Teoria Probab

Ariadna Lucia Pletea
Liliana Popa
ILOR TEORIA PROBABILITAT
GH. ASACHI, UNIVERSITATEA TEHNICA IAS I 1999
Cuprins
Introducere 1 C amp de probabilitate 1.1 C amp nit de evenimente . . . . . 1.2 C amp nit de probabilitate . . . . 1.3 Metode de num arare . . . . . . . . 1.4 Moduri de selectare a elementelor . 1.5 Denit ia axiomatic a a probabilit a tii 1.6 Formule probabilistice . . . . . . . 1.7 Scheme clasice de probabilitate . . 1.8 C amp innit de probabilitate . . . 1.9 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7 7 11 16 17 18 20 26 29 36 43 43 44 61 65 68 74 75 81 81 88 95 108 117 126 143
2 Variabile aleatoare discrete 2.1 Denit ia si clasicarea variabilelor aleatoare . . . . . . . . 2.2 Variabile aleatoare discrete simple . . . . . . . . . . . . . . 2.3 Exemple de variabile aleatoare discrete simple . . . . . . . 2.4 Variabile aleatoare discrete simple bidimensionale . . . . . 2.5 Variabile aleatoare cu un num ar innit num arabil de valori 2.6 Funct ia generatoare . . . . . . . . . . . . . . . . . . . . . . 2.7 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . .
3 Variabile aleatoare continue 3.1 Funct ia de repartit ie a unei variabile aleatoare unidimensionale 3.2 Densitatea de probabilitate. Repartit ia normal a . . . . . . . . 3.3 Funct ia de repartit ie multidimensional a. Transform ari . . . . . 3.4 Valori caracteristice ale unei variabile aleatoare . . . . . . . . 3.5 Funct ia caracteristic a a unei variabile aleatoare . . . . . . . . 3.6 Variabile aleatoare continue clasice si leg aturile dintre ele . . . 3.7 Fiabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Probleme la limit a n teoria probabilit a tilor 155 4.1 Convergent a n probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . 155 4.2 Legea numerelor mari (forma slab a) . . . . . . . . . . . . . . . . . . . . . . 156 4.3 Aproxim ari pentru repartit ii discrete . . . . . . . . . . . . . . . . . . . . . 161 3
4.4 4.5
Convergent a n repartit ie. Teorema limit a central a. . . . . . . . . . . . . Leg atura dintre convergent a sirurilor funct iilor de repartit ie si convergent a sirurilor funct iilor caracteristice . . . . . . . . . . . . . . . . . . . . . . . 4.6 Convergent a aproape sigur a . . . . . . . . . . . . . . . . . . . . . . . . . 4.7 Convergent a n medie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 164 . . . . 177 181 182 184
5 Procese stochastice 187 5.1 Lant uri Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 5.2 Procese Markov continue. Procese Poisson . . . . . . . . . . . . . . . . . . 200 5.3 Procese stochastice stat ionare . . . . . . . . . . . . . . . . . . . . . . . . . 206
Introducere
Numeroase probleme practice din variate domenii de activitate, ca: ingineria electric a, radio, transmisia de date, calculatoare, teoria informat iei, abilitatea sistemelor si altele, conduc la studiul unor fenomene si procese aleatoare. Evaluarea sanselor lor de producere constituie obiectul disciplinei teoria probabilit a tilor. Cursul de Teoria probabilit a tilor are at at un caracter informativ, furniz and student ilor not iuni si rezultate fundamentale cu care vor opera n cadrul specialit a tilor lor, c at si formativ, acomod andu-i cu rat ionamente matematice, dintre care unele vor necesare prelucr arii pe calculator a datelor. Cursul este alc atuit din cinci capitole. Capitolul I, intitulat C amp de probabilitate introduce not iunea de c amp de probabilitate, cadru n care se dene ste axiomatic not iunea de probabilitate. Sunt trecute n revist a formule si scheme clasice de probabilitate. Elementele de teorie sunt nsot ite de exemple, dintre care unele cu referire la situat ii tehnice privind controlul de calitate, transmiterea informat iei etc. Cuprinde paragrafele: 1.C amp nit de evenimente; 2.C amp nit de probabilitate; 3. Metode de num arare; 4.Moduri de selectare a elementelor; 5.Denit ia axiomatic a a probabilit a tii; 6.Formule probabilistice; 7.Scheme clasice de probabilitate; 8.C amp innit de probabilitate. Capitolul II, intitulat Variabile aleatoare discretecuprinde paragrafele 1.Denit ia si clasicarea variabilelor aleatoare; 2.Variabile aleatoare discrete simple; 3.Exemple de variabile aleatoare discrete simple; 4.Variabile aleatoare discrete simple bidimensionale; 5.Variabile aleatoare cu un num ar innit num arabil de valori. Este scos n evident a rolul distribut iei Poisson, a evenimentelor rare n numeroase aplicat ii tehnice. Capitolul III, intitulat Variabile aleatoare continue, cuprinde paragrafele: 1.Func tia de repartit ie a unei variabile aleatoare unidimnesionale; 2.Densitatea de probabilitate.Repartit ia normal a;3.Funct ia de repartit ie multidimensional a.Transform ari; 4.Valori caracteristice ale unei variabile aleatoare. 5.Funct ia caracteristic a a unei variabile aleatoare; 6.Variabile aleatoare continue clasice si leg aturile dintre ele; 7.Fiabilitate. Este scos n evident a rolul legii lui Gauss n studiul erorilor accidentale de m asurare. Capitolul IV, intitulat Probleme la limit a n teoria probabilit a tilor, cuprinde paragrafele: 1.Convergent a n probabilitate a sirurilor de variabile aleatoare; 2.Legea numerelor mari (forma slab a); 3.Aproxim ari pentru distribut ii discrete; 4.Convergent a n repartit ie. Teorema limit a central a; 5.Leg atura dintre convergent a funct iilor de repartit ie
si convergent a funct iilor caracteristice; 6.Convergent a aproape sigur a; 7.Convergent a n medie. Scopul acestui capitol este de a pune n evident a justic ari teoretice ale apropierii dintre anumite concepte din teoria probabilit a tlor si din statistica matematic a si de asemenea, leg aturile dintre diferitele tipuri de convergent a n teoria probabilit a tilor. Capitolul V, intitulat Procese stochastice, cuprinde paragrafele:1.Lant uri Markov; 2.Procese Markov contiue. Procese Poisson; 3.Procese stochastice stat ionare. Pentru nt elegerea materialului din acest capitol, s-au dat numeroase exemple de important a practic a din teoria a stept arii, teoria stocurilor si altele. Capitolele I, II, IV au fost redactate de lector dr. Pletea Ariadna, iar Capitolele III si V de lector dr. Popa Liliana, care au colaborat pentru a obt ine o form a c at mai unitar a si modern a a cursului. Adres am pe aceast a cale vii mult umiri comisiei de analiz a a cursului, format a din prof. dr. Pavel Talpalaru, prof. dr. Stan Chirit a si lector Gheorghe Florea pentru observat iile constructive f acute, c at si, anticipat, tuturor cititorilor, care vor contribui prin sugestii la mbun at a tirea prezentului material. Autoarele
Capitolul 1 C amp de probabilitate

1.1 C amp nit de evenimente
In teoria probabilit a tilor not iunile primare sunt: evenimentul si probabilitatea. Teoria probabilit a tilor studiaz a experient ele aleatoare, acele experient e care reproduse de mai multe ori se desf a soar a de ecare dat a n mod diferit, rezultatul neput and anticipat. Exemple de experient e aleatoare: aruncarea unui zar, tragerile la tint a, durata de funct ionare a unei ma sini etc. Rezultatele posibile ale unei experient e aleatoare se numesc probe sau cazuri posibile ale expeient ei. Experient ele se pot realiza printr-un num ar nit sau un num ar innit de probe. Mult imea rezultatelor (cazurilor) posibile ale unei experient e aleatoare formeaz a spat iu de select ie. Not am simbolic spat iul de select ie cu E . Denit ia 1.1.1 Se nume ste eveniment o submult ime a spat iului de select ie. Orice element a lui E , notat e, este un punct de select ie sau un rezultat posibil al experient ei. In cele ce urmeaz a vom presupune E nit. Exemplul 1.1.1 Consider am experient a care const a n aruncarea unui zar. Aceasta este o experient a aleatoare. Mult imea rezultatelor posibile ale experient ei sunt 1, 2, 3, 4, 5, 6. Deci spat iul de select ie este E = {1, 2, 3, 4, 5, 6}. Presupunem c a ne intereseaz a evenimentul ca la o aruncare a zarului s a obt inem o fat a cu un num ar par de puncte. Dac a arunc and zarul am obt inut fat a cu cinci puncte, aceasta este o prob a a experient ei noastre, dar evenimentul care ne interesa (o fat a cu un num ar par de puncte) nu s-a realizat. Dac a proba experient ei ar fat a cu sase puncte, atunci evenimentul nostru s-a realizat. Exemplul dat este al unei experiente cu un numar nit de probe. Se pot da exemple si de experient e cu o innitate de probe. Astfel, experient a tragerii la tint a. Exist a o innitate de probe care realizeaz a evenimentul atingerii tintei. 7
mp de probabilitate Ca
Not iunile de spat iu de select ie si de eveniment astfel introduse ne permit ca teoria mult imilor s a poat a folosit a n studiul evenimentelor aleatoare. Traducem n limbaj de evenimente not iuni si simboluri caracteristice teoriei mult imilor. 1. Drept submult ime a lui E se poate considera E . Cum indiferent de rezultatul e al experient ei, e E , rezult a c a odat a cu e se realizeaz a E . Evenimentul E se nume ste eveniment cert (sau eveniment sigur). De exemplu, la aruncarea zarului aparit ia unei fet e cu un num ar de puncte mai mic sau egal cu 6 este evenimentul sigur. Aparit ia unei fet e cu un num ar mai mic sau egal cu 4 de puncte este un eveniment nesigur, dar posibil. 2. Drept submult ime a lui E putem considera mult imea vid a care nu se realizeaz a la nici o efectuare a experient ei, motiv pentru care se nume ste eveniment imposibil. 3. Fie evenimentul A, submult ime a lui E . Evenimentul complementar lui A n raport cu E , notat A, se nume ste eveniment contrar evenimentului A. Acesta se realizeaz a dac a si numai dac a nu se realizeaz a evenimentul A. In exemplul 1.1.1 evenimentul contrar evenimentului aparit iei unui num ar par de puncte este evenimentul care const a n aparit ia unui num ar impar de puncte. Astfel, = {1, 3, 5}. A = {2, 4, 6} si A 4. Fie evenimentele A, B E . Evenimentul A implic a evenimentul B (scris A B ) dac a B se realizeaz a prin toate probele lui A ( si prin alte probe), adic a dac a (e A) (e B ). 5. Fie A, B E dou a evenimente. Evenimentul AB este evenimentul a c arui realizare are loc dac a se realizeaz a sau A sau B . 6. Fie A, B E . Prin evenimentul A B nt elegem evenimentul care se realizez a dac a se realizeaz a at at A c at si B . 7. Fie A, B E . Prin A \ B nt elegem evenimentul care se realizeaz a prin probe ale . lui A si B Denit ia 1.1.2 Fie A E, A = . Evenimentul A se nume ste eveniment elementar dac a este implicat numai de el nsu si si de evenimentul imposibil. Celelalte evenimente se numesc evenimente compuse. a se pot Denit ia 1.1.3 Fie A, B E . Evenimentele A, B se numesc compatibile dac realiza simultan, adic a exist a probe care realizeaz a at at pe A c at si pe B (A B = ). In caz contrar evenimentele se numesc incompatibile (A B = ). iile de reuniune si intersect ie se extind pentru un num ar nit Observat ia 1.1.1 Operat de evenimente. Fie A1 , A2 , . . . , An E . Avem
n
(. . . ((A1 A2 ) A3 ) . . . An ) =
i=1
Ai ,
mp de probabilitate Ca adic a evenimentul care se realizeaz a dac a cel put in un eveniment Ai se realizeaz a si
n
(. . . ((A1 A2 ) A3 ) . . . An ) =
i=1
Ai
este evenimentul care se realizeaz a dac a toate evenimentele Ai , i = 1, n se realizeaz a. Ment ion am c ateva din propriet a tile operat iilor introduse: 1. Dac a A B atunci A B = B si A B = A. 2. Oricare ar evenimentul A au loc relat iile A A = A, A = A, A E = E, E = E, A A = A, A = , A E = A, E = . 3. Dac a A C, B C, A, B, C E atunci A B C si A B C . 4. Dac a A, B, C E atunci A B = B A, A (B C ) = (A B ) C, A (B C ) = (A B ) (A C ), A B = B A, A (B C ) = (A B ) C, A (B C ) = (A B ) (A C ). Construct ia sistematic a a unui c amp nit de evenimente se poate face plec and de la dou a axiome, numite axiomele c ampului nit de evenimente. Not am cu P (E ) mult imea p art ilor lui E . Denit ia 1.1.4 Perechea { E, K }, K = , K P (E ), se nume ste c amp nit de evenimente dac a: K; a) A K A b) A, B K A B K . Consecint e ale denit iei: K ) (A A K ) (E K ). 1. E K deoarece (A K A K ) ( = E K ). 2. K deoarece (E K E =A B K. 3. Dac a A, B K A \ B K deoarece A \ B = A B 4. Urm atorele propriet a ti sunt echivalente: (A, B K A B K ) si (A, B K A B K ), B . deoarece A B = A
10
mp de probabilitate Ca 5. Din Denit ia 1.1.4 rezult a, folosind metoda induct iei matematice, c a
n
n 6. Din Consecint a 4 rezult a:
2, Aj K, 1
n
j =1
Aj K.
2, Aj K, 1
n
j =1
Aj K.
Intr-un c amp nit de evenimente au loc urm atoarele propriet a ti: a evenimente elementare distincte sunt incompatibile. P1. Dou Fie A1 si A2 dou a evenimente elementare. S a presupunem c a A1 A2 = , adic a A1 A2 = B = . Deci B A1 , B = si cum A1 si A2 sunt distincte, B = A1 , deci A1 nu este eveniment elementar, ceea ce este fals. P2. Intr-un c amp nit de evenimente exist a evenimente elementare. Fie A1 un eveniment. Dac a A1 este elementar, armat ia este demonstrat a. Dac a A1 este eveniment compus exist a A2 = , A2 = A1 astfel nc at A2 A1 . Dac a A2 este eveniment elementar, armat ia este demonstrat a. Dac a A2 este eveniment compus se continu a rat ionamentul anterior. C ampul ind nit, rezult a c a exist a un eveniment elementar An = astfel nc at An An1 . . . A1 . P3. Fie { E, K } un c amp nit de evenimente. Orice eveniment al acestui c amp se poate scrie ca reuniune nit a de evenimente elementare. Fie B un eveniment compus (dac a B este un eveniment elementar atunci armat ia este demonstrat a). Exist a, conform propriet a tii P2, un eveniment elementar A1 K si un eveniment B1 K astfel nc a B = A1 B1 , B1 = B \ A1 cu A1 B1 = . Dac a B1 este eveniment elementar, armat ia este demonstrat a. Dac a B1 nu este eveniment elementar, exist a evenimentul elementar A2 si un eveniment B2 K astfel nc at B1 = A2 B2 si deci B = A1 A2 B2 si rat ionamentul se continu a. Deci B = A1 A2 . . . Ak , unde Ai , i = 1, k sunt evenimente elementare. P4. Reuniunea tuturor evenimentelor elementare ale lui K este E . Intr-adev ar, e E = A1 A2 . . . As . Presupunem c a n c ampul nit de evenimente mai exist a un eveniment elementar An = Aj , j = 1, s. Atunci An E = An = An (A1 . . . As ) = (An A1 ) . . . (An As ) = conform P1.
11
Nu de put ine ori de un real folos ne va descompunerea unui eveniment ntr-o reuniune de evenimente incompatibile dou a c ate dou a. Denit ia 1.1.5 Fie { E, K } un c amp nit de evenimente si A1 , A2 , . . . , An K . Spunem c a familia de evenimente A1 , A2 . . . An formeaz a un sistem complet de evenimente dac a: a) Ai = , i = 1, n; b) Ai Aj = , i = j, i, j = 1, n;
n
c)
i=1
Ai = E .
Observat ia 1.1.2 Mult imea tuturor evenimentelor elementare ata sate unei experient e formeaz a un sistem complet de evenimente. Exemplul 1.1.2 S a se verice care din urm atoarele submult imi ale lui P (E ) (P (E ) mult imea p art ilor lui E ) sunt c ampuri nite de evenimente si, n caz armativ, s a se precizeze evenimentele elementare: a E = {1, 2, 3} si K = {, {1}, {2, 3}, {1, 2, 3}}, atunci { E, K } este c amp 1. Dac nit de evenimente deoarece satisface cele dou a axiome ale Denit iei 1.1.4. Evenimentele elementare sunt {1} si {2,3}. Observ am c a evenimentele elementare nu sunt submult imi ale lui E formate dintr-un singur element nu este corect a. In exemplul prezentat un eveniment elementar este format dintr-un singur element, iar cel alalt eveniment este format din dou a elemente. 2. Dac a E = {1, 2, 3} si K = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} = P (E ) atunci { E, K } este un c amp nit de evenimente. Evenimentele elementare sunt {1}, {2}, {3}. a E = {1, 2, 3} si K = {{1}, {2}, {1, 3}, {1, 2, 3}} nu este un c amp nit de 3. Dac evenimente deoarece, de exemplu {2} = {1, 3} / K sau {1} {2} = {1, 2} / K.
1.2
C amp nit de probabilitate
Fie o experient a si un eveniment A legat de aceasta. Repet am experient a de n ori n condit ii identice. Not am cu m num arul de realiz ari ale evenimentului A. Rezult a c a n m reprezint a num arul de nerealiz ari ale lui A. arul Denit ia 1.2.1 Num m n se nume ste frecvent a relativ a a evenimentului A. fn = a relativ a variaz a de la o experient a la alta, av and un caracter Observat ia 1.2.1 Frecvent experimental. Deoarece 0 m n rezult a 0 fn 1, n I N.
12
Observat ia 1.2.2 Frecvent a relativ a fn depinde de n, num arul de repet ari ale experimentului. Multe experient e prezint a o stabilitate a frecvent elor relative n sensul c a pe m asur a ce num arul n ia valori mari, frecvent a relativ a oscileaz a n jurul unei anumite valori si se apropie din ce n ce mai mult de aceast a valoare. Valoarea poate adesea intuit a. De exemplu, dac a ntr-o urn a sunt trei bile negre si una alb a, la un num ar mare de extract ii ale unei bile din urn a, cu repunerea bilei extrase napoi, sansele de extragere ale unei bile negre sunt de trei ori mai mari dec at cele ale unei bile albe si deci, pentru valori mari ale lui n, n cazul celor dou a evenimente frecvent ele relative se vor stabiliza n jurul valorilor 3/4 si respectiv 1/4. Aceast a stabilitate a frecvent elor relative, vericat a prin observat ii si conrmat a n practic a, este una din legile cele mai importante ale experient elor aleatoare. Legea a fost formulat a pentru prima dat a de Bernoulli n teorema care i poart a numele si este forma slab a a legii numerelor mari (Capitolul 4, Teorema 4.2.2). Denirea probabilit a tii peste un c amp nit de evenimente se poate face n mod clasic si axiomatic. Denit ia clasic a a probabilit a tii se poate folosi n cazul n care experient a aleatoare are un num ar nit de cazuri posibile si toate egal probabile, adic a la un num ar mare de efectu ari ale experient ei, ecare caz are aceea si sans a de a se realiza. Consider am, de exemplu, experient a care const a n aruncarea unui zar pe o suprafat a neted a. Dac a zarul este perfect cubic si omogen, atunci ecare din fet e are aceea si sans a de a apare, frecvent ele relative ale ec areia dintre ele variaz a n jurul lui 1/6. In cazul n care zarul nu ar omogen, atunci una sau mai multe fet e ar favorizate. a si evenimentele legate de aceasta astfel nc at toate eveniDenit ia 1.2.2 Fie o experient mentele s a e egal posibile. Fie evenimentul A legat de aceast a experient a. Numim probabilitatea evenimentului A num arul m P (A) = n dat de raportul dintre num arul m al cazurilor favorabile realiz arii evenimentului A si num arul n al cazurilor egal posibile. Ment ion am c a orice prob a care conduce la realizarea unui eveniment A reprezint a un caz favorabil evenimentului A. Observat ia 1.2.3 Denit ia clasic a a probabilit a tii, formulat a pentru prima dat a de Laplace, este nesatisf ac atoare din punct de vedere logic deoarece reduce denit ia probabilit a tii la problema cazurilor egal posibile care nu a putut denit a din punct de vedere matematic, ci numai ilustrat a. In cazul zarului neomogen, denit ia clasic a a probabilit a tii nu poate aplicat a. Riguros vorbind, zarul neomogen si nesimetric este singurul caz real deoarece construirea unui zar perfect este imposibil a. Un alt incovenient al denit iei apare n cazul n care num arul cazurilor posibile este innit deoarece n aceast a situat ie probabilitatea, calculat a dup a denit ia clasic a, este foarte mic a sau egal a cu zero.
13
In sf ar sit, denit ia clasic a a probabilit a tii nu poate admis a deoarece nu pote aplicat a n studiul fenomenelor sociale, neput andu-se determina num arul cazurilor posibile. Observat ia 1.2.4 Leg atura existent a ntre frecvent a relativ a unui eveniment si probabilitatea sa este profund a. De fapt atunci c and calcul am probabilitatea unui eveniment ne baz am pe frecvent ele relative. Exemplul 1.2.1 Se arunc a un zar de dou a ori. Mult imea rezultatelor posibile ale experient ei care const a n perechile de numere ce apar pe zar n cele dou a arunc ari este E = 2 {11, 12, . . . , 16, 21, 22, . . . , 26, 31, . . . , 66} , |E | = 6 = 36, unde |E | noteaz a num arul de elemente ale mult imii E . Toate rezultatele posibile sunt echiprobabile, deci probabilitatea unui eveniment A, P (A), este egal a cu num arul elementelor din mult imea A mp art it la num arul elementelor din E . Presupunem c a vom p astra fat a zarului ce cont ine un punct alb a, iar celelalte fet e le vom colora n negru. Not am cu AN evenimentul ca la prima aruncare a zarului s a obt inem fat a alb a, iar la cea de-a doua aruncare o fat a neagr aa zarului. Avem AN = {12, 13, 14, 15, 16}. Rezult a P (AN ) = Analog, f ac and notat iile n acela si fel, avem: P (AA) = 1 5 25 , P (N A) = , P (N N ) = . 36 36 36 5 . 36
Presupunem c a au fost sterse numerele de pe fet ele zarului si au r amas culorile. Mult imea rezultatelor posibile, n acest caz, este E = {AA, AN, N A, N N } cu probabilit a tile corespunz atoare. Observ am c a n acest ultim caz, evenimentele AA, AN, N A, N N sunt elementare si formeaz a un sistem complet de evenimente. Propriet a ti ale probabilit a tii: P1. A K : 0 P (A) 1; P2. P (E ) = 1; P3. P () = 0; P4. A, B K, A B = : P (A B ) = P (A) + P (B ); P5. A, B K, B A : P (A \ B ) = P (A) P (B ); P6. A K ) = 1; : P (A) + P (A P (A).
P7. A, B K, B A : P (B )
Primele trei propriet a ti sunt evidente. Demonstr am proprietatea P4. Dac a din cele n cazuri posibile, m sunt favorabile lui A si p favorabile lui B , atunci P (A) = p m , P (B ) = . n n
14
Dac a A B = , atunci num arul cazurilor favorabile lui A B este m + p, deci rezult a proprietatea P4. Aceast a proprietate poate extins a n sensul c a dac a A1 , A2 , . . . , An K , evenimente incompatibile dou a c ate dou a, adic a Ai Aj = , i = j , atunci
n n
P(
i=1
Ai ) =
i=1
P (Ai ).
Demonstrat ia rezult a utiliz and metoda induct iei matematice. Demonstr am proprietatea P5. Scriem A = (A \ B ) B si atunci (A \ B ) B = , deci, conform propriet a tii P4, P (A) = P ((A \ B ) B ) = P (A \ B ) + P (B ) P (A \ B ) = P (A) P (B ). Mai general, avem: A, B K : P (A \ B ) = P (A) P (A B ). (1.1)
Intr-adev ar, scriem A = (A \ B ) (A B ). Deoarece (A \ B ) (A B ) = avem, conform propriet a tii P4, P (A) = P (A \ B ) + P (A B ). Rezult a formula (1.1). , folosind P2. Proprietatea P6 se obt ine din P4 pun and B = A Pentru a demonstra proprietatea P7 folosim P5. Dac a B A atunci P (A \ B ) = P (A) P (B ) 0 si deoarece, conform P1, P (A \ B ) 0 rezult a proprietatea dorit a. Denit ia 1.2.3 Un sistem nit de evenimente { E, K } asociat unei experient e aleatoare cu un num ar nit de cazuri egal posibile mpreun a cu probabilit a tile acestor evenimente formeaz a un c amp nit de probabilitate notat { E, K, P }. Odat a introdus a not iunea de probabilitate, putem deni dou a not iuni importante n teoria probabilit a tilor si anume not iunea de probabilitate condit ionat a si de independent a n probabilitate a evenimentelor. Uneori trebuie s a calcul am probabilitatea unui eveniment A legat de un eveniment B, n ipoteza c a evenimentul B s-a realizat. Pentru aceasta restr angem mult imea evenimentelor care realizeaz a evenimentul A la cele care realizeaz a si evenimentul B , deci restr angem E la B . Pentru ca aceast a restrict ie s a aib a sens este necesar ca evenimentul B s a e de probabilitate nenul a. Fie { E, K, P } un c amp nit de probabilitate si A, B K, P (B ) = 0. Denit ia 1.2.4 Numim probabilitatea evenimentului A condit ionat a de evenimentul B (notat PB (A) sau P (A|B )) probabilitatea de realizare a evenimentului A n ipoteza c a evenimentul B s-a realizat, probabilitate denit a prin P (A|B ) = P (A B ) . P (B ) (1.2)
Observat ia 1.2.5 Fie m num arul cazurilor favorabile lui B , p num arul cazurilor favorabile lui A si q favorabile lui A B . Din cele m cazuri favorabile lui B , q sunt favorabile
15
si lui A sau, ceea ce este acelasi lucru, din cele p cazuri favorabile lui A, q sunt favorabile si lui B . Avem m p q P (B ) = , P (A) = , P (A B ) = . n n n In ipoteza c a B s-a realizat, r am an m cazuri posibile, din care q favorabile lui A. Deci q q n = P (A B ) . P (A|B ) = = m m P (B ) n Aceasta ar putea constitui o justicare a relat iei (1.2). Observat ia 1.2.6 Dac a presupunem c a P (A) = 0, atunci P (B |A) = P (A B ) . P (A) (1.3)
Observat ia 1.2.7 Din relat iile (1.2) si (1.3) ret inem P (A B ) = P (B )P (A|B ) si P (A B ) = P (A)P (B |A). Fie { E, K, P } un c amp nit de probabilitate si A, B K . si B sunt independente ( n probabilitate) dac a probaDenit ia 1.2.5 Evenimentele A bilitatea ca unul s a se realizeze nu depinde de faptul c a cel alalt s-a realizat sau nu, altfel spus P (A B ) = P (A)P (B ). (1.4) Teorema 1.2.1 Evenimentele A si B cu P (A)P (B ) = 0 sunt independente dac a si numai dac a are loc una din relat iile: a) P (B |A) = P (B ); b) P (A|B ) = P (A); ) = P (B ); c) P (B |A ) = P (A). d) P (A|B Demonstrat ie. Ar at am c a cele patru relat ii sunt echivalente cu relat ia (1.4) din denit ie. In acest fel se justica si sensul Denit iei 1.2.5. Presupunem c a are loc a). Atunci, deoarece P (B |A) = rezult a P (A B ) = P (A)P (B ), adic a (1.4). P (A B ) P (A)
16 Reciproc, dac a P (A B ) = P (A)P (B ) si deoarece P (B |A) =
P (A B ) P (A)P (B ) = = P (B ) P (A) P (A)
rezult a a). Cum relat ia (1.4) este simetric a n A si B , rezult a c a (1.4) este echivalent a cu b). Demonstr am c a B ) = P (A )P (B ) P (A (1.5) B ) = P (A )P (B ) atunci deoarece este echivalent a cu (1.4). Intr-adev ar, dac a P (A A B = B \ A avem P (B \ A) = P (A)P (B ) sau P (B ) P (A B ) = (1 P (A))P (B ) echivalent cu P (B ) P (A B ) = P (B ) P (A)P (B ), . Vom avea P (A B) = deci (1.4). Invers, presupunem (1.4) si lu am n locul lui A pe A )P (B ), adic P (A a (1.5). Deci c) este echivalent cu (1.5) care este echivalent cu (1.4), rezult a c a c) este echivalent cu (1.4). Echivalent a lui d) cu (1.4) rezult a n mod analog. Denit ia 1.2.6 Date evenimentele A1 , A2 , . . . , An , vom spune c a sunt independente dac a probabilitatea oric arei intersect ii nite de evenimente este egal a cu produsul probabilit a tilor evenimentelor intersectate, adic a dac a P (Ai1 Ai2 . . . Aik ) = P (Ai1 )P (Ai2 ) . . . P (Aik ) oricare ar 1 i1 i2 ... ik n.
Observat ia 1.2.8 Din denit ie rezult a c a dac a trei evenimente sunt independete dou a c ate dou a nu rezult a c a sunt independente n totalitatea lor. Exemplul lui S.N.Bernstein ne va ilustra acest lucru. Consider am un tetraedru omogen cu fet ele colorate astfel: una n alb, una n negru, una n ro su si a patra n toate cele trei culori. Arunc and tetraedrul pe o mas a el se aseaz a pe una din fet e; ne intereseaz a probabilitatea aparit ei ec arei culori si independent a evenimentelor corespunz atoare. Not am cu A1 evenimentul care const a n aparit ia culorii albe, A2 evenimentul care const a n aparit ia culorii negre si A3 evenimentul care const a n aparit ia culorii ro sii. Avem: P (A1 ) = P (A2 ) = P (A3 ) = 1 2
deoarece pentru ecare culoare sunt patru cazuri posibile si dou a favorabile (fat a cu culorea respectiv a si fat a cu cele trei culori). Se constat a c a 1 P (A1 A2 ) = P (A1 A3 ) = P (A2 A3 ) = , 4 dar P (A1 A2 A3 ) = 1 1 = P (A1 )P (A2 )P (A3 ) = . 4 8
17
1.3
Metode de num arare
Calculul probabilit a tilor conduce adesea la num ararea diferitelor cazuri posibile. Capitolul din algebr a referitor la permut ari, aranjamente si combin ari este foarte util n aceast a situat ie. rii. Presupunem c Principiul multiplica a avem dou a situat ii A si B , situat ia A se poate realiza n m moduri, iar situat ia B n k moduri. Num arul de moduri n are se poate realiza A si B este m k . Mai general, presupunem c a avem r 2 situat ii. In prima situat ie putem face m1 alegeri, n a doua m2 ,. . ., n a r-a situat ie mr alegeri, deci n total m1 m2 . . . mr . Exemplul 1.3.1 Care este num arul situat iilor care apar arunc and dou a zaruri? Pentru primul zar sunt 6 situat ii, pentru al doilea 6 situat ii, n total 6 6 situat ii. In continuare vom face distinct ie ntre o mult ime cu o ordine determinat a de dispunere a elementelor sale, numit a mult ime ordonat a si o mult ime n care nu ne intereseaz a ordinea elementelor. ri: Fie o mult Permuta ime A cu n elemente. Elementele acestei mult imi se pot ordona n mai multe moduri. Fiecare mult ime ordonat a care se formeaz a cu cele n elemente ale mult imii A se nume ste permutare a elementelor acelei mult imi. Num arul permut arilor cu n elemente este n! = 1 2 . . . n. Aranjamente: Fie o mult ime A cu n elemente. Submult imile ordonate ale lui A, av and ecare c ate k elemente, 0 k n, se numesc aranjamente de n luate c ate k . Num arul aranjamentelor de n luate c ate k se noteaz a Ak n = n(n 1) . . . (n k + 1). Exemplul 1.3.2 In c ate moduri este posibil s a facem un steag tricolor dac a avem la dispozit e p anz a de steag de cinci culori diferite ? Dou a steaguri tricolore care au acelea si culori se deosebesc dac a ordinea culorilor este diferit a. Deci ne intereseaz a c ate submult mi de c ate trei elemente se pot forma cu elementele unei mult imi de cinci elemente, n submult mi interes andu-ne ordinea elementelor. 3 Deci sunt A5 = 5 4 3 = 60. ri: Fie o mult Combina ime A cu n elemente. Submult imile lui A av and ecare c ate k elemente, 0 k n, n care nu ne intereseaz a ordinea elementelor, se numesc combin ari de n luate c ate k . Num arul combin arilor de n luate c ate k se noteaz a Ak n . k! si trei b aiet i trebuie s a formeze dou a echipe Exemplul 1.3.3 Pentru un joc, cinci fete de c ate patru persoane. In c ate moduri se pot forma echipele ? In total sunt 8 copii cu ajutorul c arora trebuie f acute dou a grupe a c ate patru copii. Studiem n c ate moduri se poate forma o grup a de 4, cealalt a form andu-se din copiii r ama si. Nu intereseaz a num arul de fete sau de b aiet i din grup a si nici ordinea lor, ci numai num arul de grupe care se pot forma. Acest num ar este
k Cn = 4 3 1 2 2 1 3 4 = 70. = C8 C3 + C5 C3 + C5 C3 + C5 C5
18
1.4
Moduri de selectare a elementelor
Presupunem c a o urn a cont ine m bile, marcate de la 1 la m, din care se extrag n bile n anumite condit ii. Vom num ara, n ecare situat ie, num arul cazurilor posibile. Evident n m. 1. Selectare cu ntoarcerea bilei extrase n urn a si ordonare. Extragem n bile pe r and, ecare bil a ind pus a napoi n urn a nainte de urm atorea extragere, nsemn and num arul bilelor n ordinea n care apar (intereseaz a ordinea bilelor n n-uplul extras). Conform principiului multiplic arii, n care m1 = m2 = . . . = mn = m, num arul n-uplurilor este mn . 2. Selectare f ar a ntoarcerea bilei n urn a si cu ordonare. Proced am ca si n cazul nt ai, dar dup a ecare extragere bila obt inut a este pus a la o parte, aceast a operat ie ind echivalent a cu extragerea simultan a din urn a a n bile. Obt inem n-upluri (a1 , a2 , . . . , an ). Regula de multiplicare se aplic a astfel: pentru a1 avem m posibilit a ti, pentru a2 avem m 1 posibilit a ti,. . .,pentru an avem m n + 1 posibilit a ti, n total m (m 1) . . . (m n + 1) = An m. Caz particular: dac a m = n, atunci num arul cazurilor posibile este n!. 3. Selectare cu ntoarcerea bilei n urn a si f ar a ordonare. Extragem n bile, una dup a alta, ecare ind repus a n urn a nainte de a realiza urm atoarea extragere. Nu tinem seama de ordinea bilelor n mult imea format a. Pot n exista si repetit ii. Num arul cazurilor posibile este Cn+m1 , deoarece ar ca si cum am extrage simultan dintr-o urn a care cont ine n + m 1 bile (numerotate de la 1 la m, unele din ele put andu-se repeta) n bile, f ar a s a ne intereseze ordinea. Dup a ultima extragere secvent ial a n urn a vor r am ane m 1 bile. ar a ntorcerea bilei si f ar a ordonare. 4. Selectare f Bilele sunt extrase una dup a alta, f ar a a pune bila extras a napoi; este acela si lucru cu a spune c a extragem n bile dintr-o dat a si form am submult imi de n elemente, n n . total Cm Caz particular: determinarea num arului de permut ari a m elemente care se disting prin grupuri de culori, adic a avem m1 elemente de culoarea c1 , m2 elemente de culoarea c2 ,. . . , mr elemente de culoarea cr . Culorile sunt distincte, dar bilele de aceea si culoare nu se disting ntre ele. m1 + m2 + . . . + mr = m.
m1 Num arul cazurilor posibile : Cm moduri de alegere a pozit iilor bilelor de culoare c1 , m2 mr Cmm1 moduri de alegere a pozit iilor bilelor de culoare c2 ,. . . , Cm m1 ...mr1 moduri
19
de alegere a pozit iilor bilelor de culoarea cm (de fapt m m1 m2 . . . mr1 = mr si avem, de fapt, o singur a posibilitate), n total, tin and seama de regula multiplic arii,
mr m1 m2 Cm Cmm1 . . . Cm m1 ...mr1 =
= =
(m m1 )! (m m1 . . . mr )! m! ... = m1 ! (m m1 )! m2 ! (m m1 m2 )! (m m1 . . . mr )! mr1 ! m! . m1 ! m2 ! . . . mr !
1.5
Denit ia axiomatic a a probabilit a tii
Not iunile de probabilitate si de c amp nit de probabilitate se pot prezenta si sub form a axiomatic a. Denit ia 1.5.1 Se nume ste probabilitate (m asur a de probabilitate) o funct ie denit a pe un c amp nit de evenimente { E, K } cu valori reale care satisface urm atoarele axiome: a) P (A) 0, A K ;
b) P (E ) = 1; c) P (A B ) = P (A) + P (B ) A, B K, A B = .
ie se extinde prin recurent a la orice num ar nit Observat ia 1.5.1 Axioma c) din denit de evenimente incompatibile dou a c ate dou a, deci dac a Ai Aj = , i = j, i, j = 1, n, atunci n n P(
i=1
Ai ) =
i=1
P (Ai ).
Denit ia clasic a a probabilit a tii satisface toate axiomele denit iei date si, de asemenea, oricare din propriet a tile prezentate anterior pentru probabilitate poate obt inut a din denit ia axiomatic a. Intr-adev ar, P1. P () = 0. Deoarece E = E si E = rezult a c a P (E ) = P (E ) + P (), adic a P () = 0. P2. P (A \ B ) = P (A) P (A B ). Deoarece (A \ B ) (A B ) = A si (A \ B ) (A B ) = rezult a P (A \ B )+ P (A B ) = P (A). P3. Pentru orice A, B K, A B are loc relat ia P (A) P (B ). Intr-adev ar, tin and seama de P2 si de faptul c a A B avem 0 Deci P (B ) P (A) P (B \ A) = P (B ) P (B A) = P (B ) P (A). 0 sau P (B ) P (A).
20 P4. Pentru orice A K are loc inegalitatea 0 P (A) 1. Intr-adev ar, A E si, folosind P3, avem P () P (A)
P (E ) sau 0
P (A)
1.
Denit ia 1.5.2 Se nume ste c amp nit de probabilitate un c amp nit de evenimente {E, K } pe care am denit o probabilitate P . Se noteaz a {E, K, P }. Observat ia 1.5.2 Denit iile probabilit a tilor condit ionate si a independent ei evenimentelor r am an acelea si si atunci c and construirea teoriei pobabilit a tilor se realizeaz a folosind metoda axiomatic a. Observat ia 1.5.3 Dac a E este reuniune nit a de evenimente elementare, e E = {A1 , A2 , . . . , An }, atunci orice eveniment A K, A = pote scris ca o reuniune nit a de evenimente elementare, conform P3 din Capitolul 1.1, adic a A = Ai1 Ai2 . . . Aik , unde Aij este un eveniment elementar, j = 1, k . Atunci conform Observat iei 1.5.1 obt inem P (A) = P (Ai1 ) + . . . + P (Aik ). Deci pentru a cunoa ste probabilitatea unui eveniment oarecare din K este sucient s a cunoa stem probabilitatea tuturor evenimentelor elementare care-l compun. Probabilitatea unui astfel de eveniment A este suma probabilit a tilor evenimentelor elementare ce-l compun. Evident, probabilit a tile evenimentelor elementare satisfac condit iile P (Ai ) 0, i = 1, n, (1.6) (1.7)
P (A1 ) + P (A2 ) + . . . + P (An ) = P (E ) = 1.
Deci, ind date toate evenimentele elementare care compun E , familia K este perfect determinat a si deci c ampul de probabilitate mai depinde de alegerea a n numere (probabilit a tile evenimentelor elementare) care satisfac condit iile (1.6) si (1.7). In cazul particular c and evenimentele elementare sunt echiprobabile P (A1 ) = P (A2 ) = . . . = P (An ) = 1 , n
k ia si dac a A = Ai1 Ai2 . . . Ain , obt inem P (A) = , deci ajungem astfel la denit n clasic a a probabilit a tii. Observat ia 1.5.4 In denit ia axiomatic a a probabilit a tii condit ia pus a cazurilor posibile de a egal probabile este superu a. Un exemplu celebru, dat de DAlembert, ilustreaz a aceasta. Se arunc a dou a monede simultan. Exist a trei cazuri posibile care nu sunt echiprobabile: A evenimentul ca pe ambele monede s a apar a banul, B evenimentul ca pe ambele monede s a nu apar a banul, C evenimentul ca pe una din monede s a apar a banul, iar pe cealalt a nu. Probabilit a tile evenimentelor A, B, C nu sunt 1/3. 1 1 1 P (A) = , P (B ) = , P (C ) = , 4 4 2
21
deoarece evenimentul C este compus din dou a situat ii: pe una din monede s a apar a banul iar pe cealat a nu, si invers. Cele dou a cazuri care compun evenimentul C ar evidente dac a monedele nu s-ar arunca simultan, ci una dup a alta. Cele dou a monede pot nedistinse din punct de vedere zic si deci cele trei cazuri prezentate de DAlembert sunt de fapt cele trei cazuri care se pot distinge.
1.6
Formule probabilistice
Probabilitatea unei reuniuni de evenimente. Dac a {E, K, P } un c amp nit de probabilitate atunci oricare ar A, B K are loc relat ia P (A B ) = P (A) + P (B ) P (A B ). (1.8)
Facem observat ia c a vom demonstra formulele folosind denit ia axiomatic a a probabilit a tii. Deoarece A B = A (B \ A) si A (B \ A) = , avem P (A B ) = P (A (B \ A)) = P (A) + P (B \ A) dar, conform propriet a tii P2 din Capitolul 1.5, P (B \ A) = P (B ) P (B A) si deci rezult a (1.8). Relat ia se poate extinde si n cazul a n evenimente
n n n n
P(
i=1
Ai ) =
i=1
P (Ai )
i,j =1,i<j
P (Ai Aj ) + . . . + (1)
n1
P(
i=1
Ai ).
(1.9)
Demonstrat ia se face prin induct ie matematic a dup a n. Pentru n = 2 relat ia este demonstrat a. Presupunem formula adev arat a pentru n si o demonstr am pentru n + 1.
n+1 n n n
P(
i=1 n
Ai ) = P ((
i=1 n
Ai ) An+1 ) = P (
i=1
Ai ) + P (An+1 ) P ((
i=1 n n
Ai ) An+1 ) =
=
i=1
P (Ai )
i,j =1,i<j n+1
P (Ai Aj ) + . . . +(1)n1 P (
i=1
Ai )
i=1 n+1 n+1
P (Ai
An+1 )+
+
i,j =1, i<j n+1
P (Ai Aj An+1 ) + . . . +(1)n P (

i=1
Ai ) =
i=1
P (Ai )
n+1
P (Ai Aj ) + . . . +
i,j =1,i<j
1 i<j<k n+1
P (Ai Aj Ak ) + . . . + (1)n+1 P (
i=1
Ai ).
22
Probabilitatea unei intersect ii. Fie {E, K, P } un c amp nit de evenimente. Oricare ar A, B K are loc relat ia P (A|B ) = P (A B ) . P (B )
Relat ia de mai sus rezult a din (1.2). Ea poate folosit a pentru a calcula probabilitatea unei intersect ii: P (A B ) = P (B )P (A|B ). C and folosim aceast a formul a la rezolvarea unei probleme trebuie s a consider am evenimentele A si B ntr-o ordine convenabil aleas a, dat ind c a se poate utiliza, datorit a echivalent ei demonstrate, relat ia P (A B ) = P (A)P (B |A).
k
Formula se poate extinde si n cazul a n evenimente A1 , A2 , . . ., An , cu P (

i=1
Ai ) = 0,
k = 2, n 1, sub forma
n
P(
i=1
Ai ) = P (A1 )P (A2 |A1 )P (A3 |(A1 A2 )) . . . P (An |(A1 A2 . . . An1 )).
(1.10)
Intr-adev ar, folosind denit ia probabilit a tii condit ionate, obt inem P (A1 ) = P (A1 ), P (A2 |A1 ) = P (A3 |(A1 A2 )) = ... P (An |(A1 A2 . . . An1 )) = P (A1 A2 . . . An ) . P (A1 A2 . . . An1 ) P (A2 A1 ) , P (A1 ) P (A1 A2 A3 ) , P (A1 A2 )
Inmult ind relat iile membru cu membru si f ac and simplic arile corespunz atoare, obt inem (1.10). Observat ia 1.6.1 Dac a evenimentele A si B nu sunt independente, atunci din P (A B ) = P (A) + P (B ) P (A B ), 0 rezult a P (A B ) P (A) + P (B ) 1 P (A B ) 1,
23
sau, not and p1 = P (A), p2 = P (B ), p12 = P (A B ) atunci p12 p1 + p2 1. Aceast a inegalitate poart a numele de inegalitatea lui Boole si d a o margine inferioar a pentru probabilitatea intersect iei a dou a evenimente. Se poate demonstra, mai general, p12...n p1 + p2 + . . . + pn (n 1),
n
unde pi = P (Ai ), i = 1, n, p12...n = P (

i=1
Ai ).
Formula probabilit a tii totale. Fie {E, K, P } un c amp nit de evenimente, {A1 , A2 , . . . , An }, Ai K, i = 1, n, un sistem complet de evenimente si B un eveniment oarecare, B K . Atunci
n
P (B ) =
i=1 n
P (Ai )P (B |Ai ).
(1.11)
Intr-adev ar, deoarece E =

i=1
Ai putem scrie
n n
B =BE =B(
i=1
Ai ) =
(B Ai )
i=1
si cum pentru i = j, Ai Aj = atunci avem

n n
P (B ) =
i=1
P (B Ai ) =
i=1
P (Ai )P (B |Ai ).
Formula lui Bayes. Fie {E, K, P } un c amp nit de evenimente si {A1 , A2 , . . . , An }, Ai K, i = 1, n un sistem complet de evenimente si B un eveniment oarecare. Atunci P (Ai |B ) = P (B |Ai )P (Ai )
n
(1.12)
P (Aj )P (B |Aj )
j =1
In condit iile date prin ipotez a are loc formula probabilit a tii totale si tin and seama de (1.2) obt inem P (B Ai ) P (B |Ai )P (Ai ) P (Ai |B ) = = n P (B ) P (Aj )P (B |Aj )
j =1
a ntr-o cutie sunt 550 de piese, din Exemplul 1.6.1 Controlul de calitate.Presupunem c care 2% sunt defecte. Care este probabilitatea ca aleg and 25 de piese, acestea s a cont in a dou a piese defecte. Acesta este principiul test arii produselor prin select ii aleatoare. Problema poate rezolvat a ntr-un caz general. Presupunem c a avem k piese defecte din m piese, k m. Care este probabilitatea ca aleg and n piese, dintre acestea j s a e defecte?
24
Putem alege cele n piese dintre cele m(m n), f ar a s a ne intereseze ordinea pieselor, n n Cm moduri. C ate din acestea vor cont ine j piese defecte? Putem alege cele j piese j nj defecte, din cele k , n Ck moduri, iar celelalte n j care nu sunt defecte n Cm k moduri. Probabilitatea c autat a va nj j Cm k Ck . (1.13) n Cm In cazul nostru, m = 550, k = 11, n = 25, j = 2, astfel nc at probabilitatea c autat a va
2 23 C11 C550 = 0, 12. 25 C550
Dac a nsum am probabilit a tile (1.13) dup a j, 0 j n, rezultatul va 1, deoarece au fost luate n considerare toate posibilit a tile. Am demonstrat formula
k j nj n Ck Cmk = Cm j =0
cu argumente probabilistice. Exemplul 1.6.2 Dac a se amestesc a un pachet de c art i, care este probabilitatea ca cei patru a si s a apar a unul dup a altul ? Sunt 52 de c art i dintre care patru a si. Un rezultat posibil al experient ei este o n siruire de 52 de c art i, adic a o permutare a celor 52 de c art i. Sunt 52! cazuri posibile. In c ate din aceste cazuri cei patru a si se g asesc unul dup a altul? Cei patru a si pot apare consecutiv n 49 4! moduri. Restul de 48 de c art i se pot aranja n 48! moduri. Folosind principiul multiplic arii, num arul cazurilor favorabile va 4! 49 48!. Probabilitatea c autat a va 49! 4 = 0, 00003. 52! Exemplul 1.6.3 Urna U1 cont ine dou a bile ro sii si patru albe, urna U2 cont ine o bil a ro sie si dou a albe iar urna U3 cont ine cinci bile ro sii si patru bile albe. Fie Ai evenimentul de a extrage o bil a dintr-o urn a oarecare Ui , i = 1, 3. Presupunem c a probabilitatea de a extrage o bil a din urna Ui este P (A1 ) = 1/3, din U2 este P (A2 ) = 1/6 si din U3 , P (A3 ) = 1/2. Se cere probabilitatea de a extrage o bil a ro sie. Fie R evenimentul de a extrage o bil a ro sie. Observ am c a P (R) depinde n primul r nd de urna din care s-a f acut extragerea si apoi de structura urnei din care am f acut extragerea, adic a R este reuniunea evenimentelor disjuncte A1 R, A2 R, A3 R. Facem observat ia c a A1 , A2 , A3 formeaz a un sistem complet de evenimente. Astfel
3 3 3
P (R) = P (
(Ai R)) =
i=1
P (Ai R) =
i=1
P (Ai )P (R|Ai ) =
i=1
4 9
Presupunem acum c a rezultatul experient ei este o bil a ro sie, dar nu stim din ce urn a provine. Dorim s a calcul am probabilitatea ca bila ro sie s a provin a din urna U1 , adic a P (A1 |R). Conform formulei lui Bayes P (A1 |R) = 1 P (A1 )P (R|A1 ) = . P (R) 4
mp de probabilitate Ca La fel
25
1 5 P (A3 |R) = . 8 8 Observ am c a probabilit a tile condit ionate P (A1 |R), P (A2 |R), P (A3 |R) s-au modicat fat a de probabilit a tile init iale P (A1 ), P (A2 ), P (A3 ) ntr-un mod care conrm a intuit ia, adic a dac a s-a extras o bil a ro sie, probabilitatea ca s a apart in a urnei U3 este mai mare deoarece U3 are un procent mai ridicat de bile ro sii si, de asemenea, probabilitatea de a selecta o bil a ro sie din U3 este mai mare dec at din U2 sau U1 . Adesea P (A1 ), P (A2 ), P (A3 ) se numesc probabilit a ti apriori, iar P (A1 |R), P (A2 |R), P (A3 |R) se numesc probabilit a ti aposteriori. P (A2 |R) = Exemplul 1.6.4 Un canal transmite semnale sub form a de siruri formate din cifrele 0 si 1. In canal pot apare perturb ari care produc erori, astfel nc at n loc de 1 apare 0 sau invers. S a presupunem c a prin B1 si B2 nt elegem evenimentele care constau n transmiterea cifrelor 1, respectiv 0, iar recept ionarea cifrelor 1 si 0 le consider am ca ind evenimentele aleatoare A1 si respectiv A2 . Probabilit a tile apriori pentru transmiterea lui 1 sau 0 sunt P (B1 ) = p P (B2 ) = 1 p = q iar probabilitatea de a recept iona 0, dac a s-a transmis 1, este egal a cu q10 , pe c and probabilitatea de a recept iona 1, dac a s-a transmis 0, este q01 . S a calcul am probabilit a tile aposteriori P (Bj |Ak ), j, k = 1, 2. Conform formulei lui Bayes avem P (Bj |Ak ) = P (Ak |Bj )P (Bj ) , j, k = 1, 2. P (B1 )P (Ak |B1 ) + P (B2 )P (Ak |B2 )
Deoarece avem P (A2 |B1 ) = q10 , P (A1 |B2 ) = q01 si not and p10 = 1 q10 , p01 = 1 q01 se deduce P (B1 |A1 ) = P (B2 |A1 ) = S a observ am c a P (A1 ) = P (B1 )P (A1 |B1 ) + P (B2 )P (A1 |B2 ) = pp10 + (1 p)(1 p01 ), iar P (A2 ) = P (B1 )P (A2 |B1 ) + P (B2 )P (A2 |B2 ) = p(1 p10 ) + (1 p)p01 = 1 P (A1 ). In particular, n ipoteza c a este vorba de un canal simetric (q01 = q10 si deci p01 = p10 ), 1 iar p = q = 2 se deduce 1 1 P (A1 ) = pp10 + (1 p)(1 p10 ) = , P (A2 ) = p(1 p10 ) + (1 p)p10 = 2 2 P (B1 |A2 ) = P (B2 |A1 ) = 1 p10 , P (B1 |A1 ) = P (B2 |A2 ) = p10 . ceea ce era previzibil. pp10 p(1 p10 ) , P (B1 |A2 ) = , pp10 + (1 p)(1 p01 ) p(1 p10 ) + (1 p)p01 (1 p)(1 p10 ) (1 p)p01 , P (B2 |A2 ) = . pp10 + (1 p)(1 p01 ) p(1 p10 ) + (1 p)p01
26
Exemplul 1.6.5 Demonstr am c a dac a Ai , i I, I o mult ime nit a de indici, {Ai }iI formeaz a un sistem complet de evenimente, atunci P ((
iI
Ai )|A) =
iI
P (Ai |A).
(1.14)
Pornind de la membrul nt ai P (( P ((
iI
Ai ) A)
iI
P( =
iI
(Ai A)) P (A)
Ai )|A) =
P (A)
si tin and seama de (Ai A) (Aj A) = , i, j I, i = j, obt inem P (Ai A) P ((

iI
P (Ai |A)P (A) =

iI
Ai )|A)) =
iI
P (A)
P (A)
=
iI
P (Ai |A).
ime nit a de indici, {Ai }iI un sistem complet de eveniExemplul 1.6.6 Fie I o mult mente si A, B dou a evenimente oarecare. Atunci P(
iI
(A Ai )|B ) =
iI
P (A|(Ai B ))P (Ai |B )
(1.15)
Folosim formula (1.14) obt inem P (A Ai B ) P(

iI
(A Ai )|B ) =
iI
P ((A Ai )|B ) =
iI
P (B )
P (A|(Ai B ))P (Ai B ) =

iI
P (A|(Ai B ))P (Ai |B )P (B ) =

iI
P (B ) =
iI
P (B )
P (A|(Ai B ))P (Ai |B ).
1.7
Scheme clasice de probabilitate
Schema lui Poisson. Se dau n urne U1 , U2 , . . . , Un care cont in bile albe si bile negre n proport ii date, deci cunoa stem probabilit a tile pi , i = 1, n, cu care este extras a o bil a alb a din urna Ui . Se cere probabilitatea de a extrage k bile albe si n k bile negre, atunci c and din ecare urn a se extrage c ate o bil a.
27
Not am cu Ai evenimentul extragerii unei bile albe din urna Ui . Not am si Bk evenimentul care const a n extragerea a k bile albe si n k bile negre, adic a k+1 A n ) (A1 . . . A k Ak+1 A k+2 . . . A n ) Bk = (A1 . . . Ak A 1 . . . A nk Ank+1 . . . An ), (A
k num arul parantezelor ind Cn . Un eveniment
i . . . A in Ai1 . . . Aik A k+1 se realizeaz a, tin and seama c a evenimentele sunt independente, cu probabilitatea pi1 . . . pik qik+1 . . . qin indicii i1 , i2 . . . , in reprezent and o permutare a indicilor 1, 2, . . . , n , iar litera p apare de k ori cu indici diferit i, iar q de n k ori cu indici care nu apar n p . Se observ a c a dup a k aceia si regul a se calculeaz a coecientul lui x din polinomul P (x) = (p1 x + q1 )(p2 x + q2 ) . . . (pn x + qn ). Schema lui Poisson permite rezolvarea problemelor n care se cere probabilitatea realiz arii de k ori a unor evenimente A1 , A2 , . . . , An atunci c and se repet a de n ori aceste experient e, presupuse independente, c and cunoa stem P (Ai ) = pi , i = 1, n. Intr-un atelier sunt trei ma sini. Prima d a 0,9 % rebut, a doua 1 % si a Exemplul 1.7.1 treia 1,3 %. Se ia la nt amplare c ate o pies a de la ecare ma sin a. Se cere probabilitatea ca dou a din piese s a e bune si una rebut. p1 = 0, 991, q1 = 0, 001, p2 = 0, 99, . q2 = 0, 01, p3 = 0, 987, q3 = 0, 013, P (x) = (0, 991x + 0, 009)(0, 99x + 0, 01)(0, 987x + 0, 013). Coecientul lui x2 este 0, 991 0, 99 0, 013 + 0, 99 0, 987 0, 987 0, 009 + 0, 991 0, 987 0, 01 = 0, 0313. Schema lui Bernoulli. Presupunem c a n schema lui Poisson urnele U1 , U2 , . . . , Un sunt identice. Atunci putem lua p1 = p2 = . . . = pn = p, q 1 = q2 = . . . = qn = q
Probabilitatea extragerii a k bile albe se va obt ine calcul and coecientul lui xk din polinomul P (x) = (px + q )n , adic a va
k k nk Cn p q .
Recunoa stem n aceast a expresie termenul general al ridic arii la puterea n a binomului px+ q . Pentru acest motiv schema se mai nume ste binomial a. Deoarece urnele sunt identice,
28
putem considera c a toate extragerile se fac dintr-o singur a urn a, bila extras a pun andu-se n urn a dup a ecare extragere. Obt inem astfel schema lui Bernoulli. Probabilitatea de a extrage k bile albe din n extrageri dintr-o urn a, pun andu-se de ecare dat a bila napoi, este k k nk Pn,k = Cn p q , unde p este probabilitatea ot inerii unei bile albe dintr-o singur a extragere si q = 1 p. Schema lui Bernoulli se mai nume ste shema bilei revenite ( ntoarse). Exemplul 1.7.2 Se arunc a un zar de 5 ori. Se cere probabilitatea ca fat a cu un punct s a apar a exact de dou a ori. Avem: 1 5 p = , q = , n = 5 , k = 2, 6 6 2 1 2 5 3 P5,2 = C5 ( ) ( ) = 0, 16. 6 6 Schema lui Bernoulli cu mai multe st ari. Fie o urn a care cont ine bile de m culori c1 , c2 , . . . , cm iar pi probabilitatea ca la o extragere s a obt inem o bil a de culoarea ci . Probabilitatea ca n n extrageri s a obt inem n1 bile de culoarea c1 , n2 bile de culoarea c2 , . . . , nm bile de culoarea cm (n1 + n2 + . . . + nm = n) este n! nm 1 n2 pn 1 p2 . . . pm . n1 ! n2 ! . . . nm ! Aceast a schem a rezolv a problemele n care se cere probabilitatea ca n n efectu ari ale experient ei evenimentul Ai s a se realizeze de ni ori, A1 , A2 , . . . , Am ind un sistem complet de evenimente si P (Ai ) = pi , i = 1, m. Presupunem c a n cele n efectu ari ale experient ei s-au obt inut succesiv A1 . . . A1 A2 . . . A2 . . . Am . . . Am .
n1 n2 nm
Acest eveniment se produce cu probabilitatea p1 . . . p1 p2 . . . p2 . . . pm . . . pm .

