ΘΕΟΦΙΛΟΥ Ν.

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.

Συγγραφικά Δικαιώματα © Θεόφιλος Κάκουλλος 1995

Κανένα μέρος του βιβλίου αυτού δεν επιτρέπεται να α να π α ρ α χθεί,
μεταφρασθεί ή μεταδοθεί σε οποιαδήποτε μορφή και με ο π ο ιο δ ή π ο τε
τρόπο, ηλεκτρονικό ή μηχανικό, περιλαμβανομένης φ ω το τύ π η σ η ς,
μαγνητογράφησης ή με οποιοδήποτε σύστημα α π οθή κ ευσ η ς ή
ανάσυρσης πληροφορίας χωρίς την έγγραφη άδεια του συγγραφέα.

Copyright © 1995, Theophilos Cacoullos

All rights reserved. No part of this book may be reproduced, tra n sla te d
or transmitted in any form or by any means, electronic or m ech an ical,
including photocopying, recording, or any inform ation storage a n d
retrieval system, without permission in writing from the author.

ΕΚΤΥΠΩΣΗ; X. AΘANA∑O∏OYΛO1 - Σ. ∏ A IIA ∆ A M H Σ & ∑LA li.E.

JΩAN. ΘΕΟΛΟΓΟΥ 80 ΖΩΓΡΑΦΟΥ. THΛ. 77.10-548 ■ 77.02.033, FAX: 77.10.581

 Σ τη μ ικ ρ ή

ν να

παρούσα αξία αστάθμητου μέλλοντος

 ΠΡΟΛΟΓΟΣ

Σκοπός αυτού του βιβλίου είναι να καλύψει (τουλάχιστο) την

ύλη που διδάσκω από τετραετίας στο νεοεισαχθέν εξαμηνιαίο μάθημα
Π ιθανότητες και Αναλογισμός, στο Γ ' έτος σπουδών του Τμήματος
Μαθηματικών του Πανεπιστημίου Αθηνών. Στόχος του μαθήματος
είναι μια γενική εισαγωγή στον κλάδο των στοχαστικών και
αναλογιστικών (actuarial) μαθηματικών. Πολλοί χρησιμοποιούν τον όρο
ασφαλιστικά (insurance) μαθηματικά.
Στον Ελλαδικό χώρο η αντίστοιχη βιβλιογραφία είναι μάλλον
πενιχρή, ιδιαίτερα στον στοχαστικό αναλογισμό, όπου υπεισέρχεται
σε αρκετά μεγάλο βαθμό η θεωρία πιθανοτήτων, περίπου στο επίπεδο
που διδάσκεται το (παλαιό ετήσιο) μάθημα διαμορφωμένο σε δυο
εξαμηνιαία: Πιθανότητες I και Πιθανότητες II*.
Ως αφετηρία στα αναλογιστικά μαθηματικά μπορούν να
θεωρηθούν οι γνωστοί πίνακες θνησιμότητας του John Graunt, Bills o f
Mortality (1662) και λίγο αργότερα (1693) του διάσημου αστρονόμου
Halley, περίπου στη σημερινή τους μορφή στη Δημογραφία. Του
μαθηματικού μοντέλου των πινάκων αυτών έγινε τόσο πιστή και τόσο
ευρεία και μακρά χρήση στις ασφαλίσεις ζωής (life insurance) ώστε στα
κλασσικά αυτά πεδία η αναλογιστική θεωρία εθεωρείτο μέχρι
πρόσφατα κλειστή.
Νέα αλματώδη ανάπτυξη παρουσίασε ο αναλογισμός
παράλληλα με την ανάπτυξη κατά την τελευταία 50ετiα της
πιθανοθεωρίας και στατιστικής που επέτρεψε την στροφή και προς
άλλους ασφαλιστικούς κλάδους εκτός του κλάδου ζωής. Ιδιαίτερα η
θεωρία κινδύνου, εμπλουτισμένη με τη στοχαστική θεώρηση των

* Στο ερώτημα για τα Προαπαιτούμενα του μαθήματος απαντώ ότι αρκεί ένα
"ενδιάμεσο" Πιθανότητες V7/1
vi

ασφαλίσιμων κινδύνω ν ζωής και αντικειμένων αποτελεί πλέον τα

θεμέλια όλων των ασφαλιστικών κλάδων, ζωής και πραγμάτων. Δ εν
πρέπει, επίσης να υποτιμηθεί ο ρόλος και η πρόοδος στις κοινω νικο­
οικονομικές επιστήμες τόσο από την άποψη επικράτησης περισσότερο
συλλογικών κοινωνικο-προστατευτικών αντιλήψεων όσο και από την
μαθηματικοποίηση και στοχαστικοποίηση των κοινωνικο-οικονομικών
μοντέλων.
Πρέπει, εν τούτοις να σημειωθεί ότι παρά τη σημερινή πρόοδο
της αναλογιστικής και ασφαλιστικής επιστήμης η διεθνής
βιβλιογραφία είναι μάλλον περιορισμένη: τα λίγα αναλογιστικά βιβλία,
είτε αναφέρονται στον κλάδο ζωής (life contingencies) ή και σε
γενικούς κλάδους όπως η θεωρία κινδύνου, είναι γραμμένα με κύριο
προσανατολισμό τις (εξωπανεπιστημιακές) εξετάσεις για απόκτηση
τίτλου αναλογιστού, Associate ή Fellow, π.χ. του Institute of Actuaries
(Αγγλία), της Faculty of Actuaries (Σκωτία), της Society of Actuaries
(HΠA) κ.α. To κενό αυτό, ιδιαίτερα μεγάλο στον Ελληνικό χώρο,
ελπίζει να καλύψει μερικώς το εισαγωγικό αυτό πανεπιστημιακό
εγχειρίδιο.
Η υποδοχή των προδρομικών σημειώσεων "Πιθανότητες και
Θεωρία Κινδύνου" που κυκλοφόρησε πέρυσι αποτελεί παρότρυνση για
συγγραφή και ενός δευτέρου τόμου: Συμβάντα Ζωής (Life
Contingencies) που μαζί με τη "Θεωρία Κινδύνων" αυνιστούν τα κύρια
(εξεταζόμενα) μαθήματα των επίσημων (για την απόκτηση του τίτλου
του Αναλογιστή) Εξετάσεων στην Ελλάδα. Το τελευταίο κεφάλαιο:
Κίνδυνοι Χρεωκοπίάς συμπληρώνει, κατά το μάλλον ή ήττον, την ύλη
της "Θεωρίας Κινδύνων". Πέρα από αυτό, το κεφάλαιο για ράντες
βέβαιες και τυχαίες καθώς και το κεφάλαιο για Επιβίωση και Π ίνακες
Ζωής είναι οι οικοδομικοί λίθοι των Οικονομικών Μαθηματικών και
των Συμβάντων Ζωής.
 vii

Ελπίζουμε ότι η γενική αυτή εισαγωγή στον αναλογισμό θα

κινήσει το ενδιαφέρον των σπουδαστών μας κυρίως των μαθηματικών
και οικονομικο-διοικητικών επιστημών, αλλά και πτυχιούχων προς την
κατεύθυνση της εξειδίκευσης στον αναλογισμό, κλάδο επιστημονικά
ενδιαφέροντα και, επί του παρόντος ακόμα επαγγελματικά ακόρεστο.
Ξεχωριστές ευχαριστίες οφείλω στον ξεχωριστό Ελληνα
αναλογιστή και φίλο Κώστα Κουτσόπουλο, FSA, κύριο διεξαγωγέα των
Αναλογιστικών Εξετάσεων, στον οποίο οφείλεται το μάλλον όψιμο
αναλογιστικό μοι ενδιαφέρον και ο διορισμός μου από πενταετίας ως
Προέδρου της Επιτροπής Εξετάσεων (του Υπουργείου Εμπορίου)· χωρίς
το "συμβάν" αυτό, το γεγονός του εγχειριδίου αυτού δεν θα είχε
πραγματοποιηθεί. Του οφείλω επίσης το εισαγωγικό Κεφάλαιο 1,
γραμμένο στο πλαίσιο της συνδιδασκαλίας του Αναλογιστικού
Σεμιναρίου (1991,1992) στο Ελληνικό Στατιστικό Ινστιτούτο (ΕΣΙ).
Θερμές ευχαριστίες οφείλω επίσης στην Ρόζα Γαρδέρη,
Γραμματέα του Τομέα Στατιστικής και Επιχειρησιακής Ερευνας του
Τμήματος Μαθηματικών, και την κ. Πόπη Μπολιώτη, για την επίμονη,
επίπονη και επιμελημένη αυτή δακτυλοτύπηση των χειρογράφων. Η
Δρ. Νίκη Θ. Κάκουλλου βοήθησε στη "δημοτικοποίηση" (μεταγλώττιση)
της ύλης των Π ιθ α ν ο τ ή τ ω ν (Μέρος Β)* και στη διόρθωση των δοκιμίων.

Αθήνα, Νοέμβριος 1995 Θεόφιλος Κάκουλλος

Απ ό τ α Μ α θή μ α τα Θεωρίας Π ιθανοτήτω ν, 1969

 ΠΕΡΙΕΧΟΜΕΝΑ

ΜΕΡΟΣ Α: ΘΕΩΡΙΑ ΚΙΝΔΥΝΟΥ

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

2. ΩΦΕΛΙΜΟΤΗΤΑ ΚΑΙ ΑΣΦΑΛΙΣΗ

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

4. ΑΝΑΤΟΚΙΣΜΟΣ - ΡΑΝΤΕΣ (ΒΕΒΑΙΕΣ)

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

5. ΡΑΝΤΕΣ ΜΕ ΤΥΧΑΙΟ ΕΠΙΤΟΚΙΟ Η ΧΡΟΝΟ

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

1. Ανέλιξη πλεονάσματος σε συνεχή χρόνο 110

2. Συντελεστής προσαρμογής 112
3. Ανέλιξη πλεονάσματος σε διακριτό χρόνο 118
4. Μεγιστική σωρευτική απώλεια 120
ΑΣΚΗΣΕΙΣ 121
ΒΙΒΛΙΟΓΡΑΦΙΑ 123

Παροράματα 125

ΜΕΡΟΣ Β: ΠΙΘΑΝΟΤΗΤΕΣ

Σελ.
L ΒΑΣΙΚΕΣ ΠΡΟΤΑΣΕΙΣ ΤΗΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ

L1. Πειράματα τύχης 1

1.2. Ορισμοί δειγματοχώρου και πιθανότητας 2
1.3. Βασικές πράξεις επί σημειοσυνόλων - ενδεχομένων 3
1.4. Βασικά αξιώματα της πιθανότητας 4
1.5. Βασικές ιδιότητες των πιθανοτήτων 5
2.1. Δείγματα από πεπερασμένο πληθυσμό 7
2.2. Δειγματοληψία με επανάθεση 10
3.1. Δεσμευμένη (υπό συνθήκη) πιθανότητα 10
3.2. Πολλαπλασιαστικός τύπος (νόμος του γινομένου ή νόμος
των συνθέτων) πιθανοτήτων Π
3.3. Ανεξάρτητα ενδεχόμενα 12
3.4. Ανεξάρτητα πειράματα 14
3.5. Μερικές ιδιότητες των δεσμευμένων πιθανοτήτων 15
3.6. Διακριτοί χώροι και διακριτές τυχαίες μεταβλητές 15
3.7. Θεώρημα της ολικής πιθανότητας 16
3.8. Θεώρημα του Bayes 17
ΑΣΚΗΣΕΙΣ 18

II. ΟΙ ΚΥΡΙΩΤΕΡΕΣ ΚΑΤΑΝΟΜΕΣ

4.1. Κατανομή διακριτής τυχαίας μεταβλητής 26

4.2. Οι πιό εύχρηστες διακριτές κατανομές 28
5.L Η έννοια της πυκνότητας πιθανότητας και της συνεχούς
κατανομής 35
5.2. Μερικές συνεχείς κατανομές 39
ΑΣΚΗΣΕΙΣ 43
xii
∑ελ.
ΙΠ. ΧΑΡΑΚΤΗΡΙΣΤΙΚΕΣ ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜ ΩΝ

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

IV. ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΚΑΤΑΝΟΜΕΣ

7.L Παραδείγματα πολυμεταβλητών κατανομών 73

7.2. Διδιάστατες κατανομές 74
7.3. Μερικές διδιάστατες κατανομές. Πολυωνυμική
κατανομή 76
7.4. Επί μέρους (περιθώριες) κατανομές 79
8. L Συσκέδαση. Συσχέτιση. Παλινδρόμηση 81
8.2. Ροπές πολυδιάστατων κατανομών. Π ίνακας διασποράς.
Βαθμός κατανομής 86
9.1. Δεσμευμένες (υπό συνθήκη) κατανομές 88
9.2. Δεσμευμένη μέση τιμή και διασπορά. Παλινδρόμηση.
Καμπύλες παλινδρόμησης 91
9.3. Ανεξάρτητες τυχαίες μεταβλητές 95
ΑΣΚΗΣΕΙΣ 100

V. ΓΕΝΝΗΤΡΙΕΣ - ΧΑΡΑΚΤΗΡΙΣΤΙΚΕΣ ΣΥ Ν Α ΡΤ Η ΣΕ ΙΣ

10.1 . Γεννήτριες .'.ιθανοτήτων 108

10.2 . Αθροισμα τυχαίου αριθμού τυχαίων μεταβλητών. Σύνθετες
κατανομές 112
10.3 . Ροπογεννήτριες 115
10.4 . Χαρακτηριστικές Συναρτήσεις 117
10.5 . Θεωρήματα αντιστροφής και συνέχειας για
χαρακτηριστικές συναρτήσεις 123
10.6 . Γεννήτριες και χαρακτηριστικές συναρτήσεις
πολυδιάστατων κατανομών 127
ΑΣΚΗΣΕΙΣ 128

VI. ΚΑΤΑΝΟΜΗ ΣΥΝΑΡΤΗΣΕΩΝ ΤΥΧΑΙΩΝ Μ ΕΤΑΒΛΗΤΩΝ

11.1 . Συνάρτηση μιας μεταβλητής 132

1L2 Συνάρτηση δύο τυχαίων μεταβλητών. Συνέλιξη 136
1L3. Δύο συναρτήσεις δύο μεταβλητών 142
 xiii

∑ελ.
11.4. Συναρτήσεις πολλών μεταβλητών 145
ΑΣΚΗΣΕΙΣ 146

VII. ΟΡΙΑΚΑ ΘΕΩΡΗΜΑΤΑ. ΝΟΜΟΣ ΤΩΝ ΜΕΓΑΛΩΝ

ΑΡΙΘΜΩΝ ΚΑΙ ΚΕΝΤΡΙΚΟ ΟΡΙΑΚΟ ΘΕΩΡΗΜΑ

12.1. Τρόποι σύγκλισης ακολουθίας τυχαίων μεταβλητών 155

12.2. Σχέσεις μεταξύ των διαφόρων τρόπων σύγκλισης 156
12.3. Νόμοι των Μεγάλων Αριθμών 160
13.1. Κεντρικό Οριακό Θεώρημα 163
13.2. Τα θεωρήματα Lyapounov και Lindeberg - Feller 167
13.3. ΚΟΘ για τυχαία αθροίσματα 168
ΑΣΚΗΣΕΙΣ 170
ΒΙΒΛΙΟΓΡΑΦΙΑ 175
 ΜΕΡΟΣ A

ΘΕΩΡΙΑ ΚΙΝΔΥΝΟΥ
 ΚΕΦΑΛΑΙΟ 1

ΑΝΑΛΟΓΙΣΜΟΣ ΚΑΙ ΑΣΦΑΛΙΣΗ

1. Ε ισ αγω γικ ά

Η γενική αυτή εισαγωγή 1 στον αναλογισμό δεν έχει σκοπό να καλύψει

όλες τις τεχνικές πτυχές της ασφαλίσεως. Ας δούμε, λοιπόν, μερικά
χαρακτηριστικά παραδείγματα τεχνικών θεμάτων με τα οποία δεν θα
ασχοληθούμε στις σημειώσεις αυτές.
Ενας τέτοιος τεχνικός τομέας είναι η επ ιλογή των κινδύνω ν
(underwriting). Η διατύπωση των κριτηρίων ή όρων που πρέπει να πληρεί
ένας κίνδυνος για να γίνει αποδεκτός από τον ασφαλιστή απαιτεί τεχνικές
γνώσεις. Α λλά και η εξακρίβωση των πραγματικών στοιχείων και
συνθηκών κάθε συγκεκριμένου κινδύνου -εξακρίβωση που είναι α να γκ α ία ,
προκειμένου να εφαρμοσθούν οτον κίνδυνο αυτό τα κριτήρια επιλογής-1
είναι αδύνατη χωρίς τη βοήθεια τεχνικών (π.χ., γιατρών στον Κ λάδο Ζωής,
μηχανικών στον Κλάδο Πυρός). Ανάλογα τεχνικά προβλήματα
εμφανίζονται και στην περίπτωση που η ανάληψη ενός κινδύνου έχει
αποφασισθεί κατ'αρχήν και ο κίνδυνος πρέπει να ταξινομηθεί (δηλαδή, να
τοποθετηθεί στη σωστή τιμολογιακή κλάση).
Στο άλλο άκρο της ασφαλιστικής δραστηριότητας, ο διακανονισμός
των ζημιών αποτελεί και αυτός τομέα όπου υπεισέρχεται το τεχνικό
στοιχείο. Εκτός από εξειδικευμένο ασφαλιστικό προσωπικό, απαιτούνται
δικηγόροι, διάφοροι πραγματογνώμονες και εκτιμητές, κ.ο.κ.
Σαν τρίτο και τελευταίο παράδειγμα τεχνικού θέματος που δεν θα
εξετάσουμε, αναφέρουμε την αντασφαλιστική (reinsurance) π ολιτικ ή
μιας εταιρείας και ειδικότερα, για κινδύνους διαφόρων ειδών, τον
καθορισμό του ποσοστού του κινδύνου που η εταιρεία εκχωρεί σε άλλους
ασφαλιστές (καλύπτοντας βέβαια το υπόλοιπο η ίδια).
Ποιές, λοιπόν, τεχνικές πτυχές της ασφαλίσεως θα εξετάσουμε; Ισως
δεν πέρασε απαρατήρητο ότι η επιλογή των κινδύνων και ο διακανονισμός
των ζημιών δεν είναι δραστηριότητες αμιγώς επιστημονικές. Αντίθετα, και
1 Από σημειώοεις του αναλογιοτή Κ, Κουτοόπουλου για το Αναλογιστικό Σεμινάριο (1991) οτο
Ελληνικό Ινοτιτούτο (μι μικροαλλαγές).
 2

οι δυο αυτές δραστηριότητες είναι μ ίγμ α τεχνικώ ν γνώσεων κ α ι "τέχνης"

(δηλαδή, διαισθήσεως, εμπειρίας, εξωτεχνικού ή υπερτεχνικού αισθητηρίου),
θ α μπορούσαμε επομένως να πούμε, ότι στις δραστηριότητες αυτές γίνεται
χρήση των επιστημών παρεμπιπτόντως και οι τεχνικές γνώσεις παίζουν
(σπουδαίο ίσως αλλά) βοηθητικό ρόλο. Επιπλέον δε, οι εν λόγω τεχνικές
γνώσεις έχουν σχέση με την άσκηση της ασφαλιστικής δραστηριότητας, και
όχι με την ίδια τη φύση της ασφαλίσεως. Στην εισαγωγή αυτή, G,
ασχοληθούμε με την τεχνική βάση της ασφαλίσεως -με εκείνες, δηλαδή, τις
τεχνικές πτυχές που αποτελούν τα τεχνικά, ιδιαίτερα τα πιθανοθεωτητικά,
(στοχαστικά), θεμέλια της ίδιας της έννοιας της ασφαλίσεως.
Πιο συγκεκριμένα, θα εξετάσουμε τις στοχαστικές διασυνδέσεις της
ασφαλίσεως με τα μαθηματικά και την οικονομία 1 . Ειδικότερα, θα
μιλήσουμε για α) τις στοχαστικές βάσεις της ασφαλίσεως, β) τις στοιχειώδεις
αναλογιστικές έννοιες (ασφάλιστρα, αποθέματα) και γ) ορισμένες
οικονομικές πτυχές της ασφαλίσεως.
Η γενική αυτή εισαγωγή διαιρείται σε τέσσερα μέρη. Το πρώτο εισάγει
τις βασικές έννοιες που είναι αναγκαίες για τη στοχαστική
(πιθανοθεωρητική) θεμελίωση της ασφαλίσεως. Το δεύτερο πραγματεύεται
τις βασικές αναλογιστικές έννοιες (κυρίως ασφάλιστρα και αποθέματα). Το
τρίτο εξετάζει ορισμένες σχέσεις ανάμεσα στην ασφάλιση κα ι στην
οικονομία. Και το τέταρτο αναφέρεται στις ομοιότητες και στις διαφορές
που παρουσιάζουν στις τεχνικές τους βάσεις οι α σ φ α λ ίσ εις ζω ής και οι
γενικές ασφάλειες.

2. Έννοιες από τις Καθαρές Επιστήμες

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

(contingency). Η αναγνώριση ότι ο κίνδυνος είναι συγκεκριμένη περίπτωση

της έννοιας του τυχαίου γεγονότος έχει τεράστια σημασία, γιατί δεν έχουμε
π α ρ ά να προσαρμόσουμε, για εφαρμογή στη συγκεκριμένη αυτή
περίπτωση, γνωστά πιΟανοθεωρητικά εξαγόμενα (θεωρία των πιθανοτήτων,
στοχαστικές ανελίξεις, στατιστική).
Από τα διάφορα χαρακτηριστικά του τυχαίου γεγονότος
(περιστατικού) ιδιαίτερη ασφαλιστική σημασία έχει το εξής: το άν και πότε
θα λάβει χώρα ένα τυχαίο γεγονός είναι αδύνατο να προβλεφθεί. Με
ά λ λ α λόγια, για να αποτελέσει α σφ αλιστικό κίνδυνο, ένα γεγονός
(φυσικός κίνδυνος) πρέπει να μη ν μ π ο ρ εί να προβλεφθεί* .Ακόμα
ειδικότερα, για να είναι "ασφαλίσιμος" ένας κίνδυνος, πρέπει να αδυνατεί
ο υποκείμενος στον κίνδυνο να προβλέψει την επέλευση του κινδύνου. Αν ο
υποκείμενος στον κίνδυνο μπορεί να προβλέψει το χρόνο επελεύσεως του
κινδύνου, είναι σε θέση να ασκήσει κατά του ασφαλιστή τη λεγάμενη
(α ν τ ι) ε π ιλ ο γ ή (antiselection). Ένα δε α π ό τα κυρ ιό τερ α μ ελή μ α τα του
α σ φ α λ ισ τή κ α τ ά τη δ ιά ρ κ εια της δια δικ α σίες της αναλήψεως του
κ ιν δ ύ ν ο υ (underw riting) είνα ι να εξακριβώσει, ότι α υ τό ς που
π ρ ο τείν ει τη σύναψη της ασφαλίσεω ς δεν διαθέτει τέτοια αθέμιτη
γνώση σ χ ε τικ ά μ ε τη ν επέλευση του κινδύνου.
Το βασικότερο χαρακτηριστικό κάθε τυχαίου γεγονότος -άρα και
κάθε ασφαλιστικού κινδύνου- είναι η συχνότητά του (frequency). Ετσι,
π.χ. , αν, στη διάρκεια ενός έτους, 1.000.000 αυτοκίνητα είναι
"εκτεθειμένα" στον κίνδυνο της συγκρούσεως και άν, στη διάρκεια αυτού
του έτους, 200.000 από τα αυτοκίνητα αυτά συγκρουσθούν, τότε μιλάμε γ ια
συχνότητα συγκρούσεως 200.000/1.000.000, δηλαδή, 1/5 ή 20%.
Γενικότερα, αν έχουμε Ν περιπτώσεις (άτομα, αντικείμενα) που υπόκεινται
σε κάποιο δεδομένο κίνδυνο και αν ν από τις Ν αυτές περιπτώσεις
υποπέσουν (υποκύψουν) στον κίνδυνο αυτό, η (σχετική) συχνότητα του
κινδύνου είναι ν/Ν. (Στο προηγούμενο αριθμητικό παράδειγμα,
Ν=1.000.000, v=200.000).
Η συχνότητα στην προηγούμενη παράγραφο είναι μια εμπειρική
συχνότητα, δηλαδή, ο υπολογισμός της είναι το αποτέλεσμα παρατηρήσεων
ή μετρήσεων (που έχουν ως στόχο τον προσδιορισμό του ν) ή ακριβέστερα
της σχετικής συχνότητας (relative frequency) ν/Ν. Η μαθηματική
εξιδανίκευση (η αφηρημένη έννοια) που αντιστοιχεί στη συχνότητα είναι η
π ιθ α ν ό τ η τ α (probability) ως οριακή σχετική συχνότητα. Η μαθηματική

1 Η ο ικ ο ν ο μ ικ ή κ άλυψ η ενός κινδύνου (π.χ„ της εγκυμοσύνης) δεν αποτελεί πάντοτε, από καθαρά

τεχνική σκοπιά, και a aφ d λισ η του κινδύνου.

4

πιθανότητα αποτελεί κατά κάποιο τρόπο μιά θεωτηρικη, αυθαίρετα

ορισμένη συχνότητα, μια συχνότητα που δίνεται a priori, (αξιω ματικά)
χωρίς αναφορά κατ'ανάγκη σε εμπειρικά δεδομένα. Μ ιλάμε όμως για
"πιθανότητες" ακόμα και στην ενδιάμεση περίπτωση που, να ι μεν τα βασικά
στοιχεία (π.χ. πίνακες θνησιμότητας) έχουν εμπειρική προέλευση, έχουν
όμως υποστεί σοβαρή μαθηματική επεξεργασία και παρουσιάζουν ένα βαθμό
"εξιδανικεύσεως". Έτσι λέμε, λ.χ., ότι (κατά τον τάδε π ίν α κ α ) ένα άτομο
ηλικίας 60 ετών έχει "πιθανότητα" 2% να πεθάνει μέσα σ' ένα έτος, ότι
(κατά τον δείνα πίνακα) ένα άτομο ηλικίας 50 ετών έχει "πιθανότητα"
99% να επιζήσει για ένα έτος, κ.ο.κ.
Προφανώς, υπάρχει πολύ στενή σχέση ανάμεσα στο ασφάλιστρο και
στις έννοιες της συχνότητας, της πιθανότητας κια της μέσης τιμής. Εξίσου
όμως θεμελιώδης από αναλογιστική σκοπιά είναι η έννοια τη ς δ ια ο π ο ρ ά ς
(variance) των τιμών ή κάποιας (μέσης) α π ο κ λίσ εω ς (deviation) από τη
μέση τιμή. Αν, λ.χ., υποτεθεί, ότι, μέσα σε ένα χρόνο, 15% τω ν οχημάτων
στην Ελλάδα έχουν ένα ή περισσότερα ατυχήματα, κ α μ ιά ασφαλιστική
εταιρεία δεν μπορεί να αναμένει, ότι και το δικό της χ α ρ τ ο φ υ λ ά κ ιο
αυτοκινήτων θα εμφανίζει ακριβώς 15% ατυχήματα -ακριβώ ς, δηλαδή, τη
μέση ή προσδοκώμενη τιμή. Στην κάθε εταιρεία θα υπάρξει κάποια
απόκλιση από το προσδοκώμενο αποτέλεσμα1 . Συνεπώς, όταν μια εταιρεία
προβαίνει σε αναλογιστικό προσδιορισμό κάποιου ασφαλίστρου 2 , πρέπει να
λάβει υπόψη της, όχι μόνο το γενικά προσδοκώμενο μέσο αποτέλεσμα, αλλά
και τις δυνατές, στην περίπτωση της εταιρείας, αποκλίσεις από το μέσο
αυτό αποτέλεσμα.
Το επόμενο ερώτημα είναι: Τι μπορεί να λεχθεί για τις πιθανότητες
διαφόρων βαθμών αποκλίσεως ενός δείγματος από τη βασισμένη στον
πληθυσμό προσδοκώμενη τιμή; Η απάντηση μας δίδεται από ανισότητες
τύπου Chebyshev και τους νόμους τω ν μ ε γ ά λ ω ν α ρ ιθ μ ώ ν κ α ι των
μ εγά λ ω ν αποκλίσεων. Μπορούμε όμως να πούμε, ότι, όσο μεγαλύτερο
είναι το δείγμα, τόσο μικρότερη είναι η πιθανότητα μεγάλων αποκλίσεων.
Ετσι, π.χ., για τη Metropolitan Life (ΗΠΑ), με 40.000.000 ασφαλισμένους
στον Κλάδο Ζωής, η πιθανότητα μιας σοβαρής αποκλίσεως των
αποζημιώσεων από την προσδοκώμενη τους τιμή είναι απειροελάχιστη. Ενώ
για μιά εταιρεία με 50 ή 100 ασφαλιστήρια ζωής, κάθε ά λλο παρά

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

αμελητέα είναι η πιθανότητα πολύ μεγάλων (ακόμα και οικονομικά

μοιραίων!) αποκλίσεων από το προσδοκώμενο οικονομικό αποτέλεσμα.

2.2. Η Ε ννοια της Προεξοφλήσεως. Προκειμένου να μιλήσουμε για την

έννοια του ασφαλίστρου, εκτός από τις καθαρά μαθηματικές έννοιες
πιθανότητας, προσδοκώμενης τιμής κ α ι αποκλίόεως, χρειαζόμαστε και
μερικές έννοιες με χρηματικές-οικονομικές (financial) ρίζες. Η πρώτη
έννοια, η έννοια της προεξόφλησης (discounting), πηγάζει από μια
οικονομική πραγματικότητα: κ ά λ ιο πέντε κ α ι στο χέρ ι παρά δέκα κ α ι
καρτερεί. Δηλαδή, Α δραχμές εισπρακτέες σήμερα (σε χρόνο r = 0) έχουν
μεγαλύτερη αξία από Α δραχμές εισπρακτέες μελλοντικά (σε κάποιο χρόνο
t > 0). Η αρχή αυτή είναι άσχετη με την ύπαρξη πληθωρισμού, τον οποίο
αγνοούμε τελείως εδώ, ισχύει δε και σε περίπτωση που οι τιμές παραμένουν
απόλυτα αμετάβλητες. Με άλλα λόγια, η αρχή εκφράζει την οικονομική
προτίμηση για παρόντα αγαθά (και όχι την ενδεχόμενη υποτίμηση του
νομίσματος, που αποτελεί ξεχωριστό και πρόσθετο παράγοντα).
Προεξόφληση, λοιπόν, αποκαλούμε την αναγωγή μιας μελλοντικά
εισπρακτέας ή πληρωτέας αξίας σε σημερινή αξία. Η αναγωγή μελλοντικής
χρηματικής αξίας σε τρέχουσα ή παρούσα αξία (present value) λέγεται
και α να λογισ τικ ή αποτίμηση (actuarial valuation) της αξίας και γίνεται
μέσω του επιτοκίου αποτιμήσεως (valuation interest rate) ή τεχνικού
επ ιτο κ ίου 1. Αναλυτικότερα, λοιπόν, το τεχνικό επιτόκιο χρησιμοποιείται
από τον αναλογιστή για την προεξόφληση (τον προσδιορισμό, δηλαδή, της
παρούσας αξίας) τόσο των μελλοντικών απαιτήσεων του ασφαλιστή (των
μελλοντικά εισπρακτέων ασφαλίστρων) όσο και των μελλοντικών
υποχρεώσεων του ασφαλιστή (δηλ. των μελλοντικά καταβλητέων
αποζημιώσεων).
Ετσι, αν το τεχνικό επιτόκιο είναι 4%, μια βέβαιη είσπραξη 10.000
δραχμών ακριβώς ένα έτος από σήμερα αποτιμάται (δηλαδή, έχει παρούσα
αξία) σε (100/104).(10.000) = 9.615 δραχμές 2 .
Για την παρούσα αξία 10.000 δραχμών πληρωτέων στο τέλος μιας διετίας,
έχουμε (100/104) . (100/104) . (10.000) = 9.246 δραχμές για την παρούσα
αξία 10.000 δραχμών καταβλητέων μετά την πάροδο τριών ακριβώς ετών,
έχουμε (100/104) 3 .(10.000) = 8.890 δραχμές κ.ο.κ.

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

τέλος του έτους (μαζί με τον τόκο) σε 10.000 δραχμές.

6

Στην ασφαλιστική πράξη, πολύ σπάνια είναι βέβαιο γεγονός μιά

μελλοντική είσπραξη ή μια μελλοντική καταβολή. Ετσι, έχουμε μια σύνθεση
της έννοιας της χρηματικής προεξοφλήσεως με τις έννοιες της πιθανότητας
και της μαθηματικής προσδοκίας. Π.χ., αν έχουμε πιθανότητα 80% να
εισπράξουμε 10.000 δραχμές ένα έτος από σήμερα, η παρούσα α ξία μειούται
από τις παραπάνω (11/104) . (10.000) = 9.615 δραχμές σε (0,80) ,
(100/104) . (10.000) = 7.692 δραχμές. Αν πάλι η πιθανότητα εισπράξεως
είναι μόνο 1%, η παρούσα (προσδοκώμενη) αξία είναι μόλις (0,01) .
(100/104) . (10.000) = 96,15 δραχμές. Με ά λ λ α λόγια, η μαθηματική
προσδοκία περιλαμβάνει, όχι μόνο την πιθανότητα, α λ λ ά κα ι το
συντελεστή' (χρηματικής) προεξοφλήσεως 100/104.

2.3. Μ αθηματική θεω ρία των Κ ινδύνω ν. Η έννοια του ασφαλιστικού

κινδύνου αναφέρθηκε πιό πάνω. Εκτός όμως από τα ασφαλιστικά ρίσκα, οι
μεγάλες ασφαλιστικές μονάδες υπόκεινται και σε επενδυτικά ρίσκα. Τέλος,
η ασφαλιστική επιχείρηση, όπως κάθε επιχείρηση, εκτίθεται συνεχώς και σε
διάφορα οικονομικά, εμπορυ<ά και συναλλαγματικά ρίσκα, σε φυσικούς
κινδύνους και θεομηνίες, στα αποτελέσματα απεργιών, κ.ο.κ. ( Η
ασφαλιστική επιχείρηση ξεχωρίζει μόνον επειδή, εκτός από τους συνήθεις
επιχειρηματικούς κινδύνους στους οποίους υπόκειται η ίδια, αναλαμβάνει
και αλλότριους κινδύνους "επί ανταλλάγματι". Το α ντάλλα γμ α (η
αντιπαροχή), βέβαια, είναι το ασφάλιστρο).
Η παραπάνω ποικιλία κινδύνων δυσχεραίνει τον μαθηματικό χειρισμό
της έννοιας του κινδύνου. Η κατάσταση περιπλέκεται ακόμα περισσότερο
από μαθηματική σκοπιά, γιατί ο ίδιος κίνδυνος μπορεί να επιφέρει
επιπτώσεις διαφόρων ειδών. Μ ιά πλημμύρα, λ.χ., μπορεί να καταστρέφει
ορισμένα αρχεία του ασφαλιστή (επιχειρηματικό ή εμπορικό ρίσκο) και
συγχρόνως να ζημιώσει μερικούς από τους ασφαλισμένους του (ασφαλιστικό
ρίσκο). Υστερα από όλα αυτά, ίσως να φαίνεται σχεδόν αδύνατη η ενιαία
μαθηματική αντιμετώπιση της έννοιας του ρίσκου. Κ α τά βάση όμως, το
ρίσκο είναι ένα: Ο κίνδυνος χρεοκοπίας της επιχειρήσεως - αδιάφορα από
ποια αιτία. Η μαθηματική θεωρία που πραγματεύεται το θέμα αυτό λέγεται
Θεωρία των κινδύνων (risk theory) και έχει ευρύτατες εφαρμογές ακόμα
και έξω από τον ασφαλιστικό χώρο.
Η θεωρία των κινδύνων βρίσκει ιδιαίτερη εφαρμογή στις ασφαλίσεις
αντικειμένων (στους γενικούς κλάδους) και η Διεθνής Αναλογιστική
Ενωση έχει ειδικό Τμήμα (Section), γνωστό ως ASTIN, που έχει σαν κύριο
έργο του την έρευνα στον τομέα της θεωρίας αυτής. Η έρευνα αυτή
 7

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.

3. Β ασικές Α ναλογιστικές Έ ννοιες.

Θα ασχοληθούμε αρχικά μόνο με την κλασσική περίπτωση μιας

ατομικής ασφαλίσεως ζωής, αφήνοντας τις ομοιότητες και τις διαφορές με
τις ασφαλίσεις πραγμάτων στα επόμενα. Εχοντας την έννοια
προεξοφλήσεως των χρηματικών ποσών και την έννοια της μαθηματικής
προσδοκίας, θα μπορούσαμε να προχωρήσουμε στην αρχή του υπολογισμού
του ασφαλίστρου. Πριν όμως από αυτό, θα σταθούμε για λίγο στις πηγές
από τις οποίες "αντλούνται" οι "πιθανότητες" που χρησιμοποιούνται κατά
τον υπολογισμό του ασφαλίστρου.

3.1. Π ίν α κ ες (θ νη σ ιμ ό τη τα ς, Α ν ικ α ν ό τη τα ς , κ .λ .π .). Στις ασφαλίσεις

προσώπων (ασφαλίσεις θανάτου και ζωής, ανικανότητας, γήρατος κ.λ.π),
το ρόλο αυτό παίζουν οι π ίνα κ ες θνησιμότητας (mortality tables),
ανικανότητας, παραμονής στην υπηρεσία και αποχωρήσεως από αυτή, κ.λπ.
Η κατάρτιση αυτών των πινάκων είναι ολόκληρη επιστήμη, με την οποία
δεν θ' ασχοληθούμε. Θα σημειώσουμε μόνο, ότι η κατάρτιση αυτή είναι ένα
πολυετές έργο που αρχίζει με τη συλλογή μεγάλου όγκου στοιχείων
σύμφωνα με αυστηρά εφαρμοζόμενες προδιαγραφές. Τα στοιχεία αυτά
ελέγχονται, ταξινομούνται και υποβάλλονται σε διάφορες μαθηματικές
επεξεργασίες. Ιδιαίτερη θέση ανάμεσα σ' αυτές τις πινακοκατασκευές
κατέχει ένας συντελεστής ή περιθώριο α σ φ ά λεια ς (safety margin). To
περιθώριο αυτό, που υπολογίζεται με αναλογιστικές μεθόδους, κάνει τον
πίνακα να παρουσιάζει μιά εικόνα δυσμενέστερη από τα πραγματικά
δεδομένα κα ι αποσκοπεί στην κάλυψη ενδεχομένων αποκλίσεων στην πράξη
από τις προβλέψεις του πίνακα.
Ενας πίνακας θνησιμότητας παρέχει τα αναγκαία στοιχεία για τον
υπολογισμό της πιθανότητας θανάτου πριν από μια ορισμένη ηλικία, της
πιθανότητας επιβιώσεως μέχρι μιά ορισμένη ηλικία, της πιθανότητας
θανάτου ανάμεσα σε κάποιες δυό ηλικίες, κ.ο.κ. (Ανάλογά μπορούν να
λεχθούν για πίκανες ανικανότητας, κ.λ.π.). Η χρήση ενός πίνακα σε μια
δεδομένη εφαρμογή πρέπει να γίνεται με κάποια περίσκεψη. Πρέπει,
δηλαδή, το σύνολο, στο οποίο θα εφαρμοοθεί ο πίνακας, να αποτελεί
δείγμα από τον πληθυσμό (υποσύνολο του πληθυσμού) από τον οποίο
8

ελήφθησαν τα στοιχεία για την κατάρτιση του πίνακα. Γι αυτό, π.χ. σε

χώρους όπου υπάρχει αρκετά μεγάλος αριθμός1 ασφαλισμένων ζωής, οι
εταιρείες δεν χρησιμοποιούν τον πίνακα γενικής θνησιμότητας
(θνησιμότητας του γενικού πληθυσμού), αλλά πίνακες θνησιμότητας
ασφαλισμένων.
Στις ασφαλίσεις αντικειμένων (στους γενικούς κλάδους, όπως λέμε),
το πρόβλημα προσδιορισμού της συχνότητας και της μέσης έντασης του
κινδύνου αντιμετωπίζεται με την τήρηση στατιστικών στοιχείων (statistics).

3.2. Η Ε ννοια του Κ α θα ρού Α σφ ά λισ τρο υ. Το καθαρό, ή καλύτερα

μαθηματικό, ασφάλιστρο αγνοεί τελείως τα κάθε φύσεως έξοδα του
ασφαλιστή, τυχόν αμοιβές των μεσαζόντων (προμήθειες), τυχόν φορολογικές
επιβαρύνσεις των ασφαλίστρων, το κέρδος του ασφαλιστή, κ.λπ. Το
ασφάλιστρο αυτό είναι υπολογισμένο έτσι ώστε να καλύπτει -υπό την
έννοια που αναπτύσσεται παρακάτω- μόνο τον κίνδυνο. Με ά λλα λόγια, το
μ α θ η μ α τικ ό ασφάλιστρο (net premium) λ α μ β ά νει υπόψη το υ μ ό ν ο (α)
τις π ιθα νότητες επελεύσεως του κινδύνο υ και (β) το τ ε χ ν ικ ό επ ιτό κ ιο
(δηλαδή, την προεξόφληση χρ η μ α τικ ώ ν ποσών).

3.3. Η Α ρ χ ή της Ισοδυναμίας (Α ρ χή Υ π ο λο γισ μ ο ύ το υ Μ α θ η μ α τικ ο ύ

Α σφ αλίστρου). Η αρχή υπολογισμού του μαθηματικού (ή καθαρού)
ασφαλίστρου αποκαλείται και αρχή της ισ ο δ υ να μ ία ς (equivalence
principle), γιατί εκφράζει την ισοδυναμία ανάμεσα στην παρούσα αξία
όλων των μελλοντικών υποχρεώσεων του ασφαλιστή (των αποζημιώσεων)
και στην παρούσα αξία όλων των μελλοντικών υποχρεώσεων του
ασφαλισμένου (των ασφαλίστρων). Συγκεκριμένα, η αρχή υπολογισμού του
καθαρού ασφαλίστρου είναι: Η παρούσα α ξία όλω ν τω ν ασφ αλίστρω ν
π ου προβλέπει η α σφ α λιστική σύμβαση πρέπει να ε ίν α ι ίση μ ε την
παρούσα α ξία όλω ν των αποζημιώσεων που θα κ α τα β λ η θ ο ύ ν α π ό τον
ασφ αλιστή (σ' εφαρμογή των όρων της συμβάσεως).
Στο σημείο αυτό, παραπέμποντας στα παραδείγματα της §2.2,
υπενθυμίζουμε, ότι η παρούσα αξία ενός μελλοντικά καταβλητέου ποσού
(είτε ασφαλίστρου είτε αποζημιώσεως) αποτελεί μαθηματική προσδοκία. Η
προσδοκία αυτή είναι γινόμενο τριών παραγόντων και συγκεκριμένα (α)
του καταβλητέου ποσού, (β) του συντελεστή προεξόφλησης (που είναι
συνάρτηση του τεχνικού επιτοκίου και του χρόνου που μεσολαβεί μέχρι την
πληρωμή), και (γ) της πιθανότητας πραγματοποιήσεως της καταβολής του

1 Τόσο μεγάλος ώστε να εξασφαλίζει την αξιοπιστία της στατιστικής (εμπειρικής) πιθανότητας.
 9

ποσού. Υπενθυμίζουμε ακόμα, ότι ο συντελεστής προεξοφλήσεως ανάγει το

μελλοντικό χρηματικό ποσό σε τρέχουσα χρηματική αξία. Η δε πιθανότητα
πραγματοποιήσεως της πληρωμής είναι αναγκαία^ για τί δεν είνα ι βέβαιο,
ότι θα υπάρξουν αποζημιώσεις, ούτε ότι ο ασφαλιστής θα εισπράξει όλα τα
μελλοντικά ασφάλιστρα (μπορεί να μεσολαβήσει θάνατος, ανικανότητα
κ.λ.π.). Κάτω· από αυτό το πρίσμα, η αρχή υπολογισμού του καθαρού
ασφαλίστρου εκφράζει την ισότητα δυό προσδοκωμένων τιμών: της
προσδοκωμένης τιμής των υποχρεώσεων του ασφαλιστή και της
προσδοκωμένης τιμής των υποχρεώσεων του ασφαλισμένου1.
Στην εφαρμογή της αρχής της ισοδυναμίας, το μαθηματικό
ασφάλιστρο είναι ο "άγνωστος". Πρώτα, δηλαδή, υπολογίζεται η παρούσα
αξία των υποχρεώσεων του ασφαλιστή-των αποζημιώσεων που ενδέχεται να
καταβληθούν. Αν το ασφάλιστρο είναι να καταβληθεί εφάπαξ, η παρούσα
αυτή αξία των αποζημιώσεων αποτελεί 'και το εν ια ίο καθαρό
ασφάλιστρο (net single premium). Αν όμως το ασφάλιστρο είναι να
καταβληθεί περιοδικά (π.χ., κάθε χρόνο), τότε πρέπει να βρούμε μια
περιοδικά πληρωτέα ποσότητα τέτοια ώστε η παρούσα αξία όλων των
περιοδικών αυτών πληρωμών να ισούται με την (ήδη γνωστή) παρούσα αξία
των αποζημιώσεων. Προς εμπέδωση των σχετικών εννοιών, παραθέτουμε
έναν τέτοιο υπολογισμό στο Παράρτημα Α.

3.4. Εμπορικό Ασφάλιστρο: Επιβαρύνσεις. Ποιά άλλα στοιχεία πρέπει

να ληφθούν υπόψη στη μετάβαση από το καθαρό στο εμπορικό
ασφάλιστρο (gross premium); Μια πρώτη μεγάλη κατηγορία είναι οι
λεγάμενες επιβαρύνσεις. Οι επιβαρύνσεις περιλαμβάνουν τις προμήθειες και
λοιπές δαπάνες προσκτήσεως εργασιών, τα έξοδα διαχειρίσεως του
χαρτοφυλακίου, τα γενικά έξοδα του ασφαλιστή και διάφορους φόρους,
τέλη, κέρδη κ.λπ.
Προμήθειες είναι τα ποσά που καταβάλλονται σαν αμοιβή στους
μεσολαβούντες (πράκτορες, ασφαλειομεσίτες, κ.λπ.) στη σύναψη της
ασφαλιστικής συμβάσεως. Οι προμήθειες είναι συνήθως ποσοστό του
εμπορικού ασφαλίστρου. Εξοδα προσκτήσεως είναι τα άλλα έξοδα στα
οποία υποβάλλεται ο ασφαλιστής όταν αποκτά ένα νέο ασφαλιστήριο.
Παραδείγματα είναι τα έξοδα ιατρικών εξετάσεων (Κ λάδος Ζωής),
επιθεωρήοεως ενός εργοστασίου (Κλάδος Πυρός), εξετάσεως της
"οικονομικής επιφάνειας" του υποψήφιου πελάτη και γενικά όλα τα έξοδα
της διαδικασίας που οδηγεί στην ανάληψη (ή μη ανάληψη του κινδύνου).
1 Η απαίτηση ισότητας των δύο αυτών προσδοκιών ίχει και νομικίς αποχρώσεις: πρόκειται για την
ισότητα παροχής κ α ι αντιπαροχής,
10

Οι δαπάνες προσκτήσεως περιλαμβάνουν ακόμα τα έξοδα εκδόσεως του

ασφαλιστηρίου, εντάξεώς του στη μηχανογράφηση, δημιουργίας διαφόρων
αρχείων, κ.λπ.
Εξοδα διαχειρίσεω ς του χαρτοφυλακίου είναι τα έξοδα στα οποία
υποβάλλεται ο ασφαλιστής (εξ αιτίας ενός συμβολαίου) μετά την πρόσκτηση
του συμβολαίου και όσο το συμβόλαιο εξακολουθεί να ισχύει.
Παραδείγματα είναι τα έξοδα μεταβολών (προσθέτων πράξεων),
εισπράξεως των ασφαλίστρων, διακανονισμού των ζημιών.
Τα γενικ ά έξοδα είναι έξοδα που δεν έχουν άμεση σχέση με το
ασφαλιστικό χαρτοφυλάκιο. Παραδείγματα είναι οι δαπάνες της εταιρείας
για ορισμένες διοικητικές μονάδες (π.χ., προσωπικό), για ορισμένες μονάδες
service (π.χ., μηχανογράφηση) και για διάφορες βοηθητικές υπηρεσίες.
Επειτα έχουμε τους μισθούς των συμβούλων και διοικητικών στελεχών,
διάφορα έξοδα άσχετα με τις ασφαλιστικές δραστηριότητες της εταιρείας,
κ.λπ.
Τέλος, συχνά, ανάλογα με τη χώρα, τα ασφάλιστρα υπόκεινται κ α ι σε
διάφορους φόρους και τέλη.
Στις ασφαλιστικά προηγμένες χώρες, ένα από τα κυριότερα μελήματα
των αναλογιστών είναι η διεξοδική ανάλυση των διαφόρων επιβαρύνσεων
που παρουσιάσαμε παραπάνω. Σκοπός αυτής της αναλύσεως είναι η δίκαιη
κατανομή των γενικών εξόδων στους διάφορους ασφαλιστικούς κλάδους
και, στη συνέχεια, η σωστή ενσωμάτωση των διαφόρων επιβαρύνσεων στα
ασφάλιστρα. Φυσικά, δεν θα ασχοληθούμε εδώ με τις μεθόδους που
χρησιμοποιούνται γι αυτό το σκοπό.

3.5. Ε μ π ο ρ ικ ό Α σφάλιστρο: Α λ λ ο ι Π αράγοντες. Πέρα από τις

παραπάνω επιβαρύνσεις, για τον καθορισμό του εμπορικού ασφαλίστρου
λαμβάνονται υπόψη και άλλοι παράγοντες. Η πρόσοδος τω ν κ ε φ α λ α ίω ν
( τα έσοδα, δηλαδή, που έχει η εταιρεία από τις διάφορες επενδύσεις της σε
ακίνητα, χρεόγραφα, κ.λπ.) είναι ένας τέτοιος παράγοντας. Ε ίναι αδύνατο
να μπούμε στις τεχνικές λεπτομέρειες. Από θεωρητική πάντως σκοπιά, το
ύψος του ασφαλίστρου είναι συνάρτηση, εκτός των άλλων, κ α ι της
διαφοράς ανάμεσα στο τεχνικό επιτόκιο και στην πραγματική απόδοση των
επενδυμένων κεφαλαίων της εταιρείας1.
Μια ακόμα επιλογή που πρέπει να κάνει ο αναλογιστής είναι κ α τά
πόσο να συμπεριλάβει στο εμπορικό ασφάλιστρο μιά πρόβλεψη γ ι α
α π ο κλίσεις (απρόοπτα ενδεχόμενα). Η απόφαση θα εξαρτηθεί από τα
1 Η τ t Zv , *r ∏ του Κλάδου Ζωή; η γνωοτή ω ; "συμμετοχή orα κέρδη" είναι ο τρόπο; ανπμ ετω π ίοεω ; της

διαφοράς ανόμισα στην πραγματική πρόσοδο και στο τεχνικό επιτόκιο.

 II

περιθώρια ασφάλειας των πινάκων που χρησιμοποιήθηκαν στον υπολογισμό

του καθαρού ασφαλίστρου (από την αξιοπιστία των στατιστικών στοιχείων
στην περίπτωση των γενικών κλάδων), από τον τρόπο αντιμετωπίσεως της
διαφοράς ανάμεσα στην πραγματική πρόσοδο και στο τεχνικό επιτόκιο και
από άλλους παράγοντες.
Τέλος, στο εμπορικό ασφάλιστρο μπορεί να συμπεριληφθεί κα ι ένα
ποσοστό κέρδους για τον ασφαλιστή. Από την άλλη πλευρά, μπορεί να μη
γίνει τέτοια συγκεκριμένη και άμεση πρόβλεψη για κέρδος, με την ελπίδα,
ότι τα περιθώρια των πινάκων, η υπεροχή της πραγματικής προσόδου
απέναντι στο τεχνικό επιτόκιο, κ.λπ. θα αποφέρουν το επιθυμητό κέρδος
έμμεσα.
Πριν αφήσουμε το εμπορικό ασφάλιστρο, πρέπει να τονισθεί, ότι πολύ
σπάνια καθορίζεται το εμπορικό ασφάλιστρο με γνώμονα μόνο τις
παραπάνω θεωρητικές αρχές. Οι στόχοι της εταιρείας και ο ανταγωνισμός
παίζουν ζωτικό κ α ι πολλές φορές καθοριστικό ρόλο.

3.6. Μ α θ η μ α τικ ά και Τ εχνικά Α π ο θ έμ α τα : Φ ιλοσοφία. Τα

α π ο θ έμ α τα (μαθηματικά αποθέματα ζωής και τεχνικά αποθέματα γενικών
κλάδων) δεν πρέπει να συγχέονται με τα α π ο θ εμ α τικ ά μιάς επιχειρήσεως.
Τα αποθεματικά (τακτικό, ειδικά) τηρούνται από κάθε φύσεως επιχειρήσεις
(συμπεριλαμβανομένων και των ασφαλιστικών εταιρειών) για την
προστασία του εταιρικού κεφαλαίου.
Ε τ α ιρ ικ ό κ ε φ ά λ α ιο είναι το ποσό που καταβάλλουν (συνεισφέρουν)
οι μέτοχοι μιάς υπό ίδρυση εταιρείας για να "βάλει μπροστά". Πολλές
φορές, καθώς η επιχείρηση μεγαλώνει, το εταιρικό κεφάλαιο αυξάνεται με
πρόσθετες εισφορές των μετόχων. Αν τώρα κάποιες αντίξοες συνθήκες
δημιουργήσουν υποχρεώσεις, στις οποίες η εταιρεία δεν μπορεί να
ανταποκριθεί με κανένα άλλο τρόπο, τότε πρέπει να αναλωθεί μερικά ή
και ολικά το εταιρικό κεφάλαιο, για να ικανοποιηθούν οι κ α τά της
εταιρείας απαιτήσεις. Τα διάφορα αποθεματικά δημιουργούνται (συνήθως
από κέρδη που δεν διανέμονται στους μετόχους) δημιουργούνται (συνήθως
από κέρδη που δεν διανέμονται στους μετόχους) ακριβώς γ ια να
προστατευθεί το εταιρικό κεφάλαιο από τον κίνδυνο αυτό. Ετσι, σε
περίπτωση αδυναμίας της εταιρείας να ανταπεξέλθει σε κάποια υποχρέωσή
της μέσα στο πλαίσιο της καθημερινής της επιχειρηματικής δραστηριότητας
(χρησιμοποιώντας, δηλαδή, "συνήθεις" πόρους), η εταιρεία ανατρέχει πρώτα
στα αποθεματικά, αφήνοντας το εταιρικό κεφάλαιο άθικτο. Ε ίναι σύνηθες
φαινόμενο ορισμένα αποθεματικά να επιβάλλονται από το νόμο.
12

Τα (ασφαλιστικά) αποθέματα (reserves) από την ά λ λ η μεριά δr.v

αποσκοπούν στην προστασία της (ασφαλιστικής) επιχειρήσεως ως
οικονομικής οντότητας, αλλά στην προστασία των ασφαλισμένων*.Τα
αποθέματα, δηλαδή, είναι κεφάλαια ανεξάρτητα από τα κ ε φ ά λ α ια και
αποθεματικά του αοφαλιατή. Σχηματίζονται με την "παρακράτηση" μέρους
των ασφαλίστρων. Ο σχηματισμός των αποθεμάτων καθίσταται α να γκ α ίο ς
σε κάθε περίπτωση που εμφανίζει ετεροχρονισμό ανάμεσα στα ασφάλιστρα
και στις αποζημιώσεις. Ο σχηματισμός αποθεμάτων είνα ι ιδιαίτερα
αναγκαίος στην περίπτωση μακροχρόνιων ασφαλιστικών συμβάσεων, στις
οποίες το μεν ασφάλιστρο παραμένει αμετάβλητο από χρόνο σε χρόνο, ο δε
κίνδυνος (π.χ., θανάτου) βαίνει αυξανόμενος από χρόνο σε χρόνο. Ο
υπολογισμός των μαθηματικών και των τεχνικών' αποθεμάτων γίν ετα ι βάσει
αναλογιστικών αρχών και υπόκειται σε νομοθετικούς περιορισμούς. Πάλι
με νόμο, τα αποθέματα μπορούν να χρησιμοποιηθούν μ όνο γ ια την
ικανοποίηση απαιτήσεων των ασφαλισμένων. Αντίθετα δε, οι ασφαλισμένοι
έχουν συνήθως προτεραιότητα (ανάμεσα στους διάφορους α π α ιτη τές και
πιστωτές της εταιρείας) και πάνω στα κεφάλαια της ίδιας της ετα ιρεία ς, σε
περίπτωση που εξαντληθούν τα αποθέματα χωρίς να ικανοποιηθούν όλες οι
απαιτήσεις των» ασφαλισμένων.

3.7. Μ αθηματικά Α ποθέμα τα : Μ ηχα νισμ ό ς Σ χ η μ α τ ισ μ ο ύ . Οι

μακροχρόνιες ασφαλιστικές συμβάσεις στις οποίες η πιθανότητα επελεύσεως
του κινδύνου συνεχώς αυξάνει, ενώ το ετήσιο ασφάλιστρο παραμένει
αμετάβλητο, συνεπάγονται μαθηματικά αποθέματα. Τα α π ο θέμ α τα αυτά
δεν είναι τίποτα άλλο παρά το "περίσσευμα" του ετήσιου ασφάλιστρου
κατά τα πρώτα χρόνια της συμβάσεως, που ο κίνδυνος είνα ι μικρός κ α ι το
(αμετάβλητο από χρόνο σε χρόνο) μέσο ασφάλιστρο υπεραρκεί γ ια την
κάλυψη του κινδύνου κατά τα χρόνια αυτά. Το περίσσευμα αυτό
χρησιμοποιείται για την κάλυΐ|ίη του αυξημένου κινδύνου στα τελευταία
χρόνια, που το ίδιο μέσο ασφάλιστρο είναι πιά ανεπαρκές γ ια ν α καλύψει
μόνο του (χωρίς, δηλαδή, ενίσχυση από τα αποθέματα) τον αυξημένο
κίνδυνο.
Ας δούμε όμως αυτόν το μηχανισμό λίγο προσεκτικότερα στην
κλασσική περίπτωση μιάς ισόβιας ασφαλίσεω ς ζ ω ή ς (w hole life
insurance).

* 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

Τα (ασφαλιστικά) αποθέματα (reserves) από την άλλη μεριά δεν

αποσκοπούν στην προστασία της (ασφαλιστικής) επιχειρήσεως ως
οικονομικής οντότητας, αλλά στην προστασία των ασφαλισμένων’.Τα
αποθέματα, δηλαδή, είναι κεφάλαια ανεξάρτητα από τα κεφάλαια και
αποθεματικά του ασφαλιστή. Σχηματίζονται με την "παρακράτηση" μέρους
των ασφαλίστρων. Ο σχηματισμός των αποθεμάτων καθίσταται α να γκ α ίο ς
σε κάθε περίπτωση που εμφανίζει ετεροχρονισμό ανάμεσα στα ασφάλιστρα
και στις αποζημιώσεις. Ο σχηματισμός αποθεμάτων είναι ιδια ίτερα
αναγκαίος στην περίπτωση μακροχρόνιων ασφαλιστικών συμβάσεων, στις
οποίες το μεν ασφάλιστρο παραμένει αμετάβλητο από χρόνο σε χρόνο, ο δε
κίνδυνος (π.χ., θανάτου) βαίνει αυξανόμενος από χρόνο σε χρόνο. Ο
υπολογισμός των μαθηματικών και των τεχνικών αποθεμάτων γίνεται βάσει
αναλογιστικών αρχών και υπόκειται σε νομοθετικούς περιορισμούς. Π ά λ ι
με νόμο, τα αποθέματα μπορούν να χρησιμοποιηθούν μόνο γ ια την
ικανοποίηση απαιτήσεων των ασφαλισμένων. Αντίθετα δε, οι ασφαλισμένοι
έχουν συνήθως προτεραιότητα (ανάμεσα στους διάφορους απαιτητές κ α ι
πιστωτές της εταιρείας) και πάνω στα κεφάλαια της ίδιας της εταιρείας, σε
περίπτωση που εξαντληθούν τα αποθέματα χωρίς να ικανοποιηθούν όλες οι
απαιτήσεις των ασφαλισμένων.

3.7. Μ αθηματικά Αποθέματα: Μηχανισμός Σ χη μ α τισ μ ο ύ. Οι

μακροχρόνιες ασφαλιστικές συμβάσεις στις οποίες η πιθανότητα επελεύσεως
του κινδύνου συνεχώς αυξάνει, ενώ το ετήσιο ασφάλιστρο πα ρ α μ ένει
αμετάβλητο, συνεπάγονται μαθηματικά αποθέματα. Τα αποθέματα α υ τά
δεν είναι τίποτα άλλο παρά το "περίσσευμα" του ετήσιου ασφάλιστρου
κατά τα πρώτα χρόνια της συμβάσεως, που ο κίνδυνος είναι μικρός κ α ι το
(αμετάβλητο από χρόνο σε χρόνο) μέσο ασφάλιστρο υπεραρκεί γ ια την
κάλυψη του κινδύνου κατά τα χρόνια αυτά. Το περίσσευμα αυτό
χρησιμοποιείται για την κάλυψη του αυξημένου κινδύνου στα τελευταία
χρόνια, που το ίδιο μέσο ασφάλιστρο είναι πιά ανεπαρκές γ ια να καλύψει
μόνο του (χωρίς, δηλαδή, ενίσχυση από τα αποθέματα) τον αυξημένο
κίνδυνο.
Ας δούμε όμως αυτόν το μηχανισμό λίγο προσεκτικότερα στην
κλασσική περίπτωση μιάς ισόβιας ασφαλίσεως ζω ή ς (whole life
insurance).

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

διασυνδέσεων ανάμεσα στην οικονομική και οτην ασφαλιστική -

αναλογιστική επιστήμη θα μας ήταν αδύνατη στη γενική αυτή εισαγωγή
στον αναλογισμό, λόγω των τεχνικών γνώσεων που α πα ιτούντα ν θα
περιορισθούμε, λοιπόν σε λίγα απλά και βασικά σχόλια.

4.1. Ασφάλιση κ α ι Ο ικονομική Α νά π τυξη . Π ρώ τα - πρώ τα, πρέπει να

επισημάνουμε τη σχέση ανάμεσα στην οικονομική ανάπτυξη κ α ι στην
ανάπτυξη της ασφαλίσεως. Οι δυό αυτές αναπτύξεις σαφώς συμβαδίζουν.
Χαρακτηριστική είναι η περίπτωση της Ιαπω νίας, η ο π ο ία μεταπολεμικά,
παράλληλα με το οικονομικό της θαύμα, έφθασε τις Η Π Α στον Κλάδο
Ζωής, αρχίζοντας (συγκριτικά) από το μηδέν. Α πό την ά λ λ η πλευρά όμως,
πρέπει να τονίσουμε, ότι το συμβάδισμα αυτό οικονομικής κ α ι ασφαλιστικής
αναπτύξεως είναι απλώς μια πολύ ισχυρή τάση (κα ι ό χ ι ακριβής και
απαράβατη μαθηματική σχέση). Ετσι, π.χ., στον τόπο μ α ς παρατηρείται
κάποια "υστέρηση" της ασφαλιστικής αναπτύξεως α πέναντι στην
οικονομική ανάπτυξη. Και τούτο γιατί ο βαθμός συσχετίσεως βιοτικού
επιπέδου και εκτάσεως της ασφαλίσεως εξαρτάται από τη√ ιεράρχηση των
γενικότερων αναγκών του ανθρώπου. Οταν ο "επιούσιος" παύει να είναι
οξύ πρόβλημα, είναι φυσικό ο άνθρωπος να στρέφει την προσοχή του στο
θέμα της μακροπρόθεσμης οικονομικής ασφάλειας. Π έρα όμως από την
καθαρά οικονομική θεώρηση του θέματος, η τελική επιλογή ασφαλίσεως ή
μη επηρεάζεται και από συναισθηματικούς, παραδοσιακούς και
πολιτιστικούς παράγοντες.

4.2. Ασφάλιση κ α ι Αποταμίευση. Από τις ευεργετικές επιδράσεις της

ασφαλίσεως πάνω στην εθνική οικονομία, πρώτη αναφέρουμε την
προστασία των οικονομικών αγαθών. Επειτα, ιδ ια ίτερ ο ενδιαφέρον
παρουσιάζουν οι σχέσεις μεταξύ ασφαλίσεως αφ' ενός κ α ι καταναλώσεως -
αποταμιεύσεως- παραγωγικών επενδύσεων αφ , ετέρου.
Στην περίπτωση των γενικών κλάδων, λόγω του βραχυχρόνιου
(συνήθως ετήσιου) χαρακτήρα της, η ασφάλιση δεν έχει έντονο
αποταμιευτικό χαρακτήρα. Τα τεχνικά αποθέματα είνα ι "βραχύβια" και,
σε αδρές γραμμές, τα ασφάλιστρα σύντομα εκταμιεύονται γ ια την πληρωμή
αποζημιώσεων. Το ασφάλιστρο πάντως που κ α τα β ά λ λ ετα ι δεν παύει να
επηρεάζει ευνοϊκά την καταναλωτική εικόνα. Δ η λ α δ ή , πέρα από το
γεγονός ότι τα χρήματα δαπανώνται για "καλό σκοπό" (την προστασία
κάποιου οικονομικού αγαθού), αποφεύγεται η διάθεσή τους για
καταναλωτικά αγαθά αμφίβολης χρησιμότητας (επιδεικτική κατανάλωση,
κ.λπ.).
 15

Εκείνος που παίζει ζωτικό ρόλο στη διάρθρωση της αποταμιεύσεως σε

μιά χώρα είναι ο Κλάδος Ζωής. Μέσω των μαθηματικών αποθεμάτων που
δημιουργούν, οι "μόνιμες" ασφαλίσεις ζωής αποτελούν ένα μέσο
"υποχρεωτικής" αποταμιεύσεως. Η αποταμίευση αυτή έχει ορισμένα σαφή
πλεονεκτήματα απέναντι σε άλλες μορφές αποταμιεύσεως (ταμιευτήρια,
τράπεζες, ομολογίες, κ.λπ.). Λεν θα ασχοληθούμε με τα πλεονεκτήματα
αυτά. Θα τονίσουμε όμως, ότι στην περίπτωση της ασφαλίσεως έχουμε
μεγαλύτερη πιθανότητα τηρήσεως του αποταμιευτικού προγράμματος. Αυτό
δε, και για τί το ασφάλιστρο το "χρωστάμε"1 και γιατί -το σπουδαιότερο- η
μη τήρηση της "αποταμιεύσεως" συνεπάγεται και την απώλεια της
ασφαλιστικής προστασίας (δηλ., ασφαλιστική κάλυψη και αποταμίευση
είναι άρρηκτα συνδεδεμένες μέσα στο ίδιο, "αδιαίρετο" ασφάλιστρο).
Δεν χρειάζεται να εξάρουμε ιδιαίτερα τις θετικές επιπτώσεις της
αποταμιεύσεως πάνω στην εθνική οικονομία. Ο αντιπληθωριστικός της
ρόλος είναι σαφής. Εξίσου σαφής είναι η σχέση αποταμιεύσεως και
υπάρξεως κεφαλαίων για βιομηχανική ανάπτυξη και άλλες παραγωγικές
επενδύσεις. Για να γυρίσουμε πάλι στην Ιαπωνία, δεν είναι τυχαίο, ότι εκεί
η αποταμίευση είναι της τάξεως του 15% των προσωπικών εισοδημάτων -
ένα ποσοστό τουλάχιστο διπλάσιο από εκείνο που παρατηρείται στη Δυτική
Ευρώπη κα ι στις ΗΠΑ.
Ας δώσουμε τώρα μια ιδέα του μεγέθους των κεφαλαίων
(μαθηματικών αποθεμάτων) που σχηματίζονται στον Κ λάδο Ζωής. Α ς
αρχίσουμε συγκρίνοντας με τους Γενικούς Κλάδους. Αν συγκρίνετε μιας
χρονιάς ασφάλιστρα των Γενικών Κλάδων με τα αντίστοιχα τεχνικά
αποθέματα, θα δείτε, ότι τα τεχνικά αποθέματα είναι, πολύ χοντρικά, ίσα
με μισής χρονιάς ασφάλιστρα. Αν, από την άλλη μεριά, συγκρίνετε τα
μαθηματικά αποθέματα του Κλάδου Ζωής με τα ασφάλιστρα ενός έτους, θα
δείτε, ότι τα μαθηματικά αποθέματα αποτελούν σχεδόν τριών ετών
ασφάλιστρα. Ισως η διαφορά αυτή να φαίνεται μεγάλη. Στην
πραγματικότητα, είναι μικρή, γιατί το χαρτοφυλάκιο ζωής, π.χ. της
"Εθνικής" είναι σχετικά "μικρής ηλικίας". Στην περίπτωση μιάς εταιρείας
με μεγάλο τζίρο στον Κλάδο Ζωής επί δεκαετίες (πολλά π α λιά συμβόλαια),
τα μαθηματικά αποθέματα μπορεί να αντιπροσωπεύουν τα ασφάλιστρα και
πέντε και οκτώ και δέκα ετών.

4.3. Ο ικονομικά Ρίσκα του Ασφαλιστή. Η ασφαλιστική επιχείρηση

υπόκειται σε όλα τα οικονομικά και εμπορικά ρίσκα που απειλούν μια
1 Έχουμε μια σύμβαση, έστω και αν ο νόμ ο; και η (δια η σύμβαση δεν μας εμrtoδiζoυv να τη λύσουμε (μη

πληρώνοντας το αοφάλιστρο).
16

επιχειρηματική μονάδα. Ανάμεοα ο' αυτά, ιδιαίτερη σπουδαιότητα για μια

ασφαλιστική επιχείρηση έχουν τα επενδυτικά ρίσκα, οι συναλλαγματικές
διακυμάνσεις, οι διακυμάνσεις της οικονομίας (οικονομικοί κ ύ κ λοι) και ο
πληθωρισμός. Θα περιορισθούμε μόνο σε μερικές παρατηρήσεις γ ια τις
οικονομικές κρίσεις και για τον πληθωρισμό.
Οι οικονομικές κρίσεις έχουν αθροιστικές δυσμενείς επιπτώσεις στις
ασφαλιστικές εργασίες. Οι νέες εργασίες μειώνονται ενώ ά λ λ ο ι διακόπτουν
την ήδη υφιστάμενη ασφάλισή τους (λιγότερα ασφάλιστρα, λοιπόν). Οι
αποζημιώσεις από την άλλη μεριά μπορεί ν' αυξηθούν 1 . Τέλος, πέρα από
την ενδεχόμενη μείωση των ασφαλίστρων και την ενδεχόμενη αύξηση των
αποζημιώσεων, η οικονομική κρίση μπορεί να φέρει κ α ι μείωση της
προσόδου των κεφαλαίων (π.χ., μειωμένα μερίσματα) ή κ α ι απώ λεια των
ίδιων των κεφαλαίων. Αυτό σημαίνει, ότι ο ασφαλιστής πρέπει να είναι
ιδιαίτερα προσεκτικός στον οικονομικό του προγραμματισμό και, σε
περιόδους ευημερίας (υψηλά ασφάλιστρα, χαμηλές αποζημιώσεις, υψηλή
πρόσοδος)., να έχει κατά νουν τον ερχομό των "ισχνών αγελά δω ν".

4.4 . Α σφ ά λιση κ α ι Πληθωρισμός. Ενα από τα σοβαρότερα προβλήματα

της εποχής μας είναι ο πληθωρισμός. Ενας τομέας όπου ο πληθωρισμός
πλήττει τον ασφαλιστή είναι η διόγκωση των εξόδων (γενικώ ν κ α ι μη) πέρα
από τα όρια που έχουν προβλεφθεί κ α τά τον υπολογισμό του εμπopucoυ
ασφαλίστρου.
Στους γενικούς κλάδους δημιουργεί προβλήματα κ α ι ο ετεροχρονισμός
ανάμεσα στον υπολογισμό των ασφαλίστρων, στην είσπραξή τους και στην
καταβολή των αποζημιώσεων. Στους κλάδους αυτούς, δεν υπάρχει
προκαθορισμένο ασφαλιστικό ποσό. Σκοπός της ασφαλίσεως είναι η
αποκατάσταση της ζημιάς2 . Σε περίοδο έντονου πληθωρισμού, το κόστος
αποκαταστάσεως της ζημιάς (π.χ., το κόστος επισκευής αυτοκινήτων)
αυξάνει συνεχώς και μπορεί τα ασφάλιστρα, που εισπράχθηκαν σε κάποιο
προγενέστερο χρόνο (και υπολογίσθηκαν με βάση α κ ό μ α παλαιότερα
τιμαριθμικά δεδομένα), να αποδειχθούν ανεπαρκή.
Στην περίπτωση του Κλάδου Ζωής, το ύψος τη ς αποζημιώσεως
καθορίζεται στο συμβόλαιο3 . Ως εκ τούτου, ο πληθωρισμός δεν επηρεάζει

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

φορά κ α ι απεριόριστες καλύψεις.

J Τ Ο μόνο θέμα, δηλαδή, είναι αν πράγματι επήλθε ο κίνδυνος. Δ εν υπάρχουν “μερικές·* ζημιές ούτε και

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

το μέγεθος της υποχρεώοεως του ασφαλιστή: η υποχρέωση αυτή είναι

πάντοτε ίση με το ασφαλιστικό ποσό που αναφέρεται στη σύμβαση.
Μολαταύτα, λόγω της μακροχρόνιας φύσεως της ασφαλίσεως, οι
παρατεταμένες περίοδοι υψηλού πληθωρισμού δημιουργούν οξύτατα
προβλήματα στον Κλάδο Ζωής. Κατ' αρχήν, το γεγονός ότι το μέγεθος της
αποζημιώσεως δεν αυξάνει με τον πληθωρισμό, δεν απαλλάσσει τον
ασφαλιστή από τις συνέπειες των αυξημένων εξόδων διαχειρίσεως και
γενικών εξόδων. Επιπλέον -και αυτό είναι πολύ σπουδαιότερο- η
σταθερότητα της αποζημιώσεως1 αποτελεί, σε περίοδο πληθωρισμού, φοβερό
μειονέκτημα για τον ασφαλισμένο. Ετσι, π.χ., με 12% ετήσιο πληθωρισμό, το
σχετικά σεβαστό ασφαλιστικό ποσό του 1.000.000 δραχμών θα έχει, μετά 20
έτη, τη σημερινή αξία 100.000 δραχμών περίπου.
Σε περιόδους πληθωρισμού, παρατηρείται μιά στροφή του
ασφαλιστικού κοινού προς τις πρόσκαιρες ασφαλίσεις ζωής - σε σκέτη,
δηλαδή, προστασία χωρίς το αποταμιευτικό (ή με ασήμαντο αποταμιευτικό)
στοιχείο 2 . Αλλά και πέρα από το θέμα του πληθωρισμού, το κατά πόσο
συμφέρει οικονομικά ο συνδυασμός προστασίας και αποταμιεύσεως σε ένα
ασφαλιστικό πρόγραμμα ή κατά πόσο είναι προτιμότερη η αγορά σκέτης
προστασίας (πρόσκαιρη ασφάλιση) και η παράλληλη (εξωασφαλιστική)
επένδυση του αποταμιευτικού κομματιού του ασφάλιστρου, είναι πάντοτε
θέμα ζωηρών συζητήσεων στους αναλογιστικούς κύκλους. Από πρακτική
σκοπιά, η απάντηση είναι ότι δεν υπάρχει ένα είδος ασφαλίσεως άριστο για
όλα τα άτομα, όλες τις καταστάσεις και όλες τις εποχές. Η ε π ιλ ο γ ή
α σ φ α λ ισ τικ ο ύ π ρ ο γρ ά μ μ α το ς πρέπει να είνα ι π ά ν τ ο τ ε σ τα "μέτρα
τω ν οικονομικώ ν συν&ηκών, α ν α γκ ώ ν κ α ι δ υ να το τή τω ν το υ α τό μ ο υ
π ο υ ε π ιζ η τ ε ί τη ν ασφάλιση.

4.5. Α σ φ ά λ ισ η κ α ι Ο ικο νο μ ικές Επιστήμες. Οπως είπαμε ήδη, στη

στοιχειώδη αυτή εισαγωγή είναι αδύνατη η διερεύνηση των καθαρά
τεχνικών σχέσεων ανάμεσα στην οικονομική και στην αναλογιστική
επιστήμη. Απλώς, λοιπόν, αναφέρουμε, ότι οι δυό αυτές επιστήμες συχνά
χρησιμοποιούν τα ίδια μαθηματικά "εpγαλεiα"g ότι οι σχέσεις ανάμεσα στις
δυό επιστήμες είναι το αντικείμενο συνεχούς έρευνας (μαθηματικής κ α ι μη)g
ότι υπάρχουν οικονομικο-ασφαλιστικές θεωρίες που αποσκοπούν στην κοινή
αντιμετώπιση θεμάτων των δύο επιστημa>vg ότι υπάρχουν μαθηματικές
θεωρίες (και άλλες είναι σε εξέλιξη) που αποβλέπουν στη (μαθηματική)
ενοποίηση των δυό επιστημ(0vg κ.ο.κ. Από τις πολλές άξιες μνείας έννοιες
1 To θετικό για τον ασφαλιστή στοιχείο, που λείπει στους Γενικούς Κλάδους.
2 Στις ΗΠΑ, π.χ,, τα τελευταία χρόνια ίγινε δραματική μεταστροφή προς τις πρόσκαιρες καλύψεις.
18

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).

5. Ασφαλίσεις Προσώπων και Α ντικειμένω ν: Ο μ οιό τη τες και

Διαφορές

Σ' ό,τι ακολουθεί, δεν θ' ασχοληθούμε ιδ ια ίτε ρ α με τ ις ασφαλιστικές

διαφορές ανάμεσα στην ασφάλιση των ατόμω ν κ α ι στην ασφάλιση των
αντικειμένων. Περισσότερο θα δούμε τη διαφ ορετική αναλογιστική
αντιμετώπιση των δύο αυτών ειδών ασφαλίσεως κ α ι ορισμένες διαφορές με
οικονομικές αποχρώσεις.

5 .1 . Α σφ ά λιστρα , Οπως είδαμε, το μαθηματικό ασφάλιστρο υπολογίζεται

έτσι ώστε η παρούσα αξία όλων των (ενδεχομένων) ασφ αλίστρω ν να ισούται
με την παρούσα αξία όλων των (ενδεχομένων) αποζημιώσεων. Η αρχή αυτή
ισχύει γενικά, αλλά η εφαρμογή της στον κ λ ά δο ζω ής κ α ι στους γενικούς
κλάδους παρουσιάζει διαφορές.
Οι πρώτες διαφορές εμφανίζονται στον προσδιορισμό της παρούσας
αξίας των αποζημιώσεων. Κατ' αρχή, στις ασφαλίσεις ζω ής, το ύψος της
αποζημιώσεως είναι γνωστό εκ των προτέρων (κ α ι ίσο με το καθοριζόμενο
στο συμβόλαιο ασφαλιστικό ποσό). Ετσι, γ ια να υπολογισθεί η παρούσα
αξία της αποζημιώσεως, δεν απομένει παρά να σταθμιστεί το (γνωστό) ύψος
της με τις πιθανότητες επελεύσεως του κινδύνου κ α τ ά τη διάρκεια των
διαφόρων μελλοντικών περιόδων και να εκπεσθούν (προεξοφληθούν)
χρηματικά οι προκύπτουσες μαθηματικές προσδοκίες. Σ τ ις ασφαλίσεις
αντικειμένων όμως, η σύμβαση συνήθως αποβλέπει στη (μέχρις ορισμένων
ορίων) αποκατάσταση ζημιών, το ύψος των οποίω ν κ α θορίζετα ι εκ των
πραγμάτων -από την έκταση της ζημιάς- κ α ι ό χι "α υθα ίρ ετα " κ α ι εκ των
προτέρων από την ασφαλιστική σύμβαση. Ετσι, γ ια ν α υπολογισθεί η
παρούσα αξία των αποζημιώσεων, πέρα από τη συχνότητα του κινδύνου (τις
πιθανότητες επελεύσεως του κιδνύνου), πρέπει να γνω ρίζουμ ε κ α ι τη μέση
σφ οδρότητα (ένταση) του κινδύνου (το ενδεχόμενο μέγεθος, το
προσδοκώμενο ύψος της ζημιάς). Δηλαδή, στον υπολογισμό της παρούσας
α ξία ς των αποζημιώσεων γενικής ασφάλειας, η προσδοκώμενη μέση ζημιά
αντικαθιστά το προκαθορισμένο ασφαλιστικό ποσό του συμβολαίου ζωής.
Για να συνοψίσουμε, στον υπολογισμό του ασφ άλισ τρου ζωής, το ύψος
της αποζημιώσεως είναι γνωστό και δεν χρ ειά ζο ντα ι π α ρ ά οι πιθανότητες
 19

επελεύσεως του κινδύνου (και το τεχνικό επιτόκιο). Στον υπολογισμό του

ασφάλιστρου γενικού κλάδου, κ α ι η πιθανότητα επελεύσεως του κινδύνου
κ α ι το μέσο ύψος της ζημιάς πρέπει να προέλθουν από στατιστικά στοιχεία.
(Μιά σύγκριση των Παραδειγμάτων των §6.1 §6.2 θα βοηθήσει στην
κατανόηση της διαφοράς).
Η δεύτερη διαφορά στην αναλογιστική αποτίμηση των αποζημιώσεων
αφορά στο πόσες φορές μπορεί να επέλθει ο κίνδυνος. Σ τις ασφαλίσεις
ατόμων, ο κίνδυνος επέρχεται συνήθως το πολύ μιά φορά. Αντίθετα στις
ασφαλίσεις αντικειμένων, μπορεί να έχουμε επανειλημμένες ζημιές. Ετσι,
π.χ., ο θάνατος του X δεν επαναλαμβάνεται1. Η σύγκρουση όμως του
αυτοκινήτου Α δεν αποκλείει ούτε τη δεύτερη σύγκρουσή του φέτος ούτε
σύγκρουσή του του χρόνου. Η ιδιομορφία αυτή των γενικών κλάδων δεν
χρειάζεται να ληφθεί υπόψη προκειμένου να προσδιορισθούν η συχνότητα
και το μέσο ύψος των ζημιών. Λεν χρειάζεται, δηλαδή, να γίνει διάκριση
ανάμεσα στις ζημιές διαφορετικών ασφαλισμένων αντικειμένων και στις
(επανειλημμένες) ζημιές του ίδιου ασφαλισμένου αντικειμένου. Η
ιδιομορφία αυτή όμως καθίσταται σημαντική, αν το ασφάλιστρο, που θα
χρεωθεί στην κάθε περίπτωση για την παρούσα ασφαλιστική περίοδο, είναι
συνάρτηση του αριθμού ή/και του μεγέθους των ζημιών της περιπτώσεως
αυτής κατά την προηγούμενη ασφαλιστική περίοδο2 .
Μ ια άλλη διαφορά αφορά στον προσδιορισμό της παρούσας αξίας
τόσο των αποζημιώσεων όσο και των ασφαλίστρων. Οι ασφαλιστικές
συμβάσεις ζωής είναι συνήθως μακροχρόνιες ενώ εκείνες των γενικών
κλάδων είναι συνήθως βραχυχρόνιες. Ετσι, ως επί το πολύ, η προεξόφληση
των χρηματικών ποσών (χρήση τεχνικού επιτοκίου) δεν έχει στους γενικούς
κλάδους τη ζωτική σημασία που έχει στον κλάδο ζωής (και πολλές φορές,
για εξαιρετικά βραχυχρόνιες καλύψεις, αγνοείται τελείως στους
υπολογισμούς ασφαλίστρων και αποθεμάτων).

5.2. Α ποθέματα. Τώρα θα εξετάσουμε λίγο τη διαφορετική φύση των

ασφαλιστικών αοπθεμάτων στον κλάδο ζωής κα ι στους γενικούς κλάδους.
Κ αι στις δύο περιπτώσεις έχουμε τα λεγάμενα αποθέματα εκκρεμών
ζημιών. Πρόκειται για ποσά που, στο κλείσιμο του ισολογισμού, μπαίνουν
"κατά μέρος" για αντιμετώπιση μέσα στην επόμενη οικονομική χρήση ζημιών
που συνέβηκαν αλλλά δεν δηλώθηκαν ή δηλώθηκαν α λλά δεν
διακανονίσθηκαν ή διακανονίσθηκαν αλλά δεν πληρώθηκαν μέσα στην
παρούσα οικονομική χρήση. Από καθαρά τεχνική σκοπιά, τα αποθέματα

' Το δις αποθνήοκειν ουκ ανθρώπινον (δυστυχώς!)

Γΐρβλ. το σύστημα bonus-ma ∣
us των αυτοκινήτων.
 20

εκκρεμών ζημιών κακώς λέγονται αποθέματα. Ο όρος "αποθέματα" θα

έπρεπε να επιφυλάσσεται μόνο για την κάλυψη ενδεχομένων - κινδύνων,
δηλαδή, που μπορεί να λάβουν χώρα σε μέλλουσες οικονομικές χρήσεις
α λλά μπορεί και όχι. Ενώ ζημιές που συμβαίνουν μέσα σε μ ιά οικονομική
χρήση είναι βέβαια γεγονότα -αδιάφορο άν έχουν δηλω θεί ή όχι πριν από
το κλείσιμο του ισολογισμού. Αν τέτοιες ζημιές δεν πληρωθούν πριν από το
κλείσιμο του ισολογισμού, αποτελούν υποχρεώ σεις (χρέη) του ασφαλιστή,
όχι ρίσκα του. Πάντως, ούτως ή άλλως, η έννοια ε ίν α ι η ίδια για
ασφαλίσεις ατόμων και για ασφαλίσεις αντικειμένων.
Οσο για τα τεχνικ ά α ποθέμα τα κ ιν δ ύ ν ω ν ε ν ισχύι, αυτά
αντιστοιχούν στα μαθηματικά αποθέματα του κλάδου ζωής - είνα ι, δηλαδή,
ποσά προοριζόμενα για την κάλυψη μελλοντικών ενδεχομένων (ρίσκων). Η
διαφορά ανάμεσα στα δύο -μαθηματικά αποθέματα κλά δου ζωής και
τεχνικά αποθέματα κινδύνων εν ισχύι γενικών κλάδω ν- έγκειται στη
χρονική έκταση της καλύψεως, στη διαχρονική κατανομή της εντάσεως του
κινδύνου και στον αναλογιστικό μηχανισμό σχηματισμού τω ν αποθεμάτων.
Γ ια το μακροχρόνιο χαρακτήρα και τον μηχανισμό σχηματισμού των
μαθηματικών αποθεμάτων -μηχανισμό που α ντικα τοπ τρίζει τη συνεχώς
αυξανόμενη ένταση του κινδύνου- μιλήσαμε παραπάνω . Α πό την άλλη
πλευρά, τα τεχνικά αποθέματα κινδύνων εν ισχύι είναι αποθέματα για
ετήσιες συμβάσεις καλύπτουσες κινδύνους ουσιαστικά σταθερούς
διαχρονικά. Ο δε μηχανισμός σχηματισμού τους είναι πολύ π ιό απλός: για
μιά σύμβαση ετήσιας διάρκειας, τα αποθέματα κινδύνω ν εν ισχύι
αντιπροσωπεύουν το τμήμα εκείνο του ετήσιου ασφάλιστρου π ου απαιτείται
γ ια την κάλυψη του κινδύνου κατά τη διά ρ κ εια του (χρονικού)
διαστήματος που εκτείνεται ανάμεσα στο κλείσιμο του ισολογισμού και στη
λήξη της ετήσιας συμβάσεως (κατά την επόμενη οικονομική χρήση).
Ας πάρουμε, λ.χ., ένα ετήσιο ασφαλιστήριο, το οποίο εκ δίδετα ι την 1η
Οκτωβρίου κα ι για το οποίο καταβάλλεται το ετήσιο ασφάλιστρο. Στις 31
Δεκεμβρίου (κλείσιμο του ισολογισμού), τα συνολικά αποθέματα κινδύνων
εν ισχύι πρέπει να περιλαμβάνουν και τα 3/4 του ετήσιου αυτού
ασφάλιστρου. Με άλλα λόγια, τα αποθέματα κινδύνων εν ισχύι πρέπει να
περιλαμβάνουν το μέρος εκείνο του ετήσιου ασφάλιστρου που αντιστοιχεί
στην κάλυψη του κινδύνου κατά την 9μηvo περίοδο 1 Ιανουάριου - 30
Σεπτεμβρίου της επόμενης οικονομικής χρήσεως. Γ ια το λ ό γο αυτό, τα
τεχνικά αποθέματα κινδύνων εν ισχύι είναι γνω στά κ α ι ως "μη
δεδουλευμένα ασφάλιστρα" (unearned premium reserve) κ α ι, σε πρώτη
προσέγγιση, αντιπροσωπεύουν μισής χρονιάς ασφάλιστρα.
 21

5.3. M id Ε να λλα κ τικ ή lidπη Διαηιορυποιήαεως, Τα αναλογιστικά

σύνορα ανάμεσα στις ασφαλίσεις ατόμων και στις ασφαλίσεις αντικειμένων
δεν είναι τόσο ξεκάθαρα όσο Οα νόμιζε κανείς από τα προηγούμενα. Και
τούτο για τί υπάρχουν βραχυπρόθεσμες καλύψεις ατόμων που έχουν πολλά
από τα χαρακτηριστικά των γενικών κλάδων.
Το κλασσικό παράδειγμα είναι οι ομαδικές ασφαλίσεις ατόμων, τις
οποίες έχουμε μάλλον παραμελήσει μέχρι στιγμής, αλλά οι οποίες παίζουν
ζωτικότατο ρόλο στις σημερινές κοινωνίες. Οι καλύψεις αυτές -πρόσκαιρη
ασφάλεια ζωής, ασφάλεια ανικανότητας, νοσοκομειακή περίθαλψη, κ.λπ.-
έχουν κατά κανόνα ετήσια διάρκεια και, συνεπώς, έχουν πολλά από τα
αναλογιστικά και οικονομικά χαρακτηριστικά των γενικών κλάδων.
Αξίζει ν' αναφέρουμε μερικά. Σε ορισμένες καλύψεις -π.χ., στην καταβολή
μηνιαίας αποζημιώσεως κατά τη διάρκεια ανικανότητας προς εργασία- το
ύψος της αποζημιώσεως δεν είναι προκαθορισμένο στη σύμβαση, αλλά
εξαρτάται από τη διάρκεια τ^ης ανικανότητας. Σε ορισμένες πάλι καλύψεις
-π.χ., νοσοκομειακή περίθαληιη- ο κίνδυνος μπορεί να επέλθει πάνω από
μιά φορά μέσα στην ίδια ασφαλιστική περίοδο (δηλαδή, το ίδιο άτομο
μπορεί να εισαχθεί στο νοσοκομείο και δυό και τρεις φορές κατά τη
διάρκεια του έτους, ακριβώς όπως το αυτοκίνητο μπορεί να έχει
περισσότερα από ένα ατυχήματα).
Οι ομοιότητες γενικών κλάδων και ομαδικών ασφαλίσεων ατόμων δεν
σταματούν εκεί. Βασικά, τα αποθέματα των ομαδικών ασφαλίσεων, όπως
και εκείνα των γενικών κλάδων, είναι του τύπου "μη δεδουλευμένα
ασφάλιστρα". Επιπλέον, οι μέθοδοι τιμολογήσεων των ομαδικών
ασφαλίσεων έχουν πολλά κοινά σημεία με εκείνες των γενικών κλάδω ν 1.
Τέλος, από οικονομική σκοπιά, τα αποθέματα των ομαδικών, ασφαλίσεων
ατόμων, όπως κ α ι εκείνα των γενικών κλάδων, δεν αποτελούν εξίσου
σημαντικό παράγοντα με τα μαθηματικά αποθέματα των "μονίμων"
ατομικών ασφαλίσεων ζωής.
Εκτός από τις ομαδικές ασφαλίσεις, υπάρχουν ακόμα και ατομικές
βραχυχρόνιες καλύψεις που πρόσκεινται στους γενικούς κλάδους. Τέτοιες
είναι, π.χ., η ετήσια2 ανανεούμενη ατομική κάλυψη της ανικανότητας και
η ετήσια ανανεούμενη ατομική κάλυψη της νοσοκομειακής περίθαλψης3 .
Είναι δε χαρακτηριστικό ότι, σε χώρες όπου υπάρχει διαχωρισμός των
ασφαλιστών σε εταιρείες ζωής και εταιρείες γενικών κλάδων, οι καλύψεις
αυτές συχνά παρέχονται και από τις δύο κατηγορίες ασφαλιστών.

