Teoria probabilit atilor si statistic a

matematic a
B arb acioru Iuliana Carmen
CURSUL 3
Cursul 3
2
Cuprins
1 Introducere n teoria probabilit atilor 5
1.1 Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Repartitia binomial a (sau repartitia Bernoulli) . . . . . . . 5
1.1.2 Repartitia Poisson . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Valoarea medie a unei variabile aleatoare discrete . . . . . . . . . . 9
1.3 Propriet atile mediei . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Index 13
3
Cursul 3
4
Capitolul 1
Introducere n teoria
probabilit atilor
1.1 Variabile aleatoare
1.1.1 Repartitia binomial a (sau repartitia Bernoulli)
Fie n 2 N

si p 2 (0; 1) :
Presupunem c a efectu amn experimente independente. n ecare dintre acestea,
probabilitatea de aparitie a unui eveniment A este egal a cu p. Deci probabilitatea
ca A s a nu se produc a este 1 p = q. ( =
_
A;

A
_
): Num arul de aparitii ale
evenimentului A n cele n experimente este o variabil a aleatoare B(n; p) :
n cele n experimente evenimentul A poate s a nu apar a, s a apar a o dat a, s a
apar a de dou a ori,..., s a apar a de n ori. Deci o variabil a aleatoare de tipul B(n; p)
va lua n+1 valori: 0; 1; 2; 3; :::; n . Probabilit atile cu care B(n; p) ia aceste valori
se g asesc aplicnd formula lui Bernoulli (vezi cursul 2):
P(B(n; p) = x
i
) = P
n
(k) = {
k
n
p
k
q
nk
(1.1)
Denitia 1.1.1 Variabila aleatoare discreta B(n; p) urmeaza o lege de repartitie
binomiala daca are forma:
B(n; p) :
_
0 1 :::k::: n
q
n
p q
n1
:::{
k
n
p
k
q
nk
::: p
n
_
sau mai scurt B(n; p) :
_
k
p
k
_
(1.2)
unde p
k
= {
k
n
p
k
q
nk
; 0 k n; p; q > 0; q = 1 p:
5
Cursul 3
Familia sau multimea variabilelor aleatoare discrete repartizate binomial o
vom nota cu B(n; p) iar dac a vom scrie X B(n; p) vom ntelege c a X este
repartizat a binomial de parametrii n si p.
Faptul c a numerele p
k
denesc repartitia lui B(n; p) rezult a din:
p
k
> 0; 0 k n
n

k=0
p
k
=
n

k=0
{
k
n
p
k
q
nk
= (p +q)
n
= 1
Repartitia binomial a a fost studiat a pentru prima dat a de J. Bernoulli si este
des ntlnit a n studiul unor fenomene statistice.
Observatia 1.1.2 O variabila aleatoare binomiala de parametrii n si p; B(n; p) ,
poate considerata ca suma a n variabile aleatoare independente de tip Bernoulli,
de acela si parametru p.
Observatia 1.1.3 Reparti tia binomiala corespunde schemei bilei revenite pentru
urna cu doua culori: Dintr-o urna U care con tine a bile albe si b bile negre
se extrag n bile succesiv, cte una, cu revenirea bilei extrase n urna. Atunci
variabila aleatoare X care da numarul de bile albe ob tinute n cele n extrageri are
reparti tia binomiala B(n; p) (sau X B(n; p) ) unde p =
a
a +b
:
Exemplul 1.1.4 O moneda are doua fe te: capul (C) si pajura (P). Fie experimentul
aleator ce consta n aruncarea unei monezi de 30 de ori. Notam cu A evenimentul
ob tinerea capului n urma unei aruncari. Fie X numarul de da ti n care
evenimentul A se realizeaza pe parcursul celor 30 de aruncari. Vom calcula
probabilitatea ca variabila aleatoare X sa e egala cu 16, adica din 30 de aruncari
efectuate sa ob tinem de 16 ori capul.
Avem deci de-a face cu 30 de experimente independente unde = fC; Pg,
X() = f0; 1; 2; :::30g ; X este o variabila aleatoare discreta ce reprezinta numarul
de realizari ale lui A, probabilitatea apari tiei capului n ecare experiment este
egala cu
1
2
; adica X este repartizata binomial de parametrii 30 si
1
2
(sau X
B
_
30;
1
2
_
).
n aceste condi tii:
P(X = 16) = {
16
30
p
16
q
3016
=
30!
16!(30 16)!
_
1
2
_
16
_
1
2
_
14
=
145 422 675
1073 741 824
= 0; 135 44
6
Teoria probabilit atilor si statistic a matematic a
1.1.2 Repartitia Poisson
Mai este cunoscut a si ca legea evenimentelor rare. Am v azut la repartitia binomial a
c a pentru a determina probabilitatea ca n n experimente independente un eveniment
A s a apar a de n ori, utiliz am formula lui Bernoulli P
n
(k) = {
k
n
p
k
q
nk
: Se pune
ns a ntrebarea ce facem atunci cnd probabilitatea p este foarte mic a iar num arul
de experimente n este foarte mare. Adic a suntem spre exemplu n situatiile de
a determina num arul de apeluri primite de un abonat ntr-o perioad a de timp
dat a, num arul de turisti ce se prezint a la un birou de informatii ntr-un interval
de timp dat, etc.
n aceste situatii vom folosi formula asimptotic a a lui Poisson. Pentru aceasta
vom admite c a produsul np este constant, n p = : Deci p =