n1 n2 nm
Acela si rezultat l obt inem pentru orice alt a ordine stabilit a dinainte n care Ai apare de ni ori. R am ane s a vedem n c ate moduri putem scrie cele n simboluri, dintre care n1 egale cu A1 , n2 cu A2 , . . . , nm cu Am .
n3 nm n1 n2 Cnn1 Cn Cn n1 n2 . . . Cnn1 n2 ...nm1 =
n! (n n1 . . . nm1 )! (n n1 )! ... = n1 ! (n n1 )! n2 ! (n n1 n2 )! nm ! (n n1 . . . nnm )! = n! . n1 ! . . . nm !
29
Exemplul 1.7.3 Se arunc a un zar de 5 ori. Care este probabilitatea ca exact de dou a ori s a apar a fat a cu un punct si exact de 2 ori s a apar a fat a cu dou a puncte? Avem: n = 5, n 1 = 2, n 2 = 2 , n 3 = 1 , 1 1 2 p1 = , p2 = , p3 = , 6 6 3 5! 1 1 2 5 P4,2,2,1 = ( )2 ( )2 ( ) = . 2! 2! 1! 6 6 3 324 Schema hipergeometric a. O urn a cont ine a bile albe si b bile negre. Din aceast a urn a se extrag n bile (n a + b) pe r and, f ar a a pune bila extras a napoi n urn a (ceea ce este echivalent cu a extrage n bile deodat a). Se cere probabilitatea ca din cele n bile extrase, k s a e albe (k a) si n k negre (n k b). Pentru a calcula acest a probabilitate vom stabili num arul cazurilor posibile si num arul cazurlor favorabile. n Num arul cazurilor posibile este: Ca +b . Num arul cazurilor favorabile: un grup de k bile albe dintr-un total de a bile albe k poate luat n Ca moduri; un grup de n k bile negre din totalul de b bile negre poate nk obt inut n Cb moduri. Un grup de k bile albe si n k bile negre poate obt inut, k nk conform principiului multiplic arii, n Ca Cb moduri. Probabilitatea c autat a este
k nk Ca Cb . n Ca +b
Exemplul 1.7.4 La o tombol a sunt 400 bilete dintre care 4 c a stig atoare. O persoan a cump ar a 10 bilete. Care este probabilitatea s a nu se g aseasc a nici un bilet c a stig ator? Avem a = 4, b = 396, k = 0, p= n k = 10, n = 10,
0 10 C4 C396 = 0, 903. 10 C400
In general, dac a urna cont ine ai bile de culoarea ci , i = 1, m, probabilitatea de a obt ine n1 bile de culoarea c1 , n2 bile de culoarea c2 , . . . , nm bile de culoarea cm c and facem n = n1 + n2 + . . . + nm extract ii, este egal a cu
n1 n2 nm Ca Ca2 . . . Ca m 1 . n Ca 1 +a2 +...+am
a cont ine 7 bile albe, 7 bile negre si 6 verzi. Se extrag 9 bile. Exemplul 1.7.5 O urn Care este probabilitatea s a obt inem c ate 3 de ecare culoare? Avem a1 = 7, a2 = 7, a3 = 6, n1 = 3 , p= n2 = 3, n 3 = 3,
3 3 3 C7 C6 C7 = 0, 145. 9 C20
30
1.8
C amp innit de probabilitate
In numeroase cazuri practice nu este cu putint a s a evalu am num arul cazurilor egal posibile si al celor favorabile pentru determinarea probabilit a tii evenimentului care ne intereseaz a. Asemenea situat ii apar n studiul fenomenelor economice si sociale, n efectuarea controlului statistic al product iei etc. Deci denit ia clasic a a probabilit a tii nu este satisf ac atoare c and mult imea evenimentelor elementare este innit a. In acest caz denim c ampul innit de evenimente astfel : Denit ia 1.8.1 O mult ime de evenimente { E, K },K = , se nume ste c amp innit de evenimente dac a: K; a) A K A b) (An )nIN K
nI N
An K .
Consecint e care rezultat a din denit ie : C1. K si E K . K AA K EK Intr-adev ar, deoarece K = A K A K K. EKE C2. Orice reuniune nit a de evenimente din K este n K . Intr-adev ar, e A1 , A2 , . . . , An K si lu am Ai = pentru i > n. Conform b),
n
Ai =
i=1 i=1
Ai K
C3. Orice intersect ie (nit a sau num arabit a) de elemente din K este de asemenea n K . Fie I o mult ime de indici nit a sau num arabil a Ai =
iI iI
i K A
iI
Ai K
K ). C4. Dac a A, B K atunci A \ B K (deoarece A \ B = A B C5. Dac a (An )nIN K atunci lim inf An K ;
n
lim sup An K.
n
T inem seama de denit ia limitei inferioare, respectiv superioare, de consecint ele C2, C3 si obt inem

lim inf =
n
(
n=1 k=n
Ak ) K ;
lim sup =
n
(
n=1 k=n
Ak ) K.
n
31
C6. Dac a (An )nIN K , atunci lim An K , dac a aceast a limit a exist a. In acest caz
n
lim An = lim inf An = lim sup An K.

n n
Observat ia 1.8.1 Intr-un c amp innit de evenimente sunt permise operat iile clasice cu mult imi. Pentru a introduce not iunea de probabilitate n asemenea cazuri, denim not iunea de m asur a a unui eveniment al unui c amp innit de evenimente. Denit ia 1.8.2 Se nume ste m asur a a unui eveniment A al c ampului innit de evenimente { E, K } o funct ie m : K I R care satisface urm atoarele axiome: a) A K : m(A) b) m() = 0; c) m(
iI
0;
Ai ) =
iI
m(A) pentru (Ai )iI K cu Ai Aj = i = j i, j I , iar I o
mult ime cel mult num arabil a de indici. Observat ia 1.8.2 Axioma c) se nume ste axioma aditivit a tii complete a m asurii m. In aceast a axiom a intervine o reuniune num arabil a de evenimente, lucru despre care se poate
vorbi numai n cazul n care c ampul de evenimente este innit. Introducem

i=1
Ai ca ind
evenimentul care const a n realizarea a cel put in unuia din evenimentele A1 , A2 , . . . , An , . . .. Analog, evenimentul
i=1
Ai const a n realizarea tuturor evenimentelor A1 , A2 , . . . , An . . ..
Acceptarea axiomei c) este justicat a; ea reprezint a o extindere natural a a propriet a tii corespunz atoare din c ampurile nite de evenimente. Observat ia 1.8.3 C and An+1 = An+2 = . . . = se obt ine aditivitatea nit a a m asurii
n n
m(
i=1
Ai ) =
i=1
m(Ai ).
Observat ia 1.8.4 Din mult imea funct iilor de evenimente care satisfac axiomele a)-c) intereseaz a numai acelea pentru care m(E ) < , E ind evenimentul cert. a m(E ) < atunci pentru orice eveniment A avem m(A) < . Propozit ia 1.8.1 Dac = E, AA = m(A A ) = m(A)+ m(A ) = m(E ) < . Demonstrat ie. Deoarece A A ) 0 m(A) m(E ) < m(A) < . Dar m(A
32
Denit ia 1.8.3 Fie un c amp innit de evenimente { E, K }. Se nume ste probabilitatea evenimentului A K , m asura m(A) pentru care m(E ) = 1 Denit ia 1.8.4 Se nume ste funct ie de probabilitate acea m asur a a evenimentelor denit a pe c ampul innit de evenimente {E,K} care satisface proprietatea m(E) = 1. Denit ia 1.8.5 Se nume ste c amp borelian (innit) de probabilitate un c amp innit de evenimente { E, K } pe care s-a denit o funct ie de probabilitate P. Un c amp innit de probabilitate se noteaz a { E, K, P }. Problema cum trebuie determinat a probabilitatea unui eveniment nu poate rezolvat a n general deoarece ea depinde n mod esent ial de natura fenomenului studiat. Exemplul 1.8.1 De exemplu, ne vom referi la probabilit a tile geometrice. Fie E I Rn un domeniu. Un punct M E , luat la nt amplare, se nume ste punct aleator. Fie o submult ime A E . Prin m asura lui A putem nt elege lungimea, aria sau volumul lui A. Dac a admitem ipoteza c a n cazul n care A, B E si m(A) = m(B ) A = B sunt echivalente din punct de vedere al ariei, indiferent de forma domeniilor A si B , putem scrie P (M A) = km(A) unde k este un factor constant. Pentru ntreg domeniul E avem evenimentul sigur, deci P (M E ) = 1 = km(E ) de unde k= si deci obt inem probabilitatea P (M A) = m(A) . m(K ) 1 m(E )
In cazul considerat, dac a A nu are dec at un num ar nit de puncte, P (M A) = 0. Exemplul 1.8.2 Vom ar ata cum se pote construi o funct ie de probabilitate pentru orice arui punct ei i ata sa m un num ar pi mult ime num arabil a E = {e1 , e2 , . . . , en , . . .}. Fiec satisf ac and condit iile
i I N :
pi
0,
i=1
pi = 1
Fie K = P (E ) si A o submult ime a lui E . Denim P (A) =

ei A
pi =
ei A
P (ei )
Constat am imediat c a { E, K, P } este un c amp innit de probabilitate. D am un exemplu de c amp de probabilitate.
33
Exemplul 1.8.3 Fie B corpul borelian generat de mult imea p art ilor deschise de pe axa real aI R si o funct ie f denit a pe E B cu valori n I R, integrabil a n raport cu m asura Lebesque [vezi 22] si care ndepline ste condit iile f (x) 0,
E
f (x)dx = 1.
Se veric a imediat c a { E, K, P } este un c amp borelian de probabilitate, unde K = {A E, A B}, iar P (A) =
E
f (x)A (x)dx 1, 0, dac a e A, dac ae / A,
pentru A K , unde A (e) =
In particular, dac a f este continu a, punem P (A) =

A
f (x)dx.
Se demonstreaz a c a P satisface toate axiomele probabilit a tii. Astfel de funct ii se pot g asi. De exemplu 1 1 x2 f (x) = sau f ( x ) = e 2. (1 + x2 ) 2 In c ampurile innite de probabilitate se p astreaz a not iunile si propriet a tile din c ampurile nite de probabilitate. 1. Probabilitatea condit ionat a se dene ste plec and de la relat ia P (A|B ) = P (A B ) , dac a P (B ) = 0. P (B )
Se poate demonstra c a tripletul { E, K, PB } este un c amp borelian de probabilitate. Intr-adev ar, P (A|B ) 0 deoarece P (A B ) 0 si P (B ) > 0. P (B ) = 1. P (B ) Dac a A = E atunci, deoarece E B = B , rezult a P (E |B ) =
Dac a (Ai )iI K este o familie cel mult num aarbil a de evenimente incompatibile dou a c ate dou a, atunci si evenimentele (A Ai )iI sunt incompatibile dou a c ate dou a si P (B ( P(
iI
Ai ))
iI
P( =
iI
(B Ai )) P (B ) =
A i |B ) =
P (B )
34 P (B Ai ) =
iI
P (B )
=
iI
P (Ai |B ).
2. Formula probabilit a tii totale si formula lui Bayes r am an valabile dac a consider am sisteme complete de evenimente num arabile. Fie (Ai )iI K o familie cel mult Ai = E si P (Ai ) = num arabil a de evenimente incompatibile dou a c ate dou a cu 0, i I , atunci P (A) =
iI iI
P (Ai )P (A|Ai )
si P (Ai |A) =
P (Ai )P (A|Ai ) P (Aj )P (A|Aj )

j I
i I.
Denit ia 1.8.6 Se spune c a evenimentele (An )nIN K sunt independente dac a orice num ar nit de evenimente din acest sir este independent. Exist a si propriet a ti noi ale funct iei de probabilitate P cum ar urm atoarele: Propozit ia 1.8.2 Fie (An )nIN K si P o funct ie de probabilitate. Atunci P(
nI N
An )
nI N
P (An ).
Demonstrat ie. Introducem un sir de evenimente din K n felul urm ator: A1 = A1 A2 = A2 \ A1 An+1 = An+1 \ (
j =1
Aj ).
Evenimentele (An )nIN prin modul n care au fost construite sunt incompatibile dou a c ate dou a; n plus An An , n I N . Demonstr am c a An =
nI N nI N
An .
Evident
nI N
An
nI N
An . An si n0 cel mai mic num ar natural

nI N
Demonstr am incluziunea contrar a. Fie e n pentru care e An0 ; rezult a deci e An0
n I N
An ,
mp de probabilitate Ca An
nI N nI N
35 An
adic a ceea ce trebuia de demonstrat. De aici rezult a c a P(

nI N
An ) = P (
nI N
An ) =
nI N
P (An )
nI N
P (An )
datorit a propriet a tilor de aditivitate si monotonie a probabilit a tii. Propozit ia 1.8.3 Inegalitatea lui Boole. Dac a (Ai )iI K este o mult ime cel mult num arabil a de evenimente, atunci P(
iI
Ai )
1
iI
i ). P (A
Demonstrat ie. Din relat iile lui De Morgan avem Ai = (

iI iI
i ) A
deci P(
iI
Ai ) = P (
iI
i ) = 1 P ( A
iI
i ) A
dar P(
iI
i ) A
iI
i ) P (A
si obt inem inegalitatea dorit a. Denit ia 1.8.7 Un sir de evenimente (An )nIN este ascendent (descendent) dac a Aj ()Ai pentru j < i, i, j I N , i = j. Propozit ia 1.8.4 Fie (An )nIN un sir descendent de evenimente din K . Dac a A = An , atunci
nI N n
lim P (An ) = P (
n I N
An ) = P (A).
Demonstrat ie. a) Consider am cazul n care A = . Trebuie s a ar at am c a

n
lim P (An ) = 0.
Deoarece (An )nIN este un sir descendent, putem scrie An = (An \ An+1 ) (An+1 \ An+2 ) . . . si deci An apare ca o reuniune de evenimente incompatibile, c aci (An+k \ An+k+1 ) (An+s \ An+s+1 ) =
36 dac ak=s si obt inem

P (An ) =
i=n
P (Ai \ Ai+1 ) =
i=n
(P (Ai ) P (Ai+1 )),
iar seria
P (Ai \ Ai+1 ) = P (A1 )

i=1
este convergent a, deci restul seriei converge la zero c and n , deci lim P (An) = 0. b) Consider am cazul A = . Vom introduce evenimentele Cn = An \ A, n I N , care reduc acest caz la cazul precedent. S irul (Cn )nIN este un sir descendent si deoarece
n
Cn = , rezult a, conform cazului a) c a

n=1 n
lim P (Cn ) = 0
Dar P (Cn ) = P (An \ A) = P (An ) P (A) si deci

n
lim P (An ) = P (A).
Propozit ia 1.8.5 Fie (An )nIN un sir ascendent de evenimente din K . Dac a A = An , atunci
nI N n
lim P (An ) = P (
n I N
An ) = P (A).
n )nIN este descendent, Demonstrat ie. Trecem la evenimentele complementare; sirul (A se transform a n si se aplic a propozit ia 1.8.4. Denit ia 1.8.8 Fie ( ) o proprietate descris a de o propozit ie formulat a ntr-un c amp borelian de probabilitate {E, K, P }. Dac a toate evenimentele elementare care nu implic a proprietatea ( ) formeaz a un eveniment de probabilitate nul a atunci vom spune c a ( ) este adev arat a aproape sigur. Observat ia 1.8.5 In c ampuri innite de probabilitate pot exista evenimente diferite de evenimentul imposibil si care s a aib a probabilitatea nul a. Exemplul 1.8.4 Fie un ceas si presupunem c a acele sale se opresc la nt amplare. S a se determine probabilitatea ca minutarul s a se opreasc a n dreptul uneia din cele 12 cifre ale cadranului este nul a. Aceata rezult a din observat ia c a probabilitatea ca minutarul s a se opreasc a ntr-un segment al circumferint ei cadranului este proport ional a cu lungimea acestuia. Ori cele 12 cifre ale cadranului alc atuiesc o mult ime format a din 12 puncte ale circumferint ei, ecare din acestea ind asimilat cu un segment de o lungime nul a. Evident, nu este exclus ca minutarul s a se opreasc a n dreptul unei cifre. Proprietatea minutarul nu se opre ste n dreptul unei cifre a cadranului este o proprietate aproape sigur a.
37
1.9
Probleme propuse
Problema 1.1 Se joac a un joc. Partida este considerat a c a stigat a de primul dintre cei doi juc atori care c a stig a trei jocuri. Dac a jocul se ntrerupe la scorul de 2-1, cum trebuie mp art it a miza? Solut ie. La prima vedere s-ar p area c a miza trebuie mp art it a n trei p art i egale si c a stig atorul ia dou a p art i. Corect este ca miza s a e mp art it a proport ional cu probabilitatea pe care o are ecare juc ator de a c a stiga partida, dac a acesta ar continuat. S a presupunem c a se mai joac a dou a jocuri (indiferent de rezultatul primului joc). Not am cu 1 dac a juc atorul a c a stigat partida si cu 0 dac a a piedut-o. Prin notat ia (1, 0) nt elegem c a primul juc ator a c a stigat prima partida iar al doilea nu a piedut a doua partid a. Sunt urm atoarele posibilit a ti: (1, 1), (1, 0), (0, 1) si (0, 0), din care rezult a c a primul juc ator, care conduce cu 2-1, are trei sanse si al doilea una singur a. Miza trebuie mp art it a n patru p art i egale si primul juc ator ia trei p art i, iar al doilea o parte. Problema 1.2 Un student are de r aspuns la n ntreb ari, c arora trebuie s a le asocieze r aspunsul corect dintre n r aspunsuri indicate. Stabilit i probabilitatea ca studentul s a r aspund a la: a) prima ntrbare; b) primele dou a ntreb ari; c) cel put in o ntrebare. Indicat ie. a) num atul cazurilor posibile: n!, num arul cazurilor favirabile (n 1)!, probabilitatea c autat a: 1/n; b) 1/(n 2)!; c) dac a not am cu Ai evenimentul c a studentul r aspunde corect la ntrebarea i, evenimentul c autat este A1 A2 . . . An . Folosind formula (1.9) obt inem: 1 1/2! + 1/3! . . . + (1)n1 1/n!. Problema 1.3 Evenimentul A const a n aparit ia cel put in o dat a a fet ei 5 arunc and un zar de 4 ori, iar evenimentul B const a n aparit ia fet ei 5 cel put in de dou a ori, arunc and de 18 ori c ate dou a zaruri. Care din cele dou a evenimente este cel mai probabil? Indicat ie. Se poate interpreta aparit ia fet ei 5 a unui zar ca o urn a cu dou a st ari, una 4 4 ) = ( 5 ) , P (A) = 1 ( 5 ) . Deoarece fat a cu cu 5 cu probabilitatea q = 5/6. P (A 6 6 arunc arile sunt independete, n loc s a arunc am de 18 ori c ate dou a zaruri, putem arunca 36 de zaruri o singur a dat a. ) = ( 5 )36 + 36 1 ( 5 )35 . P (B 6 6 6 Avem 5 41 ( )35 ) P (B 6 < 7( 5 )31 < 1. = 6 5 6 P (A) ( )4 6
Problema 1.4 Un calculator este format din n componente. Probabilitatea ca o component a i s a se nu defecteze n perioada de timp T este pi , i = 1, n. Componentele se
38
defecteaz a independent unele de celelalte. S a se calculeze probabilitatea ca n perioada de timp T calculaterul s a se defecteze. (Defectarea unei componente conduce la oprirea calculatorului.) Solut ie. Cacul am probabilitatea evenimentului contrar, adic a n perioada de timp T calculatorul s a funct ioneze. Aceasta nseamn a c a toate componentele s a nu se defecteze,
n n
iar probabilitatea acestui eveniment este

i=1
pi . Probabilitatea c autat a va 1
i=1
pi .
Problema 1.5 Un circuit electric are patru relee a c aror funct ionare este egal probabil a (funct ioneaz a si se pot defecta independent unul de cel alalt), montate dup a Figura 1.1. Calculat i probabilit atea ca ntre punctele A si B s a nu circule curentul. Solut ie. Nto am cu Ai evenimentul releul Ri este defect. Curentul nu circul a atunci c and se realizeaz a evenimentul ((A1 A2 ) A4 ) A3 = (A1 A4 ) (A2 A4 ) A3 . Cum orice releu poate n dou a pozit ii, nchis sau deschis, rezult a c a num arul cazurilor 4 posibile este 2 = 16. Probabilitatea c autat a este 2 4/16 8/16 3 2/16 + 1/16. Problema 1.6 Trei mesaje sunt transmise pe un canal de comunicare, pe ecare dintre ele put and transmis cu o anumit a exactitate. Transmiterea unui mesaj poate conduce la unul din urm atoarele evenimente: a) A1 = { mesajul este transmis ntr-o form a corect a }. b) A2 = { mesajul este part ial eronat }. c) A3 = { mesajul este complet eronat }. Probabilit a tile evenimentelor A1 , A2 , A3 sunt date si anume egale cu p1 , p2 si p3 , (p1 + p2 + p3 = 1). Consider and c a transmiterea corect a sau eronat a a unui mesaj nu este inuent at a de modul de transmitere a celorlalte (independent a evenimentelor), s a se g aseasc a probabilit a tle urm atoarelor evenimente: i) A = { toate mesajele sunt transmise corect }. in un mesaj s a e complet eronat }. ii) B = { cel put iii) C = { cel put in dou a mesaje sunt part ial sau complet eronate }. Solut ie. Not am urm atoarele evenimente astfel: A11 = { primul mesaj transmis este corect }, A12 = { al doilea mesaj transmis este corect }, A13 = { al treilea mesaj transmis este corect }, A21 = { primul mesaj transmis este part ial eronat }, A22 = { al doilea mesaj transmis este part ial eronat }, A23 = { al treilea mesaj transmis este part ial eronat }, A31 = { primul mesaj transmis este complet eronat },
39
A32 = { al doilea mesaj transmis este complet eronat }, A33 = { al treilea mesaj transmis este complet eronat }. Avem P (A11 ) = P (A12 ) = P (A13 ) = p1 , P (A21 ) = P (A22 ) = P (A23 ) = p2 , P (A31 ) = P (A32 ) = P (A33 ) = p3 . Evenimentul A nseamn a c a primul mesaj transmis este corect si al doilea mesaj transmis este corect si al treilea mesaj transmis este corect, adic a A = A11 A12 A13 si deoarece evenimentele sunt independente (conform presupunerii f acute) avem P (A) = p3 1 . Complementarul evenimentului B este: toate mesajele sunt sau corecte sau part ial eronate, deci B = (A11 A12 ) (A21 A22 ) (A31 A32 ). Probabilitatea acestui eveniment este (p1 + p2 )3 , iar P (B ) = 1 (p1 + p2 )3 . Evenimentul C este compus din reuniunea evenimentelor: (primul mesaj este corect si al doilea mesaj este part ial sau complet eronat si al treilea mesaj este part ial sau complet eronat) sau (primul mesaj este part ial sau complet eronat si al doilea mesaj este corect si al treilea mesaj este part ial sau complet eronat) sau (primul mesaj este part ial sau complet eronat si al doilea este part ial sau complet eronat si al treilea mesaj este corect) sau (toate cele trei mesaje sunt part ial sau complet eronate), adic a C = (A11 ((A22 A32 ) (A23 A33 ))) ((A21 A31 ) A12 (A23 A33 )) ((A21 A31 ) (A22 A32 ) A31 ) ((A21 A31 ) (A22 A32 ) (A23 A33 )). Probabilitatea acestui eveniment este P (C ) = 3(p2 + p3 )2 p1 + (p2 + p3 )3 . Problema 1.7 Un mesaj important este transmis simultan pe n canale de comunicat ie si repetat pe ecare canal de k ori pentru a u sura recept ionarea sa corect a. Probabilitatea ca n timpul transmisiei unui mesaj acesta s a e eronat este p si nu depinde de transmiterea altor mesaje. Fiecare canal de comunicat ie poate blocat cu zgomote cu probabilitatea q ; un canal blocat nu poate transmite nici-un fel de mesaje. S a se calculeze probabilitatea evenimentului A = { un mesaj este transmis sub form a corect a m acar odat a }. Solut ie. Introducem evenimentul: B = { un mesaj este transmis pe un canal de comunicat ie f ar a nici o eroare m acar odat a }. Pentru ca s a aib a loc evenimentul B mai nt ai canalul nu trebuie s a e blocat cu zgomote si apoi m acar unul din cele k mesaje transmise nu trebuie s a e eronat (contrar evenumentului c a toate cele k mesaje transmise sunt eronate). Obt inem P(B) = (1 q)(1pk). Probabilitatea evenimentului A, eveniment care nseamn a c a evenimentul B s-a produs n m acar odat a pe un canal, este P (A) = 1 (1 P (B )) = 1 (1 (1 q )(1 pk ))n . Problema 1.8 Un mesaj format din cifrele 0 si 1 este transmis. Fiecare simbol poate transmis eronat cu probabilitatea p (este schimbat n contrarul s au cu probabilitatea q ). Pentru sigurant a , mesajul este transmis de dou a ori; informat ia este considerat a corect a dac a ambele mesaje coincid. S a se calculeze probabilitatea ca mesajul s a nu e corect, n ciuda faptului c a cele dou a mesaje transmise sunt identice. Solut ie. Evenimentul ca mesajul s a nu e corect este contrar evenimentului c a ambele mesaje sunt corecte. Probabilitatea ca un mesaj transmis s a e corect este (1 p)n , 2n probabilitatea ca ambele mesaje s a e corecte este (1 p) , iar probabilitatea c autat a 2n este 1 (1 p) . Problema 1.9 Fie opt canale de transmitere a informat iei care funct ioneaz a independent. Presupunem c a un canal este activ cu probabilitatea 1/3. S a se calculeze probabilitatea ca la un moment dat s a e mai mult de sase canale active.
40
Solut ie. Pentru i = 1, . . . , 8 e Ai evenimentul: canalul i este activ. Num arul canalelor active este egal cu num arul de realiz ari ale evenimentelor Ai , i = 1, . . . , 8, n opt experient e Bernoulli cu p = 1/3. Atunci probabilitatea ca mai mult de sase canale s a e active este
7 8 P (k = 7) + P (k = 8) = C8 (1/3)7 (2/3) + C8 (1/3)8 = 0, 0024 + 0, 00015 = 0, 00259
Problema 1.10 Un bloc de 100 de bit i este transmis pe un canal de comunicat ie binar 3 cu probabilitatea de eroare pe bit 10 . S a se g aseac a probabilitatea ca blocul s a cont in a trei sau mai mult de trei erori. R:1.5 104 . Problema 1.11 Un asamblor de calculatoare folose ste circuite din trei surse: A, B si C. Ele pot defecte cu probabilit a tile de respectiv 0,001, 0,005 si 0,01. Dac a se ia un circuit la nt mplare si se constat a c a este defect, care este probabilitatea ca el s a provin a de la sursa A sau B. Solut ie. Fie A1 evenimentul ca circuitul s a provin a de la sursa A, A2 de la sursa B si A3 s a provin a de la sursa C . Fie D evenimentul ca circuitul folosit s a e defect, iar D|Ai , i = 1, 2, 3 evenimentul ca circuitul folosit s a e defect stiind c a el provine de la sursa A, B si respectiv C . Avem P (D|A1 ) = 0, 001, P (D|A2 ) = 0, 005, P (D|A3 ) = 0, 01 Folosind formula lui Bayes (1.12) obt inem P (A1 |D) = 1/16, P (A2 |D) = 10/16. Deoarece evenimentele A1 |D si A2 |D sunt incompatible, rezult a P (A1 A2 |D) = P (A1 |D) + P (A2 |D) = 11/16 = 0, 6875.
Problema 1.12 Multe sisteme de comunicat ie pot modelate n felul urm ator: mai nt ai utilizatorul introduce 0 sau 1 n sistem si semnalul corespunz ator este transmis; n al doilea r and ia o decizie asupra a ceea ce s-a introdus n sistem pe baza semnalului receptionat. Presupunem c a utilizatorul transmite 0 cu probabilitatea 1 p si 1 cu probabilitatea p si c a cel ce receptioneaz a ia o decizie eronat a cu probabilitatea . Pentru i = 0, 1 e Ai evenimentul c a la intrare s-a introdus i si Bi evenimentul c a decizia celui ce receptioneaz a a fost i. S a se calculeze probabilit a tile P (Ai Bj ) pentru i = 0, 1 si j = 0, 1. Presupunem c a probabilit a tile ca la intrare s a se transmit a 0 sau 1 sunt egale cu 1/2. S a se calculeze probabilitatea evenimentului B1 . Dar probabilitatea de a se transmis 0 stiind c a s-a receptionat 1? Dar probabilitatea de a se transmis 1 stiind c a s-a receptionat 1? Solut ie.
mp de probabilitate Ca Se obt in probabilit a tile P (A0 B0 ) = (1 p)(1 ) P (A0 B1 ) = (1 p) P (A1 B0 ) = p P (A1 B1 ) = p(1 ).
41
Evenimentele A1 si A2 formeaz a un sistem complet de evenimente pentru spat iul de select ie E = {0, 1}. Pentru a calcula probabilitatea evenimentului B1 aplic am formula probabilit a tii totale: P (B1 ) = P (A0 )P (B1 |A0 ) + P (A1 )P (B1 |A1 ) = 1/2 + 1/2(1 ) = 1/2. Aplic and formula lui Bayes obt inem probabilit a tile (pe care le-am mai numit posteori); P (A0 |B1 ) = P (B1 |A0 )P (A0 ) /2 = = P (B1 ) 1/2 P (B1 |A1 )P (A1 ) (1 )/2 P (A1 |B1 ) = = = 1 . P (B1 ) 1/2
Dac a este mai mic dec at 1/2 atunci este mai probabil ca la intrare s a avem 1 dec at 0 dac a la ie sire s-a primit semnalul 1. Problema 1.13 Un sistem const a dintr-o unitate central a si trei unit a ti periferice. Sistemul funct ioneaz a la capacitate optim a dac a unitatea central a si dou a unit a ti periferice funct ioneaz a. S a se calculeze probabilitatea ca sistemul s a funct ioneze la capacitate optim a presupun and c a defectarea unit a tilor se face independent una de cealalta. Solut ie. Denim urm atorele evenimente: A-unitatea central a funct ioneaz a; Bi -unitatea periferic a i funct ioneaz a, unde i = 1, 2, 3. Evenimentul F -dou a sau mai multe unit a ti periferice funct ioneaz a nseamn a c a toate trei unit a tile periferice funct ioneaz a sau exact dou a unit a ti periferice funct ioneaz a. Astfel: 3 ) (B1 B 2 B3 ) (B 1 B2 B3 ) F = ( B 1 B2 B (B1 B2 B3 ). Observ am c a evenimentele de mai sus din paranteze sunt indepandente ntre ele si deci 3 ) + P (B1 )P (B 2 )P (B3 )+ P (F ) = P (B1 )P (B2 )P (B 1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 ) = +P (B = 3(1 a)2 a + (1 a)3 unde s-a presupus c a ecare periferic se defecteaz a cu probabilitatea egal a cu a, astfel nc at P (Bi ) = 1 a si P (Bi ) = a. Evenimentul sistemul funct ioneaz a la capacitate optim a este A F . Dac a presupunem c a unitatea central a se defecteaz a cu probabilitatea p, atunci: P (A F ) = P (A) P (F ) = (1 p)P (F ) = (1 p)3(1 a)2 a + (1 a)3 . Fie a = 10%, atunci toate cele trei periferice sunt funct ionale (1 a)3 = 72, 9% din timp iar dou a sunt funct ionale si una defect a 3(1 a)2 a = 24, 3% din timp. Astfel dou a sau
42
mai multe, periferice funct tioneaz a 97, 2% din timp. Presupunem c a unitatea central a nu este foarte bun a, si anume p = 20%, atunci sistemul funct ioneaz a la capacitate optim a numai 77, 8% din timp, aceasta datorit a faptului c a unitatea central a se defecteaz a. Presupunem c a s-a introdus n sistem o a doua unitate central a identic a cu prima, adic a p = 20% si sistemul funct ioneaz a la capacitate optim a dac a m acar una din cele dou a unit a ti centrale funct ioneaz a. S a calcul am c at la sut a din timp funct ioneaz a sistemul n acest caz. Denim evenimentele Ai -unitatea central a i = 1, 2 funct ioneaz a. Evenimentul sistemul funct ioneaz a la capacitate optim a este, n acest caz, (A1 F ) (A2 F ). Atunci P [(A1 F ) (A2 F )] = P (A1 F ) + P (A2 F ) P [(A1 F ) (A2 F )] = P (A1 ) P (F ) + P (A2 ) P (F ) P (A1 A2 F ) = = P (A1 ) P (F ) + P (A2 ) P (F ) P (A1 ) P (A2 ) P (F ) = = 2(1 p)3(1 a)2 a + (1 a)3 (1 p)2 3(1 a)2 a + (1 a)3 = 93, 3% Aceasta a condus la o cre stere de 15.5% a timpului de funct ionare fat a de cazul n care sistemul funct iona cu o singur a unitate central a. Problema 1.14 Un sistem de comunicat ie transmite informat ie bimar a pe un canal care introduce la transmiterea unui bit erori aleatoare cu probabilitatea = 103 . Fiecare bit este transmis de trei ori si n funct ie de semnalul majoritar recept ionat se decide informat ia ca ind cea transmis a. S a se calculeze probabilitatea ca decizia luat a s a e incorect a. Solut ie. Cel ce recept ioneaz a va lua o decizie eronat a dac a canalul introduce dou a sau mai multe erori. Dac a privim ecare transmitere ca o experient a Bernoulli n care realizarea evenimentului corespunde introducerii unei erori, atunci probabilitatea de a se produce dou a sau mai multe erori n trei experient e Bernoulli este P [k
2 3 2] = C3 (0, 001)2 (0, 999) + C3 (0, 001)3 3 106
Problema 1.15 O informat ie telegrac a const a din semnale liniut e si puncte. In medie se deformeaz a 2/5 din semnalele cu puncte si liniut e. Este cunoscut c a semnalele puncte si liniut e se nt alnesc n raportul 5/3. S a se determine probabilitatea ca: a) primind un semnal consacrat, acesta s a e punct si b) probabilitatea ca el s a e liniut a. Solut ie. Not am cu A evenimentul de primire a semnalului punct, iar prin B evenimentul de primire a semnalului liniut a. Se pot considera urm atoarele ipoteze: H1 este transmis semnalul punct, H2 este transmis semnalul liniut a . Avem 5 P (H1 ) = , P (H1 ) + P (H2 ) = 1. P (H2 ) 3 deci 3 5 P (H1 ) = , P (H2 ) = 8 8
mp de probabilitate Ca si
43
3 1 2 2 P (A|H1 ) = , P (A|H2 ) = , P (B |H1 ) = , P (B |H2 ) = . 5 3 5 3 Folosind formula probabilit a tii totale obt inem: P (A) = 53 31 1 52 32 1 + = , P (B ) = + = . 85 83 2 85 83 2
Avem cele dou a probabilit a ti: a) P (H1 |A) = b) P (H2 |B ) = P (H1 )P (A|H1 ) 3 = , P (A) 4 P (H2 )P (B |H2 ) 1 = . P (B ) 2
44
Capitolul 2 Variabile aleatoare discrete

2.1 Denit ia si clasicarea variabilelor aleatoare
Una din not iunile fundamentele ale teoriei probabilit a tilor este cea de variabil a aleatoare. Teoria clasic a a probabilit a tilor opereaz a, n principal, cu evenimente, iar teoria modern a prefer a, unde este posibil, s a studieze variabile aleatoare. Fie { E,K,P } un c amp borelian de probabilitate care a fost denit n Capitolul 1.8. Denit ia 2.1.1 Funct ia X:EI R se nume ste variabil a aleatoare dac a x I R {e E | X (e) < x} K. (2.1)
Pentru simplitate, vom nota {e E | X (e) < x} = {X < x}. Observat ia 2.1.1 Nu este obligatoriu X (E ) = I R, deci X (E ) I R; X (E ) reprezint a mult imea valorilor variabilei aleatoare. Dup a propriet a tile mult imii valorilor variabilei aleatoare, adic a dup a propriet a tile mult imii X (E ), clasic am variabile aleatoare astfel: variabile aleatoare de tip discret, dac a X (E ) este cel mult num arabil a; dac a X (E ) este nit a, variabila aleatoare se nume ste discret a simpl a, iar dac a X (E ) este innit a, dar num arabil a, variabila aleatoare se nume ste discret a cu o innitate de valori. a X (E ) este o mult ime innit a de numere variabile aleatoare de tip continuu, dac reale. Exemple de variabile aleatoare discrete: variabile aleatoare ale c arei valori reprezint a num arul de apeluri zilnice primite la o central a telefonic a, arei valori reprezint a num arul de ruperi de re la o ma sin a variabila aleatoare ale c de cusut, 45
46
Variabile aleatoare discrete variabila aleatoare ale c arei valori reprezint a num arul de puncte ap arute pe o fat a a zarului, la aruncarea unui zar.
Exemple de variabile aleatoare de tip continuu: timpul de funct ionare a unui aparat, p an a la prima defectare, m arimile erorilor comise la efectuarea m asur atorilor, a n funct ie de ciocnirile cu alte particule. viteza unei particule, care se modic In ecare din aceste exemple, unui fenomen, supus unor circumstant e aleatoare, i se asociaz a un num ar real, deci se stabile ste o corespondent a ntre spat iul de select ie E conve nabil ales si I R. In practic a, de multe ori este dicil s a g asim valorile acestor corespondent e, dar e posibil s a determin am c at de des sunt luate ele. Astfel, n ultimul exemplu, putem aprecia cu ce probabilitate viteza X a particulei este mai mic a dec at 0,1, deci putem calcula P ({ e E | X (e) < 0, 1 }). Denit ia 2.1.2 Funct ia F :I R [0, 1] denit a prin F (x) = P ({ e E | X (e) < x}) se nume ste funct ie de repartit ie. Determinarea pentru orice x I R a probabilit a tii cu care X ia valori mai mici ca x, nseamn a denirea funct iei de repartit ie. (2.2)
2.2
Variabile aleatoare discrete simple
Condit ia (2.1) din Denit ia 2.1.2 are loc ntotdeauna n cazul variabilelor aleatoare dis crete, aleg and eventual un c amp borelian convenabil. In cest caz putem spune c a: amp de probabilitate cu E cel mult num arabil a. Denit ia 2.2.1 Fie { E, K, P } un c Se nume ste variabil a aleatoare orice aplicat ie X denit a pe mult imea evenimentelor elementare cu valori n mult imea numerelor reale I R. Ilustr am trecerea de la eveniment la variabil a aleatoare. Exemplul 2.2.1 Consider am o experient a si un eveniment A legat de aceasta. In loc de evenimentul A putem considera funct ia A care ia valoarea 1 dac a s-a realizat A si 0 dac a , adic s-a realizat A a dac a A E, A K : A : E {0, 1} A (e) = 1, dac a eA 0, dac a e / A.
Funct ia A se nume ste indicatoarea evenimentului A (variabila aleatoare a evenimentului A).
Variabile aleatoare discrete
47
Aceast a idee poate extins a n sensul c a putem considera o experient a si legat de aceasta un sistem complet de evenimente (Ai )1$i$n . Denim funct ia X pe acest sistem complet de evenimente convenind s a-i atribuim valoarea n j n cazul n care s-a realizat evenimentul Aj , j = 1, n. Astfel, variabila aleatoare X s-a denit prin relat ia: X (e) = pentru j = 1, n. Fie tabelul X:
n
n j, 0,
dac a e Aj n rest
x 1 x2 . . . x n p1 p2 . . . pn
(2.3)
cu pi
0, i = 1, n,
i=1
pi = 1. Numerele xi se numesc valorile variabilei aleatoare,
iar pi probabilit a tile cu care variabila aleatoare ia aceste valori. Tabelul 2.3 se nume ste tabloul de repartit ie al variabilei aleatoare X . Facem convent ia ca n tabloul de repartit ie s a se treac a valorile variabilei aleatoare distincte, iar valorile luate cu probabilitatea 0 s a nu e trecute. i corespunde, n Observat ia 2.2.1 Fie xk o valoare a variabilei aleatoare X . Valorii xk general, o mult ime de evenimente elementare. Rezolv and ecuat ia xk = X (e) n raport cu e obt inem e = X 1 (xk ), n general, o funct ie multivoc a, deci la un xk pot corespunde mai multe valori ale lui e. Reuniunea acestora formeaz a un eveniment Ak al c ampului (k n). Deoarece valorile xk sunt diferite, evenimentele Ak sunt incompatibile dou a c ate dou a si formeaz a un sistem complet de evenimente. Observ am c a pk = P (Ak ) = P ({e E | X (e) = xk }) si
n n n
pk =
k=1 k=1
P (Ak ) = P (
k=1
Ak ) = P (E ) = 1.
Deci dat a o variabil a aleatoare, putem s a-i ata sam un sistem complet de evenimente. Reciproca armat iei este tocmai Exemplul 2.2.2. Exemplul 2.2.2 Consider am experient a care const a n aruncarea unui zar omogen. Fie variabila aleatoare X care 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 1 1 1 1 1 6 6 6 6 6 6 .
Dac 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
48
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: 0 1 1 1 . Y : 2 2 Exemplul 2.2.3 Consider am o experient a care const a n extragerea a trei bile, c ate una din ecare din urnele U1 , U2 , U3 ce cont in respectiv 2 bile albe si 3 negre, 3 bile albe si 5 negre, 8 bile albe si 2 negre. Denim variabila aleatoare X care ia ca valori num arul de de bile albe obt inute la o extragere. Se cere tabloul de reparit ie a lui X . i evenimentul de a extrage o bil Not am cu Ai si A a alb a, respectiv neagr a din urna Ui , i = 1, 3. Variabila aleatoare X poate lua valorile 0, 1, 2, 3 dup a cum s-au extras respectiv 0, 1, 2, 3 bile albe. Observ am c a evenimentele Ai sunt independente si incompatibile dou a c ate dou a. Atunci putem calcula
3 3
P ({X = 0}) = P (
i=1
i ) = A
i=1
i ) = 0, 075, P (A
2 A 3 ) (A 1 A2 A 3 ) (A 1 A 2 A3 )) = P ({X = 1}) = P ((A1 A 2 )P (A 3 ) + P (A 1 )P (A2 )P (A 2 ) + P (A 1 )P (A 2 )P (A3 ) = 79 = 0, 395, = P (A1 )P (A 200 3 ) (A1 A 2 A3 ) (A 1 A2 A3 )) = P ({X = 2}) = P ((A1 A2 A 3 ) + P (A1 )P (A 2 )P (A2 ) + P (A 1 )P (A2 )P (A3 ) = = P (A1 )P (A2 )P (A P ({X = 3}) = P (A1 A2 A3 ) = P (A1 )P (A2 )P (A3 ) = Tabloul de repartit ie este X: 0 1 2 3 0, 075 0, 395 0, 41 0, 12 . 41 = 0, 41, 100
3 = 0, 12, 25
De cele mai multe ori n calcule este sucient s a cunoa stem valorile pe care le ia o variabil a aleatoare si probabilit a tile respective. Dar, n general, cunoa sterea acestor date nu este sucient a pentru determinarea complet a a variabilei aleatoare, a sa cum se va vedea n exemplul urm ator. am experient a care const a n aruncarea unui zar. Legat de Exemplul 2.2.4 Consider aceasta ne imagin am un joc: celui care arunc a zarul i se acord a 1 punct dac a apare una din fet ele cu 1 sau 2 puncte, 2 puncte dac a apare una din fet ele cu 3 sau 4 puncte, 3 puncte dac a apare una din fet ele cu 5 sau 6 puncte. Dac a not am cu X variabila aleatoare
49
care ia ca valori num arul de puncte obt inute de juc ator la o aruncare a zarului, obt inem o variabil a aleatoare av and repartit ia: X: 1 2 3 1 1 1 3 3 3 .
Se consider a alt joc n care se acord a 1 punct dac a apare una din fet ele cu 1 sau 6 puncte, 2 puncte dac a apare una din fet ele cu 2 sau 5 puncte, 3 puncte dac a apare una din fet ele cu 3 sau 4 puncte. Obt inem analog o variabil a aleatoare Y cu repartit ia Y : 1 2 3 1 1 1 3 3 3 .
Variabilele aleatoare discrete simple X si Y denite n acest exemplu nu sunt egale, dar au acela si tablou de repartit ie. Intr-adev ar, X (6) = 3 si Y (6) = 1. Experient a care const a n aruncarea zarului genereaz a un c amp de probabilitate. Pe mult imea evenimentelor elementare ale lui E , X si Y sunt denite astfel: X (1) = 1, X (2) = 1, X (3) = 2, X (4) = 2, X (5) = 3, X (6) = 3; Y (1) = 1, Y (2) = 2, Y (3) = 3, Y (4) = 3, Y (5) = 2, Y (6) = 1. S a determin am sistemul complet de evenimente generat de ecare din cele dou a variabile aleatoare discrete simple. Variabila aleatoare discret a simpl a X determin a A1 = {1, 2}, A2 = {3, 4}, A3 = {5, 6}, iar variabila aleatoare discret a simpl a Y determin a B1 = {1, 6}, B2 = {2, 5}, B3 = {3, 4}. Rezult a c a cele dou a sisteme complete de evenimente sunt diferite si deci numai aparent variabilele aleatoare discrete simple coincid. Orice variabil a aleatoare simpl a dat a prin tabloul s au de repartit ie se poate reprezenta grac prin poligonul s au de repartit ie: pe axa absciselor se trec valorile variabilei aleatoare, iar pe axa ordonatelor probabilit a tile. Pentru o variabil a aleatoare discret a simpl a se poate introduce funct ia de repartit ie care este o funct ie scar a dat a de relat a: 0, dac a x x1 , p , dac a x1 < x x2 , 1 p1 + p2 , dac a x2 < x x3 , F (x) = . . . p + . . . + pn1 , dac a xn1 < x xn , 1 1, dac a xn < x. In aceast a denit ie am presupus, pentru simplitate, x1 < x2 < . . . < xn . Gracul acestei funct ii este prezentat n Figura 2.1.
50
Vom insista mai mult asupra propriet a tilor funct iei de repartit ie n Capitolul 3. S a studiem F n unul din punctele de discontinuitate, e x = x2 . Pentru I R+ oric at de mic, avem F (x2 + ) = P ({X < x2 + }) = p1 + p2 astfel nc at lim F (x) = p1 + p2 . Mai mult
x x2
F (x2 ) = P ({X < x2 }) = p1 si F (x2 ) = P ({X < x2 }) = p1 . Rezult a c a funct ia de repartit ie este continu a la st anga. Funct ia de repartit ie poate scris a restr ans cu ajutorul funct iei unitate (treapta unitate) u(x) = 0, dac a x 0, . 1, dac a x > 0,
Functia generalizat a delta (t) (distribut ia Dirac) este denit a cu ajutorul funct iei unitate astfel: x u(x) = (t) dt
si deci
n
F (x) = p1 u(x) + p2 u(x x1 ) + . . . + pn u(x xn ) =

k=1
pk u(x xk ),
unde pk = P ({X < xk }). Putem introduce si n cazul discret (pentru cazul continuu se poate consulta Capitolul 3) funct ia densitate de probabilitate tin and seama de leg atura dintre funct ia unitate si distribut ia Dirac. Astfel, tin and seama de faptul c a (vezi Capitolul 3.2, Formula (3.9)):
x
F (x) =
f (t) dt
obt inem densitatea de probabilitate pentru variabile aleatoare discrete