1 Ιδιαίτερα οτο 0ι!μa της αξιοπιστίας (credibility) των στοιχείων.

2 Και μc εκάστοτε avaπpooaρμ ∪ ζdμcvo ασφάλιστρο.
1 Λν δεν έχει, φυσικά, itpoηy∏0ε( νοσοκομειακή ∏εpiθaψι∣ !
22

Τέλος, δεν πρέπει να αφήσουμε την εντύπωση, ότι όλες οι ομαδικές

ασφαλίσεις ατόμων έχουν τεχνική συγγένεια με τους γενικούς κλάδους.
Υπάρχουν άλλες ομαδικές καλύψεις (π .χ., συντάξεις) που έχουν ό λα τα
χαρακτηριστικά των μακροπρόθεσμων ατομικών καλύψεων.
Εκείνο, δηλαδή, που διαφαίνεται πιά κ α θ α ρά από όλα τα
προηγούμενα, είναι ότι η διάκριση ανάμεσα στις καλύψεις ατόμω ν κ α ι στις
καλύψεις αντικειμένων έχει πολύ μικρότερη τεχνική σημασία από ορισμένα
χαρακτηριστικά της καλύψεως. Σ α ν τέτοια χαρα κτηρισ τικά μπορούμε
να αναφέρουμε: η κάλυψη είναι μακροχρόνια, ο κίνδυνος αυξάνεται
διαχρονικά, το ασφάλιστρο καθορίζεται κατά τη σδvαι∣rη της ασφαλιστικής
συμβάσεως και παραμένει αμετάβλητο όσο ισχύει η σύμβαση, το ύψος της
αποζημιώσεως καθορίζεται στη σ0μβaσηg ή, αντίθετα, η κάλυψ η είναι
ετήσια, ο κίνδυνος παραμένει σταθερός δ ια χ ρ ο ν ικ ά 1 , το ασφάλιστρο
αναπροσαρμόζεται σε κάθε ανανέωση τ∏ς ασφαλιστικής συμβάσεως, το ύψος
της αποζημιώσεως δεν καθορίζεται στη σύμβαση. Ετσι, ορισμένες καλύψεις
ατόμων (κυρίως ομαδικές, αλλά και ατομικές) εμφανίζουν το δεύτερο σετ
χαρακτηριστικών ("πρόσκεινται στους γενικούς κλάδους"). Α ν τίθ ετα , είναι
δυνατό να έχει σημασία για ένα γενικό κλά δο κάποιο στοιχείο που
κavovuca εμφανίζεται σε συνάρτηση με το πρώτο είδος χαρακτηριστικώ ν.
Ετσι, π .χ., η προεξόφληση των χρηματικών ποσών -έννοια που συνήθως
συνδέουμε με το πρώτο σετ χαρακτηριστικών- αποκτά σημασία στην
περίπτωση γενικών κλάδων, στους οποίους δεν είνα ι ασυνήθιστο ο
διακανονισμός των ζημιών να εξελίσσεται σε πολυετή δια δ ικ α σ ία (Κ λ ά δ ος
Πλοίω ν κ α ι Αεροσκαφών, Κ λ ά δ ο ς Μεταφορών).

5 .4 . Ο ικονομικές Διαφορές. Α ς έλθουμε τώρα σε ορισμένες οικονομικές

διαφορές ανάμεσα στα δύο είδη ασφαλίσεως. Στρέφουμε την προσοχή μας
στην οικονομική λειτουργία των δύο ειδών ασφαλίσεως2 .
Η λειτουργία των γενικών κλάδω ν είνα ι πιό κοντά στη λειτουργία
της συνηθισμένης εμπορικής επιχειρήσεως. Το ασφάλιστρο είναι
υπολογισμένο να καλύψει τους κινδύνους κ α ι τα έξοδα της χρονιά ς,
αφήνοντας κα ι κάποιο κέρδος. Τα αποτελέσματα μ ιά ς οικονομικής
χρήσεως καθίστανται σαφή μέσα σε σχετικά μικρό χρονικό διάστημα. Ηδη
στο κλείσιμο της χρήσεως (ισολογισμό), ο ασφαλιστής έχ ει3 μ ιά αρκετά
κ α λ ή εικόνα των πραγματικών οικονομικών αποτελεσμάτων της χρήσεως.

1 Μιλάμε μόνο για την (ετήσια) διάρκεια της συμβάσεως!

2 Χάριν ευκολίας θα συνεχίοουμε να λέμε "ασφαλίσεις ζωής" και "ασφαλίσεις γενικών κλάδων". Στην
πραγματικότητα, θα εννοούμε καλύψεις με τα μακροχρόνια, κ.λ.π. χαρακτηριστικά και καλύψεις (είτε
ατόμων είτε αντικειμένων) με τα βραχυχρόνια, κ.λ.π. χαρακτηριστικά.
3 Λαμβάνοντας υπόψη και την εξέλιξη των αποθεμάτων εκκρεμών ζημιών.
 23

Το δε τελικό (πραγματικό) αποτέλεσμα της χρήσεως γίνεται γνωστό μέσα σε

2-3 χρόνια, ακόμα και στην περίπτωση κλάδων με υψηλό μέσο χρόνο
διακανονισμού των ζημιών. Αυτί) η σχετικά απλή οικονομική εικόνα
οφείλεται στον ετήσιο χαρακτήρα της ασφαλίσεως: δεν έχουμε παρά να
συγκρίνουμε τα ασφάλιστρα -της χρονιάς με τις ζημιές που έλαβαν χώρα
μέσα στη χρονιά (ανεξάρτητα από το πότε οι ζημιές αυτές διακανονίσθηκαν
και πληρώθηκαν!). Η επόμενη χρήση είνα ι "χωριστός λογαριασμός" -στέκει,
δηλαδή, αυτοτελώς με τα δικά ττ∣ς ασφάλιστρα και τις δικές της ζημιές και
έξοδα.
Η απλή αυτί) εικόνα είναι βέβαια ανύπαρκτη στην περίπτωση των
μακροχρόνιων συμβάσεων του κλάδου ζωής. Γ ια να γνωσθούν τα
πραγματικά οικονομικά αποτελέσματα ενός "κλειστού μπλόκ"
ασφαλιστικών συμβάσεων ζωής, πρέπει να περάσουν πολύ μακρά χρονικά
διαστήματα. Ετσι, π .χ., τα πραγματικά οικονομικά αποτελέσματα του
ασφαλιστή 1 από 10.000 συμβάσεις ισόβιας ασφαλίσεως δεν πρόκειται να
γνωσθούν πριν πεθάνουν (ή εξαγοράσουν τα συμβόλαιά τους όλοι οι 10.000
ασφαλισμένοι. Κ α τά τον ίδιο τρόπο, για να φανεί κατά πόσο ένα
χαροφυλάκιο συμβάσεων 20ετούς μικτής ασφαλίσεως υπήρξε κερδοφόρο,
πρέπει να εξαντληθεί η 20ετiα. Γιατί μόνο τότε θα φανεί κατά πόσο οι
διάφορες μεταβλητές -η θνησιμότητα, η πρόσοδος των κεφαλαίων, τα έξοδα,
η διατηρησιμότητα, κ.λπ.-ανταποκρίθηκαν στις υποθέσεις (παραδοχές,
εκτιμήσεις), που είχε κάνει ο αναλογιστής σχετικά με τις μεταβλητές αυτές,
προκειμένου να προσδιορίσει το ετήσιο ασφάλιστρο. Μ ε ά λ λα λόγια, όσο
"ευνοϊκά" να φαίνονται τα λογιστικά αποτελέσματα των αρχικών χρήσεων
της 20ετiaς, μπορούν να ανατραπούν πριν από την πάροδο της 20ετiaς.
Κ α ι αντιστρόφως, δυσμενή αποτελέσματα κατά τα πρώτα έτη (οφειλόμενα,
λ .χ ., στα υψηλά έξοδα προσκτήσεως) μπορεί να διορθωθούν αργότερα. Ετσι,
η εξίσωση [έσοδα-έξοδα = κέρδος] έχει νόημα μόνο για την 20ετia σαν
σύνολο. Αυτό βέβαια οφείλεται στο γεγονός ότι το ετήσιο ασφάλιστρο έχει
υπολογισθεί (και μένει αμετάβλητο) για ολόκληρη την 20ετia, τα δε 20
ασφάλιστρα στο σύνολό τους πρέπει να αντισταθμίσουν τις αποζημιώσεις,
έξοδα, κ.λπ . της 20ετiaς στο σύνολό τους. Αντίθετα, στους γενικούς
κλάδους, το ετήσιο ασφάλιστρο της χρονιάς αποτελεί πρόβλεψη για τις
αποζημιώσεις, έξοδα, κ.λπ. της χρονιάς αυτής.
Γ ια τη διαφορετική επίδραση του πληθωρισμού στον κλάδο ζωής κ α ι
στους γενικούς κλάδους μιλήσαμε παραπάνω. Οσο για τις οικονομικές
κρίσεις, αυτές έχουν επιπτώσεις σε όλους τους κλάδους (ζωής κ α ι γενικούς),

1 Σε αντιδιαστολή προ; τα λογιστικά αποτελέσματα κάθε χρήσεως.

 24

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

Ενδεικτικά, δίδονται δυο απλά παραδείγματα υπολογισμού του

ασφαλίστρου.

6.1 Υ π ο λ ο γισ μ ό ς Ε νια ίο υ κ α ι Ε τησίο υ Κ α θ α ρ ο ύ Α σ φ α λ ίσ τρ ο υ για

Α σ φ ά λισ η Ζ ω ής Τ ρ ιετο ύς Α ιά ρ κ εια ς-

Δ εδ ο μ έν α . Α σ φ α λ ιζό μ εν ο κ εφ ά λα ιο : 1.000.000 δραχμές. Το ποσό αυτό

είναι καταβλητέο στο τέλος του ασφαλιστκού έτους, μέσα στο οποίο
επισυμβαίνει ο θάνατος.
Ε τήσιο κ α θ α ρ ό α σ φ ά λισ τρ ο : Ρ δραχμές. Το ασφάλιστρο είναι πληρωτέο
στην α ρ χ ή κάθε ασφαλιστικού έτους. (Το π ρ ώ το ασφάλιστρο εισπράττεται
κ α τά την υπογραφή της συμβάσεως - έτσι η είσπραξή του είναι βέβαιη).
Τ εχνικ ό επ ιτό κ ιο : 4%. Το επιτόκιο αυτό δίνει τους εξής συντελεστές
προεξοφλήσεως: Για πληρωμή στο τέλος ενός έτους, 100/104=0,9615384°
για πληρωμή στο τέλος δύο ετών, (100/104) . (100/104) = 0,9245562° για
πληρωμή στο τέλος τριών ετών, (100/104) . (100/104) . (100/104) =
0,9889963.
Π ιθ α ν ό τη τες θ α νά το υ : Πιθανότητα θανάτου κατά το πρώτο ασφαλιστικό
έτος = πιθανότητα καταβολής του 1.000.000 δραχμών στο τέλος του
πρώτου ασφαλιστικού έτους = 0,010. Πιθανότητα θανάτου κ α τά το δεύτερο
ασφαλιστικό έτος = πιθανότητα .καταβολής του 1.000.000 δραχμών στο
τέλος του δεύτερου ασφαλιστικού έτους = 0,015. Πιθανότητα θανάτου κατά
το τρίτο ασφαλιστικό έτος = πιθανότητα καταβολής του 1.000.000
δραχμών στο τέλος του τρίτου ασφαλιστικού έτους = 0,020.
Π ιθ α νό τητες επιβιώσεως 3 : Πιθανότητα επιβιώσεως γ ια ένα έτος =
πιθανότητα εισπράξεως του δεύτερου ετησίου ασφαλίστρου = 0,990.

1 Η ανικανότητα, π.χ., δεν είναι περιστατικό εξίσου αντικειμενικό με το θάνατο!

2 Ο τρόπος υπολογισμού είναι γενικός (ο περιορισμός, δηλαδή, στα τρία χρόνια έγινε μόνο χάριν
ευκολίας). £ ε περίπτωση δεκαετούς ή ακόμα και ισόβιας ασφαλίσεως, απλώς έχουμε να προσθέσουμε
περισσότερα ετήσια "κομμάτια".
3 Αυτές ασφαλώς δεν είναι ανεξάρτητες από τις πιθανότητες θανάτου και μπορούν να "βγούν" απ'αυτές.

Τις δίνουμε απλώς χάριν ευκολίας.

 25

Πιθανότητα επιβιώσεως για δυό έτη = πιθανότητα εισπράξεως του τρ ίτο υ

ετησίου ασφαλίστρου = 0,975.

Παρούσα α ξία Αποζημιώσεων

Το 1.000.000 ενδέχεται να καταβληθεί στο τέλος του πρώτου έτους (με

πιθανότητα 0,010), του δεύτερου έτους (με πιθανότητα 0,015), του τρίτου
έτους (με πιθανότητα 0,020). Ααμβάνοντας υπόψη τις πιθανότητες αυτές
και τους αντίστοιχους συντελεστές χρηματικής προεξοφλήσεως, βλέπουμε,
ότι η παρούσα αξία των αποζημιώσεων είναι (0,010) . (0,9615384) .
(1.000.000) + (0,015) . (0,9245562) . (1.000.000) + (0,020) . (0,8889963) .
(1.000.000) = 9.615,384+13.868,343+17.779,926 = 41.263,653 δραχμές. Το
ποσό αυτό είναι το εν ια ίο κα θ α ρό ασφάλιστρό^ .

Υ πολογισμός του Ετησίου Ασφαλίστρου

Το πρώτο ετήσιο ασφάλιστρο πληρώνεται με πιθανότητα 1, το δεύτερο με

πιθανότητα 0,990 και το τρίτο με πιθανότητα 0,975. Ααμβάνοντας υπόψη
κ α ι τη χρηματική προεξόφληση (μόνο γ ια το δεύτερο και το τρίτο
ασφάλιστρο!), έχουμε, για την παρούσα αξία των τριών ετησίων
ασφαλίστρων, P÷(0,990) . (0,9615384) . P+(0,975) . (0,9245562) ,Ρ =
2,8533652 . Ρ. Η αξία αυτή μόως πρέπει να είναι ίση με εκείνη των
αποζημιώσεων. Εχουμε, λοιπόν, 2,8533652 . Ρ = 41.263,653 και Ρ =
41.263,653/2,8533652 = 14.461,399 δραχμές. Το ποσό αυτό είναι το ετήσιο
κ α θ α ρ ό α σφ άλιστρό 1 2.

6.2 Υ π ο λ ο γισ μ ό ς Κ αθαρού Α σφ α λίσ τρο υ γ ια Α σ φ ά λισ η

Α υ το κ ιν ή το υ (Ε τήσια Κ ά λυ ψ η )

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

μέθοδος, γιατί αντικατοπτρίζει την πρακτική της εταιρείας στο

underwriting, στο διακανονισμό των ζημιών, κ.λ.π.). Υποθέτουμε ακόμα,
ότι τα χαρακτηριστικά του χαρτοφυλακίου δεν 0' αλλάξουν κατά την
επόμενη χρήση (για την οποία υπολογίζεται το ασφάλιστρο). Τέλος,
αγνοούμε τον πληθωρισμό, ο οποίος, κανονικά, 0α λαμβανόταν υπόψη
κατά τον προσδιορισμό του ασφαλίστρου.
Υποθέτουμε, ότι κατά την περασμένη χρήση ήταν ασφαλισμένα
150.000 οχήματα (όλα της ίδιας τιμολογιακής κλάσεως). Κ ατά τη
διάρκεια της χρήσεως, έγιναν 30.000 ζημιές. Οι αποζημιώσεις ανήλθαν
συνολικά σε 180.000.000 δραχμές.

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

ΩΦΕΛΙΜΟΤΗΤΑ ΚΑΙ ΑΣΦΑΛΙΣΗ

I. Ωφελιμοσυναρτήσεις

Στον καθορισμό του ασφαλίστρου έναντι καλύψεως ζημιάς τυχαίου

μεγέθους Ύ, τόσο ο ασφαλιστής όσο και ο ασφαλιζόμενος δεν δέχονται - ο
καθένας από τη δική του σκοπιά - την Ε ( Χ ) ως ασφάλιστρο. Η τιμή αυτή
της προσδοκώμενης ζημιάς, ως βάση λήψεως αποφάσεως α π ό τις
ενδιαφερόμενες πλευρές, αναφέρεται ως α ρ χή της π ρ ο σ δ ο κ ία ς και η
£ ( Χ ) - στα οικονομικά της ασφάλισης - λέγεται δ ίκ α ιη ή α ν α λ ο γ ισ τικ ή
αξία.
Πράγματι προκειμένου να καλύψω ζημιά από συμβάν1 με πιθανότητα
0,1 η καταβολή ασφάλιστρου (περίπου) ίσου με την αναμενόμενη ζημιά
εξαρτάται από το ύψος Α της αξίας του καλυπτόμενου αντικειμένου: αν G
παριστά ασφάλιστρο, τότε για
A = 100δρχ. είναι αδιάφορο αν G ≥ 100×0,l = 10δρχ.
ενώ για ολική περιουσία
A = 100 εκατομ. ίσως γίνεται δεκτό και G ≥ 100x0,1 = 10 εκατομ.
Μ ια μαθηματική προσέγγιση της ερμηνείας της καταβολής
ασφάλιστρου μεγαλύτερου ή μικρότερου της αναμενόμενης ζημιάς είναι
μέσω της θεω ρίας τη ς ω φ ελιμ ό τητα ς (u tility theory). Η θεωρία αυτή
ξεκινά με την υπόθεση ότι, ένα λογικό άτομο2 εν όψει δύο τυχαίω ν
"προοπτικών" (γεγονότων) X και Υ που επηρεάζουν τον "πλούτο" του w
(wealth) αν προτιμά την (προοπτική της) X έναντι της Υ, τότε η συνάρτηση
ω φ ελιμ ό τη τα ς (των προτιμήσεών ) του, έστω u(w), θα πρέπει να είναι
συμβιβαστή ή συνεπής (consistent), με την έννοια ότι
r[u (x )]> f[u (y )j. (1)
Μια τέτοια συνεπής συνάρτηση υ είναι η γρ α μ μ ικ ή αύξουσα
u(w) = nw + b t π > 0 . (2)
Τότε θα ισχύει η ισοδυναμία:
B [u (X )]> B [ι∕(r)] αvv3 E ( X ) > E ( Y ) , (2)*

? Αποδίδει ίο contingency με την έννοια του (ανεπιθύμητου) περιστατικού.

2 Τι ποσοστό λέτε να είναι τα άλογα.....;
Για συντομία γράφουμε αw *αv και μόνον αν (κατ’αναλογίαν του iff).
28

και η α ρ χ ή της π ρ ο σ δο κ ία ς για ορθολογική οικονομική συμπεριφορά υπό

το φάσμα της αβεβαιότητας ε ίν α ι συνεπής προς την αρχή της
προσδοκώ μενης ω φ ελ ιμ ό τη τα ς για γρ α μ μ ικ ή ς αύξουοες
ω φ ελιμοσυναρτήσεις (2).
Αν το ασφάλιστρο G ληφθεί ίσο με την Ε ( Χ ) , την προσδοκώμενη
ζημιά, τότε το G λέγεται κ α θ α ρ ό ή μ α θ η μ α τικ ό α σ φ ά λισ τρ ο . Για
κάλυψη επιπλέον εξόδων (φόρων, κέρδους κ α ι κάποιας ασφάλειας του
ασφαλιστού έναντι απρόβλεπτων) ο ασφαλιστής αυξάνει (επιβαρύνει) το
καθαρό ασφάλιστρο ώστε το πραγματικό (εμπορικό) επιβαρυμένο
ασφάλιστρο
Η = μ ( l + 0) + c
όπου το θ, ο σ υ ντελεσ τή ς επιβά ρυνσης (loading), αντανακλά δαπάνες
συνδεόμενες με τις διακυμάνσεις των ζημιών και η σταθερά c δαπάνες
ανεξάρτητες των ζημιών (πάγιες).

2. Εξίσωση του Α σφαλιζόμενου

Ας δούμε τώρα τον προσδιορισμό του G από την σκοπιά του

ασφαλιζόμενου κα ι ως συνάρτηση της ω φ ελιμοσυνά ρτησης u(w) i όπου το
w είναι η (χρηματική) αξία του ασφαλιζόμενου αντικειμένου. Αν ο
ασφαλιζόμενος χρησιμοποιεί την u(w) τότε το ασφάλιστρο G, το μέγιστο που
θα θέλει να καταβάλει, θα ικανοποιεί την εξίσωση το υ ασφαλισμένου'.
u ( w - G ') ≈ E [ u ( w - X ) ] (3)
αφού υ ( w - G ) θα είναι η ωφελιμότητα κατόπιν καταβο?νής του ποσού G,
ενώ η μέση (προσδοκώμενή) του ωφελιμότητα για τυχα ία ζημιά X (χωρίς
ασφάλιση) είναι ίσο με το δεξιό μέλος της (3).
Τα παρακάτω παραδείγματα διασαφηνίζουν την επίδραση της u ως
προς τη σχέση του ασφαλίστρου G και της αναμενόμενης ζημιάς Ε ( Χ ) .

Π α ρ α δ είγμ α τα : α) Έστω w=100 κα ι ωφελιμοσυνάρτηση

υ(w) = ‰ ·
Εάν η ζημιά X ακολουθεί την ομοιόμορφη κατανομή στο (0,100) πόσο είναι
το μέγιστο ασφάλιστρο G που πρέπει να πληρώσει για π λ ή ρ η κ ά λ υ ψ η της
ζημιάς X ‘,
Σύμφωνα με την (3), η G θα είναι λύση της
 29

√100- G = E (√100-Υ ) ≡ — 'j√ ιo θ -Λ d x ≡ - · (·— * ∏ * tκ, = -√Γδo = — ,

x , 100 J 100×3 l ° 3 3
με λύση G = 55—(> E ( X ) = 50). Δηλαδή η G επιβαρύνει τον ασφαλιζόμενο

κατά 1/9 ή 11,1% της αναμενόμενης ζημιάς.

β) Έστω τώρα ιν > 0 , ζημιά ΑΛμε μ ικ τή εκθ ετικ ή κατανομή 1
f(x ) = I (0,01 )e^0,0', Ύ>0 (4)
4 ο
' =7’ λ = 0
4
και εκθετική συνάρτηση ωφελιμότητας u την
u(ιv) = -e-°∙0 0 ir . (5)
Μπορούμε πάντοτε να θετικοποιήσουμε- την υ προσθέτοντας κατάλληλη
σταθερά χωρίς απώλεια της γενικότητας: η u(w) και u'(w') = u(w) + c είναι
ισοδύναμες ωφελιμοσυναρτήσεις, όπως φαίνεται από τις (1), (2), (3). Έτσι
αντί της (5) μπορούμε να πάρουμε την u’(iv) = 1+ u(w) = 1- e -0 -005n' > 0.
Κ ατά την (3), το (7 θα ικανοποιεί την εξίσωση
u(w - G ) = 0,75u(ιv - 0) + ∫ ιv(<√ - x')f(x')dx
0+
ή, με u την (5) και f (x) την (4),
_ Oi 75e-o,ooj" ÷0,25∫e" o,o°x "'^'', x(0,01)e^o,βlxi7x
e -o,oo5(lκ-0
0
Ολοκληρώνοντας, έχουμε
e -o,oo5σ =o,75 + O,25×(2) = J,25,

από την οποία βρίσκουμε το ασφάλιστρο

G ≈ 44,63.
Υπολογίζοντας της Ε (Χ ) βάσει της (4), βρίσκουμε
Ε ( Χ ) = 0 × - + ∫ x f(x )d x = - ∫ 0,Q∖ xe*"dx = 25,
4 ο 4 ο

δηλ. ο ασφαλιζόμενος με υ την (5) πληρώ νει πέρα ν τη ς Ε ( Χ )

<7-Ε (A 3 = 44,6 3 -2 5 = 19,63
για κάλυψη (ολική) της ζημιάς (βλ. και Πρόταση 1 παρακάτω).
γ) Στο β) έστω ότι προσφέρεται μ ερ ικ ή κάλυψη που καλύπτει τη μισή ζημιά
— . Τότε το maximum δεκτό στον ασφαλιζόμενο ασφάλιστρο G θα
2
ικανοποιεί την εξίσωση
0,75u(ιv - G) + ∫u(w - G - ½ ) f (x)dx = 0,75u(w) + ∫u (w - x ) f( x ) d x (6)

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

αφού το αριστερό μέλος της (6) εκφράζει την αναμενόμενη ω φ ελιμ ό τη τα

μ ε μερική ασφάλεια (κάλυψη) και ασφάλιστρο G, ενώ το δεξιό μέλος την
αντίστοιχη ωφελιμότητα χω ρίς ασφάλεια. Εδώ το G βρίσκεται
0 = 28,62 και Ε ( Χ /2) = 12,5,
ώστε ο (μερικώς) ασφαλιζόμενος δέχεται να πληρώσει
28,62-12,5 = 16,12
ε π ί πλέον της αναμενόμενης μερικής ζημιάς.

Κ ινδυνοφ οβικές Ωφελιμοσυναρτήσεις (Κ ινδυνοφ οβία )

Εδώ το G ≥ μ ~ E {X ) και ο ασφαλιζόμενος είναι διατεθειμένος να

πληρώσει ασφάλιστρο, ενδεχομένως, πολύ μεγαλύτερο της E (X } για να
αποτρέψει τον κίνδυνο. Μια κατηγορία ιζπου οδηγεί σε
G≥μ (7)
είναι η περίπτωση ιι(w^) αύξουσας και κ ο ίλη ς (-u κυρτής), δηλ. (για
διαφορίσιμες υ) με
υ' > 0 και u " < 0 . (8)
Ονομάζουμε τέτοιες υ κινδυνοφ οβικές (risk averse).
Πράγματι, σύμφωνα με την ανισότητα Jensen (βλ. Κεφ. 1) γ ια κοίλες
συναρτήσεις
W ) J ≤zz[B(Υ)] = 1∕(μ ),
και, κατά την (3), θα έχουμε
u(∖ v - 0 ) = Ε[u(w - X ) ] ≤ u(w - μ), (9)
επειδή δε η u είναι αύξουσα (υ' ≥ 0), θα ισχύει η
w - G ≤ w ~ μ,
δηλ. η (7).

3. Εξίσωση του ασφαλιστή. Αν ½z0 είναι το τρέχον κεφάλαιο του

ασφαλιστή κα ι υl η ωφελιμοσυνάρτησή του, τότε το m inim um δεκτό
(καταβλητέο) ασφάλιστρο Η για κάλυψη ζημιάς X, θα ικανοποιεί την
εξίσωση του ασφαλιστή
u,(w 0 ) = E[ul (w 0 + H - X ) ] . (10)
Αν ο ασφαλιστής "πάσχει" από ζημιοφοβία (κατ'ακρίβεια,
,
αποζημιωσοφοβία) και υιοθετήσει υ1 με u'l > 0 κα ι υ'l < 0 (όπως ο
ασφαλιζόμενος, βλ. (8)) τότε (πρβλ (3) κα ι (9)) έχουμε
U∕ (w0 ) = E[υ, (ιv0 + H - X ) ] ≤ u l (w0 + Η - μ),
οπότε καταλήγουμε στην (πρβλ. (7))
H ≥μ. (11)
Αν ισχύουν οι (7) και (11) ώστε
 31

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).

Π ρόταση I. Υπό την εκθετική ωφελιμότητα το ασφάλιστρο είναι

ανεξάρτητο του ασφαλιζόμενου ποσού w.

Α πόδειξη. Κ ατά την (3), για το ασφάλιστρο G του ασφαλιζόμενου,

θα ισχύει η
. e -β( -σ , = -e^ a",M x (a).
Άρα e aa ≈ M x (a) και το ασφάλιστρο
(7 = log M x ( a ) ∕a ,
δηλ. είναι ανεξάρτητο του w.
Όμοια, εφαρμόζοντας την (10) για τον ασφαλιστή, έχουμε
- e ' aw∙ = jE [- e - oθ,'∙+"-∙v >f
και βρίσκουμε πάλι
Η = 6 = log M x ( a ) ∕a .
Μ ια άλλη ενδιαφέρουσα εφαρμογή των (13) και (14) είναι στον
καθορισμό της προτίμησης μεταξύ δύο κανονικών (τυχαίων) "προοπτικών”
X l ~ Ν (μ l ,σ’ ), ΐ = 1,2. Έχουμε
E[ι∕(X ,)] = - Μ Χι (-« ) = / = 1,2
δεδομένου ότι η ργ Μ της N (μ ,σ 1 ) είναι (βλ. Κεφ. V [1])

σ’υ’
Μ (u) = exp μu + — (15)
 32

Αν, π.χ. μ ≈ 5, σ’ = 2 και μ1 = 6, σ’ = 2,5, βρίσκουμε

E[u(X,)] = e W ) ) = - e u , < - I = £[*/(*,)],

ώστε η X l να είναι προτιμητέα της X j t παρά το ότι

E (X ,)≡ μ l = 5< 6 = μ 1 = E ( X a ).
Αν η διασπορά σ’ της X 1 ήταν 2,4 αντί 2,5, τότε θα βρίσκαμε ίσες μέσες
ωφελιμότητες,
B W ) ) = E[u(X j ) ] = - l ,
και ο ενδιαφερόμενος α ποφ α σιολήπτης (ασφαλιστής ή ασφαλιζόμενος)
θα ήταν α διά φ ο ρ ο ς oτι∖ v επιλογή μεταξύ της X l και Χ 2 .
Άλλες κινδυνοφοβικές (βλ. (8) ωφελιμοσυναρτήσεις είναι η
κ λ α σ μ α το δ υ ν α μ ικ ή :
u(w) = w 1t ιv > 0 , 0 < χ < I , (16)
κα ι η τετρ α γω νικ ή :
u(w') = w - a w 2 , w < (2a)~' t α > 0 . (17)
Στην (16) το ασφάλιστρο <7εξαpταται από το ποσό w του αποφασιολήπτη
(βλ., π.χ., Παράδειγμα α)). Στην (17), μπορεί να δειχθεί (βλ. Ασκ. 8) ότι το
G αυξάνει με το ποσό (κεφάλαιο) wr γ ιa δίτιμη ζημιοκατανομή:
P [X = 0] = p, P[% = c ] = Ι - p = g , (18)
ενώ θα περίμενε κανείς μικρότερο G για σταθερή μέση κάλυψη E ( X ) = qc
για μεγαλύτερα w με μεγαλύτερη "απορροφητικότητα” ζημιάς!

4. Β έλ τισ τη α σφ ά λιση. Στα προηγούμενα είδαμε τον ρόλο της σω u(ιv)

στον καθορισμό ασφαλίστρου. Εδώ θα δώσουμε ένα βασικό αποτέλεσμα που
συνδέει την (μερική) κάλυψη.
J(x )≤ x , (19)
ώστε ο ασφαλιζόμενος να μην υπόκειται στον πειρασμό να προξενήσει την
ζημιά X y με δεδομένο ασφάλιστρο Ρ που δεν υπερβαίνει την αναμενόμενη
ζημιά:
Ρ ≤ Ε (Χ ) = μ. (20)
Υποτίθεται ότι υπάρχει εφικτή πολιτική για κάλυψη ζημιάς Ι ( Χ ) έναντι
ασφαλίστρου ίσου με E[(X)].
Μ ια κατηγορία εφικτών ασφαλιστικών πολιτικώ ν που πληρούν την
(19) είναι της μορφής
0, χ < d,
∕ω =∕,ω = x -d , x≥d,
(21)

που αναφέρεται ως του υ π ερ β ά λ λ ο ν τα ς (ποσού) ζ η μ ιά ς ή α να κ ο π ή ς

ζ η μ ιά ς (excess-of-loss ή -loss insurance), όπου η ασφάλεια
καταβάλλει ως αποζημίωση μόνον το μέρος της ζημιάς που υπερβαίνει το
32

Αν, π.χ. μ } = 5, σ’ = 2 και μ3 = 6, σ’ = 2,5, βρίσκουμε

f[u(Λ',)] = -1, B[Π(X 3 )] = - e ,∙25 < -1 = E [ u ( * 1)],
ώστε η Α' να είναι προτιμητέα της Χ 3, παρά το ότι
jE(A'l ) = μ1 ≈5<6<≈ μ l ≈ E ( X 2 ).
Αν η διασπορά σ’ της X 1 ήταν 2,4 αντί 2,5, τότε θα βρίσκαμε ίσες μέσες
ωφελιμότητες,
W 1) )≡ W i )] = - l ,
και ο ενδιαφερόμενος α ποφ α σιολήπτης (ασφαλιστής ή ασφαλιζόμενος)
θα ήταν α δ ιά φ ο ρ ο ς στην επιλογή μεταξύ της X l και Χ 2 .
Άλλες κινδυνοφοβικές (βλ. (8) ωφελιμοσυναρτήσεις είναι η
κ λ α σ μ α το δ υ να μ ικ ή :
u(w )≈ w * l ιv> 0, 0 < y < l , (16)
και η τετpαyomκ∙τfr
u(ιv) = w - a ir ’, w < (2a)~' i α > 0 . (17)
Στην (16) το ασφάλιστρο Ο εξαρτάται από το ποσό ιrτ o υ αποφασιολήπτη
(βλ., π.χ., Παράδειγμα α)). Στην (17), μπορεί να δειχθεί (βλ. Ασκ. 8) ότι το
G αυξάνει με το ποσό (κεφάλαιο) IF για δίτιμη ζημιοκατανομή:
P[Υ = 0] = jp, P[% = c] = l - p = g, (18)
ενώ θα περίμενε κανείς μικρότερο G για σταθερή μέση κάλυψη E (X ') = qc
για μεγαλύτερα w με μεγαλύτερη "απορροφητικότητα" ζημιάς!

4. Β έλ τισ τη ασφάλιση. Στα προηγούμενα είδαμε τον ρόλο της σω w(ιv)

στον καθορισμό ασφαλίστρου. Εδώ θα δώσουμε ένα βασικό αποτέλεσμα που
συνδέει την (μερική) κάλυψη.
∕ ( AT) ≤ X , (19)
ώστε ο ασφαλιζόμενος να μην υπόκειται στον πειρασμό να προξενήσει την
ζημιά X , με δεδομένο ασφάλιστρο Ρ που δεν υπερβαίνει την αναμενόμενη
ζημιά:
Ρ ≤ Ε (Χ ) = μ. (20)
Υποτίθεται ότι υπάρχει εφικτή’πολιτική για κάλυψη ζημιάς Ι ( Χ ) έναντι
ασφαλίστρου ίσου με E[(X)].
Μια κατηγορία εφικτών ασφαλιστικών πολιτικών που πληρούν την
(19) είναι της μορφής
0, x< d,
J(Λ) = J ∕λ ') = (21)
x -d , x≥d,
που αναφέρεται ως του υ π ερ β ά λ λ ο ντο ς (ποσού) ζ η μ ιά ς ή α να κ ο π ή ς
ζη μ ιά ς (excess-of-loss ή stop-loss insurance), όπου η ασφάλεια
καταβάλλει ως αποζημίωση μόνον το μέρος της ζημιάς που υπερβαίνει το
34

μπορούν να βαθμολογηθούν με την εισαγωγή μιας χρησιμοσυνάρτησης ι/(α)

κα ι (για αμοιβή α = λ') η "α ξία " -προτίμηση (προτιμηοιμότητα) της Ρ
εκφράζεται από την μ ίσ η χρησ ιμ ότη τα της τμ X (των τιμών της αμοιβής)
υπό την Ρ :
W *)]= *> (*)]. Ο · 1)

Ο ρισμός. Έστω Pl η κατανομή μιας τμ Az l κ α ι Ρ, της τμ X 2 ∙ Λ ή

Λ'∣ ∙< X 2 σημαίνει ότι η P 2 ( X 1 ) προτιμάται από την P y ( X l )P y ≈ Ρ 2 ή X l ≈ ^ 2
σημαίνει ισοδυναμία (ισοτιμία) των P∣(A , l) κ α ι P2 (Λ r, ) .
Μ ια αμοιβή α μπορεί να ταυτισθεί με την (εκφυλισμένη) κατανομή που
δίνει πιθανότητα 1 στο α , και θα σημειώνεται με (α).
Σύμφωνα κ α ι με το πνεύμα της (1.1) θα θέλαμε μ ια συνάρτηση u
συμβιβαστή με την προτίμηση X -< Υ με την έννοια ότι
X < Y ανν Ε [u (X )]< f[u (y )]. (1.2)
Έτσι η u εκφράζει ποσοτικά την αξιολόγηση - προτίμηση του χρήστη
της χρησιμοσυνάρτησης υ. Σημειωτέον ότι η X ■< Υ δεν σημαίνει
κατ'ανάγκη ότι E ( X ) < E ( Y ) t ούτε κ α ι ότι αν E ( X ) < E ( Y ) η X ∙< Y ∙ Για
παράδειγμα, μεταξύ του να μας δοθεί δώρο α ξία ς 1 εκατομ. κα ι της
δωρεάν συμμετοχής σε τυχερό παιγνίδι με "chance" 50-50 ν α κερδίσουμε 10
εκ., πολλοί θα προτιμούσαμε 1 το σίγουρο 1 εκατ. έναντι της προσδοκίας
των
5 εκα τ.= - × 1 0 ε κ .+ - × 0 .
22
Ποιά υ "διατάσσει" τις προτιμήσεις μας, ακόμα κ α ι τις χρημ α τικές 2 ; Πριν
προχωρήσουμε στην "κατασκευή" ουμβιβαστών υ, με την έννοια της (1.2) ας
δώσουμε κάποια α ξ ιώ μ α τ α που πρέπει να πληρεί η διάταξη X ■< Υ ή
Jl-< p 2 .
Α ξ ίω μ α 1. Γ ια κάθε P i κ α ι P1 ισχύει η ∕> -< Ρ2 ή 72 ≈ Ρ2 ή Ρ, -<P t .

Α ξ ίω μ α 2. Α ν P i -< Ρ2 κ α ι P2 -< Pj , τότε Pi -<P 2 (μεταβατικότητα).

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 )

Α ξ ίω μ α 4. Α ν P l -< Ρ2 ■< Ρ2 υπάρχουν 0 < a < l , 0 < ∕7 < l τέτοια ώστε

aP l + (1 - a)P i ■< Ρ 2 κ α ι Pt ■< βPi + (1 - β )P j

1 “Κάλλιο πέντε και οτο χέρι παρά δέκα και καρτε'ρει",

2 Ας κοιτάζει ο καθένας μας να βρει την "κρυμμένη" χρηοιμοσυνύρτηση του υ.
 35

Το Αξίωμα 1 επιβάλλει απλή διάταξη των κατανομών Ρ· το 2

εκφράζει την μεταβατική ιδιότητα στις προτιμήσεις, ενώ ουσιαστικά το 3
πηγάζει από το 2. Το 4, κατά κάποιο τρόπο, λέγει ότι δεν υπάρχει καμιά
αξεπε'ραστα καλή Ρ ούτε και απείρως άσχημη Ρ. Για παράδειγμα, αν η Pl
είναι απείρως χειριστή, τότε δεν θα υπήρχε β > 0 ώστε να διακινδυνεύσει
(παίξει) ένας την Pl με πιθανότητα β στην προσπάθειά του να επιτύχει την
Ρ3 αντί της Pi , δηλ. ώστε να ισχύει η P1 ■<βΡ} + (1 - β)P3.

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 .

Β ή μ α 1. Έστω η < r2 . Θέτουμε

u(r,) = 0, u(r 2) = l. (1.5)
Ιδιαίτερα αν r1 είναι η χειρότερη αμοιβή και r1 η καλύτερη, η (1.5)
διευκολύνει την κατασκευή, ορίζοντας, κατά κάποιο τρόπο, κάποια
κλίμακα (μονάδα μετρήσεως της υ) ώστε "παρεμβάλλονται) να είναι
ευκολότερος ο προσδιορισμός (μάλλον εκτίμηση) της u(r) για άλλα η
καλύτερα ή χειρότερα ή ενδιάμεσα των rl , r2 .

Β ή μ α 2. Για αμοιβή r3 , rl < r3 < r2 , βρίσκουμε a, 0< a< Λ , τέτοιο ώστε

r3 ≈ P = α(rl ) + ( l- α ) ( r 2 )
με την έννοια της (1.4). Ορίζουμε τότε την
w(<,) = Β„ [u(r)] = αυ(r l ) + (1 - α)u(r 2) = 1- α
 36

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 .

Β ή μ α 3. Α ν ri < r1, βρίσκουμε α ώστε

r1 < ≈ P = α (r,) + ( l - α ) r j
οπότε για να ισχύει η
0 = ι∕(r l ) = B Λ [U (Γ )] = au(r 3 ) + (1 - a)υ(r 2 ) = au(r j ) +1 - a
πρέπει να πάρουμε

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

Π α ρ ά δ ειγμ α - Ν α πάω (d l ) ή να μην πάω (d ,) εκδρομή (στο εξοχικό

μου, στην Π αλαιά Επίδαυρο) το Σαββατοκύριακο; Θ α ήθελα να πάω στην

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

Επίδαυρο, α λ λ ά υπάρχει πιθανότητα 60% (σύμφωνα με την Ε Μ Υ ) να

βρέξει, πράγμα που δεν θάταν και τόσο ευχάριστο. Έστω 0 i "η κατάσταση
της φύσεως" ότι "θα βρέξει", κα ι θ2 "δεν θα βρέξει". Α ς υποθέσουμε ακόμα
(στο πλαίσιο της Μπεΰζιανής (Bayesian) θεωρίας αποφάσεων* ή παιγνίων)
ότι έχουμε τις λεγάμενες "εκ των προτέρων" (a priori) πιθανότητες
π∣= P (θ ∣
) κ α ι π 2= P(θ 2 ) των δύο καταστάσεων Θi και θ2 της φύσεως· έστω
ότι (για τις Νοεμβριανές ημέρες)
π∣= 0,3 = 1- π 2
(σύμφωνα με την εμπειρία προηγουμένων ετών).
Υπάρχουν 4 συνέπειες ή αμοιβές: οι r∣ = (d∣,0∣), r2 = (d i ,θ 2 )
r3 = (d2 ,0 l ), r4 = (d 2 ,θ3 ), όπου (d l ,a j ) σημαίνει ότι παίρνω την απόφαση d i
κα ι εμφανίζεται η κατάσταση της φύσεως θj . Η προσωπική μου διάταξη των
ri , έστω ότι, είναι:
r1 < ri ∙κ r3 ∙< r2 .
Η σχετική αυτή προτίμηση (διάταξη) έγκειται στο ότι η η σημαίνει μια
"βρεγμένη" έξοδο· η η δεν είναι άσχημη α λ λ ά μια κα ι δεν έβρεξε "κρίμα"
που δεν πήγα εκδρομή· η r3 είναι "εν τάξει", και η τ2 εκφράζει το πιο
ευχάριστο Σαββατοκύριακο, είναι η επιθυμία μου (ευχάριστη έξοδος).
Για την κατασκευή της υ, σύμφωνα με το Βήμα 1, θέτουμε
u(r 1) = 0, u ( r ,) = l .
Γ ια να εκτιμήσουμε την υ(r 4 ), συγκρίνουμε την r4 με τη μίξη
α(rl ) + (l~ α )(r 2),
κι ας υποθέσουμε ότι καταλήγουμε στην
η ≈0>4( Γ I ) + 0,6( Γ2 ),
δηλ. εξίσου θα προτιμούσα "να μείνω σπίτι με καλό καιρό" κ α ι το "να πάω
εκδρομή σε βροχερό καιρό με πιθανότητα 0,4 ή να έχω μια ευχάριστη
εκδρομή με πιθανότητα 0,6". Έτσι
w(r<) = 0,4u(r l ) + 0,6u(r,) = 0,6.
Ομοίως, ας υποθέσουμε ότι
r3 ≈ O ,3 (r 1) + O,7(r2 ).
Τότε
u(r3 ) = 0,3u(r∣) + 0,7υ(r2 ) = 0 ,7 .
Στο σημείο αυτό καλό είναι να ελέγξου μ ε την συνέπεια στην εκτίμηση
(κατασκευή) της υ συγκρίνοντας ένα διαφορετικό συνδυασμό αμοιβών,
έστω, Γ1 , ΓJ , Γ4 , π .χ., θέτοντας
rj ≈ α ( η ) + ( I - α ) ( r 1).
Α ς υποθέσουμε ότι εκτιμούμε το a = 0,6, Τότε θα πρέπει αν η υ είναι σωστή,

1 Βλ. π.χ. τη Στατισ τική θεωρία και Eφapμoγaι(∖ 912), του συγγραφέα
38

0,7 = u(r j ) = αu(r4 ) + (1-α )u (r 2 ) = 0 ,6 α + (1 - α ) ,

που δίνει α =0,75. Αυτό όμως δεν συμφωνεί με το α = 0,6 που εκτιμήσαμε
συγκρίνοντας (την r3 ) απευθείας με τις r4 και r2 . Άρα έχουμε ασυνέπεια και
πρέπει να επανεξετάσουμε τις προηγούμενες συγκρίσεις, μ έχρ ις ότου
καταλήξουμε σε συμβιβαστές τιμές της u (r). Εν πάση περιπτώ σει, ας
υποθέσουμε ότι καταλήξαμε σε
U(Γ4 ) = O,6 U( Γ3 ) = O,8.
Μπορούμε τώρα, έχοντας την ωσ u (r), να βρούμε την B ayes αναμενόμενη
ωφελιμότητα της d } (κατά την a priori π):
⅛ [w (r)]= π 1ι∕(r 1)+ π 2u(r2 ) = 0,3(0) + 0 ,7 (l) = 0,7
αφού η d l λαμβάνεται μόνο στις r j = (d 1 ,01) κ α ι r2 = (d l ,θ2 )- ομοίω ς της d 2 ι
E ? [w(r)] =π 1u (r 5)+ π 2u(Λt ) = 0,3(0,8) + 0,7(0,6) = 0,66.
Έτσι η καλύτερη απόφαση (πράξη) (που μ ε γ ισ τ ο π ο ιε ί τ η ν α ν α μ ε ν ό μ εν η
ω φελιμότητα) είναι να πάω στην Επίδαυρο.
Είναι προφανείς οι δυσκολίες όταν το σύνολο R των αμοιβών r είναι
μεγάλο. Αν όμως το R είναι διάστημα, οπότε κ α τά κανόνα η u (r ) θα είναι
ομαλή (διαφορίσιμη) καμπύλη, για την κατασκευή της επ α ρ κ εί η γνώση
μερικών σημείων. Τέτοιο σημαντικό παράδειγμα είνα ι η περίπτωση
χρηματικών αμοιβών, όπως στην περίπτωση ασφαλίστρων κ α ι ζημιών που
εξετάσαμε στις προηγούμενες παραγράφους. Γενικά, στις περιπτώσεις αυτές
οδηγούμεθα σε φ ρα γμένες μ η φθίνουσες u(r) που επιπλέον είνα ι κ ο ίλ ε ς
(κινδυνοφοβικές).

ΑΣΚΗΣΕΙΣ

1. Το π α ρά δοξο του St. Petersburg^ . Σ το π α ιγ ν ίδ ι ρίψεων

(συμμετρικού) νομίσματος με πιθανότητα κορώνας Ρ = ~> 0 παίκτης

παίρνει X = 2fj δρχ, όταν φέρει κορώνα γ ια πρώτη φορά τη Ν-οστή

ρίψη, (όποτε και τερματίζεται το παιγνίδι), Ν = 1,2. Ν α βρεθεί η
μέση τιμή και η διασπορά της Ν και να δειχθεί ότι:

a ) Ε ( X ) = E(2 N ) = O<>, και

β) Αν η ωφελιμότητα u(w) = logιv, τότε

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

2. Κ ιν δ υ ν ο φ ιλ ία . Αν u'(w, )>O και u , '(∖ v)>O (η σω υ κυρτή), κάνοντας

χρήση της (3), δείξτε ότι ο ασφαλιζόμενος είναι "κινδυνόφιλος"
(ριψοκίνδυνος), δηλ. το μέγιστο ασφάλιστρο G που πρέπει να
καταβάλει δεν υπερβαίνει την Ε (Χ ) = μ ,
G≤ μ
3. Να δειχθεί ότι η υ(ιv) = log w είναι κινδυνοφοβική

4. Δείξε ότι για u(ιv) = k logn, και ζημιοκατανομή ομοιόμορφη στο (0,1)
το μέγιστο ασφάλιστρο G (βλ. (3)) είναι

5. Αν η u(vv) = e ^ " και η ζημιοκατανομή είναι η χ ; με σππ

χ > 0

τότε το μέγιστο ασφάλιστρο G > η = μ - Ε (Χ ).

6. Επαναλάβετε το Παράδειγμα β) με
u(ιv) = -e~~n5°
και δείξτε ότι το G = 150log 1,5 = 60,82.

7. Α ν τα σ φ ά λ ισ η . Μικροασφάλεια με κεφάλαιο l(δισ.) κα ι u(w) = logιv

ασφαλίζει δίτιμη ζημιά X με κατανομή
P [X = Q∖ = P [X = 0,51] = —.
2
α) Ν α δειχθεί ότι το μέγιστο ασφάλιστρο G που πρέπει να πληρώσει σε
μια μ ε γ α λ ο α σ φ ά λ ε ια (για αντα σφ άλιση) γ ια 100% κ ά λ υ ψ η της
ζημιάς X , είναι 6 = 0,3.

β) Μ ια μεγαλοασφάλεια με u(w) = log ιν με κεφάλαιο 6,50 και την ίδια

σω u(w) = log w σκέπτεται να αναλάβει την προηγούμενη ζημιά (ρίσκο)
X. Ν α δειχθεί ότι το ελάχιστο ασφάλιστρο //π ο υ πρέπει να ζητήσει για
την αντασφάλιση 100% της ζημιάς X είναι Η = 0,26.
Υ πάρχει εφικτή ασφαλιστική πολιτική;

8*. Υπό τις ωφελιμοσυναρτήσεις (16) και (17), να δειχθεί ότι το G = G(w)
είναι αύξουσα συνάρτηση του νν.
40

9. Δείξε (γεωμετρικά) την (23) κάνοντας χρήση α) του σχήματος,

και β) του αναπτύγματος της υ(χ) περί το χ 0 μέχρι υπόλοιπο 2α ί

τάξεως.

10. Παίρνοντας το x0 = μ = E(Λ, ) στην προηγούμενη Άσκηση 9, δείξτε την

ανισότητα Jensen: Για κοίλη υ,
Ε [u(X )]< u(f(X )) = u(μ).
Σημ. Ισότητα ισχύει αν η X είναι εκφυλισμένη (P[X = c] = 1) ή η u
είναι γραμμική.

11. Έστω α να λο γική ασφάλεια, με κάλυψη της μορφής

i '>(χ ) = P×, 0<p<l
l
και η I d (x) της (21). Για ποια ρ και d το ασφάλιστρο Ρ είναι 12,5 και
στις δυο περιπτώσεις, όταν η ζημιοκατανομή είναι ομοιόμορφη στο
(0,100); Επίσης δείξε ότι (βλ. Ασκ. 12)
∆[x-r,,m]>∆[x-ιdm ]∙
Απάντηση
μ = 0,25, d = 50, Δ[X - Γp (X)] = 468,75 > 260,42 = Δ [X - ∕ d (Λ)]

12*. Με τις υποθέσεις του Θεωρήματος, δείξε ότι

min Δ {X - I(X )] = Δ [X - Jd (X )] t
δηλ. η πολιτική I d ελαχιστοποιεί την διασπορά της απλήρωτης ζημιάς
X - Ι(Χ ) για δεδομένο ασφάλιστρο Ρ.

13. Υπάρχει μοναδική λύση dτης (22).

Υπόδειξη. Ρ = ∫(x - d)f(×')dx = ∫ [1 - F(x)]dx
* ∂

14. α) Να δειχθεί ότι η γραμμική και τετραγωνική, προσέγγιση (στο

ανάπτυγμα Taylor):
u(w - G) ≈ u(w - μ) + (μ - G)u, (w - μ),
u(ιv - X ) ≡ u(ιv - μ) + (μ - X )u , (w - μ) + ^(μ - X ) 1 υ , , (w - μ),
 41

δίνει κ α τά προσέγγιση το ασφάλιστρο

r ≈ μ ----!--- ----u--"----- σi ,
G
2 u '( w - μ )
ό π ο υ // = £ (% ), 2
σ = Z (X ).
β) Γ ια u(w) = M og ιν της Ασκ. 4 η (ί) δίνει
1 °1
G ≈μ+ .
2 w -μ
Πω ς συγκρίνεται αυτό με το 6 r της Ασκ. 4;

5 .Έ ν α άτομο έχει περιουσιακά στοιχεία ιv0 = 100 και συνάρτηση

ωφελιμότητας u(w) = ιv 2 , ιν > 0 και αντιμετωπίζει μια τυχαία απώλεια
ομοιόμορφη κατανεμημένη στο [0, 100]. Ν α υπολογιστεί το μέγιστο
ασφάλιστρο που δέχεται να πληρώσει το άτομο για κάλυψη της μ ισ ή ς
απώλειας.

Ασκήσεις Π α ρα ρτή μ α τος

..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.

α) Α ν Ρ = ( p ,,p 2 ,p j ) κ α ι P ' - (p'uPvP'i) ε ι v α ι δύο κατανομές (επί του

R ), ποιά σχέση πρέπει να ισχύει μεταξύ p l ,p'j κα ι ρ , ωστε Ρ < Ρ ' ;

β) Έστω ότι (0,3, 0,3, 0 ,4 )< (0 ,5 , 0, 0,5). Τι μπορείτε να πείτε για τη

σχέση μεταξύ των (0,2, 0,5, 0,3) κα ι (0,4, 0,2, 0,4); Τι λέτε για το ρ;

1.2. (ί) Εκτιμήστε την προσωπική σας ωφελιμοσυνάρτηση u0 για χρηματικές

(σε χ ιλ . δρχ) αυξομειώσεις (διαφορυαί ωσ) στο διάστημα [-100,100].
(ii) Χ ω ρ ίς να λάβετε υπόψη το (ί), δείτε τι προτιμάτε μεταξύ των
ζευγών (τζόγων):

a) ⅛ 0 ) + 4(0) ή l( 4 0 ) + ⅛ 0 )
4 4 2 2
β) 1(40) + 1 (-1 0 ) ή ∣(15) + ∣( 0 )

(γ) 1(100) + 1(-100) ή 1(10) + 1 (-1 0 ).

X Ζ 2 2

(iii) Καθορίστε τώρα τις προτιμήσεις σας στο (Η) βάσει της ωσ που
κατασκευάσατε στο (ί).
42

1 .3 . Συνέχεια. Βρείτε σταθερές a ,b ώστε για Ο ≤ r ≤ 10 η

ι∕(r) = αlog(6r + 1)
να πλησιάσει την u0 .

1 .4 . Ο κ . X προσδιόρισε ότι η ωσ του u για αυξομειώσεις του κεφαλαίου

του στο διάστημα [-100,500] είναι η
u(r) = αlog(⅛ + l) .
α) Τ ι πρέπει να προτιμήσει μεταξύ του να του δοθεί το ποσό των 100
κ α ι του "παιγνιδιού"
1 2
( o μ → ( s o o ) x ∣, ■

δηλ. να κερδίσει 0 με πιθανότητα 0 ή 500 με πιθανότητα

β) Α ν υποτεθεί ότι, εναλλακτικά, του προτείνεται ν α πληρώσει 100

για συμμετοχή στο παιγνίδι, τι να διαλέξει;

1 .5 . Ο ι Α κ α ι Β έχουν την ίδια ωσ u για αυξομειώσεις χ των χρημάτων

τους κ α ι u(x) ~ x , n .
Έστω ότι ο ένας από τους Α και Β παίρνει, σαν δώρο, ένα λ α χ είο που
κερδίζει r δρχ. με πιθανότητα y ή 0 (με πιθανότητα Ν α δειχθεί ότι

υπάρχει c > 0 τέτοιο ώστε, ανεξάρτητα του ποιος π α ίρ νει το λαχείο,

μπορεί να το πουλήσει στον άλλο γ ια c δρχ. κ α ι να συμφέρει κ α ι στους
δύο.

1 .6 . Στο παιγνίδι του παραδόξου του St. Petersburg ας υποθέσουμε ότι η

ωσ u για αυξομειώσεις (κεφαλαίου) είναι η
ί 100, χ >100
∣x∣≤100
χ < - 100
Ν α βρεθεί το μεγαλύτερο c που θα πληρώσει ένα ς γ ια να π α ίξει το
παιγνίδι.
 ΚΕΦΑΛΑΙΟ 3

ΣΥΛΛΟΓΙΚΑ ΜΟΝΤΕΛΑ ΚΙΝΔΥΝΟΥ - ΑΝΕΛΙΞΗ

ΚΙΝΔΥΝΟΥ
1. Εισαγωγή

Τυχαία γεγονότα κα ι περιστάσεις, τυχαία συμβάντα ή περιστατικά

δρομολογούν, σε μεγάλο βαθμό, τα σχέδια μας και την εξελικτική πορεία
μας ως ατόμων ομάδων, κοινωνιών. Η πείρα διδάσκει ότι τα μέλλον δεν
ξετυλίγεται όπως το περιμένουμε ούτε και οι προσδοκίες μας
πραγματοποιούνται, εξ αιτίας του παράγοντος "τύχη".
Η ασφάλιση σκοπόν έχει να προστατεύσει έναντι κινδύνων με
οικονομικές κυρίως επιπτώσεις και συνυφαομένων με τυχαία γεγονότα ή
"συμβάντα" (contingencies).
Υπάρχουν προφανώς περιορισμοί στην ασφαλιστική κάλυψη. Ο πόνος
και η θλίψη συνοδεύουν τον θάνατο κα ι άλλα δυσάρεστα γεγονότα. Μ ια
ασφάλεια ζωής, ωστόσο, όπως και γενικότερα μ ια ασφάλεια έναντι
κάποιου κινδύνου (πυρκαϊάς, κλοπής, ατυχήματος κ.α.), συνίσταται σε
χρηματική αποζημίωση για συνέπειες συμβάντων κ α ι περιστατικών
μετρήσιμων οικονομικά. Ο πόνος και η θλίψη είναι δύσκολο να
μετρηθούν σε χρήμα 1 · Υπάρχουν φυσικά και συμβάντα με μετρήσιμες
οικονομυςές συνέπειες, αλλά μη ασφαλίσιμα λόγω του ότι το αίτιό τος δεν
ήταν τυχαίο, π.χ., το σκόπιμο κάψιμο (εμπρησμός) ενός καταστήματος ή
εργοστασίου ή άλλου περιουσιακού στοιχείου από τον ιδιοκτήτη.
Απεναντίας, φυσικά, η καταστροφή περιουσίας από πυρκαϊά ή θεομηνία
είναι ασφαλίσιμη και παρέχεται ανάλογη ασφαλιστική κάλυψη. Έτσι
μιλάμε για ασφαλίσιμους κ α ι μη ασφαλίσιμους κινδύνους.
Πέρα από την οικονομική μετρησιμότητα ενός ασφαλίσιμου κινδύνου,
μια ασφάλιση περιορίζεται και από το ότι δεν ελέγχει με άμεσο τρόπο την
πιθανότητα της καλυπτόμενης ζημιάς. Η ασφάλιση κατά θεομηνίας , π.χ.,
δεν α λλάζει την πιθανότητα μιας καταστρεπτικής θεομηνίας2 . Απεναντίας,

1 Ευτυχώς, γιατί αλλιώς, δυστυχία και ευτυχία! θα εξαγοράζοντο με χρήμα, δίκην άδίκην- πολλών
εζαγοράαιμων "αγαθών".
2 Λιμού, λοιμού, καταποντισμού, πυράς,...
 44

γενικά μια υγιής ασφαλιστική πολιτική πρέπει να παρέχει κίνητρα

αποφυγής ζημιογόνων συμβάντων ή δραστηριοτήτων.
Στο σημείο αυτό δεν είναι ίσως άσκοπο να γίνει αντιδιαστολή μεταξύ
ενός ασφαλιστικού συστήματος κατά κινδύνων, υπό περιορισμούς όπως
σκιαγραφήσαμε πιο πάνω, και άλλων κοινωνικο-οικονομικών συστημάτων
που επίσης επηρεάζονται από τυχαία γεγονότα. Τέτοιο σύστημα, για
παράδειγμα, είναι το τραπεζικό σύστημα, στο οποίο η ροή (flow,
καταθέσεις και αποσύρσεις) κεφαλαίων ιδιωτών και εταιρειών, δεν είναι
ανεξάρτητη από τυχαία γεγονότα. Ωστόσο τέτοια συστήματα δεν
πληρώ νουν ούτε αποζημιώνουν α νά λο γα μ ε το μ έγεθ ο ς κ ά π ο ια ς ζημιά ς
που επέρχεται ως αποτέλεσμα (ζημιογόνου) συμβάντος (περιστατικού) εκτός
ελέγχου του ατόμου που υφίσταται τη ζημιά. Η διαφορά προφανώς έγκειται
στη φύση και τον σκοπό των συστημάτων.
Κτυπητή είναι και η αντίθεση ανάμεσα στα τυχερά παιγνίδια
(τζόγος), τα οποία πληρώνουν (ανακατανέμοντας τα ποσά στους παίκτες)
ανάλογα με το αποτέλεσμα παιγνιδιού τύχης, και το ασφαλιστικό σύστημα,
το οποίο αποζημιώνει για τυ χ α ία α νεπ ιθ ύμ ητα π ε ρ ισ τα τικ ά
(κινδύνους). Στο τζόγο (gambling) οι κανόνες (μοιράσματος των
κεφαλαίων που παίζονται) στο τυχερό παιγνίδι είναι γνωστοί και
αποδεκτοί στους αντιπάλους, που στην "αλληλοχρηματοεξοντωτική" τους
προσπάθεια ες .ιδίων "ριψοκινδυνεύουν". Εδώ ο ένας εκμεταλλεύεται την
τύχη εις βάρος του άλλου 1 .
Μπορούμε τώρα, παρά τους περιορισμούς που επισημάναμε, να
δώσουμε ένα αρκετά ευρύ ορισμό της ασφάλειας γενικά: Α σ φ α λ ισ τ ικ ό
σύστημα είναι μηχανισμός αποζημίωσης (κάλυψης) κ α τά τυχαίου κινδύνου
που παρεμποδίζει την εκπλήρωση εύλογης προσδοκίας.
Ο ορισμός καλύπτει τόσο την κλασσική περίπτωση α σφ α λίσεω ς
προσώπων (ζωής, ασθένειας, ατυχήματος, γήρατος, θανάτου κ.λ.π.) όσο και
τις ασφαλίσεις πρα γμά τω ν (πυρός, κλοπής, πλοίων, αεροσκαφών, κ .α .) και
ευθύνης (liability insurance), γενικής α στικής ευθύνης, κ.α. Περιλαμβάνει
επίσης συστήματα ασφάλειας που βασίζεται στην προσωπική απόφαση
συμμετοχής (ιδιωτική ασφάλιση) αλλά και ασφαλιστικά συστήματα όπου η
συμμετοχή επιβάλλεται από την εργασία, τον τόπο κ α το ικ ία ς, την πολιτεία
κ.α. (κοινω νική ασφάλιση, social insurance).

j Στην ασφάλιση (πρέπει να ) αντιμετωπίζουμε συλλογικά την "ατυχία* για το κ ο ιν ό κ α λ ό .

 45

2. Η Ανέλιξη Κινδύνου

Η αναλογιστική - ασφαλιστική έννοια του κινδύνου (risk), για

βραχυπρόθεσμη (βραχυχρόνια) κάλυψη ώστε να μπορεί να παραλειφθεί η
επίδραση του τόκου, εκφράζεται κυρίως από την ανέλιξη συσσωρευμένης
(aggregate) α π α ίτη σ η ς ζημιάς (claim process) ή, απλά, της
ζη μ ιο α νέλιξη ς Sl , ∕ ≥ 0 t , της συνολικής ζημιάς ή απαίτησης (ζημιάς) σε
χρόνο t ή S r , της συνολικής απαίτησης δεδομένης ομάδας ν ασφαλισμένων
ενός πορτοφ ολιού. Έτσι, για την ασφάλεια, που καλείται να αποζημιώσει
τους ασφαλισμένους, σημασία έχει η αντίστοιχη α νέλιξη α σ φ α λίσ τρ ο υ
(premium process) P ,≥ 0 , των εισπραττομένων ασφαλίστρων μέχρι τη
στιγμή t (στο διάστημα (0,i]).
Με την έννοια λοιπόν του κινδύνου, τόσο από την άποψη της ζημιάς
(απαίτησης) του ασφαλισμένου όσο και από την άποψη ασφαλίστρου που θα
εισπράξει ο ασφαλιστής, ως κινδυνο α νέλιξη (risk process), μπορεί να
θεωρηθεί το ζεύγος των (στοχαστικών συναρτησοειδών) P,,St , έστω
P l =(P i ,S i ) ,∕≥ 0 .
Από αναλογιστικής πλευράς, στην ανάλυση του κινδύνου σημασία έχει
η διαφορά Pl - S l και, παρά το ότι η Pl i όπως και η Sr , είναι τμ, η Pl
μπορεί να θεωρηθεί ως μαθηματική (μη στοχαστική) συνάρτηση. Κ α ι τούτο
διότι, αν υποτεθεί ότι το Pl είναι εκπεφρασμένη συνάρτηση των απαιτήσεων
S l , μέχρι τη στιγμή ί, και κατά συνέπεια είναι τμ, τότε, θέτοντας
π(∕) = f[P (∕)], S '(0 = S(r) - P(r)+π(r),
έχουμε
π ( ∕) - S '( 0 = P ( 0 - S ( 0
όπου τώρα το π(ι), το μέσο ασφάλιστρο, είναι μη-στοχαστική συνάρτηση,
ενώ η Ρ(ί), αναφερόμενη απλά ως το ασφ άλιστρο του κ ινδύνου, είναι
στοχαστική. Αντίθετα τόσο η S (t) όσο και η ανέλιξη συσσωρευμένης
απάιτησης (ζημιάς) S l παραμένουν στοχαστικές- η S (t) μ ά λ ισ τ α θεω ρείτα ι
συνήθως ως η κινδυνοα νέλιξη. Στη συνέχεια, επί το απλούστερο
ταυτίζοντας (για απλολογία) τη ζημιά με την απαίτηση (ζημιάς), θα
αναφερόμαστε στην Sl ως ζημιοανέλιξη. Η S, συνδέεται με την ανέλιξη N l ,
τον τυχαίο αριθμό (συχνότητα) των ζημιών που παρατηρήθηκαν έω ς τη
σ τιγμ ή ζ καθώς και με την αντίστοιχη ανέλιξη των X , των υψών ή
μεγεθών των Ν ζημιών που συνέβησαν στις στιγμές t l ,t 1 ,...t fl (t l = t), ώστε η
συλλογική ή συσσωρευμένη ζημιά S, μέχρι τη στιγμή t να είναι:

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

S, = ∑A',,, o < t ,≤ l (S o ≡O). (0)

/•I
Η έννοια αυτή της Sl ως συλλογικής (collective) ζημιάς τυχαίου
αριθμού N l ζημιών (ζημιογόνων συμβάντων) διακρίνει τα σ υ λλ ο γικ ά
μ ο ν τέλ α κινδύνου από τα λεγάμενα α το μ ικ ά μ ο ν τ έ λ α κ ιν δ ύ ν ο υ , όπου η
συλλογική ζημιά (βραχείας πταθεράς περιόδου, π.χ. έτους) είνα ι άθροισμα
των ατoμuccδv ζημιών δεδομένου αριθμού η ατόμω ν (ενός πορτοφολιού)
οπότε γράφουμε
Sa = Ύ.+.,.+Ύ .
Πιο αυστηρά, λοιπόν η S l έπρεπε να γράφεται δ„ . Η N t , που απαριθμεί
της ζημιές στο διάστημα (0,0, λέγεται α π α ρ ιθ μ ή τρ ια α ν έ λ ιξ η ' (counting
process) της St ≡ 5A, .
Το επόμενο σχήμα, με t = t0 , N , t = 4 , διασαφηνίζει τις έννοιες της S,
κ α ι της Ν,

Στην §3 θα εξετάσουμε συλλογικά μοντέλα κινδύνου σταθερός

περιόδου (π.χ. t = 1) ώστε να μπορούμε να παραλείπουμε τον δείκτη ί και
να γράφουμε απλά Sff αντί S,Λ, , δηλ,
S„Π≈ XI1+...+XΛ
»N
όπου το Ν είναι μη αρνητική ακέραια τμ σε αντιδιαστολή με το ατομικό
μοντέλο κινδύνου με σταθερό Ν = η.

3. Σ υ λ λ ο γικ ά Μ ο ντέλ α Κ ινδύνου Μ ια ς Π ερ ιόδου

Η συσσωρευμένη ζη μ ιά (aggregate claims) ενός σ υ λ λ ο γ ικ ο ύ

π ρο τύπ ο υ (ανοικτού) πορτοφολιού (ασφαλισμένων) σε δεδομένη χρονική
περίοδο εκφράζεται από το τ υ χ α ίο άθροισμα (random sum )
S ^ S N = X l + X i + X ...+ X N t (1)

* Βλ. Στοχαστικές Avtλ(ςetς του συγγραφέα.

 47

όπου Ν ≥ 0 ακέραιο τμ ανεξάρτητη των ατομικών ζημιών X l που θα

θεωρούνται και μεταξύ τους α νεξά ρ τητες κ α ι επι π λέο ν ισόνομες (ανισ)
τ μ∙

Στο μοντέλο (1), η τμ Ν ≥0 εκφ ρά ζει τη συχνότητα των ζημιών και

τα X l τ α μ εγέθ η των ατομικών ζημιών. Επί πλέον, το πρότυπο αυτό είναι
βραχυπρόθεσμο (μιας μικρής χρονικής περιόδου), ώστε να μην υπεισέρχεται
ο παράγων τόκος (άρα και παρούσες αξίες αποζημιώσεων, ασφαλίστρων
κ.α.) στους σχετικούς υπολογισμούς. Έτσι τα μοντέλα αυτά αναφέρονται
και ως σ υ λ λ ο γ ικ ά μ ο ν τέ λ α κινδύνου μ ια ς περιόδου. Στα λεγόμενα
μ ο ν τέ λ α κ ιν δ ύ ν ο υ εκ τετα μ ένη ς περιόδου εξετάζεται και το πρόβλημα
της (πιθανότητας) χρεοκ οπ ία ς.

3.1. Κ α τα ν ο μ ή τη ς συσσωρευμένης ζ η μ ιά ς S. Η μελέτη της κατανομής

της S, που αναφέρεται ως σύνθετη (ή γενικευμένη) κ α τα ν ο μ ή (τυχαίου
αριθμού προσθετέων τμ), διευκολύνεται με τη χρήση γεννητριώ ν. Ιδιαίτερα
για δ ια κ ρ ιτέ ς X l διευκολύνει η π ιθ α νο γεννή τρ ια (πγ) της S, ενώ για
συνεχείς X l γίνεται χρήση ροπογεννητριώ ν (ργ).
Ιδιαίτερη έμφαση θα δοθεί στη σύνθετη Poisson με παράμετρο λ
(σ.P(Λ)), όταν στην (1) η Ν είναι Poisson με παράμετρο λ, καθώς κα ι στη
σύνθετη α ρ ν η τικ ή διω νυμική (α. ΝΒ) όταν η Ν είναι Pascal (αρνητική
διωνυμική).
Υπενθυμίζουμε μερικές βασικές έννοιες1, όσον αφορά τις
χ α τα ν ο μ ο γ ε ν ν ή τρ ιε ς πy και ργ.

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 ,

Οι απλές ροπές (περί την αρχή) βρίσκονται από τη σχέση

1 Για λxπτoμipεας παραπέμπουμε π.χ.ι o τ o ∏ l Oav<fτητtς Ktφ. V (1994), του συγγραφέα (βλ. [ IJ).
48

E (X t)≈ M w (O), λ' = l,2 ,... (3)

Σ η μ .: Η PΛ.(U) 3 τουλάχιστον για ∣u ∣≤ l, ενώ η Λ ∕ j l (i) μ π ορεί να μην
υπάρχει για κάποιες τμ Λ', δηλ. να μην υπάρχει δ > 0 τέτοιο ώστε να 3 η
M x (r)≡ B (e ft') Υ«Χ |ή < 5 .

Λ ή μ μ α 1. Έστω τμ X και Υ με πεπερασμένες ροπές 2 ≈ ς τά ξεω ς. Τότε

(I) E ( X ) = E r { E ( X ∖Y )},
(Π) Λ ( X ) ≡ V ( X ) = E r [V (X ∣K )] + V y [ E ( X ∣ y ) ] . w

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)

Α π ό δ ε ιξ η . Άμεση συνέπεια της (4).

Π ό ρ ισ μ α 1. Α ν η S v είναι σύνθετη Poisson (λ) (σ. P (Λ )), τότε

E ( S κ ) = λμ i V (Sκ ) = Λ Ε (A i ). (7)

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

Π ρ ό τ α σ η 2 . Έστω Ρ Λ. η πγ των X . της (1) κ α ι M x η ργ τους. Τότε η

πγ της (σύνθετης) κατανομής της S είναι η σύνθεση
Ps (u) = Px (P x (υ)) (8)
των ΡΑ, κ α ι P y , ενώ η ργ της σύνθετης κατανομής είνα ι:
M s (t) = M λ,( lo g M r (0) = PN ( Λ ∕ Λ -(O)∙ (9)

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).

Π ό ρ ισ μ α 2 . Η πγ Ps κ α ι η ργ M s της σύνθετης P o isso n S δίδοντα ι

από τις
Pi (u ) = e ^ < ∙H ι M s (t) = (1 0 )

Υ π οπ όρισ μ α . Α ν οι X l είναι Bernoulli με π α ρά μ ετρο ρ , τότε η

σύνθετη Poisson (Λ) είναι Poisson (Λρ).

Α π ό δ ε ιξ η . Αφού η πγ Px (υ) των X l είνα ι p u + q , έχουμε

Ps (u) = = f (P ^ι- l ) = e λ <Pu-P) _ e ⅛κu-i) i
u
e
 49

Αυτό συνήθως διατυπώνεται: Μία σύνθετη P oisson-B ernoulli είναι

Poisson.

Π όρισμα 3. Αν 7√εivαι γεω μετρική με

P[N = k ] ≈ p q i , k = 0,1,2,... ,
τότε η σύνθετη γεωμετρική έχει γεννήτριες
l- < 7Px (u)∙ M ’t0 = i - ? M x (i)·

Α π όδειξη. Η γπ της γεωμετρικής είναι

Λ∙ (u ) = ∑ P(<7^)x = ~ ~ ~ ·
Μ 1- qu
Υπ οπόρισμα . Έστω εκθετική X με πυκνότητα
f γ (x ) = e^*, λ *> 0 .

Τότε η ργ της σύνθετης γεω μετρικής είναι η

Λis (f) = p + ρ - e - . (12)
ρ -ί

Α πόδειξη. Η M s (f) γράφεται και ως εξής:

P M Λ,(Γ)
M i (r) = p + ρ
l-g M v (0 ,
ενώ η ργ της f x είναι
M v (r) = ( l - 0 ' , , /< 1 .
Η (11) δίνει το ζητούμενο.

Π αρατήρηση. Η (12) δείχνει ότι η S είναι μίξη του S = 0, με

πιθανότητα ρ = Ρ[Ν = 0], και της εκθετικής
W ) = Pe ~p t , x > 0 (13)
με πιθανότητα q = ↑- p i δηλ. η σύνθετη γεω μετρικ ή-εκθ ετικ ή κατανομή
είναι μ ικ τ ή εκθ ετικ ή κ α τα ν ο μ ή με συνάρτηση κατανομής F ασυνεχή στο
χ = 0, κα ι συνεχή για χ > 0, ώστε P(S = 0] = ρ και η σππ f( s ) = pqe~p, για
s> 0 (βλ. παρακείμενο σχήμα της F και Γ).
f ( x ) = p + (7 (l- e -'u ) = l - q e - ^ j x ≥ 0 . (14)
50

Σύνθετη Αρνητική Δ ιω νυμική. Μια εναλλακτική κατανομή του αριθμού

Λ , ζημιών, όταν π.χ. η διασπopd του Ν είναι μεγαλύτερη του μέσου, δηλ,
V (N )> B (N ),
και κατά συνέπεια δεν ισχύει η Poisson ως κατανομή του Ν , είναι η
αρνητική διωνυμική, με σπ
Ρ [Ν = η] = ί Γ + " ^ ' ∣p, 9". « = 0.1.2....... (15)
I " )
όπου r > 0, 0 < ρ < 1 οι δύο παράμετροί της. Η πγ ΡΝ και ργ Λ ∕ Λ. της
N B (p ,r) είναι:

και εύκολα (κατ'ευθείαν ή από τις (2)) βρίσκονται οι

B (N ) = S , V(W) = - ⅛ > - = ∙E(W)∙
Ρ Ρ Ρ
Ο ι σχέσεις (5) και (6) δίνουν για τη σύνθετη αρνητική διωνυμική
B(SΛ,) = ‰ , V(¾) = S VW + 2⅞√ (17)
Ρ Ρ Ρ
ενώ οι (8) και (9) δίνουν, δυνάμει της (16),
“ -|Γ ρ “1Ζ
Λ(∏) = 7-----Γ 7 7 ■ = 7— 77~777 ■ (l 8 )
l-⅛ ( u ) J [ l - g Λ ∕ χ (O
Σημειωτέον ότι για r = 1 έχουμε τη σύνθετη γεωμετρική (11),
Η αρνητική διωνυμική του αριθμού Ν είναι κατάλληλη όταν ο
πληθυσμός των ασφαλισμένων αποτελείται από υποπληθυσμούς στους
οποίους ισχύει η Poisson με διαφορετική (μεταβλητή) παράμετρο. Ιδιαίτερα
ισχύει η εξής

Π ρόταση 3. Έστω ότι η παράμετρος Λ της Poisson είναι τμ με

πυκνότητα της Γάμμα (α,β) κατανομής:
r W = - ^ jA ∙" e - '∖ (a >0) (19)

και η Ν για δεδομένο Λ = λ είναι Poisson (Λ). Τότε η (αδέσμευτη ή

απόλυτη) κατανομή της Ν είναι η αρνητική διωνυμική (15), N B (p ,r ), με
Γ = σ ’ ρ = Τ+β' ( (2 0 )

Α π όδειξη. Από το (γενικευμένο) θεώρημα της ολικής πιθανότητας,

P [N = n] = ∫P [Λ ∕ = n∖Λ = λ)f(λ)dΛ = ∫ ^ - l r (λ) tU
ο i «I
 51

= fe - ^ J L - ^ e -^dλ (21)
{ e n ∣Γ ( α ) k

j Γ(α)nl
0

κ α ι, από την ταυτότητα (βλ. (19))

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).

4. Ιδ ιό τη τες της Σύνθετης Poisson

θεώρημα 1. Α ν η S w είναι σύνθετη Poisson (λ i .) με σκ ζημιάς F t (x),

k = ↑,...,m t κ α ι οι S (k) είναι ανεξάρτητες, τότε το άθροισμα

s = ∑‰ 1 (22)
1-1

είναι σύνθετη Poisson (λ) με παράμετρο

λ = ∑ Λ ,, (23)
/=1
λ
και σκ F ζημιάς Ύ τη ν μίξη των F jt με βάρη τα δηλ.
Λ
F ⅛ )= ∑ ⅛ ω . (24)
Λ≡l Λ

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

Λ f,( 0 = ∏ M 1 (0 = ∏ e x p {λ JM v (t)-1]} = exp∙ λ ∑∙⅜L M√0-1 k

1^≡∣1=1 _ ! '■! ×**
όπου A 1 η τμ ζημιάς στην 5 ( t ) . Α ρ α η M s (t) αντιστοιχεί σε σύνθετη Poisson
(λ) με ργ ζημιών Λ f f (t) = J ⅛ v (t), κα ι η σκ F (x ) της X είναι η (24)
ι λ '*
αφού αν μ ια σκ
F X (×) = aFλ,ι (χ) + (1 - a)F x ι (χ),
τότε (κ α ι μόνον)
Μ χ (0 = α Μ χ> (t ) + (1 - α )M λ-ι (t).
52

Α ν α λ ο γ ισ τ ικ έ ς Ε φαρμογές. Η συλλογική ζημιά m ανεξάρτητων

ασφαλιστικών πορτοφολίων μc συσσωρευμένη ζημιά σύνθετη Poisson το
καθένα (όχι κατ'ανάγκη ισόνομων) είναι πάλι σύνθετη Poisson, σύμφωνα με
τις (23) και (24).
Άλλη εφαρμογή του Θεωρήματος είναι στα πορτοφόλια περιόδου m
ετών όταν τα ετήσια συλλογικά πορτοφόλια είναι ανεξάρτητα, ισόνομα ή
όχι.
Μια άλλη χρήσιμη ιδιότητα της σ. Poisson σχετίζεται μ∑ την κατανομή
του αθροίσματος
S = x i N i + x 2N 2 +...+x a N a (25)
όπου οι N z είναι ανεξάρτητες Poisson (Λ,) κ α ι x l ,x 2 ,...,χ a σταθερές. Τότε
ισχύει το

θεώ ρημα 2. Η S της (25) έχει σ. Poisson (Λ) με

>■= ∑ ⅛ (26)
/=1

και σπ ζημιάς X
p(.x,'>, =⅛ 1 = 1..... π> (27)
Λ

Α πόδειξη. Εφαρμογή του θεωρήματος 2.1 με Sw = ×k N t με αντίστοιχη

σπ ζημιάς (την εκφυλισμένη μ ο νο σ η μ εια κ ή κ α τα ν ο μ ή )
ρ t (x) = K γ ια × = x l ., k = l,...,m .
Επιπλέον, όταν η ζημιά X έχει διακριτή κατανομή,
n t = p ( x t ) ,k = ],...,m (28)
τό τε κ ά θ ε ο. P oisson S μ π ο ρ ε ί να π α ρ α σ τ α θ ε ί ω ς ά θ ρ ο ισ μ α , όπως
στην (25). Αυτό φαίνεται αμέσως αν στη γενική έκφραση (1) της S κ
"μαζέψουμε" όλους τους όρους, έστω N i , που είναι ίσοι με χ k = l,...,m ∙
Πιο συγκεκριμένα ισχύει το εξής

θεώ ρημα 3. Α ν το άθροισμα S της (25) έχει σ. Poisson (Λ) κα ι σπ

ζημιάς την (28), τότε
(i) Οι N l ,N v ...,N a είναι ανεξάρτητες, και
(ii) η N l είναι Poisson (λ t ) με λ i = λπ l , k = 1,...,m .

Α πόδειξη. Η δεσμευμένη από κοινού κατανομή των N t ,...,N β, 7ι α

δεδομένο

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))

Ρ (υ ...... >υ J = ^ ( HΓ , ∙. . < ’■) = ∑ P β (ul ,...,u β,)P (N = η)

Λ“ 0
= ∑ ( π ∣u ∣+∙∙∙÷π n e^', —- = e'~i e χ p fλ ∑ π 7 Π 7Ί
n∕Λ n )

»'» 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

Η ευχρηστότητα (στη θεωρία κινδύνου, ειδικά στη θεωρία κατανομών

συλλογικής ζημίας) της σύνθετης Poisson S v ή γενικότερα της σύνθετης
α ν έλ ιξη ς P o is s o n
S ,= ∑ X (29)
/=!

όπου η απαριθμήτρια ανέλιξης N l = Ν (ί) είναι (απλή) Poisson α νέλιξη 1

και οι X , ανεξάρτητες μεταξύ τους κ α ι από την 7√,, οφείλεται, εκτός των
δύο ιδιοτήτων της (Θεωρήματα 2 κ α ι 3), και σε μια τρίτη θεμελιώδη
"εμφυτευμένη" ιδιότητά της, που δικαιολογεί κ α ι την εφαρμοσιμότητα της
στην πράξη. Η ιδιότητα αυτή συνδέεται με την έννοια του λεγάμενου
λ ε ιτ ο υ ρ γ ικ ο ύ ή επ ιχ ειρ η σ ια κ ο ύ (operational) ή π ροκρούσ τειου χ ρ ό ν ο υ . 2
Γ ια την κατανόηση αυτής της (λεπτής) έννοιας, παραθέτουμε τις
εγγενείς κ α ι χαρακτηριστικές ιδιότητες που ορίζουν μια απλή Α ν έ λ ιξ η
P o isso n N ( t ) .
α) Οι π ροσαυξήσεις N ( t k ) - N ( t k. 1) ε ίν α ι α νεξά ρ τη τ ες για κάθε
πεπερασμένο σύνολο t1 < /, < ...< tβ .
β) Ο ι προσαυξήσεις είναι στάσιμες, δηλ. η κατανομή του %(r + s ) - X ( s )
εξαρτάται μόνο από το μήκος t του διαστήματος (s,s + t] κα ι όχι από το
s≥0.
γ) Σε "απειροστό" χρονικό διάστημα (t,t + Λ) συμβαίνει το π ο λ ύ ένα
γεγονός, δηλ. υπάρχει λ > 0 (η ένταση της ανέλιξης) τέτοιο ώστε
P [N ( t + Λ) - Ν (ί) = 1] = λh + 0(A) = 1- P [N (t + Λ) - Ν (ί) = 0]

1 Βλ. Στοχαοτικές Ανελίξεις (∑A) Κεφ. 4, του συγγραφέα, [2].

1
2 Ο Προκρούστης “προσάρμοζε11 τα όψη των περαστικών της Κακίας Σκάλας στο μήκος της δικής του
κλίνης!
 54

(0(Α) σημαίνει oτι O (A )∕Λ → O όταν το A→ 0). Τότε, η N (t'), ο αριθμός

των γεγονότων σε χρόνο ί, έχει την κατανομή Poisson:
^ ( 0 = A'] = e-n -⅛^-, k = 0,1,.., (t> 0 ). (30)
JX ∙

Σε μια τέτοια περίπτωση Poisson κατανομής της απαριθμήτριας JV(∕),

όπως στην (29), με μεσοσυνάρτηση
m(r) = B[W(I)] = Λ f, (31)
έχουμε αποδείξει ότι η S l της (31) είναι σύνθετη ανέλιξη Poisson. Αν
μάλιστα πάρουμε σταθερό (δεδομένο) ζ έστω t = 1 (χωρίς απώλεια της
γενικότητας), τότε, γράφοντας N (f) = Ν , έχουμε τη σ. Poisson(λ) με πγ ή ργ
(κατανομογεννήτρια) την (10).
Επί πλέον, και ανεξάρτητα από την κατανομή της J√(Poisson ή μη),
αν η κοινή σκ των X j είναι η F (x ), τότε η n -π λή συνέλιξη της F :
F ' F ∖ ..F ' = F ' a (n = 1,2,...) (32)
εκφράζει (βλ. [1]) την σκ του αθροίσματος
s f l = x 1+ ...+ x β
των ανισ. X l , η δε σκ του S,Λ,, έστω G, βάσει του γενικευμένου τύπου της
ολικής πιθανότητας, δίδεται από την
G(x) = P[S w ≤ Λ] = ∑ P [ S w < x ∖N = n]P[N = π)
η” _ (33)
,
= ∑ P [ S n < x)P[N = n] = ∑ F "(x)P[N = η],
Ζ)=0 χι·0
Ομοίως, η σσ (συνάρτηση συχνότητας; σπ για διακριτές X j κα ι η σππ για
συνεχείς τμ) της SN δίδεται από την
g W = P[S κ = χ] = ∑ P [⅝ = Λ∣JV = ,≈]P[W = n) = γ f " M P [ N = η] (34)

με Γ α την Λ-πλη συνέλιξη της κοινής σσ f( x ) των X l (f''(χ') = F(χ)).

Οι (συνελιξιακές) εκφράσεις (33) και (34) διευκολύνουν τον
υπολογισμό της (σκ ή σσ της) κατανομής της συνολικής ζημιάς S (S a ή S l )
για δεδομένη κατανομή (/ ή F ) τ η ς ζημιάς X και του (πλήθους) 7√ των
ζημιών. Ιδιαίτερα, όταν η Ν είναι Poisson, και επί πλέον η X είναι
διακριτή με πεπερασμένο πλήθος τιμών x l ,x 2 ,.,.,χ m, οι απαιτούμενοι
υπολογισμοί βάσει της (33) ή (34) απλοποιούνται σημαντικά εφαρμόζοντας
μια εν α λ λ α κ τ ικ ή υπ ολογιστική μέθοδο που βασίζεται στην παράσταση
(25) της σ. Poisson(Λ), όπως θα διασαφηνισθεί στη συνέχεια.
Τα προαναφερθέντα "πλεονεκτήματα" της σ Poisson επαυξάνονται
από το γεγονός ότι με κατάλληλο προκρούστειο μετασχηματισμό του χρόνου
ί μ ια στοχαστική ανέλιξη (σα) X (t), i ≥ θ , με ανεξάρτητες και στάσιμες
 55

προσαυξήσεις καθώς και κ λ ιμ α κ ω τές δειγματοσυναρτήσεις^ είναι ο.

Poisson. Αυτό διατυπώνεται στο εξής:

θεώ ρημα 4. Έστω {N(r), t ≥ 0} απαριθμήτρια σα με (ί) α νεξά ρτητες

προσαυξήσεις (Η) δειγμ α το συνα ρ τήσεις που είναι κλιμακωτές μη
φθίνουσες συναρτήσεις μ ε θ ετικά π ηδήμα τα ύψους 1, και (iii)
μεσοσυνα ρτηση m (t) (πρβλ (31)) συνεχή αύξουσα συνάρτηση του t. Τότε
η νέα (χρονοπαραμετρικά μετασχηματισμένη) απαριθμήτρια
7√'(τ) = Ν, (Γ) όπου Γ(τ) = inf{sι∕∏(1s) = τ), (35)
με τον π ρ ο κ ρ ο ύσ τειο χρ ό νο τ = m"'(f), είναι ανέλιξη Poisson, με
P [N , (τ) = A'] = e-r ⅛ , ∕r = 0,1,2...... (36)
k∖
Για απόδειξη παραπέμπουμε στον Feller [7], σ. 178, όπου ουσιαστικά
αποδεικνύεται (βλ κ α ι Buhlmann [ ], σ. 39) και το εξής

θ εώ ρ η μ α 5. Έστω {Ar (i), t >0} με

α) Χ (0 ) = 0
β) ανεξάρτητες κα ι στάσιμες προσαυξήσεις
γ) κλιμακωτές δειγματοσυναρτήσεις, και
δ) μέσο αριθμό πηδημάτων πεπερασμένο σε κάθε πεπερασμένο διάστημα.
Τότε η Χ (ί) είναι σ. Poisson, με σκ της μορφής (33), για κάποια F
και Ν = JV(r) ανέλιξη Poisson, με κατανομή την (30) για κάποιο Λ > 0, ή
ισοδύναμα με κ α τα ν ο μ ο γεν ν ή τρ ια (πγ ή ργ) της μορφής (10), με λt αντί λ.
Ως παράδειγμα προκρούστειου χρόνου έστω η μεσοσυνάρτηση
∕n(t) = λ(
της απλής Poisson (χωρίς να σημαίνει ότι η N (f) είναι ανέλιξη Poisson).
Τότε η (35) δίνει αμέσως
τ
= ^7> ∕≥ o ,
Λ
ώστε η προκρούστεια αλλαγή της κλίμακας (μετρήσεως του) χρόνου να
σημαίνει α πλά "διαίρεση" της αρχικής χρονικής μονάδας με το λ. Π.χ. αν
Λ = 24 τότε οι (αρχικά) ώρες μετράνε σαν μέρες κ.ο.κ. Πράγματι γενικά
μια αλλαγή της κλίμακας χρόνου (ή και χώρου) συχνά ανάγει μια γενική
στοχαστική ανέλιξη σε μια πιο απλή στάσιμη ανέλιξη. Αν η τ(r), π.χ., είναι
αύξουσα μπορούμε να θεωρήσουμε, αντί της Λ"(r), την
r ( O = JV(τ(O),
πράγμα που κατ'αρχήν δ ια τ η ρ ε ί την ανεξαρτησία των προσαυξήσεων και,
επιπλέον, με κ α τ ά λ λ η λ η επ ιλ ο γή το υ τ, η νέα α νέλιξη μ π ο ρ ε ί να έχει

1 Βλ. (2], Κεφ. 2 και 4.