n
.
Aceast a ipotez a nsemn a de fapt c a valoarea medie a num arului de aparitii
ale evenimentului A n diferite serii de experimente r amne aceeasi.
Conform formulei lui Bernoulli din ecuatia (1.1) vom avea:
P
n
(k) = {
k
n
p
k
q
nk
=
n(n 1)(n 2)::: [n (k 1)]
k!
p
k
(1 p)
nk
=
n(n 1)(n 2)::: [n (k 1)]
k!
_

n
_
k
_
1

n
_
nk
Cum suntem n ipoteza c a n este foarte mare vom trece la limit a cnd n tinde la
innit n aceast a relatie si obtinem:
lim
n!1
P
n
(k) = lim
n!1
n(n 1)(n 2)::: [n (k 1)]
k!
_

n
_
k
_
1

n
_
nk
= lim
n!1
n(n 1)(n 2)::: [n (k 1)]
k!


k
n
k
_
1

n
_
nk
=

k
k!
lim
n!1
n(n 1)(n 2)::: [n (k 1)]
n
k
_
1

n
_
nk
=

k
k!
lim
n!1
n(n 1)(n 2)::: [n (k 1)]
n n ::: n
. .
k ori
_
1

n
_
nk
7
Cursul 3
=

k
k!
lim
n!1
n
n

(n 1)
n

(n 2)
n
:::
n (k 1)
n
_
1

n
_
nk
=

k
k!
lim
n!1
_
1
1
n
__
1
2
n
_
:::
_
1
k 1
n
__
1

n
_
nk
=

k
k!
lim
n!1
_
1
1
n
__
1
2
n
_
:::
_
1
k 1
n
_
lim
n!1
_
1

n
_
nk
=

k
k!
lim
n!1
_
1

n
_
nk
=

k
k!
lim
n!1
_
1

n
_
n
lim
n!1
_
1

n
_
k
=

k
k!
e

1
Not am lim
n!1
P
n
(k) = P(k; ): Am obtinut deci:
P(k; ) = lim
n!1
P
n
(k) =

k
k!
e

(1.3)
Aceast a formul a ne d a repartitia Poisson n care valorilor ntregi k = 0; 1; 2; :::m:::
le corespund probabilit atile P(k; ):
Denitia 1.1.5 Vom spune ca variabila aleatoare discreta X urmeaza o lege de
repartitie Poisson si vom nota acest lucru prin X P (), daca are forma:
X :
_
_
0 1 2 ::: k :::
e

2
2!
e

:::

k
k!
e

:::
_
_
sau mai scurt X :
_
k
p
k
_
(1.4)
unde p
k
=

k
k!
e

; k 2 N; > 0:
Exemplul 1.1.6 Numarul mediu de autovehicule ce trec n decurs de o ora
printr-o bariera de intrare pe o autostrada este de 200. Vom calcula probabilitatea
cu care n decurs de 10 minute trec 15 de autovehicule. Fie X
t
variabila aleatoare
discreta ce reprezinta numarul de autovehicule ce trec prin bariera ntr-un interval
de timp t. X
t
urmeaza o lege de reparti tie Poisson cu X() = N; P(X
t
= k) =
( t)
k
k!
e
t
unde reprezinta numarul mediu de autovehicule ce trec n unitatea
8
Teoria probabilit atilor si statistic a matematic a
de timp, adica = 200; unitatea de timp este 1 ora, t =
10
60
=
1
6
iar k = 15.
Avem deci:
P(X
t
= 15) =
_
200
1
6
_
15
15!
e
200
1
6
=
3906 250 000 000 000 000 000 000
73 295 694 893 421
e

