CAPITOLUL 11

TIPURI DE CONVERGEN!". LEGILE NUMERELOR

MARI. TEOREME LIMIT" CENTRAL"
11.1. Inegalitatea lui Ceb!ev
DEFINI!IE: Fie ) , , ( P K un cmp (borelian) de
probabilitate "i : X o variabil# aleatoare cu media
m X M = ) (
X M (
"i dispersia ) ( X D finite. Atunci pentru orice 0 > ,
are loc inegalitatea:
2
) (
) (

X D
m X P
($)
echivalent# cu inegalitatea :
2
) (
$ ) (

X D
m X P <
. ($)
Formula ($) [respectiv ($) ] poart# numele de Inegalitatea
lui Ceb!ev .
Demonstra"ie:
+ = =

<

m x m x
dx x f m x dx x f m x dx x f m x X D ) ( ) ( ) ( ) ( ) ( ) ( ) (
2 2 2
) ( ) ( ) ( ) (
2 2 2


=


m X P dx x f dx x f m x
m x m x
.
Deci
2 2
2
) (
$ ) (
) (
) ( ) ( ) (

X D
m x P
X D
m x P m x P X D <
Lund = k , unde N k "i ) ( X D = , rezult# c#
2 2 2
2
2
$ ) (
k k
X D
= =

"i deci inegalitatea lui Ceb"ev se poate scrie :

2
$
) (
k
k m X P
, unde N k , (2) sau:
2
$
$ ) (
k
k m X P <
(2)
OBSERVA!IE: Pentru $ = k , inegalitatea este banal#. De
aceea vom lua 2 , k N k .De exemplu:
Pentru 3 = k , avem
$ , 0
9
$
) 3 ( m X P
sau
9 , 0
9
8
9
$
$ ) 3 ( = < m X P
Pentru 4 = k , avem
06 , 0
$6
$
) 4 ( m X P
Observ#m deci c# abaterile mai mari dect 3 "i cu att
mai mult dect 4 au probabilit#%ile de producere foarte mici, deci
"ansele acestor evenimente de a se produce sunt extrem de reduse.
EXEMPLE:
$) Variabila aleatoare X , continu#, reprezint# lungimea unor
piese fabricate la o ma"in#. Se "tie c# 50 ) ( = = m X M cm "i
$ , 0 ) (
2
= = X D . Utiliznd inegalitatea lui Ceb"ev, s# se
determine probabilitatea ca lungimea X a pieselor s# fie cuprins#
ntre 49,5 cm "i 50,5 cm.
Solu"ie:
Deoarece 50 = m , condi%ia 5 , 50 5 , 49 < < X se poate scrie
5 , 0 50 5 , 0 < < X , sau 5 , 0 50 < X 5 , 0 = .
Aplic#m inegalitatea lui Ceb"ev :
6 , 0 4 , 0 $
25 , 0
$ , 0
$ ) 5 , 0 50 ( = = < X P
.
2) Aplicnd inegalitatea lui Ceb"ev, s# se g#seasc# limita
inferioar# a probabilit#%ii inegalit#%ii
2
5
$0
6
$
$0

<

, unde
reprezint# num#rul de apari%ii ale fe%ei 5 n
5
$0 arunc#ri ale zarului.
Solu"ie:
Variabila aleatoare are reparti%ie binomial#, cu media
np M = ) ( "i dispersia npq D = ) ( .
6
$
$0 ) (
5
= = np M
, unde
6
$
reprezint# probabilitatea de apari%ie a
fe%ei 5.
36
$0 5
6
5
6
$
$0 ) (
5
5

= = = npq D
Fie variabila aleatoare
6
$
$0
5
=

X
. Atunci :
0
6
$
6
$
6
$
$0
$
6
$0
6
$
$0
$
) ( ) (
5
5
5
= = =

= M M X M
=

\
|
+

\
|
= =
36
$
3 $0 $0
0
6
$
$0
] ) [( ) (
5 $0
2
2
5
2

M M m X M X D
= +

+
= +

=
36
$
6
$0
3 $0
$
36
) 5 $0 ( $0
$0
$
36
$
) (
3 $0
$
) (
$0
$
5
5
5 5
$0 5
2
$0
M M
36 $0
5
36
$
$8
$
36 $0
5
36
$
5 5

= +

+ =
.
Aplic#m inegalitatea lui Ceb"ev:
72
7$
360
355
360
5
$
36 $0
$0 5
$ $0 0
6
$
$0
5
4
2
5
= = =

<

P
11.2. Tipuri de convergen"#
Am v#zut c# unele reparti%ii (sau unele caracteristici ale
unor variabile aleatoare) pot fi aproximate, n condi%iile unui volum
mare de probe ) ( n , prin alte reparti%ii sau carecteristici.
EXEMPLU: Reparti%ia Student:

