές,
κάθε ένα από τα 150.000 αυτοκίνητα πρέπει να καταβάλει
180.000.000/150.000 = 1.200 δραχμές’.
Ο υπολογισμός αυτός κρύβει το γεγονός ότι, αν αγνοηθεί το τεχνικό
επιτόκιο, το καθαρό ασφάλιστρο είναι γινόμενο μιάς συχνότητας κα ι ενός
ποσού. Γι αυτό δείχνουμε τον εξής (ισοδύναμο) υπολογισμό: Η συχνότητα
ζημιών είναι 30.000/150.000 = 0,20. Η μέση ζημιά είναι
180.000.000/30.000 = 6.000 δραχμές. Επομένως, το καθαρό ασφάλιστρο
είναι (0,20) . (6.000) = 1.200 δραχμές. Ο τρόπος αυτός δείχνει την
ομοιότητα με τον υπολογισμό του ασφαλίστρου ζωής. Η μόνη διαφορά είναι
ότι το ποσό εδώ (6.000 δραχμές) βγαίνει από στατιστικά στοιχεία, ενώ στην
ασφάλιση ζωής το ποσό καθορίζεται στην ασφαλιστική σύμβαση.
1 Αγνοούμε το ∏<Jτε και πως θα καταβληθούν οι 1.200 δρχ· - αγνοούμε, δηλ. το τεχνικό επιτόκιο.
ΚΕΦΑΛΑΙΟ 2
I. Ωφελιμοσυναρτήσεις
1 Αυτή είναι σύνθεση γεωμετρικής (αριθμού ζημιών) και εκθετικής (μεγέθους ζημιάς), όπως θα δούμε στο
Κεφ, 3
2 Οπω; και ΟΕά λ λ ο υ ; τομείς!
30
G ≥H ≥μ, (12)
τό τε υπ ά ρ χει α σ φ α λισ τικ ή π ο λ ιτικ ή (σύμβαση) εφικτή, με την έννοια
ότι δεν μειώνει την αναμενόμενη ωφελιμότητα ασφαλιστή και
ασφαλιζόμενου.
Κ ινδυνο φ ο β ία ς συνέχεια. Ήδη συναντήσαμε "κινδυνοφοβική" συνάρτηση,
την εκθετική u(ιr) = - e -0 ∙005', στο Παράδειγμα β), όπου το (7 = 44,63
υπερβαίνει όχι μόνο την μερική μέση ζημιά £ (Λ 7 2 ) = 12,5, αλλά κ α ι την
ολική Ε ( Χ ) = 25.
Γενικότερα, η εκ θ ετικ ή ω φελιμοσυνάρτηση
u(w} = -e~ a v , α > 0 , (13)
ως αύξουσα (u'(w) > 0) και κοίλη, αφού
u"(ψ) = - α 5e -β " < 0,
είναι κινδυνοφοβική, σύμφωνα και με την (5).
Σχετικά με την (10) παρατηρούμε ότι,
H (- e - ) = - Λ ∕ v (-α ), (14)
όπου M x είναι η ργ της X.
Ενδιαφέρουσα επίσης είναι η εξής ιδιότητα της (13).
σ’υ’
Μ (u) = exp μu + — (15)
32
Α ξ ίω μ α 3. Α ν P i ~< Pi , τότε
aP l + (1 - a)P 3 √ aP 1 + (1 - a)P 3
για κάθε 0 < a < 1 κ α ι Ρ2 (παρουσία και τρίτου, προτιμά την Ρ2 , αφού
Pt < P i )
Σημ. Το Αξίωμα 4 ενδέχεται να αμφισβητηθεί επί τη βάσει του ότι π.χ. μια
"αμοιβή" όπως το AIDS για έγκυο είναι απείρως κακή· αν όμως αυτό
ίσχυε, τότε, συγκρίνοντας το με άλλες συνέπειες, μια γυναίκα ουδέποτε θα
έβαζε τον εαυτό της στον πρόσθετο κίνδυνο του AIDS από αιμοδοσία.
Η ύπαρξη χρησιμοσυνάρτησης υ με την ιδιότητα (1.2) ή ισοδύναμα
P 2,[u(r)] < P p [u(r)] ανν Pi -< Pl για κάθε Γ (1.3)
δεν είναι προφανής. Τα 4 Αξιώματα αρκούν για την εξασφάλιση της
ύπαρξης τέτοιας υ.
Αινούμε τώρα τα βασικά βήματα για την κατασκευή μιας ωσ υ. Η
κατασκευή αυτή κατ'αρχήν απαιτεί την μίξη κατανομών, της μορφής
P = αj^ + ( I - α ) P 2 0 < α ≤ l,
που σημαίνει ότι για κάθε ενδεχόμενο Α (εδώ σύνολο αμοιβών)
P(A ) = α^(A ) + ( l- α ) P 2 (A).
Αν (Γ) σημαίνει την κατανομή (προτίμηση) που συγκεντρώνεται στο σημείο r
(με πιθανότητα 1), τότε η
P = α(r 1) + ( l- α ) ( r 2) (1.4)
σημαίνει την κατανομή τυχερό παιγνίδι) που δίνει πιθανότητα α στο σημείο
η και 1-α στο σημείο ri .
λόγω της αρχικής επιλογής (1.5). Φυσικά η δυσκολία έγκειται στην επιλογή
του σ. Ένας τρόπος είναι να δούμε τη δεδομένη r3 πως θα την
"αντικαθιστάμε" (παίζαμε) "στοιχηματίζοντας" 100α% υπέρ της η και
100(l-α)% υπέρ της r3 .
u(r3) - --------- .
a
Β ή μ α 4. Α ν r3 < r3 , τότε βρίσκουμε α ώστε
r2 ≈ P = a(r 1) + ( l - a ) ( r 3 ),
και πρέπει να ισχύει η
1= u(r,) = P √ u(r)] = au(r 1) + (1 - a)u(r 3 ) = (1 - a)u (r 3),
οπότε θα (πρέπει να) πάρουμε την
u(r 3 ) = - ~ - .
ι-α
Β ή μ α 5 . Έλεγχος της διαδικασίας κατασκευής της u(r) γ ια συνέπεια,
με την έννοια ότι, αν π.χ. έχει βρεθεί ότι r3 < r∣ < rs , τότε υπάρχει α ώστε
η ≈ P = a ( r j ) + ( l - a ) ( τ 3)
κ α ι θα πρέπει (βλ. (1.3)) να επαληθεύεται η
u(r4 ) = a∏(r3) + ( l- a ) u ( r 3),
Αλλιώ ς απαιτείται τροποποίηση των ευρεθεισών u(r i ') για την εξασφάλιση
της συνέπειας1.
Πρέπει επίσης να σημειωθεί ότι το Α ξίω μα 4 α π α ιτεί να έχουμε
φραγμένη ωσ: αν για μια ακολουθία r n ισχύει ι√(ro ) - > ∞ τότε υπάρχει
P ' = P∣(η) + pj(⅞)+ ∙∙∙ τέτοια ώστε
^ ,∙[w ( r ) ]≡ ~ .
Α λ λ ά τότε, παίρνοντας την P3 = Ρ ' , το Α ξίω μα 4 θα παρεβιάζετο. Ομοίως
γ ια U (I Λ ) → -<×>. Ε ίνα ι δυνατό, ωστόσο, να κατασκευασθεί ασθενέστερο
σύστημα αξιω μάτω ν που επιτρέπει κ α ι μ η φ ρ α γ μ έν ες ωσ.
Γ ια διασάφηση της (δυσκολίας) κατασκευής ωσ δίνουμε το εξής
1 Μήπως cc τέτοιες ασυνέπειες των υποσυνείδητων ωσ μας οφείλονται και οι ό χ ι σπάνιες καθημερινές μας
ασυνέπειες;
2 Ας βρει ο αναγνώστη; την ωσ του για τις δικές του επιλογές (Γ) σε συγκεκριμένο "πρόβλημα".
37
1 Βλ. π.χ. τη Στατισ τική θεωρία και Eφapμoγaι(∖ 912), του συγγραφέα
38
ΑΣΚΗΣΕΙΣ
5[u(X )] = 2Iog 2.
, τέως Λένινγκραντ, πρώην Αγία Πετρούπολη και πάλιν Πετρούπολη. Για το παράδοξο του Petersburg,
βλ, W. Feller; An Introduction to Probability Theory and its Applications, Toμ. 1, W iley, 1957
39
4. Δείξε ότι για u(ιv) = k logn, και ζημιοκατανομή ομοιόμορφη στο (0,1)
το μέγιστο ασφάλιστρο G (βλ. (3)) είναι
χ > 0
6. Επαναλάβετε το Παράδειγμα β) με
u(ιv) = -e~~n5°
και δείξτε ότι το G = 150log 1,5 = 60,82.
8*. Υπό τις ωφελιμοσυναρτήσεις (16) και (17), να δειχθεί ότι το G = G(w)
είναι αύξουσα συνάρτηση του νν.
40
..1 . Έστω ότι το σύνολο R των αμοιβών αποτελείται από 3 αμοιβές r1,r ,,r j
και r1 < r, < r1 κα ι y(r3 ) = 0, u(r2 ) = ρ , 0 < ρ < 1, υ(r1) = 1.
a) ⅛ 0 ) + 4(0) ή l( 4 0 ) + ⅛ 0 )
4 4 2 2
β) 1(40) + 1 (-1 0 ) ή ∣(15) + ∣( 0 )
(iii) Καθορίστε τώρα τις προτιμήσεις σας στο (Η) βάσει της ωσ που
κατασκευάσατε στο (ί).
42
1 Ευτυχώς, γιατί αλλιώς, δυστυχία και ευτυχία! θα εξαγοράζοντο με χρήμα, δίκην άδίκην- πολλών
εζαγοράαιμων "αγαθών".
2 Λιμού, λοιμού, καταποντισμού, πυράς,...
44
2. Η Ανέλιξη Κινδύνου
1 Lτσv αναλογιομό ουνηθίζεται ο αυμβολιαμός S l αντί S (l), μ, αvτi∕<(ι) 1 <5, αντί ό ( ί) κα.όπω ς
napaτηp∏9ηκ'c και στα κροηγούμτνα Κεφάλαια.
■46
Ορισμοί - Συμβολισμοί
α) Π ιθ α ν ο γεν ν ή τρ ια (πγ) τμ
* ⅛ ( u ) = PΛ∙( U) = E (u ') = ∑ u t l>lX = *) ≡ ∑ P ,u * .
Χ-0 i-o
Ισχύουν οι σχέσεις:
A = ^ , (O)∕Ar∙. π i ≡ Ε [(X ) t ] = P<1>(l), (2)
όπου Λ(Χ)(·) συμβολίζει την παράγωγο λ τάξεως της Λ
Η n l , είναι η παραγοντική ροπή k τάξεως και γι'αυτό η Ρ(υ) λέγετα ι και
γεν ν ή τρ ια π α ρ α γο ν τικ ώ ν ροπώ ν π i .
∑ p k e u , , διακριτό X
k
β) Ρ ο π ο γεν ν ή τρ ια (ργ) τμ X∙.M x (t) = E (e , x ) ≈
∣e a f(x )d x , συνεχές X ,
1 Για λxπτoμipεας παραπέμπουμε π.χ.ι o τ o ∏ l Oav<fτητtς Ktφ. V (1994), του συγγραφέα (βλ. [ IJ).
48
Π ρ ό τ α σ η 1. Έστω
μ = E ( X ,) ≈ E ( X ) , σ i = V ( X l ) ≡ V ( X ) , / = 1 ,2 ,....
Τότε
E (5 κ ) = E ( N ) μ , (5)
V (S A,) = E ( N ) V ( X ) + E i ( X ) V ( N ) = σ i E(PΓ) + μ 1V ( Ν ) . (6)
Γ ε ν ν ή τ ρ ιε ς Σ ύ ν θ ετ ω ν Κ α τ α ν ο μ ώ ν
Α π ό δ ε ιξ η . Κ α τ ά την (4),
Ps (u) = E ( u s ) = E x [E (u '∣N ) ] = E ^ ' ( u ) ] = PA .(P X ( U )).
Ο μοίω ς για την (9).
= fe - ^ J L - ^ e -^dλ (21)
{ e n ∣Γ ( α ) k
j Γ(α)nl
0
Ο Ρ
έπεται το ζητούμενο.
Σημ. Η (21) ορίζει μ ίξη της Poisson, ως κατανομής της Ν για δεδομένο
Λ = λ , ως προς την παράμετρο λ με μικτική (mixing) κατανομή την
Γάμμα. Ισχύει μάλιστα κα ι το αντίστροφο: Α ν η Ν είναι αρνητική
διωνυμική ω ς μ ίξη της Poisson, τότε η μικτική είναι Γάμμα. Τέτοιες
μίξεις λέγονται αναγνωρίσιμες (identifiable).
s = ∑‰ 1 (22)
1-1
Α π ό δ ειξη . Έστω M k η ργ της S ( i ) . Τότε από την (10), λόγω και της
ανεξαρτησίας των S (k), έχουμε
και σπ ζημιάς X
p(.x,'>, =⅛ 1 = 1..... π> (27)
Λ
N =∑ N ∣
=Π
/«I
είναι η πολυωνυμική
53
W = π ∣ ........... N a = n a, ] = - ^ X l ...π ^,
∏i1 L . Π ΛmI !
με (δεσμευμένη από κοινού) πγ
Λ ( u ∣.∙ ··.” ») = ¾ λ' , ...u ^ n ∣N = ∏] = (π∣u∣+...+π mυoJ β .
Ά ρα η πγ των Ν ........ Ν α είναι (βλ. (3))
»'» n ' ∖ ⅛ )
ΡΙ
= ∏ e x p [ ¼ ( u ,- l) ] ,
∕≡l
δηλαδή, γινόμενο m πγ Poisson (λπ/), όπως απαιτεί το θεώρημα.
5. Π ροκρούσ τειος Χ ρ ό ν ο ς
6. Υ π ο λ ο γ ισ μ ό ς της Κ α τα νο μ ή ς της S
Ν α βρεθεί η σπ της S,
g (x) = P [S = x] (x = 5k, A = 0,1,2,...).
Γ ια τη β α σ ικ ή μ έθοδο, σύμφωνα με την (34), οι υπολογισμοί
φαίνονται στη Διάταξη 1.
Η τελευταία γραμμή δίνει τις p(n) = Ρ [ Χ = π] για Poisson(Λ)∙p(0) = 0,449
Δ ιά τ α ξ η 1: Β α σ ικ ή Μ έθ ο δ ο ς Υ π ο λ ο γ ισ μ ο ύ
Δ ιά τ α ξ η 2. Ε ν α λ λ α κ τ ικ ή Μ έθοδος Υ π ολογισμού
1 Ευτυχώ; έχουμι τώρα τα υπολογιστικά παυσίπονα... των ηλεκτρονικών υπολογιστών, ακόμα και για μη
αριθμητικούς υπολογισμούς!
59
αφού g { y ) = 0 για y < 0 και #(0) ≡ e~x ≡ β^n', = 0,449. Έτοι επανευρίσκουμε
την g (x ) της Διάταξης 1 (ή 2), αφού
£(λ) ≈ g (5 y ) με y = ∖ ,2,...
(⅜ ) σ -√ησ n -∙0
s ; = - ⅛ - ⅜ u- 4 N ( 0 ,l) . (43)
"' √ ΛE(Λ∙ , ) ' -
.⅞ = , i → N ( 0 ,l) . (44)
qrσ 2q∕ p + r q μ / ρ 2
Η ισχύς της συνθήκης (41) προκύπτει από την ισχύ του (ασθενούς)
Νόμου των Μεγάλων Αριθμών (Ν Μ Α ) αφού η μεν N B ( p , r) ε ίν α ι άθροισμα
/ γεωμετρικών, 7√B(p,l), ενώ η Poisson(Λ) μπορεί ν α θεωρηθεί ω ς άθροισμα
ν ανισ. τμ Poisson {λlv). (Για εναλλακτική απ'ευθείας α π ό δ ειξη των (43)
και (44) δοκιμάστε τη μέθοδο των ργ).
Η προηγούμενη κανονική προσέγγιση του S , βάσει της (42) κ α ι ειδικά
βάσει των (43) και (44) για τη σ Poisson(λ) κα ι σ N B ( p ,f ') (γ ια μεγά λα λ
και r αντίστοιχα), η S δεν είναι αρκετά ικα νοπ οιητική όταν παρουσιάζει
ασυμμετρία, όπως εκφράζεται αυτή από την 3-∏ κεντρική ροπή του S’,
μi = E [ S - E ( S ) ] i .
Αυτή συνήθως δεν είναι μηδέν, και μάλιστα ε ίν α ι θετική, όπως στη σ.
Poisson(Λ), με μ i = Λ E (X j ), και τη σ. N B ( p ,r ) , όπου μ 3 > r E ( X 3 )q / ρ . Σε
τέτοιες περιπτώσεις μια (ασσυμετρική) Γάμμα τμ, έστω Y tt (βλ. Κ εφ . V I του
[1]) και μάλιστα "μετατοπισμένη" κατά x 0 (> 0 ή < 0), δη λ. με πυκνότητα
x > x ,. (45)
Για δεδομένο S εκλέγουμε τις τρεις παραμέτρους x 0 ,a > Ο ,β > ο , έτσι ώστε η
S και Υ να έχουν ίσες τις πρώτες ροπές, δηλ.
a , r , r ,× ct 2α
£(S) - ⅞ +
d j
τότε η l ' ρ → N (μ 0 ,σ0 ).
61
ΑΣΚΗΣΕΙΣ
Poisson·
(Α) (Ε)
* Ασκήσεις, όπω; αυτή, με πολλαπλή επιλογή (multiple choice) είναι από τις Αναλογιστικές Εξετάοεις.
63
κ α ι p ( x ) = e~x , χ > 0 .
ί 1Γ
15. Η S 1 ε ίν α ι σύνθετη Poisson με A = 2 και p ∣(x )= l - I , AT ≡ 1,2,3....κα ι
λ
Ποιό από τα παρακάτω είναι η p( ') για τη σύνθετη Poisson S l + S1
(S l ,S , ανεξάρτητες)^
10* v , 2, l .10!
S
10
e iω ( χ · 5 ) ’° β - ί→
(Γ ) 7 ϋ (Δ ) 7⅛ x ' 5 y v "
(Ε) I = ^ l ( λ .- 5 ) ' 0 e - 1∖
10! ,
(a ) 5 - 'λ^
- ( B ) e .i. Δ3-∙ (∏ e
^ J∙
φ
( Δ ) Β- ^
n∣
(E) 3 ≡ .
nl
E (R ),
(Β)
(Δ ) — (Ε)
2+θ 2+Θ
20. Η πιθανότητα 0,1,2 ζημιών είναι, αντιστοίχως, 0,50, 0,25, 0,25. Τα ύψη
αποζημίωσης 1 και 2 έχουν πιθανότητα 0,50 το καθένα. Ποιό από τα
παρακάτω ορίζει τη συνάρτηση κατανομής των συνολικών
αποζημιώσεων;
(Α) (Β) (Γ) (Δ) (Ε)
X
0 0,5000 0,5000 0,5000 0,5000 0,5000
1 0,6250 0,6250 0,5625 0,6250 0,6875
2 0,7500 0,7500 0,6875 0,8125 0,8125
3 0,8750 0,9375 0,8750 0,9375 0,8750
4 1,0000 1,0000 1,0000 1,0000 1,0000
1. Ανατοκισμός
( 1 +—
kJ
= lim [l + -7-∣
i →A kJ
=er' (5)
1 .3 . Έ νταση α να το κ ισ μ ο ύ.
K{t)
και κατά συνέπεια την
K(r + η) ∏ l ≡ ∏
κ ( t) 1=0 Λ -V Κ ) 1=0
δηλαδή,
K (∕ + z2) = K (i)∏ (l + ∕ m ∙)∙
1=0
Έτσι η χρηματική μονάδα 1 (∕C(0) = I) γίνεται μετά η περιόδους
K (∏ )= ∏ (l + ⅛).
1=0
Ειδικότερα, για σταθερό ∕ 1., ik = i⅛ k , βρίσκουμε τον απλό ανατοκιστικό
κανόνα της (1) (με Ρ = X(0) = 1),
X(∏) = (l + ∕) 0 .
