Introducere ı̂n teoria probabilităţilor

Jaba Elisabeta

Universitatea ”Al.I. Cuza” , Iaşi, Romania

iunie 2011

Jaba E. (UAIC) Probabilităţi iunie 2011 1 / 28

 Cuprins

1 Cuprins

2 Considerente introductive

3 Repartiţii (Distribuţii)

Jaba E. (UAIC) Probabilităţi iunie 2011 2 / 28

 Considerente introductive

Probabilităţi

Probabilităţile au apărut şi s-au dezvoltat iniţial ı̂n contextul jocurilor de noroc.
Actualmente sunt utilizate ı̂n diferite sectoare de activitate pentru estimări
(cantitate, venituri,stocuri), previziuni şi controlul calităţii.
Obiectele centrale sunt evenimentele şi probabilităţile de apariţie ale
evenimentelor, sintetizate ı̂n variabile aleatoare.
Definiţii
Se numeşte câmp de probabilitate o mulţime finită Ω, mulţimea tuturor
submuţimilor posibile ale acesteia F şi o funcţie, numită probabilitate, notată cu
P : F → [0, 1], cu proprietatea P(Ω) = 1
Evenimentul A se defineşte ca fiind o submulţime (finită) a lui Ω. Presupunem că
aceasta submulţime are m elemente, ı̂n timp ce Ω are n elemente (m ≤ n).
Probabilitatea evenimentului A este:
m
P(A) =
n
.

Jaba E. (UAIC) Probabilităţi iunie 2011 3 / 28

 Considerente introductive

Notaţii şi noţiuni utile

Repartiţii discrete
Caracterizate complet de tabloul
de repartiţie, unde xi
desemnează valorile posibile, ı̂n
timp ce pi reprezintă
probabilitatea apariţiei valorii xi :
 
x1 x2 ... xk
p1 p2 ... pk
Pk
unde pi ≥ 0, ∀i, i=1 pi = 1.

Jaba E. (UAIC) Probabilităţi iunie 2011 5 / 28

 Considerente introductive

Notaţii şi noţiuni utile

Repartiţii discrete Repartiţii continue

Caracterizate complet de tabloul Caracterizate complet de funcţia
de repartiţie, unde xi de densitate f : R → R,:
desemnează valorile posibile, ı̂n
f pozitivă , echivalent cu
timp ce pi reprezintă
pi ≥ 0, ∀i din cazul discret
probabilitatea apariţiei valorii xi : R
  f (x)dx = 1, echivalent
R P
x1 x2 ... xk k
cu i=1 pi = 1 din cazul
p1 p2 ... pk
discret
Pk
unde pi ≥ 0, ∀i, i=1 pi = 1.
R
A
f (x)dx = P(A)-
probabilitatea
evenimentului A, echivalent
cu pi din cazul discret.

Jaba E. (UAIC) Probabilităţi iunie 2011 5 / 28

 Considerente introductive

Caracteristici numerice ale variabilelor aleatoare

Fie X o variabilă aleatoare care ı̂nregistrează datele unui anumit experiment. Acest experiemnt poate produce o mulţime de
rezultate (Ω), fiecare din aceste rezultate fiind un eveniment Ai , cu probabilitatea sa, P(Ai ). Dorim să calculăm diverşi
indicatori numerici pentru a analiza datele.

Repartiţii discrete

Media (Speranţa matematică):

n
X
E(X ) = p i xi = m
i=1

Dispersia (Varianţa)

n
2 2
X
D (X ) = (xi − m) pi
i=1

Moment centrat de ordin r:

n
r r
X
E(X − m) = (xi − m) pi = µr
i=1

Jaba E. (UAIC) Probabilităţi iunie 2011 6 / 28

 Considerente introductive

Caracteristici numerice ale variabilelor aleatoare

Fie X o variabilă aleatoare care ı̂nregistrează datele unui anumit experiment. Acest experiemnt poate produce o mulţime de
rezultate (Ω), fiecare din aceste rezultate fiind un eveniment Ai , cu probabilitatea sa, P(Ai ). Dorim să calculăm diverşi
indicatori numerici pentru a analiza datele.

