Petrehus Si Popescu Lectii Prob Stat I

UNIVERSITATEA TEHNICA DE CONSTRUCTII
BUCURESTI

CATEDRA DE MATEMATICA

Viorel PETREHU Sever-Angel POPESCU

PROBABILITI
I
STATISTIC

(teorie, exemple, probleme)

BUCURETI 1997
1.1 Denitia clasic a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Denitia axiomatic a a probabilit atii . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Probabilit ati conditionate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Variabile aleatoare simple 14
2.1 Denitiesi propriet ati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Spatiul deprobabilitateprodus . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 C mpuri de probabilitate 2 4
3.1 Variabilealeatoarepe c mpuri deprobabilitate . . . . . . . . . . . . . . . . 25
3.2 Media unei variabilealeatoareoarecare . . . . . . . . . . . . . . . . . . . . . . 27
3.3 Functia derepartitie
densitatea deprobabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Integrala Stieltjes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.5 Mediasi functia derepartitie . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.6 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.7 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
i
CUPRINS ii
4 Legi clasice 43
4.1 Repartitia binomial a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Repartitia Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3 Repartitia uniform a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4 Repartitia Normal a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.5 Repartitia exponential a negativ a . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.6 Repartitia Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.7 Repartitia X
2
(hi p atrat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.8 Repartitia Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.9 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.10 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5 Legi limit a 60
5.1 Legea numerelor mari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Teoremelimit a central a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6 Dependenta ntre variabilele aleatoare 72
6.1 Coecientul decorelatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2 Variabilealeatoarebidimensionale . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.3 Functia derepartitieconditionat a . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.4 Distributia sumei si c tului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.4.1 Distributia sumei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.4.2 Distributia c tului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.5 Distributia Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.6 Distributia Snedecor-Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.7 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7 Procese aleatoare 89
7.1 ProcesePoisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 ProceseMarkov discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.3 Procesedenasteresi moarte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.3.1 Model de asteptare cu o singur a statie de deserviresi un num ar mare
deunit ati ceau nevoiedeserviciilestatiei
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.3.2 Model deasteptarecu o singur a statie
iar num arul deunit ati careau nevoiedeserviciilestatiei estelimitat la
o valoaredat a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
CUPRINS iii
7.3.3 Model de asteptare cu n statii de deserviresi cu N unit ati ce trebuie
deservite(1<n<N) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4 Procesealeatoarestationare . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.5 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
II Statistic a 106
8 Statistica descriptiv a 107
8.1 Statistica unei variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.2 Statistica a dou a variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.3 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9 Statistici. Estimarea parametrilor 118
9.1 Principiul verosimilit atii maxime . . . . . . . . . . . . . . . . . . . . . . 125
9.2 Metoda momentelor (K. Pearson) . . . . . . . . . . . . . . . . . . . . . . 129
9.3 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
10 Intervale de ncredere 132
10.1 Intervaledencrederepentru medie. . . . . . . . . . . . . . . . . . . . . . . . 133
10.1.1 Dispersia estecunoscut a . . . . . . . . . . . . . . . . . . . . . . . . . . 134
10.1.2 Dispersia estenecunoscut a . . . . . . . . . . . . . . . . . . . . . . . . 135
10.2 Intervaledencrederepentru dispersie . . . . . . . . . . . . . . . . . . . . . . 136
10.3 Intervaledencrederepentru ctul a dou a dispersii . . . . . . . . . . . . . . . . 137
10.4 Intervaledencrederen cazul unor selectii mari . . . . . . . . . . . . . . . . . 138
10.5 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
10.6 Exercitii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
10.7 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
11 Ipoteze statistice. Teste statistice 144
11.1 Ipotezesi testarea lor . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
11.1.1 Testul Z privind media unei populatii normalecu dispersia cunoscuta
2
146
11.1.2 Testul T privind media unei populatii normale cu dispersia estimata
prin estimatorul nedeplasat S
t2
. . . . . . . . . . . . . . . . . . . . . . 152
11.1.3 Test pentru proportia desuccese . . . . . . . . . . . . . . . . . . . . . 154
11.1.4 Testul T pentru compararea a dou a esantioane . . . . . . . . . . . . . 155
11.2 Tipuri deerori. Reguli dedecizie . . . . . . . . . . . . . . . . . . . . . . . . . 156
11.3 Puterea unui test statistic . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
11.4 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
11.5 Exercitii rezolvate(mai dicile) . . . . . . . . . . . . . . . . . . . . . . . . . 166
11.6 Exercitii propuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
CUPRINS iv
12 Testul neparametric
2
174
12.1 Principiul testului
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
12.1.1 Testeasupra formei unei distributii . . . . . . . . . . . . . . . . . . . . 179
12.1.2 Testedeindependent a . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
12.1.3 Testedeomogenitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
12.2 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
12.3 Exercitii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
12.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
13 Alte teste neparametrice 190
13.1 Testul deconcordant a Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . 190
13.2 Testul lungimilor (secventelor) . . . . . . . . . . . . . . . . . . . . . . . . . . 192
13.3 Testul lui Wilcoxon I (cazul observatiilor necuplate) . . . . . . . . . . . . . . 194
13.4 Testul semnelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
13.5 Testul lui Wilcoxon II (cazul observatiilor cuplate) . . . . . . . . . . . . . . . . 196
13.6 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
14 Analiza dispersiei si analiza regresiei 200
14.1 Analiza dispersiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
14.2 Analiza regresiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
14.2.1 Metoda celor mai mici p atrate(C. F. Gauss) . . . . . . . . . . . . . . 204
14.2.2 ConditiileGaussMarkov pentru metoda celor mai mici p atrate . . . . 205
14.2.3 M asura deviatiei la metoda celor mai mici p atrate . . . . . . . . . . . 207
14.2.4 Intervaledencrederesi testepentru
0
si
1
. . . . . . . . . . . . . . 210
Cursul defat aafost scris n perioada1996-1997dec atreViorel Petrehus (parteaI, probabil-
it ati) si Angel Popescu (partea a II-a, statistic a) pentru studentii anului II din Universitatea
Tehnic adeConstructii Bucuresti si aap arut n 1997multiplicat n ateliereleuniversit atii. El
a fost g ndit n 14 lectii, c teuna pes apt am n a, peparcursul unui semestru. Fiecarelectie
sencheiecu exercitii.
Autorii sunt recunosc atori tuturor celor care au contribuit cu observatiile lor la buna
organizarea materialului prezentat.
Autorii
v
1
Probabilitateaa fost privit aedintr-un punct devedere psihologic cam asur nd gradul de
sigurant aal observatorului relativlaproducereasauneproducereaunui fenomen, e statistic
ca frecventa de aparitie a unui fenomen ntr-un num ar mare de experimente independente.
Din punct devedereclasic, denitia cares-a dovedit cea mai ecient a n calculea fost aceea
care a plecat de la conceptul de egal a posibilitate. Acest lucru nseamn a c a num arul de
posibilit ati ntr-un experiment estenit si toateposibilit atileau aceeasi sans a.
Probabilitatea unui eveniment care const a din mai multe asemenea posibilit ati este ra-
portul dintre num arul cazurilor favorabile si num arul cazurilor posibile. Utilizarea acestei
denitii presupunec antr-un fel sau altul putemnum arast arileposibilesi pecelefavorabile.
Exemplul 1.1
Solutie. Cazurilor posibilein celedou a situatii sunt (1,1), (1,2), ... (6,6), n num ar de36.
Pentrupunctul a) numai cazurile(1,5), (2,4), (3,3), (4,2), (5,1) sunt favorabile. Probabilitatea
estedeci
p=
nr: cazuri f avorabile
nr: cazuri posibile
=
5
36
Analog, probabilitatea celui de-al dolea eveniment estep=6/ 36=1/ 6.
Exemplul 1.2
Solutie. Num arul cazurilor posibileesteC
3
36
=7140. Num arul cazurilor favorabileeste
&aoc
..
4 C
2
32
+
oci asi
..
C
2
4
C
1
32
+
tvci asi
..
C
3
4
1 = 2180
2
LEC TIA 1. DEFINI TIA PROBABILIT
A TII 3
Probabilitatea estedeci p= 2180=7140 - 0; 30532::
n exemplul urm ator vedem ct de dicil este uneori s a num ar am cazurile posibile sau
cazurilefavorabile.
Exemplul 1.3
Num arul cazurilor posibile de a scrie adresele este n!. Enumerarea cazurilor favorabile
estemai dicil a. Dup a o mic a dezvoltarea calculului probabilit ailor sepoaterezolva elegant
aceat a problem a (exercitiul 5).
Exemplul 1.4 [0; 1]
n acest caz num arul cazurilor posibilesi favorabile este innit si denitia clasic a nu se
mai aplic a.
1.2 Denitia axiomatic a a probabilit atii
ngeneral evenimenteleseexprim aprinpropozitii. Propozitiileobtinuteprinoperatiilelogicii
matematice(sau,si,non), ntrepropozitii careexprim a evenimente, exprim a la r ndul lor alte
evenimente. n cele ce urmeaz a probabilitatea este denit a pe o multime de evenimente
careodat acu evnimenteleA si B continesi evenimenteleurm atoareexprimateprin operatiile
logicesau, si, non:
A . B A si B
A . B A sauB
A nonA
1 evenimentul sigur
0 evenimentul imposibil
Deasemenea, presupunemc a au loc urm atoarelerelatii:
a)Comutativitatea
A . B = B . A A . B = B . A
b)Asociativitatea
A . (B . C) = (A . B) . C
A . (B . C) = (A . B) . C
c)Distributivitatea
A . (B . C) = (A . B) . (A . C)
A . (B . C) = (A . B) . (A . C)
A TII 4
d) Absorbtia
(A B) ' A = A (A ' B) A = A
e)Legilelui Morgan
A . B = A . B
A . B = A .

B
f)Evenimentele1si 0secaracterizeaz a prin
0 . A = 0; 0 . A = A
1 . A = A; 1 . A = 1
g)Evenimentul non A sau contrarul lui A arepropriet atile:
A . A = 0 A . A = 1
Remarc amc aacesterelatii sunt adev aratedac aA; B;.. sunt propozitii, iar 0 estepropoz-
itia totdeauna fals asi 1 estepropozitia totdeauna adev arat a.
O multimedeevenimentecu propriet atiledemai sus senumestec mp deevenimentesau
algebr a deevenimentesau algebr a Boole. Relatiiledemai sus nu sunt independente, deci nu
formeaz a un set minimal deaxiomepentru algebreleBoole. Pedealt a parteeleimplic a alte
relatii importante, ca deexemplu

A = A. Urm atoarea teorem a a lui Stonedescrieasemenea

c mpuri deevenimenteprin submultimi.
Teorema 1.5
P(X )
O ; X
=A ' B
=A B
: M
(A . B) = (A) ' (B)
(A . B) = (A) (B)
(A) = (A)
(0) = O (1) = X
Teoremaarat ac anesent aoricec mpdeevenimentepoatereprezentat prinsubmultimi
aleaceleiasi multimi X. Operatiei si ntreevenimentei corespundeintersectiasubmultimilor,
operatiei sau i corespunde reuniunea, negatiei i corespunde complementara, evenimentul
sigur corespundemultimii totaleX, iar evenimentul imposibil corespundecu multimea vid a.
Denitia 1.6 P(X )
A TII 5
Propozitia 1.7 P(X )
1
; A
2
; :::A
a

i=1.a
A
i

i=1..a
A
i

A :
Demonstra tie. b) A = X A si din proprietatile1si 3 alealgebrei demultimi rezult a
A : a)Dac a A si B sunt n atunci A B = A ' B conformcu proprietatea 2 a
algebrei demultimi si punctul b). Prin inductierezult a acumusor si a).
Vedemc a n general un num ar nit deoperatii deintesectie, reuniune,diferent a sau com-
plementar acu multimi din arecarezultat tot omultimedin : Vomdeni acumprobabil-
itatea.
Denitia 1.8 P(X ) ;
R
[0; 1]
A ' B) = p(A) +p(B) A B = O
O) = 0 p(X ) = 1
(X; ; p)
(X; ; p)
A) = 1 p(A)
1
; A
2
; :::A
a

i
A
)
= O
p(
_
i=1..a
A
i
) =
a
1
p(A
i
) (1.1)
p(A ' B) = p(A) +p(B) p(A B)
A B p(A) _ p(B):
Demonstra tie. 1) X =

A ' A ; A

A = O; deci 1 = p(X ) = p(A) +p(

A)
2) Pentru n=2 armatia rezult a din denitia probabilit atii, pe urm a se procedeaz a prin
inductie.
3) S aprivimevenimentelecamultimi. Atunci A'B = (A
B)'(B

A)'(AB), reuniune
disjunct a, deci p(A'B) = p(A

B)+p(B

A)+p(AB): DeasemeneaA = (A

B)'(AB)
deci p(A) = p(A

B) + p(A B) si prin urmare p(A

B) = p(A) p(A B). Analog
p(B

A) = p(B) p(A B). Pun nd acestevalori n expresia precedent a pentru p(A ' B)
seobtinepunctul 3).
4) A B =B = (B

A) ' A (disjuncte) =p(B) = p(B

A) +p(A) _ p(A).
Observatia 1.10
A TII 6
Exemplul 1.11 1 _ i _ 6
1 _ j _ 6 = P (X ) p: R
p(A) =
Acumputems a d amo solutiepentru problema pus a n exemplul 4.
Exemplul 1.12 P(X )
C
1
p(A) =
aria(A)
aria(X )
pentru A
(x; y)
X [ y > x (A) = 1=2
2
;
3
p(A) =
R
/
)()o
R
^
)()o
Diversetipuri deguri pentru careestedenit a probabilitatea geometric a
1.3 Probabilit ati conditionate
Fie(X,;p) un c mp deprobabilitate, B n , p(B)>0:
A TII 7
Denitia 1.13
1
: R p( [B)
p(A[B) = p
1
(A) =
p(A B)
p(B)
(1.2)
si o numimprobabilitatea lui A conditionat a deB.
Teorema 1.14
1
p(AB) =
p(B) p
1
(A)
DeoareceO A B B atunci 0 _ p
1
(A) _ 1: Deasemeneap
1
(O) = 0
si p
1
(X ) = 1 sunt evidente. Dac a A
1
A
2
= O atunci si (A
1
B) (A
2
B) = O, deci
p
1
(A
1
' A
2
) =
p((A
1
' A
2
) B)
p(B)
=
p((A
1
B) ' (A
2
B))
p(B)
=
p(A
1
B) +p(A
2
B)
p(B)
= p
1
(A
1
) +p
1
(A
2
)
D e ni tia 1. 15 p(A B) =
p(A) p(B) p(A) = p
1
(A)
. Prin denitie p(A B) = p(A)p(B): Deoarece A = (A B) ' (A

B)
(reuniunedisjunct a), avem
p(A) = p(A B) +p(A

B) = p(A)p(B) +p(A

B)
deunderezult a
p(A

B) = p(A) p(A)p(B) = p(A)(1 p(B)) = p(A)p(

B)
: Analgsedemonstreaz a independentasi n celelaltecazuri.
n mod analogsedenesteindependenta mai multor evenimente:
Denitia 1.17 A
1
; A
2
; :::A
a
_ n
A
i
1
; A
i
2
; ::A
i
I
A
1
; ::A
a
p(A
i
1
A
i
2
::A
i
I
) = p(A
i
1
)p(A
i
2
)::p(A
i
I
): (1.3)
Analogcu propozitia anterioar a sepoatedemonstrasi
A TII 8
Propozitia 1.18
1
; A
2
; ::A
a
A
1
;

A
2
; ::A
a
A
i
Demonstratia estel asat a ca exercitiu.
Denitia 1.19 A
1
; A
2
; ::A
a
'
i=1..a
A
i
= X
A
i
A
)
= O i ,= j :
Avemurm atoarea
Propozitia 1.20 (X; ; p) A
1
; ::A
a
:
B
p(B) =
a
i=1
p(A
i
) p(B[A
i
) (1.4)
Formula demai sus senumesteformula probabilit atii totale.
Demonstratie.
p(B) = p(B X ) = p(B ( '
i=1..a
A
i
)) = p( '
i=1..a
(B A
i
)) =
a
i=1
p(B A
i
) =
a
i=1
p(A
i
)p(B)
(1.5)
Q.E.D.
Formula urm atoare, numit a formula lui Bayes, ne d a probabilitatea ca dup a cestimc a
un eveniment cepoateaparedin mai multecauzes-a realizat, acesta s a serealizat dintr-o
cauz a anume. Enuntul precis este:
Propozitia 1.21 (X; ; p) A
1
; A
2
; ::A
a
p(A
i
[B) =
p(A
i
)p(B[A
i
)
a
)=1
p(A
)
)p(B[A
)
)
(1.6)
Demonstratie.
p(A
i
[B) =
p(B A
i
)
p(B)
=
p(A
i
)p(B[A
i
)
a
)=1
p(A
)
)p(B[A
)
)
conformformulei probabilit atii totale.
Exemplul 1.22
A TII 9
Solutie . FieA
i
evenimentul careconst a n extragerea unei bileprovenind din urna i si B
evenimentul careconst anextragereaunei bilealbe. Avemp(A
1
) =
10
25
p(A
2
) =
10
25
p(A
3
) =
5
25
(probabilitateaevenimentului A
i
esteproportional acunum arul bilelor provenitedinurna
i). Mai departeavemp(B[A
1
) =
4
10
p(B[A
2
) =
2
10
p(B[A
3
) =
4
5
: Probabilitatea careni se
cereestep(A
3
[B) si conformcu formula lui Bayes
p(A
3
[B) =
10
25