56

κ α ι στάσιμες προσαυξήσεις. Πρακτικά, την τ(t) εισηγείται η φύση του

φαινομένου. Για παράδειγμα, σε τηλεφωνικό κέντρο μερικές νυκτερινές
ώρες δεν συγκρίνονται με ώρες αιχμής. Έτσι οδηγούμεθα στη μέτρηση του
χρόνου με διαφορετικές μονάδες ώστε ο αναμενόμενος αριθμός
τηλεφωνημάτων ανά μονάδα χρόνου να παραμένει (περίπου) σταθερός.
Ομοίως, όταν ο ρυθμός ατυχημάτων και συνεπώς της συσσωρευμένης ζημιάς
αυξάνει, η απώλεια της στασιμότητας (της S l ) μπορεί να αναπληρωθεί από
την εισαγωγή κατάλληλου επ ιχειρ η σ ια κού (ασφαλιστικού) χ ρ ό ν ο υ στην
μέτρηση της N ( t ) , ώστε τελικά να δικαιολογείται το στοχαστικό μοντέλο
της σ. Poisson για την S∖. ή S K / .

6. Υ π ο λ ο γ ισ μ ό ς της Κ α τα νο μ ή ς της S

Γενικά ο υπολογισμός της κατανομής της S μπορεί να γίνει με χρήση

των βασικών τύπων (33) κ α ι (34), ενώ γ ια διακριτές ζημιές X με τιμές
X 1, Λ ,,..., A' 01 μπορεί να γίνει χρήση της ε ν α λ λ α κ τ ικ ή ς μ ε θ ό δ ο υ που
στηρίζεται στην παράσταση (25) κ α ι το Θεώρημα 2. Γ ια διασάφηση δίνουμε
το

Π α ρ ά δ ε ιγ μ α 6 .1 . Έστω ότι η S έχει σ. Poisson(λ) με λ = 0,8 κ α ι σπ

ζημιάς f ( x ) = P[Λ r = A, ], Χ = 5,10,15 κα ι
Λ5) = i , ∕( 1 O ) = ∕∙( I5 ) = ∣ .

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

X ∕ , , (x) = Λx) f 2 (x) f * , Cv) r ω f 'iω g(χ) G (x)

0 - - - • - 0,449 0,449
5 0,25 - - - • 0,090 0,539
10 0,375 0,063 - - - 0,144 0,638
15 0,375 0,187 0,165 - - 0,162 0,845
20 - 0,328 0,070 0,004 - 0,050 0,895
25 — 0,281 0,176 0,023 0,001 0,047 0,942
30 • 0,141 0.264 0.076 0.007 0,031 0,973
η 1 2 3 4 5
Ρ(η) 0,359 0,143 0,038 0,008 0,001
 57

Βλέπουμε ότι η P[S> 30] = 1-0,973 = 0,027· για συνολική ζημιά χ­

άνω του 30 (χ = 30,35,...) οι πιθανότητες είναι μικρές.
Ας δούμε τώρα την εναλλακτική μέθοδο, βάσει της (2.5) και του
Θεωρήματος 2. Εδώ έχουμε m = 3, x l = 5, x j = 10, x3 = 15, λ = 0 ,8 ,
π 1= 0,25, π 2= 0,375, π 3= 0,375, ώστε οι N l ,N 2 ,N 3 να είναι Poisson(λ,), με
λ, = λπ|= 0 ,2 , λ-, = Λπ?= 0,3, λ 3 = λπ 3= 0,3.
Οι αντίστοιχοι υπολογισμοί φαίνονται στη

Δ ιά τ α ξ η 2. Ε ν α λ λ α κ τ ικ ή Μ έθοδος Υ π ολογισμού

(1) (2) (3) (4) (5) (6)

χ Ρ[5Ν, = χ] P[10ΛΓ3 = Χ P[15N3 = X P[57√l +10∕√ 2 = χ] S(×) = (4) * (5
= (2)*(3)
0 0,819 0,741 0,741 0,607 0,449
5 0,163 - 0,121 0,090
10 0,016 0,222 - 0,194 0,144
15 0,001 - 0,222 0,037 0,162
20 0,000 0,033 • 0,031 0,050
25 0,000 - - 0,006 0,047
30 0,000 0,003 0,033 0,003 0,031
k 1 2 3
0,2 0,3 0,3

→ ι (°∙ 2 )" , (0.3Γ ° (0 .3 Γ j

(x ∕5 )! (x ∕10 )! (Λ /15)
1

Η τελευταία στήλη (6) δίνει τη g(x) = P[S2√l + 10N2 + 157√3 = x]. Η

τελευταία γραμμή δίνει τις P[x 1 N i , = x].
Ο * στις στήλη (5) και (6) σημαίνει την συνελιξιακή πράξη: για παράδειγμα
στη στήλη (5), η (2)× (3) σημαίνει "συνέλιξη" των στηλών (2) και (3), δηλ.,
π.χ., για x = 10, θα έχουμε
P[5N l +10W 2 =10] = P[5N, =10, 10N 1 = 0] + P[5N l = 0, 10Ν, = 10]
= P [5 N 1 = 1O]P[1QN2 =0] + P[5N J = 0, 1QV, = 10] (36)
= 0,016×0,741 + 0,819×0,222 = 0,012+0,182= 0,194,
με την ίδια δηλ. ακριβώς συνελιξιακή έννοια δυο τμ (βλ. [1] Κεφ VI) δύο
διακριτών και ανεξάρτητων τμ JV1 κα ι X i ∙.
P(∙v) = P [X l + Λ , = χ] = £ Ρ[X, = χ l t χ , = x - X1] = ∑ P [ x = x,]P[X 1 = X - X,)
= ∑ P [X l = x - x , m , = x , ] ' (37)
 58

Σημειωτέον, επίσης, ότι στην τελευταία γραμμή της Δ ιά τα ξης 2, οι

πιθανότητες των στηλών (2), (3), (4), βρέθηκαν από τις

P[x l N i =x] = P N l / = 1,2,3,

δεδομένου ότι οι N l είναι Poisson(λ,) και μάλιστα ανεξάρτητες, πράγμα

που χρησιμοποιήθηκε στην συνελιξιακή πράξη στις στήλες (5) κ α ι (6):
(5) = (2) * (3), (6) = (4) * (5) = (2) * (3) * (4).
Η εναλλακτική αυτή μέθοδος είναι εύχρηστη αν το m , ο αριθμός των
τιμών που παίρνει η ζημιά X, είναι μικρός. Αλλιώς ο υπολογισμός γίνεται
μάλλον επίπονος 1.
Γ ια μια σ. Poisson υπάρχει και η α ν α δ ρ ο μ ικ ή ή α ν α γω γικ ή
υπολογιστική μέθοδος. Εδώ υποθέτουμε ότι τα x l ε ίν α ι Θ ετικ ο ί α κέρα ιο ι
κ α ι θέτοντας, όπως και στην εναλλακτική μέθοδο,
λ, = ¼ , ∕ = 1,2,... (38)
έχουμε την υπολογιστική

Π ρ ό τα σ η 3. Η σπ g(x) της S = S fj δίδεται (αναγω γικά) από τις

s M = ∑ ⅛ ( λ ~∕)> * = 1,2,...
i≤x Λ
£(0) = Ρ[$ = 0] = Ρ[Ν = 0] = e^i .

Α π ό δειξη . Το δεξιό μέλος της (39) γράφεται, δυνάμει κ α ι της (38),

∑ ⅛ ( χ - ') = Σ ⅛ ∑ e ' i ⅛^ r ' c * " y >
∕≤X Λ i≤X X D≡=0 ” ·
Λ+,
= Σ- e ' j l2l T ∑ -r V * β ( Λ - ∕) . (40)
n∖ ! X
Α λλά από την ισοκατανομή των X n για κάθε i = 1,...,Λ +1,
2 ∕ π ∕ , '(Λ)∣r l**, , (x) = i ( X i ∣5. = ΛT) = ^ - , k = i.....π ,
I n-r 1
με αποτέλεσμα το τελευταίο μέλος της (40) να γράφεται ως
∑ = -j - ⅛ ^ ∙ ∙ ,,ω = i ( Λ ) .
Λ≡O (π + 1) I

Ε φ α ρ μογή. Σ το παράδειγμα 6.1, παίρνοντας ως τιμές του X τις

y t = ~ = /, / = 1,2,3 α ντί των x l = 5/ έχουμε, από την (39), με γ α ντί λ', τις

^Cy) = ~ (θ ,2 ^ (y —1) + 0,6Γ(7 - 2 ) + 0 ,9 g (y -3 )), y = l,2,... .

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,...

7. Προσέγγιση της Κατανομής του S

Το κλασσικό κεντρικό οριακό θεώρημα (ΚΟΘ) μπορεί να εφαρμοσθεί

για την προσέγγιση της κατανομής της συνολικής ζημιάς
5 β = Χ ,+ ...+ Χ Λ
ενός πορτοφολιού η ατόμων όταν το η είναι αρκετά μεγάλο.
Αν μ = E ( X l ) κ α ι Δ ( X l ) = σ 1 t τότε το τυποποιημένο άθροισμα

(⅜ ) σ -√ησ n -∙0

ή, συναρτήσει της σκ Φ της N (0,l),

Iim P[S o• ≤ χ] = Φ(x) = - =1 = rfe i du,

√2π Λ
Δ ιαισθητικά θα περίμενε κανείς να ισχύει κάτι παρόμοιο και για το
τυχαίο άθροισμα 5 Λ., με την έννοια ότι, τώρα το nμ≈ E (S c ) → <*> (όταν το
ZJ-→∞ ) θα αντικατασταθεί από το E (S N ) ≈ E (N )E (X ) = μΕ(Ν ) (βλ. (4))

για μεγάλες τιμές του μέσου αριθμού Ε (Ν ) των ζημιών (ζημιογόνων

γεγονότων). Π ράγματι, ισχύει το εξής Κ Ο Θ για τυ χ α ία α θ ρο ίσμ α τα (βλ.
Κεφ. 7, §13.3 του [1])

θ εώ ρ η μ α 6. Έστω X i , X j ,... ανισ. τμ με

μ E (X ) = E ( X l ) και Δ ( X l ) = σ2 , / = 1,2,...,
και ακολουθία θετικών ακέραιων τμ N l ,N 1 ,...,τέτοιων ώστε
Ν f
— → 1. (41)

Τότε το τυποποιημένο άθροισμα

S'li 5 Λ·. ^ F (.⅛1 4 ∕√ (0 ,1 ). (42)
=
^' σ(S f i ) —
Άμεσο ενδιαφέρον για τους σκοπούς μας εδώ, δηλ. να βρούμε καλές
προσεγγίσεις της κατανομής της S, έχει η περίπτωση των δυο σύνθετων
κατανομών, που δικαιολογήσαμε προηγουμένως ως εμπειρικά ενδεδειγμένες
κατανομές του S, της σ. Poisson(λ) και της σύνθετης αρνητικής διωνυμικής
N B (p ,r). Εφαρμόζοντας το θεώρημα, για τη σ. Poisson(λ) με το λ στο ρόλο
του ν κ α ι γ ια τη σ. N B (p ,r) με το rστo ρόλο του ν, συμπεραίνουμε σύμφωνα
κα ι με την (7), το

Π ό ρ ισ μ α 1. Αν η S N έχει σ. Poisson(Λ), τότε η

60

s ; = - ⅛ - ⅜ u- 4 N ( 0 ,l) . (43)
"' √ ΛE(Λ∙ , ) ' -

Επίσης λαμβάνοντας υπ0ι∣fη την (17) έχουμε το η

Π όρισμα 2. Αν η S li είναι σ N B ( p ,r ) i τότε η

.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 +

Π .χ ., για την σ Poisson(λ) βρίσκουμε

a = 4λm2 / m}, β = 2m 1 / zn3, A0 = λμ —2 λm 2 / ∏j j f
,
όπου θέσαμε m l = E ( X ) (J = 1,2,...).
Σχετικά με την Γάμμα-προσέγγιση (45) της S , δηλ. ότι
X

Λ∣(A ) = P[5 ≤ Λ ] ≈ J h(t∖x 0 )dt = H ( x ∣x 0 ), * > x0

0

παρατηρούμε ότι και πάλιν επιστρέφουμε στην κανονική:

θεώρημα 7. Αν a - ϊ ∞, β → oo και x 0 —> -∞ έτσι ώστε

d j
τότε η l ' ρ → N (μ 0 ,σ0 ).
 61

ΑΣΚΗΣΕΙΣ

1. Έστω ότι η συνολική ζημιά (αποζημίωση) εβδομαδιαίων τροχαίων

ατυχημάτω ν είνα ι σύνθετη Poisson με Λ = 2 και σπ ατομικής ζημιάς
p ( * ) = 0 ,lx Λ = 1,2,3,4.
Ν α δειχθεί ότι οι πιθανότητες P [S = P], k = 0,1,2,3,4 είναι e" 2 , 0,2e^ 2 ,
0,42e~ 2 , O,68e^2 , l,01e - 2 .

2 . Α ν η S ε ίν α ι σύνθετη Poisson(λ) με σπ ατομ. ζημιάς

∏x
p (x) = [-√ ∏ ( l-0 ) ]-, χ = 0 ,l,2 ........ O<0<l
χ
να δειχθεί ότι η <S είνα ι αρνητική διωνυμική με παραμέτρους ρ κ α ι τ.
1 Λ λ
p = ∖- θ , Γ = ---------------- .
—lo g ( l- 0 )

3 . Α ν η S (1) ε ίν α ι σύνθετη Poisson (2) με

p ω (l) = p w (3) = 0,2, ρ (1)(2) = 0,6
κ α ι η S (2) σύνθετη Poisson (6) με
P i υ (3) = p<2>(4) = 0,5,
ποια η κατα νομή της S = S (1) + S f2∖

4 . Ν α δειχθεί ότι η σύνθετη Poisson(λ) με ζημιοκατανομή μ ( x ) , χ = 1,2,

κ α ι η σύνθετη Poisson (λ Ια ) με 3k
'a ρ ( χ ) x = l,2
p (x) =
U, x=0 ’
0 <α < 1

είνα ι ισόνομες. Π ω ς εξηγείται λογικά;

5. Επεκτείνετε τις (13) κ α ι (14) για Ν αρνητική διωνυμική.

6 * . Εξετάστε το S N ( I } , όπου αντί του 7√Poisson(Λ) η Ν (ί) είναι ανέλιξη

Poisson·

7 . Σ υ ν τ ε λ ε σ τ ή ς α π ώ λ ε ια ς R . Έστω 5 η συνολική ζημιά (αποζημίωση)

κ α ι G τα συνολικά ασφάλιστρα για δεδομένη ασφαλιστική περίοδο. Ο
λό γος S / G λέγεται συντελεστής απώλειας.
Αν G = (l + Θ ) E ( N ) E ( X ) = (↑ + θ)μE (N ), θ > 0 (κινδυνοφοβούμενοι
πελά τες, βλ. Κεφ. 1), να δειχθεί
P (7 V )V (X )÷ √ V (N )
1 “Γ U (μE(N )(∖+ Θ)1 )
κ α ι να βρεθεί η V(R) για σ. Poisson(Λ) και σ. N B ( p ,r ) i καθώς και οι
αντίστοιχες πιθανότητες (κατά προσέγγιση) να ζημιωθεί η εταιρεία:
 62

P[Λ > 1).

8*.Η πιθανότητα πυρκαγιάς σε κάθε ένα από 240 κτίσματα είν α ι ρ το δε

ύψος της αποζημίωσης, αν συμβεί πυρκαγιά, είναι ομοιόμορφα

κατανεμημένο στο διάστημα (0,√4]. Αν οι συνολικές αποζημιώσεις είναι
<$, να βρεθεί το διάστημα (μ t - 3σf , μ t + 3σ,):
(A) (50,5A, 69,5A) (Β) (48,4A, 71,6A)
(Γ) (45,0Α, 75,0Α) (Δ) (42,0Α, 78,0Α)
(Ε) (39,9Α, 80,ΙΑ).

9. Η συνάρτηση πυκνότητας πιθανότητας των συνολικών αποζημιώσεων,

3
είναι f(λ ) = — , 1≤ χ. Επιλέγουμε σταθερές θ > 0 και λ > 0 τέτοιες ώστε
Pr[S <(l + 0)E(S)] = P r[S < E (S ) + λ Var(S)] = =0,95. Π οια α πό τα
παρακάτω είναι σωστά;
I. θ - √ 2 0 -1 Π. Λ = 0√3 III. Var(S) = 2E(S)

(Α) Κανένα (Β) Μόνον το I (Γ) Μόνον το II

(Δ) Μόνον το IH (Ε) Μόνον τα I, II.

10. Για κάθε ένα από η ασφαλιστήρια, η πιθανότητα ζημιάς είνα ι —, το δε

2
ύψος της αποζημίωσης, αν συμβεί ζημιά, έχει συνάρτηση πυκνότητας
πιθανότητας Γ(x) = x, 0 < x ≤ y∣
2, Ο ασφαλιστής χρησιμοποιεί την
κανονική κατανομή για να βρει Θ>Q τέτοιο ώστε οι συνολικές
αποζημιώσεις 5 να ικανοποιούν τη συνθήκη Pr[S > (1 + 0)E(S)] = k . Αν
η τ.μ. Ζ είναι Λr (0,l) κα ι 0 < Λ < l γράφουμε ζ λ για τον αριθμό γ ια τον
οποίο P r ( Z ≤ z 4 ) = λ . Για δοθείσα τιμή του k, ποιο από τα π α ρ α κ ά τω
είνα ι η αντίστοιχη τιμή του &,
<Α > (Β ) ’ « ί · (Γ )

(Α) (Ε)

11. 'Εστω σύνθετη Poisson, κατανομή συνολικών αποζημιώσεων, S με λ = 5

κ α ι ρ(1) = 0,6, ρ(2) = 0,4. Ν α βρεθεί η τιμή του f i (4) με κ ά θ ε μ ι α από
τις τρεις μεθόδους υπολογισμού της σύνθετης Poisson (δηλαδή, με την
β α σ ικ ή μ έθ ο δ ο κ α ι μ ε τη ν ε ν α λ λ α κ τ ικ ή μ έθ ο δ ο κ α ι μ ε τη ν

* Ασκήσεις, όπω; αυτή, με πολλαπλή επιλογή (multiple choice) είναι από τις Αναλογιστικές Εξετάοεις.
 63

α ν α δ ρ ο μ ικ ή μ έθ οδο ). Τέλος, να επαληθευτεί το αποτέλεσμα καθαρά

συνδυαστικά (χωρίς τη χρήση συνελίξεων).

12. Ν α βρεθεί F j ( x j, η συνάρτηση κατανομής των συνολικών

αποζημιώσεων, αν Pr (Ν = 0) = Pr(7√ = 1) = Pr(N = 2) = -^ και

p(.r) = e " ', 0 < .τ .

(A ) l - l - e ^ x (Β) l - l χ e - ' (Γ) l - - ( x + l)e- '
3 3 3
(△) l - j ( λ + 2 ) e ~ x (Ε) l - ( x + l)e^j 4 .

13. Ν α βρεθεί η ργ M i (f), των συνολικών αποζημιώσεων, αν

Pr(N = n) = <g ÷ 2 × n + 1) ( 1 )
j n = 0 1 (2 > _ (p a s c a ])

κ α ι p ( x ) = e~x , χ > 0 .

14. Ν α βρεθούν E (S) κα ι σ2 (S), αν Pr(2√ = η) = p q n , η = 0,1,2,...

( 0 < ρ < 1, p + g = l), και το ύψος X μιας αποζημίωσης είναι
ομοιόμορφα κατανεμημένο στο (0,1).
E (S) σ 2 (S)
q (3 + p)q
(Α )
2ρ ∖2 p 2
q_ (3 + Ρ )?
(Β)
Ρ 12ρ 2
q (1 + p)q
(Γ)
2ρ 12 ρ 2
q_ Ο + p)q
(Δ )
Ρ 12p 2
q q
(Ε)
2ρ ∖2 p 2

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

η S 2 είν α ι σύνθετη Poisson με Λ = 1 και P 2 (A ) = 2 Χ = 1,2,3,.........

64

λ
Ποιό από τα παρακάτω είναι η p( ') για τη σύνθετη Poisson S l + S1
(S l ,S , ανεξάρτητες)^

16. Ο ι συνολικές αποζημιώσεις S έχουν E (S) = 27, σ, (S) = 44 κα ι τρίτη

κεντρική ροπή 176.
Ποιό από τα παρακάτω αποτελεί (μετατοπισμένη) κατανομή Γάμμα
προσεγγιστική της κατανομής της S;
(A) — <A'-5) ,0 e ÷ ,0
( Β ) _ L _ (A . _ 5 ) 3
x

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! ,

17. Δ υο χαρτοφυλάκια 1 και II διαφέρουν κατά το ότι το I έχει

προκαθορισμένα ύψη αποζημίωσης bκ , ενώ το Π έχει τυχαία ύψη
αποζημιώσης για τα οποία δίνονται οι μέσοι μ k. και οι διασπορές σ’ .
Sκ t>κ
2000 0,05 1
500 0,10 2
g i- Κ· σ1
nr
2000 0,05 1 1
500 0,10 2 4’
Ο
Ν α βρεθεί ο λόγος —y— , όπου S οι συνολικές αποζημιώσεις για το
σi (S)
κάθε χαρτοφυλάκιο.
17 Π 23
(A) (Β) ∏ (Γ) - (Δ) 2 (Ε) ⅛

18. Μ ια διαδικασία αποζημιώσεων περιγράφεται από Pr(7√ = ∏) =

= e~i -, n = 0,1,2,..., και Pr(JV = 0) = Pr(JY = 1) = —. Ποιό από τα
η! 2
παρακάτω είναι η σ,π. Pr(5 = η) των συνολικών αποζημιώσεων S;
 65

(a ) 5 - 'λ^
- ( B ) e .i. Δ3-∙ (∏ e
^ J∙
φ

( Δ ) Β- ^
n∣
(E) 3 ≡ .
nl

19. Η διαδικασία S είναι σύνθετη Poisson με λ = 4 και p ( x ) ≈ e ' , , 0 ≤ x .

Το ασφάλιστρο G ορίζεται ως E (S) + θJV ar(sj, Θ>0. Ο δείκτης
.9
ζημιών (loss ratio) R ορίζεται ως —. Ποιό από τα παρακάτω είναι

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

21. Μ ια σύνθετη αρνητική διωνυμική διαδικασία αποζημιώσεων δίνεται

από Pr(7√ = α) = 4(π + l)(∏ + 2 ) [ - l , Λ= 0,1,2,..., και

p(∙>-) = -----------, 0 ≤ χ ≤ 120.000. Να βρεθούν E(S) κα ι σ2 (S).

120.000
E (S) σ2 (S)
(Α ) 6 -104 45-10’
(Β) 6∙10 4 51-10’
(Γ) 9Ί04 99-10’
(Δ ) 9 -ΙΟ4 126-10’
(Ε) 9 -ΙΟ4 153-10’
 ΚΕΦΑΛΑΙΟ 4

ΑΝΑΤΟΚΙΣΜΟΣ - ΡΑΝΤΕΣ (ΒΕΒΑΙΕΣ)

1. Ανατοκισμός

Όταν ο τόκος μιας (τοκοφόρου) περιόδου (έτους, (συνήθως), εξαμήνου,

τριμήνου, μηνός, ημέρας κ.λ.π.) προστίθεται στο αρχικό, τοκιζόμενο, ποσό Ρ
(κεφάλαιο, principal) δίνει νέο τόκο στην επόμενη τοκοφόρο περίοδο, τότε
λέμε ότι το Ρ α ν α το κ ίζετα ι. Το επιτόκιο r - προς το παρόν - θα θεωρείται
σταθερό σ'όλη τη διάρκεια της τοκοφόρου περιόδου περιόδου.
Έστω r το (ετήσιο) επιτόκιο (interest rate) και ας υποθέσουμε ότι το
έτος περιέχει k α ν α το κ ισ τικ ές π εριό δο υς (π.χ. Ρ = 4 τρίμηνα, λ =365
μέρες, k= 2 εξάμηνα) με την έννοια ότι ο τόκος κάθε μιας α πό τις k
περιόδους προστίθεται στο αρχικό κεφάλαιο και («^ανατοκιζεται. Τότε
εύκολα επαληθεύεται ο εξής β α σ ικ ό ς τύπος το υ α ν α το κ ισ μ ο ύ :
Για το δεδομένο κεφάλαιο Ρ ανατοκιζόμενο με επιτόκιο i ανά
ανατοκιστική περίοδο (και r = k i ετήσιο επιτόκιο), η μ ε λ λ ο υ σ α (τελική)
α ξ ία Ρ ή το συσσωρευμένο κεφάλαιο F μετά η περιόδους ισούται με
( \ ο
1 + - -Ρ (1)
kJ
αφού η χρηματική μονάδα μετά παρέλευση κάθε περιόδου γίνετα ι 1+ /
(1 + Γ , μετά παρέλευση ενός έτους. Για σύγκριση απλού κ α ι σύνθετου τόκου,
έστω Ρ = 1.
Τότε ο συνολικός τόκος των η περιόδων ισούται με
i ∙ - l = [(l + ⅛ '- l ] = m + P j ∕≈ + ...

που, προφανώς, είναι μεγαλύτερος του αντίστοιχου α π λ ο ύ τ ό κ ο υ ηί. Το

πόσο μεγαλύτερος εξαρτάται κυρίως από το η α λ λ ά κ α ι από το ΐ. Για
μικρά η και ϊ η διαφορά είναι με καλή προσέγγιση, ο όρος
0 , - 1
' , ≈ y '> ( " - i ) ∙

Π α ρ ά δ ειγμ α 1: Οι Ολλανδοί εξερευνητές της Αμερικής αγόρασαν το

Manhattan (τη σημερινή καρδιά της Νέας Υόρκης, τότε New Am sterdam )
 67

από τους Ινδιάνους αντί $24 το 1626. Τα $24 ανατοκιζόμενα με 10%

επιτόκιο ετήσια, μετά 368=1994-1626 έτη θα ανήρχοντο στο ποσό
-Γ=$24(1 + 0,1)3Μ =S49,6×10 l5 ≡ $49,6 τετράκις εκατομμύρια.

Π α ρά δειγμα 2 : Επίδραση της συχνότητας των ανατοκιστικών

περιόδων.
Ν α βρεθεί η μελλοντική (συσσωρευμένη) αξία ποσού $1000 σε 10
χρόνια με επιτόκιο 8%, ανατοκιζόμενου (α) ετήσια (β) εξαμηνιαία (γ) ανά
τρίμηνο (δ) ανά μήνα (ε) ανά εβδομάδα (στ') ημερήσια.
Σύμφωνα με τη σχέση (1), βρίσκουμε τα εξής:

Ανατοκιστική Αριθμός Συσσωρευμένη (μελλοντική)

περίοδος περιόδων αξία σε 10 χρόνια

έτος 10 1000 × (l + 0.08), ° =2158,92

εξάμηνο 20 1000 X (1 + Ο.Ο4)20 =2191,12
τρίμηνο 40 1000 X (1 + 0.02)40 = 2208,04
μήνας 120 1000 X (1 + 0.08 /12)120 =2219,64
εβδομάς 520 Ί 000 X (1 + 0.08 / 52)52° =2224,17
ημέρα 3650 1000 X (1 + 0.08 / 365)365° =2225,35

Φυσικά με απλό τόκο η μέλλουσα αξία, είναι

F = τ 0 κ o ς + P = P n r + P = P ( l + ar),
P = 1 0 0 0 × 0 ,0 8 × 1 0 + P = 1800.
Εξετάστε τη σχετική αύξηση του F σε σχέση με τον αριθμό περιόδων.

1.1. Χ ρ ό ν ο ς διπ λασ ια σ μού του κεφ α λαίου.

Εδώ ζητούμε τον αριθμό η των ανατοκιστικών περιόδων ώστε

F=2P, ή (1 + 7 / = 2 , (2)
από την οπ οία , λογαριθμίζοντας, βρίσκουμε
log2 0,693 0,70
η = ---- ---- = — i----- ≈ - — , (J)
log(l + 7) log(l + 7) 7
επειδή, γ ια μικρά 7, log(l+l)≈l (γενικά ισχύει: log(l+l)<i) (αφού
e '= l + ∣+ ∣ z ∕2 + ...) . ∏ .χ,, αν r=10% και k = 4 , ώστε 1=0,10/4=0,025, θα
έχουμε από την (2)
0,693 0,70 „ „
η = ----------- Β -------- =28
0,02469 0,025
δηλ. απαιτούνται 28 τρίμηνα, (7 χρόνια), περίπου (1,02528 =1,996495).
 68

1 .2 . Σ υ νεχή ς Α νατοκισμός: Άπειρες ανατοκιστικές π ερίοδοι

Σύμφωνα με τον τύπο (1), η μέλλουσα (συσσωρευμένη) α ξ ία μιας

χρηματικής μονάδας ύστερα από η ανατοκιστικές περιόδους (με επιτόκιο
περιόδου ί ) είναι

όπου r το ετήσιο επιτόκιο και k ο αριθμός των ανατοκιστικώ ν υποπεριόδων

του έτους. Έστω λοιπόν t = — έτη η όλη τοκοφόρα περίοδος. Α ς υποθέσουμε

ότι το k —> ∞ (οπότε κ α ι το η -÷ °®). Τότε έχουμε συνεχή (α ν ά πάσα

στιγμήν) ανατοκισμό και η μέλλουσα α ξία της μονάδας μετά t έτη θα είναι
ίση με
\Λ / -I

( 1 +—
kJ
= lim [l + -7-∣
i →A kJ
=er' (5)

Φτάσαμε δηλ. στο εξής αποτέλεσμα για συνεχή ανατοκισμό:

Α ρ χ ι κ ό κ ε φ ά λ α ιο Ρ α ν α τ ο κ ιζ ό μ ε ν ο συνεχώ ς μ ε ε π ιτ ό κ ιο r μ ετ ά t
έτη γίνεται ίσο με
F=P er, (6)
Συνεπώς, το π ρ α γ μ α τ ικ ό ή ισοδύναμο ετήσιο (effective) επιτόκιο rc ,
συνεχής ανατοκισμό είναι, (από την (5) με /=1).
, r2 ri
r ≈ e - l = r + ----- — ÷ ... ,
° 2! 3!
ώστε για συνηθισμένα r < 0 .1 , παραλείποντας τους όρους Γ 5 ∕3 ! + . . . ,να
έχουμε καλή προσέγγιση παίρνοντας το

Ιδια ίτερα πρέπει να σημειωθεί η καταπληκτική επίδραση του ί στο F για

μ εγά λα t ακόμα και στην περίπτωση του ασυνεχούς (περιοδικού)
ανατοκισμού, σύμφωνα με την (4), όπως δείχνει το Π α ρ ά δ ειγμ α 1.

1 .3 . Έ νταση α να το κ ισ μ ο ύ.

Έστω νόμ ος α ν α τ ο κ ισ μ ο ύ (ανατοκιστική συνάρτηση) K (f)t

(συσσωρευμένη α ξία τη στιγμή ί αρχικού κεφ αλαίου 7f(0)). Τότε ορίζοντα ι:
∕∙ ∖ τ ∕< ' ( 0 , . K ( t + s ) - K ( t )
(1) 7Έ ντα σ η α ν α τ ο κ ισ μ οf ύ :r δ. = ------ = l ι m ----------- ------- —
K ( t ) ~o s K (t)
(Η) Τ ό κ ο ς π ερ ιό δ ο υ (t,t + 5]: tIl = K (t + ε ) -K ( t)
(ϊϊί) Π ρ α γ μ α τ ικ ό η ισ οδύ να μ ο ( e ffe c t iv e ) ε π ιτ ό κ ιο π ε ρ ιό δ ο υ ( t , t + s ) :
= ^ ( ∕÷ s ) - X ( Q
' ' sK (t) s K ( f)
 69

όπου, l I l παριστά τον τόκο οτο διάστημα (t,t + 5].

Αν στην (ί) πάρουμε K (0)= l, βρίσκουμε τις εκφράσεις του K(t)∙.

(iv) K(t)≈c×p ∣δt ds

_0
t
(v) K ( t) ≈ ∖+ ∣δ f K(s)ds.
0

Ακόμα προκύπτει από την (Hi) ότι

lim .i. = δ,.
Τέλος, η (iii) μπορεί ν α γραφεί
i^ t = sh ' s , K (J )>

που είναι της γνωστής μορφής

Τόκος = E(πιτoκιo) × Χ(ρόνος) × Κ(εφάλαιο)
και "δικαιώνει" την ονομάσία του s il .
Για 5 = 1 (περίοδο μοναδιαίας διάρκειας, συνήθως έτος), η (iii) γίνεται
. _ . √⅜C(f + l)~7C (∕)
' 1, Χ (0 (7)
Από την (iii) έχουμε τη

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

δ ,= 5 V i, ,Z ,= < √ '(e " -l), , ∕ , = ^ ≤ , i ,= e i -*∖ ,

s
ώστε στον βασικό τύπο ανατοκισμού (1) να έχουμε (βλ. (4), (5) κ α ι (7))
K{t} = es , = (1 + 7), , με δ = i∏(l + 7), i t = 7, (7)4
(βλ. και Ασκ. 2) έχουμε δηλ. ένταση ανατοκισμού <5κ α ι ετήσιο πραγματικό
επιτόκιο 7, συνδεόμενα ως εξής:
i = ' ι - 1= ∑ ⅛ , δ = in (l+ ί) = ∑ ( - 1 ) , *' 4 '
1=1 1^1 Λ
γ)κ (i)= ι+ v ιr, 0 ≤ i≤ ¾ o δ ιτ ει'∞

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 > —\

K (t) = e0fi5 t , 0 < t≤ 1 0 ,

0,20 0,03
'∕C (f) = e e ', I 0 ≤ r≤ 2 0 ,
συνάρτηση συνεχής στο t = 10, αλλά χωρίς παραγωγό εκεί, αφού δ = 0,05
πριν (αριστερά) και δ = 0,03 μετά (δεξιά) και οδηγεί σε
<5r =O,O5, 0 < ∕< 1 0 ,
δl =0,03, 10< f≤ 20.

2. Ράντες (A nnuities, Rentes)

Μια ακολουθία (σειρά) ισόποσων πληρωμών (δόσεων),

καταβαλλόμενων σε ίσα χρονικά διαστήματα (περιόδους) λέγετα ι ρ ά ν τ α 1
(annuity), π.χ. καταβολές ενοικίου (rent), τόκων υποθήκης, ομολόγων,
μερισμάτων μετοχών, ασφαλίστρων ζωής, δόσεων για απόσβεση χρέους κ.λπ.
Πριν εξετάσουμε την παρούσα κα ι μελλοντική (συσσωρευμένη) α ξ ία μιας
ράντας, εξετάζουμε ο συναφές πρόβλημα της απόσβεσης ενός χρέους με ίσες
περιοδικές δόσεις. Ράντες στις οποίες δεν υπεισέρχονται τυχαίες μεταβλητές
(δηλ. με χρόνο και επιτόκιο σταθερές) αναφέρονται ως β έ β α ιε ς (certain).
Τυχαίες ράντες θα εξετάσουμε στο επόμενο κεφάλαιο 5.

2.1. Απόσβεση (A m ortization) χρέους. Η εξόφληση χρέους Ρ με σειρά η

(μελλοντικών) δόσεων τις στιγμές l,2,,.,,n (λη ξιπ ρ ό θ εσ μ α ) ή 0 ,l,...,n -l

1 Ο επικρατέστερος όρος στα Ελληνικά, προερχόμενος από το λατινικό redd∕ia=αvταπ0δoση (rente,

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

{π ρ ο κ α τα β α λ λ ό μ εν η ρ ά ντα ) λέγεται απόσβεση του χρέους. Αν / είναι το

επιτόκιο ανά περίοδο (καταβολής της δόσεως), τότε η περιοδική
καταβλητέα δόση R, π.χ., στη ληξιπρόθεσμη ράντα βρίσκεται από τον τύπο
(βλ. §2.2 παρακάτω),
Ρ ]-(1 + / Γ _ 1 - υ ·
Λ = --- , α ~ ι -------- - ----= — :— , (ο)
σ —। ‘i t ι
Λ/
όπου συμβολίζει την παρούσα α ξία ληξιπρόθεσμης ρ ά ν τ α ς k
μοναδιαίων καταβολών τις στιγμές 1,2,...Λ, το v ≡ (I + ∕) " l αναφέρεται ως
συντελεστής προεξόφλησης.
Ο τύπος (8) επαληθεύεται εύκολα αν σκεφθούμε ότι η ν-οστή δόση
μεγέθους R t καταβαλλόμενη στο τέλος της j -περιόδου, έχει πα ρούσα α ξ ία
(present value)

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)*

Π α ρ ά δ ε ιγ μ α 3. Δάνειο 8.000.000 δρχ. για διαμέρισμα θα εξοφληθεί

με μηνιαίες ληξιπρόθεσμες δόσεις σε διάστημα 3 ετών με επιτόκιο 9%. Πόση
είναι η μηνιαία δόση;
Εδώ έχουμε
Ρ = 8.000.000, 7 = 0,09 /12 = 0,0075 (επιτόκιο περιόδου πληρωμής),
Λ = 3× 12 = 36 (αριθμός δόσεων).
Από πίνακες βρίσκουμε
α Ju =31,, 4465,’
ώστε, από την (8), η μηνιαία δόση
„ Ρ 8.000.000 i
R = — = ----------- = 254.400 δρχ.
aa 31,4465
Σημειώστε ότι τελικά, σε διάστημα 36 μηνών, θα έχει καταβληθεί το
ποσό
254.400 × 36 = 9.158.400.
Φυσικά αν το ποσό αυτό ολόκληρο πληρωνόταν τον 36° μήνα (μετά 3
ακριβώς έτη) θα είχε (κατά την αγορά του αυτοκινήτου) αξία

1 Πιο απλά, θα γράφουμε a a ή απλώ; α β όταν "εξυπακούεται" συγκεκριμένο επιτόκιο ί

l
72

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.

2.2. Ληξιπρόθεσμες κα ι π ρ οκ α τα β α λ λ ό μ ενες ρ ά ντες. Γ ια δεδομένο

επιτόκιο ϊ, το — ≡ υ, η παρούσα αξία δηλ. μιας μονάδας πληρωτέας μετά
1 +7
ένα ακριβώς έτος (περίοδος), λέγεται σ υ ντελεσ τή ς π ρ ο εξό φ λη σ η ς (είναι το
ποσό που ανατοκιζόμενο για ένα έτος γίνεται 1), ενώ το λεγόμενο
π ρ ο εξο φ λη τικ ό επ ιτό κ ιο
d = iv = -r~ 7 = 1- ν < 1 (10)
j+1
είναι το ποσό που τοκιζόμενο μετά ένα έτος (περίοδος) γίνεται 7.
Ισοδύναμα, το d μπορεί να θεωρηθεί ως η παρούσα αξία του ποσού-τόκου i
καταβλητέου μετά μια περίοδο. Διαγραμματικά:
vT^l, v + cf = l → l + ∕ . (11)

Έστω P(t) η παρούσα α ξία τη ς μ ο ν ά δ α ς καταβλητέας μετά από t

ακριβώς έτη (περιόδους). Τότε, σύμφωνα με την (1),
P(i)(l + ∕) ' = P (t)∙ ν - = 1, δηλ. P (i) = √ (12)
Έτσι, για να πάμε στη συσσωρευμένη α ξ ία F (t) (μετά χρόνο ί) από
την παρούσα α ξία P(f) = F(0) πολλαπλασιάζουμε επ ί (1 + /) ', ενώ από την
F (i) "πάμε" στην Ρ(ί) διαιρώντας με (l + ∕) , .
Όπως είδαμε, μια σειρά από ίσες περιοδικές χρηματικές καταβολές
(δόσεις) λέγεται ρά ντα . Διακρίνουμε τις ράντες σε δύο είδη, εκείνες στις
οποίες οι πληρωμές γίνονται στην α ρ χ ή κάθε έτους (ή περιόδου)
(π ρ ο κ α τα β α λλό μ ενες ή προεξοφ λητέες ρ ά ν τες ) κ α ι σε εκείνες όπου οι
καταβολές γίνονται στο τέλο ς κάθε έτους (λη ξιπ ρ ό θ εσ μ ες ρ ά ν τες ).
Στην πρώτη περίπτωση οι, έστω, η καταβολές (δόσεις) (σε χρόνους
ο ,Ι.... π-1) έχουν συνολική παρούσα α ξ ία ίση με την π α ρ ο ύ σ α αξία
προεξοφ λητικής της ρ ά ν τα ς (πρβλ (8)‘)
l + v + √ + ...+ v 1- 1 = — — ≡ α a , (13)
1 -ν
και, από την (11), αφού d = 1- ν , έχουμε τον ενα λλα κ τικ ό τύπο
.. l - v fl
a ' ~ ~ (Μ)
Όπως είδαμε (βλ. (8)*) η παρούσα ά ξ ια τη ς λ η ξ ιπ ρ ό θ εσ μ η ς ρ ά ν τ α ς , με
δόσεις στους χρόνους 1,2,...,∏, είναι ίση με

। Πόσοι είναι οι τόκοι των 36 δόσεων μέχρι την εξόφληση;

 73

j „ 1—v n 1—v n 1—v π

v + v j +...+v n = v ------- = v -------- -- --------≡ a .,
d iv i
δηλ. έχουμε την εξής σχέση μεταξύ α Β και α Β
0f
l - v fl 1 - VΛ .. .. Ζ 1 _.
o = — — = ν —~ = va n < a π , (15)
(αφού ν < 1).
Σύμφωνα με την (12), από την (13) η συσοωρευμένη α ξ ία τη ς
π ρο εξοφ λη τικής ρ ά ν τ α ς 1 θα είναι ίση με

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)

2.3. Υ πολογισ τική προσέγγιση ράντας

Μπορούμε να προσεγγίσουμε ράντες, κάνοντας χρήση του τύπου

διπλασιασμού (2). Π.χ., αν r=7%, ο χρόνος διπλασιασμού είναι (περίπου)
70/7=10 έτη, v' 0 ≈ ±· από την (15)

1
1—ν 10 1~7

Όσον αφορά την παρούσα αξία της ά Β , έχουμε

α o = (l + ∕)α l 0 ≈ l,07×7,14 = 8.
Ανάλογες προσεγγίσεις μπορούν να γίνουν για τις s a , s a .

2.4. Σ υνεχείς ράντες.

Έστω συνεχής κα ι χρονικά ομοιόμορφη (χρονικά ισόποση) καταβολή

τέτοια ώστε -με δεδομένο επιτόκιο ΐ- η συσσωρευμένη (συνολική καταβολή
σε μ ια μ ο ν ά δ α χρ ό νου (περίοδο) να ισούται με μια χρηματική μονάδα 2 .
Τότε η πα ρο ύσα α ξία της συνεχούς ρ ά ν τ α ς (πρβλ. (12)) η περιόδων είναι
a, = ∫ κ , Λ = ∫ e - ⅛ = i = ≤ , (18)

όπου <5ένταση του ανατοκισμού <5(βλ. (7) , ),

<5= -lo g v = log(l + ∕).
Ομοίως (βλ. Ασκ. 4) ότι η μέλλουσα αξία συνεχούς ράντας η περιόδων είναι
1 Όπως και για τα α Β , ά ο , γράφουμε s a αντί ⅛ ∣
∕ και s 0 avτi s m i .
3 Στ χρονικό διάστημα (t,t+d() καταβάλλεται το ποσό dl με παρούσα αξία (τη στιγμή t-0) ίση με υ , .
 74

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).

2.5. Αποτίμηση ράντας

Η αποτίμηση ράντας δεν είναι ανάγκη να είναι ανάγκη ν α γίνει στην

αρχή ή το τέλος (ή κα ι μέσα στο χρονικό διάστημα που γίνοντα ι οι
καταβολές) αλλά μπορεί σε οποιαδήποτε χρονική στιγμή L
Για παράδειγμα, η αξία τη στιγμή / = 10 μιας σειράς 20 καταβολώ ν
(μιας μονάδας ή καθεμιά) στους χρόνους (στιγμές) s = 0,1,...,19 είνα ι (βλ.
(13) (16))
⅜o + ⅞o = 0 + Ό ⅜o = υ ' s' 'ιo>
και γενικότερα, μπορεί εύκολα εξ ορισμού των α, ⅛', να δειχθεί ότι
(1 + ‘Ϋ a „ = s k + a n . lc = υ"~k 'sll .
(24)
Ας πάρουμε, π.χ., ένα / = 50, εκτός της περιόδου [0,1..... 19]
καταβολών. Τότε έχουμε αξία των εν λόγω καταβολών
(1 + lT s j6 = (1 + ∕) j0 α 10 = s i0 - su = (1 + /)” [(] + i) v >ai0 - ά„] (25)
ή ⅛O- ^ ∏ ( I +O M [( I + ∕) 2O⅝ - ⅝ ] .
 75

Πρέπει φυσικά να σημειωθεί ότι όλα τα ποσά, που υπεισέρχονται σε

μια αναλογιστική πράξη, να αναχθούν σε αξίες την ίδια δεδομένη χρονική
στιγμή. Εδώ βασικό ρόλο παίζει η λεγόμενη

Ε ξίσω ση α ξ ία ς : Για δεδομένη σειρά K l , / = 1,...,η κ α ι εισπράξεων

κ α ι πληρωμών (δηλ. θετικών και αρνητικών K j ) που γίνονται τις στιγμές
t,, / = 1,...,π, αντίστοιχα, αν η εξόφληση είν α ι "οικονομικά ορ&ή", τότε
ισχύει η εξίσω ση α ξία ς:
∑ K l v '∙= 0 . (26)
/«/
(Ο ασφαλιζόμενος θα ήθελε ∑ K l v'' ≥ 0 , ενώ ο ασφαλιστή, <0,
ώστε το "παιγνίδι" να γίνεται δίκαιο όταν ισχύει η (26)).
Έ να ισοδύναμο πρόβλημα είναι ο καθορισμός ενός μοναδικού ποσού Κ
καταβλητέου τη στιγμή t ώστε να έχει την ίδια αξία με τα K l , / = 1.....π,
καταβλητέα τις στιγμές t i ,...,t 0 . Τότε το Κ θ α ικανοποιεί την εξίσωση
K v' = ∑ K > ' 234 .
Αν τα υ, K l , t l είναι πάλι δεδομένα, α λ λ ά αντί του ζ δίδεται το Κ, τότε ο
χρόνος t ικανοποιεί την
t f ^ K l v , , ).

ΑΣΚΗΣΕΙΣ

1. Π οιά κατάθεση με ανατοκισμό είναι συμφερότερη;

α) 8% μηνιαία ή 9% εξαμηνιαία;
β) 10% ετήσια ή 9,5% συνεχώς;
γ) 18% ετήσια ή 18,80% μηνιαία;

2. Εξετάστε κατά πόσο οι σχέσεις

α ) (l + z)', 0 < ∕< l , β) e n , 0 < r < l
υποτιμούν ή υπερτιμούν τον τόκο για δεδομένο ετήσιο επιτόκιο r.
Ομοίως συγκρίνετε τις (1 + rk) , , (1+ r ) to , k > 0 , t > 0. Τι συμβαίνει όταν
το r → 0 ;

3. Δείξτε τις (16) και (17).

4. Δείξτε ότι η συσσωρευμένη αξία συνεχούς ράντας διάρκειας t περιόδων

είναι
76

- CΛ'-1
fi ’
I
5. Να δειχθείη (20), (Για τη d < δ εξετάστε το ∫(1 + x)~'dx).
ο

6. Να δειχθούν οι (αντίστοιχες τιον) (16) (17) κ α ι (19) γ ια τις

συσσωρευμένες αξίες ράντας.

7. Να δειχθούν οι (25) και (26), υπολογιστικά και συλλογιστικά.

8, Πρωτοδιοριζόμενος μαθηματικός δανείζεται 3.500.000 γ ια αγορά

αυτοκινήτου (χωρίς απόσυρση...!) με ετήσιο επιτόκιο 24%,
ανατοκιζόμενο, με το μήνα. Συμφωνεί να ξεπληρώσει (α π ο σ β έσ εί) το
χρέος του με (ληξιπρόθεσμες) μηνιαίες δόσεις των 100 χ ιλ . η καθεμιά,
α) Πόσο καιρό θα τον πάρει να ξοφλήσει το δάνειο; β) μετά 2 ± χρόνια

(30 μήνες) πόσα ακόμα οφείλει;

9. Η (α τέλ ε ιω τη ) ιστορία - π ερ ιπ έτα μ α ενός Ι.Χ .

Την 1/8/1979 ο Α έδωσε 190 χιλ. δρχ. για εκτελωνισμό (δασμό) του
αυτοκινήτου του και 60 χιλ. δρ. για πληρωμή των εκκρεμούντων από
τετραετίας (15 χιλ. ετησίως) τελών κυκλοφορίας. Ο εκτελωνιστής
απέφυγε ("μπάρκαρε") να εκτελωνίσει εμπρόθεσμα το Ι.Χ . κ α ι να
πληρώσει τα τέλη κυκλοφορίας (επεστράφη το ποσό αργότερα με
απόφαση Δικαστηρίου το 1983).
Αποτέλεσμα του μη εκτελωνισμού ήταν ο καταλογισμός προσθέτων
τελών (πρόστιμό για "παράνομη κυκλοφορία" του Ι.Χ.) γ ια όλο το
διάστημα 1976-1987 (11 έτη).
Κ ατά την εξαγωγή του (ατελώνιστου) Ι.Χ. την 1/8/1987, ο Α
κατέβαλε 400 χιλ. έναντι των προσθέτων τελών (πρόστιμου) καθώ ς και
όλα τα οφειλόμενα τέλη κυκλοφορίας (των 11 ετών 76-87) δηλ.
11X15 = 165 (υποθέστε ότι ήταν πληρωτέα, ληξιπρόσθετα, την 1/8 κάθε
έτους).
Ύστερα από εκδίκαση προσφυγής (σε Δ ιοικητικό δηκαστήριο)
επεβλήθη μηνιαία κατακράτηση 100 χιλ. (από τις αποδοχές) μέχρι την
εξόφληση του (υπολοίπου) πρόστιμου (που με τις μηνιαίες επιβαρύνσεις
102%, ανήλθε στα) 4.400 χιλ.! Η κατακράτηση άρχισε από 1/8/91 (κ α ι
συνεχίζεται).
 77

Υ π ό δ .: Υποθέστε (ετήσιο) επιτόκιο 16%, σε ετήσια βάση για όλα τα

ποσά (δασμός, τέλη κυκλοφορίας, κ.λπ) μέχρι την 1/6/95, και σε
μηνιαία βάση 1,5% (18% επιτόκιο) (μόνο) για τις μηνιαίες δόσεις των
100 χ ιλ . από 1/8/91 - 1/5/95

Σ η μ .: Π α ραλείπ ονται δικηγορικά, η απώλεια από την καθυστερημένη

(και μερική) επιστροφή των 250 χ ιλ . του εκτελωνιστή, κ .ά . καθώς και η
"ατίμητη" 15-χρονη ταλαιπωρία!

10. Δ η μ ο γ ρ α φ ικ ή εφ α ρ μ ο γή (του Νόμου Α ν α π α ρ α γ ω γ ή ς (5)).

Έστω ότι οι πρωτόπλαστοι (το ζεύγος Αδάμ και Εύα) έζησαν πριν 1
εκατομμύριο χρό νια . Ο πληθυσμός του 1975 σε (ζεύγη) ήταν 2.300 εκατ.
= 2n ' "ζεύγη". Μ ε την υπόθεση σταθερού ετήσιου ρυθμού r αυξήσεως του
πληθυσμού (ζευγών) α) Υπολογίστε το χρόνο διπλασιασμού του
ανθρώπινου γένους και συμπεράνετε ότι r = 22×10** =0,022 %ο β)
Υποθέτοντας ότι η θνησιμότητα d (όπως μέχρι τις αρχές του αιώνα σε
πολλά μέρη) ήταν d = 4%, δείξτε ότι τη (μέση) γεννητικότητα (ανά τους
αιώνες) έπρεπε να είναι
b = r + d ≈4O,O22%o.
Σήμερα, εκτός Α σ ία ς κα ι Αφρικής, b ≈ lθ%o και d = 8%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.

12. Π ό σ ο ι έ ζ η σ α ν (ή α π έθ α ν α ν ) επί της Γης! A ZJ1 είναι οι γεννήσεις το

χρόνο f l κ α ι τον χρόνο Λ > ζ , να δειχθεί ότι (με καλή προσέγγιση) ο
ετήσιος σ υ νεχή ς ρ υ θ μ ό ς αυξήσεως r δίδεται από την

ενώ ο σ υ ν ο λ ικ ό ς α ρ ιθ μ ό ς γεννήσεων στο διάστημα (i∣,f j ) είναι

∫ n 1e'<'-''i d ∕ = ^ ^ . (Η)
'ι
κ α ι, από τις (ί) και (Η), συμπεράνετε ότι οι ζήοαντες (γεννηθέντες) στο
( ζ , ∕ 2 ) είνα ι

1 Οι ιστορικοί τοποθετούν την γέννηση του Χριστού 2 πΧ!

78

(∏t n ∣)(G Q (ανεξάρτητο του r)

1∏∏, - 1∏∏1
Μ ε βάση τους αριθμούς τω ν γεννήσεων n l (t t ) σε 4 χρονολογίες
(άλλος Αδάμ!):

t (έτος) Γ ε ν ν ή σ εις

tl =600.000 πΧ 1 (Αδάμ)

rj = 6.000 πΧ 250 χιλ.

rs = 1.650 μΧ 25 εκατομ.

ί, = 1962 μΧ 110 εκατομ,

υπολογίστε τον συνολικό αριθμό Λ∕(1962) των (γεννηθέντων) μέχρι το

1962. Επαληθεύσετε ότι M l 962)=70,9 δισ.
Υπολογίστε το Λ^1962) υποθέτοντας ότι ο Α δ ά μ ε ίν α ι όπως στην Ασκ.
10.
Τ ι παρατηρείτε;
 ΚΕΦΑΛΑΙΟ 5

ΡΑΝΤΕΣ ΜΕ ΤΥΧΑΙΟ ΕΠΙΤΟΚΙΟ Ή ΧΡΟΝΟ

Ως τώρα, το επιτόκιο 7, και κατά συνέπεια ο συντελεστής

προεξόφλησης υ, η ένταση ανατοκισμού δ και το προεξοφλητικό επιτόκιο d l
δηλ. τα μεγέθη
υ ~ ~ - :, δ ≈ t n ( i + i), d = iυ (1)

θεωρήθηκαν σταθερές σ' όλη τη διάρκεια της τοκοφόρου περιόδου. Ωστόσο,

στην πράξη, π.χ. για λόγους κυμαινόμενου πληθωρισμού, οικονομικής
αστάθειας ή κ α ι κερδοσκοπικούς, το επιτόκιο i είναι τυχαία μεταβλητή
(θετική φυσικά με πιθανότητα 1).
Το γεγονός έχει άμεσες συνέπειες στον υπολογισμό της συσσωρευμένης
αξίας κ α ι γενικότερα μιας ράντας τη στιγμή (μετά χρόνο) t, είτε η ράντα
αναφέρεται σε σειρά καταβλητέων ασφαλίστρων ή συντάξεων (μηνιαίων,
ετήσιων κ.λπ), είτε σε χρεωλύσιο για απόσβεση δανείου, κ.ά. Επί πλέον στην
ασφάλεια ζωής (life insurance), κατά κανόνα μακροπρόθεσμου χαρακτήρα,
υπεισέρχονται τυχαία γεγονότα (μελλοντικά "συμβάντα", contingencies)
που δεν μπορούμε να προβλέψουμε π ότε θα συμβούν. Έτσι στην
αναλογιστική θεωρία α λλά και πράξη, τόσο το επιτόκιο ΐ όσο και ο χρόνος
t στους βασικούς τύπους παρούσας και μέλλουσας (συσσωρευμένης) αξίας
(της μονάδας), δηλ. τους (βλ. (12) Κεφ. 4)
P(t) = υ , = (1 + i γ t = e~£ ‘, (<5 = £η(\ + 7)) (2)
F (f)= (l + 7), = √ i , (3)
μπορούν να θεωρηθούν τμ, θα εξετάσουμε πρώτα την περίπτωση που το
επιτόκιο ί είνα ι τμ ή οπότε κα ι τα υ και δ μετατρέπονται στις τμ V και Δ ,
αντίστοιχα. Την περίπτωση τυχαίου χρόνου Τ και τυχαίου I θα εξετάσουμε
στην §4.

1. Τ υ χ α ίο Ε π ιτό κ ιο .

Σύμφωνα με τη θεωρία για την εύρεση της κατανομής συναρτήσεως

g (X ) τμ X από την κατανομή της X, μπορούμε, λόγω του αντιστρέψιμου των
σχέσεων (1), να επαληθεύσουμε την εξής (βλ. Κεφ. VI, § 11.1 του [1])
 80

Π ρότα ση 1. Έστω f, g και h οι σππ των τμ 7, Δ κ α ι V t αντίστοιχα.

Τότε έχουμε τις εξής σχέσεις μεταξύ των f, g, h:
α) Αν δίδεται η σππ f(i) του I, τότε
i( δ ) = e , f ( e '- 1), Λ ( υ ) = 4 η - )■ W
υ \ υ /
β) Αν δίδεται η σππ g(δ) της 21, τότε
Λ 0 = - ^ S ( ⅛ ( l + ∕) ) , Λ (υ )= -5 (-⅛ υ ). (5)
1+ 1 υ
γ) Αν δίδεται η σππ h(υ) του V, τότε
λ '>⅛(⅛)∙ (6)

Π α ρ ά δ ειγμ α , α) Έστω ότι η σππ του I είναι η ομοιόμορφη στο ( ∕ , , ∕ 2 )>

δηλ.
7 ( ∕) = - √ - ,
1 2 ~~ 'l

// X 1 1
Λ ( υ ) = - -------
j 2 - >2 U

β) Έστω ότι η σππ της 21 είναι η εκθετική

g (δ )≈ θ e - 9 δ , δ≥0.
Τότε, από την (5) βρίσκουμε
0
f{ i} = ~ g tl, J≥ 0 (Pareto),

ενώ η σππ του V είναι η

h(υ)=θυ e ~',

2. Τ υ χ α ία Π α ρούσα κ α ι Μ έλλουσα Α ξία .

Εκτός από τα 7, Δ κ α ι V, θα εξετάσουμε και τις αντίστοιχες τμ της

π α ρ ο ύ σ α ς α ξ ία ς V 1 καθώς κ α ι∙τη ς μ έ λ λ ο υ σ α ς (1 + 7 )’. Π.χ. γ ια δεδομένη
σππ g(δ) της 21, οι σππ των τμ X = V 1 και Υ = (I + 7) i = X ~ i , όπως κ α ι στην
Πρόταση 1, βρίσκονται:
<v(*)=77gf--i∏Λ 4 ( /) = - ^ 7 ^ )-
tx ∖ t ) tx ∖ t J
Με τον ίδιο τρόπο, οι σππ των X κ α ι Υ συναρτήσει της σππ / τ ο υ επιτοκίου
7, είνα ι
ι ~ ] 2-ι 1
∕∙ Λ-( Λ-) = - X √ ( Λ '- 1 ) . f r (.y') = - χ , Λ Α- ' - Ι ).
λ t
 81

Στη λεπτομερή θεώρηση των τμ X και Κ, θεωρώντάς το t ως

π α ρ ά μ ετρ ο (μαθηματική, όχι τυχαία, μεταβλητή), οδηγούμαστε στις
σ το χ α σ τικ έ ς α ν ε λ ίξ ε ις ' X (t), Y (t) , των οποίων η κατανομή θα οδηγούσε
σε αρκετές δυσκολίες, τόσο από θεωρητικής, όσο και από πρακτικής
πλευράς. Έ τσι περιοριζόμαστε στις αναμενόμενες (μέσες) τιμές των
V ' κ α ι (1 + J ) '. Από τις (2) και (3) έχουμε
Έ[(1 + J ) , ) = ^ ( e M ) = Λ7√i), * (V , ) = E(e- , ^ ) ≈ M λ ( - t) , (7)
όπου M Δ ( ∙) T∕ ρ ο π ο γ ε ν ν ή τρ ια (ργ) τη ς α να το κ ισ τικ ή ς έντασης Δ . Έτσι η
ργ Μ Δ ( ί) σ τ 0 (μελλοντικό) χρονικό σημείο t γίνεται το κ ο γεννήτρ ια (της
προσδοκώμενης μέλλουσας αξίας της μονάδας)· ενώ η τιμή Μ Δ (-Γ)της Μ Δ
στο ~t εκφράζει τη μέση παρούσα (r=0) αξία της μονάδας καταβλητέας
μετά χρόνο ί ή, ισοδύναμα, την παρελθούσα πριν χρόνο t (τη στιγμή -ί) μέση
α ξία τη ς μ ο ν ά δ α ς , καταβαλλόμενης σήμερα (τη στιγμή ί = 0).

Π α ρ ά δ ε ιγ μ α (Τ οκογεννητριώ ν) β) Έστω ότι η σπ του Δ είναι η

εκθετική
H 5 ) = e - ', 5>0.
Τότε βρίσκουμε
E [(1 + ∕) '] = M √ 0 = - ! - , o < r < ι , B (i∕') = M √ - r ) = - ! - .
1—t 1÷ ί
Παρατηρούμε μάλιστα ότι
B[(l + ∕ ) ' W ) = y - ^ - > l ,

σε αντιδιαστολή με τη σχέση (1 + Z)' V = e t l e - u = 1, ώστε να ισχύει η

£ [(e M )(e' M )] = 1< £ (e M )B(e“M ). (8)
Μ ία απλή, διαισθητική εξήγηση της ανισότητας (8) είναι το ότι οι τμ
e u κ α ι C^M ε ίν α ι αρνητικά συσχετισμένες, ώστε
C ov(e M ,e - M ) = £ ( e 'V M ) - £ ( e M )£(e" M )< 0 , (8)*
και ά ρ α
l - £ ( e M )£ ( e - M ) < 0 ή £ (e M )£(e- M ) > l ,
Η ιδιότητα αυτή είναι πράγματι γενική, δηλ. ανεξάρτητη από την
κατανομή της Δ , αφού ε ίν α ι μ ερ ικ ή περίπτωση της α νισότητα ς
E ( χ - ') ≥ ( E X y , t (X ≥ 0 ),
η οποία ε ίν α ι άμεση συνέπεια της λεγά μ ενης α νισότητα ς Jease∏ για
κυρτές συναρτήσεις τμ X δεδομένου ότι η g(x) = x^l είναι κυρτή συνάρτηση
για χ ≥ 0.

1 Βλέπε το ομότιτλο βιβλίο του αυγγραφέω;, [2] (βλ. Βιβλιογραφία).

82

Ορισμός. Μ ία πραγματική συνάρτηση g λέγεται κ υ ρ τ ή στο διάστημα Α

αν για όλα τα x ∣,x 2 στο Α και 0 ≤ λ ≤ 1 ικανοποιεί την
$ ( ¼ + (1 - λ)x 2 ) ≤ ⅛ (x 1) + (1 - A)^(Λ 1). (9)
Για διαφορίσιμες g , η κυρτότητα ισ ο δ υ ν α μ εί μ ε τ η ν g " ( x ) > O στο
Α . Α ν η (9) ισχύει με ≥ (αντί ≤), η g λέγεται κ ο ίλ η - ισοδύναμα, η g είνα ι
κοίλη αν η -g είναι κυρτή.

Α νισ ότη τα Jen sen . Έστω τμ X με ∕2 = J E '(Λ ')< OO κ α ι g κυρτή

συνάρτηση. Τότε
E [ g W ∖≥ g ( E X ^ g ( μ ) . (10)

Α π ό δ ειξη . Η εφαπτομένη της καμπύλης y = g ( λ ') στο σημείο ( μ ,g ( μ ) )

(βλ. Σχήμα) έχει εξίσωση

y = g(μ) + g ∖ μ)(× - μ) ≡ ^(χ)

και επειδή (από τον ορισμό της κυρ-

τότητας της g) βρίσκεται "κάτω " α ­
πό την καμπύλη y = g ( x ) , ισχύει η
ανισότητα i( x ) ≤ g ( χ ) , δηλ.

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).

Π α ρ ά δ ειγ μ α γ) Ομοιόμορφο Δ . Έστω

i(< S )= τ - ⅛ - , ⅝ ≤ < 5 ≤ ∙5 ,.
∂1 δ0
Τότε βρίσκουμε
√∣
' - ei ∙' i , i '
e- ∙ - e- <
E[(l + /)’ ] = M √ ∕) = — ■ , E ( V ') = M √ → ) = v -.
{A~⅝ )r
Ειδικά για 50 = 0, έχουμε
E[(l + Z ) ' = ^ j -, E ( V ') = ⅛ -

κα ι από τη γενική ανισότητα (3.2) έχουμε τη γενική α ν ισ ο -τ α υ τ ό τ η τ α γ ια

συνεχείς ρ άντες. Για κάθε δεδομένο επιτόκιο ΐ ή <5,
 83

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).

Ε ρ ώ τη μ α ·. Τ ί θα λέγατε για σχέση μεταξύ s κα ι a ανάλογη της (11);

3. Τ υ χ α ίο Ε π ιτ ό κ ιο Συνάρτηση του Χ ρ ό ν ο υ

Ω ς τώρα η σππ Γ ( ί) του (τυχαίου) επιτοκίου I υπετέθη ανεξάρτητη

του χρόνου ί. Π ιο ρεαλιστικά το I άρα και η ένταση Δ εξαρτώνται από τη
διάρκεια t της ανατοκιστικής περιόδου, ώστε να έχουμε J = I(t) = I l και
Δ = ∆ (t) ≡ Δ ,, t ε Τ , με σππ f l (δ). Μπορούμε μάλιστα να μελετήσουμε τα
∕ f , ∆ t ως σ τ ο χ α σ τ ικ έ ς α ν ε λ ίξ ε ις 1, α λ λ ά αυτό είναι εκτός των σκοπών του
παρόντος εισαγω γικού εγχειριδίου στον αναλογισμό.
Εδώ θα περιοριστούμε σε παραδείγματα επέκτασης των προηγούμενων
στην περίπτωση σππ g t (δ) αντί g ( δ ) , ώστε να φανεί η τυχόν επίδραση του ί
στις προκύπτουσες κατανομές, ιδιαίτερα των X - { I + I ) , και X ~ x = V , .
Έτσι εύκολα επαληθεύουμε τον εξής "πίνακα":

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

Όσον αφ ορά την αναμενόμενη παρούσα α ξία τυχαίας ράντας,

ληξιπρόθεσμης Α α , συνεχούς A β , και προκαταβαλλόμενης Ά α , έχουμε

(i) E (A a) = E
Λ -Ι Λ -Ι
(ii) E CA B) = E ∑ V ' = ∑ M √ → ),

1 β λ., π.χ. το βιβλίο Στοχαοτικές Ανελίξεις του συγγραφέα.

 84

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 ).

Ομοίως, για τιςμέλλουσες αξίες, έχουμε (βλ. §2.2, III)

i ( S .) = S ∑ M ,( 0 , B (S.) = ∑ Λ f√ i) , B ( S ,) = ∫ M √ ∕) Λ .
r«o t∙ι ο

Μέση ένταση παρούσας και μέλλουσας α ξία ς. Η διαφορά των τιμών

των E[(l + 7)'] και E (V f ) από τις [1 + E(7)]' και {E V ) , (βλ Ασκ 7) οδηγεί
στο ερώτημα: Ποια η τιμή του <5, έστω δη που δίνει σε χρόνο ί μέλλουσα
αξία ίση με £[(1 + 7)’], δηλ.
5[(l + ∕) , ] = 0 + ξ ) , i (14)
Επειδή δε η δ, θα διαφέρει από την αντίστοιχη δ για τη μέση παρούσα αξία
E ( V , ), γράφουμε δ* για την (14) και δla για τιγν
E(V') = exp[-ξ o f] (15)
ώστε να έχουμε από την (14)
exp[ξ⅛] = Ε (ε' Δ ) = Μ Α (ί), 5/ = ∣i∏ M √ i) (16)

και από την (15)

= (17)

Από την κυρτότητα της e~, x έπεται η ανισότητα

δ,a < E ( Δ ) < δ l5 , t> 0 (18)
καθώς και η
Jim δ,a = lim δ,s = E (Λ ) (19)

4. Επιτόκιο κ α ι Χρόνος Τυχαίες Μ εταβλητές.

Όπως ήδη αναφέραμε, όχι μόνο το επιτόκιο i μπορεί να θεωρηθεί τμ 1,

υπεισερχόμενη στην παρούσα ή μέλλουσα αξία (βλ, (2), (3), (7)), αλλά και
ο χρόνος 4 Για παράδειγμα, η στιγμή Τχ του θανάτου (βλ. Κεφ. 4) ατόμου
ηλικίας χ, (χ), είναι τυχαία μεταβλητή. Έτσι η παρούσα αξία της
καταβολής μιας χρηματικής μονάδας κατά την τυχαία στιγμή Τχ , έστω Τ,
του θανάτου του (χ) είναι η τμ υτ και η παρούσα αξία συνεχούς ράντας
μέχρι τη στιγμή Τ , είναι η τμ α τ . Κατά συνέπεια, το ενιαίο μαθηματικό
ασφάλιστρο (εφάπαξ καταβαλλόμενο σε ηλικία χ) για την ισόβια ασφάλιση
θανάτου του (χ) για την καταβολή μιας χρηματικής μονάδας για
"αποζημίωση" θανάτου1 τη στιγμή Τ είναι ίσο με την (πρβλ (7))
1 Αποθανάτωση!
 85

E (υ , )≈ E (e' , τ ) ≈ M τ (-δ ), (20)

Ομοίως, το ενιαίο μαθηματικό ασφάλιστρο για την ισόβια συνεχή ράντα
(που θα διακοπεί τη στιγμή 7) είναι ίσο με την (πρβλ (13))
E (5 r ) = j⅛ ∕∙( ∕) Λ (21)
0

όπΟυ f η σππ του Τ (βλ. Κεφ. 6).

Βλέπουμε ότι, από τη συμμετρία της υ, = e~t , t έχουμε τη συμμετρία που
εκφράζουν οι (7) κα ι (20):
E (V ') = M √ →), Ε ( √ ) = M r (-<5),
ενώ για την μέλλουσα αξία (1 + ∕) ' = υ ' t έχουμε:
E [( 1+ I ) i ] = M Δ (f), E[(l + ∕) τ ] = M τ (δ).
Όσον αφορά τη γενική περίπτωση όπου και οι δύο μεταβλητές ί κα ι t
είναι τυχαίες, η μέση τιμή της (διπλά) τυχαίας παρούσας αξίας της
μονάδας την τυ χα ία στιγμή Τ υπό τυχαίο επιτόκιο I είναι η
E(V r ) = B ( e - j r ) = M j r (-l). (22)
Αν οι τμ V κ α ι Τ είναι ανεξάρτητες τότε η (22) παίρνει τη μορφή
E ( V τ } ^ ET [M Δ ( - T ) } ≈ EΔ [M T {-Δ )], · (23)
από το ότι, γενικά, για τυχούσες τμ Λ, Υ και συνάρτηση g ( X ,Y )
E[g(X,Y')] = E r {E[g{.X,Y)∖ Y]}.
Εδώ θα αρκεστούμε στην διασάφηση της (22) με ένα

Π α ρ ά δ ε ιγ μ α δ) Έστω τυχαία ένταση ανατοκισμού Δ με σππ

H<5) = e A <5≥0
και ανεξάρτητος τυχαίος χρόνος Τ με σππ
f ( ∕) = - ( l + r ) , 0 < i< 1 0 .
60
Τότε έχουμε
JE(1∕') = - = M j (-r)
1+ /
και η (23) δίνει μέση παρούσα αξία της χρηματικής μονάδας ίση με
] X । 10 ।

(Γ F J^S ! Λ =√

Εύκολα διαπιστώνει ο αναγνώστης ότι η (22) δεν είναι και τόσον

υπολογιστικά βατή, αφού η κ α τα ν ο μ ή του γινομένου Χ Υ είνα ι γ εν ικ ά
δύσβατη.
86

Α Σ Κ Η Σ Ε ΙΣ

1. Έστω ότι το I ακολουθεί την ομοιόμορφη (διακριτή):

f(7 ) = - , 7 = 4-, k ≈ l ,...,n .
η
Η (8) εφαρμοζόμενη στην f ( f ) δίνει την ανισότητα

δη λ. τη γνωστή ανισ ότητα μ ε τ α ξ ύ α ρ ιθ μ η τ ικ ο ύ κ α ι α ρ μ ο ν ικ ο ύ

μ έσ ο υ

2 . Ν α δειχθεί ότι η διασπορά ( Var)

Var ( V ' ) = M Δ ( 2 t ) ~ M * ( t ) = σ 2 (t), Var [ ( ∕ + Z) , ] = σ 2 (→ )

3 . Α ν g (δ ) = θe β s , τότε η I είναι Pareto, με f (7) = -------Te∑r 7 ≥ 0 .

4 . Α ν g ( δ ) = e~δ , τότε η συσχέτιση p ( ( I + Z ) ', V ') = - j l - 4 t 2 (πρβλ (8)*)

5 . Α ν η σππ της Δ είναι η εκθετική g ( δ ) = e"i , δ > 0 , τότε

∏i + 1 Λ r l γ
W = Σ (-D t — = ∫— = ln ( 1+ ∏).
t≥o X +1 Q 1+ χ

^ (A Γ ) = ∑ ( - i) h - —
ι≥o (A' + l)(A '+ 2 )

6 . Αναπτύσσοντας σε σειρές, να δειχθούν:

tt) £ ( A ) = ∑ ( - l ) l ^e ^4 , ~σ ι (n - 1),

β ) E M ∏ ) = Σ ( - l ) , ^ P < ' 1∙(n ).

A ≥0 Λ !

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 -

1 Ας ε∏aληθευaouv (π.χ. επαγωγικά) την έκφραση αυτή του α t (η) οι ενδιαφερόμενοι...

 87

β) Γ ια ∕ 0 ≡ 0 , 1, σε συμφωνία με την ανισότητα Jensen, βρίσκουμε

5(1 + 7) i0 = 3,048 > (1 + E ( I) ) i0 = l,05 ao = 2,653
ενώ για t = I ισχύει
5(1 + 7 ) = 1 + 5 ( 7 )= 1 ,0 5 .
γ) * ( V ' ) = ¾ L .

για ∕ 0 = 0,1, 5 (V a o ) = ο,440 > γ ^ i o ≡ 0,377

ενώ γ ια t = 1, 5 (V ) = 0 , 9 5 3 1 0 > - = 0,95238.

1,05
Συμπεράνετε ότι οι διαφορές
5 [Λ (7 )]-Λ (5 (7 ))
είναι αύξουσες συναρτήσεις του I, ώστε γ ια μικρά t η χρήση του μέσου
επιτοκίου 5 ( 7 ) στις συνήθεις Λ(7) δίνει ικανοποιητικές προσεγγίσεις

8. Συνέχεια. Ν α δειχθεί ότι η διαφορά

α (r)≡ 5 (V , )5 ( V , ) - l ≥ 0
είναι αύξουσα συνάρτηση του ί και
lim α (ί) = «ο.

9. Συνέχεια. Αν η σππ του I f ( i ) = 10, 0,05 ≤ 0,15, να επαναληθευθούν οι:

£(1 + 7) 30 = 7,636 έναντι (1 + 5 (7 )) 30 = 1,120 = 6,727
5 ( V 3 0 ) = 0,171 έναντι (I + Ε ( Ι ))“30 =0,149

10. Συνέχεια. Var[(l + 7) , ] = s n 0 ,1 / 41 - (⅛ , w / 21)3 = 2,61.

11. Αν η σππ του επιτοκίου I είναι η

ΛO≡⅜Λ θ < '< ⅛ >
1o

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.

12*. Μ έ λ λ ο υ σ α Α ξ ία Ρ ά ντα ς Μ ετα β λη τώ ν Ε π ιτο κ ίω ν. Έστω J 1 το

(τυχαίο) επιτόκιο του k έτους (χρήσεως), k = 1,2,...,n . Τότε η μέλλουσα
αξία (συσσώρευση) της (χρηματικής) μονάδας μετά η έτη είναι
88

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(∏∙

13. Συνέχεια. Ν α δειχθεί ότι

Var(F 2,) = [(l + μ) 2 + σ i Γ ~ (l + μ ) 2c

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

15. Συνέχεια. Κάνοντας χρήση του τύπου για ανεξάρτητες X , Υ:

V a r (X Y ) = V ar(X)V ar(Y) + μ 2 Δ ( X ) + μ 2 V a r(Y ),
να δειχθεί ότι η Var(Y2 ) = ½JΓ(X I + X i X 2 ) συμφωνεί με την (ΐ).

16. Α ν οι Vl = (1 + ∕ y )~l είναι άνισ ομοιόμορφες στο (0,1), τότε

V⅛r(½-) = 1

17 . Α ν η πυκνότητα της Δ είναι ’

α) g ( β ) ~ e ~e , s > Q β) κανονική N ( B ( A ) ,σ 2 )
να δειχθεί ότι (πρβλ (16) κ α ι (17))
α) δ “ δ ' > [ E ( Δ ) ] 2 β) δ l α δ lt < [ E ( Δ ) ] 2 , δlt + δ , α = 2 E ( A )

18 . Μ έ σ ο ισ οδύνα μο δ γ ια ρ ά ν τ α . Έστω g ( δ ) ≈ e ' i κ α ι δ" τέτοιο ώστε

E ( A j ) = ∖+ e~gα + e ~ 2*'
Τότε βρίσκουμε δ "=0,615, ενώ για g(δ) ≈ ] oe ->o i το αντίστοιχο (για
την A 1) είναι 0,093 (δηλ. ισοδύναμο επιτόκιο i=9,7% ).

1 Ανεξάρτητες και ιοόνομες

 89

Γ ια την αντίστοιχη S j με g(δ) = 10e"'°∖ δηλ. η

H(⅛) = 1o f 1 + 1 + 1Ί = √ ' + √ ' + / '
\9 8 Ί)
δίνει δ ' =O,J15>E(21) = O,1, όπως αναμένεται. Επίσης (πρβλ Ασκ
17α))
[E (4 )] 1 = (0,1)I < (0,115)(0,093) = δ"<5'.
Εξετάστε την περίπτωση A 4 , S r

19. Ν α δειχθεί η (13) (ίν).

20. Ν α βρεθεί η μέση παρούσα αξία E ( V τ ) για V κ α ι Τ ανεξάρτητα με σππ

g(<5) = 2<5, o < < 5 < -, /(/) = — , 0 < i< 2 0 .

2 20

21*. Έστω a t j η παρούσα αξία συνεχούς ράντας διάρκειας ί με επιτόκιο 7

κ α ι β l j η παρούσα αντίστοιχης ράντας με απλό τόκο 1 , δηλ. όπου η 1
γίνεται 1+ it σε χρόνο t .

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

γ) Α ν το επιτόκιο I είναι τμ με σππ

Ο
f(7) = — iπ (l + 7), l< l + 7<√ e,
1+ /
να υπολογιστούν: _
(i) E ( a u ) (Η) £ (ά Μ β lι ,) .

1 Τέτοιες απλές ράντες δεν ισχύουν στην πράξη, pt πιθανότητα 1.

 ΚΕΦΑΛΑΙΟ 6

ΚΑΤΑΝΟΜΕΣ ΕΠΙΒΙΩΣΕΩΣ

1. Συναρτήσεις Επιβιώσεως

'Eστω X η ηλικία κατά θάνατο νεογέννητου (δηλ. η δ ιά ρ κ ε ια ζωής

ενός ατόμου). Εάν
P(x) = P [ X ≤ χ]
η συνάρτηση κατανομής της X , τότε η συνάρτηση
(x) = l - F ( x ) = P [ JV > x ] x≥0 (1)
λέγεται συνάρτηση επιβιώσεως (σε) (survival function) κ α ι δίνει την
πιθανότητα ένα άτομο να φτάσει την ηλuciα (να ζήσει τουλάχιστο χ έτη).
Έτσι η
P [x < X ≤ z] = P[εva άτομο να αποθάνει μεταξύ των ηλικιώ ν λ* κα ι ζ]
= F ( z ) - F ( x ) = s ( x ) -s ( z )
Η δεσμευμένη πιθανότητα για άτομο η λικ ία ς χ να αποθάνει πριν
φτάσει την ηλικία ζ είναι
P [ x < X ≤ ζ\Χ > χ] = — ~ F - - = -'v *^-5Lz- (2)
1 - P(x) s(x)
Εκτός της ηλικίας X κατά θάνατο (διάρκειας ζωής), σημαντικό ρόλο
στην ανάλυση επιβιώσεως και στον αναλογισμό (ιδιαίτερα στις ασφαλίσεις
ζωής) παίζει η υπόλοιπη ή μ ελ λ ο ν τ ικ ή ζω ή Τ(χ) ή ΤΛ ατόμου ηλικίας χ,
δηλ. η (δεσμευμένη) τμ
Γ(x) = X - x ∣ Υ > x .
Στην ανάλυση επιβιώσεως διευκολύνουν οι εξής

Ο ρισ μοι-Σ υμβολισ μοί (σύμφωνα με το Διεθνές Αναλογιστικό Κογκρέσσο

του 1898).
(i) (χ) ≡άτομο ηλικίας χ,
(») ,9 , ≡ Ρ[Τ(χ) ≤ t] = Ρ[(χ) πεθαίνει σε r έτη] = ± ∞ Ξ Ξ ≤ ± ± Q j
*(*)
(ί“ ) ≡ 9x ~ Pi{×) πεθαίνει σε ένα έτος], (3)
(iy ) ,p t ≡ l - 9 ,= P [ T ( x ) > ∕] />0,
(v ) ιP1 ≈ p 1 = P[(x) να φθάσει την ηλικία χ + η j
 91

(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 ------------

= s (x + t) s(x + Q -■5 (λ∙ + ∣, + 1/)_

*(x) ’ s(x + t) ^ '^ ^ ∙v ÷ r

Έ νταση θ ν η σ ιμ ό τ η τ α ς ή απλά θνησιμότητα α τόμ ου η λ ικ ία ς χ :

Εκφ ράζει την πιθανότητα του (χ) να αποθάνει σε ηλικία χ. Π ιο αυστηρά,
είνα ι η δεσμευμένη πυκνότητα του X στο χ δεδομένου ότι X > χ , δηλ. η
θ ν η σ ιμ ό τ η τ α , συμβολιζόμενη με το μ*, του (χ) ορίζεται:
, λ ∕ , (x) f( x ) s'(x) ...
Λ
μ , = ∕ι(x ) ≡ ---- = — = ------------ v(6)
1- F (x) s(x) s(x) ’ ’
αφού, από την (1), - √ ( x ) = -(1 - F (x))' = f ( x ) .
Σ τον παρακάτω Π ίνα κ α 1, δίνονται οι κλασσικοί Α ν α λ υ τ ι κ ο ί
Ν ό μ ο ι θ ν η σ ιμ ό τ η τ α ς .

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 .

Π ρ ο τείν α ς s(× ) Περιορισμοί

de Moivre (1929) (ω - x)" , (ω - χ) I ω 0≤x < ω
Gompertz (1825) B cx cxp [-m (c v - 1)] B > 0, c > 1
Makehan (1860) A + B cx e x p [-A x - nι(c x - 1)] B>0, Λ + B≥0, c> l
Weibull (1939) kxπ e x p [ - r x n+1] k '> Q , n > 0 .

Σ τη μελέτη της ζωής μηχανημάτων και τη θεωρία της αξιοπιστίας

(reliability), η μ χ αναφέρεται ως ρυθμ ός α π ο τ υ χ ία ς (διακοπής
λειτουργίας, fa ilu r e rate) ή κ ιν δ υ ν ό τ η τ α (hazard rate) ή, απλά,
κ ίν δ υ ν ο ς , αφού η α ξιο π ισ τ ία Κ συσκευής ορίζεται ως η συνάρτηση
κ α τ α ν ο μ ή ς ουρά ς του χρόνου λειτουργίας Τ της συσκευής, δηλ.
Ρ [ Τ > ί] ≡ R ( t ) = P[λειτoυpγiας τουλάχιστον επί χρόνο ή
= 1 - Ρ[ διακοπής πριν τη στιγμή (].
Π ρόταση 1. Η θνησιμότητα μχ χαρακτηρίζει την κατανομή του

χρόνου ζω ής X (την f r ∖F ή s)
Α π ό δ ε ιξ η . Ολοκληρώνοντας την (6), βρίσκουμε
92

ή. ισοδύναμα,

όπου θέτοντας χ = 0 (βλ. (2)), προκύπτει ο β α σ ικ ό ς τύ π ος

eχP
x Po = Φ0 = ~ ∫M ,

άρα κ α ι η σκ F (x) = 1- s(x) της X .

Α π ό την (8), η πυκνότητα f( x ) της X εκφράζεται ως εξής:
f { x ) = F '(x ) = -s (x ) = μ x exp∣ ~ ∫μ x dt j = 1 p 0 μ χ , (9)

σε συμφωνία, βέβαια, με τον ορισμό της μ* (6). Α κ ό μ α η μ t εκφράζεται ως

όριο:
lim = lim γ f-× + =μ (10)
At-«ο ∆ t At->O s (x )∆ t S(×)
μ ια κ α ι εκφράζει την δεσμευμένη πυκνότητα θανάτου του ( A ) στο διάστημα
( x ,x + dx).
Από τη σχέση αυτή έπεται ο εξής χαρακτηρισμός της εκθετικής
κατανομής:

Π ό ρ ισ μ α 1. Η θνησιμότητα του (A,) είναι σταθερά λ ανν η X έχει την

εκ θ ε τ ικ ή κ α τ α ν ο μ ή , με πυκνότητα
f ( x ) = λe~ i x , χ>0. (Η )
Σ η μ . Η χαρακτηριστική αυτή ιδιότητα της εκθετικής αναφ έρεται ως
ιδιότητα του "α μ νή μ ο νος" ή "aγε'paστoυ , V . Η ιδιότητα αυτή εκφράζεται,
καλύτερα, ως εξής: για όλα τα t ≥ 0 κα ι
P [ X > t + s∣X > r] = P [ X > s] (H )*

2. Κ α τα νο μ ή υπ όλοιπ ης ζω ής.

Αν G και g η σκ και σππ της υπόλοιπης ζωής T (x ) του (χ),

αντίστοιχα, βλέπουμε από την (3) (iv) ότι,
G (0=,9 X = l~ A t∙ (12)

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.

3. Ροπές Υπόλοιπης Ζωής

Χρήσιμο για τις ροπές της υπόλοιπης ζωής του (x) T(x), έστω Τ είναι
το εξής γενικό

θεώ ρημα 1. Αν η T ≥ 0 είναι συνεχής τμ με πυκνότητα "(f) και σκ

G(t) με 6 ,(0) = 0 και η h(t) ≥ 0 είναι διαφορίσιμη και μονότονη, τότε
E[h(T)] = Λ(0) + ∫ Λ'(r)[l - σ(f)]<Λ (14)
0
,
υπό τον όρο ότι JE[Λ(Γ)] < ∞.

Απόδειξη. Ολοκληρώνοντας κατά παράγοντες, έχουμε

E[ h(T")] = ∫ h(t)g(t)du = - h(r)[l - G(i)K
0
+∫[1 - G(f)]h'(f)dt.
ο
Μια εφαρμογή του Θεωρήματος 1 είναι στην εύρεση της μ^ σ r l^
(προσδοκώμενης) μελλοντικής ζωής του (χ):
λ = i [ ∏ x ) ] = J ∕,p ,⅛ ,,Λ . <, 5 >
0
 94

Έτσι παίρνοντας στο θεώρημα A(f) = t, G(t) = l - l p j , έχουμε αμέσως

e 1 = ∫ i p j df, (16)
ο
σε συμφωνία φυσικά, με τη γενική σχέση1, για τμ W
Λ≥ 0

5 (iy ) = ∫[l-F (w )]d ιv . (17)

0
ο
Προφανώς για χ = 0, έχουμε τη μέση ζω ή eo (life expectancy)
E (X ) ≡ e = ∫ tf( t) = ∫ ,p 0 dt = ∫ s(f)d t. (18)
Ο 0 0
ο
Η e x για x ≥ 0 αναφέρεται ως π λή ρ η ς μ έση (α ν α μ εν ό μ εν η ) ζωή-
c
συγκρίσεις των e 1 πληθυσμών για διάφορα χ δίνουν ένα μέτρο συγκρίσεως
των επιπέδων υγείας και μακροβιότητας των πληθυσμών.
Π αίρνοντας h ( f ) ≈ t 1, βρίσκουμε τη ροπή 2ας τάξεως,
E [T 2 (X )] = j t 2 lp x μ x+ ldt = 2 ∫ ί t px d l .
0 ο

Υ π ό λ ο ιπ η η λ ικ ία . Στην πράξη, εκτός από τη συνεχή τμ Τ (χ ), που

εκφράζει την υπόλοιπή ζωή του (χ), ενδιαφέρον παρου'σιάζει, η υ π ό λ ο ιπ η
η λ ικ ία K (x ), ο υ π ό λο ιπ ο ς α κ έρ α ιο ς α ρ ιθ μ ό ς ετώ ν επ ιβ ιώ σ εω ς το υ
(χ ), το ακέραιο δηλ. μέρος [T(x)] του Τ(χ). Έτσι αν συμβολίσουμε με rlgjt
την πιθανότητα ο (χ) να πεθάνει ανάμεσα σε χρόνο t κ α ι t +1 δηλ.
s ( x ) - 5 ( x + I + 1)
"9 ' ^ s(*)
η συνάρτηση πιθανότητας του Κ (χ ) γράφεται (βλ. κα ι Άσκηση 20)

ι # , ≡ P [K (x) = k] = P [k < Τ(χ) < k + i]=k p x - u i p x =l -px q x ^ k = 0,1,2,....(19)

Η (19) είναι μερική περίπτωση της (4) και (5), με u = 1 κ α ι k μη αρνητικό

ακέραιο.
Προφανώς η συνάρτηση κατανομής της Κ (χ) βρίσκεται από την
k
p [ K ( x ) ≤ k ] = ^ j i f l = l + i qx , £ = 0,1,2,.... (20)
ί- 0

Κ ατ'αναλογία του Θεωρήματος 1, έχουμε το

θεώ ρημα 2. Αν λ ≥ 0 είναι ακέραια τμ με σκ G (k ) κ α ι σπ

g (k ) = G ( k ) - G ( k - ↑) ≈ Δ G ( k - ↑), κα ι h (k)≥ Q μονότονη συνάρτηση ώστε
να υπάρχει η JΞ[Λ(K)], τότε η

1 Βλ. π.χ. [1], Κεφ. II] Ασκ. 4, του συγγραφέα.

 95

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).

Δ ιά μ ε σ η μ ε λ λ ο ν τ ικ ή ζ ω ή του (χ ): Εννοούμε τη διάμεσο n j(x) (ή ∏jτ ) της

Τχ , δηλ. την τιμή ZD(X ) της Ts που ικανοποιεί την
P [Γ (x) > m(Λ∙)] = i

ή, σύμφωνα με την (2), την ηλικία ΠJ (X ) , που ικανοποιεί την

s (x + z∏τ ) __ J_
s(x) ~2
Σ τη ν πράξη από τρέχοντα πίνακα ζωής (βλ. Κεφ. 7) με αρικό
πληθυσμό μεγέθους2 £ 0 κ α ι τον αναμενόμενο αριθμό των ατόμων (από
τα £ 0 ) που επέζησαν σε η λ ικ ία χ, εύκολα επαληθεύεται η σχέση
<τ = t 0 PoP> - P i - t
όπου p ι η πιθανότητα επιβιώσεως του (χ) μέχρι την ηλικία χ + 1. Τότε η
0
μέση υπόλοιπη ζωή του (x ), e x , συναρτήσει των ( l t βρίσκεται από την σχέση
0 1
e x = ( ^ x + ι + ^ x + 2 + . . ∙ ) / £χ + —.

