Curs 5 Exemple de repartit ii ale variabilelor aleatoare discrete

5.1 Variabila aleatoare discret a repartizat a uniform

Cea mai simpl a variabil a aleatoare este aceea care are un num ar nit de valori, iar ecare eveniment are aceea si probabilitate. In acest caz, vom avea X: x1 x2 ... xn 1 1 1 ... n n n . (5.1)

Exemplul 5.1.1. Consider am experient a care const a n aruncarea unui zar omogen. Fie variabila aleatoare X are ia ca valori num arul de puncte ap arute pe fat a zarului. S a se scrie tabloul de repartit ie al acestei variabile aleatoare. Mult imea evenimentelor elementare este {1, 2, 3, 4, 5, 6} si ea coincide, n acest caz, cu E X: 1 2 3 4 5 6
1 6 1 6 1 6 1 6 1 6 1 6

S a consider am evenimentele A si B legate de aceea si experient a si anume A evenimentul care const a n obt inerea unui num ar par de puncte, iar B evenimentul care const a n obt inerea un num ar impar de puncte si denim variabila aleatoare Y care ia valoarea 0 dac a am obt inut un num ar par de puncte si 1 dac a am obt inut un num ar impar de puncte, atunci A si B formeaz a un sistem complet de evenimente si putem deni variabila aleatoare Y astfel: Y : 0 1
1 2 1 2

5.2

Variabila aleatoare binomial a; repartit ia Bernoulli

In cadrul unei experient e se poate produce evenimentul A cu probabilitatea P (A) = p sau contrarul s au, A cu probabilitatea P (A) = q = 1 p. Se repet a experient a de n ori. Probabilitatea 1

k k nk producerii de k ori a evenimentului A este Cn p q , iar v. a. care ia ca valori num arul de realiz ari ale evenimentului A se nume ste variabila aleatoare binomial a (Bernoulli) si are repartit ia:

X:

0
0 0 n Cn pq

1
1 1 n1 Cn pq

2
2 2 n2 Cn pq

... k ... n k k nk n n 0 . . . Cn p q . . . Cn p q

(5.2)

Observ am c a denirea acestei variabile aleatoare este corect a deoarece P {X = k } > 0 si

n k k nk p q = (p + q )n = 1. Cn k=1

Scriem X : Binomial[n, p], adic a X este o variabil a aleatoare binomial a cu parametrii n si p (n N \ {0}, p (0, 1)). Propozit ia 5.2.1. Pentru variabila aleatoare binomial a au loc urm atoarele: media este M [X ] = n p, dispersia este D2 [X ] = n p q , funct ia caracteristic a este (t) = (pejt + q )n . Demonstrat ie. Intr-adev ar
n

M [X ] =
k=1

k k nk kCn p q .

Din identitatea:
n

(px + q )n =
k=0

k k k nk Cn p x q

prin derivare membru cu membru, n raport cu x, obt inem :

n

np(px + q )n1 =
k=1

k k k1 nk p x q . kCn

F ac and aici x = 1 si tin and seama c a p + q = 1 deducem

n

np =
k=1

k k nk kCn p q .

Pentru calculul dispersiei D2 [X ] = M [X 2 ] (M [X ])2 , trebuie s a calcul am momentul init ial de ordinul 2. Vom folosi pentru aceasta funct ia caracteristic a a v.a. X, care este:
n n k k nk jtk Cn p q e = k=0 k=0 k Cn (pejt )k q nk = (pejt + q )n .

(t) =

Avem M [X 2 ] = si prin urmare D2 [X ] = np np2 = np(1 p) = npq. Variabila aleatoare binomial a X poate v azut a ca suma a n variabile aleatoare independente Xi denite astfel: Xi = 1 dac a la ncercarea i s-a produs evenimentul A si Xi = 0 n caz contrar; X = X1 + X2 + . . . + Xn . (0) = n2 p2 + np np2 j2

Xi :

0 1 q p

, i = 1, n, M [Xi ] = p.