n
f (x) =
k=1
pk (x xk ).
Aceast a densitate de probabilitate este o funct ie generalizat a (o distribut ie). Operat ii cu variabile aleatoare discrete simple. Deoarece variabila aleatoare discret a simpl a este o funct ie denit a pe mult imea evenimentelor elementare cu valori reale, putem vorbi de suma si produsul a dou a variabile aleatoare discrete simple ca si la funct ii. Astfel, dac a e este un eveniment elementar si X si Y sunt denite pe aceea si mult ime de evenimente elementare, avem (X + Y )(e) = X (e) + Y (e),
Variabile aleatoare discrete (XY )(e) = X (e)Y (e).
51
X este o nou a variabil a aleatoare denit a Dac a Y (e) = 0 oricare ar evenimentul e, c atul Y prin relat ia X X (e) ( )(e) = . Y Y (e) Produsul unei variabile aleatoare X cu o constant a real a c este o nou a variabil a aleatoare cX denit a prin relat ia (cX )(e) = cX (e). Acest produs poate interpretat si ca produsul lui X cu variabila aleatoare constant a identic egal a cu c (Y (e) = c, e E ). Dac a X (e) 0, e E , iar I R xat, denim X ca o nou a variabil a aleatoare denit a prin (X (e) = (X (e)) . In cazul n care I N se poate renunt a la condit ia X (e) 0, e E , variabila aleatoare poate interpretat a ca produsul lui X cu el nsu si. Fie variabilele aleatoare X si Y av and tabelele de repartit ie x1 x2 . . . x m X: , p1 p2 . . . pm Y : y1 y2 . . . yn q1 q2 . . . qn .
Fie A1 , A2 , . . . , Am respectiv B1 , B2 , . . . , Bn sistemul complet de evenimente generat de variabila aleatoare X , respectiv Y . Avem, evident P (Ai ) = pi , i = 1, m, P (Bj ) = qj , j = 1, n. Variabila aleatoare X + Y ia valoarea xi + yj pe submult imea Ai Bj , dac a aceast a intersect ie este nevid a. Dac a Ai Bj = , variabila aleatoare X + Y ia valoarea xi + yj cu probabilitatea zero si deci aceasta nu apare n tabel. Dac a not am P (Ai Bj ) = pij , i = 1, m, j = 1, n atunci tabelul de repartit ie al variabilei aleatoare X + Y va X +Y : Pentru produs vom avea XY : x1 y1 x1 y2 . . . x1 yn . . . xm yn p11 p12 . . . p1n . . . pmn . x1 + y1 x1 + y2 . . . x1 + yn . . . xm + yn p11 p12 ... p1n ... pmn .
In ambele cazuri tabelul de repartit ie are cel mult mn coloane.
52
Observat ia 2.2.2 In cazul particular Y = a = const.,deoarece pij = P ({X = xi , Y = a}) = P ({(X = xi ) E }) = P ({X = xi }) = pi avem a+X : si la fel aX : ax1 ax2 . . . axm p1 p2 . . . pm . a + x1 a + x2 . . . a + xm p1 p2 ... pm ,
Observat ia 2.2.3 Denit ia sumei de variabile aleatoare discrete simple se poate extinde la un num ar nit de variabile aleatoare simple. De exemplu, dac a X: atunci X +Y +Z : xi pi , i = 1, m, Y : yj qj , j = 1, n, Z: zk rk , k = 1, l,
xi + y j + z k pijk
, i = 1, m, j = 1, n, k = 1, l.
a este p. Din aceast a Exemplul 2.2.5 Probabilitatea extragerii unei bile albe dintr-o urn urn a se fac dou a extrageri, pun andu-se bila napoi n urn a dup a extragere. Se consider a variabilele aleatoare X1 si X2 , prima reprezent and num arul de bile albe obt inute la prima extragere si a doua num arul de bile albe de la a doua extragere. S a se scrie tabloul de repartit ie al variabilelor aleatoare discrete simple X1 , X2 , X1 + X2 , X1 X2 . Dac a X1 : atunci X1 + X2 : deoarece P ({X1 + X2 = 0}) = P ({X1 = 0, X2 = 0}) = P ({X1 = 0})P ({X2 = 0}) = q 2 , P ({X1 + X2 = 1}) = P ({X1 = 1, X2 = 0} {X1 = 0, X2 = 1}) = 2pq, P ({X1 + X2 = 2}) = P ({X1 = 1, X2 = 1}) = P ({X1 = 1})P ({X2 = 2}) = p2 , P ({X1 + X2 = 0}) = P ({X1 = 0, X2 = 0}) = q 2 . La fel, X1 X2 : deoarece P ({X1 X2 = 0}) = P ({X1 = 0, X2 = 0} {X1 = 1, X2 = 0) {X1 = 0, X2 = 1}) = 2pq + q 2 , P ({X1 X2 = 1}) = P ({X1 = 1, X2 = 1}) = p2 . 0 1 2 2pq + q p2 , 0 1 q p , X2 : 0 1 q p , q = 1 p,
0 1 2 2 q 2pq p2
Variabile aleatoare discrete Propozit ia 2.2.1 Fiind date variabilele aleatoare X: xi pi , i = 1, m; Y : yj qj , j = 1, n,
53
iar pij probabilit a tile denite de suma si produsul celor dou a variabile aleatoare. Au loc relat iile:
n m
pi =
j =1
pij , qj =
i=1
pij .
Demonstrat ie. Efectu and experient a c areia i sunt asociate variabilele aleatoare, Y ia n mod sigur una din valorile y1 , y2 , . . . , yn . Dac a X ia valoarea xi , rezult a c a evenimentul {X = xi } se realizeaz a mpreun a cu unul din evenimentele {Y = y1 }, . . . , {Y = yn }. Deci {X = xi } = {X = xi } ({Y = y1 } {Y = y2 } . . . {Y = yn }) = = ({X = xi } {Y = y1 }) ({X = xi } {Y = y2 }) . . . ({X = xi } {Y = yn }). De aici rezult a c a
n n
pi = P ({X = xi }) =
j =1
P ({X = xi , Y = yj }) =
j =1
pij .
La fel se demonstreaz a cea de-a doua relat ie. Observat ia 2.2.4 Dac a consider am si variabila aleatoare discret a simpl a Z: zk rk , k = 1, l,
atunci pentru probabilit a tile sumei (produsului) celor trei variabile aleatoare discrete simple au loc relat iile
l m n
pijk = pij ;
k=1 i=1
pijk = pjk ;
j =1
= pik ;
Independent a variabilelor aleatoare discrete simple. Denit ia 2.2.2 Dou a variabile aleatoare se numesc independente dac a probabilitatea ca una din variabile s a ia o valoare nu depinde de valoarea luat a de cea de a doua variabil a aleatoare. aX si Y sunt astfel de variabile aleatoare atunci dou a evenimente Observat ia 2.2.5 Dac de forma {X = xi } si {Y = yj }, i = 1, m, j = 1, n, sunt independente. In general, putem da denit ia:
54
Denit ia 2.2.3 Variabilele aleatoare discrete simple X, Y, Z, . . . sunt independente dac a evenimentele {X = xi }, {Y = yj }, {Z = zk }, . . . i = 1, m, j = 1, n, k = 1, l sunt independente n totalitatea lor. Observat ia 2.2.6 Dac a variabilele aleatoare X: sunt independente, atunci pij = P ({X = xi , Y = yj }) = P ({X = xi })P ({Y = yj }) = pi qj . La fel pentru trei variabile aleatoare discrete simple. In cazul acesta X +Y : XY : xi + y j p i qj xi y j pi qj , i = 1, m, j = 1, n; , i = 1, m, j = 1, n. xi pi , i = 1, m, Y : yj qj , j = 1, n,
Exemplul 2.2.6 Suma a dou a variabile aleatoare discrete simple independente X, Y, Z = X + Y , poate obt inut a astfel: P ({Z = k }) = P ({X + Y = k }) = =
i
P ({X = i, Y = k i}) =
i
P ({X = i})P ({Y = k i}),
sumarea referindu-se la toate valorile ntregi ale lui X , mai mici dec at k . Dac a not am cu p(i) = P ({X = i}), q (j ) = P ({Y = j }), r(k ) = P ({Z = k }), obt inem
k k
r(k ) =
i=0
p(i)q (k i) =
j =0
p(k j )q (j ),
acestea reprezent and produsul de convolut ie a lui p si q . Propozit ia 2.2.2 Variabilele aleatoare simple X si Y sunt independente dac a si numai dac a evenimentele {x < X < x} si {y < Y < y } sunt independente, oricare ar R. x, x , y, y I Demonstrat ie.Presupunem c aX si Y sunt independente. Deoarece {x < X < x, y < Y < y } =
x <xi <x, y <yj <y
{X = xi , Y = yj }
rezult a, datorit a independent ei, P ({x < X < x, y < yj < y }) = P (

x <xi <x, y <yj <y
{X = xi , Y = yj }) =
Variabile aleatoare discrete =

x <xi <x;y <yj <y
55 P ({X = xi })
x <xi <x y <yj <y
P ({X = xi , Y = yj }) = {X = xi })P (
y <yj <y
P ({Y = yj }) =
= P(
{Y = yj }) = P ({x < X < x})P ({y < Y < y }).
x <xi <x
Reciproc, presupunem c a evenimentele {x < X < x} si {y < Y < y } sunt independente, oricare ar x, x , y, y I R. Atunci {X = xi , Y = yj } = {xi1 < X < xi+1 , yj 1 < Y < yj +1 }, i = 1, m, j = 1, n, unde x0 = y0 = , xn = yn = . Rezult a c a P ({X = xi , Y = yj }) = P ({xi1 < X < xi+1 , yj 1 < Y < yj +1 }) = = P ({xi1 < X < xi+1 })P ({yj 1 < Y < yj +1 }) = P ({X = xi })P ({Y = yj }).
Caracteristici numerice pentru variabile aleatoare discrete simple. a simpl a Denit ia 2.2.4 Fie variabila aleatoare discret X: x1 x2 . . . x m p1 p2 . . . pm
m
, pi
0, i = 1, m,
i=1
pi = 1.
(2.4)
Vom numi media variabilei aleatoare discrete simple X num arul

m
M [X ] = x1 p1 + x2 p2 + . . . + xm pm =
i=1
xi p i .
Denumirea de medie este ndrept a tit a dac a tinem seama de sensul ei practic. Presupunem c a am repetat de N ori o experient a care ne-a condus la variabila aleatoare X . Dac a valoarea x1 este luat a de n1 ori, valoarea x2 de n2 ori,. . ., valoarea xm de nm ori, unde n1 + n2 + . . . + nm = N , atunci suma valorilor luate de variabila aleatoare X este n1 x1 + n2 x2 + . . . + nm xm , iar media aritmetic a a valorilor luate de X va n 1 x1 + n 2 x2 + . . . + n m xm n1 n2 nm = x1 + x2 + . . . + xm . N N N N n1 reprezint a raportul dintre num arul cazurilor n care s-a luat valoarea x1 si num arul N n2 nm total de experiment ari, adic a p1 . La fel = p2 , . . . , = pm . N N Media aritmetic a a valorilor luate de X poate aproximat a cu p1 x1 + p2 x2 + . . . + pm xm , adic a media lui X . Media lui X ne arat a la ce valoare putem s a ne a stept am pentru media aritmetic a a unui mare num ar de valori ale lui X , obt inute n urma repet arii experient ei date. Dar
56
Exemplul 2.2.7 Variabilele aleatoare discrete simple din Exemplul 2.2.5, X1 si X2 , av and repartit iile: 0 1 X 1 , X2 : , q p au valoarea medie M [Xi ] = 1p + 0q = p, i = 1, 2, iar X1 + X2 : are media M [X1 + X2 ] = 2pq + 2p2 = 2p. Denit ia 2.2.5 Se nume ste moment init ial de ordin k , k I N , al variabilei aleatoare X k media lui X . Not am k = Mk [X ] = M [X k ]. Observat ia 2.2.7 Momentul init ial de ordin 1 al variabilei alearoare X este chiar media variabilei aleatoare. 0 1 2 2 q 2pq p2 ,
Propriet a ti ale mediei. 1. Valoarea medie a unei constante este egal a cu constanta, X: c 1 , M [X ] = c.
2. Dac a X este o variabil a aleatoare simpl a si a I R o constant a, atunci au loc relat iile: M [a + X ] = a + M [X ], M [aX ] = aM [X ], Intr-adev ar, deoarece a+X :
m
a + x1 a + x2 . . . a + xm p1 p2 ... pm
m m
M [a + X ] =
i=1
(a + xi )pi = a
i=1
pi +
i=1
xi pi = a + M [X ]; ,
aX :
m
ax1 ax2 . . . axm p1 p2 . . . pm

m
M [aX ] =
i=1
(axi )pi = a
i=1
xi pi = aM [X ].
57
3. Valoarea medie a unei variabile aleatoare este cuprins a ntre cea mai mic a si cea mai mare dintre valorile posibile ale variabilei aleatoare. Fie a = min xi si A = max xi .
m m
M [X ] =
i=1 m
xi p i > a
i=1 m
pi = a, pi = A,
a < M [X ] < A.
M [X ] =
i=1
xi p i < A
i=1
a cu suma valorilor 4. Valoarea medie a unei sume nite de variabile aleatoare este egal medii ale variabilelor aleatoare respective. Fie X: x1 x2 . . . x m p1 p2 . . . pm X +Y : Atunci M [X + Y ] =
i=1 j =1 m n n m m n
Y :
y1 y2 . . . yn q1 q2 . . . q n .
x1 + y1 x1 + y2 . . . xm + yn p11 p12 ... pmn

m n
(xi + yj )pij = xi pi +
i=1 j =1
=
i=1
xi (
j =1
pij ) +
j =1
yj (
i=1
pij ) =
yj qj = M [X ] + M [Y ].
Demonstrat ia pentru suma unui num ar nit de variabile aleatoare se face prin induct ie. 5. Valoarea medie a unui produs de variabile aleatoare independente este egal a cu produsul mediilor variabilelor considerate. X: x1 x2 . . . x m p1 p2 . . . pm XY : , Y : y1 y2 . . . yn q1 q2 . . . q n , ,
x1 y1 x1 y2 . . . xm yn p11 p12 . . . pmn

m n
M [XY ] =
i=1 j =1
xi yj pij .
Dac a variabilele sunt independente, se produc simplic ari importante deoarece putem scrie pij = pi qj si atunci
n n n
M [XY ] =
j =1
x1 yj p1 qj +
j =1 m n
x2 yj p2 qj + . . . +
j =1
xm yj pm qj =
=(
i=1
xi pi )(
j =1
yj qj ) = M [X ]M [Y ].
58
Variabile aleatoare discrete 6. Oricare ar variabila aleatoare X , are loc relat ia M [X 2 ] |M [X ]|.
Consider am variabila aleatoare X av and tabloul (2.4) si e Y = (X + a)2 , a I R. Deoarece valorile lui Y sunt pozitive, rezult a c a M [Y ] 0 si deci
m m m
M [Y ] =
i=1
(xi + a) pi =
i=1
xi pi + 2a
i=1
xi pi + a2 =
= M [X 2 ] + 2aM [X ] + a2 Rezult a 0 si cum
0 a I R. 0
= (M [X ])2 M [X 2 ] obt inem inegalitatea dorit a.
7. Inegalitatea lui Schwarz. Fie x si Y dou a variabile aleatoare discrete simple. Are loc inegalitatea |M [XY ]| M [X 2 ]M [Y 2 ]. Demonstrat ia poate g asit a n Capitolul 3.4, Formula (3.42). Denit ia 2.2.6 Fie o variabil a aleatoare X si o constant aaI R. Numim abaterea de la constanta a a variabilei aleatoare X variabila X a. ste moment centrat de ordin k raportat la constanta a a variDenit ia 2.2.7 Se nume abilei aleatoare X media variabilei (X a)k . Observat ia 2.2.8 Pentru a = 0 obt inem momentul init ial de ordin k . Observat ia 2.2.9 Pentru a = M [X ] = m obt inem momentul centrat de ordin k al variabilei aleatoare X . Denit ia 2.2.8 Variabila aleatoare X M [X ] se nume ste abaterea de la medie a variabilei aleatoare X . Propozit ia 2.2.3 Valoarea medie a abaterii oric arei variabile aleatoare este nul a. M [X M [X ]] = M [X ] M [M [X ]] = M [X ] M [X ] = 0. De multe ori la o variabil a aleatoare ne intereseaz a c at de mult se abat valorile variabilei de la valoarea medie. Trebuie s a stabilim un indicator numeric al mpr a stierii valorilor variabilei aleatoare n jurul valorii medii. Valoarea medie a abaterii de la medie nu poate caracteriza aceast a mpr a stiere deoarece este nul a pentru orice variabil a aleatoare. Abaterile diferitelor valori, av and semne diferite, se compenseaz a. Este resc s a caracteriz am mpr a stierea variabilei aleatoare X prin valoarea medie a abaterilor absolute | X M [X ] | pe care o numim abatere medie. Dac a X are tabloul de repartit ie X: x1 x 2 . . . x n p1 p2 . . . p n ,
Variabile aleatoare discrete atunci repartit ia abaterii absolute este | x1 m | | x2 m | . . . | xn m | p1 p2 ... pn unde m = M [X ], iar abaterea medie este p1 | x1 m | +p2 | x2 m | + . . . + pn | xn m | . ,
59
Se observ a c a semnul expresiilor xi m nu inuent eaz a valoarea abaterii medii. Folosirea abaterii medii este foarte incomod a n calcule. Foarte comod a este n schimb folosirea expresiei M [(X m)2 ]. Denit ia 2.2.9 Se nume ste dispersie a variabilei aleatoare X momentul centrat de ordinul al doilea al variabilei, notat 2 = D2 [X ] = M [(X m)2 ], m = M [X ]. Observat ia 2.2.10 Demonstr am o formul a util a n aplicat ii si anume c a dispersia unei variabile aleatoare este egal a cu media p atratului variabilei aleatoare minus p atratul mediei, adic a D2 [X ] = M [X 2 ] (M [X ])2 . Intr-adev ar, D [X ] =
i=1 n n 2 n
pi (xi m)2 =
=
i=1
pi xi 2m
i=1
pi xi + m2 = M [X 2 ] 2m2 + m2 = M [X 2 ] (M [X ])2 .
Ar at am c a dispersia unei variabile aleatoare X este, ntr-un anume sens, cea mai bun a valoare care caracterizeaz a mpr a stierea valorilor x1 , x2 , . . . , xn sau, cu alte cuvinte, M [X ] este punctul cel mai potrivit fat a de care trebuie s a m asur am devierile acestor valori. Acest lucru rezult a din urm atoarea propozit ie. Propozit ia 2.2.4 Dac a X este o variabil a aleatoare care ia valorile x1 , x2 , . . . , xn cu probabilit a tile p1 , p2 , . . . , pn , iar m este media, atunci
n n
D [X ] =
i=1
pi (xi m)
2 i=1
pi (xi x)2 ,
x I R.
Demonstrat ie. Putem scrie xi x = (xi m) + (m x), i = 1, n.

n n
pi (xi x) =
i=1 i=1
pi [(xi m) + (m x)]2 =
60
n n
Variabile aleatoare discrete =

i=1 n
pi (xi m) + 2(m x)
i=1
pi (xi m) + (m x)2 =
=
i=1
pi (xi m)2 + 2(m x)(m m) + (m x)2 = = D2 [X ] + (m x)2 D2 [X ].
Propriet a ti ale dispersiei. a deoarece, tin and seama de propriet a tile mediei, 1. Dispersia unei constante este nul D2 [c] = M [c2 ] (M [c])2 = 0. 2. Dou a variabile aleatoare care difer a printr-o constant a au dispersiile egale. X: x1 x2 . . . x n p1 p2 . . . pn ,
Y =a+X :
a + x1 a + x2 . . . a + xn p1 p2 ... pn
n
M [Y ] = M [X + a] = M [X ] + a, D [Y ] =
i=1 n n 2
(xi + a M [Y ])2 pi =
2
=
i=1
pi (xi + a M [X ] a) =
i=1
pi (xi M [X ])2 = D2 [X ].
3. D2 [aX ] = a2 D2 [X ] deoarece
n n
D2 [aX ] =
i=1
pi (axi am)2 =
i=1 n
pi a2 (xi m)2 =
=a
2 i=1
pi (xi m)2 = a2 D2 [X ].
4. Dac a variabilele aleatoare X1 , X2 , . . . , Xk sunt independente, atunci dispersia sumei este egal a cu suma dispersiilor. D2 [X1 + X2 + . . . + Xk ] = D2 [X1 ] + D2 [X2 ] + . . . + D2 [Xk ]. Intr-adev ar, e Y = X1 + X2 + . . . + Xk
Variabile aleatoare discrete atunci D [Y ] = M [Y ] (M [Y ]) = M [(

i=1 2 2 2
61
Xi ) ] (M [
i=1
Xi ])2 =
2 M [X1
2 X2
+ ... +
2 Xk
+ 2X1 X2 + 2X1 X3 + . . . + 2Xk1 Xk ]
2 2 2 (M [X1 ] + M [X2 ] + . . . + M [Xk ])2 = M [X1 ] + M [X2 ] + . . . + M [Xk ]+
+2M [X1 X2 ] + 2M [X1 X3 ] + . . . + 2M [Xk1 Xk ] (M [X1 ])2 (M [X2 ])2 . . . (M [Xk ])2 2M [X1 ]M [X2 ] 2M [X1 ]M [X3 ] . . .
2 2 2M [Xk1 ]M [Xk ] = M [X1 ] (M [X1 ])2 + M [X2 ] (M [X2 ])2 + . . . + 2 +M [Xk ] (M [Xk ])2 = D2 [X1 ] + D2 [X2 ] + . . . + D2 [Xk ],
folosind Proprietatea 5 a mediei. Observat ia 2.2.11 Proprietatea r am ane adev arat a n condit ii mai put in restrictive. In cursul demonstrat iei s-a folosit faptul c a variabilele aleatoare Xi , i = 1, k sunt independente dou a c ate dou a si nu n totalitatea lor. Mai general, combin and Propriet a tile 3 si 4, avem
k k
D [
i=1
ai Xi ] =
i=1
a2 D2 [Xi ]
In particular, D2 [X Y ] = D2 [X ] + D2 [Y ]. De obicei, gradul de mpr a stiere a valorilor unei variabile aleatoare X se exprim a nu prin dispersie, ci prin abaterea medie p atratic a, notat a D[X] si denit a prin relat ia = D[X ] = D2 [X ].
Aceasta are avantajul c a se exprim a prin acelea si unit a ti de m asur a ca si valorile variabilei aleatoare X . Propriet a ti ale abaterii medii p atratice. 1. D[c] = 0, dac a c = const., c I R. 2. D[a + X ] = D[X ]. 3. D[aX ] =| a | D[X ]. Propriet a tile de mai sus rezult a din propriet a tile dispersiei. Teorema 2.2.1 (Inegalitatea lui Ceb a sev). Fie X o variabil a aleatoare care admite medie si dispersie nite. Atunci, oricare ar 0, are loc inegalitatea P ({| X m |< }) 1 D2 [X ]
2
, m = M [X ].
(2.5)
62
Demonstrat ie. Facem observat ia c a aceast a inegalitate d a o margine inferioar a pentru probabilitatea ca abaterea absolut a a unei variabile aleatoare cu dispersia cunoscut a s a e mai mic a dec at un num ar dat. Pentru demonstrat ie consider am repartit ia variabilei aleatoare X , X: x1 x 2 . . . x n p1 p2 . . . p n ,
n care presupunem c a am scris valorile n ordine cresc atoare, si deci a sa vor scrise si a valorile | xi m |, i = 1, n, adic |x1 m| |x2 m| ... |xn m|.
Dac a lu am un 0 oarecare, unele din valorile |xi m|, i = 1, n, vor mai mari sau egale cu , altele mai mici. Exist a deci un l astfel nc at |x 1 m | |x 2 m | ... |x l m | < |xl+1 m| ... |x n m |.
Aceste inegalit a ti se mai pot scrie (x1 m)2 (x2 m)2 ... (xl m)2 <
2
(xl+1 m)2
...
(xn m)2 .
Variabila aleatoare |X m| are repartit ia |x1 m| |x2 m| . . . |xl m| |xl+1 m| . . . |xn m| p1 p2 ... pl pl+1 ... pn si ia valoarea |xi m| atunci c and X ia valoarea xi . Inegalitatea |X m| < este vericat a atunci c and |X m| ia una din valorile |x1 m|, |x2 m|, . . . , |xl m| adic a atunci si numai atunci c and X ia una din valorile x1 , x2 , . . . , xl . Putem scrie deci evenimentul (|X m| < ) ca o reuniune nit a de evenimente incompatibile {|X m| < } = {X = x1 } {X = x2 } . . . {X = xl }. de unde P ({|X m| < }) =
i=1 l n
pi = 1
i=l+1
pi .
Scriem acum dispersia variabilei aleatoare X 2 = (x1 m)2 p1 + . . . + (xl m)2 pl + (xl+1 m)2 pl+1 + . . . + (xn m)2 pn . Vom transforma aceast a egalitate n inegalitate prin mic sorarea membrului drept. 2 Aceast a minorare o realiz am astfel: valorile (xi m) care sunt mai mici ca 2 le nlocuim 2 2 cu 0, iar cele care sunt mai mari sau egale cu le nlocuim cu . Atunci
n
0p1 + . . . + 0pl +
pl+1 + . . . +
pn =
2 i=l+1
pi
Variabile aleatoare discrete si deci 2

2 n
63
pi ,
i=l+1
2
2
1
i=l+1
pi = P ({|X m|} < ),
care este echivalent a cu Inegalitatea (2.5). Dac a lu am = k aceast a inegalitate se scrie P ({|X m| < k }) sau P ({m k < X < m + k }) 1 1 1 k2
1 . De exemplu, pentru k = 3 obt inem k2 1 1 8 = . 9 9
P ({m 3 < X < m + 3 }) Deci, cu o probabilitate cuprins a ntre (m 3, m + 3 ). Exemplul 2.2.8 Fie X:
8 si 1, orice variabil a ia valori cuprinse n intervalul 9
0 , 2 0, 3 0 , 4 0, 5 0 , 1 0, 2 0 , 3 0, 4
S a se estimeze probabilitatea P ({|X m| < 0, 2}). Utiliz am inegalitatea lui Ceb a sev cu P ({|X m| < 0, 2}) 1 D2 [X ] . 0, 22
M [X ] = 0, 4, M [x2 ] = 0, D2 [X ] = 0, 01. Inlocuim mai sus si obt inem: P ({|X 0, 4| < 0, 2}) 0, 75.
2.3
Exemple de variabile aleatoare discrete simple
1. Repartit ia Poisson. Fie X o variabil a aleatoare care ia ca valori num arul de bile albe extrase din n urne ine ecare, n proport ii diferite, bile albe si negre. Probabilitatea de Ui , i = 1, n, care cont a extrage o bil a alb a din urna Ui este pi , iar o bil a neagr a este qi = 1 pi . Fie Xi , i = 1, n, variabilele aleatoare care iau valoarea 1 dac a din urna Ui se extrage o bil a alb a si 0 dac a din aceea si urn a se extrage o bil a neagr a. Xi : 0 1 qi pi , i = 1, n,
64 M [Xi ] = pi . Cu notat iile introduse, putem scrie
X = X1 + X2 + . . . + Xn =
i=1 n n
Xi ,
n
M [X ] = M [
i=1 2
Xi ] =
i=1 n 2
M [Xi ] =
i=1 n
pi ,
D [X ] = D [
i=1
Xi ] =
i=1
D2 [Xi ],
deoarece variabilele aleatoare Xi , i = 1, n, sunt independente. Dar D2 [Xi ] = M [Xi2 ] (M [Xi ])2 . Deoarece Xi2 : avem M [Xi2 ] = pi , deci D [Xi ] = pi
2 n
0 1 qi pi
p2 i
= pi qi si D [X ] =
i=1
p i qi .
2. Repartit ia Bernoulli. Este de fapt repartit ia Poisson n care structurile urnelor Ui , i = 1, n, sunt identice, adic a p1 = p2 = . . . = pn = p, q1 = q2 = . . . = qn = q . Variabila aleatoare corespunz atoare este 0 1 2 ... k ... n X: . 0 0 n 1 1 n1 2 2 n2 k k nk n n 0 Cn p q Cn p q Cn p q . . . Cn p q . . . Cn p q Scriem, n acest caz, X : Bi(n, p). Particulariz and schema lui Poisson, obt inem M [X ] = np, D2 [X ] = npq.
De fapt variabila aleatoare binomial a descrie o experient a n care un eveniment A se repet a independent de n ori si intereseaz a de c ate ori s-a realizat n decursul celor n repet ari. Fie X num arul de realiz ari ale evenimentului A n cele n efectu ari. Deci X va k k nk p q . Figura 2.2 si 2.3 sunt lua valorile 1, 2, 3, . . . n cu probabilit a tile P ({X = k }) = Cn desenate densit a tile de probabilitate generalizate pentru variabila aleatoare binomial a, pentru n = 24, (a) p = 0, 2 si respectiv (b) p = 0.5. Remarc am c a P ({X = k }) este maxim c and kmax = (n + 1)p , unde x noteaz a partea ntreag a a lui x. Dac a (n + 1)p este ntreg, atunci maximum este atins n kmax si kmax 1.
65
Variabila aleatoare binomial a apare n aplicat ii n care sunt dou a tipuri de situt ii: realiz ari/nerealiz ari, bit corect/eronat, aparat bun/defect etc. 3. 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 1 2 ... k ... min{n, a} min{n,a} nmin{n,a} 0 n 1 n1 2 n2 k n k X : Ca . Cb Ca Cb Ca Cb Ca Cb Ca Cb ... ... n n n n n Ca+b Ca+b Ca+b Ca+b Ca+b Calcul am caracteristicile numerice ale variabilei aleatoare X . Avem
min{a,n}
M [X ] =
k=1
k a
n Ca +b
k nk Ca Cb 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 ] =

k 2 k nk 2 Ca Cb k n Ca +b
=
k
k n k Ca Cb k (k 1) + n Ca +b
k nk Ca Cb k ; n Ca +b
k (k 1)
k
k nk Ca Cb 1 = n 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 ] =
a(a 1)n(n 1) n!(a + b n)!(a + b 2)! = . (a + b)!(n 2)!(a + b n)! (a + b)(a + b 1)
a(a 1)n(n 1) an an (a 1)(n 1) + = ( + 1), (a + b)(a + b 1) a + b a+b a+b1 an(an n + b) a2 n2 abn(a + b n) = . 2 (a + b)(a + b 1) (a + b) (a + b)2 (a + b 1)
D2 [X ] =
si n cazul schemei bilei ne ntoarse, variabila aleatoare hipergeometric a poate scris a sub forma unei sume de variabile aleatoare. S a not am cu X1 num arul de bile albe obt inute la prima extragere, cu X2 num arul de bile albe obt inute la a doua extragere etc. Tabloul de repartit ie al variabilei X1 este 0 1 X1 : . q p
66
Vom ar ata c a si celelalte variabile aleatoare Xi , i = 2, n, au aceea si repartit ie. Pentru aceasta calcul am probabilitatea obt inerii unei bile albe la extract ia de ordin k , atunci c and se fac extrageri f ar a ntoarcerea bilei. Num arul cazurilor posibile Ak arul a+b . Num cazurilor favorabile coincide cu num arul de moduri n care pot luate k bile astfel nc at pe locul k s a e o bil a alb a. O bil a alb a poate luat a n a moduri. 1 1 Celelalte k 1 locuri pot ocupate n Ak n total aAk a+b1 moduri, a+b1 cazuri favorabile. Probabilitatea c atat a va deci
1 aAk a a(a + b 1)(a + b 2) . . . (a + b k + 1) a+b1 = = p. = k (a + b)(a + b 1) . . . (a + b k + 1) a+b Aa+b
Rezult a c a Xk are repartit ia Xk : Din relat iile
0 1 q p
X = X1 + X2 + . . . + Xn si M [X1 ] = M [X2 ] = . . . = M [Xn ] = p, rezult a M [X ] = np. Ca si n cazul repatit iei lui Bernoulli, X se scrie ca o sum a de variabile aleatoare av and aceea si repartit ie 0 1 . q p Deosebirea este esent ial a: n cazul repartit iei hipergeometrice, variabilele aleatoare nu sunt independente. Din aceast a cauz a nu putem calcula dispersia variabilei aleatoare X ca suma dispersiilor variabilelor aleatoare Xi . Teorema 2.3.1 Dac a X este o variabil a aleatoare repartizat a hipergeometric cu parametrii a + b, a, n, pentru care C k C nk P ({X = k }) = a nb , Ca+b atunci
k nk Cb Ca k k nk p q , = Cn a+b C n a+b
lim
(2.6)
a ,q = 1 p si deci pentru valori mari ale lui a + b, o variabil a aleaa+b toare repartizat a hipergeometric poate aproximat a cu o variabil a repartizat a binomial a a Bi(n, ). a+b unde p = Demonstrat ie.
k nk Cb Ca a(a 1) . . . (a k + 1) = n Ca+b k!
Variabile aleatoare discrete = b(b 1) . . . (b n + k 1) n! = (n k )! (a + b) . . . (a + b n + 1)
67
n! a(a 1) . . . (a k + 1)b(b 1) . . . (b n + k 1) = k !(n k )! (a + b) . . . (a + b n + 1) a a1 ak+1 b b1 bn+k1 ... ... a+ba+b a+b a+ba+b a+b 1 (a + b)n k1 k p(p = Cn ) . . . (p ) (a + b) . . . (a + b n + 1) a+b a+b
k = Cn
q (q
1 nk+1 (a + b)n ) . . . (q ) . a+b a+b (a + b) . . . (a + b n + 1)
Trec and la limit a obt inem (2.6). Exemplul 2.3.1 S a se arate c a dac a X, Y sunt dou a variabile aleatoare independente, X : Bi(n, p), Y : Bi(m, p) atunci X + Y : Bi(n + m, p).
k k
P ({X + Y = k }) =
l=0 k
P ({X = l, Y = k l}) =
l=0
l l nl kl kl mk+l Cn p q Cm p q =
=(
l=0
l kl k n+mk k k n+mk Cn Cm )p q = Cm . +n p q
2.4
Variabile aleatoare discrete simple bidimensionale
In aplicat iile practice ale teoriei probabilit a tilor se nt alnesc adesea probleme n care rezultatele nu pot descrise de o variabil a aleatoare, ci de dou a sau mai multe, ele form and un vector aleator. De exemplu, ntr-un anumit experiment ne intereseaz a s a m asur am at at viteza c at si direct ia particulelor atomice emise de o suprafat a . Acestea sunt date de perechile (v, ), unde este m arimea unghiului orientat n raport cu sistemul de referint a si v viteza. Acestea pot studiate ca un vector aleator. Orice variabil a aleatoare discret a simpl a bidimensional a (X, Y ) se consider a ca un vector aleator de componente X si Y . Dac a vectorul aleator (X, Y ) ia un num ar nit de valori, se poate obt ine urm atoarul tablou numit repartit ia bidimensional a sau tablou de repartit ie bidimensional. X\Y x1 x2 . . . xm y1 p11 p21 . . . pm1 p.1 y2 p12 p22 . . . pm2 p.2 ... ... ... . . . yn p1n p2n . . . p1 p2. . . . pm. 1
. . . pmn . . . p.n
68 Variabilele aleatoare : X: xi pi. , i = 1, m, Y :
yj p.j
, j = 1, n,
se numesc legi de probabilitate marginal a pentru vectorul bidimensional (X, Y ). Din faptul c a evenimentele {e E | X (e) = xi , Y (e) = yj }, i = 1, m, j = 1, n, formeaz a un sistem complet de evenimente, rezult a c a
m n
pij = 1,
i=1 j =1
unde pij = P ({e E | X (e) = xi , Y (e) = yj }). Am notat

n m
pik = pi. , i = 1, m,
k=1 k=1
pkj = p.j , j = 1, n,
cantit a ti care se numesc probabilit a ti marginale. Ca si n cazul variabilelor aleatoare unidimensionale, rezult a c a
n
P ({X = xi }) =
j =1 m
pij = pi. ,
P ({Y = yj }) =
i=1
pij = p.j .
Not am cu P ({xi |yj }) probabilitatea condit ionat a: P ({xi |yj }) = P ({X = xi } | {Y = yj }) . si atunci avem P ({xi |yj }) = Analog: P ({yj |xi }) = P ({X = xi }| {Y = yj }) pij = . P ({Y = yj }) p.j pij . pi. (2.7)
Dac a nmult im relat ia (2.7) cu P ({Y = yj }) obt inem P ({X = xi } {Y = yj }) = P ({xi |yj })P ({Y = yj }), adic a am exprimat pij ca un produs dintre o probabilitate condit ionat a si o probabilitate marginal a. Analog se obt ine P ({X = xi } {Y = yj }) = P ({yj |xi })P ({X = xi }),
Variabile aleatoare discrete Presupunem c a ne intereseaz a ca Y s a ia valori ntr-o regiune A, P {Y A} =

xi yj A
69
P ({X = xi } {Y = yj }) = P {X = xi }
xi yj A
=
xi yj A
P ({yj |xi })P {X = xi } =
P ({yj |xi })
(2.8)
Dac a evenimentele {X = xi } si {Y = yj } sunt independente, deci variabilele aleatoare X si Y sunt independente, atunci pij = pi. p.j si reciproc. Deoarece evenimentul ({Y = y1 }|{X = xi }) ({Y = y2 }|{X = xi }) . . . ({Y = yn }|{X = xi }) = = E |{X = xi } rezult a c a
n
P ({yj |xi ) = 1}.

j =1
La fel
P ({xi |yj ) = 1}.

i=1
Observat ie. Putem ata sa vectorului aleator (X, Y ) tabloul de repartit ie dat de legile de probabilitate condit ionat a: X |{Y = yj } : si respectiv Y |{X = xi } : y1 y2 . . . yi pi1 pi2 pij ... pi. pi. pi. . . . ym pin ... pi. . x1 p1j p.j x2 p2j p.j . . . xi pij ... p.j . . . xm pmj ... p.j ,
Deci avem n legi condit ionate ale variabilei aleatoare X corespunz atoare celor n valori ale variabilei aleatoare Y si respectiv m legi de probabilitate ale variabilei aleatoare Y condit ionate de cele m valori ale lui X . Exemplul 2.4.1 Num arul bit ilor, N , dintr-un mesaj transmi si corect este o variabil a aleatoare care urmeaz a o repartit ie geometric a cu parametrul p. Presupunem c a mesajul este mp art it n pachete de maximum M bit i lungime. Fie Q num arul pachetelor complete formate cu bit ii unui mesaj si R num arul bit ilor r ama si n ultimul pachet care poate incomplet. S a se calculeze probabilitatea ca mesajul transmis s a cont in a q pachete complete, iar ultimul pachet s a cont in a r bit i. Not am cu Y variabila aleatoare care ia ca valori num arul de pachete complete dintr-un mesaj si cu Z variabila aleatoare care ia ca valori num arul R de bit i incomplet i din ultimul pachet.
70
Dac a mesajul are N bit i, atunci num arul pachetelor complete din mesaj este c atul Q a mp art irii lui N la M , iar restul este num arul R al bit ilor din ultimul pachet, N = M Q + R. Variabila aleatoare Y ia valorile 0, 1, 2, . . . iar variabila aleatoare Z ia valorile 0, 1, 2, . . . , M 1. Asociat acestui eveniment consider am variabila aleatoare bidimensiona a (Y, Z ). Probabilitatea ca mesajul corect s a cont in a q pachete complete si ultimul pachet s a cont in a r bit i este dat a de P ({Y = q, Z = r}) = P ({X = N }) = pqM +r (1 p), unde N = qM + r. Probabilitatea ca mesajul transmis s a cont in a q pachete complete P ({Y = q }) = P ({X {qM, qM + 1, . . . , qM + (M 1)}}) = M 1 1 pM = pqM +k (1 p) = (1 p)pqM = (1 pM )(pM )q , q = 0, 1, . . . . 1 p k=0 Observ am c a variabila aleatoare Y urmeaz a o repartit ie geometric a cu parametrul pM . Probabilitatea ca ultimul pachet s a cont in a r bit i este
P ({Z = r}) = P ({X {r, M + r, 2M + r, . . .}}) = 1p r p , r = 0, 1, 2, . . . , M 1 = 1 pM

q =0
(1 p)pqM +r =
Observ am c a variabila aleatoare Z urmeaz a o repartit ie geometric a trunchiat a. Ne punem ntrebarea dac a sunt variabilele aleatoare Y si Z independente. Avem: P ({Y = q })P ({Z = r}) = (1 pM )(pM )q = 1p r p = 1 pM
1p r p = P ({Y = q })P ({Z = r}), q = 0, 1, . . . , r = 0, 1, . . . , M 1. 1 pM
Variabilele aleatoare Y si Z sunt independente.
2.5
Variabile aleatoare cu un num ar innit num arabil de valori
Dac a A1 , A2 , . . . , An , . . . constituie un sistem num arabil de evenimente care formeaz a domeniul de denit ie al unei astfel de variabile aleatoare cu P (An ) = pn , n I N , atunci tabloul de repartit ie al variabilei aleatoare este X: x1 x2 . . . x n . . . p1 p2 . . . pn . . . ,
Ai = {e E, X (e) = xi }.
Variabile aleatoare discrete Un astfel de tabel trebuie s a aib a propriet a tile:
71
pi
0, i I N;
i=1
pi = 1.
Operat iile cu variabile cu un num ar innit num arabil de valori se denesc ca si n cazul variabilelor aleatoare discrete simple. La fel se pune problema si n cazul independent ei variabilelor aleatoare cu un num ar innit num arabil de valori.
72
Repartit ia Poisson. Spunem c a variabila aleatoare X este repartizat a Poisson cu paramatru , I R+ , dac a tabloul s au de repartit ie este X: Folosim notat ia P (k ; ) = Evident P (k ; ) > 0 si

0 e
1
e 1!
2
2 e 2!
... ...
k
k e k!
... ...
k e . k!
k=0
k k e = e = e e = 1. k! k ! k=0
In Figura 2.4 desen am densitatea de probabilitate generalizat a pentru valorea lui = 9. Propriet a ti ale repartit iei Poisson. P1. Media repartit iei Poisson este aceea si cu dispersia repartit iei si egal a cu . Intr-adev ar, k k1 k e = M [X ] = k e = . k! (k 1)! k=0 k=1 Pentru calculul dispersiei folosim formula D2 [x] = M [x2 ] (M [X ])2 .
k 2
M [X ] =
k=1
k!
2
k k (k k ) e + k 2 e = = k! k! k=2 k=1
2
k2
k=2 2
k2 e + = 2 + (k 2)!
D [X ] = 2 + = .
P2. Suma a dou a variabile aleatoare independente repartizate Poisson de parametrii 1 si respectiv 2 este o variabil a aleatoare repartizat a Poisson de parametru 1 + 2 . Intr-adev ar {X1 + X2 = k } = = {X1 = 0, X2 = k } {X1 = 1, X2 = k 1} . . . {X1 = k, X2 = 0}, deci P ({X1 + X2 = k }) =
k1 =0 k k k
P ({X1 = k1 , X2 = k k1 }) =
kk1 1 k 1 1 2 e e2 = k1 ! (k k1 )!
P ({X1 = k1 })P ({X2 = k k1 }) =

k1 =0 k1
e(1 +2 ) k!
k1
e(1 +2 ) k! 1 k k1 k = (1 + 2 )k . 1 2 k k ! 1 !(k k1 )! =0
73
P3. Repartit ia Poisson se obt ine ca un caz limit a a repartit iei binomiale c and n si p scade astfel nc at np = = const.( n general, n > 30, p (0; 0, 1)). Repartit ia Poisson a ap arut odat a cu studiul variabilelor aleatoare cu un num ar foarte mare de valori. Exemple clasice de astfel de variabile aleatoare sunt cele legate de evenimentele care apar rar ntr-un interval de timp, ca de exemplu: - num arul de particule emise de o suprafat a radioactiv a ntr-un interval de timp; - num arul accidentelor dintr-o fabric a n decurs de o s apt am an a; - num arul ma sinilor care trec printr-un anumit loc ntr-un interval de timp; - num arul cererilor de I/O la o ret ea de calculatoare ntr-un interval de timp. Toate aceste procese se numesc Poisson si ele vor studiate n Capitolul 5. In aceste cazuri este proport ional a cu durata intervalului de timp (adic a = tw, w coecient de proport ionalitate). Parametrul w = se mai nume ste parametru de t intensitate, reprezent and media num arului de evenimente care se produc n unitatea de timp. ia Poisson se nt alne ste n cazul evenimentelor care se nt mpl a P4. Deoarece repartit rar (n mare, np = constant, rezult a p mic), ea mai poart a denumirea de legea evenimentelor rare. Observat ia 2.5.1 Repartit ia Poisson permite calculul probabilit a tii ca un num ar de particule s a e emise de o mas a radioactiv a intr-un interval de timp. Presupunem c a masa radioactiv a cont ine n atomi. Intr-o perioada xat a de timp ecare atom are o probabilitate p foarte mic a de dezintegrare si emitere a particulei radioctive. Dac a atomii se dezinegreaz a independent unii de alt ii, atunci num arul emisiilor ntr-un interval de timp poate privit ca efectuarea repetat a de n ori a unui acela si eveniment. De exemplu, un 16 microgram de radiu cont ine aproximativ n = 10 atomi si probabilitatea ca un atom s a se dezintegreze ntr-un interval de timp de o milisecund a este p = 1015 (Rozanov, 1969). Astfel sunt ndeplinite condit iile din Proprietatea P3: n mare si p mic astfel nc at num arul emisiilor urmaez a o variabil a aleatoare repartizat a Poisson. Teorema 2.5.1 Dac a X urmeaz a o repartit ie binomial a,
k k nk P ({X = k }) = Cn p q ,
atunci
n k k nk lim Cn p q =
k e , k!
unde np = = const. Demonstrat ie.

k k nk lim Cn p q = lim
n(n 1) . . . (n k + 1) k ( ) (1 )nk = n k! n n
74 =
Variabile aleatoare discrete k n(n 1) . . . (n k + 1) nk k lim (1 ) = e . k ! n nk n k!
Pentru calculul probabilit a tilor P (k, ) s-au ntocmit tabele pentru cuprins ntre 0, 1, . . . , 20. Aceste tabele dau probabilit a tile ca evenimentele s a se realizeze de cel put in m ori. k e . P ({X m}) = k ! k =m Teorema 2.5.1 ne permite s a aproxim am probabilit a tile unei repartit ii binomiale. ie Exemplul 2.5.1 Probabilitatea de eroare la transmiterea unui bit printr-o linie de comunicat 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. 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 cu legea binomial a cu n = 1000 si 3 3 p = 10 . Legea Poisson cu parametrul = np = 1000 10 = 1 aproximeaz a legea binomial a. Astfel
4
P [N
5] = 1 P [N < 5] = 1
k=0
k 1 1 1 1 e = 1 e1 1 + + + + k! 1! 2! 3! 4!
= 0, 00366
Exemplul 2.5.2 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 laborioase obt inem
3 k C100 (0, 2)k (0, 98)100k = 0, 859. k=0
Dac a aproxim am X cu o variabil a aleatoare repartizat a Poisson, = 100 0, 02 = 2,

3
k=0
2k e2 = 0, 857. k!
Urm atorul exemplu justic a trecerea la limit a si alegerea parametrului . Exemplul 2.5.3 Un generator de particule emite particule n unitatea de timp. Care este probabilitatea ca n intervalul t s a apar a k impulsuri ? t Pentru n sucient de mare mp art im [0, t] n intervale de lungime , nc at n ecare n interval s a existe cel mult un impuls. Probabilitatea ca ntr-un interval de timp de lungime t wt t s a e nregistrat un impuls este w = p (se observ a c a 0, pentru n , n n n
75
ceea ce justic a nc a o dat a denumirea de eveniment rar). Probabilitatea ca n intervalul [0, t] s a e nregistrate k impulsuri este dat a de schema lui Bernoulli
k Cn (
wt k wt nk (wt)k wt ) (1 ) e pentru n cu = wt. n n k!
Repartit ia geometric a. Spre deosebire de variabila aleatoare binomial a care apare c and x am un num ar de repet ari ale unei experient e care poate consta n realizarea sau nerealizarea evenimentului A si num ar am num arul de realiz ari ale acestuia, n cazul variabilei geometrice num ar am num arul m de efectu ari ale experient ei (experient e de tip Bernoulli, adic a independente si repetate n acelea si condit ii) p an a la prima realizare a evenimentului A. In acest caz variabila aleatoare X ia valorile X = k, k = 1, 2, . . . , m, . . . si avem P ({X = k }) = pq k1 , q = 1 p, k = 1, 2, 3, . . . , unde P (A) = p este probabilitatea de realizare a evenimentului A. In acest caz
k1 k2
F (k ) = P ({X < k }) =
j =1
pq j 1 = p
j =0
pq j = p
1 g k 1 = 1 q k 1 , 1q
unde q = 1 p. Uneori ne intereseaz a M = M 1, num arul de repet ari ale experient ei p an a la reu sita ei: P [M = k ] = P [M = k + 1] = (1 p)k p, k = 0, 1, 2, . . . Variabila aleatoare X va lua valoarea 1 dac a evenimentul se realizeaz a n cadrul primei experient e si deci P ({X = 1}) = p; X va lua valoarea 2 dac a evenimentul A nu s-a realizat A) = la prima experient a, dar se realizeaz a la a doua experient a, P ({X = 2}) = P (A )P (A) = (1 p)p = qp. Analog, P ({X = 3}) = P (A A A) = P (A )P (A )P (A) = q 2 p P (A etc. Avem, evident

P ({X = k }) =
k=1 k=1
pq k1 = p
1 = 1. 1q
Calcul am media si dispersia variabilei aleatoare.

M [X ] =
k=1
kpq
k1
=p
k=1
kq
k1
d qk ) = =p ( dq k=1
=p
d q p 1 [ ]= = , dq 1 q (1 q )2 p
tin and seama de propriet a tile seriilor de puteri pentru |q | < 1. D2 [X ] = M [X 2 ] (M [X ])2 ,
76

Variabile aleatoare discrete M [X ] =

k=1 2
k pq
k 1
=p
k=1
k q
2 k1
d =p dq
kq k =
k=1
=p si deci
d q 2p 2p [ ] = p = , dq (1 q )2 p3 p2 D2 [X ] = 2p 1 q 2 = 2. 2 p p p
In Figura 2.5 a) si b) desen am densitatea de probabilitate generalizat a pentru diferite valori ale lui p. Exemplul 2.5.4 Calculatorul A transmite un mesaj calculatorului B printr-o linie telefonic a. 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. Dac a probabilitatea ca transmiterea mesajului s a e eronat a este q = 0, 1, care este probabilitatea ca mesajul s a necesite mai mult de dou a transmisii. Fiecare transmitere a mesajului urmeaz a o repartit ie binomial a cu probabilitatea ca mesajul s a e corect p = 1 q . Experient ele se repet a p an a c and prima transmisie este corect a. Probabilitatea ca mesajul s a necesite mai mult de dou a transmisii este P ({X > 2}) = q 2 = 102 . Exemplul 2.5.5 Fie N num arul de apeluri pe care le face un calculator spre un terminal p an a c and terminalul are un mesaj gata de a transmis. Dac a presupunem c a terminalul produce mesaje care formeaz a un sir de experient e care urmeaz a legea binomial a, atunci N are o repartit ie geometric a. Aat i media variabilei aleatoare care ia ca valori num arul de apeluri. Presupunem p = 0, 4.
M [X = N ] =
k=1
kpq k1 =
1 = 2, 5 p
Aceasta nu este o valoare pe care o poate lua N . Armat ia N este egal a cu 2.5 n medie nu are sens. Sensul armat iei este c a media aritmetic a a unui num ar mare de experient e va aproape de 2.5. Repartit ia binomial a cu exponent negativ. Se spune c a variabila aleatoare X are repartit ie binomial a cu exponent negativ, cu parametrii m si p, (m = 1, 2, . . . , 0 < p < 1), dac a X poate lua valorile m, m + 1, m + 2, . . . iar m1 m km , q = 1 p. P ({X = k }) = Ck 1 p q Acest a repartit ie apare n modele de tipul urm ator: s a presupunem c a s-a efectuat un num ar de observat ii independente, n cursul ec arei observat ii evenimentul A (de exemplu nefunct ionarea unui subansamblu al unui aparat) poate s a se produc a cu probabilitatea p. Observat iile continu a p an a c and evenimentul se produce de m ori si se caut a probabilitatea pentru ca aceasta s a se produc a exact n decursul a k observat ii (k m).
77
Evenimentul {X = k } se scrie ca intersect ie a dou a evenimente: n primele k 1 observat ii evenimentul A se produce de m 1 ori si n observat ia k se produce evenimentul A. Din m1 m km schema lui Bernoulli se deduce c a probabilitatea primului eveniment este Ck 1 p q iar probabilitatea celui de-al doilea eveniment este egal a cu p. Deci
m1 m1 km m1 m km P ({X = k }) = pCk q = Ck . 1 p 1 p q
Numele acestei repartit ii provine din faptul c a probabilitatea c autat a este coecient n dezvoltarea n serie a lui 1 q m1 km m1 m km ( )m = pm (1 q )m = pm Ck = Ck . 1 q 1 p q p p k =m k =m Observ am c a denirea acestei variabile aleatoare este corect a deoarece P ({X = k }) >

0 si
k=m
m1 m km Ck = 1. 1 p q m m1 km Ck si deci 1 x k=m
Pentru a calcula media tinem seama c a (1 x)
xm C m1 xk dac a |x| < 1, = (1 x)m k=m k1

m1 k1 Ck = 1 x k =m
(2.9)
d xm mxm1 ( ) = dac a |x| < 1, dx (1 x)m (1 x)m+1
adic a
M [X ] =
k =m
m1 m km kCk 1 p q
=p q
m m+1 k=m
m1 k1 kCk = pm q m+1 1 q
mq m1 m = , m +1 p p
M [X ] = Pentru calculul dispersiei folosim
m . p
M [X ] =
k=m
m1 m km Ck 1 p q
=p q
m m+1 k =m
k 2 q k1 .
Pentru a calcula ultima sum a nmult im (2.9) cu x si deriv am

m1 k1 = k 2 Ck 1 x k=m
d mxm mxm1 (m + x) [ ] = , dx (1 x)m+1 (1 x)m+2 m(m + q ) , p2 mq . p2
deci M [X 2 ] = iar
D2 [X ] =
78
2.6
Funct ia generatoare
In problemele n care apar variabile aleatoare nenegative se utilizea a funct ia generatoare a variabilei aleatoare X , GX (z ) care se dene ste prin relat ia
GX (z ) =
k=0
pk z k ,
(2.10)
unde P ({X = k }) = pk , k = 0, 1, 2, . . .. Deci cunosc and probabilit a tile pk putem deter
mina funct ia generatoare. Deoarece |z |

k=0
pk = 1, seria de puteri (2.10) converge pentru
1. Pentru |z | < 1 seria de puteri se poate deriva terman cu termen si obt inem:
(j ) GX (z )
=
k=j
n(n 1) . . . (n j + 1)pj z
(nk)
=
k =j
j j !pj z (nk) . Cn
Dac a n relat ia de mai sus facem z = 0 obt inem GX (0) = j !pj sau pj =
(j )
1 (j ) G (0). j! X
Aceasta ne arat a c a putem determina toate probabilit a tile pk cu ajutorul funct iei genera(j ) toare. Din acest a cauz a GX se nume ste funct ie generatoare. In particular, pun and z = 1 n GX si n GX obt inem: M [X ] = GX (1), M [X 2 ] = GX (1) + GX (1). Exemplul 2.6.1 Funct ia generatoare pentru variabila aleatoare Poisson cu parametru este dat a de
GX (z ) =
k=0
k k (z )k e z =e = e ez = e(z1) . k! k! k=0
Primele dou a derivate ale lui GX (z ) sunt date de GX (z ) = e(z1) ; GX (z ) = 2 e(z1) . De aici rezult a media si dispersia variabilei aletoare Poisson M [X ] = D2 [X ] = 2 + 2 = .
79
2.7
Probleme propuse
X: 1 0 1 1/3 1/3 1/3 .
Problema 2.1 Se dene ste variabila aleatoare
S a se scrie tabloul de repartit ie al variabilelor aleatoare X 2 , X + X 2 , X + X 3 . Indicat ie. P ({X 2 = 0}) = P ({X = 0}) = 1/3, P ({X 2 = 1}) = P ({X = 1} {X = 1}) = 1/3 + 1/3 = 2/3. 0 1 X2 : . 1/3 2/3 X + X2 : X + X3 : Problema 2.2 Fie X: 0 1 2 3 4 0, 15 0, 45 0, 20 0, 15 0, 05 . 1 0 1 2 0 1/3 0 2/3 2 1 0 1 2 1/3 0 1/3 0 1/3 . .
S a secalculeze: a) valoarea medie a variabilei aleatoare X si momentul init ial de ordin 2; b) dispersia; c) momentul centrat de ordin 3. Indicat ie.
5 5
a) M [X ] =
1
xi pi = 1, 5, M [X ] =
1
x2 i pi = 3, 4.
b) Not am m = M [X ] = 1, 5, D2 [X ] = M [(X m)2 ]. X m: 1, 5 0, 5 0, 5 1, 5 2, 5 0, 15 0, 45 0, 20 0, 15 0, 05 0, 25 2, 25 6, 25 0, 65 0, 30 0, 05 . .
X m:
5
D2 [X ] = M [(X m)2 ] = 1, 15 sau D2 [X ] = M [X 2 ] (M (X ))2 . b) M [(X m)3 ] =