Το 1/2 ε ίν α ι διόρθ ω σ η διότι ο θάνατος μπορεί να γίνει οποιαδήποτε στιγμή

του έτους κ α ι αυτό προσθέτει στο μέσο χρόνο ζωής 1/2 (βλ. (1.4) του Κεφ.
7)·
Η διόρθωση αυτή, γενικότερα, συνδέεται με τη συνάρτηση α (χ) που
εκφράζει τον αναμενόμενο συνολικό αριθμό ετών που ζουν μεταξύ των
ηλικιώ ν χ κ α ι χ + 1 όλα εκείνα τα άτομα (από τα £ 0 αρχικά) που
πεθαίνουν μεταξύ λ' κ α ι χ +1:

1 Οπως η (16) και (18) ίτοι και η (22) είναι αποτέλεσμα ολοκλήρωση; ≡ άθροισης (για διακριτές) "κατά

παράγοντες", θυμηθείτε και το ολοκλήρωμα Stieltjes.

2 Που αναφέρεται ω; ρ ίζ α (radix).
 96

j 0 ^ Λ + f ^ Λ + l^ _ j 0 ^iP,vΛτ+∕^
<z(x) = = Ε [ ∏ x ) ∣T ( λ ') < l] .
J0 Λr+ιZAv+(i ^ ∫ 0 <PΛ7^Λ+∕

Έτσι αν υποθέσουμε ομοιόμορφη κατανομή των θανάτω ν, μεταξύ χ και

χ +1, δηλ.
( x^ l dt = dx dt, Q ≤ t≤ ↑
όπου d x =αpιθμoς θανόντων μεταξύ ηλικιών A, κ a ι χ +1, τότε η
flf( x )≡ p Λ = l
0

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 χήμ α I. Τυπική καμπύλη θνησιμότητας

Σ χή μ α 2. Καμπύλη θανάτων

είναι ανάλογο της (έντασης) Θνησιμότητας μ x (βλ. Σ χ. 1) οε η λ ι κ ί α χ , στην

οποία αναμένονται (περίπου) £χ μ χ θάνατοι. Παρατηρούμε, μάλιστα, ότι η
y jr παρουσιάζει τοπικό minimum γύρω στο χ = 10, ενώ γύρω στο χ = 8θ
παρατηρείται το maximum (η κορυφή της κατανομής τω ν θανάτω ν). Το
Σ χ. 1 δίνει μια τυπική μ Λ .
Όσον αφορά την κ α μ π ύ λ η επιζώ ντω ν (επιβιώσεως) (βλ. (1) κ α ι Σχ. 3)
∕ = ^ = Ε [ L ( Λ)W < X * ),
 97

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.)

Σ χ ή μ α 3. Καμπύλη επιβιώσεως (επιζώντων)

ΑΣΚΗΣΕΙΣ

I. Βρίσκοντας την αντίστοιχη συνάρτηση επιβίωσης s(x ), επαληθεύσετε ότι

καθεμιά από τις παρακάτω συναρτήσεις μπορεί να θεωρηθεί ως ένταση
θνησιμότητας μ jt .
α) B 2 x (Gompertz), β) (l + x)^1 (Pareto), γ) x i .

2*. Ν α δειχθούν οι εξής ισοδύναμες εκφράσεις της s(x) :

(i) s(x + /) = s(x) exp - ∫ μ ^ u dυ

. ο
I
(ii) 5(A) = 5(Λ + ∕) + ∫ ^ τ+u 5(Λ + ιz)du,
0
i
(iii) s(x) - s(x + 0 = s(x )∫ u p x μ x+ud u .
ο
Α πό την (iii) έπεται η ακ της 7ζ,
I
“ J uPx Px+udu
'<Lx
ο
κ α ι η σππ της Tt (βλ. (13))
g ( × ) = t P x Px ^
98

Επιστρέφοντας στο κεφάλαιο (μέλλουσα αξία) τη στιγμή t, K (t) υπό

ένταση ανατοκισμού δt (βλ. Κεφ. 4), επαληθεύσετε την αντιστοιχία των
(ί) και (ii) (για χ = 0) με τις
f t
K (t ,) = exp[∫ δu dυ], K(t) = ϊ + ∫ K(υ)8 u du.
ο ο
Αυτές αντανακλούν την αντιστοιχία των μ jt και δχ :
μ x. = lim-i ^ - , δ..a = lim tTi Rx
i→0 t ’ ∕→O
με l i t το πραγματικό επιτόκιο της περιόδου (χ ,χ + ί):
. _ f f ( x ÷ ∕) - ⅜ )
' lχ tK (x)

3. Από την (2) ή συλλογιστικά, συμπεράνετε την

t Px = G Px )(l -,P x +t ), Q ≤ s ≤ t.

4. (ί) Εξετάστε γιατί οι παρακάτω συναρτήσεις δεν μπορούν να είναι αυτό

που συμβολίζουν.
α) μ x = (1 + x)^1 A, ≥ 0
22x 11√ 7 √
β) s , = l - 0≤x≤3
12 8 24 ’
(ii) Να δειχθεί ότι
∫ Px d× = ∞
Ο

5. Α ν μ t = 0,001 για 20 < χ ≤ 25, υπολογίστε τις 2g20, 212(/20-

6. Υποθέτοντας ότι η ί Χ+( είναι φθίνουσα για 0 ≤ t ≤ 1, δείξτε ότι

α) αν η ί x+l είναι κοίλη, τότε qx > μ χ ,
β) αν η £ χ+ι είναι κυρτή, τότε qx < μ χ .

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

8. Αν η υπόλοιπη ζωή Γ του (χ) έχει εκθετική πυκνότητα

υπολογίστε:
ο
α) e x = E (Γ) β) Δ (Τ) γ) διάμεσο (Τ).
Τι παρατηρείτε;

9. Αν μ x+l = t, i ≥ 0 , υπολογίστε:
 99

ο
α) c
l P*P*+ l , β) <∙

10. A√ η συνάρτηση επιβίωσης

s(x ) = Ο ≤ χ ≤ 100,
10
υπολογίστε τα
ο
α ) ∖1P∖9 β) I5*7□6 ϊ ) 1J∣IJ‰ Pn E) tfj6

11. Ά το μ ο η λ ικ ία ς 55 ετών υπόκειται σε extra κίνδυνο στο η λ υ α α κ ό

διάστημα (55,56). Α ν η κανονική (γενική) πιθανότητα θανάτου στο
(55,56) ε ίν α ι q i i = 0 ,0 0 6 κ α ι ο extra κίνδυνος μπορεί να εκφρασθεί με
επιπρόσθετη θνησιμότητα που μειώνεται από 0,03 στην αρχή του έτους
ως το 0 στο τέλος του έτους, υπολογίστε την πιθανότητα επιβιώσεως του
(55) ν α φθάσει τα 56. (Απ. 0,979).

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 ).

13. Α ν η θνησιμότητα μ jι+ l , 0 ≤ i ≤ l , μεταβληθεί σε μz+ , - c , c > 0 , να

προσδιορισθεί το c ώστε η πιθανότητα του (χ) να αποθάνει σε ένα έτος
υπ οδιπ λα σ ιά ζετα ι. Δ είξτ ε ότι το ζητούμενο c ικανοποιεί την
l o g ( l - ρ j, ∕2 ) - l o g ( l - ρ jι )

14. Α ν q 10 = 0,04 κα ι <y7 1 = 0 ,0 5 , υπολογίστε την πιθανότητα του να

απ οθάνει μεταξύ των ηλικιών 70^· και 7 1 ρ υποθέτοντας ότι οι

θ ά να το ι είνα ι ομοιόμορφα κατανεμημένοι σε κάθε ηλικιακό έτος.

Α π ά ν τ η σ η : 0,044

15. Α π ό συνήθη π ίν α κ α ζωής κατασκευάζουμε άλλο π ίνακα

δ ιπ λ α σ ιά ζο ν τα ς την αρχική ένταση θνησιμότητας μΛ . Είναι ο νέος
ρυθμός θανάτω ν q ,t μεγαλύτερος, μικρότερος ή ίσος του διπλάσιου του
Q ,;

16. Α ν η ένταση θνησιμότητας

ACT
μ * = ∖+ B c * '
100

να δειχθεί ότι η συνάρτηση επιβίωσης είναι η

i 5 c -r / ( f l io s c )
+
S( A ) =
1+Β ,
με κορυφή χ 0 της κατανομής της X ,
log(logc)-log√ 4
logc

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 .

19. Ν α δειχθεί ότι

<9 d 0 0
tQχ ~ ∣Pχ(βχ∙n ~ Ax) β) ~ £ χ Ρχ ~1·

20. Επαληθεύσετε ότι (πρβλ (19))

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

Η ιδέα για την κατασκευή πινάκων ζω ής ή θνησιμότητας (life

tables, m ortality tables) ή επιβιώσεως^ ανάγεται στους χρόνους της
Ρωμαϊκής Π ολιτείας (3ος αιώνας π.Χ.), πριν ακόμα αναπτυχθούν η
θεω ρία των Πιθανοτήτων κα ι η Στατιστική, που περιέλαβαν ως
αντικείμενο μελέτης και την ανάλυση τέτοιων πινάκων. Η πρώτη
συγκεκριμένη μορφή πινάκων επιβιώσεως που περιελάμβανε ουσιαστικά τη
χρονική εξέλιξη, σε ετήσια βάση, μιας καθορισμένης πληθυσμιακής ομάδας,
υποκείμενης στον κίνδυνο του φυσικού θανάτου, δόθηκε από τον John
G raunt π α τέρ α της Κ ο ινω νικ ή ς Σ τα τισ τικ ή ς, με τον τίτλο B ills o f
M otrality, το 1662. Λ ίγο αργότερα, το 1693, δημοσιεύθηκε από τον Ε.
Halley ο περίφημος π ίν α κ α ς επιβιώσεως του Breslau, περίπου στη μορφή
που χρησιμοποιείται ακόμα σήμερα στη Δ η μ ο γρ α φ ία .
Α ργότερα με το ίδιο θέμα ασχολήθηκαν και έδωσαν τους γαλλικούς
πίνακες ο Deparcieux το 1746, ο Buffon το 1749, και ο Duvillard το 1790.
Περίπου την ίδια εποχή δόθηκαν από τον Richard Rice, το 1783, οι
πίνακες επιβιώσεως για το Northampton και από τον Wigglesworth, το
1793, οι π ίνα κ ες επιβιώσεως για τις πολιτείες Massachussets και New
Ham pshire. Οι πρώτοι δημόσιοι (πολιτειακοί) πίνακες επιβιώσεως
συντάχθηκαν από τον W illiam Farr το 1839 στο General Records Office.
Π α ρ ό τι η ιδέα γ ια την κατασκευή πινάκων επιβιώσεως δόθηκε για
τη μελέτη κ α θ α ρ ά δημογραφικών φαινομένων και ιδιαίτερα για τη μελέτη
της εξελίξεως του φυσικού χρόνου ζωής ορισμένου πληθυσμού, όπως άλλωστε
φανερώνει κ α ι η ορολογία, εν τούτοις θεωρήθηκε αρκετά πρόσφορη η
εφαρμογή της, καταρχή σε άλλα δημογραφικά φαινόμενα, όπως η
οικογενειακή κατάσταση και η απασχόληση του πληθυσμού, και αργότερα
σε διάφ ορους επιστημονικούς τομείς, όπως η Ιατρική, η Βιολογία, τα
Ο ικονομικά κ α ι τα Α σ φ α λ ισ τ ικ ά Μ α θ η μ α τικ ά (Actuarial Mathematics)

• 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.

2. Έ ν ν ο ια κ α ι Είδη Π ινάκων Επιβιώσεως

Για την κατασκευή ενός πίνακα επιβιώσεως ξεκινούμε από ένα

ορισμένο πληθυσμό, έστω Ρο , και παρατηρούμε την εξέλιξή του στις επόμενες
χρονικές στιγμές χ = l,2,...,w , δηλαδή τις αριθμητικές τιμές του μεγέθους
του πληθυσμού Ρχ στις διάφορες ηλικίες χ, συνήθως σε έτη. Φυσιολογικά θα
έπρεπε η παρατήρηση να επεκταθεί μέχρι τη χρονική στιγμή u , , ώστε να
υπάρχουν όλα τα αριθμητικά δεδομένα μέχρ ι να α π ο θ ά ν ο υ ν ό λ α τα
ά το μ α του πληθυσμού. Στην περίπτωση αυτή μιλούμε γ ια π ίνα κ ες
επιβιώ σεω ς γενεά ς (cohort life tables), οι οποίοι έχουν πλέον ιστορική
μόνο αξία, επειδή η απαιτούμενη χρονική διάρκεια της παρατηρήσεως είναι
αρκετά μεγάλη, ώστε να είναι αδύνατος ο προσδιορισμός των επιζώντων Ρ ν ,
μετά χρόνο χ. Γι' αυτό αναγκαζόμαστε να λάβουμε τις τιμές Ρχ από
δ ια φ ο ρ ετικ ές ομάδες του πληθυσμού που β ρ ίσ κ ο ν τα ι σ τις διάφορες
η λ ικ ίε ς σε μ ια ορισμένη χρ ο νικ ή στιγμή και να θεωρήσουμε ότι
αντιστοιχούν στον ίδιο αρχικό πληθυσμό. Στην περίπτωση αυτή μιλούμε για
πίνακες επιβιώσεως περιόδου ή τρέχοντες π ίν α κ ες επιβιώ σεω ς (cunent
life tables), που αποτελούν σήμερα τη συνηθισμένη μορφή κατασκευής στη
Δημογραφία.
Οι πίνακες επιβιώσεως .γενεάς ή περιόδου ουντάσσονται είτε
αναλυτικά για κάθε έτος, οπότε αναφέρονται στη βιβλιογραφία ως
π λή ρ εις π ίνα κες επιβιώσεως (complete life tables), είτε γ ια μεγαλύτερα
χρονικά διαστήματα, ζωής, συνήθως πενταετή, οπότε αναφέρονται ως
συμπτυγμένοι πίνα κες επιβιώσεως (abridged life tables).
Η κατασκευή των πινάκων επιβιώσεως στηρίζεται σε ορισμένες
υποθέσεις που έχουν γενικό χαρακτήρα, όπως και ά λ λ α είδη κατασκευών.
Οι υποθέσεις αυτές είναι:
α) Ο αρχικός πληθυσμός θεωρείται ότι αποτελείται από ένα
στρογγυλευμένο αριθμό που είναι συνήθως 100,000 ή 1.000 άτομα και
καλείται ρ ίζ α (radix).
 103

β) Ο θεωρούμενος πληθυσμός αποθνήσκει σε κάθε ηλικία σύμφωνα με ένα

προκαθορισμένο σταθερό πρότυπο θνησιμότητας.
γ) Ο θεωρούμενος πληθυσμός είναι κλειστός, με την έννοια ότι οι μεταβολές
του οφείλονται μόνο στο θάνατο και όχι σε κάποια άλλη αιτία, όπως είναι
π.χ. η μετανάστευση.

3. Π ε ρ ιγ ρ α φ ή τω ν Π ινά κ ω ν Επιβιώσεως

Οι π ίνα κ ες επιβιώσεως, γενεάς ή τρέχοντες, είναι όμοιοι στην

εμφάνιση, α λ λ ά διαφορετικοί ως προς το σκεπτικό της κατασκευής. Η
επόμενη περιγραφή αναφέρεται στις στήλες των πληρών πινάκων
επιβιώσεως, ένα παράδειγμα των οποίων παρατίθεται στον Πίνακα 1.

α) Το διάστημα η λικ ία ς Λ’ = (Α ,Α' + Ι). Κάθε διάστημα της στήλης ορίζεται

από τ ις δύο ακέραιες τιμές που αντιστοιχούν στην πλήρη ημερολογιακή
ηλικία ενός ατόμου, εκτός από το τελευταίο διάστημα που θεωρείται
ημιανοικτό με κατώτερη ηλικία w, δηλαδή χ = 0,1,2,..., ιν.
β) Το ποσ οσ τό θα νά τω ν στο διά στημα ( x , x + ∖ ), qx (πρβλ qι και
γενικότερα u q i της (3) του Κεφ. 6). Κάθε τιμή qχ αποτελεί εκτίμηση της
πιθανότητας θανάτου ενός ατόμου, ώστε το άτομο αυτό, που έζησε μέχρι την
η λικία Α', να πεθάνει στο χρονικό διάστημα (Χ ,Α'+Ι). Οι τιμές qχ
προσδιορίζονται από τον ε ιδ ικ ό δ είκ τη θνησιμότητας,
γ) Ο α ρ ιθ μ ό ς α τό μ ω ν π ο υ επιβιώ νει στην αρχή της η λ ικ ία ς χ , ( jt . Ο
αριθμός γ ια την η λ ικ ία χ=0 είναι αυθαίρετος, συνήθως λαμβάνεται η ρ ίζ α
JPQ = 100.000, ενώ γ ια τις επόμενες ηλικίες προσδιορίζεται με τη βοήθεια

των τιμών των άλλω ν μεταβλητών του πίνακα.

δ) Ο αριθμός των θανάτων στο διάστημα (x,λ' + l), d x . Ο αριθμός αυτών
των θα νά τω ν εξαρτάται από τη ρίζα Ζ?ο . Έτσι, εξ ορισμού ισχύουν οι
σχέσεις:
d χ ≈ t x ∙q x , Χ = 0,1,2,...,ιν (3.1)

<v+ 1 = < v -< v > AT = 0,1,2......W '-l. (3.2)

ε) Τ ο π ο σ ο σ τό επιβιώ σεω ς κ α τ ά το τελευ τα ίο έτο ς ζωής στην η λ ικ ία
χ, aj t , συνήθως δεν περιλαμβάνεται στην σύνταξη των πινάκων παρότι
λαμβάνεται υπόψη. Κάθε άτομο που πεθαίνει κατά τη διάρκεια του
διαστήματος ( Χ , Χ + 1) επιζεί χ έτη και ένα ποσοστό του έτους ( χ ,χ + 1). Η
μέση τιμή των υποδιαστημάτων επιβιώσεως όλων των ατόμων ορίζει την
τιμή ax .
104

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)

ζ) Ο συνολικός αριθμός των προσώπων-ετών ζωής πέρα από την η λ ικ ία χ,

Τ Τ ο μέγεθος Τ ν προκύπτει σαν άθροισμα των ετών όλω ν των ατόμω ν που
έζησαν μετά την η λ ικ ία χ , μέχρι το τέλος της γενεάς w. Έ τσ ι, ισχύει η σχέση
T y = ∑ v + L v+j + . .. + i ∙ n, (3.5)

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.

α) Το μέγεθος e x αντικατοπτρίζει κατά τον καλλίτερο τρόπο το φαινόμενο

του θανάτου πέραν από την η λ ικ ία χ για τον πληθυσμό μ α ς ορισμένης
περιόδου. Ν α σημειωθεί ότι το μέγεθος e x είναι ανεξάρτητο από τη ρίζα f 0 ,
όπως κ α ι τα ά λ λ α δύο μεγέθη q x κ α ι aχ , ενώ μειώνεται με την αύξηση της
η λ ικ ία ς , εκτός από το πρώτο έτος της η λικία ς.
β) Χρήσιμα είναι ορισμένα μεγέθη που, ενώ δεν αναφ έρονται στον πίνακα
επιβιώσεως στο διάστημα (Α' , Λ + 1), συνάγονται απ ’ αυτόν: το ποσοστό
έπιζώντων πέρα από την η λ ικ ία x , p j , όπου
A = ι- ⅛ , λ ( 3 ∙8 )

κ α ι το ποσοστό επ ιβιώ σ εω ς α π ό την η λ ικ ία χ στην η λ ι κ ί α y , p χ y t όπου:

P χy ~ P x P χ + l∙, ∙ , P y - l ~ y / x ∙ (3·9)
γ )Ε v α ς συμπ τυγμένος π ίν α κ α ς επιβιώσεως είναι ακριβώ ς α ν ά λ ο γ ο ς προς
ένα πλήρη πίνακα επιβιώσεως, όπως αυτόν που περιγράφηκε π α ρα π ά νω , με
μόνη κ α ι βασική διαφορά ότι τα όρια του διαστήματος, όπου επισυμβαίνουν
 105

τα γεγονότα, υπερβαίνουν το μονοετές διάστημα της ηλικίας, δηλαδή θα

είναι ( x i∙,x z+1 ) = n i μεγαλύτερο από ένα έτος.

4. Κ ατασκευή Πληρών Πινάκων Επιβιώσεως

Στην κατασκευή των πλήρων πινάκων επιβιώσεως περιόδου το κύριο

πρόβλημα που εμφανίζεται είναι ο προσδιορισμός του ποσοστού θανάτου q ,
κατά τη διά ρ κ εια του χρονικού διαστήματος ( Χ , Χ + 1), καθώς κα ι ο
αριθμός των ετών L x , τα οποία έζησε στο διάστημα ( χ ,χ + Γ) ένα ποσοστό
από τα ά τομ α Ζ?ο . Ο αριθμός αυτός, όπως αναφέρθηκε, αντιστοιχεί προς
τον μέσο αριθμό των ατόμων που επιζούν στο χρονικό διάστημα ( x ,x + ↑).
Βασικό στοιχείο στην κατασκευή των πινάκων επιβιώσεως αποτελεί το
μέγεθος a v που εκφράζει το ποσοστό του τελευταίου έτους της ζωής ενός
ατόμου, κ α τ ά μέσο όρο, στο οποίο επέζησε. Εφόσον οι θάνατοι κατά τη
διάρκεια της η λ ικ ία ς x = ( x ,x + l) επισυμβαίνουν ομοιόμορφα, χωρίς
κάποια υπερσυγκέντρωση στην αρχή ή στο τέλος της ηλικίας χ, τότε το
μέγεθος ax έχει την τιμή 0,5. Προφανώς στις μικρές ηλικίες, ιδίως στην
βρεφική, οι θά να τοι επισυμβαίνουν σε μεγαλύτερο ποσοστό στην αρχή της
ηλικίας 0, 1, 2, 3, 4, έτσι ώστε η τιμή του μεγέθους aχ να διαφέρει
σημαντικά από το 0,5. Από τα σχετικώς πρόσφατα διεθνή δεδομένα για τις
μυ<ρές η λικ ίες γίνονται δεκτές οι τιμές a 0 0,10, al = 0,43, a2 = 0,45,
a3 = 0 ,47 κ α ι a4 = 0 ,4 9 1 .

Α. Εξ ορισμού, μια εκτίμηση της πιθανότητας θανάτου ενός ατόμου στην

η λικία χ, που αντιστοιχεί στο ποσοστό θανάτου q χ i δίνεται από τη σχέση:
‰ =⅛ (4.1)
Λ
όπου Ρ είν α ι ο πραγματικός αριθμός των κατοίκων μιας περιοχής που
επιβιώνει στην αρχή της ηλικίας χ κ α ι D x ο αριθμός των ατόμων, εκ των
Ρχ , που θα επιβιώσει στο διάστημα ( Χ , Χ + 1).
Α πό το ά λ λ ο μέρος, ο ειδ ικ ό ς συντελεστής θνησιμότητας κατά
η λικία ο ρίζετα ι από τη σχέση:
Μ = --------- ≤ s---------
(Λ -Λ )+aA

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

97 1148 1148 376 960 2565 2,23

772 772 271 636 1605 2⅛8
98
99 501 501 188 407 969 1,93
100 313 313 126 250 562 1,80
101 187 187 79 148 312 1,67
102 108 108 50 83 164 1,52
103 58 58 28 44 81 1,40
104 30 30 16 22 37 M3
105 14 14 8 10 15 1,07
106 6 6 4 4 5 0,83
107 2 2 1 1 1 0,50
 107

όπου ο παρονομαστής αντιστοιχεί στον μέσο πληθυσμό της περιοχής

κατά ΤΗ δ ιά ρ κ ε ια του χρονικού διαστήματος ( Χ , Λ + 1).
Έτσι, από τις δύο σχέσεις προκύπτει εύκολα ότι:
Λ = Λ + ( > - " Λ) ^
M V Λ*=0,1,...,H'-1 . (4 3 )
ή λ PV + ( 1 - WΛ )D V 1+ (1 - ΛA )M V
Π.χ., γ ια βρεφική η λ ικ ία , λ' = 0, για το σύνολο του πληθυσμού της
Ε λλά δ α ς 1 το 1981 είχαμε:
• Πληθυσμός της βρεφικής η λ ικ ία ς την 30-6-1982:
Σύνολο Άρρενες Θήλεις
137.015 70.362 66.153
- Θ άνατοι βρεφών κ α τ ά τη διάρκεια του 1982:
Σύνολο Άρρενες Θήλεις
2.168 1.225 943
- Ε ιδ ικό ς συντελεστής θνησιμότητας Μ χ για τη βρεφική η λ ικ ία :
Σύνολο Άρρενες Θήλεις
0,01532 0,01728 0,01425
- Ποσοστό θνησιμότητας q x για τη βρεφική η λικία (ζιΛ. = 0 ,5 ):
Σύνολο Άρρενες Θήλεις
0,01568 0,01713 0,01415
- Ποσοτό Θνησιμότητας q x γ ια τη βρεφική η λικία (a0 = 0,1):
Σύνολο Άρρενες Θήλεις
0,01560 0,01701 0,01407

Θα πρέπει να σημειωθεί ότι γ ια τον προσδιορισμό των θανόντων

βρεφών λ α μ β ά ν ετα ι υπ0ιjrη αφενός μεν ο αριθμός των θανάτων των βρεφών
που σημειώθηκαν το 1982, αφετέρου δε ο αριθμός των θανάτων των βρεφών
που σημειώθηκαν το 1983, είχαν όμως γεννηθεί το 1982 κ α ι δεν είχαν
συμπληρώσει το πρώτο έτος της η λ ικ ία ς τους.
Επίσης, γ ια την εξομάλυνση τυχόντων περιστασιακών γεγονότων,
χρησιμοποιούνται πολλές φορές στην πράξη οι κ ιν η τ ο ί μέσ οι τριών ηλικιώ ν
για τον προσδιορισμό του ειδικού συντελεστή θνησιμότητας από τη σχέση:

Ό τ α ν υπάρχει έλλειψη δεδομένων για τον προσδιορισμό του ποσοστού

qx σε όλες τις η λ ικ ίες, ενώ υπάρχει η δυνατότητα προσδιορισμού του

1 Ο (νόμιμο;) πληθυσμός μόλις αυξήθηκε από 9.667 χιλ το 1981 at 10.134 χ ∣

λ, το 1991, αύξηση κατά
4,8% σε μια δεκαετία
108

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

Έ τσι, βρίσκεται ότι:

<7λ.+1 = -θ>θ64q x . 5 + 0 ,9 1 2q x + 0,168q x + 5 - 0 ,0 1 6 <7v+10 κ .λ π .
Τέλος για τις μεγάλες ηλικίες, που υπάρχει δυσκολία επακριβούς
προσδιορισμού του ποσοστού q x , μπορούν να γίνουν ανάλογες προσεγγίσεις
με θεωρητικά υποδείγματα, όπως είναι π.χ. ο ν ό μ ο ς του C o m p e r t z (βλ.
Κεφ. 6) όπου ο "κίνδυνος θανάτου" δίδεται από τη γνωστή σχέση:
X 0 = B C ',
ή ετήσια ποσοστιαία αύξηση, π.χ. 10%.

Β . Μ ε βάση τις εκτιμήσεις q x προσδιορίζονται οι υπόλοιπες τιμές των

μεγεθών του πίνακα επίβιώσεως. Έτσι, προσδιορίζονται κατα ρχήν οι
θανόντες J o από τη σχέση d 0 = √ 0 <70 και κατόπιν οι επιζώντες στην αρχή
της επόμενης ηλικία ς χ=1, από τη σχέση (, 1 = ∕ 0 - d 0 , καθώς κ α ι οι τιμές
του μεγέθους:
Λ 0 = ( ^ ι - ^ ι ) ÷ a 1 <∕∣ κ .ο .κ .
Τ ο ποσοστό d x / L x είναι γνωστό σαν συντελεστής θνησιμότητας του
π ίν α κ α επίβιώσεως στην ηλικία χ . Προφανώς, το ποσοστό αυτό θα πρέπει
να ισούται με το συντελεστή ειδικής θνησιμότητας που προσδιορίζεται από
τα πραγματικά στοιχεία του πληθυσμού. Έτσι, ισχύει:
^ ∙ = Λ ∕= ⅛ ∙ , (4.5)
£X * ΡX
καθόσον L x = (£ χ - d x ) + aχ .

Το τελικό διάστημα ηλικίας w, ιδίως όταν w είνα ι μικρότερη από τη

μέγιστη παρατηρούμενη ηλικία, είναι μη περατωμένο από τα δ ε ξιά , έτσι που
το μήκος του διαστήματος να είναι απροσδιόριστο. Συνήθω ς, γ ια το
διάστημα αυτό γίνεται δεκτό ότι qw ≈ } , οπότε £ u , = d w κ α ι L w - a w d w .
Α π ό τη σχέση (4.5) προκύπτει:
 109

— 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)

Το σκεπτικό της κατασκευής των πινάκων επιβιώσεως εφαρμόζεται

και σε ά λ λ α δημογραφικά φαινόμενα είτε αυτοτελώς, είτε σε συνδυασμό με
τους πίνα κες επιβιώσεως. Έτσι, κατασκευάζονται:

α) Οι π ίνα κ ες της οικονομικής δραστηριότητας του πληθυσμού, όπου αντί

της η λ ικ ία ς εισάγεται ο χρόνος ασκήσεως κάποιας οικονομικής
δραστηριότητας κ α ι τελικά προσδιορίζεται ο αναμενόμενος χρόνος
ασκήσεως της δραστηριότητας αυτής, τόσο κατά την είσοδο στην αγορά
εργασίας, όσο κ α ι στα κατοπινά χρόνια.

β) Οι πίνα κ ες σχολικής ζωής, όπου βασική χρονική μεταβλητή αποτελεί ο

χρόνος παρακολουθήσεως ενός συγκεκριμένου προγράμματος σπουδών.

γ) Οι πίνα κες γ α μ η λ ιό τη τα ς , όπου βασική χρονική μεταβλητή αποτελεί η

χρονική διάρκεια της εγγάμου συμβιώσεως.

δ) Οι πίνα κες ν ο σ η ρ ό τη τα ς (morbidity) που αναφέρονται μεν στην ηλικία

αλλά διαχωρίζουν, εκτός των θανάτων, και τα νοσηλευόμενα άτομα για
συγκεκριμένες ασθένειες.

ε) Οι π ίνα κ ες μ ετα να σ τεύ σ εω ς που αναφέρονται, επίσης, στην ηλικία,

αλλά διαχω ρίζουν, εκτός των θανάτων, και τους μεταναστεύοντες προς
άλλες περιοχές.

στ) Οι ασφαλιστικοί πίνακες αποτελούν ουσιαστικά υποπίνακες των

πλήρων π ινά κ ω ν ζωής για διάφορες κατηγορίες ασφαλιζόμενων, με σκοπό
τον προσδιορισμό των ασφαλίστρων.

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

1. Α νέλιξη πλεονάσματος σε συνεχή χρόνο.

Στο Κεφάλαιο 3 τα συλλογικά μοντέλα κινδύνου αφορούσαν, ουσιαστικά,

τη συσσωρευμένη ζημιά (ή απαίτηση) S l σε δεδομένη χρονική περίοδο [0√],
ώστε, παίρνοντας το t = 1 , ο χρόνος t να μην υπεισέρχεται στο μοντέλο SN ,
α ντί του S f j ^ ≈ S ( t ) (βλ. § § 2-3, Κεφ. 3). Εδώ θα εξετάσουμε τις

συσσωρευμένες απαιτήσεις (ζημιές) σε εκτεταμένα χρονικά διαστήματα

(μακροπρόθεσμα) σε αντιπαραβολή με τα εισπραττόμενα ασφάλιστρα. Μας
ενδιαφέρει, δηλ., η στοχαστική ανέλιξη* π λ εο νά σ μ α το ς (ΣΑ Π ) U{t}∙.

U(t') = u + c t- S ( t ') ,

όπου S (f) οι συσσωρευμένες απαιτήσεις (claims) σε χρόνο t, υ —L7(0) το αρχικό

διαθέσιμο πλεόνασμα (κεφάλαιο) και c ο σταθερός ρυθμός εισπράξεως

ασφαλίστρων ( c > 0 ) . Η t ∕( f ) είναι γραμμική αύξουσα κλιμακω τή συνάρτηση
εκτός των σημείων (χρονικών στιγμών) 7],T2 ,,,.,

∑χ. 1: Τυπική δειγματοσυνάρτηση Σ Α Π

Βλ. [2] Στοχαστικές Ανελίξεις, του συγγραφέα, για ορισμούς κ.λπ.

 Ill

τα οποία είναι σημεία ασυνέχειας, με πηδήματα ίσα προς τις αντίστοιχες

απαιτήσεις (ζημιές), όπως φαίνονται στο Σχ. 1. Σε περίπτωση 7} = Τ ώστε για

πρώτη φορά το πλεόνασμα (7να γίνει αρνητικό, δηλ.

T = min{MZ7(i)<0} (2)

μιλούμε για χρ εω κ ο π ία (ruin)· Τ = =*> σημαίνει ότι U (f) > 0 V ί > 0.

Η πιθανότητα (ο κίνδυνος) χρεωκοπίας (κάποτε) με αρχικό πλεόνασμα u
ορίζεται:
ψ(ιf) = P[T < ∞]. (3)

Σημειωτέον ότι χρεωκοπία δεν σημαίνει διάλυση της εταιρείας ή

α φ ερεγγυότητα (insolvency), δεδομένου ότι ο ασφαλιστής (ασφαλιστική
εταιρεία) μπορεί να επανελθεί σε θετικό U. Πάντως η ψ(u) είναι μέτρο του
οικονομικού κινδύνου του ασφαλιστή συναρτήσει του πλεονάσματος U (t). Επί

πλέον στην πράξη ενδιαφέρει η πιθανότητα χρεωκοπίας σε χρονικό διάστημα

(μέχρι τη στιγμή) t , δηλ. η
ψ M = P [ T < t] . (4)

Στο μαθηματικό μοντέλο που θα εξετάσουμε εδώ δεν λαμβάνονται υπόψη

έξοδα, μερίσματα (στους ασφαλισμένους ή μετόχους της εταιρείας) κ.α.
Επιπλέον, θα περιορισθούμε στην περίπτωση που η συχνοτική τμ N ( t) , η

απαριθμήτρια (counting process) των ζημιογόνων γεγονότων στο διάστημα

(Ο,ί] είναι στοχαστική ανέλιξη (σα) Poisson (Λf), δηλ. έχει την κατανομή

Poisson με παράμετρο λ t (βλ. § 5 του Κεφ. 3, ή [2] ibid για λεπτομέρειες).

Τότε, ως γνωστό, η SN ^ ≡ S ( t) είναι σ. Poisson (λ f). Επειδή, εξ υποθέσεως,
για t 0 < t l < .,.< t a οι προσαυξήσεις N ( t j ) - N ( t w ), i = l,...,n , είναι
ανεξά ρτητες κ α ι ομογενείς (χρονικά) ή στάσιμες (ώστε οι τμ N ( t + s) - Λ r (s)
να είναι ταυτόνομες με την N ( t) για όλα τα s > 0, t > 0), η N ( f ) έχει τις εξής
χαρακτηριστικές ιδιότητες: Για όλα τα t > 0 και a > 0 ,

∕>[7√(r + o ) - N ( r ) = λ ∣
7√(s),s≤r] = e^∙1" ^ j ^ - , * = 0,l,... (5)
112

Εκτός αυτού, αν αντί των προσαυξήσεων N ( t l ) - θεωρήσουμε τις

στιγμές Tl <T 1 <... εμφανίσεως απαιτήσεων (ζημιών) ή ισοδύναμα τους
ενδιάμεσους χρόνους Wl μεταξύ διαδοχικών ζημιών, δηλ. τις τμ

Ψ 1 = 7J, ¾ = τ 2 - η j ...,w 0 = r a - η 1.,, a ≥2,

τότε οι Wl είναι ανεξάρτητες κ α ι ισόνομες (ανισ) εκθετικές τμ με (κοινή) σππ

fw { t ) ≈ λ e λ ti ί> 0 . · (6)

(Μπορεί να δειχθεί ότι οι (5) και (6) είναι ισοδύναμες).

2. Σ υντελεστής προσαρμογής

Γ ια τον προσδιορισμό της πιθανότητας χρεωκοπίας ψ (u ) ως συνάρτησης

(ακριβέστερα συναρτησοειδούς) της ζημιοανέλιξης S (f), υποθέτουμε κα τ' αρχήν
ότι ο ρυθμός εισροής αφαλίοτρων c είναι τέτοιος ώστε για S ( t ) σ. Poisson (λί)

να ισχύει
ct > E [S (t)] = E (X )E [N (r)] = λtμ ή c > λ μ , (7)

(δηλ. εισροή > εκροής στη χρονική μονάδα).

Αυτό επιτυγχάνεται αν c = (1 + θ)λμ, όπου θ > 0 ο (προς όφελος του

ασφαλιστή) επιβ α ρ υντικός συντελεστής, ή, απλώς, επιβάρυνση (του

ασφαλιζομένου). Αλλιώς, όπως θα δούμε στο θεώρημα 1, για 0 > O , ψ(u) = l
και
θ - ⅛0 ≡⅜ ψ (υ )—>1,

δηλ., τότε, η χρεωκοπία του ασφαλιστή είναι βέβαιη. Γενικά η ψ (u ) συνδέεται

με τον συντελεστή προσαρμογής R, που κι' αυτός είναι συνάρτηση της θ και
της κατανομής (του μεγέθους) ζημιάς X .
Ο ρισμός 1. Έστω Λ l(r), - <*> < r < γ, (γ > 0), η ργ της ζημιάς X . Η λύση
r = R > 0 της εξισώσεως
l + (l + 0 )μ r = Λ ∕(r) (8)

λέγεται συντελεστής προσαρμογής.

 113

Κ α τά το επόμενο θεώρημα 1, η ψ (u) ≈ e~κ υ , ώστε η προσέγγιση αυτή

Σ χ . 2. Συντελεστής προσαρμογής R

να δικαιολογεί, κατ' αρχήν, τον όρο προσαρμογή, σε σχέση κ α ι με το θ, αφού η

y∕(u) είναι φθίνουσα συνάρτηση του R άρα κα ι του Θ, όπως δείχνει κ α ι το Σχ.
2, με την καμπύλη y = M ( r ) , η κλίση (l + 0)μ της τέμνουσας y = 1+ (1 + θ}μr

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

Μ ( f ) - >∞ όταν r - ÷ y . (9)

Έτσι γ ια θ > 0 η (8) έχει εκτός της τετριμμένης λύσης r = 0 τ η v r = Λ > 0 .

Διατυπώνουμε τώρα το βασικό θεώρημα για ΣΑΠ συνεχούς χρόνου:

θεώ ρημα 1. Έστω ργ M ( r ) , - ° o < r < χ , της ζημιάς X που ικανοποιεί

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)

όπου Τ ο χρόνος χρεοκοπίας της (2).

112

Ε κτός αυτού, αν αντί των προσαυξήσεων N ( t ∣

) - N ( t ∕ - ↑) θεωρήσουμε τις
στιγμές Tl <T 2 <... εμφανίσεως απαιτήσεων (ζημιών) ή ισοδύναμα τους
ενδιάμεσους χρόνους Mzy μεταξύ διαδοχικών ζημιών, δηλ. τις τμ

w>η, ΙΓ2 =Γ2 -4..., Π; = ΤΛ - Γ„_„ n≥2,

τότε οι Wi είναι ανεξάρτητες και ισόνομες (ανισ) εκθετικές τμ με (κοινή) σππ

4 ( 0 = λe~ λ ', ί> 0 . ' (6)

(Μ πορεί να δειχθεί ότι οι (5) και (6) είναι ισοδύναμες).

2. Συντελεστής προσαρμογής

Γ ια τον προσδιορισμό της πιθανότητας χρεω κοπίας y<(∏) ως συνάρτησης

(ακριβέστερα συναρτησοειδούς) της ζημιοανέλιξης 5 ( f ) , υποθέτουμε κα τ' αρχήν
ότι ο ρυθμός εισροής αφαλίστρων c είναι τέτοιος ώστε γ ια 5 , (f) σ. Poisson (At)

να ισχύει
ct > E [5(f)] = E ( Υ ) E [ N ( t) ] = λtμ ή c > λ μ , (7)

(δηλ. εισροή > εκροής στη χρονική μονάδα).

Αυτό επιτυγχάνεται αν c = (1 + θ')λμ, όπου θ > 0 ο (π ρ ο ς όφελος του

ασφαλιστή) επιβαρυντικός συντελεστής, ή, α π λώ ς, επ ιβ ά ρ υ ν σ η (του

ασφαλιζομένου). Αλλιώς, όπως θα δούμε στο θεώ ρημα 1, γ ια Θ>Q , ⅞μ(u)=l

και
θ —> 0 => ψ(u) —> 1,

δηλ., τότε, η χρεωκοπία του ασφαλιστή είναι βέβαιη. Γ ε ν ικ ά η ψ (u ) συνδέεται

με τον συντελεστή προσαρμογής R , που κι' αυτός ε ίν α ι συνάρτηση της θ και

της κατανομής (του μεγέθους) ζημιάς X .
Ορισμός 1. Έστω M (r), - ∞ < r < γ , (γ > 0), η ργ τ ης ζη μ ιά ς X . Η λύση
r - R > 0 της εξισώσεως
l + (l + 0 )μ r = M ( r ) (8)
λέγεται συντελεστής προσαρμογής.
 113

Κ ατά το επόμενο θεώρημα 1, η y∕(u) ≈ c ~flu , ώστε η προσέγγιση αυτή

Σ χ. 2. Συντελεστής προσαρμογής R

να δικαιολογεί, κατ' αρχήν, τον όρο προσαρμογή, σε σχέση και με το θ, αφού η

ψ(u) είναι φθίνουσα συνάρτηση του R άρα και του Θ, όπως δείχνει και το Σχ.
2, με την καμπύλη y = Λ ∕(r)∙ η κλίση (1 + 0)μ της τέμνουσας y = l ÷ ( l + 0)μr
είναι αύξουσα συνάρτηση του θ > 0, ενώ όταν το θ τείνει στο μηδέν τείνει στο
μ, που είναι η κλίση της εφαπτομένης y —l + μr = l + M z(0)r της (καμπύλης)
y = M ( r ) στο r = 0. Επί πλέον η M (r) (επειδή Μ'(θ') = μ > 0, M " (r) > 0
αφού Λ ∕"(0 ) = Ε ( Χ 2 ) > 0) είναι αύξουσα και κυρτή συνάρτηση του r(βλ. και
Κεφ. 2). Υποτίθεται μάλιστα ότι η Μ (τ') υπάρχει για r < γ και

M ( r ) - > ∞ όταν r - ÷ χ . (9)

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:

θ ε ώ ρ η μ α 1. Έστω ργ M (r), - ∞ < r < γ , της ζημιάς X που ικανοποιεί

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

, . _______ exp[-A LT]

^ U ) E{e×p[-RU(T)]∖ T<∞} (10)

όπου Τ ο χρόνος χρεοκοπίας της (2).

114

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 ,

ικανοποιεί την ταυτότητα (του Wald):

E { M (r )- r e x p [ r S ,] } = l. (11)

Α ν υπάρχει r0 ≠ 0 ώστε M (r 0 ) = 1, τότε η (11) δίνει την

S{exp[r 051r ]} = l. (11)*

θέτοντας
£ , = fi(exp[r 0 ⅛ ]∣S r < - α ) , E 2 = Γ { e x p [r t,Γ ] ∣ S r > b}

βρίσκουμε από την (11)’ την ταυτότητα

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 ,

από την οποία βρίσκονται οι ζητούμενες πιθανότητες

P[S ,r ≤ - α ] = l - P [ S r ≥ h ] .

Δύσκολος παραμένει ο υπολογισμός των E l και Ε 2 , όπως και στον

παρονομαστή της (10). Έτσι οι λογικές προσεγγίσεις των Ε } , Ε 2 ,

E l ≈ exp[-r 0α], E 2 ≈ exp[r0 6],

στη (12), δίνουν την προσέγγιση W ald των πιθανοτήτων:

P [⅜ ≤ - ] = 1- P [⅝ ≥ ⅛). - eχP febl ~1----- - (13)

g
exp[r ∂ ] - e x p [ - r α]
0 0
 115

Κ α τ ’ α ν α λ ο γ ία , λοιπόν, δικαιολογώντας την τροποποιημένη Σ Α Π

U ∖ f) = c t - S ( t )

στη θέση της SD (ή καλύτερα S , για συνεχή χρόνο t ≥ 0), με u α ντί α κ α ι

Τ ' = m in {t∙.U '(t) < - u } *

α ν τ ί Τ , θα βρίσκαμε την προσέγγιση

ψ (u )≈ P [T * < ∞ ] ≈ e "*u . (14)

Π ρ ά γμ α τι η (14) λαμβάνεται ως προσέγγιση της (10), παρά το ότι ο

παρονομαστής είνα ι μεγαλύτερος του 1, αφού U ( T ) < 0 γ ια Τ < oo (κ α ι
R > 0 ), ώστε το e~* u να συνιστά άνω φράγμα;

Ψ(U') < G- R U . (15)

A φ , ετέρου, για φραγμένες ζημιές X ≤ D < ∞ , έχουμε για Τ < ∞ U (7") > - D

(η Σ Α Π ακριβώς πριν συμβεί η χρεοκοπία ήταν θετική). Ά ρ α

f [e -^ σ ∙) ] r < o √ ∣ < e ΛDi

με αποτέλεσμα το κάτω φράγμα:

ψ (ιP) > e~R u e~ M = β · Λ ( ϋ + β ) (16)

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

να) ισχύει στην ασφαλιστυτή πρακτική

Π α ρ ά δ ε ι γ μ α 1. Έστω ότι η κατανομή της ζημιάς Ύ είνα ι η εκθετική

f ( x ) = β e -f t , x>0 (17)
116

Ο συντελεστής προσαρμογής R θα είναι η λύση r = R ≠ 0 της (8) με μ — β '

κ α ι ργ
M(j-) = ∫ % ≈ ^ e - ⅛ = j ^ , r< β (18)

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

δηλ. γ ια 5 (f) σ. Poisson (λ f) με ∕( x ) εκθετική, ο συντελεστής προσαρμογής

(19)

Ειδικά στην περίπτωση εκθετικής κατανομής (17), μπορεί, εκτός του R i να

υπολογισθεί ακριβώς και η ψ(υ). θ α δείξουμε ότι

, -. β - R e
ψ W =- β ~ (20)

Η δυνατότητα αυτή οφείλεται στη γνωστή ιδιότητα του "αμνήμονος"^

της εκθετικής X Για κάθε χ > 0, t > 0 ,

P[X > x + i] _ e^*x *0

P [X > χ + t∖ X > x ]≈ (21)
Ρ [Χ > x] ~ e~β*

Ά ρα αν u ≈ U ^(T -) είναι το πλεόνασμα τη στιγμή Τ —, ακριβώς πριν το Τ,

έχουμε, δυνάμει και της (21),

P[(7(T) > y∖ T < «ο] = P [X >u + y∖ X > u ] = e~β y ,

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

E [ e - T O <r >|r <'<»] = E [ e ^ ] = ∫ " j 9 c ⅛ '''<⅛ = M (Λ ) = (2 2 )

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 )).

Π αράδειγμα 2. Να βρεθεί ο R όταν κάθε ζημιά είναι 1, δηλ.

Ρ[Α"; = 1] —1. Εδώ η ργ M (r ) = er και η λύση r > 0 της (βλ. (8))

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

συντελεστής προσαρμογής R είναι αύξουσα συνάρτηση του συντελεστή

επιβάρυνσης θ (βλ. Ά σ κ. 2).
Ενδιαφέρον παρουσιάζει επίσης η τιμή της Σ Α Π L7(t) όταν για πρώτη
φορά τυχόν πέσει κάτω από την αρχική τιμή υ. Για σύνθετη Poisson S (f) μπορεί
να βρεθεί και η ψ(V)> τ ∣ πιθανότητα χρεοκοπίας με αρχικό "πλεόνασμα" υ = 0.

Εδώ μπορεί να δειχθεί το εξής

θεώ ρημα 2. Έστω To ~ min{r∙.L7(0 < ι/} και Υ = u - U ( T 0 ) η πτώση του

πλεονάσματος από την αρχική του τιμή υ. Αν η S(t) είναι σ. Poisson , τότε η
αππ gτη ς Γ∣T 0 < °° είναι
s(y) = ⅛ - ∙ f W l y>θ. (24)

όπου F ( x ) η σκ της ζημιάς X κ α ι μ = Ε ( Χ ) . Επί πλέον

p ir o < °°} = T ⅛ <2 5 )

Άμεση συνέπεια των (24) και (25) είναι ότι η αδέσμευτη

 118

1 r0
p 'y ^ > = ^ l t l - ≡ dy (26)

Επιπλέον η (25) για ιι = 0 δίνει την πιθανότητα χρεοκοπίας^

v ,(0 )7 =- (25)*
1+ 0

ως συνάρτηση μόνο της επιβάρυνσης θ, ανεξάρτητα από την κατανομή F της

ζημ,ιάς X .
Γ ια εκθετική X όπως στην (17) βλέπουμε από την (24) ότι η κατανομή του
y ∣Γ 0 < ∞ είναι η ίδια εκθετική κατανομή της X , αφού

g ( y ) = ⅛ - F ( ∕) J = β<='t r = W -

3. Α ν έ λ ιξ η πλεονάσματος σε διακριτό χρόνο

Το ανάλογο του μοντέλου (1) για τη Σ Α Π t ∕( f ) σε διακριτό χρόνο

η = 0,1,2,...» αντί συνεχή χρόνο t ≥ 0, είναι

t ∕ a = I∕ + Λ C - S O , 5 fl = y l + ∙ ∙ + r n (27)

όπου οι Y j υποτίθενται ανισ. τμ με E ( Y ) = μ < c (πρβλ Κεφ. 3).

Α νά λο γο ι είναι κ α ι οι ορισμοί του τερματικού χρόνου Τ και της

πιθανότητας Ψ (υ):
Τ = ιn in {Λ ii∕fl < 0}, Ψ (u)y = P [ f < « ] (28)

Με παρατηρήσεις ανάλογες του οριομού του R , ορίζουμε τώρα τον αντίστοιχο

συντελεστή 7? > 0 ως τη μη (μηδενική) λύση της

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

Ειδικά για Y l σ. Poisson (λ ), οπότε ln M x (r) = λ ( M ( r ) -1 ), η (29) είναι η

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 .

Μια προσέγγιση του R είναι

⅜ ≈ 2 <c - √ ι ∖ o l = Δ (Y ∖ (c > μ ) ,
(30)

όπως προκύπτει από την γεννήτρια των αθροιστικών (παραμέτρων) ή

ημιαναλλοίωτων κ j της Υ (βλ. [1], § 10.4), την Μ γ :

M γ ( r ) = ln[M r (r)] = =∕ l ,2 2 + ∙∙∙, (31)

r + σ z
>=o J■

αντικαθιστώντας στην (29) τους δύο μόνον πρώτους όρους της (31).
Για Υ με κανονική κατανομή 7√(p*,σ 2 ), υπολογίζοντας το R από την

(29), βρίσκουμε την προσέγγιση (30) ως ακριβή λύση

- _ 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 ) ,

(N o αριθμός των ζημιών στη δεδομένη περίοδο).

Ως εφαρμογές της (32) δίνουμε τις περιπτώσεις Ν Poisson (λ ) κ α ι Ν
αρνητική διωνυμική N B ( p ,r ) (βλ. Κεφ. 3), οπότε τα αντίστοιχα R είναι
 120

^ s s -----------2βu -------
(33)
B (X 2 ) ÷ √ 1 -1
∖P J

4. Μεγιστική σωρευτική απώλεια

Στη θεωρία του κινδύνου χρεοκοπίας, εκτός από τις τμ πλεονάσματος

17(0» i7(t) και την πτώση Υ του {7(r) κάτω από το αρχικό επίπεδο u,
ενδιαφέρον παρουσιάζει κα ι η μεγιστική σωρευτική απώλεια ή έλλειμμα
(maximal aggregate loss) £;

£ = maxZ.(f) L (t) = S ( f ) - c t .

Ληλ. η μεγίστη (στιγμιαία) διαφορά απαιτήσεων - εισπράξεων (έλλειμμα).

Προφανώς L > 0 αφού L(0) = 0. Ε πί πλέον βλέπουμε ότι, για u ≥ 0,

∖ -ψ(u) = P [ U (t)≥ 0 , r > 0 ] = P[i7 + c ∕- 5 ( t ) > 0 , t ≥ 0]

= 7>[S(t) - ct ≤ ιι,t ≥ 0] = P [L ≤ ι ∕] .

Με άλλα λόγια, η σκ, έστω Η (ν') της L είν α ι ίση με ∖ -ψ (u )∙ επειδή δε

L ≥ Q , η P [L ≤ 0] = P[L = 0] κ α ι η κατανομή της L είναι μικτή (μίξη

διακριτής και συνεχούς κατανομής) με θετική πιθανότητα του Σ = 0 , δηλ.

δείξαμε ό τ ι.
H (ιi) = P [ L ≤ u ] ≈ l - ψ ( u y) i u > 0 ,

(35)
7/(0) = P[L < 0] = P[L = 0] = 1- vz(0) = - ° —
1τ σ

όπου λάβαμε υπόψη κα ι την (25)*.

Η (35) δείχνει τη χρησιμότητα της κατανομής της L στον προσδιορισμό της

πιθανότητας χρεωκοπίας ψ(υ). Προς την κατεύθυνση αυτή, το ακόλουθο
θεώρημα δίνει την ργ ML της L συναρτήσει της επιβάρυνσης ά κ α ι της ργ Μ της

X (παραλείπεται η απόδειξη).
 121

θεώρημα 3. Για S(t) σ. Poisson με ργ Μ της ζημιάς X και Ε (Χ ) = μ ,

¼ ( r ) ≡ _______ Ομτ_______
(36)
1+ (1 + u)mr - Λ ∕(r)

Εναλλακτική έκφραση της M L (Γ ) που δείχνει αμέσως την P [L = 0] = M L (0)

δίνει η Άσκ. 5.

ΑΣΚΗΣΕΙΣ

1. Να δειχθεί ότι αν η συνάρτηση

A(r) = l+ (1 + 0 )∕∏ ∙-M (r)

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 ) .

2. Συλλογιστικά, κάνοντας χρήση των εννοιών των συντελεστών επιβάρυνσης

θ και προσαρμογής r, δείξετε ότι ο R είναι αύξουσα συνάρτηση του θ.
Συμπεράνετε τη σχέση αυτή και γεωμετρικά από το Σχ. 2.

3. Να δειχθεί ότι, για τη μίξη

Λ Λ ∙ ) = 4 i ω + l ⅛ ω = ∣ 5 - s ^ + → - , ^

Λ L 2^

των εκθετικών ή και f 1 , γ = 3 και R = 1.

4. Επαληθεύσετε τις (32) και (33).

5. Να δειχθεί ότι η (36) γράφεται και ως

M t (r) = - i - θ + 0 ( M ( r ) - l)
l ’ 1+ 0 l + (l + 0)μrM '(r)
 122

β
Συμπεράνετε ότι P [L = 0] = -p -^ .

Όλες οι αποζημιώσεις είναι ίσες με Cn2, το αρχικό απόθεμα είναι

u = 5ία2 και ο συντελεστής προσαρμογής είναι R = 2 . Ν α βρεθούν κάτω
φράγμα και άνω φράγμα για την πιθανότητα χρεοκοπίας ψ (5 C n 2 ).

Το ύψος ζημιάς έχει σππ f ( x ) = 3 x 2 , 0 ≤ χ < 1. Ν α βρεθούν E ( L l ) και

V a r(L i ) t όπου L i είναι το ποσό κατά το οποίο το αποθεματικό Ζ7(ί)

ενδέχεται να πέσει κάτω από την αρχική του τιμή.

Για κάποια εκθετική συνάρτηση για το ύψος της αποζημίωσης,

p {x}≈ β c~ ^ t 0 < x , η αντίστοιχη πιθανότητα χρεοκοπίας είναι

ψ (u) = —e~u . Ποιά από τα παρακάτω είναι σωστά;

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

’. Για 7 = 1 ,2 ,3 ,..., το κέρδος του ασφαλιστή κατά το ϊ έτος, G l , είναι

1 2 ε
κατανεμημένο σύμφωνα με f ( g ) = - e * , g < 0, f { g ) - - e , g ≥ 0.

Α ν οι τ.μ. G l είναι ανεξάρτητες, να βρεθεί ο συντελεστής προσαρμογής R .

0. Έστω η ανέλιξη πλεονάσματος U ( f ) = 5 + 20ί - S ( t ) . Ο μόνος

καλυπτόμενος κίνδυνος κάποτε θα συμβεί με πιθανότητα ------ πριν από

τη χρονική στιγμή t. Το ύψος της σχετικής αποζημίωσης διέπεται από

P r ( X ) = 10) = ∣ ,
Pr(JV = 20) = —. Ν α υπολογισθεί η πιθανότητα

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

1To πληρέστερο και ευχρηστότερο, (σως1 Αναλογιστικό σύγγραμμα

διεθνώς.
 125
Παροράματα

Σελ. Γραμμή Α ντί Γράφε

-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

76 1κ να προστεθεί: Τ ι ποσό πρέπει να "επίστραφεί στον A

∏.v "δικαιωθεί" στο Συμβούλιο Επικράτειας, π.χ. την
1/6/95;

77 υποσ. Χριστού 2 π.Χ. Χριστού το 2 π.Χ.

79 8κ τμ., τμ·
80 9. Π (ή> ~A
86 Ασκ. 4 να γίνει ανταλλαγή του V
και του 1+1
90 (1) (x)=l-F(x) s(x)=l-F(χ)
ο
94 e

97 1κ β(χ ) 8(t)
99 Α σκ. 1 του να του (70) να
 ΜΕΡΟΣ Β

ΠΙΘΑΝΟΤΗΤΕΣ
 ΚΕΦΑΛΑΙΟ I

ΒΑΣΙΚΕΣ ΠΡΟΤΑΣΕΙΣ ΤΗΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ

1.1. Πειράματα Τύχης

Σ ε πολλές περιπτώσεις επιστημονικών και πρακτικών δραστηριοτήτων,

ορισμένα π ειρά μ α τα (ή παρατηρήσεις) μπορούν να επαναληφθούν πολλές
φορές κ ά τω α π ό τις ίδιες ή παρόμοιες συνθήκες. Σ' αυτές τις περιπτώσεις τα
αποτελέσματα κάθε ατομικού πειράματος μπορούν να προβλεφθούν με
ακρίβεια, όπω ς π.χ. ο χρόνος των εκλείψεων του ήλιου, το διάστημα το
οποίο διανύει σώμα που πέφτει υπό την επίδραση της βαρύτητας σε χρόνο ί
κ.ο.κ. Τ έτοιου είδους πειράματα ονομάζονται "προσδιορίσιμα"
(determ inistic), τ α δε αντίστοιχα γεγονότα (αποτελέσματα) "βέβαια".
Σ ε ά λλες όμως περιπτώσεις η γνώση μας δεν είναι αρκετά ακριβής ώστε
να επιτρέπεται η ακριβής πρόβλεψη των αποτελεσμάτων των ατομικών
πειραμάτω ν. Σε τέτοιες περιπτώσεις μιλούμε για π ε ιρ ά μ α τα τύ χ η ς
(random ή non-determ inistic), στα οποία δεν ισχύει ο νόμος του α ιτίο υ -
α ιτ ια τ ο ύ , δηλ. υπό τις αυτές, λίγο ή πολύ συνθήκες δεν έπεται το ίδιο
αποτέλεσμα (γεγονός).

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).

Σ ημείω ση: Σ τ α παραδείγματα 1 και 4 τα αποτελέσματα είναι ποιοτικά,

μπορούμε όμως ν α τα μετατρέψουμε σε ποσοτικά (π.χ. αντιστοιχώντας ένα
αριθμό σε κά θε αποτέλεσμα, π.χ. το 1 για το Κ ή α και 0 για το Γ ή κ.
 2

1.2. Ορισμοί Δειγματοχώρου κ α ι Π ιθα νότητας

1. Το σύνολο των δυνατών αποτελεσμάτων ενός πειράματος τύχης καλείται

χώ ρ ο ς δειγμάτω ν ή γεγονότω ν ή δ ε ιγ μ α τικ ό ς χ ώ ρ ο ς ή δ ειγμ α το χ ώ ρ ο ς
ενώ τα ατομικά (αδιαίρετα) αποτελέσματα καλούνται σ το ιχ ειώ δ η ή α π λ ά
ενδεχόμενα.
θ α παριστούμε τον δειγματοχώρο με Ω.
Μια ένωση (άθροισμα) στοιχειωδών ενδεχομένων κ α λ ε ίτα ι (σύνθετο)
τυ χ α ίο γεγονός ή ενδεχόμενο, Δηλ., ενδεχόμενο κ α λ είτα ι οποιοδήποτε
υποσύνολο του δειγματικού χώρου1.

Π αρά δειγμα : Στο παράδειγμα 2 της § 1.1, τα στοιχειώδη γεγονότα

είνα ι 1, 2, 3, 4, 5, 6 ενώ ένα σύνθετο ενδεχόμενο είναι π.χ. "άρτιο
αποτέλεσμα", δηλ. 2 ή 4 ή 6.
Σημείωση: Ο δειγματικός χώρος, δηλ. όλα τα στοιχειώδη ενδεχόμενα,
θεωρούμενος ως σύνθετο γεγονός αποτελεί το καλούμενο "βέβαιο γεγονός"
(sure event).

2. Π ιθ α ν ό τη τα ενός ενδεχομένου. Έστω Ε τυχόν ενδεχόμενο (σύμφωνα

με τον ορισμό μας, Ε είναι υποσύνολο του δειγματικού χώρου Ω, δηλ.
Ε ⊂ Ω ). Ας υποθέσουμε ότι το ενδεχόμενο Ε εμφανίσθηκε ν φορές σε Ν
επαναλήψεις του πειράματος τύχης. Ο λόγος — κ α λ είτα ι "σχετική
Ν
σ υ χ ν ό τη ς" του Ε στις Ν δοκιμές κ α ι όταν το Ν τείνει στο άπειρο, το —
Ν
τείνει σε μία σταθερά Ρ (Ε ), την οποία καλούμε " π ιθ α ν ό τ η τ α του
ενδ εχο μ ένο υ Ε " (εννοείται αναφορικά με το τυχαίο πείραμα που παράγει
τον δειγματοχώρο Ω), δηλ.
P ( E ) - lira — .
Λ∕ →- T√

Η προσέγγιση αυτή της πιθανότητας ως ο ρ ια κ ή ς σ χ ε τικ ή ς σ υ χ ν ό τη τα ς

οφείλεται στον Von Mises και βασίζεται στο νόμο της στατιστικής τάξεως ή
της σταθερότητας των σχετικών συχνοτήτων σε μεγάλο αριθμό (θεωρητικά
άπειρο) επαναλήψεων ενός πειράματος τύχης.

Ο κ λ α σ ικ ό ς ορισμός τη ς π ιθ α ν ό τη τα ς ενός ενδεχομένου Ε (κ α τ ά

L ap lace) είναι:

1 Ο αυστηρός (μετροθεωτητικός) ορισμός ενός ενδεχομένου Α γ ια χώρους Ω με μη αριθμήσιμο σύνολο

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

Αριθμός των ευνοϊκών περιπτώσεων για το £

£ (£ ) =
Συνολικός Αριθμός (δυνατών) περιπτώσεων
Εδώ υπονοείται η υπόθεση του ισοπίθανου (ή ισοδύναμου) των
αποτελεσμάτων (περιπτώσεων) ή στοιχειωδών ενδεχομένων. Π.χ. στο
παράδειγμα 2, η πιθανότητα ρ άρτιου αποτελέσματος, είναι
αριθμός των άρτιων αποτελ. _ 3
ουνολικόςαριΟμός των αποτελ. 6 '
Προφανώς, πίσω από το "ισοπίθανο" κρύβεται η γνωστή συμμετρία των
τυχερών π α ιγνιδιώ ν (με τράπουλες, ζάρια, νομίσματα, κ.λπ.) κα ι οι
αναμενόμενες αντίστοιχες ίσες σχετικές πιθανότητες των αποτελεσμάτων
(περιπτώσεων) γ ια μεγάλα Ν.

1.3. Β α σ ικ ές Π ρ ά ξ εις επί Σημειοσυνόλων

Ορισμοί'.

1. Έ να υποσύνολο Α του Ω t συμβολιζόμενο Α α ,Ω , είναι μια συλλογή

σημείων ω του Ω. (Αν Ω είναι δειγματικός χώρος, τότε το Α είναι ένα
ενδεχόμενο).

2. Έστω Α κ α ι Β δύο υποσύνολα (ενδεχόμενα). Λέμε ότι το Α σ υ ν επ ά γετα ι

το Β - κ α ι συμβολίζεται A ⊂ Β - αν όποτε πραγματοποιείται το Α
πραγματοποιείται και το Β.

Σημείωση: To A c B γράφεται και ως Β ζ> Α (το Β κ α λ ύ π τε ι το Α ή

περιέχει το Α ).

3. Το ενδεχόμενο, το οποίο δεν περιέχει κανένα σημείο (στοιχειώδες

ενδεχόμενο) κ α λ είτα ι αδύνα το ενδεχόμενο, συμβολιζόμενο με το κενό
σύνολο 0 .

4. Έ νω ση δ ύο ενδεχομένω ν. Η ένωση δύο γεγονότων Α και Β,

συμβολιζόμενη με A<J Β , περιέχει κάθε στοιχείο, το οποίο ανήκει ή στο Α ή
στο Β (ή κ α ι στα δύο). Μπορεί να διατυπωθεί ως: το υ λά χισ το ένα α π ό τα
γ ε γ ο ν ό τ α Α κ α ι Β π ρ α γμ α το π ο ιείτα ι.

Σημείω ση: ένωση τριών γεγονότων 4 u 5 u C = ( ∕ u Β) u C ,

Η
= A<J (B<J C), δηλ. η πράξη Ο ικανοποιεί τον π ρο σ ετα ιριστικό νόμο
(της συνολοθεωρίας) κα ι μπορεί να ερμηνευθεί: τουλάχιστο ένα από τα
ενδεχόμενα A t B l C πραγματοποιείται.
 4

Ένωση A u Β Τομή Λr ∖ B

5. H τομή ή γινόμενο δύο συνόλων (ενδεχομένων) είναι το ούνολο

(ενδεχόμενο) το οποίο αποτελείται από όλα τα στοιχεία (στοιχειώδη
γεγονότα) που ανήκουν και στα δύο σύνολα Α και Β, δηλ.Α ΓΊ Β ή ΑΒ
σημαίνει τη σύγχρονη πραγματοποίηση των ενδεχομένων Α και Β.

6. Το συμπλήρωμα ή αντίθετο του Α (στο Ω) ουμβολιζόμενο με

A e ή Α ή Α ' (ας διατηρήσουμε το Α ') είναι το σύνολο το οποίο αποτελείται
από όλα τα σημεία (στοιχεία) τα οποία ανήκουν στο Ω αλλά όχι στο Α,
δηλ. A ' σημαίνει ότι το ενδεχόμενο Α δεν συμβαίνει (όχι Α).

1.4. Β ασικά Αξιώματα της Πιθανότητας

Έστω Ω ένας δειγματικός χώρος. Η "πιθανότητα" ή "πιθανοσυνάρτηση"

Pi είναι μια σύνολο συνάρτηση οριζόμενη για κάθε (μετρήσιμο) 1 υποσύνολο
Α του Ω, (ενδεχόμενο) ώστε, να πληρούνται τα παρακάτω τρία αξιώματα
το υ Kolmogorov.
1. P(Λ) = 1, δηλ του βέβαιο γεγονός Ω έχει πιθανότητα 1.
2. P (Λ )≥ 0 .
3. Αν A ,,A 2 ,... είναι ακολουθία ασυμβίβαστων ή ξένω ν μ ε τα ξ ύ τους
ενδεχομένων, δηλ. A l A j = 0 , / ≠ J , τότε
P(A l ο A i ο A3 U ...U AVU ...) = P(A l ) + P(A 2 )+...+P(A J+..,,

, Tu A "⅛LytΛaΛ μετρήσιμο αν ανήκει στη σ-άλγεβρα Β (Ω ) (βλ. προηγούμενη υποσημείωση)

 5

δηλ η πιθανότητα να συμβεί τουλάχιστον ένα από τα ασυμβίβαστα

ενδεχόμενα είναι ίση με το άθροισμα των πιθανοτήτων των εν λόγω
ενδεχομένων. Αυτό αναφέρεται ως ιδιότητα της σ-προοθετικότητας της
πιθανοουνάρτησης P , .
Στην ορολογία της θεωρίας μέτρου, η συνάρτηση πιθανότητας Ρ είναι
ένα πεπερασμένο μέτρο (δηλ. με Ρ(ί2) < <*>) κανονικοποιημένο ώστε
P[∩] = l. Η τριάδα {Ω,B(Ω},P} λέγεται "χώρος πιθανοτήτων".

Π αράδειγμα·. Από μία δέσμη 52 χαρτιών (τράπουλας) εξάγεται ένα

χαρτί τυχαία. Έστω τα ενδεχόμενα:
Α: το χαρτί είναι "καρρό"
Β: το χαρτί είναι "σπαθί"
P(A <JB) = Ρ (το χαρτί είναι "καρρό" ή "σπαθί") = P(A)+ Ρ(Β).
Επειδή υποθέτουμε ότι όλα τα χαρτιά είναι εξίσου "πιθανά" (ισοπίθανα)
έπεται ότι κάθε χαρτί έχει πιθανότητα εξαγωγής ίση με — και άρα:
13 13 1
P(A ) = ⅛ , P(B) = - , P (A u B ) = P(A)+P(B) = - .
j2 <J Z

1.5. Β ασικές Ιδιότητες των Πιθανοτήτων

I. Για κάθε ενδεχόμενο Α,

0 ≤ P(A) ≤ 1.

Απόδειξη: Από το Αξίωμα 2, P(A)>0. Αρκεί λοιπόν να δειχθεί η

P (A )≤1. Γι'αυτό θεωρούμε το Α ' ώστε A υ Α ' = Ω και ΑΑ' = 0 . Κατά το
Αξίωμα 3,
P(A u A , )=P(A) + P(A')=P(β) = 1.
Έτσι
P(A) = 1-P(A ')≤1
αφού, βάσει του Αξιώματος 2; είναι P(A') ≥ 0.

Π όρισμα 1. P(A') = 1- Ρ(Α).

II. Έστω Α κα ι Β δύο ενδεχόμενα. Τότε
P(A B')=P(A)-P(AB).

Α πόδειξη: A=AB ∖ J A B ' t (AB) n (AB') = 0.

Βάσει του Αξιώματος 3 έχουμε:
P(A) = P (A B U A B , } = P(AB) +P(AB') άρα P(AB') = P(A) - Ρ(ΑΒ).
1 Αρχικά ο Kolmogorov διετύπωσε το Αξίω μα της Συνέχειας των Πιθανοτήτων, ισοδύναμο

του Αξιώματος 3 (βλ , Aσκ. 40).

 6

ΠΙ. Π ροσθετικό θεώρημα των πιθανοτήτω ν. Για τυχόντα ενδεχόμενα Α,

Β ισχύει:
P(A U B)=P(Λ ) + P(B) - Ρ (Α Β )

Α πόδειξη: A ' U B = A<J A 'B κ α ι A η {A 'B ) = 0 . Από το Α ξίω μα 3,

P(A u B)=P(A U A , B )≈ P {A ) ÷ P (A 'B ).
Από την ιδιότητα II είναι P(A'B) = P(B) - P (A B )' και ά ρ α
P(A U B )≈ P(A) + P(B) - Ρ(Λ Β )

Π όρισμα 2: P (A < uB )≤P (A ) + P(B) (υποπροσθετική ιδιότητα της Ρ).

Γενικά ισχύει η ανισότητα του Boole: Για οποιαδήποτε ενδεχόμενα
A l ,A 2 ,...,A 0 έχουμε
P(A 1 U Λ2 U ...U ½ J ≤ P ( A 1) + P(½ 2 )+ ...+ P (Λ J

Α πόδειξη: (Επαγωγικά): Υποθέτουμε ότι ισχύει γ ια v = k κ α ι θα την

αποδείξουμε για v=Λ '+l.
Έχουμε
≤40A∣ + i ,‰ )
ν=ι /
κ α ι εξ υποθέσεως για ν = k ≥ 2 έχουμε
4 u Λ j≤ ∑ Λ A ) ∙

Ά ρα
( 1-+J λ k Α+Ι
η ∪A l≤ ∑ P (A )+ P ‰ ) = ∑ΛX,)∙
M=l J ί=1 /-I

Π α ρ α δ ε ίγ μ α τα : Εφαρμογές των παραπάνω προτάσεων

1. Από καθεμιά από δύο (συνηθισμένες δέσμες (τράπουλες) χαρτιών
εξάγεται ένα χαρτί στην τύχη. Έστω Α το ενδεχόμενο: Έ ν α ς τουλάχιστον
"άσσος καρρό", και A 1 το γεγονός "άσσος καρρό" από τη δέσμη /, /=1,2.
Τότε για το ενδεχόμενο A = A l u ½ 2 , από την πρόταση III, έχουμε
(*) P (A )≈ P (A l u A 2 )= P (A l ) + P (A 2 ) - P ( A , A 2 ).

Α λλά P (A 1) = - κα ι P(A 2 ) = - . Για να βρούμε την P (A 1A ,) βλέπουμε ότι

52 52
υπάρχουν 52x52 δυνατά ζεύγη (διατεταγμένα) χαρτιών, που μπορούν να
εξαχθούν από τις δύο δέσμες. Από αυτά ένα είναι ευνοϊκό για το
ενδεχόμενο A JA 2 (άσσος καρρό κ ι από τις δυό). Ά ρα P ( A t A 2 ) = - ~ - και

από την (*)

_ 2 ____1_ = J ____ I _ 103
~52 522 26 52 2 ^2704
 7

2. (Συνέχεια) Θεωρούμε το ενδεχόμενο Β: Κανένας άσσος καρρό. Τότε το Β

είναι το αντίθετο ενδεχόμενο του Α (του παραδείγματος 1). Αρα έχουμε
(βλ. Πόρισμα 1)
P(B>=p(4'>=ι-P(∕∣)=ι-i^--ljl ή r (fl ).112L= p( A W / i;) i 2|21.
J \2 ο 52 52-52 2704
Αυτό δείχνει την α ν εξα ρ τη σ ία των A i , Α 2 (άρα και Λl',A j) όπως θα δούμε
παρακάτω , στις § § 3.3, 3.4, πιο "αυστηρά".

3. Ρίχνουμε νόμισμα τρεις φορές. Με Α συμβολίζουμε το ενδεχόμενο; Το Κ

(κορώνα) εμφ ανίζεται τουλάχιστο μια φορά. Τότε
P(A )=1 - P(Λ z) = l - P(καvεvα AT)=1
8 8
(Ο Ω αποτελείτα ι από τα 8 = 2 1*3 (γιατί;) ισοπίθανα σημεία ΚΚΚ, ΚΚΓ,
ΚΓΚ, ΓΚΚ, ΚΓΓ, ΓΚΓ, ΓΓΚ, ΓΓΓ. Αυτό υπολογίζεται και ως εξής: Ρ (ένα
τουλάχιστον Κ ) = Ρ(ακριβώς ∖ K) + Ρ(ακριβώς 2K ) ÷ P(aκpιβcoς 3Κ)
1 3 3 7
Προφανώς, πιο σύντομο (και έξυπνο!) είναι μέσω της
8 8 8 8
P ( Λ f ),

2.1. Δ ε ίγ μ α τ α α π ό Πεπερασμένο Πληθυσμό

Ας θεωρήσουμε ένα κουτί (πληθυσμό) με π διακεκριμένα (διαφορετικά)

αντικείμενα (στοιχεία) κα ι υποθέτουμε ότι εξάγονται ν αντικείμενα, το ένα
μετά το άλλο, χωρίς επιστροφή (στο κουτί) (ά νευ επavaθεσεως ∖ τότε το
πλήθος τέτοιω ν υποσυνόλων του πληθυσμού των ν αντικειμένων, που
ονομάζονται δ ε ίγ μ α τ α μ εγέθ ο υ ς ν, είναι ίσο με το πλήθος | των

συνδυασμών των π αντικειμένων ανά ν. Αυτό είναι ίσο με:

'zΛ n ( ∏ - l) ...( n - v ÷ l) η!
l∙.2 (v -l)v V !(Λ - V)!

Σημείω ση: Δ εν ενδιαφέρει η διάταξη με την οποία τα ν αντικείμενα του

δείγματος εξήχθησαν, δηλ. ποιό βγήκε πρώτο, ποιό δεύτερο κ.τ.λ., αλλά
α πλά π ο ιά β γ ή κ α ν από τα η. Τέτοια υποσύνολα ν αντικειμένων λέγονται
μ η δ ια τ ε τ α γ μ έ ν α δείγματα. Αν όμως μας ενδιαφέρει η διάταξη, τότε
μιλάμε γ ια δ ια τ ε τ α γ μ έ ν α δ ε ίγ μ α τ α μεγέθους ν και το πλήθος τους είναι
ίσο με το πλήθος των δ ια τά ξ εω ν των π αντικειμένων ανά ν, το οποίο
συμβολίζεται με ( n ) l, κ α ι ισούται με*

1 Σύμφω να με την π ο λ λ α π λ α σ ια σ τ ικ ή αρχή: Α ν πράξη ∕7 l μπορεί να γίνει κατά a 1 τρόπους,

οτη συνέχεια η ∏ j κ α τ ά a j τρόπους, κ .ο.κ . η ∏ t, κατά a t, τρόπους, τότε η ακολουθία των ν
πράξεων μπορεί να γίνει κατά a ∣a ,...a ,. τρόπους.
 8

(π),∙ = ∏ (n -1 )...(∏ -v + l) =

Σημειώνουμε ότι κάθε συνδυασμός από τους δίνει ν! (όσες οι μεταθέσεις

των ν) διατάξεις.

Π α ρ α δείγμ α τα '. 1) Α ς υποθέσουμε ότι μία κ ά λ π η π εριέχει 10< λευκές

κ α ι 5 μαύρες σφαίρες. Εξάγουμε τυχαία δύο σφαίρες. Π ο ια είναι η
πιθανότητα να είναι λευκές και οι δύο σφαίρες (ενδεχόμενο A ) ;
15
παρχουν τρόποι (μη διατεταγμένα ζεύγη) εξαγωγής δύο σφαιρών από
2
10
τις 15, ενώ υπάρχουν ζεύγη λευκών σφαιρών. Ά ρ α
2
10 10-9
2 2
P (A )=
15Ϊ 1514 7
2 2

Έστω Β ; Μ ια είναι λευκή και μια μαύρη. Τότε έχουμε

15-5-2 5
15-14 ^^7

2) Εξάγουμε 5 χαρτιά από 52 μιας τράπουλας, ά) Π ο ια ε ίν α ι η πιθανότητα

ν α εμφανιστούν κ α ι οι τέσσερις άσσοι (ενδεχόμενον A ) ;
<4Y48λ
ρ ( Α ) _ l 4 Jv 1 ( 4 8 ) _ 48 × 5!47! 1
= 0,018%c,
p2^∣ <52^ 52! 54145

β) Π ο ια είναι η πιθανότητα να έχουμε ακριβώς 3 άσσους (ενδεχόμενο B );

( 4Υ 48Ί
3Λ 2
P (B ) = 2 × 47 × P ( A ) = 0,17%
52 v

<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

Π ρ ό τα σ η 1. Ας θεωρήσουμε ένα σύνολο //αντικειμένω ν a i f a 2 ,...,a f f

και ας υποθέσουμε ότι εξάγουμε τυχαία η αντικείμενα, το ένα μετά το
άλλο, χω ρ ίς επανάθεση: Τότε η Ρ (να εμφανισθεί το a l κατά την ν-οστή
εξαγωγή) = ~ γ ια όλα τα /= 1,2,...,// και v= l,2.....n ( n ≤ ∕∕) .

Α π ό δ ε ιξ η : Υπάρχουν (N ) v διατεταγμένα δείγματα μεγέθους ν. Το

ενδεχόμενο να έχουμε το α z αντικείμενο κατά την ν-οστή εξαγωγή μπορεί
να πραγματοποιηθεί κατά ( Ν - l ) μ, ∣ =(N -1)(7√ - 2)...(// - ν + 1) τρόπους,
διότι γ ια την πρώτη εξαγωγή έχουμε (Ν -1) τρόπους εκλογής, για την
δεύτερη έχουμε (η - 2) εκλογές κ.ο.κ., για την ν-οστή εξαγωγή έχουμε μόνο
ένα τρόπο εκλογής, την επιλογή του αντικειμένου a l . Άρα, επειδή όλα τ α
( N ) 1, διατετα γμ ένα δείγματα έχουν την ίδια πιθανότητα (αυτό εννοούμε με
το ’’τυ χα ία "), έχουμε
Dr . , , ( / 7 - 1 ) . . .( / 7 - ν + 1)
Ρ[το α· εμφανίγζ εται κατα την ν-οοτη εfξαγωγή] = ----------- i ---------- - =
(N) v
( / / - 1 ) ( / / - 2 ) . . . ( / / - ν + 1) _ 1
∕7(2V- 1 ) ( / / - 2 ) . . . ( / / - ν + 1) Ν

Π ρ ό τα σ η 2; Από σύνολο Ν (διαφορετικών) αντικειμένων α ρ α 2 ,...,α Ν

εξάγουμε τυ χα ία ο αντικείμενα το ένα ύστερα από το άλλο χω ρίς
επανάθεση. Τότε η Ρ (το a i περιέχεται στο δέιγμα) = — .
//
I /7
Α π ό δ ε ιξ η : Υπάρχουν (μη διατεταγμένα) δείγματα μεγέθους η κ α ι
In
'7√ - f ∖
τρόποι εκλογής δείγματος (ή δείγματα) μεγέθους η που περιέχουν το
,∏ -1 J
αντικείμενο α ·. Ά ρα

P [τo a l περιέχεται στο δείγμα] = ∙^ —√ ^ = ~ -

। /7 1 Ν
Vj √
Ά λ λ η α π ό δειξη : Έστω a i ένα συγκεκριμένο αντικείμενο από τα Ν. Η
Ρ [α z π εριέχετα ι στο δείγμα] * Ρ [α ; εμφανίζεται σε μια οποιαδήποτε
εξαγωγή α π ό 1 ως ∏] = P[A l U ½J U 1..U ΛJ ] όπου τα A v είναι ασυμβίβαστα
και βάσει του αξιώματος 3,
P (A l θ A 2 L>...uA n )=P(A ,) + P(z42 )+...+P(A a ) = ^ ,
Ν
διότι P (A l y) = - , βάσει της Πρότασης 1.
Ν
iθ

2 .2 . Δ ειγμ α το λη ψ ία με ΕπανάΟεση

Στην τυχαία δειγματοληψία με επανάθεση αντιστοιχούμε την ίδια

πιθανότητα, δηλ. Λ Γ n = ∙ ~ ∙ στο καθένα απο το Ν η δείγματα. (Ε ίνα ι το

ίδιο σαν να ρίχνουμε η διακεκριμένες σφαίρες σε Ν κ ε λ λ ιά (δοχεία). Αυτό

μπορεί να γίνει κατά Ν η τρόπους ή, άλλω ς, υπάρχουν Ν η διαφορετικές
"κατανομές" (των σφαιρών στα κ ελλιά ), σύμφωνα με την
πολλαπλασιαστική αρχή.

Π ρ ό τ α σ η 3: Όταν εξάγουμε η αντικείμενα από τα Ν με επανάΟεση,

τότε (πρβλ. Προτάσεις I και 2):

α) Ρ (το a t εμφανίζεται κατά την ν-οστή εξαγωγή) = — , όπου v = l,2 ,3 ,...

Ν
β) Ρ (το a i θα περιέχεται σ’ένα δείγμα μεγέθους ∏ ) = l - P ( τ o a i να μην
(Λ r —Β"
εμφανισθεί μέχρι του n-οστού σταδίου) = 1 - - ■·.

3 .1 . Δευσμευμένη (υπό Συνθήκη) Π ιθ α ν ό τη τα

Π α ρ ά δ ε ιγ μ α 1°: Ρίχνουμε ένα κύβο μια φορά. Έστω τα ενδεχόμενα Α :

εμφανίζεται το 2, Β: εμφανίζεται άρτιο αποτέλεσμα.
Η πιθανότητα του Α υπό την συνθήκη ότι πραγματοποιήθηκε το Β λέγεται
δεσμευμένη ή υπό συνθήκη π ιθ α νότη τα του Α δ ο θ έ ν τ ο ς το υ Β και
παριστάνεται με το P ( A ∖B ) . Έχουμε

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)

Π α ρ ά δ ε ιγ μ α 2 ° : Βγάζουμε τυχαία ένα χαρτί από μ ία τράπουλα.

Έστω τα ενδεχόμενα
Α : το χαρτί είναι "Ρήγας"
Β: το χαρτί είναι "φιγούρα" (Σημειώνουμε ότι "φιγούρα"
είναι: "Ρήγας", "Ν τάμα", "Βαλές").
4 1
Η (μη δεσμευμένη) δεσμευμένη πιθανότητα

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.

Ο ρ ισ μ ό ς : Έστω Α και Β δύο ενδεχόμενα και P(B)>0. Τότε η

δεσ μ ευ μ ένη π ιθ α ν ό τ η τ α του Λ δοΟ έντος του Β (ή δοθέντος ότι το Β
συνέβη ή ότι θα συμβεί), συμβολιζόμενη με P ( ∕1 ∣B ) , ορίζεται από την
P (Λ ∣B )≈ ∙ p ^ ^ . (J)
Ρ (Β )

Ομοίω ς, α ν Ρ ( Λ ) > 0, P ( β ∖A ) ≈ ·

Π α ρ ά δ ε ιγ μ α : Σε οικογένεια με δύο παιδιά υπάρχει ένα αγόρι

(τουλάχιστον ένα αγόρι). Ποια είναι η πιθανότητα να είναι και τα δύο
αγόρια;
Έ στω Α : κ α ι τα δύο παιδιά είναι αγόρια
Β : τουλάχιστον ένα είναι αγόρι
Τότε, σύμφωνα με την (1),
p (0 tκ P1β∞⅞ 2 αγόρια)_ 1/4 _ £
Ρ ( Α 'Β } = =
l ' J Ρ (Β ) 3/4 3 ∕4 ^ 3
1 3
αφού P ( B ) =1 - Ρ (κα νένα αγόρι)= 1 — = —.
4 4
Ο περιορισμένος (υπό συνθήκη) δειγματοχώρος του Β είναι { a a ,a κ , κα }

και το Α ο ρ ίζει ένα, το α α , από τα τρία σημεία του Β. Έτσι P ( Λ ∣ B ) = p Ο

αρχικός δειγματοχώ ρος Ω = { a a ,a κ ,κ a ,κ κ }

3 .2 . Π ο λ λ α π λ α σ ια σ τ ικ ό ς Τύπος (Ν όμος του Γινομένου ή Ν ό μ ο ς των

Σ υνθ έτω ν Π ιθ α ν ο τ ή τ ω ν )

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

Ε φ α ρ μ ο γ ή του (4): Α ς θεωρήσουμε μία δειγματοληψ ία, χωρίς

επανάθεση, από ένα πληθυσμό π αντικειμένων α l ,α 2 , . . . , α f l . Π ο ία η
πιθανότητα να εκλεγεί το αντικείμενο a l κατά τη δεύτερη εξαγωγή
(ενδεχόμενο /1); Με το A v συμβολίζουμε το ενδεχόμενο το a z να εκλεγεί
κατά τη i'-οστή εξαγωγή (v=l,2). Έχουμε A = ∕ l l712 κ α ι επομένως
P ( Λ ) = p μ r⅛ ) = P ( A lW 1M ,' ) = - ~ l -= ->
η η
όπου P ( Λ 1') = P (της μη εξαγωγής του a i κατά την πρώτη εξαγωγή) =

= —— - και P ( A ∣ A , ) = - — , αφού ∕ l 1 ∣ ∕l l' σημαίνει ότι το a t βγαίνει στη

η *' π -1
δεύτερη εξαγωγή και είναι ανάμεσα στα η —1 αντικείμενα.
Μπορούμε να γενικεύσουμε τον τύπο (2) σε περισσότερα από δύο
ενδεχόμενα δηλ. για οποιαδήποτε ν ενδεχόμενα A l , A 2 , . . . t A v έχουμε
P (A ^ V .Λ )= ^ (A )^ (A ∣A ).∙^ (A M 1A∙∙∙A-1).
Ε ύ κο λα τώρα μπορεί να δειχθεί η Πρόταση 1 της § 2.1.

3 .3 . Α ν ε ξά ρ τ η τ α Ενδεχόμενα

Α ν συμβεί να έχουμε
' V ∣ S ) = η ^ - ~ ∕ , (4 ). ( P ( B ) > 0 ) ,

δ η λ αν συμβαίνει η δεσμευμένη π ιθ α ν ό τ η τ α του Α δ ο θ έ ν τ ο ς του Β να

ε ί ν α ι ίση μ ε την αδέσμευτη π ιθ α ν ό τ η τ α του Α , τότε το Α λέγεται
σ τ α τ ισ τ ικ ά ή σ το χα σ τ ικά α ν εξά ρ τ η τ ο του Β . Θ α δούμε ότι τότε κ α ι το Β
θα είνα ι στοχαστικά ανεξάρτητο του Α , ώστε η α ν ε ξ α ρ τ η σ ία δυο
ε ν δ ε χ ο μ έ ν ω ν να ο ρ ίζει σ υμμ ετρική σχέση.

Π α ρ ά δ ε ιγ μ α ’. Βγάζουμε ένα χαρτί από τράπουλα.

Έστω Α : το χαρτί είναι "άσσος"
Β: το χαρτί είνα ι "σπαθί"
Τ ο ενδεχόμενο Α είναι στοχαστικά ανεξάρτητο του Β , διότι
Ρ ( ? 1 |Β ) = Δ ή £ )= " « = 1 4_ _1
και P(√4)=
Ρ(Β) 13/52 13 5 2 ~ 13
Η ανεξαρτησία του Α από το Β αναμένεται διαισθητικά, αφού το
γεγονός "σπαθί" δεν δίνει πρόσθετη πληροφορία για το γεγονός "άσσος".
Α ς σημειωθεί ότι, όταν P ( A ∖B ) = P ( A ) t τότε από την (1) λαμβάνουμε
επίσης ότι: P ( A B ) = P ( A ) ∙ P ( B ) απ ’όπου έχουμε επίσης P ( B ∣ A ) = P ( B ) .
Γ ι'α υτό η συμμετρική (ως προς Α ,Β ) σχέση P (A B )= P (A )P (B )
χρησιμοποιείται ως ορισμός της ανεξαρτησίας δύο ενδεχομένων Α κ α ι Β .
 13

Ο ρισμός. Τ α ενδεχόμενα Α και Β καλούνται σ τα τισ τικ ά ή

σ το χ α σ τικ ά α ν ε ξ ά ρ τ η τ α ή απλά, ανεξάρτητα, αν
P (A B )= P (A )∙P (β ).
Σ το επόμενο παράδειγμα η στοχαστική ανεξαρτησία δύο γεγονότων δεν
είναι τόσο προφανής από τον ορισμό των ενδεχομένων.

Π α ρ ά δ ε ιγ μ α : Ας θεωρήσουμε οικογένεια με τρία παιδιά. Έστω τα

ενδεχόμενα
Α: π α ιδ ιά κ α ι των δύο φύλων,
Β: το π ο λύ ένα κορίτσι.
Για ν α διαπιστώσουμε κ α τά πόσο τα Α και Β είναι στατιστικά ανεξάρτητα,
πρέπει να δούμε αν: P ( A B ) = P ( A ) ∙ Ρ (Β ). Έχουμε
ίί 3 4 1 3
P (A )≡ = -= —-l p ( β ) = - = —, P (A B )= -(A B = ακριβώς ένα κορίτσι)
Άρα P ( A B ) = P ( A ) · Ρ ( Β ) , δείχνει ότι τα Α και Β είναι ανεξάρτητα.

Σημείω ση: Α ν θεωρήσουμε οικογένεια τεσσάρων παιδιών (ή ν ≠ 3 παιδιών),

τότε τα ενδεχόμενα Α κ α ι Β δεν είναι ανεξάρτητα, (βλ. Άσκ. 10). Για ν = 2
προφανώς τ α Α κ α ι Β είναι εξηρτημένα.