Π α ρ α δ ε ίγ μ α τ α K (t) :
α) K (t) = 1+ it (α π λ ό ς τόκος): Αντιστοιχεί σε ένταση
η 7 . . . i
ύ ι ~ 7— ~,
, ,JΤ, = ,μ. = ι.=
, — r
' 1+ it ‘ ' 1+ it
β) Ο (α ν α λ ο γ ισ τ ικ ό ς ) νόμος α να τοκ ισ μ ο ύ με
K ( t) ≈ e t ,
δίνει
70
ι⅞u(f + s) - ηjU
s[l + ηιά]
. , π
(παράδειγμα θετικού ανατοκισμού μέχρι t = - κα ι α ρ ν η τ ικ ο ύ ανατοκισμού
π
μετά-για t > —\
Γαλλικά). Το Αγγλικό annuity αντανακλά την ετήσια βάση των (χρηματικών) καταβολώ ν. £τα
Ελληνικά, έχει γίνει χρήση και των όρων; χρηματική ροή [3], χρηματοσειρά, παροχή» πρόσοδος,
περιοδική καταβολή. Ίσως η "χρηματοοειρά* να είναι η καλύτερη, μαθηματική απόδοση.
71
Έτσι η συνολική παρούσα αξία των η δόσεων είναι ίση με το παρόν χρέος Ρ,
δηλ. η (8) στη μορφή
Ρ = R{Pi + Pl +...+P,) = P[(l + ∕)^ , +...+(l + / Γ ] (8)*
9.158.400 _ 9.158.400
9.158.400 ×(l + ∕)^ β = 6.998.624
(1,0075)36 1,3086
πολύ μικρότερη των 8 εκατομ. δρχ.» που μετά τριετία έχουν (μέλλουσα
α ξ ία 1 8.000.000×1,3086=10.468.800.
⅛ = ο +'■)■*■.=
tι+ιy^ι. (16)
Ομοίως η συοοωρευμένη α ξία της ληξιπρόθεσμης ρ ά ν τα ς, συμβολιζόμενη
με s„, είναι
= (1 + ∕ ) X . (17)
1
1—ν 10 1~7
Ομοίως (βλ. Ασκ. 4) ότι η μέλλουσα αξία συνεχούς ράντας η περιόδω ν είναι
=«'·<?.. (19)
ό
Εύκολα μπορεί να δειχθεί (Ασκ. 5) η
d < δ < i, (20)
κ α ι από τις σχέσεις (13), (15) και (18), βλέπουμε ότι
αa < α a < α a , (21)
όπως άλλωστε αναμένεται "διαισθητικά" από τη διάταξη τω ν χρόνων
καταβολής της ράντας (καθυστερημένη πληρωμή έχει μικρότερη παρούσα
αξία).
Σε καθεμιά από τις 3 ράντες της (21) αν το η —⅜o o , έχουμε τις
αντίστοιχες "αενναες" ρ ά ν τ ε ς :
,. .. 1-υ* 1
= lιm a t - Iιm — ;— = —,
n→- Λ-»·· y y
_ ,. _ ,. l - υ a 1
α_ = Jim
λ^∙∙*
α = Jim-------
b ~, ~ δ
= —, (22)
δ
.. .. .. ,. ∖ -υ a 1
a~ = Jim cr = Jim------- = —.
Λ→~ d J
Κι εδώ ισχύει η αντίστοιχη της (21), δηλ.
α. < α- <α- . (23)
όπως δείχνουν οι (22) και (10).
ΑΣΚΗΣΕΙΣ
- CΛ'-1
fi ’
I
5. Να δειχθείη (20), (Για τη d < δ εξετάστε το ∫(1 + x)~'dx).
ο
11. Υποθέτοντας την ίδια θνησιμότητα 4O%o την περίοδο από την εποχή
του Κ α ίσ α ρ α Αυγούστου (0 μ Χ ) 1 με παγκόσμιο πληθυσμό 250 εκ. έως το
1750 μΧ, με πληθυσμό 790 εκ., υπολογίστε τ∏v αντίστοιχη
γεννητικότητα και συμπεράνετε ότι και πάλι (προϊστορικά κα ι
ιστορικά) το b ήταν κοντά στο d.
∫ n 1e'<'-''i d ∕ = ^ ^ . (Η)
'ι
κ α ι, από τις (ί) και (Η), συμπεράνετε ότι οι ζήοαντες (γεννηθέντες) στο
( ζ , ∕ 2 ) είνα ι
t (έτος) Γ ε ν ν ή σ εις
tl =600.000 πΧ 1 (Αδάμ)
rs = 1.650 μΧ 25 εκατομ.
1. Τ υ χ α ίο Ε π ιτό κ ιο .
// X 1 1
Λ ( υ ) = - -------
j 2 - >2 U
g (X ) ≥ t(X )= g (μ ) + g ∖ μ ∖ X - μ ),
από την οποία έπεται η
W ) ) ≥ E (U (X ))= g (∕∕) + g '( μ ) E ( X - μ ) = g ( μ ) .
Α ξίζει να σημειώσουμε ότι και το ότι η διασπορά Δ ( X ) = E ( X - μ ) 2 ≥ 0 ,
δηλ.
E ( X 2) ≥ ( E X ) 2>
είναι πόρισμα της ανισότητας Jensen, αφού η y = x 2 (παραβολή) είναι
κυρτή (παντού).
a ,s l ≥ t ∖ (11)
Π α ρ ά δ ε ιγ μ α δ) Έστω η (κόλουρη) εκθετική σππ του Δ
g ( δ ) * - - .T g ^f > o <<5 ≤<5o∙
ι —s ’
Τ όΐε
S [( l + ∕) ' ] = 4 ⅞ ⅛ δ ( ' z ') = ⅜ ¾ T (1 2 )
d0 t - ι d0 / + 1
όπου d 0 παριστά το προεξοφλητικό επιτόκιο (βλ (10) Κεφ. 4).
3. Τ υ χ α ίο Ε π ιτ ό κ ιο Συνάρτηση του Χ ρ ό ν ο υ
E ( X ) = E (l + ∕) ,
Sr(<υ___________________ f ( Υ ^ 1) = -E (0 )
α) te~ι s , . δ > 0 Δ εν υπάρχει - ∀i
2
I
β) y e " iz ', <5>0 , 0 < / < 1
j 3
ι + r2
*
fc- ο ΙΛ ο
⅜ Ο ΙΛ Ιο ≡U.
-
½ √ '1
δ) O≤<5≤f<5o
ι∂0
(i) E (A a) = E
Λ -Ι Λ -Ι
(ii) E CA B) = E ∑ V ' = ∑ M √ → ),
o n η
(iii) H ( A J = ∫F(V')rff = ∫B ( c - ' z )Λ = ∫Λ i 21(-r) c∕f , (13)
ο ο ο
(iv) Ε (Α Β ) < Ε ( Α Β) < Ε ( Α β ).
(Γ F J^S ! Λ =√
Α Σ Κ Η Σ Ε ΙΣ
^ (A Γ ) = ∑ ( - i) h - —
ι≥o (A' + l)(A '+ 2 )
όπου ετεθη
σ t ( ∕ι ) = l t + 2 1'+ ...+ √ ' = - — + - √ ' + B , -
1 · £ + 1 2 1 2! 3 6!
B∣ = —, Β 3 = — ... είναι οι αριθμοί B e rn o u lli 1.
Ί * .Δ ι α φ ο ρ έ ς μ ε τ α ξ ύ E [Λ ( 7 ) ] κ α ι h ( E ( I ∖) γ ια κ υ ρ τ έ ς h .
Α ν η σππ του I είναι η ομοιόμορφη στο (0,7o ), να δειχθούν:
α )B (l + 7 ) '= ⅛ -
να δειχθεί ότι
2 (' + l)(l+ ⅛ ) , ∙t l - ¾ . u ,
f [(l + O,)=
(∕ + l)(f + 2) ⅛
και για 70 = 0,1, /= 2 0 ,
5 [ ( l + 7 )'] = 3,957 σε σύγκριση με [l + 5 (7 )] 1° = 1,06620 = 3,636
½JΓ[(1 + J ) 30 ] = 18,04-(3,957) j =2,385,
δηλ. διασπορά μικρότερη της των Ασκ. 9, 10.
Fβ = ( l + ∕,) ( 1 + Λ ) ...( l + Zf l ),
κα ι αν τα (ετήοια) επιτόκια I k είναι ανεξάρτητα και ισόνομα, με
E (Ik ) ≈ E ( I ) ≈ μ , V a r(I k ) = σ 2 ,
έχουμε τα εξής:
α) F ( F f l ) = [ l + f ( ∕) ] 0 β) F ( ⅛ ) ≈ ¾ ε σ )
Π α ρα τήρησ η . Α ν θεωρήσουμε την παρούσα α ξ ία της (τυχαίας)
ράντας,
Λ fl = V 1 + V ,1V2 + ...+ V ∣V 2 ...V o , V t = ( l + ∕ 1-)^1 , k = } ,. . . , n .
τότε δεν ισχύει η αντίστοιχη της β), αλλά (γιατί); η
F ( A ,) > a o,E(∏∙
14*. Δ ια σ π ο ρ ά Π α ρ ο ύ σ α ς κ α ι Μ έ λ λ ο υ σ α ς Α ξ ί α ς Ρ ά ν τ α ς .
Ο υπολογισμός απαιτεί τη διασπορά της τμ
Ya ≈ X l + X xX 2 + . . . + X l . . . X β
Γ ια αvισ 1 X l , με
E ( X 1 ) ≈ μ , B ( X 2 ) = β , ∕= 1 ,..., Λ ,
να δειχθεί ότι
2β Λ X- Λ χ·
(i) Var(Γ a ) = -τ — Σ Α ~∑ μ
β β -μ k *ι χ·.ι
α) Ν α υπολογισθεί η β,t i .
β) Ν α δειχθεί ότι
iim ⅜ ι- = 0, lim ⅛ i = l.
, ~, " βt,i , - *~ a t j
ΚΑΤΑΝΟΜΕΣ ΕΠΙΒΙΩΣΕΩΣ
1. Συναρτήσεις Επιβιώσεως
(vi) Λ P O = S (A ).
Ε ιδ ικ ά , η πιθανότητα του (χ) να επιζήσει t έτη και να αποθάνει οτα
επόμενα u έτη συμβολίζεται με το ,∣u q t !
∙∣u <7x ts P [t< T (x )≤ t + u ι
=
(4)
r+u(7x~f <7Λ~(PΛ ^^H U P A
Η ίδια πιθανότητα μπορεί να γραφτεί κ α ι ως εξής
i7 - ∕ , (λ ' + ί < < Χ + f + Ο] 5(X + /) - s(x + t + υ)
* ’* - ------------ ⅛ ------------
Π ίν α κ α ς 1. Κ λ α σ σ ικ ά μ χ κ α ι α ν τ ίσ τ ο ιχα s x .
χρόνου ζω ής X (την f r ∖F ή s)
Α π ό δ ε ιξ η . Ολοκληρώνοντας την (6), βρίσκουμε
92
ή. ισοδύναμα,
2. Κ α τα νο μ ή υπ όλοιπ ης ζω ής.
1 Οσοι (κανείς) έχουν ζωή X που ακολουθεί την εκθετική κατανομή είναι μεν "αγέραστοι** α λ λ 'ό χ ι και
“ αθάνατοι". Επί πλέον οι (11) κ α ι (11)· είν α ι ισοδύναμες: αφού η (11)* δ ίν ει την εξίσωση Cauchy
s(x + t ) ≈ s (x )s (t), με λύση την (1 J).
93
Άρα η σππ
g (l) . o v ) ^ l s(x + t)
s(*) .
_ s '(*
÷ Ο_ g (x ÷Ο s, (x + /)
s(x) s(x) s(x + f ) ,
δηλαδή,
g(J)~tPx' Px+∣
> f ≥ 0, (13)
Αυτό φυσικά σημαίνει ότι η l Px Px+∣είναι σπ, δηλ.
··
∫ ∣PxPx +tdt = 1,
Ο
και ακόμα ότι
d dη d
dttq χ = J, U tP χ )~ j^tPx"^lPxPxH>
πράγμα εύχρηστο στα αναλογιστικά μαθηματικά.
Σημ. Η λογική απόδειξη της (13) είναι άμεση: η πιθανότητα του (χ) να
αποθάνει στο διάστημα (χ + t,x +t + df) είναι ίση με την πιθανότητα
επιβίωσης έως x + ί (με πιθανότητα t px ) και να πεθάνει στο
(x + t,x + 1 + dt^), με πιθανότητα μx *i dt.
Χρήσιμο για τις ροπές της υπόλοιπης ζωής του (x) T(x), έστω Τ είναι
το εξής γενικό
e 1 = ∫ i p j df, (16)
ο
σε συμφωνία φυσικά, με τη γενική σχέση1, για τμ W
Λ≥ 0
f( Λ ( K ) ) = A(0) + £ ∣l - G (k ) ]∆ h (k ), (21)
1-0
όπου Δ συμβολίζει τον "π ρ ό σ ω "(forward) τελεσ∏) δ ια φ ο ρ ά ς
Δft(λ) = Λ(A + l) -/ » (*).
Όπως κ α ι στο Θεώρημα 1, παίρνοντας h ( k ) = k , και h(k) = k 1 ,
βρίσκουμε τις δυο πρώτες ροπές του Κ ( χ ) :
^ ω j = ∑ *-Λ ‰ t = ∑ 1 ÷l P , (22)
1 .0 1-0
(πρβλ (18) γ ια την τελευταία ισότητα)1.
^ ( X 1 (x)) = ∑ ( 2 1 + l ) 1 . 1p , . (23)
Η E [ K ( x ) ] συμβολίζεται με ejt και αναφέρεται ως μ έσ η υ π όλοιπ η η λ ικ ία
(curtate-expectation-of-life).
1 Οπως η (16) και (18) ίτοι και η (22) είναι αποτέλεσμα ολοκλήρωση; ≡ άθροισης (για διακριτές) "κατά
j 0 ^ Λ + f ^ Λ + l^ _ j 0 ^iP,vΛτ+∕^
<z(x) = = Ε [ ∏ x ) ∣T ( λ ') < l] .
J0 Λr+ιZAv+(i ^ ∫ 0 <PΛ7^Λ+∕
δίνει τη συνήθη προσέγγιση του α(χ). Ωστόσο η προσέγγιση αυτή δεν είναι
ικανοποιητική για πολύ μικρές και γεροντικές ηλικίες όπου δεν ισχύει η
ομοιομορφία στη λεγάμενη κ α μ π ύλη Θανάτων
y x = χΑν
όπως φαίνεται στο Σχ. 2, με Co = 100.000. Π ράγματι το ί Α. μ χ
Σ χή μ α 2. Καμπύλη θανάτων
η οποία δίνει τον αριθμό των επιζώντων σε ηλικία λ', προφανώς αυτή έχει
το ίδιο σχήμα με την (ομόσχημή της) συνάρτηση κ α τα ν ο μ ή ς ουρά ς
(επιβιώσεως) $(x) ≡ 1- F(x).
y ≡ < t (χιλ,) ( ί 0 = 100 χιλ.)
ΑΣΚΗΣΕΙΣ
ο
7. Μ έση μ ε ρ ικ ή μ ε λ λ ο ν τ ικ ή ζωή. 'Εστω e x ,π η μέση μελλουσα ζωή του
( Λ) μεταξύ ηλικίας χ και χ + ο. Δείξτε ότι
o a α
e x ,o = p l p x μ x *t dt + n a p x = ∫ ,p x d t.
0 ο
9. Αν μ x+l = t, i ≥ 0 , υπολογίστε:
99
ο
α) c
l P*P*+ l , β) <∙
s(x ) = Ο ≤ χ ≤ 100,
10
υπολογίστε τα
ο
α ) ∖1P∖9 β) I5*7□6 ϊ ) 1J∣IJ‰ Pn E) tfj6
12. Δ ε ίξτ ε ότι ο αριθμός L t , των επιζώντων μέχρι την ηλικία χ, δίδεται
από τις
ι
α) L x = ∫r f x+i μ ,+ l dt + £ r t l β) L x = a(x)C x + [1 -ct(x )]< , +1
0
όπου t x = E ( L x ).
17. Υπό την ομοιόμορφη κατανομή θανάτων (de M oivre), ν α δειχθ εί ότι:
α) η διάμεσος υπόλοιπη ζωή
<7, m ,
m ι = — —— και a - -------- ------
'l- 0 ,5 x *4 l + 0 ,5∕n x
β) η z∏r υπό σταθερή ένταση θανάτων είναι
mx = - l o g ( l - ρ x )
γ) για = 100- χ, 0 ≤ χ ≤ 100, η
<oπ , f > = ^ ∙
όπου ετέθη
∫0 x+∕Z zΛ + r ^
n ∞ x = ~ 7D------------
ίο
1 8 . Αν
up x = exp[-(ιr + 2ux) /1250]
να βρεθούν:
α) η θνησιμότητα μ χ ,
β) η κατανομή της διάρκειας ζωής X και της υπόλοιπης ζω ής Τχ ,
γ) η E ( X ) = E(T 0 ) κ α ι η E [ T J .
i ∣<70 = -2 1 s(l)
∑ i .∣t70 = l∙ και
1·ο
21*. Στην κατασκευή πινάκων Ζωής (επόμενο Κ εφ ά λα ιο ) γ ια χ ακέραιο
κ α ι 0 < r ≤ i στον υπολογισμό της κατανομής της T ( x + Z), δεδομένων
των T(Jc) = K ( k ) , λ = 0,1,..., έχουν υιοθετηθεί διάφορες υποθέσεις. Για
ομοιόμορφη κατανομή των θανάτων στο ( x ,x + ↑) i να δειχθούν:
'<h = tqx , μ x <l ≈ q x ∕ ( l - tqx ), g (t) = qχ (βλ. (13)).
ΚΕΦΑΛΑΙΟ 7
ΠΙΝΑΚΕΣ ΕΠΙΒΙΩΣΕΩΣ·
1. Eισαγctfγικα
• Οι πίνακες ζωής είναι ο θεμέλιος λίθος της ασφαλιστικής επιστήμης, ιδιαίτερα στην περιοχή των
Συμβάντων Ζωή; (Life Contingencies), την οποία μόλις αγγίξαμε στο ανά χείρας.
102
και τελευταία σε εντελώς νέους τομείς, όπως η Θεωρία της Α ξιοπιστίας και
η θεω ρία των Αποφάσεων.
Στα επόμενα παρατίθεται αρχικά μια περιγραφή π ίν α κ α επιβιώσεως
που, σε μια γενικότερη Θεώρηση, δίνει με τη μορφή αριθμητικών δεδομένων
τη χρονική εξέλιξη μιας ομάδας φυσικών όντων σε διάφορες καταστάσεις,
από τη στιγμή της γεννήσεως μέχρι τη στιγμή του (βιολογικού) θανάτου. Σε
ιδιαίτερη παράγραφο ανάλύεται η δομή του πίνακα, ώστε να δοθεί από
στατιστική άποψη μια ερμηνεία του όλου φαινομένου.
3. Π ε ρ ιγ ρ α φ ή τω ν Π ινά κ ω ν Επιβιώσεως
στ) Ο αριθμός των ατόμων που επέζησαν κατά μέσο όρο στην η λ ικ ία χ , L x ,
αντιστοιχεί στον αριθμό των ετών των ατόμων που έζησαν στο διάστημα
( x ,λ ' + 1). Τ ο μέγεθος L χ ορίζεται από τη σχέση:
⅞ = (< v - )+ «Λ » × = 0 Λ ∙..,w ' - 1, (33)
όπου η διαφορά t x -d jt αντιστοιχεί στον αριθμό των ετών των ατόμω ν που
επιβίωσαν στο διάστημα ( Α , Χ + 1), ενώ ο δεύτερος όρος α ντισ τοιχεί στον
αριθμό των ετών των ατόμων που πέθαναν στο διάστημα ( Χ , Χ + 1 ) . Εάν
υποτεθεί ότι
ax = ρ τότε: L x = ί x - ∣d v. (3.4)
ή
Tx = ⅛ + Tx + v (3.6)
η) Η αναμενόμενη ή προσδοκώμενη ζωή κα τά την αρχή της η λ ικ ία ς χ , ex
(πρβλ e jt της (3) του Κεφ. 6). Τ ο μέγεθος e x παριστάνει τον μέσο αριθμό
ετών που θα επιζήσει ένα άτομο που βρίσκεται στην η λ ικ ία χ . Ε ξ ορισμού
ισχύει:
⅛ = P 0 .7 )
4 .τ
Σ τη ν περιγραφή του π ίνα κα θα πρέπει να αναφερθούν οι ακόλουθες
παρατηρήσεις.
