Sunteți pe pagina 1din 118

Cuprins

1 SEMINARUL 1 3
1.1 C amp nit de probabilitate . . . . . . . . . . . . . . . . . . . . . 3
1.2 Formule de calcul ntr-un c amp de probabilitate . . . . . . . . . . 5
1.3 Scheme clasice de probabilitate . . . . . . . . . . . . . . . . . . . 7
1.4 C amp innit de evenimente. . . . . . . . . . . . . . . . . . . . . 9
1.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 SEMINARUL 2 17
2.1 Variabile aleatoare discrete . . . . . . . . . . . . . . . . . . . . . 17
2.2 Momente ale variabilelor discrete . . . . . . . . . . . . . . . . . . 21
2.3 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 SEMINARIILE 3 SI 4 31
3.1 Variabile aleatoare continue . . . . . . . . . . . . . . . . . . . . . 31
3.2 Momente ale variabilelor continue . . . . . . . . . . . . . . . . . 33
3.3 Fiabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 SEMINARUL 5 49
4.1 Variabile aleatoare bidimensionale . . . . . . . . . . . . . . . . . 49
4.2 Densit at i condit ionate . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Transform ari de variabile aleatoare . . . . . . . . . . . . . . . . . 55
4.4 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5 SEMINARUL 6 63
5.1 Lant uri Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2 Procese Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3 Procese stochastice stat ionare . . . . . . . . . . . . . . . . . . . . 69
5.4 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . 74
1
2 CUPRINS
6 SEMINARUL 7 81
6.1 Variabile de select ie . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.2 Teoria estimat iei . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.3 Teste de concordant a . . . . . . . . . . . . . . . . . . . . . . . . 94
6.4 Metoda celor mai mici p atrate . . . . . . . . . . . . . . . . . . . 97
6.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . 98
7 Anexe 105
7.1 Repartit ii uzuale . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.2 Funct iile lui Euler . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Capitolul 1
SEMINARUL 1
1.1 C amp nit de probabilitate
Fie E = {e
1
, , e
n
} o mult ime nit a ale c arei elemente le numim cazuri posi-
bile (sau evenimente elementare) si P(E) mult imea submult imilor ei ( E).
Exemplul 1.1.1 1. La aruncarea unui zar omogen pe o suprafat a plan a se obt in
cazurile posibile
E = {e
1
, e
2
, , e
6
}
unde prin evenimentul elementar e
i
, i = 1, , 6 nt elegem c a la o aruncare se
obt ine fat a cu num arul i.
2. La aruncarea a dou a zaruri simultan sunt 36 de cazuri posibile, iar mult imea
lor este
E = {(e
i
, e
j
), i, j = 1, , 6}
3. Dac a trebuie s a transmitem 3 semnale diferite pe un canal, iar transmisia
se poate face ntr-o ordine aleatoare, atunci avem 6! moduri, iar mult imea E este
mult imea tuturor tripletelor ordonate (permut ari), care se pot forma cu elementele
mult imii {1, 2, 3} . 4. Dac a trebuie s a transmitem 3 semnale diferite pe 3 canale
de transmisie n mod aleator, atunci avem 3
3
cazuri posibile.
Dac a A E, A = {e
1
, , e
k
}, numim elementele ei cazuri favorabile.
Exemplul 1.1.2 1. La aruncarea unui zar un eveniment poate A obt inerea
unui num ar par, deci are 3 cazuri favorabile
3
4 CAPITOLUL 1. SEMINARUL 1
A = {e
2
, e
4
, e
6
}
2. La aruncarea a dou a zaruri evenimentul A obt inerea unei duble are 6
cazuri favorabile
A = { (e
1
, e
1
), (e
2
, e
2
), (e
3
, e
3
), (e
4
, e
4
), (e
5
, e
5
), (e
6
, e
6
) }
Numim probabilitate n sens clasic funct ia P : P(E) [0, 1] denit a prin
P(A) =
nr.cazurilor favorabile
nr.cazuri posibile
=
k
n
(1.1)
Se observ a c a aceast a not iune satisface urm atoarele propriet at i:
P(A) [0, 1], A P(E) (1.2)
P(E) = 1 (1.3)
P(A B) = P(A) + P(B) A, B P(E), A B = (1.4)
Tripletul (E, P(E), P) se numeste c amp nit de probabilitate.
Reguli de num arare
Principiul multiplic arii. Presupunem c a dou a evenimente A si B, se pot realiza
n m respectiv k moduri, independent unul de cel alalt. Num arul de moduri n care
se poate realiza A si B este mk.
Permut ari. Num arul tuturor aplicat iilor bijective (permut ari) de la o mult ime de
n elemente la ea ns asi este n! = 1 2 n.
Aranjamente. Num arul submult imilor ordonate cu k elemente ale unei mult imi
cu n elemente, 0 k n, se numeste aranjamente de n luate c ate k si este
A
k
n
= n(n 1) . . . (n k + 1).
Combin ari. Num arul submult imilor cu k elemente ale unei mult imi cu n ele-
mente, 0 k n, se numeste combin ari de n luate c ate k si este C
k
n
=
A
k
n
k!
.
1.2. FORMULE DE CALCUL