Ο ρ ισμός. Α ς θεωρήσουμε περισσότερα από δύο ενδεχόμενα,

A l ,A 2 , . . . , A μ . Τ α ενδεχόμενα A i ....,A v καλούνται τελείω ς α νεξά ρ τη τα αν
για κάθε υποσύνολο {A i ,A l ,...,A i } του {A1,...,Λ v } με
1 ≤ ή < i 2 <...< i r ≤ ν, 2 ≤ r ≤ v , ισχύουν οι σχέσεις
(*) ^ P (A 4 ∙'Λ ...A J = P ( A ι m ι )...P(A i∙t ).
Επομένως τα A i , A 2 ,...,A v πρέπει να είναι ανά δύο ανεξάρτητα, δηλ.
P (A i ∙ A j ') = P ( A j ) P ( A j ) για όλα τα ζεύγη ∕≠ √ , i, j = 1,2..... ν, επί
πλέον αυτά πρέπει να είναι ανεξάρτητα ανά τρία, δηλαδή: P (A j A j A k ) =
P ( A j')P (A j')P (A i .') κ.ο.κ., και τελικά πρέπει να ισχύει η σχέση
P(A,,A 2 ,...,AV )=P(A 1)P(A2 )...P(Λ). (5)
Μ πορεί να δειχθεί (απλή συνδυαστική) ότι υπάρχουν 2 v - ν - 1 σχέσεις
στη (*). Επομένως δεν ε ίν α ι γεν ικ ά α ρκετή η ισχύς τη ς σχέσεως (5) γ ια
τη ν τ έ λ ε ι α α ν εξ α ρ τη σ ία τω ν A ,, A 2 ,...,A V, όπως δείχνει και το

Π α ρ ά δ ε ιγ μ α : (Παράδειγμα τριών ενδεχομένων A l ,A 2 ,A 3 , τα οποία

είναι α ν ε ξ ά ρ τ η τ α α ν ά δύο, α λ λ ά δεν είναι ανεξάρτητα α ν ά τ ρ ία και
επομένως δεν είνα ι τελείως ανεξάρτητα). Ρίχνουμε ζάρι δυο φορές (ή 2
ζάρια διακεκριμ ένα μια φορά), ώστε ο Ω να αποτελείται από τα 36 ζεύγη
(1,1), (1,2),. ..,(1,6), (2,1),...,(6,6), το καθένα με πιθανότητα— .
 14

Έστω A 1 = μονό αποτέλεσμα κατά την lη ρίψη,

A 1 = μονό αποτέλεσμα κατά τη 2η pιι∣rη,
A i = μονό το άθροισμα των δύο αποτελεσμάτων
Τότε εύκολα βλέπουμε ότι
9 1 9 1
∕ , M , A ) - W > ) W > ) - - = p P (Λ , Λ J )= P ( ∕ I ,)P (∕IJ )= -=-
36 4 36 4
,
P ( Λ √ ,) = P ( A ) ∙ i ( A ) = ∣

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

Ο ρ ισ μ ό ς. Έστω ∏ i ,∏ 2 ,,..,∏ v πειράματα τύχης κ α ι Ω 1, Ω 2 , . . . , Ω l, οι

αντίστοιχοι δειγματικοί χώροι. Τ α π ε ιρ ά μ α τ α λ έ γ ο ν τ α ι ανεξάρτητα
(στατιστικά) αν για οποιαδήποτε ενδεχόμενα A j ,A - > ,...A r , όπου το A i
σχετίζεται μόνο με το Π j ( A j C L ∩ i ), ισχύει η σχέση
P(A1A2 ...Av ) = n A ) ∙^ ( Λ ) ...P ( Λ ) ∙
Ε ιδ ικ ά αν τα πειράματα Π l είναι επαναλήψ εις του ίδιου πειράματος
77, τότε μιλούμε για ανεξάρτητες δοκιμές. Π .χ . όταν ρίχνουμε νόμισμα
π ολλές φορές, όταν ρίχνουμε κύβο πολλές φορές κ .τ .λ . Αν μάλιστα
διακρίνουμε μόνο δυο αποτελέσματα σε κάθε δο κ ιμ ή, μ ιλ ά μ ε γ ια δοκιμές
B e r n o u lli (βλ § 4.2).
Έ τσ ι, αν ρίξουμε νόμισμα ν φορές κ α ι P ( K ) = - , Ρ [να έχουμε ν φορές

^ 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

Π α ράδειγμα 2 της § 1.5.).

 15

3.5. Μ ερικές Ιδιότητες των Δεσμευμένων Πιθανοτήτων

Από τον ορισμό της δεσμευμένης πιθανότητας P ( B ∖A ) εύκολα μπορούν

να δειχθούν οι ιδιότητες:

(/) P ( 5 ∣Λ ) ≥ 0 γ ια κάθε Β , P ( A ∣Λ ) = 1, P ( ∪ B J Λ ) = ∑ P ( B v ∣A)

v≥l *21
άν τα Β ν είναι ασυμβίβαστα.
(ή) P (Ω ∣X ) = 1
(iii) P ( 0 ∣A ) = O
(ϊν) Α ν A ⊂ Β (το Α συνεπάγεται το Β ) τότε P ( B ∣A ) ≈ l
(v) P ( A '∣β ) = l - P (A ∣B ), α λ λ d P ( A ∣ B ') ≠ l - P ( A ∣ B ) κ α ι
(w) P (A u F ∣C ) = P ( A ∣C ) + P (B ∣C ) - P ( A B ∖C )

(Προσθετικό θεώρημα για δεσμευμένες πιθανότητες). Προφανώς, ισχύει κα ι

η σ-προσθετικότητα (Α ξίω μα 3) υπό δέσμευση:
P ( y j A ,∖B ) = ∑ P { A ,∖B} αν Λ √ ,∙ = 0 (/≠ ; ) .
Έτσι αν με Ρ Α συμβολίσουμε τη δεσμευμένη πιθανότητα δοθέντος του Α ,
η Ρ Α ικανοποιεί ό λα τα αξιώματα μιας πιθανοσυνάρτησης (συνολοσυνάρτη-
σηςβλ. § 1.4).

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

Ο ρ ισ μ ό ς: Έ ν α ς δειγματικός χώρος κ α λείτα ι δ ια κ ρ ιτ ό ς (discrete) αν

αποτελείται από πεπερασμένο ή α ριθμ ή σ ιμ ο το πολύ πλήθος
σ τοιχειω δώ ν ε ν δ ε χ ο μ έν ω ν (σημείων).

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

Π α ρ α δ ε ίγ μ α τ α τυχαίω ν μ ετα βλητώ ν

ct) Ρίχνουμε νόμισμα 5 φορές. Εστω X ο αριθμός εμφανίσεων του
αποτελέσματος Κ (κορώνα). Τότε το X είνα ι μία τ υ χ α ία μεταβλητή που
λαμβάνει τις τιμές 0,1,2,3,4,5 κα ι αναφέρεται ως δ ιω ν υ μ ικ ή τμ. (βλ. § 4.2)
β) Ρίχνουμε νόμισμα έως ότου εμφανισθεί Κ (κορώ να) γ ια πρώτη φορά.
Εστω X ο αριθμός των δοκιμών που χρειάζονται. Τότε η τμ X π α ίρνει τις
τιμές 1,2,3,..., δηλ. το σύνολο Ν των φυσικών αριθμώ ν κ α ι ανα φ έρεται ως
γεω μ ετρ ική τμ. (βλ. § 4.2).

3 .7 . θ εώ ρημα της Ο λ ικ ή ς Π ιθ α νότη τα ς

Εστω το ενδεχόμενο Α το οποίο μπορεί ν α συμβεί μ όνο σε συνδυασμό

με ένα από τα ν ενδεχόμενα B x ,B 2 , . . . , B v , τα οποία ε ίν α ι ξ έ ν α μεταξύ τους,
δη λ. B j B j = 0 , i ≠ j (όχι κατ’ανάγκη Β } Ο S , u . . . u B v ~ Ω , οπότε τα B i

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)

Α π όδειξη'. Προφανώς το Α (συμβαίνει μόνον α ν συμβεί κ ά π ο ιο από τα

B j } συνεπάγεται την ένωση των Β · ώστε
A c B = B l U B 2 U ...< J B V .
Άρα,
A = A ∩ B = A ( B l u B 2 u ..Λ J B t,) = A B l <J A B , < j . . χ j A B y,.
όπου, επειδή τα B l είναι ξένα μεταξύ τους,θα είν α ι ξ έ ν α μ ετα ξύ το υ ς κα ι τα
A B j . Ά ρ α (σύμφωνα με το προσθετικό αξίωμα των π ιθ α νοτήτω ν)
P ( A ) = P ( A 5 l u A B 2 V ..Λ J A B r = P ( A B 1) + P ( A B 2 ) + ...+ P ( A B v ) (7)
Α λ λ ά από τον πολλαπλασιαστικό τύπο των πιθανοτήτω ν (§ 3.2 ), έχουμε
P ( A B ,) = P ( B ,) P ( A ∣5 ∕) , ∕ = l ,2 ,...,v ,
από την οποία και την (7) προκύπτει η (6).

Π α ρά δειγμ α ·. Μ ία κάλπη I περιέχει 5 άσπρες κ α ι 3 μ α ύρ ες σφαίρες

κ α ι μία άλλη κάλπη 11 περιέχει 3 άσπρες κ α ι 7 μ α ύ ρ ες σφαίρες.
Διαλέγουμε τυχαία μία κάλπη κ α ι απ'αυτήν εξάγουμε μ ία σφ αίρα. Ποια
είνα ι η πιθανότητα να βγει λευκή;
Έστω B χ ∙. το γεγονός της εκλογής της κ ά λ π η ς I
B 2 ∙. το γεγονός της εκλογής της κ ά λ π η ς II

πιθανοτήτων οε κάθε υποσύνολο της πραγματικής ευθείας το οπ οίο ε ίν α ι αριθμήσιμη ένωση ή

τομή διαστημάτων (κλειστών, ανοικτών ή ημιανοικτών). Ο περιορισμός τη ς πιθανοουνάρτησης
P∙.B(Ω^) —> [0,1] κάνει τον Ω "πιΟανοποιήσιμο" χώρο. Για δ ια κ ρ ιτ ο ύ ς χώ ρ ους Ω, κάθε
υποσύνολο A α Ω είναι μετρήσιμο (πιθανοποιήσιμο).
 17

(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 ) = ∣

όπου P (√ 4 ∣B 1 ) = P (η σφαίρα είναι άσπρη δεδομένου ότι προέρχεται από

5 3
την κ ά λ π η 7) = — και P ( A ∣B ,) = — . Ά ρ α
8 10
' 3 37
J0 80

3.8. θεώρημα του Bayes

Έστω τ α ενδεχόμενα A ,B 1,B 2 ...... B l, όπως στο θεώρημα της ολικής
πιθανότητας.
Τότε ο τύ π ο ς {θ εώ ρ η μ α ) του B a y e s δίνει την ε κ των υστέρων (a
p o s t e r io r i) π ιθ α ν ό τ η τ α ενός B i όταν (έχει) συμβεί το Α ,
_____________ P {A )P (A ∖Bj )
P ( B i ∖A ) = ∕ = l,2 ,...,v . (8)
P ( B l )P ( A ∣B 1)+ ...+ P (B μ )P (Λ ∣B v ) ,
Η P { B i ) κ α λ ε ίτ α ι "a priori" ή "εκ των π ροτέρ ω ν"πιθανότητα του B i .

Α π ό δ ε ι ξ η : Έ χουμ ε (πολλαπλασιαστικός τύπος των πιθανοτήτων)

Ρ ί Β Μ 1 - · Ρ ( Β '·4 ) - Ρ ( Λ | Β ' ) ? ( Β ' )
Ρ (Λ) ■
Έ τσ ι αντικαθιστώ ντας το Ρ { Α ) από το θεώρημα της ολικής πιθανότητας
βρίσκουμε την (8). Σημειωτέον ότι

∑ P (B ,∙∣A )=1.
7=1

Π α ρ ά δ ε ι γ μ α 1: Α π ό 100 δέματα (πακέτα) βιομηχανικών αντικειμένων

τα 75 δ έμ α τα περιέχουν 50 αντικείμενα το καθένα και τα υπόλοιπα
περιέχουν 60 α ντικείμ ενα το καθένα. Το ποσοστό των ελαττωματικών σε
κ α θ έν α α π ό τα 75 δέμα τα είναι 2% (1 σκάρτο σε κάθε πακέτο) και το
ποσοστό τω ν ελαττω ματικώ ν σε καθένα από τα υπόλοιπα δέματα είναι
10% (6 σ κ ά ρ τ α σε κάθε δέμα). Εκλέγεται τυχαία ένα δέμα από τα 100 και
στη σ υνέχεια εκλέγετα ι ένα αντικείμενο απ’αυτό και αφού ελεγχθεί
βρίσκεται ό τι είν α ι ελαττω ματικό. Π οια είναι η πιθανότητα να προέρχεται
από τ α 75 δ έμ α τα (τύπου 1, με 4% ελαττωματικά).

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

Ζη τείτα ι: P ( B 1∣Λ ) . Βάσει του θεωρήματος του Bayes έχουμε

P (A ]B ,)P (B l )
P ( 5 l ∣A)=
P (B l )P (A ∣B ,) + P ( B ,) P ( A ∖B , ) ,
όπου οι a priori πιθανότητες των δύο τύπων είναι
75 3 95 1
P (B 1) = -----= - , Ρ ( Β ,) = - = - ,
' 100 4 - 100 4
κ α ι οι πιθανότητες ελαττωματικού κάθε τύπου είνα ι δέμα πρώτου είδους

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

priori (αρχικής) του

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;

Λ ύ σ η : Έστω Α : από το δέμα βγαίνει ένα κ α λ ό κι ένα σκάρτο

αντικείμενο.
Τότε στην (*)
T ∣ p 9 x∣

P (A ∣1B ul )=-κ -P50vλ∣ z = 25- >

< 2 z∣

Α Σ Κ Η Σ Ε ΙΣ

1. Έ ν α αρτοποιείο παρασκευάζει 50 ψωμιά κάθε μέρα α π ό τ α οποία 10

έχουν βάρος μικρότερο του κανονικού. Σε α γ ο ρ α ν ο μ ικ ό έλεγχο ο
ελεγκτής ζυγίζει 5 ψωμιά, που παίρνει τυχαία. Π ο ια ε ίν α ι η πιθανότητα
να ανακαλυφθεί λιποβαρές ψωμί;

2 . Κ α τ ά τη συνάντηση 5 πολιτικών πόσες δυνατές χειρ α ψ ίες υπάρχουν;

 19

3. Τέσσερεις μαθηματικοί συμφωνούν να συναντηθούν στο ξενοδοχείο

Ακρόπολις των Αθηνών. Συμβαίνει όμως να υπάρχουν 4 ξενοδοχεία με
το ίδιο όνομα. Ποια είναι η πιθανότητα να μην συναντηθούν ούτε δυο
στο ίδιο ξενοδοχείο;

4. Από δύο κάλπες η 1η περιέχει 2 άσπρες και 4 κόκκινες σφαίρες ενώ η

2η περιέχει 8 άσπρες και 6 κόκκινες. Εκλέγουμε τυχαία μια σφαίρα
από κάθε κάλπη. Ν α βρεθεί η πιθανότητα να ανασύρουμε
(ί) δύο άσπρες σφαίρες;
(Η) σφαίρες του ίδιου χρώματος (ομόχρωμες),
(iii) σφαίρες με διαφορετικό χρώμα (ετερόχρωμες).

5. Ας υποθέσουμε ότι 3 καμένες λάμπες ανακατεύονται με μια καλή

λάμπα κ α ι ότι τις δοκιμάζουμε έως ότου βρούμε την καλή. Ποια είναι η
πιθανότητα να βρεθεί η καλή λάμπα κατά την ν-οστή δοκιμή για
ν=1,2,3,4;

6. Ρίχνουμε ζά ρ ι ώσπου να εμφανισθεί άσσος. Δεδομένου ότι άσσος δεν

παρατηρήθηκε μέχρι και τη δεύτερη δοκιμή, ποια είναι η πιθανότητα να
χρειαστούν τέσσερεις δοκιμές;

7. Έστω ότι η πιθανότητα Ρν μία οικογένεια να έχει ακριβώς ν π α ιδιά

δίδετα ι από: Pv = ap v για v ≥ l και P0 = l - α p ( l ÷ p + p 2 + ...) για ν=0.
Δείξετε ότι η πιθανότητα να έχει η οικογένεια ακριβώς k αγόρια είναι
2 a p l / (2 - p ) x' +1 ^υποθέστε ότι η πιθανότητα αγοριού είναι y

8. Έ ξι διαφ ορετικά ζεύγη παπουτσιών βρίσκονται σ'ένα δωμάτιο.

Παίρνουμε τέσσερα παπούτσια τυχαία. Ποια είναι η πιθανότητα να
έχουμε τουλάχιστον ένα ζευγάρι;

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.

10. Α ποδείξετε ότι για οικογένεια τεσσάρων παιδιών τα ενδεχόμενα Α και

Β του δεύτερου παραδείγματος της § 3.3 δεν είναι ανεξάρτητα. Επίσης
γ ια κάθε ν ≠ 3 (ν αριθμός παιδιών).
20

11’.Τρεις κατάδικοι Α,Β,Γ πληροφορούνται από τον φρουρό ότι ένας

απ’αυτούς κληρώθηκε να εκτελεστεί ενώ οι ά λ λ ο ι δυο θα αφεθούν
ελεύθεροι. Ο Α ζητά από τον φρουρό να τον πληροφορήσει ποιος από
τους Β κ α ι Γ θα αφεθεί ελεύθερος, αλλά ο φρουρός α ρ ν είτα ι λέγοντας
ότι αν του απαντήσει τότε η "πιθανότητα του να εκτελεσθεί θ α γίνει

Γιατί δεν ευσταθεί το επιχείρημα του φρουρού;

12. Η πιθανότητα ορθής διάγνωσης του καρκίνου της μ ήτρα ς με το τεστ

Παπανικολάου (Pap test) είναι 90%. Ποια είνα ι η π ιθ α ν ό τη τα κυρία με
X

θετικό τεστ πράγματι να έχει την ασθένεια, δεδομένου ότι το ποσοστό

(επιπολασμός) γυναικών που έχουν καρκίνο της μήτρας ε ίν α ι 0,1 %ο;
Πόσο ανησυχητικό είναι ένα θετικό Pap test αν η "διαγνω στική ισχύς"
του test είναι 99% (αντί 90%);

Οι ασκήσεις 13-16 αφορούν πράξεις επί των συνόλων (ενδεχομένων)

13*’. Δείξετε τους λεγάμενους κ α νό νες το υ D e M organ'.

α) (A u B )'= A 'B ' β) { A B γ = A , ^ ) B ,
Γενικεύσετε τους για ν σύνολα και στον ορισμό της σ-άλγεβρας
αντικαταστήσετε την κλειστότητα για αριθμήσιμες ενώσεις. (§ 1.2)

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 .

15. Απλοποιήστε τις παραστάσεις

(A u B )(A u Γ ), ( Λ υ Β Χ Λ 'υ Β )

16. Έστω ο δειγματοχώρος Ω ={0,1,2,...,9} και τα εξής ενδεχόμενα:

A={0,l,2,3}, B={3,4,5}, Γ={4,5,6,7}

, -O * δείχνει ασκήσεις μεγαλύτερες δυσκολίας ή συμπληρωματικές τη ς θ εω ρ ία ς.

 21

(i) Ορίστε τα στοιχεία των ενδεχομένων:

α)A B , β )A 'B ', y )A B , v A 'B , δ )A 'B t ε ) ( A v B ') ', oτ)A , u B '
ζ ) A 'B T ' i τ ∖ )(A< JBκjΓγ

(ή) Υποτιθεμένου ότι τα στοιχεία (ψηφία) του Ω είναι ισοπίθανα

(τυχαία) βρείτε τις πιθανότητες των ενδεχομένων α) ως η).

17*. Έ νας πληθυσμός 77 (σύνολο) Ν αντικειμένων μπορεί να διαιρεθεί σε k

υποπληθυσμούς (υποσύνολα) 77j ,...,77 κ , ώστε το 771 να περιέχει π l
αντικείμενα, το 77, να περιέχει η2 αντικείμενα, κ.ο.κ., το 771 να
περιέχει n k αντικείμενα, κατά
Ν!
n1 !∏2 !...nx.!
τρόπους. (Υπόδειξη: Από τα Ν μπορεί να εκλεγούν 771 κατά

τρόπους, από τα υπόλοιπα Ν - π l μπορεί να εκλεγούν η2 κατά

τρόπους κ.ο.κ., και επικαλεσθείτε την πολλαπλασιαστική αρχή).

18. Συνέχεια (εφαρμογή). Συνηθισμένη τράπουλα 52 χαρτιών μοιράζεται σε

4 παίκτες (παιγνίδι bridge) ώστε κάθε παίκτης να παίρνει 13 χαρτιά.
Ζητείται η πιθανότητα α) κάθε παίκτης να πάρει έναν άσσο β) ακριβώς
ένας παίκτης να έχει πλήρη σειρά ("καρρά" ή "μπαστούνια" ή "σπαθιά"
ή "κούπες") (βλ. και προηγούμενη Άσκ. 9’)·

19. Ν σφαίρες τοποθετούνται τυχαία σε Ν κελλιά. Ποια η πιθανότητα να

μη μείνει κανένα κελλί κενό;

20*. Ρίχνουμε τρία νομίσματα συγχρόνως και το επαναλαμβάνουμε μια

φορά. Ποια η πιθανότητα να λάβουμε το ίδιο αποτέλεσμα όταν τα
νομίσματα είναι (α) διακεκριμένα (β) ταυτόσημα; Όμοια είναι και η
περίπτωση δυο ζαριών (α) μαύρου και κόκκινου (β) όπως στο τάβλι.

21*. Να βρεθούν οι πιθανότητες 12 άτομα (τυχαία) να

α) έχουν όλα διαφορετικούς μήνες γεννήσεως (ζώδια),
β) να έχουν το ίδιο ζώδιο.
(Υποθέστε ότι τα 12 ζώδια είναι ισοπίθανα).

22*.Δείξετε ότι για τρία οποιαδήποτε ενδεχόμενα Α, Β, Τ'ισχύει η σχέση

Ρ (Α Ο Β L>Γ)≈P(Α) + Ρ(Β) + Ρ(Γ) - P(AB) - P(AΓ) - Ρ(βΓ) + Ρ(ΑΒΓ)
22

Υ π ό δ ειξη , Χρησιμοποιήσετε το Προσθετικό Θ εώ ρη μ α § 1.5 ή διάγραμμα

Venn

2 3 * .Συνέχεια, θεώ ρημα (Τύπος) D o M o i v r c - P o i n o n r f . Έστω ν

Ενδεχόμενα 4 l , ∕ l j , . . . , A v . Η πιθανότητα ν α oυμβci το υ λ ά χισ το ν ένα
απ'αυτά δίδεται από την
P(Λ, U Λ 2O ...U ∕1V )≡S I - S 2 + ⅛ - ...+ ( - l ) , " l S v (*)
όπου S lc είναι το άθροισμα των πιθανοτήτω ν τω ν τομών των
ενδεχομένων ανά k,
s,- Σ ' , ( Λ A ∙ ∙ ∙ Λ l ). (>„4.......∕ i ) c { i ,2 ,...v )
∕∣<∕,<.<∕1
Υ π ό δ ειξη : Όπως στην Λσκ. 22. Ε ν α λ λ α κ τ ικ ά , δείξετε ότι έ ν α στοιχείο
ω που ανήκει στην A l U λ 2 u . , . u Λ f α λ λ ά σε k α κ ρ ιβ ώ ς ενδεχόμενα
(για Λ ≡ l,2 ,...,v ) λαμβάνεται υπ'όψη στο 2 ° μ έλ ο ς τη ς (♦) μ ό νο μ ια φορά
(αρχή του "μέσα-έξω" ή ε γ κ λ ε ισ μ ο ύ -α π ο κ λ ε ιο μ ο ΰ ) . Π α ρ α τη ρ ή σ τε ότι η
p∆
Ρ(ω ) εμφανίζεται στο S l . | φορές κ α ι σ υνολικά στο 2 ° μ έ λ ο ς της (♦)
∖i J

2 4 . Σ υνέχεια (εφαρμογή). Π ρ ό β λ η μ α τω ν r e n c o n t r e s (σ υ να ντή σ εω ν): ν

επιστολές τοποθετούνται τυχαία σε ν φ α κ έ λ λ ο υ ς. Π ο ι α είναι η
πιθανότητα p ∣, τουλάχιστον μια επιστολή να τοπ οθ ετη θ εί στο σωστό
φ άκελλο; Δείξετε ότι για μεγάλα ν, το p i → 1 - e ~ i = 0 ,6 3 2 1 2 : Για
v ≈ 6 , p l =0,6 31 9 6 : για ν = 7, p l = 0 ,63214.
Υ π ό δ ειξη : Έστω Α μ η / επιστολή μπαίνει στον / φ ά κ ε λ λ ο (σωστά) και
5 x, = ⅛ λ = l,2 ,...,v .

2 5 . Μ ε τη βοήθεια του τύπου De M oivre-Poincar6 δείξετε ότι κ α τ ά την

τυχαία τοποθέτηση (ρίψη) s σφαιρών σε k κ ε λ λ ιά η π ιθ α νότητα να
παραμείνει κενό τουλάχιστον ένα κ ελ λ ί είν α ι
* 'k Y νΥ
ι-∑ ( -ιr Η - J .
ν-0 √ Λ kJ

2 6 . Μπροστά στο ταμείο ενός θεάτρου περιμένουν 8 π ρ όσ ω π α απ ό τ α οποία

4 έχουν μόνο εικοσάρικα και 4 μόνο δ ε κ ά ρ ικ α . Τ ο εισ ιτή ρ ιο στοιχίζει
10 δρχ. το δε ταμείο ανοίγει χωρίς να έχει κ α θ ό λ ο υ χ ρ ή μ α τ α . Ποια
ε ίν α ι η πιθανότητα να μπορέσει το ταμείο να δώσει εισ ιτή ρ ια στα 8
 23

πρόσωπα διαθέτοντας πάντοτε τα απαιτούμενα "ρέστα". Ποια θα ήταν

η πιθανότητα αν 5 πρόσωπα είχαν "δεκάρικα" και 3 "εικοσάρικα";

27. Το κ λ α σ σ ικ ό π ρ ό β λη μ α του C hevalier de Μέτύ. Τ ί συμφέρει πιο

πολύ, να στοιχηματίσει ένας παίκτης ότι θα φέρει α) τουλάχιστον ένα 6
ρίχνοντας 4 φορές ένα ζάρι ή β) ότι θα φέρει διπλό 6 (εξάρες)
τουλάχιστο μια φορά ρίχνοντας δύο ζάρια συγχρόνως (όπως στο τάβλι)
24 φορές;
Απ. α) 1 —(5 / 6 ) 4 = 0,518 β) 1 - ( 3 5 /3 6 ) 24 =0,491

28. Π ρ ό β λ η μ α τω ν μ ερ ιδίω ν ("πόντων"). Σε κάθε επανάληψη ενός

παιγνιδιού καθένας από τους παίκτες A, Β έχει την ίδια πιθανότητα να
κερδίσει. Ό ποιος κερδίσει πρώτος 3 παιγνίδια (3 πόντους) λαμβάνει το
κατατεθειμένο από τον καθένα ποσό (στοίχημα). Αν οι παίκτες
αναγκασθούν ν α διακόψουν το παιγνίδι όταν ο Α έχει δύο "πόντους"
κ α ι ο Β έναν "πόντο", πως πρέπει να μοιρασθούν το στοίχημα; Ο Pascal
απάντησε στον εξ'επαγγέλματος παίκτη de Μέτέ (βλ. Ασκ. 27) ότι το
ποσό πρέπει να μοιραστεί με την αναλογία 3 προς 1 υπέρ του Α , δηλ. αν
ο κα θένα ς είχε βάλει στοίχημα α δpχ., ο Α θα κέρδιζε (έπαιρνε από τον
Β) α/2 δρχ. Γ ιατί;
Υ π ό δειξη : Υπολογίστε την (δεσμευμένη) πιθανότητα ο Α να "πιάσει"
τους 3 πόντους πρώτος (όταν έχει 2 κι ο Β ένα πόντο).

Οι ασκήσεις 29-39 αφορούν δεσμευμένες πιθανότητες και την ανεξαρτησία

ενδεχομένων.

29. Αν τα Α κ α ι Β είναι ανεξάρτητα, δείξετε ότι θα είναι ανεξάρτητα και

τα ζεύγη : ( A ,B ') , (Α ',Β ), (A ',B , ).

30. Αν τα A , Β, 7" είναι τελείως ανεξάρτητα, δείξατε ότι και τα παρακάτω

ζευγάρια είναι ανεξάρτητα: (Α ,Β Γ), (Β ,Α Γ ), (Γ ,Α Β ).

31. Ρίχνουμε ζά ρι μέχρι να εμφανισθεί άσσος ή μέχρι να ριφθεί 3 φορές.

Δεδομένου ότι δεν φέραμε άσσο την πρώτη ρίψη, ποια η πιθανότητα να
ριφθεί ο κύβος α) δύο, β) τρεις, φορές;
Απάντηση: α ) /1)

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

πιθανότητα νίκης κάθε ομάδας είναι -(ισ ο π α λ ία α ποκλείετα ι!) ποια η

2
πιθανότητα α) να χρειασθούν το πολύ 6 π αιγνίδια; β) ν α χρειασθούν 6
πα ιγνίδια δεδομένου ότι η Α κέρδισε τα δύο πρώτα;

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).

34. Οι Α κα ι Β, συγκάτοικοι αφηρημένοι μαθηματικοί, ξεχνάνε τις

ομπρέλλες τους σ'ένα κατάστημα ο καθένας με πιθανότητα —: Το πρωί
4
ο Α φεύγοντας πάντοτε παίρνει την ομπρέλλα του, ενώ ο Β την ξεχνά με
πιθανότητα ί Καθένας τους επισκέπτεται 3 καταστήματα και

επιστρέφει σπίτι. Ποία είναι η πιθανότητα μετά την επιστροφή τους α)

να έχουν και τις δυο ομπρέλλες; β) να έχουν μόνο μια ομπρέλλα; γ) να
μην έχουν καμμιά; δ) ο Β να έχει χάσει την ομπρέλλα του δεδομένου ότι
έχουν μόνο μια;

3 5 . Δείξετε ότι η δεσμευμένη πιθανοσυνάρτηση P(∙]Λ ) πληροί κ α ι τα τρία

Αξιώματα του Kolmogorov, τα οποία πληροί η P (∙) (§ 1.4).

36. Οι υποψήφιοι Ανωτάτων Σχολών κρίνονται ως "ικανοί" ή "μη ικανοί"

βάσει εισιτηρίων εξετάσεων, στις οποίες το ποσοστό επιτυχίας των
(πράγματι) ικανών είναι 80% ενώ των μη ικανών 25%. Υποτιθεμένου
ότι το ποσοστό των ικανών υποψηφίων είναι 40%, να βρεθεί το ποσοστό
των ικανών φοιτητών των Ανώτατων Σχολών. (Τύπος Bayes· πρβλ.
επίσης π ροβλήμα τα μίξεως).

37. Ρίχνουμε ζάρι τρεις φορές. Να βρεθούν οι δεσμευμένες πιθανότητες να

α) φέρουμε τρεις φορές 6 δεδομένου ότι φέραμε τουλάχιστον ένα 6,
β) το άθροισμα των ενδείξεων να είναι 10 δεδομένου ότι τουλάχιστο δύο
ενδείξεις είναι ίσες.
 25

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.

39. Δυο μέλη τριμελούς ορκωτού δικαστηρίου εκλέγουν ο ένας ανεξάρτητα

από τον ά λ λο τη σωστή απόφαση με την ίδια πιθανότητα ρ ενώ το τρίτο

μέλος το παίζει "κορώνα" ή "γράμματα" δηλ. Ρ = “ · Η απόφαση

λαμβάνεται, κατά πλειοψηφία. Ο δικαστής λαμβάνει σωστή απόφαση με

πιθανότητα ρ .
Ποιος αποφασίζει ορθότερα, ο δικαστής ή το ορκωτό δικαστήριο;

40*. Α ξ ίω μ α τη ς Σ υ ν έ χ ε ια ς της Π ιθαν οσυνάρνησης Ρ :

Α ν A l , A 2 , . . . , A v , . . . είνα ι μονότονη ακολουθία ενδεχομένων (φθίνουσα,
A 1 ∑) A 2 Z >...ς >A V Ό ... ή άυξουσα A 1 ⊂ A 2 c . . . . ) , τότε
lim P (A v ) = P ( Iim Λ ) (0

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

4.1 Κ ατανομή Δ ιακριτής Τ υχαίας Μ εταβλητής

Έστω X μία τυχαία μεταβλητή κα ι ας υποθέσουμε ότι αυτή είναι

δ ιά κ ρ ιτ ή ή απαριθμητή δηλ. λαμβάνει το πολύ αριθμήσιμο πλήθος τιμών,
έστω, A'ι,A'2 ,...,x v ,... (βλ. § 3.6). Συνήθως οι τιμές αυτές είν α ι ακέραιοι
αριθμοί και μάλιστα μη αρνητικοί, δηλ. 0,1,2,... . Με τον όρο "κατανομή
της X " εννοούμε την αντιστοιχία των τιμών x i και των πιθανοτήτων
P,∙= P(Y = *,·),
με τις οποίες η X λαμβάνει κάθε μια από τις δυνατές τιμές της x j . Η
ακολουθία {pj }, η οποία δίνει για κάθε τιμή x i τ∏ς X την αντίστοιχη
πιθανότητα, καλείται συνάρτηση πιθα νότητα ς. Εύκολα φαίνεται ότι,
αφού η τμ X = X (ω ), ω e Ω i το σύνολο των τιμών της X "καλύπτει"
ολόκληρο τον Ω, ώστε
∑ ft= l∙ (1)
i≈∖

Άλλος τρόπος καθορισμού της κατανομής της X είναι να

προσδιορίσουμε την καλούμενη α θροιστική συνάρτηση κ α τ α ν ο μ ή ς (ασκ) ή
απλώς συνάρτηση κα τα νομ ής (σκ) της X , συμβολιζόμενη συνήθως με F(x),
κα ι οριζόμενη από την.
F(x')≈P(X <x)= ∑ p i , -∞ < x < ∞ . (1)
A'z ≤Λ'

Ο ορισμός αυτός είναι γενικός, δηλ. ισχύει και για μη διακριτές τμ.

Π αράδειγμα: Ρίχνουμε ένα νόμισμα δύο φορές. Έστω X ο αριθμός των

"Κ" ("κορώνα"), οπότε το X λαμβάνει μόνο τις τιμές 0, 1, και 2. Η
συνάρτηση πιθανότητας (Σχ. 1) προσδιορίζεται από τις πιθανότητες

po = P ( Λ = 0 ) = l ρ ιχ ;
4
i > ,= P ( X = l ) = ∣ ,

Λ -P (X -2 )-1 ∑X∙1
4
 27

Η αθροιστική συνάρτηση κατανομής της X (Σχ. 2) δίδεται από τις:

F (x )= 0 , χ<0,
F <0 >= 74 ∙
F( X)=4. 0 ≤ x < l,
4
Λ D = ∣.
4
F (x )≡ ∙7 , 1≤ X <2,
4
F (2 )= l,
F (x )= l, X ≥2.

Πρέπει να σημειωθεί ότι η F∖ x) είναι συνεχής παντού με εξαίρεση τα σημεία

x=0,l,2 όπου κ ά νει πηδήματα μεγέθους —, - , - , αντίστοιχα. Έτσι η F[x)
4 2 4
είναι κ λ ι μ α κ ω τ ή συνάρτηση. Τό ίδιο αληθεύει για κάθε απαριθμητή
τυχαία μεταβλητή. Μπορεί μάλιστα να δειχθεί ότι η συνάρτηση
κ α τ α ν ο μ ή ς F μ π ο ρ ε ί να έχει το π ο λ ύ αριθμήσιμο π λ ή θ ο ς
"π η δ η μ ά τω ν" (ασυνεχειών). Αυτό προκύπτει, π.χ., από το ότι για κάθε
ακέραιο ν, το πλήθος των πηδημάτων μεγέθους ≥ 1/ ν δεν υπερβαίνει το ν,
για v= l,2,... . Ά ρα το σύνολο των "πηδημάτων" της F, ως αριθμήσιμη
ένωση, το πολύ αριθμήσιμων συνόλων, είναι το πολύ αριθμήσιμο σύνολο.

Ιδ ιό τη τες Σ υναρτήσ εω ς Κ ατανομής

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,

δ) η F είν α ι μ η φ θ ίνουσα συνάρτηση, δηλ.

F(x, ) ≥ F(λ'2 ) για κάθε x i > x2 ,

ε) η F είνα ι συνεχής συνάρτηση (τουλάχιστο) εκ δεξιών, δηλ.

F (x + ) ≡ lim F (x + ε) = F(x) για κάθε χeR.
i→0

Σημείωση·. Αν η F ορισθεί (όπως γίνεται από τους Ρώσσους και Γάλλους)

ως P ( X < x ) i α ν τ ί του P {X < x'), τότε θα είναι συνεχής τουλάχιστο εξ
αριστερών (για τί;).
28

4.2 Οι πιο Εύχρηστες Λ ιακριτές Κ α τανομ ές

I. Υ π εργεω μ ετρική Κ ατανομή.

Ας θεωρήσουμε μια κάλπη που περιέχει Λ λευκά σ φ α ιρίδια κ α ι Μ

μαύρα. Βγάζουμε ν σφαιρίδια τυχαία χ ω ρ ίς επ α νά θ εσ η . Έστω Λ το
πλήθος των λευκών σφαιριδίων στο δείγμα των ν. Τότε λέμε ότι το X έχει
την υπεργεωμετρική κατανομή. To X μπορεί να λάβει τις (ακέραιες) τιμές
k i όπου το k ικανοποιεί την ανισότητα m ax(0,v - Μ ) ≤ k ≤min(√l,v),
Θέτοντας ΛZ= M + Λ η συνάρτηση πιθανότητας {p t ,} της X δίδετα ι από την
(βλ. §2.1)
Μ Ί
k / ν ' ” λ√
A = P (Λ = Λ ∙)= ^ -÷ - T---- . (1)

)
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;

Λύση: α) Ας αντιστοιχίσουμε τα ελαττωματικά στα μαύρα σφαιρίδια.

Τότε έχουμε, από την (1),

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

Ορισμός. Μια ακολουθία (ανεξάρτητων) δοκιμών, σε καθεμιά από τις

οποίες διακρίνουμε δύο αποτελέσματα (ενδεχόμενα) το Α κ α ι το αντίθετό
του Α ' με P(A)=p, καλείται α κ ο λο υ θ ία (α ν ε ξ ά ρ τη τω ν ) δ ο κ ιμ ώ ν
B e rn o u lli (βλ. και § 3.4).To Α συνήθως αναφέρεται σαν επ ιτυ χία (ε), ενώ
το αντίθετό του Α ' ως αποτυχία (α). Ας θεωρήσουμε ν δοκιμές Bernoulli
(θα εννοούμε ανεξάρτητες εκ τό ς α ν δ η λ ω θ εί το α ν τ ίθ ε τ ο ) κ α ι έστω X
 29

ο αριθμός επιτυχιώ ν (δηλ. ο αριθμός εμφανίσεων του ενδεχομένου Λ σε ν

δοκιμές). Τότε λέμε ότι η X ακολουθεί τη δ ιω ν υ μ ική κ α τ α ν ο μ ή .
Προφανώς η X π α ίρνει τις τιμές 0 ,l,2 ,...,v .

θ ε ώ ρ η μ α : Έστω 6 (k ,v ∣p )= P (k επιτυχιών σε ν δοκιμές Bernoulli με

πιθανότητα επ ιτυχία ς ρ στην καθεμία). Τότε

6(Λ∙,v∣p) ∣p1 ( l- p ) " - * , .. ... ............ν. (2)

Α π ό δ ε ιξ η : Έ ν α τυπικό στοιχείο του δειγματικού χώρου, ο οποίος

παράγεται α π ό ν δοκιμές, είναι μια ακολουθία ν γραμμάτων (Γ κ α ι α). Η
πιθανότητα ν α παρατηρήσουμε μια τέτοια ακολουθία, λ .χ . την ε α α εε.,.εα
είναι p ( l-p ) ( l-p ) p p ...p ( l-p ) , διότι οι ν δοκιμές είναι ανεξάρτητες, κ α ι
επομένως τα ενδεχόμενα ε και α, τα οποία εμφανίζονται σε τυχούσα
ακολουθία, όπως η παραπάνω, είναι ανεξάρτητα (βλ. § 3.3). Α ν ο αριθμός
των ε σε μ ια α κ ο λο υ θ ία ν δοκιμών είναι k (άρα v-k είναι τα α), τότε η
πιθανότητα μ ια ς τέτοιας ακολουθίας είναι p k 0 ~ p ) ' " k . Υπάρχουν όμως
ακολουθίες ν γραμμάτω ν που περιέχουν k επιτυχίες (ε) και v-k αποτυχίες
(α). Επειδή δε καθεμιά από τις ακολουθίες αυτές έχει πιθανότητα
p t ( l - p ) v ~i , έπεται η (2).
Συνήθως γράφουμε l - p = g (<? η πιθανότητα αποτυχίας) κα ι η (2)
γράφεται

b ( k ,v ∖p) = p l q v ~k , k = 0 ,l,...,v . (3)

Π α ρ α δ ε ίγ μ α τ α : α) Ρίχνουμε ένα νόμισμα 10 φορές. Π ο ια είναι η

πιθανότητα ν α εμφανισθεί "κορώνα” 6 φορές;
Έστω Κ : κ ο ρ ώ ν α ≡ επιτυχία, Γ : Γρά μ μ α τα ≡ αποτυχία κ α ι
p = P ( K ) = ^ - . Αφού v = 10, k = 6 , έχουμε από την (2)

0 ,
b <6 j ° ι i• = i∣' θ6 Y ∣ι Yy r ∏
y ' ^* = i uW f e ι jf ≈ o ∙ 2 o 5 i ∙

β) Π ο ία ε ίν α ι η πιθανότητα σε μία οικογένεια με 5 παιδιά τα τρία να είναι

αγόρια; Υποθέτουμε ότι Ρ (κ ά θ ε παιδί να είναι αγόρι) = - . Ά ρ α

'5 Υ 1
b (3 ,5 ∣-)= = 0,3125.

Παρατήρηση: Γ ια να διαπιστώσουμε αν η b (k ,v∖p) είναι μια

συνάρτηση πιθανότητας πρέπει να δούμε κατά πόσο
30

∑ 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 /

το οποίο προκύπτει από τον τύπο του διωνύμου του Ν ε ύ τ ω ν α (απ'όπου

κ α ι ο όρος διωνυμική):
ν
(a + β)v =a' + α μ"10+..∙+ ∖aβv ~' + β v .
ν -1
Το ανάπτυγμα του διωνύμου ισχύει για κάθε π ρ α γμ α τικ ό εκθέτη ν : Για
∣x∣< 1 ισχύει η διωνυμική σειρά
O ÷ X )' = ∑ : V μ ε i < v ( v - 1) (v → + l) (4 )

j⅛ov κ z∣ ∖-kJ k!
Η α. σ, κ. της διωνυμικής, δηλ τα αθροίσματα:

F ( s ) = ∑b(k,v ∖ p), s = 0 ,.,.,v έχουν πινακοποιηθεί γ ια αρκετές τ ιμ έ ς των ρ

λ—ο
κ α ι ν κ α ι γι'όλα τα v=O,l,...,v,

Παρατήρηση: Υποθέτουμε ότι βγάζουμε τυ χ α ία κ α ι μ ε επανάθεση ν

σφαίρες από μια κάλπη που περιέχει Λ λευκές κ α ι Μ μαύρες σφ αίρες. Τότε
η κατανομή του αριθμού των λευκών σφαιρών στο δ είγμ α ε ίν α ι η διωνυμική
με παραμέτρους ν κ α ι ρ = ——— . Α ν το Λ είναι "α ρ κ ετ ά " μ ε γ ά λ ο (σε σχέση
Λ +Μ
με το ν) και εκλέγουμε τις σφαίρες χωρίς επανάθεση, τότε η προκύπτουσα
υπεργεωμετρική κατανομή μπορεί να προσεγγισθεί από τη ν διω νυμική με
παραμέτρους ν και P = ~ > όπου N =Λ+M , δηλ γ ια Ν —» ∞ κ α ι → ρ η

υπεργεωμετρική τείνει στη διωνυμική:

(Λ V ν '∖
( λ llv -kJ
Pt= p√∖----- A M - z,^ ∙ v >P)∙ <5 )
I ∕1∕N→p
V /
Αυτό προκύπτει από το γεγονός ότι αν το Ν —> ∞ κ α ι το — παραμένει
Ν
σταθερό και ίσο προς ρ, τότε ουσιαστικά μπορούμε ν α υποθέσουμε ότι η
δειγματοληψία (από την κάλπη) γίνεται με επανάθεση, αφ ού ύστερα από
κάθε εξαγωγή δεν αλλάζει η αναλογία των λευκών. Δ ί τ ι μ ε ς Μ ε τ α β λ η τ έ ς
Bernoulli. Έστω X η τυχαία διωνυμική μεταβλητή γ ια ν=1, δ η λ . που
παίρνει την τιμή 1 όταν εμφανίζεται ε (επιτυχία) κ α ι την τιμή 0 όταν
εμφανίζεται α (αποτυχία).
 31

Η X κ α λ ε ίτ α ι α π λή ή δίτιμη μεταβλητή Bernoulli ή μηδέν-ένα

μεταβλητή.
Έ χουμε λο ιπ ό ν αντίστοιχη συνάρτηση πιθανότητας είναι p 1 = P ( X = l ) = p ,
ρ ύ = P ( X = 0)=1 - q γράφεται (πρβλ (2))
P ( X = Λ )= p q i~x t χ ≡ 0,1.
Α ν με X i συμβολίσουμε την μεταβλητή του Bernoulli που αντιστοιχεί
στη i δο κ ιμ ή , /=1,2.......ν , τότε ο αριθμός των επιτυχιών, έστω Y t σε ν
V

δοκιμές, δη λ. η διωνυμική μεταβλητή μπορεί να γραφεί ως V ≈ ∑ X ∣ .

Μ
Π α ρ ά δ ε ιγ μ α : Διω νυμική σπ και σκ για ν=3 (δοκιμές) κ α ι ρ = ^ , Στην

περίπτωση αυτή η συνάρτηση πιθανότητας υπολογίζεται από τον τύπο (βλ.

κ α ι Σ χ . 1)
⅛ = ^ - . ⅛ = ( 3J β ) , ( ι Γ = ( 3J ( ι J . * = ».'.2,3 (Σ χ . 1)

κ α ι η ασκ F α π ό τον τύπο =Σ⅛∙

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.

Έ στω α κολουθ ία δοκιμών Bernoulli η οποία τερματίζεται όταν

εμφανισθεί η πρώτη επιτυχία, και X ο αριθμός των απαιτούμενων δοκιμών.
Τότε λέμε ότι η X ακολουθεί τη γεωμετρική κατανομή. To X λαμβάνει
κάθε θετική α κ έ ρ α ια τιμή 1,2,3,... κ α ι έχουμε σπ που ορίζεται από τη
γεω μετρική π ρ όοδο
p t = P ( X = k ) ^ q i -'p , k = },2....... (6)
δεδομένου ότι οι πρώτες ν δοκιμές πρέπει να δώσουν αποτυχία η δε ν-οοτή
επιτυχία. Π αρατηρούμε ότι η p t., v = l,2 ,... ορίζει συνάρτηση πιθανότητας,
που ικ α νο π ο ιεί (από τη γεωμετρική σειρά p + p q + ...+ p q k +··■) τr∣ 7ε v ι κ ∏
συνθήκη (1) της § 4.1 γ ια σπ:
32

∑ 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,... .

I V . Κατανομή Pascal - Αρνητική Δ ιω νυ μ ικ ή

Ας θεωρήσουμε μία ακολουθία δοκιμών B e rn ou lli, οι οποίες

τερματίζονται όταν εμφανισθεί η ν-οστή επιτυχία. Έστω X ο απαιτούμενος
αριθμός δοκιμών. Οι οποίες απαιτούνται γι'αυτό. Προφανώ ς, X = v , v + ∖,...
κ α ι έχομεν
P ( X = k ) = P (οι k-1 δοκιμές περιέχουν ν-1 επιτυχίες κ α ι η k δοκιμή δίνει
επιτυχία).
≈ P (οι πρώτες k-Ι δοκιμές δίνουν ν-1 επιτυχίες).
Ρ (η τελευταία δίνει επιτυχία).
Επομένως για λ = v ,v + l,...
f _ ρ
P ( X = Λ ) = fc < μ - l,J t - l∣ jp) ∙p = ∣ “ (7)
ι ν -1 .
Φυσικά, για ν=1 η Pascal ανάγεται στη γεωμετρική.
Ισοδύναμα, ως κατανομή Pascal μπορεί ν α θεωρηθεί η κατανομή του
αριθμού, έστω Χ \ των αποτυχιών πριν την ν-οστή επ ιτυχία , με σπ
'v + k - Γ ∖ t, i.
p i = P ( X = k∙)= ∖ p'q , k = 0 , l , . . . (8)
∖ κ )

Παρατήρηση: Η τυχαία μεταβλητή Pascal (καλούμενη επίσης

αρνητική διωνυμική) είναι άθροισμα ν (ανεξάρτητων) γεωμετρικών
μεταβλητών X j ,A r,,...,J V k , όπου X j είναι ο αριθμός των δοκιμώ ν μετά την
(ν-1) επιτυχία μέχρι της ί επιτυχίας.
Πρέπει να σημειωθεί ότι

από το ανάπτυγμα του διωνύμου

21 31
=1 -
+<
L ⅛,- . ( r ÷ 2 ) ( v + ∣) u ,+ . _ - rk - A
2' 31 ι∙~Jκ v - l Γ
 33

Σημείωση: Γενικότερα για ν>0 η κατανομή (8) λέγεται αρνητική

διωνυμική, αφού αν k ■ 0,1,2,... είναι ο αριθμός αποτυχιών πριν την ν-οστή
επιτυχία, η (8) μπορεί να γραφεί ως
Ρ(Χ - *)-(T')∕>'(-Q) 1,

όπου για κά θε α και η θετικό ακέραιο (πρβλ και (4)) ορίζουμε:

( - « ) ( - « ~i)...(-α∙*∏ + l)
K t — I■■ I- - I ■ ■l ■ l ΜΜ

I ll J «>
V. Κ α τα ν ο μ ή P o isso n

Ας θεωρήσουμε ένα διάστημα χρόνου (0,/) και ας υποθέσουμε ότι σε

κάθε μικρό (απειροστό) διάστημα ∆ t του (β,f) να συμβαίνει μία επιτυχία
(ένα ενδεχόμενο Λ ) με (απειροστή) πιθανότητα Θ∆t η μία αποτυχία ( /Γ ) με
πιθανότητα 1-Θ∆t. Ά ρα στη χρονική περίοδο (0,i) η πιθανότητα να
εμφανισθεί Α' φορές το ενδεχόμενο Α με p=ΘΔt είναι η διωνυμική
b(k t v∖ ΘΔf) όπου ν = — .

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

Έτσι έπεται η (9).

Σημείωση: Η JV(f) με συνάρτηση πιθανότητας την (9) αποτελεί το

απλούστερο ίσως παράδειγμα μιας στοχαστικής ανέλιξης δηλ. μιας
οικογένειας { Λ '(f),fεr} τυχαίων (στοχαστικών) μεταβλητών X (f)
εξαρτώμενων από μία παράμετρο ί, συνήθως χρόνο.
34

Ορισμός·. Η κατανομή με σπ την (9) με Θt≈λ, δηλ.

ft , = P(Λ∙ = * ) = e -∙1 4 τ . * = 0 ,1 ,2 ,... (10)

κ α λ είτ α ι κα τ α ν ο μ ή P o isso n μ ε π α ρ ά μ ετ ρ ο λ . (Η αντίστοιχη στοχαστική

α νέλιξη λέγεται α νέλιξη P o isso n ).
Όπως προκύπτει από την (9)» όταν το ν —> κ α ι το ρ== ρ ( ν ) —> 0 έτσι
ώστε
νρ -→ λ > 0,
(όπου το λ έχει μέτριες τιμές, λ<∕0) 1 , τότε η διω νυμική π ιθ α νό τη τα
Λ*
fe(λ',v∣p) → e - λ — = P λ., k = 0 ,l,2 ,... (11)
ΛΤI
Α υτό αναφέρεται ως προσέγγιση της δ ιω ν υ μ ικ ή ς α π ό τ η ν P o i s s o n .

Π α ρ ά δ ειγ μ α ·. Σε μία εταιρεία με 500 εργαζόμενους, π ο ία είν α ι η

πιθανότητα τουλάχιστον ένα άτομο να γ ιο ρ τά ζει τα γ εν έθ λ ιά του την
πρω ταπριλιά; (ενδεχόμενο A);
Υποθέτουμε ότι όλες οι 365 ημέρες είναι εξ ίσου πιθανές ως γ εν έ θ λ ια .
Τ ότε ρ - Ρ (ένα πρόσωπο να γεννηθεί την 1η Α π ρ ιλ ίο υ ) = ——
365
P (A )= 1 ∙P (κανένας εργαζόμενος δεν γιορτάζει την 1η Α π ρ ιλ ίο υ )
( 1 ) <364 V 00
= 1 - ό 0,500∣----- = 1 ------ — I = 1 -0 ,2 5 3 7 = 0,7463
V 365) \3 65 j
Προσεγγίζοντας το b{ 0 ,5 0 0 ∣ - Ί από το την ρ 0 της (11), έχουμε
λ 365/
λ° ( 1 Α
P0 =e^λ — =e^ λ , όπου λ = vp = 500 ----- 1=1,37
0 0! <365)
Αρα
P(A) ≈ 1- Po =1 - e - l ,i 7 = 1- 0,2541=0,7459,
με σφάλμα μόνο στο τέταρτο δεκαδικό ψηφίο.

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

Τέτοια είναι: α) Ο αριθμός των σωματιδίων α , τα ο π ο ία επέμπονται

από μία ραδιενεργό ουσία, σε ορισμένη χρο νικ ή περίοδο (π .χ . έν α sec, 5
sec).

β) Ο αριθμός των ατυχημάτων κ α τά τη δ ιά ρ κ εια μ ια ς χ ρ ο ν ικ ή ς περιόδου

(ημέρες, εβδομάδες, μήνα κ.λ.π.) γ ια δεδομένη κ ο ινω νία (π ό λ η , χώ ρα κ .τ .λ .)

* Αλλιώς η διωνυμική και η αvtioroιχη Poisson τείνουν προς την κανονική κατανομή (βλ. Κεφ. VII
παρακάτω).
 35

(υπό Παρόμοιες συνθήκες, χρονικής ομογένειας και ανεξαρτησίας των

διαδοχικώ ν γεγονότω ν).

γ) Ο αριθμός των βακτηριδίων, τα οποία παρατηρούνται στο μικροσκοπία

επί τετραγω νιδίου ορισμένου εμβαδού μιας πλάκας Petri.

δ) Ο αριθμός των τηλεφωνικών κλήσεων που φτάνουν σ'ένα τηλεφωνικό

κέντρο κ α τ ά την διάρκεια μιας χρονικής περιόδου, π.χ. 8-9 π.μ..

ε) Ο αριθμός πελατώ ν που φτάνουν σε μια υπεραγορά κατά την διάρκεια

μιας χρονικής περιόδου, π.χ., μεταξύ 9-10 π.μ.

5.1 Η Έ ν ν ο ια τ η ς Π υ κ ν ό τη τα ς Π ιθα νότητας. Συνεχείς Κ α τα νο μ ές.

Έστω η τ υ χ α ία μεταβλητή X που παίρνει τιμές σ'ένα διάστημα η ένωση

διαστημάτων. Τότε δεν είναι δυνατό να αντιοτοιχίσουμε, όπως στην
περίπτωση της δια κ ριτής (απαριθμητής) μεταβλητής, θετικές πιθανότητες σε
κάθε τιμή της X στο διάστημα ή διαστήματα, διότι έχουμε ένα μη
αριθμήσιμο σύνολο δυνατών τιμών της X (βλ. § 4.1). Μπορεί όμως να
αντιστοιχούμε πιθανότητες σε μικρά (απειροστά) διαστήματα {x l x+∆x') των
τιμών της X, έτσι ώστε P(Λ=c)=0 για κάθε αριθμό c, ενώ
P ( Λ ) < X ≤ × + ∆ x ≈ f( x ') ∆ x .
Η συνάρτηση J(x') καλείται πυκνότητα πιθανότητας ή. συνάρτηση
π υ κ ν ό τ η τ α ς ή α π λ ώ ς π υ κνότητα της τυχαίας μεταβλητής X (πρβλ με την
έννοια της πυκνότητας μάζας στη Φυσική).Η ∕( A, ) πρέπει να ικανοποιεί
f ( x ) ≥ 0 γ ια κάθε χ e R κ α ι, κατ'αναλογία προς την ∑ p j = 1 της § 4.1,
7

∫ f( x ) d r = l.

Έτσι το f(x )d x , καλούμενο στοιχειό ή δια φ ορικό πιθανότητας ή

σ τ ο ιχ ε ιώ δ η ς π ιθ α ν ό τ η τ α , εκφράζει την P (x < X < χ + dx).
Ε π ιπ λέον προκύπτει (από τον ορισμό της παραγώγου) ότι γίά κάθε
σημείο χ όπου η / ε ίν α ι συνεχής (η σκ F{x) διαφορίσιμη) έχουμε
f ( x ) = Iim Ρ (χ < χ ≤ χ + ε) / e =∣⅛ F (X + S) → (X)
r→∙> £

Έτσι η F ( x ) είνα ι η παράγωγος της σκ F ( x ) , δηλ. f ( x ) = - F ( x ) . Η (1)

dx
επίσης συνεπάγεται ότι η F ( x ) είν α ι π αντού συνεχής- ακόμα η F έχει
παράγω γο παντού, με εξαίρεση αριθμήσιμο το πολύ πλήθος σημείων (σχεδόν
παντού). Σ 'α υτή την περίπτωση η X , όπως και η κατανομή της, λέγεται
συνέβης:
36

Ορισμός: Η X και η κατανομή

της λέγονται συνεχείς αν για κάθε
α<β έχουμε:
Ρ
F ( β ) - F ( a y)=P(a < χ ≤ β)=^ f( λ ) d λ .
a
Η έκφραση της P(a < x ≤ β) ως εμβα-
δού (Σχ. 1) με ολοκλήρωμα συνεπά­
γεται ότι γ ια κάθε α < β Σ χήμα 1
Ρ(α < χ ≤ β )-P (a ≤ β )≈ P (a < χ < β^)=P(a ≤ χ < β )
ή αφού η σκ είναι παντού συνεχής,
F (β) - F (a)≈F(β) - F (α -)= F ( j0 -) - F (a ) = F ( β - ) - F (a -').
Τούτο προκύπτει από το ότι στα σημεία (πράγματι σ'όλα τα σημεία) α κα ι β
του διαστήματος η πιθανότητα είναι μηδέν. Αυτό ας σημειωθεί δεν σημαίνει
ότι το ενδεχόμενο (λ-ά) είναι αδύνατο, α λ λ ά ότι είνα ι σπάνιο (στην πράξη
απροσδόκητο).
Εξ ορισμού, το αδύνατο γεγονός 0 = Ώ έχει πιθανότη τα μηδέν (βλ. §1.5),
α λ λ ά δεν ισχύει το αντίστροφο, δηλ, αν P(A)= 0 αυτό σημαίνει ότι το Α
είν α ι πολύ απίθανο να συμβεί (στην πράξη σχεδόν α δ ύ ν α το ) 1 αλλ'όχι
απραγματοποίητο.

Π α ρ ά δ ειγμ α : Σκοπευτής βάλλει 63 φορές κ α τ ά (κατακορύφου

κυκλικού) στόχου (στοχάζεται)2 με τα δεδομένα του π α ρ α κ ά τ ω πίνακα,
όπου χ σημαίνει την οριζόντια απόκλιση του σημείου κρούσης από το
κέντρο του στόχου. Στη συνέχεια από τις συχνότητες του Π ίν α κ α 1
κατεσκευάσθηκε το διάγραμμα σχετικών συχνοτήτων (Σ χ. 2), καλούμενο
ισ τό γρ α μ μ α .
Π ίνα κ α ς 1

Συχνότητα (ί) Σ χετικ ή

Απόκλιση αποκλίσεων Σ υχνότητα (ρ)
-4 < X < -3 4 4/63
-3 < Λ Λ ≤ -2 5 5/63
- 2 < Λ '≤ - 1 7 7/63
—1 < Χ < 0 15/63
0<X ≤l 15
1<X ≤2 17 17/63
2 < X ≤3 8 8/63
3<X ≤4 4 4/63
3 3/63

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

Κάθε ορθογώνιο του διαγράμματος έχει εμβαδόν ίσο με την πιθανότητα

της X να είν α ι στο αντίστοιχο διάστημα. Εδώ κάθε ορθογώνιο έχει
μοναδιαία βάση κα ι ύψος ίσο με την αντίστοιχη σχετική συχνότητα· αλλιώς
το ύψος (σχετική συχνότητα) ενός ορθογωνίου σ'ένα ιστόγραμμα πρέπει να
διαιρείται με το μήκος της βάσεώς του (ώστε το εμβαδόν του να παραμένει
ίσο με την αντίστοιχη σχετική συχνότητα ≈ πιθανότητα).

Α ν τώ ρα υποθέσουμε ότι τα διαστήματα γίνονται ολοένα μικρότερα ενώ

ο αριθμός τω ν ρίψεων κ α τά του στόχου αυξάνει, τότε η τεθλασμένη η
αποτελούμενη α π ό τις άνω πλευρές των ορθογωνίων (των σχετικών
συχνοτήτων) θ α τείνει, γενικά, σε κάποια ομαλή (συνεχή και συνήθως και
διαφορίσιμη) καμπύλη, έστω C.
Η κα μ π ύλ η αυτή αντιστοιχεί στην ιδανική καμπύλη πυκνότητας
(πιθανότητας) y ≈ f(x ) των αποκλίσεων X. Τότε η πιθανότητα η τμ X να
πάρει τιμές μεταξύ δύο σημείων α και β θα είναι ίση με το εμβαδό το
περικλειόμενο από την καμπύλη, τον άξονα των χ και τις (κατακόρυφες)
ευθείες y = a , y= β.
Επιπλέον, τ ο ο λ ικ ό εμ βα δό κάτω από την καμπύλη και πάνω από τον
άξονα τ ω ν χ Θα ισούται μ ε την μονάδα (πρβλ και σπ με ∑ Pι-=l).
 38

Ορισμός-, Συνάρτηση π υ κ ν ό τη τα ς π ιθ α ν ό τ η τ α ς (σ.π.π). Συνεχής

κ α τα ν ο μ ή . Τυχαία μεταβλητή X, όπως και η κατανομή της, λέγεται
συνεχής αν υπάρχει συνάρτηση ∕ , ( x ) ≥ 0 t καλούμενη συνάρτηση πυκνότητας
(πιθανότητας) σππ, ή απλώς π υ κ ν ό τη τα , ώστε η σκ F της X , για κάθε
αριθμό λ', να μπορεί να γραφεί ως ολοκλήρωμα (Riemann);
F (x)≈ ] f(t)d t, -∞ < Λ < ∞ , (2)
-Μ

Αυτό ισοδυναμεί με το ότι

(/) f ( x ) ≥ 0 γ ια κάθε x e R ,
και η f είναι ολοκληρωμένη στο (-∞ , ∞) κα ι πληροί την
(∏) ∫Γ (x )J x = l.
—•ο

Αυτό εκφράζει το ότι η ολική "μάζα" πιθανότητας, ανεξάρτητα από πως

κατανέμεται (σ'οποιοδήποτε χώρο) είναι πάντα 1.

Π α ρά δειγμα '. Γ(x) = l, 0 ≤ χ < 1

f(x -)= 0 για x εκτός του διαστήματος (0,1).
Αυτή είναι συνάρτηση πυκνότητας πιθανότητας διότι Jr (x) ≥ 0 κ α ι
•Ο J
∫ f(x )d x = ∣↑d x =1
ο
Η έννοια της πυκνότητας είναι ανάλογη της έννοιας της πυκνότητας
(μάζης) στη φυσική, όπου η πυκνότητα στο σημείο χ (ενός στερεού) είναι το
lim z m ( λ ') q τ o v θYκ 0 Δ V ( x ) = f {
ZV(.v)→0 √1V(X )
∆ m ( x ) είναι η μικρή (στοιχειώδης-απειροστή) μάζα που περιέχεται στον
στοιχειώδη όγκο Δ V(x) γύρω από το σημείο χ (ενός στερεού). Έτσι η μάζα
m (R ) στην περιοχή R του στερεού δίδεται από την

∕n (Λ )= ∫ (συνάρτηση πυκνότητας) dV = ∫∕'( x ) d x .

R R
Φυσικά, εδώ η (ολική) μάζα m (R ) αρκεί να είναι μη αρνητική (όχι
αναγκαστικά 1).
Ομοίως η συνάρτηση πυκνότητας πιθανότητας f( x ) σ'ένα σημείο χ της
πραγματικής ευθείας μπορεί να γραφεί

πιθανότητα στο διάστημα (χ ,χ + Α χ] ,. F (x + A x ) - F ( x )

f ( zx )s= lim ----------------------- -------------------------= Iιm --------------------- —
zlx-*0 Αχ Av→0 ΑΧ
η δε πιθανότητα P (X e Α ) δίδεται από το ολοκλήρωμα

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

όπου μ (Α ) π α ρισ τά το μέτρο του Α (μήκος αν Α είναι υποσύνολο της

ευθείας, εμβαδόν αν Α είναι υποσύνολο ενός επιπέδου, όγκος αν Α είναι
ένα υποσύνολο του χώρου των τριών διαστάσεων κ.τ.λ.). Έτσι από την (1)
βρίσκουμε ότι η σταθερά ο είναι
c = —1— , f ( x ) = - ^ - , χ ∈A, f(x )= 0 για χ e Α. (2)
μ(Λ ) //(Α)
Άρα ορίζεται μ ία ομοιόμορφη συνεχής κατανομή σ'ένα σύνολο Α, αρκεί το
Α να ε ίν α ι οποιοδήποτε φραγμένο υποσύνολο του Ευκλείδειου χώρου
οποιασδήποτε διάστασης . Κατ'αναλογία μια διακριτή ομοιόμορφη απαιτεί
σύνολο Α αποτελούμενο από πεπερασμένο αριθμό σημείων (τα οποία θα
είναι "ισοπίθανα").

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

Η έννοια αυτή έχει αναπτυχθεί στην προηγούμενη § 5.1.

Ο ρισμός: Η X έχει την (μονοδιάστατη) ομοιόμορφη κα τα νομή στο

διάστημα (α,β), αν έχει σππ την (πρβλ (2) § 5.1)

rω =-r i-Λ,ω, (3)

β -α
όπου ∕ y4(∙) συμβολίζει τη δ είκ τρ ια (συνάρτηση) του συνόλου A = (a ,β ) , δηλ.
Ι Α ( χ ) =1 αν χ € A, I Λ (X )=0 αν χ £ Α.
Η κ α τα νομ ή κ α λ είτα ι επίσης ορθογώνια λόγω του σχήματος (Σχ. 1)
που ορίζει η y = f ( x ) στην (3).

1 Αυτό αναφέρεται ως μ έτρ ο (οτη "θεωρία μέτρου" των μαθηματικών).

40

Η ασκ F της X είναι:

F (∕)= 0 , αν t ≤ a t
F (t)= l∑ ∑ -, a v θ ≤ t ≤ β t
β -α
F ( ∕) = l, αν ί ≥ β .
∑χ. 1

Π. Τριγω νική Κ α τα νο μ ή

Αυτή (Σχ. 2) έχει πυκνότητα

f( * ) ≈ l~ ∣
Λ∣, -1< X <1.
Τότε η
P(a < X < β)= το γραμμοσκιασμένο
εμβαδό (στο τρίγω νο με κορυφές τα
σημεία (-1,0), (1,0), (0,1).

∑ X -2

Π Ι. Ε κ θ ετικ ή Κ α τα νο μ ή

Ορισμός: Μία τυχαία μεταβλητή X έχει την εκθετική (ή α ρ ν η τικ ή

εκ θ ετικ ή ) κατανομή αν έχει σππ της μορφής
f(x)=θe~ e ∖ x > 0 , (0>Ο), (4)
όπου θ θετική σταθερά (παράμετρος της κατανομής, βλ. Κεφ. ΠΙ). Η
αθροιστική της συνάρτηση κατανομής (ασκ) είναι
F ( O = ∫ ∕'W Λ r = ∫ ^ x i⅛ =[-e- β , ] '= l - e - i,, , ί > 0 . (5)

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.....

Ά ρα η πιθανότητα να μη συμβεί κανένα γεγονός (k=0) σε χρόνο t είναι e^0 ',

κ α ι αν Τ συμβολίζει το χρόνο (αναμονής) μέχρις ότου συμβεί ένα γεγονός,
τότε
P (T > 0 = e ^ i , και P(T ≤ t ) ≈ l - e 0 , ,
 41

δηλαδή η ασκ της Τ είναι εκθετική (4) με πυκνότητα την (5),

IV. Κ α ν ο ν ικ ή Κ α τα νο μ ή

Ορισμός: Μ ία τυχαία μεταβλητή (τμ) λέγεται ότι ακολουθεί την

κα νονική ή G au ss ή L aplace κατανομή αν έχει σππ της μορφής
ι - M i∙
f(A ')=— iβ , - ∞ < x < ° o , (6)
σ√2π
όπου, -οο < μ < «>, κ α ι σ>0, οι δυο παράμετροι της κατανομής (βλ. Κεφ.
III).
Αυτή είναι η π ιο εύχρηστος κατανομή και αυτό κυρίως για τους εξής
λόγους:
α) Πολλές κατανομές (π.χ. η διωνυμική, η Poisson κ.τ.λ.) μπορούν, υπό
ορισμένες συνθήκες (τιμές των παραμέτρων) να προσεγγισθούν από την
κανονική.
β) Κάτω από πολύ γενικές συνθήκες πληρούμενες στην πράξη, ο μέσος όρος
"αρκετά μεγάλου” αριθμού παρατηρήσεων ακολουθεί, κατά προσέγγιση, την
κανονική κατανομή (βάσει του λεγάμενου Κεντρικού Ο ριακού
θεω ρήματος (ίδε Κεφ. VII).
γ) Τ υχαία (όχι συστηματικά) σφάλματα ακολουθούν την κανονική
κατανομή. Γ ι'αυτό αυτή λέγεται και κατανομή τυχαίων σφαλμάτων.
δ) Η μελέτη της κανονικής κατανομής είναι εύκολη από μαθηματική
άποψη.

Ορισμός. A vμ= 0, σ=1, τότε η κατανομή καλείται τυποποιημένη ή

τυπική κ α ν ο ν ικ ή κ α ι σ'αυτήν την περίπτωση η σππ συμβολίζεται από το φ
(∑%∙ 3),
1 -V
φ (x )= -r= -e 1 , —∞ < χ < ∞ (4)
√2π
η δε αντίστοιχη σκ (Σχ. 4) από την

Και για τις δύο, φ(x) κα ι Φ (x), υπάρχουν πίνακες που δίνουν τις τιμές
τους αφού μάλιστα, η Φ υπολογίζεται (μόνο) αριθμητικά.

Να σημειωθεί ότι η καμπύλη y = f ( x ) , σχήματος κωδονοειδούς, είναι

συμμετρική'γύρω από το σημείο μ (την μέση τιμή της, βλ. § 6.4), δηλ.
f(μ + x ')= f(μ -x') για κάθε X.
42

Σ⅛'. 5. Η τυποποιημένη κανονική σππ φ(x~).

Σ χ. 4. Η κανονική συνάρτηση κατανομής

Το μ είναι επίσης η διάμεσος και η επικρα τούσα ή η ιο π ιθ α ν ή τιμ ή της

κ α τ α ν ο μ ή ς (§ 6.4). Για να είναι η φ(χ) (άρα και η f) πράγματι πυκνότητα
πιθανότητας πρέπει να πληροί την
Μ

I ε fφ (x)dx = 1.

Α ρκεί να δείξουμε ότι 7 2 =1. Έχουμε

I 2 = f φ(x)dx ∫φ (ψ )d ψ = -^ ∫ ∫ e~2<< +> 'd x d y .

Μεταβαίνοντας σε πολικές συντεταγμένες (Γ, θ):

x=rσυvθ, y ≈ r η μ θ ,
με Ιακωβιανή J = r (βλ. και § 11.3, Κεφ VI)
, 1 3f " _1Ρ 1 if 7 -1? —Ρ
∕ j = - ∫ d0j re 2 d r d θ ≈ -- j dθj re i dr≈ ~ β 2
∙t ∙π ο ο 2π 0 0
 43

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.

2 .Να βρεθούν οι πιθανότητες σε οικογένεια 5 παιδιών

α) να υπάρχει τουλάχιστον ένα αγόρι
β) να υπάρχουν ακριβώς δύο αγόρια
γ) να είναι ό λ α αγόρια δεδομένου ότι το πρώτο είναι αγόρι.

3 . Υ ποθέτοντας ότι η πιθανότητα επιτυχούς βολής κατά στόχου είναι 0,4,

ποιος αριθμός βολών απαιτείται ώστε η πιθανότητα να κτυπηθεί
τουλάχιστον μία φορά ο στόχος είναι (ΐ) μεγαλύτερη του 90% (ii)
μεγαλύτερη του 99%;

4 . Μ ηχανή κατασκευάζει αντικείμενα, των. οποίων κατά κανόνα 4% είναι

ελαττω ματικά. Ο παραγωγός παίρνει ένα δείγμα από 10 αντικείμενα
κάθε ώρα γ ια έλεγχο. Αν κανένα απ'αυτά δεν είναι ελαττωματικό η
λειτουργία της μηχανής δεν διακόπτεται. Ποιά η πιθανότητα να μη
δια κ ο π εί επ ί 4 συνεχείς ώρες η μηχανή δεδομένου ότι άρχισε να παράγει
10% ελα ττω μ α τικ ά αντικείμενα;

5 . Έστω μη αμερόληπτο νόμισμα τέτοιο ώστε η πιθανότητα να εμφανισθεί 5

φορές κορώνα σε 10 ρίψεις είναι διπλάσια της πιθανότητας να
εμφανισθεί "κορώνα" 4 φορές. Ποια είναι η πιθανότητα να εμφανισθεί
κορώ να τουλάχιστον μια φορά σε 10 ρίψεις;

6 . Το Ιθ/οο ενός πληθυσμού είναι θύματα ενός δυστυχήματος κάθε έτος.

Δεδομένου ότι η ασφαλιστική εταιρεία έχει ασφαλίσει 5000 από τον
πληθυσμό, π ο ια είναι η πιθανότητα το πολύ δύο άτομα να είναι θύματα
του δυστυχήματος αυτού;
44

7 . Αεροπορική εταιρεία που διαπιστώνει ότι κ α τά μέσο όρο 5% των

προσώπων με κρατημένες θέσεις δεν εμφανίζονται κ α τά την αναχώρηση,
πωλεί 75 εισιτήρια για αεροπλάνο με 70 θέσεις. Π ο ιά είναι η
πιθανότητα να μη μείνει κανένα πρόσωπο χωρίς θέση;

8. Σ'ένα εργοστάσιο συμβαίνουν 2 δυστυχήματα κάθε εβδομάδα κ α τ ά μέσο

όρο. Υπολογίστε τις πιθανότητες:
α) να συμβούν δύο το πολύ δυστυχήματα σε μια εβδομάδα,
β) να συμβούν το πολύ δύο δυστυχήματα σε δύο εβδομάδες,
γ) να συμβούν το πολύ 2 δυστυχήματα σε καθεμιά από δύο εβδομάδες.

9. Αν υποτεθεί ότι το ποσοστό αυτοκτονίας σε μία χώ ρα είν α ι 4 άτομα ανά

εκατομμύριο κάθε μήνα, να βρεθεί η πιθανότητα σε πόλ η 500.000
κατοίκων να συμβούν το πολύ 4 αυτοκτονίες α ) σ'ένα μήνα β) σε δύο
μήνες. Είναι εκπληκτικό (απίθανο) το ότι σ'ένα χρόνο υπήρξαν
τουλάχιστο δύο μήνες με περισσότερες από 4 αυτοκτονίες;

10. Σ'εταιρεία μταφορών δύο αυτοκίνητα την ημέρα κ α τ ά μέσο όρο

παρουσιάζουν μηχανική βλάβη. Αν υποτεθεί ότι κάθε μ η χα νικ ή βλάβη
απειτεί ένα μηχανικό για μία ημέρα, πόσους μ ηχανικούς πρέπει να
διαθέτει (stand by!) η εταιρεία ώστε με πιθανότητα τουλάχισ τον 95% να
υπάρχει μηχανικός έτοιμος για διόρθωση τυχόν παρουσιαζόμενης
βλάβης;

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~*'

Δείξετε επίσης ότι η δεσμευμένη πιθανότητα να παρουσιασθεί 5 + ν φορές

άσσος δεδομένου ότι τουλάχιστον 5 φορές παρουσιάστηκε άσσος ισούται
με
( 20 V 1 Υ
^5÷ ⅜ J ιjJ
J5< 20 V 1 Y ^ '
⅛ 5 + M V

12. Πόσα παιδιά πρέπει να έχει μια οικογένεια γ ια να έ χ ε ι με πιθανότητα

95% τουλάχιστο ένα αγόρι και τουλάχιστο ένα κορίτσι;
 45

13. Επαληθεύσετε ότι καθεμιά από τις παρακάτω συναρτήσεις f είναι

συνάρτηση πυκνότητας κ α ι δώστε τις γραφικές τους παραστάσεις.
α) ∕ , ( x ) = l - ∣ l - χ |, για 0 < x < 2 ,
β) Γ ( Λ ) = - — ι - 7 - ∞ < x < ∞ , (κ α τ α ν ο μ ή C au chy),
π 1+ Λ"
γ) f ( x ) = ~e~w , - ∞ < χ < ©ο, (κ α τ α ν ο μ ή L aplace),

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;

15. Α ς υποθέσουμε ότι η διάρκεια σε λεπτά των υπεραστικών τηλεφωνικών

συνδιαλέξεω ν ακολουθεί την εκθετική κατανομή με σππ
, 1
f ( λ' ) = j e " ∖ x > 0 .

Ν α βρεθούν οι πιθανότητες η διάρκεια μιας υπεραστικής συνδιάλεξης

α) ν α υπερβεί τα 5 λεπτά β) να είναι μεταξύ 3 και 6 λεπτών γ) να είναι
μικρότερη από 3 λεπτά δ) μικρότερη από 6 λεπτά δεδομένου ότι ήταν
μεγαλύτερη από 3 λεπτά.

16. Ο χ ρ ό ν ο ς αναμονής (σε λεπτά) για λεωφορείο έχει συνάρτηση

κατα νομής
F (x ) = 0, για χ≤0
F ( x ) ≈ ∙^ x για 0 < Λ ≤5,

F (x)= - για 5<x≤10,

2
∙F(-*)=~^* για 1 0 ≤ x ≤ 2 0 .
20
α) Ν α δοθεί η γραφική παράσταση της F
β) Ε ίν α ι η κατανομή συνεχής;
46

γ) Π οια είναι η πιθανότητα να πρέπει να περιμένει κανείς (ί)

περισσότερο από 5 λεπτά (Π) λιγότερο από 10 λεπ τά (iii) περισσότερο
από 15 λεπτά δεδομένου ότι περιμένει πάνω από 5 λεπ τά ;

1 7. Αριθμός εκλέγεται τυχαία στο διάστημα (0 ,1 ). Π ο ία είναι η

πιθανότητα α) το πρώτο δεκαδικό του ψηφίο ν α ε ίν α ι 1 β) το δεύτερο
δεκαδικό ψηφίο να είναι 5 γ) το πρώτο δ ε κ α δ ικ ό ψηφίο της
τετραγωνικής του ρίζας να είναι 3;

1 8. Τ ο ύψος ανδρών ακολουθεί την κανονική κ α τα ν ο μ ή με μέσο //=165 cm

κ α ι τυπική απόκλιση σ=5 cm α) Τ ί ποσοστό του πληθυσμού των ανδρών
έχει ύψος (ί) μεγαλύτερο από 165 cm; (β) μεγαλύτερο από 170cm; (γ)
μεταξύ 160 cm και 170 cm; β) Σ ε τυχαίο δείγμα 4 ανδρώ ν π ο ία είναι η
πιθανότητα (ΐ) να έχουν όλοι ύψος άνω των 170 cm ; (ii) δύο να είναι
υι∣rηλ0τεpoι του μέσου (και 2 χαμηλότεροι του μέσού);

1 9. Μ η χα νή κατασκευάζει βίδες των οποίων το μήκος α κολουθεί την

κ α νο νική κατανομή με μέσο 5 κ α ι τυπική απ όκλιση 0 ,2 . Α ν το μήκος
μ ια ς βίδας δεν είναι στο διάστημα 5 ± 0 ,2 , η β ίδ α θεωρείται
ελαττωματική.
α) Π ο ιο είναι το ποσοστό ελαττωματικών που π α ρ ά γ ει η μηχα νή;
β) Π ο ία είναι η πιθανότητα να μην είνα ι κ α μ μ ιά β ίδ α ελαττω ματική;

20. Η διάρκεια λειτουργίας μιας λυχνίας ραδιοφώνου ορισμένου τύπου

ακολουθεί την εκθετική με παράμετρο 0=1/200 ώρες. Τ ο εργοστάσιο, το
οποίο κατασκευάζει τις λυχνίες, επιθυμεί ν α δώσει στους πελάτες
εγγύηση για ορισμένο αριθμό ωρών· αν μια λ υ χ ν ία κ α ε ί νωρίτερα
επιστρέφεται στο εργοστάσιο για αντικατάσταση. Π ο ιο ς αριθμός ωρών
πρέπει να δοθεί σαν εγγύηση ώστε το πολύ 5% των λυχνιών να
επιστρέφονται στο εργοστάσιο;

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

22. Ο π α ρ α κ ά τω πίνα κα ς (R.D. Ciarke, An application of the Poisson

distribution, Jo u rn a l o f the institute o f Actuaries Toμ. 72 (1946) 6.48)
δίνει τον αριθμό των περιοχών, καθεμιάς εμβαδού 1/4 km του Νότιου
Λονδίνου, που βομβαρδίστηκαν k φορές στον ΒΙ Παγκόσμιο Πόλεμο

αριθμ. βομβαρδισμών Κ 0 1 2 3 4 5

v k = αριθμ. περιοχών με 229 211 93 35 7 1

k βομβαρδισμούς

Χρησιμοποιώντας ως παράμετρο λ της Poisson τον μέσο όσο των

βομβαρδισμών κ α τά περιοχή, από τον πίνακα, υπολογίστε τις
πιθανότητες p k = P (K i .= k) με την βοήθεια του Πίνακα 2 (κατανομή
Poisson) κ α ι διαπιστώστε ότι οι συχνότητες vk δεν διαφέρουν
σημαντικά 1 α π ό τις θεωρητικές συχνότητες f k ≈Np k , όπου N = Σv k ≈5Ι6.
Έτσι συμπεράνετε ότι οι βομβαρδισμοί εγίνοντο κατά τύχη.

23. Ας υποθέσουμε ότι ο αριθμός τυπογραφικών λαθών ανά σελίδα

ακολουθεί την κατανομή Poisson. Έ να βιβλίο 200 σελίδων περιέχει 40
τυπογραφικά λάθη. Ποια είναι η πιθανότητα να μην περιέχουν
τυπογραφικά λάθη 10 σελίδες του βιβλίου, εκλεγόμενες τυχαία;

24*. Η κ α τ α ν ο μ ή Polya. Από δοχείο που περιέχει Λ άσπρα και Μ μαύρα

σφαιρίδια, παίρνουμε κατά τύχη ένα σφαιρίδιο και το επιστρέφουμε στο
δοχείο προσθέτοντας συγχρόνως k σφαιρίδια του ίδιου χρώματος.
Επαναλαμβάνουμε αυτό ν φορές. Έστω X ο αριθμός των άσπρων
σφαιριδίων, τ α οποία εξάγουμε. (Δειγματοληπτικό οχήμα του Polya). Η
κατανομή του Polya δίδεται από την
Ρ (Χ = s ) = f 4 (4 + * ) , ∙t 4 +(s ~
1)*M M + ⅛)...[M + (ν —s —1)*]
vJ N (N + λ)...[N + (v -l)λ ]|
όπου 2√ = Λ + Λf. (Η υπεργεωμετρική αντιστοιχεί σε k = —1, η δε
διωνυμική σε Jr = O).

25. Κ α τ α ν ο μ ή Γ.'. Μ ια τμ X έχει τ ηv (συνεχή) κατανομή Γ αν έχει

πυκνότητα
ορ
f(x )= ~ ~ x , , ^ l e~ i x , χ> 0,
Γ \Ρ )

1 Για την ακρίβεια, αυτό απαιτεί το κριτήριο χ 1 , των στατιστικών ελέγχων.

48

όπου ∏p) είναι η καλούμενη συνάρτηση Γ , οριζόμενη γ ια κάθε ρ > 0

από το ολοκλήρωμα του Euler (δευτέρου είδους)
Μ
Γ ( p ) ≈ j x p ~, e~x d x .
ο
Δ είξετε ότι στην ανέλιξη Poisson (§ 4.2) ο χρόνος α να μ ονής μέχρι να
εμφανιστούν ν γεγονότα έχει την κατα νομή Γ με παραμέτρους
λ = 0 κ α ι p = v (η εκθετική αντιστοιχεί σε ρ = 1 , ω ς κατανομή του
ενδιάμεσου χρόνου μεταξύ δυο διαδοχικώ ν ενδεχομένω ν). Απ'αυτό
ουμπεράνετε ότι η ασκ της Poisson μπορεί να εκφρασθεί από το μη
πλήρες (incomplete) ολοκλήρωμα Euler ως εξής:

2 6 . Τ ο παλαιό Αμερικανικό π α ιγ ν ίδ ι τω ν cr a p s, (το οποίο παιζόταν και

πριν αναπτυχθεί η Θεωρία πιθανοτήτων) π α ίζετα ι ω ς εξής:
Έ ν α ς απ'τους δύο παίκτες, έστω ο Α , ρίχνει δύο ζά ρ ια συγχρόνως και
ω ς αποτέλεσμα λαμβάνεται το άθροισμα των δύο ενδείξεω ν. Αυτό
συνεχίζεται μέχρις ότου ο Α κερδίσει ή χάσει: Ο Α κ ερ δ ίζει αν α) την
πρώτη φορά φέρει 7 ή 11 ή β) την πρώτη φορά φέρει αποτέλεσμα k όπου
4 ≤ k < 10, k ≠ l και στην επομένη piψτ∣ το k επαναληφ θεί, υπό τον όρο
ότι δεν έχει προηγηθεί 7 πριν την επανεμφάνιση του k . Α λ λ ιώ ς ο Α
χάνει.
Έστω X ο αριθμός των ρίψεων όταν λήξει το π α ιγ ν ίδ ι. Ν α βρεθούν
(i) η συνάρτηση πιθανότητας της X , κ α ι
(ιι) η πιθανότητα να κερδίσει ο Α .
Ε ίν α ι δ ίκ α ιο το παιγνίδι, δηλ. οι δύο π α ίκτες έχουν την ίδια
πιθανότητα να κερδίσουν (όταν στοιχηματίζουν το ίδιο ποσό);

2 7 . Ο χρόνος λειτουργίας κινητήτα αεροπλάνου ακολουθεί την εκθετική

κατανομή με παράμετρο 0 = 0,001 ώρες. Γ ια την πτήση του αεροπλάνου
απαιτείται η λειτουργία τουλάχιστον 2 από τους κινητήρες του
αεροπλάνου. Ποια είναι η πιθανότητα να επιτύχει αεροπορική αποστολή
που απαιτεί α) 10 ώρες πτήσης β) 50 ώρες πτήσης;

2 8 . Σ ε μια διασταύρωση το φως της τροχαίας α λ λ ά ζ ε ι από πράσινο σε

κόκκινο και αντίστροφα κάθε λεπτό. Π ο ια είνα ι η πιθανότητα να
μπορέσει (νόμιμα!) ένα αυτοκίνητο να περάσει χω ρίς ν α περιμένει;
 ΚΕΦΑΛΑΙΟ III

Χ Α ΡΑ Κ Τ Η ΡΙΣΤΙΚ ΕΣ ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

6.1. Έ ν ν ο ια τη ς Π αραμέτρου

Η πλήρης περιγραφή μιας τυχαίας μεταβλητής δίδεται από την

κατανομή της, που προσδιορίζεται είτε από την συνάρτηση συχνότητας
(πιθανότητας ή πυκνότητας) είτε από την αθροιστική συνάρτηση κατανομής
F. Σε πολλές περιπτώσεις, για μια αδρή και απλούστερη περιληπτική
περιγραφή της συμπεριφοράς μιας τυχαίας μεταβλητής Ύ, αρκεί να
προσδιορισθουν μερικές σταθερές ή παράμετροι, που υπολογίζονται από
την κατανομή της X . Αυτές οι παράμετροι δίνουν, σε γενικές γραμμές, μία
γενική εικόνα της κατανομής, δηλ του σχήιιατος και της θέσης της
"καμπύλης*' την οποία παριστάνει η συνάρτηση συχνότητας.
Η μ έ σ η τιμ ή , η διάμεσος, ή διασπορά και οι ροπές μιας κατανομής
αποτελούν τις σημαντικότερες παραμέτρους, που θα μας απασχολήσουν.

6.2. Π α ρ ά μ ε τ ρ ο ι θέσ εω ς μιας Κ ατανομής

Ο ι παράμετροι θέσεω ς (ή κεντρικής τάσεως) μιας μεταβλητής X ή της

αντίστοιχης κατανομής δίνουν μια εικόνα του μεγέθους της X (και κατα
συνέπεια, της θέσεως της "καμπύλης" συχνοτήτων y = f( x ') στο επίπεδο των
αξόνων). Τέτοιες παράμετροι είναι:
α) Η ε π ικ ρ α τ ο ύ σ α ή π λ έ ο ν πιθα νή τιμή,
β) Η δ ιά μ ε σ ο ς ή δ ιχ ο τό μ ο ς (median), και
γ) Η μ έ σ η τιμ ή, η οποία είναι και η σπουδαιότερη (δηλ. πιο εύχρηστη).
Γ ια συνεχή κατανομή με σππ f(× ), καλείται κορυφή (mode) της ένα
σημείο x τοπικού μεγίστου της σππ Γ(λ’)· έτσι αν η f έχει παραγωγό
δεύτερος τάξεω ς, το σημείο A'o είναι κορυφή αν
f '( x ) = 0 και f " ( x o )<O.
Γ ια απαριθμητή μεταβλητή που παίρνει τις τιμές X1, X2 ,..., Λ V ,... όπου
A'1 < x 2 < ...< λ',, < ...,η λέγεται κο ρυφ ή αν
P ( X = * ,- ι) < P ( X = O ≡ ∕ , (A'= ΛV+1) < P (X =x v )
50

Α ν η κατανομή έχει μία μόνο κορυφή, που κ α λ ε ίτ α ι τότε και

επικρατούσα ή πλέον πιθανή τιμή, λέγεται μονοκόρυφ η (unim odal). Αν
έχει δύο κορυφές λέγεται δικόρυφη (bimodal) κ .ο .κ . Ο ι πιο εύχρηστες
κατανομές είναι μονοκόρυφες ή κ α ι με δύο δια δ ο χικ ά σημεία maximum
(οροπεδιακές) για διακριτές.

Ορισμός; Διάμεσος ή διχοτόμος μιας μεταβλητής X με συνάρτηση

κατανομής F (x) λέγεται κάθε αριθμός δ (σημείο του ά ξο ν α των Λ ) που
ικανοποιεί τις ανισότητες
F ( δ -) = P ( X < δ ) ≤ ^ ≤ > P ( X ≤ δ ) = F (δ ) (1)
X
Α ν η F είναι συνεχής, με πυκνότητα f ( x ) , τότε διάμεσος είνα ι κάθε λύση δ
της
F ( i) = ∣ (2)

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).