1 National Vital Statistics Division o f the National Center for Health Statistics.
Πίνακας 1
Πίνακας επιβιώσεως του πληθυσμού της Ελλάδας (άρρενες) το 1980
Ποσοστό θανά- Επιζώντες στην θνήσκοντες Επιζώντες στο Επιζώντες στο Έτη προσδο-
Ηλικία του στην ηλικία αρχή της ηλι- στην ηλικία χ μέσο της ηλι μέσο της ηλι κώμενης ζωής
X λ’ κίας ζΥ κίας X κίας X
9χ 1χ dχ Lx Tx er
0 0,02266 100000 2266 98368 7215235 72,15
1 0,00102 97734 102 97674 7116867 72,82
2 0,00074 97632 74 97593 7019193 71,89
3 0,00055 97558 55 97529 6921600 70,95
4 0,00048 97503 45 97480 6828071 69,99
5 0,00038 97548 38 97439 6726591 69,02
• * • • 9
• ♦
• • a 9
ποσοστού q x για πενταετείς ομάδες ηλικιών, ή ανά π εντα ετία , τότε είναι
δυνατόν να εφαρμοοθούν γνωστές μ έθ ο δ ο ι π α ρ εμ β ο λ ή ς , όπω ς, π.χ., η
μέθοδος Karup-King, της οποίας οι συντελεστές παρεμβολής ε ίν α ι:
A
‰-5 - <1* f7.v+.<
*7A∙+IO
*7.r+l -0,064 +0,912 +0,168 -0,016
-0,072 +0,696 +0,424 -0,048
9Λ∙+ 3 -0,048 +0,424 +0,696 -0,072
⅛ +4 -0,016 +0,168 +0,912 -0,064
— v ⅝v
If ^~∙
κ
Έτσι, αν υποτεθεί ή προσδιορισθεί ότι M w = 0,4, βρίσκεται ότι:
l " = ⅛ = - (4.6)
0,4 0,4
Προφανώς ισχύει:
ηv = ⅛ κα> (4.7)
ΑΣΚΗΣΗ
Βάσει τω ν δεδομένων του Π ίνακα 1, να εκτιμηθούν οι πιθανότητες
i qjt , κ α ι χ = 97 - 100 και k = 1,...,7.
110
ΚΕΦΑΛΑΙΟ 8
Κ ΙΝ Δ Υ Ν Ο Σ Χ Ρ Ε Ώ Κ Ο Π ΙΑ Σ
U(t') = u + c t- S ( t ') ,
T = min{MZ7(i)<0} (2)
∕>[7√(r + o ) - N ( r ) = λ ∣
7√(s),s≤r] = e^∙1" ^ j ^ - , * = 0,l,... (5)
112
fw { t ) ≈ λ e λ ti ί> 0 . · (6)
2. Σ υντελεστής προσαρμογής
να ισχύει
ct > E [S (t)] = E (X )E [N (r)] = λtμ ή c > λ μ , (7)
Σ χ . 2. Συντελεστής προσαρμογής R
είναι αύξουσα συνάρτηση του θ > 0 , ενώ όταν το θ τείνει στο μηδέν τείνει στο
μ, που είναι η κλίση της εφαπτομένης y = l + μ r = l + Λ i'( 0 ) r της (καμπύλης)
y - Μ (τ') στο r = 0. Επί πλέον η M ( r ) (επειδή Μ '(0 ) = μ > 0, Λ f"(r) > 0
αφού M " (0 ) = H(A r 2 ) > 0) είναι αύξουσα κα ι κυρτή συνάρτηση του r(β λ . και
Κεφ. 2). Υ ποτίθεται μάλιστα ότι η Μ ( r ) υπάρχει για r < γ κ α ι
την (9). Τότε υπάρχει λύση r ~ R > 0 της (8) και η πιθανότητα χρεωκοπίας, με
ΣΑΠ την (1) κ α ι S ( t )y σύνθετη Poisson, δίδεται από την
________ exp[-7gt∕]
ψ {U ) ~ E{ε×p[-RU(T)] ∖ T < ∞} (10)
2. Συντελεστής προσαρμογής
να ισχύει
ct > E [5(f)] = E ( Υ ) E [ N ( t) ] = λtμ ή c > λ μ , (7)
και
θ —> 0 => ψ(u) —> 1,
Σ χ. 2. Συντελεστής προσαρμογής R
Έτσι για θ > 0 η (8) έχει εκτός της τετριμμένης λύσης r = 0 την r = R > 0.
Διατυπώνουμε τώρα το βασικό θεώρημα για ΣΑΙΙ συνεχούς χρόνου:
την (9). Τότε υπάρχει λύση r = R > 0 της (8) και η πιθανότητα χρεοκοπίας, με
ΣΑΠ την (1) και S (t) σύνθετη Poisson, δίδεται από την
Για απόδειξη του θεωρήματος βλ. Κεφ. 12 του [6] (Bowers κ.ά.). Μια
εναλλακτική προσέγγιση μπορεί να δώσει η ταυτότητα Wald (βλ. Παράρτημα
του [2], 1995). Σύμφωνα μ’ αυτήν, ένας τερματικός ή Μ α ρ κ ο β ια ν ό ς χρόνος
Γ,
T = mm{2κSo < - α < 0 ή S f l ≥ ∂ > 0 } , S n = -X j + ∙ ∙ ∙ + J V a ,
E { M (r )- r e x p [ r S ,] } = l. (11)
1= E i P [S τ ≤ - a ] + E 2P [S τ ≥ b]
(12)
= (£ , - E 2 )P [S τ < - α ] + ¾ = (E 2 - £ , ~)P[Sτ > &] + Ε 2 ,
P[S ,r ≤ - α ] = l - P [ S r ≥ h ] .
U ∖ f) = c t - S ( t )
A φ , ετέρου, για φραγμένες ζημιές X ≤ D < ∞ , έχουμε για Τ < ∞ U (7") > - D
Η (14) λοιπόν υπερτιμά την πιθανότητα ψ (u ) i εν όψει της (15), ενώ είναι
ικανοποιητική προσέγγιση για μικρά D (σε σχέση με το ύ), πράγμα που (πρέπει
f ( x ) = β e -f t , x>0 (17)
116
η οποία πληρεί την (9), με γ = β > 0. Έτσι υπάρχει μη μηδενική θετική λύση R
της
ι+ -^ Γ = √ - ό d + β ) ^ - ^ = θ.
β β -Γ
(19)
, -. β - R e
ψ W =- β ~ (20)
δηλ., η δεσμευμένη κατανομή της -U(T')∖ T < ∞ είναι η ίδια εκθετική (17).
Επομένως ο παρονομαστής της (10)
1 Η "αμνησία" - ακόμα και του μέλλοντος - διευκολύνει τα π ρά γμ ιτα και στη ζωή. με
μεγάλη πιθανότητα. Ό χι όμως η εθελούσια.....
117
σύμφωνα κα ι με την (18). Έτσι η (10) και η (22) δίνουν την (20), η οποία σε
συνδυασμό με την (19) δίνει την τελική έκφραση
1 Οβ 1 0 υ
ψ(u), = ------ expρ — — υ = ——τ e ×P - (23)
1+ 0 [ 1+ 0 _ 1+ 0 L 1 +, 0„ Λ
(αφού μ = ∕Γ , = B (X )).
l + (l + 0)r = e r
δίνει τον R . Εδώ απαιτείται αριθμητική λύση (βλ. κ α ι’ ,Aσκ. 1). Έτσι για
0 = 0,2, R = 0,35· για 0 = 0,6, R = 0,88· για 0 = 1, P = l,25. Γ ενικά ο
1 r0
p 'y ^ > = ^ l t l - ≡ dy (26)
v ,(0 )7 =- (25)*
1+ 0
g ( y ) = ⅛ - F ( ∕) J = β<='t r = W -
t ∕ a = I∕ + Λ C - S O , 5 fl = y l + ∙ ∙ + r n (27)
e~ cτ M ( r ) = I ή log M γ ( r ) - c r = Q (29)
1 Η πρόσφατη γλωσσική χρε-ο-κοπία είναι το λιγώτερο μπροστά σ' εκείνη των αξιών η
οποία βοά με το 0-μέγα! Διατηρητέα λοιπόν η χρε-ω-κοπία, με πιθανότητα 1.
119
ίδια με την
λ + cr = ΛΜ ( r )
η οποία με c - ( l + θ)λμ (βλ. (7)) έδωσε την (8), ώστε όταν η ζημιοκατανομή
είναι σ. Poisson, to R = R . Η (10) πάλιν ισχύει με ψ(u) αντί y<(u), R α ντί R
και U f α ν τ ί U τ .
⅜ ≈ 2 <c - √ ι ∖ o l = Δ (Y ∖ (c > μ ) ,
(30)
αντικαθιστώντας στην (29) τους δύο μόνον πρώτους όρους της (31).
Για Υ με κανονική κατανομή 7√(p*,σ 2 ), υπολογίζοντας το R από την
- _ 2 (c -√ )
^ ~ »1
σ
Αυτό οφείλεται στο ότι η N ( μ ' ,σ' ) έχει κ 1 = μ, κ 2 = σ’ και όλες τις άλλες
KJ = 0, για j ≥ 3, χαρακτηριστική ιδιότητα της κανονικής.
Μ ία προσέγγιση του R για Υ με σύνθετη κατανομή όπως της SN στις (5)
και (6) του Κεφ. 3, και με c = (1 + θ')μ', είναι η
ή_ 2θμE (N )___ z3 2 ×
σ 'E (N ) + μ Δ ( N ) ,
^ s s -----------2βu -------
(33)
B (X 2 ) ÷ √ 1 -1
∖P J
£ = maxZ.(f) L (t) = S ( f ) - c t .
= 7>[S(t) - ct ≤ ιι,t ≥ 0] = P [L ≤ ι ∕] .
(35)
7/(0) = P[L < 0] = P[L = 0] = 1- vz(0) = - ° —
1τ σ
X (παραλείπεται η απόδειξη).
121
¼ ( r ) ≡ _______ Ομτ_______
(36)
1+ (1 + u)mr - Λ ∕(r)
ΑΣΚΗΣΕΙΣ
είναι θετική για κάποιο r = r1, τότε R > η, ενώ αν ∕ J ( Γ2 ) <0> θ R < r2 ,
ώστε η < R < r2 . Έτσι σε μια επαναληπτική αριθμητική λύση της (8) (ή της
Α(Γ ) = 0) μπορεί να ληφθεί ως αρχικό ζεύγος (r↑,r2 ) το
π =0, Λ = -----2
Ε (Χ )
Να δειχθεί λοιπόν οτι g(r 2 ) < θ (κάνοντας χρήση, π.χ., του ότι
e rx > l + zx + r 2x 2 /2 ) .
Λ L 2^
β
Συμπεράνετε ότι P [L = 0] = -p -^ .
2 3
I. β = - Π. θ = 1 III. R = -
3 2
(Α) Κανένα (Β) Μόνο το I (Γ) Μόνον το III
(Δ) Μόνο τα I, Π (Ε) Μόνο τα II, ΠΙ
χρεοκοπίας.
123
ΒΙΒΛΙΟΓΡΑΦΙΑ
Τακτικές Α ναφορές
[1] Κακούλλου Θ. (1994) Πιθανότητες (Μέρος Β του παρόντος)
[2] Κακούλλου, Θ. (1978) Στοχαστικές Ανελίξεις, Νέα Εκδοση,
Αθήνα* 1995
Α ναλογιστικά
[3] Αλεξανδρή, Ν. και Παναγιωτοπούλου, Α.: Ασφαλιστικός
Λ ο γισ μ ό ς Εκδόσεις: Α. Σταμούλης Πειραιάς, 199L
[4] Αλεξανδρή, Ν.: Οικονομικά Μαθηματικά, Εκδόσεις: Α.
Σταμούλης, Πειραιάς 1989.
[5] Beard, R.E, Pentikainen, Τ. and Pesonen, Ε: Risk Theory: The
Stochastic Basis o f Insurance, Chapman London, 1977.
[6]1 Bowers, N.L, Gerber, H.U., Hickman, J.C, Jones, D.A. and
Nesbitζ C.J.: Actuarial Mathematics, The Society of
Actuaries, Itaska, Illinois, 1986.
[7] Bυhlmann, H.: Mathematical Methods in Risk Theory, Springer-
Verlag, Heidelberg, 1970.
[8] Feller, W.: Introduction to Probability Theory and its
Applications, Wiley, New York, Τόμος 1,1957, Τόμος 2,1966.
[9] Hogg, R.V. and Klugman, S.A.: Loss Distributions, Wiley, New
York, 1984.
[10] McCutcheon, J.J. and Scotζ W.F.: An Introduction to the
Mathematics o f Finance, Butterworth Heinemann, Oxford,
1986
-0,01 -ο,οΐχ
29 5 και 8 κ e e
33 18 Η (20) Αυτό
35 7κ παρεμβάλλονται παρεμβάλλοντας
43 3 τα (μέλλον) το μέλλον
46 σ χή μ α τα Λζ'/•1 - Ν .*1 =X ∕= 1 ,2 ,...
47 υποσ. (1994) του
49 (13) χ s
II
σχήμα ΡΕ ΡΑ
51 4 = Γ {a } ∣
β>
52 17 του θεωρήματος 2.1 των (22)-(24)
55 (35) Τ(τ) t(τ)
57 3 (2.5) (25)
59 12
59 (42)
60 0 το η το
W 16 Σε τέτο ιες περιπτώ σεις Τότε θεωρούμε
If
17 ασσυμετρική ασυμμετρική
61 Α σκ. 4 με 3κ με
II II
x=l,2 x = l,2 ,. . .
68 16 σ υνεχή ς...) . συνεχούς ανατοκισμού . . . ),
II
1κ Λ
-1
Λ
ιι-Ι
69 ΙΟκ Π Π
71 (8) νη
II
5,6 aπ∣
ι
υ
10 j V
75 2 να πρέπει να
97 1κ β(χ ) 8(t)
99 Α σκ. 1 του να του (70) να
ΜΕΡΟΣ Β
ΠΙΘΑΝΟΤΗΤΕΣ
ΚΕΦΑΛΑΙΟ I
Π α ρ α δ ε ίγ μ α τ α : (Τυχαίων πειραμάτων).
1. Η ρίψη ενός νομίσματος μια φορά. Δυνατά αποτελέσματα: ΚΟΡΩΝΑ (Κ),
ΓΡΑΜΜΑΤΑ (Γ).
2. Η ρίψη ενός κύβου (ζαριού) μια φορά. Δυνατά αποτελέσματα: 1, 2, 3, 4,
5, 6.
3. Η τιμή ενός αγαθού σε δεδομένη (μελλοντική) ημερομηνία. Δ υνατά
αποτελέσματα: Οποιοσδήποτε (θεωρητικά) θετικός αριθμός.
4. Το φύλο νεογέννητου. Δ υνατά αποτελέσματα: Αγόρι (α), Κορίτσι (κ).
σημείων, α π α ιτεί το Α να ανήκει σε μια λεγάμενη σ-άλγεβρα ή πεδίο (σώμα) B orel (Β (Ω ) επ ί το υ Ω, δηλ.
σε μ ια ο ικο γένεια υποσυνόλων του Ωπου περιέχει το ίδ ιο το Ω κ α ι είν α ι κλειστή ως προς τ ις πράξεις της
συμπληρωματικότητας κ α ι αριθμήσιμης ένωσης.
3
Ορισμοί'.
Ένωση A u Β Τομή Λr ∖ B
Ά ρα
( 1-+J λ k Α+Ι
η ∪A l≤ ∑ P (A )+ P ‰ ) = ∑ΛX,)∙
M=l J ί=1 /-I
(π),∙ = ∏ (n -1 )...(∏ -v + l) =
των ν) διατάξεις.
15-5-2 5
15-14 ^^7
<4
διότι γ ια καθένα από τους1 3 τρόπους εκλογής 3 άσσων από τους 4
48
άσσσους αντιστοιχούν τρόποι εκλογής δύο χαρτιών μη "άσσων" από τα
2
υπόλοιπα 48 χαρτιά.
9
2 .2 . Δ ειγμ α το λη ψ ία με ΕπανάΟεση
P ( A ) = - (απόλυτηπιθανότητα).
6
Η εμφάνιση του Β περιορίζει το δειγματοχώρο Ω στο B = {2,4,6}. Έτσι,
επειδή τα 2,4,6 είναι ισοπίθανα,
(Δεσμευμένη πιθανότητα).
3 3 /6 Ρ(Β) Ρ(Β)
4 1
P ( A ∣ B ) = - = - , (αφού οι φιγούρες είναι 12 κ α ι οι Ρήγες 4). Έτσι
II
4/52 P(Λ∕>)
P (Λ ∣P ) =
12/52 P(D ) '
Mr> τη συλλογιστική αυτή Εισάγεται ο εξής.
Ομοίω ς, α ν Ρ ( Λ ) > 0, P ( β ∖A ) ≈ ·
P (A B }
Έ χουμε εξ ορισμού, για P(B)>0, P ( A ∖B ) = - j ^ , το οποίο δίνει
P ( A B ) = P ( B ) ∙P ( A ∣B ) (2)
Ομοίως α ν P ( A ) > 0 , βρίσκουμε
P ( Λ B ) = P ( A ) P ( B ∣Λ ) (3)
και οι (2) κ α ι (3) δίνουν τον τύπο
P ( A B ) = P ( Λ ) P ( B μ ) = P ( B ) P ( Λ ∣B ) (4)
ο ο π οίος αναφέρεται και ως π ο λλα π λ α σ ια σ τ ικ ό ς τύπος των
πιθανοτήτων.
12
3 .3 . Α ν ε ξά ρ τ η τ α Ενδεχόμενα
Α ν συμβεί να έχουμε
' V ∣ S ) = η ^ - ~ ∕ , (4 ). ( P ( B ) > 0 ) ,
αφού
P ( A ) = P ( Λ ) = P ( Λ ) = ∣.
Αλλά
P(ΛIΛ2ΛJ )=0 ≠ P ( Z ,) . P(,A 1 ) ■P ( ∕l j ) = i,
Ο
ώστε να μην ισχύει η (5).
Κατασκευάστε ένα πιο "ρεαλιστικό" π α ρ ά δ ειγμ α
3 .4 . Α νεξά ρ τη τα Π ειράματα
^ 1 1 1 1
Κτ ] = - × - × . . . × λόγω του ότι υποθέτουμε, γ εν ικ ά , ότι η φυσική
2 2 2 2“ ’
α ν εξα ρ τ η σ ία συνεπάγεται την σ τ ο χ α σ τ ικ ή α ν ε ξ α ρ τ η σ ία (όχι το
αντίστροφο).
Α ν βγάλουμε ένα χαρτί από καθεμιά από δυο τρά π ουλες, τότε 7(2
"άσσων καρρό") =7(εvας "άσσος καρρό" από την πρώτη τρά π ουλα ). Τχένας
( j λ / ι Λ ( j λ3
"άσσος καρρό" από τη δεύτερη τράπουλα) =| — 1·^— J = ^ — | . (Βλέπε
3 .6 . Δ ι α κ ρ ιτ ο ί Χ ώ ρ ο ι κ α ι Δ ια κ ρ ιτ έ ς Τ υ χ α ίε ς Μ ετα β λ η τ ές
Π α ρ α δ ε ίγ μ α τ α ·.
α) Ρίψη ενός νομίσματος τρεις φορές: το πλήθος των αποτελεσμάτων είναι
8 = 21*3 , με Ω = { K K K ,K K Γ ,K Γ K ,Γ K K ,K Γ Γ ,Γ K Γ t Γ Γ K ,Γ Γ Γ }
β) Ρίψη ενός νομίσματος έως ότου εμφανισθεί κορώνα για πρώτη φορά. Εδώ
το πλήθος των δοκιμών, άρα κ α ι των αποτελεσμάτων, ενδέχεται να είναι
άπειρο, α λ λ ά αριθμήσιμο: Ω = { K ,Γ K ,Γ Γ K t Γ Γ Γ K ,...} , με σημεία όλες τις
ακολουθίες Γ εκτός του τελευταίου "όρου" που είναι Κ .