100
3
= 0; 0001779 1
Deci probabilitatea cu care n decurs de 10 minute trec prin bariera 15 autovehicule
este de 0; 0001779 1:
1.2 Valoarea medie a unei variabile aleatoare discrete
Sunt situatii n care repartitia unei variabile aleatoare nu ne este util a n caracterizarea
acesteia (n unele cazuri se poate ntmpla chiar s a nu o cunoastem). n aceste
situatii folosim anumite valori numite valori tipice (media, dispersia, momente
centrate si necentrate, corelatia, etc.) pentru a caracteriza variabila aleatoare.
Una dintre cele mai importante valori tipice este media unei variabile aleatoare.
De exemplu, dac a se stie c a valoarea medie a num arului de credite obtinute
de un student este mai mare dect valoarea medie obtinut a de un altul, atunci
putem spune c a primul student nvat a mai bine dect cel de-al doilea.
S a consider am variabila aleatoare X cu repartitia:
X :
_
x
1
x
2
::: x
n
p
1
p
2
::: p
n
_
(1.5)
Denitia 1.2.1 Valoarea medie a unei variabile aleatoare discrete X, notata cu
M(X), este suma tuturor valorilor posibile x
i
ale lui X, ponderate cu probabilita tile
corespunzatoare p
i
adica:
M (X) =
n

i=1
x
i
p
i
(1.6)
Exemplul 1.2.2 Pentru variabila aleatoare X cu reparti tia:
X :
_
_
0 1 2 3
1
8
3
8
3
8
1
8
_
_
avem M (X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
:
9
Cursul 3
Exemplul 1.2.3 Sa presupunem ca efectuam un experiment. Notam cu X variabila
aleatoare ce reprezinta numarul apari tiei unui eveniment A ce are loc n urma
efectuarii experimentului. Sunt doua posibilita ti: evenimentul A se produce sau
nu. Deci mul timea valorilor lui X este f0; 1g : Daca p este probabilitatea ca A sa
se produca atunci probabilitatea ca A sa nu se produca este 1 p. Reparti tia lui
X va avea deci forma:
X :
_
1 0
p 1 p
_
Avem M (X) = 1 p + 0 (1 p) = p: Deci media numarului de apari tii ale unui
eveniment ce are loc n urma efectuarii unui experiment este egala cu probabilitatea
acelui eveniment.
Se pune ntrebarea reasc a dac a exist a vre-o leg atur a ntre media unei variabile
aleatoare discrete M (X) si media aritmetic a a valorilor observate ale lui X , pe
care o not am cu m, atunci cnd se efectueaz a k experimente independente. S a
presupunem c a n cele k experimente efectuate X a luat de k
1
ori valoarea x
1
,
de k
2
ori valoarea x
2
,...., de k
n
ori valoarea x
n
, asfel nct k
1
+k
2
+::: +k
n
= k:
Atunci suma tuturor valorilor luate de X este
x
1
k
1
+x
2
k
2
+::: +x
n
k
n
si deci media lor aritmetic a, m, este:
m =
x
1
k
1
+x
2
k
2
+::: +x
n
k
n
k
(1.7)
echivalent cu:
m = x
1
k
1
k
+x
2
k
2
k
+::: +x
n
k
n
k
(1.8)
Pe de alt a parte,
k
1
k
reprezint a frecventa relativ a a valorii x
1
;
k
2
k
frecventa relativ a
a valorii x
2
; :::;
k
n
k
frecventa relativ a a valorii x
n
: Dac a num arul experimentelor
k este mare, frecventa relativ a se apropie de probabilitate, adic a:
k
1
k
p
1
;
k
2
k
p
2
; :::;
k
n
k
p
n
(1.9)
nlocuind n relatia (1.8) vom avea:
m x
1
p
1
+x
2
p
2
+::: +x
n
p
n
(1.10)
adic a:
m M (X) (1.11)
10
Teoria probabilit atilor si statistic a matematic a
1.3 Propriet atile mediei
Propriet atile valorii medii sunt acelea ale integralelor.
Propozitia 1.3.1 Daca a este o constanta atunci:
1: M (a) = a
2: M (a X) = a M (X)
3: M (X +a) = M (X) +a
(1.12)
Demonstratie: 1. Constanta a poate cosiderat a ca o variabil a aleatoare
discret a X care ia o singur a valore a cu probabilitatea p = 1:
X :
_
a
1
_
(1.13)
si deci M (a) = M (X) = a 1 = a:
2. S a presupunem c a X are o repartitie de forma (1.5). Atunci
a X :
_
a x
1
a x
2
::: a x
n
p
1
p
2
::: p
n
_
(1.14)
iar M (a X) = ax
1
p
1
+ ax
2
p
2
+ ::: + ax
n
p
n
= a (x
1
p
1
+x
2
p
2
+::: +x
n
p
n
) =
a M (X) :
3. S a presupunem c a X are o repartitie de forma (1.5). Atunci
a +X :
_
a +x
1
a +x
2
::: a +x
n
p
1
p
2
::: p
n
_
(1.15)
iar M (a +X) = (a +x
1
) p
1
+(a +x
2
) p
2
+:::+(a +x
n
) p
n
= a (p
1
+p
2
+::: +p
n
)+
x
1
p
1
+x
2
p
2
+::: +x
n
p
n
= a +M (X) :
Propozitia 1.3.2 Valoarea medie a unei sume de doua variabile aleatoare X+Y
este egala cu suma valorilor lor medii:
M (X +Y ) = M (X) +M (Y ) (1.16)
Demonstratie: S a consider am dou a variabile aleatoare X si Y cu repartitiile:
X :
_
x
1
x
2
::: x
n
p
1
p
2
::: p
n
_
si Y :
_
y
1
y
2
::: y
m
q
1
q
2
::: q
m
_
(1.17)
11
Cursul 3
Prin suma variabilelor aleatoare (vezi cursul 2) X cu Y ntelegem variabila
aleatoare X +Y cu repartitia:
X +Y :
_
x
1
+y
1
x
1
+y
2
::: x
n
+y
m

