1 Legi de probabilitate clasice

Legi de probabilitate clasice

1 Repartit ii discrete
1. Repartit ia (legea) Bernoulli si repartit ia binomiala
Efectuam un experiment care are numai doua rezultate posibile: succes sau esec
(prezent a sau absent a unei anumite caracteristici). Introducem o variabila discreta
care ia numai doua valori: 1 (succes sau prezent a caracteristicii) si 0 (esec).
P(X = 1) = p si P(X = 0) = 1 p
Exemplu. Sa presupunem ca 2,3% dintr-o populat ie sufera de o boala genetica.
Alegem la ntamplare un individ; denim variabila X - prezent a sau absent a bolii.
Atunci repartit ia lui X este:
(
1 0
0, 023 1 0, 023
)

In realitate nu cunoastem probabilitatea p - parametru care trebuie estimat: Ce

proport ie din populat ie are boala respectiva?
Repetam experimentul A de n ori (probabilitatea ca A sa se produca la o efectuare
a experient ei este P(A) = p) si ne intereseaza de cate ori se realizeaza A. Numarul
X al realizarilor lui A cand efectuam de n ori experient a are distribut ia binomiala
cu parametrii n si p (Schema lui Bernoulli).
O variabila aleatoare X are repartit ie binomiala de parametri n si p daca repartit ia
sa are forma:
X
(
k
C
k
n
p
k
q
nk
)
, k {0, 1, . . . , n}, p > 0, q > 0, p +q = 1, n N.
Pentru aceasta variabila, legea de probabilitate este data de
f(k) = P(X = k) = C
k
n
p
k
q
nk
.
Se verica usor faptul ca f este o densitate de repartit ie.
(i) f(k) 0, k {0, 1, . . . , n};
(ii)
n

k=0
f(k) =
n

k=0
C
k
n
p
k
q
nk
= (p +q)
n
= 1.
Daca variabila aleatoare X are o distribut ie binomiala cu parametrii n si p atunci
M(X) = np si D
2
(X) = npq (q = 1 p).
Exemplu. Stim ca 2,3% din populat ie are boala. Alegem la ntamplare 10 indivizi
si observam daca au sau nu boala. Numarul indivizilor dintre cei 10 care ar putea
avea boala = X; variabila binomiala; p = 0, 023, n = 10.
P(X = x) = C
x
10
(0.023)
x
(1 0.023)
10x
x = 0, 1, . . . 10.
2 Legi de probabilitate clasice
Pentru x = 2: P(X = 2) = C
2
10
(0.023)
2
(1 0.023)
8
.
2. Repartit ia Poisson
Sa consideram un experiment n care ne intereseaza numarul de realizari ale unui
eveniment ntr-un interval continuu de timp sau spat iu. De asemenea, aparit ia eveni-
mentului ntr-un anumit subinterval nu depinde de aparit ia lui ntr-un alt subinterval
(independente); aprit ia evenimentului depinde numai de lungimea subintervalului.
Parametrul specica numarul de aparit ii X ale evenimentului ntr-un anumit in-
terval.
O variabila aleatoare X are o repartit ie Poisson de parametru (X Poisson())
daca repartit ia sa are forma
X

k
k!
e

, k N, > 0.
Legea de probabilitate Poisson este data de
f(k) = P(X = k) =

k
k!
e

.
Funct ia f este o densitate de repartit ie deoarece satisface condit iile:
(i) f(k) 0, k N;
(ii)

