Curs Medicina Informatica Medicala Teoria probabilitatilor Conf.dr.

Lucian Boiculese

CUPRINS
1. TEORIA PROBABILITILOR ............................................... 2

1.1. PROBABILITI CONDIIONATE........................................................................... 2 Definiie ............................................................................................................................ 2 Probabilitatea interseciei a n evenimente .......................................................................... 4 Formula probabilitii totale .............................................................................................. 4 Formula lui Bayes.............................................................................................................. 6 Evenimente independente stocastic ..................................................................................... 8 1.2. VARIABILE ALEATOARE ........................................................................................ 9 Variabile aleatoare discrete ............................................................................................... 9 Variabile aleatoare continue ............................................................................................ 10 Valori tipice pentru variabile aleatoare continue .............................................................. 12
Valori tipice de localizare................................................................................................ 12 Valori tipice de variaie ................................................................................................... 14 Abaterea standard ........................................................................................................... 15

1.3. REPARTIII DISCRETE ........................................................................................... 16 Repartiia hipergeometric (schema bilei nentoarse) ....................................................... 16 Repartiia binomial (Bernoulli) ...................................................................................... 17 Repartiia Poisson ........................................................................................................... 18

1. TEORIA PROBABILITILOR

1.1. PROBABILITI CONDIIONATE Considerm experiena aleatoare constnd n extragerea la ntmplare a unei bile de ctre fiecare din dou persoane, dintr-o urn coninnd dou bile albe i o bil neagr. Fie A , evenimentul extragerii unei bile albe de ctre o persoan notat X i B , evenimentul extragerii unei bile albe de ctre o persoan notat Y. Dac nu dispunem de nici o informaie suplimentar cu privire la realizarea evenimentului A , atunci probabilitatea extragerii unei bile albe de ctre persoana Y va fi, conform regulii clasice de calcul a probabilitii, P ( B ) =

2 . Dac dispunem de informaia c A s-a 3

realizat (adic, persoana X a extras prima din urn o bil alb), atunci probabilitatea 1 2 extragerii unei bile albe de ctre persoana Y este egal cu , valoare diferit de . 2 3 Deci, informaia c primul eveniment notat A s-a realizat, a modificat probabilitatea evenimentului B . n felul acesta, suntem condui n anumite situaii la calculul probabilitii unui eveniment B , n ipoteza c un alt eveniment A s-a realizat. O asemenea probabilitate va fi numit probabilitate condiionat. Definiie Vom nota cu P(B/A) probabilitatea realizrii evenimentului B n condiia realizrii evenimentului A. Aceasta se va numi probabilitatea lui B condiionat de A. Dac efectum o experien de n ori i evenimentul A se produce de m ori, din care de p ori mpreun cu un eveniment B, atunci putem deduce frecvena apariiei evenimentului B: F ( B / A) = Putem scrie n continuare:

p , frecvena lui B condiionat de A. m

p f ( A B) . F ( B / A) = n = m f ( A) n
Menion m c evenimentul B se poate eventual produce i fr evenimentul A (formula rmne aceeai). i n domeniul probabilitilor se pstreaz relaia:

TEORIA PROBABILITILOR

p P( A B) - Formula probabilitii condiionate. P( B / A) = n = m P( A) n

Exemplul 1 Not m cu A evenimentul naterii unui biat i cu B evenimentul ca la natere copilul s aib peste 3 Kg. Presupunem c avem n nateri din care p sunt biei, m au peste 3 Kg i q biei au peste 3 Kg. Dac tim c cel nscut este biat, care este probabilitatea evenimentului ca acesta s aib peste 3 Kg ? Rezolvare Probabilitatea naterii unui biat va fi: P ( A) =

p . n m . n q . n

Probabilitatea naterii unui copil de peste 3 Kg va fi: P ( B ) =

Probabilitatea naterii unui biat de peste 3 Kg va fi: P ( A B ) =

Dac este biat, atunci toate cazurile favorabile sunt p. Ca s aib peste 3 Kg doar q respect condiia. n concluzie, probabilitatea este:

P( B / A) =

q q / n P( A B) = = . p p/n P( A)

Exemplul 2 ntr-o urn avem 5 bile albe i 6 bile negre. Din cele 5 albe dou sunt numerotate cu 1 i restul de trei cu 2. Din cele 6 bile negre dou sunt numerotate cu 1 i patru cu 2. Se extrage la ntmplare o bil. Dac se cunoate c bila extras este alb, care este probabilitatea ca ea s fie notat cu 1? Rezolvare Not m evenimentele: A bila este alb. B bila are numrul 1 . Probabilitatea cutat este P( B / A) =

P( A B) . P( A)
5 . 11 2 . 11

n total avem : 5 + 6 = 11 bile (cazuri n total). Probabilitatea evenimentului A este: P ( A) =

Probabilitatea interseciei evenimentelor A i B este: P ( A B ) =

TEORIA PROBABILITILOR

n final obinem: P( B / A) =

P( A B) 2 / 11 2 = = . P( A) 5 / 11 5

Putem gndi i astfel: Dac s-a extras o bil alb, nseamn c nu poate fi dect una din cele 5 . Dac numrul este 1, atunci nu sunt dect 2 cazuri din cele 5 albe. Astfel probabilitatea cutat este P=2/5. Probabilitatea interseciei a n evenimente Folosind formula de calcul a probabilitilor condiionate se poate deduce regula de calcul a probabilitilor interseciei a n evenimente, sau regula de nmulire a probabilitilor. Presupunem c avem n evenimente notate Ai cu i={1,2,,n}. Vom demonstra formula:

P( A1 A2 ... An ) = P( A1 ) P( A2 / A1 ) P( A3 / A1 A2 ) .....

..... P( An / A1 A2 ... An 1 ).
Avem formula probabilitii condiionate:

(1)

P( X / Y ) =

P( X Y ) P( X Y ) = P( X / Y ) P(Y ) . P(Y )

(2) (3)

Putem inversa ordinea termenilor n intersecia din formula 1. P( A1 A2 ... An ) = P( An An1 ... A1 ) . Not m B = An 1 ... A1 i formula 3 devine:

(4) n formula 4 s-a aplicat i regula din formula 2. Formula 4 este de fapt:

P( An B) = P( An / B) P( B) .

P( An An 1 ... A1 ) = P( An / An 1 ... A1 ) P( An 1 ... A1 ). P( An 1 ... A1 ) = P( An 1 / An 2 ... A1 ) P( An 2 ... A1 ).

.

(1)

Ultimul termen din aceast formul poate fi exprimat n continuare astfel: (2)

P( A2 A1 ) = P( A2 / A1 ) P ( A1 ) . (n-1) n final, nlocuind ultimul termen din formula k-1 cu cel din formula k se obine formula de nmulire a probabilitilor (k de la formula 1 pn la formula n-1).
Formula probabilitii totale Considerm un sistem complet de evenimente notate A1, A2, , An. Avem A1 A2 ... An = i Ai A j = , i, j { 1, n} , i j . Presupunem c avem un eveniment X care se realizeaz numai mpreun cu evenimente oarecare Ai. Atunci, probabilitatea realizrii evenimentului X se calculeaz prin: 4

TEORIA PROBABILITILOR

P( X ) = P( Ai ) P( X / Ai ) - Formula probabilitii totale.

i =1

Demonstraie Exprim m evenimentul X funcie de evenimentele Ai:

X = ( X A1 ) ( X A2 ) ... ( X An ) = ( X Ai ) .
i =1

Evenimentele Ai fiind incompatibile atunci i evenimentele X Ai vor fi tot incompatibile. Astfel, probabilitatea reuniunii va fi suma probabilitilor:

P( X ) = P( X Ai ) .
i =1

Folosind formula probabilitilor condiionate exprim m probabilitatea interseciei evenimentelor. P ( X A j ) = P ( A j ) P( X / A j ) . Obinem formula probabilitii totale:

P( X ) = P( A1 ) P( X / A1 ) + P( A2 ) P( X / A2 ) + ....+ P( An ) P( X / An ) P( X ) = P( Ai ) P( X / Ai ).
i =1 n