Repartiţii discrete Repartiţii continue

Media (Speranţa matematică): Media:

Z
n
X E(X ) = xf (x)dx = m
E(X ) = p i xi = m R
i=1

Dispersia
Dispersia (Varianţa)
Z
2 2 2
n D (X ) = E[(X −m) ] = (x−m) f (x)dx
2 2 R
X
D (X ) = (xi − m) pi
i=1
Moment centrat de ordin r:

Moment centrat de ordin r: Z

r r
E(X − m) = (x − m) f (x)dx
n R
r r
X
E(X − m) = (xi − m) pi = µr
i=1

Jaba E. (UAIC) Probabilităţi iunie 2011 6 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia uniformă

Scriem că X ∼ U(n), dacă valorile lui X sunt 1, 2, ..., n cu probabilităţile

1
P(X = k) = , k = 1, 2, ..., n.
n
Media şi dispersia sunt:

n+1 2 n2 − 1
E(X ) = , D (X ) =
2 2
Exemplu: numărul de puncte care apar la aruncarea unui zar corect, numărul de
steme care apar la aruncarea unei monezi corecte.

Jaba E. (UAIC) Probabilităţi iunie 2011 7 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia uniformă

Jaba E. (UAIC) Probabilităţi iunie 2011 8 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia Bernoulli

Scriem X ∼ B(1, p).

Variabila aleatoare de tip Bernoulli poate lua doar două valori, X = 1 (succes) sau
X = 0 (insucces), cu probabilităţile P (X = 1) = p; P (X = 0) = 1 - p. Tabloul
de repartiţie este:  
1 0
p 1−p
Media şi dispersia sunt: E(X ) = 1 · p + 0 · (1 − p) = p; D 2 (X ) = p(1 − p)
Exemplu: aruncarea o singură dată a unei monede ideale poate fi modelat ca fiind
o v.a. B(1, 0.5).

Jaba E. (UAIC) Probabilităţi iunie 2011 9 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia Bernoulli

Jaba E. (UAIC) Figura: Distribuţie

Probabilităţi Bernoulli iunie 2011 10 / 28
 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia binomială

Scriem X ∼ B(n, p) (schema bilei revenite sau schema extragerilor cu repetiţie)

(n > 0, p ∈ (0, 1)), dacă valorile lui X sunt {0, 1, ..., n}, cu probabilităţile:

P(X = k) = Ckn p k (1 − p)n−k , k = 0, 1, ..., n.

Tabloul de repartiţie este:

 
0 ... k ... n
C0n (1 − p)n ... Ckn p k (1 − p)n−k ... Cnn p n

Modelează extragerile succesive din aceeaşi colectivitate, ı̂n cazul ı̂n care, după examinarea
probei şi notarea rezultatului aceasta este repusă ı̂n colectivitate.
Are ca rezultat probabilitatea ca din n ı̂ncercări independente să se obţină exact k succese,ştiind
că, la o singură ı̂ncercare, probabilitatea unui succes este p.
Notă: Uneori, pentru comoditate, se introduce notaţia: (1 − p) = q, ı̂nsă funcţia depinde
exclusiv de n şi p.

Jaba E. (UAIC) Probabilităţi iunie 2011 11 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia binomială

Jaba E. (UAIC) Probabilităţi iunie 2011 12 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia binomială

Caracteristici numerice
Media şi dispersia sunt: E(X ) = np; D 2 (X ) = np(1 − p).
n!
Am notat: Ckn = k!(n−k)! , n! = 1 · 2 · ... · n. Momentele centrate de ordin 3 şi 4:

µ3 = npq(q − p); µ4 = 3n2 p 2 q 2 + npq(1 − 6pq)

Coeficienţii de asimetrie şi exces:

µ23 q − p →0
γ1 = 3
=√ n→∞
[D(X )] npq
µ23 1 − 6pq →0
γ2 = 4
= n→∞
[D(X )] npq

Jaba E. (UAIC) Probabilităţi iunie 2011 13 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia binomială -EXEMPLU