k=0
f(k) =

k=0

k
k!
e

= e

k=0

k
k!
= e

= 1.
O variabila aleatoare X cu repartit ia Poisson de parametru > 0 are M(X) =
si dispersia D
2
(X) = .
Exemple Variabila X = numarul de ncrucisari (crossovers) care apar ntr-un
proces de meioza (ntre doua pozit ii (loci ) A si B pe acelasi cromozom; ntr-un
interval al spat iului); parametru necunoscut, trebuie estimat.
Intr-un sistem de asteptare, variabila X reprezinta numarul sosirilor n unitatea
de timp (xata). Daca > 0 este rata sosirilor n unitatea de timp atunci X urmeaza
repartit ia Poisson de parametru .
Altele: numarul accidentelor, aparit ia unor anomalii, numarul coloniilor bacte-
riene etc.
3. Repartit ia geometrica
Probabilitatea de aparit ie a unui eveniment la o realizare a experient ei este p. Ne
intereseaza numarul de repetari ale experimentului pana la realizarea evenimentului
respectiv.
O variabila aleatoare X are repartit ie geometrica de parametru p, daca repartit ia
sa are forma:
3 Legi de probabilitate clasice
X
(
n
p(1 p)
n1
)
, n = 1, 2 . . . .
Exemplu Analiza unei secvent e de ADN; studiul unei secvent e particulare de
nucleotide. De exemplu, pentru T nucleotida ntr-o gena, vrem sa obt inem un model
referitor la numarul de nucleotide care urmeaza pana la urmatorul T.
. . . AAGTGGGAGGCCATCCA. . .
Rezultatul depinde de pozit ia lui T, de gena respectiva etc.
Sa luam p = 0, 25. X Geometric(0.25);
P(X = n) = 0.25(0.75)
n1
, n = 1, 2, . . . .
Probabilitatea ca urmatorul T sa apara n pozit ia urmatoare (doi T la rand) este
P(X = 1) = 0.25(0.75)
0
= 0.25.
Probabilitatea ca urmatorul T sa apara n pozit ia a doua este P(X = 2) =
0.25(0.75)
1
= 0.1875 etc.
4. Repartit ia uniforma discreta O variabila aleatoare discreta X are repartit ie
uniforma daca repartit ia sa are forma:
X

1 2 . . . k . . . n
1
n
1
n
. . .
1
n
. . .
1
n

.
Pentru variabila X, M(X) =
n

k=1
k
1
n
=
1
n
n

k=1
k =
1
n
n(n + 1)
2
=
n + 1
2
.
In acelasi mod se calculeaza media variabilei X
2
si se obt ine M(X
2
) =
(n + 1)(2n + 1)
6
.
Valoarea dispersiei este D
2
(X) =
n
2
1
12
.
4 Legi de probabilitate clasice
2 Repartit ii continue
1. Repartit ia uniforma
O variabila aleatoare are repartit ia uniforma pe [a, b] daca densitatea sa de repartit ie
este f : R R,
f(x) =

1
b a
, x [a, b]
0, x / [a, b]
Funct ia de repartit ie este F(x) =

0, x a
x a
b a
, x (a, b]
1, x > b
Se verica usor ca o variabila X cu repartit ie uniforma pe [a, b] are media M(X) =
a +b
2
si dispersia D
2
(X) =
(b a)
2
12
.
2. Repartit ia normala
Legea normala, cunoscuta si ca legea Gauss-Laplace joaca un rol important n
teoria probabilitat ilor si statistica matematica. O variabila aleatoare X urmeaza
legea de repartit ie normala X N(m,
2
) daca are densitatea de repartit ie de forma:
f(x; m, ) =
1

2
e

(xm)
2
2
2
Parametrii m si ai repartit iei normale au o semnicat ie aparte. Daca se cal-
culeaza media si dispersia unei variabile X N(m,
2
) se obt ine:
M(X) = m, D
2
(X) =
2
.
In practica, multe fenomene, procese sau caracteristici e se supun modelului normal,
e difera foarte put in de acesta. Pe de alta parte, din punct de vedere teoretic, se
stie ca n anumite condit ii relativ generale, legea normala poate considerata ca
aproximand alte modele.
1) Funct ia de repartit ie a variabilei X N(m,
2
) este:
F
X
(x) = P(X < x) =

2
e

(t m)
2
2
2
dt.
Variabila Z =
X m

se numeste variabila normala standard si se poate arata ca

are media M(Z) = 0, iar dispersia D
2
(Z) = 1. De asemenea, densitatea de repartit ie
a variabilei Z este
f
Z
(x) =
1

2
e
x
2
/2
.
Gracul funct iei f
Z
este reprezentat n gura de mai jos.
Funct ia de repartit ie F
Z
: R R,
5 Legi de probabilitate clasice
F
Z
(x) = P(Z < x) =

2
e

t
2
2
dt =
1

t
2
2
dt+
1

x
0
e

t
2
2
dt =
1
2
+(x), x R
unde
: R R, (x) =
1

x
0
e

t
2
2
dt este funct ia lui Laplace. Valorile funct iei lui
Laplace sunt tabelate.
2) Daca X N(m,
2
) si a, b R atunci
P(a < X < b) = F(b)F(a) =
1
2
+
(
b m

1
2

(
a m

)
=
(
b m

(
a m

)
.