1
(xi m)3 pi , (1, 5)3 (0, 5)3 (0, 5)3 (1, 5)3 (2, 5)3 0, 15 0, 45 0, 20 0, 15 0, 05 .
(X m)3 :
astfel nc at M [(X m)3 ] = 0, 75. Problema 2.3 Fie X o variabil a aleatoare repartizat a binomial.
80 a. S a se atate c a
Variabile aleatoare discrete pk (n k + 1)p (n + 1)p k = =1+ pk1 kq kq
b. S a se atate c a a. implic a:(1) P ({X = k }) este maxim a pentru kmax = [(n+1)p], unde [x] este partea ntreag a a lui x; (2) dac a (n + 1)p este un ntreg, atunci maximum este atins n kmax si kmax 1. Indicat ie. b. Impunem condit iile pk /pk1 > 1, pk+1 /pk < 1. Problema 2.4 Fie X o variabil a aleatoare repartizat a geometric. S a se calculeze P ({X > k }) si P ({X este un num ar par}). Indicat ie. P ({X > k }) = 1 P ({X < k }) P ({X = k }) = 1 (1 q k1 )pq k1 = q k ; 1 p P {X = 2k } = = . P ({X = 2k }) = pq 2k1 = 2 1 q 1 + q k=1 k=1 k=1 Problema 2.5 S a se arate c a variabila aleatoare geometric a are proprietatea de pierdere a memoriei P ({X k + j |X > j }) = P ({X P (X k }), j, k > 0
In ce sens are loc pierdera memoriei? k + j ) (X j ) = q k . Pierderea P ({X > j }) memoriei are loc n sensul c a probabilitatea realiz arii unui eveniment, legat de o experient a Bernoulli, dup a k + j 1 nerealiz ari, stiind c a nu s-a realizat dup a j efectu ari ale experient ei, depinde numai de k . Indicat ie. P ({X k + j }|{X j }) = Problema 2.6 Fie X o variabil a aleatoare repartizat a geometric. S a se calculeze P ({X = k | X m}). Indicat ie. q k1 p/(1 q m ), 1 k m. Problema 2.7Fie X o variabil a aleatoare repartizat a binomial. a. S a se atate c a pk (n k + 1)p (n + 1)p k = =1+ pk1 kq kq
b. S a se atate c a a. implic a:(1) P ({X = k }) este maxim a pentru kmax = [(n+1)p], unde [x] este partea ntreag a a lui x; (2) dac a (n + 1)p este un ntreg, atunci maximum este atins n kmax si kmax 1. Indicat ie. b. Impunem condit iile pk /pk1 > 1, pk+1 /pk < 1. Problema 2.4 Fie X o variabil a aleatoare repartizat a geometric. S a se calculeze P ({X > k }) si P ({X este un num ar par}). Indicat ie. P ({X > k }) = 1 P ({X < k }) P ({X = k }) = 1 (1 q k1 )pq k1 = q k ; 1 p P = . {X = 2k } = P ({X = 2k }) = pq 2k1 = 2 1q 1+q k=1 k=1 k=1
81
Problema 2.8 Comparat i aproximat ia obt inut a cu variabila Poisson cu probabilitatea binomial a pentru k = 0, 1, 2, 3 si n = 19, p = 0, 1; n = 20, p = 0, 05; n = 100, p = 0, 01. Problema 2.9 Fie X o variabil a aleatoare repartizat a Poisson. S a se arate c a pentru < 1, P ({X = k }) este maxim n k = 0; pentru > 1, P ({X = k }) este maximum pentru []; dac a este ntreg pozitiv, P ({X = k }) este maximum pentru = k si k = 1. Problema 2.10 Calculat i media si dispersia unei variabile aleatoare discrete care ia valorile {1, 2, . . . , n} cu aceea si probabilitate. 1 Indicat ie. P ({X = k }) = , k = 1, 2, ..., n.. n Problema 2.11 S a se calculeze probabilit a tile marginale pentru urm atorii vectori aleatori bidimensionali: X \Y -1 0 1 X \Y -1 0 1 1 0 1/6 0 0 1/3 1/6 0 1 0 1/9 1/9 1/9 1/9 1/9 1/9 1 1/6 0 1/6 1 1/9 1/9 1/9 X \Y -1 0 1 1 0 0 0 0 1/3 1/3 0 1 1/3 0 0
S a se calculeze probabilit a tile evenimentelor A = {X 0}, B = {x Y} si C = {X = Y }. In toate cazurile P ({X = 1}) = P ({X = 0}) = P ({X = 1}) = 1/3, Indicat ie. P ({Y = 1}) = P ({Y = 0}) = P ({Y = 1}) = 1/3. Problema 2.12 Un mesaj necesit a X unit a ti de timp pentru a transmis, unde X este o variabil a aleatoare repartizat a geometric cu pj = (1 )j 1 , j = 1, 2, . . .. Un singur nou mesaj este transmis ntr-o unitate de timp cu probabilitatea p si nici un mesaj cu probabilitatea 1 p. Fie K num arul de mesaje noi care apar de-a lungul transmiterii unui singur mesaj. S a se calculeze probabilitatea P ({X = k }). S a se calculeze M [X ] si D2 [X ]. (1 ) p Indicat ie. P ({X = k }) = ( )k . (1 (1 p)) 1 (1 p) Problema 2.13 Num arul total de defecte care apar la un circuit urmeaz a o distribut ie Poisson cu parametrul . Presupunem c a ecare defect apare ntr-o anumit a regiune R cu probabilitatea p si c a aparit ia unui defect este independent a de aparit ia altor defecte. S a se determine probabilitatea ca num arul de defecte Y care apar n regiunea R s a e j . Indicat ie. Folosind ecuat ia (2.8) avem
P ({Y = j }) =
k=0
P ({Y = j/X = k })P ({X = k }).
82
Defectele care apar n ecare moment pot considerate ca experient e Bernoulli care se realizeaz a cu succes dac a defectul este n regiunea R. Dac a num arul total de defecte este X = k , atunci num arul de defecte care apar n regiunea R urmeaz a o repartit ie Bernoulli de parametrii k si p:
j j P ({Y = j |X = k }) = Ck p (1 p)kj , 0
k.
Atunci P ({Y = j }) = (p)j e = j!
k =j
k! k pj (1 p)kj e = j !(k j )! k!
k =j
((1 p))kj (p)j e (1p) (p)j p = e = e . (k j )! j! j!
Astfel Y este o variabil a aleatoare repartizat a Poisson cu media p.
Capitolul 3 Variabile aleatoare continue

3.1 Funct ia de repartit ie a unei variabile aleatoare unidimensionale
In cele ce urmeaz a {E, K, P } este un c amp borelian de probabilitate, not iune care a fost denit a n Capitolul 1.8. Denit ia 3.1.1 Funct ia X : E I R se nume ste variabil a aleatoare dac a x I R, {e E |X (e) < x} K. (3.1)
Pentru simplicare vom nota {X < x} = {e E |X (e) < x}. Aceast a condit ie are loc totdeauna n cazul unei variabile aleatoare discrete (aleg and eventual un c amp borelian convenabil). Din denit ie si din propriet a tile lui K (de a nchis la complementar a, reuniuni si intersect ii num arabile), ecare din mult imile {X {a < X x}, {X > x}, {X b}, {a < X < b}, {a x} , { a X X < b}, (3.2)
b}, x, a, b I R,
apart ine lui K , dac a (3.1) are loc si reciproc, apartenent a la K a oric arei mult imi (3.2) implic a (3.1). Pentru exemplicare, s a demonstr am c a pentru orice x I R, urm atoarele dou a armat ii sunt echivalente: i. {X < x} K ; ii.{X x} K . S a demonstr am (i) (ii). Putem scrie
{X
x} =
{X < x + 1/n}.
n=1
Din (i) avem {X < x + 1/n} K si din faptul c a familia K este nchis a la intersect ii num arabile, rezult a c a { X x} K . Pentru implicat ia (ii) (i), observ am c a
{X < x } =
{X
n=1
x 1/n},
83
84
Variabile aleatoare continue
iar {X x 1/n} K. Echivalent a {X < x} K {X > x} K, x R, rezult a din faptul c a {X x} = {X > x} si axioma a) din denit ia c ampului borelian. Exemplul 3.1.1 Dac a E = I R, iar K este cel mai mic corp borelian ce cont ine toate intervalele (a, b), a, b I R, elementele lui K se numesc mult imi boreliene. Orice funct ie f : I R I R continu a este o variabil a aleatoare, deoarece contraimaginea unei mult imi deschise este o mult ime deschis a. Se poate demonstra c a acest rezultat se p astreaz a si n cazul mult imilor boreliene (contraimaginea unei mult imi boreliene este borelian a) . Urm atoarele propozit ii ne arat a c a operat iile uzuale cu funct ii, aplicate variabilelor aleatoare, au ca rezultat tot variabile aleatoare. Propozit ia 3.1.1 Fie X o variabil a aleatoare si c I R, atunci urm atoarele funct ii: 1. X + c; 2. cX ; 3. |X |; 4. X 2 ; 5. 1/X ; sunt variabile aleatoare. Demonstrat ie. Vom transforma convenabil relat ia (3.1) n ecare caz si vom folosi faptul c a X este variabil a aleatoare. 1.{X + c < x} = {X < x c} K, x I R. {X > x/c}, dac ac<0 K. 2.{cX < x} = {X < x/c}, dac ac>0 Dac a c = 0, armat ia este imediat a. 3.{|X | < x} = {X < x } { X > x} K . 4.{X 2 < x} = {|X | < x} K, x > 0. ax<0 {X < 0} {X > 1/x}, dac 1 {X < 0}, dac a x = 0 K. 5.{ < x} = X {X < 0} {X > 1/x}, dac ax>0 Propozit ia 3.1.2 Dac aX si Y sunt variabile aleatoare, atunci: 1. X Y ; 2. X + Y ; 3. XY ; 4. X/Y ; 5. max(X, Y );
Variabile aleatoare continue 6. min(X, Y ); sunt variabile aleatoare.
85
Demonstrat ie. Toate armat iile 2-6, decurg din prima. S a demonstr am 1. Folosind num arabilitatea mult imii Q si faptul c a ntre dou a numere reale exist a cel put in un num ar rat ional putem scrie:
{X Y < x} = {X < Y + x} =
({X < rn } {rn x < Y })

n=1
K,
unde rn Q. Pentru 2, observ am c a X + Y = X (Y ), iar pentru XY , armat ia rezult a din 1 identitatea XY = [(X + Y )2 (X Y )2 ]. 4 4 este o consecint a a armat iei precedente si a Propozit iei 3.1.1. Ultimele dou a armat ii rezult a din egalit a tile: 1 max(X, Y ) = (X + Y + |X Y |), 2 1 min(X, Y ) = (X + Y |X Y |). 2 Denit ia 3.1.2 {Xi }, i I este o familie de variabile aleatoare independente, dac a pentru orice J I , J nit a si orice familie {Bj }, j J de mult imi boreliene (vezi Exemplul 3.1.1) are loc: P ({
j J 1 Xj (Bj )}) = j J 1 P ({Xj (Bj )}).
Propozit ia 3.1.3 Fie {Xi } , i I o familie de variabile aleatoare independente si fi : I RI R o familie de funct ii continue. Atunci familia {fi Xi } constituie o familie de variabile aleatoare independente. Demonstrat ie. Pentru orice J I nit a, are loc: P ({
j J
(fj Xj )1 (Bj )}) = P ({

j J
1 fj1 (Bj )}) = Xj j J
1 (fj1 (Bj ))}). P ({Xj
Deoarece fj este o funct ie continu a, contraimaginea unei mult imi boreliene este de asemenea borelian a, iar armat ia rezult a din faptul c a Xj este variabil a aleatoare. Denit ia 3.1.3 Funct ia F : I R [0, 1], denit a prin F (x) = P ({X < x}) se nume ste funct ia de repartit ie a variabilei aleatoare X . (3.3)
86
Dac a se particularizeaz a denit ia n cazul unei variabile aleatoare discrete, se obt ine funct ia n scar a dat a n Capitolul 2.2. Propozit ia 3.1.4 Urm atoarele armat ii sunt adev arate: 1. Dac a x1 < x2 , atunci F (x1 ) F (x2 ), x1 , x2 I R;
2. F (x 0) = F (x), x I R (F este continu a la st anga); 3. lim F (x) = 0;

x
4. lim F (x) = 1;
x+
Demonstrat ie. 1. Observ am c a { X < x 2 } = { X < x 1 } { x1 X < x2 }, iar cele dou a evenimente sunt incompatibile. Aplic and probabilitatea peste ultima relat ie, g asim F (x2 ) = P ({X < x2 }) = F (x1 ) + P ({x1 deoarece din denit ie, P ({x1 X < x2 }) 2. Fie xn un sir cresc ator la x. Avem: 0.
X < x 2 })
F (x1 ),
{ X < x} = { X < x1 } ( Aplic and probabilitatea, g asim
{xn
X < xn+1 }).
n=1
F (x) = F (x1 ) +
n=1
(F (xn+1 ) F (xn ))
deci seria precedent a este convergent a si are ca sum a limita sirului de sume part iale. F (x) = F (x1 ) + lim (F (x2 ) F (x1 ) + F (x3 ) F (x2 ) + . . . + F (xn+1 ) F (xn )) =
n
= lim F (xn+1 ) = F (x 0).

n
3. Dac a xn este un sir descresc ator la , atunci
{X < x} = {x1 Aplic and probabilitatea, rezult a
X < x} (
{Xn+1
X < xn }).
n=1
F (x) = F (x) F (x1 ) +

n=1
(F (xn ) F (xn+1 )),
de unde lim F (xn+1 ) = 0.

n
Variabile aleatoare continue 4. Se constat a c a
87
{X
} = {X < x1 } (
{ xn
X < xn+1 }),
n=1
unde xn este un sir cresc ator la +. Proced and ca mai sus, g asim 1 = lim F (xn ).
n
Observat ie. Dac a x1 < x2 , atunci P ({x1 X < x2 }) = F (x2 ) F (x1 ).
Armat ia rezult a folosind demonstrat ia punctului 1. Folosind relat ia dintre probabilitatea unui eveniment si cea a evenimentului contrar, mai rezult a P ({X x}) = 1 F (x). Observat ie. Se poate demonstra c a, reciproc, orice funct ie F : I RI R av and propriet a tile 1-4, este funct ia de repartit ie a unei variabile aleatoare, pe un anumit c amp de probabilitate, de aceea vom spune c a aceste propriet a ti reprezint a o caracterizare a funct iei de repartit ie. De exemplu putem lua E = (0, 1) si K corpul borelian generat de intervalele deschise ale lui E , iar P m asura Lebesgue [ 22 ] pentru care vom schit a modul de construct ie. Not am cu D={
iI
(ai , bi )|(ai , bi ) (aj , bj ) = , I I N }, ai , bi (0, 1).
Elementele lui D se numesc mult imi deschise. Denim aplicat ia P0 : D [0, 1], P0 (
iI
(ai , bi )) =
iI
(bi ai ), ai , bi (0, 1).
Se observ a c a dac a I are un singur element, condit ia de mai sus devine: P0 (a, b) = b a, a, b (0, 1) formul a care d a lungimea intervalului (a, b); deci m asura Lebesgue a unei reuniuni num arabile de intervale disjuncte este suma lungimilor lor. Seria din membrul al doilea are sirul sumelor part iale sn m arginit. Intr-adev ar, ordon and intervalele din sirul sumelor part iale, putem presupune 0 a1 < a2 < . . . an si bn 1. Atunci
n n n 1
sn =
i=1
(bi ai )
i=1
(bi ai ) +
i=1
(ai+1 bi ) = bn a1
1 0 = 1.
Fie K cel mai mic corp borelian (se poate ar ata c a exist a), care cont ine D, pe care l not am K ; aplicat ia P0 poate prelungit a la o probabilitate pe K , astfel nc at s a aib a loc D D, P (D) = P0 (D).
88
Fie F o funct ie care satisface condit iile propozit iei precedente; pentru simplicare s a presupunem c a F este strict monoton a si continu a (deci este inversabil a) si not am X = F 1 . Atunci F este funct ia de repartit ie a variabilei aleatoare X . Intr-adev ar, P ({y (0, 1)|X (y ) < x}) = P ({y (0, 1)|F 1 (y ) < x}) = = P0 ({y (0, 1)|y < F (x)}) = F (x) 0 = F (x), unde P este m asura Lebesgue introdus a anterior. Propozit ia 3.1.5 Pentru orice variabil a aleatoare X , are loc P ({X = x}) = F (x + 0) F (x). Demonstrat ie. Fie x1 > x2 > . . . xn > xn+1 > . . . un sir convergent la x. Atunci are loc
{X
x} = { X = x} { X
x1 } (
{xn+1
X < xn }).
n=1
Aplic and probabilitatea, g asim 1 F (x) = P ({X = x}) + 1 F (x1 ) + lim (F (x1 ) F (x2 ) + . . . + F (xn ) F (xn+1 )) =
n
= P ({X = x}) + 1 lim F (xn ) = P ({X = x}) + 1 F (x + 0).

n
Deci armat ia este adev arat a. Din propozit ia precedent a deducem c a urm atoarele armat ii sunt echivalente: i. P ({X = x}) = 0; ii. F este continu a n x. Propozit ia 3.1.6 O funct ie de repartit ie are o mult ime cel mult num arabil a de puncte de discontinuitate de prima spet a. Demonstrat ie. Fiind monoton a, funct ia de repartit ie F nu poate avea dec at discontinuit a ti de prima spet a (deci n orice punct x R, exist a F (x 0) = F (x) si F (x + 0) nite). Deoarece 0 F (x) 1, F nu poate avea un salt mai mare ca 1/2, cel mult trei salturi cuprinse ntre 1/4 si 1/2, iar n general cel mult 2n 1 salturi cuprinse ntre 21 si 2n1 n 1 . Renumerot and, obt inem mult imea salturilor cel mult num arabil a. O variabil a aleatoare cu funct ie de repartit ie continu a va numit a variabil a aleatoare continu a. Dac a X este o variabil a aleatoare continu a, iar A este o mult ime cel mult num arabil a, atunci probabilitatea ca X s a ia valori n A este nul a, adic a P ({e E |X (e) A}) = P ({X 1 (A)}) = 0. Denit ia 3.1.4 Fie X o variabil a aleatoare cu funct ia de repartit ie F si q I N ; numerele ci , i = 1, . . . q 1 denite prin F (ci ) se numesc q-cvantile . i , F (ci + 0) q i q
89
q-cvantilele sunt unic determinate dac a F este continu a si strict cresc atoare ca solut ii ale ecuat iei i F (ci ) = , i = 1 . . . q 1. q Pentru q = 2 se obt ine mediana, pe care o vom nota me si care se caracterizeaz a prin F (me ) iar n cazul continuit a tii lui F , 1 , F (me + 0) 2 1 , 2 (3.4)
1 F (me ) = . 2 Pentru q = 4 se obt in cvartilele, pentru q = 10,decilele etc. Funct ia de repartit ie condit ionat a. In c ampul de probabiliatate {E, K, P } consider am A K , cu proprietatea P (A) = 0. Reamintim c a n Capitolul 1.2 s-a denit not iunea de probabilitate condit ionat a prin formula P (A B ) , B K. P (B |A) = PA (B ) = P (A) Denit ia 3.1.5 Dat a o variabil a aleatoare X , numim funct ie de repartit ie condit ionat a de evenimentul A, funct ia dat a de F (x|A) = P ({X < x}|A) = P ({X < x} A) . P (A)
Toate propriet a tile funct iei de repartit ie se p astreaz a; ment ion am F (+|A) = 1; F (|A) = 0. S a demonstr am urm atoarea formul a P ({a X < b}|A) = F (b|A) F (a|A). (3.5)
Intr-adev ar, dac a a < b avem {X < a} {X < b} si P ({a X < b}|A) = = P ({a P (({X < b} A) \ ({X < a} A)) X < b} A) = = P (A) P (A)
P ({X < b} A) P ({X < a} A) = F (b|A) F (a|A). P (A) Ne intereseaz a n continuare, pentru numeroasele aplicat ii practice, unele cazuri particulare ale evenimentului A. 1. Dac a A = {X < a } si F (a) = P ({X < a}) = 0, atunci F (x) P ({X < x} {X < a}) , dac ax a = F (x|A) = F (a) P ({X < a}) 1, dac a x > a.
90 Deci obt inem F ( x) , F (x|{X < a}) = F (a) 1,
dac ax
(3.6)
dac a x > a.
In Figura 3.1 sunt ilustrate cele dou a funct ii. 2. Fie A = {a X < b} astfel ca P (A) = F (b) F (a) = 0. Deducem imediat c a 0, dac a x a, F (x) F (a) , dac a a < x b, F (x|{a X < b}) = (3.7) F (b) F (a) 1, dac a x > b.
Demonstr am urm atoarea formul a, care se dovede ste util a n aplicat ii. In ipotezele precedente are loc P (A|{a Aceasta rezult a imediat P (A|{a = P ({a X < b }) = P ( A {a X < b }) = P ({a X < b}) X < b}) = (F (b|A) F (a|A))P (A) . F (b) F (a) (3.8)
X < b}|A)P (A) (F (b|A) F (a|A))P (A) = . F (b) F (a) F (b) F (a)
In ultima relat ie s-a folosit (3.5).
3.2
Densitatea de probabilitate. Repartit ia normal a
Fie {E, K, P } un c amp borelian de probabilitate. Consider am o clas a de variabile aleatoare X pentru care exist a o funct ie f : I RI R+ cu un num ar nit de puncte de discontinuitate de prima spet a , ce satisface relat ia
x
F (x) =
f (t)dt,
(3.9)
unde F (x) este funct ia de repartit ie a variabilei X . Funct ia f se nume ste densitate de probabilitate. Dac a f este continu a n x I R, atunci F este derivabil a n x si F (x) = f (x). Acest lucru rezult a imediat dac a se aplic a teorema de medie n integrala Riemann si continuitatea lui f . Intr-adev ar, F (x + x) F (x) = lim lim x0 x0 x
x+x x
f (t)dt = f (x). x
Variabile aleatoare continue Dac a a, b I R si F este continu a, atunci P ({a X < b }) =

b a
91
f (x)dx.
Dac a n relat ia (3.9) trecem la limit a pentru x tinz and la si folosim faptul c a lim F (x) = 1, x deducem
+
f (t)dt = 1.
(3.10)
Reciproc, dac a o funct ie f : I RI R+ , cu un num ar nit de puncte de discontinuitate de prima spet a , satisface (3.10), atunci ea este integrabil a pe orice interval de forma (, x), x I R, deoarece
x +
f (x)dt

f (t)dt = 1
si funct ia F : I RI R, denit a prin

x
F (x) =
f (t)dt,
satisface condit iile propozit iei (3.1.4), deci este o funct ie de repartit ie, dac a tinem cont de observat ia f acut a dup a aceast a propozit ie. Repartit ia uniform a. Vom nota cu X : U (a, b) o variabil a aleatoare uniform repartizat a pe intervalul (a, b), a, b I R, dac a densitatea de probabilitate este dat a de f (x) = 1 , dac aa ba 0, n rest. x b
Se constat a imediat c a este ndeplinit a condit ia (3.10). Funct ia de repartit ie este dat a de , 0 x xa , F ( x) = f (t)dt = ba 1, dac ax a, b,
dac aa<x dac a x > b.
Gracele celor dou a funct ii sunt reprezentate n gurile 3.2 si 3.3. a efectu am m asur atori de precizie, iar rezultatul este cuprins ntre Exemplul 3.2.1 Dac k si k + 1 unit a ti, convenind s a-l aproxim am cu k + 1/2, comitem o eroare care poate presupus a uniform repartizat a pe intervalul (1/2, 1/2), deci are densitatea f (x) = 1, 0, dac a x [1/2, 1/2], n rest.
92
Repartit ia normal a. Variabila aleatoare X este distribuit a normal cu parametrii 2 mI R, > 0 si vom nota X : N (m, ), dac a are densitatea de probabilitate
(xm)2 1 2 2 , f (x) = e x I R. (3.11) 2 Observ am c a f (x) 0. Pentru calculul integralei din condit ia (3.10) facem schimbarea xm de variabil ay= si obt inem
1 f (x)dx = 2
(xm)2 1 2 2 dx = e 2
y e 2 dy = 1.
Pentru calculul ultimei integrale vezi Anexa 3. Dac am=0 si = 1, repartit ia se mai nume ste normat a si are densitatea 1 x2 (3.12) f (x) = e 2. 2 Gracul este cunoscut sub numele de clopotul lui Gauss. Se constat a c a acesta este 1 simetric fat a de dreapta x = m, pentru x = m funct ia f are maxim egal cu f (m) = 2 , iar punctele m sunt puncte de inexiune. Pentru constant si m variabil, gracul se transleaz a corespunz ator. Dac a m este constant, iar variabil se constat a c a punctul de maxim variaz a invers proport ional n raport cu . In Figura 3.4 se poate constata cum variaz a densitatea n funct ie de . Funct ia de repartit ie F are gracul dat de Figura 3.5 si se poate determina numeric, dac a se cunosc valorile funct iei lui Laplace , care se dene ste prin z x2 1 e 2 dx, z I R. (z ) = 2 0 Se veric a u sor c a (z ) = (z ) , ceea ce permite tabelarea funct iei doar pentru valori pozitive. Mai observ am c a are loc relat ia 1 lim z 2
z 0 x2 1 e 2 dx = . 2
(3.13)
S a exprim am funct ia de repartit ie cu ajutorul funct iei lui Laplace. In integrala F (x) = t m x =u si obt inem f (t)dt facem schimbarea de variabil a 1 F (x) = 2 1 = ( 2
0 u e 2 du + 0
2
xm
xm
u e 2 du =
e 2 du) =
u2
1 xm + ( ). 2
In ultima egalitate s-a folosit relat ia (3.13). Se obt ine astfel formula F (x) = xm 1 + ( ). 2 (3.14)
Variabile aleatoare continue Din (3.14), folosind faptul c a P ({a P ({a X < b}) = F (b) F (a), deducem am bm ) ( ).
93
X < b}) = (
Probabilitatea ca abaterea fat a de m, notat a |X m| s a nu dep a seasc a > 0, este dat a de P ({|X m| < }) = 2( ). Regula celor 3 . O variabil a normal repartizat a X : N (m, 2 ) ia valori semnicative n intervalul (m 3, m + 3 ). Intr-adev ar, P ({|X m| 3 }) = 1 P ({|X m| < 3 }) = 1 2(3) = 0, 0027, valoare care n unele situat ii poate neglijat a. Exemplul 3.2.2 Durata de funct ionare a unei baterii este o variabil a aleatoare, no2 tat a X , repartizat a normal N (m, ), unde m = 120 zile reprezint a timpul mediu de funct ionare, iar = 10 zile reprezint a abaterea fat a de medie (aceste not iuni vor introduse si studiate si n cazul continuu n Capitolul 3.4). Determinat i a. probabilitatea ca bateria s a funct ioneze cel put in 100 de zile; b. probabilitatea ca bateria s a funct ioneze ntre 100 si 150 de zile; c. intervalul de timp n care se poate presupune c a bateria funct ioneaz a aproape sigur. 1 120 a. P ({X 100}) = 1 P ({X < 100}) = 1 F (100) = 1 ( 2 + ( 10010 )) = 1 + (2) = 0, 97725; 2 120 120 b. P ({100 X 150}) = ( 15010 ) ( 10010 ) = (3) + (2) = 0, 9759; c. Aplic nd regula celor 3 , g asim intervalul c autat de forma |X m| < 3 , deci bateria funct ioneaz a aproape sigur ntre 90 si 150 zile. Exemplul 3.2.3 Repartit ia erorilor accidentale de m asurare. Alte tipuri de erori dec at cele datorate aproxim arilor ( n cazul m asur atorilor de precizie) sunt cele accidentale. Not am cu X eroarea comis a la efectuarea unei m asur atori, care este o variabil a aleatoare. Dac a valoarea exact a a m arimii este r, prin efectuarea a n m asur atori obt inem valorile r1 , r2 , . . . , rn aproximative si erorilor ek = r rk , k = 1, . . . n. S a determin am o funct ie derivabil a, f , care s a e densitatea de probabilitate a variabilei X . Probabilitatea ca eroarea s a e cuprins a n intervalul [ek , ek + hk ], k = 1, . . . , n, cu hk sucient de mic poate aproximat a cu f (ek )hk , iar n cele n m asur atori independente este produsul p(r) = h1 f (e1 )h2 f (e2 ) . . . hn f (hn ) = h1 h2 . . . hn f (r r1 ) . . . f (r rn ). Legea numerelor mari (care va studiat a am anunt it n Capitolul 4) ne permite s a lu am ca valoare cea mai probabil a media aritmetic a, notat a r = 1 (r1 + . . . rn ). n
Deci r este un punct de maxim pentru p(r). Not am cu g (r) = f (r r1 ) . . . f (r rn ). Din condit ia p ( r) = 0, rezult a g ( r) = 0. Are loc
n
g (r) = g (r)
f (r r1 ) . . . f (r ri1 )f (r ri )f (r ri+1 ) . . . f (r rn )
i=1
f (r r1 ) . . . f (r rn )
94
n
Variabile aleatoare continue =

i=1
f (r ri ) . f (r ri )
n
Din denit ia mediei, rezult a ( r r1 ) + . . . + ( r rn ) = 0, deci atunci scrie g (r ) 0= = g (r)

n k=1 n n
( r rk ) = 0. Putem
k=1
f (r rk ) c (r rk ) = f (r rk ) k=1
k=1
f (r rk ) c(r rk ) . f (r rk )
Punem condit ia ca termenul general al sumei s a se anuleze. Aceasta conduce la ecuat ia diferent ial a f ( x) = cx f (x) x2 cu solut ia f (x) = ke 2 . S a determin am constantele k si c, astfel ca f (x) s a e o densitate 1 de probabilitate. Pun and condit ia (3.10), g asim c < 0, k > 0. Dac a not am 2 = , c 1 si g asim k = 2 x2 1 2 f (x) = e 2 . 2 c Deci erorile accidentale de m asurare se repartizeaz a dup a legea N (0, 2 ). Constanta 1 h = 2 se nume ste precizia m asur atorii. Exemplul 3.2.4 O variabil a aleatoare X este repartizat a normal N (0, 2 ). Dat un interval (, ), cu < 0, > 0, s a determin am valoarea , astfel ca probabilitatea P ({X (, )}) s a e maxim a. Are loc evident 1 P ({ < X < }) = ( ) ( ) = 2

t2
dt
0
e 2 dt .
t2
Anul am derivata n raport cu a integralei cu parametru si g asim 1 2 Deducem = 2 2 . 2(ln ln ||) e 22 (

2 2 2 2 2 2 ( ) e ) 2 2 2
= 0.
In practic a apar des situat ii n care o variabil a aleatoare continu a este suma dintre o variabil a aleatoare discret a si o variabil a aleatoare continu a. Ca aplicat ie a formulei probabilit a tii totale se poate deduce densitatea de probabilitate.
Variabile aleatoare continue Exemplul 3.2.5 Fie X o variabil a aleatoare discret a care are repartit ia: X: xi pi , i = 1, . . . n
95
si Y o variabil a aleatoare continu a care are densitatea de probabilitate f (x). S a determin am densitatea de probabilitate a variabilei aleatoare Z = X + Y , dac aX si Y sunt independente. Consider am sistemul complet de evenimente Ai = {X = xi }, i = 1, . . . n si s a exprim am funct ia de repartit ie a variabilei aleatoare Z .
n
FZ (x) = P ({X + Y < x}) = P

n
({X + Y < x} Ai )
i=1 n
=
i=1
P ({Y + xi < x})P (Ai ) =

i=1 n
pi P ({Y < x xi }).
Prin derivare g asim fZ (x) =
pi fY (x xi ).
i=1
Exemplul 3.2.6 O variabil a aleatoare continu a are densitatea de probabilitate f1 (x) cu probabilitatea p1 si densitatea de probabilitate f2 (x) cu probabilitatea p2 , cu p1 + p2 = 1. G asit i expresia densit a tii de probabilitate si a funct iei de repartit ie a variabilei X . Consider am sistemul complet de evenimente Ai , i = 1, 2, unde evenimentul Ai reprezint a faptul c a X are densitatea de probabilitate fi . Atunci funct ia de repartit ie este dat a de F (x) = P ({X < x}) = P (A1 )P ({X < x}|A1 ) + P (A2 )P ({X < x}|A2 ) = = p1 F1 (x) + p2 F2 (x). Funct ia de densitate este atunci f (x) = p1 f1 (x) + p2 f2 (x). Densit a ti de probabilitate condit ionate. Fie X o variabil a aleatoare continu a si A K , cu probabilitatea P (A) = 0. Presupunem c a X are densitatea de probabilitate f , atunci densitatea de probabilitate a lui X , condit ionat a de A este dat a n punctele ei de continuitate de derivata funct iei de repartit ie condit ionat a f (x|A) = F (x|A). 1. Dac a A = {X < a}, prin derivarea formulei (3.6) se obt ine f (x) , dac a x a, f (x|A) = F (a) 0, dac a x > a. 2. Dac a A = {a X < b} prin derivarea relat iei (3.7) g asim f (x) , dac aa<x f (x|{a X < b} = F (b) F (a) 0, n rest.
(3.15)
b,
(3.16)
96
Exemplul 3.2.7 Fie X : N (m, 2 ). S a determin am f (x|{|X m| k }). Observ am c a P ({|X m| k }) = 2(k ) si nlocuim n (3.16). Deci (x m)2 1 2 2 , dac e a |x m| k 2 2( k ) f (x|{|X m| k }) = . 0, n rest Exemplul 3.2.8 Fie T variabila aleatoare care d a timpul de funct ionare p an a la prima defectare. S a determin am F (x|{T t}) si f (x|{T t}). Observ am c a P ({T t}) = 1 F (t), probabilitate care va denit a ca funct ie de abilitate n Capitolul 3.7. G asim F (x) F (t) , dac a x t, 1 F (t) F (x|{T t}) = 0, dac a x < t. f (x|{T t}) = f (x) = 1 F (t)
t
f (x)
+
, x
t.
f (x)dx
Formula probabilit a tii totale. Formula lui Bayes. Vom da versiunea continu a a formulelor prezentate n Capitolul 1.6. Consider am evenimentul {X = x} unde X este o variabil a aleatoare continu a, deci admite funct ie de repartit ie continu a. Atunci avem P ({X = x}) = 0. In unele situat ii putem totu si deni P (A|{X = x}), n sensul existent ei urm atoarei limite P (A|{X = x}) = lim P (A|{x
x0
X < x + x}) =
= lim
x0
f (x|A)P (A) (F (x + x|A) F (x|A))P (A) = . F (x + x) F (x) f (x) P (A|{X = x})f (x) = f (x|A)P (A)
In sirul de egalit a ti s-a folosit formula (3.8). Dac a integr am pe I R relat ia
obt inem
P (A|{X = x})f (x)dx =

f (x|A)P (A)dx =
= P (A)(F (+|A) F (|A)) = P (A). Relat ia obt inut a se nume ste formula probabilit a tii totale n cazul continuu si este
+
P (A) =
P (A|{X = x})f (x)dx.
(3.17)
Formula lui Bayes n cazul continuu este f (x|A) = P (A|{X = x})f (x)
+
P (A|{X = x})f (x)dx
97
Exemplul 3.2.9 Densitatea de probabilitate a defect arii unei valve radio n momentul 2 deschiderii este q (v ). Voltajul V este aleator si are repartit ie N (m, ). S a g asim probabilitatea evenimentului A, care semnic a faptul c a la momentul deschiderii valva s-a defectat. Vom folosi formula (3.17)
+
P (A) =
q (v )f (v )dv =
1 2
q (v )e
(v m)2 2 2
dv.
3.3
Funct ia de repartit ie multidimensional a. Transform ari
Fie {E, K, P } un c amp borelian de probabilitate si X1 , . . . , Xn , variabile aleatoare. ia notat a (X1 , . . . , Xn ) : E I Rn , denit a prin Denit ia 3.3.1 Funct (X1 , . . . , Xn )(e) = (X1 (e), . . . , Xn (e)), se nume ste variabil a aleatoare n-dimensional a. Pentru (x1 , . . . , xn ) I Rn , not am
n
{X1 < x1 , X2 < x2 , . . . , Xn < xn } = si observ am c a acesta este un element al lui K . Denit ia 3.3.2 Funct ia F : I Rn I R, denit a prin
{Xi < xi }
i=1
F (x1 , x2 , . . . , xn ) = P ({X1 < x1 , . . . , Xn < xn }), se nume ste funct ie de repartit ie n dimensional a. F ar a a intra n detalii de demonstrat ie, amintim c a pentru funct ia de repartit ie n-dimensional a au loc propriet a tile: 1. F este nedescresc atoare n ecare argument; 2. F este continu a la st anga n ecare argument; 3. F (+, . . . , +) = 1; 4. Pentru orice k = 1, . . . n, are loc
xk
lim F (x1 , . . . , xk , . . . , xn ) = 0, x1 . . . , xk1 , xk+1 . . . , xn I R.
Numai satisfacerea acestor propriet a ti, nu implic a faptul c a F este funct ie de repartit ie, pentru o variabil a aleatoare n-dimensional a. Pentru ai , bi i = 1, . . . n se poate ar ata c a P ({a1 X 1 < b 1 , . . . , an X n < b n }) =
98
n n n
Variabile aleatoare continue = F (b1 , . . . , bn )

i=1
pi +
i<j
pij
i<j<k
pijk + . . . + (1)n F (a1 , . . . an ),
(3.18)
unde pij...k = F (c1 , c2 , . . . , cn ) , ci = ai , cj = aj , . . . , ck = ak , restul valorilor ind cs = bs . S a exemplic am n cazul n = 2. Pentru aceasta evalu am P ({a1 X1 < b1 , a2 X2 < b2 }) = P ({X1 < b1 , X2 < b2 })
P ({X1 < a1 , X2 < b2 }) P ({X1 < b1 , X2 < a2 }) + P ({X1 < a1 , X2 < a2 }) = = F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ), a c aror justicare este u sor de constatat n Figura 3.6. Vom da un exemplu de funct ie F care satisface propriet a tile 1-4, dar nu este funct ie de repartit ie. Exemplul 3.3.1 S a denim F (x1 , x2 ) = 0, 1, dac a x1 n rest. 0 sau x1 + x2 1 sau x2 0,
1 , b1 = Aceasta va satisface condit iile 1-4, dar dac a n formula precedent a lu am a1 = a2 = 2 1 1 1 1 b2 = 1, g asim F (1, 1) F (1, 2 ) F ( 2 , 1) + F ( 2 , 2 ) < 0, care nu poate probabilitatea unui eveniment.
Pentru ca F , o funct ie ce satisface condit iile 1-4, s a e funct ie de repartit ie mai trebuie ndeplinit a condit ia ai , bi I R, i = 1, . . . n, membrul al doilea al formulei (3.18) este pozitiv. La fel ca n cazul unidimensional, vom considera o clas a de variabile aleatoare pentru care exist a o funct ie pozitiv a si continu a cu except ia unui num ar nit de puncte f (x1 , . . . , xn ), astfel ca
x1 xn
F (x1 , . . . , xn ) =
...
f (y1 , . . . , yn )dy1 . . . dyn .
Vom numi aceast a funct ie densitate de probabilitate n-dimensional a. Dac a funct ia de repartit ie este continu a, variabila aleatoare va numit a continu a . Densitatea de probabilitate se caracterizeaz a prin

...

f (y1 , . . . , yn )dy1 . . . dyn = 1.
(3.19)
Mai observ am c a n punctele de continuitate ale funct iei f are loc f (x1 , . . . , xn ) = n F (x1 , . . . , xn ) . x1 . . . xn
Dac a variabila aleatoare n-dimensional a are densitate de probabilitate, probabilitatea din formula (3.18) poate calculat a astfel:
b1 bn
P ({a1
X 1 < b 1 , . . . , an
X n < b n }) =
a1
dx1 . . .
an
f (x1 , . . . , xn )dxn .
99
In general, dac aDI Rn este un domeniu arbitrar, probabilitatea ca variabila aleatoare n-dimensional a s a ia valori n D este dat a de formula P ({(x1 , . . . , xn ) D}) = ...
D
f (x1 , . . . , xn )dx1 . . . dxn .
Denit ia 3.3.3 Funct iile denite de formulele

xi
FXi (xi ) =
du

...
f (x1 , . . . , xi1 , u, xi+1 , . . . , xn )dx1 . . . dxn
se numesc funct ii marginale de repartit ie , iar derivatele lor, date de formulele fXi (xi ) = FXi (xi ) =

...
f (x1 , . . . , xi1 , xi , xi+1 , . . . , xn )dx1 . . . dxi1 dxi+1 . . . dxn
se numesc densit a ti marginale de probabilitate. In particular pentru n = 2, aleg and notat ii mai convenabile, densit a tile marginale si funct iile marginale de repartit ie, sunt date de formulele:
x y
FX (x) =
du

f (u, v )dv, FY (y ) =

dv
f (u, v )du,
fX (x) =
f (x, v )dv, fY (y ) =
f (u, y )du.
Fie (X1 , . . . , Xn ) o variabil a aleatoare continu a. Variabilele aleatoare Xi sunt independente dac a si numai dac a xi1 , . . . , xik I R, k = 1, . . . , n, are loc P ({Xi1 < xi1 , . . . , Xik < xik }) = P ({Xi1 < xi1 }) . . . P ({Xik < xik }). Aceast a armat ie se deduce imediat din Propozit ia 3.1.3. In particular pentru n = 2, condit ia revine la F (x, y ) = FX (x)FY (y ). Dac a variabilele considerate au densit a ti de probabilitate, condit ia de mai sus este echivalent a cu f (x, y ) = fX (x)fY (y ). (3.20) Exemplul 3.3.2 Repartit ia uniform a n-dimensional a are densitatea de probabilitate dat a de k, dac a ( x1 , . . . , x n ) D f (x1 , . . . , xn ) = , 0, n rest unde D este un domeniu din I Rn , m arginit, iar k este astfel ales nc at s a aib a loc (3.19), deci 1 . k= . . . D dx1 . . . dxn
100
In particular pentru n = 2 si D = [a, b] [c, d], avem 1 , dac a (x, y ) D, f (x, y ) = (b a)(d c) 0, n rest. S a determin am densit a tile marginale.
d
fX (x) =
f (x, v )dv =
c
1 dv = (b a)(d c) 1 , x [c, d], dc 0, n rest
1 , x [a, b] ba 0, n rest
si analog, fY (y ) =
Deci variabilele aleatoare marginale X si Y cu densit a tile marginale fX , respectiv fY sunt independente, deoarece este satisf acut a (3.20). Transform ari de variabile aleatoare. Fie (X1 , . . . , Xn ) o variabil a aleatoare pe c ampul borelian {E, K, P }. Consider am o n transformare inversabil a ntre dou a domenii , D I R , deci o funct ie vectorial a de mai multe variabile x1 = 1 (y1 , . . . , yn ) . . (x1 , . . . , xn ) D, (y1 , . . . , yn ) . x = (y , . . . , y ) n n 1 n si care satisface condit iile: 1. 1 , . . . , n sunt funct ii reale de clas a C 1 (); 1 1 ... y1 yn D(1 , . . . , n ) . . . . = 0 pe . 2. J (y1 , . . . , yn ) = = . ... . D(y1 , . . . , yn ) n n ... y1 yn In aceste condit ii, compunerea dintre (X1 , . . . , Xn ) si inversa transform arii este tot o variabil a aleatoare, pe care o not am (Y1 , . . . , Yn ). Presupunem c a ambele variabile aleatoare au densit a ti de probabilitate, pe care le not amfX1 ...Xn si fY1 ...Yn . Folosind schimbarea de variabile n integrala multipl a, obt inem ...
D
fX1 ...Xn (x1 , . . . , xn )dx1 . . . dxn = (3.21)
...
fX1 ...Xn (1 (y1 , . . . , yn ), . . . , n (y1 , . . . , yn )|J (y1 , . . . , yn )|dy1 . . . dyn ,
101
care se interpreteaz a astfel: probabilitatea ca variabila aleatoare (X1 , . . . , Xn ) s a ia valori n domeniul D, coincide cu probabilitatea ca (Y1 , . . . , Yn ) s a ia valori n domeniul . Atunci densitatea de probabilitate pentru variabila aleatoare (Y1 , . . . , Yn ) este dat a de fY1 ...Yn (y1 , . . . , yn ) = = fX1 ...Xn (1 (y1 , . . . , yn ), . . . , n (y1 , . . . , yn )|J (y1 , . . . , yn )|. (3.22)
Caz particular. Pentru n = 1, consider am transformarea x = (y ) unde este de clas a C 1 (D), D I R, inversabil a. Formula precedent a devine fY (y ) = fX ((y )) d . dy (3.23)
Exemplul 3.3.3 Dac a X este o variabil a aleatoare si facem transformarea Y = aX + b, unde a, b I R, a = 0, atunci folosind relat ia (3.23) g asim fY (y ) = fX yb a 1 . |a |
In particular, dac a X : N (m, 2 ), s a determin am densitatea de probabilitate a variabilei aleatoare Y = aX + b, a = 0, nlocuind mai sus fY ( y ) =
( 1 e 2
y b m)2 a 2 2
1 = |a|
(y (am+b))2 1 2a2 2 = e . 2 |a|
deci Y este o variabil a repartizat a N (am + b, a2 2 ). Deci prin transformarea liniar a a unei variabile aleatoare normale se obt ine tot o variabil a normal a. De aici se deduce imediat c a, dac a X : N (m, 2 ) X m : N (0, 1). Uneori este comod s a g asim densitatea de probabilitate calcul and funct ia de repartit ie a variabilei aleatoare obt inute prin transformare, ca n urm atorul exemplu. Exemplul 3.3.4 Dac a X : N (m, 2 ) s a determin am densitatea variabilei aleatoare eX . Not am Y = eX . Pentru y > 0, s a calcul am FY = P ({Y < y }) = P ({eX < y }) = P ({X < ln y }). Prin derivare g asim
(ln y m)2 1 2 2 fY (y ) = FY (y ) = FX (ln y ) = e . 2
Aceast a repartit ie se nume ste lognormal a.
102
Exemplul 3.3.5 Erorile de m asurare pentru dou a m arimi sunt X, Y independente si repartizate uniform pe (0, 1). S a determin am densit a tile marginale ale sumei si diferent ei erorilor. Vom particulariza cazul general (f ac and o schimbare convenabil a de notat ii suma si diferent a erorilor sunt variabile aleatoare denite prin U =X +Y V = X Y. Inversa transform arii este 1 x = 1 (u, v ) = (u + v ) 2 1 y = 2 (u, v ) = (u v ) 2 iar iacobianul J (u, v ) = 1 ; reprezent am n Figurile 3.7 si 3.8 domeniile D si . Din 2 ipoteza de independent a rezult a fXY (x, y ) = fX (x)fY (y ). Deci fU V (u, v ) = 1| 1/2|, dac a (u, v ) si 0 n rest. Densitatea marginal a este dat a de fU (u) =
fU V (u, v )dv.
Pentru calculul ei distingem cazurile u dv 1. 0 u 1, fU (u) = = u; u 2 2u dv 2. 1 u 2, fU (u) = = 2 u. 2 u2 Deci dac a0 u, 2 u, dac a1 fU (u) = 0, n rest. si analog v+1 2 , v + 1 fV (v ) = , 0, 2 dac a 1 dac a0 n rest.
u u
1, 2,
v v 1,
0,
Exemplul 3.3.6 Un dispozitiv are dou a componete ale c aror durate de viat a sunt variabile aleatoare independente, notate X si Y , cu densit a tile 1 1 , dac a y 1, , dac a x 1, 2 fX (x) = fY (y ) = y2 x 0, 0, n rest n rest.
103
O m asur a pentru calitatea funct ion arii dispozitivului este U = XY . S a determin am densitatea de probabilitate a lui U . Facem schimbarea de variabile U = XY V =X denit a pe domeniul D cu inversa x=v 2 y=u v denit a pe domeniul si av and iacobianul J (u, v ) = fXY (x, y ) = iar fU V (u, v ) = Reprezent am grac cele dou a domenii. Densitatea marginal a este
u2 1 , x2 y 2
2u . Din condit ia de independent a v 1,
0,
dac a x, y n rest, 2 . u3 v
fU (u) =
fU V (u, v )dv =
1
2 ln u dv = 4 3 , u 3 uv u
1.
ia Exemplul 3.3.7 (Limitatorul). Fie funct a x b, b, dac x, dac a b<x g (x) = b, dac a x > b.
b,
S a determin am funct ia de repartit ie a variabilei aleatoare Y = g (X ), unde X este o variabil a aleatoare cu funct ia de repartit ie FX . Dac a y b evenimentul g (X ) < y nu se realizeaz a pentru nici un x, deci FY (y ) = 0. Dac a b < y b, FY (y ) = FX (y ). Dac a b < y, FY (y ) = 1. Exemplul 3.3.8 Repartit ia normal a n-dimensional a. Consider am funct ia denit a de det A 1/2(X M )t A(X M ) e , (3.24) f (x1 , . . . , xn ) = (2 )n/2 unde A = (aij )i,j =1...n este o matrice simetric a, deci A = At si care are proprietatea c a forma p atratic a (X M )t A(X M ) =
i j
aij (xi mi )(xj mj )
104 este pozitiv denit a. X si M reprezint a: x1 . X= . . , M = xn
m1 . . . . mn
Presupunem pentru nceput c a m1 = . . . = mn = 0. Reamintim c a n acest caz exist ao matrice ortogonal a H (cu proprietatea HH t = In , unde In este matricea unitate), pentru care forma p atratic a are forma canonic a
n
X t AX =
i=1
2 i yi ,
unde i sunt valorile proprii ale lui A, care n cazul nostru sunt strict pozitive. Dup a cum stim det A = 1 . . . n . S a veric am satisfacerea condit iei (3.19). Facem schimbarea de variabile X = HY si observ am c a determinantul funct ional D ( x1 , . . . , x n ) = det H = 1 D(y1 , . . . , yn ) deoarece H este o matrice ortogonal a. Avem atunci
n 1 2
aij xi xj
i=1
...
I Rn n 1 2
e
2 i yi
dx1 . . . dxn =
...
I Rn
i=1
det Hdy1 . . . dyn =

i=1 zi i
e 2 i yi dyi .
Facem n ultima integral a substitut ia yi =

si g asim
e Efectu and calculele obt inem
1 y2 2 i i
1 dyi = i
2 zi 2
2 dzi = . i
i=1
(2 ) 2 2 (2 ) 2 = . = i 1 . . . l n det A
Dac a revenim la cazul general, prin substitut ia X M = Y , situat ia se reduce la satisfacerea condit iei m1 = . . . = mn = 0. Semnicat ia coecient ilor matricei A si unele propriet a ti vor studiate n Capitolul 3.5. Vom da cazuri particulare ale legii normale. Variabila aleatoare normal a bidimensional a.
105
Dac a variabilele marginale X, Y sunt independente, atunci densitatea de probabilitate bidimensional a are o form a foarte simpl a
1 1 f (x, y ) = e 2 2x y

(y my ) (xmx )2 + 2 2 x y 2
(3.25)
Dac a D = [a, b] [c, d] I R2 , atunci P ({(X, Y ) D}) = ( b mx a mx ) ( ) x x ( d my c my ) ( ) . y y
S a consider am un domeniu Dk delimitat de elipsa de egal a probabilitate, adic a elipsa n ale c arei puncte densitatea de probabilitate este constanta k > 0. Elipsa are ecuat ia (y my )2 (xmx )2 2 + 2 = k . Observ am c a semiaxele elipsei sunt a = kx , b = ky . Atunci are 2 x y loc P ({(X, Y ) Dk }) = 1 e 2
k2
(3.26)
Aceasta rezult a imediat dac a facem n integrala dubl a schimbarea de variabile de forma x mx = x cos y my = y sin Dup a efectuarea calculelor obt inem x y f (x, y )dxdy = 2x y Dk de unde (3.26). ia Rayleigh Dac a x = y = si mx = my = 0, distant a R Exemplul 3.3.9 Repartit a unui punct aleator (X, Y ) la origine are repartit ia Rayleigh. Inlocuind n (3.25), densitatea de probabilitate are forma f (x, y ) = Facem schimbarea de variabile x = r cos y = r sin r > 0 [0, 2 )
x2 +y 2 1 1 2 2 . e 2 2
0<
k, [0, 2 ).
d
0 0
e 2 d,
si densitatea de probabilitate a variabilei (R, ) este fR (r, ) = iar densitatea marginal a a variabilei R este f (r) = r r22 e 2 . 2 r r22 e 2 , 2 2
106
Variabila aleatoare normal a tridimensional a. Dac a variabilele marginale X, Y, Z sunt independente, densitatea de probabilitate este f (x, y, z ) = 1 (2 ) 2 x y z
3
1 2
(y my )2 (xmx )2 (z mz )2 + + 2 2 2 x y z
La fel ca n cazul bidimensional probabilitatea ca variabila (X, Y, Z ) s a ia valori ntrun elipsoid Dk , pe a c arui suprafat a densitatea ia valori constante, elipsoid de egal a probabilitate, este 2 k2 P ({(X, Y, Z ) DK }) = 2(k ) ke 2 . Elipsoidul are semiaxele a = kx , b = ky c = kz . Operat ii cu variabile aleatoare continue. Vom deduce formule de calcul pentru densit a tile de probabilitate ale sumei, diferent ei, produsului si c atului de variabile aleatoare continue. Vom alege de ecare dat a transform ari convenabile si vom utiliza formula (3.22). Suma de variabile aleatoare continue. Fie (X, Y ) o variabil a aleatoare continu a cu densitatea de probabilitate fXY . Consider am transformarea: u=x+y , v=x care admite inversa x=v y =uv
si iacobianul J (u, v ) = 1. Din (3.22) deducem c a densitatea de probabilitate a variabilei aleatoare (U, V ) este fU V (u, v ) = fXY (v, u v )| 1|. Lu and densitatea marginal a, g asim
fU (u) =
fXY (v, u v )dv.
(3.27)
Dac aX si Y sunt independente fXY (v, u v ) = fX (v )fY (u v ) si densitatea sumei este produsul de convolut ie al densit a tilor fX , fY , adic a
fU (u) =
fX (v )fY (u v )dv.
(3.28)
a determin am suma de variabile aleatoare independente repartizate Exemplul 3.3.10 S 1 uniform pe intervalul (a, b). Densitatea de probabilitate are valoarea b pe intervalul a [a, b] si 0 n rest. Vom folosi (3.28).
+
fX +Y (x) =
1 f (y )f (x y )dy = ba
xb
f (x y )dy.
xa
Variabile aleatoare continue In ultima integral a facem schimbarea de variabil a x y = t, si obt inem fX +Y (x) = 1 ba
xa
107
f (t)dt.
xb
Compar nd x a si x b cu a si b obt inem 0, x2a , (ba)2 fX +Y = 2bx , ( ba)2 0,
x < 2a 2a x < a + b . a + b x < 2b x 2b
Gracul densit a tii de probabilitate este dat de Figura 3.11. Diferent a de variabile aleatoare continue. Consider am transformarea u=xy v=x x=v , y =vu
cu inversa
iar fU V (u, v ) = fXY (v, v u). Densitatea marginal a a diferent ei este fU (u) =
fXY (v, v u)dv,
iar n caz de independent a
fU (u) =
fX (v )fY (v u)dv.
(3.29)
Produs de variabile aleatoare. Consider am transformarea u = xy , v=x x=v y=u v u 1 fU V (u, v ) = fXY (v, ) . v |v | Deducem fU (u) = u dv fXY (v, ) , v |v |
cu inversa
1 si iacobianul J (u, v ) = v . Densitatea de probabilitate este
108 iar n caz de independent a
fU (u) =
fX (v )fV
u dv . v |v |
(3.30)
C atul a dou a variabile aleatoare continue. Consider am transformarea u= x y v=y x = uv y=v
cu inversa
si iacobianul J (u, v ) = v . Se obt ine densitatea de probabilitate
fU (u) =
fXY (uv, v )|v |dv,
care n caz de independent a devine
fU (u) =
fX (uv )fY (v )|v |dv.
(3.31)
Probabilit a ti si funct ii de repartit ie condit ionate. Dac a X, Y sunt variabile aleatoare discrete, not iunile de probabilit a ti condit ionate au fost denite prin n Capitolul 2.4. Fie X este o variabil a aleatoare discret a, iar Y o variabil a aleatoare continu a; denim funct ia de repartit ie a lui Y condit ionat a de X prin FY (y |xk ) = P ({Y < y, X = xk }) P ({X = xk })
dac a P ({X = xk }) > 0. Dac a funct ia de repartit ie condit ionat a este derivabil a, denim densitatea de probabilitate prin formula fY (y |xk ) = Pentru A K , are loc P ({Y A|X = xk }) =
A
d FY (y |xk ). dy
fY (y |xk )dy.
In cazul n care X, Y sunt independente, se obt in imediat FY (y |x) = FY (y ); fY (y |x) = fY (y ).
109
Exemplul 3.3.11 Intr-un canal de comunicat ie intrarea este o variabil a X , care poate lua valorile +1 volt , 1 volt cu aceea si probabilitate. Ie sirea Y = X + N unde N este zgomotul ce poate considerat o variabil a aleatoare repartizat a uniform pe intervalul (2, 2). S a determin am probabilitatea P ({X = 1, Y < 0}). Folosind formula probabilit a tilor condit ionate, avem P ({X = 1, Y < y }) = P ({Y < y }|{X = 1})P ({X = 1}) = FY (y |1)P ({X = 1}). Funct ia de repartit ie a lui Y condit ionat a de {X = 1} este FY (y |1) = P ({N + 1 < y }) = P ({N < y 1}) = FN (y 1), unde FN este funct ia de repartit ie a variabilei 0, x+2 , FN (x) = 4 1, uniforme, care are expresia x 2, 2 x 2 < x. y 2, 3, iar probabilitatea c autat a este
Deci FY (y |1) = P ({Y < y |X = 1}) = y+1 , 1 4 11 1 astfel P ({X = 1}|{Y < 0)}) = 4 2 = 8 .
Fie (X, Y ) o variabil a aleatoare bidimensional a continu a cu densitatea de probabilitate fXY continu a si fX = 0 densitatea marginal a continu a. Denim funct ia de repartit ie a variabilei Y condit ionat a de {X = x} prin limita urm atoare, dac a exist a P ({Y < y, x X < x + h}) FY (y |x) = lim = h0 P ({x X < x + h})
y x+h fXY (x x x+h fX (x x
, y )dx dy )dx
Folosind teoreme de medie pentru cele dou a integrale, g asim FY (y |x) =

y
fXY (x, y )dy . f X ( x)
Prin derivare obt inem densitatea de probabilitate fY (y |x) = Dac a X, Y sunt independente, au loc fY (y |x) = fY (y ), FY (y |x) = FY (y ). Analog se deduce FX (x|y ) = fXY (x , y )dx . fY (y ) Prin derivare obt inem densitatea de probabilitate condit ionat a fX (x|y ) = fXY (x, y ) . fY (y )
x
fXY (x, y ) . fX (x)
(3.32)
110
Exemplul 3.3.12 Fie variabila aleatoare (X, Y ) cu densitatea fXY (x, y ) = 2ex ey , 0 y x < +, 0, n rest.
S a determin am densit a tile de probabilitate condit ionat a. Pentru nceput a am densit a tile marginale
x
fX (x) =
0
2ex ey dy = 2ex (1 ex ), 0
+
x < +
si fY (y ) =
y
2ex ey dx = 2e2y , 0
y < +.
Folosind formulele precedente, avem fX (x|y ) = si 2ex ey = e(xy) , y 2e2y x
2ex ey ey fY (y |x) = x = , 0 2e (1 ex ) 1 ex
x.
Formula probabilit a tii totale si formula lui Bayes se pot generaliza si n acest caz. Relat ia (3.32) poate scris a sub forma fXY (x, y ) = fY (y |x)fX (x) si aplic and denit ia probabilit a tii marginale, obt inem formula probabilit a tii totale:
+
fY (y ) =
fY (y |x)fX (x)dx fX (x|y )fY (y ) . fX (x)
si formula lui Bayes fY (y |x) =
In practic a intervin si alte tipuri de probabilit a ti condit ionate. L as am ca exercit ii, stabilirea urm atoarelor formule. Dac a evenimentul ce condit ioneaz a este {X < x} si FX (x) = 0 avem FY (y |{X < x}) = fY (y |{X < x}) = FXY (x, y ) , FX (x) dy .
x f (x , y )dx XY + x f (x , y )dx XY
Dac a evenimentul care condit ioneaz a este {x1 FY (y |{x1 X < x2 }) =
X < x2 } si FX (x1 ) = FX (x2 ) avem
FXY (x2 , y ) FXY (x1 , y ) , FX (x2 ) FX (x1 )

x2 x1
fY (y |{x1
X < x2 }) =
fXY (x, y )dx
FX (x2 ) FX (x1 )
111
3.4
Valori caracteristice ale unei variabile aleatoare
Medii si momente. Denit ia 3.4.1 Dac a X este o variabil a aleatoare av and funct ia de repartit ie F (x), numim medie, num arul dat de
M [X ] =
xdF (x).
(3.33)
Integrala din (3.33) este de tip Riemann-Stieltjes (vezi Anexa 1). Dac a X are densitate de probabilitate continu a f (x), atunci integrala din denit ie se reduce la o integral a Riemann si avem
M [X ] =
xf (x)dx
(3.34)
S a observ am c a integrala improprie din denit ie s-ar putea s a nu e convergent a. De exemplu, variabila aleatoare repartizat a Cauchy, cu densitatea de probabilitate f ( x) = 1 , xI R (1 + x2 )
nu are medie, deoarece integrala (3.34) este divergent a. Reamintim c a o variabil a aleatoare este continu a, dac a are funct ia de repartit ie continu a. Mai general, dac a F are c1 , . . . , cn puncte de discontinuitate (evident de prima spet a ), media se obt ine exprim and integrala Stieltjes (vezi Anexa 1) ca o sum a dintre o integral a Riemann si o sum a de salturi.
M [X ] =
n
f (x)dF (x) = ck (F (ck + 0) F (ck 0)).
xf (x)dx +
k=1
Exemplul 3.4.1 S a determin am media variabilei aleatoare repartizate normal N (m, 2). m Facem n integral a schimbarea de variabil ay=x si obt inem 2
M [X ] =
xf (x)dx =
1 2 2
(m +

2y )ey
2dy =
m 2 = ey dy + deoarece ultima integral a este 0.
1 2 ( ey ) dy = m, 2
Dac a X are media m si admite densitate de probabilitate nesimetric a, cele dou a arii determinate de x = m pot neegale. Astfel dac a X reprezint a o caracteristic a numeric a studiat a ntr-o colectivitate statistic a, are nt eles armat ia c a majoritatea indivizilor au caracteristica X mai mic a dec at media. Reg asim si n cazul continuu acelea si propriet a ti pentru medie, pe care le-am nt alnit n cazul discret.
112
Propozit ia 3.4.1 Dac aX si Y sunt variabile aleatoare ce au medii, atunci X + Y are medie si M [X + Y ] = M [X ] + M [Y ]. (3.35) Demonstrat ie. Vom demonstra aceast a propozit ie n cazul particular n care X si Y au densit a ti de probabilitate fX , respectiv fY . Folosind densitatea de probabilitate a sumei, (3.27), avem

M [X + Y ] =
xdx
fXY (y, x y )dy =
dy
xfXY (y, x y )dx.
Ultima egalitate se datoreaz a posibilit a tii de a schimba ordinea de integrare. In ultima integral a facem schimbarea de variabil a xy =z si obt inem

M [X + Y ] =

dy
(y + z )fXY (y, z )dz =

ydy
fXY (y, z )dz +
zdz
fXY (y, z )dy =
yfY (y )dy +
zfX (z )dz = M [X ] + M [Y ].
Proprietatea se poate extinde pentru un num ar nit de variabile aleatoare. Propozit ia 3.4.2 Dac a X si Y sunt variabile aleatoare independente ce admit medii, atunci produsul XY are medie si M [XY ] = M [X ]M [Y ]. (3.36)
Demonstrat ie. Vom folosi formula care dene ste densitatea produsului de variabile aleatoare (3.30), presupun and c aX si Y au densit a ti de probabilitate fX , fY .