Cu notat iile introduse, putem scrie

n

X = X1 + X2 + . . . + X n =
i=1 n n

Xi ,

M [X ] = M [
i=1 n

Xi ] =
i=1 n

M [Xi ] = np, D2 [Xi ],

i=1

D 2 [X ] = D 2 [
i=1

Xi ] =

deoarece variabilele aleatoare Xi , i = 1, n, sunt independente. Dar D2 [Xi ] = M [Xi2 ] (M [Xi ])2 . Deoarece Xi2 : avem D2 [Xi ] = p p2 = pq si D2 [X ] = npq. Problemele n care se utilizeaz a repartit ia binomial a sunt cele n care facem urm atoarele presupuneri: -sunt numai dou a posibilit a ti pentru rezultatul experient ei (succes/insucces, realiz ari/nerealiz ari, bit corect/eronat, aparat bun/defect etc.), -probabilitatea succesului este aceea si pentru ecare experient a, -sunt n repet ari ale experient ei, unde n este constant, -cele n experient e sunt independente. Facem observat ia c a n calculul factorialelor care intervin n combin ari, pentru n sucient de mare, se recomand a formula aproximativ a a lui Stirling, 3 0 1 q p , M [Xi2 ] = p,

n! nn en

2n.

Exemplul 5.2.1. S a se arate c a dac a X, Y sunt dou a variabile aleatoare independente, de tip binomial X :Binomial[n, p], Y :Binomial[m, p] atunci X + Y :Binomial[n + m, p]. Avem P ({X + Y = k }) =
l=0 k l l nl kl kl mk+l = p q Cm p q Cn l=0 k l k l k k n+mk Cn Cm pk q n+mk = Cm . +n p q l=0 k

P {X = l, Y = k l} =

5.2.1

Repartit ia multinomial a

O generalizare a distribut iei binomiale este repartit ia obt inut a pentru modelul urm ator. In urma unui experiment se pot realiza k evenimente diferite independente A1 , A2 , ..., Ak .
k

Aceste evenimente se produc cu probabilit a tile p1 , p2 , ...pk ,

pj = 1, 0 pj 1. Se repet a
j =1

experient a de n ori si se constat a c a evenimentul Aj , j = 1, k s-a realizat de nj ori. Dac a denim v. a. Xj =num arul de produceri ale evenimentului Aj n cele n probe, atunci: P {X1 = n1 , X2 = n2 , ..., Xk = nk } = cu n1 + n2 + ... + nk = n si 0 nj n. Repartit ia depinde de k 1 parametri. Spunem n acest caz c a (X1 , X2 , ..., Xk ) : Multinomial [n, p1 , p2 , ..., pk ] . Exemplul 5.2.2. Presupunem c a avem o urn a care cont ine 10 bile ro sii, 20 de bile albe si 30 bile negre. Extragem 10 bile din urn a cu repunerea bilei extrase n urn a. S a se determine proobabilitatea ca s a obt inem 3 bile ro sii, 4 bile albe si 3 bile negre. Deoarece extragerea se face cu repunerea bilei extrase n urn a evenimentele sunt independente si deci: 10! 10 P (X1 = 3, X2 = 4, X3 = 3) = 3!4!3! 60
3

n! (p1 )n1 (p2 )n2 ... (pk )nk n1 !n2 !...nk !

20 60

30 60

= 3, 000 7 102 .

5.2.2

Repartit ia binomial a cu exponent negativ (Pascal)

In cazul variabilei aleatoare binomiale se num ar a realiz arile evenimentului A n cazul n care se efectueaz a n experient e. Deci num arul de repet ari ele experient ei este xat iar num arul succeselor evenimentului A este aleator. Denim acum variabila X care ia valoarea k , dac a la repetarea k a experimentului s-a produs a m-a aparit ie a evenimentului A, unde k m. Aceasta se nume ste variabil a aleatoare binomial a cu exponent negativ. In acest caz num arul realiz arilor evenimentului A este xat iar num arul repet arilor ale evenimentului A este aleator. Deci evenimentul {X = k } se produce astfel: 1. evenimentul A se produce la repetarea de ordin k a experient ei si P (A) = p. 2. n cele k 1 repet ari anterioare au loc m 1 produceri ale evenimentului, n condit iile m1 m1 (k1)(m1) q . legii Bernoulli, deci probabilitatea acestui eveniment este Ck1 p Deoarece cele dou a situat ii sunt independente urmeaz a
m1 m km P {X = k } = Ck , 1 p q

q = 1 p.