4
5
10
25

4
10
+
10
25

2
10
+
5
25

4
5
=
2
5
O b serva tia 1. 23
p(A
1
) = p(A
2
) =
p(A
3
) =
1
3
p(A
3
[B) =
4
7
Probabilitatea are o component a psihologic a n sensul de grad de ncrederesi una practic a
n sensul de frecvent a de aparitie a unui fenomen ntr-un num ar mare de experiente inde-
pendente, dar pentru a putea introducenumeresi a facecalcules-a dovedit util a o denitie
axiomatic a, asem an ator cum n geometrie dreapta se introduce axiomatic, independent de
multimea exemplelor practice. Puncteleimportanten acest demers sunt:
i) Reprezentarea evenimentelor prin algebredemultimi(Stone).
ii) Denitiaprobabilit atii cafunctiepealgebredeevenimente, cupropriet ati asem an atoare
cu aria gurilor plane.
In dezvoltarea elementar a a calculului cu probabilit ati urm atoarele trei puncte sunt es-
entiale:
iii) Notiuneadeprobabilitateconditionat asi probabilitateadeaparitiesimultan aaeveni-
mentelor independente.
iv) Formula probabilit atii totale(1.4) .
v) Formula pentru probabilitatea cauzelor (1.6).
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
FORMULE UTILIZATE FRECVENT :
a) p=
av. co:&vi )ocvobi|c
av. co:&vi jccibi|c

b1c ai tio jvcbobi|it o tii ccaoi ticaotc p(A[B) = p
1
(A) =
j(1)
j(1)
(1. 2);
p r ob a b i li t a t e ae ve ni m e nt e lori nd e pe nd e nt e p(A B) = p(A) p(B)(1. 3)
c) F ormula prob ab ilit a tii totale p(B) =
a
i=1
p(A
i
) p(B[A
i
)(1. 4) .
d) F ormula lui B ay es p(A
i
[B) =
j(
.
)j(1[
.
)
P
n
=1
j(
)j(1[
)
(1. 6).
A TII 10
1.5 Exercitii
Indicatie. Probabilitata este raportul dintre num arul cazurilor favorabile si num arul
cazurilor posibile. Sunt posibile C
3
8
= 56 cazuri. Suma tuturor numerelor este 36, deci
suma celor extrasetrebuies a dep aseasc a 18 pentru a caz favorabil. Acumseenumer a pur
si simplu toatecazurilefavorabile: (8,7,6), (8,7,5), etc.
ax
2
+2bx+c= 0 (0; 1)(0; 1)(0; 1)
Indicatie. (a,b,c) (0; 1)
3
. Conditia der ad acini realeeste4b
2
4ac_ 0 sau 1 _ b_
_
ac.
FieV=volumul lui (0; 1)
3
si V
)
=volumul cazurilor favorabile. AvemV
)
=
_ _ _
\
]
da dc db=
_
1
0
da
_
1
0
dc
_
1
_
oc
db. Tin nd seama c a V=1, seobtineimediat probabilitatea p= V
)
=V.
Cas anum ar amasez arilen caretoti -si pot cump arabilete, reprezent amntr-un
sistemxOy pecele2n persoaneprin puncten 1,2,3..2n peOx. Fiec arei asez ari i asociemo
functie denit a pe 0; 2n prin f(0)=0si f(i)=f(i-1)+1 dac a persoana i de la rnd are 1000 lei
si f(i)=f(i-1)-1dac a persoana i are500lei. Fiecaretraiectoriencepen (0,0) si setermin a n
(2n,0), deoarecedecteori seurc a sesi coboar a. Num arul aranj arilor la coad a esten!n!C
a
2a
unde C
a
2a
reprezint a num arul de alegeri ale locurilor de c atre cei cu 500 lei (sau num arul
traiectoriilor) iar n! reprezint a num arul de permut ari celor cu 500 lei sau cu 1000 lei intre
ei. O traiectoriereprezint a o asezarenefavorabil a dac a pentru un i avemf(i)=1. n acest caz
primul i cuproprietateademai susreprezintacel cu1000lei carenumai poateprimi rest dela
cas a. Considernd simetrica acestei traiectorii dela acest i fat a dey=1obtinemo traiectorie
cesetermin a n (2n,2) si aren+1urcusuri si n-1cobor suri. Num arul traiectoriilor deacest
fel esteC
a+1
2a
, deci num arul cazurilor nefavorabileesten!n!C
a+1
2a
: Probabilitatea estedeci
p=
n!n!C
a
2a
n!n!C
a+1
2a
n!n!C
a
2a
=
1
n+ 1
(X; ; p) A
1
; A
2
; ::A
a
:
A TII 11
p( '
i=1..a
A
i
) =
a
i=1
p(A
i
)
i,=)
p(A
i
A
)
) (1.7)
+

i,=),=I
p(A
i
A
)
A
I
) +
+::: + (1)
a1
p(A
1
A
2
:: A
a
)
Indicatie. Formula a fost demonstrat a pentru n=2 n cadrul lectiei. Presupunem prin
inductiec a esteadev arat a pentru n. FieB = '
i=1..a
A
i
si B
i
= A
a+1
A
i
. Avem
p( '
i=1..a+1
A
i
) = p(B ' A
a+1
)
= p(B) +p(A
a+1
) p(B A
a+1
)
= (f ormula 1.7) +p(A
a+1
) p( '
i=1..a
B
i
)
= (f ormula 1.7) +p(A
a+1
) (f ormula1.7 pt: B
i
)
= (f ormula1.7 pt: n+ 1)
Indicatie. FieA
I
evenimentul ceconst anfaptul c apersoanak primestescrisoareapotriv-
it a. p(A
I
) =
(a1)!
a!
= 1=n. Exist aC
2
a
evenimentedetipul A
i
A
)
si ecareareprobabilitatea
(a2)!
a!
(deoarecedou a persoaneprimesc scrisorilepotriviteiar celelalta n-2 persoaneprimesc
scrisorilent mpl ator n (n2)! feluri. Analog, exist a C
3
a
evenimentedetipul A
i
A
)
A
I
si ecareareprobabilitatea
(a3)!
a!
, etc. Aplic nd formula demai sus rezult a:
p = n
1
n
C
2
a
(n2)!
n!
+C
3
a
(n3)!
n!
+:::
=
1
1!

1
2!
+
1
3!
+:::
Indicatie. Prima problem a estecumreprezent amtoateposibilit atiledent lnire. Fiepe
axa x ora desosirea primei persoaneiar peaxa y ora desosirea celei dea doua persoane.
A TII 12
Toate variantele de sosire se reprezint a deci prin produsul [12; 13] [12; 13]. Conditia de
nt lnireeste[x y[ _
1
3
ore. Admit nd c a probabilitatea esteproportional a cu aria, g asim
c a aria zonei dentlnireeste5/ 9iar aria zonei desosireeste1. Deci probabilitatea este5/ 9.
Indicatie. Seaplic a formula lui Bayes.
R
1
; R
2
R
3
; R
4
; R
5
0,1; 0,01;
0,05; 0,04; 0,1
Indicatie. FieA
I
evenimentul careconst a n ntreruperea rezistentei R
I
. Avemp(A
1
) =
0; 1 p(A
2
) = 0; 01 etc.Toateacesteevenimentesunt independentesi ntrerupereacircuitului
este: A
1
'A
2
'(A
3
A
4
A
5
). Seaplic aformulalui Poincarsi setineseamac aevenimentele
A
I
sunt independente.
Indicatie. Fie A
I
evenimentul care const a n faptul c a tr ag atorul k nimereste. Avem
p(A
1
) = 0; 7; p(A
2
) = 0; 8; p(A
3
) = 0; 9 iar evenimentele A
1
; A
2
; A
3
sunt independente.
La punctul a) se cere probabilitatea lui A
1
A
2
A
3
care este produsul probabilit atilor
p(A
1
) p(A
2
) p(A
3
). Analogseconsider asi celelaltecazuri.
= P (X ) (1; 2; 3) =
7=8 p(2; 3; 4) = 1=2 p(1; 4) = 5=8: p(1) p(1; 3; 4)
A
1
; A
2
; :::A
a
A TII 13
A
1
; :::A
a
[AC[ <[AD[
A
1
; A
2
; ::A
a
p(A
1
A
2
::: A
a
) _ p(A
1
) +p(A
2
) +::: +p(A
a
) (n1)
1
2
Deecaredat ac ndaplic amteoriaprobabilit atilor subntelegemc aexist aoalgebr adeeveni-
mente realizat a ca o multime de submultimi ale unei multimi X, si, o probabilitate denit a
pe acele evenimente, chiar dac a X si algebra de evenimente nu sunt exprimate explicit. n
general informatiadin X seextrageprin functii. n celeceurmeaz a, X esteomultimepecare
avemdenit a o algebr a deevenimente si o probabilitatep.
Denitia 2.1 f : X R
(a; b) R f
1
(a; b) : f : X C
Re(f ) I m(f )
nceleceurmeaz avariabilelealeatoareconsiderateiauunnum ar nit devalori. Asemenea
variabile aleatoare le vomnumi simple. Fie v
1
; v
2
; ::v
a
valorile distincte ale lui f si e A
i
=
f
1
(v
i
). n acesteconditii variabila aleatoaresescrie
f (x) =
_
_
v
1
dac a x A
1
v
2
dac a x A
2
:::::
v
a
dac a x A
a
(2.1)
Esteclar c adenitiademai susesteechivalent acuaspunec apentruoricevaloarevrezult a
c a f
1
(v) : Vommai scrie A
i
= f = v
i
; p
i
= p(A
i
) = p(f
1
(v
i
)) = p(f = v
i
): Este
mai putin important din punctul devedereal calculului cu probabilit ati, careestemultimea
A
i
; c t caresunt probabilit atilep(A
i
); p(A
i
A
)
) etc. Fiec arei variabilealeatoaref i vom
asocia o diagram a (notat a tot f):
14
LEC TIA 2. VARIABILE ALEATOARE SIMPLE 15
f =
_
v
1
v
2
v
3
::: v
n
p
1
p
2
p
3
::: p
n
_
Valorile v
1
; v
2
; ::v
a
sunt n general distincte iar evenimentele A
i
; i = 1; 2; ::n formeaz a o
partitie a lui X , adic a A
i
si A
)
sunt disjuncte dac a i ,= j si

i=1..a
A
i
= X: Este clar c a
p
1
+p
2
+:: +p
a
= 1: Putemconsiderasi diagramen careunelevalori v coincid ntreeleceea
ce ar corespunde denirii lui f prin (2.1) si unde amavea de exemplu v
1
= v
2
dar neap arat
A
1
A
2
= O: nacest caz A
i
numai esteneap arat f
1
(v
i
) dar A
1
; ::A
a
formeaz anc aopartitie,
p
i
= p(A
i
) si p
1
+ :: + p
a
= 1. Deexemplu functia f
I
ia valorile(v
i
)
I
pemultimileA
i
, deci
diagrama asociat a este:
f
I
=
_
v
I
1
v
I
2
::: v
I
a
p
1
p
2
::: p
a
_
iar dac a v
1
= v
2
, k=2 atunci v
2
1
= v
2
2
si avemo diagram a undeunelevalori din r ndul de
sus coincid. Diagramelen carev
i
,= v
)
pentru i ,= j levomnumi standard. Dat a o variabil a
aleatoaresimpl a, ca mai sus, denim:
Denitia 2.2 M(f ) =
a
i=1
v
i
p
i
=
a
i=1
v
i
p(f = v
i
)
M
I
(f ) m
I
=
a
i=1
v
I
i
p
i
= M(f
I
)
I
(f ) =
a
i=1
(v
i
M(f ))
I
p
I
= M
_
(f M(f ))
I
_
D(f ) =
2
(f ) =
a
i=1
(v
i
M(f ))
2
p
i
= M((f M(f ))
2
) =
2
(f )
f
c
: R C '
)
: R C f
c
(t) = '
)
(t) =
a
i=1
e
_
1
.
t
p
i
F : R R; F (t) = p(x X [f (x) <t):
Observa tia 2 . 3 p
i
= 0 v
i
f ,= g
f
Vomnota n general cu a <f <b} evenimentul f
1
(a; b) = x X [a <f (x) <b
iar probabilitatea lui cu p(a < f < b). Analog vomnota evenimentele ce se obtin folosind
inegalit ati detipul _; _;etc.
Exemplul 2.4
8
20
3
20
5
20
4
20
nota
_
5 7 8 10
8
20
3
20
5
20
4
20
_
M
1
= 5
8
20
+ 7
3
20
+ 8
5
20
+ 10
4
20
= 7; 05
M
2
= 5
2
8
20
+ 7
2
3
20
+ 8
2
5
20
+ 10
2
4
20
= 53; 35
D = (57; 05)
2
8
20
+(77; 05)
2
3
20
+(87; 05)
2
5
20
+(107; 05)
2
4
20
= 3; 6475
f
c
(t) = e
i5t
8
20
+e
i7t
3
20
+e
i8t
5
20
+e
i10t
4
20
i =
_
1
O b serva tia 2. 5
p(f
1
(a; b) g
1
(c; d)) = p(f
1
(a; b)) p(g
1
(c; d))
Denitiaindependentei adou av.a. simplesepoatedan mai multefeluri asacumrezult a
din propozitia urm atoare:
Propozitia 2.7 (X; ; p)
a<f <b c<g<d a; b; c; d R
R f = v g= u
f A f B
Demonstratia estel asat a ca exercitiu.
Observatia 2.8 u; v C A; B C
f ; g: X C F; G : C C
F f G g
Demonstratie. Avem:
p((F f = v) (G g= u))
= p
__
f F
1
(v)
_
_
g G
1
(u)
__
= p(f F
1
(v)) p(g G
1
(u))
= p(F f = v)p(G g= u)
Q.E.D.
Deexemplu (f a)
2
si (gb)
2
sunt independentepentru oriceasi b.
Teorema 2.10 (X; ; p) f ; f
1
; f
2
; :::
= C =M(f ) = C
= const =M(f ) = M(f )
M(f
1
+f
2
) = M(f
1
) +M(f
2
) M(f
1
+f
2
+:: +f
a
) = M(f
1
) +M(f
2
) +:: +M(f
a
)
M(af +bg) = aM(f ) +bM(g) M(f M(f )) = 0
f
1
; f
2
M(f
1
f
2
) = M(f
1
) M(f
2
)
f _ 0 =M(f ) _ 0
f _ g=M(f ) _ M(g)
[M(f )[ _ max [f [
Demonstratie. 1) si 2) sunt evidente.
3)Fiev
1
; v
2
; ::v
a
valorilelui f
1
si A
i
= f
1
1
(v
i
) iar u
1
; ::u
n
valorilelui f
2
si B
)
= f
1
2
(u
)
):
Variabila aleatoare f
1
+ f
2
ia valorile v
i
+ u
)
pe evenimentele A
i
B
)
cu probabilit atile
p
i)
= p(A
i
B
)
) = p(f
1
= v
i
f
2
= u
)
): Avemacum
M(f
1
+f
2
) =
i=1..a,)=1..n
(v
i
+u
)
)p
i)
=
a
i=1
v
i
n
)=1
p
i)
+
n
)=1
u
)
a
i=1
p
i)
=
=
v
i
p(f
1
= v
i
) +
u
)
p(f
2
= u
)
) = M(f
1
) +M(f
2
)
Amfolosit

n
)=1
p
i)
=
n
)=1
p(A
i
B
)
) = (ind disjuncte)
= p(
)=1..n
(A
i
B
)
)) = p(A
i
(
)=1..n
B
)
)) =
p(A
i
X ) = p(A
i
) = p(f = v
i
)
si n mod analogcealalt a sum a este
a
i=1
p
i)
= p(f
2
= u
)
):
4) M(f
1
f
2
) =

i,)
v
i
u
)
p(f
1
= v
i
f
2
= u
)
) =(din independenta variabilelor aleatoare)
=
i,)
v
i
u
)
p(f
1
= v
i
)p(f
2
= u
)
) =
i
v
i
p(f
1
= v
i
)
)
u
)
p(f
2
= u
)
) = M(f
1
)M(f
2
)
5), 6), 7) sunt evidente.
Q.E.D.
Teorema 2.11 = C = D(f ) = 0
D(af ) = a
2
D(f )
1 2
D(f
1
+f
2
) = D(f
1
) +D(f
2
)
Demonstratie. 1) D(f ) =
(v
i
M(f ))
2
p(f = v
i
) si sumaestezeronumai dac av
i
= M(f )
pentru oricei cu p
i
,= 0, adic a f= M(f ) a.p.t.
2) Avem
D(af ) = M((af M(af ))
2
) = M(a
2
(f M(f ))
2
) = a
2
M((f M(f ))
2
) = a
2
D(f )
3) n formulele de mai jos utiliz am faptul c a f
1
si f
2
independente implic a (f
1
a)
2
si
(f
2
b)
2
sunt independente, precumsi propriet atilemediei:
D(f
1
+f
2
) = M(((f
1
+f
2
) M(f
1
+f
2
))
2
) =
M(((f
1
M(f
1
)) + (f
2
M(f
2
))
2
) =
M((f
1
M(f
1
))
2
+ (f
2
M(f
2
))
2
+ 2M((f
1
M(f
1
))(f
2
M(f
2
))) =
M((f
1
M(f
1
))
2
) +M((f
2
M(f
2
))
2
) + 2M(f
1
M(f
1
))
. .
=0
M(f
2
M(f
2
))
. .
=0
=
D(f
1
) +D(f
2
)
Q.E.D.
O generalizarea punctului 3) este:
Propozitia 2.12 f
1
; f
2
; ::f
a
D(f
1
+f
2
+::: +f
a
) = D(f
1
) +D(f
2
) +:: +D(f
a
)
Demonstratia esteanaloag a celei pentru dou a functii si el asat a ca exercitiu.
Denitia 2.13
)A())
_
1())
Sevedeimediat c a M(
)A())
_
1())
) = 0 si D(
)A())
_
1())
) = 1:
Teorema 2 . 1 4
c
c
c
(0) = 1; [f
c
(t)[ _ 1 <t <
a f +b; a b g
c
(t) = e
_
1bt
f
c
(at)
1 2
(f
1
+f
2
)
c
(t) = f
1c
(t) f
2c
(t)
M
I
(f ) =
1
(
_
1
)
I
f
(I)
c
(0)
f
1c
= f
2c 1 2
f
1
= f
2
Demonstratie. 1)f
c
esteo sum a nit a defunctii continuef
c
(t) =

p
I
e
_
1
I
t
deci esteo
functiecontinu a. Av nd derivata m arginit a rezult a c a esteuniformcontinu a.
2) g
c
(t) =
p
I
e
_
1t(c
I
+o)
= e
_
1to
p
I
e
_
1tc
I
= e
_
1ot
f
c
(t):
3) f
c
(0) =
p
I
e
_
10
I
=
p
I
= 1si [f
c
(t)[ _
p
I
e
_
1
I
t
p
I
= 1
4) Dac a f
1
si f
2
sunt independenteatunci e
i)
1
si e
i)
2
sunt independente.
Acumobserv amc a
(f
1
+f
2
)
c
(t) = M(e
it()
1
+)
2
)
) = M(e
it)
1
e
it)
2
) = (ind indep.)
= M(e
it)
1
)M(e
it)
2
) = f
1c
(t) f
2c
(t)
5) f
t
c
(t) = i
I
p
I
v
I
e
it
I
si deci f
t
c
(0) = i
I
p
I
v
I
= iM
1
(f ). Analogprinderivaresuccesiv a
seobtinef
(a)
(0) = i
a
M
a
(f ).
6) Avem, folosind diagramereduse,

p
I
e
i
I
t
=

q
|
e
i&
I
t
, undev
I
sunt diferitentreele
si u
|
sunt diferitentreele. Dac a nu sereduc toti termenii, adic a pentru ecarek s a existel
astfel cap
I
= q
|
; v
I
= u
|
atunci dup atoatereducerileposibileegalitateadevine:

r
c
e
i&
s
t
= 0,
(1 _ s _ m) under
c
sunt nenule, iar w
c
sunt diferitentreele. Deriv nd demai multeori
expresia demai sussi pun nd t=0n derivateg asim:
_
_
r
1
+r
2
+::: +r
n
= 0
r
1
w
1
+r
2
w
2
+::: +r
n
w
n
= 0
::::::::::::::::
r
1
w
n1
1
+r
2
w
n1
2
+:: +r
n
w
n1
n
= 0
ceea cenu sepoatedec t dac a r
1
= r
2
= ::r
n
= 0. Contradictia obtinut a arat a c a reducerea
areloc, deci f
1
si f
2
iau aceleasi valori, cu aceleasi probabilit ati.
QED.
Denitia 2.15
1
; ::f
a
I
1
; ::I
I
; f
i
1
; ::f
i
I
_ n f
1
i
1
(I
1
); f
1
i
2
(I
2
) ; :::; f
1
i
I
(I
I
)
f
1
; ::f
a
(f
1
+f
2
+:: +f
a
)
c
(t) = f
1c
(t) f
2c
(t) :: f
ac
(t)
2. 2 S pa tiul de prob ab ilitate produs
Fie (X
1
,
1
; p
1
) si (X
2
;
2
; p
2
) dou a c mpuri de probabilitate nite. Atunci pe multimea
X = X
1
X
2
sepoatedeni o algebr a demultimi astfel:
= A X [A estereuniunenit a deelementedeforma A
1
A
2
,
cu A
1

