Huishoudelijke zaken
Werkcollege
Docent:
dr.ir. P.R. de Waal CGN, kamer A-358, tel. 9252 e-mail:
[email protected]
Website:
Overzicht hoorcolleges (en handouts) Opgaven werkcolleges Oude tentamens
Zelfwerkzaamheid. Voorbereiding Groepsindeling op webpagina studiegids
Literatuur:
Morris H. DeGroot, Mark J. Schervish (2002). Probability and Statistics, 3rd edition, Addison-Wesley.
Tentamen:
Schriftelijk (gesloten boek) met aantekeningen Tussentijdse toets in week 41
Hfdstk 1: Inleiding
1 / 55
Hfdstk 1: Inleiding
2 / 55
Voorbeeld 1: Data-analyse
T1 T2 T3 ...
Deel I Inleiding
Database van transacties bier, chips, cola, rijst, melk, kaas luiers, bier, cola, hagelslag, kaas, jam luiers, waspoeder, melk, vleeswaren, tandpasta ...
Kansen schatten uit de gegevens van de database. Wordt gebruikt voor: Samenstellen van reclame-acties Indeling van schapruimte Beroemd voorbeeld is het verband tussen bier en luiers.
Hfdstk 1: Inleiding
3 / 55
Hfdstk 1: Inleiding Voorbeelden Statistiek in Informatica
4 / 55
Voorbeeld 2: Beslissingondersteunende systemen Het zoeken van niet voor de hand liggende verbanden in grote databestanden (datamining) I Koopgedrag klanten in supermarkt I
Menselijk genoom
Surfgedrag op het web Intelligente data-analyse: I Risicofactoren prostaatkanker uit klinische en demografische gegevens
Griep
Verkoudheid
Koorts
Hoesten
I
I
In het netwerk specificeren we P(G), P(V),
P(K | G),
P(K | ¬G)
P(H | G ∧ V), P(H | ¬G ∧ V), P(H | G ∧ ¬V), P(H | ¬G ∧ ¬V)
Prijsbepalende factoren voor verkoop artikelen
Diagnose: bij observatie (¬K ∧ H) dan diagnose in vorm G: 17% V: 78% Hfdstk 1: Inleiding Voorbeelden Statistiek in Informatica
5 / 55
Slokdarmkanker netwerk
Hfdstk 1: Inleiding Voorbeelden Statistiek in Informatica
6 / 55
Probabilistische netwerken
Location proximal mid distal
Length Shape
circular non-circular
Type adeno squamous undifferentiated
Het netwerk legt verbanden vast tussen verschillende stochastische variabelen met behulp van conditionele kansen. In het slokdarmkanker-netwerk betreft dit bijvoorbeeld variabelen die betrekking hebben op
Circumf
x<5 5<=x<10 10<=x
polypoid scirrheus ulcerating
Gastro-circumf
Gastro-location
circular non-circular non-determ
Passage
proximal mid distal
solid puree liquid none
Gastro-length
Biopsy adeno squamous undifferentiated
x<5 5<=x<10 10<=x non-determ
Gastro-shape polypoid scirrheus ulcerating
Endosono-mediast
Weightloss none x<10% x>=10%
yes no non-determ
Invasion-wall
Invasion-organs CT-organs none trachea mediastinum diaphragm heart
Lengte en vorm van de tumor
Endosono-wall
T1 T2 T3 T4
none trachea mediastinum diaphragm heart
T1 T2 T3 T4 non-determ
Necrosis
Uitzaaiingen
yes no
Lapa-diaphragm yes no
Lymph-metas Fistula Gastro-necrosis
Bronchoscopy
Stage
N0 N1 M1
Metas-cervix
yes no
yes no
yes no non-determ
yes no
yes no
Effect van behandelingen. Metas-liver
X-fistula yes no non-determ
Physical-exam Sono-cervix
Metas-lungs yes no
yes no
Metas-truncus
yes no
Diagnostische testen
Haema-metas
I IIA IIB III IVA IVB
yes no
yes no
Lapa-liver
yes no
Endosono-truncus yes no non-determ
CT-loco
yes no
CT-truncus yes no
Een netwerk kan gebruikt worden voor
X-lungs
yes no
Metas-loco
CT-liver yes no
Diagnose: wat is het stadium van de kanker bij een pati¨ent?
