Sunteți pe pagina 1din 4

2.

INTRODUCERE IN TEORIA PROBABILITATILOR


2.1. Experiment aleator, evenimente Definitie : Un experiment aleator este un experiment cu mai multe rezultate posibile. Definitie : Rezultatele unui experiment aleator se numesc evenimente. Exemplu : aruncarea unui zar Este un experiment cu 6 evenimente posibile. Multimea evenimentelor posibile = [ E1 , , E 6 ] Multimea evenimentelor se poate largi adaugand:

- evenimentul sigur (orice fata) - evenimentul imposibil (fata 7) - evenimente compuse (fata para)

Rezultatul unui experiment aleator nu este cunoscut dinainte ; realizarea unui anumit eveniment este caracterizata de o probabilitate. 2.2. Probabilitatea unui eveniment Ei Definitia 1 (clasica, de cum cateva secole) : p ( Ei ) = Nf Np unde N f este numarul de cazuri

favorabile evenimentului si N p numarul de cazuri posibile. Definitia 2 (Von Mises, inceput de sec XX): p ( Ei ) = lim n ale evenimentului si n este numarul total de exeperimente. Definitia 3 (Kolmogoroff, 1933) : Axiomele probabilitatilor a) p 0 probabilitatea este un nr nenegativ b) p ( S ) = 1 probabilitatea evenimentului sigur este 1 c) p ( E1 + E 2 ) = p ( E1 ) + p( E 2 ) probabilitatea a doua evenimenete mutual exclusive, E1 si E 2 , este egala cu suma probabilitatilor evenimentelor. 2.3.Variabila aleatore Variabila aleatoare este o notiune folosita pentru a descrie evenimentele rezultate in urma unui experiment aleator. Definitie: Variabila aleatoare (v.a.) este o functie care asociaza fiecarui eveniment o valoare numerica. 1 na unde na este numarul de aparitii n

Notam cu X v.a. X : R Exemplu: Zarul X : = [ E1 , , E 6 ] [1,2,3,4,5,6] ( X asociaza fiecarui eveniment o valoare numerica)

Observatie: a) Oricarei submultimi a multimii valorilor lui X ii corespunde un eveniment b) 1,2,3,4,5,6 se numesc realizari particulare a le v.a. X . 2.4. Probabilitatile unei v.a. Notam probabilitatea ca un eveniment Ei sa se realizeze cu: p ( Ei ) = p( X = xi ) = p ( xi ) = pi Exemplu: Zarul : multimea valorilor lui X este discreta Temperatura ia valori intr-un interval. Definitia 1 (tipul v.a.) : V.a. discreta ia valori intr-o multime discreta V.a. continua ia valori intr-un interval V.a. mixta

Definitie: Functia de repartitie a unei v.a. (sau distributia v.a.) F ( x ) = p{ X x} Definitie: Densitatea de probabilitate a v.a. (derivata functiei de repartitie f ( x) = Exemplu: Zarul: Functia de repartitie este o functie in scara scara Densitatea de probabilitate este o serie de functii Dyrac Densitate de probabilitate gaussiana (sau normala): f ( x ) = media v.a., iar 2 este varianta v.a. ( se numeste dispersie). 2 x ( x )
2

dF dx

/ 2 2

unde este

Alte modele de distributii continue: 1 / a Densitatea de probabilitate uniforma: f ( x ) = 0 Densitatea de probabilitate exponentiala: x [ 0 a] in _ rest x0 in _ rest

e x f ( x) = 0

Definitia 2 (tipul v.a.) : O v.a. este discreta daca are o functie de repartitie in scara; o v.a. este continua daca are o functie de repartitie continua. 2.5. Probabilitati conditionate Exemplu: La aruncarea cu zarul, probabilitatea de a avea un 2 cand stim ca fata aparuta este para. Definitie: Probabilitatea unui eveniment E i , conditionat de un alt eveniment , M , este probabilitatea de a se realiza Ei cand M este deja realizat p ( Ei / M ) = se realizeze. Observatie: Ei si M pot fi evenimente ale aceluiasi experiment (aceeasi v.a.) sau pot fi evenimente a doua experimente diferite (2 v.a.). p ( xi / x j ) = p ( xi / y j ) = p ( xi / x j ) p ( xi / y j ) p( y j ) p ( y j / xi ) p( xi ) p( y j ) p( x j ) (aceeasi v.a.) p ( Ei , M ) p( M ) unde p ( Ei , M ) este probabilitatea ca atat Ei cat si M sa

Teorema lui Bayes: p ( xi / y j ) =

Teorema probabilitatii totale : p ( xi ) = p( xi / y1 ) p ( y1 ) + p( xi / y 2 ) p ( y 2 ) + + p ( xi / y N ) p ( y N ) Unde y1 , y 2 , , y N constituie o partitie a multimii valorilor v.a. Y . 3

Observatii: a) Functia de repartitie si densitatea de probabilitate se definesc si pentru v.a. conditionate F ( x M ) = p{ X x M } f (x M ) = dF ( x M ) dx

b) Functia de repartitie si densitatea de probabilitate se definesc si pentru 2 sau mai multe v.a. F ( x, y ) = p{ X x, Y y} f ( x, y ) = dF ( x, y ) dxdy

2.6. Notiunea de independenta statistica Definitie: Doua evenimente, E i si E j , sunt independente daca p ( E i , E j ) = p ( Ei ) p ( E j ) Definitie: Doua v.a., X si Y , sunt independente daca oricare dintre realizarile lor particulare sunt independente. p ( xi , y j ) = p( xi ) p ( y j ) unde xi este o realizare particulara a lui X si y j este o realizare particulara a lui Y . 2.7. Semnalele numerice ca siruri de v.a. Cum se ajunge la un semnal numeric? Prin esantionarea si cuantizarea semnalului continuu. Un semnal numeric poate fi modelat ca un sir de v.a.: , X k 1 , X k , X k +1 , , unde k este indice de timp. Toate v.a. iau valori in aceeasi multime si, daca semnalul este stationar, au acelasi set de probabilitati.