1
si A
2

2
Tin nd seama c a
1
si
2
sunt algebre de evenimente, rezult a c a si este. : Denim
p: R prin p(A
1
A
2
) = p
1
(A
1
) p
2
(A
2
): Dac a A esteo reuniunedisjunct a demultimi
de forma 'A
i
.
A
2
.
atunci p(A)=
p
1
(A
1
.
) p
2
(A
2
.
): Se demonstreaz a c a p este o prob-
abilitate pe iar c mpul (X; ; p) se numeste c mpul produs al c mpurilor (X
1
;
1
; p
1
) si
(X
2
;
2
; p
2
). n mod asem an ator sedenesteprodusul unui num ar nit dec mpuri deproba-
bilitate(X
1
;
1
; p
1
); :: (X
a
;
a
; p
a
). Spatiul total esteX = X
1
X
2
::X
a
iar multimea de
evenimentesedenesteprin A =A esteo reuniunenit a deelementedeforma A
1
A
2
A
3
::: A
a
cu A
i

i
pentru oricei. Searat a c a esteo algebr a deevenimentepecare
sepoatedeni o probabilitatecarepeevenimenteledeforma A
1
A
2
:: A
a
arevaloarea
p(A
1
A
2
::A
a
) = p
1
(A
1
) p(A
2
) :: p
a
(A
a
). Estefoarteusor dear atat c a evenimentele
B
1
= A
1
X
2
::X
a
B
2
= X
1
A
2
::X
a
:::::::::
B
a
= X
1
X
2
::A
a
sunt independente(exercitiu). Deasemenea urm atoarelevariabilealeatoare
pr
1
(x
1
; x
2
; ::x
a
) = x
1
pr
2
(x
1
; x
2
; ::x
a
) = x
a
::::::::::::::::
pr
a
(x
1
; x
2
; ::x
a
) = x
a
numite proiectiile canonice ale lui X , sunt independente(exercitiu). De asemenea dac a f
I
:
X
I
R sunt variabile aleatoare atunci variabilele aleatoare F
I
: X R denite prin
F
I
(x
1
; x
2
; ::x
a
) = f
I
(x
I
) sunt independente(exercitiu).
2.3 Rezumat
Informatiile dintr-un spatiu probabilizat se extrag prin functii, numite variabile aleatoare.
In cazul variabilelor aleatoare ce iau un num ar nit de valori (numitesi variabile simple),
media estedenit a ntr-un mod analog cu media notelor lascoal a. Dispersia edenit a ca o
m asur a a mpr astierii valorilor n jurul mediei. Functia caracteristic a este o notiune auxil-
iar a important a pentru calculul mediei, dispersiei,etc. Ea denesteunic diagrama variabilei
aleatoare.Propriet atileacestor m arimi sunt listatenceletrei teoremeanterioare. E deremar-
cat comportareaacestor m arimi laadunareavariabilelor aleatoareindependente. Unexemplu
important de spatiu probabilizat si variabile aleatoare independente este spatiul produs si
proiectiilepr
I
.
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
FORMULE UTILIZATE FRECVENT:
a) Denitiilemediei, momentelor, dispersiei, etc. pentru calculul direct al lor pag(15)
.
b) Proprit atilemediei, dispersiei,functiei caracteristice. Deremarcat:
i) M(af +bg) = aM(f ) +bM(g);
ii) f _ 0 =M (f ) _ 0;
iii) [M(f )[ _ max [f [;
iv) f
1
; f
2
independente = M (f
1
f
2
) = M (f
1
) M (f
2
) , D (f
1
+f
2
) = D (f
1
) + D (f
2
) si
(f
1
+f
2
)
c
(t) = f
1c
(t) f
2c
(t);
v) D (f ) = M
2
(f ) M
2
(f )
.
vi) M
I
(f ) =
1
(
_
1
)
I
f
(I)
c
(0).
2.4 Exercitii
1. Fievariabila aleatoare
f =
_
1 2 4 10
1
2
1
10
3
10
1
10
_
S a secalculezemedia, dispersiasi momentul deordinul 3.
Indicatie. Seutilizeaz a denitiile.
2Fiev.a.
f =
_
2 1 2 4 10
1
5
1
10
3
10
1
10

_
Sa sedetermine astfel ca f sa eo v.a. discreta. S a secalculezemediasi dispersia ei.
3. Stiind ca pentru v.a. f =
_
1 0 1
p
1
p
2
p
3
_
avemM (f ) =
1
5
si M (f
2
) =
33
5
s a se
determinep
1
; p
2
; p
3
.
4. Fieo v.a. f cu media 10. Secereb R astfel ca M (f +b) = 0.
5. n N urneseg asesc c ten bilenumerotatedela1lan, n ecare. Seextragec teobil a
din ecareurn asi senoteaz acu f valoareacelui mai marenum ar obtinut. Secereexplicitarea
probabilit atilor p(f=k), valoarea mediem
a
si limita expresiei m
a
=n c nd n:
Indicatie. p(f _ k)=probabilitatea ca din ecare urn a s a se extrag a un num ar mai mic
sau egal cu k. Num arul cazurilor favorabileestek
.
iar num arul celor posibileesten
.
, deci
probabilitatea este p(f _ k) =
I
^
a
^
. De aici deducem p(f = k) =
I
^
a
^

(I1)
^
a
^
. Aplic nd
denitia mediei g asimm
a
= n
a
I=1
(I1)
^
a
^
deci
n
n
a
1
_
1
0
x
.
dx.
6. O intreprindere recruteaz a un nou angajat. Se prezint a n candidati ntr-o ordine
aleatoaresi primul candidat caretrecetestul proous decomisieesteangajat. Probabilitatea
dea trecetestul estep pentru ecarecandidat. Fievariabila aleatoaref ceia valoarea j dac a
al j-ulea candidat esteadmis, si valoarea 0dac a nu estenimeni admis.
S a sedeterminep(f=j), valoarea medieM(f) si dispersia D(f).
Indicatie. Ca s a e admis candidatul j trebuie ca toti candidatii 1,2,..j-1 s a e respinsi
iar j s a e admis. Probabilitatea acestui eveniment este p(f = j ) = q
)1
p, unde q= 1 p.
Probabilitatea ca toti s a erespinsi esteq
a
. Prin urmaref arediagrama:
_
1 2 :: k :: n
p qp :: q
I1
p :: q
a
_
Estefoartesimplu acumdea calcula functia caracteristic a, mediasi dispersia.
7. O persoan a sedeplaseaz a aleator plec nd din punctul 0. Cu probabilitatea p faceun
pas n fat a si cu probabilitatea q=1-p face un pas napoi. Valoare unui pas este de 1miar
ritmul este de un pas pe minut. Fie f variabila aleatoare egal a cu abscisa la care se ajunge
dup a o or a(un pas n fat a este +1m iar un pas n spate este -1m). Se cer probabilit atile
p(f=k), valoarea mediesi dispersia lui f.
Indicatie. Dac a sefac n fat a k pasi, seajungen pozitia k-(60-k)=2k-60. Probabilitatea
dea facek pasi n fat a esteC
I
60
p
I
q
60I
(vezi n lectia 4despreschema Bernoulli). Deci p(f =
2k 60) = C
I
60
p
I
q
60I
. Deci functia caracteristic a este f
c
(t) =

60
I=0
C
I
60
p
I
q
60I
e
i(2I60)t
=
e
60ti
(pe
2ti
+q)
60
. Cu formuleleuzualesededuc acummedia, momentele, dispersia.
8. Probabilitatea ca un bec sa reziste la suprasarcina este p=0,90. Se fac 5 incercari de
becuri. e f variabila aleatoare care reprezinta numarul de becuri care au rezistea. Se cere
media si dispersia lui f.
9. Se arunc a dou a zaruri si se noteaz a cu f suma punctelor obtinute. Se cer media si
dispersia lui f.
Indicatie. Sepoateobtinesuma2din varianta(1,1), adic aun caz din 36. Sepoateobtine
suma 3 din variantele(1,2) sau (2,1), deci 2 cazuri din 36, etc. Deaici rezult a imediat legea
lui f etc.
10. O urn a contine n bile albe si n bile negre. Se extrag una c te una bilele p n a se
epuizeaz a urna. Fie f variabila aleatoare care pentru o variant a de extragere succesiv a a
tuturor bilelor ia valoarea k dac a prima bil a alb a aparela extragerea k.
a)S a sedeterminelegea lui f
b) Seceremedia lui f.
Indicatie. k iavalori ntre1si n+1. Caf s aiavaloareak trebuies aias aprimelek-1bilene-
gre. Probabilitateacas aias aprimabil aneagr aeste
a
2a
. Conditionat deaceasta, probabilitatea
caadouabil as aias aneagr aeste
a1
2a1
. Deci probabilitateacaprimeledou abiles aias anegre
este
a(a1)
2a(2a1)
. Dac aprimeledou abileauiesit negre, probabilitateacaatreias aias aneagr aeste
a2
2a2
. Deci probabilitatea ca primeletrei biles a ias a negreeste
a(a1)(a2)
2a(2a1)(2a2)
. Analog g asim
probabilitatea ca primele k-1 bile s a ias a negre
a(a1)(a2)..(aI+2)
2a(2a1)..(2aI+2)
=
C
I1
n
C
I1
2n
. Stiind aceasta,
probabilitatea ca la extragerea k s a ias a bila alb a este
a
2aI+1
. Deci p(f = k) =
a
2aI+1
C
I1
n
C
I1
2n
.
11. Dou a variabile aleatoare f si g iau aceleasi valori v
1
; v
2
; ::v
a
: Se mai stie c a M(f ) =
M(g), M
2
(f ) = M
2
(g),..M
a1
(f ) = M
a1
(g). S a se arate c a p(f = v
I
) = p(g = v
I
) pentru
oricek 1::n .
Indicatie. Fiep
I
= p(f =
I
) si p
t
I
= p(g=
I
). Avem:
M
I
(f ) = p
1
I
1
+p
2
I
2
+:::p
a
I
a
= M
I
(g) = p
t
1
I
1
+p
t
2
I
2
+:: +p
t
a
I
a
pentru k=0,1,2,..n. Prin urmarep
1
; p
2
; ::p
a
si p
t
1
; p
0
2
; ::p
t
a
satisfac acelasi sistemnesingular.
12. S a searatec a D(f +C) = D(f ), C ind o constant a.
Indicatie. Seaplic a denitia dispersiei si setineseama c a M(f +C) = M(f ) +C.
13. FieX o variabil a aleatoarenit a cu media msi dispersia
2
. Cumtrebuies a easi
b (constante) ca variabila aleatoareaf+b s a aib a media zerosi dispersia unu?
Indicatie. 0=M(af +b) = aM(f )+b= am+bsi 1 = D(af +b) = D(af ) = a
2
D(f ) = a
2
2
14. Dou a variabilealeatoareindependente; au distributiile
_
0 1 2 3
1
8
1
4
o
4
o
2
_

_
0 1 2 3
1
2
b
1
8
1
4
_
a) Sa sedetermineasi b
b) Careestedistributia variabilei ?
c) Careestedistributia variabilei 2+ 3?
Indicatie. Pentru avem
1
8
+
1
4
+
o
4
+
o
4
= 1 si analogpentru . Pentru setineseama
c a si sunt independente, deci, deexemplu p(= 1 si = 2) = p(= 1) p( = 2), etc.
15. Doi juc atori, A si B, convin asupra urm atoarei reguli dejoc: la o aruncarecu zarul,
dac a apar fetele1sau 2atunci primul juc ator d a celui deal doilea 3lei, iar n caz contrar al
doileajuc ator d aprimului 1leu. Careestec stigul mediu al ec arui juc ator dup an arunc ari?
Indicatie. Probabilitatea dec stig a lui A este1/ 3 iar a lui B estede2/ 3. Sescriu vari-
abilelealeatoarecarereprezinta cstigul pentru A si B, ca la problema 7.
16. Trei juc atori A, B, C pun jos c te o sum a de a, b, respectiv c lei, apoi arunc a o
moned a, pe r nd, n ordinea A, B, C, A, B, C,... p n a apare fata. Primul juc ator la care
aparefata ia toti banii, iar dac a nu a ap arut dup a ceecarea aruncat de3 ori, seanuleaz a
jocul.
a) Caresunt c stigurilemedii aleec arui juc ator dup a 3jocuri?
b) Cumar trebui s a esumelea, b, c ca jocul s a eechitabil?
C mpuri de probabilitate
Fie(X; ; p) un c mp deprobabilitate. Dac a algebra deevenimenteveric a n plus axioma:
Oricare ar sirul de evenimente (A
a
)
a.
c&
a
atunci 'A
a
,
. Dac ap esteo probabilitate
pe caren plus veric a relatia
p(
_
a=1,o
A
a
) =
o
a=1
p(A
a
)
pentru oricesir A
a
deevenimentedisjuncte, atunci spunemc apesteo probabilitate. n
acesteconditii tripletul (X; ; p) senumeste-
(X; ; p)
A
a

a=1,o
A
a
:
A
1
_ A
2
_ :: _ A
a
_ :: p(

a=1,o
A
a
) = lim
ao
p(A
a
)
A
1
_ A
2
_ :: _ A
a
_ :: p(

a=1,o
A
a
) = lim
ao
p(A
a
)
a=1,o
A
a
) _
o
a=1
p(A
a
)
D emonstra tie. p ind o probabilitate, toate propriet atile pentru probabilit atile nit
aditiver am n adev arate.
1)

a=1,o
A
a
=

a=1,o
A
a
, si deoarece

A
a
, rezult a c a reuniunea multimilor

A
a
estein ;
deci si complementara acestei reuniuni, adic a intersectia multimilor A
a
esten :
2) Multimile A
I
A
I+1
sunt disjuncte ntre elesi sunt disjuncte de

I=1...o
A
I
iar A
1
=
24
LEC TIA 3. CMPURI DE PROBABILITATE 25
_
A
I
I=1..o
_
' (A
1
A
2
) ' (A
2
A
3
) ' ::: esteo reuniunedisjunct a, deunde:
p(A
1
) = p
_

I=1..o
A
I
_
+
o
I=1
p(A
I
A
I+1
)
deunde:
p
_
A
I
I=1..o
_
= p(A
1
) lim
ao
a1
I=1
p(A
I
A
I+1
) =
= lim
ao
_
p(A
1
)
a1
I=1
p(A
I
A
I+1
)
_
= lim
ao
p(A
a
)
3) Demonstratia esteasem an atoarecu cea dela punctul 2).
4) p(A
1
'A
2
) = p(A
1
)+p(A
2
)p(A
1
A
2
) _ p(A
1
)+p(A
2
) si prininductiesedemonstreaz a
c a p(A
1
' A
2
' :: ' A
a
) _ p(A
1
) + p(A
2
) + ::p(A
a
) . Acum av nd A
1
_ A
1
' A
2
_ :: _
(A
1
' A
2
:: ' A
a
) _ :: , rezult a:
p
_
'A
I
I=1..o
_
= lim
ao
p(A
1
' A
2
' :: ' A
a
) _
_ lim
ao
p(A
1
) +p(A
2
) +::p(A
a
) =
o
I=1
p(A
I
)
QED.
Exemplul 3.2 X = [0; 1] [0; 1] X
X
p(A) =
ovio()
ovio(A)
= aria(A)
C A
a
A
a
2
a
C
B
B
c mpuri de probabilitate
De ni tia 3 . 3 (X; ; p) f : X R
R ! [f (! ) < c
: <c f
1
(; c)
Propozitia 3.4 R
\c R =f <c
\c R =f _ c
\c R =f >c
\c R =f _ c
\; R = _ f <
D emonstra tie. a) estedenitiacurent aavariabilei aleatoare. a) b) f _ c =
a
f <
c+
1
a
. b) c) {f>c}=X f _ c c) d) {f_ c =

a
f >c
1
a
d} e)
{ _ f < = f _ f _ e)a) {f<c =
a
n _ f <c
QED.
Prin urmare o variabil a aleatoare este caracterizat a prin faptul c a pentru orice interval
I R , nchis,deschis,seminchis,nit saunu, avemrelatiaf
1
(I ) . Spredeosebiredecazul
variabilelor aleatoaresimplestudiaten lectia trecut a, conditia f
1
(v) pentru v R nu
estesucient a ca f s a evariabil a aleatoare.
Teorema 3.5 f : X R R
+f f f
2 1
)
,= 0 [f [
a) { +f <c = f <c . b) f <c = f <
c
c
dac a >0
si f <c = f >c= dac a <0. In ambelecazuri seobtin multimi n . c) f
2
<c =
_
c < f <
_
c . d)
1
)
< c = (f >0 cf >1) ' (f <0 cf <1) . e)
exercitiu.
QED.
Teorema 3.6 (f
i
)
i.
! ) = sup
1i<o
f
i
(! )
! ) = inf
1i<o
f
i
(! )
lim
io
f
i
( ! ) = f (! ) f
a) h > c =

o
i=1
f
i
> c b) g < c =

o
i=1
f
i
< c c) Fie
f
i
= max
)i
f
)
. Conformcua)
f
i
esteovariabil aaleatoare. f = lim
io
f
i
= min
i

f
i
careesteconform
cu b) o variabil a aleatoare.
QED.
Teorema 3.7 f g f +g; f g;
)
j
f +g<c = f <cg =
vQ
(f <r cg>r) , stiind
c atoatenumereler Q sepot punentr-unsir. Deci f +gesteovariabil aaleatoare. Analogse
procedeaz acuf g. Putemscrief g=
1
4
_
(f +g)
2
(f g)
2
si conformpunctului anterior
f gesteo variabil a aleatoare. Deoarece
)
j
= f
In acest caz variabilelesimple
f
a
(! ) =
_
v
i
! E
i
; i _ n
0 ! E
i
; i >n
tindspref , si deci
_
A
f dp= lim
ao
_
A
f
a
dp= lim
ao
(v
1
p
1
+v
2
p
2
+v
3
p
3
+:::v
a
p
a
) =
o
i=1
v
i
p
i
=
M(f ). Analog, dispersia este
D(f ) =
o
i=1
(v
i
M(f ))
2
p
i
1acnj|&| 0; 1; 2; :::n; :: p
0
; p
1
; p
2
; :::p
a
:::
G
)
(t) =
o
i=0
p
i
t
i
M(f ) = G
t
)
(1)
M
2
(f ) = G
tt
)
(1) +G
t
)
(1)
D(f ) = G
tt
)
(1) +G
t
)
(1)
_
G
t
)
(1)
_
2
G
)
f
Solutie. a) In acest caz avemv
i
= i. G
t
)
(t) =

ip
i
t
i1
si deci G
t
)
(1) =

ip
i
=

v
i
p
i
=
M(f ). b) G
tt
)
(t) =
i(i 1)p
i
t
i2
deci G
tt
)
(1) =
i
2
p
i
ip
i
adic aG
tt
)
(1) = M
2
(f ) M(f )
deunderezult a b). c) AvemD(f ) = M
2
(f ) (M(f ))
2
ceea ced a, conformcu a) si b), exact
c).
3.3 Functia de repartitie
densitatea de probabilitate
Fief : X R ovariaibil aaleatoaredenit apespatiul probabilizat X. Asociemlui f ofunctie
F : R R prin formula F (t) = p(f < t). Functia F nu mai apareca depinz nd explicit de
X. Ea contineinformatiile probabilistice despref , independent denatura elementelor din
X. Este posibil ca aceeasi functieF s a corespund a la variabile aleatoare diferite, denite pe
acelasi spatiu X sau pespatii diferite.
Denitia 3.11 F : R R F (t) = p(f < t) f
f F : R
[0; ) F (t) =
_
t
o
(x)dx
f
F
LEC TIA 3. CMPURI DE PROBABILITATE
-2 -1 1 2 3 4
0.2
0.4
0.6
0.8
1
Gracul densit atii deprobabilitatea variabilei aleatoaref
4)
M(f ) =
_
o
o
tdF (t) =
_
o
o
t(t)dt =
_
2
0
t(t)dt =
=
_
1
0
2t
2
dt +
_
2
1
t 2(2 t)dt = 1
Analogsepoatecalcula dispersia.
3.6 Rezumat
Pentru a putea lucra si cu variabile aleatoare cu un num ar innit de valori trbuie l argit
conceptul de algebr a de evenimente la cel de algebr a iar conceptul de probabilitate la cel
de probabilitate. Concret:
i) O algebr a deevenimente(multimi) esteo algebr a deevenimente(multimi) cu propri-
etatea c a dac a A
a
sunt n algebr a pentru oricen, atunci