Exemplu Considerm c avem trei urne. Prima conine 2 bile albe i 3 bile negre, a doua conine 4 bile albe i 2 negre, iar a treia conine 3 bile albe i 3 bile negre. Din una din urne, aleas la ntmplare, se extrage o bil. Care este probabilitatea ca bila extras s fie alb ? Rezolvare Bila extras poate face parte din prima, a doua sau a treia urn. Definim trei evenimente ce formeaz un sistem complet: Bila extras este din urna 1 (A1). Bila extras este din urna 2 (A2). Bila extras este din urna 3 (A3). Evenimentul (X): bila extras este alb i poate s se realizeze mpreun cu unul din cele Ai evenimente, i { 1,2,3}. Folosind formula probabilitii totale avem:

P( X ) = P( A1 ) P( X / A1 ) + P( A2 ) P( X / A2 ) + P( A3 ) P( X / A3 ) .
Cele 3 evenimente Ai au probabiliti egale: P(A1)=P(A2)=P(A3)=1/3. Cu alte cuvinte, ansa de a alege una din cele 3 urne este aceea i. Calcul m probabilitile condiionate:

TEORIA PROBABILITILOR

nr. bile albe din urna 1 2 = . nr. total de bile din urna 1 5 4 3 1 P ( X / A2 ) = , P ( X / A3 ) = = . 6 6 2 P( X / A1 ) =
Probabilitatea de a extrage la ntmplare o bil alb din cele 3 urne alese aleator este:

P( X ) =

1 2 1 4 1 1 47 + + = = 0,52 . 3 5 3 6 3 2 90

Formula lui Bayes Considerm un sistem complet de evenimente notate A1, A2, ,An ( Ai = ,
i =1 n

Ai A j = ). Fie X un alt eveniment legat de acest sistem complet de evenimente.

i j

Se cunosc probabilitile P(Ai) i P(X/Ai), i{1,n}. Dac evenimentul X s-a realizat, s se afle P(Ai/X). Demonstraie Exprim m intersecia a dou evenimente folosind formula probabilitilor condiionate n dou moduri:

P( Ai / X ) =

P( X Ai ) , P( X )

P( X / Ai ) =

P( X Ai ) . P( Ai )

Din aceste dou formule deducem probabilitatea interseciei: P( X Ai ) = P( Ai / X ) P( X ) = P( X / Ai ) P( Ai ) . Din ultima egalitate avem:

P( Ai / X ) =
n

P( X / Ai ) P( Ai ) . P( X )

Folosind formula probabilitii totale,

P( X ) = P( A j ) P( X / A j ) avem:
j =1

P( Ai / X ) =

P( X / Ai ) P( Ai )

P( A ) P( X / A )
j j j =1

. Formula lui Bayes sau teorema ipotezelor.

Remarc. Probabilitile P( Ai ) , 1 i n , se numesc probabiliti apriori (probabiliti iniiale), adic probabiliti calculate nainte de realizarea experienei n care se produce evenimentul X . Probabilitile P ( Ai / X ) , 1 i n , se numesc 6

TEORIA PROBABILITILOR

probabiliti aposteriori (probabiliti finale), adic probabiliti calculate dup realizarea experienei n care se produce evenimentul X . ntruct evenimentele Ai , 1 i n , se mai numesc cauzele evenimentului X sau ipotezele asupra evenimentului X , formula lui Bayes mai este numit formula probabilitilor cauzelor sau formula probabilitilor ipotezelor.
Exemplu Presupunem c avem un lot format din 10000 persoane de sex feminin, participante la un test screening pentru determinarea prezenei cancerului de sn. Dintre acestea, la un numr de 120 de persoane a fost depistat i confirmat prezena maladiei. Prin a doua metod - mamografie (cunoscut ca nefiind o metod perfect), s-au obinut 95 de persoane pozitive din cele 120. Dintre femeile s ntoase, deci n numr de 9880, au avut mamografie pozitiv 880 (fali pozitivi). Care este probabilitatea ca o persoan la care mamografia a ieit pozitiv s aib ntr-adevr cancer de sn ?