Ο ρ ισ μ ό ς: Τ υ χ α ία μ ε τ α β λ η τ ή (τμ) ή σ το χ α σ τ ικ ή μ ε τ α β λ η τ ή είναι
συνάρτηση (συνήθως με πραγματικές τιμές) μ ε π εδ ίο ο ρ ισ μ ο ύ το
δ ε ιγ μ α τ ικ ό χ ώ ροΧ , Αυτή καλείται α π α ρ ιθ μ η τή ή δ ια κ ρ ιτ ή αν λαμβάνει
μόνο πεπερασμένο ή το πολύ αριθμήσιμο πλήθος τιμών.
1Ακριβέστερα, μ ια μετρήσιμη συνάρτηση X επί του Ω. Η πραγματική τμ X κ α λ ε ίτα ι μετρήσιμη
αν για κάδε c, {ω.ω € Ώ ,Χ (ω ) < ο) είναι ένα σύνολο του σώματος Borel Β (Ω ) επί του Ω
(Βλέπε υποσημείωση § 1.4). Η μετρησιμότητα του X εξασφαλίζει την δυνατότητα αντιοτοιχίοεως
16
αποτελούν διαμέριοη του Ω ). Τότε έχουμε τον κ α λούμ ενο τύπο (Θεώρημα)
της ο λ ικ ή ς πιθανότητας (total probability theorem)
P ( A ) = P ( B 1)P (A ∣β 1) + P (5 2 )P (A ∣B 2 ) + ...+ P ( B v,) P ( A ∣ β k ) (6)
(Εδώ το v, του θεωρήματος είναι 2). Έστω Α : η σφαίρα είναι άσπρη. Τότε
P ( A ) = P ( B l ) ∙ P ( ∕l ∣ B 1) + P (B 2 ) P ( ∕l∣B 2 ) κ α ιP ( B j )= P (B 2 ) = ∣
∑ P (B ,∙∣A )=1.
7=1
Λ ύ σ η : Έστω
B 1 : εκλέγεται δέμα τύπου 1,
Β 2 : εκλέγεται δέμα τύπου 2 (με 10% ελαττωματικά),
Α: βγήκε ελαττωματικό αντικείμενο.
18
P ( A ∣B .) = 2 % = - P ( A ∣B ,) = I O % = - .
' 50 - 10
Επομένως η (*) δίνει
P ( B 1∣A )= --------- / 4 ' 1 / 5 °-------- = - και P ( B ,∣A ) = 1 - P ( B . ∣ A ) = - .
" ’ 3/4-1/50 + 1/41/10 8 2l ’ V " , 8
3
Βλέπουμε ότι η εκ των υστέρων πιθανότητα τύπου 1 είν α ι η μίση, —, της a
Π α ρ ά δ ε ιγ μ α 2: (συνέχεια)
Έ να δέμα εκλέγεται τυχαία από τα 100 δέματα και στη συνέχεια
εκλέγονται απ'αυτό δύο αντικείμενα των οποίων το ένα είναι
ελαττωματικό. Ποια είναι η πιθανότητα το δέμα να ε ίν α ι τύπου 1;
Α Σ Κ Η Σ Ε ΙΣ
9*. Στο π α ιγ νίδ ι "bridge" καθένας από τους τέσσερεις παίκτες Α ,Β,Γ,Δ
π α ίρνει δεκατρία χαρτιά. Ζητείται η πιθανότητα α) τουλάχιστον ένας
από τους παίκτες να έχει ένα οποιοδήποτε είδος. (Υπάρχουν τέσσερα
είδη: "Μπαστούνια, Καρρό, Κούπες και Σπαθιά), β) Ο Α να έχει
τουλάχιστον 2 άσσους δεδομένου ότι ο Β έχει έναν άσσο.
Υ π ο δ . Υπάρχουν 52!∕(13!) 4 τρόποι κατανομής στους 4 παίκτες.
14. Παραστήσετε με δια γρά μμα τα Venn όπως στην (§ 1.3) τα παρακάτω
ενδεχόμενα:
ΑΒ', Α Β ' Ό Α'Β, A 'B ', (A B )', Α 'Β 'Γ '
Επί πλέον βρείτε εκφράσεις ( με τις πράξεις u , n ∕ ) γ ια τα παρακάτω
ενδεχόμενα:
α) ακριβώς ένα από τα Α, Β, Γ συμβαίνει,
β) ακριβώς δύο από τα A, Β, Γ συμβαίνουν,
γ) τουλάχιστον k από τα A , Β, Γ συμβαίνουν γ ια k = 0,1,2,3,
δ) το πολύ λ'από τα A, Β, Γ συμβαίνουν γ ια £ = 0,1,2,3.
∑ημ. To AB'∖ J A 'B (μόνο ένα από τα δυο ενδεχόμενα) λέγεται
συμμετρική διαφορά και γράφεται Α Δ Β .
32. Δυο ομάδες Α και Β παίζουν μια σειρά ανεξάρτητων και το πολύ 7
συναντήσεων μέχρι να κερδίσει μια ομάδα 4 παιγνίδια. Δεδομένου ότι η
24
3 3 . Κ α τά την εξέταση ενός ασθενούς υπάρχει η υποψία ότι πάσχει από μία
από 3 ασθένειες A i ,A i ,A i . Ας υποθέσουμε ότι, υπό ορισμένες συνθήκες,
τα 50% του πληθυσμού πάσχουν από την ασθένεια A l , 25% από την
ασθένεια A i και 25% από την ασθένεια Α 3 . Γ ια καλύτερη διάγνωση ο
ασθενής υποβάλλεται σε ορισμένο "τεστ" του οποίου το αποτέλεσμα
είνα ι θετικό με πιθανότητα 25% στην περίπτωση της √41, 50% στην Α 2
κ α ι 90% στην √43 . Το τεστ επαναλαμβάνεται 3 φορές με θετικό
αποτέλεσμα 2 φορές και μια φορά αρνητικό. Π οία είνα ι η πιθανότητα
κάθε ασθένειας μετά το τεστ; {Εφαρμογή το υ τύ π ο υ B a y e s).
38. Δείξετε ότι σν P(√4) > Ο, Ρ ( Β ) > Ο και τα Λ και Β είναι ασυμβίβαστα,
τότε είνα ι και (στοχαστικώς) εξαρτημένα. Σημειώστε ότι, γενικά δεν
ισχύει το αντίστροφο. Δώστε ένα παράδειγμα.
όπου
Πm A v = ∩√4λ, για φθίνουσα {½μ } (ii)
V→- v ≥∣
Iim A v = ∣ J A v για αύξουσα {√4l,}
v - **∙ v≥l
Η (ί) ισοδυναμεί με το Αξίω μα 3 του Kolmogorov. Πράγματι έστω η
περίπτωση (ϊ). Τότε η {√4vc } είναι αύξουσα και
/
c υ 4 > ( n A v ) = A 1 o ( A ' - A l') o ( z 4 ∫ -A ζ ) u ...
κα ι σύμφωνα με το Α ξίω μ α 3
⅛<^∣ A ∙ ) ' ] = m , ) + ∙P(A ' - A , ) + . . . = m , ) + [ ∕ , M i) - p(½,
= ⅛ i, (< )
δηλ.
l - P ( n A v ) → l - P ( A v ) ή P(∏mA v ) = ∣im P(A,.)
Μ* y->®* v→≡*
Ομοίω ς αν η {A t,} είναι αύξουσα αφού Iim A l.= u A l. = n Α'ν> με την Α '
φθίνουσα.
ΚΕΦΑΛΑΙΟ II
ΟΙ ΚΥΡΙΩΤΕΡΕΣ ΚΑΤΑΝΟΜΕΣ
Ο ορισμός αυτός είναι γενικός, δηλ. ισχύει και για μη διακριτές τμ.
po = P ( Λ = 0 ) = l ρ ιχ ;
4
i > ,= P ( X = l ) = ∣ ,
Λ -P (X -2 )-1 ∑X∙1
4
27
Από τον ορισμό (1) της ασκ F(x) μιας τμ Ύπροκύπτουν οι εξής ιδιότητες:
α) 0 < F (x ) < 1 γ ια κάθε χ , χ e R ,
β) Iim F (x ) = F ( ∞ ) = l,
.T→-
γ) hm F ( x ) = F (-∞ ) = 0,
)
Π αράδειγμα·. Μια δέσμη 50 τεμαχίων βιομηχανικού προϊόντος περιέχει
5 ελαττωματικά. Εκλέγουμε τυχαία από τη δέσμη τρία τεμάχια.
α) Π οια είναι η πιθανότητα να υπάρχει ακριβώς ένα ελαττωματικό
τεμάχιο στο δείγμα; β) Ποια είναι η πιθανότητα, ρ, τουλάχιστον ένα
τεμάχιο να είναι ελαττωματικό;
fI 15Y45Ί
Κ2) 99
Pi = P (ένα ελαττωματικό)= - =— .
l 3 J
β) έχουμε
, NZ ■ Λ ,, 1 I 3 ) i45l 541
ρ =1 —Ρ (κανένα ελαττωματικό)=1 — ς
[ 3J
Π . Δ ιω ν υ μ ικ ή Κ α τα νο μ ή
0 ,
b <6 j ° ι i• = i∣' θ6 Y ∣ι Yy r ∏
y ' ^* = i uW f e ι jf ≈ o ∙ 2 o 5 i ∙
'5 Υ 1
b (3 ,5 ∣-)= = 0,3125.
∑ b (k ,v t p)≈∖
Π ράγματι,
V ° (v ∖ .
∑ b < M p ) ≈ ∑ ∖ , L· √ , t = ( p + <z)v = h
ι-=o Ι -Κ-Ο Ι Λ /
j⅛ov κ z∣ ∖-kJ k!
Η α. σ, κ. της διωνυμικής, δηλ τα αθροίσματα:
Ve
Σ χ . 1. Δ ιω ν υ μ ικ ή σπ Σ χ . 2. Διωνυμική ασκ
I I I . Γεω μ ετ ρ ικ ή Κ α τα νομή.
∑ Λ = 1
ν·Ι
Σημείωση: Ισοδύναμα, ως γεωμετρική τμ, έστω JVθ, μπορεί να ορισθεί ο
αριθμός των αποτυχιών πριν την πρώτη επιτυχία, οπότε α ντί της (6), έχουμε
pi .≈ P [ X 0 t= k^]=qk p, Λ = 0 ,l,... .
21 31
=1 -
+<
L ⅛,- . ( r ÷ 2 ) ( v + ∣) u ,+ . _ - rk - A
2' 31 ι∙~Jκ v - l Γ
33
I ll J «>
V. Κ α τα ν ο μ ή P o isso n
Θα δείξουμε ότι
lim b(k,v∖ θ∆t)≈e~6t A = 0,l,2,... (9)
Α πόδειξη: Έχομε
v ( v - l ) ...( v - Α + 1)
b(k,v∖ θ∆t)= (Θ∆e>k (]-Θ ∆ ty- κ
κ V J
Αλλά ότα ν ∆ t= - 0, το v-)*> και επομένως, για A=0,l,...,
ν
Φ α ιν ό μ ε ν α τα οποία α κο λο υ θ ο ύ ν την κ α τ α ν ο μ ή P o is s o n
* Αλλιώς η διωνυμική και η αvtioroιχη Poisson τείνουν προς την κανονική κατανομή (βλ. Κεφ. VII
παρακάτω).
35
∫ f( x ) d r = l.
1 Τ ο Α ε ίν α ι Ο α ύμ α ΐ.
2 Αυτή είναι κ αι η προέλευση του όρου στοχαστικός —τυχαίος.
37
1Για διάκριση της σπ (συνάρτηση πιθανότητας) θα γράφουμε σππ για τη συνάρτηση πυκνότητας
πιθανότητας.
39
∫ f(× )dx.
λ
Έτσι η συνάρτηση πυκνότητας πιθανότητας (σηπ) είναι
κ α ν ο ν ικ ο π ο ιη μ έ ν η (normalized) συνάρτηση πυκνότητας μάζας
(πιθανότητας) με την έννοια ότι πληροί την (//) (αντί της jf( x ) d x < ∞ ) 1 .
Όταν η πυκνότητα είναι σταθερή , δηλ. f(x)=c για όλα τα σημεία η
κατανομή κ α λ ε ίτα ι ομοιόμορφη ή ο μ α λή (στη φυσική, το σώμα είναι
ο μ ο γενές).
Προφανώς λόγω των (/) και (ή), δεν υπάρχει ομοιόμορφη κατανομή σε
σύνολο Α με "μέτρο" μ(A ) = ∙^, αφού πρέπει
c fd x = l και jd x≈ μ (A ) (1)
Λ Λ
5.2 Μ ερ ικ ές Σ υ ν ε χ ε ίς Κ ατανομές.
I. Ο μ ο ιό μ ο ρ φ η Κ α τ α ν ο μ ή
Π. Τριγω νική Κ α τα νο μ ή
∑ X -2
Π Ι. Ε κ θ ετικ ή Κ α τα νο μ ή
Σ χ έ σ η Ε κ θ ετικ ή ς κ α ι Poisson
Έχουμε αποδείξει (βλ. κατανομή Poisson στην §·ίίότι, αν σ'ένα μικρό
χρονικό διάστημα ∆ t το πολύ ένα γεγονός μπορεί να συμβεί, τότε σε μία
χρονική περίοδο ί η πιθανότητα να συμβούν k γεγονότα δίδετα ι από την
κατανομή Poisson, με σπ (συνάρτηση πιθανότητας)
* = 0,1,2.....
IV. Κ α ν ο ν ικ ή Κ α τα νο μ ή
Και για τις δύο, φ(x) κα ι Φ (x), υπάρχουν πίνακες που δίνουν τις τιμές
τους αφού μάλιστα, η Φ υπολογίζεται (μόνο) αριθμητικά.
I ε fφ (x)dx = 1.
Α Σ Κ Η Σ Ε ΙΣ
Ι.Έ ν α δοχείο περιέχει 7 λευκές σφαίρες αριθμημένες από 1-7 και 3 μαύρες
σφαίρες που φέρουν του αριθμούς 8,9,10. Διαλέγουμε κατά τύχη 5
σφαίρες α ) χω ρίς επανάθεση (β) με επανάθεση. Για κάθε περίπτωση α)
κα ι β) να δοθεί η κατανομή
Α) Του αριθμού των λευκών σφαιρών στο δείγμα
Β) Του μικρότερου αριθμού στο δείγμα
Γ) Του μεγαλύτερου αριθμού στο δείγμα
Δ ) Του ελάχιστου αριθμού σφαιρών, ο οποίος απαιτείται για την
εξαγωγή μ ια ς λευκής σφαίρας.
11. Ρίχνουμε ζάρι 20 φορές. Για v = l^ ,...,I5 , δείξετε ότι η υπό συνθήκη
πιθανότητα να παρουσιασθεί ακριβώς 5 + ν φορές άσσος δεδομένου ότι
παρουσιάστηκε άσσος τις 5 πρώτες ρίψεις είναι ίση με
ΛιsS s 15~*'
1 --
δ) f ( x ) ≈ - x e 2 , Λ > 0 , (%2 - κα τανομή).
14. Η ποσότητα ψωμιού (σε ΙΟΟ-άδες κιλών) την οποία πωλεί αρτοπωλείο
σε μ ία μ έρα είν α ι τυ χα ία μεταβληλτή με συνάρτηση πυκνότητας
f( x ) = α x , Q ≤x<3,
f( x ) = a (σ -x ) , 3≤x≤6.
α) Ν α βρεθεί η τιμή του α που κάνει την f πυκνότητα (σππ).
β) Π ο ια είν α ι η πιθανότητα να πουληθούν σε μια μέρα (i) περισσότερα
από 300 κ ιλ ά (Η) από 150 ως 450 κ ιλ ά ;
γ) Έστω Α κ α ι Β τα ενδεχόμενα στα (ί) κα ι (Π). Είναι τα Α κ α ι Β
ανεξάρτητα;
21. Σ ε κατάστημα καταφθάνουν κατά μέσο όρο 20 π ελά τες α ν ά ώ ρα. Ποία
είν α ι η πιθανότητα ο χρόνος μεταξύ δύο δια δ ο χικ ώ ν αφ ίξεω ν να είναι
α) μικρότερος από 3 λεπτά β) μεγαλύτερος απ ό 4 λεπτά, γ) Ας
υποθέσουμε ότι 10% των πελατών αγοράζουν κ ά π ο ιο αντικείμενο. Να
βρεθεί η κατανομή του αριθμού των αγοραστών του αντικειμένου κάθε
ώ ρα. (Υποθέστε ότι οι αφίξεις ακολουθούν κατα νομή (α νέλιξη ) Poisson
με παράμετρο λ=μέσος αριθμός πελατών στη μονάδα του χρόνου).
47
αριθμ. βομβαρδισμών Κ 0 1 2 3 4 5
k βομβαρδισμούς
6.1. Έ ν ν ο ια τη ς Π αραμέτρου
Υ πάρχει τουλάχιστο μια λύση αφού η F δεν κ ά νει πηδήματα (δεν έχει
ασυνέχειες). Στην περίπτωση αυτή, η ευθεία y - δ αφήνει δ εξιά της και
αριστερά της εμβαδόν - κάτω από την καμπύλη y = Γ ( x ) (βλ. Σ χ . 1).
1 δ δ 1
- = ∫ f(x )d x = jd x = δ και δ=-
2 ο ο
β) Γ ια την εκθετική f(x)=θe^βιc η διάμεσος δ = ~ έ η 2 βρίσκεται από την
∫fe-"-'dλ∙=y.
51
Ο ρ ισ μ ό ς . Η διαφορά τ 3 - τ∣ λέγεται ε ν δ ο τ ε τ α ρ τ η μ ο ρ ια κ ό π λ ά τ ο ς ή
ε ύ ρ ο ς ή κύ μ α νσ η είναι δε ένα μέτρο της μ ε τ α β λ η τ ό τ η τ α ς (variability) ή
σ υ γ κ εν τ ρ ω τ ικ ό τ η τ α ς της κατανομής, όπως η δ ια σ π ο ρ ά ή δ ια κ ύ μ α ν σ η
που ορίζεται στην §6.5. Π ολλές φορές α ν τ ί του π λ ά το υ ς τ 3 - τ 1
χρησιμοποιείται, ως μέτρο μεταβλητότητας, το η μ ιε ν δ ο τ ε τ α ρ τ η μ ο ρ ια κ ό
ε ύ ρ ο ς , (τ2 - τ l ) ∕2 , που καλείται κ α ι τ ε τ α ρ τ η μ ο ρ ια κ ή α π ό κ λ ι σ η (quartile
deviation).
53
Ν Ν Ν Ν
όπου f∖ ,f->,f3 είνα ι οι (εμπειρικές) σχετικές συχνότητες (ποσοστά) των
ελαττωματικών, μέτριας και ανώτερης ποιότητας τεμαχίων, αντίστοιχα.
Για μεγάλα Λζ όπως ήδη αναφέρθηκε, η σχετική συχνότητα ενός
ενδεχομένου σε μεγάλο αριθμό απαναλήψεων του σχετικού "πειράματος
τύχης" (εδώ γ ια μεγάλο αριθμό παραγόμενων τεμαχίων του προϊντος)
πλησιάζει την πιθανότητά, του ώστε το μέσο (κατά τεμάχιο) κέρδος του
δείγματος τω ν Ν τεμαχίων να τείνει στη (θεωρητική) μέση τιμή
μ = ( - 1)(0,05) + 2(0,75) + 5(0,20)=2,45 δρχ.,
όπου οι ε μ π ε ιρ ικ έ ς σ χ ε τικ έ ς συχνότητες της (3) α ν τικ α τα σ τά θ η κ α ν
από τ ις α ν τ ίσ τ ο ιχ ε ς π ιθ α νό τητες, δηλ. τα ποσοστά 5%, 75%, 20%.
Έτσι, από την παραγωγική διαδικασία συνεχιζόμενη για πολύ
(μαθηματικώς επ'άπειρο), το αναμενόμενο ανά τεμάχιο κέρδος είναι 2,45
δρχ. Γενικότερα ένας τέτοιος μέσος όρος με βάρη πιθανότητες αναφέρεται
ως α ν α μ εν ό μ εν η ή ελ π ιζό μ ενη τιμή, έστω Έ(Λ') της τυχαίας μεταβλητής
X. Στο παράδειγμ α η τμ παίρνει τις τιμές -1,2 και 5 με πιθανότητες 0,05,
ο,75 κα ι 0,20, αντίστοιχα, δηλ.