M [XY ]) =
xdx
fX (y )fY
x y
dy . |y |
In ultima integral a facem schimbarea x = yz si invers am ordinea de integrare. G asim

M [XY ] =
dy
xfX (y )fY
x y
dx = |y |
dy

yzfX (y )fY (z )dz =
= M [X ]M [Y ]. Dac a o variabil a aleatoare nu are medie, alte caracteristici numerice care studiaz a tendint a central a sunt modul si mediana. Mediana a fost denit a de (3.4) si ea exist a pentru orice variabil a aleatoare. De exemplu, n cazul repartit iei Cauchy, datorit a simetriei fat a de axa Oy , mediana este me = 0, iar n cazul repartit ei normale este m. ste modul pentru variabila aleatoare X cu densitatea de proDenit ia 3.4.2 mo se nume babilitate f (x), dac a este un punct de maxim pentru f (x).
113
O variabil a aleatoare poate unimodal a, bimodal a etc, dup a cum densitatea de probabilitate are unul sau mai multe puncte de maxim local. Media unei transform ari de variabil a aleatoare. Dac a X este o variabil a aleatoare, iar y = (x) este o tansformare de clas a C 1, inversabil a, media variabilei Y = (X ) dac a exist a, este dat a de formula
+
M [Y ] =
(x)fX (x)dx.
(3.37)
Aceasta rezult a dac a facem n integrala care dene ste media

+
M [Y ] =
yfY (y )dy
schimbarea de variabil a si aplic am relat ia (3.23), unde este transformarea invers a. a X : U (0, 2 ), s a determin am media variabilei Y = cos X . ApliExemplul 3.4.2 Dac c and formula (3.37), avem
2
M [Y ] =
0
cos x
1 dx = 0. 2
Reamintim c a dac a X este o variabil a aleatoare, num arul k = M [X k ], k I N (dac a exist a), se nume ste moment init ial de ordin k. Momentul init ial de ordin k se calculeaz a dup a formula
k =
xk f (x)dx,
(3.38)
dac a variabila aleatoare X are densitatea de probabilitate f . Aceast a formul a rezult a k dac a aplic am (3.37) variabilei (x) = X . Observ am c a 1 = M [X ]. Momentul centrat de ordin k se dene ste prin k = M [(X M [X ])k ]. Dac a X are densitatea de probabilitate f , atunci folosind din nou (3.37), momentul centrat are expresia
k =
(x 1 )k f (x)dx.
Intre momentele init iale si cele centrate au loc relat iile urm atoare, care se demonstreaz a f ar a dicultate:
k k
k =
i=0
(1)
i i ; ki 1 Ck
k =
i=0
i i . ki 1 Ck
(3.39)
Reamintim c a 2 se nume ste dispersie sau variant a si se noteaz a D2 [X ], iar D[X ] se nume ste abaterea medie p atratic a. Aceste caracteristici au acelea si propriet a ti ca n cazul discret, demonstrat ia lor neind dicil a.
114
Exemplul 3.4.3 S a calcul am momentele centrate ale repartit iei normale N (m, 2 ). Avem (xm)2 1 k = (x m)k e 22 dx, 2 n care facem schimbarea de variabil a x m = 2y , deci ( 2)k k y2 k = y e dy. Dac a integr am prin p art i obt inem ( 2)k 1 y2 k1 + k 1 k2 y2 k = e y y e dy + 2 2 (k 1)( 2)k k2 y2 = y e dy = (k 1) 2 k2 , 2
deoarece prima expresie se anuleaz a la limit a. Deducem din relat ia de recurent a precedent a 2k+1 = 0 . 2 k = (k 1)!! 2k In particular, pentru k = 2, obt inem D2 [X ] = 2 . Reg asim, si n cazul variabilelor aleatoare continue, inegalitatea lui Ceb a sev, cu ajutorul c areia putem aprecia gradul de mpr a stiere a valorilor variabilei; inegalitatea va constitui un important instrument de lucru n cazul Legii numerelor mari (Capitolul 4). Propozit ia 3.4.3 (Inegalitatea lui Ceb a sev) Dac a variabila aleatoare X este continu a cu media m si dispersia 2 , atunci are loc P ({|X m| < }) sau echivalent P ({|X m| Demonstrat ie. Dispersia este dat a de 2 =

1 2
2
2
2
, > 0,
(3.40)
}) <
> 0.
(x m)2 f (x)dx =
m +
(x m)2 f (x)dx + (x m)2 f (x)dx.

2
m+ m
(x m)2 f (x)dx+
+
m+
Din faptul c a x (m , m + ), rezult a (x m)2

2 2 m
si dispersia poate minorat a prin =
f (x)dx +
m+
f (x)dx
Variabile aleatoare continue = deoarece

2 m+
115 1
m
f (x)dx ,
f (x)dx = 1. Ultima parantez a se poate scrie 2

2
(1 P ({|X m| < })), .
care este echivalent a cu relat ia (3.40).
Exemplul 3.4.4 Timpul mediu de r aspuns al unui calculator este de 15 secunde pentru o anumit a operat ie, cu abaterea medie p atratic a 3 secunde. Estimat i probabilitatea ca timpul de r aspuns s a se abat a cu mai put in de 5 secunde fat a de medie. Vom folosi inegalitatea lui Ceb a sev. Avem P ({|X 15| 5}) 9 = 0, 36. 25
Reamintim c a momentul absolut de ordin k pentru o variabil a aleatoare se dene ste prin k formula k = M [|X | ]. Dac a X are densitatea de probabilitate f , atunci momentul absolut este dat de formula k =
|x|k fX (x)dx.
Observ am c a existent a momentelor absolute de ordin k , antreneaz a existent a momentelor init iale de ordin k, deoarece

xk f (x)dx
|x|k f (x) < ,
iar din presupunerea f acut a, a doua integral a este convergent a. De asemenea, dac a exist a moment absolut de ordin k , exist a momente absolute de orice ordin l k . Intr-adev ar,

|x|l f (x)dx =
|x| 1
|x|l f (x)dx +
|x|>1
|x|l f (x)dx
|x| 1
|x|l f (x)dx +
|x|>1
|x|k f (x)dx.
Prima integral a este nit a datorit a domeniului de integrare, iar a doua din presupunerea f acut a. Inegalitatea lui Ceb a sev poate generalizat a pentru momente absolute de orice ordin k I N, n sensul urm ator: dac a variabila aleatoare X are moment absolut de ordin k , atunci M [|X m|k ] , > 0, (3.41) P ({|X m| < }) 1 k sau echivalent P ({|X m| }) < M [|X m|k ]
k
116
Propozit ia 3.4.4 (Inegalitatea lui Schwarz) Dac a variabilele aleatoare X si Y au momente absolute de ordin 2, atunci XY are moment absolut de ordin 2 si 2 (XY ) 2 (x)2 (y ). (3.42) 0 este evident a. 0,
Demonstrat ie. Pentru orice I R, inegalitatea M [(|X | + |Y |)2 ] Efectu and calculele avem M [(X + Y )2 ] = 2 M [X 2 ] + 2M [|XY |] + M [Y 2 ]
si folosind semnul funct iei de gradul al doilea, inegalitatea precedent a este adev arat a dac a discriminantul 0, ceea ce revine la M [|XY |2 ] M [X 2 ]M [Y 2 ].
De unde, dup a extragerea radicalului g asim (3.42). Obser am c a, n acelea si ipoteze, rezult a si |M [XY ]| M [X 2 ]M [Y 2 ].
Denit ia 3.4.3 Fie X si Y dou a variabile aleatoare pentru care exist a momentele absolute de ordinul al doilea. Num arul denit de Cov [X, Y ] = M [(X M [X ])(Y M [Y ])] se nume ste covariant a variabilelor X si Y , iar num arul dat de formula [X, Y ] = Cov [X, Y ] , D[X ]D[Y ] (3.43)
dac a D[X ] = 0, D[Y ] = 0, se nume ste coecient de corelat ie. Variabilele aleatoare X si Y se numesc necorelate dac a M [XY ] = M [X ]M [Y ].
Observ am c a dac aX si Y sunt independente, din Propozit ia 3.4.2 rezult a c a sunt necorelate. Se pot da exemple care s a ilustreze c a reciproca armat iei precedente nu este adev arat a, adic a pot exista variabile aleatoare necorelate f ar a ca ele s a e independente. Dac aX si Y sunt variabile aleatoare continue care admit momente absolute de ordinul al doilea, dispersia sumei se calculeaz a dup a formula D2 (X + Y ) = D2 (X ) + D2 (Y ) + 2Cov [X, Y ]. Aceast a formul a se generalizeaz a u sor n cazul a n variabile. Din formula (3.43) rezult a imediat c a [X, X ] = 1, iar [X, Y ] = 0 dac a si numai dac aX si Y sunt necorelate.
117
Propozit ia 3.4.5 Pentru oricare dou a variabile X si Y , care admit coecient de corela tie, este satisf acut a inegalitatea |[X, Y ]| 1. (3.44) Demonstrat ie. Consider am variabilele aleatoare X = inegalitatea lui Schwarz. Rezult a |M [X Y ]| R am ane s a observ am c a [X, Y ] = M [X , Y ] = si c a M [X 2 ] =
D2 [X ] D2 [X ] X M [X ] ,Y D[X ]
Y M [Y ] D[Y ]
si le aplic am
M [X 2 ]M [Y 2 ].
M [(X M (X ))(Y M (Y ))] D[X ]D[Y ]
= 1. Dup a efectuarea nlocuirilor, se obt ine formula(3.44).
Propozit ia 3.4.6 Pentru oricare dou a variabile aleatoare, ce admit coecient de corela tie, urm atoarele armat ii sunt echivalente: 1. |[X, Y ]| = 1; 2. exist a a, b I R, nesimultan nule si c I R , astfel nc at relat ia aX + bY + c = 0 are loc aproape sigur (adic a P ({aX + bY + c = 0}) = 1). Vom schit a demonstrat ia. Intr-un sens armat ia este imediat a; anume dac a are loc aX + bY + c = 0 aproape sigur si presupunem b = 0, g asim m, n I R astfel ca Y = mX + n. Observ am imediat c a 1, dac am>0 [X, Y ] = 1, dac a m < 0. Reciproc, dac a X =
X M [X ] ,Y D [X ]
[X, Y ] = M [X Y ] = 1 si M [(X Y ) ] = 0. Intr-un cadru mai general dec at cel prezentat n acest curs (vezi [22]), se poate ar ata c a din ultima egalitate rezult a c a X Y = 0 aproape sigur, deci: X M [X ] Y M [Y ] = . D[X ] D[Y ] Schimb and eventual notat iile, din ultima egalitate deducem 2. Not iunea de moment poate extins a la variabile aleatoare multidimensionale. Denit ia 3.4.4 Dac a (X1 , . . . , Xn ) este o variabil a aleatoare n-dimensional a cu densitatea de probabilitate fX1 ...Xn , numim moment init ial de ordinul (k1 . . . kn ) num arul
k1 kn k1 ...kn = M [X1 , . . . , Xn ]=
Y M [Y ] , D[Y ] 2
atunci sunt evidente urm atoarele relat ii
...
I Rn
kn 1 xk 1 . . . , xn fX1 ...Xn (x1 , . . . xn )dx1 . . . dxn .
aX si Y sunt dou a variabile aleatoare n-dimensionale, matricea de Denit ia 3.4.5 Dac elemente Cov [Xi Yj ], i = 1, . . . n, j = 1, . . . n. se nume ste matricea de covariant a .
118 Medii condit ionate.
Dac a X este o variabil a aleatoare cu densitatea de probabilitate f si A K , denim media lui X condit ionat a de A
+
M [x|A] =
xf (x|A)dx
(3.45)
unde f (x|A) este densitatea de probabilitate a lui X condit ionat a de A. Exemplul 3.4.5 Fie T variabila aleatoare care d a timpul de funct ionare p an a la prima defectare. S a determin am media lui T , condit ionat a de faptul c a sistemul a funct ionat p an a la momentul t. Folosind un rat ionament asem an ator cu cel pentru deducerea formulei (3.15), deducem f (x|{T t}) = f (x)
+ t
f (x)dx
, x
t.
Atunci cu ajutorul relat iei (3.45), obt inem M [T |{T t}] =

+ xf (x)dx t . + f (x)dx t
Dac aX si Y sunt dou a variabile aleatoare cu densit a tile de probabilitate fX , fY denim mediile condit ionate prin formulele
+
M [Y |x] =
+
yfY (y |x)dy xfX (x|y )dx,
M [X |y ] =
dac a exist a. Se poate arata c a mediile condit ionate sunt de fapt variabile aleatoare, care admit la r andul lor medie, ce se exprim a prin formulele integrale ale mediei totale.
+
M [Y ] =
+
M [Y |x]fX (x)dx M [X |y ]fY (y )dy.
M [X ] = S a deducem prima egalitate.

+
M [Y |x]fX (x)dx =
+ +
fX (x)dx
yfY (y |x)dy =
ydy
fY (y |x)fX (x)dx.
Dac a folosim (3.32) si densitatea de probabilitate marginal a, deducem c a ultima formul a reprezint a chiar M [Y ].
119
Exemplul 3.4.6 Num arul de client i care ajunge la o stat ie de deservire ntr-un interval de timp t este o variabil a aleatoare Poisson cu parametrul t. Timpul necesar deservirii ec aruia este o variabil a exponent ial a, T , cu parametrul , deci are densitatea de probabilitate f (t) = et , 0, dac at 0 dac at<0 ( > 0).
S a determin am repartit ia variabilei N , care d a num arul de client i ce ajung n timpul T al deservirii unui client, media si dispersia, n ipoteza c a sosirile client ilor sunt independente de timpul de deservire. Aplic am formula probabilit a tii totale
+ +
P ({N = k }) =
P ({N = k }|{T = t})fT (t)dt =

0
(t)k t t e e dt = k!
k k!
+ 0
tk e(+ )t dt.
F ac and schimbarea de variabile r = ( + )t sirul de egalit a ti poate continuat, k k !( + )k+1

+ 0
rk er dr =
k = ( + )k+1 +
Deci N este o variabil a aleatoare geometric a. Dac a se produce {T = t}, variabila condit ionat a este Poisson, cu paramertul t. Rezult a c a media si dispersia au aceea si valoare si anume t. Pentru calculul mediei lui N putem folosi formula mediei totale
+ +
M [N ] =
0
M [N |t]fT (t)dt =
0
tfT (t)dt = M [T ].
M [N 2 ] =
0
M [N 2 |t]fT (t)dt =
0
(t + 2 t2 )fT (t)dt = M [T ] + 2 M [T 2 ].
1 ,
S a mai observ am c a T ind variabil a exponent ial a M [T ] = 2 2 M [N ] = D [N ] = 2 + .
D2 [T ] =
1 . 2
Deci
3.5
Funct ia caracteristic a a unei variabile aleatoare
In acest capitol am v azut c a densitatea de probabilitate a sumei de variabile aleatoare independente este produsul de convolut ie al densit a tilor de probabilitate, dar analitic este uneori dicil de aplicat acest rezultat. Un instrument mai comod este funct ia caracteristic a, pe care o vom utiliza si la determinarea momentelor unei variabile aleatoare. Fie X o variabil a aleatoare continu a av and densitatea de probabilitate fX .
120
Denit ia 3.5.1 Numim funct ie caracteristic a asociat a variabilei aleatoare X , funct ia :I R C, denit a prin (t) = M [eitX ] =

eitx fX (x)dx.
Tin and cont c a eiy = cos y + i sin y cu y I R , eitX reprezint a o variabil a aleatoare bidimensional a cu componentele (cos tX, sin tX ). Deoarece |eitx | = 1, funct ia caracteristic a exist a pentru orice variabil a aleatoare ce admite densitate de probabilitate. Vom mai nota X (t), pentru a pune n evident a c arei variabile aleatoare i se asociaz a funct ia caracteristic a. Denit ia funct iei caracteristice reprezint a transformata Fourier aplicat a funct iei absolut integrabile fX ; o formul a de inversare va formulat a n prezent a condit iei suplimentare de absolut a integrabilitate a funct iei caracteristice, n Teorema 5.3 din acest capitol. Propozit ia 3.5.1 Urm atoarele armat ii sunt adev arate : 1. (0) = 1; 2. |(t)| 1; 3. (t) = (t); 4. (t) este uniform continu a pe I R. Demonstrat ie. 1. si 2. sunt evidente. 3. S a calcul am
(t) =
eitx (x)dx =
eitx f (x)dx =

eitx f (x)dx = (t).
4. Pentru a ar ata c a este uniform continu a, s a calcul am:
|(t + h) (t)| =
eitx (eihx 1)f (x)dx
|eihx 1|f (x)dx.
Deoarece
f (x)dx = 1, pentru orice
> 0, exist a A suficient de mare astfel nc at f (x)dx < /4,
|x| A
iar din continuitatea exponent ialei exist a h sucient de mic nc at |eihx 1| < /2. Atunci putem scrie
A
|(t + h) (t)|
A
|eihx 1|f (x)dx +

|x| A
f (x)dx < .
Observat ie. Urm atoarele armat ii sunt echivalente : o funct ie caracteristic a este real a; f (x) = f (x); F (x) = 1 F (x), unde F si f sunt funct iile de repartit ie, respectiv de densitate de probabilitate. Egalit a tile dintre funct iile precedente au loc n
121
cazul cel mai general cu except ia unei mult imi de probabilitate nul a (deci aproape sigur). Demonstr am armat ia n cazul n care f este continu a. Ar at am, mai nt ai, c a ultimele dou a armat ii sunt echivalente. Avem F (x) = (1 F (x)) f (x) = f (x). Reciproc, dac a f (x) = f (x) F (x) = f (t)dt = 1 x f (t)dt = 1 + x = 1 f (u)du = 1 F (x).
x x
f (u)du =
In ce prive ste echivalent a primelor dou a relat ii se observ a imediat c a
f (x) = f (x) = (t) =
eitx f (x)dx =
eitx f (x)dx = (t) = (t).
Se poate ar ata, n prezent a unor rezultate suplimentare si care nu sunt cuprinse n acest curs, c a din faptul c a este real a, rezult a f (x) = f (x). Propozit ia 3.5.2 1. Dac a Y = aX + b, cu a, b I R, atunci Y (t) = eitb X (at); 2. Dac aX si Y sunt independente, atunci X +Y = X Y . Demonstrat ie. 1. Y (t) = M [eity ] = M eit(aX +b) = eitb M eitaX = eitb X (at). 2. X +Y (t) = M eit(X +Y ) = M eitX eitY = X (t)Y (t). Cunoa sterea funct iei caracteristice permite calculul momentelor init iale, dup a cum rezult a din urm atoarea teorem a. a o variabil a aleatoare admite moment absolut de ordin n, n I N, Teorema 3.5.1 Dac atunci funct ia caracteristic a este de n ori derivabil a si are loc : k = (k) (0) , k = 1, . . . n. ik
Demonstrat ie. Deriv am formal de k ori sub integrala cu parametru din denit ia funct iei caracteristice. G asim dup a major ari (k) (t) = ik iar

xk eitx f (x)dx,
xk eitx f (x)dx
n , k = 1, . . . n,
deci derivatele exist a. Dac a n formula de derivare lu am t = 0, g asim (k) (0) = ik k .
122
Teorema 3.5.2 Dac a X este o variabil a aleatoare continu a care admite momente absolute de orice ordin, atunci funct ia caracteristic a admite dezvoltare n serie de puteri de forma (it)k (t) = k . k! k=0 Demonstrat ie. Inlocuim n denit ia funct iei caracteristice dezvoltatea n serie a exponent ialei si g asim
(t) =

eitx (x)dx =
1+
itx (itx)n1 (itx)n ix + ... + + e f (x)dx = 1! (n 1)! n! it (it)n1 1 + . . . + n1 + Rn . 1! (n 1)! |t |n n!

= 0 + Major and restul obt inem |R n | =

n
(it)n n!
xn eit f (x)dx
|x|n f (x)dx < .
Se observ a c a lim Rn = 0, deci armat ia este adev arat a. Teorema 3.5.3 (Formula de inversiune) Fie X o variabil a aleatoare av and si F , respectiv, funct ia caracteristic a si funct ia de repartit ie. Dac a x1 , x2 , cu x1 < x2 sunt puncte de continuitate ale lui F , atunci are loc F (x2 ) F (x1 ) = lim 1 c 2
c c
eitx1 eitx2 (t)dt. it
(3.46)
Demonstrat ie. Observ am c a pentru c I R, funct ia de sub integral a este continu a, dac ao denim n t = 0 prin eitx1 eitx2 lim = (x2 x1 )(0). t0 it De asemenea, funct ia are un majorant integrabil, deci integrala Ic = 1 2
c c
eitx1 eitx2 (t)dt it
este convergent a. Consider am cazul particular n care X are densitate de probabilitate f si nlocuim n integrala precedent a pe 1 Ic = 2
c c
eitx1 eitx2 itz e f (z )dzdt. it
Prin schimbarea ordinii de integrare (posibil a deoarece n raport cu z avem absolut a convergent a , iar n raport cu t integrarea se face pe interval nit), g asim 1 Ic = 2
c c
eit(zx1 ) eit(zx2 ) dt f (z )dz = it
Variabile aleatoare continue 1 = 2

0 c
123
c 0
eit(zx1 ) eit(zx2 ) dt + it
eit(zx1 ) eit(zx2 ) dt f (z )dz. it
In prima integral a f ac and schimbarea t t, obt inem Ic = 1 2

0 c
eit(zx1 ) + eit(zx2 ) + eit(zx1 ) eit(zx2 ) dt f (z )dz = it

c 0
sin t(z x) sin t(z x2 t t
dtf (z )dz
Alegem un > 0 astfel nc at x1 + < x2 si descompunem integrala pe domeniile : (, x1 ), (x1 , x1 + ), (x1 + , x2 ), (x2 , x2 + ), (x2 + , ). Reamintim formula lui Dirichlet [10] : 1 lim c
c 0
sin t dt = t
1/2, 1/2,
dac a>0 dac a<0
unde limita este uniform a n raport cu . Pe intervalul (, x1 ), avem z x2 < z x1 < < 0, deci 1
c 0
sin t(z x1 ) sin t(z x2 ) t t
dt 0, dac ac
si cum integrala este uniform m arginit a n raport cu c, putem comuta integrala cu limita si obt inem
x1
c 0
dtf (z )dz 0, dac ac
(3.47)
si analog
x2 +
c 0
dtf (z )dz 0, pentru c .
(3.48)
Pe intervalul (x1 + , x2 ) folosind formula lui Dirichlet si convergent a uniform a n raport cu , deducem
x2 c x2
lim
x1 +
c 0
dtf (z )dz = (3.49)
=
x1 +
dtf (z )dz = F (x2 ) F (x1 + ).
Pe intervalele (x1 , x1 + ) si (x2 , x2 + ), integralele pot majorate respectiv, dac a folosim din nou formula lui Dirichlet, cu 2(F (x1 + ) F (x1 )), 2(F (x2 + ) F (x2 )). (3.50)
124
Pentru orice > 0, din (3.47) si (3.48) exist a c astfel nc at c > c are loc 1
0 c
f (z )dz
/3 + /3 + F (x2 ) F (x1 + )/3 + 2(F (x1 + ) F (x1 ) + F (x2 + ) F (x2 )). In inegalitatea de mai sus au intervenit si relat iile (3.49) si (3.50). Deoarece x1 si x2 sunt puncte de continuitate pentru F
0
lim(F (x1 + ) F (x1 )) = lim(F (x2 + ) F (x2 )) = 0.

0
Trec and apoi la limit a pentru c , g asim formula (3.46 ). Aceast a teorem a ne permite s a stabilim o corespondent a biunivoc a ntre funct iile de repartit ie si cele caracteristice, dup a cum rezult a din urm atoarea teorem a. Teorema 3.5.4 (Teorema de unicitate) Funct ia de repartit ie este unic determinat a de funct ia sa caracteristic a. Demonstrat ie. In teorema precedent a facem pe x1 s a tind a la , x1 r am an and punct de continuitate. Deoarece lim F (x1 ) = 0, g asim
x1 c
F (x2 ) = lim
x1 c
lim
eitx1 eitx2 (t)dt it
x1 , x2 puncte de continuitate ale lui F . Teorema 3.5.5 Dac a funct ia caracteristic a este absolut integrabil a pe I R, adic a
|(t)|dt < ,
atunci F are derivat a simetric a pe I R, deci x I R , exist a F (x + h) F (x h) = Fs (x), h0 2h lim si Fs (x) = f (x) n orice punct de continuitate a lui f . Demonstrat ie. Pentru orice dou a puncte de continuitate ale lui F , are loc din formula de inversiune itx1 e eitx2 1 (t)dt, F (x2 ) F (x1 ) = 2 it
125
deoarece folosind ipoteza, funct ia din membrul al doilea este integrabil a. Presupun and c a x1 = x h, x2 = x + h, atunci : 1 F (x + h) F (x h) = 2h 2 Deoarece sin th th eitx si
h0
sin th itx e (t)dt. th
1,
avem
sin th (t) th lim eitx
|(t)|, h I R,
sin th = eitx . th
Intr-un cadru mult mai general dec at cel prezent, se poate demonstra un criteriu de convergent a dominat a a lui Lebesgue [22], n baza c aruia putem trece la limit a sub integral a si g asim Fs = lim F (x + h) F (x h) 1 = h0 2h 2

eitx (t)dt.
(3.51)
S a demonstr am c a Fs este continu a; ntr-adev ar |Fs (x + h) Fs (x)| = 1 sin 1 2
2 sin
th |(t)|dt = 2 sin th |(t)|dt. 2
|t| A
1 th |(t)|dt + 2
|t|>A
Pentru > 0 putem alege A sucient de mare nc at 1 |(t)dt < /2.

|t|>A
Prima integral a poate f acut a < /2, dac a alegem h sucient de mic, deci |Fs (x + h) Fs (x)| < , de unde rezult a continuitatea. Reamintim c a n orice punct de continuitate pentru f , are loc F (x) = f (x), de unde armat ia teoremei, deoarece derivata simetric a coincide cu derivata. Relat ia (3.51) constituie formula de inversare, care exprim a densitatea de probabilitate cu ajutorul funct iei caracteristice. Vom demonstra n continuare teorema lui Bochner, care d a o descriere complet a a funct iilor caracteristice, acest rezultat indu-ne necesar la studiul proceselor stochastice stat ionare.
126
Denit ia 3.5.2 Funct ia : I RI R, continu a, se nume ste pozitiv denit a pe I R, dac a t1 , . . . , tn I R si z1 , . . . , zn C, n I N , are loc
n n
(tj tk )zj zk
k=1 j =1
0.
C ateva propriet a ti decurg imediat din denit ie. 1. (0) 0. Intr-adev ar pentru n = 1, t1 = 0, z1 = 1, armat ia este evident a. 2. (t) = (t), t I R. Aceasta rezult a dac a lu am n = 2, t1 = 0, t2 = t, z1 , z2 C.
2 2
0
k=1 j =1
(tk tj )zk zj = (0 0)z1 z1 + (0 t)z1 z2 + (t 0)z2 z1 + (t t)z2 z2 = = (0)(|z1 |2 + |z2 |2 ) + (t)z1 z2 + (t)z1 z2 ,
si deci (t)z1 z2 + (t)z1 z2 I R. Dac a lu am (t) = 1 + i1 , , z1 z2 = + i (t) = 2 + i2 , z1 z2 = i,
rezult a 1 + 1 2 + 2 = 0, , , deci obt inem 1 = 2 si 1 + 2 = 0. 3. |(t)| (0). In inegalitatea de la punctul precedent, e z1 = (t), z2 = |(t)|, atunci deducem 2(0)|(t)|2 |(t)|2 |(t)| |(t)|2 |(t)| De unde, dac a |(t)| = 0 rezult a (0) deducem din nou armat ia. 0,
|(t)|, iar dac a |(t)| = 0, din prima proprietate
Teorema 3.5.6 (Bochner-Hincin) O funct ie (t) continu a, cu condit ia (0) = 1 este o funct ie caracteristic a, dac a si numai dac a este pozitiv denit a. Demonstrat ie. Dac a este funct ie caracteristic a pentru o variabil a aleatoare cu densitatea de probabilitate f , are loc
(t) =
eitx f (x)dx.
S a demonstr am c a este pozitiv denit a. Avem

n n n n n n
(tj tk )zj zk =
k=1 j =1 n n k=1 j =1
eix(tk tj ) f (x)dxzk zj
=
k=1 j =1
eix(tk tj ) f (x)zk zj dx =
eitk x zk
k=1 j =1
eitj x zj
f (x)dx =

n 2 itk x
127
=
k=1
zk f (x)dx
0.
Reciproc. Pentru Z > 0, consider am funct ia pZ (x) = 1 2Z

Z 0 0 Z
(u v )eiux eivx dudv.
Dac a scriem integrala dubl a ca limit a a sumelor Riemann corespunz atoare si folosim pozitiva denire a lui , rezult a c a pZ 0. Facem n integrala dubl a schimbarea de variabile t=uv z=u cu inversa u=z v = z t.
Domeniul [0, Z ] [0, Z ] din Figura 3.12 este dus n domeniul reprezentat n gur a 3.13. Se obt ine imediat Z 1 |t | pZ (x) = 1 (t)eitx dt. 2 Z Z S a demonstr am c a pZ (x) este integrabil a pe R. Vom reface n acest scop o demonstrat ie datorat a lui Yu Linnik, pe acest caz particular. Not am
x
G(x) =
x
pZ (z )dz
si nlocuim pZ , dup a care schimb am ordinea de integrare. Obt inem G(x) = Introduc and funct ia p(t) = deducem G(x) = 1 2
Z
1 2
x x
1
Z
|t | Z
(t)eitz dtdz.
1 0,
x
|t| Z
(t),
|t| Z , |t| > Z 1

Z
p(t)
Z x
eitx dzdt =
p(t)
Z
sin tx dt. t
Datorit a faptului c a pZ 0, rezult a c a G este nedescresc atoare. Pentru asigurarea inte grabilit a tii este sucient s a ar at am c a G este m arginit a. Introducem funct ia auxiliar a 1 G1 (u) = u si observ am c a G1 (u) G(u) u
u 2u
G(x)dx
u
2u
dx = G(u).
128
Deoarece G1 majoreaz a G, pentru m arginirea lui G este sucient s a ar at am marginirea lui G1 . S a calcul am 1 G1 (u) = u
2u u
sin tx 1 p(t) dtdx = t u Z 1 u

Z
p(t)
Z
cos tx t2
2u u dt
= = 2 u
1 p(t) 2 (cos ut cos2ut)dt = t Z 2 (sin ut)2 dt 2 t u

Z
p(t)
Z
p(t)
Z
(sin ut )2 2 dt. t2
Fie M = sup |p(t)|. Atunci 2 u iar 2 u

Z
p(t)
Z Z
(sin ut)2 dt t2 (sin ut )2 2 dt t2
2M

(sin ut)2 udt, u2 t 2 (sin v )2 dv. v2
p(t)
Z
Integralele din membrul al doilea sunt convergente. Deci m arginirea este asigurat a. Se constat a c a 1 p(t)eitx dt pZ (x) = 2 adic a 21 p este transformata Fourier a funct iei p. Folosind formula de inversiune pentru Z funct ia p continu a (vezi [10]), rezult a c a 1 2 1 |t | Z (t) = 1 2

pZ (x)eitx dx, |t|
Z.
In particular, pentru t = 0,
pZ (x)dx = (0) = 1,
iar funct ia pZ ind continu a si integrabil a pe I R, constituie o densitate de probabilitate pentru o variabil a aleatoare, care are funct ia caracteristic a asociat a p. Observ am c a pentru Z , funct ia p(t) converge uniform la , pe ecare interval m arginit. De aici, folosind convergent a n repartit ie Capitolul 4, rezult a c a este o funct ie caracteristic a.
3.6
Variabile aleatoare continue clasice si leg aturile dintre ele
Vom enumera principalele repartit ii continue si vom studia propriet a tile lor. Un instrument important pentru aceasta este funct ia caracteristic a, ce a fost studiat a anterior. Pentru nceput vom calcula funct ia caracteristic a a repartit iei normale N (m, 2 ), dat a de (3.11).
Variabile aleatoare continue Propozit ia 3.6.1 Funct ia caracteristic a a repartit iei normale este (t) = eimt . Demonstrat ie. Reamintim c a densitatea de probabilitate a repartit iei normale este f ( x) =
(xm)2 1 e 22 2 t2 2 2 .
129
(3.52)
pe care o nlocuim n expresia funct iei caracteristice. Facem schimbarea de variabil a x m = 2y si obt inem (t) = 1 2
(xm)2 1 eitx e 22 dx =
t2 2
eitmy
2 +ity
dy =
eitm 2 =
t 2 e(y 2 i) dy = eimt
t2 2 2 .
In particular, dac a X este o variabil a repartizat a N (0, 1), funct ia sa caracteristic a este (t) = e 2 . Folosind Propozit ia 3.5.2 determin am comod repartit ia sumei de variabile aleatoare normale.
2 a Xk : N (mk , k ), k = 1, . . . n, sunt variabile aleatoare independente, Teorema 3.6.1 Dac n n
t2
atunci variabila aleatoare X1 + . . . + Xn este repartizat a N(

k=1
mk ,
k=1
2 k ).
Demonstrat ie. Funct ia caracteristic a a sumei este produsul funct iilor caracteristice
n
X1 +...+Xn (t) =
k=1
eimk t
n
2 t 2 k 2
2 k
t2 mk k=1 it 2 k=1 =e
,
n
care corespunde n mod unic variabilei repartizate N (

k=1
mk ,
k=1
2 ). k
130
Propozit ia 3.6.2 Dac a Xk , k = 1, . . . n, sunt variabile aleatoare independente repartizate 2 normal N (m, ), atunci media lor aritmetic a 1 n este repartizat a N (m, 2 ). n
n
Xk
k=1
Demonstrat ie. Din Teorema 3.6.1 suma este repartizat a N (nm, n 2 ). S a calcul am funct ia de repartit ie a variabilei aleatoare notat a 1 X= n Avem FX = P ({X < x}) = P ({
k=1 n
Xk .
k=1
Xk < nx}).
Prin derivare g asim densitatea de probabilitate

) (nxnm)2 (xm 2 1 1 2 2 2n n fX (x) = e n= e , 2n 2 n
2
de unde armat ia propozit iei. S a denim funct ia caracteristic a n cazul multidimensional. Dac a variabila aleatoare n-dimensional a are densitatea de probabilitate fX1 ...Xn , atunci funct ia caracteristic a este
n i
t k xk
k=1
(t1 , . . . , tn ) = Relat ia poate pus a sub forma (t1 , . . . , tn ) =
...
I Rn
f (x1 , . . . , xn )dx1 . . . dxn .
...
I Rn
eiT
tX
f (x1 , . . . , xn )dx1 . . . dxn ,
t1 x1 . . a determin am funct ia caracteristic a pentru si T = . unde X = . . . S . tn xn variabila aleatoare normal a n-dimensional a, mai nt ai pentru cazul m1 = . . . = mn = 0. Reamintim c a densitatea de probabilitate este dat a de (3.24) det A 1 X t AX 2 f (x) = . n e (2 ) 2
Variabile aleatoare continue Dac a nlocuim n expresia funct iei caracteristice, obt inem 1 t det A t ... eiT X 2 X AX dx1 . . . dxn . (t1 , . . . , tn ) = 2 (2 ) n I Rn
131
Facem transformarea ortogonal a X = HY , pentru care forma p atratic a de la exponent 2 are forma canonic a j =1 lj yj , cu lj > 0 (aceste transform ari au fost explicate n detaliu 1 t la repartit ia normal a n-dimensional a n 3.3 ). Not am U = H T = H T . Atunci, se observ a c a T t X = (HU )t HY = U t H t HY = U t Y. Cu aceasta funct ia caracteristic a devine
n
(t1 , . . . , tn ) = =
det A
2 n
iU t Y
1 2 j =1
2 lj yj
(2 )
2 n
e
I Rn n
1
dy1 . . . yn =
det A
|l |
(2 )
eiuj yj 2 j yj dyj .
j =1
j reprezint a funct ia caracteristic a pentru o variabil a Ultima integral a nmult it a cu 2 1 aleatoare repartizat a N (0, lj ), deci folosind (3.52), avem
(t1 , . . . , tn ) = e
1 2
2n
u2 j j =1 lj
Reamintim c a matricea formei p atratice se modic a l1 0 . . . t 0 l2 . . . H AH = 0 0 ...
dup a legea 0 0 , ln
unde lj > 0, sunt valorile proprii ale matricei A. Prin inversare g asim 1 0 ... 0 l1 ... 0 , H 1 A1 H = 0 l1 2 0 0 . . . l1 n deci n ultima integral a recunoa stem c a exponentul este urm atorul produs de matrice
n
j =1
u2 j = U t (H 1 A1 H )U = lj
= T t H (H 1 A1 H )H 1 T = T t A1 T (s-a folosit faptul c a U = H t T ). G asim forma nal a (t1 , . . . , tn ) = e 2 T

1 t A1 T
132
Se demonstreaz a c a dac a vectorul M = 0, atunci printr-o schimbare de variabile, funct ia caracteristic a devine 1 t 1 t (t1 , . . . , tn ) = eiT M 2 T A T . Generaliz and la cazul n-dimensional Teorema 3.5.1, se poate demonstra c a derivatele part iale ale lui n raport cu ti genereaz a momentele variabilelor aleatoare marginale. Astfel 1 M [Xh ] = (0, . . . , 0), i th 1 M [Xh Xk ] = 2 i 2 th tk (0, . . . , 0).
S a determin am momentele variabilei aleatoare normale n-dimensionale, mai nt ai n cazul m1 = . . . = mn = 0. 1 M [Xh ] = i th

n
(0, . . . , 0) = 1 i2
ie
1 T t A1 T 2 k=1
1 a hk tk
(0, . . . , 0) = 0,
M [Xh Xk ] =
n n 1 a hk th h=1
th tk
(0, . . . , 0) =
1 t A1 T
ie
1 t 1 T A T 2 2
1 1 2 T a hk tk + ahk e k=1
1 (0, . . . , 0) = a hk .
Dac a (m1 , . . . , mn ) = (0, . . . , 0), 1 M [Xh ] = i th

n
(0, . . . , 0) =
mh + i
k=1
1 a hk tk
(t1 , . . . , tn )(0, . . . , 0) = mh ,
M [Xh Xk ] =
n
1 i2
2 th tk
n
(0, . . . , 0) =
1 a hk tk ) (t1 , . . . , tn )+
(mh + i
k=1
1 a hk tk )(mk + i h=1
1 1 +a hk (t1 , . . . , tn )(0, . . . , 0) = mh mk + ahk .
Se obt in imediat egalit a tile M [(Xh mh )] = 0,

1 2 )] m2 M [(Xh mh )2 ] = M [(Xh h = ahh , 1 Cov [Xh , Xk ] = M [(Xh mh )(Xk mk )] = M [Xh Xk ] mh mk = a hk .
Deci A1 este matricea de covariant a a variabilei normale n-dimensionale. Pe baza acestei observat ii n cazul 2-dimensional, repartit ia normal a poate scris a sub o form a mai comod a. Not am: M [X1 ] = m1 , M [X2 ] = m2 2 2 , D2 (X2 ) = 2 D2 (X1 ) = 1
Variabile aleatoare continue Cov [X1 , X2 ] = 1 2 si g asim A1 = de unde, prin inversare, g asim A= 1 2 2 (1 2 )1 2
2 2 1 2 2 1 2 1 2 1 1 2 2 1 2 2 ,
133
De aceea densitatea de probabilitate se poate scrie: f (x1 , x2 ) = 1 21 2 1 2 e

1 2(1 2 ) (x1 m1 )2 2 1
2(x1 m1 )(x2 m2 ) 1 2
(x2 m2 )2 2 2
(3.53)
Exemplul 3.6.1 Variabila aleatoare (X, Y, Z ) este normal repartizat a si are matricea de covariant a 1 0, 2 0 , 3 0, 2 1 0, 4 . 0, 3 0, 4 1 S a determin am densitatea de probabilitate a variabilei aleatoare marginale (X, Z ). Observ am pentru aceasta c a matricea de covariant a este 1 0, 3 0, 3 1 .
Deci mX = mZ = 0, = 0, 3, 1 = 2 = 1 si nlocuind n (3.53), obt inem densitatea de probabilitate c autat a. Vom enunt a un rezultat care stabile ste leg atura dintre convergent a funct iilor caracteristice si cele de repartit ie, de mare utilitate practic a. Demonstrat ia acestui rezultat se g ase ste de exemplu n [10] si este f acut a ntr-un cadru mai general. a sirul de funct ii caracteristice n converge pentru orice t la (t) = Teorema 3.6.2 Dac e 2 , atunci sirul funct iilor de repartit ie corespunz atoare Fn satisface:
n
t2
lim Fn (x) =
1 2
u2 2
1 + (x). 2
Reamintim c a
1 2
+ (x) este funct ia de repartit ie a variabilei aleatoare normale normate.
Repartit ia 2 (hi p atrat). Funct ia f : I RI R, denit a prin f (x) =

x n 1 1 2 2 2 x e , 0 n 2 n ( 2 ) n 2
x < , n I N, > 0
134
x f (x)dx se reduce este o densitate de probabilitate. Prin substitut ia y = 2 2 integrala 0 n n n 2 la 2 ( 2 ). Pentru funct ia si propriet a tile ei, vezi Anexa 3. Aceast a repartit ie a fost descoperit a de Helmert si pus a n valoare de Pearson. n se nume ste num ar de grade de libertate. Vom nota X : H (n, ). Funct ia caracteristic a este dat a de
(t) = (1 2 2 ti) 2 . Intr-adev ar, calcul am integrala (t) = (t) =

n 2
f (x)eitx dx si obt inem

0
1 n ) 2 ( n 2
0
eitx 22 x 2 1 dx =
x 2 ti)
1 = n n n 2 2 ( 2 )
x 2 1 e 22 (12
dx.
x 2 a In ultima integral a facem schimbarea 2 2 (1 2 ti) = y ; atunci integrala precedent devine n n 2 n 2 2 2 2 n n 1 y 2 y e dy = ), n ( 2 2 1 2 ti (1 2 ti) 2 2 0
de unde se obt ine imediat armat ia. Pentru calculul momentelor, vom deriva funct ia caracteristic a. Avem n (t) = in 2 (1 2 2 ti) 2 1 , (t) = i2 n(n + 2) 4 (1 2 2 ti) 2 2 , . . . (k) (t) = ik n(n + 2) . . . (n + 2k 2) 2k (1 2 2 ti) 2 k . Folosind apoi Teorema 3.5.1, g asim 1 1 = (0) = n 2 , i 2 = 1 (0) = n(n + 2) 4 , i2 . . .
n n
1 (k) (0) = n(n + 2) . . . (n + 2k 2) 2k . ik Urm atoarea teorem a este un important instrument de lucru n statistica matematic a. k = a X1 , . . . , Xn sunt variabile aleatoare independente, repartizate Teorema 3.6.3 Dac 2 N (0, ), atunci variabila aleatoare
n 2 Xk k=1
este repartizat a H (n, ).
135
Demonstrat ie . S a determin am pentru nceput funct ia caracteristic a a variabilei aleatoare 2 Xk , k = 1 . . . n. Pentru aceasta s a-i determin am mai nt ai densitatea de probabilitate. Avem
2 (x) = FXk
2 P ({Xk
< x}) = P ({ x < Xk <
2 x} ) = 2
e 22 dy, x
y2
0.
Prin derivare, g asim

2 (x) = fX k
1 x e 2 2 , x 2 x
0,
care se constat a a o densitate de probabilitate pentru o variabil a aleatoare H (1, ), deci are funct ia caracteristic a dat a de k (t) = (1 2 2 ti) 2 . Folosind acum faptul c a funct ia caracteristic a a sumei este produsul funct iilor caracteristice, obt inem
n
1
(t) =
(1 2 2 ti) 2 = (1 2 2 ti) 2 ,
k=1
care este funct ia caracteristic a a unei variabile aleatoare H (n, ). Folosind din nou funct ia caracteristic a a sumei, se poate demonstra urm atoarea teorem a. Teorema 3.6.4 Dac a Xi : H (ni , ), i = 1, 2, atunci X1 + X2 : H (n1 + n2 , ). In practic a intereseaz a determinarea unor probabilit a ti de forma P ({X }), unde X : H (n, 1), deoarece se veric a imediat c a dac a X : H (n, ), atunci variabila aleatoare X : H (n, 1). 2 Exist a tabele ntocmite pentru diferite valori ale lui si ale num arului de grade de libertate n, care au ca rezultate ariile din Figura 3.14. C and num arul de grade de libertate este foarte mare, se folose ste comportarea la limit a 2 a sirului de variabile aleatoare repartizate . Teorema 3.6.5 Dac a X : H (n, ), atunci variabila aleatoare X n 2 2n 2 este asimptotic normal a N (0, 1), pentru n .
136 Demonstrat ie . S irul funct iilor caracteristice este
n n n t n (t) = eit 2 (1 2 2 i ) 2 = eit 2 (1 2 2

2 n
2 n it) 2 . n
t2
t 2 Calcul am limita lui |n (t)| = (1+ 2n ) , pentru n si g asim e 2 . Funct ia n (t) poate n n n n scris a sub forma (cos t 2 i sin t 2 )(cos 2 n i sin 2 n )n , unde (cos n + i sin n )n =
2 it. n
Pentru n sucient de mare, n = arctan 2 t. n
Deci argumentul num arului complex n (t) poate luat de forma yn = t Not and x =
2 , n
n n + arctan t 2 2
2 . n
avem de calculat lim arctan tx tx x2
x0
care este 0. Deci lim n (t) = e 2 .