Rspunsul greit i des ntlnit este 95/120 ce reprezint aproximativ 80%. Aici trebuie atent interpretat ntrebarea la care se cere rezultatul. Rspunsul dat reflect probabilitatea ca o persoan ce are cancer de sn s prezinte mamografie pozitiv. Aadar, trebuie acordat o atenie deosebit la interpretarea corect a condiiei din cadrul probabilitii cutate. Introducem urmtoarele notaii: T reprezint volumul lotului i are valoarea de 10 000. CS numrul de persoane ce au cancer de sn, CS=120. M numrul de persoane cu mamografie pozitiv, M=95+880=975. Putem defini probabilitatea cutat ca fiind P(CS / M ) . Rspunsul 95/120 este pentru probabilitatea condiionat: P( M / CS ) . Conform formulei lui Bayes avem: P(CS / M ) = Putem acum calcula probabilitile:

P(M / CS ) P(CS ) . P( M )

P (CS ) =

120 975 = 0,012 ; P ( M ) = = 0,0975 . 10000 10000

___

Dac este s fim riguroi putem defini evenimentele elementare CS ce arat prezena cancerului de sn respectiv CS va nsemna absena acestuia. Acestea dou formeaz un sistem complet de evenimente (necesar n formula Bayes). Probabilitatea P(M) se va calcula cu formula (M este evenimentul mamografie pozitiv nu se face nici o confuzie de notaie deoarece reflect aceeai idee):

P ( M ) = P (CS ) P (M / CS ) + P (CS ) P ( M / CS )
7

___

___

TEORIA PROBABILITILOR

120 95 9880 880 95 + 880 975 + = = = 0,0975 10000 120 10000 9880 10000 10000 95 P ( M / CS ) = = 0,791 . 120 Probabilitatea cutat este: P(CS / M ) = 9,7% . P( M ) =
Probabilitatea condiionat depinde i de procentul de mamografii pozitive din cadrul persoanelor sntoase. Iniial fr a avea rezultatul mamografiei puteam spune c pentru orice persoan exist un risc de a avea cancer de sn n proporie de P(CS ) = 0,012 = 1,2% . Dup realizarea mamografiei, pentru rezultat pozitiv obinem P(CS / M ) = 9,7% , deci o ajustare fa de starea iniial datorit informaiei noi obinute. Formula lui Bayes ne ajut la determinarea probabilitii evenimentului studiat n condiiile cunoaterii a priori de noi factori de influen.
Evenimente independente stocastic

Conceptul de independen stocastic1 (sau stohastic) sau independen n probabilitate sau P independen este specific teoriei probabilitilor i el a permis, alturi de alte concepte, delimitarea teoriei probabilitilor ca disciplin matematic independent. Definiie. Spunem c evenimentele A, B asociate unei experiene aleatoare, sunt independente stocastic, dac are loc P( A B) = P( A) P ( B) . n caz contrar, evenimentele A, B sunt numite dependente stocastic. Altfel spus, A i B sunt evenimente dependente dac fiecare din ele i modific probabilitatea n funcie de realizarea sau nerealizarea celuilalt. n continuare enunm fr demonstraie cteva rezultate legate de independena stocastic a evenimentelor. Fie A i B dou evenimente asociate unei experiene aleatoare. 1 Dac P(A)=0 sau P(A)=1 atunci A este independent stocastic de evenimentul B. 2 O condiie necesar i suficient ca evenimentul A s fie independent stocastic de el nsui este ca P(A)=0 sau P(A)=1. 3 n ipoteza P( B ) > 0 , evenimentul A este independent stocastic de evenimentul B , dac i numai dac are loc P( A | B ) = P( A) . 4 Dac P( A) P( B) > 0 i A, B sunt independente stocastic, atunci A B . 5 Dac P( A) P( B) > 0 i A B = , atunci evenimentele A, B sunt dependente. 6 Dac evenimentele A, B sunt independente stocastic, atunci evenimentele

perechilor ( A, B ) , ( A , B) , ( A , B ) sunt de asemenea independente stocastic.