Vom avea a sadar X: (am notat k = m + , sau X: m

m1 m Cm 1 p

m
m1 m Cm 1 p

m+1 m+2 ... m+ m1 m 2 m1 m1 m Cm p q Cm+1 p q ... Cm+ 1 pm q

... ...

= 0, 1, 2, . . .) m+1 m+2 ... k ... m1 m 2 m1 m km m1 m Cm p q Cm+1 p q ... Ck1 p q ...

Vom scrie X NegBin[m, p]. Observ am c a denirea acestei variabile aleatoare este corect a deoarece P {X = k } > 0 si
m1 m km Ck = 1. 1 p q k =m

Numele acestei repartit ii provine din faptul c a probabilitatea c autat a este coecient n dezvoltarea n serie 1= 1 q p p
m m1 km = Ck 1 q k =m k=m m1 m km Ck . 1 p q

= pm (1 q )m = pm

Justic am aceast a relat ie. Folosim seriile de puteri si proprietatea acestora de a putea derivate termen cu termen. Pentru |x| < 1 putem scrie

 1 = xk , 1 x k=0

1 1x

1 = kxk1 , 2 (1 x) k=1

2 1 k 2 = k ( k 1) x = C 2 xk2 . (1 x)3 k=2 (1 x)3 k=2 k

Se demonstreaz a prin induct ie c a

1 = C m1 xkm+1 . (1 x)m k=m1 k

Trecem k n k 1 si obt inem:

(1 x)m =
k=m

m1 km Ck 1 x

(5.3)

care reprezint a dezvoltarea n serie binomial a cu putere negativ a. Trecem x q , nmult im cu m p si obt inem: 1= 1 q p p
m m1 km Ck = 1 q k =m k=m m1 m km Ck 1 p q

= pm (1 q )m = pm

Propozit ia 5.2.2. Variabila aleatoare binomial a cu exponent negativ are: m media M [X ] = , p dispersia D2 [X ] = mq . p2

Demonstrat ie. Pentru a calcula media, din (5.3) g asim

xm m1 k Ck a |x| < 1, = 1 x dac m (1 x) k =m

(5.4)

de unde prin derivare n raport cu x obt inem

m1 k1 kCk = 1 x k=m

mxm1 , (1 x)m+1

dac a |x| < 1.

(5.5)

Alegem x = q , tinem cont c a 1q =p si g asim

M [X ] =
k=m

m1 m km kCk = 1 p q

m . p

Pentru calculul dispersiei folosim

m1 m km k 2 Ck = pm q m+1 1 p q k=m k=m

M [X 2 ] =

k 2 q k1 .