Παράδειγμα; α) Ν α βρεθεί η διάμεσος δ της ομοιόμορφης κατανομής

στο (0,1).
Ζητείται λύση της F(<5)=∙^∙. Άρα

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

∑χ. 3: Υπάρχουν άπειρες διάμεσοι

Στο Σ%· 2, ορίζεται μονοσήμαντα η διάμεσος ενώ στο ∑X∙ υ π α PX°υ v

άπειρες διάμεσοι (οποιοσδήποτε αριθμός μεταξύ α και β)'
P[a < X < β ] , να πέσει η X στο διάστημα (α,β), είναι μηδέν.

6.3 Π ο σ ο σ τια ία -Ε κ α το σ τια ία (Quantiles)

Είδαμε ότι η διάμεσος χωρίζει την ‘'κατανομή" (Oli Mt *ζaς

πιθανότητας) σε δύο ίσα μέρη. Κατ'αναλογία, ορίζουμε σημεία (του άξονα
των χ, αριθμούς) καλούμενους ποσοστιαία σημεία ή ποσοστημόρια που
διαιρούν την κατανομή με την αναλογία ρ:(1 - p)(0 < ρ < 1):
 52

Ο ρ ισ μ ό ς. Για κάθε p l O < p < l , καλούμε ρ - π ο σ ο σ τ ια ίο σημείο

(quantile) ή ΙΟΟρ-οστό εκα τοσ τημ όριο (percentile), έστω ζ ρ , μ ια ς τμ X με
συνάρτηση κατανομής Fκαθ ε λύση (πρβλ. (1) της § 6.1) τω ν
¾ - ) ≤ p ≤ F t fp)
Α ν η F είν α ι συνεχής κ α ι γνή σ ια α ύ ξ ο υ σ α ( F ( x i ) > F ( x 2 y) γ ια κάθε
χ , > A1), τότε το ξ ρ ορίζεται μ ο ν ο σ ή μ α ν τ α ω ς η λ ύ σ η τ η ς
H ΛP ) = P .
Α λ λ ιώ ς έχουμε του ίδιου τύπου "πρόβλήματα" όπως κ α ι με την διάμεσο.
Γ ια ρ = ν % το ξ ρ καλείται ν-οστό ε κ α τ ο σ τ ια ίο σ η μ ε ίο ή ε κ α τ ο σ τ η μ ό ρ ιο
(percpntile). Για ν=25 έχουμε το 25° εκατοστημόριο που κ α λ ε ίτ α ι πρώτο
τ ε τ α ρ τ η μ ό ρ ιο (quantile) έστω τ l , ενώ γ ια ν=75 έχουμε το τρίτο
τ ε τ α ρ τ η μ ό ρ ιο τ3 . Για ι=1 0 έχουμε το πρώτο δ ε κ α τ η μ ό ρ ιο (decile) κ.τ.λ.
Η διάμεσος, ειδικά, αντιστοιχεί σε v=50 (p=0,5).

Σ η μ είω σ η ·. Το ΙΟΟρ ποσοστιαίο σημείο μ ια ς κ α τα νο μ ή ς κ α λ ε ίτ α ι επίσης

κ ά τ ω ρ -σ η μ είο της κατανομής ή ά νω ( Ι- ρ ) - σ η μ ε ίο αυτής.

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

6.4. Μέση Tιμι∖ - Μαθηματική Ελπίδα

Ας υποθέσουμε ότι το ποσοστό των ελαττωματικών τεμαχίων ενός

βιομηχανικού προϊόντος είναι 5%, των καλής ποιότητος 75% και της
ανώτερης ποιότητας 20%.
Από ένα ελαττω ματικό τεμάχιο ο βιομήχανος ζημιώνεται 1 δραχμή, από
ένα καλής ποιότητας κερδίζει 2 δρχ. και από ένα ανώτερης ποιότητας
κερδίζει 5 δρχ. Έστω ότι το εργοστάσιο έχει παράγει Ν τεμάχια του εν
λόγω προϊόντος, από τα οποία 7√1 είναι ελαττωματικά, Ν 2 είναι καλής
ποιότητας κ α ι N i ανώτερης ποιότητας. Τότε το ολικό κέρδος Κ του
βιομήχανου είναι:
K =(-1)N ] +2M 2 + 57√3
ενώ το κατά τεμάχιο μέσο κέρδος, έστω χ , ισούται με
y " ⅞ ∙ < - , ) ^ + 2 ⅛ - + s ⅛ l "<~ , W + 2 i * + i f * (3 )

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

(δεδομένου ότι τα βάρη στην προκειμένη περίπτωση έχουν άθροισμα την

μονάδα).

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
■*----------*■

Σ χ. 1. Μέση τιμή - Κέντρο βάρους

Γενικότερα οδηγούμαστε στον εξής ορισμό του μέσου:

Ορισμός: Η μέση ή προσδοκώμενη ή ελπιζόμενη τιμή ή μαθηματική

ε λ π ίδ α ή απλά, ο μέσος (mean, value, mean moyenne, mathematical
expectation espfcrance mathematique) μιας τυχαίας μεταβλητής X , που
συμβολίζεται με Ε ( Χ ) , ορίζεται ως εξής:
α) Γ ια δια κριτή μεταβλητή που παίρνει τιμές x 1,...,λ ' v , .. . με πιθανότητες
p 1,p 2 ,...,p v ,... , αντίστοιχα,
E ( X ) ≈ ∑ P lxi , (2)
i
υπό τον όρο ότι η σειρά συγκλίνει απόλυτα, δηλ.
∑P,∙∣x z ∣<∞. (3)
/
β) Γ ι α συνεχή μεταβλητή με συνάρτηση πυκνότητας ∕( x ) ,

E (X )= ∣x f(x )d x , (4)
—Μ

υπό τον όρο ότι το ολοκλήρωμα συγκλίνει απόλυτα, δηλαδή

∫∣x∣f(λ')dx <∞ . (5)

—··
Α ν η (3) ή (4) δεν πληρούται, τότε λέγομε ότι δεν υπάρχει η μέση τιμή της
X . Η συνθήκη (3) απαιτείται διότι αλλιώς η σειρά (2) θα ά λλα ζε τιμή από
αναδιάταξη των όρων της. Επιπλέον λέγομε ότι η Ε ( Χ ) υπ ά ρχει α ν αυτή
ε ίν α ι ορισμένη και επιπλέον πεπερασμένη^ · Ετσι για την απαριθμητή
μεταβλητή X με συνάρτηση πιθανότητας

1 Αυτό, δηλ ∣ f ( X ) ∣ < «», δεν είναι και τόαο απαραίτητο.

 55

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,...

διότι ενώ η σειρά

V ν 1 t ι∖A-+l
∑ A * i =ι=∙ιΣ2τ rH )
ι-»]
—=
k
ι--+
2 3
--...
συγκλίνει υπό συνθήκη α λ λ ά συγκλίνει απόλυτα. Κ α τά μείζονα λόγο,
λέγομεν ότι η Έ(ΑΓ) δεν υπάρχει, αν, π.χ.
P [X = (-2 )i ]= -L * = 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 .

Π α ρ ά δ ε ι γ μ α μ η δ ίκ α ι ο ν π α ιγ ν ιδ ιο ύ : Ρ ο υ λέτ τ α . Το παιγνίδι της

ρουλέττας π α ίζε τ α ι ως εξής:
Ο (κ υ κ λ ικ ό ς) τροχός της ρουλέττας, ο οποίος υποδιαιρείται σε 37 ίσα τόξα
που φέρουν τους αριθμούς 0 ,1 ,...,3 6 (στην Αμερική πολλές φορές 38 τόξα
που φέρουν τους αριθμούς 0 0 ,0 ,1 ,...,3 6 ), τίθεται σε περιστροφική κίνηση ενώ
μια σ φ α ίρα ρ ίχ ν ετα ι σ'αυτό. Α ς υποθέσουμε ότι, αν η σφαίρα σταματάει σε
μονό α ρ ιθ μ ό ο π α ίκ τη ς κερδίζει ποσό ίσο με αυτό που έχει καταθέσει, έστω
α, α λ λ ιώ ς το χ ά ν ε ι. Έστω Υ το "κέρδος" του παίκτου και X ο αριθμός στον
οποίο σ τ α μ α τ ά η σφαίρα ( X =0,1,2, ...,3 6 ).
17 Ιο (χ
E ( Y ) = a P [ X ≈ μ o v 0 ς ] + ^ a ) P [ X ^ Q ,2 ,4 .......3 6 ) = α - ( -α ) — = - —
56

Το αρνητικό μέσο κέρδος (ζημιά) του παίκτη οφ είλεται στο ότι η

17
πιθανότητά του να κερδίζει ένα παιγνίδι είναι ρ = — ενώ να χάνει
18
18
ρ = 1- ρ = — . Αυτό είναι το αναμενόμενο κέρδος (ζημιά) του π α ίκ το υ (κατά
37
παιγνίδι) σε μεγάλο αριθμό απαναλήψεων του π α ιγνιδιο ύ . Έ τσι στην
περίπτωση αυτή, όπως και σε πολλά άλλα τυχερά π α ιγ ν ίδ ια , η μαθηματική
ελπίδα'του παίκτη είναι αρνητική. Στην πράξη όμως ο π α ίκ τη ς, αγνοώντας
την (κακή) τύχη, την οποία του επιφυλάσσει το "απώτερο μέλλον", παίζει
ελπίζοντας ότι στο αμέσως προσεχές μέλλον θα αυξήσει το διαθέσιμο ποσόν
χρημάτων (πριν το χάσει, για το οποίον μπορεί να δειχθεί ότι η πιθανότητα
είνα ι λίαν ενθαρρυντική!)1

Παράδειγμα·, α) Μέση τιμή ομοιόμορφης δ ια κ ρ ιτ η ς τμ. Έστω X το

αποτέλεσμα της ρίψης ενός κύβου. Τότε
p k = P [ X = k ] ^ ^= 1 ,2 ,...,6
6
οπότε
6 6 1
2≈(X)=∑⅛>i = ∑ ⅛ = 3 , 5
X^=l l·-) ο

Γενικότερα για μια ομοιόμορφη απαριθμητή μεταβλητή X με

p l .= P [X = x i .] = - k = ]t ...,v
V

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.

β) Μ έσος διωνυμικής. Έχουμε, εξ ορισμού,

£ (% )= ∑ ⅛ = ∑ k P (X =*)≈∑*[ζ ∣ √√^1' =Σ*Pi I∕>V^i .

1-0 1 -0 l-≡l ∖ Kj Ι-J J
το οποίο γράφεται:

* 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!)

Σ η μ . Βλέπε κ α ι ενα λλα κ τικό τρόπο με παραγώγιση Ασκ. 24

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)

Άρα η π α ρ ά μ ε τ ρ ο ς λ της Poisson είν α ι η μέση τιμή της κατανομής.

Σ η μ . Βλέπε επίσης Α σ κ. 24

δ) Μ έ σ ο ς τ η ς ο μ ο ιό μ ο ρ φ η ς κ α τ α ν ο μ ή ς στο διάστημα (α,β). Η σππ τi↑Q

X είναι

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)

Σ ημ είω σ η: Α ν το θ = λ , η ένταση της ανέλιξης Poisson που οδηγεί στην

εκθετική κ α τ α ν ο μ ή του χρόνου Τ (βλ. § 5.2, III) μεταξύ διαδοχικών
γεγονότων, τότε, πράγματι, ο μ έσ ο ς ενδιά μεσ ος χ ρ ό ν ο ς Ε (Τ ) πρέπει να
58

ε ίν α ι το αντίστροφο, δηλ του μ έσ ο υ α ρ ιθ μ ο ύ λ γ ε γ ο ν ό τ ω ν στη

Λ

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 ·

θ έτο ντα ς (x - μ )∣σ = y , x = σ y + μ λαμβάνουμε

°(⅛ i ' ' i e'ir d y + ( ⅛ i ye ^v d y ∙

Α π ομ ένει να δειχθεί ότι,

1 7 —2
(2π)w l e jy ^ 1, (6)
7 -ϋ-
j ye 2 d y ≈ 0 . (7)

Η (2) δείχθηκε στην § 5.3 (η Γ ε ίν α ι σππ για κάθε μ κ α ι σ > 0) η δε (7)

ε ίν α ι προφανής, διότι η q ( y ) = ye 2 είναι π ερ ιτ τ ή σ υ ν ά ρ τ η σ η , δ η λ

CM»

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

6 .5 Ιδ ιό τη τες της Μέσης Τιμής

Έστω η τυχαία μεταβλητή X . Τότε

α) E ( X + c ) ≈ E ( X ') + c (c=σταθεpα)

Α π ό δ ε ιξ η : Α ς υποθέσουμε ότι η X έχει πυκνότητα f r (χ ) . Τότε, αν

θέσουμε Y ≈ X + c , έχουμε (βλ. (1) της § 6.6) f γ {y ^ f χ ^y ) κ a ι
+■· ÷** ⅛QO
j y fγ ( y ) d y ≈ ∫ (x + c ) f x (x)dx = ∫ χ f χ (χ )d χ + c ∫ f x ( x )d x =

= E ( X ) + e.
 59

Ομοίως αποδεικνύετα ι η ιδιότητα (1) κ α ι για διακριτές μεταβλητές.

β) E (a X )≈ a E ( X ) , (ο=σταθερά) (2)

Α π ό δ ειξη : Α ς υποθέσουμε ότι η X είνα απαριθμητή. Τότε, εξ ορισμού

της Ε ( Χ ) ,
E (a X ) = ∑ a x j P [a X = o X ∕]= ∑ ax zP (X = x z )= σ ∑ x zP(X = x z )≈ a E (X ) 1
/-ι /-ι /■!
Ομοίως α ποδεικνύετα ι η (2) και για συνεχείς μεταβλητές.
γ) Έστω οι τυ χα ίες μεταβλητές X και Υ. Τότε (εάν υπάρχουν οι £ ( Χ ) και
£(Γ )):
£ ( Χ + Γ )= £ (Χ ) + £ 0 0 (3)

Α π ό δ ειξη : Α ς υποθέσουμε ότι η X λαμβάνει τις τιμές x v x 2 ,...x i , με

πιθανότητες p l ,p 2 ,...,Pjι-, αντίστοιχα, και η Κ λαμβάνει τις τιμές y 1,y 2 ,...y v
με πιθανότητες q l ,q 2 ,-'∙>cJv >αντίστοιχα. Τότε
E (X + Y ) = ∑ ∑ ( x , + y j )P [X = x l ^ ι Y = y j ]=
/-ι √-ι
= ∑ ' Σ × , P l ^ ≈ ^ y = y , ] + ∑ ∑ y l P l x = × , , y = y l 'i=
∕=ι y≡ι ∕≡ι √≡ι
= ∑ x , ∑ F [ X = x,, r = y 7 ] + ∑ y l ∑ P lX = x„ / = y ,]=
∕=ι √=ι y=ι ∕=ι
Αλλά παρατηρούμε ότι, δυνάμει θεωρήματος της Ολικής Πιθανότητας § 3.7
(βλ. κ α ι § 7.4),
χ P [ X = x z , y = y y ] = P [ X = χ .] = p . ∕ = 1,..,*,
√=ι
και
∑ P [ X = x,, Y = y j ]=P[Y = y ]=qj j = } .... V.
7-J
Άρα
P ( X + Y ) = ∑ x i pi + ∑ 7 λ ∙ = £ (Χ ) + £ (7 ).
/-ι ;-ι

Π α ρ α τή ρ η σ η : Η απόδειξη ισχύει και για k = v - o o , δηλαδή για γενικές

διακριτές τυ χ α ίε ς μεταβλητές, καθώς επίσης και για οποιεσδήποτε συνεχείς
τυχαίες μεταβλητές X κ α ι Υ.
Στην π ρ α γ μ α τικ ό τη τα ισχύει για οποιεσδήποτε τυχαίες μεταβλητές X και
Υ: το X μ π ο ρ εί ν α είναι διακριτή, το Υ συνεχής και αντίστροφα.
Ως πόρισμα τω ν προτάσεων 2 και 3 προκύπτει η γενική ιδιότητα της
μέσης τιμής (της πράξης Ε).
60

Η ιδιότητα της γραμμικότητας. Γ ια οποιοδήποτε ζε ύ γ ο ς τυχαίων

μεταβλητών X και Υ (των οποίων οι μέσες τιμ ές υ π ά ρχο υν) και
οποιοδήποτε ζεύγος αριθμών α και β ισχύει η γ ρ α μ μ ικ ή ιδ ιό τ η τ α της Ε :
E ( a X + β Y ) = a E ( X ) + β (Y ) (4)

Σημείωση: Γενικά για μη γραμμική συνάρτηση g, Eg(X^) ≠ g ( E X ) t π.γ.

E ( X i ) ≠ [E (X )} 2 και 2s(log X ) ≠ log Ε ( Χ ) .

Παρατήρηση: Η ιδιότητα της γραμμικότητας της Ε επ εκτείνεται σε

περισσότερες από δύο μεταβλητές, δηλ. ισχύει η

Πρόταση: Για οποιεσδήποτε σταθερές α 1, . . . , α v και μεταβλητές

X p ...,JV v των οποίων οι μέσες τιμές υπάρχουν, ισχύει η
E (a l X i + a 1X 1 + ...+a v X v ) = a l E ( X i ) + a 2 E ( X 2 ')+ ...+ a v E ( X v ')
Προφανώς, αν c είναι σταθερά ισχύει και η
4 ∑ > Λ , + c ∣ = ∑ B ( X ,) + c. (5)
\ /■
=! 7 /·=!

6 .6 Ρ ο π ές. Δ ια σ π ορά

Εστω τυχαία μεταβλητή X στο δειγματοχώρο Ω . Τ ό τε οποιαδήποτε

(μετρήσιμη)1 συνάρτηση g ( X ) της X (με π ρ α γ μ α τικ ές τιμ ές π .χ .) είναι
επίσης τυχαία μεταβλητή, έστω Υ, πάλι στον Ω , αφού
y = ^ (Υ )= g (X (ω ))= K (ω ).
Σε μερικές περιπτώσεις όταν η g είναι α π λή συνάρτηση, όπω ς π .χ. το
τετράγωνο, ο log, η γραμμική συνάρτηση, είνα ι εύ κ ο λ ο ν α βρούμε την
κατανομή της Υ από την κατανομή της X κ α ι στη σ υνέχεια την Ε ( Υ ) από
τον ορισμό:

£ ( 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 .

1 Βλέπε υποσημείωση της § 1.4

 61

Π α ρ ά δ ειγ μ α ’. Έστω X ομοιόμορφη στο διάστημα (0,1). Έστω δε

y ≈ X i . Τότε:

Ε ( y )= F U j )= T ⅛ m = K =
— 0-
Ροπές ν Τ ά ξ η ς

Ιδιαίτερο ενδιαφέρον παρουσιάζει η περίπτωση κατά την οποία

g ( X ) = X v , όπου ν είνα ι θετικός ακέραιος (v=l,2,...).

Ορισμός". Κ α λ είτα ι ροπ ή ν τάξεως ή ν-οστή ροπή (γύρω από την

αρχή), έστω μ'v , ή
X = f ( X v ), v=l,2,... (2)
Να σημειωθεί ότι η ρ ο π ή 1ης τάξεως είναι, ως γνωστόν, η μέση τιμή,
E (X )= μ = μ ' 1 ,

Παρατήρηση". Οι ροπές έχουν μεγάλη σημασία διότι σε πολλές

περιπτώσεις, α ν τις γνωρίζουμε για όλες τις τιμές του ν, μπορούμε να
προσδιορίσουμε πλήρως την κατανομή (ίδε § 10. 2). Για την προσέγγιση
κατανομής χρησιμοποιούμε συνήθως τις 4 πρώτες ροπές.

Κ εντρικές Ρ ο π έ ς . Λ ια σ π ο ρ ά

Ορισμός: Η κεντρική ροπή τάξεως ν, έστω μ ν , γύρω από το κέντρο

(μέση τιμή) μ ~ E ( X ) της κατανομής) ορίζεται από την:
μ v = E ( X - μ ) v , v=l,2,...
Στη Σ τα τισ τικ ή ιδιαίτερο ενδιαφέρον παρουσιάζει η κεντρική ροπή
δευτέρας τάξεω ς, η οποία συνήθως καλείται διασπορά ή σκεδασμός ή
διακύμανση της X (Variance), συμβολιζομένη με το Δ (Χ ) ή Var(X) (ή
D (X ), α π ό το D ispersion = Diaspora, ή, απλά, ν(Ύ )):
√1(Υ) = Var(X ) = £ [ Χ - £(% )] 2 = Ε (Χ - μ)2 . (3)
Η θ ετικ ή τ ετρ α γω ν ικ ή ρίζα, της διασποράς καλείται τυπική απόκλιση
(standard deviation) κ α ι σε μερικές περιπτώσεις (θεωρία σφαλμάτων,
δειγματοληψία) τ υ π ικ ό σφ ά λμ α (standard error).
Η διασπορά τυ χ α ία ς μεταβλητής X είναι μέτρο του μεγέθους πόσο
διαφέρουν μ εταξύ τους οι τιμές της X, δηλ. μετρά την μεταβλητότητα των
τιμών τη ς X , ή α λλιώ ς την συγκεντρωτικότητα των τιμών της X γύρω από

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

i) Η διασπορά τμ X δεν μεταβάλλεται αν στη X προστεθεί μ ία σταθερά c,

δηλ. η διασπορά δεν μεταβάλλεται όταν μεταβάλλεται (μεταφέρεται) η
αρχή των αξόνων (όταν η κατανομή αλλάξει θέση):
Δ (X + c)= Δ (X ) (5)

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 ) .

Π) Α ν πολλαπλασιάσουμε μ ία τυχαία μεταβλητή X επί σταθερά α

(μετασχηματισμός κ λ ίμ α κ α ς μετρήσεως), τότε η διασπορά της
(προκύπτουσας μεταβλητής α Χ πολλαπλασιάζεται επί το τετράγω νο της α:
Δ ( α X ) = α 2Δ ( Χ ) . (6)

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 ) .

Α π ό την (6) έπεται η απλή α λ λά σημαντικότατη σχέση

σ(αX )=∣α∣σ (% ). (7)
Επίσης, συνδυάζοντας τις (5) και (6), έχουμε το

Π ό ρ ισ μ α ; Για α και c σταθερές,

Δ ( a X + c ) = a 2Δ ( X ) , σ (a X + c y) = ∖a }σ ( X ). (8)
iii) Τ ύ π ος υπ ολογισμού της διασποράς:
Λ ( X ) = E ( X ') - [ E ( X ) ] '= E ( X 1') - μ , = (9 )

= 2α ροπή - (μέσος)’ .

1 Προφανώς, αντιστοιχεί στην "ροπή α δ ρ ά ν ε ια ς "της Φυσικής.

 63

Α π ό δειξη : Εξ ορισμού, και κάνοντας χρήση της γραμμικότητας (5), §

6.5, της Ε, η
Δ (Λ ')= E [(X - μ) 2 ]=E(A r2 - 2μX + /?)=
= E ( X 2 ) - 2E (μX ) + E(μ 2 )= E (X 2 ) - 2 μE (X ) + √ =
= E ( X 2 ) - 2μ 2 + μ 2 =Ε(Χ 2 ) - μ 2 .

Π α ρ α δ ε ίγ μ α τα : α) Ν α βρεθεί η διασπορά της ομοιόμορφης κατανομής

στο (0,1).
Έχουμε
1 1 1 1
μ = E (X )= ∫Λ d * = -κ α l E (Υ 2 )= ∫Λ 2o ⅛ = -
ο 2 0 3
Άρα έχουμε, δυνάμει της (8),
1 ( 1Ϋ 1
Λ ( Υ ) = - - - =— . (10)
3 12
Έτσι, μπορούμε να συμπεράνουμε από την (8), το σημαντικό

Π όρισμα: Αν η τμ Υ είναι ομοιόμορφη στο (α,β), τότε

(ίο)*

β) Έστω η κανονική μεταβλητή X μ ε πυκνότητα

. I (*-P)2
f∖ x )= -r -e ' · . (11)
σ√2π
θ α δείξουμε ότι:
A(Λr )= σ 2

Α π ό δειξη : Γνωρίζουμε ότι E (X }= μ (§ 6.4). Άρα

(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 .

Συμβολισμός. Η κανονική κατανομή με μέσο μ κ α ι διασπορά o i θα

παριστάνεται με N ( μ ,σ 2 ). Η αντίστοιχη πυκνότητα είναι η (11).
 ∏aptiδntγμa ,. Έστω η X μ∣i πυκνότητα

Τότε, από την (11),

Δ ( X ) r ,9
X

δηλ η X είναι Ν - ,9 .

γ) Λ ιασπορά της Poisson, με απ

λ t,
l, k a t , " '-Γ7, k «0,1,2,.., ,
kl

Γνωρίζουμε ήδη (§ 6.4) ότι E ( X ) ≈ λ ∙ επομένως χρειαζόμαστε την Ε ( Χ 2 ).

Είναι ευκολότερο όμως για μία διακριτή τμ με ακέραιες τιμές, όπως η
Poisson, να βρούμε την καλούμενη π α ρ α γοντική ρ ο π ή π2 δευτέρας
τάξεως, δηλ. την
n1 = E [ X ( X - 1 )]= E (X 2 ) - Ε ( Χ ) ,
και απ'αυτήν την
E ( X 2)≈π 2+ E (X )
Έχουμε:
∏1 = E[%(Λ- - 1)]= ∑ * ( * - l)pt = ∑ K J t - ∖)p t = ∑ k ( k - I)≈^Λ ⅛
k∙0 k-2 k*2 k1
Μ 1k-2 w ιv
λ i c ' , - £ — ------= λ 2e - ,∙ £ — = λ 2 .
⅛ (Λ -2 )I v⅛ vl
Ά ρ α έχουμε:
E ( X ) 2 = n 2+ E ( X ) = λ 2 + λ, Δ ( X ) ≈ E ( X 2 ) - λ 1 = λ
Παρατηρούμε ότι τόσο η μέση τιμή όσο κ α ι η δια σ π ορ ά της P o isson
είν α ι η ίδια η παράμετρός της λ (βλ. επίσης και Ασκ. 24).

6.7 . Κ α τά Προσέγγιση Υπολογισμός του Μέσου κ α ι τη ς Δ ια σ π ο ρ ά ς.

Είδαμε (§ 6.6) ότι, αν δοθεί μια συνάρτηση g ( X ) μιας τμ μεταβλητής

X , είναι δυνατόν να βρούμε τη μέση τιμή της Y = g ( X ) απ'ευθείας
χρησιμοποιώντας την κατανομή της X , δηλ. χωρίς να βρούμε την κατανομή
της Υ, Το ίδιο ισχύει και για οποιαδήποτε ροπή της Υ. Ωστόσο, όταν η g
είναι κάπως πολύπλοκη, οι σχετικοί υπολογισμοί οδηγούν συνήθως σε
 65

ολοκληρώσεις ή αθροίσεις οι οποίες δύσκολα μπορούν να εκτελεσθούν.

Γι’αυτό οι π α ρα κ ά τω προσεγγίσεις (≈) γίνονται πολύ χρήσιμες1 .

Π ρ ό τ α σ η : Έστω Λ 'τ μ , με 5 ( X ) = μ κ α ι Δ ( X ) ≈ σ 1 και

γ≈ g m
όπου η συνάρτηση g ε χ ε ι παράγωγο τρίτης τάξεως. Τότε
B (s U )]-g ⅛ )+ ≤ ‰ , (1)

4 [ g ( Υ ) ) - [i ⅛ ) ] 1 α , . (2)

Α π ό δ ε ιξ η : Κ α τ ά το ανάπτυγμα του Taylor της #γύρω από το σημείο μ ,

έχουμε

g ( X ) = g {μ ) + ( X - μ )g'(μ ) g "W + (3 )

Α ν παραλείψουμε το υπόλοιπο R 3 και πάρουμε τη μέση τιμή και των δύο

μελών βρίσκουμε την (1) (αφού Ε ( Χ - μ ) = 0 ) ,
Για την α π όδειξη της (2), λαμβάνοντας μόνον ένα όρο στο ανάπτυγμα (3),
έχουμε σύμφωνα με την (8) της § 6.6 ,
∆(g(.χ∙)') = ∆ [g ( μ ) + ( X - μ )g , (μ )]= [g '(μ )] 1 Δ ( X - p ) ⅛ ' ⅛ ) ] V .

Π α ρ ά δ ε ιγ μ α : Υ π ό ορισμένες συνθήκες, η επιφανειακή τάση 5 ενός

υγρού (d y n ∕c m ) δίδεται από την
5 = 2 (1 -0 ,0 0 5 7 ) u ,
όπου Τ παριστάνει την θερμοκρασία σε βαθμούς Κελσίου του υγρού.
Α ς υποθέσουμε ότι η Τ είναι συνεχής τυχαία μεταβλητή με πυκνότητα
.f( r ) = 3 θ θ o r ∖ r ≥ ι o .
Βρίσκουμε πρώτα τις
∫3 0 0 0 Γ 3Λ = 1 5 , 4 ( 7 ) = 5 ( 7 2 ) -1 5 2 = 75.
JE (T) =
10
Για τις 5 ( 5 ) κ α ι 4 ( 5 ) απαιτείται ο μάλλον δυσχερής υπολογισμός των
ολοκληρωμάτων
5 ( 5 ) = ∫ 2(1 - 0 ,005r)u f (r ) Λ =6000 ∫ (1 - 0,005f)12 t~*dt
ιο ίο
οα

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),

1 Ιδιαίτερα οτη οτατιστική εκτιμητική όταν υπολογίζουμε το σφάλμα (wπucιf απόκλιση)

εκτψ ήτριας (άγνωοτης) παραμέτρου.

66

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

δ ε ιγ μ α τ ικ ή δια σπορά σ ', όπου vσ 2 = X ( x ,∙ ~ x ) 2 (εκτίμηση της

∕≡1
διασποράς σ ' της θεωρητικής κατανομής), ελ α χ ισ τ ο π ο ιε ί το X ( x z - c ) 2 ,
∕≡i
όταν δηλ. c = x = ( x 1+ ...+ x v ) ∕ ν = μέσος όρος των μετρήσεω ν.

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

3 . Δ είξετε ότι αναγκαία συνθήκη γ ια την ύπαρξη της μέσης τιμής τμ με

συνάρτηση κατανομής F είναι η
 67

Iim XF( Λ')= lim x [l-F (x )]= O .

l→-∙∙ Λ→+<-

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 —>

Έτσι στο παρατιθέμενο σχήμα,

μ=εμβαδov (Α)-εμβαδόν (Β)

Α π’αυτό συμπεράνετε ότι, αν Ε (Χ ) υπάρχει, τότε τα

<JO 0
(i) ∫x f ( x ) d x, και ∫x f(x )d x
ο —

επίσης υπάρχουν και είναι πεπερασμένα (ως γεγονός η ύπαρξη της

Ε ί Χ ) σημαίνει ότι για κάθε c, αντί του 0, υπάρχουν τα ολοκληρώματα
στην (i)).

5. Για την κατανομή του Cauchy με πυκνότητα

1 1
f (x )=
π 1+ χ 2
η μ έσ η τ ιμ ή δ ε ν υ π ά ρ χει (βλ. (5) § 6.4). Άρα δεν υπάρχουν και οι
μ ', ν > 1. Εν τούτοις υπάρχουν οι α π ό λ υ τες ρ ο π ές τάξεως ν < 1, δηλ οι

Ομοίως υπάρχουν οι μ v, , ν ≥ 1 της δ ιά κ ρ ιτη ς Cauchy i , με σπ

1 Είναι ενδιαφέρον α λ λ ά αναμενομένο ότι το "Sιακpιτ0 α νά λο γο " του η, οτη γνωοτή (συνήθη

κατανομή Cauchy, εδώ βρέθηκε (με υπολογιστή) ίσο με

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

Λ ,=P[A' = ⅛ ] = - k = 0 ,± l,± 2 ,...

π0 1+ k

6. Δείξετε ότι οι ν πρώτες ροπές καθορίζουν τις ν πρώτες κεντρικές ροπές

και αντιστρόφα.

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.

8. Δείξετε ότι η μέση τιμή και η διασπορά της υπεργεωμετρικής κατανομής

δίνονται από τις
E(X)=vp Δ (X )= v p q ^ --~
Ν - 1
όπου τέθηκε p = Λ ∕N i q = M ∕N i N = M + Λ
( Υπόδειξη: Εύρετε ττη 2η παραγοντική ροπή όπως για την Poisson §
6.6)

9. Δείξετε ότι η μέση τιμή μ και η διασπορά σ2 των παρακάτω

κατανομών είναι:

α) Διωνυμικής: μ=vp, σt =vpq

β) Γεωμετρικής: μ = j (αvΥ = l,...), ∕ 1 =∙≥ (α v X = l,...),

γ) Pascal: ∕< = - ,σ , =v-⅝ (βλ. §4.2)

Ρ Ρ
1 2 1
δ) εκθετικής: μ = -, ° = ττ
θ θ-
ε) της Γάμμα: μ=⅛, ° 2 (βλ. Ασκ. 25, Κεφ. II)
Λ λ

}O.Γεvικευμεvη διωνυμική. Θεωρούμε ακολουθία ανεξάρτητων δοκιμών

Bernoulli στις οποίες η πιθανότητα του ενδεχόμενου Α κατά την ϊ
δοκιμή είναι p i . Έστω X ο αριθμός εμφανίσεων του Α κ α τά τις πρώτες
ν δοκιμές.
ί) Να βρεθούν οι
α) μ=E(X), β) Δ(X), γ) μ i ≈ E ( X - μ γ
ii) Δείξετε ότι η διασπορά της X για δεδομένη τιμή της P ~ ~ ∑ P ∣
V /=1
γίνεται μεγίστη όταν p t =p2 =∙≈ p v ≈ p .
Ποια σημασία έχει αυτό στην πράξη;

11*. Η καλούμενη κατανομή Laplace έχει πυκνότητα

 69

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 ).

13. Η θ ερμ ο κ ρα σ ία Τ "αποστάξεως” πετρελαίου καθορίζει την ποιότητα του

τελικού π ρ ο ϊό ν το ς. Α ν Tl ≤2OO o C (Κελσίου) το προϊόν λέγεται "νάφθα”
κ α ι π ω λ ε ίτ α ι προς β δολλάρια το γαλόνι. Α ν T > 2 O 0 o C το προϊόν
λέγεται α π όσ τα γμ α πετρελαίου και πωλείται προς γ δολλάρια το
γ α λ ό ν ι. Αν υποτεθεί ότι η θερμοκρασία Τ είναι ομοιόμορφη στο -
διάστημα (1 6 0 , 280), να βρεθεί το αναμενόμενο κέρδος κατά γαλόνι
δεδομένου ότι έν α γαλόνι στοιχίζει α δολλάρια.

14. Δ ε ίξε τ ε το υ ς εξής α ν α γ ω γ ικ ο ύ ς τύπους για τον υπολογισμό

δ ια δ ο χικ ώ ν όρων της συνάρτησης πιθανότητας των κατανομών:
α) Δ ιω ν υ μ ικ ή ς (§ 4. 2):
P [ X = k + 1]=*(Λ + l∣v ,p ) ≈ c v ^^⅛ >(⅛ ∣v,p) (ί)
u j (k + l)q
λ = 0 ,1 ,2 ,...,ν - 1
β) P o isso n (§ 4.2):
‰ 1= -P [^ = i + l] = -⅛ Λ ∙ *=<>Λ 2,... (ii)

γ) Υ π ο λ ο γ ίσ τε τ ις διωνυμικές πιθανότητες b(k∖v,p ) για v = 5, ρ = ^ με

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).

15 . Δ ώ σ τε τη γρα φ ική παράσταση της ασκ

F ( x ) = l-0 ,8 e ~ x , για x ≥ 0 ,
F (x)= 0 για x < 0
Ε ίν α ι η F συνεχής; Βρείτε τη μέση τιμή της.

16 . Μ ία κ α τ α ν ο μ ή λέγεται συμμετρική γύρω από ένα σημείο α αν η

συνάρτηση συχνότητας της (πυκνότητας ή πιθανότητας) f ( x ) της
π λ η ρ ο ί την
∕ , (a + x) = ∕( a - x ) .
70

Δείξετε ότι εάν η μέση τιμή της κατανομής υπά ρχει, τότε ε ίν α ι ίση με a
(πρβλ. Αοκ, 5 και 1Γ).

17. Δείξετε ότι ∣

E(ΛΛ)∣
≤ £[|Ύ|]

1 8 . Γ ια κάθε σύνολο Α πραγματικών αριθμών, έστω I Λ (.X ') η καλούμενη

"χαρακτηριστική" (δείκτρια) του συνάρτηση του Α :
I λ (x)=} για χ ∈A , I Λ ( X ) = 0 για χ £ Α .
Δείξετε ότι για τυχαία μεταβλητή X
P [A e Λ ]= ⅛ W ]∙ '

19. i) Αν B(X)≡=B(A, 1 )= 0 τότε P[ Λ ^= O]=1 (όλη η μ ο ν α δ ια ία μάζα

πιθανότητας είναι συγκεντρωμένη στο χ = 0 )
ii) Αν Δ(AΛ)=0, τότε υπάρχει σταθερά c τέτο ια ώστε P [ X = c]= l.

2Ο.Εκφράστε την υπεργεωμετρική τμ ως άθροισμα ν τμ κ α ι με τη βοήθεια

του αθροίσματος υπολογίστε την μέση τιμή της.
Υ π ο δ. Ορίστε δίτιμη 0 - 1 τμ X j∙ που αντισ τοιχεί στην εξα γω γή (δοκιμή)
∕ = 1,2,...

2 1 . Στο π α ιγ ν ίδ ι "dart" ο στόχος αποτελείται α π ό 3 ομόκεντρους κύκλους

ακτινώ ν 1 ∕√ 3 , 1 και √3. Για κάθε κτύπημα (με βέλος) του εσωτερικού
κύκλου ο παίκτης παίρνει 3 πόντους, του επόμενου δ α κ τυ λ ίο υ 2 πόντους
κ α ι του εξωτερικού δακτυλίου 1 πόντο. Αν κτυπησει έξω α π 'το ν στόχο
(αστοχήσει) παίρνει μηδέν πόντους. Έ να π α ιγ ν ίδ ι α π ο τ ε λ ε ίτα ι α πό τρεις
διαδοχικές βολές κατά του στόχου. Έστω X το άθροισμα τω ν πόντων
που παίρνει ο παίκτης μετά από 3 βολές. Α ν 5 < X ≤ 8, ο παίκτης
κερδίζει αντικείμενο αξίας a δρχ., αν δε X - 9 κ ερ δ ίζει αντικείμενο
α ξ ία ς 30 δρχ. Για ένα παιγνίδι ο παίκτης πληρώ νει 1 δρ χ.
Αν υποτεθεί ότι η απόσταση R του κτυπήματος α π ό το κέντρο του
στόχου έχει πυκνότητα
2 1
f ( r ) = -------- - , ( δ ιπ λ ω μ έ ν η C auchy),
π 1+ r x
πω ς πρέπει να εκλέξει το α ο διαχειριστής του π α ιγ ν ιδ ιο ύ ώστε (κατά
μέσο όρο) να μη ζημιώνει;

2 2 . Η λεγάμενη Β -κατανομή με παραμέτρους ρ > 0, q > 0 ο ρ ίζετα ι από την

συνάρτηση πυκνότητας
0 < χ < l,
 71

όπου B ( p > c] ) είνα ι η καλούμενη Β·συνάρτηση, οριζόμενη από το

ολοκλή ρω μ α E uler (πρβλ β' είδους, Ασκ II 25)
B ( A g ) = μ - ( ∣- O - 'Λ = ^ ^ .

Βρείτε τη ροπή ν τάξεως της κατανομής και τη διασπορά της.

23. Β ρείτε τη ροπή ν τάξεως κα ι τη διασπορά της Γ-κατανομής (Ασκ. 25

Κ εφ . II).

24*. Ε ύ ρ ε σ η τ ω ν ρ ο π ώ ν μ ε παραγώ γιση ως π ρ ος π α ρ ά μ ετ ρ ο α ν τ ί

ο λ ο κ λ ή ρ ω σ η (άθροιση)·. Γ ια διασάφηση, παραγωγίζοντας ως προς θ
την ταυτότητα (ως προς θ)

∫ θe~β x d x = l (για την εκθετική κατανομή)

ο
έχουμε τη νέα ταυτότητα
∫ e~0 *dx - ∫are^tfx i⅛= 0 ,
0 ο
η οποία δ ίν ε ι E ( X ) = ^ .

Μ ε α ν ά λ ο γ ο τρόπο (παραγωγίζοντας ξανά) να βρεθεί η E ( X 2 ^) της

εκθετικής- γ ενικότερα η E ( X v ). Ομοίως να βρεθούν οι μέσες τιμές κ α ι οι
π α ρ α γ ο ν τ ικ ές ροπές π2 της Poisson και της διωνυμικής.

2 5 .‘ Σ υ ν έ χ ε ια . Οι πλείστες των κλασσικών κατανομών ανήκουν στην

λεγάμενη ε κ θ ε τ ικ ή ο ικ ο γ έ ν ε ια κατανομών (ως προς μια "φυσική"
π α ράμετρο θ), γ ια συνεχείς με σππ στη μορφή
(i) f 0 ( x )= c (θ )h (x )e ~ β x ,
κ α ι, ε ιδ ικ ά , γ ια α κέρα ιες μη αρνητικές τμ με σπ

(Η)

που α να φ έρετα ι ως κ α τ α ν ο μ ή δννα μ οο ειρ ά ς (power series).

Δ ε ίξε τ ε ότι στην (i) ανήκουν οι κατανομές:
α) Ε κ θ ετικ ή : με c(θ)∙=Θ, h(X) ≡ 1
β) Κ α ν ο ν ικ ή : με θ = - μ κ α ι
-⅛ ι -i 4
Λ (χ )= e , {μ )= — = e 2 ∙τ
c 7
σ√2π
γ) Γ ά μ μ α : (β λ. Α σ κ . 9),
ενώ στην (Η) ανήκουν οι διακριτές:
(ί) Δ ιω ν υ μ ικ ή : με 0 = g(0)=(l + 0)∖
72

(ii) Poisson: με θ=λ i ρ(λ)=e1 , σ ( x ) = - , x=0,l,..∙ ·

Λ1

26 .‘Συνέχεια. Να δειχθεί ότι η μέση τιμή δίδεται από τις

® B m = s - (ii) * ∞ -i i ≡

Επαληθεύσετέ τες για τις κατανομές της προηγούμενης Ασκ.

27 . Αν η ροπή μ v, =E{X v ) υπάρχει, να δειχθεί ότι για κάθε 1 < k ν και

σταθερά c ισχύει ο τύπος (πρβλ Ασκ. 4, με v=l, c=0) '1

E (X - c)k = k~j(x - c) t -'[l - F(x)]dx - k ∫(x - c) i - , F ( χ ) ⅛ .

C -··
Υπόδειξη. Ολοκληρώστε κατά μέρη (παράγοντες).
 ΚΕΦΑΛΑΙΟ IV

ΠΟΛΥΔΙΑΣΤΑΤΕΣ (ΠΟΛΥΜΕΤΑΒΛΗΤΕΣ) ΚΑΤΑΝΟΜΕΣ

7.1 Π α ρ α δ είγ μ α τα Πολυμεταβλητών Κ ατανομώ ν

Παίρνουμε 3 χαρτιά από μια τράπουλα 52 χαρτιών. Έστω X ο αριθμός

των "σπαθιών" κ α ι Υ ο αριθμός των "καρρό".
Ενδιαφερόμαστε για την κατανομή πιθανότητας των X και Υ
συγχρόνως, ιδιαίτερα θέλουμε να προσδιορίσουμε την από κ ο ιν ο ύ (joint)
συνάρτηση π ιθ α ν ό τη τα ς των X και Κ,.δηλ. τις πιθανότητες (Σχ. 1) {pi j },
/Ί3Υ13Υ 26
A' 7∕ , 1 °i ' + j s 3
Pe = P (X = i , Y ≈ √)=
52V'^'
3J
Αν π.χ. i = 2, j = 0, τότε

2 0
ΡΊ ,Ο~ =0,092.

Σημείωση: Στο παράδειγμα

αυτό η κατανομή είναι διακρι-
τή, διότι το ζεύγος (X ,Y ') λαμ­
βάνει πεπερασμένο πλήθος τι­
μών (ζεύγη αριθμών ή σημείων
στο επίπεδο, καθένα με θετική
πιθανότητα).
Σ χ .ι
Επιπλέον ισχύει η σχέση:
3 3

Σ∑∕½ = ∑∕'> =1∙

Ας εξετάσουμε το παράδειγμα της προσβολής στόχου από πυροβόλο
όπλο (βλ. § 5.1). Έστω ότι η X συμβολίζει την οριζόντια απόκλιση του
σημείου κρούσης από το κέντρο του στόχου και Υ την κατακόρυφη
απόκλιση. Εδώ το τυχαίο ζεύγος (Λ, Υ) ορίζει συνεχή μεταβλητή, που
Ί4

λαμβι⅛vει όλες τις τιμές ( x ,y ) ∙ .a ≤ x ≤ β γ ≤ y ≤ δ (όπου α, β, y, <5,

σταθερές). Σ'αυτήν την περίπτωση η κ α τα νομ ή του ζεύγους (JV,y)
καθορίζεται από την α π ό κ ο ιν ο ύ σ υνά ρτηση π υ κ ν ό τ η τ α ς f ( x , y ) , όπου
(πρβλ. § 5.1)
f'(x,y )d xd y*> P (x < X ≤ x + d× t y < Y ≤ y + d y ) ,
δη λ, η συνάρτηση πυκνότητας
f⅛y)- llm∙r ⅛ A ≤ ί ÷ ⅛ iLS< ≤Z±^2, (1)’
/th ) Δ xΛy
/;Ίο
Μ ε ά λ λ α λόγια, η ∕ , (x ,y ) είναι ανάλογη με την π ιθ α νότη τα ν α λάβει το
(A , , Υ) τιμάς σε μία "μικρή" περιοχή του σημείου ( x t y ) . Σ τ η ν περίπτωση αυτή
των συνεχών μεταβλητών X και Υ έχουμε
∫ *j f ( x ,y ) d x d y ≈ i .
«Μ—
·*
Επίσης
∕j /
P(α < X < β), γ < Υ < <5≡∫ ∫ f ( x , y ) d x d y . (2)
<^ r
Γ ε ν ικ ά έχουμε τον εξής ορισμό:

Ο ρ ισ μ ό ς. Μ ία ν-δ ιάστατη τυχαία μεταβλητή ε ίν α ι έ ν α διάνυσμα ν

τυχαίω ν μεταβλητών: αντί να έχουμε μια τμ X = X ( ω ) , τώ ρ α έχουμε το
τ υ χ α ίο διάνυσμα X(<y)=(X∣(ω)......X v (ω)).
Γ ια ν = 2 η αντίστοιχη κατανομή κ α λ είτα ι δ ιδ ιά σ τ α τ η ή δ ιμ ε τ α β λ η τ ή ,
γ ια ν = 3 τριδιάστατη ή τρ ιμ ετα β λη τ ή κ α ι γ ε ν ικ ά π ο λ υ δ ιά σ τ α τ η ή
π ο λ υ μ ετ α β λ η τ ή . Έτσι, στην περίπτωση της διδιά σ τα τη ς κ α τα νο μ ή ς, οι
τιμές της τυχαίας μεταβλητής (ζεύγος μεταβλητών) ε ίν α ι σημεία ( x ,y ) του
επιπέδου, στην περίπτωση της τριμεταβλητής οι τιμές ε ίν α ι σημεία ( x ,y ,z )
στο χώρο των τριών διαστάσεων κ.ο .κ .

7 .2 . Δ ιδ ιά σ τ α τ ε ς κατανομές

Η κατανομή τυχαίου ζεύγους μεταβλητών X κ α ι Υ ο ρ ίζε τ α ι από την

α π ό κοινού συνάρτηση πιθανότηας p u = P ( X = x ∣, Y = y j ) γ ια την
περίπτωση διακριτής διμεταβλητής, που λα μ β ά νει τις τιμ ές ( x l , y j ),
/ = 1,2...... √≡ 1,2,,,, (αριΟμήσιμο το πολύ σύνολο τιμών βλ, § 5.1) ή από την
α π ό κοινού συνάρτηση πυκνότητας f ( x t y ) στην περίπτω ση συνεχούς
κατανομής.
Ο ι α π ό κ ο ιν ο ύ συναρτήσεις σ υ χ ν ό τ η τ α ς p t j κ α ι f ( x , y ) ικανοποιούν
τις σχέσεις
 75

P<j > Ο, £ Σ Pu= 1 7ι α δ≡ P ι τ , ⅛ τ P'

'-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.

Ορισμός·. Η απ ό κοινού συνάρτηση κατανομής F ( x ,y ) των τυχαίων

μεταβλητών X κ α ι ή του ζεύγους (X i Υ)t ορίζεται από την
F ( χ ,y ') ≈ P ( X ≤ χ ,Υ ≤ y), (χ ,y ) ∈ R 1 ∙
Π α ρα τή ρ η σ η : Ο ι παραπάνω ορισμοί επεκτείνονται και στην περίπτωση
ν μεταβλητών X χ t X 2 t . . . t X v i δηλ. την περίπτωση του ν-διάστατου τυχαίου
διανύσματος ( X χ i X 2 i . . . , X v ')= X

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)

Σημείωση: Αντιστρόφ ω ς, μπορεί να δειχθεί ότι αν μία συνάρτηση F ( x ,y )

πληροί τις συνθήκες (ιδιότητες) α) - ε) και επιπλέον τη συνθήκη: Γ ια κάθε
χ1 ≤ χ 2 , y l ≤ y 2
F ( x 2 , y 2 ) - Γ ( x ,,y 2 ) - F ( x 2 , y 1) + F ( x 1,y 1) ≥ 0, (3)
76

τότε είναι συνάρτηση κατανομής ενός τυχαίου ζεύγους (Χ ,Κ ). Η (3)

εκφράζει την πιθανότητα P[x 1 < X ≤ A'2 ,y 1 < Υ ≤ y 2 ] , κ α ι προφανώ ς για
δοθέν τυχαίο ζεύγος (Χ,Κ ) η αντίστοιχη σκ F (x ,y ) την πλ η ρ οί. Ενδέχεται
όμως μία συνάρτηση F (x,y ) να πληροί τις συνθήκες α ) - ε) α λ λ ’όχι την (3).

Π αρατήρηση'. Στην περίπτωση, που η F (x ,y ) είν α ι συνεχής κ α ι έχουμε

συνάρτηση πυκνότητας P(x,y) σ'ένα σημείο (x ,y ), τότε (βλ. (1))
‰ y ) = l¾ - ∙ W
dxdy
Ομοίως για ν-διάστατη κατανομή, η πυκνότητα ∕ , ( X 1,..., X V ) στο σημείο
(XpX2 ,... r x v ) δίδεται από την παράγωγο ντάξεω ς:
<9t'F (x 1,...,x t.)
∕'( A' 1,... ΛP ) -
∂x l ...∂ x v

7 .3 . Μ ερικές Λ ιδιάστατες Κ α τανομές. Π ο λ υ ω ν υ μ ικ ή Κ α τ α ν ο μ ή

α ) Ο μοιόμορφη στο μ ο ν α δ ια ίο τετρ ά γω νο :

f(x ,y )= l, 0 < x < l, 0 ≤ y ≤ l .
Τ ότε η συνάρτηση κατανομής δίδεται από το (εμβαδό του χωρίου
(ορθογωνίου) του τετραγώνου, "αριστερά" της ευθείας x = x 0 κ α ι "κάτω"
από την ευθεία y = y 0 ) και
F {× ^y^)= ∫ ί f(μ,v}dudv= ∖ J dudv = x 0y 0 , O ≤ Λ O <1, O ≤ y o ≤1.
—— 0 0
Έ τσι, αναλυτικά έχουμε:
F(x,y)= ∖ x ≥ ] , y ≥ ] ,
F (x,y )= x , 0 < x ≤ l , y > l ,
H * > y )= y , o ≤ y ≤ ι , χ ≥ ι ,
F (x,y)= 0, x ≤ 0 ή y ≤ 0 .

β ) Ε κθετική'. Με συνάρτηση πυκνότητας

‰ K u + ' , . X > o, y > o ,
κ α ι συνάρτηση κατανομής
F(.×,y')= ∫ ∫ f(u,υ)dudυ= ] ∫ e~(u *u) dudu
οο
=∫ e~u d u j e ' v dυ=(l - e ~ x )(l - e -y ).
ο ο

1 Το αριστερό μέλος της (3) εκφράζεται κι από τη λεγόμενη π επ ερ α σ μ ένη δ ια φ ο ρ ά 2α ς

τdξεω ς(π p oς τα εμπρός) 2i2 F (x p y l ), η οποία πρέπει να είναι μη αρνητική, ώστε, για συνεχή
κατανομή, να ισχύει η (3) και η (4),
 77

γ) Δ ι δ ι ά σ τ α τ η κ α ν ο ν ικ ή . Λέγομεν ότι το ζεύγος (Λ-,7 ) των τυχαίων

μεταβλητών X κ α ι Υ έχει τη διδιάστατη κανονική κατανομή αν η από
κοινού πυκνότητα πιθανότητας των X και Υ είναι της μορφής
__ 1__ _ , „ V -h ly z M iι. U∑>'2Jl
J(∣
-P2 )[ √ ' '∙'i ^j1
Λ * .y ) = (1)
2πσ.σ

Μπορεί ν α δειχθεί ότι (Άσκ. 11) η X καθώς και η Υ, είναι κανονική, με

E ( X y)= μ lt E (Y )= μ 2 , Δ (X )≈ σ* , Δ (Y )≈ σ 2i .
Το ρ ιοούται με τον καλούμενο συντελεστή συσχέτισης μεταξύ X κα ι Υ
(βλ. § 7.5)
Η επιφ άνεια z = f( x ,y ') είναι κωδωνοειδής. Το Σχ. 1 παριστά μία
τέτοια επιφ άνεια όταν μ i =μ 2 =0.

∑ χ. 1. Διδιάστατη κανονική πυκνότητα

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 ,

N = '∑ N i ') καταλήγουμε σε k -π λ η (k -δ ιά σ τα τη ) υπεργεω μετρική, με από

/-ι
κοινού συνάρτηση πιθανότητας των X i την
78

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

P ( X l = vi , X 2 = ν2 ...... X k . l = μ ι - ι ) = - l v ^j Ρ Ϊ 'Ρ Ϊ ...p ^ -' i p'k (3)

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)

όπου το άθροισμα εκτείνεται σε όλες τις ⅛-aδες (v1,v 2 , . . . , v j t ) των ακέραιω ν

v l ,..., v j t , οι οποίοι πληρούν τις v l ≥ 0 κ α ι vl + v 2 + ...+ v i , = ν

Π α ρ ά δ ε ιγ μ α : (τριω νυμικής κατανομές). Ρίχνουμε έ ν α κύβο 10 φορές.

Ν α ευρεθεί η πιθανότητα p j 4 να φέρουμε τρεις φορές "άσσο" κ α ι τέσσερις
φορές "έξι".
Έ στω τα ενδεχόμενα:
Αμ άσσος σε μία δοκιμή
A 2 : έξι σε μία δοκιμή
>43 : ένα των 2,3,4,5 σε μία δ ο κ ιμ ή .
 Ί9

Τότε έχουμε από την (3), με

k ≈ 3 , pl = p 2 = - , pj ≈ - και
6 3
v1 = 3, ν , = 4, (v 3 β 10 - 3 - 4 ≡ 3),τη ζητούμενη πιθανότητα

----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

θεω ρούμε δύο τυχαίες μεταβλητές X κα ι Υ με από κοινού συνάρτηση

πυκνότητας f ( x , y ) . Ο ι επί μέρους (ατομικές) πυκνότητες των X και Υ
προκύπτουν α π ό την πυκνότητα f( x ,y ') ως εξής:
Α ν με f l (χ ) συμβολίσουμε την πυκνότητα της X και f 2 (y} την πυκνότητα
της V, τότε βρίσκουμε την (χ) από τη σχέση

^ ι(*) = ∫ f( × > y ) d y (για απαριθμητη f l (x ∣

)≈'∑t f( i x l , y j }) (1)
— J
και την f 2 ( y ) απ ό την

A ( y ) = ∫ f ( x ,y ) d x (για απαριθμητη f 2 (y y ) = ∑ f ( x l , y j )), (2)

όπου
f ( χ l ,y l )≈ P [x = χ l >Y=y l ]=pl j

είνα ι η α π ό κο ινο ύ συνάρτηση πιθανότη­

τας τω ν X , Υ .
Η (1) προκύπτει απ ό “ συσσώρευση"
(άρα α π ό ολοκλήρω ση ή άθροιση) όλων
των μ α ζ ώ ν π ιθ α νότη τα ς", οι οποίες βρί­
σκονται στην α π έρ α ντη λω ρίδα (ζώνη),
η ο π ο ία ο ρ ίζε τ α ι α π ό τη vJV ∈ ( x ,x + ώχ),
—∞ < Υ < + ° ° .

Έ τσ ι π ρ ο β ά λλο υ μ ε επ ί του άξονα της X , την "μάζα πιθανότητας" η

ο π ο ία β ρ ίσ κ ε τ α ι στο επίπεδο, οπότε λαμβάνουμε την καλούμενη ε π ί μ έ ρ ο υ ς
ή π ε ρ ιθ ώ ρ ια (m argin al) πυκνότητα της X (Σχ. 1).
Ο μ ο ίω ς , γ ια την (2) προβάλλουμε επί του άξονα της Υ την μάζα για να
πάρουμε τη ν πυκνότητα της Υ.

Σ η μ ε ίω σ η '. Ο όρος "επί μέρους ή περιθώρια" χρησιμοποιείται στην

περίπτω ση κ α τ ά την οποία θεωρούμε μία τυχαία μεταβλητή συγχρόνως με
ά λ λ ες τ μ , κ α ι θέλουμε να προσδιορίσουμε την κατανομή της όπω ς αυτή
80

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-
• «
• •∙ ∙

x k Pki Pkl Pky 999 Ph∙ Pk-

Π εριθώ ρια της Υ: P-t P'2 P-3 •∙ * P-V 1
Ά θροισμα στήλης

Γ ε ν ικ ά αν έχουμε ν μεταβλητές X l , X 2 , . . . X v με α π ό κ ο ινο ύ πυκνότητα

∕~ (x l Λ^1, ) , τότε η περιθώρια πυκνότητα f l (x ) της x1 δίδεται,
κ α τ , α ν α λ ο γ ία της (1), από την

∕ι ( * l ) ≡ ∫ ∙∙∙∫ f ( x l , x 2 ,∙∙∙,× t,) d x 2 ...d x l .

— «Λ — Μ
Ο μ ο ίω ς, με ολοκλήρωση όλων των άλλω ν μεταβλητώ ν εκτός της x i ,
λα μ β ά νου μ ε τη (περιθώρια) κατανομή της Λ^z ( ∕ = l , 2 , . . . , v ) ∙ μέ ολοκλήρωση
τω ν A'1 , λ'2 λαμβάνουμε την (περιθώρια) πυκνότητα των X 3 , . . . > X i, κ.ο.κ.
Π ροφ ανώ ς, στην περίπτωση απαριθμητών μεταβλητώ ν τη θέση των
ολοκληρω μάτω ν παίρνουν αθροίσματα.

Π α ρ ά δ ε ιγ μ α : Ας υποθέσουμε ότι θέλουμε την (υπεργεωμετρική)

κ α τα νο μ ή του αριθμού X των άσπρων σφαιρών σε δ είγ μ α ν σφαιρών όπως
αυτή προκύπτει από τη διπλή υπεργεωμετρική (βλ. § 7.3 (δ)). Έχουμε τότε

Α υ τ ό σε συνδυασμό με το ότι η (περιθώρια) κ α τα νο μ ή πιθανότητας της X

είν α ι η υπεργεωμετρική (βλ. § 4.2)
 11

Η)

δίνει την εξής ταυτότητα επί των διωνυμικών συντελεστών

M^Y Ε ∖ (M +E
Σ v2 J ( v - λ - v 2 J v -k >
ή θέτοντας ν - k = s, Μ + Ε = Α ,

Σ (5)

Έτσι έχουμε ένα π α ρ ά δ ειγμ α χρήσης πιθανοθεωρητικού γνα, απόδειξη

μαθηματικής (συνδυαστικής) ταυτότητας, της (5). Εξάλλου η (5) προκύπτει
και καθαρά συλλογιστικά (πώς), καθώς επίσης και απ, ευθεiας από την (4)
και το ότι ∑ p k =1.

8.1. Σ υνδιακύμα νση. Συσχέτιση. Παλινδρόμηση

Ας θεωρήσουμε τη συνάρτηση g {X ,Y ) των τυχαίων μεταβλητών X κα ι

Υ τότε η Z = g ( X ,Y ) είναι μία άλλη τυχαία μεταβλητή της οποίας η μέση
τιμή δίδεται από την
∫ g(χ,y')f ∖ ×,y')dxdyyιa συνεχείς
-··
(1)
∑ ^ ( ^ ∕. y 7 ) ⅞ γ»α απαριθμητές

(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).

Ορισμός;. Η E [(X - μx )(Y - μ κ )] καλείται συνδιακήμανση η

συσκέδαση (covariance) (ή μ ικ τ ή ροπή δευτέρας τάξεως) των X και Υ και
σημειώνεται με C o v (X t Y) ή με το σ .
Αν ∏ σ xy είναι θετική αυτό σημαίνει ότι όταν η μία μεταβλητή αυξάνει
τότε κ α ι η άλλη κ α τ ά μέσο όρο αυξάνει. Αντίθετα αν η σχy < 0 τότε όταν
η μια μεταβλητή αυξάνει η άλλη μικραίνει κατά μέσο όρο. Στον
υπολογισμό συνδιακυμάνσεων διευκολύνουν ό παρακάτω προτάσεις.
82

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)

Π ρ ό τα σ η 4. Cov(aX + β ,γΥ + δ)= aγ C o v (X ,Y '),

Έ τσι η συνδιακύμανση ορίζει ένα μέτρο συσχέτισης δύο μεταβλητών.

Αυτό όμως εξαρτάται από τις μονάδες μετρήσεως (την κ λ ίμ α κ α ) των
μεταβλητών όπως δείχνει η Πρόταση 4. Γι'αυτό χρησιμοποιούμε τον
λεγόμενο συντελεστή (γραμμικής) συσχέτισης (correlation coefficient) ρ ή
απλώ ς συσχέτιση μεταξύ δύο μεταβλητών, που είναι κ α θ α ρ ό ς α ρ ιθ μ ό ς και
μάλιστα -1 < ρ < 1.

Ορισμός: 0 συντελεστής συσχέτισης μεταξύ δύο τυ χα ίω ν μεταβλητών X

κ α ι Υ, συμβολιζόμενος συνήθως με το ρ = p (X ,Y ∖ ορίζεται:
p ( x ,r ) = C o v ( ;v ,y )
= -^ -, (4)
σ1 σy σx σy
όπου σ χ κα ι σy είναι οι τυπικές αποκλίσεις των X κ α ι Υ, αντίστοιχα.
Αν p (X ,Y )= 0 οι μεταβλητές X και Υ λέγονται α σ υ σ χ έτισ τες ή
ορθογώ νιες.
Ιδ ιό τ η τ ε ς του ρ. (I) Ο συντελεστής συσχέτισης παραμένει
α ν α λ λ ο ίω τ ο ς υπό γραμμικούς μ ετα σ χ η μ α τισ μ ο ύ ς των μεταβλητών, δηλ.
δεν μεταβάλλεται αν αλλάξει η αρχή των αξόνων ή η μ ο νά δα μέτρησης,
δηλ. αν
X '= a X + β, r ' = χK + <5, κ α ιχ< 5 > 0 ,
τότε
p (X * ,r* )= p (X ,y )
γ ια όλες τις σταθερές β, δ και ομόσημα α, γ.
Πράγματι, βάσει της (4), έχουμε
 83

f , l x- ∙ v ∙⅝ = ≤ g !⅛ jQ g g z P ° > ' ( χ ,n CQV (X , Y )

∣≈l∣7∣σ,σ, ^ σ ,σ , ~P < , )

Η ιδιότητα αυτή σημαίνει ότι ο συντελεστής συσχέτισης μεταξύ δύο

μεταβλητών δεν επηρεάζεται ούτε από αλλαγές των μέσων τιμών ούτε κ α ι
των διασπορών των τυχαίων μεταβλητών. Γι'αυτό για τον υπολογισμό του
P(A,5 Λ ) μπορούμε να υποθέσουμε ότι οι μεταβλητές είναι τυποποιημένες,
δηλ. έχουν μέση τιμή 0 κ α ι διασπορά 1.

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 : Κ α τ ά τα ανωτέρω, έστω οι τυποποιημένες μεταβλητές

X ' κ α ι Υ * . Τ ό τε, σύμφωνα με την (3),
Δ ( X ' ± Κ * ) = Δ ( Χ " ) + Δ ( Υ * )± 2 C o v ( X ',Y ') = l + 1+ 2 p = 2 (l± ρ) (5)
Α λ λ ά η διασπορά είνα ι εξ ορισμού μη αρνητική:
2 1 (^ *± y, )> 0 , ' (6)
κ α ι από την (5) έπεται η ιδιότητα (II) του ρ.

Π ό ρ ισ μ α : ∣p ∣= l, δηλ. ο ρ λαμβάνει τις ακραίες τιμές του +1, α ν , κ α ι

μ ό ν ο ν α ν , υ π ά ρ χ ε ι γ ρ α μ μ ικ ή σχέση μ ετ α ξύ των δύο μετα βλητώ ν.

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)

διότι μόνο μ ία σταθερά, δηλ. "εκφυλισμένη τυχαία μεταβλητή", έχει

διασπορά μηδέν. Ε π ί πλέον η σταθερά c πρέπει να είναι ίση προς την μέση
τιμή των X * ± y * , δηλαδή μηδέν. Ά ρ α με πιθανότητα την 1 έχουμε
% * ± y , = o.
Παρατηρούμε τώρα ότι ισχύει η
X ' + Γ* = 0,
δηλ., συναρτήσει των αρχικών μεταβλητών X και Υ, ισχύει η

σ. °,
84

αν κα ι μόνο p = p (Λ ',7 ) = - 1 . Ομοίως ισχύει η

A ∑ A .I∑ ⅛ = 0 ,
Ο* Ο
uy

αν κ α ι μόνο p = p (X ,5 z ) = + l. Έτσι δείξαμε ότι

ΐ) α ν p(Λ '^,y)=l, τότε ισχύει με πιθανότητα 1 η γ ρ α μ μ ικ ή σχέση
y = ⅛ + ⅛ x - f t ,) , (8)

δηλ, ουσιαστικά, οι X και Υ παριστούν την ίδ ια μεταβλητή (αγνοώ ντας τις

μέσες κα ι διασπορές).
ii) α ν p(Λ z , 7 ) = - 1 , τότε, με πιθανότητα 1, ισχύει η γ ρ α μ μ ικ ή σχέση

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.

Ο ρ ι σ μ ό ς . Η κατανομή του ν-διάστατου τυ χ α ίο υ διανύσματος

(xX l y X 2 , . . . y X v ) καλείται ιδ ιά ζου σ α αν υπάρχει γ ρ α μ μ ικ ό ς υπόχωρος L k
του ν-διαστάτου Ευκλειδίου χώρου L v ώστε η κ α τα ν ο μ ή ν α συγκεντρώνεται
στο L k , δηλ. υπάρχει k < ν ώστε
P [(X ,,X 2 ,...Υ V )∈⅛ ]=1
(ο δείκτης k του L k δηλώνει γραμμικό χώρο k διαστάσεω ν). Α λλ ιώ ς η
κ α τα ν ο μ ή του ( X u X 2 y ... y X ^ λέγεται μ η ιδ ιά ζ ο υ σ α (n o n sin gu lar).
Α ν η ελάχιστη διάσταση του L k , στον οποίο συγκεντρώ νεται η κατανομή,
ε ίν α ι d y τότε λέγομε ότι η κατανομή του ( X 1, . . . , X y.) ε ίν α ι β α θ μ ο ύ d.

Π α ρα τήρησ η ·. Η περίπτωση d = 0 αντιστοιχεί σε εκφυλισμένη κατανομή

συγκεντρωμένη σ'ένα μόνο σημείο. Μ η ιδιάζουσα κ α τ α ν ο μ ή έχει βαθμό ν.
Επιστρέφοντας στη σημασία των τιμών του ρ - p { χ y Y } μπορούμε ν α πούμε
 85

ότι η τιμή του |ρ| ο ρ ίζ ε ι το β α θ μ ό (δείκτη) της γρ α μ μ ικότητα ς τ η ς

σχέσης μεταξύ των δύο μεταβλητών, δηλ. το βαθμό της συγκέντρωσης (των
"μαζών" πιθανότητας) της κατανομής περί κάποια ευθεία.
Α κριβέσ τερα, ας υποθέσουμε ότι θέλουμε να προσεγγίσουμε ή
εκτιμήσουμε (προβλέψουμε) την Υ μ ε γραμμική συνάρτηση της X . Α ν ∖p ∖< 1,
κατά το προηγούμενο, δεν ισχύει πια (με πιθανότητα 1) η σχέση
Y = a + βX
όπως ίσχυε γ ια ∣ p ∣ = l . Μπορούμε όμως να θέσουμε
Υ = α + βΧ + ε
όπου ε π α ρισ τά το τ υ χ α ίο σ φ ά λμ α (τυχαία μεταβλητή) της γραμμικής
προσέγγισης της Υ απ ό την Λ^και E ( ε ) = 0 .
Κ α τ 'α ρ χ ή ν , τίθεται το πρόβλημα της εκλογής με κάποιο άριστο τρόπο,
των σταθερών α , β . Ω ς κριτήριο άριστης εκλογής χρησιμοποιείται η
ελ α χ ισ τ ο π ο ίη σ η του καλούμενου μ έ σ ο υ ' τετραγω νικού σ φ ά λμ α τος
(mean s q u a r e e rr o r ) ή τω ν ελ ά χ ισ τ ω ν τετραγώνων. Αυτό ορίζεται ως η
μέση τιμή του τετραγώνου του σφάλματος:
E ( Y - α - β X ) 2 = E (ε 2y (11)
Ν α σημειω θεί ότι το ε μετρά την "κατακόρυφ η" (κατά μήκος τους
άξονα των y ) α π ό κ λ ισ η ενός σημείου (τιμής) (x,y) της ( Χ ,Υ ) από την
προσεγγίζουσα ευθεία y = α + β χ .
Γ ια την ελαχιστοποίηση του E ( ε 1 ) i έχουμε
E (Y -a -β X γ = B [(F - μ r f - β ( X - ⅛ ) + (⅛ - a - fti,) ] ’ . (12)
θέτοντας μ y - a - βμ x = 0, δηλ
«=/*,+/Κ,
και την π α ρα γω γό της (9) ως προς β ίση προς το μηδέν, λαμβάνουμε
∕* = ⅛ = A
σχ °χ
Έτσι η άριστη κ α τ ά μέσο τετραγωνικό σφάλμα γραμμική προσέγγιση της Υ
από την X δ ίδετα ι από την ευθεία
σ
y=μ + p - ( x - μ x ).
σ
x
Αυτή κ α λ ε ίτ α ι ε υ θ ε ία π α λ ιν δ ρ ό μ η σ η ς (regression line) ελά χισ τ ω ν
τετρ α γώ νω ν της Υ επί την X t διέρχεται δε δια του κέντρου (μχ i μ y ) της
κατανομής τω ν X , Υ . Η κλίση

β=ρ—

της ευθείας αυτής λέγεται συντελεστής παλινδρόμησης τr∖ς Υ επί την X .

Το ελάχιστο του μέσου τετραγωνικού σφάλματος B (ε 2 ), δηλ.
86

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)).

8.2. Ροπές Πολυδιάστατων Κατανομώ ν. Π ίν α κ α ς Λ ια σ π ορά ς.

Αν στην (1) της § 8.1 πάρουμε g ( x ,y } = x r y s , τότε η B [ g ( X ,y ) ] δίνει

τις καλούμενες μικτές ροπές, τάξεως r + $ .

Ορισμός: Η μικτή ροπή τάξης r + s μιας διμεταβλητής (ζεύγους τμ)

(Χ ,Υ ) ή της αντίστοιχης διδιάστατης κατανομής καλείται η
∫ j x r y s f( x ,y ) d x d y , για συνεπείς
μ'rs = E ( X r Y t )

√Σ≥l J≤l
∑ < r⅛ για απαριθμητές.

Παρατηρούμε ότι για r = l, s=0 και r= 0 , $=1 έχουμε

Λ '0 = £ (Λ Ύ “) = £ ( Χ ) = Λ >
Χ , = £ ( Λ “Γ ) = £ ( Γ ) = ^ .
Ομοίως έχουμε για τις ροπές δευτέρας τάξεως περί την αρχή
⅛ = B(A∙i ), ⅛ = B ( r ≈ ) , μ',l = E ( X γ ∙) .
Οι κεντρικές ροπές ορίζονται ομοίως:

Ορισμός: Η μικτή κεντρική ροπή τάξεως r + s της (Ύ, Υ) ορίζεται ως

 87

⅛ = B [(Λ∙-⅛ )'(> '-∕',)']∙

Παρατηρούμε ότι η πρώ τη κ ε ν τρ ικ ή ροπή κάθε τμ είναι μηδέν.
μ l o ≈ E ( X - μ χ )≈0, μ 0 l =E(Y - μ y )=0,
ενώ η κ εντρική ροπή 2ας τάξεως μιας τμ είναι η διασπορά:
μ 30 = E ( X - μ x ) 2 = Δ{X), μ 0 i =E(Y - μ y )i = Δ (Υ ),
και η μ ικτή ροπή δευτέρας τάξεως δύο τμ Χ κ α ι Κείναι η συνδιακύμανση:
μ n ≈ E [ ( X - μ x )(Y ~ μ y )]= C ov(X ,Y )= μ ,l i - μ ,l0 μ ^ ≈ E ( X Y ) - μ x μ y .
Προφανώς η έννοια των μικτών ροπών μπορεί να επεκταθεί και για ν-
διάστατες κα τα νομ ές. Ιδιαίτερο ενδιαφέρον παρουσιάζει στην Ανάλυση
Πολυμεταβλητών (M ultivariate Analysis) ο πίνακας (μήτρα) των
διακυμάνσεων (διασπορών) και συνδιακυμάνσεων των μεταβλητών.

Ο ρισμός: Έ στω το τ υ χ α ίο διά νυσμ α X = (X l ,...,X v ) και έστω

σ ι j - C ov{X ι ,Χ j),

σ,,
p∣ j - p { X n Y j)~ / ■ ^"> ΛJ ~'1J2,..., ν.

Ο π ίν α κ α ς ∑ = (σ y y ) καλείται π ίν α κ α ς διακυμάνσεων - συ νδια κυ -

μ α ν σ εω ν ή απλώ ς π ίν α κ α ς δια σπορά ς (dispersion matrix) της
διανυσματικής τμ (ή της αντίστοιχης κατανομής). Ο πίνακας P = ( p , y )
κ α λ είτα ι π ί ν α κ α ς συσχετίσεω ν του X (correlation matrix), προφανώς με
διαγώ νια σ τοιχεία ίσα με τή μονάδα.
Ο π ίν α κ α ς Σ (ή Ρ) καθορίζει το βαθμό της κατανομής, όπως ορίστηκε
στην § 8.1. Μ πορεί να δειχθεί η

Π ρ ό τα σ η : Ο β α θ μ ό ς (rank) της κατανομής του τυχαίου διανύσματος

X = ( X 1,..., X v ) ισ ο ύ τα ι μ ε το β α θμ ό του π ίνα κ α ∑. Έτσι αν ο βαθμός
του ν × ν π ίν α κ α ∑ είναι μικρότερος του ν, τότε η κατανομή είναι
ιδ ιά ζ ο υ σ α (πρβλ § 8.1).

Α π ό δ ε ιξ η : Έστω μ l ≈ E ( X i ). Τότε η τετραγωνική μορφή

ί“ ”12
Q W = ∑ ∑ ^ , J =E ∑ λ j ( X j - μ j ) ≥0 για κάθε λ=(A 1,...,λ r ) (1)
/«I 7-1 [_ ∕ - ∣
δηλ. ε ίν α ι γ ν η σ ίω ς μ η α ρ ν η τ ικ ή (nonnegative definite). Από τη Θεωρία
των π ιν ά κ ω ν , έπεται ότι ο βαθμός του πίνακα ∑ ισούται με v - s , όπου $
είναι ο α ρ ιθ μ ό ς των γραμμικά ανεξάρτητων διανυσμάτων (λ 1,...,λ v ) τα
οποία πλ η ρ ού ν την
Σ ∑-M √ σ ∕>~θ>
'-ι 7-ι
άρα κ α ι την (πρβλ (4) της § 8.1)
88

∑ λ y (JVz ~∕z z ) - 0. (2)

∕- ι
Αφ’ετέρου, ο βαθμός του ∑ είναι ν, δηλ. ο πίνακας είνα ι μ η ιδιάζων
(αντιστρέψιμος) αν, και μόνον αν, η τετραγωνική μορφή
C W = ∑ ∑ - ½ σ o >0 για κάθε λ = (λ1,...,λ ,) ≠ (0.......0),
/-I √ -l

δηλ. η Q(λ) είναι γνήσια (οριστικά) Θετική (positive desitive), και

επομένως δεν υπάρχει λ = (λ ,,...,λ v ) ≠ ο που πληροί την (2).
Δεδομένου ότι η διάσταση k του υπόχωρου L k του L v στον οποίο
συγκεντρώνεται η κατανομή ισούται με ν - $, η απόδειξη είναι πλήρης.

Π αράδειγμα·. Για v = 3 κ α ιs = l η κατανομή είναι ιδιάζουσα βαθμού

ν —s =2 ,περιοριζόμενη (συγκεντρωνόμενη) σε επίπεδο στον τριδιάστατο
χώρο. Για ν=3 και s=2 η κατανομή συγκεντρώνεται σε μια ευθεία.

Παρατήρηση: Από τα παραπάνω έπεται ότι ο πίνακας διασποράς ∑

πολυδιάστατης κατανομής είναι πάντοτε γνησίω ς μ η α ρ νη τικό ς, δηλ.
πληροί την (1), αν δε η κατανομή είναι μη ιδιάζουσα τότε ο ∑ είναι
γνησίως θετικός και η ορίζουσα ∑ > 0. Προφανώς ο Σ είνα ι συμμετρικός
π ίνα κ α ς, όπως και ο Ρ, του οποίου τα διαγώνια στοιχεία p n =1, i = l,...,v .
Μπορεί να δειχθεί ότι η ορίζουσα του ∑
∑ < ∏ σ n και ∣P∣≤1. (3)
∕∙≈1

Επιπλέον, από την (3) έπεται η

max∣P∣=l αν για όλα τα i ≠ j pi j = ^
ενώ από τις (1) και (2) συμπεραίνουμε ότι
min∣P∣=0 αν τουλάχιστον ένα p l j =1 (4)
Γι'αυτούς τους λόγους η ορίζουσα ∣∑∣, προτάθηκε από τον W ilks ως μέτρο
διασποράς της ν-διάστατης κατανομής και κα λείτα ι γενικευμένη
δ ια σ π ο ρ ά (generalized variance), η δε λ ∕∣P∣ κα λείτα ι συντελεστής
δ ια σ π ο ρ ά ςή σκέδασης (scatter coefficient).

9 .1 . Δεσμευμένες (υπό Συνθήκη) Κ α τα νομ ές.

Η έννοια της δεσμευμένης κατανομής είναι ανάλογη της έννοιας της

δεσμευμένης πιθανότητας ενός ενδεχομένου δοθέντος ενός άλλου. Έτσι η
δεσμευμένη συνάρτηση κατανομής μιας τμ X δοθέντος ενός ενδεχομένου
Β , με Ρ (Β ) > 0, ορίζεται από την1 (πρβλ (1) § 3.1)
1 Υ π οτίθεται ότι τόσο η X ≈ X (ω ), ω ε Ω, όοο κ α ι το Β ΐ.1να\ ορισμένα (κ α ι μετρήσιμα) στον
ίδιο δειγματοχώρο fl(β λ . και § 1.4)
 89

F (x ∣B )= P [Υ ≤

Έστω τώρα η διδιάστατη κατανομή των X και Υ, με από κοινού συνάρτηση

κατανομής F ( x , y ) κ α ι από κοινού συνάρτηση συχνότητας f ( x ,y ) .

Ο ρ ισ μ ό ς : Η υ π ό συνθήκη ή δεσμευμένη συνάρτηση κ α τ α ν ο μ ή ς της X

δοθέντος ότι η Υ e Β , όπου P [ Y e Β] > 0, ορίζεται από την
F x ( x ∖Y G B ) = P [ X ≤ X ∖Y €Β]= Ρ [ Ύ £ Χ > Γ € Β ] (1)
P [y ∈ B ]
Ομοίως η υπό συνθήκη ή δεσμευμένη συνάρτηση συχνότητας της X
δοθέντος ότι Υ e B i όπου P [ Y ∈ Β ] > 0 ορίζεται από την
f x ⅛ ∣r e B )= f ° ¾ 1g Β- , -V διακριτή (2)
P∣√ e -o J
, L V D X I . B[Λ = X < χ + Δ χ ,i Υ ∈ Β ]
fEλx { × ∖Y ∈ B ) = l ι m ------------------------- -------- - , Xv συvεyης
∆x→o ∆ x P [Y e Β]
Ε ύ κο λα μπορεί να δειχθεί ότι, η P ( z ∣y e Β) έχει όλες τις ιδιότητες
συνάρτησης κ α τα νο μ ής, οι δε F v ( ∣ y ∈ B ) είναι συναρτήσεις συχνότητας,
δηλ.
4 (x ∣B )≥ 0 ,
και

∑ 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

(/= 0 ,1 ,2 ,...) (3)

ορίζουν την δεσ μ ευ μ ένη συνάρτηση π ιθ α νότη τα ς της X δεδομένου ότι

γ≈yj ∙
Α ν η ( Χ ,Υ ) ε ίν α ι συνεχής διανυσματική τμ και ληφθεί B = ( y ,y +-∆y)>
τότε το όριο
ι· F/ । . Λ \ ι· p Vχ < x ≤ χ + ∆ × ,y < Y ≤ y + ∆ y ]
hm f ( x y < Y ≤ y + ∆ y ) ≈ lira —i ---------------------- ----------- - --------- ,
4y→o 2x-rt Δ x P [y < y ≤ y + ∆ y ]
4y→°
αν υπάρχει, κ α λ ε ίτ α ι δεσ μ ευμ ένη π υ κνότητα της X δοθέντος ότι Υ = y .
Αυτή σημειώ νεται με f x ( x ∖Y = y ) , και ορίζεται:
3 f χ ^x ∖γ = y ^ j (4)
-, r ( y ) J f ( χ ,y ) d x
90

όπου f ( x ,y ) είναι η από κοινού πυκνότητα των X κ α ι Υ κ α ι f γ παριστάνει

την (περιθώρια) πυκνότητα της Υ. Ο μοίω ς η δεσμευμένη συνάρτηση
κατανομής της X δοθείσης της Υ ≈ y ορίζεται από την

Λ ∙w -y )= ⅛ (5)

Σημειω τέον ότι η (3) γράφεται ως

<ljfχ( x )∖γ ≈ y j ) = P v >
κ α ι, αν ληφθεί υπόψη ότι ∑ P ∣∣= P ∣ > δίνει την
J
p [ X = X ∕] = I P [ X = x t ∖Y = y j } P [ Y = y j ] . (6)

Α υ τ ή αποτελεί γενίκευση του τύπου της ο λ ι κ ή ς π ιθ α ν ό τ η τ α ς (§ 3.7) για

απαριθμητές τμ.
Ο μ ο ίω ς γ ια συνεχείς τμ βρίσκουμε τον εξής γενικευμένο τ ύ π ο τ η ς ο λ ικ ή ς
π ιθ α ν ό τ η τ α ς .
Λ ∙ ω = ] f χ ( × ∖γ = y ) f γ ( y ) d y (7)

Τ ο θεώ ρημα του B ayes γενικεύεται ομοίως, ώστε γ ια συνεχείς τμ ν α έχουμε

ένα γ εν ικ ευ μ έν ο τύπο B a yes:
r < ∖v . Λ W I * = x)A-W _ A∙(xl% = Λ∙ ) Λ ∙ U ) , ..
⅛ Wx 1 - y ) - - ~ z , ί» )
j f r ( y fX = x ) fx (x)d x

που αποτελεί τη βάση της ’’στατιστικής B a y e s" 1

Π α ρ α δ ε ίγ μ α τ α : α) Βγάζουμε 5 χα ρτιά από τρ ά π ο υ λ α .

Έ σ τω X ο αριθμός των άσσων κα ι Υ των βαλέδω ν που εμφ α νίζοντα ι. Η
δεσμευμένη πιθανότητα του X για Υ = 2 είνα ι η

P [ Υ = x ,y = 2]
r λ ( x ∣ r = 2) =
Ρ [Υ = 2]

Α υ τ ό μπορεί να βρεθεί και απ'ευθείας, δεδομένου ότι η f χ ( x ∖Y = 2)

ισοδυναμεί με την υπεργεωμετρική πιθανότητα να έχουμε χ άσσους όταν
βγάλουμε 3 χαρτιά από τα 48 (της τράπουλας χω ρίς τους βαλέδες).

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

β) Έστω η ο μ ο ιό μ ο ρ φ η κ α τ α ν ο μ ή οτο τρίγω νο που ορίζεται από τους

άξονες κ α ι την ευθεία A∙ + y ≡2. Η πυκνότητα του ( X ,5 , ) είναι

f ( λ ∙,y ) ≡ - για Λ + ^ ≤ 2 , X ≥0, y ≥ 0 .

2
Τότε η υπό συνθήκη πυκνότητα της Ύ γ ια Υ = y δίδεται από την

0< χ < 2 - y ,

δηλ. η ο π ό σ υ ν θ ή κ η κ α τ α ν ο μ ή του X για Y = y είναι ο μ οιό μ ο ρ φ η στο

διά σ τη μ α (0,2 - y ) .
Η επέκταση των παραπάνω ορισμών για περισσότερες από δύο
μεταβλητές ε ίν α ι άμεση. Π .χ ., για τρεις μεταβλητές X v X 2 > X 3 με από
κοινού συνάρτηση πυκνότητας f ( λ ∣,x 2 ,x 3 ) , η υπό συνθήκη πυκνότητα του
( Λ p Λ' 2 ) δεδομένου ότι X 3 = A3, όπου f λ .( x 3 ) > 0, ορίζεται από την
। V _ Ν X- - ‰ * J ,* J )~ Γ(XI ,A'2 ,X3)
∙r Λ∙1,λ∙2 <Λ∣
,*2 ∣
R FV V
ΛL 3- λ ι ) - \ —τrz ·
λ ', , j j f^ > X iX ^ d X }d X j
—Μ —·«

Η δεσ μ ευ μ ένη συνάρτηση κ α τ α ν ο μ ή ς της Λ' 1 δεδομένου ότι γ ια

X 2 = x 2, X 3 = × 3 όπου Λ∙,,A∙j Cγ 2>*3)>θ δίδεται (ορίζεται) από την

∫ 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 .

Έ στω g ( X ) ουνάρτηση τμ X και f x (x∣y = y ) η δεσμευμένη συνάρτηση

συχνότητας της X γ ια Y ≈ y , όπως ορίστηκε στην § 9.1. K α τ , ανα λογία με
την E [ g ( X ) ] (βλ. § 6.6) έχουμε:

Ο ρ ι σ μ ό ς 1. Η υ π ό συνθήκη ή δεσμευμένη μέση τιμή της g ( X ) για Υ = y ,

όπου f y ( y ) > 0 , ορίζεται ως εξής:
Γ ια συνεχείς X κ α ι Υ, με από κοινού συνάρτηση πυκνότητας f ( x t y)>

∫ ^ ( 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

E [ X ∣ y = y ]= Jλ∙∕∙(x∣K = y )d x (για συνεχείς), (1)

ενώ για διακριτές

E [ X ] Y = y j ] = l x l f x (x l \y = y j ) = l ^ L . (2)
ί i ch

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 .

Π α ρ ά δ ε ιγ μ α : Έστω ∕( x , y ) η από κοινού πυκνότητα της διδιάστατης

κανονικής κατανομής των X κ α ι Υ (§ 7.3, (1)). Θ α δείξουμε ότι η
δεσμευμένη πυκνότητα της Υ για X = χ είναι επίσης (όπως κ α ι η αδέσμευτη)
κανονική με μέση τιμή
m 2(χ )=μ 2 + P⅛-( χ - p l )> (5 )
σι

κ α ι διασπορά
⅛ = ^ (1 -P 2 )∙
(6)
 93

Πράγματι

Ζr’·<
( / ∣| v
Ύ = Χ )- 7 ^ Γ

όπου η f ( χ t y') μ π ορεί να γραφεί ως

Λ χ .y ) ≈ - 1 ∕⅜ r> H ^ ⅜ 1" " , ) . > ∕⅛

√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.

Π ρ ό τ α σ η '. Η συνάρτηση m 2 ( X ) παλινδρόμησης της Υ επί την X

απ’όλες τις συναρτήσεις g (X ) για τις οποίες μπορεί να εκτιμηθεί
(προβλεφθεί) η Υ , είν α ι η άριστη με την έννοια του ελ ά χ ισ τ ο υ μ έσ ο υ
τ ε τ ρ α γ ω ν ικ ο ύ σ φ ά λ μ α τ ο ς , δηλ.

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 )

Α π ό δ ειξη ; Για κάθε X = χ (βλ. Άσκ. 1 III )

" ^(*)J2=-E [IΛ - ∞ 2 (χ )l 2 ∙ (10)
Δ υ νά μ ει της (8),
£ [y - i (%)]1 = ψ [ y - g (X ))≈]}= B {B [(T - g (^ y i x = x ]},

όπου, βάσει της (10), για κάθε χ

m in i{( y - g(x)) 1 ∣X = χ } = Β [Κ - m 2 (x)] i .
s(*)
Ά ρ α έπεται η (9).

Π ό ρ ισ μ α ; Αν η ∏72 (x) είναι γραμμική, όπως την (5), τότε αυτή

συμπίπτει με την ευθεία παλινδρόμησης ελάχιστων τετραγώνων (§ 8.1)

Ο ρισ μ ός. Η δεσμευμένη διασπορά της Υ για X = χ ο ρ ίζετα ι από την

Δ(Y∖X =x)≈E {(Y - ∏ι1 (x))1∖X ≈ x } = ∫(y - ∏⅛(x))1 f y ( y ∖X ≈ x )dy .
9Λ
—
Γ ια απαριθμητές ορίζεται όμοια.
Όπως και για την αδέσμευτη διασπορά της Υ, βρίσκουμε την αντίστοιχη
σχέση συναρτήσει των δεσμευμένων ροπών l τK κ α ι 2 α ^τάξεω ς:
Δ ( r ∣ Υ = A-)=jE[(F 2 ∣ Υ = x ) ] - [ jF (y ∣% = Λ )] 2 = 4 ( r 2 ∣ ^ = A r ) ] - [ j m 2 (Λr)]2 .

Γ ια ν-διάστατες μεταβλητές η γενίκευση των π α ρα π ά νω ορισμών είναι

άμεση. Έτσι περιοριζόμενοι σε συνεχείς μεταβλητές, κ α λ ο ύ μ ε ε π ιφ ά ν ε ια ή
συνάρτηση (μέσης) παλινδρόμησης της X 1 ε π ί τ ις X 2 , . . . , X v την
οριζόμενη από την
X∣
- ~ ∙^ 2 > ∙∙∙> -X p ∙^ v ]∙

Ό πω ς κα ι στην περίπτωση της καμπύλης παλινδρόμησης η znj (χ 1,.,.,χ v )

μπορεί να είναι γραμμική, δηλ.
V
x 1 =fl + ∑ M ∕> (11)
/=2
οπότε η επιφάνεια παλινδρόμησης της Χ } επ ί τις X 2,...,X v ε ίν α ι
ε π ίπ ε δ ο (για ν=3) ή γενικά, υπερεπίπεδο (με εξίσωση την (11)). Στην
περίπτωση αυτή η (11) Θα συμπίπτει μ ε τ ο υ π ε ρ ε π ίπ ε δ ο ε λ ά χ ισ τ ω ν
τετραγώ νω ν.
x 1= α '+ ∑ Λ ∖ > (1 2 )
/- 2
όπου (πρβλ. § 8.1) τα a ,β*2 ,... t β*v ελαχιστοποιούν το μέσο τετραγωνικό
σφάλμα
B ( X , - a - β 2 X 2 - . . . - β . . X r ')1 (13)
 95

της γραμμικής εκτίμησης (προσέγγισης) της X t μέσω των Χ 2 .......Χ ν .