1

Etimologic cuvntul este de origine greac (stochos) ntmpltor, aleator.

TEORIA PROBABILITILOR

1.2. VARIABILE ALEATOARE

Este cunoscut faptul c n cadrul unui experiment, oricte precauii s-ar lua pentru a controla diferii factori, rezultatele obinute vor prezenta o anumit variabilitate. Aceast variabilitate se manifest n aproape toate domeniile de lucru, obligndu-ne s lucrm cu intervale ale parametrilor de studiu n loc de valori fixe. Variabila aleatoare este o noiune fundamental din domeniul statisticii, reprezentnd acea mrime de interes ce poate lua n cadrul realizrii experimentului o valoare oarecare, necunoscut aprioric. Exist dou tipuri de variabile aleatoare, anume discrete i continue. Variabilele discrete iau valori izolate, cum ar fi numrul de biei dintr-o coal sau numrul de studeni care au nota 10 la biostatistic. Variabilele continue pot lua orice valoare ntr-un interval finit sau infinit. Spre exemplu, temperatura corpului uman poate lua orice valoare dintr-un anumit interval (chiar dac sunt mici, aceste variaii exist). De obicei, variabilele aleatoare se noteaz cu litere mari A, B, CX, Y. Valorile corespunztoare se noteaz cu litere mici: a1, a2, an sau x1, x2, xn, iar probabilitile acestora se noteaz cu pa1, pa2,pan.
Variabile aleatoare discrete

Considerm o variabil aleatoare notat cu A. n urma realizrii experimentului se obin valorile a1, a2, an, cu probabilitile p(A=a1)=p1, ., p(A=an)=pn. Menion m c numrul valorilor a1, , an poate fi finit sau infinit. Se definete repartiia ca fiind enumerarea tuturor valorilor posibile mpreun cu probabilitile de obinere corespunztoare. Repartiia poate fi reprezentat sub form de tabel (tabelul de repartiie), sau sub form grafic. n acest fel, se face primul pas n stabilirea legii de repartiie a variabilei aleatoare respective. Putem stabili legea de repartiie cu ajutorul relaiei:

f ( ai ) = P ( A = ai ) = P ( ai ) = pi .
Aceasta expresie analitic se numete funcie de probabilitate. Exist situaii n care de interes este cunoaterea probabilitii ca valoarea variabilei aleatoare s fie mai mic dect un prag cunoscut (notat a): P(A a). Aceasta reprezint valoarea funciei de repartiie a variabilei aleatoare n a, notat: F(a) = P( A a). Considernd reprezentarea grafic pentru o variabil discret, avem: 9

TEORIA PROBABILITILOR

7 6 5 4 3 2 1 0

f(x)=P(a)

f ( x) = P ( a ) .

Figura 1.5 1 - Funcia de probabilitate.

60

F(x)=P(A a)

1 50
40 30 20 10 0

F ( x ) = P( A a ) .

Figura 1.5 2 - Funcia de repartiie.

Este demonstrat relaia: F (a k ) = P( A a k ) = P( A = ai ) = pi .

i =1 i =1

Variabile aleatoare continue

Acestea sunt caracterizate prin faptul c valorile atribuite se afl ntr-un interval continuu i nu discret. Rezult c reprezentarea prin tabelare a tuturor valorilor este imposibil, deoarece ar nsemna realizarea unui tabel infinit ca dimensiune. Aadar, se impune utilizarea probabilitii evenimentului A < a i n concluzie, se va lucra pe intervale de valori i nu cu valori fixe. Funcia de probabilitate este nlocuit la variabile aleatoare continue cu funcia densitate de probabilitate. Graficul densitii de probabilitate este prezentat mai jos pe un exemplu generic. S-a utilizat notaia: f(a) funcie densitate de probabilitate, a2 a1 = a. Funcia de repartiie se noteaz cu F(a) i se calculeaz cu formula: 10

TEORIA PROBABILITILOR

F (a ) = P( A < a ) =

f (a) da =

'

(a ) da .