Pentru a calcula ultima sum a nmult im (5.5) cu x si deriv am

k
k=m

m1 k1 Ck 1 x

d = dx

mxm (1 x)m+1

mxm1 (m + x) = , (1 x)m+2

deci M [X 2 ] = iar D 2 [X ] = mq . p2 m(m + q ) , p2

Exemplul 5.2.3. Calculatorul A transmite un mesaj calculatorului B . Mesajul este codat astfel nc at B detecteaz a c and se produc erori n cursul transmiterii mesajului. Dac a B detecteaz a o eroare cere calculatorului A retransmiterea mesajului. Presupunem c a probabilitatea ca transmiterea mesajului s a e eronat a este p = 0, 1. Vrem s a denim variabila aleatore X care ia ca valori num arul de mesaje care trebuie transmise p ana la obt inerea a patru mesaje eronate. V. a. X are o distribut ie binomial a cu exponent negativ. In acest caz m = 4. Valorile pe care le ia v. a. sunt 4, 5, 6, ... cu probabilit a tile din tabel 4 5 6 7 ... X: 0.0001 0.00036 0.00081 0.001458 ... 3 (0.1)4 = 0.000 1, P ({X = 4}) = C3 3 (0.1)4 (0.9) = 0.000 09 4 = 0.000 36 P ({X = 5}) = C4 4 3 (0.1)4 (0.9)2 = 8.1 105 52 P ({X = 6}) = C5 = 0.000 81 4 3 5 654 3 P ({X = 7}) = C6 (0.1) (0.9) = 7.29 10 23 = 0.001458 etc.

5.3

Repartit ia geometric a

In cadrul unui experiment un eveniment A se poate produce cu probabilitatea p (0, 1). Consider am variabila aleatoare X care d a num arul de repet ari n condit ii identice ale experimentului, p an a la producerea evenimentului A. Teoretic variabila aleatoare X ia o innitate de valori X = k, k = 1, 2, . . . , m, . . .. Deorece evenimentul {X = k } nseamn a faptul c a n primele k 1 repet ari ale experimentului A nu s-a produs iar n cea de-a k repetare A se realizeaz a, rezult a c a probabilitatea cu care X ia valoarea k este: P {X = k } = pq k1 , q = 1 p, k = 1, 2, 3, . . . . Obt inem astfel repartit ia geometric a

X: Avem, evident

1 2 3 ... k ... 2 k1 p pq pq ... pq ...

(5.6)

P {X = k } =
k=1 k=1

pq k1 = p

1 = 1. 1q

deci repartit ia este bine denit a. Propozit ia 5.3.1. Repartit ia geometric a are: funct ia de repartit ie F (k ) = 1 q k ; 1 media M [X ] = ; p dispersia D2 [X ] = q . p2

Demonstrat ie. Intr-adev ar avem

k

F (k ) = P {X k } =
j =1

pq j 1 = p

1 g k1 = 1 qk . 1q

Pentru medie, tin and cont de propriet a tile seriilor de puteri cu rat ia q < 1, putem scrie evalu arile d k kq k1 = p kpq k1 = p M [X ] = q = dq k=1 k=1 k=1 =p d dq q 1q = p 1 = , 2 (1 q ) p

Calcul am momentul init ial de ordin 2 folosind proprietatea seriilor de puteri convergente de a putea derivate termen cu termen:

M [X 2 ] =
k=1

k 2 pq k1 = p
k=1

k 2 q k1 = p

d dq

kq k =
k=1

=p Atunci dispersia este

d dq

q (1 q )2

=p

2p 2p = , 3 p p2

D2 [X ] = M [X 2 ] (M [X ])2 =

2p 1 q = . p2 p2 p2

Exemplul 5.3.1. Calculatorul A transmite mesaje pentru calculatorul B pe o linie telefonic a neabil a. Mesajul este codicat si B poate detecta dac a au ap arut erori n timpul transmisiei. Probabilitatea de transmisie reu sit a este p. Cu ce probabilitate este necesar s a transmitem un mesaj mai mult de dou a ori ? Folosim v.a. distribuit a geometric care d a num arul de transmisii necesare pentru a se recepta un mesaj corect. Repartit ia este X: k (1 p)k1 p
+

k=1,2...

Probabilitatea cerut a este atunci P {X 3} =

(1 p)k1 p = (1 p)2 .
k=3

Exemplul 5.3.2. Fie X o variabil a aleatoare repartizat a geometric. S a se calculeze P {X > k } si P {X este un num ar par}. Folosim probabilitatea evenimetului contrar si avem pentru prima cerint a P {X > k } = 1 P {X k } = 1 p 1 qk = qk . 1q

Pentru a doua cerint a oberv am c a problema revine la calculul unei serii geometrice cu rat ia q 2 .