a=1..o
A
a
esten algebr a.
ii) O probabilitate este probabilitate dac a pentru orice sir de evenimente (multimi)
disjuncteA
a
avemp(

a=1..o
A
a
) =
o
a=1
p(A
a
).
iii) probabilitateaareoremarcabil aproprietatedecontinuitate: dac aA esteintersectia
unui sir monoton descresc ator sau reuniunea unui sir monoton cresc ator de evenimente A
a
atunci p(A) = lim
ao
p(A
a
).
iv) O variabil a aleatoare general a este o functie real a care ntoarce intervalele n eveni-
mente, deci au sens expresii ca p(f = a) sau p(a _ f < b) etc. Operatiileuzualecu functii,
inclusiv trecerea la limit a, aplicatevariabilelor aleatoareduc tot la variabilealeatoare. Orice
variabil a aleatoareestelimit a devariabilealeatoaresimple(ceiau un num ar nit devalori).
v) Caracteristicilenumericealeunei variabilealeatoaresedenesc prin limita caracteris-
ticilor corespunz atoarealevariabilelor aleatoaresimplecetind la variabila general a. Aceast a
limit a nu exist a ntotdeauna. Propriet atileacestor caracteristici: medie, dispersie, momente,
functiecaracteristic a, demonstrateanterior pentruvariabilealeatoaresimplesep astreaz aprin
trecerela limit asi pentru variabilealeatoaregenerale.
vi) Pentru calculul concret al caracteristicilor numericeseintroducefunctia derepartitie
denit a prin F (t) = p(f < t), F ind functia de repartitie a variabilei aleatoare f . Toate
informatiile numerice legate de f sunt continute n functia de repartitie F , independent de
spatiul probabilizat pecareedenit a f .
vii) Densitatea deprobabilitate, estederivata functiei derepartitie(dac a exist a), adic a
(x) = lim
t0
j(t)<t+t)
t
,sau, mai exact se deneste prin: F (x) =
_
a
o
(t)dt. Propriet atile
functiei derepartitiesi aledensit atii deprobabilitatesunt studiatemai sus.
viii) Pentru a ajunge la scopul propus, exprimarea caracteristicilor numerice ale unei
variabilealeatoareprin intermediul functiei derepartitie, avemnevoiedeun concept auxiliar
numit integrala Stieltjes
_
b
o
f (x)dg(x) = lim
[[o
f (
i
) (g(x
i
) g(x
i1
))
, ogeneralizareaintegralei Riemann. Propriet atileintegralei Stieltjesseam an anmarem asur a
cu celealeintegralei Riemann.
ix) In nal, prin formulele(3.4), media, dispersia, etc. sunt exprimatedirect prin functia
de repartitie ori prin densitatea de probabilitate, independent de spatiul pe care e denit a
variabila aleatoare.
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
a) Pentruoprobabilitate aditiv a: Dac aA
1
_ A
2
_ :: _ A
a
_ :: atunci p(

a=1,o
A
a
) =
lim
ao
p(A
a
) iar dac a A
1
_ A
2
_ :: _ A
a
_ :: atunci p(

a=1,o
A
a
) = lim
ao
p(A
a
).
b)
_
b
o
f dF =
_
b
o
f (x)(x)dx +
a
i=1
f (c
i
) (F (c
i
+ 0) F (c
i
0)) unde F e f unc tia de
reparti tie, e densitatea de probabilitate iar c
i
c&at j&actc|c oc oicccatia&itotc
o|c |&i F
c) Formulele ( 3 . 4 )pentru medie,momente,etc.
d) p(a_ f <b) = F (b) F (a) =
_
b
o
(x) dx.
3.7 Exercitii
f =
_
0 1 2 ::: n :::
p
0
p p
2
::: p
a
:::
_
Indicatie. Trebuieca
o
I=0
p
I
= 1. Deaici rezult a. Oproblem aanaloag aesterezolvat a
n cadrul lectiei.
_
1 2 ::: k :: n
1
a
1
a
:::
1
a
::
1
a
_
Indicatie. Seutilizeaz a denitiile.
Indicatie. Probabilitateadeaextrageobil aalb aestep=1/ siar probabilitateadeaextrage
o bil a neagr a este q=(s-1)/ s. Probabilitatea ca bila alb a s a apar a abia la extragerea k este
p
I
=
_
c1
c
_
I1
1
c
. Mai departeproblema seam an a cu 1).
p (0; 1)
q= 1 p
A
a
B
a
p(A
2a+1
) =? p(B
2a+1
) =?
Indicatie. Dac ajuc atorul c stig a(saupierde) lamutareak, atunci nimereste(saurateaz a)
cu dou a lovituri n plus fat a desituatia contrar a. Prin urmarenum arul loviturilor estepar,
deci p(A
2a+1
) = p(B
2a+1
) = 0. Fiep
2|
probabilitateacapartidas aec stigat alatragerea2l,
eq
2|
probabilitateacapartidas aepierdut alatragere2l si er
2|
probabilitateade remiz a
la tragerea 2l. Avemp
2|
= r
2|2
p
2
q
2|
= r
2|2
q
2
r
2|
= r
2|2
(1 p
2
q
2
).
(x) =
_
(x
2
+ 1) x [1; 1]
0 x = [1; 1]
Indicatie. rezult a din

_
o
o
(x)dx = 1. In rest sefolosesc formulele(3.4).
(x) =
_
0; x <0
e
a
; x _ 0
f
2
; 2f + 1; e
)
f (x) g: R R
g
t
>0; g f (g
1
(t))
1
j
0
(t)
.
Indicatie. FieG functia derepartitiea variabilei f
2
. Avem
G(t) = p(f
2
<t) = p(
_
t <f <
_
t) =
_
_
t
_
t
(x)dx =
=
_
_
t
0
e
a
dx = 1 e
_
t
pentru t _ 0
In mod evident G(t)=0pentru t_ 0. Densitatealui f
2
seobtineprin derivarealui G. Analog
seprocedeaz asi cu celelalteexpresii def.
f (x) =
_
_
0 x <0
x 1 0 _ x _ 1
x
2
1 <x <2
5 x x _ 2
_
5
1
(2 +x)df (x)
Indicatie. Seaplic a tehniciledecalcul aleintegralei Stieltjes din lectie.
F (x) =
_
_
_
a; x _ 0
bx
2
; x (0; 1)
c; x _ 1
P (1=4 _ f _ 1=2))
F (t) =
_
_
0; t _ 0
t=4; 0 <t _ 2
1=2; 1 <t _ 4
t=8; 4 <t _ 8
1; t >8
F
A
(t) =
_
_
_
0; t <0
x
2
; t (0; 1]
1; t >1
M (X ) D (X )
A
(t) F
3A+2
(t) F
A
2 (t)
_
o
o
(x a)
2
dF (x)
M(f )
Indicatie. Fiei(a) =
_
o
o
(x a)
2
dF (x). La extremtrebuies a avemi
t
(a) = 0.
[a; b] M(f ) [a; b]
D(f ) [0; (ba)
2
=4]
Indicatie. Se exprim a media si dispersia prin integrale Stieltjes apoi se majoreaz a core-
spunz ator m arimiledesub integral a. Sepoateutiliza problema precedent a.
A
t
[O; A] B
t
[O; B] A
t
B
t
OA
t
B
t
OA
t
B
t
A
t
B
t
Indicatie. Seprocedeaz a ca n exemplul 7).
[0; 1]
Indicatie. Seprocedeaz a ca la problema 7).
(x) =
1
1
1+a
2
min([f [ ; 1)
Indicatie. FieG functia derepartitiea lui g. Dac a t _ 1 atunci
G(t) = p(g<t) = p(min([f [ ; 1) <t) = p(O) = 0
In mod analogG(t) = 1 pentru t >1. Dac a t (0; 1) atunci
G(t) = p(g<t) = p(min([f [ ; 1) <t) = p([f [ <t)
= p(t <f <t) =
_
t
t
1
1
1 +x
2
dx =
2
arctan(t)
Asem an ator sepoatecalcula G(1) si apoi media cu formulele3.4
2d 2l <2d
Indicatie. Starea de intersectie a acului cu reteaua de linii depinde de orientarea acului,
; si dedistanta x a mijlocului acului fat a decea mai apropiat a linie(vezi gura).
2d
2l
x
[0; ) iar x [0; d]. Pentru intersectie trebuie ca x _ dcos . Spatiul pozitiilor
posibile este X = [0; ) [0; d], iar multimea pozitiilor favorabile intersectiei este A =
(; x) X [ x _ dcos . In cazul c nd toate pozitiile sunt egal probabile, probabilitatea
unui eveniment este proportional a cu aria multimii punctelor prin care se reprezint a acel
eveniment.
Amv azut c a valorile caracteristice ale unei variabile aleatoare sunt determinate de functia
de repartitie (sau de densitatea de probabilitate, dac a exist a). In cazul variabilelor simple,
caracteristicilenumericesunt determinatedediagrama asociat a lor. In celeceurmeaz a sunt
studiatec tevalegi frecvent ntlnitenaplicatii. C nddiscut amoasemenealegesubntelegem
c a exist a un c mp de probabilitate (X; ; p) si o functie f : X R care are ca functie de
repartitiepeF si cadensitatepe. Pentrucalculenuestenevoies aavemexplicit dateX; ; p
si f ; ci numai peF sau .
4.1 Repartitia binomial a
Fievariabila aleatoaresimpl a
f =
_
0 1 ::: k ::: n
C
c
a
p
0
q
a
C
1
a
p
1
q
a1
C
I
a
p
I
q
aI
C
a
a
p
a
q
0
_
undep [0; 1] p+q= 1 n N. Oasemeneavariabil aaleatoaresenumestebinomial a.
Functia caracteristic a este
f
c
(t) =
a
I=0
e
itI
C
I
a
p
I
q
aI
=
_
pe
it
+q
_
a
undei =
_
1 C. Deaici obtinem:
a) M(f ) =
1
i
f
0
c
(0) =
1
i
n(pe
it
+q)
a1
pie
it
t=0
= np
b) M
2
(f ) =
1
i
2
f
tt
c
(0) = n
2
p
2
+npq
c) D = M
2
(f ) (M(f ))
2
= npq
FiepprobabilitateacucareapareA ntr-oexperient aindependent a. Atunci nnexperiente
independenteaparitiadek ori aevenimentului A sepoatefacenC
I
a
feluri, egal cunum arul de
43
LEC TIA 4. LEGI CLASICE 44
varianten caresunt plasatecelek experienteundeapareA printretoatecelen experiente.
Probabilitatea ec arui sir de n experiente, cu k aparitii ale evenimentului A, este p
I
q
aI
,
q= 1 p. Sum nd probabilit atiletuturor acestor siruri favorabileg asimc aprobabilitateaca
evenimentul A s aapar adekori esteC
I
a
p
I
(1p)
aI
. Aceast adistributieafost studiat aintensiv
deBernoulli si semai numestesi repartitieBernoulli. Pentru n=20si p=3/ 4 probabilit atile
C
I
a
p
I
(1 p)
aI
arat a astfel:
5 10 15 20
0.05
0.1
0.15
0.2
Valorilepentru C
I
20
_
3
4
_
I
1
2
20I
Sevedec a probabilit atilecaredifer a substantial de0apar pentru valori alelui k n jurul
lui np, caren acest caz este15. In lectia5vomdemonstrac aacest lucru areloc pentru orice
p (0; 1) si n sucient demare.
4.2 Repartitia Poisson
Spunemc a f este o varibil a aleatoare de tip Poisson dac a ia valori ntregi pozitivesi p(f =
k) =
A
I
c
A
I!
unde >0. Diagrama unei asemenea variabilealeatoareeste
f =
_
0 1 2 ::: n :::
e
A
e
A A
1!
e
A A
2
2!
::: e
A A
n
a!
:::
_
senumesteparametrul variabilei aleatoare. Functia caracteristic a este
f
c
(t) =
o
I=0
e
itI
e
A
I
k!
= e
A
o
I=0
(e
it
)
I
k!
= e
A
e
Ac
.I
= e
A(c
.I
1)
Prin urmare:
a) M(f ) =
1
i
f
t
c
(0) =
b) M
2
(f ) =
1
i
2
f
tt
c
(0) =
2
+
c) D = M
2
M
2
=
Probabilit atilee
A A
I
I!
apar n felul urm ator:
Propozitia 4.1
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
c) D(f ) = M
2
M
2
=
2
deunde
g(x) = ax +b
Deoarece0 = g(x
1
) +g(x
2
) +:: +g(nzx
1
:: x
a1
) = anz+nbrezult ab= az, deci:
t
(z x)
(z x)
= a(x z)
sau
t
(t)
(t)
= at
deunde
ln((t)) = a
t
2
2
+c
(t) = e
c
e
o
I
2
2
Deci:
p(z; x) = (z x) = ke
o
(:i)
2
2
Deoarecep(z; x) esteo densitatedeprobabilitatetrebuieca
_
o
o
p(z; x)dx = 1
Aceasta implic a a>0 si k =
_
o
2
. Dac a lu ama=
1
o
2
atunci densitatea p devine:
p(z; x) =
1
_
2
e
(i:)
2
2
2
adic a ceea ceamnumit legea normal a.
Alte motive pentru care legea normal a este important a vom vedea la considerarea teo-
remelor de tip limit a central a. Fiind frecvent folosit a valorile functiei de repartitie pentru
m= 0 , = 1, adic a
_
t
o
1
_
2
e
i
2
2
dx au fost tabelate. Mai precis s-a introdus functia
(t) =
_
t
0
1
_
2
e
i
2
2
dx
. Cu ajutorul acestei functii avem
p(a_ f <b) =
_
b
o
(x)dx = (b) (a)
pentru o v.a. de tipul N(0; 1). este o functie antisimetric a, (a) = (a). Valorile
functiei s-autabelat pentrudiversevalori alelui t. Dac af esteov.a. normal adeparametri
m atunci variabila Z =
)n
o
estenormal a cu media 0si dispersia 1 (exercitiu), deci cu
functia derepartitietabelat a.
4.5 Repartitia exponential a negativ a
Senumesteastfel o repartitiecu densitatea
(x) =
_
0 x <0
e
Aa
x _ 0
unde >0.
Plec nd dela denitieseg asestef
c
(t) =
A
Ait
M =
1
A
M
2
=
2
A
2
D =
1
A
2
. Toateaceste
calculesunt l asateca exercitiu.
4.6 Repartitia Gamma
Senumteastfel o repartitiecu densitatea
c,o
(x) =
_
0 x _ 0
1
(c+1)o
o+1
x
c
e
i
c
x >0
unde >1 si >0. Cel mai frecvent sefolosestecazul = 1 + 1 = m, c nd avem
(x) ==
n+1,0
(x) =
_
0 x _ 0
1
(n)
x
n1
e
a
x >0
Reamintimc a functia gamma sedenesteastfel
(x) =
_
o
0
e
t
t
a1
dx
pentru x >0. Urm atoarelepropriet ati secunosc dela cursul deanaliz a:
(x + 1) = x(x)
(
1
2
) =
_
Functia caracteristic a secalculeaza a astfel:

f
c
(t) =
1
( + 1)
c+1
_
o
0
e
ita
x
c
e
i
c
dx
=
1
( + 1)
c+1
_
o
0
o
a=0
(itx)
a
n!
x
c
e
i
c
dx
=
1
( + 1)
c+1
o
a=0
(it)
a
n!
_
o
0
x
a+c
e
i
c
dx
=
o
a=0
(it)
a
1
( + 1)
c+1
a+c+1
n!
_
o
0
y
a+c
e
j
dy
=
o
a=0
(it)
a
1
( + 1)
c+1
a+c+1
n!
(n+ + 1)
=
o
a=0
(it)
a

a+c+1
(n+) (n+ 1) ( + 1) ( + 1)
( + 1)
c+1
n!
=
o
a=0
(it)
a
( 1) ( 2) ( n)
n!
= (1 it)
c1
Amfolosit aici dezvoltarea
(1 +x)
= 1 +

1!
x +
( 1)
2!
x
2
+::: +
( 1) ::: ( n+ 1)
n!
x
a
+::
Caracterisicilenumericesunt:
a) M(f ) =
1
i
f
t
c
(0) = ( + 1)
b) M
2
(f ) =
1
i
2
f
tt
c
(0) =
2
( + 1) ( + 2)
c) D(f ) = M
2
(f ) M(f ) =
2
( + 1)
In cazul = 1 = m 1 seobtinef
c
(t) = (1 mt)
n
, media=m; dispersia=m. Tipul
demai sus devariabil aaleatoarel vomnumi (; ) iar n cazul particular considerat l vom
numi (m). Pentru m= 0 si m= 2 graceledensit atilor apar n continuare:
-2 2 4 6 8 10
0.1
0.2
0.3
0.4
0.5
-2 2 4 6 8 10
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Densit atile (m) pentru m= 0 si m= 2.
Propozitia urm atoareestesimplu dedemonstrat:
Propozitia 4.4 f g (m
1
)
(m
2
) f +g (m
1
+m
2
)
Exercitiu
QED.
4.7 Repartitia X
2
(h i p atrat)
Senumeteastfel o v.a. cu densitatea :
(x) =
_
0 x _ 0
1
2
s
2 o
s
(
s
2
)
x
s
2
1
e
i
2
2
x >0
s esteunnum ar natural numit num arul gradelor delibertate, iar >0. Acest tipdevariabil a
aleatoarel vomnumi H(s; ); sevedeimediat c a esteacelasi cu (
c
2
1; 2
2
). Prin urmare
avem:
a) f
c
(t) = (1 2
2
it)
s
2
b) M = s
2
c) M
2
= s(s + 2)
4
c) D = 2s
4
Iat a cumsepoateajungela o distributieX
2
plac nd dela distributii normale:
Propozitia 4.5 f
1
; f
2
; ::f
c
N(0; )
g= f
2
1
+f
2
2
+:: +f
2
c
H(s; )
FieF
i
(t) functia derepartitiea variabilei f
2
i
. Avem
F
i
(t) = p(f
2
i
<t) = p(
_
t <f
i
<
_
t) =
1
_
2o
_
_
t
_
t
e
i
2
2
2
dx =
=
2
o
_
2
_
_
t
0
e
i
2
2
2
dx
Deaici prin derivaredetermin amdensit atilepentru f
2
i
; notate
i
. Avem
i
(t) = F
0
i
(t) =
1
(
1
2
) (2
2
)
12
t
1
2
e
I
2
2
pentru t > 0 ceea ce pune n evident a faptul c a f
2
i
sunt distributii de tip (
1
2
; 2
2
), deci
(f
2
i
)
c
(t) = (1 2
2
it)
1
2
. Deoarecef
2
1
; f
2
2
; ::f
2
c
sunt independenterezult a c a
_
f
2
1
+f
2
2
+:: +f
2
c
_
c
(t) =
_
f
2
1
_
c
(t)
_
f
2
2
_
c
(t)
_
f
2
c
_
c
(t) =
_
1 2
2
ti
_
s
2
careestechiar functia caracteristic a a unei distributii H(m; ).
QED.
Pentru = 1si s = 6 gradedelibertate, gracul densit atii arat a astfel:
Densitatea
2
pentru s = 6 si = 1.
4.8 Repartitia Student
O v.a. f, cu densitatea deprobabilitate
(x) =

_
c+1
2
_
_
s
_
c
2
_
_
1 +
x
2
s
_
s+1
2
se numeste variabil a Student. Tipul acesta de v.a. l vomnota S (s). Demonstratiile ar-
matiilor demai jos n leg atur a cu distributiileStudent sevor da n lectia 6.
a) M (f ) = 0 si n general
2I+1
(f ) = 0 pentru 0 _ k <
c
2
. Pentru k _
c
2
;
2I+1
(f ) nu
exist a.
b)
2I
(f ) = M
2I
(f ) =
c
r
_
(
I+
1
2
)
(
s
2
I
)
(
s
2
)
=
c
I
13..(2I1)
(c2)(c4)..(c2I)
.
c) Dac aesteov.a. detipnormal N (0; ) si estedetip
2
cus gradedelibertate, adic a
detip H (s; ) atunci v.a.