n
t2
Aceast a teorem a permite ca la un num ar mare de grade de libertate s a se foloseasc a tabelele funct iei lui Laplace. In teoria select iei, ne intereseaz a s a determin am repartit ia dispersiei (privit a ca variabil a aleatoare) a unei select ii provenind dintr-o colectivitate gu vernat a de variabila aleatoare normal a. In acest scop sunt necesare urm atoarele rezultate. Teorema 3.6.6 Fie Xk , k = 1, . . . n, variabile aleatoare independente repartizate N(0,1), iar
n
lj (X1 , . . . Xn ) =
k=1
ajk Xk , ajk I R, j = 1, . . . s, s I N , s < n,
variabile aleatoare independente de tip N (0, 1). Atunci variabila aleatoare

n s 2 Xk k=1
Q= este repartizat a H (n s, 1).
j =1
2 lj , s < n,
Demonstrat ie. Variabilele aleatoare li si lj cu i = j , sunt independente, deci

n n
M [li lj ] = M [li ]M [lj ] = M [

k=1
aik Xk ]M [
k=1
ajk Xk ] = 0,
Variabile aleatoare continue deoarece media este aditiv a si M [Xk ] = 0. Pe de alt a parte
n n 2 aik ajk Xk k=1 n
137
M [li lj ] = M [
+
l,m=1 n
ail ajm Xm Xl ] =
=
k=1
2 aik ajk M [Xk ]= k=1
aik ajk ,
n 2 ] M [li
deoarece M [Xm Xl ] = M [Xm ]M [xl ] = 0. Analog,
=
k=1
a2 ik = 1, i = 1, . . . , s.
Sistemul celor s vectori (a11 , . . . , an1 ), . . . , (as1 , . . . , asn ) este ortogonal si poate deci completat la o baz a ortonormat a. Not am matricea corespunz atoare cu A = (aij ) i, j = 1, . . . , s, care este deci ortogonal a si au loc prin urmare
n n
a2 jk
k=1
= 1,
k=1
aik ajk = 0, i, j = 1, . . . , n.
Introducem notat iile

n
lr (x1 , . . . , xn ) =
k=1
ark xk , r = s + 1, . . . , n,
si e L matricea coloan a cu componentele li , i = 1, . . . n. Atunci are loc L = AX, unde X este vectorul n-dimensional cu componentele xi . Un simplu calcul ne arat a c a
n 2 lk (x1 , . . . , xn ) k=1 n
=
k=1 n
2 Xk .
Deci Q=
n 2 Xk k=1
s 2 lj = j =1
2 lk (x1 , . . . , xn ). k=s+1
Mai observ am c a variabila aleatoare n-dimensional a L obt inut a printr-o transformare ortogonal a asupra lui X , variabila aleatoare cu componentele Xi , i = 1 . . . n, independente, are componentele independente; rezult a c a variabilele ls+1 , . . . , ln sunt independente, repartizate N (0, 1). Armat ia rezult a din Teorema 3.6.3. Teorema 3.6.7 (Cochran) Dac a Qi (x1 , . . . , xn ), i = 1, . . . s, sunt forme p atratice respectiv de rangurile r1 , . . . , rs , si X1 , . . . , Xn sunt variabile aleatoare independente, repartizate N (0, 1), astfel nc at
s n
Qi (X1 , . . . , Xn ) =
i=1 j =1
2 Xj ,
atunci condit ia necesar a si sucient a ca Qi s a e variabile aleatoare independente este ca r1 + . . . + rs = n.
138
Demonstrat ie. Pentru nceput s a presupunem c a Qi sunt independente. Dac a Qi este o form a p atratic a de rang ri , atunci poate scris a ca sum a de ri p atrate de variabile aleatoare normale normate, deci din Teorema 3.6.3 ecare Qi este repartizat a H (ri , 1), iar s suma lor este repartizat a H ( i=1 ri , 1), deoarece din ipotez a Qi sunt independente. Pe
n
de alt a parte,
j =1 s
2 Xj : H (n, 1). R am ane s a observ am c a funct ia de repartit ie este unic a,
deci
j =1
rj = n.
Reciproc. Dac a Qi (X1 , . . . , Xn ) sunt forme p atratice si r1 + . . . rn = n exist a o matrice ortogonal a A astfel nc at
s n
Qi (x1 , . . . , xn ) =
i=1 k=1
2 lk ,
l1 . a p atratic a Qi este sum a de ri p atrate li , repartiunde L = . . = AX . Fiecare form ln zate N (0, 1) (obt inute printr-o transformare ortogonal a de variabile normal repartizate), deci Qi sunt repartizate H (ri , 1) . Se veric a u sor c a sunt si independente. Repartit ia Student. Spunem c a variabila aleatoare X este repartizat a Student cu n grade de libertate, dac a are densitatea de probabilitate ( n+1 ) f (x) = 2 n n( 2 ) x2 1+ n
n+1 2
, x I R
Vom nota X : S (n). S a veric am mai nt ai c a f este o densitate de probabilitate. Observ am c a din paritatea funct iei

f (x)dx = 2
0
f (x)dx.
Facem schimbarea de variabil ax=

0
ny , dup a care g asim dx =
x2 1+ n
y2 1+y 2
n+1 2
n
0
(1 + y 2 )
n+1 2
dy.
In ultima integral a substitut ia t dy = 1 2

1 2
= t, ne duce la funct ia Beta vezi Anexa 3. Intr-adev ar,
(1 t)
3 2
dt, si
1
2( n+1 ) 2 f (x)dx = n n n( 2 )
(1 t)
0
n+1 2
3 1 1 t 2 (1 t) 2 dt = 2
( n+1 ) n 2 n B ( , 1) = 1. 1 ( 2 )( 2 ) 2
139
Momentele repartit iei Student. Funct ia f ind par a, media este 0, deci momentele init iale coincid cu cele centrate, iar toate cele de ordin impar sunt nule.
2 ) ( n+1 x2 2k 2 2k = 2k = x f (x)dx = x 1+ dx. n n( n ) 2 Folosind substitut ia x = ny , reducem, ca mai nainte, la o integral a Beta si obt inem 2k
n+1
)( n k) nk (k + 1 n 2 2 2k = , dac a k > 0. n ( 2 ) 2 Folosind propriet a tile funct iei n n n n ( ) = ( 1) . . . ( k )( k ), 2 2 2 2 1 1 1 1 (k + ) = (k ) . . . ( ), 2 2 2 2 G asim 2 k = nk 1.3. . . . (2k + 1) . (n 2)(n 4) . . . (n 2k )
Un caz particular l constituie n = 1, c and reg asim repartit ia Cauchy. Urm atorul rezultat de comportare la limit a a unui sir de variabile aleatoare repartizate Student este utilizat mult n statistic a. Teorema 3.6.8 Dac a f este densitatea de probabilitate a variabilei aleatoare repartizate Student, atunci x2 1 lim f (x) = e 2 . n 2 Demonstrat ie. Vom folosi formula lui Legendre (vezi [10]). Pentru orice a > 0 are loc 1 (a)(a + ) = 2a1 (2a). 2 2 Pentru a ar ata c a ( n+1 ) 1 lim 2 n = , n n( 2 ) 2 22n (n!)4 . n n((2n)!)2
vom analiza separat cazurile n par si n impar. Reamintim formula lui Wallis = lim
Dac a n = 2k , lu am n formula lui Legendre a = k si obt inem 1 ) (k + 2 (2k ) (2k 1)! = = = 2k (k ) 22k+1 2 (k ) 2k 22k1 2k ((k 1)!)2
140 =
Variabile aleatoare continue (2k )!k 2 . 22k1 2k (k !)2 2k
Din formula lui Wallis, ultimul sir are aceea si comportare la limit a cu sirul 2k 2 2 k 2 k 1 2 2k k 2k
1 care, pentru k , tinde evident la . Dac a n = 2k + 1, folosind din nou formula lui 2 Wallis, obt inem (k + 1) k !22k1 (k 1)! = = 2k + 1(k + 1 ) (2k + 1) (2k ) 2
22k1 2k (k !)2
1 , pentru k . 2 (2k + 1) (2k )!
Deci pentru un num ar mare de grade de libertate, se utilizeaz a tabelele legii normale. Pentru repartit ia Student exist a tabele care determin a, pentru n = 1, . . . 30, valorile P ({|X | > }) = , adic a ariile ha surate din gur a 3.15. De asemenea exist a tabele pentru calculul funct iei de repartit ie
x
F (x) =
f (t)dt,
adic a de determinare a ariilor din Figura 3.16, pentru x > 0. Pentru x < 0, se folosesc acelea si tabele, dar tinem seama de
x x
F (x) =
f (t)dt =
f (t)dt =
x
f (t)dt = 1 F (x).
Teorema 3.6.9 Fie X si Y variabile aleatoare independente repartizate 2 N (0, ) si H (n, ) respectiv; atunci variabila aleatoare X Y n este repartizat a S (n). Demonstrat ie. Variabila aleatoare bidimensionl a (X, Y ) are densitatea f (x, y ) = Facem schimbarea 1 2
n+1 2
n+1 ( n ) 2
y 2 1 e
x2 +y 2 2
< x < , 0
y < .
u(x, y ) =
x I
y n .
v (x, y ) = y
Variabile aleatoare continue Atunci densitatea de probabilitate a variabilei (U, V ) devine g (u, v ) = Densitatea marginal a a lui U este
0
141
1 n2
n+1 2
) n+1 ( n 2
n1 2
2 (u n +1)v 2 2
1 g (u, v )dv = n+1 n n2 2 n+1 ( ) 2 (
n1 2 ( u +1)v n 2 v 2 e 2 dv =
n+1 n+1 ) ( ) 1 2 = 2 n n+1 n+1 n( ) n 2 2 2 n2 2 n+1 ( ) 1 + u 2 n 2 2
1+
u n
n+1 2
u2 ( + 1)v aceasta datorit a schimb arii de variabil a n 2 = t. 2 Consecint a. Dac a variabilele aleatoare independente X1 , . . . , Xn+1 sunt repartizate 2 N (0, ), atunci variabila aleatoare Xn+1
2 2 X1 + . . . + Xn n
: S (n).
2 2 Demonstrat ia este imediat a, dac a se folose ste faptul c a X1 + . . . + Xn este repartizat a H (n, ).
Teorema 3.6.10 Fie X1 , . . . , Xn variabile aleatoare independente repartizate X 1 + . . . Xn N (0, ) si X = . Atunci variabila aleatoare n y= n(n + 1) X
n
(Xj X )2
j =1
este repartizat a S (n 1). Demonstrat ie. Alegem aij I R astfel nc at matricea a11 . . . a 1n a21 . . . a 2n A = ... a(n1)1 . . . a(n1)n 1 1 ... n n
142 s a e ortogonal a si consider am transformarea y1 y2 . = A . . yn
x1 x2 . . . xn
Dup a cum am v azut mai nainte, variabilele aleatoare Yj , j = 1, . . . n, sunt independente si repartizate N (0, ). Avem de asemenea
2 2 2 Y12 + . . . + Yn = X1 + . . . + Xn
si dac a nmult im ultima linie a matricei A cu X yn X= . n Deci Y12 + ... +

2 Yn 1 n 2 n
=
j =1
2 Xj
nX =
j =1
(Xj X )2 .
Atunci variabila aleatoare c autat a poate scris a sub forma Y = n(n 1) X

n
=
2
Yn Y12
2 + . . . + Yn 1 n1
(Xj X )
j =1
iar din consecint a precedent a aceasta este repartizat a S (n 1). Se poate ar ata c a variabila aleatoare Xn
2 2 X1 + . . . + Xn n
este de asemenea repartizat a S (n 1). Repartit ia Snedecor. Are densitatea de probabilitate dat a de f (x) = n1 n2
n1 2

n1 2
n1 +n2 2
n2 2
n1 1 2
n1 1+ x n2
n1 +n2 2
, 0
x < ,
unde n1 , n2 I N se numesc grade de libertate. Vom nota o variabil a aleatoare repartizat a Snedecor prin S (n1 , n2 ). Prin schimbarea de variabil a n1 x n2 n1 = y, 1+ x n2
143
integrala f (x)dx este redus a la o integral a Beta si folosind propriet a tile funct iei Beta (Anexa 3) deducem imediat c a funct ia de mai sus este o densitate de probabilitate. Momentele init iale ale repartit iei Snedecor se obt in prin calcul direct k = n1 n2
n1 2

n1 2
n1 +n2 2
n2 2 k 0
n2 n1
x x
n1 1 2
n1 1+ x n2
n1 +n2 2
dx =
1 2 (k + n )( n k) 2 2 , n1 n2 2 2 dac a facem aceea si schimbare de variabil a ca mai sus.T in and cont de propriet a tile funct iei Gama, g asim k n1 (n1 + 2) . . . (n1 + 2k 2) n2 n2 k = , k< . n1 (n2 2)(n2 4) . . . (n2 2k ) 2 In particular g asim n2 1 = n2 2
2 =
n1 + 2 n2 2 n1 (n2 2)(n2 4)
(3.54)
n3 (n1 + 2)(n1 + 4 3 = 2 . n2 1 (n2 2)(n2 4)(n2 6) Teorema 3.6.11 Fie X1 , X2 dou a variabile aleatoare independente, care sunt repartizate S (n1 , n2 ). Atunci variabila aleatoare n2 X1 : S (n1 , n2 ). n1 X2 Demonstrat ie. Not am cu U variabila din enunt si determin am funct ia de repartit ie FU (x) = P ({U < x}) = P iar prin derivare g asim X1 n1 < x , X2 n2
n1 n1 fU ( x). n2 n2 Mai departe vom folosi formula care d a densitatea c atului de variabile aleatoare (3.31) z n2 xz n1 1 1 1 e 2z 2 e 2 (xz ) 2 zdz, fU (x) = n + n 1 2 0 n1 n2 2 2 2 2 z (1 + x) care prin substitut ia = t, devine 2 n1 + n2 n1 1 1 1 2t 2 2 t 2 fU (x) = n + n x e dt = 1 2 1+x 1+x 0 n1 n2 2 2 2 2 fU (x) =
144
n1 + n2 n1 + n2 n1 1 2 2 . = (1 + x) n1 n2 x 2 2 2 n1 Dac a facem schimbarea de variabil a x = y , se obt ine densitatea de probabilitate Snen2 decor. Consecint a. Dac a variabilele aleatoare independente Xj , j = 1, n1 , Yk , k = 1, n2 , sunt repartizate N (0, ), atunci variabile aleatoare
2 2 + . . . Xn n2 X1 1 2 n1 Y12 + . . . + Yn 2
este repartizat a S (n1 , n2 ). Dac a variabila aleatoare X este repartizat a S (n1 , n2 ), variabila 1 aleatoare ln X are densitatea de probabilitate 2 f (x) = 2 n1 n2
n1 2

n1 2
n1 +n2 2
n2 2
en1 x
n1 1 + e2x n2
n1 +n2 2
(3.55)
O variabil a aleatoare av and aceast a densitate se nume ste Fisher. Repartit ia Gama. Se veric a imediat c a funct ia f (x) = 1 x m1 e x , x (m) 0, m > 0,
este o densitate de probabilitate. Momentele init iale de ordin k sunt 1 k = (m)

0
ex xm1+k dx =
(m + k ) = m(m + 1) . . . (m + k 1). (m)
Momentele centrate, dup a particularizarea formulelor (3.39), sunt

2 2 = 2 1 = m(m + 1) m2 = m, 3 3 = 3 32 1 + 21 = 2m.
Funct ia caracteristic a este dat a de (t) = (1 it)m , care se obt ine din (t) = 1 (m)
0
eitx ex xm1 dx =
1 (m)
e(it1)x xm1 dx,
prin substitut ia (it 1)x = y . Folosind produsul funct iilor caracteristice se deduce u sor c a dac a Xi este repartizat a Gama cu parametrul mi , i = 1, 2, atunci suma este repartizat a Gama cu parametrul m1 + m2 .
145
Exemplul 3.6.2 Repartit ia Erlang S a determin am repartit ia sumei de n variabile aleatoare independente, repartizate exponent ial, cu parametrul . Funct ia caracteristic a a repartit iei exponent iale este (t) = . it Sumei de variabile exponent iale i corespunde funct ia caracteristic a n (t) = it
n
iar aceasta corespunde variabilei aleatoare cu densitatea de probabilitate f (x) = ex (x)n1 , x > 0. (n 1)!
x 0
S a determin am funct ia de repartict ie a variabilei Erlang. F (x) = Integr am prin p art i si avem F (x) = n1 (n 1)! y n1 ey |x 0 +
x 0 x 0
n1 (n 1)!
y n1 ey dy.
(n 1)y n2 ey dy y n2 ey dy.
(x)n1 x n2 = e + (n 1)! (n 2)! Repet nd integrarea prin p art i, g asim

n1
F (x) = 1
k=0
(x)k x e . k!
Recunoa stem n suma precedent a primii n termeni ai unei repartit ii Poisson. Leg atura dintre aceste dou a repartit ii va evident iat a la procese Poisson. Repartit ia Beta. Este denit a prin densitatea de probabilitate f (x) = Momentele sunt date de k = In particular avem m(m + 1) . . . (m + k 1) . (m + n)(m + n + 1) . . . (m + n + k 1) xm1 (1 x)n1 , B (m, n) 0 x 1, m > 0, n > 0.
1 =
m(m + 1) m , 2 = , m+n (m + n)(m + n + 1) mn 2 = 2 = 2 1 . 2 (m + n) (m + n + 1)
146
3.7
Fiabilitate
In sensul cel mai larg , abilitatea reprezint a proprietatea unui dispozitiv de a- si ndeplini funct ia specic a n condit ii de exploatare date. O analiz a complet a a abilit a tii ne pune n evident a : -abilitatea precalculat a, care se evalueaz a pornind de la concept ia dispozitivului si a componentelor sale; -abilitate tehnic a (nominal a) determinat a n urma ncerc arilor n condit ii de fabric a; -abilitate de exploatare, determinat a de condit iile reale de exploatare, cu luarea n considerare a act iunii complexe a tuturor factorilor ce inuent eaz a funct ionarea. Fiabilitatea poate exprimat a cantitativ prin parametrii de abilitate. Determinarea lor se face n practic a n urma prelucr arii statistice a datelor. Cel mai frecvent utilizat a este probabilitatea funct ion arii f ar a defect iune ntr-un interval de timp. Intervalul de timp n care sistemul funct ioneaz a f ar a defect iuni este o variabil a aleatoare pe care o not am cu T. Denit ia 3.7.1 Numim funct ie de abilitate sau reliabilitate funct ia R : I R+ [0, 1] denit a prin R(t) = P ({T t}). Observ am c a 1 R(t) este funct ia de repartit ie, care n sensul abilit a tii m asoar a probabilitatea ca p an a la momentul t s a apar a o defect iune. Funct ia F (t) = 1 R(t) se mai nume ste funct ie de nesigurant a. In str ans a leg atur a cu propriet a tile funct iei F (t), putem enunt a pe cele ale lui R. 1. R(0) = 1; 2. lim R(t) = 0; 3. t1 < t2 = R(t1 ) R(t2 ); 4. Dac a f este densitatea de probabilitate pentru variabila T , f (t) = R (t). In Figura 3.17 sunt reprezentate cele dou a funct ii. Observ am c a la momentul init ial funct ia de abilitate este maxim a, iar nesigurant a minim a si dac a t se produce fenomenul invers. Vom presupune c a se poate preciza o funct ie, numit a rat a de defectare si notat a r, cu proprietatea c a r(t)t este probabilitatea ca n intervalul (t, t + t) s a apar a o defect iune, dac a p an a la momentul t, dispozitivul a funct ionat . Condit ia din denit ie este o probabilitate condit ionat a: r(t)t = P ({t = T < t + }| {T t}) = P ({t T < t + t}) = P ({T t})
t
F (t + t) F (t) R(t + t) R(t) = . R(t) R(t)
In ultima relat ie mp art im prin t si trecem la limit a pentru t 0. Dac a aceast a limit a exist a, g asim ecuat ia diferent ial a R (t) = r(t), R(t)
Variabile aleatoare continue cu condit ia init ial a R(0) = 1, care are ca solut ie R(t) = e
4t
0
147
r(s)ds
(3.56)
Exemplul 3.7.1 Rata de defectare a unui utilaj este r(t) = 0, 1. Cu ce probabilitate dispozitivul funct ioneaz a cel put in 10 ore ? Inlocuim n (3.56) r(t) = 0, 1 si observ am c a dispozitivul funct ioneaz a cel put in 10 ore este evenimentul {T 10}, deci
t
R(10) = e
0, 1ds
0
= e1 = 0, 368
In practic a sunt utilizate o parte din repartit iile continue prezentate anterior, dar si altele specice. Repartit ia exponent ial a. are densitatea de probabilitate t a t 0, e , dac f (t) = ( > 0). 0, dac a t < 0, Se veric a imediat c a f este o densitate de probabilitate. Funct ia de abilitate este
R(t) =
t
f (s)ds = et ,
iar rata de defectare r(t) =
R (t) = R(t)
este deci constant a. Aceast a repartit ie este utilizat a pentru dispozitive care nu mb atr anesc. Repartit ia Weibull. Are densitatea de probabilitate a t 0, t1 et , dac (, R+ ). f (t) = 0, dac at<0 Funct ia de abilitate este iar rata de defectare r(t) = t1 . Pentru = 1 se reg ase ste repartit ia exponent ial a, iar pentru = 2 se obt ine repartit ia Rayleigh. Faptul c a rata este o funct ie polinomial a, face s a modeleze mai bine diferitele situat ii practice; de aceea repartit ia Weibull este des utilizat a. R(t) = et ,
148
Pentru diferite valori ale lui , n Figura 3.18 sunt reprezent ari grace ale densit a tii de probabilitate, iar n Figura 3.19 si 3.20 ale ratelor si funct iilor de abilitate. In general variat ia defect iunilor unui dispozitiv se poate mp art i n trei perioade. 1. perioada init ial a n care apar defect iuni datorate erorilor de fabricat ie si se face rodajul (copil aria); 2. perioada de funct ionare care ncepe dup a rodaj, c and num arul defect iunilor scade, r am an and practic constant (maturitatea), pentru care se poate utiliza distribut ia exponent ial a; 3. perioada n care intensitatea de defectare cre ste continuu, datorit a uzurii (b atr anet ea). Componentele unui dispozitiv pot legate n serie, sau n paralel. Vom analiza modul de determinare a abilit a tii pentru ecare situat ie n parte. Legare n serie. Spunem c a un dispozitiv are n componente legate n serie, dac a defectarea uneia, atrage nefunct ionarea ntregului sistem. Convenim s a vizualiz am prin schema de la Figura 3.21. Presupunem c a ecare component a Ci , i = 1, . . . n, se poate defecta indiferent de celelalte, cu rata de defectare ri si funct ia de abilitate Ri . Dac a T , respectiv Ti , i = 1, . . . , n semnic a timpul de funct ionare p an a la prima defectare a sistemului, respectiv a componentei Ci , atunci evident
n
{T
t} =
{Ti
i=1
t}
si aplic and probabilitatea pentru evenimente independente g asim

t n n n
ri (s)ds
0 i=1
R(t) =
i=1
Ri (t) =
i=1 t n
=e Deci rata de defectare este
ri (s)ds
0 i=1
. ri (t).
r(t) =
i=1
Observ am c a T = min{T1 , . . . , Tn }. Legare n paralel. Un dispozitiv are n componente legate n paralel, dac a acesta poate funct iona, chiar dac a una din componente se defecteaz a. Sistemul nu funct ioneaz a dac a ecare din componente nu funct ioneaz a; presupunem c a acestea se pot defecta independent una de alta. Atunci obt inem
n
{T < t } =
{Ti < t}
i=1
Variabile aleatoare continue si dac a aplic am probabilitatea

n
149
1 R(t) =
i=1
(1 Ri (t)) .
Observ am c a T = max{T1 , . . . , Tn }. In acest caz nu putem g asi o expresie simpl a a ratei de defectare a sistemului. In practic a aceste moduri de alc atuire apar combinat. Reprezent am acest lucru n Figura 3.22. Exemplul 3.7.2 In schema al aturat a componentele Ci funct ioneaz a independent, cu aceea si funct ie de abilitate. S a determin am funct ia de abilitate a sistemului. Dispozitivul funct ioneaz a la momentul t, dac a {T > t} = ({T1 > t} {T3 > t}) ({T1 > t} {T4 > t}) ({T2 > t} {T4 > t}) . Calcul am acum probabilitatea acestei reuniuni, folosind independent a R(t) = R1 (t)R3 (t) + R1 R4 (t) + R2 (t)R4 (t) R1 (t)R3 (t)R4 (t) R1 (t)R2 (t)R4 (t) R1 (t)R2 (t)R3 (t)R4 (t) + R1 (t)R2 (t)R3 (t)R4 (t) =
2 3 = 3 R1 (t) 2R1 (t).
150 PROBLEME PROPUSE
Problema 3.1 O variabil a aleatoare X are repartit ia dat a de legea triunghiului dreptunghic pe intervalul (0, a), a > 0 (vezi Figura 3.24). G asit i : a. densitatea de probabilitate; b. funct ia de repartit ie; c. probabilitatea ca variabila aleatoare X s a ia valori n intervalul (a/2, a); d. media si dispersia. Solut ie a. Scriem dreapta cu t aieturile (a, 0) si (a/2, 0) si g asim x 2 (1 ), x (0, a), a a f (x) = 0, x / (0, a) ; x 0, 0, x x (2 ), 0 < x a, b. F (x) = a a 1, x > 0. a a 1 c. P ({X ( , a)}) = F (a) F ( ) = ; 2 2 4 a 2 a2 d. M [X ] = , D [X ] = . 3 18 Problema 3.2 Determinat i funct ia de repartit ie a variabilei aleatoare X , repartizat a 1 Cauchy, deci cu densitatea de probabilitate f (x) = (1+x2 ) , x I R. R: F (x) =
1
arctan x + 1 . 2
Problema 3.3 O variabil a aleatoare X are repartit ia Simpson sau legea triunghiului isoscel pe un interval (a, a), a > 0. G asit i a. densitatea de probabilitate; b. funct ia de repartit ie. R: Gracul este dat de Figura 3.25 x 1 (1 ), 0 < x < a, a a 1 x a. f (x) = (1 + ), a < x < 0, ; a a 0, |x| a.
Variabile aleatoare continue 0, x 0, 1 2 1 2 a (x + a) + 2a2 (x a ), a < x x2 1 1 + ( x ), 2 a 2a 1, 0 x<a
151
0,
b. F (x) =
x > a.
Problema 3.4 Determinat i media si dispersia variabilei aleatoare exponent iale, av and densitatea de probabilitate x e , x 0, f (x) = 0, x < 0. 1 1 , D 2 [X ] = 2 . Problema 3.5 Determinat i media si dispersia repartit iei Laplace, cu densitatea de |x| probabilitate f (x) = e , > 0 , x I R. 2 2 R: M [X ] = 0, D2 [X ] = 2 . Problema 3.6 Determinat i media si dispersia variabilei aleatoare repartizat a uniform pe intervalul (a, b). (a b)2 a+b , D2 [X ] = . R: M [X ] = 2 12 Problema 3.7 O variabil a aleatoare este repartizat a normal N (m, 2 ). S a aproxim am X pe un interval (, ) cu legea uniform a, dac a m, r am an constant i. Solut ie. Folosim problema precedent a si egal am mediile si abaterile medii p atratice R: M [X ] = + = = m, 2 2 3 de unde = m 3, = m + 3. Problema 3.8 O variabil a aleatoare X : N (m, 2 ) poate avea parametrii m = 2, = 2 cu probabilitatea 0,4 sau m = 2, = 1 cu probabilitatea 0,6 determinat i densitatea de probabilitate. Solut ie . Folosim generalizarea formulei probabilit a tii totale, din 3.2. Avem
(x2)2 0, 6 (x2)2 0, 4 f (x) = e 8 + e 2 . 2 2 2
Problema 3.9 Intr-o sect ie se produc articole care corespund calitativ, dac a satisfac o anumit a proprietate m asurabil a printr-o caracteristic a numeric a. Se observ a unele deviat ii
152
de la normele impuse, care sunt repartizate normal, cu media m = 0 si abaterea . La controlul de calitate se elimin a acele produse ale c aror deviat ii dep a sesc m arimea . Determinat i probabilitatea evenimentului A un articol este respins. R : P (A) = P ({|X | > }) = 1 2( ). Problema 3.10 Fie , a > 0 si n I N . Determinat i a si astfel ca funct ia fn (x) = axn e
2 x2
, x>0
s a e o densitate de probabilitate pentru o variabil a aleatoare cu media m. Solut ie. Punem condit iile
+ 0
ax e si g asim
n 2 x2
dx = 1,
0
axn+1 e
2 x2
dx = m
a=
) 2n+1 1 ( n+2 2 , = n+1 n+1 . m ( 2 ) ( 2 )
Problema 3.11 Un mesaj este a steptat printr-un canal de comunicat ie. Momentul T la care mesajul este primit este aleator si are funct ia de densitate f (t). La un moment dat , se observ a c a mesajul nu a ajuns nc a. Determinat i densitatea de probabilitate a timpului care r am ane p an a la recept ionarea mesajului, . Solut ie . Fie A evenimentul mesajul nu a fost recept ionat p an a la momentul . Folosind formula lui Bayes, g asim f (t) , t > , f (t) 1 0 f (t)dt fA (t) = = P (A) 0, t < . Deoarece = T , rezult a (t) = f (t) , 1 0 f (t)dt 0, t > 0, t < 0.
Problema 3.12 Un sistem de comunicat ie accept a un voltaj pozitiv V la intrare, iar la ie sire un voltaj Y = V + N , unde = 102 , iar N este o variabil a aleatoare normal a cu m = 0, = 2. Ce valoare trebuie s a ia V , astfel ca la ie sire voltajul s a e pozitiv cu sigurant a 1 , = 106 . Solut ie . Punem condit ia ca P ({Y < 0}) = 106 si g asim P ({Y < 0}) = P ({V + N < 0}) = P ({N < V }) = 1 2 V .
Variabile aleatoare continue De aici g asim c a V = 950, 6.
153
Problema 3.13 Legea evenimentelor rare n plan. Un semnal luminos se poate produce aleator cu densitatea , pe cadranul unui osciloscop. G asit i repartit ia R, care d a distant a de la semnal, la cel mai apropiat vecin, media si dispersia. Solut ie . Evenimentul {R < r} nseamn a c a cel put in un semnal se produce n in2 teriorul discului de raz a r. Num arul mediu de aparit ii n acest disc este r , deci r2 P ({R < r}) = 1 P ({R r}) = 1 e , r > 0, dac a generaliz am rat ionamentul de 2 la legea Poisson. Densitatea de probablitate, este f (r) = 2rer , r > 0. Aceast a repartit ie este repartit ia Rayleigh. (4 ) 1 M [R] = , D2 [R] = . 4 2 Analog se poate deduce repartit ia evenimentelor rare n spat iu, care are densitatea de 4 r3 2 3 probabilitate f (r) = 4r e , r > 0, unde r este raza unei sfere alese convenabil. Problema 3.14 In timpul funct ion arii unui calculator, defect iunile pot ap area la momente aleatoare. Timpul T n care acesta funct ioneaz a f ar a defect iuni, urmeaz a o lege exponent ial a cu parametru , adic a (t) = et , > 0. Dac a o defect iune apare este imediat ndep artat a ntr-un interval de timp t0 , dup a care calculatorul funct ioneaz a din nou. Not am cu Z intervalul de timp ntre dou a defect iuni. Aat i P ({Z > 2t0 }). Solut ie. Avem Z = T + t0 si funct ia de repartit ie este F (t) = P ({Z < t}) = P ({T < t t0 }) = FT (t t0 ). Prin derivare F (t) = fT (t t0 ) = Atunci P ({Z > 2t0 }) = et0 . Problema 3.15 Timpul T ntre dou a defect iuni ale unui calculator, urmeaz a o lege exponent ial a cu parametru . Rezolvarea unei anumite probleme necesit a funct ionarea f ar a defect iuni a componentelor pentru un timp ; dac a o defect iune apare n timpul rezolv arii, problema poate reluat a. Fie variabila aleatoare care reprezint a intervalul de timp n care problema va rezolvat a. S a determin am repartit ia si media variabilei aleatoare . Solut ie. Dac a problema a fost rezolvat a n intervalul , nseamn a c aT > si R( ) = P ({T > }) = e , pe care o not am p. Evenimentul contrar se produce cu probabilitatea 1 p. Dac a problema a fost rezolvat a n intervalul ((n 1), n ), aceasta nseamn a c a au survenit defect iuni ale calculatorului n intervalele (0, ), (, 2 ), . . . ((n 2), (n 1) ) si aceasta se nt ampl a cu probabilitatea p(1 p)n1 . Variabila c autat a este : care are media n p(1 p)n1 e (tt0 ) , t > t0 . 0, t<0
. p Problema 3.16 Durata viet ii unui circuit integrat normal este dat a de o lege exponent ial a cu rata , iar a unui circuit rebut 1000. Probabilitatea de a extrage un
154
circuit integrat normal dintr-un lot este p. G asit i probabilitatea ca aleg nd un circuit la nt amplare, acesta s a funct ioneze dup a t secunde. Presupunem c a ecare este testat t secunde. Pentru ce valoare a lui t, 99% dintre circuite sunt bune. Solut ie . Fie B evenimentul de a alege un circuit normal, R de a alege un circuit rebut, iar C de a alege un circuit care s a funct ioneze dup a t secunde. Are loc, dac a folosim formula probabilit a tii totale P (C ) = pet + (1 p)e1000t . Calcul am PC (B ) cu formula lui Bayes si din condit ia PC (B ) 1 (1 p)99 t= ln . 999 p = 0, 99, avem
Problema 3.17 Variabila aleatoare (X, Y ) are densitatea de probabilitate f (x, y ). Exprimat i probabilit a tile urm atoarelor evenimente: 1.{X > Y }, 2.{X > |Y |} 3.{|X | > Y } 4.{Y X > 1}.
+ +
Solut ie 1. P ({X > Y }) =

+ x
dy
y
f (x, y )dx;
2. P ({X > |Y |}) =

0 0
dx
x x
f (x, y )dy ;
+ x
3. P ({|X | > Y }) =
dx
+
f (x, y )dy +
+ x+1 0
dx
f (x, y )dy ;
4. P ({Y X > 1}) =
dx
f (x, y )dxdy .
Domeniile de integrare sunt reprezentate mai jos. Problema 3.18 Variabila aleatoare X are repartit ia exponent ial a cu densitatea f (x) = e , x > 0. S a determin am condit iile n care variabila aleatoare Y = eX are medie si dispersie.
x +
Solut ie. M [Y ] =
0
ex ex dx =
0
e(1)x dx. Pentru > 1, exist a media
egal a cu . Pentru 1, integrala din denit ia mediei este divergent a. Pentru 1 > 2, M [Y 2 ] = si deci exist a dispersie, iar dac a 2 aceasta nu exist a. 2 Problema 3.19 Variabila aleatoare X are densitatea de probabilitate f (x) = 1 cos x, x ( , ); 2 2 2
calculat i media si dispersia variabilelor aleatoare X si Y = | sin X |. 2 1 2 1 1 2 Solut ie. M [X ] = 0, D [X ] = 2, M [Y ] = | sin x| cos xdx = , D2 [Y ] = . 4 2 2 12 2 Problema 3.20 Variabilele aleatoare X si Y au repartit ii exponent iale f1 (x) = ex , x > 0; f2 (x) = ey , y > 0.
155
Determinat i densitatea de probabilitate f (x, y ) si funct ia de repartit ie F (x, y ) pentru variabila aleatoare bidimensional a (X, Y ), dac a X, Y sunt independente. Solut ie. f (x, y ) = 0 x 0 sau y 0,
e(x+y) , x > 0 si y > 0; x 0 sau y 0,
0, F (x, y ) =
(1 ex )(1 ey) , x > 0 si y > 0.
Problema 3.21 Variabila aleatoare (X, Y ) este repartizat a constant n p atratul de latur a a, pe care l not am D si nul a n afar a. Determinat i f (x, y ) si F (x, y ), funct iile de densitate marginale f1 (x), f2 (y ). Stabilit i dac aX si Y sunt independente. Solut ie. 1 2 , (x, y ) D, a f (x, y ) = 0, (x, y ) / D; F (x, y ) = 0, x 0 sau y x a, 0, si 0 y a, a,
xy , 0 a2
y , a x , a 1,
x>a si 0 < y 0<x
a si y > a,
x>0 si y > a; 1 , y (0, a) a fY (y ) = 0, y / (0, a).
1 , x (0, a), a fX (x) = 0, x / (0, a);
Problema 3.22 Funct ia f (x, y ) este constant a n interiorul unui cerc de raz a r si nul a n afar a. Determinat i raza r astfel ca f (x, y ) s a e o densitate de probabilitate pentru o variabil a aleatoare bidimensional a (X, Y ), fX (x), fY (y ), fX (x|y ), fY (y |x). Calculat i Cov [X, Y ]. Solut ie. C aut am densitatea de probabilitate de forma f (x, y ) = h, x2 + y 2 < r2 , 0, x2 + y 2 r2 .
156 Punem condit ia ca 1 = f X ( x) =
Variabile aleatoare continue f (x, y )dxdy = hr2 . Deci r = fY (y ) = 2h 0, |x | < |x | > |y | < |y | >
1 . h
2h r2 x2 , |x| < r, 0, |x | > r ;
r2 y 2 , |y | < r, |y | r ; r2 y 2 , r2 y 2 ; r 2 x2 , r 2 x2 . xyf (x, y )dxdy = 0.
1 , f (x, y ) = fX (x|y ) = 2 r2 y 2 fY (y ) 0, 1 , f (x, y ) 2 fY (y |x) = = 2 r x2 0, fX (x)
r Avem imediat M [X ] = M [Y ] = 0, D[X ] = D[Y ] = 2 . M [XY ] = Deci Cov [X, Y ] = 0.
Problema 3.23 O variabil a aleatoare are densitatea de probabilitate constant a n p atratul D din Figura 3.30. G asit i f (x, y ), fX (x), fY (y ), fX (x|y ), fY (y |x) si stabilit i dac a sunt independente; dar corelate ? Solut ie. f (x, y ) = Analog fY (y ) = care sunt repartizate Simpson. 1 f (x, y ) , fX (x|y ) = = 2(1 |y |) 0, fY (y ) 1 f (x, y ) , fX (x|y ) = = 2(1 |x|) 0, f X ( x) |x | < 1 | y | |x | > 1 | y |; |y | < 1 | x | |y | > 1 | x |. 1 |y |, |y | < 1, 0, |y | > 1, 1 , (x, y ) D, 2 0, (x, y ) / D; f X ( x) = 1 | x |, |x | < 1 , 0, |x | > 1 .
X si Y nu sunt independente, dar nici corelate. M [X ] = M [Y ] = 0, iar M [XY ] = + + xyf (x, y )dxdy = 0. Cov [X, Y ] = 0. Problema 3.24 Variabila aleatoare (X, Y ) este uniform repartizat a n interiorul unui cerc de raz a r = 1 cu interiorul D. G asit i media si dispersia variabilei Z = XY . 1 1 1 Solut ie. M [XY ] = xydxdy = 0; D2 [XY ] = x2 y 2 dxdy = . 8 D D Problema 3.25 O variabil a aleatoare (X, Y ) este uniform repartizat a ntr-un p atrat de latur a 1. G asit i media si dispersia variabilei XY .
157
1 Solut ie. Pentru c aX si Y sunt independente M [XY ] = M (X )M (Y ) = ; D2 [XY ] = 4 1 . 144 2 Problema 3.26 Variabilele X si Y sunt legate prin Y = 2 3X si mx = 1, DX = 4. 2 G asit i my , DY , Cov [X, Y ], [X, Y ]. R: M [Y ] = M [2 3X ] = 2 3(1) = 5;D2 [Y ] = (3)2 4 = 36. Din M [X 2 ] = D2 [X ] + M 2 [X ], deducem M [X 2 ] = 5 Cov [X, Y ] = M [X (2 3X ]) + 1 5 = 12 12 = 1. [X, Y ] = D[X ]D[Y ] Problema 3.27 Variabilele aleatoare X, Y, Z au mediile mx , my , mz si matricea de covariant a D[ X ] Cov [X, Y ] Cov [X, Z ] [ Cov [X, Y ] . D Y ] Cov [ Y, Z ] [ Cov [X, Z ] Cov [Y, Z ] D Z] G asit i media si dispersia variabilei U = aX bY + cZ d, a, b, c, d I R. 2 2 [ 2 R: M [U ] = a mx b my + c mz d, D [U ] = a D X ] + b D[ Y ] + c2 D2 [Z ] 2 a b Cov [X, Y ] + 2 a c Cov [X, Z ] 2 b c Cov [Y, Z ]. Problema 3.28 X, Y sunt variabile aleatoare independente X : N (1, 4), Y : U (0, 2). G asit i M [X + Y ], M [XY ], M [X 2 ], M [X Y 2 ], D2 [X + Y ], D2 [X Y ]. R: M [X + Y ] = 2, M [XY ] = M [X ]M [Y ] = 1, M [X 2 ] = 5, M [X Y 2 ] = 1 13 , D2 [(X + Y )] = D2 [(X Y )] = . 3 3 Problema 3.29 Densitatea de probabilitate a unei variabile aleatoare bidimensionale normale este 1 1.1 2 2 f (x, y ) = e 28 ((x2) 1,2(x2)(y+3)+(y+3) ) . 1, 6 Calculat i covariant a variabilelor marginale. R: Cov [X, Y ] = 0, 6. Problema 3.30 Un voltmetru nregistreaz a cea mai mare dintre dou a tensiuni V1 , V2 . Variabilele V1 , V2 sunt independente si au aceea si densitate f (v ). G asit i media variabilei V = max{V1 , V2 }.
+ v1 + v2
Solut ie. m =
x1 dv1
f (v2 )dv2 +
v2 f (v2 )dv2
f (v1 )dx1 .
158
Capitolul 4 Probleme la limit a n teoria probabilit a tilor

Baza teoretic a a statisticii matematice, care confer a garant ii asupra valabilit a tii studiului statistic al fenomenelor aleatoare, se sprijin a pe propriet a tile de convergent a ale sirurilor de variabile aleatoare. Prezent am principalele tipuri de convergent a si unele propriet a ti ale sirurilor de variabile aleatoare referitoare la acestea.
4.1
Convergent a n probabilitate
Fie { E, K, P } un c amp de probabilitate, {Xn }nIN un sir de variabile aleatoare, X o variabil a aleatoare, toate denite pe {E, K, P }. Denit ia 4.1.1 S irul {Xn }nIN converge n probabilitate c atre X (vom folosi notat ia {Xn } X ) dac a > 0 : lim P ({e E | |Xn (e) X (e) | > }) = 0
n prob
(4.1)
sau, echivalent, > 0 : lim P ({e E | |Xn (e) X (e) |

n
}) = 1.
(4.2)
si convergent a n probabilitate a sirului de variabile Observat ia 4.1.1 Se poate deni aleatoare {Xn }nIN c atre constanta c deoarece orice constant a este un caz particular de variabil a aleatoare. Propriet a ti ale convergent ei n probabilitate. Propozit ia 4.1.1 Limita unui sir de variabile aleatoare convergent n probabilitate este unic a aproape sigur. Demonstrat ie. Ar at am c a dac a exist a dou a variabile aleatoare X si Y astfel nc at {Xn } X , {Xn } Y atunci P ({X = Y }) = 0. Fie < | X Y | = | X Xn + Xn Y | 159 | X Xn | + | Xn Y |
prob prob
160 de aici rezult a
Probleme la limita
{ | X Y | > } { | X Xn | > } { | Xn Y | > }, 2 2 deci P ({ | X Y | > } P ({ | X Xn | > })+ 2
+P ({ | Xn X | > }). 2 Deoarece {Xn } X si {Xn } Y rezult a, trec and la limit a, 0 P ({ | X Y | > }) lim P ({ | X Xn | > })+ n 2
prob prob
+ lim P ({ | Xn Y | > }) = 0 n 2 deci P ({| X Y | > }) = 0.

prob prob prob
Propozit ia 4.1.2 Dac a {Xn } X , {Yn } Y si a, b I R atunci {aXn + bYn } aX + bY . Demonstrat ie. Fie > 0. Urm and un rat ionament analog cu cel folosit n proprietatea precedent a, putem scrie P ({|(aXn + bYn ) (aX + bY )| > }) = P ({|a(Xn X ) + b(Yn Y )| > }) P ({|a||Xn X | > }) + P ({|b||Yn Y | > }). 2 2 T in and seama c a {Xn } X si {Yn } Y si trec and la limit a obt inem
n prob prob prob
lim P ({|(aXn bYn ) (aX + bY )| > }) = 0
adic a {aXn + bYn } aX + bY .
4.2
Legea numerelor mari (forma slab a)
Un tip de probleme la limit a, bazat pe not iunea de convergent a n probabilitate, cu semnicat ie de maxim a important a asupra leg aturii dintre conceptele de baz a ale teoriei probabilit a tii si not iunile empirice, este cel cunoscut sub denumirea de legea numerelor mari. Aceasta este un ansamblu de rezultate privind convergent a c atre 1 a probabilit a tilor unui sir de evenimente depinz and de un num ar cresc and de factori aleatori.
Probleme la limita
161
Teorema 4.2.1 Fie (Yn )nIN un sir de variabile aleatoare admit and valori medii si dispersii nite si e 2 M [Yn ] = Mn < , D2 [Yn ] = n < . Dac a exist a o constant a M astfel nc at
n 2 lim Mn = M si lim n = 0, n
(4.3)
atunci
{Yn } M. Demonstrat ie. Observ am c a pentru orice > 0 {|Yn M | > } {|Yn Mn | > } {|Mn M | > }. 2 2 Putem scrie P ({|Yn Mn | > }) + P ({|Mn M | > }). 2 2 Aplic and inegalitatea lui Ceb a sev variabilei aleatoare Yn obt inem P ({|Yn M | > }) P ({|Yn Mn | > })
2 D2 [Yn ] n = . 2 2
prob
(4.4)
(4.5) N () inegalitatea
Deorece lim Mn = M rezult a c a > 0, N () I N astfel nc at n n |Mn M | > devine imposibil a, adic a 2 n N () : P ({|Mn M | > }) = 0.
Trec and la limit a n (4.4), tin and seama de (4.5) si de ipotezele (4.3) rezult a
n
lim P ({|Yn M | > }) = 0.
Sn Prima formulare: Dac a A un eveniment caracterizat prin P (A) = p = 0 si frecvent a n relativ a de realizare a evenimentului A n primele n probe ale unui sir innit de probe independente, atunci Sn > 0 : lim P ({| p| > }) = 0 n n sau, echivalent, Sn > 0 : lim P ({| p| }) = 1. n n A doua formulare: Dac a {Xn }nIN un sir de variabile aleatoare independente astfel n 1 nc at Xn : Bi(n, p), n I N , atunci sirul de variabile aleatoare { Xk }nIN converge n n k=1 1 probabilitate c atre p, adic a{ n
n
Teorema 4.2.2 (forma slab a a teoremei lui Jacob Bernoulli)
Xk } p.
k=1
prob
162
Probleme la limita
Demonstrat ie. Demonstr am teorema lui Bernoulli sub cea de-a doua form a. Not am 1 Yn = n si tinem seama c a M [Yn ] = 1 n
n n
Xk
k=1
M [Xk ] =
k=1
1 1 np = p, D2 [Yn ] = 2 n n
D2 [Xk ] =
k=1
npq pq = , n2 n
deci lim M [Yn ] = p si lim D2 [Yn ] = 0, ceea ce arat a c a ipotezele Teoremei 4.2.1 sunt
n
1 satisf acute, deci { n Observat ii.
Xk } p.
k=1
prob
1. Prima formulare a teoremei lui Bernoulli constituie justicarea teoretic a a apropierii f acute ntre conceptele de frecvent a relativ a si probabilitate a unui eveniment. Ea exprim a faptul c a pentru siruri foarte mari de probe orice diferent a sensibil a ntre frecvent a relativ a a unui eveniment si probabilitatea sa devine foarte improbabil a. Deci convergent a frecvent elor relative c atre probabilitatea evenimentului nu trebuie nt eleas a ca o convergent a numeric a obi snuit a; nu rezult a din teorema de mai sus si nici nu este intuitiv acceptabil a ideea c a odat a cu cre sterea num arului de probe valorile frecvent elor relative sunt, obligatoriu, mai apropiate de probabilitate. a formul ari decurg una din cealalt a dac a tinem seama c a frecvent a absolut a 2. Cele dou de realizare a lui A n n probe. Fie Xn o variabil a aleatoare repartizat a Bi(n, p). n n Sn 1 Xk , atunci Dac a not am Sn = Xk si deci = n n k=1 k=1
n
lim P ({|
Sn p| > }) = 0 n
ceea ce nu nseamn a altceva dec at c a 1 { n

n
Xk } p.
k=1
prob
a a denit iei not iunii de estima3. Rezultatul teoremei constituie justicarea teoretic tie a unui parametru al unei repartit ii, not iune de mare important a n statistica matematic a. a sev) Dac a (Xn )nIN este un sir de variabile aleatoare independente Teorema 4.2.3 (Ceb dou a c ate dou a, av and dispersiile m arginite de o aceea si constant a D2 [Xn ] c2 , n I N,
Probleme la limita atunci > 0 : lim P ({|

n n n
163
1 n
Xk
k=1
1 n
M [Xk ]| > }) = 0
k=1
sau, echivalent, 1 > 0 : lim P ({| n n 1 Xk n k=1

n n
M [Xk ]|
k=1
}) = 1,
adic a are loc convergent a n probabilitate a sirul de variabile aleatoare, {

n
1 n
(Xk M [Xk ])} 0.

k=1
prob
1 Demonstrat ie. Dac a Yn = n 1 M [Yn ] = M [ n

n
(Xk M [Xk ]) atunci

k=1
1 (Xk M [Xk ])] = n k=1
1 M [Xk ] n k=1
M [Xk ] = 0
k=1
si deoarece variabilele aleatoare Xn sunt independente dou a c ate dou a, rezult a (Xk M [Xk ]) sunt independente dou a c ate dou a si deci 1 n
n
D2 [Yn ] = D2 [
(Xk M [Xk ])] =

k=1
1 n2
D2 [Xk M [Xk ]] =
k=1
1 n
D2 [Xk ].
k=1
Aplic and inegalitatea lui Ceb a sev variabilei aleatoare Yn si tin and seama de ipotezele problemei, putem scrie P ({| si deci
n
1 n
Xk
k=1
1 n
M [Xk ]| > })
k=1
1 2 n 2
D2 [Xk ] <
k=1
nc2 c2 = n2 2 n2
lim P ({|
1 n
Xk
k=1
1 n
M [Xk ]| > })
k=1
c2 = 0. n n2 lim
Teorema 4.2.4 (Markov) Dac a variabilele aleatoare X1 , X2 , . . . , Xn , . . . au proprietatea c a:

n
D [
i=1 n2
Xi ] 0, n ,
atunci are loc legea numerelor mari.
164
Probleme la limita
Demonstrat ie. Trebuie demonstrat c a sirul {Xn }nIN veric a relat ia: 1 > 0 : lim P ({| n n 1 Xk n k=1
n n n
M [Xk ]|
k=1
}) = 1.
Aplic am inegalitatea lui Ceb a sev pentru variabilele aleatoare:

n
Y =
i=1
Xi /n, D2 [Y ] = D2 [
i=1
Xi /n] =
1 2 D [ Xi ] 0, n . n2 i=1
n
Deci D2 [Y ] < si atunci are loc inegalitatea lui Ceb a sev: P (|Y M [Y ]|
n
1 1 2 D [ Xi ]. 2 n2 i=1
1 2 D [ Xi ] 0, dac a n . Trec and la limit a n inegalitatea precedent a, n2 i=1 obt inem armat ia teoremei. Dar Observat ia 4.2.1 In cazul particular c and variabilele aleatoare sunt independente, condi tia din enunt se scrie:
n
D2 [Xi ] 0, n . n Teorema 4.2.5 (Hincin) Dac a {Xn }nIN este un sir de variabile aleatoare independente dou a c ate dou a urm and aceea si repartit ie si av and dispersii nite, atunci 1 Xk M | > }) = 0. lim P ({| n n k=1 unde M = M [Xn ], n I N. Demonstrat ie. Dac a variabila aleatoare {Xn }nIN urmeaz a aceea si repartit ie, rezult a D2 [Xn ] = 2 , n I N , ceea ce implic a satisfacerea ipotezelor Teoremei lui Ceb a sev. Observat ie. Acest rezultat fundamenteaz a teoretic procesul uzual de aproximare a mediei caracteristicii studiate a unei populat ii statistice prin media atitmetic a a valorilor observate. Intr-adev ar, dac a X1 , X2 , . . . Xn , . . . sunt privite ca valori potent iale ale unei variabile aleatoare X obt inute printr-un sir de probe independente, atunci teorema arat a c a media aritmetic a a acestora converge c atre M = M [X ]. Ca un caz particular al teoremei lui Ceb a sev se obt ine teorema lui Poisson. Teorema 4.2.6 (Poisson) Fie A un eveniment a c arui probabilitate de realizare variaz a pe parcursul unui sir de probe independente, astfel nc at la proba de rang k , P (A) = Sn frecvent a de realizare a evenimentului A n primele n probe. pk , k = 1, 2, . . . si e n Atunci Sn p1 + p2 + . . . + pn lim P ({ | | > } ) = 0 . n n n
n i=1
Probleme la limita
165
Demonstrat ie. Denim, pentru ecare k = 1, 2, . . . n, . . . variabila aleatoare Xk ce ia valorile 1 sau 0 dup a cum A se realizeaz a sau nu n proba de rang k . In consecint a , Xk este denit a 0 1 Xk : . 1 pk pk Not and cu Sn num arul de realiz ari ale lui A n primele n probe, se constat a Sn 1 fn (A) = = n n
n
Xk .
k=1
Deoarece X1 , X2 , . . . Xn , . . . sunt variabile aleatoare independente si deoarece