CT-lungs yes no
yes no
Prognose: Welke behandeling geeft het beste (verwachte) effect?
Endosono-loco yes no non-determ
Lapa-truncus yes no
Hfdstk 1: Inleiding Voorbeelden Statistiek in Informatica
7 / 55
Hfdstk 1: Inleiding Voorbeelden Statistiek in Informatica
8 / 55
Voorbeelden: overig
Overzicht College
Kansrekening I Inleiding (kansen, tellen)
Operations research: I Wachtrijtheorie Simulatie Informatietheorie I Coderingstheorie
I
Voorwaardelijke kansen (informatie)
I
Samengestelde kansverdelingen
I
Verwachting en variantie
I
Speciale verdelingen Statistiek I Schatten
Cryptografie Graphics I Patroonherkenning
I
I
I
Hfdstk 1: Inleiding Voorbeelden Statistiek in Informatica
9 / 55
Betrouwbaarheidsintervallen
Hfdstk 1: Overzicht
10 / 55
Overzicht Statistiek voor Informatica Hoofdstuk 1: Inleiding in de kansrekening Experimenten, uitkomsten en gebeurtenissen
Cursusjaar 2009
Verzamelingen Kansmaten
Peter de Waal
Combinatoriek Departement Informatica
Hfdstk 1:
11 / 55
Hfdstk 1: Overzicht
12 / 55
Experimenten
Uitkomsten en gebeurtenissen
Een kansexperiment is een proces waarvan de uitkomst tevoren niet met zekerheid vaststaat. Voorbeelden:
De beschrijving van de kansberekening bij een experiment gebeurt m.b.v. verzamelingen in de volgende stappen: Vastleggen van de verzameling van elementaire uitkomsten. Beschrijving van de mogelijke samengestelde uitkomsten of gebeurtenissen.
Aantal ogen bij worp met dobbelsteen.
Voor elke gebeurtenis, bepalen van de kans dat die gebeurtenis op kan treden.
Inhoud record bij willekeurige selectie in klantendatabase. Test van mogelijke ziekte bij een pati¨ent.
Notatie:
Aantal s in een willekeurig bestand. Wachttijd tot de eerstvolgende bus lijn 12.
x een element is van S: x ∈ S. Een lege verzameling: ∅.
Hfdstk 1: Experimenten Kansexperimenten
Hfdstk 1: Experimenten Uitkomsten en gebeurtenissen
13 / 55
14 / 55
Definities: Uitkomstenruimte: verzameling van alle mogelijke resultaten van kansexperiment. (Eng. sample space). In de literatuur vaak aangeduid als S of Ω.
Worp met dobbelsteen: I Uitkomstenruime S = {1, 2, 3, 4, 5, 6} I
Uitkomst: Een element uit de uitkomstenruimte (Eng. outcome) Gebeurtenis: Een samengestelde uitkomst bestaat uit e´ e´ n of meer uitkomsten. (Eng. event). We noemen S ook wel de zekere gebeurtenis en ∅ de onmogelijke gebeurtenis.
Hfdstk 1: Experimenten Uitkomsten en gebeurtenissen
Voorbeeld:
15 / 55
Gebeurtenissen: {1}, {4, 5, 6}, {2, 4, 6} (worp is even), . . . .
Willekeurige selectie klanten in database: I Uitkomstenruimte S = database I
Gebeurtenissen: {klant# 10354}, {totaal orderbedrag(klant) > e20000}, {postcode(klant) ∈ {1067, 2034, 3584, 3585}}.