Suprafaa total cuprins ntre curb i axa xx este egal cu 1 i reprezint probabilitatea ca x s se afle n intervalul ( , + ) .
+

P( A < ) =

f (a )

da = 1 .

f(a)

Densitatea de probabilitate
Suprafaa total are dimensiunea 1 (probabilitatea evenimentului sigur este 1)

Element de probabilitate

a
a1 a2

Figura 1.5 3 Descrierea densitii de probabilitate.

Elementul de probabilitate reprezint probabilitatea ca variabila aleatoare s ia valori n intervalul infinitezimal a, P=f(a) a. Probabilitatea ca variabila aleatoare s ia valori n intervalul (a1, a2) este egal cu suprafaa cuprins ntre cele dou valori ale intervalului. Avem formula:

P(a1 , a2 ) = P(a1 < a < a 2 ) = P(a < a 2 a > a1 ) = P(a < a2 ) P(a < a1 )
a2

P(a1 , a2 ) =

f (a) da

a1

f (a) da

a2

f (a) da .

a1

Dac a1 coincide cu a2, atunci avem un singur element i probabilitatea sa este 0. Aceast valoare nu trebuie confundat cu probabilitatea evenimentului imposibil, ci indic faptul c ansa de a avea chiar elementul a1 este foarte mic n cazul intervalului continuu (ce conine o infinitate de valori). Reprezentarea grafic a funciei de repartiie continu. 11

TEORIA PROBABILITILOR

F unc ia de re pa rti ie
20

F (a )

1
15 10 5 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Figura 1.5 4.

Valorile funciei de repartiie reprezint n esen, valori ale ariilor delimitate de axa absciselor i graficul funciei densitate de probabilitate pe domeniul (, a ) . Dreptele asimptote sunt de ecuaii: F(a) = 0, respectiv F(a) = 1. Se observ c sunt respectate relaiile:
+

F () = 0

, F (+) =

f (a) da = 1 .

Daca a1 a 2 atunci F (a1 ) F (a 2 ) . Prin urmare, F(a) este o funcie

cresctoare.

Valori tipice pentru variabile aleatoare continue

Dac nu se cunoate expresia analitic a funciei de repartiie, atunci se pot deduce informaii despre datele de studiu calculnd valorile tipice. Aceste valori tipice reprezint practic, estimri sau aproximri ale valorilor reale calculate cunoscnd funcia densitate de repartiie.
Valori tipice de localizare Media (, x ) Este cel mai reprezentativ indicator i se mai numete i speran matematic, valoare adevrat sau medie teoretic. Dac avem un ir discret de date, formula de calcul a valorii medii va fi:

M [ x] =
12

n x1 f1 + x 2 f 2 + .... + x n f n = xi f i . f1 + f 2 + ... + f n i =1

Numitorul este suma tuturor frecvenelor relative i este egal cu 1.

TEORIA PROBABILITILOR

Dac numrul de experiene crete, atunci frecvena relativ tinde ctre probabilitatea evenimentului i notat pi. Pentru variabile aleatoare continue formula de calcul a mediei este:
+ +

= M[X ] =

x dF ( x)

x f ( x) dx

, unde f(x) este densitatea de

probabilitate a variabilei aleatoare X.

Mediana (Me) Reprezint valoarea tipic ce mparte densitatea de probabilitate n dou suprafee egale. Putem spune cu alte cuvinte c probabilitatea ca X < Me este egal cu probabilitatea ca X > Me i are valoarea 0,5 sau altfel spus 50 %.

P( X < Me) = P( X > Me) =

1 = 0,5 . 2

tiind c valoarea acestei probabiliti reprezint valoarea integralei definite din funcia densitate de probabilitate putem scrie:
Me

f ( x ) dx =

f ( x) dx

Me

1 . 2

Cuantile sau fractile Reprezint valorile abscisei care mpart n suprafee egale densitatea de probabilitate. Considerm c avem Xi (i=1n-1) cuantile. Acestea respect condiia:
x1

x2

f ( x ) dx =

f ( x ) dx = ........ =

f ( x) dx

Dac avem patru suprafee, deci n=4, avem trei cuantile care, n acest caz, se numesc cuartile. n figura 1.5 5 este realizat reprezentarea grafic a cuartilelor.
Reprezentarea cuartilelor

x1

xn 1

1 . n

f(x)

Q1

Q2

Q3

Figura 1.5 5.