F(A r ) = ( - l) P [ % = -1 ) + 2P[X = 2) + 5P[ X = 5].
Όμοια η αναμενόμενη τιμή μιας τμ X που παίρνει πεπερασμένο πλήθος
τιμών x i με αντίστοιχες πιθανότητες p l-i ί = l,...,v , είναι ο β α ρ υ κ εντρ ικ ό ς
ή σ τα θ μ ικ ό ς μ έσ ο ς (weighted average) των τιμών της μ ε β ά ρ η τις
α ν τίσ το ιχ ες π ιθ α ν ό τη τε ς , δηλ
ε m ≈ P ∣*∣÷P⅜ - 4¾ =£ Ρ Λ/ J (4)
p l + p 2 +...+p v ί-)
54
Παρατήρηση: Στη φυσική, ο τύπος (4) δίνει την τετμημένη του κέντρου
βάρους, έστω μ, ν υλικών σημείων ,Y1, Λ,2 ....... λ'v στον άξονα των λ' με
αντίστοιχες μάζες (βάρη) pl ,p j ,...,p v , με τ r ∣ διαφορά ότι εδώ το p l + .∙∙+ p v
δεν ισούται κατ'ανάγκη με 1 (Σχ. 1).
c S
■*----------*■
E (X )= ∣x f(x )d x , (4)
—Μ
pl = P [ X = x t ]= P [X = c * ] = ⅛ Λ = l,2 ,...
(6)
c
η E ( X ) δεν υπ ά ρχει, αφού η (3) αποκλίνει. Όμοια λέγομε ότι δεν υπάρχει η
£ ( Χ ) της X μ ε σπ
ρ Λ = 1,2,...
οπότε η σειρά
Σ Pk×k = -1+1- 1+1-...
n αιω pεiται" μ ετα ξύ -1 κ α ι 0 κ α ι δεν τείνει σε (ορισμένο) όριο·,
Ο όρος "μ α θ η μ α τικ ή ελπ ίδα ", όπως κ α ι η θεωρία πιθανοτήτων, έχει την
αρχή του στα τυχερά π α ιγνίδ ια .
Ε ά ν (α ν α λ ό γ ω ς του παιγνιδιού) ο παίκτης μπορεί να κερδίσει το ποσόν
α με πιθανότητα ρ κ α ι να χάσει (να κερδίσει ο αντίπαλός του) το ποσόν β
με πιθανότητα l - p ≈ q , τότε το ελπιζόμενο κέρδος του (σ'ένα παιγνίδι)
είναι a p - q β . Σ τ α λεγάμενα δ ίκ α ια π α ιγ ν ίδ ια (fair games) η ελπίδα
(αναμενόμενο κέρδος) κάθε παίκτου ε ίν α ι μηδέν. Έτσι στο παιγνίδι
"κο ρώ να -γρά μ μ α τα ", όπου ο παίκτης παίρνει ή δίνει το ίδιο ποσόν a
ανά λογα με το α ν φέρνει κορώνα ή γράμματα κατά τη ρίψη νομίσματος, η
ελπίδα ε ίν α ι μ η δ έν, δηλ γ ια μ ε γ ά λ ο α ρ ιθ μ ό π α ιγ ν ιδ ιώ ν ούτε ο έ ν α ς
π α ίκ τ η ς κ ε ρ δ ί ζ ε ι ούτε ο ά λ λ ο ς .
παρατηρούμε ότι η
f i( X ) = ⅛ ,≡ Λ
*'∕⅛>
είνα ι ο συνηθισμένος αριθμητικός μέσος (όρος)2 των τιμών της x 1 ,...,Λ r .
Ας σημειωθεί ότι η μέση τιμή δεν είναι απαραίτητο να είνα ι μ ία από τις
τιμές της X, όπως στο παραπάνω παράδειγμα.
* Τελικά ωστόσο, ο παίκτης, ακόμα και σε,ευνοϊκό παιγνίδι όπου p > q > παίζοντας με
πεπερασμένο ποσό χρημάτων είναι καταδικασμένες έναντι του (σημαντικά πλουσιότεροι))
καζίνου που πρακτικά διαθέτει “άπειρο” κεφάλαιο (βλ. Θ.Ν.Κ, Στοχαστικές Ανελίξεις, ο.).
2 Το χ οτη Στατιστυ<ή είναι σχεδόν αποκλειστικά η εκτιμήτρια του θεωρητικού μέσου μ από
τις παρατηρήσεις (μετρήσεις) xυ ...,jς του δείγματος,
51
/ Μ—Λ .ι∖
( ∖J —
2
B ( X ) = v p < T ' + ( v - i ) ∕- p + k " V + ...+ J P <Γ2
I 2 ) lv -2 1
=½o(p +<7)v - '= v p .
δηλ. ,(∂πως αναμένεται και διαισθητικά!)
γ) Μ έ σ ο ς τ η ς P o is s o n . Εδώ
-Λ λ 1
Λ = £ Ή ’ k = 0,1,2........
∙∙ h> η£ - οk Μ j £-1 ·. ι ν
B ( X ) = ∑ k p ie = Σ ^ - ⅛ = ∑ kt~* ^ - ≡ Λ ^ ∑ ÷ ~ - = λ e ^ ∑ ± -
Μ ι-ο Λ ! t∙o Λ ! jt-ι (k —1)! ∣~o ν!
= λ e ~ , e, = λ . (2)
Σ η μ . Βλέπε επίσης Α σ κ. 24
a ≤ x ≤ β.
β -α
Άρα
+~ β 1 , 1 Λ 1 ^f β 1 - a 1 α + β
E ( X ) = ∫ x f ( x y) d x = ∣χ -------- d x - -------------- ----- ------------= ------— (3)
—*» a β -α β ~ α \_2 J 2 ( ∕J - α ) 2
δηλ. το μ έ σ ο το υ δ ια σ τ ή μ α τ ο ς (α,β) (κέντρο βάρους ομογενούς ράβδου!)
ε) Μ έ σ ο ς ε κ θ ε τ ικ ή ς .
Η συνάρτηση πυκνότητας της εκθετικής είναι
f ( x ) = θ e '* , χ > 0 .
Ά ρα ,
E ( X ) = ∫ x f ( x ) d x = ] θxe'a ' d x = - ] υe~u d u = - , (4)
μ ο ν ά δ α του χρ όνου .
στ) Μ έ σ ο ς κ α ν ο ν ικ ή ς
Έστω η κανονική μεταβλητή X με πυκνότητα:
1 (∙*-p)i
f ( x ) - - 7 = = e a' 1 , - o o < Λ < ∞ ,
σ√2π
θα δείξουμε ότι E { X } = μ
Έ χουμε
f m = i ⅛ ' ’■ Λ ·
q (y ) ∣
g ( - y ) = - ς ( y ) και δεδομένου ότι ∫ ∣ dy < ∞ j το ολο κ λή ρω μ ά της
—00
« *> 0 *> «
∫ q (y )d y = I q ( y ) d y + j g ( y ) d y ≈ J g (y )d y - J q (y ) d y = 0 .
— — ο ο
= E ( X ) + e.
59
6 .6 Ρ ο π ές. Δ ια σ π ορά
£ ( r ) = jy i' y (y ) d Y ,
—co
όπου f r (y) η πυκνότητα πιθανότητας της Υ. Α υτό όμως δεν είναι
απαραίτητο διότι μπορούμε να βρούμε την E ( Y } από την ∕ a ∙(∙)> χω ρίς την
4 ( ·) :
5 ( y ) = i⅛ ( A - ) ) = , j" i ( Λ - ) Λ - ω * = iχfγ(.y'>dy (1)
όπου f x η πυκνότητα της X (η απόδειξη της (1) "επ α φ ίετα ι στη φ ιλοπονία"
του αναγνώστη). Το ίδιο ισχύει κ α ι για απαριθμητές μ ετα βλητές. Έ τσ ι η 2 fi
ισότητα στην (1) μπορεί να λη φ θείκ α ι ω ς ορισμός τ η ς E [ g ( X ) ] 2 .
Ε ( y )= F U j )= T ⅛ m = K =
— 0-
Ροπές ν Τ ά ξ η ς
Κ εντρικές Ρ ο π έ ς . Λ ια σ π ο ρ ά
2Τόοο η (1) όσο κι οι (2) και (4) της § 6.4 ισοδυναμούν με τον ορισμό: Έστω X = X (ω ), α>eΩ
όπου ο Ω δια κ ριτός δειγματοχώρος. Τότε ∙E(-V)=∑X(ω)P(α>) όπου Ρ(α>) η πιθανότητα του
σημείου ω: Το συνεχές ανάλογο είναι πιο λεπτό να διατυπωθεί στοιχειωδώς.
62
την μέση τιμή της. Ν α σημειωθεί ότι η διασπορά της X είνα ι ο μ έ σ ο ς των
τετραγώ νω ν των απ οκλίσ εω ν των τιμών της τμ α π ό τ η ν μ έσ η τιμή
(κέντρο) μ . 1
Σημείω ση·. Οι τιμές της διασποράς και της τοπικής απ όκλισης μιάς
μεταβλητής παριοτάνονται συνήθως με τα σ 2 κ α ι σ, α ντίσ τοιχα . Κ α μμιά
φορά το σ i παριστάνει επίσης και την ίδια την π ρ ά ξ η { τ ο ν τελεστή)
υπολογισμού της διασποράς, δηλ
a2 ( X ) = Δ ( X ) - V a r ( X ) - V ( X ) ~ D { X ) . (4)
Ιδ ιό τ η τ ε ς της διασποράς
Α π ό δ ειξη ; Έχουμε
Δ ( X + c ) = £ [ ( Χ + c) - E ( X + c)]2 =
E [(X + c - E (X ) - c ]= B [Υ - E ( X ) ↑ = Δ { X ) .
Α π ό δ ειξη ; Έχουμε
Δ (a X )≈ E [(a X ) - E {a X )↑ =
= E [ a ( X - Ε ( Χ ) ] 2 = E { C Γ [ Υ - £ (Ύ )] 2 j = α 2E [ X - £ ( Χ ) ] 2 = a 2 Δ ( X ) .
= 2α ροπή - (μέσος)’ .
(ίο)*
(i) Δ ( X ) ≈ E ( X - μ ) 2 = - 7= f ( * - μ ) 1 e 5 dx
σ<j2π —
Με την αλλαγή μεταβλητής,
η (ί) γράφεται
2 4»»
Δ ( X ) = - ⅛ - iu 1 e- l'2" 5du.
√2π _ί
Ολοκληρώνοντας κ α τά μέρη (πρβλ. Γάμμα κατανομή, Ασκ, 25, Κεφ. II)
— ∙ → - ,ziu2
A(Λ r ) = - ^i e ,,lυ J Λι = 0 + σ1 ∙l= σ 1 .
Δ ( X ) r ,9
X
δηλ η X είναι Ν - ,9 .
λ t,
l, k a t , " '-Γ7, k «0,1,2,.., ,
kl
4 [ g ( Υ ) ) - [i ⅛ ) ] 1 α , . (2)
g ( X ) = g {μ ) + ( X - μ )g'(μ ) g "W + (3 )
5 ( S 2 )= 3 00 0 ∫4(l - 0,005i)2'4i~, Λ
ίο
Αντ'αυτού χρησιμοποιούμε λοιπόν τις προσεγγίσεις (1) και (2). Γ ι’αυτό
απαιτούνται οι
5(15), g'(15) κ α ι √'(15),
όπου
g (0 = 2 (l - 0,0□5f)l ∙2 .
Βρίσκουμε g (l 5)=1,82
g ' ( t ) = - 0,012(1 - O,OO5f)o '2 , g ' ( 1 5 ) = - 0 ,0 1 ,
και
g zz (f) = O,000012(1 -0 ,0 0 5 0 “°'®, g zz(15) = l ^ x l ° \ ρ
(O,925) O '8
Έ τσ ι βρίσκουμε τις προσεγγίσεις
75
E (S ) ≈ g ( l5)+ -→ "(15) = 1,82 (dyn / c m ) ,
£
Δ (S ) = 75[√(15)]2 =0,0075 (dyn / cm ) 2 .
Α Σ Κ Η Σ Ε ΙΣ
1 . Δ ε ίξε τ ε ότι η μέση τιμή μ μιας μεταβλητής X έχει την εξή ς ιδιότη τα :
min E { X - c } 2 = E ( X - μ ) 2 = Δ ( Χ ) ,
C
με φυσικό ανάλογο το ότι "η ρ ο π ή α δ ρ ά ν ε ι α ς π ε ρ ί σημείο ο
ελαχιστοποιείται όταν c = μ , το κ έ ν τ ρ ο β ά ρ ο υ ς . Σ υ μ π ερ ά ν ετε επίσης
ότι, προκειμένου για παρατηρήσεις (μετρήσεις) x 1, . . . , x v η λεγόμενη
2 . Δ ε ίξε τ ε ότι
m in B [ ∣X -α ∣] = 4 ∣X -< 5 ∣]
α
όπου δ η διάμεσος της X (βλ. (1) της § 6.2).
Α ν χ (1) ≤ x w ≤ ...≤ X M είναι οι διατεταγμένες π α ρ α τη ρ ή σ εις (τυχαίου
δείγματος) της X , τότε η δειγματική διάμεσος ( " μ ε σ α ία ” παρατήρηση)
ε ίν α ι η
x (Jt+1) αν v = 2 λ + l, περιττός
t∕ = < ,
( ¼ ) + ¼ + i) ) ∕2 α v v ≈ 2 ∙^r , άρτιος
4. Εύρεση της μέσης τιμής "γραφικά" (γεωμετρικά). Δείξετε ότι για συνεχή
μεταβλητή X με πυκνότητα f( x ) και συνάρτηση κατανομής F (x ),
έχουμε (βλ. κ α ι Ασκ. 27, παρακάτω)
βθ 0
μ = B ( X ) = ∫[ ( l- F ( x ) ] d x - ∫F (x )d x .
ο —>
Ό’ ∑
Η τιμή αυτή συμφωνεί με την τιμή που δίνει ο ακριβή; τύπο;
V 1__ f e a *, +1
4⅛ , ι + P ∖ βu - J ,
Ευχαριστώ τον συνάδελφο κ. Α. Τοαρπαλιά για την ακριβή αυτή έκφραση του ∏o.
68
7. Δείξετε ότι αν υπάρχει η ροπή ν τάξης μ'v , τότε υπάρχουν όλες οι ροπές
μικρότερης τάξης μ'k t k =1,2,..., ν - 1.
j -ħ∑3
f ( χ ) t= — c π
2a
Ν α βρεθούν η μέση τιμή και η διασπορά της (πρβλ Ασκ. 13, Κεφ. Π)
12. Δ είξετε ότι η i'-οστή ροπή της κανονικής κατανομής 7V(0,l) είναι
μ t, t= l'3 ...( v ~ l) , για ν ζυγό,
μ v ≡0, για ν μονό.
Σ υμπ εράνετε τις κεντρικές ροπές της T√(μ,σ2 ).
τη βοήθεια του αναγω γικού τύπου (i). Ομοίως της Poisson με 1=1 για
p t < 0 ,0 1 (e~1 = 0 ,3 7 ) βάσει του (ii).
Δείξετε ότι εάν η μέση τιμή της κατανομής υπά ρχει, τότε ε ίν α ι ίση με a
(πρβλ. Αοκ, 5 και 1Γ).
(Η)
2 0
ΡΊ ,Ο~ =0,092.
7 .2 . Δ ιδ ιά σ τ α τ ε ς κατανομές
'-ι √-ι
κα ι
Λ * .y ) ≥ θ j " ∫ f( x ,y ) d x d y ≈ l t για συνεχείς τμ.
»· —
— Μ
Ά λ λ ο ς τρόπος προσδιορισμού της κατανομής του ζεύγους(%,Γ) είνα ι
μέσω της ασκ, δη λ. της α ηό κοινού (αθροιστικής) συνάρτησης
κα τα νομής.
Ιδιότητες της F ( x , y )
a) F (+ ∞ , +<>o ) = l ,
β) F ( - ∞ , y ) = F ( x , - ∞ )= 0 , για όλα τα ( x ,y ) e K 2 ,
γ) (i) Γ ια κ ά θ ε y e R , l
F ( ∞ ,y ) = P ( X ≤ - , y < y ) = P ( K ≤ y ) = F r (y),
(ii) Ο μ ο ίω ς γ ια κάθε χ e R
F (x ,∞ )= F x (χ)
δ) Η F ( x ,y ) είν α ι μ η φθίνουσα συνάρτηση για καθεμιά από τις
μεταβλητές χ κ α ι y , δη λ.
-F(x l ,y ) ≥ F (x 2 ,y ) a v x l > x 2 (για κάθεy ) ,
F ( x , y j ) ≥ F ( x ,y 2 ) a v y 1 > y 2 (για κάθε χ)
Ε) ZUJ1O
⅛ OFCΛ + ΔΧ + ^ 7 + ) = F ( x ,y ) , ∀ ( x ,y ) ∈ R 2 ,
δηλ. η F ( x ,y ) ε ίν α ι συνεχής εκ.δεξιών (ως προς χ) και "εκ των άνω” (ως
π p o ςy)
δ) Δ ι π λ ή υ π ερ γεω μ ετρ ικ ή .
Μ ία κ ά λπ η περιέχει Κ κόκκινες, Μ μαύρες και Λ άσπρες σφαίρες.
Βγάζουμε δια δο χικ ά χ ω ρ ίς επανάθεση ν σφαίρες. Έστω X ο αριθμός των
άσπρων σφαιρών, οι οποίες εξάγονται, και Υ ο αριθμός των μαύρων
σφαιρών. Η α π ό κοινού κατανομή των X και Υ ή του ζεύγους (Ύ ,Γ) (ο
αριθμός των κόκκινω ν είναι τότε ορισμένος, ν - Χ - Υ ) καλείται δ ιπ λ ή
υ π ε ρ γ εω μ ε τρ ικ ή κ α τ α ν ο μ ή (πρβλ. § 4.2 s I), με συνάρτηση πιθανότητας
( z Υ ΜΥ Ε
p f, ≈ p ( x ≈ > , r = √ ) = ^, ^∙, A^Γ'^- , o ≤ ∕+ √ ≤ v , (2)
J
όπου τέθηκε Ν = Λ + Μ + Ε .
Π ροφανώ ς θεωρώντας k +1 χρώματα ( Ν . χρώματος ή i = 1,..., k + 1 ,
I- (NA
∏
/ 11 V / * '*
P [ X l = vn ...,A ' jt = v J = η A ⅛ A *'t= ∑ > o v∕≥ 0∙ / t= 1 » - » * + l .. (2)*
υ J
ε ) Π ο λ υ ω ν υ μ ικ ή κα τ α νο μ ή .
Θεωρούμε ν ανεξάρτητες δοκιμές, τέτοιες ώστε σε κ α θ ε μ ιά απ'αυτές
μπορεί να συμβεί ένα (και μόνο) από k ( k ≥ 2 ) ασυμβiβ α 0 τ α κ α ι μόνα
δυνατά ενδεχόμενα 4 l ,Λ l ...... A l ., με P ( A l ) ≈ p i , Τότε p i + p 2 + , , , + p = ] .
Έστω X . ο αριθμός εμφανίσεων του ενδεχομένων Α , σε ν δοκιμές,
(ζ = 1 ,2 ,...,Λ'). Η από κοινού κατανομή των X i, X 2,...tχ i λέγεται
π ο λ υ ω ν υ μ ικ ή κα τ α νο μ ή .
Ν α σημειωθεί ότι, επειδή το ν είναι ορισμένο κ α ι Χ } + χ 2+ ,+ X l =ν
έχουμε λ - 1 σ υνα ρτησια κά (γ ρ α μ μ ικ ά ) α ν ε ξ ά ρ τ η τ ε ς τ υ χ α ίε ς μεταβλητές,
έστω τις Λ ' l , X 2 , . . . , X x. . 1 δεδομένου ότι X k = v ~ ( X i + X 2 + . . , + χ i ι ) t
Η από κοινού συνάρτηση πιθανότητας των X l ....... Λ'Λ..1 δ ίδ ετ α ι α π ό την
όπου
vx. = v - v 1- . . . - v r . l , p i. = l - p l - p 2 - . - p j^ .
Η απόδειξη είναι ανάλογη της διωνυμικής (k = 2, p 2 ≈ 1 ~ p l = ↑- p = q ).