=
+

t
k
t
k
k
k
k t f
k
, $
2
2
$
) ; (
2
$
2

Se arat# c#
) $ , 0 ; ( ) ; ( lim t n k t f
k
=

. Practic, pentru 30 > k ,
) $ , 0 ; ( ) ; ( t n k t f .
Prin urmare este util s# cunoa"tem n ce condi%ii un "ir de
variabile aleatoare ) (
n
X tinde (converge) c#tre o variabil# aleatoare
X .
a) Convergen"a n probabilitate
DEFINI!IE: &irul de variabile aleatoare
N n n
X

) ( converge
n probabilitate c#tre variabila aleatoare X ) ( X X
P
n
, dac#
pentru orice 0 > , avem :
$ } { lim = <

X X P
n
n
.
b) Convergen"a n medie de ordinul r , ) (
*
N r
DEFINI!IE: &irul de variabile aleatoare
N n n
X

) ( converge
n medie de ordinul r c#tre variabila aleatoare X dac#:
0 ) ( lim =

r
n
n
X X M
.
OBSERVA!IE: Pentru 2 = r se ob%ine defini%ia
convergen%ei n medie p#tratic#, foarte utilizat# n statistica
metematic#.
c) Convergen"a n reparti"ie (sau n sens Bernoulli)
Fie
n
X variabila aleatoare cu func%ia de reparti%ie ) (x F
n
"i
X variabila aleatoare cu func%ia de reparti%ie ) (x F .
DEFINI!IE: &irul de variabile aleatoare
N n n
X

) ( converge
n reparti"ie c#tre variabila aleatoare X dac#:
) ( ) ( lim x F x F
n
n
=

n
toate punctele x unde func%ia de reparti%ie ) (x F este continu#.
11.3. Legi ale numerelor mari
Cu toate c# despre orice variabil# aleatoare nu se poate "ti
dinainte valoarea pe care aceasta o ia ntr-o anumit# experien%#,
totu"i, media aritmetic# a unui num#r sufucient de mare de
variabile aleatoare, n condi"ii destul de pu"in restrictive, !i
pierde caracterul ntmpl#tor.
Astfel de condi%ii se dau n teoremele cunoscute sub
denumirea comun# de legi legi ale numerelor mari .
11.3.1. Teorema lui Ceb!ev
Dac#
n
X X X , , ,
2 $
sunt variabile aleatoare independente
dou# cte dou#, "i au dispersiile mai mici dect o constant# c,
atunci, pentru orice 0 > avem:
$
) (
lim
$ $
=

<

= =

n
X M
n
X
P
n
k
k
n
k
k
n
($)
Demonstra"ie:
Fie variabila aleatoare

=
=
n
k
k
X
n
X
$
$
. Aceast# variabil# are
media

=
=
n
k
k
X M
n
X M
$
) (
$
) (
"i dispersia
n
c
n
nc
X D
n
X D
n
k
k
= =

=
2
$
2
) (
$
) (
.
Aplic#m inegalitatea lui Ceb"ev pentru variabila

=
=
n
k
k
X
n
X
$
$
, adic#
2
) (
$ ) (

X D
m X P <
.
De aici rezult# :
$
) (
) (
$
$ $
2

<

= =

n
X M
n
X
P
X D
n
k
k
n
k
k
.
nlocuind
n
c
X D = ) (
"i trecnd la limit# pentru n ,
rezult#:
$
) (
lim $
$ $

<

= =

n
X M
n
X
P
n
k
k
n
k
k
n
, "i teorema este
demonstrat#.
COROLAR: Dac# variabilele aleatoare
n
X X X , , ,
2 $
au
toate aceea"i medie m, deci m X M
k
= ) ( , n k ,..., 2 , $ = , atunci
rela%ia ($) devine:
=

<

=

$ lim
$

n
m n
n
X
P
n
k
k
n
$ lim
$
=

<

=

m
n
X
P
n
k
k
n
.
Rezult# deci c# media aritmetic# a unui num#r suficient de
mare de variabile aleatoare, cu dispersiile m#rginite, "i pierde
caracterul de variabil# aleatoare.
Aceste rezultate dau o justificare regulei mediei aritmetice,
care se aplic# n mod curent n m#sur#tori. Dac# trebuie m#surat# o
m#rime a, repetnd de n ori m#sur#torile, ob%inem n rezultate
n
x x x ,..., ,
2 $
, n general diferite. Drept valoare aproximativ# lu#m
media aritmetic# a rezultatelor:
) ... (
$
$ n
x x
n
a + + =
.
11.3.2. Teorema lui Bernoulli (legea numerelor mari a lui
Bernoulli)
Teorema lui Bernoulli stabile"te o leg#tur# ntre frecven%a
relativ# a unui eveniment "i probabilitatea sa.
S# consider#m o experien%# n care probabilitatea de apari%ie
a unui eveniment A este p . Se fac n experien%e. Dac# este
num#rul de apari%ii ale evenimentului A din cele n experien%e,
atunci, oricare ar fi 0 > , avem:
$ lim =

<

p
n
P
n
, unde
n

reprezint# frecven%a relativ#.