Exemple
Se consideră: N-un lot de produse;d-produse defecte; N-d-produse
corespunzătoare. Se extrag n produse din lotul N (n < N), se controlează apoi se
reintroduc ı̂n lot. Pentru fiecare nr. k ∈ {0, 1, ..., n}, probabilitatea ca exact k să
fie defecte este de b(k, n, p) = Cnk p k (1 − p)n−k , unde p = dn

Probleme practice
1. O mostră de aer are 10% şanse să conţină particule nocive. Dacă se analizează
18 mostre care este proabilitatea ca exact k (k=0,1,...,18) să conţină particule
nocive?
2.Dintre toţi pacienţii suferind de o anumită boală, 35% au raportat ameliorări
după un anumit tratament. Pentru următorii 100 de pacienţi, fie X nr. pacienţilor
amelioraţi. Să se determine distribuţia lui X.

Jaba E. (UAIC) Probabilităţi iunie 2011 14 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia hipergeometrică

Se mai numeşte şi schema bilei nerevenite.

Experimentul constă ı̂n extragerea a n obiecte fără a le repune ı̂napoi, dintr-un lot
de N obiecte care are componenţa : a-obiecte defecte, b-obiecte corespunzătoare,
(a, b > 0). Probabilitatea de a obţine exact k obiecte defecte este dată de:

Cak Cbn−k
P(X = k) = n , ∀k, max(0, n − b) ≤ k ≤ min(a, n).
Ca+b
Media şi dispersia sunt:
a+b−n n
E(X ) = np D 2 (X ) = np(1 − p) ≈ np(1 − p)(1 − )
a+b−1 N

Jaba E. (UAIC) Probabilităţi iunie 2011 15 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia Poisson

Valorile sale reprezintă numărul evenimentelor rare(cu intensitatea λ) realizate

ı̂ntr-un anumit interval de timp, considerând că acestea au loc independent, cu o
rată constantă. Pentru un λ > 0, spunem că X ∼ P(λ) (legea evenimentelor
rare) dacă X ia valori naturale,cu probabilităţile:

λk
P(X = k) = e −λ ∀k ∈ N.
k!
Tabloul de repartiţie este:
 
0 ... k ...
−λ λk
e −λ ... e k! ...

Media şi dispersia sunt:

E(X ) = λ; D 2 (X ) = λ.

Jaba E. (UAIC) Probabilităţi iunie 2011 16 / 28

 Repartiţii (Distribuţii)

Repartiţii discrete-Repartiţia Poisson

Figura: Distribuţie Poisson

Considerăm că o anumită mostră poate să sufere o contaminare. Nr de particule

nocive per cm2 este 0.1. Aria de studiu este de 100cm2 , iar repartiţia particulelor
urmează o lege Poisson. Determinaţi probabilitatea ca exact 12 particule să apară
ı̂n aria studiată.
Jaba E. (UAIC) Probabilităţi iunie 2011 17 / 28
 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia Normală

Spunem că X ∼ N(µ, σ), dacă X are densitatea:

1 (x−µ)2
f (x, µ, σ) = √ e − 2σ2
σ 2π
Media şi dispersia sunt:
E (X ) = µ şi D 2 (X ) = σ 2 , ı̂n timp ce asimetria şi boltirea sunt nule. Se mai
numeşte şi repartiţia gaussiană.
Repartiţia normală standard
În cazul µ = 0, σ 2 = 1 densitatea de repartiţie devine:
1 x2
f (x) = √ e − 2
2π

În acest caz spunem că X urmează repartiţia normală standard, N (0, 1).
Dacă X ∼ N(µ, σ), atunci Z = X −µ
σ ∼ N(0, 1) şi poartă numele de standardizare.

Jaba E. (UAIC) Probabilităţi iunie 2011 18 / 28

 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia normală

Figura: Distribuţii normale de medie 0

Jaba E. (UAIC) Probabilităţi iunie 2011 19 / 28
 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia normală standard

Figura: Interpretarea distribuţiei normale standard

Jaba E. (UAIC) Probabilităţi iunie 2011 20 / 28

 Repartiţii (Distribuţii)

Intervale de ı̂ncredere
Fie α ∈ (0, 1), foarte apropiat de 0 (de exemplu, α = 0.01, 0.02, 0.05etc). Numim
interval de ı̂ncredere pentru riscul α cu probabilitatea de ı̂ncredere 1 − α, un
interval aleator (Li , Ls ), astfel ı̂ncât
P(Li < x < Ls ) = 1 − α,
Valoarea α se numeşte nivel de semnificaţie sau probabilitate de risc şi măsoară
riscul ca intervalul identificat să nu conţină valoarea căutată.