Ω ς συνάρτηση πιθανότητας η (3) πρέπει να πληροί την
∑ P [ X l ≈ v ι> ∕ = 1 ,...Λ ] = 1,
•7
η οποία εύκολα αποδευ<νύεται με τη βοήθεια του τύπου τού π ο λ υ ω ν υ μ ικ ο ύ
α ν α π τ ύ γμ α τος.
(x l + x 2 + ...+ x k ) v = ∑
v v v
vl ,~Λ∣ P 2" " k 1
7-
x '(x 2 i ...x ^ (4)
----⅛ (W
7 .4 . Ε π ί Μ έ ρ ο υ ς (ΙΙερ ιθ ώ ρ ιες) Κ α τ α ν ο μ ές
όπου
f ( χ l ,y l )≈ P [x = χ l >Y=y l ]=pl j
π ρ ο κ ύ π τ ε ι α π ό την α π ό κ ο ιν ο ύ σ υ χνό τη τ α ό λ ω ν τ ω ν μ ε τ α β λ η τ ώ ν . Ο
όρος "περιθώρια" προέρχεται από τη διάταξη μ ια ς διμ ετα β λητη ς κατανομής
σε π ίν α κ α όπως ο παρακάτω, όπου
P∣ ° ∑ P u · P j e s i L p ∣j ∙
y-ι '-∣
Υ Π ερ ιθ ώ ρ ια της X∙.
y∣ /3 999 y<< Ά θ ρ ο ισ μ α γραμμής
_____________ £1____________ P∣∣ Pv^ P ∖3 •∙ ∙ Pw Ρν
A'2 Ρ ι·
λ .ι Ρ3-
• «
• •∙ ∙
Η)
Σ (5)
(πρβλ. g ( X ) της § 6.6). Όπως και για την Ε (Χ ) (§ 6.4), λεχο/ζεν άτι η
E{g(X,Y)} υ π ά ρ χ ε ι α ν η σειρά ή το ολοκλήρωμα στην ( ! ) συ γκ λίνει
α π όλυτα .
Ιδιαίτερο ενδιαφέρον στη στατιστική παρουσιάζει η περίπτωση
g(× ,y')= (x - μ x X y - μ y }t όπου μx =Ε(Χ) και μy =£(Τ).
Π ρ ό τα σ η 1.
C ov{X t Y ) = E { X Y ) - E ( X ) E ( Y ) ≈ E ( X Y ) - μ x μ y . (2)
Α π ό δειξη:
C o v (.X ,Y ')≈ E { (X - f l ,) ( .Y - μ r ) ] = E [ x Y - μ , X - μ , Y - μ , μ y ]
=E (X Y ) - β (p j ,X) - B (μ x γ∙) + μ ,μ y
= E ( X Y ) - μ y E (X ) - μ x B (Y ) + μ ,μ r = E ( X Y ) - μ ,μ y .
Εύκολα αποδεικνύονται και οι ακόλουθες προτάσεις:
Π ρ ό τα σ η 2. C ov(X + Y i Z )= C o v (X ,Z ) + C o v (Y ,Z ).
Π ρ ό τα σ η 3. C ov(X t X ) = Δ ( X ) l
Δ ( X ± Y )= Δ (X ) + Δ ( Y ) ± 2 C o v ( X i Y'). (3)
Ο ρ ισ μ ό ς: Γ ια μ ια μεταβλητή X μ Β E ( X ) = μ , Δ ( X ) ≈ σ 2 , καλούμε
(αντίστοιχη) τ υ π ο π ο ιη μ έν η X , έστω X * t την
χ ·= * - μ
σ
Τότε E ( X * ) = 0 κ α ι Δ ( X ' ) = l.
Αποδεικνύουμε τώρα τη δεύτερη σημαντική ιδιότητα του ρ: (βλ. Ασκ. 33)
(Π) -1 ≤ ρ ≤ 1.
Α π ό δ ε ιξ η : Παρατηρούμε ότι ∣p∣=l αν, και μόνον αν, στην (6) ισχύει η
2 i ( A ' ± y , )= o .
Α λ λ ά αυτό ισχύει τότε κ α ι μόνον όταν (βλ. Ασκ. III 19)
p [ x , + y* = c ]= ι (7)
σ. °,
84
Y = μ ~ - { X ~ μ x ), (9)
°,.
δ η λ , ουσιαστικά, οι X και Υ είναι αντίθετες.
Έ τσ ι αν ∣p ∣= l έπεται ότι η "μάζα πιθανότητας" της διδιά σ τα τη ς κατανομής
των X κ α ι Υ συγκεντρώνεται (κατανέμεται) σε μ ια ευθεία, έστω
Y =a + βX (1θ)
με πιθανότητα 1.
Γι'αυτό, όταν p ( X ,Y ') = ± ↑ ως διάσταση της κ α τα ν ο μ ή ς των X και Υ
λα μ β ά νετα ι η μονάδα, δηλ. η διά σ τα σ η τ ο ν γ ρ α μ μ ι κ ο ύ χ ώ ρ ο ν στον
ο π ο ίο συγκεντρώ νεται (κατανέμεται) η μ ά ζα π ιθ α νότητα ς (η κατανομή).
Τέτοιες κατανομές καλούνται ιδ ια ζο υ σ ες (singu lar), με την έννοια ότι η
ο λ ικ ή μ ά ζα πιθανότητας (η 1) συγκεντρώνεται σε υπόχω ρο με διάσταση
μικρότερη του αριθμού των μεταβλητών. Ορθότερη ο ν ο μ α σ ία του ρ είναι
σ υ ν τ ε λ εσ τ ή ς γ ρ α μ μ ικ ή ς συσχέτισης.
Γ εν ικ ό τερ α έχουμε τον εξής ορισμό.
β=ρ—
minB(T - α - β Χ Ϋ =σ 2 (l - p
2 ), (13)
Μ
καλείται διασπορά γραμμικής παλινδρόμησης της Υ επί την X ή
υπόλοιπο (ή κατάλοιπο) διασποράς από την παλινδρόμηση της Υ επί
την X . Παρατηρούμε ότι η αρχική διασπορά σ y1 της Υ ελαττώνεται κατά
την αναλογία (1 - Ρ 2 ):1 όταν από τη Υ αφαιρεθεί η άριστη γραμμική
εκτίμηση (πρόβλεψη) της δια της X . Η πρόβλεψη της Υ είνα ι τόσο
καλύτερη, υπό την έννοια μικρότερου υπόλοιπου διασποράς, όσο
μεγαλύτερος είναι ο |ρ|, η απόλυτη συσχέτιση μ ετα ξύ X κ α ι Υ.
Τα παραπάνω δικαιολογούν την ερμηνεία του ρ ( Χ ,Υ ) ως μέτρου
(δείκτη) της γραμμικότητας της σχέσης των X και Υ. Τέλεια γραμμικότητα
αντιστοιχεί, όπως είδαμε, σε ∣p∣=l. Αν p ( Υ ,Γ ) = O τότε, βάσει της (13),
καμμιά ελάττωση της διασποράς της Υ επέρχεται κατόπιν γραμμικής
παλινδρόμησης επί την X . Τα ίδια ισχύουν και για την γραμμική
παλινδρόμηση της X επί την Υ. Εύκολα αποδεικνύεται (Άσκ. 13) ότι η
ευθεία παλινδρόμησης της X επί την Υ είναι η
x ≈ μ x + ρ - ( y ~ μ y ), (14)
°y
απλή ενάλλαγή των ρόλων των X και Υ (πρβλ (11)).
√Σ≥l J≤l
∑ < r⅛ για απαριθμητές.
σ,,
p∣ j - p { X n Y j)~ / ■ ^"> ΛJ ~'1J2,..., ν.
F (x ∣B )= P [Υ ≤
∑ A -(Λ z∣y ∈ B ) = l, ∫ f( χ ∣y ∈ B ) d τ = l.
J ≡
*αο
Αν η ( Χ ,Υ ) ε ίν α ι απαριθμητή κ α ι B = { y y } (το ενδεχόμενο Y = y j )> όπου
P [y = y .^ ] = q j > 0, τότε οι δεσμευμένες πιθανότητες
Λ ∙w -y )= ⅛ (5)
P [ Υ = x ,y = 2]
r λ ( x ∣ r = 2) =
Ρ [Υ = 2]
1 Εδώ συνήθως το ρόλο τη; X (ή Υ) παίζει μια παράμετρος, έστω θ , της κατανομής του X (ή
του Υ) που θεωρείται ότι συμπεριφέρεται ως τμ με κάπ οια καλούμενη a priori κατανομή. Τότε
α ν π .χ ., Υ ≡ θ , η (7) ορίζει την (απόλυτη) κατανομή της X ως μ ίξη της (δεσμευμένης) f x ( x ∣θ ) ,
με μ ικ τικ ή την a priori f e {θ) ≡ fγ {y ').
91
0< χ < 2 - y ,
∫ f ( t ,x 1 , x i )dt
-^*Λ∙I ( x t∖ ^ 2 = × 2 > -^ 3 = jr a )s s - 7 Z^ 7 Τ “·
∙, λ'j,Λ∙j Λ \ 2»Λ 3>
9.2. Δ ε σ μ ε υ μ έ ν η Μ έσ η Τ ιμ ή κ α ι Δ ια σ π ο ρά . Π α λινδρό μ η σ η .
∫ ^ ( χ ) f ( χ ,y ) ^
E [ g ( X ) ∖Y - y ] = J g ( χ ) Λ W = y)d χ≈= ≈- ----------------- ,
4 (y )
ενώ γ ια δ ια κ ρ ιτ έ ς με από κοινού συνάρτηση πιθανότητας
P U = P [X = χ l , γ = y j ], Λ √ =0,l,2.......
ε i s ( ^ ) ∣y = y y l = ∑ g ⅛ ) f ⅛ ∣ i ' = ∕ y ) = ∑
> ι Q)
92
όπου q j = P [Γ = y,∙]
Έ τσι, παίρνοντας
sW ~ ^ "
λαμβάνουμε τις δεσμευμένες ρ ο π έ ς της X , ν τάξεως. Ε ιδ ικ ά γ ια v ≡ l,
έχουμε την δεσμευμένη μέση τιμή της X για Υ - y , δηλ. την
Γ ια δεδομένη τιμή y του Υ, η δεσμευμένη μέση τιμή του X είν α ι σταθερά (όχι
τμ) εξαρτώμενη όμως, γενικά, από το y , έστω ∕w ∣( y ) . Η καμπύλη
x = m l ( y ) ≈ E [ X ∖Y = y ] (3)
κ α λ είτα ι κα μ π ύ λη (μέσης) π α λινδρόμ ησ η ς (mean regression) της X ε π ί
τ η ν Υ . Η x = mj (y) καλείται συνάρτηση π α λ ιν δ ρ ό μ η σ η ς (ως προς μέσον)
της X επί την Υ. Ομοίως ορίζεται η συνάρτηση κ α ι καμπύλη
y = ω 2 ( χ ) ≈ E [ Y ∖X = x ] (4)
(μέσης) παλινδρόμησης της Υ επί την X .
Είδαμε (§ 8.1) ότι για p(A r ,y ) = ± l υπάρχει (με πιθανότητα 1)
γραμμική σχέση μεταξύ X και Y i δηλ.
Y=a+βX.
Προφανώς στην περίπτωση αυτή οι δύο καμπύλες παλινδρόμησης
συμπίπτουν μ'αυτή την ευθεία. Γενικά όμως οι δύο καμπύλες
y = m2 (x), Λ = ∕n j (y)
δεν συμπίπτουν ούτε και είναι ευθείες. Α ν η
y = m 2 (x')=a + β χ
είν α ι ευθεία, τότε λέγομεν ότι η π α λιν δ ρ ό μ η σ η τ η ς Υ ε π ί τη ν X ε ίν α ι
γ ρ α μ μ ικ ή . Τέτοιο παράδειγμα παρέχει η π ιο σ η μ α ν τ ικ ή στη σ τ α τ ισ τ ική
α ν ά λ υ σ η περίπτωση της διδιά σ τα τη ς κ α ν ο ν ικ ή ς κ α τ α ν ο μ ή ς .
κ α ι διασπορά
⅛ = ^ (1 -P 2 )∙
(6)
93
Πράγματι
Ζr’·<
( / ∣| v
Ύ = Χ )- 7 ^ Γ
√2πσi √ ] - p 1 σ∣√2π
η δε ΓA ( A ) ε ίν α ι T√(μl ,σ 12 ). Ά ρ α λαμβάνουμε
f γ ( y |X = )≈ - 1 1 j
x e
√2π O1 ,∣
] - PΙ
δηλ, N ( m 2 ( x ) ,σ 2 . v ) όπου οι ∕n 2 (x) και σ2 δίδονται από τις (5) κ α ι (6). Ν α
σημειωθεί ότι η (δ εσ μ ευ μ ένη ) δια σ π ο ρ ά σy χ της Υ γ ια X = χ δεν
εξα ρ τ ά τ α ι α π ό τ η ν (δεσμεύουσα ) τιμ ή χ της X , ενώ η μέση m 2 (x)
εξα ρ τ ά τ α ι γ ρ α μ μ ι κ ά )
Ο ι (1) κ α ι (2) μπορούν ν α χρησιμοποιηθούν για την έκφραση της μέσης
τιμής μ ια ς μετα βλητής συναρτήσει της δεσμευμένης μέσης τιμής μιας ά λλης
μεταβλητής. Έ τ σ ι γ ια συνεχή κατανομή ( X , Υ), θεωρώντας την 5 [z n 1( y ) ]
έχουμε από την ( 1)
£ [^ 1 0 9 ]= ∫ ml (y ) fy (y)d y= ∫ ] x f x (x∖Y = y ) d y Vr (y )d y
—
CO ~f>0^-00 /
«· Ζ «ο ∖ co
= ∫ η ∫ f( x ,y ) α fy ∣d y ≈ f x f x (x)dx = E ( X ) .
—ΰο » j —
co
Έτσι εδείχθη η σ ημαντική σχέση
E [ E ( X ∖Y ) } ≈ E ( X μ (7)
ότι δη λ. η μ έ σ η τ ιμ ή μ ι α ς τμ X ισούται μ ε την μέση τ ιμ ή τη ς
δεσ μ ευμ ένη ς τ η ς μ έ σ η ς τ ιμ ή ς E ( X ∣ Y ) ω ς προς μ ια ά λ λ η τμ Υ.
Ομοίως από την (4) μπορεί ν α δειχθεί ότι
E [ E ( Y ∖X ) ] ≈ E ( Y ) . (8)
Η απόδειξη γ ια απ αριθμητές είναι ανάλογη.
Μ ε τη βοήθ εια αυτών μπορούμε να αποδείξουμε την εξής ιδιότητα των
συναρτήσεων π α λινδρόμησης.
1Η ιδιότητα αυτή της κανονικής αποτελεί τη βάση (των μοντέλων) της Ανάλυσης Διασποράς
και Παλινδρόμησης (Analysis o f Variance and Regression) στην εφαρμοσμένη στατιστική
ανάλυση.
94
m i n B [ r - g ( Λ ∙ ) ] ≈ = i [ r - ∞ 2 (% )] 1 . (9 )
Υ( »* ■∙ >× v ) =
(14)
(2π)≈∣∑∣ι
P a . , = p ( X l .∑ β ' j X j ) (15)
∕≡2
9.3. Α ν ε ξ ά ρ τ η τ ε ς Τ υ χ α ίε ς Μ ετα β λ η τ ές
Ο μοίω ς βρίσκουμε
A ∙(y )= ^ e ^f t ', y>θ∙
Ά ρ α η (3) ισχύει, και οι X , Κ είνα ι (στοχαστικά) ανεξάρτητες.
Γενικότερα, αν όπως στο προηγούμενο παράδειγμα, η f ( x ,y ) μπ ορεί να
γραφ εί ως γινόμενο
∕ , ( v ) = s l (* )⅞ O ')
όπου η g i είναι συνάρτηση μόνο του χ κ α ι η g 2 μόνο του y , τότε, φ αίνεται
εύκολα ότι, οι X και Υ είναι ανεξάρτητες. Ο ι g } κ α ι g 2 δεν συμπίπτουν
κ α τ ’ανάγκη με τις επί μέρους πυκνότητες των X κ α ι Υ , α ντίσ το ιχα , α λ λ ά
μπορεί να διαφέρουν ως προς σταθερούς "κα νονικοπ οιητικούς" συντελεστές,
που τις κάνουν πυκνότητες.
Σ ε μερικές περιπτώσεις ε ίν α ι π ιο εύ χρησ τη η ( J ) , ιδ ια ίτ ερ α γ ια να
δια π ισ τώ σουμ ε ότι δυο μ ε τ α β λ η τ ές ε ίν α ι σ τ α τ ισ τ ικ ά εξα ρ τη μένες,
αφού αρκεί να βρούμε (τουλάχιστον) ένα ζεύγος συνόλων A , Β γ ια τα
ο π ο ία δεν ισχύει η (1).
97
f ( x ,y ) = - , O ≤ x 2 + y 2 ≤ l.
π
Π αρατηρούμε ότι
αφού
Α ν ε ξ α ρ τ η σ ία ν μ ε τ α β λ η τ ώ ν . Ο ι ν τυχαίες μεταβλητές X γ, X 2 , . . . , X r
P [X 1 ∈ A l,X 2 e A2 X v e Λ ] = ∏ P [ * ,∙ ≡ Λ ] . (4)
∕=]
Ο ι αντίσ τοιχες τω ν (2) κ α ι (3) είναι
≡ A .y 2 ∈ A 2,..., Y V ∈ ½ j = f w , ∙ ≡ Α Ι
∕≡ )
γ ια ό λα τα (μετρήσιμα) αριθμοσύνολα A l , . . . , A v . Γ ι'α υ τό , έστω ⅛ ,A * 2 ,...,A* v
τα αντίστροφα είδωλα (σύνολα) των A 1,..., Α ν , α ντίσ το ιχ α , δ η λ .
zb = ⅛ g y ( Λ ) e A ,.} , J = 1 ,..., V .
Τ ό τε έχουμε λόγω της ανεξαρτησίας των X x , . . . , X v
Μ «·
4 i > i l=i>σ,)∙
v-> √ ∕≡J
Παρατήρηση: Πρέπει να σημειωθεί ότι η μέση τιμή αθροίσματος τμ
μεταβλητών είναι πάντοτε (είτε αυτές είναι ανεξάρτητες είτε όχι) ίση μ ε
100
το άθροισμα των μέσων τιμών τους (που δεν συμβαίνει για τη διασπορά,
όπως δείχνει η (8)).
Δ ( X ) = Δ ∑ X l ∖= ∑ Δ ( ,X ,) = v p q ,
∖M J i<=∖
αφού για κάθε 7=l,...,v
= p - p 2 = pq.
Α Σ Κ Η Σ Ε ΙΣ
ħ ∣v 2 !...v i . 1! '
1 3 . Δείξετε ότι:
α) η ευθεία παλινδρόμησης της X επί την Υ είναι η (14) της § 7.5.
β) Αν p (X i Y)≈0, τότε οι ευθείες παλινδρόμησης (της Υ επί την X και
της X επί την Υ) είναι κάθετες, αν δε ρ = ±1 αυτές συμπίπτουν.
γ) Οι ευθείες παλινδρόμησης τέμνονται στο σημείο (μ x ,μ y ).
Υ π ό δ ε ιξ η : Δ ( X i + X 1 + . . . + X i ) = Δ ( y ) ≈ O , Δ ( X l ) = ...= Δ ( X t ).
18*. Ε ργα ζόμ ενοι όπως κ α ι στην § 6.7., δείξετε ότι αν οι X κα ι γ είναι
ανεξάρτητες κ α ι
E W ≈ μ x , E C Y ) ≈ μ y , Δ ( X ) = ⅛ Δ ( Y ) = σ 2y i
∖ σΧ / κ ∂y )
01
όπου ό λ ες οι μερικές π α ρ ά ϊ ^ ϊ υπολογίζονται στο (μ x ,μ y )
19*. Έ στω X v ...,X v τυχαίο δείγμα από κατανομή με μέση τιμή μ και
δ ια σ π ο ρ ά σ2 .
Δ ε ίξ ε τ ε ότι
_ σ2
(i) E ( X ) = μ , (ii) Δ ( X ) = y ,
104
1 v
όπου X = - ∑ X l είναι ο μέσος (όρος) του δείγμ α το ς.1
V∕≡J
των μέσων δείγματος από κάθε πληθυσμό. Βρείτε με τη βοήθεια της Άσκ.