In particular,
P(|X m| < k) = P(mk < X < m+k) = (k) (k) = 2(k).
Pentru k = 3 avem P(|X m| < 3) = 2(3) = 0, 9974, deci aproape toate valorile
variabilei X se aa ntre m3 si m+ 3.
3) O proprietate importanta, folosita n statistica matematica este urmatoarea:
Daca X
1
, X
2
, . . . , X
n
sunt n variabile aleatoare repartizate normal X
i
N(m
i
,
2
i
),
atunci variabila aleatoare Z =
n

i=1
X
i
este repartizata normal Z N(

m
i
,

2
i
).
4) Cuantilele repartit iei normale sunt simetrice.
Reamintim denit ia cuantilelor pentru o variabila aleatoare oarecare. Fie
(0, 1] si X o variabila aleatoare continua cu densitatea de repartit ie f si funct ia de
repartit ie F. Numim -cuantila pentru repartit ia F, solut ia reala x

a ecuat iei
F(x

) = .
6 Legi de probabilitate clasice
T inand cont de denit ia funct iei de repartit ie, egalitatea se mai scrie echivalent
P(X x

) =
sau

f(x)dx = .
Aceste cuantile (calculate pentru anumite repartit ii clasice) joaca un rol important
n determinarea unui interval de ncredere garantat cu precizia (0, 1] (data) care
sa estimeze media, respectiv dispersia teoretica a unei colectivitat i statistice.
3. Repartit ia Gamma
O variabila aleatoare X are o repartit ie Gamma cu parametrii > 0 si > 0
(X Gamma(, )) daca
f(x) =
1
()

1

x
1
e

,
pentru x > 0 si f(x) = 0 pentru x 0, unde
() =

0
x
1
e
x
dx.
Proprietat i
1. () = ( 1)( 1), pentru > 1
2. () = ( 1)!, pentru N
3.
(
1
2
)
=

.
O variabila X Gamma(, ) are M(X) = si D
2
(X) =
2
.
Pentru valori mari ale parametrilor, repartit ia Gamma se apropie de forma repartit iei
normale.
4. Repartit ia exponent iala
Un caz particular al repartit iei Gamma; = 1, =
1

. Mai precis, X Exponential()

daca are densitatea de repartit ie data de:
f(x) = e
x
, x > 0; > 0.
M(X) =
1

, D
2
(X) =
1

2
.
Calcul simplu: = 2; f(x) = 2e
2x
, x > 0;
P(X > 1) =

1
2e
2x
dx = 2e
2
= 0.1353.
7 Legi de probabilitate clasice
Figura 1: Repartit ia Gamma pentru diferite valori ale parametrilor
Figura 2: P(2.41 X 4.12)
5. Repartit ia Beta
O variabila aleatoare X are o repartit ie Beta cu parametrii > 0 si > 0
(X Beta(, )) daca
8 Legi de probabilitate clasice
Figura 3: = 7; = 2.6; M(X) = 18.2
Figura 4: Repartit ia exponent iala pentru diferite valori ale lui .
f(x) =
( +
()()
x
1
(1 x)
1
, 0 x 1.
M(X) =

+
, D
2
(X) =

( +)
2
( + + 1)
.
9 Legi de probabilitate clasice
Figura 5: Repartit ia Beta pentru diferite valori ale parametrilor
6. Repartit ia Student t
Aceasta lege a fost introdusa de matematicianul si statisticianul englez William
S. Gosset.
O variabila aleatoare X are o repartit ie Student cu grade de libertate (X t

),
daca densitatea sa de repartit ie este:
f

(x) =

(
+ 1
2
)

2
)
(
1 +
x
2

+ 1
2
x R, N

.
Se observa ca n acest caz densitatea de repartit ie este o funct ie para, adica:
f