2 M [Xk ] = pk , D2 [Xk ] = M [Xk ] M [Xk ]2 = pk p2 k = pk (1 pk )
1 , 4
rezult a c a sirul {Xn }nIN veric a ipotezele Teoremei lui Ceb a sev si deci
n
lim P ({ |
Sn p1 + p2 + . . . + pn | > }) = n n 1 Xk n k=1
n n
1 = lim P ({ | n n
M [Xk ] | > )} = 0.
k=1
4.3
Aproxim ari pentru repartit ii discrete
Reamintim c a o variabil a aleatoare binomial a care ia n valori pote scris a ca o sum a de n variabile aleatoare X1 , X2 , . . . Xn , Xk :
n
0 1 1p p
, k = 1, n.
Atunci Y =
k=1
Xk este o variabil a aleatoare repartizat a binomial, Bi(n; p). Am v azut c a
o variabil a aleatoare binomial a, Bi(n; p), pentru valori mari ale lui n poate aproximat a cu o variabil a aleatoare Poisson, dac a p este sucient de mic astfel nc at np = = constant. Vom ar ata c a o variabil a aleatoare binomial a, Bi(n; p) poate aproximat a cu o variabil a aleatoare repartizat a normal pentru orice valoare xat a a lui p si pentru n sucient de mare. De exemplu, arunc am un ban de 100 de ori. Ne intereseaz a probabilitatea ca s a obt inem fat a care cont ine banul de 50 de ori. R aspunsul
50 p = C100
1 2100
100! 1 50!50! 2100
este nesatisf ac ator deoarece nu ne d a nici o idee asupra m arimii probabilit a tii. Nu putem stabili dac a aceast a probabilitate este n jurul lui 1/2 sau 1/10 sau 1/50. Dicultatea apare n calculul lui n! pentru n sucient de mare.
166
Probleme la limita
Problema care se pune este de a g asi o alt a funct ie h(n) care s a constituie o bun a aproximare n pentru n! (o bun a aproximare n sensul c a n! si h(n) s a creasc a aproape la n! fel de repede odat a cu n, sau |n! h(n)| s a e mic c and n cre ste sau lim = 1). n h(n) Denit ia 4.3.1 Fie f, g : I R I R. Spunem c a f si g sunt asimptotic egale si not am f g dac a f (n) lim = 1. n g (n) Relat ia f si g sunt asimptotic egale este o relat ie de echivalent a pe mult imea funct iilor neidentic nule. Propriet a tile de reexivitate, simetrie si tranzitivitate rezult a imediat. De exemplu, un polinom n variabila n este asimptotic egal cu termenul s au dominant. In cele ce urmeaz a vom ncerca s a g asim o funct ie h(n) astfel nc at n! = 1. n h(n) lim Expresia unei astfel de funct ii este sugerat a de formula lui Stirling (vezi Anexa 2) n h(n) = ( )n n 2. e Pare mai nepl acut s a calcul am h(n) dec at n!, dar este mult mai u sor deoarece puterile sunt mai lesne de calculat. S a aplic am n cazul exemplului dat
50 p = C100
1 100! 1 = , 200 50!50! 2100
)100 100 2 1 ( 100 100 100 10 1 2100 1 e p = ( ) = = 2100 50 )100 50 2 ( 50 50 2 2100 5 2 2100 e 1 = = 0, 0797884 0, 08. 5 2 Teorema 4.3.1 (teorema local a Moivre-Laplace). Presupunem 0 < p < 1 si q = 1 p iar k np , 0 xn,k = npq k n. (4.6)
Dac a M o constant a pozitiv a arbitrar a xat a, atunci pentru acei k pentru care |xn,k | avem
k k nk p q Cn
M
2
xn,k 1 e 2 . 2npq
(4.7)
(Convergent a este n raport cu n si este uniform a relativ la k .)
Probleme la limita Demonstrat ie. Din
167
k np xn,k = npq rezult a k = np + npq xn,k , adic a n k = nq npqxn,k . Deoarece |xn,k | npq k =1+ xn,k 1 si deci k np, np np npq nk =1 xn,k 1 si deci n k nq. nq nq Folosind formula lui Stirling putem scrie n (n ) n 2 k k nk pk q nk Cn p q k e nk k n k ( e ) k 2 ( e ) n k 2 unde (n, k ) =
M avem
(4.8)
1 n (n, k ), k (n k ) 2
np nq nk nn pk q nk = ( )k ( ) . n n k k (n k ) k nk Deoarece k np si n k nq rezult a c a
k k nk Cn p q
1 (n, k ). 2npq
x2 n,k 2 .
Demonstr am n continuare c a (n, k ) e
Folosim dezvoltarea n serie Taylor a lui ln(1 + x) ln(1 + x) = x si obt inem k npqxn,k npqxn,k np k np ln( ) = k ln( ) k ln( ) = k ln(1 )= k k k k npq npq = k ( xn,k 2 x2 . . .), k 2k n,k n k + npqxn,k nq nk nq ln( ) = (n k ) ln( ) (n k ) ln( )= nk nk nk npqxn,k npq npq = (n k ) ln(1 + ) = (n k )( xn,k x2 + . . .), nk nk 2(n k )2 n,k deoarece npq npq | xn,k | < 1 si | xn,k | < 1 k nk sunt sasf acute pentru n sucient de mare pentru care |xn,k | < M . Deci npq np k nq nk npq . . .)+ ln (n, k ) = ln( ) + ln( ) k ( xn,k 2 x2 k nq k 2k n,k x2 xn + . . . + (1)n1 + . . . 2 n pentru |x| < 1
(4.9)
168 +(n k )(
Probleme la limita npq npq xn,k x2 + . . .) = nk 2(n k )2 n,k npq 2 npq = ( npqxn,k xn,k . . .) + ( npqxn,k x2 + . . .) = 2k 2(n k ) n,k = npq 2 1 1 n2 pq xn,k ( ) + ... = x2 + . . . 2 k nk 2k (n k ) n,k
Justic am de ce neglij am termenii din dezvoltare de grad mai mare dec at doi pentru n . C and n este sucient de mare, cele dou a cantit a ti din (4.9) sunt mai mici dec at 2/3 si prin urmare Lema A2.1 din Anexa 2 este aplicabil a si contribut ia acestora la cele dou a serii este m arginit a de npq npq 3 k| xn,k | = (n k )| xn,k |3 . k (n k ) Deoarece pq < 1 si |xk | M aceasta nu dep a se ste n3 3 n2 M + M 3, 2 k (n k )2 care n mod evident tinde la zero c and n datorit a relat iilor (4.8). Astfel, folosind aceste relat ii, rezult a x2 n2 pq n,k ln (n, k ) xn,k = . 2npnq 2 Aceasta este echivalent a cu x2 n,k (n, k ) e 2 si de aici rezult a (4.7). Observat ia 4.3.1 Aproximarea este utilizat a dac a n este sucient de mare astfel nc at np 5 si n(1 p) 5.
2 3
4.4
Convergent a n repartit ie. Teorema limit a central a
Unele probleme n teoria probabilit a tilor impun studierea unor sume cu un num ar foarte mare de variabile aleatoare. Teorema limit a central a stabile ste condit iile n care repartit ia limit a a sumelor considerate este normal a. Teorema 4.4.1 (Moivre-Laplace) Fie A un eveniment care are probabilitatea de realizare p = P (A) ntr-un sir de probe independente. Dac a Sn este num arul de realiz ari ale lui A n n probe, atunci oricare ar a si b, a < b, lim P ({a Sn np npq 1 b}) = 2
b a x e 2 dx.
2
(4.10)
Probleme la limita Demonstrat ie. Fie k o valoare posibil a a lui Sn astfel nc at Sn = k nseamn a Sn np = xn,k npq
169
conform relat iei (4.6). Atunci probabilitatea evenimentului din dreapta formulei (4.10) este k k nk P ({Sn = k }) = Cn p q .
a<xn,k <b a<xn,k <b
T in and seama de faptul c a xn,k+1 xn,k = obt inem

a<xn,k
k + 1 np k np 1 = , npq npq npq

x e 2 (xn,k+1 xn,k ).
2
1 P ({Sn = k }) K a<x <b
(4.11)
n,k <b
Corespondent a dintre k si xn,k este bijectiv a si atunci c and k variaz a de la 0 la n, xn,k np nq 1 variaz a n intervalul [ , ], nu continuu, cu pasul xn,k+1 xn,k = . Pentru q p npq n sucient de mare intervalul va cont ine [a, b) iar punctele xn,k vor n interiorul lui [a, b), 1 . Presupunem c a cea mai mic a si mp art indu-l n intervale echidistante de lungime npq cea mai mare valoare a lui k ce satisfac condit iile a xn,k < b sunt, respectiv, j si l si deci vom avea xj 1 < a < xj < xj +1 < . . . < xl1 < xl < b < xl+1 , si suma din (4.11) se poate scrie
l
(xn,k )(xn,k+1 xn,k ),

k=j
unde (x) =
1 x2 e 2 K
b
Aceasta este suma Riemann pentru integrala denit a a (x)dx. F ac and n , divizarea devine din ce n ce mai n a si suma converge la integrala dat a. R am ane de determinat constanta K. In formula
n
lim P ({a
Sn np npq
1 b}) = 2
b a
e 2 dx
x2
(4.12)
facem a = b si atunci Sn np lim P (b < n npq b) = 1 K

b b x e 2 dx.
2
(4.13)
170 Dac a not am Sn np X= , npq M [X ] = 0, D2 [X ] = 1 si obt inem Sn np P (| | npq b) 1 1 . b2
Probleme la limita
atunci
(4.14)
Combin and relat iile (4.13) si (4.14) obt inem relat ia 1 si f ac and b obt inem K=
1 b2
1 K
b b
e 2
x2
e 2 dx = 2 .
x2
2,
deci constanta K din formula lui Stirling este
Inainte de a da o nou a formulare teoremei Moivre-Laplace, introducem not iunea de convergent a n repartit ie. Denit ia 4.4.1 Fie {Xn }nIN un sir de variabile aleatoare si {Fn }nIN sirul funct iilor de repartit ie corespunz atoare. Dac a sirul funct iilor de repartit ie {Fn }nIN converge c atre o funct ie de repartit ie F n ecare punct de continuitate x0 al funct iei de repartit ie F corspunz atoare variabilei aleatoare X , adic a dac a
n
lim Fn (x0 ) = F (x0 )
aatunci spunem c a sirul {Xn }nIN converge n repartit ie c atre X si se noteaz a rep {Xn } X. Observatii. 1. Deoarece pot exista mai multe variabile aleatoare care au aceea si funct ie de repartit ie, rezult a din denit ie c a limita unui sir de variabile aleatoare convergent n repartit ie nu este unic a. a este urm atorul: dac a {Xn }nIN este un sir 2. Un exemplu de astfel de convergent de variabile aleatoare repartizat a Bi(n, n ), atunci {Xn }nIN converge n repartit ie c atre variabila aleatoare X repartizat a Poisson de parametru . (Leg atura ntre repartit ia binomial a si repartit ia Poisson). Urm atoarele rezultate stabilesc leg atura ntre cele dou a moduri de convergent a. a {Xn } X , atunci {Xn } X . Teorema 4.4.2 Dac
prob rep
Probleme la limita Demonstrat ie. Din denit ia convergent ei n probabilitate, {Xn } X , rezult a c a > 0 : lim P ({|Xn X |
n prob
171
}) = 0.
Fie Fn funct ia de repartit ie a variabilei aleatoare Xn , F funct ia de repartit ie a lui X si x0 un punct de continuitate a lui F . Atunci > 0 > 0 : |F (x0 + ) F (x0 )| Din F (x0 ) = P ({X < x0 }) = P ({X < x0 } ({Xn < x0 } {Xn = P ({X < x0 } {Xn < x0 }) + P ({X < x0 } {Xn
prob
x0 })) =
x0 } )
P ({Xn < x0 }) + P ({|Xn X | > }) = Fn (x0 ) + P ({|Xn X | > }) = 0, si tin and seama c a {Xn } X , adic a
n
lim P ({|Xn X | F ( x0 )
}) = 0,
rezult a
n
lim Fn (x0 ). lim Fn (x).
Analog F (x0 + ) Rezult a

n n
lim Fn (x0 ) = F (x0 ).
Observat ie. Reciproca acestei teoreme nu este adev arat a. Ilustr am aceasta printr-un exemplu. Fie variabila aleatoare 0 1 1 1 X: 2 2 si variabila aleatoare Y = 1 X . Variabilele aleatoare X si Y au aceea si funct ie de repartit ie. ntr-adev ar, 0 1 1 1 Y : 2 2 a x 0 0 dac 1 FX (x) = FY (x) = dac a 0<x 1 2 1 dac a x>1 si |Y X | = |1 2X | = 1 indiferent de valoarea variabilei aleatoare X . Denim sirul de variabile aleatoare {Xn }nIN unde Xn = Y . Rezult a c a {Xn }nIN converge n repartit ie c atre X . Deoarece |Xn X | = 1 rezult a c a {Xn }nIN nu converge n probabilitate c atre X . Exist a totu si un caz particular n care se poate stabili si leg atura invers a.
172
rep
Probleme la limita
prob
Teorema 4.4.3 Dac a C este o constant a real a si dac a {Xn } C, atunci {Xn } C. Demonstrat ie. Pun and X = C am denit o variabil a aleatoare a c arei repartit ie este C: c 1 .
Deci funct ia de repartit e a variabilei aleatoare X este F (x) = Fie > 0. Atunci P ({| Xn c | }) = 1 P ({c < Xn < c + }) = 1 Fn (c + ) + Fn (c + 0) 0, dac a x c, 1, dac a x > c.
= 1 P ({Xn < c + }) + P ({Xn < c + 0})
Punctul x = c este punct de discontinuitate pentru F si F (c + ) F (c ) = 1, deci P ({|Xn c| }) F (c + ) F (c ) Fn (c + ) + Fn (c + 0).

n
Dar c + si c + 0 sunt puncte de continuitate ale lui F si, prin ipotez a, lim Fn (x) = F (x) pentru orice punct de continuitate x a lui F , deci
n
lim Fn (c + ) = F (c + ),
lim Fn (c + 0) = F (c + 0) = F (c ), lim P ({|Xn C | }) = 0
si deci
n
ceea ce exprim a convergent a n probabilitate a lui Xn c atre C . Vom da acum o formulare mai general a a teoremei Moivre-Laplace. Not am cu Sn = X1 + X2 + . . . + Xn , n 1,
unde Xj , j = 1, n, sunt variabile aleatoare independente Bernoulli. S tim c a M [Xj ] = p, D2 [Sn ] = npq, j = 1, n, si pentru orice n, M [Sn ] = np, D2 [Sn ] = npq. Not am
Xj =
Sn M [Sn ] 1 Xj M [Xj ] , Sn = = D[Xj ] D[Sn ] n
n Xj . j =1
(4.15)
Probleme la limita
173
Sn este o variabil a aleatoare si se nume ste variabil a aleatoare normalizat a. Avem pentru ecare j si n M [Xj ] = 0, D2 [Xj ] = 1. M [Sn ] = 0, D2 [Sn ] = 1. Transformarea liniar a care duce Xj n Xj sau Sn n Sn are ca scop aducerea lor la o variabil a aleatoare cu media 0 si dispersia 1. Fiecare Sn este o variabil a aleatoare care ia ca valori k np . xn,k = npq
Aceasta este tocmai xn,k din Teorema Moivre-Laplace si

k k nk P ({Sn = xn,k }) = Cn p q , 0
n.
Dac a utiliz am funct ia de repartit ie corespunz atoare

P ({Sn < x}) = Fn (x),
iar dac a F este funct ia de repartit ie normal a standard, atunci teorema Moivre-Laplace se poate scrie sub o form a mai elegant a si anume
n
lim Fn (x) = F (x).
Observat ie. Teorema poate extins a n urm atorul sens: e {Xn }nIN un sir de variabile aleatoare independente av and aceea si repartit ie care nu trebuie s a e specicat a. Trebuie, n schimb, ca M [Xj ] = m < si D2 [Xj ] = 2 < . Teorema lui Laplace are loc si n aceste condit ii. Teorema 4.4.4 Pentru sumele Sn n condit iile generalizate de mai sus si pentru a < b are loc b x2 Sn nm 1 lim P ({a < b}) = e 2 dx. (4.16) n n 2 a Exist a ns a o situat ie n care teorema limit a central a are o demonstrat ie banal a. Este cazul n care variabilele aleatoare {Xn }nIN sunt normale si independente. Atunci Sn = X1 + X2 + . . . + Xn este tot o variabil a aleatoare normal a cu media nm si dispersia n 2 conform Teoremei 3.6.2. Exemplul 4.4.1 Determinarea volumului unei select ii bernoulliene care s a permit a aplicarea legii numerelor mari. Legea numerelor mari (Teorema 4.2.2) arm a c a
n
lim P ({|fn (A) p| > }) = 0,
unde fn (A) este frecvent a relativ a de realizare a evenimentului A n primele n probe independente. fn (A) = Sn k = unde Sn = X1 + X2 + . . . + Xn , Xi : Bi(n, p), i = 1, n, n n
174 M[ P ({| Sn Sn pq ] = p, D2 [ ] = , n n n 1
n ] D2 [ S pq n = 1 2, 2 n
Probleme la limita
Sn p|}) n P ({|
Sn pq p| > }) < 2 < , n n ind dat, relat ia ne permite s a determin am o margine inferioar a pentru volumul select iei n, deoarece pq pq pq 1 < implic an> 2 si max 2 = , 2 p n 42 adic a 1 . 42 Aceast a margine inferioar a este mai mult dec at este necesar pentru a putea aplica Teorema Moivre-Laplace. Sn Sn np P ({| p| > }) = P ({| | > }) = n n n> Sn np = P ({| |> npq = 1 [F ( n ) F ( pq n Sn np }) = 1 P ({| | pq npq n )] = 1 0, 5 ( pq = 1 2( Not am z = n )< pq n }) = pq n ) pq
n ) + 0, 5 ( pq
n ; problema este s a se determine z astfel nc at 1 2(z ) < adica pq 1 n 1 (z ) = . Determin am z0 din relat ia (z0 ) = si n astfel nc at = z. 2 2 pq z 2 pq z 2 pq z2 Rezult an= 2 si deci max 2 = 2 , adic a 4 n z2 . 42
Intr-adev ar, dac a lu am = 0, 02 si = 0, 05 obt inem, conform Legii numerelor mari n> 1 = 125000. 4 0, 05 (0, 02)2 1 0, 05 = 0, 475, adic az 2 1, 96 si deci
Folosind Teorema lui Moivre-Laplace, (z ) = n> (1, 96)2 = 2401. 4(0, 02)2
Probleme la limita
175
Exemplul 4.4.2 O tensiune constant a, dar necunoscut a, trebuie s a e m asurat a. Fiecare m asur atoare Xj se face cu o eroare Nj fat a de valoarea exact a v . Eroarea Nj are media egal a cu zero si dispersia egal a cu 1 microvolt. Xj = v + Nj Presupunem c a eroarea este o variabil a aleatoare independent a. C ate m asur atori sunt necesare ca media m asur atorilor s a e cu cel mult = 1 mai mare dec at valoarea exact a cu o probabilitate de 0,99? Fiecare m asur atoare Xj are v si dispersia 1, astfel nc at folosind legea numerelor mari obt inem: 1 1 1 2 = 1 = 0, 99. n n Aceasta implic a n = 100. Astfel dac a repet am m asur atorarea de 100 de ori si calcul am media n mod normal n 99% din situat ii media obt inut a va diferi cu cel mult 1 microvolt de valoarea exact a. Exemplul 4.4.3 Pentru a estima probabilitatea unui eveniment A, se efectueaz a un sir de experient e Bernoulli si se observ a frecvent a relativ a a evenimentului A. De c ate ori trebuie repetat evenimentul A astfel nc at cu o probabilitate de 0, 95 frecvent a relativ a s a difere de p = P (A) cu 0, 01? Fiind experient e Bernoulli, media m = p si dispersia D2 [X ] = p(1 p). Evident c a p(1 p) 1/4 pentru 0 p 1. Atunci rezult a P (|fn (A) p| Pentru = 0, 01 obt inem ) D2 [X ] n2 1 . 4n2
1 4n2 Rezolv am si obt inem n = 50000. Aceast a evaluare s-a obt inut utiliz and inegalitatea lui Ceb a sev care d a ni ste evalu ari destul de grosiere. Vom obt ine o alt a evaluare utiliz and Sn Teorema Moivre-Laplace. Deoarece fn (A) = obt inem: n 1 0, 95 = P ({| Sn np Sn p| < }) = P ({| | < }) = 1 2( n n n ) p(1 p)
Aceast a probabilitate nu poate calculat a deoarece p este necunoscut. Mai mult, deoarece p(1 p) 1/4pentru 0 p 1, avem p(1 p) 1/2, deci (x) descre ste c and argumentul cre ste. P (|fn (A) p| ) < 1 2(2 n) Vrem ca probabilitatea de mai sus s a e egal a cu 0,95. Aceasta implic a (2 n) = (1 0, 95)/2 = 0, 25. Din tabele obt inem 2 n = 1, 95. Rezolv and, obt inem n = (0, 98)2 /2 = 9506.
176
Probleme la limita
Exemplul 4.4.4 S a se determine num arul minim de arunc ari ale unei monede care s a asigure cel put in cu o probabilitate de 0,9 ca diferent a dintre frecvent a relativ a obt inut a si probabilitatea de aparit ie a unei fet e s a e mai mic a n valoare absolut a dec at 0,2. Folosind Teorema 4.2.2 obt inem, 1 P ({|fn (A) | < 0, 2}) > 0, 9. 2 Conform Exemplului 4.4.4 avem = 0, 2, = 1 0, 9 = 0, 1 si deci n> 1 1 = = 62, 5, n > 63. 2 4 4 0, 1 (0, 2)2 (4.17)
Cel put in 63 de arunc ari asigur a P ({| S63 1 | < 0, 2}) > 0, 9. 63 2
Putem determina intervalul n care variaz a frecvent a relativ a astfel nc at (4.17) s a e satisf acut a si deci frecvent a absolut a pentru un anumit n 63, | k 1 k | < 0, 2 0, 3 < < 0, 7 n 0, 3 < k < n 0, 7. n 2 n
Dac a n = 63 rezult a 18 < k < 44. Deci din 63 arunc ari, num arul arunc arilor reu site este cuprins ntre 18 si 44, atunci (4.17) este satisf acut a, adic a am determinat intervalul n care se situeaz a num arul cazurilor favorabile aparit iei unei aceleia si fet e, aceasta av and loc cu probabilitatea de cel put in 0,9. Exemplul 4.4.5 Un zar se arunc a de 1200 de ori. S a se determine probabilitatea minim a ca num arul de aparit ii ale fet ei cu i puncte, i xat, s a e cuprins ntre 150 si 250. Dar ntre 100 si 250 ? Constat am c ap= | echivalent cu 200 1200 < k < 200 + 1200 . S a cercet am dac a aceast a situat ie este compatibil a cu datele problemei, adic a dac a sistemul 200 1200 = 150, 200 + 1200 = 250, are solut ie. Se obt ine = 1 50 = . n al doilea caz, sistemul devine 1200 24 200 1200 = 100, 200 + 1200 = 250, 1 si n = 1200. Deci 6 1 1 k 1 k | < < < + 1200 6 6 1200 6
Probleme la limita
177
1 1 1 si este incompatibil, obt in and, din ecare ecuat ie, 1 = si 2 = . Pentru 1 = 12 24 12 1 obt inem intervalul (150, 250). Cum obt inem intervalul (100, 300), iar pentru 2 = 24 P ({100 < alegem = 1 si deci 24 = Sn Sn 1 < 250}) > P ({150 < < 250}) > 1 , 1200 1200 24
1 1 = 1 = 0.12. 2 4 n 4 242 1200
Deci, cu probabilitatea de cel put in 0,88, num arul de aparit ii ale unei fet e a zarului cu i puncte este n intervalul (150, 250) dac a arunc am zarul de 1200 ori. Pe de alt a parte, tin and seama de regula celor 3 de la repartit ia normal a, Sn np P ({3 < npq 3}) = 0, 9973,
ceea ce nseamn a c a probabilitatea ca num arul de aparit ii ale unei fet e a zarului s a e n intervalul (161, 239) este de 0.9973. Se poate calcula exact probabilitatea ca num arul de aparit ii ale unei fet e s a e cuprins ntre 100 si 250. Deorece np = 200 si npq = 12, 91 obt inem P ({100 < Sn < 250}) = P ({100 < Sn np < 50}) = = P ({ 100 Sn np 50 < < }) = 12, 91 npq 12, 91
Sn np < 3, 873}) = F (3, 873) F (7, 75) = P ({7, 75 < npq si tin and seama de Relat ia (3.14) din Capitolul 3, P ({100 < Sn < 250}) = (3, 873) + (7, 75) = = 0, 499946 + 0, 499997 = 0, 9999943, rezultat n concordant a cu cel anterior. Exemplul 4.4.6 S a se calculeze probabilitatea opririi simultane a trei ma sini din zece care lucreaz a independent ntr-o fabric a n cazul n care probabilitatea defect arii unei ma sini este p = 0, 2. Num arul de ma sini defecte este o variabil a aleatoare cu repartit ie binomial a: X: Se cere probabilitatea
3 P10,3 = C10 (0, 2)3 (0, 8)7 = 0, 2.
k
k (0, 2)k (0, 8)10k Cn
, k = 1, 10
178 Folosind Teorema 4.3.1 putem aproxima x10,3 = si obt inem

3 (0, 2)3 (0, 8)7 C10
Probleme la limita
10 3
1 10 1 22
= 0, 21
1
1 10 2 1 22
(0,21)2 2
0, 246.
Diferent a 0,246-0,2=0,046 este considerat a ca o aproximat ie cu eroare mare. (Am v azut c a aplic am formula dac a np 5 si nq 5, dar n cazul acesta np = 10 0, 2 = 2 < 5.) Dac a am avea 25 de ma sini si calculam probabilitatea opririi simultane a opt ma sini (observ am c a np = 25 0, 2 = 5 si nq = 25 0.8 = 20 > 5), atunci
8 (0, 2)8 (0, 8)17 = 0, 06234. P25,8 = C25
Conform Teoremei 4.3.1 x25,8 =

8 C25 (0, 2)8 (0, 8)17
8 25 0, 2 = 1, 5, 25 0, 2 0, 8
(1,5)2 1 e 2 = 0, 06475. 2 0, 2 0, 8
Diferent a 0, 06475 0, 06234 = 0, 00241 de ordinul miimilor este considerat a satisf ac atoare din punct de vedere practic. Exemplul 4.4.7 O central a electric a trebuie s a deserveasc a o ret ea de 10000 de becuri medii. Probabilitatea aprinderii unui bec ntr-o noapte de iarn a, care constituie perioada de v arf a consumului de energie electric a, este de 0,7. S a se fac a analiza economic a necesar a proiect arii centralei. Pentru a determina capacitatea centralei pot adoptate criterii diferite: s a construim centrala astfel nc at n orice moment cele 10000 de becuri s a funct ioneze; s a se determine capacitatea centralei astfel nc at cu o probabilitate sucient de mare, consumul obi snuit s a e asigurat cu energia necesar a bunei funct ion ari. Fie X o variabil a aleatoare care ia ca valori num arul de becuri care pot aprinse ntr-o noapte. Aceast a variabil a aleatoare are o repartit ie binomial a cu n = 10000, p = 0, 7, M [X ] = np = 7000, D2 [X ] = npq = 2100, D[X ] = 45, 83 46,
Probleme la limita P ({|X M [X ]| Pentru k = 2 obt inem k 46}) 1 2100 1 k2 1 = 1 = . k 2 2100 k2 k2
179
3 = 0, 75. 4 Dac a centrala se construie ste pentru o capacitate de 7092 becuri atunci, cu o probabilitate de cel put in 0,75, funct ionarea ei este normal a. Rezultatul nu este convenabil. La fel, P ({|X 700| }) k = 3, P ({|X 7000| k = 4, P ({|X 7000| 138}) 184}) 8 = 0, 89; 9
15 = 0, 94. 16 Dac a construim centrala pentru o capacitate de 7184 becuri medii atunci, cu probabilitatea de cel put in 0,94, funct ionarea va normal a. S a determin am capacitatea centralei astfel nc at cu o probabilitate de 0,99 funct ionarea s a e normal a. Folosim Teorema Moivre-Laplace cu a = . Sn np P ({ npq b}) = 0, 999 = F (b) = 0, 5 + (b)
0, 5 + (b) = 0, 999 (b) = 0, 499 b = 3, 09 S 10000 0, 7 n 10000 0, 7 0, 3 3, 09
Sn = 7142 se nume ste coecient de simultaneitate si este indicat s a se fac a construct ia centralei pentru el. Dac a centrala se construie ste pentru 10000 de becuri medii, cu o probabilitate de 0.99, un num ar de 10000-7142=2858 becuri r am an nefolosite. Exemplul 4.4.8 O fabric a are n stoc 1660 tone dintr-o materie prim a. stiind c a zilnic se consum a n medie 13,33 t cu abaterea 1,2 t, cu ce probabilitate aceast a cantitate ajunge pentru 4 luni. Not am cu Xi variabila aleatoare care ia ca valori consumul zilei i, i = 1, 120. Avem M [Xi ] = 13, 33, D[Xi ] = 1, 2.
120
In 120 de zile se consum aX=

i1
Xi . Ne a am n cazul general n care nu se cunoa ste
repartit ia variabilei aleatoare Xi . S a determin am P ({X < 1660}). M [X ] = nm = 120 13, 33 = 1599, 6, D[X ] = n 2 = n = 13, 1, P ({X < 1660}) = P ({ X 1599, 6 1660 1599, 6 < }) = 0, 5 + (4, 6) = 0, 999. 13, 1 13, 1
Se poate deci presupune c a aproape sigur cantitatea de materie prim a este sucient a.
180
Probleme la limita
Exemplul 4.4.9 O surs a radioactiv a este modelat a dup a o lege Poisson si emite 30 particule/or a. Care este probabilitatea ca n 10 minute s a e emise cel mult 10 particule ?
10
Not am X =
i=1
Xi , unde Xi sunt variabile aleatoare repartizate Poisson si indepen10
dente. Din condit iile = M [X ] =

i=1
M [Xi ] = nM [Xi ]
si deci M [Xi ] =
si n = D2 [X ] =
10
D2 [Xi ] = nD2 [Xi ],

i=1
, unde este parametrul repartit iei Poisson ce trebuie determinat din n 1 condit ia = 30 6 = 5 particule/10 minute. Dup a (4.16) adic a D2 [Xi ] = P ({X
X nn 10}) = P ({ n n
10 5 10 }) = 0, 5 + ( ) = 0, 98713. 5
Exemplul 4.4.10 Fie {Xn }nIN un sir de variabile aleatoare independente 0 n n 1 2 1 , P ({X1 = 0}) = 1, n = 2, 3 . . . . Xn : 1 n n n S a se arate c a {Xn }nIN se supune Legii numerelor mari. Veric am condit iile Teoremei 4.2.1.
2 M [Xn ] = 0, D2 [Xn ] = M [Xn ] (M [Xn ])2 , 2 Xn :
2 1 n
prob
1 2 n
2 M [Xn ] = 2,
D2 [Xn ] = 2
Conform Teoremei 4.2.1, {Xn } 0. Dac a not am 1 Yn = n atunci 1 M [Yn ] = 0, D [Yn ] = 2 n

2 n n
Xk ,
k=1
D2 [Xk ] =
k=1
2(n 1) 1 2n 1 + 2 = 0 2 n n n2 {Yn } 0.
prob
deci
n
lim P ({|Yn M [Yn ]| < }) = 1
Probleme la limita
181
4.5
Leg atura dintre convergent a sirurilor funct iilor de repartit ie si convergent a sirurilor funct iilor caracteristice
Teorema 4.5.1 Fie Fn un sir de funct ii de repartit ie si F o funct ie de repartit ie. Dac a Fn F n orice punct de continuitate a lui F , rezult a c a pentru orice f : I R I R continu a si m arginit a are loc
n
lim
f (x)dFn (x) =
I R I R
f (x)dF (x)
Demonstrat ie. Fie M = sup |f (x)| si e a, b puncte de continuitate ale lui F nc at

xI R
F (a)
si 1 F (b)
Deoarece pe un interval nchis [a, b] orice funct ie continu a este si uniform continu a, alegem punctele de continuitate ale lui F , xk cu 0 k s astfel nc at a = x0 < x 1 < . . . < x s = b si |f (x) f (xk )| , x [xk , xk+1 ], 0 k s 1. Introducem funct ia auxiliar a de salturi f denit a astfel: f (x) = Are loc, evident, |f (x) f (x)| < , x [a, b]. Pentru orice funct ie de repartit ie G are loc
s1
f (xk ), 0,
dac a dac a
xk x < xk+1 , x < x 0 , x xs ,
s 1.
f (x)dg (x) =
I R k=0
f (xk )(G(xk+1 ) G(xk )).
Deoarece n x = xk , 0 lim
s, F este continu a, lim Fn (x) = F (x) si deci

n s1
f (x)dFn (x) = lim

I R s1
f (xk )(Fn (xk+1 ) F (xk )) =

k=0
=
k=0
f (xk )(F (xk+1 ) F (xk )) =

I R
f (x)dF (x),
deci
n
lim
f (x)dFn (x) =
I R I R
f dF (x).
(4.18)
182 De asemenea avem

a
Probleme la limita
|f (x) f (x)|dF (x) =

I R b
|f (x) f (x)|dF (x)+
+
a a
|f (x) f (x)|dF (x) +

b b
|f (x) f (x)|dF (x)
|f (x)|dF (x) +
a a b
|f (x) f (x)|dF (x) +

b
|f (x)|dF (x)
dF (x) +
a
|f (x) f (x)|dF (x) + M

b
dF (x) =
= M F (a) + (F (b) F (a)) + M (1 F (b)). Dac a tinem seama de (4.18), g asim |f (x) f (x)|dF (x)
I R
(2M + 1).
(4.19)
Din convergent a n repartit ie, pentru n sucient de mare, avem |Fn (a) F (a)| < si |Fn (b) F (b)| < . 2M 2M
F ac and acela si rat ionament ca mai sus g asim evaluarea |f (x) f (x)|dFn (x)
I R
(2M + 1).
(4.20)
Din (4.18), (4.19) si (4.20) avem |

I R
f (x)dFn (x)
I R
f (x)dF (x)|
I R
|f (x) f (x)|dFn (x) +

I R
|f (x)
f (x)|dF (x) + |
I R
f (x)dFn (x)
I R
f (x)dF (x)|
(4M + 3).
Deoarece este arbitrar, rezult a teorema. Ment ion am c a si implicat ia invers a este adev arat a. Teorema 4.5.2 Dac a Fn este un sir de funct ii de repartit ie, atunci exist a un sub sir Fnk convergent la o funct ie nedescresc atoare n punctele sale de continuitate. Demonstrat ie. Fie (xn )nIN o mult ime num arabil a arbitrar a de numere reale, dens a n I R, de exemplu mult imea numerelor rat ionale. Deoarece sirul {Fn (x1 }nIN [0, 1] (ind 1 (x1 }nIN . m arginit), din teorema lui Bolzano- Weierstrass exist a un sub sir convergent {Fn 2 2 sir convergent {Fn (x2 )}nIN etc. Analog, din sirul m arginit {Fn (x2 )} extragem un sub n ia eventual a unui num ar nit de terRezult a c a sirul diagonal {Fn }nIN ) (cu except k }nIN ,kIN si deci converge , oricare ar meni) este cont inut n toate sub sirurile {Fn x Q. Introducem def F (x) = lim Fnk (x).
k
Probleme la limita
183
F este, evident, nedescresc atoare si m arginit a pe Q si poate extins a la I R cu p astrarea propriet a tilor F (x) = sup F (y ).
y<x,y Q
S a demonstr am c a {Fnk } F n punctele sale de continuitate. Fie x0 un punct de continuitate a lui F si s a alegem > 0 nc at pentru |x x0 | < s a avem |F (x) F (x0 )| < . Introducem funct iile auxiliare 1, dac a x x0 , x x 0 , dac a x0 x x0 , f1 (x) = 0, dac a x x0 , 1, dac a x x0 , x0 x 1 , dac a x0 x x0 + , f2 (x) = 0, dac a x x0 + . Avem, evident,
x0
f1 (x)dF (x)
I R x0 +
dF (x) = F (x0 ) dF (x) = F (x0 + )
F (x0 ) , F (x0 ) + ,
f2 (x)dF (x)
I R
si analog pentru Fnk

x I R
f1 (x)dFnk (x) f2 (x)dFnk (x)
dFnk (x) = Fnk (x0 ), dFnk (x) = Fnk (x0 ).
I R
Pentru n sucient de mare, conform teoremei 4.4.1, |

I R
f1 (x)dFnk (x) f2 (x)dFnk (x)
f1 (x)dF (x)| < ,

I R
|
I R
f2 (x)dF (x)| < .

I R
Din ultimele sase relat ii deducem F (x0 ) 2 Deoarece > 0 este arbitrar a rezult a
n
Fnk (x0 )
F (x0 ) + 2.
lim Fn (x0 ) = F (x0 ).
184
Probleme la limita
Teorema 4.5.3 Dac a sirul {Fn } de funct ii de repartit ie converge n repartit ie c atre func tia F n toate punctele de continuitate ale lui F , atunci sirul {n } al funct iilor caracteristice corespunz atoare converge (uniform pe orice interval m arginit) la funct ia caracteristic a corespunz atoare lui F . Demonstrat ie. Deoarece n (t) =
I R
eitx dFn (x) si (t) =

I R
eitx dF (x)
si funct ia eitx este continu a si m arginit a pe I R. Conform Teoremei 4.5.2 rezult a

n
lim n (t) = (t)
(se poate demonstra si convergent a uniform a). Teorema 4.5.4 Dac a sirul {n }nIN de funct ii caracteristice converge pentru orice t I R ii de repartit ie corespunz atoare conla continu a pe I R, atunci sirul {Fn }nN de funct verge c atre o funct ie de repartit ie F ; n plus, este funct ia caracteristic a corespunz atoare lui F . Demonstrat ie. Din Teorema 4.5.1 exist a un sub sir {Fnk }kIN care converge la o funct ie F nedescresc atoare, continu a la st anga n toate punctele de continuitate ale lui F . S a demonstr am c a F este o funct ie de repartit ie. Presupunem, prin absurd, c a F () > 0 F (+) < 1 si = F (+) F () < 1. Fie > 0 ales arbitrar astfel nc at < 1 . Deoarece n si n (0) = 1, rezult a c a (0) = 1 si deoarece este continu a pe I R putem lua > 0 sucient de mic nc at 1 | 2 De asemenea putem alege x0 >
(t)dt| > 1
4
>+ . 2 2
(4.21)
dac a K > 0 sucient de mare, nc at dFnk (x) < + , dac a k>K 4 |x|<x0
k = Fnk (x0 ) Fnk (x0 ) =
ie ie de repartit ie. Deoarece nk este o funct ceea ce este posibil deoarece Fnk este o funct caracteristic a, [ eitx dt]dF (x). (t)dt =
nk I R nk
Dar |
eitx dt|
2 deoarece |eitx | = 1, iar pe de alt a parte, calcul and efectiv aceast a 1 1 i x 2 eitx = eitx | [e ei x ] = sin( x). = ix ix x
integral a,
Probleme la limita
185 1 avem

Deci, pentru |x| > x0 , tin and seama de faptul c a | sin( x) Deci |
eitx dt <
2 . x0
nk x(t)dt|
|x| x0
eitx dt]dFnk (x)|+
+|
x>x0
2 eitx dt]dFnk (x)| < 2 k + . x0
Imp art ind prin 2 1 | 2

nk (t)dt| < k +
1 1 <+ + <+ , x0 4 4 2
ceea ce contrazice (4.21). Din teorema 4.5.3,

k
lim
I R
eitx dFnk (x) =
eitx dF (x) = (t).

I R
R am ane s a demonstr am c a {Fn } converge n repartit ie c atre F . S a presupunem contrariul; atunci exist a un sub sir {Fnk } care converge n repartit ie c atre F = F , dar F este o funct ie de repartit ie cu aceea si funct ie caracteristic a, deci din Teorema de unicitate Cap.III, Teorema 3.5.4 rezult a F F.
4.6
Convergent a aproape sigur a
Deoarece variabilele aleatoare sunt funct ii denite pe spat iul de select ie (cu propriet a ti suplimentare) putem vorbi de covergent a punctual a a unui sir de variabile aleatoare {Xn }nIN c atre variabila aleatoare X , nt eleg and prin aceasta c a sirul numeric de variabile aleatoare {Xn (e)}nIN , e E converge c atre X (e). Denit ia 4.6.1 S irul de variabile aleatoare {Xn }nIN converge aproape sigur c atre varia.s. abila aleatoare X (notat {Xn }nIN X ) dac a mult imea evenimentelor n care {Xn }nIN converge punctual la X formeaz a un eveniment de probabilitate 1, P ({Xn X }) = 1, echivalent cu P ({Xn X }) = 0. Observat ia 4.6.1 Convergent a aproape sigur a se mai nume ste convergent a tare. Teorema 4.6.1 Dac a pentru orice r I N are loc
(4.22)
P ({|Xn X |
n=1
1 }) < r
(4.23)
atunci {Xn }nIN X .
a.s.
186
Probleme la limita Ar n = {e E, |Xn X |

r P (Bn ) k=1 1 } r
Demonstrat ie. Fie
si
r Bn
=
k=1
Ar a n+k . Din faptul c 1 }) r
P (Ar n+k ) =
l=n+1
P ({|Xl X |
si cum seria din (4.23) este convergent a, rezult a c a restul seriei converge la zero si deci
n r ) = 0. lim P (Bn
(4.24)
Fie B r = B 1
B2
B3
... si cum P (B )
r=1
P (B r ) rezult a, conform (4.24) c a P (B ) =
0, unde de fapt B este mult imea evenimentelor pentru care Xn nu converge la X . Se poate demonstra c a dac a {Xn }nIN X atunci {Xn }nIN X si deci rep {Xn }nIN X . Un alt rezultat, datorat lui E. Borel, face parte din legea numerelor mari (forma tare) si reformuleaz a, ntr-o manier a nt arit a, armat ia cont inut a n teorema lui Bernoulli. Teorema 4.6.2 (Borel) Fie A un eveniment care are probabilitatea de realizare p = P (A) Sn ntr-un sir de probe independente si e frecvent a relativ a de realizare a evenimentului n A din n probe. Atunci are loc convergent a aproape sigur a a sirului frecvent elor relative Sn c atre p. n Sn a.s. p. n Demonstrat ie. Conform Teoremei 4.5.1 este sucient s a ar at am c a seria
a.s. prob
P ({|
n=1
Sn p| n
1 }) r
(4.25)
este convergent a, oricare ar r I N . Pentru aceasta vom observa, ca si la inegalitatea lui Ceb a sev, c a putem stabili urm atoarea inegalitate pentru orice variabil a aleatoare X pentru care exist a M [(X M [X ])4 ] P ({|X M [X ]| }) 1 M [(X M [X ])4 ]. 4
4.7
Convergent a n medie
Denit ia 4.7.1 S irul de variabile aleatoare {Xn }nIN converge n medie de ordinul r r c atre variabila aleatoare X dac a exist a momente absolute M [|Xn | ], n I N si M [|X |r ] si dac a lim M [|Xn X |r ] = 0,
n
si scriem {Xn }nIN X
Probleme la limita
187
Teorema 4.7.1 Dac a sirul de variabile aleatoare {Xn }nIN converge n medie de ordinul r c atre variabila aeatoare X atunci converge n probabilitate c atre X . Demonstrat e. Folosim inegalitatea analog a inegalit a tii lui Ceb a sev, dar pentru momentul centrat de ordin r, Relat ia (3.41): P ({|Xn X | rezult a c a deoarece are loc (4.22) atunci
n
})
M [|Xn X |r ] r
lim P ({|Xn X |
}) = 0.
Observat ie. Dac a r = 2 convergent a n medie de ordinul doi se nume ste convergent a n medie p atratic a. Concluzie. {Xn }nIN X prob rep = {Xn }nIN r X = {Xn }nIN X . {Xn }nIN X
a.s.
188
Probleme la limita
4.8
Probleme propuse
Problema 4.1 Se dau variabilele aleatoare independente X1 , X2 , . . . , Xn , . . ., unde Xn ia valorile na, 0, na, a I R+ cu probabilit a tile: 2 2 a) p1 = 1/2n , p2 = 1 1/n , p3 = 1/2n2 , b) p1 = 1/2n , p2 = 1 1/2n1 , p3 = 1/2n . Satisfac aceste siruri {Xn }nIN legea numerelor mari? Solut ie. a) na 0 na Xn : , n = 1, 2, . . . , 2 2 1/2n 1 1/n 1/2n2 M [Xn ] = 0, M [X 2 ] = a2 , D2 [X ] = M [X 2 ] = a2 < . S irul {Xn }nIN satisface legea numerelor mari, folosind Teorema lui Ceb a sev. b) na 0 na Xn : , n = 1, 2, . . . , 1/2n 1 1/2n1 1/2n M [Xn ] = 0, M [X 2 ] = n2 a2 /2n1 , D2 [X ] = M [X 2 ] (M [X ])2 = n2 a2 /2n1 < . Intruc at D2 [Xn ] nu este constant a nu se poate aplica Teorema lui Ceb a sev. Se aplic a Teorema lui Hincin. Problema 4.2 Fie sirul de variabile aleatoare independente {Xn }nnn . Xn ia valorile: n, (n 1), . . . , 1, 0, 1, . . . , n 1, n cu probabilit a tile: P (|Xn | = k ) = 1 2 1 1 1 , k = 1, n, P (Xn = 0) = 1 (1 + 3 + 3 + . . . + 3 ). 3 3k 3 2 3 n
Se aplic a sirului {Xn }nnn legea numerelor mari? Solut ie. Tabloul de repartit ie al variabilei aleatoare Xn este: Xn : n . . . 1 1 ... 1 1 2 (1 + 3n3 3 3
n 2 D2 [Xn ] = M [Xn ]= k=1 1 23
0 + 313 + . . . +
n
1
1 ) n3 1 3
2
1 3 32
... ...
n
1 3n3
M [Xn ] = 0, n = 1, n k2 1 2 1 2 = < (1 + ln n). 3k 3 3 k=1 k 3
Pentru majorare am utilizat egalitatea: 1+ 1 1 1 + + . . . + = ln n + C + n , lim n = 0 n 2 3 n
iar C este constanta lui Euler cu C 0.577. Vom aplica Teorema lui Markov:
n
1 2 D [ Xi ] = n2 i=1
D2 [Xi ]
i=1
n2
<
1 2n (1 + ln n), n2 3
Probleme la limita 1 2 2 D [ Xi ] < (1 + lnn) 0, n . 2 n 3n i=1 Deci sirului {Xn }nIN i se poate aplica legea numerelor mari.
n
189
Problema 4.3 Se d a sirul de variabile aletoare independente {Xn }nIN cu M [X ] = 2 a 0, D [X ] = n , a =const., a < 1. Se aplic a sirului dat legea numerelor mari? Indicat ie. Se aplic a Teorema lui Markov. Problema 4.4 a sirul de variabile aleatoare {Xn }nIN independente: Xn ia Se d valorile n, 0, n cu probabilit a tile 1/n, 1 2/n, 1/n respectiv. Se aplic a acestui sir legea numerelor mari? Indicat ie. Da, ntruc at se poate aplica teorema lui Ceb a sev. Trebuie vericat a condit ia 2 D [Xn ] < c. Problema 4.5 Probabilitatea ca o diod a s a se defecteze nainte de 1000 ore de funct ionare este de 0,45. Dac a 1000 de diode sunt testate, care este probabilitatea ca s a se defecteze un num ar de diode cuprins ntre 4450 si 4515 nainte de a funct iona 1000 de ore? Indicat ie. p = 0, 45, q = 0, 55, n = 104 , np = 4500, 2 = npq = 2475, a = 0, 4020, b = 0, 3015. Utiliz and (4.12) si leg atura cu funct ia lui Laplace, obt inem P ({0, 4020 Sn 4500 2475 0, 3015}) = (0, 3015) + (0, 4020) = 0, 275.
Problema 4.6 Probabiliatea ca un rezistor s a nu e la limita de tolerant a este 0,1. S-au cumpa arat 1000 de rezistoare. Care este probabilitatea ca mai mult de 100 rezistoare s a nu e la limita de tolerant a ? Sn 100 Indicat ie. P ({1, 0541 94, 9}) = 0, 0778 90 Problema 4.7 In cazul unui semnal luminos dirijat spre un detector fotoelectric, num arul k de electroni emisi urmeaz a o repartit ie Poisson cu media = 150. Un semnal este detectat dac a emite mai mult de 140 de electroni. Care este probabilitatea ca semnalul s a e pierdut? (150)k ek . Fie X variabila aleatoare care k! k=0 ia ca valori num arul de electroni emisi. Calcul am Indicat ie. Aceast a probabilitate este p = P ({X X 150 140}) = P ({ 150 140 150 }) = 0, 5 (0, 8165) = 0, 209. 150
140
Problema 4.8 Presupunem c a num arul particulelor emise de o mas a n t secunde este o variabil a aleatoare Poisson cu media t. Folosind inegalitatea lui Ceb a sev s a se obt in a o margine pentru probabilitatea ca |N (t)/t | s a nu dep a seasc a . Indicat ie. P (|N (t)/t | ) 2t
190
Probleme la limita
Problema 4.9 Num arul mesajelor care sosesc la un canal de comunicat ie este o variabil a aleatoare Poisson cu media de 10 mesaje/secund a. Folosind teorema limit a central a s a se estimeze probabilitatea ca mai mult de 650 de mesaje s a ajung a ntr-un minut. Indicat ie. Se utilizeaz a Exercit iul 4.4.9.
Capitolul 5 Procese stochastice

In studiul unor probleme zice sau tehnologice apar fenomene care se desf a soar a n timp si care se numesc procese. S a d am c ateva exemple. 1. In modelul atomului de hidrogen, datorat lui Bohr, electronul se poate plasa pe una din orbitele admisibile; la un moment dat t, denim variabila aleatoare X (t), care ia valoarea i, dac a electronul se g ase ste pe orbita i. 2. Num arul de impulsuri care se produc n intervalul (0, t) la o central a telefonic a este o variabil a aleatoare pe care o not am X (t). 3. Dac a mi scarea unei particule depinde de circumstant e nt ampl atoare, de exemplu de ciocnirea cu alte particule, atunci n ecare moment t, viteza V (t) sau pozit ia X (t) sunt variabile aleatoare. 4. Un semnal aleator este o und a electric a, sonor a etc. ce traverseaz a un anumit mediu la un moment dat si pe care l not am cu X (t). Un semnal poate condit ional determinist dac a se cunoa ste expresia analitic a a undei; de exemplu X (t) = sin(t + ) , unde este o variabil a aleatoare. In ecare din exemplele precedente se pune n evident a o familie de variabile aleatoare {X (t)}, cu t T, T I R, care dene ste un proces stochastic.
5.1
Lant uri Markov
Fie {E, K, P } un c amp borelian de probabilitate. R, unde t T I R, se Denit ia 5.1.1 Familia de variabile aleatoare X (t) : E I nume ste proces stochastic. Dac aT =I N procesul se nume ste lant . Ne ocup am n detaliu de lant uri cu un num ar nit de valori. Fie S o mult ime nit a, ale c arei elemente le numim st ari, numerotate ntr-un mod bine-denit si care reprezint a mult imea tuturor valorilor pe care le pot lua variabilele aleatoare X (n). Vom nota X (n) = Xn . Presupunem cunoscute probabilit a tile pi = P ({X0 = i}), i S, 191
192 pe care le vom numi probabilit a ti init iale ale lant ului. Evident pi = 1.
iS
Procese stochastice
Denit ia 5.1.2 Lant ul {Xn }, n I N se nume ste lant Markov dac a are loc P ({Xn+1 = in+1 }|{Xn = in , . . . , X0 = i0 }) = P ({Xn+1 = in+1 }|{Xn = in }). (5.1)
Egalitatea (5.1) este cunoscut a sub numele de proprietatea Markov si se interpreteaz a intuitiv prin aceea c a lant ul p astreaz a asupra trecutului amintirea cea mai recent a, deci trecutul este n ntregime rezumat n starea din ultimul moment cunoscut. Se poate demonstra echivalent a dintre condit ia (5.1) si relat ia : t0 < t1 < . . . tn < tn+1 I R, P ({Xtn+1 = in+1 }|{Xtn = in , . . . , Xt0 = i0 }) = P ({Xtn+1 = in+1 }|{Xtn = in }). (5.2)
Relat ia (5.2) corespunde situat iei n care schimbarea st arilor nu se face la momente echidistante de timp. Propozit ia 5.1.1 Dac a {Xn }, n I N este un lant Markov, are loc urm atoarea formul a de calcul:
n
P ({Xn = in , . . . , X0 = i0 }) = pi0
t=1
P ({Xt = it }|{Xt1 = it1 }).
(5.3)
Demonstrat ie. Vom folosi probabilitatea unei intersect ii. P ({Xn = in , . . . , X0 = i0 }) = P ({X0 = i0 } {X1 = i1 } . . . {Xn = in }) = = P ({X0 = i0 })P ({X1 = i1 }|{X0 = i0 })P ({X2 = i2 }|{X1 = i1 , X0 = i0 }) . . . P ({Xn = in }|{Xn1 = in1 , . . . , X0 = i0 }) = = P ({X0 = i0 })P ({X1 = i1 }|{X0 = i0 })P ({X2 = i2 }|{X1 = i1 }) . . . . . . P ({Xn = in }|{Xn1 = in1 }). Ultima relat ie s-a obt inut folosind proprietatea Markov; scris a condensat este de fapt relat ia (5.3). Denit ia 5.1.3 Probabilit a tile date de formula p(t, it1 , it ) = P ({Xt = it }|{Xt1 = it1 }), t = 1, . . . n, se numesc probabilit a ti de trecere. Denit ia 5.1.4 Un lant Markov se nume ste omogen dac a p(t, it1 , it ) nu depinde explicit de t, deci are loc p(t, it1 , it ) = p(it1 , it ) caz contrar, procesul se nume In ste neomogen.
Procese stochastice
193
Vom nota aceste probabilit a ti cu pit1 ,it . Pentru un lant Markov omogen, relat ia (5.3) devine
n
P ({Xt = it , . . . X0 = i0 }) = pi0
t=1
pit1 ,it .
(5.4)
In cazul unui lant Markov omogen, vom introduce notat ia pij = P ({Xt+1 = j }|{Xt = i}), i, j S. Matricea P = (pi,j ) se nume ste matrice de trecere. Propozit ia 5.1.2 Matricea de trecere a unui lant Markov omogen satisface relat iile : i, j S pij 0, . pij = 1, i S
j S
(5.5)
Demonstrat ie. Prima armat ie este evident a. Pentru a doua s a observ am c a evenimentul sigur E = {Xt+1 = j } si c a
j S
1=P
j S
{Xt+1 = j } |{Xt = i}
=
j S
P ({Xt+1 = j }|{Xt = i}) =

j S
pij .
O matrice ce satisface aceste dou a propriet a ti se nume ste stochastic a. Se poate u sor demonstra c a produsul a dou a matrice stochastice este o matrice stochastic a. Un lant Markov este caracterizat de probabilit a tile init iale si de trecere. Am v azut c a dac a se cunosc probabilit a tile init iale si de trecere se pot determina pentru orice n, probabilit a tile care caracterizeaz a un lant stochastic, adic a P ({Xt = it , Xt1 = it1 , . . . , X0 = i0 }), t = 0, 1, . . . , n. Reciproc, se poate demonstra c a dac a pi , i S , este un sir cu propriet a tile pi 0 ,
iS
pi = 1
si (pij ), i, j S, este o matrice cu propriet a tile : pij 0 ,

j S
pij = 1,
atunci exist a un corp borelian si un lant Markov omogen, cu mult imea st arilor S , cu pi probabilit a ti init iale si pij probabilit a ti de trecere.
194 Exemplul 5.1.1 Dou a urne au urm atoarea component a : Ua are 4 bile albe si 6 bile negre Un are 5 bile albe si 5 bile negre
Procese stochastice
Alegem la nt amplare o urn a si din ea o bil a, pe care o punem napoi n urn a; dac a bila este alb a extragem urm atoarea bil a din Ua , iar dac a e neagr a din Un si continu am procedeul. Este un exemplu de lant Markov omogen, cu probabilit a tile init iale p1 = p2 = 1 , deoarece 2 alegerea urnelor este egal probabil a; denim st arile S1 se extrage o bil a din urna Ua S2 se extrage o bil a din urna Un si ilustr am prin urm atoarea diagram a: Matricea de trecere este P = 0 , 4 0, 6 0 , 5 0, 5 .
Exemplul 5.1.2 Intr-o urn a sunt a bile albe si b bile negre. Se efectueaz a un sir innit de extrageri astfel nc at dup a ecare extragere se pun napoi dou a bile de aceea si culoare cu cea extras a. Fie Xk num arul de bile la momentul k . Denim probabilit a tile de trecere i 1 , dac a j = i, a+b+k i P ({Xk+1 = j }|{Xk = i}) = , dac a j = i + 1, a+b+k 0, dac a j = i, i + 1. Num arul de bile din urn a la momentul k +1 depinde numai de num arul de bile din urn a aate la momentul k , neind necesar ntreg istoricul. Probabilit a tile de trecere depind efectiv de momentul n care s-a desf a surat extract ia, deci e un lant Markov neomogen. Dat un lant Markov omogen, ne propunem s a determin am probabilit a tile P ({Xn+m = j }|{Xm = i}), n I N, a pe care le numim probabilit a ti de trecere dup a n pa si. Denim prin recurent a pij , dup formulele (1) pij = pij (n+1) (n) (1) (5.6) = pik pkj n I N . pij
kS (n)
Sub form a matriceal a, relat iile (5.6) devin: P (n) = P . . . P = P n .
Procese stochastice Propozit ia 5.1.3 Pentru orice n I N are loc pij = P ({Xn+m = j }|{Xm = i}), m I N.
(n)
195
(5.7)
Demonstrat ie. Vom demonstra prin induct ie. Observ am c a pentru n = 1, g asim denit ia probabilit a tilor de trecere date de (5.5). Presupunem c a (5.7) are loc pentru n I N si s a determin am P ({Xn+1+m = j }|{Xm = i}) =
k S
P ({Xn+m+1 = j, Xn+m = k }|{Xm = i}),
aceasta deoarece {Xn+m = k }, k S , formeaz a un sistem complet de evenimente si are loc formula probabilit a tii totale (vezi Exemplul 6.6, Capitolul 1). Aplic and n continuare formula probabilit a tii condit ionate si proprietatea Markov, ultimul membru este P ({Xn+1+m = j, Xn+m = k }|{Xm = i}) =
kS
=
kS
P ({Xn+m+1 = j } {Xn+m = k } {Xm = i}) = P ({Xm = i}) P ({Xn+m+1 = j } {Xn+m = k } {Xm = i}) P ({Xn+m = k } {Xm = i}) P ({Xn+m = k } {Xm = i}) = P ({Xm = i})
=
kS
=
kS
P ({Xn+m+1 = j }|{Xn+m = k, Xm = i})P ({Xn+m = k }|{Xm = i}) =

k S
P ({Xn+m+1 = j }|{Xn+m = k })P ({Xn+m = k }|{Xm = i}) = =

kS
p1 kj P ({Xn+m = k }|{Xm = i}).
Folosind ipoteza inductiv a ultimul membru este pik pkj = pij

kS (n) (1) (n+1)
Deci armat ia este dovedit a. Dac a ntr-un lant Markov omogen se cunosc probabilit a tile init iale si matricea de trecere, atunci probabilitatea ca la momentul n I N sistemul s a se ae n starea i, i S , probabilitate pe care o vom nota pi (n), este dat a de formula pi (n) =
j S
pj (n 1)pji .
(5.8)
196 Intr-adev ar, la momentul n pi (n) = P ({Xn = i}) = P {Xn = i}

j S
Procese stochastice
{Xn1 = j }
=P
j S
({Xn = i} {Xn1 = j }) =
=
j S
P ({Xn1 = j })P ({Xn = i}|{Xn1 = j })
pj (n 1)pji .
j S
Exemplul 5.1.3 Un calculator poate privit ca un sistem S care se poate aa ntr-una din urm atoarele st ari: S1 calculatorul funct ioneaz a normal; S2 calculatorul prezint a unele deregl ari, dar poate executa programe; S3 calculatorul prezint a unele deregl ari si rezolv a un num ar limitat de probleme; S4 calculatorul nu funct ioneaz a. La momentul init ial calculatorul funct ioneaz a, deci se a a n starea S1 cu probabilitatea 1 si se poate presupune c a el trece n celelalte st ari cu probabilit a tile indicate de urm atoarea schem a Deci matricea de trecere este 0, 3 0, 4 0, 1 0, 2 0 0 , 2 0, 5 0 , 3 . P = 0 0 0, 4 0, 6 0 0 0 1 S a determin am probabilit a tile st arilor la momentul n = 2. Deoarece la momentul init ial calculatorul funct ioneaz a, probabilit a tile init iale sunt p1 = 1, p2 = p3 = p4 = 0. Folosind (5.8) g asim p1 (1) = 0, 3; p2 (1) = 0, 4; p3 (1) = 0, 1; p4 (1) = 0, 2 si p1 (2) = 0, 09; p2 (2) = 0, 2; p3 (2) = 0, 27; p4 (2) = 0, 44. Propozit ia 5.1.4 Pentru orice m, n I N are loc pij
(m+n)
=
kS
pik pkj .
(n) (m)
(5.9)
Procese stochastice
197
Demonstrat ie. Demonstr am prin induct ie dup a m. Pentru m = 1 reg asim (5.7). Inlocuind m cu m + 1, s a evalu am pij
(n+m+1)
=
kS
pik pil
(n)
(n+m) (1) pkj
=
kS lS
pil plk pil plj

lS
(n) (m)
pkj = .
(1)
=
l S
plk pkj =
k S
(m) (1)
(n) (m+1)
Relat ia (5.9) se nume ste relat ia Chapman-Kolmogorov. Matriceal ea se scrie P (m+n) = P (m) P (n) . Cu ajutorul matricei de trecere putem exprima probabilitatea aparit iei unor st ari la momente nesuccesive. Exemplul 5.1.4 Dac a avem un lant Markov omogen cu matricea de trecere P , s a determin am P ({X10 = l, X8 = k, X5 = j }|{X1 = i}). Folosind formula probabilit a tii unei intersect ii si proprietatea Markov, avem P ({X10 = l, X8 = k, X5 = j, X1 = i}) = P ({X1 = i}) = P ({X1 = i})P ({X5 = j }|{X1 = i})P ({X8 = k }|{X5 = j })P ({X10 = l}|{X8 = k }) = P ({X1 = i}) = pij pjk pkl .
(4) (3) (2)
198 Exemple de lant uri Markov omogene. Exemplul 5.1.5 Mers la nt amplare pe segmentul [0, l] [11].
Procese stochastice
a. cu bariere absorbante; o particul a se deplaseaz a pe o ax a orientat a ocup and doar punctele de abscis a 0, 1, . . . l. La ecare moment particula r am ane imobil a dac a se a a ntr-unul din punctele 0 sau l si face un pas la dreapta cu probabilitatea p sau la st anga cu probabilitatea q . Matricea de trecere este 1 0 0 ... 0 0 0 q 0 p ... 0 0 0 P = ... ... ... ... ... ... ... . 0 0 0 ... q 0 p 0 0 0 ... 0 0 1 b. cu bariere reectante; dac a particula ajunge respectiv l 1. Matricea de trecere este 0 1 0 ... 0 q 0 p ... 0 P = ... ... ... ... ... 0 0 0 ... q 0 0 0 ... 0 n 0 sau l, este reectat a n 1, 0 0 ... 0 1 0 0 ... p 0 .
stept arii [11]. Exemplul 5.1.6 Un model din teoria a O stat ie de deservire poate servi client ii la momentele 0, 1, 2, . . .. Num arul de client i care sosesc n intervalul (n, n + 1) este o variabil a aleatoare notat a Xn . Presupunem c a Xn sunt variabile aleatoare independente si identic repartizate Xn : k pk
+
,
k=0 k=0
pk = 1
si c a exist a un loc de a steptare pentru cel mult m client i, num ar n care se include si clientul care este servit. Client ii care ajung n stat ie si g asesc m client i, pleac a f ar aa servit i. Fie Yn num arul de client i prezent i la momentul n, n care se include si clientul care este servit. Yn este un lant Markov cu st arile 0, 1, . . . m. Yn+1 este egal cu num arul client ilor la momentul n, mai put in cel servit la momentul n (dac a exist a) plus num arul client ilor care sosesc n intervalul (n, n + 1), dac a rezultatul nu dep a se ste m si este egal cu m n caz contrar. Deci a 1 Yn m, 0 Xn m + 1 Yn , Yn 1 + Xn , dac Xn , dac a Yn = 0 , 0 Xn m 1, Yn+1 = m, n rest.
Procese stochastice
199
Deoarece Yn+1 depinde doar de Yn , iar variabilele aleatoare Xn si Yn sunt independente, rezult a c a Yn este un lant Markov. S a determin am matricea de trecere. Not am cu pm = pm + pm1 + . . . p0j = P ({Yn+1 = j }|{Yn = 0)} = P ({Xn = j }) = pj , P ({Xn m}) = pm , dac a dac a 0 j m 1, j = m;
pij = P ({Yn+1 = j }|{Yn = i}) = dac a i1 j P ({Xn = j + 1 i}) = pj i+1 , P ({Xn m + 1 i}) = pm+1i , dac a j = m, = 0, n rest. Rezult a matricea p0 p1 p2 . . . pm1 pm p0 p1 p2 . . . pm1 pm 0 p0 p1 . . . pm2 pm1 . . . . . . . . . . . . . . . . . . . 0 0 0 . . . p1 p2 0 0 0 . . . p0 p1 Exemplul 5.1.7 Un model din teoria stocurilor. [11]
m 1,
O marf a este stocat a pentru a putea satisface cererile nt ampl atoare. Completarea eventual a a stocului se face la momentele 0, 1, 2, . . ., iar cererea n intervalul (n, n + 1) este o variabil a aleatoare Xn , cu repartit ia Xn : k pk