18, την κατά προσέγγιση μέση τιμή και διασπορά του λ , δεδομένου ότι
Δ (X )≈ ⅛ Δ (K )≡ σ J.
2 2 *. Έστω
V V
+ ^ 2 = ^02 Σ r ∕^ 2 7
/-3 ι=3
τα υπερεπίπεδα ελάχιστων τετραγώνων (βλ. (12) της § 9.2) των Χ } και
X , επί τις X i , . . . , X v , και έστω
“ α 02 - Σ ·
/■>
/®3
Ο συντελεστής συσχέτισης
p ( X 1*, Χ 2>
—
E ( V ) B ( X 2*2 )
κ α λ είτ α ι συντελεστής μ ε ρ ικ ή ς συσχέτισης τω ν X 1 και Χ 2 ε π ί τ ις (ή
ως προς τις μεταβλητές A r3 , . . . , X v ), συμβολιζόμενος με p l2 .3~v . Αυτός
αποτελεί μέτρο της συσχέτισης του X i και X i κ α τ ό π ι ν α π α λ ο ιφ ή ς της
ε π ίδ ρ α σ η ς τω ν X 3 , . . . , X v .
Δ είξετε ότι
Ρ _ P∖2 P∣3 Ρ13
Pn∙a “ 7 ίΤ ή ϊΤ
(1 P23)O Ρ η )
όπου P∕j = p ( X z , X . ) .
τηρήσετε μόνο την X t ποια είναι η καλύτερη εκτίμηση της Υ από την X
υπό την έννοια ελάχιστου τετραγωνικού σφάλματος;
Συγκρίνετε τα αποτελέσματα των α) και β).
( * zy ) 2 = (∑ χ l y l ) 2 ≤ ∑ × 2 ∑ y j = W 2 ∣y∣ 2 (i )
∕-J J≡≈I
Υ π ό δ ε ιξ η : To (x + λy) z(x + λ y ) ≥ 0 γ ια κάθε λ .
β) Γ ι α ο λ ο κ λ η ρ ώ μ α τ α :
( j f( x ) g ( x ) d x ] 2 ≤ j f 2 (x )d x j g 2 (x )d x
1 0 .1 . Γ εννήτριες Π ιθανοτήτω ν
Π α ρ ά δ ε ιγ μ α ·, α) Η εκθετική συνάρτηση
*i = ∑ 4
ν-ο ν!
’ 1'
είναι η γ εννή τρ ια της ακολουθίας — >. Πίσω απ’αυτή κρύβεται ο ορισμός
.v L
v≡0∖ V y v∙0∖ * )
ο - g j l - z" 0 ν Λ )
Pk ~N k N k
P6 ( 3 ) = - ) .
36
y=∑ ^ i
/-1
ξ θ τ ε γ ? γπ του αθροίσματος Υ ισούται μ Β τo γ ιv 0 μ ε v o τω v γπ
Pλ .ι (s) τω∖∣
X l t δηλ. 1 r
Λ ω =Γ K ω ∙ (5)
P √ s ) = β ( j ~ ‰ B [ ∏ √ Ι = ∏ i ⅛ j t '= ∏ P √ s ) .
) i∙∖ k ∕- l
∕- J
Π ρόταση 2: Η π α ρα γοντικ ή ροπή nv ντάξεως της X δίδεται από την
* , ≡ ⅛ , (1), v=l,2,..... (6)
όπου Ρ ( ν , ($) παριστά την ν-οστή παράγωγο της P(s), και η παραγοντική
ροπή ν τάξεω ς
nv ≈ E [(X ) v ] ≡ P [X (X - 1)...(X- ν + 01· (6)*
Αυτό δικ α ιο λ ο γεί κ α ι τον όρο "γεννήτρια παραγοντικώ ν ροπών"
ds ds
E ^= E ⅛( S') = E [X (X - 1)...(X - ν + l)s jf -r ],
β ) Γ εω μ ετ ρ ικ ή κ α ι P a sca l
Έστω η γεωμετρική τμ X με συνάρτηση πιθανότητας
pt = j √ ' , , A = l ,2 ,..., (9)
κ α ι η Pascal Υ, όπου Υ ο αριθμός δοκιμών μέχρι κ α ι ν-οστη επ ιτυχία . Τότε
/=1
όπου η γεννήτρια Ρ χ της (9) είναι
p > ∙ω = ∑ f t s i = i ∑ √ - , s i = r e ^ .
ι-ι ι-=ι 1—qs
Ά ρ α έχουμε
∖χ - p s )
κ α ι βάσει της (7) λαμβάνουμε (βλ. κ α ι Άσκ. 27 IV )
£ ( % ) = - , 4 ( X ) = 4 . ≡ 0 Λ) = - , Λ { X ' ) = ^ .
Ρ Ρ ρ ρ
Η Ρ χ χρησιμεύει επί πλε'ον για τον υπολογισμό της συνάρτησης
πιθανότητας {p v } της X , απ'όπου κ α ι ο όρος " γ ε ν ν ή τ ρ ια π ιθ α ν ο τ ή τ ω ν " ή
π ιθ α νογεννή τρ ια ·.
Π ρ ό τ α σ η 4: Η πιθανότητα
Λ ,= P [X = V] = ± P W(0), V =0,1,2.....
(1 0
>∙≥>W ν! J
, ⅛ * JJ V v ∣
= e ~ V λ i ∑ ----- -- ----- ~ c -A (PA) 1 X ( q λ Γ l
⅛ k∣ ( v - k ) l ν! kl ⅛ ( v -k ) !
_ _ - Α (4P ) >(AP )A
—E ~-⅛
k = 0 ,l,....
λ! Λ! ’
Οσον αφορά τη μέση τιμή του αθροίσματος K(7V) έχουμε το εξής
∑ Q iΕ ( ∣ Υ j ) < ∞ , (4)
όπου τέθηκε
Qk = P [ N ≥ k } .
Τότε η μέση τιμή της Υ(Ν) υπάρχει κα ι
^ rW ]= ∑ < 3 t ( A i .) . (5)
1≡1
Α π ό δ ε ιξ η : Α π ό το γενικευμένο θεώρημα της ολικής πιθανότητας (§9 .1 )
^ [ l z ( N ) ] = ∑ Γ [ r ( N ) ) ∣ N = v ] P [ 7 √ = v ] = fp [ N = v ] f Η ( % J =
v-1 ∣
∙≡J A'≡∣
= ∑ 5 (Λ ' 1 ) Σ ^ = V ) = ∑ S ( Λ 1.)‰.
4>a ] v≥X* λ«|
10.3. Ροπογεννήτριες
Α π ό δ ε ιξ η : Έχουμε
M y (t) = E ( e , r ) = E [ e ^ x + p i ] = E ( e p 'e o , x ) = e p 'E (e a ' x ) = e p , M x (a l).
M y ( t ) = γ [ M x (t). (2)
θεώ ρημα: Α ν M x ( t ) υπάρχει για μία περιοχή του 0, δηλ. για ∣i∣≤ δ,
(δ > 0 ), τό τε ό λ ε ς ο ι ρ ο π έ ς της X υπ ά ρ χου ν και δίδονται από την
E ( X v ')= M x i (fi'), v = l,2 ,... (3)
όπου Λ ∕ i ^ (f) η ν-οστή παραγωγός της Μ ( ί ) . Τότε, επι πλέον, η Μ
χαρακτηρίζει την κατανομή της X .
Ρ ο π ο γ εν ν ή τ ρ ια της κ α τ α ν ο μ ή ς X : Ν ( μ ,σ 2 ) . Έχουμε
M ( t') = E (e , x )= [e , * f ( x ) d x = - 7 = f e , x e 2'' dx =
_ί σ√2π Λ.
∕ j i÷ l f2 o2 μ l+ ~ σ 2 l 2
2
=e 2 d y - e (5)
Γ ια ∕√ = 0 , από την (3), βρίσκουμε (πρβλ, Ά σ κ . III 12) τις ροπές μ ,v της
Ν ( 0 ,σ 2 ):
∕ 4 . 1 = E ( Υ 2 λ + ,) = 0 ,
∕4 1. = l ∙3 ∙5 ( 2 * - l ) σ 2r δια * = 1 ,2 .......... (6)
Προφανώς αυτές συμπίπτουν με τις αντίστοιχες κεντρικές μ k (βλ. § 6.6).
της κατανομής αθροίσματος ανεξάρτητων τμ, άρα κα ι του μέσου όρου Λ"
τυχαίου δείγματος (βλ. § 9.3).
φ ( t) ≈ j e 'a f M d x . (3)
— Μ
p ( ∕) = ∫ √ a rfF(x),
— οο
όπου Γ η συνάρτηση κατανομής ( Γ [g (X )]= ∫g(Λ)dΓ(Λ)).
“-ΒΟ
Ιδιότητες της χ.σ .: Ήδη αναφέραμε ότι η χσ πάντοτε υπάρχει, αφού
(κατά τον τύπο του Euler)
∣e,α |=∣συvfr + ∕ημtt-∣=^∕ηju2 (ftτ) +συv 2 (Λv)=l,
κ α ι άρα η σειρά (2) ή το ολοκλήρωμα (3) σ υ γκ λίν ει α π ό λ υ τ α , (ώστε να
υπάρχει η E(e" λ ) για κάθε t,
Α π ό δ ειξη : Πράγματι
H0) = E(√ o λ ) = ∫ k ∕F ( Λ ) = l,
και
M O I= ∫ e , 'Υ ( x ) Λ ≤ J ∣ e " * ∣ ∕∙( x ) Λ = ∫ d F ( x ) = l .
Τότε
C Λί
∫ ∣ e " i -l∣d F (Λ r)= ∫ |e/ x A - l ∣ J F ( x ) + ∫ ∣e'x h -l∣d F ( x )
— -λ f ∣
x∣
>λi
Μ
≤ ε j d F (x ) + 2 j d F ( x ) ≤ ε + 2ε = 3ε,
-Μ ∣τ∣>λf
αφού ∣e' x i - 1 ∣≤ 2 (το e l x i είναι σημείο του μοναδιαίου κύκλου με κέντρο
την αρχή).
Έτσι από τις ανισότητες (ΐ) και (ii) έπεται η Πρόταση.
⅜ (O = ⅛ A √ O ∙ (5)
∕- ι
Σ τ η ν ιδιότητα (5) κ α ι το γεγονός ότι η χ.σ . κ α θ ο ρ ίζει μονοσήμα ντα την
κατανομή οφείλεται η δύναμη των χ.σ. στην μελέτη της κατανομής
αθροίσματος ανεξάρτητων τμ.
≤ (l+∣x∣v )dF(x) + ∫ ∣A fd Γ ( x )
∣
x≤l 1*1»
Έτσι το ολοκλήρωμα
∫ x 1√ " d F ( x )
^ Α.(Ο =Λ / Α· ο υ
κα ι την (5) της § 10.3, βρίσκουμε τη χ.σ. της N (μ ,σ ):
φ(t)= e h , " ^ ∖ (9)
έχουμε
f x
0 (
⅛o
Λ→
+ Λ) “ f (x ~ Λ ) S¾
Λ->θ5/71
7 ∙Jf ~ ∕Jχ
hΓ e ^ ) d t=Q
θα υπάρχει και το
F(x + Λ) - F(x - 2?)
rhm —------ .
------ ------- - = f( x )
*→o 2h
Άρα, α ν η φ(t) είνα ι α π ό λυτα ολοκληρώ σιμη στο ( -∞ ,∞ ), τότε η F
είναι συνεχής και έχουμε τον τύπο α ντιστρ ο φ ής των χ.σ.,
Λ x ) = ⅛ ∙f e - " W Λ ∙ (2)
2π ή.
Έτσι, ουσιαστικά, οι συναρτήσεις φ και /ε ίν α ι ο μετασχηματισμός Fourier,
η μια της άλλης.
Ε ιδικ ά για ακέραιες τμ, αντί της (4), λόγω των σχέσεων
X 0 = ∑ Pi e ' t , , e"" t 'φ (t)= + pk
λ**-*» 1-K-OT
κ α ι του ότι
125
που π ρ ο σ δ ιο ρ ίζ ει τη σπ α κ έ ρ α ιο ς τμ α π ό τη χ .σ . της.
Έτσι κ ι από την (6) βρίσκουμε τις διωνυμικές πιθανότητες (§ 4.2, II)
ΜΙ ΜΙ
ν
Άρα η Υ είνα ι JV (μ,σ 2 ) με μ = ∑ μ y (συντελεστής του it) κ α ι διασπορά
/«I
σ2 = Y σ 2 (συντελεστής του —- ί 2 ).
∕- j 2
Ομοίως αποδεικνύεται για την Poisson η αντίστοιχη ιδιότητα:
y=o j-=o
Αναφ έρουμε, χωρίς απόδειξη, μερικές ιδιότητες·
α) ¢.(0,0)=1, ∣φ(r,,ιi ) ∣≤ l M → 1,- ⅛ ) = t f ξ T ) ,
β) i , x,( r ∣ ) - 0 ( f 1,O), φλ l (t1 )=φ(fi,tι')>
γ) Η χ.σ. του X l + Ύ , είναι φ(t,t y),
δ) Ο ι -V l ,JV 2 ε ίν α ι ανεξάρτητες αν, και μόνον αν,
ΑΣΚΗΣΕΙΣ
δείξετε ότι
α) E ( X ,Ι = ½ M ( t ,,0 ) , J ≈ (* ,)=
= Λ Λ Λί('"0,',) J r∣
-O, »2«0
x z z . X * ( t i +J∕>∙u+u2 )
M (tt u )= ei
1 -s
από την οπ οία συμπεράνετε ότι:
ε m = ∑ qt =QW , 4 (X )= 2 Q '(1 ) + <?(1)- <21 (l)
i-=0
(πρβλ. με Ά σ κ . III 4).
14*. Α ν δύο σκ JJ( A ), F 2 ( A ) είναι ίσες σ'όλα τα σημεία συνεχείας τους, τότε
συμπίπτουν, παντού.
έχει χ.σ.
(ίί)
19. Α ν φ(t) είναι χ.σ., να δειχθεί ότι κ α ι οι α) ∣⅞o(0∣i β) e'u *w ' 0 είναι χ.σ.
Υπόδ. α) φ_λ .(ί)= φ λ ·(Ο β) ⅜W (0=PN (Φ(0) (βλ. § 10.2).
2 Γ . Έστω η διακριτή τμ X με σπ
A -* x -* ]-⅛ k * i '∙i2 ∙-
Μπορεί να δειχθεί ότι η αvε⅞uprηoiα δυο γραμμικών αυνδυαομών ανεξάρτητων τμ χαρακτηρίζει την
κανονική κατανομή (θεώρημα Skitovic),
ΚΕΦΑΛΑΙΟ VI
δηλ
_ - . 2κ λ . .π
FB {×)=— Q < x ≤ -.
π 2
Έ χουμε
2 -~ y -.
= P θ ≤ a rc sin — a rcsva
π r
Ά ρ α η πυκνότητα f γ {y) i είναι η
z 2 2
l x l ≤ '∙∙
<fy n j r -y
133
παράμετρο p = P [ y = l ] = - .
2
Η επόμενη πρόταση δίνει ικανές συνθήκες για να είναι η Y = g ( X ) συνεχής
κα ι μονότονη όταν η X είναι συνεχής. Η συνεχής περίπτωση γενικότερη κα ι
μη μονότονης g εξετάζεται στην Πρόταση 2.
∕r (y ) d y = —i -— —dy + - , — dy
γ l√ ( * 1)l I√(×J )I
Έ τ σ ι, εξισώνοντας τους συντελεστς του d y στα δύο μ έ λ η , βρίσκουμε την
dx dx.
(4)
l ∕C η ) l ∣g '(χ 2 )l
Ό μ ο ια μπορεί να δείξουμε τον γενικό τύπο (3).
Π α ρ ά δ ε ιγ μ α ·. Έστω
χ∣
y = f(χ )= ∣ .
Κ α τ α ν ο μ ή γρ α μ μ ικ ή ς συνάρτησης τ η ς X . Α π λ ή κ α ι ενδιαφέρουσα
περίπτωση της (1) είναι η γραμμική συνάρτηση g { x ) = a x + β . Τ ότε η νέα τμ
Υ = α Χ + β προκύπτει από την X με α λ λ α γ ή της α ρ χ ή ς (μεταφορά ) και
α λ λ α γ ή της μονάδας μετρήσεως (της κ λ ίμ α κ α ς ), έ ν α ς π ο λ ύ χρήσιμος στην
π ρ ά ξη μετασχηματισμός. Έχουμε
Fγ ( y ) - P [ Γ ≤ y ] ≈ P [ a X + β ≤ y ] = P [ a X ≤ y - β ]
135
, για a>Ο
, για a < 0
α> Ο
a < 0.
δηλ. N (μ*,σ* 2 ).
β) Έ στω Υ = g (JC )= X 2 , X με πυκνότητα ∕*λ ∙(x).
136
∕∙r ( y ) = P ( y ≤ y ) = P ( X 2 ≤ y ) = jp, r ,
∖ ∖j y r-« _
Η πυκνότητα της Υ είναι ^* s y y ')≈ F x ( J y ' ) - Fx ( - y ∣
y)
dy dy[
^ τiz ^ χ ^ y ^ + ~ ~ !≈ f ι r~
2yy 2 7 7 * i-~>fy) (6)
Η (6) μπορεί να βρεθεί και απ , ευθεiα
y > 0, έχουμε ζ απ ^ τ ∏v (4). Π ράγματι γ ια δοθέν
*. = √X.*≈ = - √ 7 , * L = 1 <⅛,_____1
και βάσει της (4) ' 2√ ^ ’
Λ ∙ ( y ) = - U ∕, . ( √ ^ + 1 Γ-
2 'f y w 2 ^ f *÷√^∙
Πόρισμα·. Αν η χ ε fv α ι 0υμμ ,
πυκνότητα της Υ = είναι Π γυpω aπ o τη v α ρχη ’ τότε
η
~ y∣
y fχ (y ∣
y} ’ W
Ε φ α ρ μ ο γ ή n>ς (7). i) E0 τ ω η χ ∏ γ = χ 2
πυκνότητα Λ
∕ r ( j , ) ------ ----------- ,
π √ 7 ( i+ y )
y
Fz (z)≈ P (Z ≤ z) = P (X + Y ≤ z) =
Μ
= j P [ Y ≤ z - x ) f x (x)dx
= J Fr (,z —x ) f x (x )d x .
-~M
Ομοίως λαμβάνουμε
W = iF x < .x - y ) fr ( y ) d y . (1)
∫ f γ (z - x )f x (x)dx
⅞ (z )= -≤ F ,(z ) -•ο
(2)
∫ Λ -(^ -y )4 (y )⅛ '∙
Υ = ~Ϊ Σ (χ ∕ —μ ) »
ο
όπου οι X i ,...t X v είναι τυχαίο δείγμα από την N (μ ,σ 2 "). Η κατανομή της Υ
κ α λ είτα ι χ 2 -κατανομή με ν βαθμούς ελευ θ ερ ία ς. Δ εδομένου ότι αν η X l
είνα ι N (μ,σ 2 ), τότε η Yl = (X l - μ ) / σ είναι τυποποιημένη κα νο νικ ή -Μ(0,1)
(Παράδειγμα (α), § 11.1), η κατανομή ορίζεται ως εξής:
139
Ο ρισμός·. Έστω X . ν ,
>»···»Χ ν ανεξάρτητες κα ι ισόνομες τυποποιημένες
κανονικές μ εταβ λη τές . Η , ,
r ρ ι ⅛ η κ α τ α ν ο μ ή του αθΛ ροίσ μα τος των τετραγώ νω ν
των Λ ∣,..., A V ,
+ A 22 + ..,+ X v2 (3)
i
κ α λ ε ίτ α ι χ -κ α τ α ν ο μ ή β α θ μ ο ύ ς ελευθ ερία ς (βε) συμβολιζόμενη,
μ ε v
όπως κ α ι η μεταβλητή, με το .
Γ ια ν α βρούμε την κατανομή της Y t παρατηρούμε ότι αυτή βρέθηκε για
ν -1 να έχει πυκνότητα την (8), § 11.1. Α λ λ ά η (8) είναι Γ-κατανομή με
22 Γ ∣ - I
2i r [l)
w
από την (8), § 11.1.