13

TEORIA PROBABILITILOR

Observaie Mediana este cuartila a doua sau cuantila de ordin 2 (adic mparte n dou pri egale suprafaa densitii de probabilitate). Me = Q2. Modul (Mo) Modul reprezint valoarea de pe abscis corespunztoare probabilitii maxime (valoare dominant). Modul se calculeaz impunnd condiia ca derivata funciei densitate de repartiie n punctul x s fie zero: f ( x) = 0 .

Valori tipice de variaie Tendina de variaie poate fi msurat cu ajutorul dispersiei i abaterii standard. Aceti doi indicatori se va vedea, se pot exprima dintr-o form general pe baza momentelor.
Momentul iniial de ordin k (k>1) Momentul iniial de ordin k se exprim cu ajutorul formulelor urmtoare:

Pentru variabil discret: ''k = M x k =

+

[ ] x
i =1
k

k i

pi .

Pentru variabil continu:

' 'k

f ( x) dx = M x k .

[ ]

M x k - reprezint media variabilei aleatoare xk.

Observaie Pentru k=1 momentul iniial de ordin 1 este tocmai media variabilei aleatoare. Momentul centrat de ordin k (k>1) Momentele centrate se exprim n raport cu o valoare de referin ce poate fi chiar media variabilei aleatoare studiate. Pentru variabila aleatoare discret avem formula de calcul:

[ ]

k = M ( x M [ x]) = ( xi ) k pi , unde s-a folosit ca referin

k i =1

media a populaiei. Pentru variabila aleatoare continu, avem formula de calcul:

k = M ( x M [ x])k = ( x ) k f ( x) dx .

Observaie Dispersia este tocmai momentul centrat de ordin 2.

14

TEORIA PROBABILITILOR

Pentru cazul discret avem :

D[ x] = 2 = M ( x ) = ( xi ) p i .
2 2 i =1

Pentru cazul continuu avem:

D[ x ] = = M ( x ) =
2

] (x )

f ( x ) dx .

Abaterea standard Prin definiie este rdcina ptrat din dispersie, =

D[ x] .
2 i

Cazul discret: Cazul continuu:

( xi )2 p i
i =1

x
i =1

pi 2 .

2 2 2 (x ) f ( x) dx = x f ( x) dx .

15

TEORIA PROBABILITILOR

1.3. REPARTIII DISCRETE

Repartiia hipergeometric (schema bilei nentoarse)

Considerm o urn ce conine a bile albe, respectiv b bile negre. Se extrag n bile simultan sau una cte una fr ntoarcere. Astfel, la fiecare extragere compoziia urnei se modific. Probabilitatea ca din n bile extrase, s fie albe, respectiv n- s fie de culoare neagr este:
Cbn Ca . P= C an+b

Demonstraie

Dac avem a+b bile n total, numrul combinaiilor de cte n bile este Ca + b . Acesta este numrul total al posibilitilor de a alege n bile, indiferent de culoare i de ordinea lor de apariie.
Din a bile albe, pot fi combinate n C a variante.

Din b bile negre, bile pot fi combinate n C b variante.

Numrul total de variante a cte bile albe i bile negre este C a Cb . Acum putem calcula probabilitatea ca la extragerea simultan a n bile, s obinem

bile albe i bile negre (unde +=n): P =

Ca Cb
n Ca +b

n Ca Cb
n Ca +b

n cazul general, presupunem c avem m culori i dorim s extragem 1, 2, 3, , m bile, corespunztoare celor m culori (1 + 2 + 3 + + m = n numrul de extrageri). Avem n total a1 bile de culoare 1, ... , am bile de culoare m. Prin urmare, probabilitatea va fi:

P=

1 2 m Ca 1 Ca 2 ... .Cam 1+ 2 +...+m Ca 1+ a 2 + ...+ am

Formula de calcul a probabilitii n cadrul repartiiei hipergeometrice.