Hfdstk 1: Experimenten Uitkomsten en gebeurtenissen
16 / 55
Vervolg voorbeelden Twee opeenvolgende worpen met e´ e´ n dobbelsteen: I S =? Vervolg voorbeelden: Twee dobbelstenen: I A met ogen 1, 2, 3, 4, 5, 6,
Wachttijd tot de eerstvolgende bus I S = [0, 15]
B met ogen 2, 4, 6, 8, 10, 12. Kies willekeurig een dobbelsteen en gooi tweemaal met deze dobbelsteen: I
Gebeurtenissen: {5}, [10, 12.5]. Aantal bits in een willekeurig bestand: I S =? I
I
I
Gebeurtenissen: ?
Hfdstk 1: Experimenten Uitkomsten en gebeurtenissen
17 / 55
I
Overaftelbaar: als deze niet aftelbaar is. Voorbeeld: F S = [0, ∞) S = (−∞, ∞)
F
S = [−10, +20]
Hfdstk 1: Experimenten Uitkomsten en gebeurtenissen
Een gebeurtenis is een deelverzameling van S.
Doorsnede (Eng: intersection) I A ∩ B: alle elementen die zowel in A als in B zitten. Vereniging (Eng: union) I A ∪ B: alle elementen die in A, of B, of beide zitten. Complement (Eng: complement) I AC : alle elementen die niet in A zitten. Verschil (Eng: difference) I A\B: alle elementen die wel in A en niet in B zitten.
S = {2, 46, 67, . . .}
F
18 / 55
Deelverzameling (Eng: subset) I A ⊂ B: als elk element of uitkomst uit A o ´ ok ´ in B zit
S = database. Oneindige uitkomstenruimte: het aantal elementen is oneindig. I Aftelbaar: als er een 1-op-1 afbeelding bestaat van de natuurlijke getallen ({1, 2, 3, . . . }) naar S. Voorbeeld: F S = {1, 2, 3, . . .} I
F
Hfdstk 1: Experimenten Uitkomsten en gebeurtenissen
Operaties op verzamelingen
Eindige uitkomstruimte: het aantal elementen is eindig. Voorbeelden: I S = {1, 2, 3, 4, 5, 6}.
I
S =?
19 / 55
Hfdstk 1: Verzamelingen
20 / 55
Disjuncte gebeurtenissen
Kans Beschrijving uitkomsten en gebeurtenissen van een kansexperiment:
Twee gebeurtenissen A en B heten disjunct (Eng. disjoint) als A ∩ B = ∅.
De verzameling S geeft alle mogelijke uitkomsten. De elementen van S zijn de elementaire uitkomsten van het experiment.
Als A and B disjunct zijn, dan sluiten de gebeurtenissen A en B elkaar uit. Een aantal n gebeurtenissen A1 , A2 , . . . , An heet disjunct als voor elk paar Ai en Aj , waarbij i 6= j, geldt Ai ∩ Aj = ∅.
Een kansverdeling is een afbeelding P die aan elke gebeurtenis een getal toekent dat de waarschijnlijkheid van die gebeurtenis weergeeft. Een kansverdeling moet voldoen aan axioma’s, die ervoor zorgen dat de kansen goed gedefinieerd zijn.
Met andere woorden: gebeurtenissen heten disjunct als ze geen uitkomsten gemeen hebben.
Hfdstk 1: Verzamelingen
de deelverzamelingen van S zijn de mogelijke gebeurtenissen bij het experiment.
Hfdstk 1: Kansmaten
21 / 55
Kans-axioma’s
22 / 55
Afgeleide eigenschappen Er geldt: P(∅) = 0
Axioma 1: Voor elke gebeurtenis A, moet gelden P(A) ≥ 0. Axioma 2: P(S) = 1
Bewijs:
Axioma 3: Voor elke oneindige rij van disjuncte gebeurtenissen A1 , A2 , . . . , moet gelden P
∞ [ i=1
Ai =
∞ X
Neem oneindige rij verzamelingen A1 , A2 , A3 , . . ., alle gelijk aan ∅. Voor elk paar Ai en Aj geldt: Ai ∩ Aj = ∅.