(x) = f

(x).
Se arata ca: M(X) = 0, D
2
(X) =

2
.
Pe masura ce creste, forma gracului repartit iei t se apropie de cea a gracului
repartit iei normale.
Funct ia de repartit ie F a lui X verica identitatea:
F
X
(x) = 1 F
X
(x),
10 Legi de probabilitate clasice
Figura 6: Repartit ia Student si repartit ia normala standard
de unde rezulta urmatoarea relat ie ntre cuantilele t
;
ale variabilei Student:
t
;
= t
;1
.
Rezulta de aici ca:
t
;
1+
2
= t
;
1
2
si
P(|X| t
;
1+
2
) = .
Aceste cuantile se utilizeaza pentru determinarea unui interval de ncredere garan-
tat cu precizia (0, 1) data, pentru estimarea mediei teoretice a unei colectivitat i
statistice normale, folosind select ii aleatoare de volum n mic (n 30).
7. Repartit ia
2
O variabila aleatoare X are o repartit ie
2
cu grade de libertate (X
2

), daca
densitatea sa de repartit ie este:
f(x) =
1
(

2
)

1
2

2
x

2
1
e

x
2
; x > 0.
Este un caz particular al repartit iei Gamma: =

2
, = 2.
M(X) = ; D
2
(X) = 2.
Denumirea de grad de libertate este justicata de urmatoarea proprietate:
Daca X
1
, X
2
, . . . , X
r
sunt variabile aleatoare independente de tip N(0, 1) atunci
X = X
2
1
+X
2
2
+ +X
2
r
este o variabila aleatoare de tip
2
r
. (Numarul indica numarul variabilelor aleatoare
de clasa N(0, 1) care prin ridicare la patrat si sumare genereaza o variabila de clasa

.)
11 Legi de probabilitate clasice
Figura 7: Repartit ia
2
pentru diferite valori ale lui
Repartit ia
2
este stabila n sensul ca daca X
1

2

1
, X
2

2

2
atunci X
1
+X
2

1
+
2
.
Pentru (0, 1) xat, cuantilele h
n;
1
2
ale repartit iei
2
satisfac relat ia
P(h
n;
1
2
X h
n;
1+
2
) = ,
sunt asimetrice si se deduc din tabele.
Aceste cuantile se folosesc n statistica matematica pentru determinarea unui
interval de ncredere garantat cu precizia data, care estimeaza dispersia teoretica

2
a unei colectivitat i statistice normale pe baza select iilor aleatoare (indiferent de
volum).
8. Repartit ia Fisher-Snedecor (F)
O variabila aleatoare cu densitatea de repartit ie
f
X
(x;
1
,
2
) =
((
1
+
2
) /2)
(
1
/2)(
2
/2)
(
1
/
2
)

1
/2
x

1
/21
(
1 +

1

2
x
)

1
+
2
2
, x > 0
se numeste de tip F. Clasa acestor repartit ii o vom nota cu F(
1
,
2
).
Cateva dintre proprietat ile funct iei de repartit ie:
1) F
X
(x;
1
,
2
) = 1 F
X
(
1
x
;
2
,
1
). (Ordinea parametrilor conteaza.)
2) Daca X
1
F(
1
,
2
) si X
2
F(
2
,
1
) atunci X
1
=
1
X
2
.
3) Daca X
1

2
(x;
1
) si X
2

2
(x;
2
) sunt doua variabile independente, atunci
variabila Y =

2
X
1

1
X
2
F(
1
,
2
).
5) Pentru (0, 1) xat, se denesc cuantilele repartit iei F(
2
,
1
) ca ind
numerele reale f

1
;
2
;
1
2
ce verica relat ia:
12 Legi de probabilitate clasice
Figura 8: Repartit ia F pentru diferite valori ale parametrilor
P(X f

1
;
2
;
1
2
) =
1
2
.
Se observa ca f

1
;
2
;
= f

2
;
1
;
. Se arata ca
f

1
;
2
;
1
2
=
1
f

1
;
2
;
1+
2
.
Aceste cuantile se folosesc n analiza dispersionala cu un factor pentru vericarea
ipotezelor compuse de egalitate a doua sau mai multe medii, respectiv a doua sau mai
multe dispersii, corespunzatoare la subcolectivitat i statistice ale aceleiasi colectivitat i
statistice generale.