_
s
estedetip Student S (s). Pentru s = 6, gracul densit atii este
urm atorul:
calculaten lectia prezent a.
1 _ k _
Indicatie. Sefaceraportul a dou a probabilit ati vecine, p(f = k) si p(f = k + 1).
(x) =
4x
2
c
3
_
i
2
c
2
, pentru x >0
(x) = 0, pentru x _ 0
c
Indicatie. Pentru c=100, gracul distributiei vitezelor este:
100 200 300 400
0.002
0.004
0.006
0.008
Distributia vitezelor ntr-un gaz perfect la c=100
Viteza medie=
_
o
o
x(x)dx, energia cinetic a medie=
_
o
o
na
2
2
(x)dx, unde m este masa
unei molecule. Integralelesefac prin p arti sau sefolosesc rezultateledelalegeanormal a(pb.
1).
(x) =
_
0 x _ 0
1
ao
_
2
e
(ln io)
2
2c
2
x >0
Indicatie. Dac a esteo v.a. cu astfel delegeatunci:
M() =
_
o
0
x
1
x
_
2
e
(ln io)
2
2c
2
dx
=
1
_
2
_
o
o
e
t
(Io)
2
2c
2
dt = e
c+
c
2
2
:
Analogseprocedeaz apentrudispersie, g asindu-seD (f ) = e
2c+o
2
_
e
o
2
1
_
A.N. Kolmogorov
a ar atat c a aceasta este legea de distributie a diametrelor particulelor ntr-un proces de
m acinare.
(x) =
_
0 x _ 0
cx
c1
e
ca
o
x >0
Indicatie. Folosind formuleledin lectia 3 pentru momentul deordin k si utiliz nd schim-
bareax
c
= t ajungemlaofunctie. Acummediasi dispersiasecalculeaz aimediat. Ingura
urm atoaresunt reprezentategraceledensit atilor pentru = 0; 5; 1; 2; 3 la c=1.
1 2 3 4
0.1
0.2
0.3
0.4
1 2 3 4
0.1
0.2
0.3
0.4
1 2 3 4
2
4
6
8
10
1 2 3 4
0.2
0.4
0.6
0.8
1
Densitatea Weibull pentru = 0; 5; 1; 2; 3.
(x)
I =
_
o
o
(x) ln ((x)) dx
_
o
o
(x) dx = 1si
_
o
o
x
2
(x) dx =
2
(x) =
1
o
_
2
e
i
2
2
2
I
Indicatie. SestiedinCalculul Variational c afunctia(x) carerealizeaz aextremul functionalei
I ; cuceledou aconstr ngeri, trebuies asatisfac aecuatia
01
0j
0
0j
_
01
0j
0
_
= 0, undeF (x; ;
t
) =
ln +
1
+
2
x
2
.
[0; ) m > 0;
(x) =
1
n
e
i
r
Indicatie. Trebuiemaximizat aintegralaI =
_
o
0
(x) ln (x) dx nconditiile
_
o
0
(x) dx =
1,
_
o
0
x(x) dx = m. (vezi problema 9).
n k
nk k _ a nk _ b
C
I
a
C
nI
l
C
n
a+l
f =
_
::: k :::
:::
C
I
a
C
nI
l
C
n
a+l
:::
_
k [max (0; nb), min (a; n)] M (f ) = n
o
o+b
D (f ) =
o+ba
o+b1
n
o
o+b
b
o+b
.
Indicatie. Seutilizeaz a identitatea
I
C
I
o
C
aI
b
= C
a
o+b
undensumarea sefacentrelim-
itelespecicatenproblem apentruk (identitateasepoateobtineegal ndcoecientii lui x
a
n
(1 +x)
o
(1 +x)
b
= (1 +x)
o+b
). Pentru medieseutilizeaz a kC
I
o
= aC
I1
o1
iar pentru dispersie
seutilizeaz a k(k 1) C
I
o
= a(a1) C
I2
o2
.
1
=
j
3
_
j
3
2
2
=
j
4
j
2
2
3
Inceleceurmeaz avomstudiasemnicatiadispersiei, precumsi importantarepartitiei normale
pentru probabilit ati. Incepemcu inegalitatea lui Cebsev.
Teorema 5.1 a > 0
p([f M(f )[ >a) _
D(f )
a
2
p([f M(f )[ _ a) _ 1
D(f )
a
2
(5.1)
Demonstratie.
p([f M(f )[ >a) =
_
[aA())[o
dF (x) _
_
[aA())[o
(aA()))
2
o
2
dF (x) _
_
1
o
2
_
[aA())[o
(x M(f ))
2
dF (x) _
1
o
2
_
o
o
(x M(f ))
2
dF (x) =
1())
o
2
QED.
Putempuneacest lucrusi nalt moddac ascriema= =
_
D. Inacest cazavem
1
o
2
=
1
i
2
. Inegalitatea devine
p([f M(f )[ >) _
1
2
sau
p([f M (f )[ _ ) _ 1
1
v
2
Aceasta nseamn a c a variabila aleatoareia valori n intervalul [M(f ) ; M(f ) +] cu
oprobabilitatemai mareca1
1
i
2
. In cazul particular al unei variabilenormalef N(m; )
g asimc a f ia valori n intervalul [m3; m+ 3] cu probabilitatea _ 1
1
9
= 0; 88:: adic a
aria desub gracul densit atii (x) =
1
o
_
2
e
(ir)
2
2
2
cuprins ntrex = m 3 si x = m+ 3
estecel putin 0; 88::.Cu c t estemai mic, cu at t mai mic esteintervalul n carefunctia ia
valori cu probabilitatemare(valori n jurul mediei m).
60
LEC TIA 5. LEGI LIMIT
A 61
Observatia 5.2
p(3 <f <3) = (3) (3) = 2(3) = 0; 9973::
f N(0; 1)
p(3 <f <3) _ 0; 88::
5 . 1 Legea numerelor mari
Urm atoareteorem a esteo ilustrarea aplic arii inegalit atii lui Cebsev.
Teorema 5.3 f
1
; f
2
; :::f
a
; ::
D(f
a
) _ C; n N
>0
lim
ao
p
_
f
1
+f
2
+::: +f
a
n

M(f
1
) +::: +M(f
a
)
n
_
_
= 1 (5.2)
p
_
f
1
+f
2
+::: +f
a
n

M(f
1
) +::: +M(f
a
)
n
_
_
_ 1
C
n
2
(5.3)
Demonstratie. Fie g
a
=
)
1
+)
2
+...+)
n
a
. Avem M(g
a
) =
A()
1
)+...+A()
n
)
a
si D(g
a
) =
1
a
2
(D(f
1
) + ::: + D(f
a
)) _
C
a
2
. Inegalitatea lui Ceb sev pentru g
a
d a (5.3) iar prin trecerela
limit a seobtine(5.2).
QED.
Teoremaseinterpreteaz aastfel: oricarear >0, dac anestesucient demare , atunci
functia (f
1
+f
2
+::: +f
a
)=n difer a cu mai putin dedeconstanta (M(f
1
) +::: +M(f
a
)) =n
peomultimecuprobabilitatefoarteaproapede1. Dac af
1
; :::f
a
; :: auaceeasi mediematunci
avem:
Corolarul 5.4 f
1
; f
2
; :::f
a
; :: m C
>0
lim
ao
p
_
f
1
+f
2
+::: +f
a
n
m
_
_
= 1 (5.4)
Un alt caz particular este:
A 62
Corolarul 5.5
a
[0; 1] >0
lim
ao
p
_
a
n

_
_
= 1 (5.5)
Observatia 5.6 >0
n
j
n
a
p
Fiesirul dev.a.
f
a
(! ) =
_
1 ,dac a la experienta n s-a realizat A
0 ; dac a la experinta n s-a realizat

A
(5.6)
Aici ! esteunsir deexperienteindependente. Fiecarev.a. f
a
arediagrama
f
a
_
1 0

_
cu = 1. Toatevariabilelef
a
aumediile si dispersiile. Tin ndseamac a(f
1
+f
2
+:: +f
a
) =
a
; prin aplicarea formulei (5.4) rezult a teorema lui Bernoulli.
O alt a demunstratiesepoateda astfel:
i)
a
areo distributieBernoulli cu p(
a
= k) = C
I
a
aI
.
ii)M(
a
) = n si D(
a
) = n deci M(
j
n
a
) = si D(
j
n
a
) =
co
a
.
iii)Aplic nd teorema lui Ceb sev lui
a
=n g asim
1 _ p(
a
n

_ ) _ 1
D(
a
)
2
(5.7)
= 1
pq
n
2
_ 1
1
4n
2
1
c nd n , pentru c a = (1 ) _
1
4
atunci c nd 0 _ _ 1.
QED.
Observatia 5.7
[
I
n
j
[
c
C
I
a
aI
= p(
a
n

_ ) _ 1
1
4n
2
(5.8)
[
I
n
c
[
c
C
I
a
aI
_
1
4n
2
(5.9)
Datorit a frecventei schemei binomialesi dicult atii dea calcula C
I
a
aI
s-au dezvoltat
tehnici decalcul aproximativ, mai rapide, pentru acestem arimi.
A 63
5.2 Teoreme limit a central a
Avemnevoien continuaredeurm atoarea formul a pentru factorial:
n! =
_
2n
_
n
e
_
a
e
0
n
12n
, 0 <
a
<1
numit a formula lui Stirling. Demonstratia acestei formule se poate g asi ntr-un curs de
Analiz a matematic a.
Teorema 5.8 0 < p < 1 x
I
=
Iaj
_
ajq
q = 1 p
C
I
a
p
I
q
aI
1
_
ajq
1
_
2
e
i
2
I
2
1 (5.10)
n a_ x
I
_ b
Avem:
_
npqC
I
a
p
I
q
aI
=
_
npq
_
n
2k(nk)
n
a
p
I
q
aI
k
I
(nk)
aI
e
0
n,I
(5.11)
unde
a,I
=
0
n
a

0
I
I

0
nI
aI
.
i) Din a_
Iaj
_
ajq
_ bdeducem:
k _ np+a
_
npq= np(1 +a
_
q
np
)
nk _ nqb
_
npq= nq(1 b
_
q
nq
)
deci:
0 < [
a,I
[ <

a
n
+

I
k
+

aI
nk
<
1
12
(
1
n
+
1
k
+
1
nk
) <
<
1
12n
_
1 +
1
p+a
_
jq
a
+
1
q
_
jq
a
_
Prin urmare
a,I
tindeuniformla zero c nd n si a_ x
I
_ b, deci e
0
n,I
tindeuniformla
1.
ii) Scriind c a k = np+x
I
_
npq, g asim:
_
npq
_
n
2k(nk)
=
_
1
2
_
1
_
1 +x
I
_
q
aj
__
1 x
I
_
q
aj
_
1
_
2
A 64
uniformpentru a_ x
I
_ b.
iii) Mai avemn (5.11) deaat limita lui
A
a,I
=
n
a
p
I
q
aI
k
I
(nk)
aI
Avem:
ln(A
a,I
) = ln
_
_
np
k
_
I
_
nq
nk
_
aI
_
= kln
_
k
np
_
(nk) ln
_
nk
nq
_
= (np+x
I
_
npq) ln
_
np+x
I
_
npq
np
_
(nqx
I
_
npq) ln
_
nqx
I
_
npq
nq
_
= (np+x
I
_
npq) ln
_
1 +x
I
_
q
np
_
(nqx
I
_
npq) ln
_
1 x
I
_
p
nq
_
Dezvolt nd Taylor cei doi logaritmi, g asim:
ln(A
a,I
) = (np+x
I
_
npq)
_
x
I
_
q
np
1
2
x
2
I
q
np
+O
_
1
n
32
__
(nqx
I
_
npq)
_
x
I
_
p
nq
1
2
x
2
I
p
nq
+O
_
1
n
32
__
deoarecex
I
sunt m arginiti deasi b. Dup a cefacemnmultirilesi reducemtermenii rezult a:
ln (A
a,I
) =
x
2
I
2
+O
_
1
_
n
_
Deci
A
a,I
= e
i
2
I
2
e
O
(
1
_
a
)
e
i
2
I
2
Folosind limiteledela i), ii), iii) g asim:
_
npqC
I
a
p
I
q
aI
1
_
2
e
i
2
I
2
uniformpentru a_ x
I
_ b.
QED.
Inguraurm atoareapar pentrun = 20 si n = 40, p= 3=4, q= 1=4 at t valorileC
I
a
p
I
q
aI
c t si gracelel functiilor
1
_
ajq
1
_
2
e
(in)
2
2nq
carepentru x = x
I
au ca valoare
1
_
ajq
1
_
2
e
i
2
I
2
A 65
5 10 15 20
0.05
0.1
0.15
0.2
5 10 15 20 25 30 35 40
0
0.025
0.05
0.075
0.1
0.125
0.15
0.175
0.2
Probabilit atileC
I
a
p
I
q
aI
si gracelefunctiilor
1
_
ajq
1
_
2
e
(in)
2
2nq
pentru p=3/ 4si n=20respectiv n=40
Teorema deMoivre-Laplacelocal a semai poatescrie
_
npqC
I
a
p
I
q
aI
=
1
_
2
e
i
2
I
2
(1 +
a,I
)
cu
a,I
0 c nd n ; uniformpentru k astfel nc t -<a_ x
I
_ b<.
Forma sub careseutilizeaz a cel mai frecvent acest rezultat este:
Teorema 5.9 0 <p<1; q= 1 p
lim
ao
o
In
p
nq
b
C
I
a
p
I
q
aI
=
1
_
2
_
b
o
e
i
2
2
dx (5.12)
_ a_ b_
(schit a) Consider amcazul asi b nite. Fiex
I
=
Iaj
_
ajq
. Suma din teorem a
sescrie:

oa
I
b
_
npqC
I
a
p
I
q
aI
1
_
npq
(5.13)
Dar conformformulei locale
_
npqC
I
a
p
I
q
aI
=
1
_
2
e
i
2
I
2
(1 +
a,I
) cu [
a,I
[ _
a
0 indepen-
dent dek, dac a a_ x
I
_ bsi x
I
x
I1
=
1
_
ajq
. Deci
_
npqC
I
a
p
I
q
aI
=
1
_
2
e
i
2
I
2
+
a,I
e
i
2
I
2
=
1
_
2
e
i
2
I
2
+
t
a,I
A 66
Deci suma (5.13) sescrie:
oa
I
b
1
_
2
e
i
2
I
2
(x
I
x
I1
) +

oa
I
b
a,I
e
i
2
I
2
(x
I
x
I1
)
Prima sum a de mai sus tinde c nd n c atre
_
b
o
1
_
2
e
i
2
2
dx = (b) (a) iar a doua e
majorat a de
a
(ba) deci tindela zero c nd n . Prin urmareteorema edemonstrat a
pentru a si b nite. O examinare mai atent a a situatiei arat a c a teorema este adev arat a si
pentru a sau b innite, iar limita esteuniform a n asi b.
QED.
Caresunt valorilen pentru careaproximarea probabilit atilor C
I
a
p
I
q
aI
prin formulelede
Moivre-Laplaceestesucient debun a? In general seconsider a c a:
i) n_ 30 p-
1
2
,a t u ncif or m u le led eM oi vr e - L a p la ced a uo a p r ox i m a t i es a t i s f a c a -
t oa r e .
i i ) n _ 30 ,p _
1
10
np = _ 10 atunci formulele distrib u tiei Poisson dau o
aproxima tie su cient de b un a: C
I
a
p
I
q
aI
- e
A A
I
I!
.
i i i ) n _ 30 p _
1
10
np _ 10 atunci sunt satif ac atoare formulele de M oivre-
L aplace,adic a C
I
a
p
I
q
aI
1
_
ajq
1
_
2
e
i
2
I
2
.
Exemplul 5.10
Solutie. a)Firma ncaseaz a 200 milioane lei. Probabilitatea de a da faliment este prob-
abilitatea ca s a pl ateasc a mai mult de 200 milioane lei, adic a num arul celor accidentati s a
dep aseasc a 100. Avemo schem a binomial a cu n=10.000, p=0,006, np=60, q=0,994. Secere
suma probabilit atilor C
I
a
p
I
q
aI
pentru k_ 100. Conformformulei deMoivre-Laplaceavem:
I100
C
I
a
p
I
q
aI
=

100n
p
nq

In
p
nq
nn
p
nq
C
I
a
p
I
q
aI
-
_ 1000060
p
100000,0060,994
10060
p
100000,0060,994
1
_
2
e
i
2
2
dx
= (1287) (5; 17) - 0; 5 0; 5 = 0
Probabilitatea dea da faliment esteaproapezero.
A 67
b) Firma c stig a cel putin 50milioanedac a pl atestesub 150milioane, deci dac a num arul
celor accidentati estesub 75. Probabilitatea cerut a estedeci
p =

I75
C
I
a
p
I
q
aI
=
In
p
nq
=
75n
p
nq
In
p
nq
=
0n
p
nq
C
I
a
p
I
q
aI
-
-
_
a=
75100000,006
p
100000,0060,994
a=
0100000,006
p
100000,0060,994
1
_
2
e
i
2
2
dx =
_
1,371
5,485
1
_
2
e
i
2
2
dx
= (1; 942) (7; 769) = (1; 942) + (7; 769)
= 0; 474 + 0; 5 = 0; 974
Prin urmarec astigul va depeste50milioanecu o probabilitatefoartemare.
Alteexempledeaplicarea formulelor deMoivre-Laplacesunt daten exercitii.
TeoremeledeMoivre-Laplacefac partedintr-o clas a mai larg a deteoremecunoscutesub
numele de teoreme limit a central a. Stimc a n anumite conditii media unui sir de variabile
aleatoare independente tinde spre o constant a (legea numerelor mari). Cum tinde aceast a
mediedevariabilealeatoarespreo constant a? Fiesirul dev.a independentef
a
dat de(5.6).
Atunci
a
= f
1
+ f
2
+ ::: + f
a
areo distributieBernoulli, deci p(
a
= k) = C
I
a
p
I
q
aI
. Pede
o partestimdin legea numerelor mari c a
)
1
+)
2
+...+)
n
a
p. Pedealt a parte
p
_
a_
(f
1
M (f
1
)) + (f
2
M (f
2
)) +::: + (f
a
M (f
a
))
_
a
I=1
D(f
I
)
<b
_
= p
_
a_
a
_
P
n
I=1
1()
I
)
_
)
1
+..+)
n
a

A()
1
)+..+A()
n
)
a
_
<b
_
= p
_
a_
f
1
+f
2
+:: +f
a
np
_
a
I=1
pq
<b
_
= p
_
a_
_
n
pq
_
f
1
+f
2
+:: +f
a
n
p
_
<b
_
= p
_
a_

a
np
_
npq
<b
_
=

o
In
p
nq
b
p(
a
= k)
=

o
In
p
nq
b
C
I
a
p
I
q
aI
1
_
2
_
b
o
e
i
2
2
dx. (cf. 5.12)
Prin urmarevariabila aleatoare
)
1
+)
2
+...+)
n
a
p secomport a, pentru valori mari alelui n
caovariabil aaleatoarenormal a, detip N(0; 1) multiplicat acu
_
jq
a
. Acest fenomen estemai
general.
A 68
Anume, relatia:
p
_
a_
(f
1
M (f
1
)) + (f
2
M (f
2
)) +::: + (f
a
M (f
a
))
_
a
I=1
D(f
I
)
<b
_
= p
_
a_
a
_
P
n
I=1
1()
I
)
_
)
1
+..+)
n
a