P(Ai )
De verzamelingen voldoen dus aan de eisen van Axioma 3. ∞ ∞ [ X Er geldt: P Ai = P(Ai )
i=1
i=1
Definitie Een kansverdeling is een afbeelding die aan elke deelverzameling van S een getal toevoegt, en die bovendien voldoet aan Axioma’s 1,2 en 3.
ofwel P(∅) =
∞ X
i=1
P(∅)
i=1
Dit is alleen mogelijk als P(∅) = 0. Hfdstk 1: Kansmaten Axioma’s
23 / 55
Hfdstk 1: Kansmaten Axioma’s
24 / 55
Nog meer afgeleide eigenschappen
Voorbeeld
Voor elke eindige rij disjuncte gebeurtenissen A1 , A2 , . . . , An : ! n n [ X P Ai = P(Ai ) i=1
Een pati¨ent komt bij de dokter met een zere keel en enkele graden koorts.
i=1
De dokter weet met zekerheid dat de pati¨ent een bacterie-infectie, een virusinfectie, of beide heeft.
Voor elke gebeurtenis A: 0 ≤ P(A) ≤ 1. Voor elke gebeurtenis A: P(AC ) = 1 − P(A).
De dokter acht de kans dat het een bacterieinfectie is 0.7 en een virusinfectie 0.4.
Als A ⊂ B, dan geldt P(A) ≤ P(B). Voor elke twee gebeurtenissen A en B geldt
Vraag: Hoe groot is de kans dat pati¨ent beide infecties heeft?
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Hfdstk 1: Kansmaten Axioma’s
25 / 55
Voorbeeld
Hfdstk 1: Kansmaten Axioma’s
26 / 55
Kansbepaling
Een frisdrankenfabrikant produceert cola en sinas. De vraag naar deze dranken is onzeker met continue uitkomstenruimte:
In het algemeen maken we onderscheid tussen drie methoden:
s
Frequentie interpretatie: Bij deze methode wordt de kans op een gebeurtenis berekend als de relatieve frequentie waarmee deze gebeurtenis optreedt, als het experiment heel vaak herhaald wordt.
150
50
100
300
c
We nemen aan dat de kans op een gebeurtenis E evenredig is met het oppervlakte van E. Beschouw de volgende twee gebeurtenissen:
Klassieke interpretatie: Hierbij worden de kans op een gebeurtenis afgeleid door hem te relateren aan gebeurtenissen die even waarschijnlijk zijn. Subjectieve interpretatie: Bij subjectieve interpretatie wordt met persoonlijke inschatting de waarschijnlijkheid bepaald.
A: de vraag naar cola is hoog (minstens 250) B: de vraag naar sinas is hoog (minstens 100) Q: Hoe groot is de kans dat de vraag naar cola of sinas hoog is? Hfdstk 1: Kansmaten Axioma’s
27 / 55
Hfdstk 1: Kansmaten Kansbepaling
28 / 55
Voorbeelden kansbepaling
Symmetrische kansruimte Definitie (Symmetrische kansruimte)
Kwaliteitsbeheersing in productielijn I De kans dat een product defect is, wordt bepaald op grond van defecten in de producten die reeds gemaakt zijn. Medische toepassing I Een kans wordt bepaald door gebruik te maken van de gegevens van veel pati¨enten.
We noemen een uitkomsten ruimte S symmetrisch als S eindig is: S = {s1 , . . . , sn }, Alle uitkomsten even waarschijnlijk zijn: 1 P(si ) = , voor i = 1, . . . , n. n
Een arts kan met behulp van zijn expertise een schatting van een kans bepalen Datamining I Een kans wordt bepaald door te tellen in de records van de database. I
I
P(A) =
Een domeinexpert kan een schatting bepalen.
Hfdstk 1: Kansmaten Kansbepaling
Als we k maal een keuze kunnen maken, en het aantal keuzemogelijkheden bij de j-de keuze is nj , dan is het totale aantal keuzemogelijkheden gelijk aan n1 n2 · · · nk .
S = {1, 2, 3, 4, 5, 6} P {1, 4, 5} = 36 = 12
Voorbeeld Menukaart met 4 voorgerechten, 5 hoofdgerechten en 3 toetjes geeft 4 · 5 · 3 = 60 mogelijkheden.