Demonstra"ie:
Consider#m variabila aleatoare
k
X , variabil# ce reprezint#
num#rul de apari%ii ale evenimentului A n experien%a de ordinul k ,
n k ,..., 2 , $ = .
Fiecare variabil# aleatoare
k
X are reparti%ia

k k
k
q p
X
0 $
:
,
unde $ = +
k k
q p . Aceast# variabil# are media
k k
p X M = ) ( "i
dispersia = = ) ( ) ( ) (
2 2
k k k
X M X M X D
k k k k k k
q p p p p p = = ) $ (
2
.
Fie
n
X X X X + + + =
2 $
. Aplic#m teorema lui Ceb"ev
variabilei aleatoare X :
$ lim ) (
$
lim
2 $
=

< =

< + + +

p
n
P p X X X
n
P
n
n
n

.
OBSERVA!II:
$) Teorema lui Bernoulli explic# stabilitatea frecven%ei relative de
apari%ie a unui eveniment A,
n
f
n

=
, pentru un num#r mare de
experien%e.
2) Uneori, aceast# teorem# celebr# se enun%# astfel: frecven"a
relativ# de apari"ie a unui eveniment converge n probabilitate
c#tre probabilitatea evenimentului considerat.
3) D#m urm#toarea defini%ie:
Variabila aleatoare ) (n X , depinznd de num#rul natural n se spune
c# estimeaz# absolut corect num#rul a dac#:
a) a n X M = )] ( [
b)
0 )] ( [ lim =

n X D
n
S# ar#t#m c# aceste condi%ii sunt ndeplinite pentru
variabilele aleatoare
n
n X

= ) (
"i p a = .
p p n
n
X
n
M
n
M
n
k
k
= =

=
$ $
$

0 lim
$ $
2
$
=

= =

n
D
n
pq
q p n
n
X
n
D
n
D
n
n
k
k

Prin urmare probabilitatea p este estimat# absolut corect de
frecven%a relativ#
n
f
n

=
ceea ce face ca n caclulul probabilit#%ii "i
statistic# s# se foloseasc# valoarea aproximativ#
n
p

.
11.3.3. Teorema lui Poisson
Teorema lui Poisson este o generalizare a teoremei lui
Bernoulli n sensul c# evenimentul A are n prima prob#
probabilitatea de realizare
$
p , n a doua probabilitatea
2
p , , n a
n-a prob# probabilitatea
n
p .
TEOREM': Fie num#rul de apari%ii ale unui eveniment
A n n experien%e independente "i
k
p probabilit#%i de apari%ie a
evenimentului A n experien%a de ordinul k , n k ,..., 2 , $ = . Atunci,
oricare ar fi 0 > , avem
$
$
lim
$
=

<
=

n
k
k
n
p
n n
P
.
Demonstra"ie: Variabila aleatoare X reprezint# rezultatul
probei de ordinul k ( n k ,..., 2 , $ = ) "i are reparti%ia

k k
k
q p
X
0 $
:
,
$ = +
k k
q p , n k ,..., 2 , $ = .
k
X ia valoarea $ dac# evenimentul A a
ap#rut "i 0 dac# evenimetul A nu a ap#rut. Deci

=
=
n
k
k
X
$

. De
asemenea :
k k
p X M = ) ( ;
k k
p X M = ) (
2
.
= = + = + = =
2 2 2 2 2 2
2 ] ) ( 2 [ ] ) [( ) (
k k k k k k k k k k k k
p p p p p p X M p X M p X M X D
k k k k
q p p p = = ) $ (
Aplic#m inegalitatea lui Ceb"ev variabilei aleatoare
n
X
n
n
k
k

=$
$
.
2 2
$
$ $
$
$ $

n
q p
p
n
X
n
P
n
k
k k
n
k
k
n
k
k

=
= =

<
. Dar
0 lim
2 2
$
=

=

n
q p
n
k
k k
n
.
Atunci ob%inem:
$
$ $
lim
$ $
=

<

= =

n
k
k
n
k
k
n
p
n
X
n
P
"i deoarece

=
=
n
k
k
X
n n
$
$
, atunci
rezult# c# :
$
$
lim
$
=

<

=

n
k
k
n
p
n n
P
.
OBSERVA!IE: Dac#
p np
n
p
n
p p p p
n
k
k k
= = = = = =

=
$ $
...
$
2 $
,
adic# teorema lui Bernoulli
11.3.4. Teorema limit# central#
D#m f#r# demonstra%ie urm#torul rezultat, esen%ial n
statistica matematic#:
Dac# :
$) Variabila aleatoare
k
X , n k ,..., 2 , $ = , sunt independente;
2) Variabilele
k
X nu iau valori prea mari una n compara%ie
cu celelalte;
3) Num#rul n al veriabilelor este sufucient de mare,
Atunci: variabila aleatoare

=
=
n
k
k
X X
$
are ca reparti%ie
asimptotic# reparti%ia normal#, oricare ar fi reparti%iile variabilelor
aleatoare
k
X ( n k ,..., 2 , $ = ).
Prin urmare, teorema limit# central# d# posibilitatea
folosirii reparti%iei normale drept lege practic# de aproximare.