A()
1
)+..+A()
n
)
a
_
<b
_
(5.14)
ao
1
_
2
_
b
o
e
i
2
2
dx
are loc dac a:
Varianta I : (f
I
)
I.
cctc &a civ oc ojc occ|o ci c nj Aiaocjcaocatc oc& o
c tc oc& oc& occco ci )&ac tic oc vcjovti ticc& oicjcvcic ait o ci aca&| o
\ovioato . (f
I
)
I.
cctc &a civ oc ojc occ|o ci c nj Aiaocjcaocatc oc& o
c tc oc& o ci
lim
ao
3
_
M
_
[f
1
M(f
1
)[
3
_
+::: +M
_
[f
a
M(f
a
)[
3
_
_
a
I=1
D(f
I
)
= 0
Mai exist asi altevariantedeconditii necesarepentru carelatia(5.14) s aaib aloc. Aseme-
neateoremepoart anumeledeteoremelimit acentral asi pun n evident ac an conditii foarte
generale medierea unui num ar mare de v.a. independente conduce la o constant a plus o
variabil a aleatoarenormal a. Forma exact a esterelatia (5.14).
5.3 Rezumat
Prima cartedeprobabilit ati a fost publicat a n 1704deJ . Bernoulli undea fost demonstrat a
legeanumerelor mari subforma(5.5) si undearm ac as-ag ndit 20deani laaceast ateorem a..
Ulterior au ap arut generaliz ari aleei sub diverseforme, ca deexemplu (5.2). O demonstratie
elegant a a acestor teoremesebazeaza peinegalitatea lui Ceb sev (5.1).
In esent a legea numerelor mari spunec a n conditii generalemedia unui num ar marede
v.a. independentedifer a putin deo constant a. Acest lucru esteexprimat precis prin formula
(5.3).
Teoremeledetip limit a central a aduc o pecizarelegii numerelor mari. Anume, diferenta
dintre media unui sir de v.a. independentesi constanta la care convege aceast a medie este
aproximativ ov.a. normal a, detip N(0; 1) nmultit acu oconstant acarelar ndul ei tindela
zero. Forma matematic a a acestui enunt este(5.14).
In aplicatii apare frecvent schema Bernoulli si deci calculul probabilit atilor C
I
a
p
I
q
aI
.
FormuleledeMoivre-Laplace(local a 5.10si global a 5.12) nepemit s a calcul amaproximativ
aceste probabilit ati cu ajutorul densit atii normale
1
_
2
e
i
2
2
(cazul local) sau primitivei ei,
A 69
functia (cazul global). In unelecazuri C
I
a
p
I
q
aI
sepot aproxima prin probabilit atilelegii
Poisson. Limitele n care aproximatiile probabilit atilor C
I
a
p
I
q
aI
prin legea normal a sau
Poisson sunt consideratesatisf ac atoaresunt daten pag. ??.
Formula lui Stirling estefrecvent folosit a pentru evaluarea factorialelor. Exist asi o gen-
eralizarea ei pentru evaluarea functiei Gamma.
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
a) Inegalitatea lui Ceb sev: p([f M(f )[ _ ) _ 1
1())
c
2
.
b ) L e g e anu m e r e lo rm a r i : lim
ao
p
_
)
1
+)
2
+...+)
n
a

A()
1
)+...+A()
n
)
a
_
_
_ 1
C
ac
2
d a c a
t o a t ed i s pe r s i i les u ntm a r g i ni t ed eC ; v a r i a nt aB e r no u lli : lim
ao
_
j
n
a
p
_
_
= 1
unde
a
cctc a&n ov&| oc ojovi tii o|c &a&i ccaincat a a cajcvica tc iaocjca
ocatc iov j cctc jvcbobi|itotco oc ojovi tic o |&i atv &a ciaj&v cajcvincat
c1cvn&|o |cco| o oc Acivc 1oj|occ. lim
ao
_
ajqC
I
n
j
I
q
nI
1
p
2r
c
i
2
I
2
= 1.
d) F ormula g lob al a de M oivre- L aplace: lim
ao
o
In
p
nq
b
C
I
a
p
I
q
aI
=
1
_
2
_
b
o
e
i
2
2
dx,
0<p<1 ,q=1 - p.
5 . 4 Exerci tii
Indicatie. Seprocedeaz a ca n exemplul din lectie.
Indicatie. Seutilizeaz a deMoivre-Laplace.
Indicatie. Seutilizeaz a formula deMoivre-Laplace.
c
0
c
0
Indicatie. Seutilizeaz a formula deMoivre-Laplace.
A 70
x >0 (x) =
_
o
a
e
I
2
2
dt
x
1 +x
2
e
i
2
2
_ (x) _
1
x
e
i
2
2
Indicatie. Pentru primainegalitateseconsidet af (x) =
a
1+a
2
e
i
2
2
(x). Avemf (0) = 0.
Sederiveaz asi sestudiaz a variatia lui f. Analogpentru a doua inegalitate.
10
22
Indicatie. Seutilizeaz a formula deMoivre-Laplacesi ex. precedent.
Indicatie. Seutilizeaz a deMoivre-Laplace.
>0 >0 n _
1
4cc
2
[
I
n
a
[
c
C
I
a
x
I
(1 x)
aI
_
x [0; 1]
f : [0; 1] R [f [ _ M ;
2M_

[
I
n
a
[
c
C
I
a
x
I
(1 x)
aI
_
f (
k
n
) f (x)
_
_ 2M
!
a,c
_
_
_
_

[
I
n
a
[
c
C
I
a
x
I
(1 x)
aI
_
f (
k
n
) f (x)
_
_
_
_
_ !
a,c
!
a,c
[x; x+]
A 71
B
a
(x) =

I=0..a
C
I
a
x
I
(1 x)
aI
f (
k
n
)
[0; 1]
Indicatie. a) Seutilizeaz ainegalitatealui Ceb sevpentruschemaBernoulli (vezi obs. 5.9).
b) Se tine seama de si de [f [ _ M. c) Se tine seama de

f (
I
a
) f (x)
_ !
a,c
si
I=0..a
C
I
a
x
I
(1 x)
aI
= 1.
d) Sepunediferentaf (x) B
a
(x) canb) si c) apoi setineseamac af euniformcontinu a.
f m
p(f _ c) _
m
c
v
r f
m
v
= M ([f m[
v
)
p([f m[ _ ") _

v
"
v
r " = 0; 01 n
k
n p
_
I
a
r
_ "
_
0; 99
p =
2|
o
l a

2|a
oI
<0; 01 0; 99 n
k
f
1
; f
2
: X R m
1
; m
2
D
1
=
2
1
=
M
_
(f
1
m
1
)
2
_
; D
2
=
2
2
= M
_
(f
2
m
2
)
2
_
f
1
; f
2
c(f
1
; f
2
) =
M ((f
1
m
1
) (f
2
m
2
))
_
D
1
D
2
(6.1)
cov(f
1
; f
2
) = M ((f
1
m
1
) (f
2
m
2
)) f
1
f
2
Spunemc a dou a functii f
1
; si f
2
coincid aproapepestetot (a.p.t.) dac a p(f
1
,= f
2
) = 0.
Importanta acestui coecient seva vedea n continuare.
Teorema 6.2 f
1
; f
2
: X R
M
2
(f
1
f
2
) _ M
_
f
2
1
_
M
_
f
2
2
_
(6.2)
f
2
= af
1
f
1
= af
2
a
M
_
(f
1
+xf
2
)
2
_
_ 0 pentru orice x R, deci M (f
2
1
) + 2M (f
1
f
2
) x +
M (f
2
2
) x
2
_ 0 pentru orice x. De aici rezult a c a discriminantul functiei de gradul doi este
negativ: = M
2
(f
1
f
2
) M (f
2
1
) M (f
2
2
) _ 0 adic a tocmai inegalitatea Cauchy-Buniakovski.
Dac a = 0 atunci exist a un x
0
real, solutiea ecuatiei degradul doi
M
_
(f
1
+x
0
f
2
)
2
_
= 0
deunderezul a c a (f
1
+x
0
f
2
)
2
ia valoarea zero peo multimecu probabilitatea 1, adic a f
1
=
x
0
f
2
a.p.t.
72
LEC TIA 6. DEPENDEN TA NTRE VARIABILELE ALEATOARE 73
In cazul n care inecuatia nu ar de gradul 2, deci M (f
2
2
) = 0, rezult a f
2
= 0 a.p.t.,
deci f
1
f
2
= 0 a.p.t., deci (6.2) are din nou loc deoarece ambii membri sunt 0. In acest caz
f
2
= 0 f
1
.
Teorema 6.3 f
1
; f
2
: X R m
1
; m
2
D
1
=
2
1
=
M
_
(f
1
m
1
)
2
_
; D
2
=
2
2
= M
_
(f
2
m
2
)
2
_
c(f
1
; f
2
) [1; 1]
c(f
1
; f
2
) = 1 f
1
= af
2
+ b f
2
= af
1
+ b
f
1
f
2
c(f
1
; f
2
) = 0
a) Seaplic ainegalitateaCauchy-Buniakovski pentru f
1
m
1
si f
2
m
2
.
b) Dac a c(f
1
; f
2
) = 1 atunci n inegalitatea Cauchy-Buniakovski semnul _ devine=si
teoremaprecedent aimplic a(f
2
m
2
) = a(f
1
m
1
) deci f
2
= af
1
+m
2
am
1
sau(f
1
m
1
) =
a (f
2
m
2
) deunderezult a f
1
= af
2
+bpentru asi b potrivit alese.
c) f
1
si f
2
independenteimplic a (f
1
m
1
) si (f
2
m
2
) independentedeci:
M ((f
1
m
1
) (f
2
m
2
)) = M (f
1
m
1
) M (f
2
m
2
) = 0 0 = 0
Prin urmarec(f
1
; f
2
) = 0.
QED.
Exemplul 6.4 (x
i
)
1ia
(y
i
)
1ia
X = A
1
' A
2
' A
3
' :: ' A
a
A
i
,= O
p(A
i
) =
1
a
f
1
; f
2
: X R
f
1
(! ) = x
i
! A
i
f
2
(! ) = y
i
! A
i
m
1
= M (f
1
) =
a
i=1
x
i
n
; m
2
= M (f
2
) =
a
i=1
y
i
n
D
1
= D (f
1
) =
a
i=1
(x
i
m
1
)
2
n
; D
2
= D (f
2
) =
a
i=1
(y
i
m
2
)
2
n
m
1,2
= M ((f
1
m
1
) (f
2
m
2
)) =
a
i=1
(x
i
m
1
) (y
i
m
2
)
n
c(f
1
; f
2
) =
m
1,2
_
D
1
D
2
=
a
i=1
(x
i
m
1
) (y
i
m
2
)
_
a
i=1
(x
i
m
1
)
2
_
a
i=1
(y
i
m
2
)
2
(6.3)
Conform teoremei precedente, egalitatea cu 1 a coecientului 6.3 este echivalent a cu
f
2
= af
1
+ b sau cu alte cuvinte y
i
= ax
i
+ b pentru toate valorile 1 _ i _ n. Dac a
[c(f
1
; f
2
)[ este sucient de aproape de unu atunci punctele (x
i
; y
i
) sunt aproximativ pe o
dreapt a. Dreapta ceaproximeaz a cel mai bine acest nor depunctesenumestedreapta de
regresiea lui y n x si sedetermin a prin metoda celor mai mici p atrate. Aceast a dreapt a de
forma y = ax + bse determin a din conditia ca
(y
i
ax
i
b)
2
s a e minim a (a se vedea
lectia 8 sau lectia 14). Dac a se caut a dependente de forma y
i
= be
oa
.
, prin logaritmare se
g asesteln (y
i
) = ax
i
+ ln (b). O asemenea dependent a exist a, conformcelor demai sus dac a
c(f
1
; ln (f
2
)) = 1. Dac a [c(f
1
; ln (f
2
))[ este sucient de aproape de unu atunci punctele
(x
i
; ln (y
i
)) sunt aproximativ pe o dreapt a care se determin a prin metoda celor mai mici
p atrate.G asimastfel asi ln (b) carenedau dependenta ln (y
i
) = ax
i
+ln (b), adic a y
i
= be
oa
.
.
6.2 Variabile aleatoare bidimensionale
Fie (X; ; p) un c mp de probabilitate si e f
1
; f
2
: X R dou a variabile aleatoare.
Leg aturantrevariabilelealeatoareestepus anevident aprinfunctialor comun aderepartitie.
S aconsider amf : X R
2
, denit aprin f (! ) = (f
1
(! ); f
2
(! )) R
2
. Functiaf arecalitatea
c apentruoriceprodusdeintervaleI
1
I
2
R
2
multimeaf
1
(I
1
I
2
) = f
1
1
(I
1
)f
1
2
(I
2
)
.
Denitia 6.5 (X; ; p)
f : X R
2
I
1
I
2
R f
1
(I
1
I
2
)
Vommai spuneuneori variabil aaleatoaredubl an loc devariabil aaleatoarebidimension-
al a. Not nd f
1
(! ) si f
2
(! ) celedou a componentealelui f , vedemc a o v.a. bidimensional a
esteasociat a unei perechi dev.a. unidimensionale.
Denitia 6.6 f F : R
2
R
F (x
1
; x
2
) = p
_
f
1
((; x
1
) (; x
2
))
_
= p((f
1
<x
1
) (f
2
<x
2
))
T eorema 6. 7
F (x
1
; ) = 0; F (; x
2
) = 0; F (; ) = 1
a
1
<b
1
a
2
<b
2
p((a
1
_ f
1
<b
1
) (a
2
_ f
2
<b
2
))
= F (b
1
; b
2
) F (a
1
; b
2
) F (b
1
; a
2
) +F (a
1
; a
2
) _ 0 (6.4)
F : R
2
R
Demonstratie. a) x
1
< x
t
1
implic a f
1
< x
1
f
2
< x
2
f
1
< x
t
1
f
2
< x
2
. Lu nd
probabilit atileambilor membri g asimF (x
1
; x
2
) _ F (x
t
1
; x
2
). Analog searat a monotonia n
x
2
:
b) PrindenitieF (x
1
; ) = lim
a
2
o
F (x
1
; x
2
). Ins apentruoricesir monotonx
2,a

avemf
1
<x
1
f
2
<x
2,a+1
f
1
<x
1
f
2
<x
2,a
si
a=1,o
f
1
<x
1
f
2
<x
2,a
= O , deci
F (x
1
; x
2,a
) 0, deci F (x
1
; ) = 0. Analogsearat asi celelalteegalit ati.
c) Continuitatea la st nga searat a ca pentru v.a. unidimensionale(lectia 3).
d) Fieregiuniledin x
1
Ox
2
ca n gura urm atoare:
A = (x
1
; x
2
) [ <x
1
<a
1
, a
2
_ x
2
<b
2
, etc.(vezi gura). Fieevenimentele:
A
t
= ! X [ (f
1
(! ) ; f
2
(! )) A si analogB
t
, C
t
, D
t
. Observ amc aD
t
= (a
1
_ f
1
<b
1
)
(a
2
_ f
2
<b
2
). Avemp(A
t
) = F (a
1
; b
2
) F (a
1
; a
2
), p(C
t
) = F (a
1
; a
2
), p(B
t
) = F (b
1
; a
2
)
F (a
1
; a
2
).
(b1,a2)
(a1,b2)
(a1,a2)
C
D
Scriemacum
F (b
1
; b
2
) = p(A
t
' B
t
' C
t
' D
t
) = p(A
t
) +p(B
t
) +p(C
t
) +p(D
t
)
= F (a
1
; b
2
) F (a
1
; a
2
) + +F (b
1
; a
2
) F (a
1
; a
2
) +F (a
1
; a
2
) +p(D
t
)
deunderezult a pentru p(D
t
) formula 6.4.
QED.
Denitia 6.8 f : X R
2
: R
2
R
_
a
1
o
_
a
2
o
(t
1
; t
2
)dt
1
dt
2
= F (x
1
; x
2
) (x
1
; x
2
) R
2
F
Vommai numi densitatea mixt a a variabilelor f
1
si f
2
undef = (f
1
; f
2
).
Teorema 6.9
_
o
o
_
o
o
(t
1
; t
2
)dt
1
dt
2
= 1
p((a
1
_ f
1
<b
1
) (a
2
_ f
2
<b
2
)) =
_
b
1
o
1
_
b
2
o
2
(x
1
; x
2
)dx
1
dx
2
: R
2
R
a), b) sunt evidentedin denitie. Punctul 2) sepoatedemonstra lu nd
X = R
2
, probabilitateaunui paralelipiped[a; b)[c; d) sedenesteprin
_
b
o
_
o
c
(x
1
; x
2
)dx
1
dx
2
,
iar celedou a variabilealeatoaresunt f
1
; f
2
: R
2
R, f
1
(x
1
; x
2
) = x
1
, f (x
1
; x
2
) = x
2
.
QED.
Cunosc nd F =functiaderepartitiesi =densitateadeprobabilitatebidimensional aalui
f = (f
1
; f
2
) putemcalcula relativ usor diversem arimi legatedef
1
si f
2
.
1. Functia F
1
derepartitiea lui f
1
este
F
1
(x
1
) = p(f
1
<x
1
) = F (x
1
; ) =
_
a
1
o
dt
1
_
o
o
(t
1
; x
2
)dx
2
(6.5)
iar densitatea este
1
(x
1
) =
_
o
o
(x
1
; x
2
)dx
2
: (6.6)
2. Media lui f
1
este
m
1
= M(f
1
) =
_
o
o
x
1
1
(x
1
) dx
1
=
_
o
o
_
o
o
x
1
(x
1
; x
2
)dx
1
dx
2
(6.7)
3. Dispersia este
D (f
1
) =
_
o
o
_
o
o
(x
1
m
1
)
2
(x
1
; x
2
) dx
1
dx
2
: (6.8)
4. Formuleanaloagesunt valabilesi pentru f
2
. Deexemplu
m
2
= M(f
2
) =
_
o
o
_
o
o
x
2
(x
1
; x
2
)dx
1
dx
2
5. Dac a g : R
2
R este o functie continu a, atunci g(f
1
; f
2
) : X R dat a de
g(f
1
; f
2
) (! ) = g(f
1
(! ) ; f
2
(! )) este o v.a. Media acestei v.a. se calculeaz a cu densitatea
mixt a prin
M(g) =
_
o
o
_
o
o
g(x
1
; x
2
)(x
1
; x
2
) dx
1
dx
2
(6.9)
6. In particular lund g = (f
1
m
1
) (f
2
m
2
) apoi g = (f
1
m
1
)
2
si g = (f
2
m
2
)
2
g asimpentru coecientul decorelatie:
c(f
1
; f
2
) =
M ((f
1
m
1
) (f
2
m
2
))
_
M
_
(f
1
m
1
)
2
_
_
M
_
(f
2
m
2
)
2
_
=
_
o
o
_
o
o
(x
1
m
1
) (x
2
m
2
) (x
1
; x
2
) dx
1
dx
2
_
D (f
1
)
_
D (f
2
)
(6.10)
7. Dac a f
1
si f
2
sunt independenteatunci
F (x
1
; x
2
) = p(f <x
1
f
2
<x
2
) = p(f
1
<x
1
) p(f
2
<x
2
) = F
1
(x
1
) F
2
(x
2
) (6.11)
Deaici rezult a
(x
1
; x
2
) =
1
(x
1
)
2
(x
2
) : (6.12)
Sevedeusor c asi reciproc esteadev arat: dac a functia derepartitieori densitatea deproba-
bilitatesedescompunen produs dedou a functii, una depinz nd dex
1
si cealalt a depinz nd
dex
2
atunci f
1
si f
2
sunt independente(exercitiu).
Dintreformuleledemai sus doar (6.9) mai necesit a demonstratie, celelalteind evidente.
a) Consider amcazul c nd f
1
si f
2
sunt m arginite, deci f = (f
1
; f
2
) : X [a; b) [c; d).
Diviz am intervalele [a; b] si [c; d] prin
a
= (x
i
)
0ia
respectiv
j
= (y
)
)
0)n
si not am
=
a