≤ z = p [ ( x , n e 7 ? J = s ? [ ( ^ . O e ^ 1] + p [ ( x , r ) e ^ l ·
∑ χ. 1∙
όπου η περιοχή Λ 2 = Λ 1 u Λ 2 είναι η γραμμοσκιασμένη στο ∑%, έχουμε
λοιπ όν
οο yz 0 «
⅞ ( z ) = J J f( x ,y ) d x d y + ∫ J f( x ,y ^ ) d x d y (7)
0— cβ —» y z
< ≡ ∞ = [ 4 ( ^ i z = y ) 4 ( y ) Φ '= ∫ f x i y ( z ) f γ ( y ) d y = ∫ ∖y ∖f x ( j z ) f γ ( y ) d y ,
Κ α τ α ν ο μ ή t ή ^o υ Student. Έστω η τμ
(10)
141
1 Ψευδώνυμο του Άγγλου W.L. Gosset, ο οποίος υπελόγισε (1908) την r-κατανομή εμπειρικά,
(2)
όπου J(z ,w ') είν α ι η Ιακωβιανή του αντιστρόφου μετασχηματισμού (5) του
(1), δηλ.
∂x ∂x
—
__ 1_
J ( z ,w ) = ∂z ∂w =
∂y ∂y J ( × ,y )
∂z ∂w
Ά ρ α η πυκνότητα f* ( z ,w ) είναι
f *(.ζ, w )= f ⅛ ' (ζ, w), h ‘ (z,ιv))∣ J ( z , H')∣
κ α ι η (3) αποδείχθηκε (βλ. και Άσκ. 18).
Ε φ α ρ μ ο γ ή τ η ς (6). Έστω
∕∙( x ,y ) = λ 2e-'lix + '> Λ >0, y > 0 .
Η πυκνότητα των Ζ ≈ X + Υ κα ι Wz = Χ - γ δίδεται από την
f ∖ z ,w ) = - λ 2e λ 2 2 j = ∣λ V λ l,
z >0.
144
Ο λοκληρώ νοντας την f ' ως προς W βρίσκουμε την (περιθώ ρια) πυκνότητα
του Z = X + Y'.
f z ( z )= ∫ f'( z ,w ') d w = ⅛ λ 2 ∫ e~λz d ∖v = λ 2 ze~ λ jc , ζ >0
⅛ ( z )~ ∣ f (z ,w )d w = ∫ f ( w ,z —w )d w .
με Ιακωβιανή
β = a δ —β γ = Ζ
J ( χ ,y ) =
Υ δ
Ας υποθέσουμε ότι Δ ≠ 0 (αλλιώς το ιv=Λz), ώστε να υπάρχει αντίστροφος
μετασχηματισμός του (7):
x - a ' z + β 'w ,
y ≈ γ 'z + δ*w, (8)
όπου a ' = δ ∕ ∆ , β ' = - β / Δ , γ * = - γ ∕ ∆ , δ * = a ∕ ∆ .
Η από κοινού συνάρτηση πυκνότητας f ' των Z> W συναρτήσει της
πυκνότητας f των X , Υ δίδεται από την
f ∖ z , w ) ≈ - f ( a , z jt - β ' w ,γ z i S , w') (9)
ΜΙ
Εφ α ρμογή της (8). Α ν οι X , Υ έχουν τη διδιάστατη κανονική με
πυκνότητα την (1) της § 7.2, τότε οι
Z = a X + β Y , W =γX + δY (A ≠ 0 ) (10)
έχουν πυκνότητα πάλι της διδιάστατης κανονικής. Έτσι δείκτηκε η
y <=Ax
όπου o A ≈ ( a ∣
l ) είναι πίνακας σταθερών μ η ιδ ιά ζ ω ν (αντιστρέψιμος), με
∣Λ ∣≠ 0 ώστε να υπάρχει ο Λ " '. Τότε η πυκνότητα του τυχαίου διανύσματος.
Y≈AX, με Υ = (Y l ,...,Y v )'t Χ = ( Χ ......,X ,.) z όπου Y = ( Y l ,...,Y v )',
X = ( X 1.......X v,)' (διανύσματα γραμμές) δίδεται από την
6 ( x ) = ⅛ 7 Λ ∙ω ^ 'y , (2)
ΜΙ
(πρβλ. (5), § 11.1. γ ια / ?=0).
Η (2) μπορεί να χρησιμοποιηθεί π .χ., γ ια δείξουμε ότι, αν το
A '= ( Λ r 1...X ,.) * έχει τη ν-διάστατη κανονική, με πυκνότητα την (14) της §
9.2, τότε κ α ι η Υ = Α Χ α κ ο λ ο υ θ ε ί μ ία ν -δ ιά σ τ α τ η κ α τ α ν ο μ ή . Α ν η X
είν α ι N ( μ ,∑ ) όπου μ = (μ 1,...,μ v ) και ∑ = (σ zy) ο π ίν α κ α ς διασποράς της Λ ,
τότε η Υ είναι N ( A μ ,A ∑ A ') (πρβλ. Π α ρά δειγμ α α) της § 11.1). Αυτό
ισχύει κι' όταν ο Α δεν είναι τετραγωνικός π ίν α κ α ς.
Α Σ Κ Η Σ Ε ΙΣ
* Α υ τό μπορεί να δειχθεί ότι είναι συνέπεια του αναλλοίωτου της κατανομής της
v ≈ ( v z t v z , v z ) υπό ορθογώνιους μετασχηματισμούς (στροφές).
148
f z (^)= ∫ ∕( * ,x - z ) o ⅛ = ∫ ∕( x ÷ z , i ) d x ,
— ·· —Μ
(C o v (y ,Z )= 0 ) ισ ο δ υ να μ εί μ ε ανεξαρτησία.
ν
για x j ≥ 0 ∑ × t ≤1.
31 *. Σ χ έ σ η μ ετ α ξύ της κ α τ α ν ο μ ή ς S tu d e n t κ α ι τ η ς κ α τ α ν ο μ ή ς F . Έστω
tv τμ Student, με ν βαθμούς ελευθερίας, κ α ι F v v τμ F με ν κ α ι ν βαθμούς
ελευθερίας. Δείξετε ότι η tv έχει την κατανομή της
2 /
Απ'αυτό συμπεράνετε ότι το άνω α σημείο tv {a) της tv συνδέεται με το
άνω α σημείο F v v {a) της F v v με τη σχέση
Γ .ί
',W = V F .,( α ) - - √
λ.
r τ
34. Έστω X u ...,X v τυχαίο δείγμα από την κατανομή Cauchy με πυκνότητα
1 '
1 — β£-----7 ’ -°° < χ < 0 0 ·
/ ( Λ )=
2
π β + (x -a )
Δείξετε ότι ο μέσος του δείγματος
v
X = 1⅛ * ,
V
έχει την ίδια κατανομή με καθεμιά από τις X l , . . . , X v (άρα δεν περιέχει
κ α μ ιά πληροφορία παραπάνω από μια παρατήρηση).
Ο μ ο ίω ς βρίσκουμε
(ii) lim inf Fl'( χ ) ≥ F ( x + ε)
k→ ∙∙
P [% = ± ⅛ ] = -— , P = l ,2 ,...,
προφανώς,
F v (x)≡ Γ λ,( x ) = F . x (x),
και αυτόματα, γ ια κάθε σημείο συνέχειας της F ,
lim P / x ) = F Ar (x).
V∏oo
P [A rfc, > c + ε ] ≡ ! - ξ ( β + f ) → O
Άρα
P [ ∣ X v, - c ∣ ≥ ε ] → 0,
(7 )
κ α ι η (7) δείχτηκε.
Γ n ∕z . Π ιο απλά, η (7) είναι συνέπεια του ότι η (2) σημαίνει ότι για κάθε
Λ > 0, δ > 0 υπάρχει Ν(β) ώστε
4 ∣ ^ v - A η ≥ β ,v > N ( c ) ] > δ ,
η οποία συνεπάγεται την (4).
ε > 0
p [ ∣Λ - p ∣≥ ε ] ≤ ^ ∙. (U )
p [∣X -μ ∣≥ λ σ ]≤ -L . ( j2 )
Λ
Π ρ ό τ α σ η 5 . Α ν η Χ ν — -τ i → C και
∑ E (X v -c ) 2 < ~ , (13)
ν *Ι
τότε Χ ν — 2iM c .
^ ( 0 = 1+ / ^ + 0 (0 ,
κ α ι από τις Προτάσεις 4 και 5, § 10.4,
ί_
P x,(0 = <Ρχ, = l + ∕μ - + 0∣ (5)
V ν
η οπ οία είναι η χ.σ. της σταθεράς μ.
Ισ χ υ ρ ο ί Ν ό μ ο ι τω ν Μ .Α . Ο ι προηγούμενοι Ν .Μ .Α . αφορούν τη
στοχαστική (ασθενή) σύγκλιση του μέσου Χ ν προς τον μέσο της κατανομής
κ α ι κ α λούντα ι "Ασθενείς" Ν .Μ .Α . Α ν έχο υ μ ε
X ,- ii → μ = E ( X ,) ,
τ ό τ ε μ ιλ ο ύ μ ε γ ια ισχυρούς Ν .Μ .Α . .
Γ ια ν α διασαφήσουμε τη διαφορά μεταξύ Ασθενούς Ν .Μ .Α κ α ι Ισχυρού
Ν .Μ .Α ., ας εξετάσουμε την περίπτωση ακολουθίας δοκιμώ ν B e rn o u lli.
Ο Ασθενής Ν .Μ .Α . λέγει ότι, γι’αρκετά μεγάλο ν κ α ι οποιοδήποτε ε > 0
η πιθανότητα της (μιας μόνο) ανισότητας
d = ---- ρ < ε
ν
γ ίν ετα ι (για κάθε v>2V(ε)) μεγαλύτερη του 1 - δ , γ ια οποιοδήποτε δ > 0.
Α υ τ ό όμως δ εν σημαίνει ότι η απόκλιση d π α ρ α μ έ ν ε ι μ ικρή γ ια όλα τα
μ εγ ά λ α ν ( v > N ( ε ) ) . Ο Α σ θ ενή ς Ν .Μ .Α . σ υ ν ε π ά γ ε τ α ι α π λ ώ ς ό τι
" μ ε γ ά λ ε ς " α π ο κ λ ίσ ε ις d συμβαίνουν σ π ά νια .
Ο Ισχυρός Ν .Μ .Α . για την διωνυμική κατανομή μπορεί ν α διατυπωθεί
ω ς εξής: Γ ια κάθε ζεύγος ε > 0 και <5>0 υπάρχει αριθμός N = N ( ε ,δ )
τέτοιος ώστε
(1)
σ *→∙∙
δηλ. αν F v (x ) είναι η σ.κ. της Υ ν , τότε
lim 7Γ1,(X )= Φ ( Λ) = - J = ∫e 2 d t.
>, →- √2π —
Α π ό δειξη : Βάσει του Θεωρήματος της Συνέχειας, Κεφ. V, αρκεί να
αποδείξουμε ότι η χαρακτηριστική συνάρτηση φv (t) της ∑1, συγκλίνει προς
- l f>
τ η χ .σ .φ (t)= e 2 τη ςN (0,l).
Εχουμε
Y , ÷ Σ* (- Λ - Ρ) ≈ ∑.■ ⅜Z
r —
√ νσ /«J ν ν
όπου E (Z z )= 0, A (Z z )= l. Άρα (βλ. (5) § 12.3), αναπτύσσοντας κατά σειρά
Mac Laurin την φ ζ< (ί), έχουμε
ρ s
^ z , ( 0 = ι - - + ° ( ' 2 )> φγS t ^) vAt )
Άρα
lo g ^ (0 = v lo g
δηλ. γ ια κάθε ί
164
r
2
όπου
■Jvpq -Jvpq
Π α ρατηρούμε ότι το σφάλμα είναι μικρό για τιμές του S v γύρω από τη μέση
τιμή v p = 3 0 , ενώ γίνεται μεγαλύτερο όταν το S v απομακρύνεται από τη
μέση τιμή.
Π ρ ο σ έ γ γ ισ η τ η ς κ α τ α ν ο μ ή ς P o isso n α π ό την κ α ν ο ν ικ ή
Η κ α ν ο ν ικ ή προσέγγιση της διωνυμικής συνεπάγεται μικρό, σφάλμα
όταν η διασπορά v p q της διωνυμικής είναι μεγάλη (δηλ. ν μεγάλο κα ι ρ
γύρω στο ~ ). Ε ίδ α μ ε, επιπλέον, ότι για ν μεγάλο κ α ι ρ μικρό ώστε το λ = ν ρ
λl
P l - e ~ λ ~ , k = 0 ,l,2 ...... (λ = vp)
λI
Α ν το λ = i'p είναι μεγάλο (λ≥ 1 0 ) μπορούμε να χρησιμοποιήσουμε είτε την
προσέγγιση Poisson είτε την κανονική. Αυτό σημαίνει ότι η Poisson για
μεγάλες τιμές της παραμέτρου λ μπορεί να προσεγγισθεί από την κανονική,
όπως θα δειχθεί αμέσως, πάλι βάσει του Κ Ο Θ .
Γ ια την απόδειξη αυτή, αρκεί να παρατηρήσουμε (βλ. § 12.5) ότι: αν οι
Λ ' ∣ ,Λ 2 ,...X ,, είναι ανεξάρτητες μεταβλητές P oisson, κάθε μ ια με παράμετρο
Λ, τότε το άθροισμά τους
F = A 1 + X 2 + ...+ Λ z l,
ακολουθεί την κατανομή Poisson με παράμετρο νλ. Έ τσ ι, ως πόρισμα 1 του
Κ εντρικού Οριακού Θεωρήματος, έπεται το εξής:
yλ yλ yλ
. φ [ i- Λ ) . φ [± → ), ■
I √Λ ) I √Λ )
Ε φ α ρ μ ο γ ή : Γ ρ α μ μ έ ς τηλεφώνου
Έ να τηλεφωνικό κέντρο Α αναμένεται να εξυπηρετήσει 2000
συνδρομητές γειτονικού κέντρου Β . Δεδομένου ότι η εγκατάσταση 2000
τηλεφωνικών γραμμών από το Α προς το Β είνα ι π ολυδάπ ανη, ζητείται να
βρεθεί αριθμός γραμμών τέτοιος ώστε, κατά μέσον όρο, μονο 1% (το πολύ)
των τηλεφωνημάτων να βρίσκει όλες τις γραμμές κρατημένες 2 .
Ας> υποθέσουμε ότι, σε ώρες μέγιστης ζήτησης (αιχμής) του τηλεφώνου,
κάθ ε συνδρομητής χρειάζεται τη γραμμή από το Α στο Β δύο λεπτά κατά
μέσον όρο, ώστε, σε δεδομένη στιγμή η πιθανότητα ζήτησης μιας γραμμής
είν α ι Ρ = “ > 01 δε 2000 συνδρομητές αντιστοιχούν σε 2000 ανεξάρτητες
1 Αφού μια τμ Poisson με παράμετρο λ μπορεί να θεωρηθεί α>ς άθροισμα ν ανία. Poisson, που η
κάθε μια έχει παράμετρο —.
2 Παραβλέπεται η ταυτόχρονη "πολυαυνδεαιμότητα" γραμμών τύπου ΟΤΕΙ
167
(π.χ. του M o lin a Bell Labs, New Jersey, στον οποίο οφείλεται κ α ι το
παράδειγμα) βρίσκουμε ότι η πιθανότητα να εμφανιστούν 87 ή περισσότερες
"επιτυχίες" (κρατημένες γραμμές) είναι 0,0097, η δε πιθανότητα να είναι
κρατημένες τουλάχιστον 86 γραμμές είναι 0,013. Επομένως k =87 γραμμές
επαρκούν.
Γ ια την κανονική προσέγγιση βρίσκουμε πρώτα την ρίζα χ της εξίσωσης
l - Φ ( x ) = 0 ,0 1 ∙ αυτή είναι x= 2,327. Επομένως το ζητούμενο Λ πρέπει να
ικανοποιεί την σχέση
A = J∑ σ∕. i '.∙=J∑r ∙
i
Vί-1 V/-ι
Α ν η ισχύει η οχέση
τότε
168
y c ⅞ ¾ ⅞ 4 N (0,1) (1)
σ(Υ,,) -→-
δηλ. για κάθε a < β έχουμε, όπως και οτη (2) § 13.1,
linι P[α < Υν < β] = Φ(/7) - Φ (α ).
Το επόμενο θεώρημα δίνει μια αναγκαία και ικανή συνθήκη για την ισχύ
της (Ό·
θ εώ ρ η μ α των Liπdeberg-Fcller. Έστω η ακολουθία {Λ v }
ανεξάρτητων τυχαίων μεταβλητών, και Fv (x) η σ.κ. της X v , ι=]l 2,... Τότε
ισχύουν οι σχέσεις (1) και η
. dj4l.
lim ιnax-
-
-= 0
ν->“ l≤l ≤v /1'
αν, κα ι μόνο αν, για κάθε ε > 0
J⅛.- ⅛ Σ j (χ ~ f ^ ldF * W = 0 ·
*β , μ-pχ ∣ > ∕∕i v
(με την κατάλληλη ερμηνεία του ∫ Stieltjes, ως αθροίσματος γ ια διακριτές
κα ι ω ς Riemann I για συνεχείς).
Y ^ k ∖ *96(Γ I n t r °d u c l ' o π ,0 Pr °bobility Theory and its Applications V olum e II, W iley, New
169
⅛ ) → ∣.
p [ ∣ Λ - ⅛ Λ → 0.
ΑΣΚΗΣΕΙΣ
3. Δείξετε ότι ο Νόμος των Μεγάλων Αριθμών δεν ισχύει για την
κατανομή Cauchy (δηλ. όταν οι X i ..... X v ,... είναι τυχαίο δείγμα από
την κατανομή Cauchy). Πρβλ. και Άσκ. 34, Κεφ. VI
Χ ν — — >X , Υν — - c = σταθερά.
Δείξετε ότι:
α) X v + Yv -½ → X + c β) X v -Y v - ⅛ - c
Δ είξετε ότι:
I ν
α) η ροπή ν τάξεως ιn'v = - ∑ X iv του δείγματος είνα ι αμερόληπτη και
ν ,·-ι
συνεπής εκτιμήτρια της ροπής μ ,v ≈ E ( X v ) της κατανομής για κάθε
ν= 1 ,2 ;...
β) η δια σ π ορά ό 2 του δείγμ α τος,
i 1 = 1 Σ ( Λ ',- m ,') 1 = - ∑ ( Λ ' , . - X ) i ,
V ,·-| V
ε ίν α ι συνεπής εκτιμ ή τρια της δ ια σ π ο ρ ά ς ο 2 της F x (του πληθυσμού),
α λ λ ά δεν είναι αμερόληπτη. Δείξετε ότι η
√ i = - ⅛ Λ ,- Υ ) ≈ ,
V - 1>ι
αναφερόμενη ως δ ειγ μ α τικ ή δια σ π ο ρά , είναι αμερόληπτη εκτιμήτρια
του σ 2 . To s είναι η συνηθισμένη εκτιμήτρια της τυπικής απόκλισης ή
τυπυ<ού σφάλματος σ.
γ) η κ ε ν τ ρ ικ ή ρ οπ ή m v , ν τάξεως, του δείγματος,
V /- )
15. Σε σφυγομέτρηση της κοινής γνώμης για την εκτίμηση του ποσοστού ρ
των ατόμων τα οποία υποστηρίζουν ορισμένο νομοσχέδιο, πόσα άτομα
πρέπει να ερωτηθούν για να διαφέρει με πιθανότητα τουλάχιστον 95%
το ποσοστό του δείγματος από το ρ λιγότερο του (i) 1%, (ii) 5%,
δεδομένου ότι α) ρ < 30% β) το ρ είναι εντελώς άγνωστο;
17. Καθένας από τους 300 εργάτες ενός εργοστασίου εκλέγει κατά τύχη ένα
από τρία γειτονικά συναγωνιζόμενα εστιατόρια, για γεύμα. Πόσα
καθίσματα πρέπει να διαθέτει κάθε εστιατόριο ώστε το πολύ ένας στους
20 πελάτες κατά μέσο όρο να μη βρίσκει κάθισμα;
ΒΙΒΛΙΟΓΡΑΦΙΑ Β’ ΜΕΡΟΥΣ
a) Ε λ λ η ν ι κ ά:
β) Α γ γ λ ι κ ά :
γ) Μ ε τ α φ ρ ά σ ε ι ς :