{X = 2k } =
k=1

P {X = 2k } =
k=1

pq 2k1 =
k=1

pq q = . 1 q2 1+q

5.4

Repartit ia hipergeometric a

Fie X variabila aleatoare care ia ca valori num arul de bile albe care se obt in extr ag and n bile dintr-o urn a care cont ine a bile albe si b bile negre (n a + b). Tabloul de repartit ie al variabilei aleatoare X este

0 C 0C n a b n Ca +b

1 1 n1 Ca Cb n Ca +b an ; a+b

2 ... k ... min{n, a} 2 n2 k nk min{n,a} nmin{n,a} Ca Cb Ca Cb Ca Cb . ... ... n n n Ca+b Ca+b Ca+b

Propozit ia 5.4.1. Repartit ia hipergeometric a are: media M [X ] =

dispersia D2 [X ] =

abn(a + b n) . (a + b)2 (a + b 1)

Demonstrat ie. Avem

min{a,n}

M [X ] =
k=1

k a
n Ca +b

k nk Cb Ca 1 = n n Ca+b Ca+b

k nk kCa Cb = = k

1
n Ca +b k

k1 nk aCa = 1 Cb

n1 Ca +b1 = a

n!(a + b n)! (a + b 1)! an = . (a + b)! (n 1)!(a + b n)! a+b

Pentru calculul dispersiei utiliz am formula D2 [X ] = M [X 2 ] (M [X ])2 . Calcul am mai nt ai M [X 2 ] =

k

k2

k nk Ca Cb = n Ca +b

k (k 1)
k

k nk Ca Cb + n Ca +b

k
k

k nk Ca Cb ; n Ca +b

k nk 1 Ca Cb = n k (k 1) n Ca+b Ca+b

k2 nk a(a 1)Ca = 2 Cb k

a(a 1) n2 Ca+b2 = n Ca +b

= a(a 1) De aici rezult a c a M [X 2 ] =

n!(a + b n)!(a + b 2)! a(a 1)n(n 1) = . (a + b)!(n 2)!(a + b n)! (a + b)(a + b 1)

an an a(a 1)n(n 1) + = (a + b)(a + b 1) a + b a+b

(a 1)(n 1) +1 , a+b1

D 2 [X ] =

an(an n + b) a2 n2 abn(a + b n) = . 2 (a + b)(a + b 1) (a + b) (a + b)2 (a + b 1)

5.5

Repartit ia Poisson

In cazul unui experiment se pot produce evenimentele A1 , A2 , , An cu probabilit a tile p1 , p2 , , pn . Facem ipoteza c a evenimentele sunt independente. Fie X num arul de evenimente care se produc la o repetare n condit ii identice ale experimentului si e qi = 1 pi . Fie Xi , i = 1, n, variabilele aleatoare care iau valoarea 1 dac a s-a produs Ai si valoarea 0 n caz contrar. Acestea au repartit ia Xi : Observ am c a
n

0 1 qi pi

, i = 1, n,

X = X1 + X2 + . . . + Xn =
i=1

Xi .

10

S a calcul am media si dispersia. Pentru Xi avem M [ Xi ] = p i . Pentru dispersie vom folosi D2 [Xi ] = M [Xi2 ] (M [Xi ])2 . Deoarece Xi2 : avem M [Xi2 ] = pi , deci
n

0 1 qi pi

D 2 [ Xi ] = pi p2 si D2 [X ] = i = pi q i
i=1

p i qi .

Media si dispersia variabilei X rezult a acum din propriet a tile acestora:

n n n

M [X ] = M [
i=1

Xi ] =
i=1 n

M [ Xi ] =
i=1 n

pi ,

D 2 [X ] = D 2 [
i=1

Xi ] =
i=1

D 2 [ X i ],

deoarece variabilele aleatoare Xi , i = 1, n, sunt independente.

5.6

Repartit ia Poisson cu innitate num arabil a de valori

Distribut ia Poisson, numit a si legea evenimentelor rare, se folose ste ca model pentru evenimente a c aror num ar de repetare nu are o limit a superioar a. Spunem c a variabila aleatoare X este repartizat a Poisson, cu paramatrul , R+ , dac a tabloul s au de repartit ie este de forma

0 e

...