Α ν η α π ό κ ο ινο ύ κατανομή των X ......., X v ε ίν α ι ν-διά σ τα τη κ α ν ο ν ικ ή ,
δηλ. έχει πυκνότητα (πρβλ § 7.3, (1), για ν= 2 )
1 4 ^ ^ μ '^', 'κ ' r ' , ∕∙ β∕. ∕

Υ( »* ■∙ >× v ) =
(14)
(2π)≈∣∑∣ι

όπου |Σ| ε ίν α ι η ορίζουσα του πίνακα ∑ διασποράς κα ι ∑^ , = (σ *) ο

αντίστροφος του Σ, τότε η επ ιφ ά νεια π α λινδρ ό μ η σ η ς και το
υπ ερεπ ίπ εδο π α λ ιν δ ρ ό μ η σ η ς ελ ά χ ισ τ ω ν τετραγώ νω ν συμπίπτουν. Α υτό
αποδεικνύεται όπω ς κ α ι η (5).
Ν α σημειω θεί ό τι, το αντίστοιχο του συντελεστού συσχέτισης p ( X x, X 2 )
στην π α ρα π ά νω περίπτωση της π ο λ λ α π λ ή ς π α λινδρ ό μ η σ η ς της Ar 1 επί τις
X 2, . . . , X v , σύμφωνα με την (13), είναι ο καλούμενος σ υντελεσ τής
π ο λ λ α π λ ή ς σ υ σ χ έτ ισ η ς μεταξύ Χ χ κ α ι των X 2 , , . , , X v , οριζόμενος από την

P a . , = p ( X l .∑ β ' j X j ) (15)
∕≡2

Μπορεί ν α δ ειχ θ εί ότι (Ά σκ. 21)

,
⅜
m a x p ( X 1, g ∕3 i Υ z ) = p 1, ι., (16)

και επομένως 0 ≤ p 1.2 v ≤ l∙α λ λ ιω ς, αν ήταν αρνητικός, θα παίρναμε το

P ( Υ ,,- ∑ Λ % ) ≡ - P ( % 1.∑ A * ^ ∙) ∙

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

Η έ ν ν ο ια της ανεξαρτησίας δύο ή περισσότερων τυχαίων μεταβλητών

είναι ανάλογη της στοχαστικής ανεξαρτησίας δύο ή περισσότερων
ενδεχομένων.

Ο ρ ισ μ ό ς·. Α ύ ο τυχαίες μεταβλητές X και Υ καλούνται σ τ α τ ισ τ ικά ή

σ τ ο χ α σ τ ικ ά α νεξά ρτητες, ή, απλά, ανεξάρτητες, αν για όλα τα
(μετρήσιμα) υποσύνολα (αριθμοσύνολα) Α κα ι Β της ευθείας ισχύει η σχέση
(πρβλ. § 3 .3 )
P [ X ∈Α , Υ G B ] = P [ X ∈ A ]P [F € Β ] , (1)
0 ορισμός αυτός είνα ι ισοδύναμος με καθεμιά από τις σχέσεις
F ( x , y ) = F λ .( x ) F r (y ) για όλα τα ( x ,y ) , (2)
f ( x , y ' ) = f x (x')f γ ( y ) για όλα τα ( x ,y ) , (3)
όπου F ( x ,y ) ε ίν α ι η από κοινού συνάρτηση κατανομής των X κ α ι Υ, κ α ι
∕( x ,y ) η α π ό κ ο ινο ύ συνάρτηση συχνότητά τους. Έτσι η μεν (2) προκύπτει
από την (1) αν ληφθεί A = (-oo,x], ∙B = (-∞ ,y ], η δε (3) αν ληφθεί
96

Λ = (λ∙,Λ +dA∙), B = ( y ,y + Φ') για συνεχείς κα ι A = {A }, B = { y } για

απαριθμητές. Εύκολα αποδεικνύεται επίσης η (1) από την (2) ή (3).
Επιπλέον καθεμιά από τις (1), (2) κ α ι (3) ισοδυναμεί με το ότι η
δεσμευμένη κατανομή της Κ γ ια AΛ = A, είναι ίδ ια με την αδέσμευτη. Έτσι
π .χ . (βλ. § 9.1) η ανεξαρτησία Α 'κ α ι Κ συνεπάγεται:
Γ r (y ∣A '= λ ∙)= F r (y ), f r ( y ∣ X = Λ ) = ∕∙ r ( y ) .
Α κόμα ότι οι δεσμευμένες ροπές της μ ια ς γ ια δεδομένη τιμή της ά λ λη ς
είν α ι οι ίδιες όπως οι αντίστοιχες αδέσμευτες. Έ τσι
£ [ Α '| Κ = / ] = £ ( Χ ) = μ Α., W ≈ * W ) ≡ ∕½
ώστε σ'αυτή την περίπτωση της ανεξαρτησίας οι συναρτήσεις παλινδρόμησης
ε ίν α ι σταθερές (ανεξάρτητες των δεσμευουσών τιμών), οι δε "καμπύλες"
παλινδρόμησης είναι οι ευθείες
Α· = ∏ι1(y )= μ x = B (A r ), y = m , (AT) = μ y = E ( Y ) ,
κ ά θ ε τ ε ς η μ ια στην ά λ λ η και διερχόμενες από το κέντρο (μ x ,μ y } της
κατανομής.

Π α ρ ά δ ε ιγ μ α '. Έστω ότι η συνάρτηση πυκνότητας της (A r, Υ) ε ίν α ι η

f ∖× t y )≈ a β e " a x ~p*', x > 0 , y > 0 .
Ε ίν α ι οι X κα ι Υ ανεξάρτητες; Γ ι’αυτό ελέγχουμε κ α τ ά πόσον ισχύει, π .χ ., η
(3 ), μια κ α ι εύκολα βρίσκονται οι f x κα ι f y . Έ χουμε

Λ ' (λ ') = ∫ f (χ >/ ) <ty = ∫ aβe~a x ~p y d y - ae~ a x , χ > 0.

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

Π α ρ ά δ ε ιγ μ α ·. Έστω η ομοιόμορφ η κα τ α νο μ ή των ( Χ ,Υ ) σ τov

μ ο ν α δ ι α ί ο κ ύ κ λ ο , με πυκνότητα

f ( x ,y ) = - , O ≤ x 2 + y 2 ≤ l.
π
Π αρατηρούμε ότι

αφού

Ά ρ α οι X κ α ι Υ δεν είν α ι ανεξάρτητες.

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

κ α λ ού ντα ι α μ ο ι β ά ι α ή τ ε λ είω ς ανεξάρτητες (στατιστικά ή στοχαστικά)

αν γ ια οποιαδήποτε ( γ ια ό λ α τα) υποσύνολα (μετρήσιμα αριθμοσύνολα)
της ευθείας A l , A 2 , . . . , A v ισχύει η

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

F ( x i ....... Λ V ) = ∏ F A √ X ,∙) γ ια όλα τα (x i ,x 2 ,...,x v ), (5)

/=1

∕∙ ( x 1, . . . , x v ) = ∏ Λ - z W για όλα τα (⅞ x 2 ,...>x v ), (6)

ί=1

με F κ α ι f τ ις από κοινού συναρτήσεις κατανομής κα ι συχνότητας των

χ > ,...,χ v

Π α ρ α τ ή ρ η σ η : Α ν οι X , , . . . , X r είναι τελείως αvεξαpτητ ε ς τ pτ ε κd θε

υποσύνολό τους ,...,Λ ,. (2 < s ≤ ν, 1≤ ή < ⅛ Sv )’ r o l0 τ ε λ ε i

επίσης σ ύ νο λο τελείω ς ανεξάρτητων μεταβλητών.

Ν α σημειω θεί ότι α νεξα ρ τη σ ία α νά ζεύγη των X i , χ . 1∙ ≠ j fiε v
σ υνεπ άγετα ι την τ έ λ ε ια ανεξαρτησία των *Y1,Λ" 2 χ jj^pβλ
α ν εξα ρ τ η σ ία ν ενδεχομένων § 3.4).
Η έ ν ν ο ια της ανεξαρτησίας είναι θεμελιώδους σημασίας στη Στατιστική
Ανάλυση. Έ τσι π .χ. στη Στατιστική Συμπερασματολογία (Επαγωγική
Σ τα τισ τικ ή ) όπου α π ό το καλούμενο δ είγμ α από ένα πληθυσμό (κατανομή)
σ υ ν ά γ ο ν τ α ι σ υ μ π ερ ά σ μ α τ α γ ια ό λ ο ν τον πληθυσμό, οι παρατηρήσεις
μ ια ς μ ετα β λ η τή ς X (το δείγμα) θεωρούνται κατά κανόνα ανεξάρτητες για
λόγους προσέγγισης κ α ι ευκολίας στη στατιστική ανάλυση, π α ρ ά ότι
σ π α ν ίω ς ισ χ ύ ε ι τ έ λ ε ια α νεξα ρτησ ία .
98

Ορισμός. Σύνολο ν ανεξάρτητων τυχαίω ν μ εταβλητώ ν Ar1, . . . , A v

κ α θ εμ ιά από τις οποίες έχει την ίδια κατανομή λ έ γ ε τ α ι τ υ χ α ίο δείγμα

μεγέθ ους ν από την κατανομή F . Α ν X είνα ι η τμ με σκ την F , τότε οι
X ........A ' v λέγονται και ανεξάρτητες παρατηρήσεις ("α ντίσ τρ οφ α ") της X .

Ορισμός. Οι τυχαίες μεταβλητές X ...... t X v (α ν εξά ρ τ η τες ή μη)

κ α λού ντα ι ισόνομες (ή ταυτόνομες) αν ακολουθούν τη ν ίδ ια κατανομή
(νόμο πιθανότητας). Η ισονομία (ή ταυτονομία) δύο τμ X και Υ
d i Κ
σημειώνεται με Χ = Τ ή Ar = D ή A = l r (βλ. Κεφ . V I I ) .
Π ο λύ χρήσιμες είναι οι παρακάτω προτάσεις.

Πρόταση 1: Α ν A 1,...,A ∖ , είναι (τελείως) α ν εξά ρ τ η τες, τότε κ α ι οι

τυ χ α ίες μεταβλητές
v , = i l ( x ,) ,y , = f t ( x , ) .......y v = £ ,.( % ,)
ε ίν α ι (τελείως) ανεξάρτητες για οποιεσδήποτε συναρτήσεις g i , . . . t g . (όχι
κ α τ ’α νά γκη διαφορετικές).

Απόδειξη·. Αρκεί να δείξουμε (βλ. (4) § 9.1) ότι ισχύει η

≡ 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

P[Y t e A l ,y j e A 1 ,...,Y y ∈Λ ] = P [Λ , ∈ A'l , X , ∈A 2 ...... X'v ∈A , ] = ∏ P [A , ∈ √ ] = ∏ ⅛ € Λ]·

Π ρ ότ α σ η 2: Α ν οι X u .., t χ v είνα ι τελείω ς α νεξά ρ τη τες, τότε η μέση

τιμ ή του γινομένου X l X x. , . χ v ισούται με το γινόμενο τω ν αντίστοιχων
μέσων τιμών τους, δηλ.
M ⅛ X ,M X 1⅛[X I L 4 X ,], (7)
με την προϋπόθεση, φυσικά, ότι οι B [Λ ' ] ,..., E [ A ,,] υπ ά ρχο υν.
1

Απόδειξη·. Το υποδεικνύουμε για συνεχείς μ εταβλητές. Γ ια

απαριθμητές η απόδειξη ε (v t t l 0 μ 0 l α Έ χοϋμε
B ( X , , . . . , X , ) = Τ · ' P ∣ ∙ . ∙ V ( X I , . . . , Λ K ) Λ I ...d x r
I

Μ «·

= ∫ ... i × l ...x v f x ι ( 4 4 r⅛ ..<*ς = ∏ l x , f χ (x i )dx j = ∏ E ( X i ) t

 99

όπου, λόγω της ανεξαρτησίας των Λr l ,...,Λ v , η από κοινού συνάρτηση

πυκνότητας των X l ,...,X v

Γ(X1,...,XV)= ∏ ∕' Λ∙ (Χ /).

Πόρισμα'· Δύο ανεξάρτητες μεταβλητές είναι ασυσχέτιστες
(ορθογώνιες).

Απόδειξη: Παρατηρούμε ότι

C o v ( X ,Y ) = E [ X Y ) - £ [Χ ]Ε [Υ ]= Β μ Τ ]Β [Γ ] - £[Ύ ]Ε [Κ ]= Ο
Άρα (βλ. (5), § 8.4) και p(X,K )=0.

Παρατήρηση: Το αντίστροφο δεν ισχύει γενικά, δηλ., p (X ,y ) = 0 δεν

συνεπάγεται ότι οι X, Υ είναι κατ'ανάγκη ανεξάρτητες. Για την διδιάστατη
κανονική § 7.3, αν p(Υ ,K )= 0 τότε οι X i Υ είναι ανεξάρτητες (Άσκ. 11)

Πρόταση 3: Για οποιοσδήποτε (ανεξάρτητες η μη) τμ χ i ,∙..,χ v ,

ισχύει:
Δ ( X y + X 2 +...+X v ) ≈ ^ ∆ ( X l ) + 2'∑j C ov(X i ,X j ). (8)
/=1 / <J
Απόδειξη: Έστω μj.=B[A r J . Τότε

= ∑ f ( X ,.- μ l f + 2∑-E(Λ', - ft )(X - μ i ),

i~i i<j
απ'όπου έπεται η (8).

Πόρισμα 1: Αν οι X u X 2 ,... l X v είναι ανεξάρτητες τμ, τότε

Δ (X i + Υ 2 +.,.+ J Q = ∑ zl(X ,.), (9)

∕≡ι
δηλ. η διααπορά αθροίσματος ανεξάρτητων μεταβλητώ ν ισούται με το
άθροισμα των διασπορών τους.

Π όρισμα 2: Αν οι X i ,...,X v είναι α νά δύο ορθογώνιες,

(Cov(X l ,X j =Q, i≠ j ) ,τ o τ ε

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)).

Εφαρμογή της (9): Διασπορά της διωνυμικής.

Έστω X το πλήθος των επιτυχιών σε ν δοκιμές Bernoulli. Ορίζουμε τις
τυχαίες μεταβλητές μηδέν-ένα:
X l = 1 αν η 7 δοκιμή δίνει επιτυχία,
X i =0 αν η ί δοκιμή δίνει αποτυχία,
ν
Τότε X ≈ ∑ X i , όπου οι X 1, X 2 ,...,A ∖ 1 είναι ανεξάρτητες δίτιμες τμ

Bernoulli, διότι η X . σχετίζεται μόνο με την ΐ δοκιμή κ α ι οι ν δοκιμές

είνα ι, εξ υποθέσεως, ανεξάρτητες (ανεξάρτητα πειράματα τύχης). Ά ρ α από
την (9) έχουμε:

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

1. Ρίχνουμε ζάρι 12 φορές, α) Ποια είναι η πιθανότητα κάθε έδρα του να

εμφανισθεί δύο φορές; β) Έστω X ο αριθμός εμφανίσεων του 6 και Υ ο
αριθμός εμφανίσεων του 1. Ποια είναι η από κοινού συνάρτηση
πιθανότητας των Χ κ α ι Κ;

2 . Από τράπουλα με 52 χαρτιά παίρνουμε 13 χαρτιά. Ν α δοθεί η

συνάρτηση πιθανότητας των αριθμών των χαρτιών των 4 ειδών (κούπες,
καρό, σπαθιά, μπαστούνια).

3. Δείξετε ότι η πιο πιθανή τιμή (v10 ,v 2 ,...,v ° ) πολυωνυμικής

κατανομής ικανοποιεί τις σχέσεις
vA - 1< v ∕ ≤(v + k - ∖ )p , i= ∖ ,2 ,...,k .
j
Υπόδειξη. Δείξετε ότι
pl vj0 ≤ p y (vj, + l) για 7 ≠ J , i,j= ∖ ,2 ,...,k .

4 . Πολλαπλή κατανομή Poisson. Αν ο αριθμός των δοκιμών ν είναι

μεγάλος και τα p j μικρά ώστε τα vpi = λ l να είναι μέτρια, δείξετε ότι η
 101

πολυωνυμική κατανομή της § 7.3 μπορεί να προσεγγιθεί από την

καλούμενη π ο λ λ α π λ ή κατανομή Poisson

ħ ∣v 2 !...v i . 1! '

5. Α ν η πυκνότητα των X και Υ είναι

f ( χ ,y ) = e"(,t+z) , x>0, y > 0
να βρεθούν οι πιθανότητες
α) P [JV > 1 ] β) P [1 < X + K < 2 ] γ) P [ J T > y ∣ X > l] .

6. Δεδομένου ότι η πυκνότητα των X και Υ είναι

2
f ( χ ,y ) = - - - , x > 0 ,y > 0
(1+ χ + y) 3
να βρεθούν α) η σκ F (x ,y ) β) η σππ ∕ x (x) γ) η f r (y ∖X = x ) . Είναι οι X
και Υ ανεξάρτητες;

7. Βρείτε την σκ F ( x ,y ) ομοιόμορφης κατανομής στο τετράγωνο με

κορυφές τα σημεία (1,0), (0,1), (0,-1), (-1,0). Είναι οι μεταβλητές X και
Υ ανεξάρτητες; (Πρβλ ομοιόμορφη στον κύκλο, § 9.3).

8. Η από κοινού πυκνότητα των μεταβλητών X , Υ, Ζ είναι

f(x ,y ,z )= 8 x y z , 0 < x ,y ,z < l .
Ν α βρεθεί η
P [X < Y < Z )
α) απευθείας β) με ολοκλήρωση της f.

9. Γ ια καθεμιά από τις παρακάτω πυκνότητες f( x ,y ) βρείτε τις F ( x ,y ) ,

F x {χ∖ F r ( y ), 4 -∞ > f γ (y^ fχ ( × W = y ∖ f γ (y∖x ≈ χ ) ∙
α) f ( x ,y ) = 4 x y , 0 < x > y < l,
β) Γ (x ,y ) = ∣ ( x 2 - y 2 )e" t , 0 < x < ∞ , ∣y ∣< x .
Ο

10*. Κ α τ α ν ο μ ή των άκρω ν παρατηρήσεων τυχαίου δείγματος. Δείξετε

ότι οι συναρτήσεις κατανομής των ξ =τna×(Xi ,... t X v ), η=m in(Δ'∣,..,,Λ'l,)
δίδονται από τις
Ff (x) = {F (x)Γ , F r j( x ) = l - { 1 - F ( x ) } v ,
όπου F η κοινή συνάρτηση κατανομής των X l . Συνάγεται τις
πυκνότητες των ξ κα ι η.

11*. Γ ια τη διδιάστατη κανονική κατανομή (1) της § 7.3, δείξετε ότι:

α) Ο ι επί μέρους κατανομές των X και Υ είναι κανονικές και
102

E(X) = ∕z1, E (Y )≈ μ i , Var(X)≈σ} t ½ lr ( l ') = ^ .

β) Ο συντελεστής συσχέτισης των X, Υ ισούται με το ρ, —1 < ρ < 1.
γ) Αν ρ=0, τότε οι AΓκαι Γ είναι ανεξάρτητες.
δ) Αν p=P∖ X > μ l t Y > μ2 ], τότε p = l + 8 - ^ ι n ^∙.
z⅛ 271
Υπόδειξη, Εξετάστε την κατανομή της (X - μ 1) / (Yr —μ 2 ) .

12*. (Συνέχεια). Οι X και Υ έχουν τη διδιάστατη κανονική κατανομή της

προηγούμενης Άσκησης. Να βρεθεί ο συντελεστής συσχέτισης ρ των
ξ= aX + βY , η = a X -β Y .
Ποία σχέση πρέπει να πληρούν οι σταθερές α, β, ώστε οι μεταβλητές ξ
κα ι η να είναι ανεξάρτητες; (Μπορεί να αποδειχθεί ότι οι ξ και η έχουν
την διδιάστατη κανονική κατανομή· γενικά, γ ρ α μ μ ικ ο ί συνδυασμοί
α π ό κοινού κανονικών τμ είναι κανονικοί).

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 ).

14. Δύο ασυσχέτιστες μεταβλητές δεν είναι κατ’ανάγκη ανεξάρτητες

(σημαντική εξαίρεση είναι η διδιάστατη κανονική, βλ. Άσκ. 11). Έστω η
διδιάστατη διακριτή κατανομή p ij =P[X =i,Y = J] οριζόμενη από την
1
Po,∖ Pijo - Ρ-ι,ο ~ ·
Δείξετε ότι ενώ p(X,Y)= 0, οι Λ"και Κδεν είναι ανεξάρτητες.
Σημ. Επαληθεύσετε το ίδιο πράγμα για την ομοιόμορφη στο μοναδιαίο
κύκλο (βλ. § 9.3).

15. Τ υ χα ία τοποθέτηση ν σφαιριδίων σε k κ λ η ρ ω τίδ ες (κ ε λ λ ιά )

Α ς θεωρήσουμε ν σφαιρίδια καθένα από τα οποία τοποθετείται
(ρίχνεται) τυχαία σ'ένα από k κελλιά, ώστε η πιθανότητα τοποθέτησης
οποιουδήποτε σφαιριδίου σε οποιοδήποτε κελλί να είναι l ∕k . Έστω X j
ο αριθμός σφαιριδίων τα οποία καταλήγουν (πέφτουν) στο κελλί ή
∕= 1 ,2 ,...> .
(ί) Να βρεθεί:
α) Η από κοινού συνάρτηση πιθανότητας των X t , X 2 ,...,X k .
β) Πόσα σφαιρίδια αναμένονται σε κάθε κελλί.
 103

(ίί) να δειχθεί ότι p ( X i , y z ) = - - i - j ∙

Υ π ό δ ε ιξ η : Δ ( X i + X 1 + . . . + X i ) = Δ ( y ) ≈ O , Δ ( X l ) = ...= Δ ( X t ).

16*. 'Εστω επίπεδο τεμάχιο μετάλλου, σχήματος τετραγώνου πλευράς 30

cm, που περιέχει ίο γραμμές κ α ι 10 στήλες με κυκλικές τρύπες
διαμέτρου 3 cm , ώστε το κέντρο κάθε τρύπας να απέχει 3 cm από το
κέντρο κάθε γειτονικής τρύπας. Ν α βρεθούν οι πιθανότητες:
α) Έ ν α ς κ ό κ κ ο ς άμμου που ρίχνεται τυχαία στο μεταλλικό τετράγωνο
να πέσει σε τρύπα κ α ι έτσι να την διαπεράσει.
β) Έ ν α σ φ αιρίδιο με διάμετρο 1,5 cm που πέφτει στο τετράγωνο να
περάσει απ ό τρύπα χω ρίς να αγγίξει το μέταλλο.

17*. Δ είξετε ότι γ ια οποιεσδήποτε μεταβλητές X και Υ έχουμε την

ταυτότητα
∆ m = E [ Δ ( X ∖Y ) ] + Δ [Δ ( X ∣y ) ].
Υ π ο δ . Ξεκινήστε από το δεξιό μέλος της ταυτότητας και κάνετε χρήση
της (7), § 9 .2 .

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

τότε η μέση τιμή κ α ι διασπορά της

Z ≈ g ( X ,Y )
δ ίν ο ν τα ι κ α τ ά προσέγγιση από τα
1 ( CΓS 2 S 2λ

∖ 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

2 0 . Σ τις δειγματοληπτικές έρευνες ενδιαφέρει η ε κ τ ίμ η σ η του λόγου δύο

παραμέτρων, έστω λ = ^ 2- όπου μ χ η μέση τιμή κ α τα νο μ ή ς F x κ α ι μ y η

μέση τιμή κατανομής F γ . Συνήθως ως ηε κ τ ιμ ή τ ρ ια " συνάρτηση του λ

λαμβάνεται ο λόγος (η λογοεκτιμήτρια)

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 1 . Δ είξετε την (16) της § 9.2.

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 . ) .

1 Σ τη Στατιστική, η (>) εκφράζει την λεγάμενη αμεροληψ ία του δ ε ιγ μ α τικ ο ύ μέσου X ως

εκτιμητού του πληθυομιακού μέσου μ. Η (ii) εκφράζει το ότι η α κ ρ ίβ ε ια (αντίστροφο της
διασποράς) του X είνα ι ν φορές η ακρίβεια μ ια ς παρατήρησης.
 105

23. Η από κοινού συνάρτηση p (x l ,y j ) των Χ κ α ι Υ δίδεται στον παρακάτω

πίνακα:

y α) Υπολογίστε και κα­

X 1- 0 1 2 P<×,) τασκευάσετε τις ευθείες

-1 0,1 0,15 0 0,1 0,35 ελαχίστων τετραγώνων

0 0,15 0 0,1 0,2 0,45 της X επί την Υ κα ι της

1 0,05 0,05 0 0,1 0,20 Υ επί την X .

p (yi ) 0,3 0,2 0,1 0,4 1,00 β) Αν μπορείτε να παρα-

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).

24*. Λείξετε ότι δύο απαριθμητές μεταβλητές X και Υ με από κοινού

συνάρτηση πιθανότητας p i j ~ P [ X = x i i Y = y j ] είναι ανεξάρτητες αν, και
μόνο α ν, ο πίνακας πιθανοτήτων P = ( p i j ') έχει βαθμό την 1.

25. Η από κοινού συνάρτηση πυκνότητας των X και Υ είναι η

f ( x t y } = × + y για 0 ≤ x ≤ l και 0 < y < l .
Βρείτε τις (περιθώριες) συναρτήσεις πυκνότητας των X και Υ. Είναι
αυτές ανεξάρτητες;

26. Π ρ όβ λη μ α τηλεπικοινω νιώ ν. Το κανάλι ενός τηλεπικοινωνιακού

συστήματος μπορεί να θεωρηθεί σαν πομπός μιας ακολουθίας παλμών
(pulses). Κάθε παλμός μπορεί να έχει τέσσερα πλάτη που να
αντιστοιχούν στα ψηφία (σύμβολα) 0,1,2,3. Έστω Τ το εκπεμπόμενο
(εισερχόμενο, input) σύμβολο και R το λαμβανόμενο (εξερχόμενο,
output) σύμβολο. Το κανάλι έχει τα εξής χαρακτηριστικά.
P [ T = √ ∣Λ = ∕] = 0 εάν i ≥ j + 2, 7=0,1
= — εάν 7 = y + l> 7=0,1,2
4
= — εάν i ≈ j ~ ⅛ 7=1,2,3
4
=0 εάν i ≤ J ~ 2 t 7=2,3
Α ν είναι γνωστό ότι P[Λ=0]=0,3, P [P = l]= 0 ,4, P[P=2] = 0,2, να
βρεθούν:
106

α) η πιθανότητα μετάδοσης κάθε συμβόλου

β) η πιθανότητα λήψης του ι όταν εκπέμπεται το j ∖ γ ι'ό λ α τα ϊ, J .
γ) η πιθανότητα σφάλματος (στη λήψη) γ ια κάθε εκπεμπόμενο σύμβολο.

2 7 .Παριστώ ντας την Pascal ως άθροισμα γεωμετρικών μεταβλητώ ν, βρείτε

την μέση τιμή και διασπορά της.

2 8 . Δείξετε ότι για κάθε ενδεχόμενο Α με Ρ (Α ) > 0

E 2 [ X - c∣A] ≤ E [ ( X - C ) 2 ∣Λ ]
όπου c σταθερά.

2 9 . Δ είξετε ότι για κάθε σταθερά α

E [ c - X ) = E [ c - X ∖X ≤ c ] ∙ P ( X ≤ c) + Ε [ C - X ∖X > c] ∙ P ( X > c)

3 0 . Έστω Ε (A r ]=0 και Δ ( X ) = σ 2 . Δείξετε ότι η συνάρτηση κα τα νο μ ής F ( x )

της X πληροί τις ανισότητες:
c2
H c ) ≥ - τ ----- 2 ϊ ΐα C > 0 >
a +c
. c2
F (c) < —----- - για c < 0.
σ +c

31*. Δ είξετε ότι δύο ορθογώνιες δίτιμες μεταβλητές B e rn o u lli είναι

ανεξάρτητες.

3 2 .Δ είξετε ότι, αν ο πίνακας συσχετίσεων P = ( p ij') μ ια ς ν-διαστάτου

κανονικής (§ 9.2) είναι διαγώνιος, δηλ. p t f = 0 , i ≠ j , τότε οι μεταβλητές
είνα ι ανεξάρτητες (πρβλ Ασκ. 11).

33*. Α ν ισ ό τ η τ α C a u c h y -S c h w a rz (σημαντικότατη στις πιθανότητες και

τ α μαθηματικά):
α) Γ ι α δια νυ σ μ α τα x = ( x t , . .. x v ), y = ( y 1,

( * 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

(Ανάλογη του α)).

γ) Π ιθ α νο θ εω ρ η τική :
∖B ( X Y ) ∖2 ≤ E ( X 2 ) E ( Y 2 ) ή ∖C o v ( X ,Y ) ∖2 ≤ Δ ( X ) Δ ( Y )
(Ισοδύναμες του ∣p ( X , F)∣≤ 1, § 8.1).
 107

Π α ρα τή ρ ησ η. Τόσο η (i) όσο κ α ι η γνωστή ταυτότητα Lagrange:

∣Λ∣2 ∣y ∣ 2 = ( Λ > ) 2 + μ × y ∣ 2 ,
όπου x × y το εξω τερικ ό γινόμενο των διανυσμάτων χ και y , είναι
πόρισμα του Π υ θ α γ ό ρ ειο υ θεωρήματος.
ημ2 θ + συν2 θ ≈ l,
αφού, φ υσικά, ορισθούν το εσωτερικό κ α ι το εξωτερικό (διανυσματικό)
γινόμενο δυο διανυσμάτω ν, ώστε να έχουμε
x 'y = ∣x ∣∣y ∣σ υ v 0 , ∣x × y∣=∣x∣∣ y ∖ημθ
όπου 0 η γ ω ν ία των χ κ α ι y.
 ΚΕΦΑΛΑΙΟ V

ΓΕΝΝΗΤΡΙΕΣ - ΧΑΡΑΚΤΗΡΙΣΤΙΚΕΣ ΣΥΝΑΡΤΗΣΕΙΣ

Η μελέτη των κατανομών τυχαίων μεταβλητώ ν, ιδια ίτερ α του

αθροίσματος ανεξάρτητων τυχαίων μεταβλητώ ν, διευκολύνεται τα
μέγιστα από τη χρήση των καλουμένων γεννητριώ ν κ α ι, κατ'εξοχήν, των
χαρακτηριστικώ ν συναρτήσεων. Έ τσι, όταν δίδεται μ ια από τις συναρτήσεις
αυτές, μπορούμε να υπολογίσουμε με παραγώγιση τις ροπές μ ια ς κατανομής
(αν υπάρχουν). Πάνω απ’όλα, η δύναμη της χαρα κτηρισ τικής συνάρτησης
μ ια ς τυχαίας μεταβλητής έγκειται στο ότι κα θ ορίζει μονοσήμαντα την
κ α τα νο μ ή κ α ι συνιστά το πιο εύχρηστο κ α ι αποτελεσματικό εργαλείο στη
μελέτη της ασυμπτωτικής συμπεριφοράς αθροισμάτων τμ, όπως θα δούμε στο
Κ εφ . V I I .

1 0 .1 . Γ εννήτριες Π ιθανοτήτω ν

Σ τη μελέτη μιας απαριθμητης μεταβλητής X με α κ έρ α ιες κ α ι μη

α ρνη τικές τιμές £ = 0,1,2,..., πολύ χρήσιμη κ α ι πιο εύχρηστη γεννήτρια είναι
η καλούμενη γεννήτρια πιθανοτήτων. Γ ια συνεχείς μη αρνητικές τμ
εύχρηστος είναι ο μετασχηματισμός L a p la ce (βλ. Συμπλήρω μα).

Ορισμός: Έστω η ακέραια απαριθμητή τμ X ≥ 0 με συνάρτηση

πιθανότητας
Λ .= Ρ [ Λ = £ ] £ = 0 ,1 ,2 ,....
Ω ς γεννήτρια πιθανοτήτων (γπ) ή πιθανογεννήτρια ή γεννήτρια
παραγοντικών ροπών (γπρ) της X (ή της α κολουθ ία ς { ρ Α.}) ορίζεται η
συνάρτηση (δυναμοσειρά)
i , ( s ) = ∑ P ι ≈ 1 = ∙E ( i λ ')∙ (1)
1-=0
Α υ τή υπάρχει (η σειρά συγκλίνει απολύτων) τουλάχιστον γ ια ∣s∣≤ 1.
Ο παραπάνω ορισμός αυτός είν α ι μερική περίπτωση του ορισμού της
γεννήτριας μιας ακολουθίας αριθμών.
 109

Ο ρ ισ μ ό ς : Γεννήτρια μιας ακολουθίας {αμ }, v = 0 ,1,2,..., πραγματικών

αριθμών, λέγετα ι η σειρά
r(s) = ∑ α tA
ν-0
υπό τον όρο ότι συγκλίνει (απολύτως) σ'ένα διάστημα ∣s∣< <5 (για κά π οιο
<5>0).

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

σχεδόν όλω ν τω ν γεννητριώ ν, που θα δούμε παρακάτω,

β) Η (l + s) -1 π α ρ ά γ ει την ακολουθία {1,-1,1,-1,...}.

Οι γεννήτριες αποτελούν ισχυρό μέσο και για τη λύση πολλών

προβλημάτων συνδυαστικής, όπως δείχνει το παρακάτω παράδειγμα.

Π α ρ ά δ ε ιγ μ α '. Έ ν α δοχείο περιέχει Ν σφαιρίδια αριθμημένα από 1 ως

Ν. Β γάζουμε με επανάθεση, το ένα μετά το άλλο, k σφαιρίδια. Έστω Χ ν ο
αριθμός που φέρει το ν-οστό σφαιρίδιο (v = l,2 ,...,A ∙). Ν α βρεθεί η
πιθανότητα, έστω p o ( k ) , ώστε το άθροισμα
y 1 = f x ,,= Λ . (2)
ν=|
Πρέπει ν α βρούμε κ α τ ά πόσους τρόπους (σημεία του δειγματοχώρου) μπορεί
να π ρ α γμ α το π ο ιη θ εί η (2). Έστω λοιπόν a k n ο ζητούμενος αριθμός κ α ι
y h (s) η γ εν ν ή τ ρ ια της α κολουθία ς a k n . Τότε
w kN
Z √ s)≈ ∑ < ⅛ √ , ≡∑<⅛ √,

αφού γ ια δ εδ ο μ ένο k ≥ 1, α 10 = 0, a k t =0 αν t > k N ,

Γ ια k ≈ l προφ ανώ ς α l n = l, για n = ↑,2 ,...,N και επομένως (βλ. και (1))
Ν Ν v
r 1(^) = ∑ α ι √ 0 = ∑ s ' , = N E (s t )= N P
x (s).
π=1 ' ο=Ι 1

Από την π α ρ α κ ά τ ω Π ρόταση 1, επειδή οι X l , . . . , X v είναι ανεξάρτητες, η

γεννήτρια της Υ ε ίν α ι το γινόμενο των γεννητριών των X l , , , . , X k .
Aφ, ετέρου ο ι X i , . . . , X k ε ίν α ι ισόνομες (έχουν την ίδια κατανομή). Ά ρ α
Ύι· ( 5 ) =[Γ J (^)] 1 = (s + s l + ...+ S N ) k ≈ s k 0 + s + ...+ $ N -') k (3)
και το ζη το ύ μ ενο a k g είν α ι ο συντελεστής του s a ~k οτο ανάπτυγμα

α + s+...+sκ - y = ί - ί - =(i- s")*o - sr*.

I Ι-s )
110

Αναπτύσσοντας την ( ∣~ A " 1 κατά το θεώρημα της δ ιω ν υ μ ικ ή ς σειράς·. για

∣i ∣< l κ α ι κάθε (πραγματικό) αριθμό α ισχύει το ανάπτυγμα (βλ. κ α ι § 4.2)
( i + o " = ∑ ∩ ' " . ( ∣d < o
v-0 √ J
βρίσκουμε το ανάπτυγμα σε δυνάμεις του s:
(i-≈ )- , = ∑ i^ λ1 ( - i ) " ∙ ' ' = ∑ [ λ' + , v
17 V ∙

v≡0∖ V y v∙0∖ * )

Επομένω ς, από την (3), η

∏ ω - < ∣ - s " ) * d - , r * = ∑ f λ' + ; ^ f ∣ ? · ∑ ( f ∣< -i) - s " '
»·«0\ V √ ∕-0 ∖ ∕ J
=∑ ∑ ‰ ,∙ , ' ^.N , ^ 1. V 1^M ∙
v-0i-0√ ) χ -κ -Ν ι)
Βρίσκουμε λοιπόν
λ 'Y ∏ - Ν / - A
η - Ni - 1
o‰ = ΛI . √ Λ * - 1 ) (4)
∕-t>V η- k - Μ
και η ζητούμενη πιθανότητα, αφού υπάρχουν N k τρόπου εξαγω γής
σφ αιριδίω ν, είναι

ο - g j l - z" 0 ν Λ )
Pk ~N k N k

Εφ αρμογή της (4). Κ α τά την ρίψη δύο κύβων (7√ = 6, Ρ = 2) το

άθροισμα ∏=10 μπορεί να προκύψει κατά
= ∑ ( √ 2 Y 1 0 - 6 ' - 1]
' 2 Υ 3^
- α 2,10 =3
/=ο ν 7\ 2 —1 J V Λ b
τρόπους κ α ι η αντίστοιχη πιθανότητα P [% 1 + X 2 = 3 ] ε ίν α ι (ως γνωστό)
3 / 36 = 3 / Ν 2. Επαληθεύσετε βάσει της (4) ότι γ ια Ar = 3 ( ζ ά ρ ια ), α 3 5 = 6 (και

P6 ( 3 ) = - ) .
36

Π ρότα ση 1: 'Εστω X 1, X 2 .......Χ ν ν ανεξάρτητες τ μ κ a ι

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)

Απ όδειξη-, Βάσει της Προτάσεως 2, § 9 .3 , έχ Ο υ μ ε

 Ill

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"

Α πόδειξη: Α ν η π v, υπάρχει, δηλ. υπάρχουν οι πρώτες ν ροπές, τότε

ds ds
E ^= E ⅛( S') = E [X (X - 1)...(X - ν + l)s jf -r ],

δηλ. μπορούμε να εναλλάξουμε την τάξη της παραγώγισης και άθροισης,

κα ι θέτοντας ε =1 βρίσκουμε την (6).

Π αρατήρηση: Μ πορεί ως γ.π.ρ., αντί της (1), να οριοθεί η

Jζ(s)= B [(s + l) x ]=P(s + l), (6α)
οπότε, α ντί της (6), ισχύει η
π μ =Λ w (0), v=l,2...... (60)
Ως πόρισμα των (6) κ α ι (6)*, για τον υπολογισμό της μέσης τιμής κ α ι
διασποράς τμ λαμβάνουμε τις σχέσεις:
π 1 = Ε ( X ) = P , (1), 21(*)=P"(1) + P'(l) - [P'(1)]2 . (7)
Γενικότερα, εύκολα φαίνεται από την (6)* ότι οι πρώτες ν παραγοντικές
ροπές ορίζουν τις πρώτες ν συνήθεις ροπές και αντίστροφα. Έτσι η Ρ μπορεί
να θεωρηθεί κ α ι ως ροπογεννήτρια (έμμεσα) των συνήθων ροπών.

Π α ρά δειγμ α : α) Έστω η διωνυμική X, η οποία μπορεί να γραφεί (βλ.

§ 9.3) ως
.* = ∑ X ,
Ζ»1
όπου οι X l είνα ι ανεξάρτητες κα ι ισόνομες δίτιμες μεταβλητές Bernoulli με
P[Arz = l]= P , Ρ [Χ , = $ } = [ - ρ = q . Έχουμε
p x l (s ) = S 'P +s °q= ps + q ,
και βάσει της (5),
Px (s) = (ps + qY. (8)
Έχουμε λοιπόν
P '(s) = vp{ps + <7),'- , , P "(s) = ν(ν - 1)p 2 )ps + q) v~2 .
λρα, από την (6),
E { X ) = P '( l) = νρ, π z = E X (X - 1) = P"(l) = ν(ν - l)p 1
112

κ α ι από την (7),

21(X)=v(v - l)p 2 + v p ~ ( y p γ = vP ^ ·

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

όπου X j είναι ανεξάρτητες και ισόνομες γεω μετρικές μεταβλητές με

κατανομή την (9). Έχουμε λοιπόν, από την (5),
Λ - (s ) = ∏ Λ ∙,ω = [Λ ∙⅛ ) ].

/=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

Α π όδειξη '. Έχουμε

-Pχ, ( s ) g [ ( X ) r s ] "∑jPk(k)v s k ~v = v ∖p t, + ^ ( v + ∕ ) y p v + i s ' ,
ii0
n , ∕=∣
κ α ι θέτοντας s = 0 λαμβάνουμε την ( H ) .

1 0 .2 . Ά θροισ μα Τυχα ίου Α ριθμού τμ . Σ ύνθ ετες Κ α τ α ν ο μ έ ς

Μ ία ενδιαφέρουσα εφαρμογή των γεννητριών είν α ι στη μελέτη της

κατανομής του αθροίσματος
Y N =Y UΓ)=X + X
1 I + +Χ „ (1)
 113

όπου ο αριθμός Ν των τυχαίων μεταβλητών X 1, . . . , X N ε foa t επίσης

τυχαία μεταβλητή (μη αρνητικός ακέραιος).

θεώ ρημα 1: Έστω οι ισόνομες και ανεξάρτητες τμ X u X 2 .......μ ε (κοινή)

συνάρτηση πιθανότητας
.= Ρ [ Χ = η
Λ *= 0 ,1 ,2 ......
Α ς υποθέσουμε ότι η τμ Ν είναι (στοχαστικά) ανεξάρτητη των A ry , με σπ
4 = P [Λ Γ = v ], v = 0 ,l,2 ,... , κ α ιγ π P √ s ) = ∑ ∕× .
V

Τότε η γπ PY W (S) του Υ ( Ν ) ε ίν α ι η σύνθετη συνάρτηση της PN (S ) κ α ι

Px (s), δηλ.
Λ , (ΛΓ)(S )≡ΡΝ (ΡΧ (I )) · (2)

Α π ό δ ειξη : Βάσει του γενικευμένου θεωρήματος της ολικής πιθανότητας

(§ 9.1), έχουμε
Λ'(N) (∙s ) ~ Σ [Λ Λ(N)(I )∣ = Ν ] Ρ[Ν = V ] = Σ Pγ(y) (5 ) 4 = Σ A∙Pχ (s ) = ? Ν U χ (5 ))>
ν-0 ν»0 ν«=0
αφού από την ανεξαρτησία του Ν κα ι των X l , κατά την Πρόταση 1, § 10.1,
{ W s) ∣^ = Λ = W s) ⅛ ω Γ -

Ά ρ α , (βλ. (8) της § 9.2)

pr m ω = [-b ( ^ ιw )]= -E [Λ ∙ ω ] " = ⅛ (Λ · ω )

Σύνθετη κ α τα νομή Poisson. Α ν η Ν έχει την κατανομή Poisson, τότε η

Υ (Ν ) λέγεται σύνθετη κατανομή Poisson.
Η γεννήτρια Pλ (s) της Poisson με παράμετρο λ είναι
Ρ Μ = ∑ Λ -Λ 3 1 = e - ' j = ?< -» (3 )
,-ο ν! ν=0 ν!
Έτσι η γεννήτρια της σύνθετης Poisson είναι, από τη (2),
P (s)= e * w -'∖

Π α ρ ά δ ειγ μ α : Έστω ότι οι X i είναι οι δίτιμες Bernoulli,

P [ X z = l] = p , P [ Y ∕= 0 ] = l - p = ρ ,
οπότε
Px (s')=ps + q.
Η γεννήτρια της (1), κ α τά τις (2) και (3), είναι

δηλ. γπ κατα νομής Poisson με παράμετρο λρ, ώστε η σύνθετη Poisson-

B e r n o u lli Υ (Ν ) να είναι Poisson με μέση τιμή λρ.
Αυτό μπ ορεί να αποδειχθεί και απ'ευθείας ως εξής: Κ α τά το
γενικευμένο θεώρημα της ολικής πιθανότητας (βλ (6) της § 9.1),
 114

P [ y ( N ) - i ] = £ p [ l ' ( W ) = i-|Jv = ,,]p [ ) v = v j= £ p [r ( i/ ) = A ]p [N = v ]

Α λ λ ά γ ια κάθε σταθερό ν η 3'(V)=A' 1+ ... + Λ , είναι διω νομ.κή (βλ. § 9.3).

Ά ρ α έχουμε
P [ r ( W ) = Λ ∙J = ∑ ∩ ρ * √ - ' e - 1 £ = √ v ϊ p * ρ → t ,-> £ =

>∙≥>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

θ εώ ρ η μ α 2: Έστω ότι οι ⅞ X 2 , . . . t X y ,... ε fv α ι ανεξάρτητες κ α ι

∑ 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«|

Π α ρ α τ ή ρ η σ η : Α ν οι X 1 ε ίν α ι ισόνομες κ α ι η Ε ( Χ ) των X l υπάρχει,

τότε η (4) πληρούται κα ι από την (5) (βλ. κ α ι Ά ο κ . 6) λ α μ β ά ν ο υ μ ε
E [Y W ]= E {X )∑ Q k = E m ∑ v P [N = v ] = E m E m . (6)
ί-Ι »Ί
Αυτή μπορεί να δειχθεί και βάσει της (7) της § 10.1. Εχουμε
‰ ) ω ≡ ^ ( Λ - ω ) ^ ∙ω ∙
Θέτοντας $=1 λαμβάνουμε
Ε [Κ (^ )]= Ρ ; (Ν / Ι )= Ρ ; ( Ρ Α -(1))Ρ;(1 )= Ρ ;(1)Ρ Α· ( 1 ) = ^ ( ^ ( ^ ) ·
Κ ά νο ντα ς χρήση της (2) και της (7) της § 10.1, μπορούμε επίσης να
δείξουμε τη σχέση
A[r(7√)] = 2 1 (X )F (N ) + 21(N )E 2 ( Υ ) . (7)
Αυτή είνα ι μερική περίπτωση της Ά σ κ. 17, Κεφ. I V .
 115

10.3. Ροπογεννήτριες

Ο ι συνηθισμένες ροπές μ ' = E ( X v ) μιας μεταβλητής X μπορεί να

υπολογισθούν από τις αντίστοιχες παραγώγους ν τάξεως της καλούμενης
ρ ο π ο γ εν ν η τ ρ ία ς (συνάρτησης).

Ο ρ ισ μ ό ς. Η ροπογεννήτρια (ργ) έστω Μ Λ (ί), μιας μεταβλητής JV, ή της

κατανομής της, ορίζεται από την
∑ Λ ∙< για διακριτές,
Λ/Λ.(»)=£(»“ )=
j e a f( x ) d x , για συνεχείς,
όπου t πραγματική, βοηθητική παράμετρος.
Η M x (i) ενδέχεται να μην υπάρχει, (βλ. Ασκ. 21) δηλ., να μην
υπάρχουν t ≠ ο γ ια τα οποία να υπάρχει η B(e α '). Ωστόσο, σε πλείστες
περιπτώσεις όπως και οι γεννήτριες πιθανοτήτων, διευκολύνουν τον
υπολογισμό των ροπών, κ α ι μάλιστα τόσο γ ια απαριθμητές όσο κ α ι γ ια
συνεχείς μ ε τ α β λ η τ έ ς , έχουν δε ανάλογες ιδιότητες, και προσδιορισμού
ακόμα της κατανομής (Θεώρημα 1).

Π ρ ό τ α σ η 1: Έστω Υ = a X + β . Α ν η M x (t) υπάρχει, τότε

(1)

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).

Π ρ ό τ α σ η 2 : Α ν οι X i , . . . , X y είν α ι ανεξάρτητες και Υ ≈ Y i + ...+ Y v , τότε

η ργ του α θ ρ ο ίσ μ α τ ο ς ισούται μ ε το γινόμενο των ρ γ των X l ,

M y ( t ) = γ [ M x (t). (2)

Α π ό δ ε ιξ η : Ό μοια της Πρότασης 1 για γεννήτριες πιθανοτήτων (§ 10.1).

Μπορεί επίσης να δειχθεί το εξής

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 .

Α π ό δ ε ιξ η : (Περιληπτική). Η M A ∙(0 μπορεί να αναπτυχθεί ως

(μονοσήμαντα)δυναμοσειρά
116

Λ < v ( ') = ∑ B ( Λ ' , ) ^

v-0 v 1

γ ια ∣∕∣<<5. Eπι πλέον, μπορούμε τότε να παραγωγίσουμε οσεσδήποτε φορές

τη Λ ∕ λ ∙( f) , εναλλάσσοντας τις πράξεις της παραγώ γισης και της Ε
(ολοκλήρωσης ή άθροισης), καταλήγοντας έτσι στην (3). Γ ια τον
χαρακτηρισμό της κατανομής βλέπε την παρακάτω Παρατήρηση κ α ι την
(7).
Η επόμενη πρόταση χρησιμεύει στην εύρεση της ροπογεννήτριας Μ Λ - από
τη γεννήτρια Ρ χ πιθανοτήτων.

Π ρ ό τ α σ η 3: Α ν η M x (t) υπάρχει, τότε

^ Λ ∙( ') = P λ∙(e , ) κα > P Λ ∙( ') = Λ Λ ∙( ∣θ g ') . (4)

Π α ρ ά δ ε ιγ μ α '. Η ργ της διωνυμικής X , από την (8) της § 10.1, είν α ι

M x ( f ) = Λ ∙( e ') = ( p e '+ g ) , '.
Ο μοίω ς η ργ της κατανομής Pascal είνα ι, από την (10), § 10.1,

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).

Σ η μ ε ίω σ η ’. Ειδικά η κεντρική ροπή 3 1K τάξεως (σε τυπικές αποκλίσεις

σ), δη λ η β i = E ( X - μ ) 3 / σ 3 χρησιμεύει ως μέτρο α σ ν μ μ ε τ ρ ία ς (η
λ ο ξ ό τ η τ α ς ) (γύρω από τον μέσο μ) της κατανομής της τμ X . Γ ια την
κ α νο νική T√(μ,σ2 ), ∕31= 0 . Η "κανονικοποιημένη" (ως προς σ) ροπή 4ης
τάξεω ς ∕l 2 = μ 4 ∕σ 4 λαμβάνεται ως μέτρο κυρτότητας και λέγεται
κύ ρ τ ω σ η : για την N (μ ,σ 2 ), β 2 = 3 , όπως δείχνει η (6).
Α ν μια τμ X έχει β l > 0 είναι γενικά ασυμμετρική δ ε ξιά (ουρά δεξιά)·
β\ < 0 είνα ι ένδειξη (όχι απόδειξη) αριστερής ασυμμετρίας (ουρά αριστερά).
 117

Οικονομικές τμ (εισόδημα, μισθός κ.α) παρουσιάζουν δεξιάν ουρά (λίγοι

πλούσιοι κ α ι πολλοί φτωχοί!). Αν /?, < 3 , η κατανομή λέγεται
λ επ το κ υ ρ τικ ή , ενώ για β i > 3 η κατανομή λέγεται π λα τυ κ υ ρ τικ ή .

Ρ ο π ο γεν νή τρ ια τη ς Poisson. Έχουμε

Λ < (f)= ^jp t e'* = ∑e~ 1 y - e ' h ≈e~1 X =e~x e i , ' =e^*'~n .
ι-ο ±≥o ^ ∙ ι*o ΛΓ ∙,
Έτσι κα ι από την γενική σχέση (4) η γεννήτρια παραγοντικών ροπών
της Poisson είναι
P(t)≈M( ∖ ogt)=e^~ ii
σύμφωνα, άλλωστε, και με την (3) της § 10.2.

Π α ρ α τή ρ η σ η : Όπως αναφέρθηκε η ροπογεννήτρια μιας κατανομής δεν

υπάρχει πάντοτε. Αν όμως υπάρχει τότε οι ροπές ορίζουν μονοσήμαντα την
κατανομή. Ε ν δ έχ ετα ι, όμως δύο διαφ ορετικές κ α τα ν ο μ ές να έχ ο υ ν τη ν
ίδια α κ ο λ ο υ θ ία ροπώ ν κ α ι να μ η ν έχουν επομένω ς τη ν ίδ ια
ρ ο π ο γεν ν ή τρ ια M (t) (για |/|< δ βλ. Ασκ. 22). Μία ικανή συνθήκη για το
μονοσήμαντο της κατανομής άρα και της M (t) είναι η αναφερόμενη στο
πρόβλημα τω ν ρ ο π ώ ν του Stieltjes: Έστω μ1',∕4 ,...,μ ',... η ακολουθία
ροπών τμ X . Ι κ α ν ή συνθήκη για να χ α ρ α κ τη ρ ίζει η ακολουθία {μ'v } την
κατανομή της X είναι η α π ό λυτη σύγκλιση της σειράς
Σ ⅛ 0 (7)
;=ι J!

για κάποιο t > 0.

Για τις συνήθεις κατανομές: Poisson, κανονική κατανομή, Γάμμα, κ.α.
η ροπογεννήτρια Μ χαρακτηρίζει την κατανομή.
Να σημειωθεί ότι η συνθήκη (7) δεν είναι αναγκαία. Π.χ., οι ροπές της
μεταβλητής Z = X log(I + y ) , όπου X και Υ είναι εκθετικές ανεξάρτητες με
πυκνότητα e~x κ α ι e^z , καθορίζουν την κατανομή της Ζ, ενώ η συνθήκη (7)
δεν πληρούται.

10.4. Χ α ρ α κ τη ρ ισ τικ ές Συναρτήσεις

Η σημασία της χαρακτηριστικής συνάρτησης (χσ) (γνωστής στην

ανάλυση ως μ ετα σ χ η μ α τισ μ ο ύ Fourier) έγκειται στο ότι, σε αντίθεση με
την ροπογεννήτρια, α υ τή υπά ρχει γ ια κ ά θ ε τμ X και, ακόμα
σπουδαιότερο, κ α θ ο ρ ίζ ε ι μ ο νοσήμ α ντα δηλ. χ α ρ α κ τη ρ ίζ ει την κατανομή
της X . Έ τσι η χσ, μιας και έχει και τις ιδιότητες (1) κα ι (2) της
ροπογεννήτριας Μ (ί) (§ 10.3), γίνεται το ισχυρότερο εργαλείο στη μελέτη
118

της κατανομής αθροίσματος ανεξάρτητων τμ, άρα κα ι του μέσου όρου Λ"
τυχαίου δείγματος (βλ. § 9.3).

Ορισμός·. Η χαρακτηριστική συνάρτηση (χσ), έστω φ (t), τμ X ορίζεται,

για κάθε πραγματική ζ από την
__ φ (t)≈E (e'*) (1)
όπου 7=V-^ι.
Γ ια απαριθμητές τμ με σπ p i , = P [ X = x t.], η φ(t) γράφεται
i>(<)=∑>", f t . (2)
ι
ενώ για συνεχείς με πυκνότητα /(λ) η

φ ( t) ≈ j e 'a f M d x . (3)
— Μ

Εισάγοντας το καλούμενο ολοκλήρω μα S tie ltje s , (βλ. Συμπλήρωμα)

οι (2) και (3) (και γενικότερα η μέση τιμή διακριτής ή συνεχούς τμ)
γράφονται ενιαία:

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,

Π ρ ό τα σ η 1: Μ ια χ.σ. φ πληροί τις

^(0)=l, ∣p(f)∣≤ 1 για - o o < i< 00.

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 .

Π ρ ότα σ η 2 *: Η φ{t) είναι ομοιόμορφα συνεχής για t ∈(-∞ , ∞).

Α π ό δ ειξη : Γ ια κάθε t και ha έχουμε

 119

∣p(Z + Λ ) - 9><O∣= J (e'"'"*>- e'" , )dF{χ') = ∫ e " x (e " , '- Γ ) d F ( x )

a» *∙
≤ ∫ ∣e , * 6 - l)∣dF(x) = ∫ ∣C 'Λ A - l∣dF(x). (0
Για κάθε ε > 0 , υπάρχει Μ αρκετά μεγάλο ώστε
P [∣JV ∣> M ]= ∣ d F ( x ) < ε
∣x∣>M
και Λ α ρκετά μικρό ώστε για ∣x∣≤ Μ

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.

Π ρ ό τ α σ η 3 : Γ ια κάθε πραγματικό t κα ι κάθε τμ X

φ(-x)( t )=φ x (-t')=φ x (t) (4)
οπού a = ( x - iy } παριστά τον συζυγή μιγαδικό του a = (x + iy } .

Α π ό δ ε ιξ η : Γ ι α μιγαδική μεταβλητή Ζ ~ Χ + ΐ Υ έχουμε

E ( Z ) = E ( X ) + iE ( Y ∖ E ( Z ) ≈ E ( Z ∖
Άρα
φx (→ ) = Έ (e^"'v ) = Έ (συνίΧ - jη μ t X ) = E ( e l ' x )=φ x (0 ∙
Α π ό την (4) έπεται ότι φ- x (t'y=φx (t) αν, και μόνον αν, η φx (t) είναι
πραγματική συνάρτηση, οπότε η X και η - X είναι ισόνομες. Ά ρ α

Π ό ρ ισ μ α : Η X έχει συμμετρική κατανομή γύρω από το 0 αν, κα ι μόνο

αν, η φx (f) ε ίν α ι πραγματική συνάρτηση του t (βλ κα ι Ασκ. 12).
Ε ρ γα ζό μ ενο ι όπως κ α ι στις ροπογεννήτριες, μπορούμε να αποδείξουμε
τις εξής προτάσεις.

Π ρ ό τ α σ η 4 : Α ν α κ α ι β είναι σταθερές και Υ = a X + β i τότε

<pr ( 0 = e " , X ∙ ( α 0 ∙
Π ρ ό τ α σ η 5 : Α ν οι X i , . . . t X γ είναι ανεξάρτητες τμ, τότε η %∙σ∙ τoυ

αθροίσματος Y = X l + . . . + X γ ισούται με το γινόμενο των αντίστοιχων χ.σ.

των X n δ η λ . (πρβλ. (2) της § 10.3)
120

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.

Παρατήρηση'. Το αντίστροφο της (5) δεν ισχύει, Έ τσ ι α π ό την

i , A'+y (0 (6)
δεν έπεται ότι οι X και Υ είναι ανεξάρτητες (βλ. Ά σ κ . 13)

Η χαρακτηριστική συνάρτηση ως ροπ ογεννήτρια

⅛

Πρόταση 6. Α ν η X έχει ροπή ν τάξεω ς, τότε η χ .σ . της X έχει

παραγω γό ν τάξεως και για k < v ( ∕r = l ,..,,v -1 )
√ λ'>(0)=∕i Ε ( X * ) = ∕ 1χ . . (7)

Α π ό δ ειξη : Έχουμε για k ≤ ν

∣∫√ e"*dF(x)∣ ≤ ∫ ∣x ∣ t dF(x^),

διότι η ύπαρξη της μ ,v συνεπάγεται την ύπαρξη της μ ,k γ ια k < ν , αφού

∫ ∣Λ∙∣1 < ∕f W = ∫ ∣x∣t d F ( x ) + ∫∣A-∣i d F(x)

∣
x∣
≤l ∣
x∣
>J

≤ (l+∣x∣v )dF(x) + ∫ ∣A fd Γ ( x )
∣
x≤l 1*1»

Έτσι το ολοκλήρωμα
∫ x 1√ " d F ( x )

συγκλίνει ομοιόμορφα ως προς t κ α ι η παραγώγιση k φορές υπό το

ολοκλήρω μα επιτρέπεται:
∙∙ jk ··
√ i¼ ) = ∫ ^ r e " x <∕F(x)= ∫ ∕ i χ t e " x d F ( x ) .
—·· —0·
θ έτο ντα ς ί = 0 λαμβάνουμε την (7).
Α π ό την Πρόταση 6 και το ανάπτυγμα κ α τά T ay lo r προκύπτει το εξής

θεώρημα: Α ν η E ( X v ) υπάρχει, τότε η φ(f) αναπτύσσεται σε σειρά

Taylor:
,,( i ) = f < i ½ + 0 (i V)
ι-ο κ!
όπου o(t'’) παριστάνει ποσότητα μικρότερης τάξεω ς μ ε γ έ θ ο υ ς από το
δη λ. τέτοιο ώστε όταν το t —> 0
 121

Η μ ια ν α λ λ ο ίω τ ες ή αθροιστικές (παράμετροι). Η συνάρτηση

^A-(0 = lθgp χ (0 ,
καλείται γεννή τρ ια αθροιστικών (cumulants) ή ημιαναλλοίω τω ν (sem i­
invariants) ή δεύτερη χαρακτηριστική συνάρτηση της X.
Αν η E { X v } υπάρχει, τότε η Ψx {t) μπορεί να αναπτυχθεί σε σειρά
Taylor,
'''Λ(')=Σ >.^∙+0(O (8)
JI
όπου οι κ . κ αλούνται ημιαναλλοίω τες ή αθροιστικές (παράμετροι) της
X.
Από τη σχέση
/ Ϋ . t ω ^z
p (0 = l + ∑ ⅛ ) W ‰ '∙ , ' i' ,
>1 J '
συγκρίνοντας τους συντελεστές του (it) j , βρίσκουμε τις σχέσεις μεταξύ των
κ j και των ροπών μ'· .Έτσι, π.χ., έχουμε
* ι = X = ∕ 2> κ ι = ^ ~ μ 2 = σ2 , κ 3 ≈ μ fi -3 μ ⅛ + 2μ 3
Ό όρος "ημιαναλλοίωτες" προέρχεται από το ότι οι κ j , εκτός της κ l , δεν
μεταβάλλονται από μετασχηματισμούς μεταφοράς (αλλαγής της αρχής)
της X, δηλ. όταν
X → X + c≈Y
όπου c σταθερά. Πράγματι,
<9r ( 0 = e '⅛ ( 0 , Ψγ (t)=ict +!Px ( 0 ,
ώστε μόνο ο συντελεστής του it, δηλ. η μέση τιμή μ = κ 1, μεταβάλλεται από
τον μετασχηματισμό μεταφοράς. Αφετέρου ο όρος "αθροιστικές"
(cumulants) π ρ οέρ χετα ι απ ό την εξής ιδιότητα.
V
Π ρόταση 6. Αν οι X l ,...,X μ είναι ανεξάρτητες και Y = ∑ X i , τότε η
αθροιστική κ j τάξεως j του αθροίσματος τους Υ ισούται με το άθροισμα
των ομοτάξιων αθροιστικών των X 1,...,X r .

Απόδειξη·. Από την (5) έχουμε

tfV ( ί) = log φγ (0 = log ∏ φx (t) = X log φx ( f ) = £ Ψχ ( t) .
/-1 /-I /=1
Έτσι κ α ι από την (8) έπεται η Πρόταση.
Π α ρ α δ είγμ α τ α χαρακτηριστικώ ν συναρτήσεων.
1. Κ α ν ο ν ικ ή Ν (μ ,σ 2>). Από τη σχέση μεταξύ ροπογεννητριών και χ.σ.
 122

^ 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)

Άρα η δεύτερη χ.σ. της N (μ ,σ 2 ) είναι η Ψ(t')=iμt - - t 2σ i t με ό λ ες τ ις

η μ ια ν α λ λ ο ίω τες μ η δέν εκ τό ς τη ς κ, =μ κ α ι κ 2 =σ 2 . Αυτό χ α ρ α κ τ η ρ ίζ ε ι

τη ν κ α ν ο ν ικ ή κ α τα νο μ ή .

2. Ε κ θ ετικ ή . Έχουμε για την εκθετική με σππ f(χ∙) = λe λ * τη χ.σ.

* ί , Α”1
¢)(0= / λe"', e" u dx=l 1-~- | .

Έτσι, κάνοντας χρήση της (5), βρίσκουμε τη χ.σ. της Γ-κατανομής με

παράμετρους ν κα ι λ, ως αθροίσματος ν ανεξάρτητων κα ι ισόνομων τμ (βλ.
Άσκ. II 25). Έτσι έχουμε
⅛ (< )= [l-0 ' (10)

Αυτή ισχύει και για κάθε ν > 0.

Ώ 1
Για ν = —, ή θετικός ακέραιος, και λ = — έχουμε τη χ.σ. της χ ;.

3. Poisson. Χρησιμοποιώντας την Λl(7) στην (6) της § 10.3, λαμβάνουμε

^ ( 0 = Λ∕ A.( ∕0 = ^ " ∙ ,,.
4. Ο μοιόμορφη στο (α,β). Έχουμε, για πυκνότητα f ( x ) = ( β - d ) ’,
a < χ < β,
- e 'α'
( ^ - α ) ∕7
Γ ια την ομοιόμορφη στο (-α ,α ) έχουμε την χ.σ.
g", , -g~" , ' s i n g z
2α∕r at
Α π ό τη γεννήτρια παραγοντικών ροπών Pλ -(∕) μπορούμε να βρούμε τη
χ.σ. φχ (ί) από την απλή σχέση
M 0 = Λ (* ")
Έτσι από τα αποτελέσματα της § 10.1 έχουμε τις %∙σ ∙ των ακολούθων
διακριτών κατανομών:

5. Λ ιω ν υ μ ικ ή . Α πό την (7) της § 10.1 λαμβάνουμε τη X∙σ ∙

φ(t)= (po" + qY. (11)

6. Pascal. Α π ό την (9) της § 10.1, θέτοντας e l ' αντί S, έχουμε

 123

Για ν = 1 έχουμε τη χ.σ. της γεω μετρικής,

10.5 θεώ ρη μ α Αντιστροφής και Συνέχειας για Χαρακτηριστικές

Συναρτήσεις

Ό πω ς ήδη αναφέρθηκε, η σπουδαιότητα των χ.σ. έγκειται στο ότι η χ,σ.

μιας μεταβλητής X καθορίζει μονοσήμαντα την κατανομή της X , δηλ.
υπάρχει αμφιμονοσήμαντη σχέση μεταξύ της χ.σ, φ(f) της X κ α ι της
συνάρτησης συχνότητας f ( x ) της X. Επιπλέον η εισαγωγή της χ.σ. από τον
Paul Levy αποδείκτηκε ισχυρότατο εργαλείο στη μ ε λ έ τη της
α σ υ μ π τω τικ ή ς σ υ μ π εριφ ο ρ ά ς ενός αΟροίοματος τυχα ίω ν μ ετα β λη τώ ν
(Ν όμοι τω ν Μ ε γ ά λ ω ν Α ριθμώ ν κ α ι Κ ε ν τρ ικ ά Ο ρια κά θεω ρήμ α τα, βλ
Κεφ. V II). Αυτό φαίνεται στα επόμενα Θεμελιώδη θεωρήματα των οποίων
την απόδειξη δίνουμε στο Συμπλήρωμα.

θ ε ώ ρ η μ α (τύ π ο ς ) τη ς αντιστροφής (Levy, 1932). Έστω F (x) η

συνάρτηση κατανομής της X και φ(ί) η χ.σ. της. Αν τα Λ + Λ, x - h (h > 0 )
είναι σ η μ εία σ υ ν έχ εια ς της F, τότε έχουμε
, ,. . I , sinh t . ... . ..
F (x + Λ ) - F ( x - Λ ) =t I ι m - ∫ ------ e ,i,ax φ(t')dt. (1)
π _e t
Συνεπώς ότι η σ.κ. F (x ) ορίζεται πλήρως από την φ(t) για κάθε σημείο
συνέχειας κ α ι επομένως για κάθε χ, διότι αν δύο σ.κ. συμπίπτουν στα
σημεία συνέχειας τότε θα συμπίπτουν (είναι ίσες) παντού (βλ. Άσκ. 14),
δεδομένου ότι τ α σημ εία ασυνέχειας (πηδήματα) τη ς F α π ο τελο ύν το
π ο λ ύ α ρ ιθ μ ή σ ιμ ο σύνολο (βλ. § 4.1). Έχουμε λοιπόν την ακόλουθη
ιδιότητα των χ.σ., πράγμα από το οποίο άλλωστε προέρχεται και ο όρος
"χαρακτηριστική" συνάρτηση.

Π όρισμα·. Υ π ά ρ χ ε ι αμφιμονοσήμαντη σχέση μ ε τα ξ ύ κα τα νομώ ν

κ α ι χ α ρ α κ τ η ρ ισ τ ικ ώ ν συναρτήσεων, δηλ. για δεδομένη σ.κ. F με χ.σ. φ(t)
δεν υπάρχει άλλη κατανομή εκτός της F με χ.σ. την φ. Ειδικά αν η φ(t)
είναι α π όλυτα ολοκληρώσιμη στο (-∞ , oo ), τότε το ολοκλήρωμα
Γ w ⅛ ± e -∣
∙^φ (t μjt
.∙L t
υπάρχει, κ α ι δεδομένου οτι
sinh/
≤1
 124

έχουμε
f x
0 (
⅛o
Λ→
+ Λ) “ f (x ~ Λ ) S¾
Λ->θ5/71
7 ∙Jf ~ ∕Jχ
hΓ e ^ ) d t=Q

δηλ. η F είναι συνεχής. Ακόμα, επειδή υπάρχει το

∫ ⅛ l e - to i )(f)Λ = J - ∫ e~, ' x φ (t)d t t
*-♦· 2π _< ht , 2π _< κ ,

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.

Π α ρ ά δ ειγμ α : Έστω ότι η χ.σ. της X είναι η

_Ρ
φ(t)=e j .
Θα βρούμε την αντίστοιχη πυκνότητα. Επειδή (η φ(ί) είναι ολοκληρώσιμη
στο (-∞ ,∞ )), από την (2) έχουμε
1 “ 1 " - p⅜⅛>2 -(⅛⅜1
f ( x ) = - ί e '" x e 2d t= - J e 2 dl =
2π £ 2π£

δηλ. η κατανομή είναι η τυποποιημένη κανονική 7√(0,l), όπως αναμενόταν

από την (9) της § 10.4 και την 1 προς 1 αντιστοιχία / κ α ι φ (Πόρισμα).
Γενικά για κάθε σημείο χ συνέχειας της F (x), αυτή δίδετα ι μέσω χ.σ.
της φ(t^) από τον εξής τύπο:
1 4 / I 41∖ ^-iIa --it*
F(x)= lira lim — J l - ⅛ ----- --- ---- φ (t)d t. (3)
β→ -Λ →-2 π ∕ x ^ A ) it ψv v ,

Γ ια απαριθμητή μεταβλητή X έχουμε

p .= P [Λ '= x 1 ] = f ( x 1 ) - F ⅛ . - ) = l i m - ! - ∫ e - " * ⅛ w Λ . (4)
^* i ∙A

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

∫ e " u ^1 ∖ ∕∕= 0 για κάθε k ≠ k ,

i (5)

βρίσκουμε για κάθε λ = 0 ,± l,± 2 .......τον π ιο εύχρηστο τύπο

p i = ~ - ] e - " i φ(t)dt, (6)
2π ζ

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.

Π α ρ ά δ ε ιγ μ α '. Δ ιω ν υ μ ικ ή . Έστω η χ.σ.

φ (t)≈ (p e' , + q ) '.
Από την (6) έχουμε
P .= ^ ∫ ( p e " + 9 ) ' e ^ " , Λ

- ⅛ J Σ | * W ⅛ ~ * ∙" ⅛ '= ⅛ J ς (''')P⅛,^⅛"I"*,Λ

π r≡0
271 — / *2>Ιl -fl fsQ ∖SJ

Έτσι κ ι από την (6) βρίσκουμε τις διωνυμικές πιθανότητες (§ 4.2, II)

Α ς χρησιμοποιήσουμε το Πόρισμα για να δείξουμε την εξής θεμελιώδη

ιδιότητα, τόσο της κανονικής κατανομής όσο και της κατανομής Poisson.

Π ρ ό τ α σ η 1. Α ν οι X i , . . . , X v είναι ανεξάρτητες κανονικές τότε κ α ι το

άθροισμά τους είνα ι κανονική 1 .
είναι N (μ i ,σ*), ∕= 1 ,...,v κ α ι Υ = ∖ X i .
Α π ό δ ε ιξ η : Έστω ότι η X f
ίΜ
Α ρκεί να δείξουμε ότι η χ.σ. της Κ είναι της μορφής (9) της § 10.4.
Από την (5), § 10.4, έχουμε

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:

Π ρ ό τ α σ η 2 . Α ν οι X l , . . . , X v είναι ανεξάρτητες Poisson με παραμέτρους

I’
(μέσους) λ i , . . . t λ v , αντίστοιχα, τότε και η Y ≈ ∑ X i είναι Poisson 2 , με
/-ι
παράμετρο λ = 2 1+ ...+ λ v .

1 Ισχύει κ α ι το αντίστροφο (θεώρημα τou Cramdr).

126

Η προαναφερθείσα ιδιότητα της κανονικής και της P oisson αναφέρεται

ως η α να π α ρα γω γική τους ιδιότητα.
Επιπλέον οι μορφές των χ.σ. της κανονικής κ α ι Poisson οδηγούν
αμέσως στο εξής συμπέρασμα.

Π ρόταση. Μία κανονική μεταβλητή N ( μ t σ i ') ή μ ια μεταβλητή Poisson

με παράμετρο λ μπορεί για κάθε φυσικό αριθμό ν να θεωρηθεί σαν
άθροισμα ν ανεξάρτητων και ισόνομων μεταβλητών ( ν κανονικών
ίμ ° Λν
ή Poisson με παράμετρο -)·
<v ' v ; V

Μεταβλητές (ή κατανομές) που έχουν την ιδιότη τα αυτί) λέγονται

ε π ’ά π ειρ ο δια ιρετές (infinitely divisible).
Από τον ορισμό μιας επ’άπειρο διαιρετής κα τα νομ ή ς προκύπτει ότι η
αντίστοιχη χ.σ. φ{t~) μπορεί να γραφεί στη μορφή
K 0 ⅛ ∙( 0 ) v για v = l,2 .......
όπου ⅞>v (f) είναι κάποια χ.σ.
Η κανονική και η Poisson δεν είναι οι μόνες α π ε ίρ ω ς δ ια ιρ ε τές
κατανομές. Το επόμενο θεώρημα, του οποίου η απόδειξη είνα ι πέραν των
σκοπών του παρόντος, χαρακτηρίζει την οικογένεια τω ν επ’άπειρο
διαιρετών κατανομών.

θεώ ρημα (Levy-Kolmogorov). Μ ία κατανομή είν α ι επ’άπειρο

διαιρετή αν, και μόνο αν, η δεύτερα χ.σ. της ψ(t) έχει τη μορφή
ψ(t)=iγty ∖ (e"^ - } - j t x ) - ^ d G ( x ) ,

όπου γ πραγματική σταθερά και f√(z) μη φθίνουσα συνάρτηση φραγμένης

μ ε τ α β ο λ ή ς (bounded variation) ή κυμανσης.
Η τεράστια χρησιμότητα των χ.σ. στη μελέτη τη ς ασυμπτωτικής
συμπεριφοράς μιας ακολουθίας τυχαίων μεταβλητών εκφράζεται στο
λεγόμενο Θεώρημα της συνέχειας γ ια χ α ρ α κ τ η ρ ι σ τ ι κ έ ς συναρτήσεις.
Γ ια να διατυπωθεί αυτό απαιτείται ο εξής

Ορισμός·. Μία ακολουθία συναρτήσεων κατανομ ώ ν {Fv (x)) των

τυχαίω ν μεταβλητών {JVv } καλείται σ υ γ κ λ ίν ο υ σ α (ασΘ ενώ ς) αν υπάρχει
μ ία συνάρτηση κατανομής F(x) τέτοια ώστε
lim Fv (x)=F(x) για κάθε σημείο χ συνεχείας τη ς F .
Η F (x ) καλείται τότε όριο (οριακή συνάρτηση κατανομής) της {Fl,(x)}.

2 Το αντίστροφο ισχύει και αναφίρεται ως θεώρημα του Raikov.

 127

θεώ ρημα τη ς σ υ ν εχ εία ς (L6 vy-C ra m 6 r). Έστω ακολουθία {Λ r l,}

τυχαίων μεταβλητών και {F v (t)}, {φv (t)) οι αντίστοιχες ακολουθίες των
συναρτήσεων κατανομής F l, και των χαρακτηριστικών συναρτήσεων φν .
Αναγκαία κ α ι ικανή συνθήκη για να συγκλίνει η {F v (x)} σε μια συνάρτηση
κατανομής F ( x ) είναι η {<pl,(f)} να συγκλίνει για κάθε t σε μία συνάρτηση
φ(t) συνεχή στο / = 0 . Τότε η οριακή χ.σ. φ(t) είναι η χ.σ. της οριακής
συνάρτησης κατανομής F ( x ) .
Εφαρμογές του θα δώσουμε στο Κεφ. V II, ιδιαίτερα όταν έχουμε
ακολουθία αθροισμάτων τμ και η φ(f) είναι της N (0 ,1).

10.6, Γ ε ν ν ή τ ρ ιε ς κ α ι Χ α ρ α κ τη ρ ισ τικ ές Συναρτήσεις Π ολυδιά σ τατω ν

Κ ατανομώ ν.

Ο ι έννοιες των γεννητριών, ροπογεννητριών και χαρακτηριστικών

συναρτήσεων μπορούν να επεκταθούν και στην περίπτωση τυχαίων
διανυσμάτων ξ ≈ ( X l , . . . , X v ). Α ν στους προηγούμενους ορισμούς το t (ή $)
αντικατασταθεί από διάνυσμα u = (t l ,.,.,t v ) και το γινόμενο ί Χ από το
εσωτερικό γινόμενο
u 'ξ = t l X l + t 2 X 2 + ...+ t v X v ,
έχουμε τον αντίστοιχο ορισμό για την ν-διάστατη κατανομή. Έτσι γ ια ν = 2
η χ.σ. φ(rl , i 2 ) του τυχαίου ζεύγους ( Υ 1, Υ 2) ορίζεται από την
φ(f1,i 2 ) = E [e ' σ '∙γ '+''-γ ≡>l.
Γ ια απαριθμητές μεταβλητές X και Υ με από κοινού συνάρτηση
πιθανότητας
Ρ / ί.= Ρ [ Χ = χ ρ Y = y k ]t j t k = o ,↑t 2 ,...
η (από κοινού) γεννήτρια πιθανοτήτων ορίζεται

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,

για όλα τα (t1,t 1 ),

ανομή του ( Υ 1,Λ^2 ) ορίζεται πλήρως (χαρακτηρίζεται) από τη %∙σ ∙
<PIMJ ). Ετσι γ ια συνεχείς κατανομές, η πυκνότητα f ( x i ,x 2 ) δίδεται
απο τον τύπο αντιστροφής
1
(^∣ >∙*2 ) — e ^'σ μ , + ' ι x ι ⅛α 1, i 2 ) Λ 1Λ 2
(2π)s
128

Γ ια ν>2 οι ορισμοί και ιδιότητες είναι άμεσες από τη διδιάστατη

περίπτωση.

ΑΣΚΗΣΕΙΣ

1. Από τις γεννήτριες παραγοντικών ροπών (ί) να υπολογισθούν οι

κεντρικές ροπές 3ης και 4ης τάξεως των κατανομώ ν:
α) Διωνυμικής β) Poisson γ) Γεωμετρικής δ) P a sca l, κ α ι (Η) να
δειχθεί ότι οι παραγοντική ροπή πν της Poisson είνα ι λ ’ , v = l ,2 .........

2. Α π ό τις ροπογεννήτριες να υπολογισθούν οι κεντρικές ροπές μέχρι 4ης

τάξεως των κατανομών:
α) Ομοιόμορφης στα (α,β) β) Κανονικής N ( μ t σ 2 } γ) Ε κθ ετική ς
δ) Γ-κατανομής.
κ α ι να βρεθούν οι ασυμμετρίες και κυρτότητές τους.

3. Δ είξετε ότι η γεννήτρια πιθανοτήτων του αριθμού των σ υ να ντή σ εω ν

(rencontres) (Άσκ. 24 Κεφ. I) είναι η
i ,( s ) = ∑ - ∏ ( i- l)
ι-ο Ar!

4. Α ν M ( t l ,t 2 ) είναι η ροπογεννήτρια του ζεύγους (Λ^∣,Χ 2 ) , δη λ.

δείξετε ότι
α) E ( X ,Ι = ½ M ( t ,,0 ) , J ≈ (* ,)=

β) B ( Jf,') = , E ( X } ) ≈ ⅛ 5∙W (0,f 1 )

= Λ Λ Λί('"0,',) J r∣
-O, »2«0

γ) γενικά, οι "μικτές" ροπές ∕ ∕ z + f - E ( X ( X 2 ) δίδονται από τη

5. Δείξετε ότι η ροπογεννήτρια της διδιάστατης κανονικής με πυκνότητα

1 ^ιiT⅛ , *2~l w + ∙, a ,

δίδεται από την

 129

x z z . X * ( t i +J∕>∙u+u2 )
M (tt u )= ei

6 . ’ Έστω η απαριθμητή μεταβλητή Ύ μ ε

p 1, = P [ Υ = n ∕r = 0 ,l,2 ,..,
κ α ι P (s) η γεννήτρια της. Δείξετε ότι η γεννήτρια Q (s) της ακολουθίας
{ς v }, όπου
i 7χ- =Pχ∙+ι ÷ Pj⅛-+i÷∙∙∙≈∙^[∆r > λ ] ,
πληροί γ ια ∣s∣< 1 την

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).

7. Έστω P ( s ) η γπ της X . Ν α βρεθούν οι γπ των

α ) y = jr + ι β )y = 2 x.

8. Ο αριθμός αυτοκινητιστικών δυστυχημάτων κάθε Σαββατοκύριακο σε

μία πόλη ακολουθεί την κατανομή Poisson με μέση τιμή 10. Α π ό τα
δυστυχήματα 20% , κ α τά μέσο όρο, προκαλούν σωματικές βλάβες στον
οδηγό. Γ ια ένα Σαββατοκύριακο
i) να βρεθούν οι πιθανότητες:
α) να μην προκληθεί κα μ ία σωματική βλάβη,
β) ν α συμβούν το πολύ δύο σωματικές βλάβες.
ii) Πόσοι οδηγοί αναμένονται να τραυματισθούν;

9. Δείξετε ότι αν Ν'στην (1) § 10.2, είναι γεωμετρική τμ κ α ι οι X i είνα ι

δίτιμες B e rn o u lli, τότε η Υ ( Ν ) είναι γεωμετρική.

10. Α εροπλάνο βομβαρδίζει ένα στόχο. Κάθε βόμβα βρίσκει το στόχο με

πιθανότητα 0,1, κα ι κάνει έκρηξη με πιθανότητα 0,8. Ο βομβαρδισμός
σταματά όταν ο στόχος κτυπηθεί μία φορά (από έκρηξη βόμβας). Ν α
βρεθεί η πιθανότητα να ριφθούν k βόμβες κατά τη λήξη του
βομβαρδισμού. Πόσες, κα τά μέσο όρο, βόμβες πέφτουν μέχρι τη λήξη του
βομβαρδισμού;

1 Γ . Δ είξετε ότι αν στο θεώρημα 2, § 10.2, η υπόθεση της ανεξαρτησίας

των X i κ α ι του Ν αντικατασταθεί από την ανεξαρτησία του
ενδεχομένου Ν=ν κα ι των μεταβλητών X l , για k>v i τότε το
130

συμπέρασμα του θεωρήματος παραμένει αληθές (K olm o go ro v-

Prohorov).

1 2 . Η κατανομή της τμ X είναι συμμετρική περί το c α ν , κ α ι μόνο α ν , η χ.ο.

της X - c είναι πραγματική συνάρτηση.

1 3 . Έστω A '∣= Λ ' i = X όπου η X είναι μεταβλητή C a u c h y . Δ ε ίξ ε τ ε ότι η

i*Λ∙,4A√0 = ff>A√0ff>A√0
πληρούται (δηλ. η (4), § 10.4) ενώ, προφανώς, οι Χ χ κ α ι A Γ2 δεν είναι
ανεξάρτητες.

14*. Α ν δύο σκ JJ( A ), F 2 ( A ) είναι ίσες σ'όλα τα σημεία συνεχείας τους, τότε
συμπίπτουν, παντού.

15. Δ είξετε την (7) της § 10.2

16*. Δ είξετε ότι οι ημιαναλλοίωτες της εκθετικής με σππ

f(x)≈ θ e ~ 6 ^, χ > 0
δίδονται από την

17*. Δ είξετε ότι η κατανομή Laplace με πυκνότητα

(ΐ) ∕'(A) = ~ e " w > - ∞ < X < οο

έχει χ.σ.

(ίί)

Α ν X i ,Y l , 7=1,...,ν είναι ανεξάρτητες κ α ι ισόνομες, με σππ την (ί)

δείξετε ότι, ενώ τα
s ∣= i ∑ ( * , + r , ) ⅞ - ⅛ ( x , - y , )
7»1 V ∕≡)
είν α ι ασυσχέτιστα (ορθογώνια), δηλ. C b v ( S ,j ,5 2 ) = 0 , δεν είναι
ανεξάρτητα. Επίσης ότι τα S ,1, S 1 είναι ισόνομα.
Συμπεράνετε από τη (ί) και (ii) κα ι τον τύπο αντιστροφ ής (§ 10.5) ότι η
χ.σ . της κατανομής Cauchy με πυκνότητα
. 1 1
φ w = —-— - - οο < x <∞
πΐ + χ2
είνα ι η
Γ ( 0 = e - '' l.
 131

Υπόδειξη. Η Laplace είναι ισόνομη με τη X~ l z μ≡ X , Υ ανεξάρτητες και

ισόνομες εκθετικές.

,18*. Σ υνέχεια . Παρατηρήστε ότι αν αντί της (ί) τα X l ,Y l έχουν την

κανονική κατανομή, τότε τα 5,l και S i είναι ανεξάρτητα 1 .

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).

20*. Δ είξετε ότι οι κατανομές: α) Pascal (αρνητική διωνυμική) β) Cauchy

γ) L ap lace δ) Γ ά μ μ α είναι επ'άπειρον διαιρετές

2 Γ . Έστω η διακριτή τμ X με σπ

A -* x -* ]-⅛ k * i '∙i2 ∙-

όπου ζ(s) η ^-συνάρτηση του Riemann:

f ω = ∑ ∙⅛ . s > i
b=l Λ ·
(για 5=1 η £(1) δίνει την αρμονική σειρά, που αποκλίνει).
Ν α δειχθεί ότι για κάθε t ≠ 0
f ( e ' λ') = ∞

22*. Π ρ ό β λ η μ α ροπών. Διαφορετικές κατανομές με την ίδια ακολουθία

ροπών. Ν α δειχθεί ότι οι δυο πυκνότητες (παράδειγμα οφειλόμενο στον
C .C . H eyde)
,, . 1 1 (έπχ·)2
A (*) = - ∕= ≈ - e *p - (λογαριθμοκανονική, βλ. Ασκ. 25, V I)
√2π λ 2
∕ 2 (x) = ∕J (x)[l + a sin(2πinx), - 1≤ a ≤ 1,
θετικές τμ X έχουν την ίδια ακολουθία ροπών. Αυτό δείχνει ότι οι
ροπές, γ εν ικ ά , δεν καθορίζουν την κατανομή (βλ. § 10.3).

Μπορεί να δειχθεί ότι η αvε⅞uprηoiα δυο γραμμικών αυνδυαομών ανεξάρτητων τμ χαρακτηρίζει την
κανονική κατανομή (θεώρημα Skitovic),
 ΚΕΦΑΛΑΙΟ VI

ΚΑΤΑΝΟΜΗ ΣΥΝΑΡΤΗΣΕΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

Πολλές φορές, τόσο στην πιθανοθεωρητική όσο κ α ι στη στατιστική

μελέτη ενός τυχαίου φαινομένου, δίδεται η υποτίθεται γνωστή η κατανομή
τμ X κ α ι ζητείται η κατανομή της τμ K = ^ ( X ) , συνάρτησης της X.
Γενικότερα, το πρόβλημα είναι η εύρεση τ η ς κ α τ α ν ο μ ή ς k συναρτήσεω ν
yi = g 2 (X 1,...,X v ),..., Ρχ- = ^ ι(Χ |» ...,Υ „ ) τω ν τυχαίω ν
μ ε τ α β λ η τ ώ ν X v ...t X v μ ε δεδομένη α π ό κ ο ιν ο ύ κ α τ α ν ο μ ή (1 ≤ k ≤ ν).

1 1 .1 . Συνάρτηση μιας Τυχαίας Μ εταβλητής.

Συνήθως ενδιαφερόμαστε για την εύρεση της κατανομ ής τη ς

Y = g (X ), Ο)
όταν η X είναι συνεχής μεταβλητή κ α ι η αντίστοιχη, μέσω της (1)
οριζόμενη, μεταβλητή Υ είναι επίσης συνεχής. Η κ α τα νομ ή της Υ από την
κατανομή της X μπορεί να βρεθεί βρίσκοντας π ρ ώ τα την αθροιστική
συνάρτηση κατανομής Fγ της Υ. Απ'αυτήν τότε π α ρ α γ ω γ ίζο ν τα ς βρίσκεται
η πυκνότητα της Κ, υποτιθεμένου ότι η Υ είναι επίσης συνεχής.

Π α ρ ά δ ειγμ α : Έστω ή συνάρτηση

Υ = rsin 0
όπου το πλάτος (κύματος) r είναι θετική σταθερά, η δε φάση θ είνα ι τυχαία
π
μεταβλητή που ακολουθεί την ομοιόμορφη κατανομή στο διάστημα 0,—
2

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

Σ το π α ρ ά δ ειγμ α αυτό η g (0 )= rsin θ είναι συνεχής, και μάλιστα

αμφιμονοσήμαντη (αύξουσα) συνάρτηση, ώστε και η τυχαία μεταβλητή
y = rsin 0 ν α είν α ι συνεχής (και επίσης αύξουσα). Αυτό όμως δεν είνα ι,
γενικά, α ληθ ές, αφού είναι δυνατό η X να είναι συνεχής χωρίς να είνα ι
τέτοια η Υ = g ( Λ ') . Έτσι ενώ η μεταβλητή X είναι N ( μ ,σ i ) t η μεταβλητή
r = ^ ( x ) = < i1 α v x * μ
|0 αν X < μ
είναι προφανώς διακριτή κ α ι μάλιστα η απλή (δίτιμη) τμ Bernoulli με

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.

Π ρ ό τ α σ η 1. Α ν η μεταβλητή Λ"είναι συνεχής, και η συνάρτηση y = g ( x )

είναι παραγω γίσιμη για κάθε χ με παραγωγό η οποία δεν αλλάζει σημείο
( g '( x ) < 0 ή g ' ( x ) > 0 γ ια κ ά θ ε χ ), ώστε η g να είναι μονότονη, με
αντίστροφη x = g ~ l ( y ) = g ( y ) , τότε η Υ = g ( X ) είναι συνεχής με πυκνότητα

f r (χ) ≈G ( s ' ω ) ∣ r (X )∣=Λ -( s ‘ ω ) r ‰ <2 )

1 1 ι« w ι
Α π ό δ ε ι ξ η : Έχουμε
P [ X ≤ i - (y)) για g , > 0
Λ ∙< y ) = ∙P [g ∞ ≤ x ) = ' p [ X ≥ g ( y ) ]
για / < 0 ,
⅛ '( x ) J για g ' > 0
. l- ¾ '( x ) ) για √ < 0 .
Π α ρ α γ ω γ ίγ ο ν τα ς την F γ προκύπτει η (2).