Voorbeeld 2: Worp met twee dobbelstenen (1, 3), (2, 3), (3,3), (4, 3), (5, 3), (6, 3),
P(som is gelijk aan 6) =
(1, 4), (2,4), (3, 4), (4, 4), (5, 4), (6, 4),
(1,5), (1, 6),
(2, 5), (3, 5), (4, 5), (5, 5), (6, 5),
(2, 6), (3, 6), (4, 6), (5, 6), (6, 6)
Met behulp van de telregel kunnen we uitrekenen wat het aantal mogelijkheden is bij willekeurige (of aselecte) selectie van elementen uit een verzameling. We maken hierbij onderscheid in:
Selectie met of zonder teruglegging; Geordende of ongeordende selectie.
5 36
Hfdstk 1: Combinatoriek Symmetrische kansruimte
30 / 55
Telregel
Voorbeeld 1: Worp met e´ e´ n dobbelsteen
(1, 2), (2, 2), (3, 2), (4,2), (5, 2), (6, 2),
aantal elementen in A aantal elementen in S
Hfdstk 1: Combinatoriek Symmetrische kansruimte
29 / 55
Voorbeeld symmetrische kansruimte
(1, 1), (2, 1), (3, 1), S= (4, 1), (5,1), (6, 1),
Gevolg: In een symmetrische kansruimte wordt de kans op gebeurtenis A gegeven door
31 / 55
Hfdstk 1: Combinatoriek Symmetrische kansruimte
32 / 55
Trekking met teruglegging, volgorde belangrijk Experiment e´ e´ n onderdeel, met n mogelijke uitkomsten,
Voorbeeld:
wordt k maal op dezelfde manier herhaald.
We hebben een vaas met n genummerde ballen. We trekken k maal aselect een bal en leggen deze daarna terug. Het aantal mogelijk uitkomsten, lettend op de volgorde, is nk .
Als de volgorde van belang is, is elke mogelijke uitkomst van het experiment te representeren als een rijtje symbolen van lengte k, waarin elke symbool n verschillende waarden kan aannemen. Volgens telregel: Het aantal mogelijke uitkomsten, als de volgorde van belang is, is gelijk aan n · n · · · n = nk .
Hfdstk 1: Combinatoriek Trekking met teruglegging, volgorde belangrijk
33 / 55
Hfdstk 1: Combinatoriek Trekking met teruglegging, volgorde belangrijk
34 / 55
Trekking zonder teruglegging, volgorde belangrijk Als we alle n ballen trekken zonder teruglegging, dan is het totale aantal mogelijke uitkomsten We hebben een vaas met n genummerde ballen en trekken hieruit 3 ballen zonder teruglegging. Volgens de telregel is het aantal mogelijke uitkomsten n · (n − 1) · (n − 2) Als we k ballen nemen zonder teruglegging is het aantal mogelijke uitkomsten dus n · (n − 1) · (n − 2) · · · · · (n − k + 1) We noemen dit het aantal variaties van k uit n en we noteren het als Pn,k .
Hfdstk 1: Combinatoriek Trekking zonder teruglegging, volgorde belangrijk
35 / 55
Pn,n = n · (n − 1) · (n − 2) · · · · · 2 · 1 Dit aantal noemen we ook wel het aantal permutaties van n, Notatie Pn,n = n! (dit is n faculteit of (Eng.) factorial). Voor wiskundige consistentie spreken we af dat 0! = 1. We kunnen het aantal variaties van k uit n ook uitschrijven met behulp van het aantal permutaties van k en van n: Pn,k = n · (n − 1) · · · (n − k + 1) =
n! (n − k)!
Hfdstk 1: Combinatoriek Trekking zonder teruglegging, volgorde belangrijk
36 / 55
Voorbeeld: volgorde belangrijk/onbelangrijk
Trekken zonder teruglegging, volgorde onbelangrijk
We hebben een vaas met 7 genummerde ballen en we nemen er, zonder teruglegging 3 uit. Het aantal mogelijkheden als de volgorde belangrijk is is P7,3 = 7 · 6 · 5 =
Als de volgorde belangrijk is, is het aantal mogelijke uitkomsten
7! = 210 4!