j
; [[ = max[
a
[ ; [
j
[; D
i)
= [x
i1
; x
i
) [y
)1
; y
)
), A
i)
= f
1
(D
i)
) X .
Variabila aleatoare
g
(! ) =
_
g(x
i
; y
)
) dac a ! A
i)
0 n caz contrar
estesimpl a, si tindela g(f
1
; f
2
) atunci c nd [
a
[ 0 si [
j
[ 0. Deci
M (g
) =

g(x
i
; y
)
) p(A
i)
)
=

g(x
i
; y
)
)
_ _
1
.
(x; y) dxdy
. .
j(
.
)
=

g(x
i
; y
)
)
_
i
;
)
_
(x
i
x
i1
) (y
)
y
)1
)
. .
oia tccvcno oc ncoic
[[0
_ _
[o,b][c,o]
g(x; y) (x; y) dxdy
b) Demonstratia se poate extinde acumsi la cazul c nd f
1
si f
2
nu sunt m arginite dar
integrala (6:9) este convergent a. Argumentele ind lungi, ns a standard, nu le reproducem
aici.
Repartitiilepentru f
1
si f
2
semai numesc repartitii marginalealelui f ..
Exemplul 6.10 D = [a; b] [c; d] f = (f
1
; f
2
)
(x
1
; x
2
) =
_
0 (x
1
; x
2
) = D
1
ovio(1)
(x
1
; x
2
) D
f
1
f
2
Exemplul 6.11 (f
1
; f
2
)
(x
1
; x
2
) =
_
det (A)
2
e
1
2
Q(a
1
,a
2
)
A =
_
a
11
a
12
a
21
a
22
_
Q(x
1
; x
2
) =
2
i,)=1
a
i,)
(x
i
m
i
) (x
)
m
)
)
2
1
= D (f
1
)
2
2
= D (f
2
) c(f
1
; f
2
)
Solutie. a) Avemnevoie de M (f
1
) =
_ _
x
1
(x
1
; x
2
) dx
1
dx
2
. Sestie c a matricea A este
simetric a. Pentru acesteintegraleesteutil a urm atoarea schimbaredecoordonate:
i) Sedetermin a
1
si
2
valorileproprii alematricei A, din ecuatia:
a
11
a
12
a
21
a
22
= 0
ii) Se determin a vectorii proprii ai matricei A si se normalizeaz a. Acesti vectori pusi pe
dou a coloanedau o matriceortogonal a R =
_
r
11
r
12
r
21
r
22
_
; R
t
= R
1
.
iii) Sestiec a R
t
AR =
_

1
0
0
2
_
. Facemschimbarea
_
x
1
m
1
x
2
m
2
_
= R
_
x
t
1
x
t
2
_
. Prin
aceast a schimbareQ devineQ(x
1
; x
2
) =
1
x
t2
1
+
2
x
t2
2
iar iacobianul
1(a
1
,a
2
)
1
(
a
0
1
,a
0
2
)
= det (R) = 1.
Avem de asemenea det (A) =
1
2
. Toate aceste lucruri se studiaz a la cursul de algebr a
liniar a. Utiliz nd
1
_
2o
_
o
o
e
i
2
2
2
dx = 1,
1
_
2o
_
o
o
x
2
e
i
2
2
2
dx =
2
,
1
_
2o
_
o
o
xe
i
2
2
2
dx = 0,
(a sevedea lectia 4, legea normal a) g asim:
iv)
M (f
1
) =
_
2
2
_
o
o
dx
t
1
_
o
o
(m
1
+r
11
x
t
1
+r
12
x
t
2
) e
A
1
2
a
02
1

A
2
2
a
02
2
dx
t
2
=
_
1
_
2

_
2
_
2
m
1
_
o
o
e
A
1
2
a
02
1
dx
t
1
_
o
o
e
A
2
2
a
02
2
dx
t
2
= m
1
Analogg asimM (f
2
) = m
2
.
Putemacumcalcula dispersiile.
a)
2
1
=
_ _
(x
1
m
1
)
2
(x
1
; x
2
) dx
1
dx
2
=
_
2
2
_ _
(r
11
x
t
1
+r
12
x
t
2
)
2
e
A
1
i
02
1
A
2
i
02
2
2
dx
t
1
dx
t
2
= r
2
11
1
+r
2
12
2
In mod analogg asim
2
2
= r
2
21
1
A
1
+r
2
22
1
A
2
b) Covarianta lui f
1
si f
2
este:
cov(f
1
; f
2
) =
_
2
2
_ _
(r
11
x
t
1
+r
12
x
t
2
) (r
21
x
t
1
+r
22
x
t
2
) e
A
1
i
02
1
A
2
i
02
2
2
dx
t
1
dx
t
2
=
_
2
2
_ _
_
r
11
r
21
x
t2
1
+r
12
r
22
x
t2
2
_
e
A
1
i
02
1
A
2
i
02
2
2
dx
t
1
dx
t
2
= r
11
r
21
1
+r
12
r
22
2
. De aici rezult a c(f
1
; f
2
) si punctul b) e terminat. Mai remarc am c a deoarece R
t
AR =
_

1
0
0
2
_
, rezult a
A
1
= R
_
1
A
1
0
0
1
A
2
_
R
t
=
_

2
1
cov(f
1
; f
2
)
cov(f
1
; f
2
)
2
2
_
_ _ __ __ ___ __ ___ ____ _
In aceast a sectiune(X; ; p) esteun c mp deprobabilitate, f : X R o v.a. cu functia de
repartitieF;iar ; sunt numererealepozitive. Dac a exist a urm atoarea limit a
lim
c,o0
p(B (x _ f <x +))
p(x _ f <x +)
= lim
c,o0
p(B (x _ f <x +))
F (x +) F (x )
atunci o not amp(B[f = x). Putemda acumdenitia:
Denitia 6.12 x R B B f = x
p(B [ f = x)
E posibil ca p(f = x) = 0 si deci s a nu putem deni p(B[f = x) =
j(1()=a))
j()=a)
asa ca
n lectia 1. In asemenea situatie aplic am trecerea la limit a de mai sus. Ca functie de B,
p( [f = x) esteo probabilitatenit aditiv a peo subalgebr a a lui . Dac a nu exist a pericol
deconfuzievomscriep(B [ x) n loc dep(B [ f = x).
Fie g : X R este o v.a. iar h : X R
2
h = (f ; g) o v.a. dubl a care are functia de
repartitieH: Vomnota cu
)
densit atilecareserefer a la f , cu
j
densit atilecareserefer a la
g, cu densitatea variabilei bidimensionale(f ; g). Not am
G(t [ f = x) = p(g<t[f = x)
= lim
c,o0
p((g<t) (x _ f <x +))
p((x _ f <x +))
(6.13)
= lim
c,o0
H (x +; t) H (x ; t)
H (x +; ) H (x ; )
dac a limita exist a. Dac a limita exist a n oricet R si areca functiedet propriet atileunei
functii derepartitie, atunci denim:
Denitia 6.13 g f = x
G( [f = x) : R R (6:13)
Sevedec a dac a H estederivabil a, cu densitatea avem
G(t[f = x) =
01(a,t)
0a
01(a,o)
0a
=
_
t
o
(x; y) dy
_
o
o
(x; y) dy
(6.14)
FunctiileG() si G( [f = x) sunt diferite. Seutilizeaz afrecvent deosebireafunctiilor prin
semn atura lor, adic a prin tipul deargumente, chiar dac a pentru numeseutilizeaz a acelasi
simbol. Dac a nu exist a pericol deconfuzievomscriesi G(t[x) n loc deG(t[f = x).
Denitia 6.14 g f = x
j
( [f = x)
_
t
o

j
(y[f = x) dy = G(t[f = x)
O asemenea densitatenu exist a ntotdeauna. Dac a exist a atunci n puncteleei deconti-
nuitateavem:
@G(t[f = x)
@t
=
j
(t[f = x) =
(x; t)
_
o
o
(x; y) dy
(cf. 6.14)
Si aici vomscrie
j
(t[x) sau (t[x)n loc de
j
(t[f = x) dac a nu exist a pericol deconfuzie.
In studiul probabilit atilor conditionate din lectia 1, cele mai importante formule studi-
ate au fost formula probabilit atii totalesi formula lui Bayes. Cumarat a aceste formule n
contextul prezent?
1. Formula probabilit atii totale:
Dac a p(B[x) esteo functiecontinu a atunci
p(B) =
_
o
o
p(B[f = x) dF (x) =
_
o
o
p(B[f = x)
)
(x) dx
n particular
G(t) =
_
o
o
G(t[f = x) dF (x) =
_
o
o
G(t[f = x)
)
(x) dx
1. Formula lui Bayes
)
(x[g= y) =

)
(x)
j
(y[f = x)
_
o
o
j
(y[f = x)
)
(x) dx
Dac a nu exist a pericol deconfuzieputemscrie:
(x[y) =
(x) (y[x)
_
o
o
(y[x) (x) dx
Nu insist amasupra demonstratiilor acestor formule. Ele se pot obtine prin divizarea inter-
valului undeseg asesc valorilelui x, aplicarea formulei clasicea probabilit atii totalesau a lui
Bayes asa cumau fost studiate n lectia 1si trecerea la limit a pentru diviziuni din ce n ce
mai ne.
6.4 Distributia sumei si c tului
Fief ; g : X R dou a v.a. si h : X R
2
; h = (f ; g) cu repartitia H si densitatea . Care
esterepartitia sumei f+gsi a c tului
)
j
n eventualitatea c a g ,= 0? In general dac a r esteo
functiecontinu a r : R
2
R atunci repartitia lui r (f ; g) este:
F
v(),j)
(t) = p(r (f ; g) <t) =
_ _
v(a,j)<t
(x; y) dxdy (6.15)
Pentru sum asi produs avemformulemai precise. Alteexemplesunt datela exercitii.
6.4.1 Distributia sumei
In conditiiledemai sus suma f +g aredistributia
F
)+j
(t) = p(f +g<t) =
_ _
a+j<t
(x; y) dxdy =
_
t
o
du
_
o
o
(v; uv) dv
Am utilizat schimbarea u = x + y; v = x. Dac a f ; g sunt independente atunci (x; y) =
)
(x)
j
(y) si densitatea sumei devine
)+j
(t) = F
t
)+j
(t) =
_
o
o
)
(v)
j
(t v) dv (6.16)
ceea cesenumesteprodusul deconvolutieal densit atilor
)
si
j
.
6.4.2 Distributia c tului
Fief si gca mai naintesi n plus g,= 0. In acesteconditii c tul
)
j
aredistributia:
F]
(t) = p
_
f
g
<t
_
=
_ _
j0,a<tj
(x; y) dxdy+
_ _
j<0,atj
(x; y) dxdy
=
_
o
0
dy
_
tj
o
(x; y) dx +
_
0
o
dy
_
o
tj
(x; y) dx
Prin derivaren raport cu t g asim
]
(t) =
_
o
o
[y[ (ty; y) dy (6.17)
In particular pentru f si gindependenteg asim:
]
(t) =
_
o
o
[y[
)
(ty)
j
(y) dy (6.18)
6.5 Distributia Student
Exemplul 6.15 f N (0; ) g
2
H (s; )
_
j
c
:
h =
)
_
s
h
. Densitatea lui f este
)
(x) =
1
_
2
e
i
2
2
2
iar a lui geste
j
(y) =
1
2
s
2
_
c
2
_y
s
2
1
e

2
2
pentru y>0si 0n caz contrar:
a) F
_
s
(y) = p
__
j
c
<y
_
= p(g<y
2
s) = F
j
(y
2
s) ; pentru y >0 si 0pentru y _ 0. Prin
urmaredensitatea lui
_
j
c
este
s
(y) =
d
dy
F
_
s
(y) = 2syF
t
j
_
y
2
s
_
= 2sy
j
_
y
2
s
_
=
2sy
2
s
2
_
c
2
_
_
y
2
s
_s
2
1
e
2
s
2
2
pentru y>0s 0pentru y_ 0.
b) Conformcu (6.18) avempentru h =
)
_
jc
densitatea
I
(t) =
_
o
o
[y[
)
(ty)
j
(y) dy
=
_
o
0
y
1
_
2
e
I
2
2
2
2
2sy
2
s
2
_
c
2
_y
c2
s
s
2
1
e
s
2
2
2
dy
=
2s
s
2
2
s+1
2
_
o
s+1
(
s
2
)
_
o
0
e
(
I
2
+s
)
2
2
2
y
c
dy (schimb amsy
2
= u)
=
1
2
s+1
2
_
s
c+1
_
c
2
_
_
o
0
e
1+
I
2
s
2
2
&
u
s+1
2
1
du
=
1
2
s+1
2
_
s
c+1
_
c
2
_

_
c+1
2
_
_
1+
I
2
s
2o
2
_s+1
2
=

_
c+1
2
_
_
s
_
c
2
_
_
1 +
t
2
s
_
s+1
2
c) Medialui h, M (h) ; estezero, h av nd densitateapar a. Pentru momentelelui h folosim
denitia:
M
I
(h) =
_
o
o
x
I
I
(x) dx =
_
o
o
(x M (h))
I
I
(x) dx =
I
(h)
Rezult a momente de ordin impar zero. Inlocuind pe
I
(x) cu expresia de mai naintes
f ac nd schimbarea
a
2
c
= u si apoi
&
1+&
= y ajungemla
2I
=

_
c+1
2
_
s
I+
1
2
_
s
_
c
2
_
2
_
1
0
y
(
I+
1
2
)
1
(1 y)
(
s
2
I
)
1
dy
=

_
c+1
2
_
s
I+
1
2
_
s
_
c
2
_
2
_
k +
1
2
_
_
c
2
k
_
_
c+1
2
_
=
s
I
_
_
k +
1
2
_
_
c
2
k
_
_
c
2
_
=
s
I
1 3 :: (2k 1)
(s 2) (s 4) :: (s 2k)
dac a 2k <s. Pentru celelaltevalori alelui k momentelenu exist a.
Denitia 6.16
(t) =

_
c+1
2
_
_
s
_
c
2
_
_
1 +
t
2
s
_
s+1
2
Student. S (s)
2
_
j
c
H (s; )
2
N (0; )
f
1
f
2
H (n
1
; ) H (n
2
; )
g=
)
1
a
1
)
2
a
2
. f
1
si f
2
sunt variabile
2
. Deoareceelesunt independentedensitatea variabilei
h = (f
1
; f
2
) este
(x; y) =
)
1
(x)
)
2
(y) =
_
1
2
n
1
+n
2
2

n
1
+n
2
(
n
1
2
)
(
n
2
2
)
x
n
1
2
1
y
n
2
2
1
e
i+
2
, x; y >0
0; ^{n rest
dac ax _ 0 , y _ 0 si 0 nrest. Aplic ndaceeasi tehnic aprecumnexemplul precedent rezult a
:
j
(x) =
_
_
_
_
a
1
a
2
_
n
1
2
(
n
1
+n
2
2
)
(
n
1
2
)
(
n
2
2
)
x
n
1
2
1
_
1 +
a
1
a
2
x
_
n
1
+n
2
2
; x >0
0; in rest
(6.19)
dac a x _ 0 si 0n caz contrar.
Denitia 6.18 Snedecor-
Fisher. S (n
1
; n
2
)

6.7 Exercitii
x = 1 3 1 4 7 9
y = 0 4 3 8 12 18
Indicatie. Coecientul de corelatie (6.3) este 0; 99 deci punctele sunt aproximativ pe o
dreapt a.
x = 1 1; 5 2 2; 5 3
y = 3; 3 4; 23 5; 44 6; 98 8; 96
y = be
oa
Indicatie. Valorilelui ln (y) sunt
1; 19 1; 44 1; 69 1; 94 2; 19
Coecientul decorelatientrex s ln (y) esteaproximativ 1, prin urmareln (y) = ax + d deci
y = e
o
e
oa
= be
oa
. Prin metoda celor mai mici p atrateg asima= 0; 5 d= 0; 69 deci b= 2.
f
1
f
2
[0; 1]
min(f
1
; f
2
) max(f
1
; f
2
)
f
1
+f
2
Indicatie. Variabila dubl a (f
1
; f
2
) aredensitatea (x; y) = 1 n (0; 1) (0; 1) si 0 n rest.
FieF functia derepartitiea lui min(f
1
; f
2
). Avem
F (x) = p(f
1
<x ' f
2
<x) = 1 p
_
f
1
<x ' f
2
<x
_
= 1 p(f
1
_ x f
2
_ x) = 1 p(f
1
_ x) p(f
2
_ x)
= 1 (1 x) (1 x)
pentru x [0; 1]. In mod analog se calculeaz a repartitia lui mmax(f
1
; f
2
). Pentru sum a se
folosesteformula (6.16)
X Y r
aX +b cY +d a; b; c; d R
1
2
f = (f
1
; f
2
)
(x; y) =
_
4(a+3j)c
i3
5
; dac a x _ 0 y _ 0
0 ^{n caz contrar
f
1
f
2
(0; 0)
X N (0; 2) Y
X Y
_
X
2
+Y
2
X
2
+Y
2
_ 4
X
2
+Y
2
_ 4
X
2
+Y
2
_ 4
Indicatie. a)
1
(x) =
1
_
22
e
i
2
8

2
(x) =
1
_
22
e
2
8
deci (x; y) =
1
8
e
i
2
+
2
8
. Fie F (t)
functia derepartitiea lui
_
X
2
+Y
2
. Avempentru F (t) = 0 pentru t <0 iar pentru t _ 0:
F (t) = p
_
X
2
+Y
2
<t
2
_
=
1
8
_ _
a
2
+j
2
<t
2
e
i
2
+
2
8
dxdy
si setrecela coordonatepolare. b) Probabilitatea estep= F (2). c) Probabilitatea c autat a
este1 (1 p)
4
. d) R aspunsul este
100
I=25
C
I
100
p
I
(1 p)
aI
si sefolosesteformula integral a
deMoivre-Laplace.
(f
1
; f
2
) (x; y) =
1
2
1
(1+a
2
+j
2
)
32
f
1
f
2
(x) =
1
1
1+a
2
p(f
2
1
+f
2
2
_ 4)
Indicatie. a)
1
(x) =
_
o
o
(x; y) dy = :::. b) Seprocedeaz a ca la punctul a) dela prob-
lema precedent a.
(t) =
_
e
At
t _ 0
0 t <0
f
1
f
2
f
1
+f
2
1
(t) =
_

2
te
At
t _ 0
0 t <0
f
1
; f
2
; :::f
a

f
1
+f
2
+::: +f
a
a
(t) =
_
A
n
t
n1
(a1)!
e
At
t _ 0
0 t <0
Indicatie. a) M (f
1
) =
1
A
deci =
1
20
. b,c) Seaplic a (5.13) sau seprocedeaz a ca n lectia
4, exercitiul nr. 4. d) In dateledela c) avem =
1
20
, n = 10, iar probabilitatea cerut a este:
P = p(f
1
+f
2
+::: +f
10
_ 200) =
_
o
200
1
20
10
9!
t
9
e
I
20
dt
=
10
10
9!
_
o
1
u
9
e
10&
du 0; 457
f
1
f
2
N (0; )
f
2
1
+f
2
2
)
1
)
2
Indicatie. (f
1
; f
2
) aredensitatea
1
4o
2
e
i
2
+
2
2
2
.
)
1
)
2
estedenit a a.p.t. deoarecep(f
2
= 0) =
0. Fie : R
2
(x; 0) [x R R
2
denit a prin (x; y)