,
k=0 k=0
pk = 1.
Presupunem c a Xn sunt independente. Dac a la un moment oarecare n 0 cantitatea de marf a stocat a nu este mai mare dec at m unit a ti, atunci se procur a instantaneu o cantitate de marf a care ridic a stocul la M unit a ti, M I N . Dac a ns a cantitatea de marf a dep a se ste m unit a ti, atunci nu se ntreprinde nimic. Fie Yn stocul imediat nainte de re mprosp atarea eventual a de la momentul n. Observ am c a Yn+1 = Se arat a c a Yn este un pM pM . . . pM pm+1 pm+2 . . . pM max{Yn Xn , 0}, max{M Xn , 0}, dac a dac a m < Yn Yn m. M,
lant Markov cu matricea de trecere pM 1 . . . pM m pM 1 . . . pM m . . . . . . . . . pM 1 . . . pM m pm . . . p1 pm+1 . . . p2 . . . . . . . . . pM 1 . . . pM m
pM m1 pM m2 . . . p0 pM m1 pM m2 . . . p0 . . . . . . . . . . . . pM m1 pM m2 . . . p0 . p0 0 ... 0 p1 p0 ... 0 . . . . . . . . . . . . pM m1 pM m2 . . . p0
200
Procese stochastice
(Matricea are primele m linii identice). S-a folosit notat ia pl = pl + pl+1 + . . . , dac a m < l M. Dat un lant Markov omogen ne intereseaz a comportarea la limit a a probabilit a tilor de (n) trecere peste n pa si pij . Denit ia 5.1.5 Dac a pentru orice i, j S sirul pij n I N este convergent independent de i, lant ul Xn se nume ste ergodic. Teorema 5.1.1 (Teorem a de ergodicitate). Fie (Xn ), n I N , un lant Markov cu matricea de trecere P = (pij ), i, j S . Urm atoarele armat ii sunt echivalente: (s) 1. exist asI N si o stare j0 S astfel nc at pij0 > 0 i S ; 2. exist a lim pij = p , j S, i S . j
n (n) (n)
Demonstrat ie. 2. = 1. Armat ia este imediat a; observ am c a p j = lim

j S n
pij = 1.
j S
(n)
Exist a deci j0 S astfel nc at p sirului j0 > 0, deci de la un rang s termenii pij0 > 0, i S. 1. = 2. Pentru orice j S s a consider am sirurile pj Ar at am c a pj
(n) (n) (s)
= max pij ,
iS
(n)
(n) = min pij . pj iS
(n)
(5.10)
este necresc ator; ntr-adev ar folosind (5.6) pij

(n+1)
=
lS
pil plj
(1) (n)
pj
(n) lS
pil = pj
(1)
(n)
, i S,
deci
pj
(n+1)
pj .
(n)
(n) Analog rezult a c a pj este nedescresc ator, deci n+1) p( j n) p( . j
Deoarece cele dou a siruri sunt si m arginite (1 not am

(n) n
pj
(n)
n) p( j
0) ele sunt convergente; s a
(n) p j = lim pj , pj = lim pj . n
Procese stochastice R am ane s a mai ar at am c a p = p a demonstr am c a j . Pentru aceasta s j

n i,lS
201
lim max |pij plj | = 0.
(n)
(n)
Folosind relat ia (5.6), pentru n > s, cu s dat din ipoteza 1 pij =

rS (n)
pir prj
(s) (ns)
rezult a
pij plj =
rS
(n)
(n)
(pir plr )prj

(s) pir (s) plr .
(s)
(s)
(ns)
=
rS
uil (r)prj
(ns)
unde am introdus notat ia uil = S a not am cu S + mult imea acelor st ari din S pentru care uil (r) > 0 si cu S mult imea acelor st ari din S pentru care uil (r) < 0. Avem evident S = S + S . Deoarece pir =
rS r S (s)
plr = 1,
(s)
rezult a c a uil (r) =

rS r S +
uil (r) +
r S
uil (r) = 0,
deci uil =
rS + r S
|uil (r)|.
S a demonstr am c a are loc uil (r) < 1.

rS +
(5.11)
Presupunem c a starea j0 din ipoteza 1 apart ine lui S + ; atunci uil (r) =
rS + rS +
(pir plr ) =
r S +
(s)
(s)
pir
r S + (s)
(s)
plr
(s)
1
rS +
plr
(s)
1 plj0 < 1
deoarece 0 < plj0
(s) r S +
plr . Aceea si evaluare se obt ine dup a un rat ionament analog n
(s)
cazul n care j0 S . Deoarece (5.11) are loc pentru orice i, l S , rezult a u = sup
i,lS r S +
uil (r) < 1.
Revenim la suma ce trebuia majorat a si folosim (5.10) pij plj =

rS + (n) (n)
uil (r)prj
(ns)
r S
|uil (r)|prj
(ns)
202 uil (r)pj

r S + (ns)
Procese stochastice
rS ns) uil (r)p( j
u(pj
(ns)
ns) p( ). j
Cum inegalitatea are loc pentru orice i, l S , rezult a c a

n) pj p( j (n)
u(pj
(ns)
ns) p( ). j
] ori, unde [ ], semnic a partea ntreag a a num arului n , Aplic and aceast a inegalitate de [ n s s deducem c a n (n) (n) sup |pij plj | = |pj pj | u[ s ]
i,lS
iar De aici rezult a c a
n lim u[ s ] = 0.
pj = pj = lim pij
n
(n)
si aceast a limit a o not am p j . Important a acestei teoreme este nsemnat a, deoarece pe baza ei putem analiza stabilitatea n timp a unor procese aleatoare. am urm atorul proces Markov: mult imea st arilor are 3 elemente Exemplul 5.1.8 Consider si dac a la un moment dat este luat a o anumit a stare, la momentul urm ator se trece n oricare din celelalte dou a cu aceea si probabilitate. Matricea de trecere este evident 1 1 0 2 2 1 1 P = 2 0 2 . 1 1 0 2 2 Observ am c a
2
P =
1 2 1 4 1 4
1 4 1 2 1 4
1 4 1 4 1 2
satisface condit ia 1 din teorema precedent a, pe care o vom numi condit ie de ergodicitate. Fiind matrice simetric a ea admite valorile proprii reale 1 = 1, 2,3 = 1 si forma 2 diagonal a 1 0 0 1 0 . D = 0 2 1 0 0 2 Fie S matricea ortogonal a de schimbare de baz a, care are forma 1 1 1
S=
1 3 1 3
1 2
1 6 2 6
Procese stochastice Ridic and la puterea n matricea P = SDS t , rezult a 1 1 n lim P = n

3 1 3 1 3 3 1 3 1 3
203
1 3 1 3 1 3
Mai sus s-a folosit faptul c a Dn are pe diagonal a puterea a n -a a elementelor de pe diagonala lui D. Deci dup a un num ar foarte mare de pa si se poate presupune c a ecare stare este luat a cu acelea si sanse. Exemplul 5.1.9 Fie un lant Markov cu dou a st ari si diagrama asociat a n Figura 5.3. Obsev am c a matricea de tranzit ie este de forma 1 1 .
S a studiem comportarea la limit a a matricei de tranzit ie. Putem scrie P = Se constat a u sor c a Pn = 1 + + (1 )n + . 1 + + 1 + .
Matricea de tranzit ie dup a n pa si tinde pentru n + la 1 + .
Dac a cele dou a st ari sunt luate init ial cu probabilit a tile p0 , 1 p0 , se constat a c a pentru , . Deci dup a un num a r foarte mare de pa si n + probabilit a tile de stare sunt + + probabilit a tile nu depind de starea init ial a. Dac a analiz am mersul la nt amplare cu bariere absorbante, pentru l = 2, g asim 1 0 0 P = q 0 p 0 0 1 iar P n = P, n I N . Observ am c a nu este n deplinit a condit ia de ergodicitate; se poate totu si aprecia c a la un num ar foarte mare de pa si particula r am ane imobil a, ind absorbit a de bariere.
204
Procese stochastice
5.2
Procese Markov continue. Procese Poisson
Procese Poisson. In unele situat ii practice, f ac and observat ii asupra unui eveniment aleator ne poate interesa de c ate ori s-a produs acesta ntr-un interval de timp ; de exemplu num arul de impulsuri care apar la o central a telefonic a ntr-un interval de timp, num arul de client i care solicit a un produs ntr-o stat ie de deservire, num arul de vehicule care traverseaz a un pod, etc. Pentru orice t I R, not am cu X (t) num arul de produceri ale evenimentului n intervalul (0, t); evident variabila aleatoare X (t) ia valori n I N . Facem urm atoarele presupuneri: 1. observat iile ncep la momentul init ial t = 0, deci X (0) = 0; 2. pentru orice momente de timp 0 < t1 < t2 < t3 < t4 , variabilele aleatoare X (t2 ) X (t1 ) si X (t4 ) X (t3 ) sunt independente (proces cu cre steri independente); 3. repartit ia variabilei aleatoare X (t + s) X (t), t > 0, s > 0, depinde doar de s, lungimea intervalului si nu de t; 4. probabilitatea ca un singur eveniment s a se produc a n intervalul (t, t + t), pentru t sucient de mic este aproximativ proport ional a cu lungimea intervalului, deci de forma t + o(t). Probabilitatea ca mai mult de un eveniment s a se produc a n intervalul (t, t + t) este o(t).(Prin o(t)s-a notat o cantitate ce depinde doar de t ce satisface o(t) lim = 0.) Not am pk (t) = P ({X (t) = k }). Fie t sucient de mic; la momentul t0 t t + t, X (t) ia valoarea k n urm atoarele dou a moduri: a. X (t) = k si nici un eveniment nu se produce n intervalul (t, t + t); b. X (t) = k 1 si un eveniment se produce n (t, t + t). Deoarece din ipoteza 2, variabilele aleatoare X (t + t) X (t) si X (t) sunt independente, probabilitatea evenimentului dat de a este pk (t)(1 t), iar cea a evenimentului dat de b este pk1 (t)t si cum evenimentele de la a si b sunt independente pk (t + t) = pk (t)(1 t) + pk1 (t)t. Relat ia se scrie sub forma echivalent a pk (t + t) pk (t) = pk (t) + pk1 (t) k = 1, 2, 3 . . . t C and t 0, g asim ecuat ia diferent ial a pk (t) = pk (t) + pk1 (t). Pentru k = 0, p1 (t) = 0 si ecuat ia (5.12) devine p0 (t) = p0 (t) cu solut ia evident a p0 (t) = Aet . Din ipoteza 1 avem condit ia init ial a X (0) = 0, care determin a n mod unic solut ia p0 (t) = et . (5.12)
Procese stochastice Pentru k = 1, ecuat ia (5.12) devine p1 (t) = p1 (t) + et , care este o ecuat ie liniar a cu solut ia p1 (t) = tet . Proced and recursiv n acest mod, g asim
205
(t)k t e , k = 0, 1, 2. . . . k! Constat am c a pentru ecare t I R, X (t) este o variabil a aleatoare repartizat a Poisson cu parametru t. pk (t) = Matricea de tranzit ie cu un pas. (t)j i t e , j pij (t) = P ({j i evenimente au loc n t secunde}) = (j i)! Matricea P este 2 et et tet (t)2! ... . P (t) = t t 0 e te ... ... ... ... ... i.
Intervalul aleator dintre dou a evenimente succesive ntr-un proces Poisson. Dac a n cadrul unui proces Poisson un eveniment se produce la momentul t, iar urm atorul la momentul t + , este o variabil a aleatoare. S a-i determin am densitatea de probabilitate. Pentru aceasta determin am mai nt ai funct ia de repartit ie. Avem P ({ x}) = ex .
{ x} exprim a faptul c a nici un eveniment nu are loc n intervalul (t, t + x). Deci funct ia de repartit ie este 1 ex , x 0, iar prin derivare g asim f (x) = ex , x 0, care este repartit ia exponent ial a. Aceast a densitate caracterizeaz a intervalul aleator de timp dintre dou a produceri succesive de evenimente ale unui proces Poisson. S a observ am c a P ({ t + t0 }|{
t0 }) =
P ({ t0 + t}) = P ({ t0 })
=
t0 t0 +t
es ds = et = P ({ t}), es ds
ceea ce semnic a faptul c a procesul Poisson este un proces Markov. Observ am c a probabilitatea ca n intervalul (0, t) s a se produc a exact un eveniment este tet , deoarece este urmat a o lege Poisson cu parametrul t.
206
Procese stochastice
Exemplul 5.2.1 Impulsurile care se recept ioneaz a la o stat ie se primesc cu rata de 15 pe minut. S a determin am probabilitatea ca ntr-un minut s a se recept ioneze 5 impulsuri astfel: 3 impulsuri s a ajung a n primele 10 secunde si 2 impulsuri n ultimile 15 secunde. 15 Obt inem = 60 =1 si 4 P ({X (10) = 3, X (60) X (45) = 2}) = P ({X (10) = 3})P ({X (60) X (45) = 2}) = = P ({X (10) = 3})P ({X (60 45) = 2}) =
2 15 10 3 10 e 4 15 e 4 4 4
3!
2!
Momentul de producere al unui eveniment ntr-un proces Poisson. Ne intereseaz a, pe de alt a parte, urm atorul eveniment: stiind c a n intervalul (0, t) s-a produs exact un eveniment, ce densitate de probabilitate are momentul de producere, pe care l not am cu s, 0 s t. s este o variabil a aleatoare continu a a c arei densitate de probabilitate o not am cu g . S a determin am funct ia de repartit ie. F (s) = P ({X (s) = 1}|{X (t) = 1}) = P ({X (s) = 1, X (t) = 1}) = P ({X (t) = 1})
P ({X (s) = 1, X (t) X (s) = 0}) P ({X (s) = 1, X (t s) = 0} es se(ts) s = = = . t P ({X (t) = 1}) P {X (t) = 1}) e (t) t Densitatea de probabilitate este atunci g (s) = 1 ,0 t s t,
care este densitatea de probabilitate a repartit iei uniforme; deci producerea n intervalul (0, t) a unui singur eveniment se face dup a legea uniform a. Exemplul 5.2.2 Doi client i ajung la o stat ie ntr-o perioad a de dou a minute. S a determin am probabilitatea ca ambii s a ajung a n primul minut. Timpii ind repartizat i 1 uniform si independent, rezult a c a probabilitatea este 4 . Timpul la care s-a produs evenimentul n ntr-un proces Poisson. Aparit ia unui client la o stat ie de deservire este supus legii Poisson cu parametrul . Dac a stat ia se nchide dup a aparit ia clientului n s a determin am densitatea de probabilitate pentru timpul T n care stat ia r am ane deschis a. Fie Ti timpul dintre sosirea clientului i 1 si a clientului i (T1 este timpul de la deschidere p an a la sosirea primului client). Avem deci T = T1 + . . . + Tn , unde {T < t} semnic a faptul c a stat ia s-a nchis p an a la momentul t, deci au ap arut cel put in n client i, iar probabilitatea este dat a de legea Poisson cu parametrul t
P ({T < t}) =

k=n
(t)k t e . k!
Procese stochastice Prin derivare g asim
207
fT (t) =
k =n
(t)k1 (t)k k! k!
et =
(t)n1 t e (n 1)!
care este o densitate de probabilitate pentru variabila numit a repartit ia Erlang. arul de semnale emise de un radar este un proces Poisson cu Exemplul 5.2.3 Num parametrul . Dac a n semnale au fost observate n intervalul (0, t) s a determin am probabilitatea evenimentului {k particule au fost emise n (0, )} cu < t. P ({k semnale emise n (0, ) | n semnale emise n (0, t)}) = = P ({k semnale emise n (0, ) si n k semnale emise n (, t)}) = P ({n semnale emise n (0, t)}) =
e ( )k e(t ) ((t ))nk k! (nk)! (t)n t e n! k = Cn
nk
Exemplul 5.2.4 Semnalul telegrac aleator. Fie T (t) un proces care ia st arile 1 cu aceea si probabilitate la momentul init ial. T (t) si schimb a polaritatea odat a cu sosirea unui semnal dintr-un proces Poisson cu parametrul . Reprezent am o traiectorie n Figura 5.4. S a calcul am probabilit a tile evenimentelor {T (t) = 1}. Ne ocup am pentru nceput de evenimentul {T (t) = 1}. Folosind formula probabilit a tii totale avem P ({T (t) = 1}) = P ({T (t) = 1}|{T (0) = 1})P ({T (0) = 1})+ +P ({T (t) = 1}|{T (0) = 1})P ({T (0) = 1}). Calcul am probabilit a tile condit ionate. Not am cu A = { n intervalul (0, t) se produce un num ar par de schimb ari } si cu B = { n intervalul (0, t) se produce un num ar impar de schimb ari }
+
P ({T (t) = 1}|{T (0) = 1}) = P (A) =

j =0
(t)2j t et t e = (e + et ) = (2j )! 2
1 = (1 + e2t ). 2 1 P ({T (t) = 1}|{T (0) = 1}) = P (B ) = (1 e2t ). 2 1 Deoarece P ({T (0) = 1}) = P ({T (0) = 1}) = 2 , rezult a dup a nlocuiri c a evenimentele 1 {T (t) = 1} au probabilitatea 2 .
208 Procese de na stere-moarte.
Procese stochastice
Vom modela n continuare urm atoarea situat ie practic a ce apare n teoria a stept arii. Consider am un sistem format dintr-un r de a steptare format a din n client i si o persoan a care serve ste. Spunem c a sistemul se a a n starea Sn dac a sunt n client i la coad a, inclusiv cel servit (dac a exist a). Din starea Sn sunt posibile doar dou a tranzit ii: - la starea Sn1 dac a un client a fost servit si p ar ase ste coada; - la starea Sn+1 dac a un client este nc a servit n timp ce un nou client se a seaz a la coad a. Consider am un proces care descrie comportarea cozii n timp. La momentul t, dac a sistemul precedent se a a n starea Sn , vom nota X (t) = n. Se obt ine astfel un proces Markov. Facem urm atoarele ipoteze: 1. Dac a sistemul este n starea Sn , poate realiza tranzit ii la Sn1 sau la Sn+1 , n 1 (de la S0 este posibil a doar S1 ). 2. Probabilitatea unei tranzit ii Sn Sn+1 ntr-un interval scurt t este n t parametrul n se nume ste parametru de na stere si facem ipoteza c a depinde de starea Sn . 3. Probabilitatea unei tranzit ii Sn Sn1 ntr-un interval de lungime t este n t parametru n se nume ste parametru de moarte. Probabilitatea ca n intervalul (t, t + t) s a aib a loc mai mult de o tranzit ie este 0. Sistemul se a a n starea Sn la momentul t + t n urm atoarele situat ii: a. La momentul t se a a n starea Sn si nici o tranzit ie nu are loc n intervalul (t, t +t) cu probabilitatea (1 n t)(1 n t), care poate aproximat a cu 1 n t n t. b. Fiind n starea Sn1 la momentul t are loc o tranzit ie la starea Sn n intervalul (t, t + t) cu probabilitatea n1 t. c. La momentul t sistemul se a a n starea Sn+1 si o tranzit ie la starea Sn are loc n (t, t + t) cu probabilitatea n+1 t. Not am Pn (t) = P ({ X (t) se a a n starea Sn }) si facem ipoteza c a c a Pn (t) este o funct ie derivabil a cu derivat a continu a. Atunci Pn (t + t) = Pn (t)(1 n t n t) + n1 tPn1 (t) + n+1 tPn+1 (t), n P0 (t + t) = P0 (t)(1 0 t) + 1 tP1 (t). Imp art ind prin t Pn (t + t) Pn (t) = (n + n )Pn (t) + n1 Pn1 (t) + n+1 Pn+1 (t), n t P0 (t + t) P0 t = 0 P0 (t) + 1 P1 (t). t Dac a t 0, obt inem Pn (t) = (n + n )Pn (t) + n1 Pn1 (t) + n+1 Pn+1 (t), P0 (t) = 0 P0 (t) + 1 P1 (t). n 1, 1, 1,
Procese stochastice
209
Vom da solut ii pentru aceste ecuat ii diferent iale n cazul n care Pn (t) nu depinde de t; n acest caz sistemul precedent devine (n + n )Pn = n1 Pn1 + n+1 Pn+1 , n 0 P0 = 1 P1 , si se rezolv a prin recurent a . Se obt ine solut ia P1 = 0 P0 1 0 1 = P0 1 2 1,
P2 . . . . 0 1 . . . n1 P0 Pn = 1 2 . . . n Deoarece sistemul trebuie s a se ae ntr-o stare, suma probabilit a tilor precedente trebuie s a e 1, deci 0 0 1 P0 1 + + + . . . = 1. 1 1 2 Exemplul 5.2.5 Intr-o stat ie sosesc client i dup a legea Poisson cu parametrul , iar timpul de servire este o lege exponent ial a cu parametrul pozitiv , 0 < < . Dac a este aglomerat ie se formeaz a o coad a, iar starea sistemului la momentul X (t) este un proces de na stere -moarte cu parametrii n = si n = . Particulariz and ecuat iile precedente si not and = g asim P1 = P0 2 P0 = 2 P0 P2 = . . . . n Pn = P0 = n P0 Punem condit ia 1 = 1, < 1. 1 De aici rezult a P0 = 1 . Deducem Pn = (1 )n , pentru n = 0, 1, . . ., care este repartit ia geometric a.S a particulariz am aceast a situat ie. Pentru a evita aglomerat ia dintr-o stat ie de deservire, client ii a sezat i la coad a ar trebui s a nu dep a seasc a num arul 5, cu probabilitatea 0,99. Sosirile au loc dup a o lege Poisson cu parametrul = 1, 5 client i pe minut. Dac a deservirea se face dup a o lege exponent ial a, c at de repede trebuiesc ace stia servit i ? S a determin am deci . Probabilitatea ca cel put in 5 client i s a e la coad a este P0 (1 + + 2 + . . .) = P0
p=
n=5
(1 )n = 5 ; =
210
Procese stochastice
Pentru ca aceast a probabilitate s a e 1-0,99 =0,01, punem condit ia 5 0, 1
de unde g asim > 9, 12. Deci ar trebui servit i cel put in 10 client i n medie pe minut pentru a evita aglomerat ia.
5.3
Procese stochastice stat ionare
In unele situat ii st arile precedente ale unui sistem exercit a un puternic efect asupra st arilor viitoare. In general dac a procesele au fost considerate f ar a postact iune (procese Markov), se pot face unele corect ari n alegerea st arilor. De exemplu, dac a consider am o schimbare n pozit ia unei particule n procesul de difuzie, considerat ca proces f ar a postact iune, aceasta nseamn a c a se neglijeaz a inert ia particulei. Situat ia se poate corecta introduc and n conceptul de stare si viteza particulei, al aturi de coordonatele pozit iei. In cazul cel mai general Hincin a izolat o clas a important a de procese stochastice cu postact iune, numite procese stat ionare. Acestea se nt alnesc n fenomenele acustice, teoria semnalelor etc. Fie {X (t)}, t 0, un proces stochastic. Denit ia 5.3.1 Numim funct ie de repartit ie ndimensional a funct ia dat a prin formula F (x1 , . . . , xn , t1 , . . . , tn ) = P ({X (t1 ) < x1 , . . . , X (tn ) < xn }) pentru orice t1 , . . . , tn , n I N . Presupunem c a funct ia de repartit ie n-dimensional a satisface urm atoarele dou a condit ii: -condit ia de simetrie F (xi1 , . . . , xin , ti1 , . . . , tin ) = F (x1 , . . . , xn , t1 , . . . , tn ), pentru orice permutare i1 , . . . , in a mult imii 1, . . . , n, -condit ia de compatibilitate; dac am<n F (x1 , . . . , xm , t1 , t2 , . . . , tm ) = = F (x1 , . . . , xm , , . . . , , t1 , . . . , tm , tm+1 , . . . , tn ), m + 1 j n. (5.14) (5.13)
Kolmogorov a demonstrat c a aceste funct ii de repartit ie caracterizeaz a complet un proces stochastic, n sensul c a dat a o familie de funct ii ce veric a condit iile 1-4, din Capitolul 3.3 si satisface (5.13), (5.14), exist a un c amp borelian de probabilitate si un proces stochastic care admite aceste funct ii, ca funct ii de repartit ie n-dimensionale (vezi [9]). Prin analogie cu cazul variabilelor aleatoare n-dimensionale, se poate introduce not iunea de densitate de probabilitate, care se va nota f (x1 , . . . , xm , t1 , t2 , . . . , tm ). Dac a procesul este cu valori discrete, analogul l constituie p(x1 , . . . , xm , t1 , t2 , . . . , tm ) = P ({X1 (t1 ) = x1 , X2 (t2 ) = x2 , . . . , Xn (tn ) = xn })
Procese stochastice
211
Exemplul 5.3.1 Fie Xn un lant de variabile aleatoare identic, independent repartizate, 1 cu p = 2 , atunci P ({X1 (t1 ) = x1 , X2 (t2 ) = x2 , . . . , Xn (tn ) = xn }) = 2n . Valori caracteristice ale unui proces. Fie X (t) un proces aleator. Media mX (t) este denit a prin
+
mX (t) = M [X (t)] =
xf (x, t)dx,
unde f (x, t) este densitatea de probabilitate a variabilei X (t). Autocorelat ia RX (t1 , t2 ) este denit a prin
+ +
RX (t1 , t2 ) = M [X (t1 )X (t2 )] =

xyf (x, y, t1 , t2 )dxdy,
unde f (x, y, t1 , t2 ) este densitatea de probabilitate de dimensiune doi a procesului. Autocovariant a CovX (t1 , t2 ) este denit a drept covariant a variabilelor X (t1 ) si X (t2 ), CovX (t1 , t2 ) = M [(X (t1 ) mX (t1 ))(X (t2 ) mX (t2 ))]. Leg atura dintre cele dou a funct ii este imediat a si const a n CovX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 ). Dispersia (variant a) lui X (t) este dat a de formula D2 [X (t)] = M [(X (t) mX (t))2 ] = CovX (t, t). Coecientul de corelat ie este denit de X (t1 , t2 ) = CovX (t1 , t2 ) CovX (t1 , t1 ) CovX (t2 , t2 ) .
Exemplul 5.3.2 Fie X (t) = A cos 2t, unde A este o variabil a aleatoare. S a determin am valorile caracteristice. mX (t) = M [A cos 2t] = M [A] cos 2t; RX (t1 , t2 ) = M [A cos 2t1 A cos 2t2 ] = M [A2 ] cos 2t1 cos 2t2 ; CovX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 ) = (M [A2 ] M 2 [A]) cos 2t1 cos 2t2 = = D2 [A] cos 2t1 cos 2t2 .
212 Procese multiple.
Procese stochastice
Dou a procese X (t), Y (t) se numesc independente dac a k, j si orice alegere t1 , . . . , tk si t1 , . . . tj , variabilele aleatoare multidimensionale (X (t1 ), . . . , X (tk )) si (Y (t1 ), . . . Y (tj )) sunt independente. Corelat ia ncruci sat a RXY (t1 , t2 ) este denit a prin RXY (t1 , t2 ) = M [X (t1 )Y (t2 )]. Procesele X (t) si Y (t) se numesc ortogonale dac a RXY (t1 , t2 ) = 0, t1 , t2 . Covariant a ncruci sat a CovXY (t1 , t2 ) este denit a prin CovXY (t1 , t2 ) = M [(X (t1 ) mX (t1 ))(Y (t2 ) mY (t2 ))] = RXY (t1 , t2 ) mX (t1 )mY (t2 ). Procesele se numesc necorelate dac a CovXY (t1 , t2 ) = 0, t1 , t2 . Exemplul 5.3.3 Fie X (t) = cos(t + ) si Y (t) = sin(t + ) unde este o variabil a aleatoare repartizat a uniform pe [, + ]. S a determin am covariant a ncruci sat a. Ar at am c a media procesului X (t) este 0. 1 mX (t) = M [cos(t + )] = 2 Analog rezult a c a media procesului Y (t) este 0. RXY (t1 , t2 ) = M [cos(t1 + ) sin(t2 + )] = 1 1 1 = M [ sin( (t1 t2 )) + sin( (t1 + t2 ) + 2)] = sin( (t1 t2 )) 2 2 2 deoarece M [sin( (t1 + t2 ) + 2)] = 0. Denit ia 5.3.2 Procesul X (t) se nume ste stat ionar n sens restr ans dac a t1 , . . . , tn I R+ , n I N, u I R+ are loc F (x1 , . . . xn , t1 + u, . . . , tn + u) = F (x1 , . . . , xn , t1 , . . . , tn ). (5.15)
cos(t + x)dx = 0.
Relat ia (5.15) se interpreteaz a astfel: funct iile de repartit ie n-dimensionale nu depind de cre sterea timpului. Dac a n (5.15) d am lui n valoarea 2, g asim c a funct iile de repartit ie bidimensionale depind numai de diferent a t2 t1 . Deoarece n practic a lucrul cu funct iile de repartit ie este dicil se pune problema nlocuirii lor cu alte caracteristici si anume cu momentele. Dac a X (t) are dispersie nit a si X (t) este stat ionar n sens restr ans g asim: 1.M [X (t + u)] = M [X (t)] = M [X (0 + t)] = M [X (0)] = m; 2.D2 [X (t + u)] = D2 [X (t)] = D2 [X (0)] = 2 ; 3.M [(X (t + u)X (t))] = M [(X (u)X (0))]. Ca o prim a consecint a a acestor propriet a ti, observ am c a n cazul proceselor stat ionare putem presupune m = 0 si = 1, ceea ce revine la considerarea procesului normalizat, X (t) m . adic a
Procese stochastice Denit ia 5.3.3 Procesul X (t) este stat ionar n sens larg dac a au loc condit iile 1-3.
213
Denit ia 5.3.4 Numim funct ie de corelat ie a unui proces stat ionar n sens larg coecientul de corelat ie al variabilelor aleatoare X (t) si X (t + u). Deci funct ia de corelat ie are expresia R(u) = M [X (t + u) M [X (t + u)]]M [X (t) M [X (t)]] D2 [X (t)]D2 [X (t + u)] .
Dac a facem ipoteza m = 0 si = 1 din condit ia de a stat ionar rezult a c a funct ia de corelat ie depinde doar de u si are expresia R(u) = M [(X (u)X (0))]. Denit ia 5.3.5 Un proces stat ionar se nume ste continuu dac a are loc M (X (t + u) X (t))2 0, pentru u 0. Propozit ia 5.3.1 Dac a X (t) este un proces continuu, atunci au loc: 1. P ({ |X (t + u) X (t) | }) 0, dac a u 0; 2. lim R(u) = 1; 3. R(u) este continu a. Demonstrat ie. 1. Din inegalitatea lui Ceb a sev , rezult a P ({|X (t + u) X (t)| }) = P ({|X (t + u) X (t) M [(X (t + u) X (t))]| })
u0
D2 [(X (t + u) X (t))] , care din denit ia continuit a tii tinde la 0, dac a u 0. 2. Se observ a imediat c a M (X (t + u) X (t))2 = 2(1 R(u)) 0, dac a u 0, de unde armat ia 2. 3. Folosind inegalitatea lui Cauchy are loc |R(u + u) R(u)| = |M [(X (u + u)X (0))] M [(X (u)X (0))]| = = |M [(X (0)(X (u + u) X (u))]| dac a u 0. Teorema 5.3.1 (Teorema lui Hincin) Funct ia real a R(u) este o funct ie de corelat ie pentru un proces stat ionar continuu dac a si numai dac a exist a o funct ie de repartit ie F (x) astfel nc at R(u) = cosux dF (x).
M [X 2 (0)]M [(X (u + u) X (u))2 ] 0,
214
Procese stochastice
Demonstrat ie. S a presupunem mai nt ai c a R(u) este o funct ie de corelat ie pentru un proces stat ionar continuu. Din proprietatea precedent a R(u) rezult a continu a si m arginit a. S a ar at am c a este si pozitiv denit a. Pentru orice numere reale u1 , u2 , . . . , un din I R si 1 , . . . , n C unde n I N , are loc
n n n
M|
k=1
k X 2 (uk )| = M
i=1 j =1 n n
i j X (ui )X (uj )
=
i=1 j =1
R(ui uj )i j .
Deoarece R(0) = 1 din teorema Bochner-Hincin are loc reprezentarea
R(u) =
eiux dF (x),
unde F este o funct ie de repartit ie. Deoarece R este o funct ie real a, rezult a armat ia. Reciproc, s a ar at am c a dac a
R(u) =
cosux dF (x),
exist a un proces stat ionar X (t) cu funct ia de corelat ie R(u). Fie n I N , t1 , t2 , . . . , tn si variabila aleatoare n-dimensional a normal repartizat a X (t1 ), . . . X (tn ) cu M [X (t1 )] = . . . = M [X (tn )] = 0, D2 [(X (t1 ))] = . . . = D2 [(X (tn ))] = 1, av and funct iile de corelat ie R(ti tj ) = M [X (ti )X (tj )]. Deoarece forma p atratic a
n n
R(ti tj )ui uj
i=1 j =1
este pozitiv denit a, se pot deni funct iile de densitate

n n
fn (u1 , . . . , un , t1 , . . . , tn ) = An e
R(ti tj )ui uj
i=1 j =1
, An I R.
Se veric a u sor c a funct iile de repartit ie asociate satisfac condit iile de simetrie si compatibilitate, deci denesc un proces stochastic, care rezult a stat ionar.
Procese stochastice Exemplul 5.3.4 Consider am procesul de forma Z (t) = X (t) cos t + Y (t) sin t, I R, unde X (t), Y (t) sunt procese necorelate, deci M [XY ] = M [X )M [Y ] ce satisfac M [X ] = M [Y ] = 0, D2 [X ] = D2 [Y ] = 1.
215
S a ar at am c a Z (t) este un proces stat ionar. Pentru aceasta s a calcul am funct ia de corelat ie R(u) = M [X (t + u)X (t)] = = M [X cos (t + u) + Y sin (t + u))(X cos t + Y sin t)] = = M [(X 2 cos t cos (t + u) + XY (sin (t + u) cos t + cos (t + u) sin t)+ +Y 2 sin t sin (t + u)] = cos (t + u) cos t + sin t sin (t + u) = cos u. Alegem 0, 1 , f ( x) = 2 1,
x < x x>
Avem atunci cos u =
cos uxdF (x) =

cos uxdF (x),
de unde n virtutea teoremei rezult a c a procesul este stat ionar. Exemplul 5.3.5 Consider am procesul
n
X (t) =
k=1 n
bk Zk (t),
unde
k=1
b2 R. Xk (t), Yk (t) sunt preocese k = 1, iar Zk (t) = Xk (t) cos k t + Yk sin k t, k I M [Xk ] = M [Yk ] = 0, D2 [Xk ] = D2 [Yk ] = 1, k = 1, n M [Xi Xj ] = M [Yi Yj ] = 0, i = j, M [Xi Yj ] = 0, i, j = 1, n.
ce satisfac
Calcul and funct ia de corelat ie, g asim

n
R(u) =
k=1
b2 k cos k u,
de unde rezult a c a procesul este stat ionar, asociat funct iei de repartit ie F care are salturi 1 2 n punctele k . de m arimea 2 bk In literatura de specialitate F se nume ste spectru; dac a F este funct ie de salturi, procesul se nume ste cu spectru discret. Slutsky a demonstrat c a orice proces cu spectru discret este reprezentabil sub forma celui din exemplul precedent.
216 PROBLEME PROPUSE
Procese stochastice
Problema 4.1 Fie In procesul Bernoulli identic si independent repartizat. Calculat i P ({I1 = 1, I2 = 0, I3 = 0, I4 = 1}). R: p2 (1 p)2 . Problema 4.2 Fie Dn = 2In 1 unde In este procesul din problema precedent a. Calculat i media si dispersia. Solut ie mX (n) = M [2In 1] = 2M [In ] 1 = 2p 1 D2 [Dn ] = D2 [2In 1] = 22 D2 [In ] = 4p(1 p). Procesul reprezint a de fapt schimbarea pozit iei unei particule care se mi sc a n linie dreapt a f ac nd salturi de 1 la ecare unitate de timp. Problema 4.3 Fie X un num ar ales la nt mplare din [0, 1] si e dezvoltarea lui n
+
baza 2, x =
n=1
bn 2n , bn {0, 1}. Denim Xn = bn , n I N . Calculat i P ({X1 = 0}) si

1 , 2
P ({X1 = 0, X2 = 1}). Solut ie. X1 = 0, dac a0 X 1 1 1 este 4 , deoarece 4 X . 2
deci cu probabilitatea 1 . Iar P ({X1 = 0, X2 = 1}) 2
Problema 4.4 Un calculator este inspectat la momentele t1 , t2 , t3 si se poate aa n una din urm atoarele st ari: s1 funct ioneaz a normal; s2 are un num ar neglijabil de erori, care nu impiedic a calculatorul s a funct ioneze; s3 are erori considerabile, dar rezolv a limitat probleme; s4 nu funct ioneaz a. La momentul init ial calculatorul este n starea s1 iar matricea de tranzit ie este 0, 5 0, 3 0, 2 0 0 0 , 4 0, 4 0 , 2 . P = 0 0 0, 3 0, 7 0 0 0 1 Asociat i diagrama si aat i probabilit a tile de stare dup a ecare din cele trei inspect ii. Solut ie. Probabilit a tile de stare init ial a sunt (1, 0, 0, 0), deoarece init ial calculatorul funct ioneaz a. Apoi p1 (1) = 0, 5, p2 (1) = 0, 3, p3 (1) = 0, 2, p4 (1) = 0 p1 (2) = 0, 25, p2 (2) = 0, 27, p3 (2) = 0, 28, p4 (2) = 0, 2 p1 (3) = 0, 125, p2 (3) = 0, 183, p3 (3) = 0, 242, p4 (3) = 0, 450.
Procese stochastice Diagrama este urm atoare
217
Problema 4.5 O particul a se deplaseaz a aleator, s arind c ate o unitate la dreapta sau st anga, dup a diagrama de mai jos. G asit i probabilitatea ca dup a patru pa si particula s a nu e mai dep artat a cu o unitate fat a de origine. Init ial particula se a a n origine. R: Insum am probabilit a tile, ca la momentul 4, particula s a se ae n st arile S1 , S0 , sau S1 si g asim 0,693. Problema 4.6 Fie X (t) = cos(t + ) unde este repartizat a uniform pe (, + ). S a determin am media, autocorelat ia si autovariant a. + Solut ie mX (t) = M [cos(t + )] = 21 cos( t + x)dx = 0; CovX (t1 , t2 ) = RX (t1 , t2 ) = M [cos(t1 + ) cos(t2 + )] = + 1 1 (cos( (t1 t2 )) + cos( (t1 + t2 ) + 2x)) dx = 1 cos( (t1 t2 )). 2 2 2 Problema 4.7 Fie Xn un lant de variabile normale independente, identic repartizate, 2 cu media m si dispersia . Determinat i matricea de covariant a la momentele t1 , . . . , tk si densitatea de probabilitate. 1 i=j Solut ie CX (ti , tj ) = 2 ij unde ij = 0 i=j f (x1 , . . . , xk , X1 , . . . , Xk ) = fX (x1 )fX (x2 ) . . . fX (xk ) =
k
(xi m)2 =
i=1 1 e (2 2 )k/2
2 2
Problema 4.8 Un proces Y (t) const a dintr-un semnal dorit X (t) la care se adaug a zgomotul N (t), deci Y (t) = X (t) + N (t). G asit i corelat ia ncruci sat a dintre cele dou a procese, presupun nd c a X (t), N (t) sunt independente. Solut ie Folosind independent a variabilelor X (t) si N (t), g asim RXY (t1 , t2 ) = M [X (t1 )Y (t2 )] = M [X (t1 )(X (t2 ) + N (t2 ))] = = M [X (t1 )X (t2 )] + M [X (t1 )N (t2 )] = = RXY (t1 , t2 ) + M [X (t1 )]M [N (t2 )] = RXY (t1 , t2 ) + mX (t1 )mN (t2 ). Problema 4.9 In ziua 0 exist a 2 becuri noi de rezerv a. Probabilitatea de a schimba un bec este p, iar probabilitatea de a nu schimba este q = 1 p. Fie Yn num arul de becuri necesar la sf ar situl zilei n. Determinat i matricea de tranzit ie dup a un pas si dup a n pa si, probabilit a tile de stare la momentul n si comportarea lor la limit a. Solut ie St arile procesului sunt 2,1,0, iar diagrama corespunz atoare este Matricea de tranzit ie cu un pas este 1 0 0 0 P = p 1p 0 p 1p iar probabilit a tile de stare la momentul init ial sunt 0, 0, 1. Dup a n pa si
218 p22 (n) = P ({ nici un bec nou nu e necesar n n zile}) = q n ; 1 p21 (n) = P ({ un bec nou este necesar n n zile}) = Cn pq n1 ; p20 (n) = 1 p22 (n) p21 (n); Matricea de tranzit ie dup a n pa si este 1 0 0 1 qn qn 0 . Pn = n n1 n1 1 q npq npq qn Trec nd la limit a pe ecare element al matricei g asim matricea 1 0 0 1 0 0 . 1 0 0 Probabilit a tile de stare la momentul n sunt date de produsul 1 0 0 1 qn qn 0 (0 0 1) n n1 n1 1 q npq npq qn
Index
iar la limit a se obt ine (1 0 0). Interpretarea evident a este c a dup a un num ar foarte mare de pa si procesul devine stat ionar si r am an 0 becuri de rezerv a.
Index
Index
matricea de covariant a, 121 repartit ia Fisher , 148 coecient de corelat ie, 119 corelat ia variabilelor, 119 momentele init iale, 147 momentele init iale ale repartit iei Gama, 149 momentele repartit iei Beta, 150 momentele repartit iei Student, 142 momentele variabilei aleatoare normale ndimensionale, 135
densitate de probabilitate, 91 densitate de probabilitate n-dimensional a, normal a normat a, 93 100 densitate marginal a de probabilitate, 101 q-cvantile, 88 densitatea de probabilitate condit ionat a, 97 Repartit ia Beta, 150 formula de inversiune, 125 repartit ia Erlang, 149 formula lui Bayes, 98, 113 repartit ia exponent ial a, 152 formula probabilit a tii totale, 113 repartit ia lognormal a, 104 formula probabilitat ii totale, 98 repartit ia normal a, 93 formulele integrale ale mediei totale, 121 repartit ia normal a n-dimensional a, 106 funct ia caracteristic a a repartit iei Gama, 149 repartit ia Rayleigh, 108 funct ia caracteristic a a repartit iei normale , repartit ia Snedecor, 147 132 repartit ia Student , 142 funct ia de repartit ie, 85 repartit ia uniform a, 92 funct ie caracteristic a, 123 repartit ia uniform a n-dimensional a, 102 funct ie de abilitate, 150 repartit ia Weibull, 152 funct ie de repartit ie n dimensional a, 99 funct ie de repartit ie condit ionat a, 89 teorema Bochner-Hincin, 129 funct ie marginal a de repartit ie, 101 teorema lui Bochner, 128 funct ie pozitiv denit a, 129 teorema lui Cochran, 141 funct iei lui Laplace, 94 variabil a aleatoare, 83 legare n paralel, 154 variabil a aleatoare n-dimensional a, 99 legare n serie, 153 variabil a aleatoare continu a, 88 variabile aleatoare independente, 85 media, 114 variabile necorelate, 119 media condit ionat a, 121 mediana, 89 medii condit ionate, 121 modul, 115 moment centrat de ordin k , 116 moment pentru variabil a aleatoare multidimensional a, 120 219

Teoria Probab

Încărcat de

Informații document

Titlu original

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

Teoria Probab

Încărcat de

Drepturi de autor:

Formate disponibile

Ariadna Lucia Pletea

ILOR TEORIA PROBABILITAT

GH. ASACHI, UNIVERSITATEA TEHNICA IAS I 1999

. 164 . . . . 177 181 182 184

Capitolul 1 C amp de probabilitate

n 6. Din Consecint a 4 rezult a:

C amp nit de probabilitate

16 Reciproc, dac a P (A B ) = P (A)P (B ) si deoarece P (B |A) =

P (A B ) P (A)P (B ) = = P (B ) P (A) P (A)

Metode de num arare

Moduri de selectare a elementelor

Denit ia axiomatic a a probabilit a tii

P (A1 ) + P (A2 ) + . . . + P (An ) = P (E ) = 1.

P (Ai Aj An+1 ) + . . . +(1)n P (

Formula se poate extinde si n cazul a n evenimente A1 , A2 , . . ., An , cu P (

Ai ) = P (A1 )P (A2 |A1 )P (A3 |(A1 A2 )) . . . P (An |(A1 A2 . . . An1 )).

unde pi = P (Ai ), i = 1, n, p12...n = P (

Intr-adev ar, deoarece E =

si cum pentru i = j, Ai Aj = atunci avem

(Ai A)) P (A)

si tin and seama de (Ai A) (Aj A) = , i, j I, i = j, obt inem P (Ai A) P ((

P (Ai |A)P (A) =

P (A|(Ai B ))P (Ai |B )

Folosim formula (1.14) obt inem P (A Ai B ) P(

P (A|(Ai B ))P (Ai B ) =

P (A|(Ai B ))P (Ai |B )P (B ) =

P (A|(Ai B ))P (Ai |B ).

Scheme clasice de probabilitate

Acest eveniment se produce cu probabilitatea p1 . . . p1 p2 . . . p2 . . . pm . . . pm .

n! (n n1 . . . nm1 )! (n n1 )! ... = n1 ! (n n1 )! n2 ! (n n1 n2 )! nm ! (n n1 . . . nnm )! = n! . n1 ! . . . nm !

C amp innit de probabilitate

lim An = lim inf An = lim sup An K.

m(A) pentru (Ai )iI K cu Ai Aj = i = j i, j I , iar I o

vorbi numai n cazul n care c ampul de evenimente este innit. Introducem

Ai const a n realizarea tuturor evenimentelor A1 , A2 , . . . , An . . ..

Fie K = P (E ) si A o submult ime a lui E . Denim P (A) =

Constat am imediat c a { E, K, P } este un c amp innit de probabilitate. D am un exemplu de c amp de probabilitate.

f (x)A (x)dx 1, 0, dac a e A, dac ae / A,

pentru A K , unde A (e) =

In particular, dac a f este continu a, punem P (A) =

P (Ai )P (A|Ai ) P (Aj )P (A|Aj )

An . An si n0 cel mai mic num ar natural

adic a ceea ce trebuia de demonstrat. De aici rezult a c a P(

Demonstrat ie. Din relat iile lui De Morgan avem Ai = (

Demonstrat ie. a) Consider am cazul n care A = . Trebuie s a ar at am c a

36 dac ak=s si obt inem

(P (Ai ) P (Ai+1 )),

P (Ai \ Ai+1 ) = P (A1 )

Cn = , rezult a, conform cazului a) c a

Dar P (Cn ) = P (An \ A) = P (An ) P (A) si deci

lim P (An ) = P (A).

iar probabilitatea acestui eveniment este

Capitolul 2 Variabile aleatoare discrete

Variabile aleatoare discrete simple

Funct ia A se nume ste indicatoarea evenimentului A (variabila aleatoare a evenimentului A).

Variabile aleatoare discrete

pi = 1. Numerele xi se numesc valorile variabilei aleatoare,

Variabile aleatoare discrete

Variabile aleatoare discrete

Variabile aleatoare discrete

F (x) = p1 u(x) + p2 u(x x1 ) + . . . + pn u(x xn ) =

obt inem densitatea de probabilitate pentru variabile aleatoare discrete

Variabile aleatoare discrete (XY )(e) = X (e)Y (e).