Σ η μ ε ίω σ η : Ο υσιαστικά η (2) εκφράζει τον μετασχηματισμό διαφορικών

πιθανότητας
dx d y = f ( / ( y ) ) ∣ ∕ (y)∣rfy = 4 (y M y >
f x ( x y)dχ = f χ ( g '( y ) ) x (2)*
dy
που ισοδυναμεί με την
4(x)=4(i- ω)∣Zι>')∣∙
Γ ε ν ικ ό τ ε ρ α , αν η g δεν είναι αμφιμονοσήμαντη μπορεί να δειχθεί η

Π ρ ό τ α σ η 2 . Έστω X συνεχής τμ, η δε εξίσωση

y≈ g {χ)
έχει το π ολύ αριθμήσιμο πλήθος ριζών x l ,x 2 ...... x μ ,..., δηλ.
y = g (x 1) = g ( x 2 ) = ...= ^ v ) = ∙ ∙ ∙ ·
134

Α ν οι παράγωγοι στα χ t δεν είναι μηδέν, δηλ.

s X * l ) ≠ 0 ,tfX x 2 ) ≠ θ , Ο ,... ,
τότε η Υ = g ( X ) έχει πυκνότητα
f (y ) √ √ ⅛ ) ) √ √ Z ¾ O ⅛ 4 Λ ∙( ‰ (y )) +
γ te '(* l )l l ∕ ( * 2 )l I√ ( X ,) ∣ (3)

Γ ια διασάφηση της γενικής απόδειξης, θεωρούμε τη μ ερ ικ ή περίπτωση κ α τ ⅛

την οποία για δεδομένο υπάρχουν δύο ρίζες x 1, x 2 , δ η λ. y = g ( x i ) = g ( x i ) t
όπως φαίνεται στο παρατιθέμενο σχήμα. Ε ξ ορισμού της π υκνότη τα ς, έχουμε
f y ( y ) d y = P { y < γ < y + d y ] = P [x∣ < X < χ l + d x l ] + P [ x 2 < x < χ 2 + dx j ]
= ∕^-(x∣)<⅛∣ + f χ (x 2 ),dx 2 ∣
Επειδή δε

√ ( x 1)dx 1 = d y , √ ( x 2 )∣dx2 ∣=dy

λαμβάνουμε (πρβλ. (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 )= ∣ .

Γ ια κάθ ε y > 0 έχουμε δύο λύσεις της y = ∣x∣, τις

χ =y, x 2=~y∙
i
Α π ό την (4) λαμβάνουμε
4 -ω = ‰ ω = 4 i i 2 + z ⅛ 2 = Λ ω + Λ ∙(- X )∙

Α υ τ ό βγαίνει κι από την παραγώγισή της

F γ { y > P l~ χ ≤ X ≤ χ }= F x W - Fx ( -x ) .

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.

Αν υποθέσουμε ότι η X είναι συνεχής με πυκνότητα, τότε η Υ έχει

πυκνότητα f r (y ) την

Έτσι δείξαμε ότι α ν η X έχει πυκνότητα f x , τότε η

Y≈aX +β
έχει πυκνότητα, την
w = τ⅛ (5)
Ι°Ί \
Π α ρ α δ ε ίγ μ α τ α -, α) Αν η X είναι T√(μ,σ2 ) τότε η Y ≈ a X + β είναι
N (μ * ,σ 2y), όπου μ ' =aμ + β, σ' 2 =a 2 σ2 .

Α π ό δειξη -, Η πυκνότητα κανονικής JV(μ,σ2 ), με μέσο E(A^)=μ και

διασπορά Δ ( X ) = σ 2 , είνα ι
∣
f x (X)≈--- J ≈ e 2ff2 » —o° < Λ < ∞ .
σ√2π
Από την (5) λαμβάνουμε

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

4w ^⅛Γe3'∙ y>0 <8>

Στη Στατιστική αυτή αναφέρεται και ως χ 1 με ι βαθμό ελευθερίας (βλ. (3)
§ H .2)
ii) Αν η X έχει την κατανομή Cauchy μ ε πυκνότητα
f(x )≡ 1 1
π l + x2 ’
2
τότε η Υ = X έχει πυκνότητα

∕ r ( j , ) ------ ----------- ,
π √ 7 ( i+ y )
y

11.2. Συνάρτηση Λύο Τ υχαίω ν Μ εταβλητών. Σ υ νέλιξη

Η πλέον ενδιαφέρουσα περίπτωση μιας συνάρτησης g ( X ,Y ) δύο

τυχαίων μεταβλητών είναι το άθροισμά τους, δηλ. η
Z = g ( X ,Y ) = X + Y ,
κ α ι ιδιαίτερα όταν οι X και Υ είναι ανεξάρτητες. Τότε θέλουμε την
κατανομή του Ζ - Χ + Υ όταν γνωρίζουμε την κατανομή των X κα ι Υ.
Θεωρούμε την περίπτωση κατά την οποία οι X και Υ είναι
α ν εξά ρ τη τες συνεχείς με αντίστοιχες πυκνότητες τις f x κ α ι f γ . Έχουμε
 137

Fz (z)≈ P (Z ≤ z) = P (X + Y ≤ z) =
Μ

≈ ∖ P[X + Y ≤ z ∖ x = x }fχ (x )dx

9∙

= 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)

Η Fγ ( z - x ')dx ισούται με την στοιχειώδη πιθανότητα, η οποία είναι

συγκεντρωμένη στην "κατακόρυφη" απε'ραντη λωρίδα από το y ≈ z - x
μέχρι το y = - ∞ i όπως δείχνει το παρατιθέμενο σχήμα. Συγκεντρώνοντας,
δηλ. ολοκληρώνοντας όλες τις πιθανότητες (για όλα τα χ) λαμβάνουμε την
F ε (z)=πιθαv0τητα που είναι συγκεντρωμένη στο ημιεπίπεδο Χ + Υ ≤ z . Η
πυκνότητα f z της Ζ δίδεται από τις

∫ f γ (z - x )f x (x)dx
⅞ (z )= -≤ F ,(z ) -•ο
(2)
∫ Λ -(^ -y )4 (y )⅛ '∙

Σημείωση'. Η παραγώγιση της (1) (ως προς ζ) δίνει τη δεύτερη σχέση

(δεξιά) στη (2), ενώ η πρώτη αντιστοιχεί στη διαμέριση τους ημιεπίπεδου
× + y ≤ ζ σε "οριζόντιες" λωρίδες (strips) απειροστού πλάτους.

Σ υνέλιξη: Η f z όπως ορίζεται παραπάνω (από την (1)) μέσω των

συναρτήσεων f x και f γ καλείται συνέλιξη (convolution) των f x και f γ και
σημειώνεται με f z = f x * f y .
Προφανώς η συνέλιξη * έχει την αντιμεταθετική και προσεταιριστική
ιδιότητα, δηλ.
Λ * f r ≈ f γ ∙ f x , f x ’ ( 4 ∙ f z )=(f x * f r ) f f , ≈ f x ∙ f r * t,.

α ) Σ υνέλιξη κανονικώ ν. Ας υποθέσουμε ότι οι X και y είναι Ν(Ο,Ι) και

ότι οι Χ>Υ είναι ανεξάρτητες, θ α αποδείξουμε ότι και το άθροισμά τους
Z = X + Υ είναι επίσης κανονική 7√(0,2) (βλ. και § 10.5).

Απόδειξη: Από την (2) έχουμε

f i (z)= ] f γ ( z ~ x )f x (x)dx=J dx-
138

δηλ. η Ζ είναι N(0,2).

Πόρισμα·. Από το ότι γραμμική συνάρτηση κα νονικής μεταβλητής είναι

επίσης κανονική (Παράδειγμα α) της § 11.1) έπεται ότι, αν A r κα ι / ε ί ν α ι
ανεξάρτητες κανονικές, τότε η α Χ + β Υ (α,β σταθερές) επίσης κανονική.
Γενικά, οποιοσδήποτε γραμμικός συνδυασμός (βλ. κ α ι (2) § 11.4)
L = a 1X 1 + a 2 X 3 + ...+ σ v AΓv
α ν εξ ά ρ τη τω ν κανονικώ ν τμ X ^ ,X i ,...,X v ε ίν α ι ε π ίσ η ς κ α ν ο ν ικ ή τμ.

β) Σ υνέλιξη εκθετικών κατανομών. Έστω X κ α ι Υ ανεξάρτητες και

ισόνομες, εκθετικές τμ, η καθεμιά
f(x )= λ e - λ ', χ>0.
Η πυκνότητα του f 2 του αθροίσματός τους
Z=JT + ∕
είνα ι βάσει της (2)
Μ Ζ

∕^r C*)= ∫ f ( z - x )f(x )d x = λ 1 ∖ e - ^ - χ 'i e~i x d x = λ 2 z e - ^ , για ζ > 0 (2)*

ο
Αύτη είναι μερική περίπτωση της Γ-κατανομής, αναφερόμενη ως κατανομή
Erlang. Η κατανομή αυτή γενικά προκύπτει ως ν-πλη συνέλιξη της
εκθετικής δηλ. είναι η κ α τα νο μ ή του α θ ρ ο ίσ μ α το ς ν α ν ε ξ ά ρ τ η τ ω ν κ α ι
ισόνομω ν εκθετικών. Έτσι μπορεί να θεωρηθεί σαν η κατανομή του
χρόνου Τν αναμονής μέχρι και του u-οστού γεγονότος σε μ ία ανέλιξη
Poisson, όπου ως γνωστό (§ 5.2) ο ενδιάμεσος χρόνος μεταξύ διαδοχικών
γεγονότων είναι εκθετικός.

Ύ) Η κ α τα ν ο μ ή %2 . Στη στατιστική ανάλυση σπουδαιότατο ρόλο παίζει η

κατανομή του αθροίσματος

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

παραμέτρους p = l, λ = - , είδαμε δε στην § 10.4 ότι αυτή έχει την

α ν α π α ρ α γ ω γ ικ ή ιδιό τη τα , δηλ. το άθροισμα ν-ανεξάρτητων Γ-

μεταβλητών με παραμέτρους p i ,,..,p y κα ι την ίδια παράμετρο λ είναι επίσης
Γ-μεταβλητή με παραμέτρους p ≈ p l +.,.+j> v και λ . Ά ρ α η Υ, ως άθροισ μα
α ν εξά ρ τ η τ ω ν κ α ι ισόνομω ν Γ-μ ετα βλητώ ν, έχει την κ α τ α ν ο μ ή Γ μ ε
π α ρ α μ έτ ρ ο υ ς
ν , 1
ρ=~ κα ι λ = —.
2 2
Έτσι η πυκνότητά της, έστω f v , δίδεται από την

fv( × ) = - * x 2 'g 2, x> 0 ∙ (4)

22 Γ ∣ - I

Αυτή μπορεί να βρεθεί κα ι ως ν-πλη συνέλιξη της

ι -- ι —ι - -
ή ( * ) = . --g 2 = - i— - χ 2 e 2 > Λ > °

2i r [l)
w
από την (8), § 11.1.

Ο ρ ισ μ ό ς . Η κατανομή της √ F = % , καλείται χ -κ α τ α ν ο μ ή με ν

βαθμούς ελευθερίας. Η πυκνότητά της, που μπορεί να βρεθεί π.χ. βάσει της
(2), § 11.1, είνα ι η
f(x )= -. Χ - Ά *> 0 · (5)
--1 ( v }
21

Κ α τ α ν ο μ ή του λ ό γ ο υ δυο τuχaicov μεταβλητώ ν. Εοτω

z = ∣ (6)

όπου οι X κ α ι Υ έχουν από κοινού πυκνότητα f ( x ,y ) . Τότε η σ.κ. F z {z)

του Ζ , βάσει του θεωρήματος της ολικής πιθανότητας, είναι
140

≤ 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

κ α ι παραγωγίζοντας έχουμε την πυκνότητα

co 0
4 ( z ) = j X (y ∙z ,y )d y - I y f ( y z ,y ) d y . (8)
0 —co
Α ν οι X κ α ι Υ είναι ανεξάρτητες, τότε η (8) γ ίν ετα ι
- ο
4 ( * ) = ∫ y ∆ ∙(yz)p y(y)φ , - ∫ y f x ( y z ) f γ ( y ) d y
0 —co
= J∣y ∣Λ - ( y z X r ( y ) 4 y ∙ (9)

Η (9) μπορεί να βρεθεί απ'ευθείας μέσω εφαρμογής του γενικευμένου

θεωρήματος της ολικής πιθανότητας (§ 9.1), ως εξής:
Μ CO

< ≡ ∞ = [ 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 ,

αφού η πυκνότητα της X ∣y , για κάθε δεδομένο Υ = y , ε ίν α ι βάσει της (5), §

11.1,
f x ∣y ( z ) ≈ ∖y ∖f x [ y z ) ,

Κ α τ α ν ο μ ή t ή ^o υ Student. Έστω η τμ
(10)
 141

όπου η X είνα ι Ν(Ο,Ι) ανεξάρτητη της μεταβλητής τμ χ 2 , με ν βαθμούς

ελευθερίας. Η κατανομή της t v , η οποία όπως κ α ι η χ ’ , έχει πολλές
εφαρμογές στον καλούμενο έ λ ε γ χ ο (testin g ) σ τα τισ τικ ώ ν υποθέσεων γ ια
μέσους, κ α λ ε ίτ α ι ί-κατανομή ή του Student 1 με ν βαθμούς ελευθερίας.
Εφαρμόζοντας την (9) για τον λόγο
z=4∙=x∕‰
βρίσκουμε

όπου θέτοντας u = ∙^+ — y 2 λαμβάνουμε

Έτσι η πυκνότητα της t v = 4 v Ζ , λόγω της (5) και § 11.1, είναι η

— Ί
⅛ Λ ------ -----πr> -∞ < i< ∞ . (11)

Για ν= 1 α υ τ ή σ υ μ π ίπ τει μ ε την π υ κ ν ό τη τα C auchy (βλ. κ α ι Άσκ. 9).

Κ α τ α ν ο μ ή F το υ S n ed ec o fi . Άλλη κατανομή που έχει πολλές

εφαρμογές στη Στατιστική και ιδίως στη λεγάμενη Α ν ά λ υ σ η
ΙΙα λ ιν δ ρ ό μ η σ η ς , (R eg ressio n A n a ly sis) είναι του λ ό γ ο υ α ν εξά ρ τη τω ν
X2 ,
m
_ ∕zvL01 I
~ X 2π ' n
όπου η χ 2α κ α ι χ 20 είναι ανεξάρτητες χ 2 -μεταβλητές με ηι κα ι η βαθμούς
ελευθερίας, αντίστοιχα. Η κατανομή της Ζ καλείται κ α τα ν ο μ ή F ή του
Snedecor με m (του αριθμητή) και η (του παρονομαστή) βαθμούς
ελευθερίας, συμβολιζόμενη με Fm a .

1 Ψευδώνυμο του Άγγλου W.L. Gosset, ο οποίος υπελόγισε (1908) την r-κατανομή εμπειρικά,

χρησιμοποιώντας μεγάλο αριθμό δειγμάτων για δεδομένο ν {προσομοίωση, simulation, Monte

Carlo).
2 Χρησιμοποίησε το Fπpoς τιμήν του Fisher (R.A. Fisher), που θεωρείται πατέρας της νεώτερης
(μαθηματικής) στατιστικής.
 142

Βάσει της (9) και από την (4), η — Ζ = χ 2m / χ 2 έχει σππ

η
- -≤1 £_|
f ( λ ∙)= c(m ,π )j y (x } ') , e 2 y 2 e *dy≈
ο
1
r [ ∕n ÷ f l I . τ '
£!_) “ a l ÷fl ι zu»η ’ | ∣
A
=c(m,∏)A j Jy 1 e j dy = c(∕n,n)2 2 — --------⅛ —
° (l + *) 2
όπου η σταθερά

1 1 .3 . Δ ύ ο Συναρτήσεις δύο Μ εταβλητώ ν

Η εύρεση της κατανομής μιας συνάρτησης Z = g ( X , Y ) δύο τυχαίων

μεταβλητών, όπως στην προηγούμενη πράγραφο, γίνετα ι ευκολότερη,
γενικά, αν εισαχθεί άλλη βοηθητική, τρόπον τινά, μεταβλητή W = h (X ,Y ),
ώστε ο μετασχηματισμός (Χ ,Υ ) → (Z ,W ) να είναι 1-1 (αμφιμονοσήμαντος)
κ α ι το πρόβλημα να ανάγεται στην εύρεση της από κοινού συνάρτησης
πυκνότητας των Z ,W από την από κοινού συνάρτηση των X κ α ι Υ,
κ α τ'α ν α λ ο γ ία της (2) της § 11.1.

θ εώ ρ η μ α : Έστω οι τυχαίες μεταβλητές X , Υ με από κοινού πυκνότητα

f ( x , y ) και οι συναρτήσεις
Z = g (x ,y ), Wz = A (z,y) (1)
με συνεχείς μερικές παραγωγούς πρώτης τάξεως σ'όλα τα σημεία (τιμών των
Χ ,Υ ) , ώστε, η Ιακωβιανή ∕( z ,y ) του μετασχηματισμού (1) ν α είναι ≠ 0 ,
δηλ.

(2)

Τότε οι Ζ —g (X ,Y ), W ≈ h (X ,Y ) έχουν από κοινού πυκνότητα f ’ (πρβλ (2)

§ H .1 ):
 143

f , ( z ,w ) = f ( g ∙( z 3 v),Λ , (z,w , ) ) ∣J( x ,y ) ∣- l (3)

όπου g ∖ z ,w ) κ α ι Λ*(z,ιv) είναι οι αντίστροφες (που υπάρχουν λόγω της (2)
των g κ α ι Α, δ η λ για κάθε ( ζ 0 ,ιν 0 ):
Z o = ε ( × o ,y o ), w0 = K × 0 , y 0 ) , (4)
υπάρχει μόνο μ ία λύση (x 0 , y 0 ) του συστήματος (4) με
⅞ = Λ*(z 0 ,w 0 ), y0= ∕ ( z o>μ 'o)∙ (5 )

Α π ό δ ε ιξ η : Έχουμε εξ ορισμού της πυκνότητας

f '( z ,w ) d z d w = P [ z < Z ≤ z + d z ,w < W < w + d w ] = P [ ( X ,Y ) e Λ Λ z J
όπου AR Z I F είν α ι η στοιχειώδης περιοχή του επιπέδου xyπoυ ορίζει η
Δ R z w ≈ { ( x ,y ) ∙.z < g ( x ,y ) < ζ + dz,w < h(x,y') < w + ών}.

Έτσι κ α ι από τον γνωστό από τον Απειροστικό Λογισμό μετασχηματισμό

διπλών ολοκληρω μάτω ν, καταλήγουμε στην
f ∖ z ,w ) d z d w = ∫∫ f ( x ,y ) d x d y = ∫ ∫ f ( g , (z,w ),Λ , (z,ιy)∣J(z,W')∣dzc∕H'
ΛKz n . -^zu'

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).

Π α ρ α δ ε ίγ μ α τ α : α) Έστω οι Z = X + y και W = X - Υ , οπότε

γ Z±W v - z ^ψ
2 2
Η Ιακω βιανή (βλ. (2)) του μετασχηματισμού είναι

Βάσει της (3) η από κοινού πυκνότητα f* (z ,w ) των Z t W, συναρτήσει της

πυκνότητας f ( x , y ) των Χ ,Υ , είναι
. 1 .( ζ + \γ ζ - « Λ
f ( z , ι v ) = - ^ - ~ (6)

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

το οποίο συμφωνεί με την (2)*, § 11.2. Ο μ ο ίω ς, βρίσκουμε κ α ι την

(περιθώρια) πυκνότητα της διαφοράς W = X - Υ :
Jrμ ,(ιv) = ∫ f* ( z ,w ) d z = ^ -λ 2 ∣ e~2 l d z ≈ - λ e ~ 2,u ', , -∞ < w < ∞ .
2 |ιν| 2
Α υτή είνα ι δίπ λευ ρ η εκ θ ετική , γνωστή ως κ α τ α ν ο μ ή τ ο υ L a p la c e , όπως
φ αίνετα ι στο παρακάτω σχήμα.

β) Έστω ότι θέλουμε την κατανομή του αθροίσματος

Z= X + γ
την ο π οία βρήκαμε στην § 11.2. Εισάγουμε τη βοηθητική μεταβλητή
W=X
έχοντα ς έτσι δ ύ ο συναρτήσεις δύο τμ, με
∕⅛ ∕) = ∣ l1 θ ∣ = - ι .

Β ά σ ει της (3) η πυκνότητα f * των Ζ , W είνα ι η

f* ( z ,w ') = f( w ,z - w)
απ'όπου η πυκνότητα του Ζ

⅛ ( z )~ ∣ f (z ,w )d w = ∫ f ( w ,z —w )d w .

Α υ τή γ ια ανεξάρτητες X , Κ δ ίνει την (1) της § 11.2.

γ) Έστω ο γραμμικός μετασχηματισμός
z≈ α x + βy
w = γ x + δy (7)
 145

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

Π ρόταση: Α ν οι X και Υ έχουν διδιάστατη κα νονική κα τα νομ ή ,

τότε δύο γ ρ α μ μ ικ έ ς συναρτήσεις τους (όπως στην (8)) έχουν επίσης
διδιάστατη κ α ν ο ν ικ ή .
Α ν √l = 0 η κατανομή έχει βαθμό την 1 (∣p(z,ιv)∣=l, βλ. § 8.1) και η
κατανομή περιορίζεται σε μια ευθεία (του επιπέδου xy)∙ ουσιαστικά υπάρχει
μια μόνο τμ π.χ. η Ζ (η W είναι πολλαπλάσιο της Ζ).

11.4. Συναρτήσεις Π ολλώ ν Μεταβλητών

Η θεωρία των δύο προηγούμενων παραγράφων μπορεί να επεκταθεί κα ι

για περισσότερες από δύο μεταβλητές. Έτσι π.χ. το θεώρημα της § 11.2
γενικεύεται για ν συναρτήσεις
y ί β∣
(.χ ι> ∙-∙iX v ')f ∕= ι, . . . , v
με Ιακωβιανή

δίνοντας την πυκνότητα ^*(y 1,...,y v ) των

l z∕ - ^∕(2Γj,...,2i v ), 7=l,,.,,v
υπό την μορφή

Ξεχωριστό ενδιαφέρον παρουσιάζει ο γραμμικός μετασχηματισμός

146

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

1. Έστω Έ ( Α ) κα ι f ( x ) η σκ και η σππ, α ντίσ τοιχα , μ ια ς συνεχούς τμ X .

Ν α βρεθεί η συνάρτηση κατανομής κα ι η πυκνότητα των τμ
α ) y = A, - l β ) y = s in X γ) y = t a n X .

2 . Σημείο Α εκλέγεται τυχαία απάνω στην περιφέρεια του μοναδιαίου

κύκλου με κέντρο την αρχή των αξόνων. Ν α βρεθεί η πυκνότητα α) της
τεταγμένης του Α β) της απόστασης του Α από το σημείο (0,1).

3 . Β ε λ ό ν α του B u ffo n . Βελόνα μήκους 2 α ρίχνετα ι τ υ χ α ία σ'ένα πίνακα

που φέρνει παράλληλες γραμμές σε απόσταση 2<5(α < δ ) . Δ είξετε ότι η
πιθανότητα να κόψει η βελόνα μία γραμμή είνα ι 2α∕π<5. (Υποθέστε ότι
η γωνία φ κλίσης της βελόνας σε σχέση με τις γραμμές έχει την
ομοιόμορφη κατανομή στο Q <φ <π ∕2, κ α ι η απόσταση X του κέντρου
της βελόνας από την πλησιέστερη γραμμή ε ίν α ι ομοιόμορφη, στο
διάστημα (0,<5).
Σ η μ . Με ρίψη της βελόνας πολλές φορές μπορεί ν α προσδιορισθεί
εμπειρικά (στατιστικά) η τιμή του η (Μέθοδος M o n te C a r lo βασιζόμενη
στο Ν ό μ ο των Μ εγ ά λ ω ν Α ρ ιθ μ ώ ν του B e r n o u lli) . Έτσι ο W o lf
(1856), ρίχνοντας τη βελόνα 5000 φορές, βρήκε π = 3,1596, ο Smith
(1855), με 3204 ρίψεις, π=3,1553, ο Fox (1894) με 1120 ρίψεις βρήκε
 147

π = 3 ,1 4 19 κ α ι ο Lazarτini (1901), με 3408 ρίψεις π = 3 ,1415929. Τ α δύο

τελευταία είν α ι σε κάποιο βαθμό αμφίβολα (απίθανα!).

4. Η α κ τ ίν α R κύκλου μετράται με προσέγγιση ώστε να έχει ομοιόμορφη

κα τα νομ ή στο διάστημα (a tβ). Ν α βρεθεί η κατανομή α) του μήκους L
της περιφέρειας β) του εμβαδού Α του κύκλου.
4 α) Σ υ ν έχ εια . Υποθέστε ότι το R υπόκειται σε τυχαίο σφάλμα ε με
E ( ε ) = 0 κ α ι Δ ( ε ) = E ( Λ ) ∕1 0 0 . Ν α βρεθούν οι πιθανότητες
∣ L - E ( L ) ∣ < 0 ,0 1 ^ ^ E (A 1
Ρ Η) Ρ ∣
A -E (A )∣
<k
σ (L ) σ (Α ).

5 . Α ν οι τμ X κ α ι Υ ε ίν α ι ανεξάρτητες με την εκθετική πυκνότητα

f ( x ) = λ e - 'u , x>0,
δείξετε ότι οι Ύ + Υ κ α ιΧ / Υ είναι επίσης ανεξάρτητες και
αναγνω ρίστε τις κατανομές τους.

6 . Α ν υποτεθεί ότι οι Ύ κ α ι Υ"είναι ανεξάρτητες ομοιόμορφες τμ στο (0,1),

να βρεθεί η πιθανότητα να είναι οι ρίζες της Λ 2 + 2 A 2 + Y = 0
π ρα γμ α τικές.

7 . Το μέγεθος v = ∕v ∕ της ταχύτητας ν μορίου μάζας τη ενός (τελείου)

αερίου σε απόλυτη θερμοκρασία Τ ακολουθεί, σύμφωνα με την κ ιν η τ ικ ή
θ ε ω ρ ία τω ν * ν
αερίω την καλούμενη κατανομή M a x w e ll με
πυκνότητα (βλ. (5) § 11.2) την
f ( y ) ~ ~ r^r= x 2e^l ^°2 , ν>0 (εξίσωση Maxwell)
α √π
όπου η παράμετρος a = (2kT ∕ ni)v 2 και k η σταθερά B oltzm ann. Ν α
βρεθεί η πυκνότητα της κ ιν η τ ικ ή ς ενέργεια ς
E = ± - m v 1 = ∣ ∕n ( v 2 + ν;. + ν*)
X X
Δ ε ίξ ε τ ε ότι αν ο ι συνιστώσες v χ i v y , v z της ν είναι ανεξάρτητες
κ α ν ο ν ικ έ ς ∕√ (0 ,σ 2 ) 1 , τότε η ν έχ ει την κατανομή Maxw ell.

8 . Η γ ω ν ία φ βολής βλήματος με αρχική ταχύτητα ν ακολουθεί την

ομοιόμορφ η κατανομή στο διάστημα i θ , ^ . βPε θε ι Π κατανομή της

ο ρ ιζ ό ν τ ια ς απόστασης του σημείου βολής από του σημείου πτώσεως του

β λ ή μ α τ ο ς.

* 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

9 . Α ν οι τμ X και Υ είναι κανονικές μέσο 0, διαοπ ορά σ 2 κ α ι α ∕∕u λ 2 c τ r

συσχέτισης ρ,
α) ποία η κατανομή του X I Υ .
β) Χρησιμοποιώντας το αποτέλεσμά του α ), δείξετε ότι
1 1 arcsm ρ
P [ x < o ,y > O]=÷ P [X Y < 0 ] = - —

(πρβλ. Ά σκ. IV 11 (δ))

10*. Α ν το σημείο κρούσεως A = ( X , Y ) κατακόρυφου στόχου μ ε κέντρο την

αρχή 0 ακολουθεί την κατανομή της Ά σ κ . 9 με ρ = 0 (τη λεγσμzvr
κ υ κ λ ι κ ή κ α ν ο ν ικ ή ), δείξετε ότι η απόσταστη 7Z=(0½) του σημείου
κρούσης από το κέντρο του στόχου κ α ι η γω νία της 0 Α μζ τον ορίζονται
ά ξο να είναι ανεξάρτητες τμ. Η R έχει τη λεγόμενη κ α τ α ν ο μ ή R a y le ig h
L .
(-ft = cχ 2 ), όπου Χ - Υ
L
σημαίνει ότι οι X και Υ έχουν την ίδια
κατανομή, και χ i2 είναι η τμ χ 2 με 2 βαθμούς ελευθερίας.

11 .Α ν η X είναι ομοιόμορφη στο διάστημα (0,1), τότε

α) Δ είξετε ότι η
Y=αX + β
είνα ι επίσης ομοιόμορφη στο (∕J,α + /?). Πω ς το εξηγείτε "διαujθητικ<i∖
β) Βρείτε την κατανομή της Υ = a X 2 + β Χ + γ ( Α , Β , Γ σταθερές).

12 . Έστω X i , X 2 , . .. t X v ανεξάρτητες τμ (τυχαίο δείγμα) από την

ομοιόμορφη κατανομή στο (0,1). Ν α βρεθούν οι κ α τα νομ ές των τμ:
Z = m a x(% ........% ,,)= μεγίστη παρατήρηση,
Wz = m in(A 1,..., Arv,) = ελάχιστη παρατήρηση,
R = Z - W = πλάτος (κύμανση) του δείγμα τος (range).
13 . Α ν A 1,% 2 είναι ανεξάρτητες ομοιόμορφες στο (0,1), να βρεθούν οι
πυκνότητες των α) X i + X 2 β) X i - X 2 γ) ∣Λ r l - A a ∣ δ) A ' l / Χ 2

14*. Π α ρ α γ ω γ ή τυ χα ίω ν δειγ μ ά τ ω ν (random-number generation). Έστω

τυχαίο δείγμα x j ,...,x μ από την ομοιόμορφη στο (0,1). Τέτοιοι αpι‰oi
αναφέρονται ως ψ ευδοτυχα ίοι α ρ ιθ μ ο ί (preudorandom numbers).
Δείξετε ότι:
V

α) η Υ = - £ In χ ι έχει την ^ ’ -κατανομή με 2 ν βαθμούς ελευθερίας

/•ι
β) οι μεταβλητές
ξ = λ ∕-21n A 1 συν (2π X 2 ), ο = λ ∕ - 2 In X 1 ημ(2πX j )
είναι ανεξάρτητες κανονικές μεταβλητές //(0 ,1).
 149

Έτσι η α) παράγει δείγματα από κατανομή %2 με άρϊιο αριθμό βαθμών

ελευθερίας, ενώ η β) παράγει α π ό κ ά θ ε ζεύ γ ο ς ψ ευ δοτυ χα ίω ν
α ρ ιθ μ ώ ν έ ν α ζ ε ύ γ ο ς α νεξά ρ τη τ ω ν κ α ν ο ν ικ ώ ν μεταβλητώ ν.

15. Δ ύ ο φ ίλοι συμφωνούν να συναντηθούν μεταξύ 1 μ.μ, κ α ι 2 μ.μ. σε

κάπ οιο εστιατόριο. Α ν υποτεθεί ότι φθάνουν τυχαία μεταξύ 1 μ.μ. κ α ι 2
μ.μ. κ α ι ανεξάρτητα ο ένας από τον άλλο και το γεύμα απαιτεί 30
λεπτά, ποια είναι η πιθανότητα να συναντηθούν στο εστιατόριο; Έστω
Τ η στιγμή συνάντησης. ΙΙο ία η (δεσμευμένη) κατανομή της Τ δεδομένου
ότι συναντήθηκαν;

16*. Έστω X και Υ τυχαίες μεταβλητές με από κοινού συνάρτηση

πυκνότητας f ( x , j ) . Δείξετε, με εφαρμογή της θεωρίας της § 11.3, ότι:
α) η πυκνότητα της διαφοράς Ζ - Χ - Υ είναι η
«Ο «ο

f z (^)= ∫ ∕( * ,x - z ) o ⅛ = ∫ ∕( x ÷ z , i ) d x ,
— ·· —Μ

β) η πυκνότητα του γινομένου Ζ = Χ Υ είναι η

< z (^)= ∫ w ^ , f l — ϊ ∣χ Γ ' z ' i *»—∖ fr
k* ) ~ ∖ X)

17. Συνέχεια . Α ν οι X κ α ι Υ είνα ι ανεξάρτητες και

f x M = - ~i 1~, > ∣ x ∣
< 1> f γ ( y ) = y e ~ y3 '2
π √1 - χ 2

δείξετε ότι η Χ Υ είναι T√(0,σ2 ).

Ε ξή γ η σ η . Η Υ 2 είνα ι χ 22 = R 2 = U 2 + V 2 όπου U ,V ανεξάρτητες ΛΓ(Ο,Ι)
ενώ η X έχει κατανομή cos# όπου θ είναι ομοιόμορφη στο (0,2π)

18*.Ό πω ς κ α ι στην Πρόταση 2 της § 11.1, δείξετε ότι αν

(χ l , y ι U × i , y 2 )....... C w , ) , . . .
είνα ι πραγματικές λύσεις των εξισώσεων
g ( x t y )= z > h ( x ,y ) = w
κ α ι οι Ιακω βιανές
≠0, /=1,2,...,
τότε η από κοινού συνάρτηση πυκνότητας των Ζ , Ηζ όπου
Z = g ( X ,Y ) , W = g ( z , w ')t
δ ίδετα ι από την
Λ * ∣ ,y l)
∣ ∕( χ , , y 1)l I∙‰Λ )∣ ·”
όπου f ( x i y } είναι η από κοινού πυκνότητα των Χ κ α ι Υ.
150

19*. Συνέχεια. Δείξετε ότι η πυκνότητα των

z = √ x 2 + r 2,

δίδεται από την

zw -z w
2
1+ w, ^ k √ l + w'2 √1 + ιv )
α) Εφαρμόστε την για Χ κ α ι Υ ανεξάρτητες T√(0,σ2 ) κ α ι δείξετε ότι οι
Ζ κ α ι W είναι ανεξάρτητες (πρβλ. Άσκ. 10).
β) Δείξετε ότι οι Ζ κ α ι W είναι ανεξάρτητες α ν η
f∖ x.y')=g(×^ + y 2 )
δηλ. η {X, Υ) έχει κ υ κ λ ικ ά συμμετρική κατανομή.

2 0 ’. Μ ετα σχημ α τισμός του ο λ ο κ λ η ρ ώ μ α το ς π ιθ α ν ό τ η τ α ς 1 . Έστω η

συνεχής τμ X ο.κ. F{x) και η τ υ χ α ία μ ε τ α β λ η τ ή
X
Y = F (X )= ∫ f ( χ ) c ⅛
—*Ο
Ο μετασχηματισμός αυτός, ο οποίος σε κάθε τιμή X αντιστοιχεί την
τ υ χ α ία (μεταβλητή) σ.κ. F (X ) καλείται μετασχηματισμός του
ολοκληρώματος πιθανότητας. Δ ε ίξ ε τ ε ό τι η κ α τ α ν ο μ ή τω ν Υ είν α ι η
ομοιόμορφη στο (0,1), δηλ.
Λ '(y )= y . o < y< ∖ .
Άρα, αν δοθεί τυχαίο δείγμα x l ,...,x v από την ομοιόμορφη δείξετε ότι οι
λύσεις y u y 2 ,...,y v των
y l = - ^ , (^ ),y 2 = ^ " 1(χ 2 ).....y ..= F - ’(y„)
ορίζουν τυχαίο δείγμα από την κατανομή F.

21. Συνέχεια. Κατασκευάστε τυχαίο δείγμα από την εκθετική κατανομή με

μέση τιμή λ χρησιμοποιώντας τους ψευδοτυχαίους αριθμούς (βλ. Άσκ.
14) x l ,...,x v .

22. Συνέχεια. Αν X i ,X 2 ,...,X v είναι τυχαίο δείγμα από την κανονική

Ar (μ,σ 2 ), βρείτε:
α) την από κοινού συνάρτηση πυκνότητας των τυχαίω ν μεταβλητών
y = r(m in Υ .), Z = z (m a x % y ),
Ι≤∕≤*r l ∙n -∖ ≤i≤V '
β) E { Z - Y } (πρβλ. Άσκ. 12), όπου Έπαριστά την σκ της T√(μ,σ2 ), δηλ.
×” μ ι
(—° ~ ) ·

1 Α υτό αποτελεί τη βάση της λεγάμενης " α π αρα μετρικ ής u ή ε λ εύ Ο ερ η ς -α π ο -κ α τ α ν ο μ ή

(distribution-free) στατιστικής.
 151

23*. Αν το ύψος X ανδρών ακολουθεί την κανονική κατανομή

N(167 cm ,9c∕n 2 ) και ληφθεί τυχαίο δείγμα 10 ανδρών με ύψη, έστω
Ar 1,...,Λ'10, να υπολογισθεί η πιθανότητα να καλύπτει το (τυχαίο)
διάστημα < ∕= (m in (Z l ,...,Λ 10),(m aχ(Υ 1,...,Υ v )) τουλάχιστον 95% του
πληθυσμού των υψών, δηλ. να υπολογισθεί η
P { P [X e d ]≥ 0 ,9 5 }
Σημ. Η P [ x e d ] , εξαρτώμενη από τυχαίο διάστημα d, είν α ι τ υ χ α ία
μ ετα β λ η τή . Επίσης λάβετε υπόψη το συμπέρασμα της Άσκ. 20 (για το
max κα ι m in των παρατηρήσεων).

24*. Έστω τυχαίο δείγμα X l ,...i X v από την N (μ ,σ 2 ). Δείξετε ότι

ανα γκα ία κ α ι ικανή συνθήκη για την ανεξαρτησία των γραμμικών
συνδυασμών
y = ∑ α Λ ,, Z = ∑ β iX l
/=1 /=1
r
είναι η ∑ α yβ y =0, δηλ. υπ ό κ α ν ο ν ικ ή κ α τα ν ο μ ή η κ α θ ετό τη τα

(C o v (y ,Z )= 0 ) ισ ο δ υ να μ εί μ ε ανεξαρτησία.

2 5 .Η X λέγεται λο γα ρ ιθ μ ο κ α νο ν ικ ή μεταβλητή αν ο logΧ = Υ έχει την

κανονική κατανομή T√(μ,σ2 ). Να βρεθούν α) η πυκνότητα της
λογαριθμοκανονικής β) η Ε (Υ) και η Δ(V).

26*. Δείξετε ότι αν P (z ,y ) είναι η από κοινού σκ των Ar και Yr και

Z = max(Ar ,y), Wz =min(JY,y),
τότε
Fz ( ζ ) = F ( z i ζ), Ρ„, (ιν)= Fx (ιν) + Fγ (w) - F ( H, , ψ)
Αν η F (x ,y ) είναι συνεχής, ποιες είναι οι πυκνότητες των Ζ και W;

27. Συνέχεια. Αν οι Λ κ α ι Κείναι ανεξάρτητες N(0,l), δείξετε ότι

Γ { m a x (X ,y )} = -L .
√π

28*. Η Α-διάστατη κ α τα ν ο μ ή D irichlet ορίζεται από την πυκνότητα

Λ * ...... ⅜ ) -
nX ⅛ +t'V0^ ∙ ∙ ∙ ⅜ ^ ( l - ¾ - . . . - Λ , ) ^ -
l ,

ν
για x j ≥ 0 ∑ × t ≤1.

Ν α βρεθεί η κατανομή α) του yi .=A'1+...+Λ'1 και β) των

Y 1 = 2C)+...+√⅛fy, /=1,2,..., Jr.
152

2 9 . Συνέχεια. Αν οι Χ „ /=1... λ + 1 είναι ανεξάρτητες Γ-μεταβλητές με

παραμέτρους (οχήματος) v ∣,...,v i 4 ∣, αντίστοιχα, κ α ι Λ (κ λίμ α κα ς),
δείξετε ότι οι
r ,- — λ -i — . >=ι k
' X ,+...+X M
έχουν την Λτ-διάστατη κατανομή Dirichlet.

3 0 . Έστω οι X και Υ ανεξάρτητες Poisson με παραμέτρους Λ κ α ι μ . Δείξετε

.α) Μ ε τον τύπο της ουνέλιξης, ότι το άθροισμα X + Υ είν α ι επίσης
Poisson β) ότι η δεσμευμένη συνάρτηση πιθανότητας της X γ ια δεδομένο
X + Υ είναι διωνυμική, δηλ.
P [ * = * ∣Λ ∙ + Υ = > - ] = / * , v∖p = j ∣ Λ

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

Υ π ό δ ε ιξ η . Α ν οι X , Υ είναι ανεξάρτητες ^ .-μ ετα βλητές δείξετε ότι η

έχει την κατανομή tv .

3 2 . Π α ρ ά δ ο ξ ο του Bertrand. Ισόπλευρο τρίγωνο είνα ι εγγεγραμμένο σε

κύκλο με ακτίνα r. Εκλέγουμε χορδή Α Β τυ χ α ία . Π ο ια είναι η
πιθανότητα να είναι το μήκος της χορδής μεγαλύτερο της πλευράς του
τριγώνου;
Η απάντηση εξαρτάται από τον τρόπο εκλογής της χορδής. Εξετάστε τις
εξής περιπτώσεις: α) Εκλέγουμε τυχαία το μέσο της χορδής, β) Εφ'όσον
το άκρο Α της χορδής είνα ι τυχαίο, υποθέτουμε ότι είνα ι σταθερό
(δεδομένο σημείο της περιφέρειας) κα ι εκλέγουμε κ α τ ά τύχη το ά λ λ ο
σημείο Β γ) Εφ’όσον η διεύθυνση της Α Β είνα ι τυ χ α ία , υποθέτουμε ότι
είνα ι δεδομένη και, έστω, κάθετη προς δεδομένη διάμετρο, έστω 0 0 '. Το
μέσον της χορδής εκλέγεται τότε τυχαία επί της 0 0 '. δ) Φέρουμε
 153

εφαπτόμενη οε τυχόν σημείο της περιφέρειας· εκλέγουμε τυχαία γω νία θ

μεταξύ 0 κ α ι π κα ι φέρουμε χορδή που σχηματίζει γωνία θ με την
εφαπτομένη, ε) Εκλέγουμε δύο σημεία X ∣ κα ι Χ 2 τυχαία στα
διαστήματα (0,2π) κ α ι (0,r). Κατασκευάζουμε τότε χορδή Α Β που
σχηματίζει γω νία Λ 1 με δεδομένη (σταθερή) διεύθυνση που απέχει Χ 2
από το κέντρο του κύκλου.

Ο ι παρακάτω ασκήσεις να λυθούν με τις μεθόδους του Κεφ αλαίου V I.

3 3 . Έστω S N ≡ X ,+ ...+ X X όπου οι X i είναι ανεξάρτητες. Δείξετε ότι: α)

Α ν η X ; είνα ι διωνυμική με παραμέτρους ν, κ α ι ρ , τότε η SN είνα ι
διωνυμική με παραμέτρους v = v 1 + V 2 + ...+ V N κ α ι ρ.
β) Α ν η X i έχει την Γ-κατανομή με παραμέτρους ν, κ α ι Λ, τότε η SN
έχει την Γ-κατανομή με παραμέτρους v = v j + ...+ v x κ α ι λ.

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).

35. Α ν X i , . . . , X v είναι τυχαίο δείγμα από την κατανομή N ( μ ,σ 2 ), δείξετε

ότι ο μέσος X του δείγματος είναι N (μ ,σ ∕v ) ∙

36. Α ν η X έχει την κατανομή %2 με ν βαθμούς ελευθερίας, τότε η

πυκνότητα της αντίστοχης τυποποιημένης μεταβλητής (με μέση τιμή 0
κ α ι διασπορά 1)

τείνει προς την κανονική πυκνότητα φ(x) όταν το ν —> ∞

Σ η μ . Μ ια τέτοια σύγκλιση συναρτήσεων συχνότητας (σπ ή σππ) προς την
κ α νονική φ αναφέρεται ως Τ ο π ικ ό Ο ρ ια κ ό θ εώ ρ η μ α , σε
αντιδιαστολή προς τη σύγκλιση ακολουθίας σκ F v προς την κανονική
σ.κ. Φ ( x ) , γνωστή (για ακολουθίες μέσων όρων X v } ως Κεντρικό
Ο ρ ια κ ό Θεώρημα (βλ. Κεφ. V II).
154

3 7 . Av X i ,..,,A μ είναι τυχαίο δείγμα από την κατανομ ή T√(μ,σ 2 ) και

c P c 2>∙∙∙,c σταθερές που έχουν άθροισμα την 1 και άθροισμα
v
τετραγώνων την 1, δείξετε ότι α) η Υ =c l X l +...+c v X v έχει την κατανομή
N (μ ,σ 2 ) και β) Δεν υπάρχουν c j όλες θετικές που να ικανοποιούν τις
αναφερόμενες συνθήκες.

3 8 . Οι X και Υ έχουν τη διδιάστατη κανονική κατανομή με συσχέτιση ρ,

μέσες τιμές 0 και διασποράς την 1. Δείξετε ότι το άθροισμα X + Υ
είναι επίσης κανονική (πρβλ. α) § 11.2)'

3 9 .Ε σ τω f = ( X j ,...,X v ) τυχαίο διάνυσμα που ακολουθεί τη ν-διάστατη

κανονική κατανομή με μέση τιμή το μηδενικό διάνυσμα, δηλ.
E(JVi )=0, / = 1,...,ν και πίνακα διασποράς Σ = Λ όπου I ο μοναδιαίος
πίνακας τάξης ν. Έστω A = (at j ') ορθογώνιος π ίν α κ α ς (δηλ. A A , =J)
σταθερών. Δείξετε ότι το τυχαίο διάνυσμα

έχει την ίδια κατανομή όπως το ξ.

40*. Συνέχεια. Δείξετε την πρόταση στο τέλος της § 11.4.

 ΚΕΦΑΛΑΙΟ VII

ΟΡΙΑΚ Α ΘΕΩΡΗΜΑΤΑ. ΝΟΜΟΣ ΤΩΝ ΜΕΓΑΛΩΝ

ΑΡΙΘΜ ΩΝ ΚΑΙ ΚΕΝΤΡΙΚΑ ΟΡΙΑΚΑ ΘΕΩΡΗΜΑΤΑ

Η έννοια της σύγκλισης γενικά είναι τόσο βασική στη θεωρία

πιθανοτήτων όσο κ α ι στη μαθηματική ανάλυση. Είδαμε ήδη στο θεώρημα
της Σ υ ν έχ εια ς. Κεφ V , την έννοια της (ασθενούς) σύγκλισης μιας
ακολουθίας συναρτήσεων κατανομής F 1(X ),F 2 (Λ ) ,. . . , ∕' V (X ) J ..., όπου F v η σκ
της τμ Χ ν προς μ ία συνάρτηση κατανομής F x (x) της τμ X . Εκτός από το
είδος αυτό διακρίνουμε κ α ι άλλους τρόπους σύγκλισης μιας ακολουθίας
μεταβλητών X u X 2 ,... i X v ,... Ιδιαίτερο ενδιαφέρον παρουσιάζουν οι
α κολου θίες των μερικών αθροισμάτων ή των αντιστοίχων μέσων όρων
μιας α κολου θ ία ς ανεξαρτήτων τυχαίων μεταβλητών X 1 , . . . , X v . Ο ι διάφοροι
τρόποι σύγκλισης της ακολουθίας των μερικών αθροισμάτων {S l.}, v = l,2 ......
όπου S v = X j + X 2 + ...+ X v , αντιστοιχούν σε διάφορες περιπτώσεις του
καλούμενου Ν όμου των Μεγάλων Αριθμών και του Κεντρικού Οριακού
Θεω ρήματος. Β α σ ικό ρόλο στην απόδειξη των οριακών αυτών θεωρημάτων
π α ίζει η θεωρία των χαρακτηριστικών συναρτήσεων, ιδιαίτερα το
θεώ ρημα Σ υ ν έχ εια ς γ ια χσ, όπως είδαμε στο Κεφ. V .

1 2 .1 . Τ ρ ό π ο ι Σ ύ γ κ λ ισ η ς Α κ ο λ ο υ θ ία ς Τυχαίω ν Μ ετα βλητώ ν

Εστω α κο λο υθ ία τμ X l , X 2 ,,.. t X v ,.., και τμ X i με αντίστοιχες σκ

-Γι(λ ) .Γ 2 ( x ) ,...,F v ( x ) ,... κ α ι F(x), Διακρίνουμε τους εξής τρόπους σύγκλισης
της α κ ο λο υ θ ία ς { x , . } .

α) Σ ύ γ κ λ ισ η κατά πιθανότητα, συμβολιζόμενη με Χ ν — - —> Χ ; Α ν για

κάθε ε > 0 ισχύει η
Jim P [ ∣JV ,.-X ∣≥ ε ] = O . (1)
Η σύγκλιση αυτή της X v προς τηv χ κα τ ⅛ πιθανότητα αντιστοιχεί προς την
σύγκλιση κα τά μέτρο (στη θεωρία μέτρου) και καλείται κ α ι ασθενής
σύγκλιση ή στοχαστική σύγκλιση.
β) Σ ύ γ κ λ ισ η μ ε πιθανότητα την μονάδα ή σχεδόν βεβαίως,
συμβολιζόμενη με A r y - gA αν
156

I l∏n X l ,∙=X = 1. (2)

lv →∙ ∙

Σ την περίπτωση αυτή λέγομεν ότι η χ v συγκλίνει προς την X ισχυρώς.

Α υτό αντιστοιχεί στη μετροθεωρητική σύγκλιση "σ χ ε δ ό ν π α ν τ ο ύ " (almost
everywhere a .c., presque partout, pp.)∙ στην πιθανοΘεωρία χρησιμοποιείται
ο όρος "σχεδόν βεβαίως" (σ.β.) (almost surely, presque sQrcment) ή με
π ιθ α ν ό τ η τ α I .

γ) Σ ύ γ κ λ ισ η κ α τ ά μέσ ον τετραγώ νου, συμβολιζόμενο με Χ ν — >X ■

αν
∣im P (Λ ' v - Υ ) 2 = 0 (3)

δ) Σ ύ γ κ λ ισ η κ α τ ά νόμον ή κ α τ α ν ο μ ή , που σημειώνεται με Χ ν — *—> Χ ή

X — i- → λ (βλ. κ α ι § 11.3) (από το Law ή Loi=v0μoς)ι αν
lim F v (λ')=F(x), για κάθε σημείο συνέπειας της F , (4)

όπως είδαμε στο Θεώρημα της Συνέχειας για χ.σ.

1 2 .2 . Σ χ έ σ ε ις Μ ετα ξύ των Δ ια φ ό ρ ω ν Τρόπω ν Σ ύ γ κ λ ισ η ς

Π ρ ό τ α σ η 1. Η στοχαστική σύγκλιση συνεπάγεται τη σύγκλιση κατά

νόμο:
X , . — ^→ X ^ X v -⅛ → X . (1)

Α π ό δ ειξη '. Έστω X - X v ≈ Y v , όπου εξ υποθέσεως θα έχουμε, για κάθε

ε > 0,
Hm P[y v ≥ β ]= 0 (2)

Γ ια κάθ ε σημείο συνέχειας της F έχουμε

r v ( χ ) = p [ % l , ≤ Λ ]= P [X ,, ≤ r v + Λ ]= P [X I, ≤ χ + Y V , Y V < ε] + p [x r ≤ χ + y l,,y,, ≥ ε)
≤ P [ X ,, ≤ x + ε j+ P [ y v ≥ ε ] .
Ά ρ α , κ α ι από την (2), συμπεραίνουμε ότι
(i) limsupF v (λ )≤ P (λ ' + ε).

Ο μ ο ίω ς βρίσκουμε
(ii) lim inf Fl'( χ ) ≥ F ( x + ε)
k→ ∙∙

Λ α μ βά νο ντα ς τα όρια για ε → 0 στις (i) κ α ι (Η), έχουμε

lim sup F v (x )= lim inf F v ( x ) = F ( x )

Ά ρ α το lim F v (x) υπάρχει (αφού lim = lim) κ α ι επιπλέον

lim F ( x ) = F (x ) (3)
v-⅛∙∙

δηλ. η χ ν —^ - > X . (Το ίδιο βρίσκουμε αν πάρουμε Y v ≈ X v -X ).

 157

Π α ρ α τ ή ρ η σ η ·. Το αντίστροφο της (1) δεν είναι γενικά αληθές, ∏ .χ

για την α κολουθία { X v,} όπου ’’
x u -ι≈ X , X ≈ -X , λ = l ,2 ,...
n
και

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

Π λην όμως γ ια v = 2 P - l , ∣ X v - χ ∣ = o ενώ για v = 2 k , IΧ ν - Χ \ = 2| Χ| Κ αι

επομένως γ ια κάπ οιο ε > 0 κ α ι< 5 > 0 δεν υπάρχει Ν (ε ) ώστε γ ια κάθε
v > N ( ε ) ν α ισχύει η
P [ lX v - X ∣ > ε ] < 5 (4)
(η απαίτηση αυτή είναι ισοδύναμη με τον ορισμό (1) της — £—>).
Ά ρ α η (4), § 12.1, δεν συνεπάγεται, γενικά, την (1), § 12.1.
Ισχύει όμως το παρακάτω μερικό αντίστροφο, για την περίπτωση X ≈ c ,
οπότε ισχύει η

Π ρ ό τ α σ η 2 . Η στοχαστική σύγκλιση της {.¥,,} προς μία σταθερά c είναι

ισοδύναμη προς την σύγκλιση κατά νόμο της { X v } προς την ο, δηλ.
X v - * → c<=>Xv - i→ c. (5)

Α π ό δ ε ιξ η : Α ρ κ ε ί, λόγω της (1), να αποδείξουμε το =» στην (5).

Ε ξ υποθέσεως,
1 για χ ≥ c,
lim F v (x )= (6)
ο για χ < c,
εφ'όσον η Χ ν συγκλίνει προς την εκφυλισμένη (σημειακή) κατανομή, ή
οποία είνα ι συγκεντρωμένη στο σημείο c (μόνο)
Γ ια κάθε ε > Ο έχουμε βάσει της (6)
P [ x ,, < c - ε ] ≤ P [ X v ≤ c - ε ] ≈ F v ( c - ε ) → , 0

P [A rfc, > c + ε ] ≡ ! - ξ ( β + f ) → O

Άρα
P [ ∣ X v, - c ∣ ≥ ε ] → 0,

κ α ι η απ όδειξη της (5) είναι πλήρης

Π ρ ό τ α σ η 3 . Η ισχυρή σύγκλιση συνεπάγεται τη στοχαστική (ασθενή)

σύγκλιση, δηλ.
158

(7 )

Α π ό δ ε ιξ η : Η ωχηρή ούγκλιση σημαίνει ότι, γ ια κάθε β > 0

⅛ ' , SW I Λ ' . - A Ι≥ ≈ ]-O. (8 )

Ε πιπλέον το ενδεχόμενο ∣A'w - A '∣≥ β συνεπάγεται το βun∣ y v l > .

ι⅛ N “ Λ |2 β.
Άρα
⅛ Λ ' N “ A'∣≥ 6∙] ≤ P [BU∣)∣A V - X ∣≥ β

Έ τσι κα ι από την (8) έπεται η

⅛ W N ~ * I ≥ C ]= 0

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).

Π ρ ό τ α σ η 4. Η σύγκλιση κ α τά μέσο συνεπάγεται τη σύγκλιση κατά

πιθανότητα, δηλ.
* v - - , ''∙ > X ⅜ X y - J → χ . (9)
Γ ια την απόδειξη της (9) θα χρησιμοποιήσουμε την ανισότητα
C h e b y ch e v , που είναι μερική περίπτωση της ανισότητας του M arkov.

Α ν ισ ό τ η τ α του M a rk o v . Έστω Υ θετική τμ με E ( Y ) < ° ° , Τότε για

κά θ ε ε > 0 έχουμε
P [y ≥ c]≤ ^ ¾ (10)

Α π ό δ ε ι ξ η : Α ν η Γ ε ίν α ι συνεχής με σππ f ( y ) , έχουμε

£ (}') = ∫ X(y)<⅛' ≥ ί y f { y ) d y ≥ ε ∫ f ( y ) d y = ε P [ Y ≥ ε],

-∙∙ y≥c y≥t

κ α ι έπεται η (10). Η απόδειξη για διακριτή Κ ε ίν α ι όμοια.

Ω ς πόρισμα της (10) έχουμε την ανισότητα C h eb y sh ev (καλούμενη
επίσης α νισ ότητα C h e b y s h c v -B ic n a y m t) .

Α ν ισ ό τ η τ α C h e b y s h e v . Α ν E {X ^ )= μ κ α ι 21(X) = σ 2 , τότε για κάθε

ε > 0
p [ ∣Λ - p ∣≥ ε ] ≤ ^ ∙. (U )

Α υτή διατυπώνεται και ως εξής: Γ ια κάθε λ > 1

 159

p [∣X -μ ∣≥ λ σ ]≤ -L . ( j2 )
Λ

Α π ό δ ε ιξ η : Έχουμε βάσει της (10)

P [ ∣ X - p∣⅛ t ]= p [ ( X - μ ) 2 ≥ ? ]
£ C
Α π ό δ ε ιξ η τη ς (9 ): Βάσει της (11) για κάθε ε > 0, έχουμε
P [ ∣ X , , - X ∣ ≥ g ] ≤ - ^ ∖ x ^ → θ·
ε v→*>
Ά λ λ ες σχέσεις μεταξύ των τρόπων σύγκλισης α), β) κ α ι γ) δεν ισχύουν
γενικά, χω ρίς την επιβολή περαιτέρω περιορισμών.

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 .

Α π ό δ ε ιξ η : Έστω P ( A ) = P ∑ ( % ,~ c ) i = οο = ρ > ο και √4ΛΓ το

Ι/-ι
ενδεχόμενο: ∑ ( X j - c) 2 > λ . Η ακολουθία { J 4Λ Γ } είναι μη φθίνουσα δηλ.
∕≡l
Z ^Λ,+I 2 Α για 7√=1,2,... και επομένως ισχύει το Α ξ ίω μ α της Σ υ ν έ χ ε ι α ς
Ν

(βλ. Ά σ κ . 40 Κεφ. I), ώστε

lim P(√L,)=P(l∣∏ ι Ά Ν ) ≥ Ρ ∑ ( X y - c ) 2 =∞
w→- * →- U-ι
Ά ρ α γ ια Ν αρκετά μεγάλο,
Ν Ν
∑ E ( X ∣~ c ) =-E* ∑ (∙λ ry —c)^ ·> λ ρ
/«=1 1/«ι
το οποίο αντιτίθεται στην (13), εφ'όσον το λ μπορεί να εκλεγεί αυθαίρετα
μεγάλο. Ά ρ α
Ρ ∑ (X -c )2= =0,
J-ι
δηλ.
Ρ ∑ u , - c ) 1 < ~ =1
./■I
κα ι γ ια τον ν-οστό όρο της συγκλίνουσας σειράς θα ισχύει

Έτσι, σύμφωνα με την (2) της § 12.1, η Χ ν — ——⅛c .

160

12.3. Ν όμοι των Μεγάλων Αριθμών

Η εμπειρική βάση για τις πολλαπλές εφαρμογές της θεωρίας των

πιθανοτήτων έγκειται στη συχνοτική ερμηνεία της π ιθα νότητα ς ως
ο ρ ια κ ή ς σχετικής συχνότητας, όπως τονίστηκε από τον Von Mises
πρόσφατα, αλλά κατά βάση και παλαιότερα από τον Pascal μέχρι τον
Laplace κ,α. Η εμπειρική διαπίστωση της σταθερότητας της σχετικής
συχνότητας με την οποία εμφανίζεται ένα ενδεχόμενο σε μεγάλο αριθμό
επαναλήψεων (παρατηρήσεων) ενός πειράματος τύχης (ενός τυχαίου
φαινομένου), η οποία εκφράζει τον λεγόμενο νόμο της στατιστικής
τάξεω ς, έχει ως θεωρητικό υπόβαθρο τον καλούμενο Ν ό μ ο των Μ εγά λω ν
Α ρ ιθ μ ώ ν. Ο νόμος, σε γενικές γραμμές, ορίζει την συμπεριφορά του μέσου
ό ρ ο υ μ εγά λο υ αριθμού παρατηρήσεων. Γι'αυτό έχει μεγάλη σημασία στη
Σ τ α τ ισ τ ικ ή Συμπερασματολογία, όπου ο άγνωστος μ έσ ος κα τα νομής
(στατιστικού πληθυσμού) εκτιμάται (κατά κανόνα) από τον αριθμητικό
μ έσ ο (όρο) των παρατηρήσεων του δείγματος. Το ερώτημα τίθεται κατά
πόσο ο μέσος του δείγματος "πλησιάζει" (με κάποια έννοια) (συγκλίνει
προς) τον μέσο του πληθυσμού όταν το πλήθος των παρατηρήσεων αυξάνει
(θεωρητικά προς το °°). Η απάντηση δίδεται από τον Νόμο των Μεγάλων
Αριθμών, ο οποίος, μπορεί να πει κανείς, δικαιολογεί την κοινή αντίληψη
ότι "στατιστική" σημαίνει "μέσο όρο".

Ν ό μ ο ς των Μ εγάλω ν Αριθμών ( Ν .Μ .Α .) των C h e b y sh e v -M a rk o v

(Α σθ ενής Ν .Μ .Α .) . Έστω οι Λ -1, J Y I ...... Χ χ....... ανεξάρτητες τυχαίες
μεταβλητές, και ας υποθέσουμε ότι E ( X i )≈ μ i , A (% ∕) = σ2 , 7=1,2 ,... και,
επιπλέον,
⅛ 2 →.t>∙ C)
Έστω Χ ν = - ∑ ∙ λ √, μl,= - ∑ μ 7 . Τότε
ν ,- 1 ν ,:ι
X V - P V - - L →0. (2)
Α π όδειξη: Βάσει της ανισότητας Chebyshev, (11) § 12.2, έχουμε για
κάθε ε > 0
P [ ∣ Λ , . - ^ ∣ ≥ s ] ≤ ^ > = - l 3. ∑ ff ζ → 0.

δηλ. δείχτηκε η (2).

Ως πόρισμα έχουμε το εξής

θεώ ρημα 1. Αν X u , , ., X v ,,.. είναι τυχαίο δείγμα από κατανομή J FX (X )

με E ( X ) = μ και A (X )= σ 1 < ~, τότε έχουμε τον απλό Ν .Μ .Α .,
 16]

Μερική περίπτωση αυτού του θεωρήματος είναι ο κλασσικός Ν όμος

των Μ ε γ ά λ ω ν αριθμών του B ernoulli για τη διωνυμική κατανομή.

θεώ ρημα του Bernoulli. Έστω ρ = — η αναλογία επιτυχιών σε ν

ν
δοκιμές Bernoulli με παράμετρο (πιθανότητα επιτυχίας) ρ. Τότε
ρ → ρ. 0)
Α πόδειξη: Παίρνουμε ως X j του προηγούμενου θεωρήματος τις δίτιμες
μεταβλητές Bernoulli X i με
P [ X ,= l] = jp, P [ X ,= θ ] = l - i >=9 , E (χ ∙)= μ = p .
Ο Γ άλλος φυσιοδίφης του 18ο υ αιώνα Buffon έριξε ένα νόμισμα 4.040
φορές κ α ι έλαβε "Κορώνα" (Κ) 2.048 φορές, δηλ. σχετική συχνότητα ρ
επιτυχιών ίση με 0,507 (βλ. και Ασκ. 3, Κεφ. VI). Ο Άγγλος στατιστικός
Karl Pearson σε 12000 δοκιμές, έφερε Κ 6.019 φορές, δηλ. σχετική
συχνότητα 0,5016. Σ'άλλη περίπτωση, ρίχνοντας νόμισμα 24.000 φορές
εμφανίστηκε Κ 12.012 φορές, δηλ. σχετική συχνότητα 0,5005. Έτσι σ'όλες
τις περιπτώσεις η σχετική συχνότητα πολύ λίγο απείχε από το Ρ = ~>

σύμφωνα κ α ι με τον Νόμο των Μεγάλων Αριθμών.

Από την (2) έπεται και το εξής.

θεώ ρημα του Poisson. Αν έχουμε γενικευμένες δοκιμές Bernoulli, δηλ.

P [X f = l]= p ,, /=1,2,...,
1v
και p v = ~ ∑ P i , τότε η σχετική συχνότητα επιτυχιών
v,∙≡j
k p _
-v v→
→*>Ρ, (4)
(πρβλ (2)).
Στους παραπάνω Ν.Μ.Α. υπετέθη η ύπαρξη της διασποράς. Αυτό
όμως δεν είν α ι π ά ντα α ναγκαίο. Έτσι έχουμε το

θεώ ρημα (Ν .Μ .Α .) του Khintchine (1928). Αν οι X v X 2 t ...,X v t ...

είναι ανεξάρτητες και ισόνομες και E (X i )=μ, τότε
Xv- → p μ-
Α πόδειξη: Βάσει του θεωρήματος της Συνέχειας για χ.σ., Κεφ. V, και
της Πρότ. 2, § 12.2, αρκεί να δείξουμε ότι η χ.σ. φ(f) του Χ ν τείνει προς τη
χ.σ. της εκφυλισμένης (μονοσημειακής) κατανομής (στο σημείο μ). Από την
(5)*, § 10-4, έχουμε
162

^ ( 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

<ε, γι'όλα τα ν ≥ J√ ≥ l-< 5 ,

δ η λ . η απόκλιση d, από ένα σημείο κα ι πέρα γ ίν ε τ α ι κ α ι π α ρ α μ έν ει

μ ι κ ρ ή με πιθανότητα που πλησιάζει την 1 όσο θέλουμε. Η ισχύς του ισχυρού
αυτού Ν .Μ .Α . αποδείχτηκε πρώτα από τον Γ ά λ λ ο Μ α θ η μ α τικ ό Em ile
B o re l (1909). Αργότερα ο Kolm ogorov γενίκευσε τον ισχυρό Ν .Μ .Α . όπως
διατυπώνεται στα παρακάτω θεωρήματα, των οποίων η απόδειξη είναι
πέρα ν των σκοπών του παρόντος.

θεώ ρημα Α του K o lm o g o r o v (Ισ χ υ ρ ό ς Ν . Μ . Α . ) . Έστω {A ∖,},

v = l,2 ,... ακολουθία ανεξάρτητων τυχαίων μεταβλητών τέτοιω ν ώστε
“ ∕T2
£ ( X ,) = f t , Δ { X l ) = σ l1 , /=1,2....... ∑ ⅞ < ~ .
>-ι V
Τότε (πρβλ (1) και (2), § 12.3)
÷0.
 163

θ εώ ρ η μ α Β του K olm ogorov (Ισχυρός Ν .Μ .Α .). 'Εστω ⅛ } ,

v=l,2,... ακολουθία ανεξάρτητων και ισόνομων τυχαίων μεταβλητών. Τότε,
αναγκαία κα ι ικανή συνθήκη για την ισχυρή σύγκλιση Χ ν — μ είναι η
ύπαρξη της E { X j ) και E {X ,)= μ .

13.1. Κ εντρικό Οριακό θεώρημα

Είδαμε ότι οι Νόμοι των Μεγάλων Αριθμών αφορούν τη σύγκλιση

(στοχαστική ή ισχυρή) των δειγματικών μέσων Χ ν προς τον αντίστοιχο μέσο
E ( X v ) σε μ ία ακολουθία X u ...,X v i ... ανεξάρτητων τμ. Τα λεγόμενα
d
Κ ε ν τ ρ ικ ά Ο ρ ια κ ά θεω ρήμ α τα αφορούν τη σ ύ γκ λισ η κ α τ ά νόμο, —
της ακολουθίας των μέσων Χ ν προς την κανονική κατανομή.

Κ ε ν τ ρ ικ ό Ο ρ ια κ ό θεώρημα (Lindeberg-Levy): Περίπτωση

ανεξάρτητων κ α ι ισόνομων τυχαίων μεταβλητών με πεπερασμένη διασπορά.
Έστω η ακολουθία X l ,...,X v ,... ανεξάρτητων κα ι ισόνομων τμ με E ( X l )= μ ,
Δ ( X i )= σ 2 . Τότε η ακολουθία των τυποποιημένων μέσων

(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

κ α ι έτσι το ΚΟΘ έχει αποδειχθεί.

Από το θεώρημα αυτό έπεται ότι για κάθε ζεύγος σταθερών
α ,β (a < ∕J), έχουμε
Jim P[α < y,, ≤ β}= Φ(0) - Φ(α) (2)
Η (1) ή (2) διατυπώνεται και ως εξής: Η Χ ν είναι ασυμπτωτικά κανονική

ή το άθροισμα ∑ X j είναι ασυμπτωτικά TV(vμ,vσ2 ). Σαφέστερη

/-1
κ α ι προτιμότερη η εξής διατύπωση: Για κάθε χ ∈R
1 ί
lim P [l',≤ x ] = Φ(Λ')=-7= e 2 du, (2)*
*→- √2π _ί
κ α ι η σύγκλιση είναι ομοιόμορφη στο R.
Μ ερική περίπτωση του θεωρήματος Lindeberg-Levy είναι το κλασσικό

θ εώ ρ η μ α de M oivre-Laplace. Έστω S,l, ο αριθμός επιτυχιών σε ν

δοκιμές Bernoulli με παράμετρο ρ, δηλ. το S v έχει την διωνυμική
κατανομή:
( \
P[S v = l] = ν ∖p k q v~lι , k= Q , ∖,...,v.
∖ ^J
Τότε για δύο οποιεσδήποτε σταθερές α,β (α < β~)
H m P[α≤S r ≤ β ] = Φ ( β ') - Φ ( α ∖ (3)
V—>■»

όπου

■Jvpq -Jvpq

Α π ό δ ειξ η : Οι X i του προηγούμενου θεωρήματος είναι οι δίτιμες

μεταβλητές Bernoulli με
E (X i )≈ p , Δ ( X i )≈ p q , S v = ∑ X i

κ α ι επομένως το θεώρημα Lindeberg-L6vy ισχύει.

Σ η μ . Η (3) αναφέρεται συνήθως ως κ α ν ο ν ικ ή π ρ ο σ έγγισ η της

δ ιω ν υ μ ικ ή ς κα ι λέγομεν ότι το S v είναι ασυμπτωτικά κανονική,
N (yp,vpq).

Π α ρ ά δ ειγμ α : v=100, ρ = — (ρίψη β νός νομίσματος 100 φορές). Ποια η

πιθανότητα να φέρουμε "κορώνα" 45-55 φορές; Έχουμε, από την (3),

 165

α = P(45 ≤ S l00 ≤ 55)=

φ ( 5 5 ~ 1 0 0 × l ∕2 γ∣ f 45 -1 0 0 × 1/ 2 λ
= Φ (1 )-Φ (-1 )
I √ iθ θ × l∕4 ^ J C 7 1 0 0 × l ∕4 >
= 2 Φ (1 )-1 = 2(0 ,8 4 1 3 )-1 = 0 ,6 8

Σ ημ είω σ η'. Φ ( - l ) = l - Φ ( l ) . Γενικά λόγω συμμετρίας της τυποποιημένης

κ α νονική ς πυκνότητας φ(χ) γύρω από την αρχή, δηλ. φ (x)= φ (-× )> έχουμε
για την α .σ .κ Φ την σχέση (βλ. και § 5.2, IV )
Φ ( -x ) = l - Φ (x).

Π α ρ α τ ή ρ η σ η '. Η κανονική προσέγγιση της πιθανότητας P (a ≤ S v ≤ β }

βελτιώνεται α ν χρησιμποποιήσουμε το a - αντί του α κ α ι το β + αντί

του β , κ α ι αναφέρεται διόρθω ση συνέχεια ς. Έτσι, αντί της (3), έχουμε

β -ν ρ + ^ 5 a - y p -0 ,5
P [ a ≤ S v ≤ β ]= < ^ -Φ
vpq ypq

Α κ ρ ί β ε ι α κ α ν ο ν ικ ή ς προσέγγισης για v=100, p = 0 ,3

"S √ , Διωνυμική (ακριβώς) Κ α νονική προσέγγιση

9 ≤ S v ≤ 11 0,000006 0,000030
12 ≤ 5,. ≤ 14 0,000150 0,000333
15 ≤ 5,. <17 0,002010 0,002830
21 < S v ≤23 0,059070 0,058950
37 ≤ S v ≤ 39 0,058890 0,058950
43 ≤ S v ≤ 45 0,003430 0,002830
4 9 ≤ 5 v ≤51 0,00005 0,000030.

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

να ε ίν α ι μέτριο ( λ < 1 0 ) , η διωνυμική πιθανότητα k επιτυχιών μπορεί να

προσεγγισθεί ά π ό την Poisson
166

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:

θ ε ώ ρ η μ α : Η κατανομή Poisson για μεγάλες τιμές της παραμέτρου

μπορεί να προσεγγισθεί από την κανονική, δηλ, αν
P [ % = λ '] = e - λ 4 τ ∙ * = 0 >1>2 .......
k∖
όπου το Λ είναι μεγάλο, τότε για κάθε a < β

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

δοκιμές Bernoulli. Ζητούμε, λοιπόν τον αριθμό k επιτυχιών ώστε

P [⅛ ≥ * ]< θ > θ l∙

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

Στην προσέγγιση της διωνυμικής από την Poisson λαμβάνουμε την

παράμετρο λ= 2 0 0 0 × ∙^ = 6 6 ,6 7 . Από του πίνακες της κατανομής Poisson

(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

k ------- vp / ^Jvpq > 2,327

2 j

όπου v=20 0 0 , Ρ = ~ · Ετσι βρίσκουμε

k ≥ 61,17 + 2,327 ×8,027 ≈ 85,8,

δηλ. σύμφωνα με την κανονική προσέγγιση απαιτούνται 86 γραμμές, κ α ι οι
δύο λύσεις, από άποψη ακρίβειας στην πράξη, συμφωνούν.

13.2. Τ α Κ.Ο.Θ. των Lyapunov και Lindeberg-Feller

Τ ο θεώρημα των Lindeberg-L6vy εξασφαλίζει την ασυμπτωτική

κανονικότητα του μέσου Χ ν δείγματος από κατανομή F με πεπερασμένη
διασπορά. Ενδέχεται όμως αν οι μεταβλητές δεν είναι ισόνομες να μη
συγκλίνει το Χ ν προς την κανονική κατανομή, έστω κ α ι αν υπάρχουν οι
διασπορές των X j .
Τ ο θεώρημα του Lyapunov (του οποίου την απόδειξη παραλείπουμε ως
αρκετά εξειδικευμένη) δ ίν ε ι ικ α ν έ ς συν&ήκες για την σύγκλιση προς την
κα νονική κατανομή του μέσου Χ ν ανεξάρτητων μεταβλητών.

θ ε ώ ρ η μ α του L y a p u n o v . 'Εστω { A rl,} ακολουθία ανεξάρτητων τμ των

οποίων οι ροπές τρίτης τάξεως υπάρχουν, και έστω
B ( % ,) = ⅛ Δ ( X , )= α ] > 0, r ,= ∙E { ∣X , - f t ∣1 },

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).

13.3. Κ Ο Θ γ ια Τ υχαία Α θροίσματα

Σε πολλές εφαρμογές ενδιαφέρον παρουσιάζει η προσέγγιση της

κατανομής του τυχα ίου αθροίσματος (βλ. § 10.2)
SN =X X+...+XN (1)
όπου OL X j είναι ανεξάρτητες και ισόνομες τμ κα ι ο Ν είναι επίσης μη
α ρ ν η τ ικ ό ς α κ έρ α ιο ς τμ, ανεξάρτητη από τα X i . Π.χ., το JY1, είναι η ζημιά
του ν-οστού δυστυχήματος (που καλείται να αποζημιώσει μ ια ασφαλιστική
εταιρεία) κα ι Ν ο (τυχαίος) αριθμός των δυστυχημάτων (σε δεδομένη
χρονική περίοδο, π.χ., ένα έτος), ώστε το SN να ισούται με τη
συσσω ρευμένη (συλλο γική) ζημιά.
Για τυχαία αθροίσματα SN ισχύει το εξής Κ Ο Θ 1 .

θ εώ ρ η μ α : 'EστωN l ,N i ,... θετικές τμ ώστε

κι α ς υποθέσουμε ότι, στην (1) (χωρίς απώλεια της γενικότητας)

E (X l )=o, Λ ( X l )=l, 7=1,2,... .
Τότε

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 - - < L t χ(O,l). (3)

√V
Ε ίν α ι αξιοσημείωτο ότι το S w / 7ν δεν είναι κανονικοποιημένο

(τυποποιημένο) να έχει διασπορά 1. Τ ο Θεώρημα μάλιστα ισχύει κ ι όταν

j E(2V )= o o t α λ λ ά κ α ι αν ακόμα E ( N v )<∞ η (2) δεν σ υνεπ ά γετα ι ότι

⅛ ) → ∣.

Ω ς εφαρμογή κ α ι διασάφηση του Θεωρήματος, θεωρούμε τη σημαντική

περίπτωση της σύνθετης Poisson (βλ. § 10.2), όταν δηλ. ο Ν στην (1)
ακολουθεί την κατανομή Poisson. Τότε τον ρόλο του ν στην (2) παίζει η
παράμετρος λ της Poisson. Πράγματι, επειδή η Poisson τμ Ν λ μπορεί να
θεωρηθεί ως άθροισμα ν ανεξάρτητων Poisson N λ με λ v = λ ∕ ν , σύμφωνα με
τον απλό (ασθενή) Ν Μ Α , έχουμε
Ρ
Ν Δλ- → 11
—
λ a →~
ώστε ν α συμπεραίνουμε ότι γ ια μ ε γ ά λ α λ ( λ —><×>) η σύνθετη P o is s o n
τείν ει σ τ η ν κ α ν ο ν ικ ή . Π ιο συγκεκριμένα η τυποποιημένη SN , δηλ. η (βλ. )
s .,.f c ⅛ ) .i H f f i i „ (0 J). (4 )

Η (4) μπορεί να δειχθεί κα ι κατευθείαν, από το ότι, π .χ ., η

ροπογεννήτρια (ή χ.σ.) της S*. τείνει στην ργ el ' f2 (ή χ.σ. e^'iχ2 ) της N ( 0 ,l) .
Όσον αφ ορά Ν .Μ .Α ., μπορεί εύκολα να δειχθεί, π .χ., με τη βοήθεια της
ανισότητας Chebyshev ((1.1) της § 12.2) και της
Λ(S N )=(E N ) Z1(X I )+ 4 ( Ν ) ( £ Χ ,) 2
ότι:
Α ν E ( X i ) = μ , Δ ( X j ')≈ σ~ < ∞, -E(N)<oo, Δ ( N y) < ∞, τότε
V ' S N, μ·
V - 4 co

Ε ιδ ικ ά στην περίπτωση Poisson Ν με παράμετρο Λ, παίρνοντας ν ≡ λ ,

έχουμε
Δ(SN I ∙)= λ Δ (X ,∙) + λ ( E X . j i = λ £ ( Ύ 2 ),
ώστε η ανισότητα Chebyshev να δίνει τον Α Ν Μ Α γ ια τη σύνθετη
P o is s o n ·.

p [ ∣ Λ - ⅛ Λ → 0.

Μ ε γ ά λ ο πιθανοθεωρητικό κ α ι στατιστικό ενδιαφέρον παρουσιάζει κ α ι

η περίπτω ση κ α τά την οποία η τμ Ν εξαρτάται από τα X t . Εδώ είναι πολύ
δύ σ κ ο λο , α ν μη αδύνατο, να βρεθεί σε κλειστή μορφή η κατανομή του SN .
Α ρ κ ε τ ά αποτελέσματα υπάρχουν προς δύο κατευθύνσεις, σε σχέση με το
170

πρόβλημα του βέλτιστου τερματισμού (optimal stopping)^ (π.χ. στην

ακολουθιακή (sequential) στατιστική ανάλυση) και την ισχύν των ΝΜΛ
και του Κ.Ο.Θ. Περιοριζόμαστε σε μερικά αηό δείγματα σχετικών
εργασιών.
Για τη διατήρηση του ΝΜΑ, μπορεί να δειχθεί ότι:
ς 1S ,
α) Αν — ——- >0 και N l.—g≠, ->p∙o , τότε ——---- ->0,
ν Νν
ς 5
β) Αν >0 και Λ\.——->oo , τότε ——— — >0,
ν √Vv
αλλά οι v~l S,υ —— —>0 και Ν ν — i j M ∞ δεν συνεπάγοται την N ∣
7, S N —>0,
(του ν —>o o ).
Για τη διατήρηση του ΚΟΘ, σ’αυτήν την περίπτωση, όπου δηλ. ο χρόνος
τερματισμού (stopping time) εξαρτάται από τα X l (ώστε να έχουμε τυχαία
τερματιζόμενα (τυχαία) αθροίσματα SN = X 1+...+XN ) έχουμε το εξής
ΚΟΘ: για την περίπτωση των X l της (πρβλ )
Αν v-'N v - ^ → Θt θ τμ>0,τoτε — ½→ N(0,Γ).

ΑΣΚΗΣΕΙΣ

1. Αν οι ανεξάρτητες τμ X u X 2 ,.,.X x... πληρούν τη συνθήκη

Δ(X i )≤ M <∞, /=1,2,...,
τότε ισχύει ο (ασθενής) Νόμος των Μεγάλων Αριθμών.

2. Έστω {A FV }, V=],2,... ακολουθία τμ ανά δύο ασυσχέτιοτων, και έστω

E(X j )=μ i , Δ(X y ) = σ2 .
1 v -
Αν — ∑,σi → 0, τότε ισχύει ο ασθενής Ν.Μ.Α. .
ν ,-1 ' *→~

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

4. Εξετάστε κατά πόσο ισχύει ο Νόμος των Μεγάλων Αριθμών και το

Κεντρικό Οριακό Θεώρημα για καθεμιά από τις ακολουθίες {-¥,.}
ανεξάρτητων τμ με κατανομές:

, Chow, Y.S., Robbins, Η. and Siegmund, D., Great Expectations:

The Theory o f Optimal Stopping. Hougton, M ifflin , Boston, 1971.

 171

α) P [A' V =±2' ]=P β) P [ * 1,= ± 2 v ]=2-<1∙'+1>, γ) φ ς , = o ] = ι - 2 - 2μ .

5. Εστω {A ' v } ακολουθία τμ, τέτοια ώστε η X l, ενδέχεται να εξαρτάται

από τις γειτονικές της τμ Ύ ν_, και Υ ,, +1, αλλά είναι ανεξάρτητη από
όλες τις άλλες. Δείξετε ότι αν οι Χ ν έχουν φραγμένες διασπορές, τότε
ισχύει ο Α .Ν .Μ .Α .

6 , .A v για κάθε ν, Δ ( X ,) ≤ C < ∞ 1<αι C o v ( X z ,A ry )< 0 (∕,√ = l,2 ,...,v ) , τότε

ισχύει ο Α .Ν .Μ .Α .

7*. Ο Lyapunov απέδειξε το Κ .Ο .Θ . με την προϋπόθεση ότι για κάποιο <5>0,

Ε(∣A' v ∣2 + i ) = ∕ζ , όπου β v I ∆ v < c=σταθεpd, ∆ J = Δ ∣ j=vσ 2 .
Μ-ι )
Δείξετε ότι αν η συνθήκη αυτή του Lyapunov πληρούται, τότε
πληρούνται κ α ι οι συνθήκες του θεωρήματος Lindeberg-L0vy.

8. Έστω {A z v } ακολουθία τμμε Δ { X j ') ≤ C <∞ , / = 1 ,2 ,..., κα ι επιπλέον

C o v ( X j i X y) → 0 όταν |ί - j ∣ → ∞.
Τότε ισχύει ο Α .Ν .Μ .Α ., δηλ.
X v - μ ~ j → Q.
9. Α ν X - f
→ Y κ α ι X v - ^→ Z ,τ o τ ε P [Y = Z } = ∖.
v

10*. Έστω ακολουθίες { X l ,} και { y j τμ τέτοιες ώστε

Χ ν — — >X , Υν — - c = σταθερά.
Δείξετε ότι:
α) X v + Yv -½ → X + c β) X v -Y v - ⅛ - c

I I * . Εκτίμηση παραμέτρων. Αμερόληπτες κ α ι συνεπείς εκτιμήτριες. Έστω

τυχαίο δείγμα X l , . . . X v από κατανομή F x . Στη θεω ρία εκ τ ιμ η τ ικ ή ς,
της Στατιστικής Συμπερασματολογίας, ενδιαφερόμαστε για την εκτίμηση
(άγνωστων) παραμέτρων, όπως είναι η μέση τιμή και διασπορά της
κατανομής, με βάση τις παρατηρήσεις του (τυχαίου) δείγματος. Γ ια την
εκτίμηση μιας παραμέτρου Θ χρησιμοποιούμε μία συνάρτηση των
X l , . . . X v , έστω Tv ( X l , . . . X v ) , την οποία καλούμε εκ τ ιμ ή τ ρ ια
(δειγματοσυνάρτηση). Α ν Ε(T l,)= 0 γ ια κάθε θ στον παραμετρικό χώρο
(σύνολο των τιμών του 6), καλείται α μερόληπ τη (unbiased) εκτιμήτρια
ρ
της θ. Α ν Tv → θ η Τν καλείται συνεπής (consistent) εκτιμήτρια της θ.
172

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 /- )

είναι συνεπής εκτιμήτρια της π λ η θ υ σ μ ια κ ή ς κ ε ν τ ρ ικ ή ς ροπής

μ v = E ( X - μ) 1', για κάθε v = l,2 ,...

12. Συνέχεια, α) Α ν η Tl, είναι αμερόληπτη εκτιμήτρια της # κ α ι

lim Δ(T v ) = 0,
V-⅜∙Φ

τότε η Tl, είναι συνεπής εκτιμήτρια της θ. β) Α ν Tv = —∑ T v j , όπου οι T" i

V /=)
είνα ι συνεπείς εκτιμήτριες της θ, τότε κ α ι η Τν είνα ι συνεπής.

1 3 . Έστω Δ ( X ) = o 2 = 9. Ζητείται ο αριθμός ντω ν παρατηρήσεων της X (το

μέγεθος του δείγματος), ο οποίος απαιτείται γ ια να διαφέρει με
πιθανότητα μικρότερη του 5% ο μέσος του δείγματος από τον μέσο μ της
X α) πάνω από 5% της τυπικής απόκλισης της X κ α ι β) πάνω από 5%
του μ δεδομένου ότι μ > 5 .
Συγκρίνετε τις δύο απαντήσεις που βρίσκετε χρησιμοποιώντας την
ανισότητα Chebyshev και το Κεντρικό Ο ρια κό Θεώρημα.

14. Μ εταβλητή X ακολουθεί την κ α τ α ν ο μ ή Pareto με πυκνότητα

f(x )= 2 4 x Λ Λ ≥2.
Δώστε τη γραφική παράσταση της συνάρτησης
g(<5) = P [ ∣ Υ - μ ∣ > 6],
 173

όπου μ ≈ E ( X y) i και συγκρίνετε την με εκείνη που δίνει η χρήση της

ανισότητας Chebyshev.

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;

16. Ti λέγει ο Νόμος των Μεγάλων Αριθμών'για τη σχετική συχνότητα

εμφάνισης του ψηφίου 1 σε ν αριθμούς ενός Πίνακα Τυχαίων Αριθμών;
Ποια πρέπει να είναι η τιμή του ν για να εμφανιστεί με πιθανότητα
τουλάχιστον 0,95% το 1 με σχετική συχνότητα μεταξύ 9% και 11%;
Συγκρίνετε τις απαντήσεις από το Κεντρικό Οριακό Θεώρημα και την
ανισότητα Chebyshev.

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;

18. Στο παιγνίδι της ρουλέττας η πιθανότητα να κερδίσει ο παίκτης είναι

18/37. Ας υποθέσουμε ότι σε κάθε παιγνίδι ο παίκτης ή κερδίζει μία
δραχμή ή χάνει μία δραχμή. Σε κάποιο καζίνο το παιγνίδι παίζεται
100.000 φορές την εβδομάδα, ί) Ποια είναι η πιθανότητα σε μια
βδομάδα το καζίνο α) να χάσει χρήματα β) να κερδίσει τουλάχιστον
1.000 δραχμές; ii) Ποια είναι η πιθανότητα σ'ένα χρόνο το καζίνο να
α) να χάσει χρήματα,
β) να κερδίσει τουλάχιστον 52.000 δραχμές;
•

19. Το ημερήσιο εισόδημα (σε δρχ.) (επαγγελματία!) χαρτοπαίκτη

ακολουθεί την ομοιόμορφη κατανομή στο διάστημα (-40,50).
α) Π οια είναι η πιθανότητα να κερδίσει σε 60 ημέρες πάνω από 500
δραχμές;
β) Ποιο ποσό α (κέρδος ή ζημιά) είναι τέτοιο ώστε το πολύ 1 φορά στις
10 ο παίκτης θα έχει εισόδημα μικρότερο του α κατά τη διάρκεια 60
ημερών;

20. Το σφάλμα, με προσέγγιση δεκάτου, ενός αριθμού ακολουθεί την

ομοιόμορφη κατανομή στο διάστημα (-0,05, 0,05). Ποια είναι η
174

πιθανότητα το σφάλμα αθροίσματος 1000 αριθμών να είναι,

κατ'απόλυτη τιμή, μικρότερο του 2;

21. Η διάρκεια λυχνιών τηλεόρασης ακολουθεί την εκθετική κατανομή με

μέσο 500 ώρες. Να βρεθούν οι πιθανότητες:
α) Ο συνολικός αριθμός ωρών διάρκειας 100 λυχνιών να υπερβεί τις
6000 ώρες,
β) δείγμα 200 λυχνιών να περιέχει το πολύ 10 λυχνίες με διάρκεια
μικρότερη των 300 ωρών.
 175

ΒΙΒΛΙΟΓΡΑΦΙΑ Β’ ΜΕΡΟΥΣ

Παραθέτουμε εδώ μόνο τα βιβλία που είχαν ληφθεί υπόψη

κατά τη συγγραφή του βιβλίου Μαθήματα Θεωρίας Πιθανοτήτων
(1969), κύριο μέρος του οποίου (μεταγλωττισμένο) αποτελεί το Β'
*
Μέρος,

1. Cramdr, H., The Elements o f Probability Theory, Wiley, New

York, 1955.
2. Cramdr, H., Mathematical Methods o f Statistics, Princeton University
Press, 1946.
3. Feller, W., Introduction to Probability Theory and its
Applications, Toμ. 1, Wiley, New York, 1957.
4. Fisz, M., Probability and Mathematical Statistics, Wiley, New York,
1963. <

5. Gnedenko, B.V., The Theory o f Probability, Chelsea, New York,

1962.
6. Papoulis, A., Probability, Random Variables and Stochastic
Processes, Me Graw Hill, New York, 1965.
7. Parzen, E., Introduction to Modem Probability Theory and its
Applications, Wiley, New York, 1960.
8. Renyi, A., Calcul des Probability, Dunod, Paris, 1966.

* Η μεταγενέστερη (μετά το 1970) και πρόσφατη βιβλιογραφία στην

Πιθανοθεωρία (και τη Στατιστική), ξένη και Ελληνική, είναι πολύ
πλούσια, τόσο σε εισαγωγικό όσο και σε προχωρημένο επίπεδο.
 Συγγράμματα του ιδίου:

a) Ε λ λ η ν ι κ ά:

1) Μαθήματα Θεωρίας Πιθανοτήτων, Αθήνα, 1969

2) Στοιχεία Στοχαστικών Ανελίξεων, Αθήνα, 1971
3) Θεωρίας Πιθανοτήτων Ασκήσεις, Αθήνα
Τεύχος 1, A , Εκδοση 1971, Β' Εκδοση 1986
Τεύχος 2, Α' Εκδοση 1970, Β’ Εκδοση 1976,
Γ Εκδοση 1985
4) Στατιστική, Θεωρία και Εφαρμογαί, Αθήνα, 1972
5) Στοχαστικές Ανελίξεις (ΒΈκδοση), Αθήνα, 1978,
Νέα Εκδοση, 1995
6) Πιθανότητες και Θεωρία Κινδύνου, Αθήνα, 1994

β) Α γ γ λ ι κ ά :

1) Discriminant Analysis and Applications, (Editor)

Academic Press, 1973.
2) Exercises in Probability, Problem Books in Mathematics
(ed. P. Halmos), Springer Verlag, New York, 1989.
Κυκλοφόρησε επίσης ως Springer INTERNATIONAL
STUDENT EDITION, από τον εκδοτικό οίκο Narosa
Publishing House, New Delhi, 1993.

γ) Μ ε τ α φ ρ ά σ ε ι ς :

1) Μαθηματικοί Μέθοδοι δια Σπουδαστάς Θετικών

Επιστημών 2 Τεύχη, Αθήνα, 1974 {Mathematical Methods
fo r Science Students, υπό G. Stephenson, Β' Εκδοση,
Longman, London, 1973)
2) Γραμμικός Προγραμματισμός, Αθήνα, 1974 {Linear
Programming, υπό S. Gass, I v Εκδοση, McGraw-Hill, 1969)
3) Οδηγός Στατιστικής Ερευνας - Τύποι και Πίνακες, 1984
{Formulae and Tables fo r Statistical Work, τωv C.R. Rao,
κ.α., Statistical Publishing Society, Calcutta)
ISBN 978-960-266-180-2