_
r = x
2
+y
2
; s =
a
j
_
. Avem
1(v,c)
1(a,j)
= 2 (s
2
+ 1). De asemenea x
2
=
vc
2
1+c
2
y
2
=
v
1+c
2
. Vedemc a pentru orice pereche
(r; s) exist a dou a perechi (x; y) ce i corespund prin transformarea dat a. Pentru D R
2
sucient de mic
1
(D) = D
1
' D
2
cu D
1
si D
2
disjuncte n corespondent a bijectiv a si
diferentiabil a cu D. Avem
p
__
f
2
1
+f
2
2
;
f
1
f
2
_
D
_
= p
_
(f
1
; f
2
)
1
(D)
_
=
1
4
2
_ _
1
1
e
i
2
+
2
2
2
dxdy+
1
4
2
_ _
1
2
e
i
2
+
2
2
2
dxdy
= 2
1
4
2
_ _
1
e
r
2
2
1
2 (s
2
+ 1)
drds
LEC TIA 7. PROCESE ALEATOARE 90
multimii X , F esteo functiedevariabilelerealet; x. Cumfunctia derepartitiecontinetoate
informatiileprobabilisticedespreo v.a., un proces stochastic va descris prin functia sa de
repartitie F (t; x). Vomcaracteriza procesul stochastic prin F
t
(x) sau derivata ei (t; x) =
t
(x) =
01(t,a)
0a
. Dac a
t
ia o valori ntr-o multime discret a v
1
; ::v
a
; :: atunci functia de
repartitieestecomplet determinat adep
I
(t) = p(
t
= v
I
) sau prin F
t
(x) =
I
<a
p
I
(t) deci,
procesul stochastic va descris prin acestefunctii. Mai jos studiemc teva tipuri deprocese
stochastice.
7.1 Procese Poisson
S a consider amnum arul particulelor cosmice care p atrund ntr-un anumit volumV, ntr-un
interval detimp. Acest num ar depindedefactori incontrolabili si aparecaovaloarealeatoare.
Presupunemc a
t
este un proces aleator pentru valori ale timpului t [0; ) care ia doar
valori naturale 0,1,2,...k,... , si anume pentru t > 0,
t
ia valoarea k dac a n intervalul de
timp (0; t] au p atruns n volumul V, k particule cosmice. Pentru ecare t _ 0,
t
este o
variabil a aleatoare. Pentru t < t + t; variabila aleatoare
t+t

t
reprezint a num arul de
particulecosmicecareau p atruns n volumul V n intervalul detimp (t; t + t]. Variabilele
t
nu sunt independentedeoarecevaloarea lui
t+t
depindedevaloarea lui
t
. Urm atoarele
ipotezeasupra variabilelor
t
apar ca naturale:
a) adic anum arul departicolecaren intervalul detimp [a; b) intr a
n volumul V este independent de num arul de particule care au p atruns anterior n acest
volumsi demomentelela careau p atruns. Exprim amacest fapt astfel: dac a 0 _ a
1
<b
1
_
a
2
< b
2
_ ::a
a
< b
a
atunci avemv.a.
b
1

o
1
, ...
b
n

o
n
care au ca valoare num arul de
particuleceau p atruns n V n intervaleledetimp (a
1
; b
1
], ... (a
a
; b
a
]; ipotezaa) nseamn ac a
acestev.a. sunt independente, adic a
p
_
b
1
o
1
= k
1
;
b
2
o
2
= k
2
; :::;
b
n
o
n
= k
a
_
= p
_
b
1
o
1
= k
1
_
p
_
b
2
o
2
= k
2
_
::: p
_
b
n
o
n
= k
a
_
(7.1)
pentru oricek
1
; :::k
a
N si oricenum ar n deintervale.
b) , nseamn ac anum arul departiculecep atrundenvolumntr-uninterval
de timp depinde doar de lungimea intervalului de timp si nu de plasarea acelui interval pe
axa timpului. Exprim amacest lucru prin:
p(
b
o
= k) = p
_
o+T

b+T
= k
_
(7.2)
oricarear 0 _ a<b, T _ 0 si oricarear k N.
c) , adic aprobabilitateacan intervalul [t; t+t) s ap atrund an volummai
mult deo particul a estezero n raport cu t. Mai precis:
p
_
t+t
t
>1
_
= O(t)
Prin O(t) sentelegeo functiereal a O deargument t, astfel ca lim
t0
O(t)
t
= 0.
Denitia 7.2
t
t [0; )
t
Multe alte fenomene din natur a apar ca satisf ac nd cerintele a), b), c) : dezintegrarea
spontan aanucleelor radioactive, venirealacoad aamasinilor laostatiedebenzin a, num arul
deapeluri la o central a telefonic a etc.
Problema pe care vrems a o rezolv amn continuare este de a determina probabilit atile
p
I
(t) = p
_
o+t
o
= k
_
, adic a probabilitatea ca n intr-un interval delungimet s a intrek
particulecosmicen volumul V. Conformcu b) acesteprobabilit ati nu depind dea.
Teorema 7.3 > 0 p
1
(t) =
t + 0 (t)
p
I
(t) =
(t)
I
k!
e
At
(7.3)
Demonstratie. (Schit a) Fier = p
0
(1). Imp artimintervalul [0; 1] prin
0 <
1
n
<
2
n
<:: <
n
n
, pentru un n N. Din stationaritaterezult a
p
0
_
1
n
_
= p
_
1a
0
= 0
_
= p
_
2a
1a
= 0
_
= ::: = p
_
1
n1
n
= 0
_
Utiliz nd acumfaptul c a nu exist a post efect, avem:
r = p
0
(1) = p
_
1a
0
= 0;
2a
1a
= 0;
1
n1
n
= 0
_
=
= p
_
1a
0
= 0
_
p
_
2a
1a
= 0
_
::: p
_
1
n1
n
= 0
_
=
=
_
p
_
1a
0
= 0
__
a
= (p
0
(1=n))
a
De aici rezult a p
0
_
1
a
_
= r
1
n
Evenimentul c a n intervalul (0;
I
a
] nu intr a nici o particul a n
V, esteechivalent cu intersectia evenimentelor n intervalul (
i1
a
;
i
a
] nu intr a vreo particul a
n V , pentru 1 _ i _ k. Cum aceste evenimente sunt independente, rezult a p
0
_
I
a
_
=
_
p
0
_
1
a
__
I
= r
I
n
. Acum, deoarecep
0
(t) estecresc atoaren t, rezult a usor c a p
0
(t) = r
t
. Cum
r este o probabilitate, r (0; 1), deci r = e
A
pentru un > 0, deci p
0
(t) = e
At
. Am
demonstrat deci formula 7.3pentru k=0.
Mai departeavem
p
0
(t) +p
1
(t) +

I1
p
I
(t)
. .
=0(t) conform cu c)
= 1
adic a e
At
+p
1
(t) + 0 (t) = 1. Deaici rezult a
p
1
(t) = 1 e
At
+O(t) = t +O(t)
Pentru a determina p
I
(t) esteusor dejusticat formula
p
I
(t + t) =
I
i=0
p
i
(t) p
Ii
(t)
= e
At
p
I
(t) + (t + 0(t) p
I1
(t) +
I
i=2
p
i
(t) p
Ii
(t)
. .
=0(t) conform cu c)
= p
I
(t) tp
I
(t) +tp
I1
(t) + 0 (t)
pentru k_ 1. Prin trecerea lui p
I
(t) n membrul st ng si divizarea la t, apoi trecerea la
limit a t 0, rezult a
dp
I
(t)
dt
= p
I
(t) +p
I1
(t)
p
100
=
_
_
_
_
0; 214018 0; 283039 0; 238095 0; 264848
0; 214018 0; 283039 0; 238095 0; 264848
0; 214018 0; 283039 0; 238095 0; 264848
0; 214018 0; 283039 0; 238095 0; 264848
_
_
_
_
p
7
p
100
S a presupunemc a ntr-un proces stochastic
t
si c a urm atoarele
conditii sunt ndeplinite:
i) p
_
t+t
= k + 1[
t
= k
_
=
I
t + O(t) ; > 0;(aceasta este probabilitatea unui
proces denasteren intervalul (t; t + t))
ii) p
_
t+t
= k 1[
t
= k
_
=
I
t+O(t) ; >0; k _ 1( aceastaesteprobabilitatea
unui proces demoarten intervalul (t; t + t).
iii) p
_
t+t
>1
_
= O(t) (aceasta esteprobabilitatea a mai mult deo nasteresau
o moarten intervalul (t; t + t))
Denitia 7.9
Dac a
I
= 0 atunci procesul se numeste proces de nastere iar dac a
I
= 0 se numeste
proces demoarte. Deoarecepentru k _ 1 avem
1 =
o
a=0
p
_
t+t
= n[
t
= k
_
= p
_
t+t
= k 1[
t
= k
_
+p
_
t+t
= k[
t
= k
_
+p
_
t+t
= k + 1[
t
= k
_
+p
__
t+t
k
_ 2
_
[
t
= k
_
rezult a imediat din i). ii), iii) c a
iv) p
_
t+t
= k[
t
= k
_
= 1
I
t
I
t +O(t).
Problemacaresepunelaacesteproceseconst andeterminareaprobabilit atilor
p(
t
= k) = p
I
(t) cunosc nd p
I
(0) = p(
0
= k).
S olu tie . Deoareceevenimentele
t
= k
I.
sunt disjuncteavemconformformulei prob-
abilit atii totalepentru k _ 1
p
_
t+t
= k
_
= p(
t
= k) p
_
t+t
= k[
t
= k
_
(7.5)
+p(
t
= k + 1) p
_
t+t
= k[
t
= k + 1
_
(7.6)
+p(
t
= k 1) p
_
t+t
= k[
t
= k 1
_
(7.7)
+p([
t
k[ _ 2) p
_
t+t
= k[ [
t
k[ _ 2
_
(7.8)
Folosind relatia iv) n (7:5), relatia ii) n (7:6), relatia i) n (7:7), relatia iii) n (7:8) g asim:
p
I
(t + t) = p
I
(t) (1
I
t
I
t +O(t))
+p
I+1
(t)
_
I+1
t +O(t)
_
+p
I1
(t) (
I1
t +O(t))
+O(t)
Trec nd p
I
(t) n membrul st ng, diviz nd prin t, apoi trec nd la limit a t 0 g asim
p
t
I
(t) =
I1
p
I1
(t) (
I
+
I
) p
I
(t) +
I+1
p
I+1
(t) (7.9)
Pentru cazul k = 0 o analiz a similar a conducela:
p
t
0
(t) =
0
p
0
(t) +
1
p
1
(t) (7.10)
Rezolvarea acestui sisteminnit de ecuatii diferentiale este anevoioas a, ns a n practic a
dup aunprocesdetranzitiehaoticurmeaz aostabilizare, ncarep
I
(t) sunt constante. Ecuati-
ilen acest caz sunt
_
0 =
0
p
0
+
1
p
1
0 =
I1
p
I1
(
I
+
I
) p
I
+
I+1
p
I+1
(7.11)
Din prima ecuatierezult a p
1
=
A
0
A
1
p
0
. Folosind celelalteecuatii g asimsuccesiv p
1
=
A
0
A
1
j
1
j
2
,
s.a.m.d. In general obtinem:
p
a
=

0
1
:::
a1
2
:::
a
p
0
(7.12)
Valoarea lui p
0
sedetermin a din conditia
o
i=0
p
i
= 1 (7.13)
si acest lucru esteposibil numai dac a
a
A
0
A
1
...A
n1
j
1
j
2
...j
n
<.
In acest fel poatemodelat fenomenul deasteptat la coad a.
7.3.1 Model de a steptare cu o singur a statie de deservire si un
num ar mare de unit ati ce au nevoie de serviciile statiei
Se poate imagina o astfel de situatie la o benzin arie cu o singur a statie la care vin aleator
masini pentru alimentare. Masinileprovin dintr-o populatiemareastfel nc t coada nu este
inuentat a dediminuarea num arului demasini carenecesit a alimentare.
Primaproblem acaresepuneestemodelareacaracterului ntmpl ator al venirilor n statie
si al plec arilor din statie. Fie num arul mediu de veniri n unitatea de timp. Deci ntr-
un timp t vor n medie t veniri. Dac a num arul de masini din care se vine la coad a
esten iar nevoia debenzin a estentmpl atoaresi independent a dela o masin a la alta atunci
probabilitatea dea veni la coad a k masini n intervalul (t; t + t) esteC
I
a
p
I
q
aI
undep este
probabilitatea ca o masin a s a aib a nevoie de benzin a iar q = 1 p (vezi legea binomial a).
Num arul mediu deveniri estenpiar pedealt a parteeste t. Deci np= t =p=
At
a
.
In aceste conditii stimlectia 4 c a c a C
I
a
p
I
q
aI
e
At
(At)
I
I!
atunci c nd n . Cum
n este mare, putem considera c a probabilitatea ca la coad a s a vin a k masni n intervalul
(t; t+t) estee
At
(At)
I
I!
. Num arul deveniri la coad a n intervalul detimp t poate
considerat ca o variabil a aleatoare de tip Poisson:
_
0 1 ::: k :::
e
At
e
At At
1
::: e
At
(At)
I
I!
:::
_
Prin urmare:
(t; t + t) e
At At
1
=
t +O(t)
(t; t+t) e
At
=
1 t +O(t)
(t; t + t)
I2
e
At
(At)
I
I!
= O(t)
In mod analog, e num arul mediu de masini deservite de o statie n unitatea de
timp(presupun nd c a arecontinuu delucru). Intr-un interval delungimet vor n medie
deservite t masini. Num arul real al celor deservitepoatemai maresau mai mic dect
mediasi depindedefactori nt mpl atori, ca necesarul debenzin a, ntrzieri produsedesofer,
etc. Admitemc a:
(t; t + t)
t +O(t)
(t; t + t)
1 t +O(t)
(t; t + t)
O(t)
Ipotezele f acute asupra plec arilor din statie sunt asem an atoare cu conditiile a), b),c) n-
deplinitedeprobabilit atiledeveniren statie.
Fieacumfamilia devariabilealeatoare
t
; t T = [0; ) , undevaloarea lui
t
esteegal a
cu num arul demasini n statiela momentul t. Ipotezelef acuteasupra venirilor si plec arilor,
independenteuneledealtele, semai scriu:
i)
p
_
t+t
= k + 1[
t
= k
_
= ( t +O(t))
. .
c caivc
(1 t O(t))
. .
aici c j|ccovc
+
+ O(t)
. .
noi n&|t oc c caivc co&c j|ccovc
= t +O(t)
ii)
p
_
t+t
= k 1[
t
= k
_
= ( t +O(t))
. .
c j|ccovc
(1 t O(t))
. .
aici c caivc
+
+ O(t)
. .
noi n&|t oc c j|ccovc co&caivc
= t +O(t)
din conditia a) dela plec ari si conditia a) dela veniri (o plecaresi nici o venire).
iii) p
_
t+t
>1
_
= O(t) din conditiilec) dela veniri si c) dela plec ari
Prinurmareavemdeafacecuunprocesdenasteresi moarte. M arimilep
I
(t) = p(
t
= k)
satisfac deci ecuatiile(7:9)-(7:10), iar la stabilizareecuatiile(7:11). Solutia la stabilizareeste
(7.12) unde
I
= si
I
= , adic a
p
I
=
_
_
I
p
0
(7.14)
iar din 1 = p
0
o
I=0
_
A
j
_
I
= p
0
1
1
A
rezult a
p
0
= 1

Stabilizarea sepoatefacedoar cu conditia 0 <

A
j
<1 astfel nc t seria
_
A
j
_
I
s a econver-
gent a.
7.3.2 Model de a steptare cu o singur a statie
iar num arul deunit ati careau nevoiedeserviciilestatiei este
limitat la o valoare dat a.
Presupunemacumc a populatia deundeprovin masinile(unit atile) n asteptareestelimitat a
la un num ar de N exemplare. Coada care se formeaz a depinde de c t de des au nevoie
masiniledeserviciilestatiei si c t depromptesunt acesteservicii. In ceprivestecapacitatea
de deservire a statiei, nu apar elemente care s a modice ipotezele a), b), c) anterioare.
In ceprivestevenirilen statie, eleapar n mod normal proportionalecu num arul masinilor
n activitate (deci care nu sunt asezate la coad a). Vomface ipoteza c a masinile au nevoie
independent de serviciile statiei, si dac a n statie sunt k masini, atunci probabilitatea ca s a
mai vin aunan urm atoarelet unit ati detimp este(N k) t+0 (t) dac ak <N si zero
dac a k = N. Astfel familia devariabilealeatoare
t
careau ca valoarenum arul demasini n
statieesteun proces denasteresi moartecu
I
= (N k) ,iar
I
= pentru 0 _ k _ N .
Prin urmare, conformformulelor (7.12) rezult a
p
I
=
N (N 1) ::: (N k + 1)
I
I
p
0
; 0 _ k _ N (7.15)
Valoarea lui p
0
sedetermin a din conditia ca
a
I=0
p
I
= 1.
Un asemenea proces ar putea modela de exemplu coada la reparatii ntr-o intreprindere
cu N masini dac a serviciul dereparatii aredoar un mecanic. Un model mai realist este:
7.3.3 Model dea steptarecu n statii dedeservire si cu N unit ati ce
trebuie deservite (1 <n<N)
In acest caz avemde a face cu un proces de nasteresi moarte n care
I
= N k pentru
0 _ k _ N (probabilit atile de a se veni la statie pentru alimentare, reparatii etc. sunt
proportionalecu num arul unit atilor n serviciu), si
I
= k dac a 1 _ k < n ,
I
= n dac a
n _ k _ N (probabilitatea ca o unitate s a p ar aseasc a statia este proportional a cu num arul
celor n curs dedeservire). Conformformulei (7.12) g asim
p
I
=
_
_
C
I
.
_
A
j
_
I
p
0
pentru 1 _ k <n1
I!
a!a
In
C
I
.
_
A
j
_
I
p
0
pentru n _ k _ N
(7.16)
Si aici p
0
sedetermin a din conditia ca
p
I
= 1.
7.4 Procese aleatoare stationare
Un proces aleator senumestestationar dac a propriet atilesalestatisticesunt invariantela o
translatieatimpului. FieF
t
functiaderepartitieav.a.
t
si e
i
densitateadeprobabilitate
dac a exist a. In continuaren aceast a sectiunetimpul t apartinemultimii T = (; ) sau
multimii T = [0; ), n afar a decazul c nd sespecic a o alt a situatie.
Denitia 7.10
t
F
t
= F
t+t
Prin urmare pentru procese stationare de ordinul unu, functia de repartitie este aceeasi
pentru toatevariabilele
t
.
S a consider amacumpentru dou a valori t
1
; t
2
vectorul aleator
_
t
1
;
t
2
_
. Acest vector are
o functiederepartitiemixt a (vezi lectia 6) denit a prin F
t
1
,t
2
(x; y) = p
_
t
1
<x;
t
2
<y
_
.
Denitia 7.11

Petrehus Si Popescu Lectii Prob Stat I

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Petrehus Si Popescu Lectii Prob Stat I

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA TEHNICA DE CONSTRUCTII

A = A. Urm atoarea teorem a a lui Stonedescrieasemenea

Indicatie. rezult a din

Functia caracteristic a secalculeaza a astfel:

Stabilizarea sepoatefacedoar cu conditia 0 <

S-ar putea să vă placă și