11

12
:::
nm
_
(1.18)
unde prin
ij
ntelegem probabilitatea ca X s a ia valoarea x
i
iar Y s a ia valoarea
y
j
:
P(X = x
i
; Y = y
j
) =
ij
(1.19)
Vom avea deci
M (X +Y ) = (x
1
+y
1
)
11
+ (x
1
+y
2
)
12
+::: + (x
n
+y
m
)
nm
= x
1
(
11
+
12
+::: +
1m
) +x
2
(
21
+
22
+::: +
2m
) +:::+
+x
n
(
n1
+
n2
+::: +
nm
) +y
1
(
11
+
21
+::: +
n1
) +
+y
2
(
12
+
22
+::: +
n2
) +::: +y
m
(
1m
+
2m
+::: +
nm
)
= x
1
p
1
+x
2
p
2
+::: +x
n
p
n
+y
1
q
1
+y
2
q
2
+::: +y
m
q
m
= M (X) +M (Y ) :
Observatia 1.3.3 Propozi tia de mai naite se poate extinde la un numar oarecare
de variabile aleatoare. Pentru trei variabile aleatoare X, Y, Z vom avea:
M(X Y Z) = M [(X Y ) Z] = M (X Y ) M(Z) = M (X) M(Y ) M(Z)
Pentru mai mult de trei variabile aleatoare demonstra tia se face prin induc tie.
Teorema 1.3.4 Media unei variabile aleatoare binomiale de parametrii n si p;
B(n; p) este:
M(B(n; p)) = n p (1.20)
Demonstratie: Conform Observatiei (1.1.2) s a consider am c a B(n; p) =
X
1
+ X
2
+ ::: + X
n
; unde X
1
reprezint a num arul de aparitii al evenimentului A
n primul experiment, X
2
reprezint a num arul de aparitii al evenimentului A n
cel de-al doilea experiment,...,X
n
reprezint a num arul de aparitii al evenimentului
A n experimentul n. X
1
; X
2
; :::; X
n
sunt independente deoarece experimentele
considerate sunt independente.
Dar conform Exemplului (1.2.3):
M (X
1
) = M (X
2
) = ::: = M (X
n
) = p (1.21)
Deci conform Observatiei (1.3.3) M(B(n; p)) = M (X
1
+X
2
+::: +X
n
) = M (X
1
)+
M (X
2
) +::: +M (X
n
) = p +p +::: +p
. .
n ori
= np
12
Teoria probabilit atilor si statistic a matematic a
Propozitia 1.3.5 Daca X si Y sunt independente atunci:
M(X Y ) = M(X) M(Y ) (1.22)
Demonstratie: Vom folosi notatiile din demonstratia propozitiei precedente.
Stim c a:
X Y :
_
x
1
y
1
x
1
y
2
::: x
n
y
m

11

12
:::
nm
_
(1.23)
Deci
M(X Y ) = x
1
y
1

11
+x
1
y
2

12
+::: +x
n
y
m

nm
:
Dar X si Y sunt independente si atunci
ij
= p
i
q
j
pentru orice 1 i n si
1 j m: Prin urmare
M(X Y ) = x
1
y
1
p
1
q
1
+x
1
y
2
p
1
q
2
+::: +x
n
y
m
p
n
q
m
= y
1
q
1
(x
1
p
1
+x
2
p
2
+::: +x
n
p
n
) +y
2
q
2
(x
1
p
1
+x
2
p
2
+::: +x
n
p
n
) +:::
+y
m
q
m
(x
1
p
1
+x
2
p
2
+::: +x
n
p
n
)
= (x
1
p
1
+x
2
p
2
+::: +x
n
p
n
) (y
1
q
1
+y
2
q
2
+::: +y
m
q
m
)
= M(X) M(Y ):
13
Index
Legea de repartitie
binomial, 5
Poisson, 8
Repartitia
binomial (sau repartitia Bernoulli),
5
Poisson, 7
Valoare medie, 9
14