...

X:

. 2 k e . . . e e ... k! 1! 2! k P {X = k } = e . k!

(5.7)

Evident avem
k k e = e = e e = 1, k ! k ! k=0 k=0

deci (5.7) este o repartit ie bine denit a. 11

Propozit ia 5.6.1. Repartit ia Poisson cu parametrul , cu o innitate de valori, are media si dispersia egale M [X ] = D2 [X ] = ; funct ia caracteristic a (t) = e(1e ) . Demonstrat ie. Intr-adev ar,

jt

M [X ] =
k=0

k k1 e = k e = . k! k=1 (k 1)!

Pentru calculul dispersiei folosim formula

M [X 2 ] =
k=1

k2

k k k e = (k 2 k ) e + k 2 e = k! k! k! k=2 k=1

= 2
k=2

k2

k2 e + = 2 + (k 2)!

D2 [X ] = 2 + = . Funct ia caracteristic a este

(t) =
k=0

k jtk

k!

=e

(ejt )k jt = e(1e ) . k! k=0

Observat ia 5.6.1. Repartit ia Poisson este intim legat a de distribut ia binomial a, obt in andu-se ca un caz limit a al acesteia din urm a, c and n si p scade astfel nc at np = = const. Avem n(n 1) . . . (n k + 1) k ( ) (1 )nk = k! n n k n(n 1) . . . (n k + 1) nk (1 ) k! nk n

k k nk Cn p q =

si deoarece n(n 1) . . . (n k + 1) = 1, n nk se deduce aproximarea, pentru n : lim

k k nk Cn p q

lim (1

nk ) = e n

k e . k!

Exemplul 5.6.1. Probabilitatea de eroare la transmiterea unui bit printr-o linie de comunicat ie 3 este de 10 . S a se calculeze probabilitatea ca la transmiterea unui bloc de 1000 de biti s a avem cinci sau mai mult de cinci erori.

12

Transmiterea ec arui bit reprezint a o experient a Bernoulli care se realizeaz a dac a s-a produs o eroare la transmiterea bitului. Probabilitatea ca s a se produc a k erori n 1000 de transmisii este dat a de probabilitatea calculat a dup a legea binomial a cu n = 1000 si p = 103 . Legea Poisson cu parametrul = np = 1000 103 = 1 aproximeaz a legea binomial a. Astfel P [X 5] = 1 P [X < 5] = 1 1 1 1 1 1 1 e = 1 e1 {1 + + + + } = 0, 00366. 1! 2! 3! 4! k=0 k !
4

Exemplul 5.6.2. O fabric a produce becuri si d a 2% rebut. S a se aproximeze probabilitatea ca ntr-o cutie de 100 de becuri s a obt inem cel mult trei becuri defecte? Presupun and indepependent a, avem de-a face cu o variabil a aleatoare repatizat a binomial cu p = 0, 02 si n = 100. Dac a dorim s a calcul am probabilitatea cu ajutorul schemei binomiale, dup a calcule labo3

rioase obt inem

k=0

k C100 (0, 2)k (0, 98)100k = 0, 859.

Dac a aproxim am X cu o variabil a aleatoare repartizat a Poisson, cu parametrul = 100 0, 02 = 2, g asim probabilitatea 3 2k e2 = 0, 857. k! k=0

Exemplul 5.6.3. O stat ie de recept ie prime ste n medie 16 impulsuri pe minut si poate prelucra cel mult 24 impulsuri pe minut. Cu ce probabilitate stat ia devine saturat a? Suntem n condit iile repartit iei Poisson, cu a = 16, t = 1. Dac a X este variabila aleatoare care d a num arul de semnale care ajung la stat ie ntr-un minut, atunci stat ia devine saturat a dac a {X > 24}, iar probabilitatea este P {X > 24} =
24 16k 16 16k 16 e =1 e = 0, 0017. k=25 k ! k=0 k !

13