16

TEORIA PROBABILITILOR

Repartiia binomial (Bernoulli)

Se consider un model probabilistic ce respect urmtoarele dou condiii: 1) Fiecare experiment are doar dou rezultate posibile (not m evenimentele asociate cu A si A ). 2) Probabilitile evenimentului A , i respectiv al opusului su A , rmn constante pe parcursul experienelor (acest model probabilistic este echivalent cu tipul extragerii cu ntoarcere). Not m P( A ) =p, respectiv P( A ) = 1 p = q. Probabilitatea ca efectund de n ori experiena s se obin de k ori evenimentul A este:
k k P = Cn p k q n k , deci funcia de distribuie f ( k ) = C n p k q nk . Aceast formul reprezint tocmai coeficientul termenului ce conine pe xk din dezvoltarea binomului lui Newton:

k ( p x + q)n = Cn pk q nk xk . k =0

Media i dispersia sunt: m = n p , respectiv 2 = n p q . Demonstraie Din n experiene avem k realizri ale evenimentului A. Putem scrie: A, A, ....... , A, A , A , A , ......., A .

14 4 244 3 144 244 3

de k ori de n k ori

Probabilitatea cutat va fi calculat astfel: P( A A .... A A ... A )

= p k q n k - evenimentele sunt independente. Pentru a demonstra formula vom

calcula numrul de variante posibile i l vom nmuli cu aceast probabilitate. Numrul de variante n care putem aranja cele k evenimente de tip A, respectiv cele n-k de tip A este n! (practic avem n elemente), dac pe fiecare poziie avem elemente distincte. Pentru cele k evenimente de tip A avem k! variante, respectiv (n-k)! variante pentru cele n-k evenimente de tip A . Numrul total de variante de cte n elemente, din care k de tip A, respectiv n-k de tip A este produsul k! (n-k)!. Numrul total de variante, fr a ne interesa poziia, de k elemente A, respectiv n-k elemente A este

n! k , adic C n . k!(n k )!

k Probabilitatea cerut este : P = Cn p k q (n k ) .

17

TEORIA PROBABILITILOR

Repartiia Poisson

Considerm c avem n experiene caracterizate de evenimentele independente A1, A2, , An cu probabilitile cunoscute: P(A1)=p1, , P(An)=pn. Oricare eveniment se poate produce cu probabilitatea pi, iar evenimentul contrar A se realizeaz cu probabilitatea qi = 1-pi. Probabilitatea ca din cele n evenimente s se produc k la realizarea celor n experiene, este egal cu valoarea coeficientului lui xk din dezvoltarea polinomului: ( p1 x + q1 ) ( p2 x + q2 ) ..... ( p n x + qn ) .
Exemplu Presupunem c avem 3 urne cu bile albe i roii. Prima urn conine 3 bile albe i dou roii, a doua urn conine 4 bile albe i 6 roii, iar urna a treia conine 2 bile albe i 3 roii. Se extrage cte o bil din fiecare urn. Care este probabilitatea de a se obine 2 bile albe din cele 3 extrase ? Rezolvare Definim evenimentele independente: A1 - bila extras din urna 1 este alb; A2 - bila extras din urna 2 este alb; A3 - bila extras din urna 3 este alb. Calcul m probabilitile evenimentelor Ai i ale evenimentelor contrare Ai :

3 P( A1 ) = , 5 4 P ( A2 ) = , 10 2 P ( A3 ) = , 5

3 2 P( A1 ) = 1 = . 5 5 4 6 P ( A2 ) = 1 = . 10 10 2 3 P ( A3 ) = 1 = . 5 5

Pentru a determina probabilitatea de obinere a 2 bile albe din cele 3 extrase, calcul m coeficientul lui x2 din cadrul polinomului:

2 4 6 2 3 3 x + x + x + . 5 10 10 5 5 5
Efectund calculele prin dezvoltarea polinomului i ordonnd termenii dup puterile lui x se obine P=0,352.

18