Pn,k =
Elke set van 3 ballen kunnen we op 3! manieren ordenen.
n! (n − k)!
Het aantal uitkomsten van trekking zonder teruglegging, waarbij de volgorde onbelangrijk is, is dus
Het aantal mogelijke uitkomsten als de volgorde onbelangrijk is is dus gelijk aan
Pn,k n · (n − 1) · · · (n − k + 1) n! = = k! k · (k − 1) · · · 1 (n − k)! k!
P7,3 7·6·5 7! = = = 35 3! 3·2·1 4! 3! Hfdstk 1: Combinatoriek Trekking zonder terruglegging, volgorde onbelangrijk
Stel we hebben een vaas met n genummerde ballen, waaruit we zonder teruglegging k, 0 ≤ k ≤ n, ballen wegnemen.
37 / 55
Hfdstk 1: Combinatoriek Trekking zonder terruglegging, volgorde onbelangrijk
38 / 55
Binomiaalco¨effici¨enten
Definitie
Voorbeeld
We noemen dit aantal combinaties van k uit n de binomiaal co¨effici¨ent van k uit n (of soms ook wel “k uit n”, of “n over k”) en we schrijven dit als n k
Bij de lotto worden 6 getallen en een reservegetal uit 41 getallen getrokken.
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
39 / 55
Vraag: Hoeveel verschillende uitslagen zijn er mogelijk?
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
40 / 55
Driehoek van Pascal Voor alle n en k, 0 ≤ k < n, geldt n n n+1 + = k k+1 k+1
Enkele bijzondere gevallen: Voor alle n en alle k, 0 ≤ k ≤ n, geldt:
Bewijs.
n n = k n−k n n = =1 n 0 n n = =n 1 n−1
n n n! n! + = + k k+1 (n − k)!k! (n − k − 1)!(k + 1)! =
n!(k + 1) n!(n − k) n!((k + 1) + (n − k)) + = (n − k)!(k + 1)! (n − k)!(k + 1)! (n − k)!(k + 1)!
n!(n + 1) = = (n + 1) − (k + 1) !(k + 1)!
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
4 0
3 0 ?
2 0
4 1
0 0 ?
42 / 55
1 ??
?
?
??
?
Driehoek van Pascal
1 0 ?
3 1
n+1 k+1
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
41 / 55
Driehoek van Pascal
2 1
1 1
??
??
??
4 2
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
3 2
2 2
??
??
4 3
3 3
??
4 4
1
43 / 55
1 ??? ?? ?? ? 2 1 ?? ?? ? ?? ? 3? 1? ??? ??? ? ?? ?? ?? ?
4
6
?? ?? ??
?? ?? ?? ??
1 ??
?? ?? ??
3? ??? ?? ??
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
1 ??
?? ?? ??
4
1 ??
?? ?? ??