Figura: Interval de ı̂ncredere cu riscul α = 0.1

Jaba E. (UAIC) Probabilităţi iunie 2011 21 / 28

 Repartiţii (Distribuţii)

Intervale de ı̂ncredere-Estimarea mediei

Avem un lot de obiecte a căror caracteristică studiată ştim că urmează o

distribuţie normală, de varianţă cunoscută. Fie µ-media caracteristicii studiate, pe
care dorim să o estimăm, iar prin µ b notăm media de selecţie (calculată prin
observaţii).
Folosind standardizarea obţinem:

b−µ
µ
P(−z α2 ≤ √ ≤ z α2 ) = 1 − α
σ/ n
Folosind datele,la nivelul unui eşantion (b
µ = x), intervalul de ı̂ncredere este:
σ σ
x − z α2 √ ≤ µ ≤ x + z α2 √
n n

cu o ı̂ncredere de 1 − α.

Jaba E. (UAIC) Probabilităţi iunie 2011 22 / 28

 Repartiţii (Distribuţii)

Legături ı̂ntre distribuţii

Binomială ⇔ Normală Poisson ⇔ Normală

X ∼ B(n, p) ⇒ Z = X ∼ P(λ) ⇒ Z = X√−λ λ
∼
√X −np ∼ N(0, 1) dacă N(0, 1) dacă λ > 5
np(1−p)
np > 5 n(1 − p) > 5

Jaba E. (UAIC) Probabilităţi iunie 2011 23 / 28

 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia exponenţială

Valorile sale sunt timpi realizaţi ı̂ntre două evenimente repartizate Poisson P(λ),
presupunând că acesteau au loc cu o rată constantă. Spunem că
X ∼ exp(λ)(λ > 0) dacă are densitatea de repartiţie:

λe −λx x > 0

f (x; λ) =
0 x ≤0
1 1
Media şi dispersia sunt E(X ) = λ şi D 2 = λ2 .

Jaba E. (UAIC) Probabilităţi iunie 2011 24 / 28

 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia exponenţială

Figura: Distribuţie exponenţială

Jaba E. (UAIC) Probabilităţi iunie 2011 25 / 28

 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia Gamma

Spunem că X ∼ Γ(a, λ), a, λ > 0 dacă are densitatea de repartiţie:

λa a−1 −λx

f (x; a, λ) = Γ(a) x e x >0
0 x ≤0
Z ∞
Γ : (0∞) → (0, ∞), Γ(a) = x a−1 e −x dx
0

Media şi dispersia sunt E(X ) = λa şi D 2 = λa2 . Se foloseşte pentru variabile
mărginite (inferior) şi reprezintă distribuţia timpului necesar pentru ca exact a
evenimente independente să aibă loc, considerând că acestea se petrec cu o rată
constantă.
Γ(1, λ) = exp(λ)

Jaba E. (UAIC) Probabilităţi iunie 2011 26 / 28

 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia Gamma

Figura: Repartiţii Gamma

Jaba E. (UAIC) Probabilităţi iunie 2011 27 / 28

 Repartiţii (Distribuţii)

Repartiţii continue-Repartiţia χ2

Spunem că X ∼ χ2 (n) dacă are densitatea de repartiţie:

n
−1 − x2
( 1
n x 2 e x >0
n
f (x; n) = Γ( 2 )2 2

0 x ≤0

unde Γ este funţia lui Euler, anterior definită.

De fapt, χ2 (n) ∼ Γ( n2 , 12 ). Media şi dispersia 2
Pnsunt 2E(X )2= n şi D = 2n.
Dacă Xk ∼ N(0, 1), k = 1, 2, ..., n, atunci k=1 Xk ∼ χ (n).
Este folosită la contruirea unui interval de ı̂ncredere pentru varianţa unei legi
normale.

Jaba E. (UAIC) Probabilităţi iunie 2011 28 / 28