1
44 / 55
Binomium van Newton
Andere eigenschappen van binomiaalco¨effici¨enten
Voorbeeld: (a + b)4 = (a + b)(a + b)(a + b)(a + b) a4
a3
a2
b2
b3
n X n (−1)k = 0 k
b4
+4 b+6 +4a + 4 4 0 4 3 1 4 2 2 4 1 3 4 0 4 = a b + a b + a b + a b + a b 0 1 2 3 4 =
k=0
n X n k=0
k
= 2n
Algemeen (Binomium van Newton) n
(a + b) =
n X n k=0
k
an−k bk
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
45 / 55
Voorbeeld
46 / 55
Voorbeeld
Vaas met R rode knikkers en B blauwe knikkers. We trekken willekeurig k knikkers zonder teruglegging. Hoe groot is de kans op precies l rode knikkers? De kans op l rode knikkers gelijk is aan
Beschouw een groep van 20 studenten. Vraag: Op hoeveel manieren kunnen we die 20 studenten verdelen over 3 groepen met respectievelijk 5, 6, en 9 personen. 20 Aantal manieren voor selectie van 5 uit 20 studenten: 5 15 Aantal manieren voor selectie van 6 uit 15 studenten: 6 9 Aantal manieren voor selectie van 9 uit 9 studenten: 9 20 15 9 20! Het totale aantal is = 5! 6! 9! 5 6 9
aantal uitkomsten met l rode knikkers aantal mogelijke uitkomsten R+B Aantal mogelijke uitkomsten is k R B Aantal uitkomsten met l rode knikkers: . l k−l R B l k−l De kans is dus R+B k Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
Hfdstk 1: Combinatoriek Binomiaalco¨effici¨enten
47 / 55
Hfdstk 1: Combinatoriek Multinomiaalco¨effici¨enten
48 / 55
Multinomiaal-co¨effici¨enten
Voorbeeld We nemen een vaas met 9 genummerde ballen
We hebben een verzameling van n elementen. We willen uitrekenen op hoeveel manieren we deze verzameling kunnen verdelen in k deelverzamelingen met respectievelijk n1 , n2 , . . . , nk elementen (waarbij we veronderstellen dat n1 + n2 + . . . + nk = n). Dit aantal is
n! n1 ! n2 ! · · · nk !
Een voorbeeld van een uitslag kunnen we turven: 1
2
3
4
5
6
7
8
9
Dit zijn Twee (links en rechts) afsluitende blauwe strepen ,
We noemen dit aantal een multinomiaal co¨effici¨ent en we noteren het als n n1 , n2 , . . . , nk Hfdstk 1: Combinatoriek Multinomiaalco¨effici¨enten
We trekken hieruit aselect 20 keer een bal, met teruglegging, waarbij de volgorde onbelangrijk is.
49 / 55
Trekking met teruglegging, volgorde onbelangrijk
met hiertussen 8 blauwe strepen en 20 groene strepen .
28 Het aantal mogelijkheden voor zo’n rijtje is gelijk aan 8 Hfdstk 1: Combinatoriek Trekking met teruglegging, volgorde onbelangrijk
50 / 55
Experiment Vaas met 15 rode en 20 witte ballen. Trekken aselect per keer e´ e´ n bal, zonder teruglegging.
Algemeen
Vraag: Wat is de kans dat we alle rode ballen trekken, voordat we de eerste witte bal trekken?
We nemen een vaas met n genummerde ballen. Hieruit trekken we aselect k maal een bal, met teruglegging. De volgorde is hierbij niet belangrijk. Het aantal verschillende uitkomsten is n+k−1 k Dit heet het aantal herhalingscombinaties van k uit n.
Hfdstk 1: Combinatoriek Trekking met teruglegging, volgorde onbelangrijk
51 / 55
Hfdstk 1: Combinatoriek Voorbeelden
52 / 55
Experiment
Experiment
Vaas met 15 rode en 20 witte ballen.
Vaas met 15 rode, 10 blauwe en 20 witte ballen.
Trekken aselect per keer e´ e´ n bal, zonder teruglegging.
Trekken aselect per keer e´ e´ n bal, zonder teruglegging.
Vraag: Wat is de kans dat we alle rode ballen trekken, voordat we de tweede witte bal trekken?
Hfdstk 1: Combinatoriek Voorbeelden
53 / 55
Met de stof van Hoofdstuk 1 moet je kunnen:
Uit probleembeschrijving een uitkomstenruimte modelleren: I Elementaire uitkomsten I
Samengestelde gebeurtenissen
I
Kansen op gebeurtenissen
Met behulp van de kansaxioma’s voor complex samengestelde verzamelingen kansen kunnen berekenen. (Verzamelingenleer + kansaxioma’s) Kansen kunnen berekenen voor ’telproblemen’.
Hfdstk 1: Samenvatting
55 / 55
Vraag: Wat is de kans dat we alle rode ballen trekken, voordat we de tweede witte bal trekken?
Hfdstk 1: Combinatoriek Voorbeelden
54 / 55