INTR-UN C

AMP DE PROBABILITATE 5
1.2 Formule de calcul ntr-un c amp de probabilitate
Probabilitatea evenimentului contrar. Evenimentul a c arui realizare const a n
nerealizarea evenimentului A se numeste non A, se noteaz a cu

A si are proba-
bilitatea:
P(

A) = 1 P(A) (1.5)
Probabilitatea unei diferente
P(A \ B) = P(A) P(A B) (1.6)
Consecint a. Dac a A B rezult a P(A) P(B). Aceasta deoarece dac a A B,
avem A = A B si P(B) P(A) = P(B \ A) 0.
Probabilitatea unei reuniuni
P(
n
_
i=1
A
i
) =
n

i=1
P(A
i
)

1i<j=n
P(A
i
A
j
) +

1i<j<kn
P(A
i
A
j
A
k
)+
+. . . + (1)
n1
P(
n

i=1
A
i
) (1.7)
Inegalitatea lui Boole
P
_
n

i=1
A
i
_

k=1
P(A
i
) (n 1) (1.8)
Inegalitatea lui Boole este util a deoarece d a o margine inferioar a a probabilit at ii
unei intersect ii.
Conditionare si independent a
Dac a A E, satisface P(A) = 0, atunci probabilitatea de realizare a evenimen-
tului B n ipoteza c a evenimentul A s-a realizat, se numeste probabilitatea lui B,
conditionat a de A si este denit a prin:
P(B|A) = P
A
(B) =
P(A B)
P(A)
. (1.9)
Evenimentele A si B se numesc independente dac a are loc P(A B) = P(A)
P(B).
6 CAPITOLUL 1. SEMINARUL 1
Exemplul 1.2.1 O urn a contine 6 bile albe si patru bile negre. Extragem o bila si
constat am c a este alb a. Mai extragem o bil a; cu ce probabilitate a doua este tot
alb a. Vom considera situat iile:
a. prima bila este repus a
b. prima bila nu este repus a.
Consider am evenimentele A prima bil a este alb a si B a doua bil a este alb a.
Dac a suntem n situat ia a., atunci A condit ioneaz a pe B si prin urmare
P
A
(B) =
5
9
Dac a suntem n cazul b., faptul ca s-a produs A nu inuent eaz a pe B. Atunci
P(B) =
6
10
.
Punctul b. ne conduce la ideea de independent a a dou a evenimente.
Probabilitatea unei intersectii
P
_
n

i=1
A
i
_
=
= P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
) P(A
n
|A
1
A
n1
) (1.10)
Evenimentele A
i
, i = 1, , n cu propriet at ile
1. P(A
i
) > 0, i = 1, , n
2. A
i
A
j
= , i = j
3. E =
n
_
i=1
A
i
formeaz a un sistem complet de evenimente.
Exemplul 1.2.2 1. Dac a E = {e
1
, , e
n
} este nit a, mult imea evenimentelor
elementare e
i
formeaz a un sistem complet de evenimente.
2. Dac a A este un eveniment, atunci A si A formeaz a un sistem complet de
evenimente.
Dac a A
i
, i = 1, , n este un sistem complet de evenimente au loc urm atoarele
dou a formule.
1.3. SCHEME CLASICE DE PROBABILITATE 7
Formula probabilit atii totale
P(B) =
n

i=1
P(A
i
)P(B|A
i
) (1.11)
Formula lui Bayes
P(A
i
|B) =
P(B|A
i
)P(A
i
)
n

j=1
P(A
j
)P(B|A
j
)
, i = 1, , n (1.12)
1.3 Scheme clasice de probabilitate
Schema lui Poisson Urnele U
i
, i = 1, n cont in bile albe si negre n proport ii
cunoscute; e p
i
, respectiv q
i
probabilit at ile de a extrage o bil a alb a respectiv
neagr a din urna U
i
; extragem c ate o bil a din ecare urn a; probabilitatea de a obt ine
k bile albe este coecientul lui x
k
din polinomul
n

i=1
(p
i
x +q
i
) (1.13)
Exemplul 1.3.1 Trei semnale sunt receptionate corect cu probabilit at ile 0, 8; 0, 7
si 0, 9. S a determin am cu ce probabilitate dou a semnale sunt recept ionate corect.
Ne a amn cazul schemei Poisson, iar probabilit at ile de a extrage bile albe sunt
cele din enunt . Atunci probabilitatea c autat a este coecientul lui x
2
din polinomul
(0, 8 x + 0, 2)(0, 7 x + 0, 3)(0, 9 x + 0, 1)
Rezult a p = 0, 398.
Schema lui Bernoulli (a bilei revenite) Dintr-o urn a cu a bile albe si b bile negre,
extragem cu repunere n bile; probabilitatea ca s a avem k bile albe, 0 k n
este
p
n;k
= C
k
n
p
k
q
nk
, p =
a
a +b
, q =
b
a +b
(1.14)
Exemplul 1.3.2 Se arunc a dou a zaruri de 10 ori. Care este probabilitatea ca de
4 ori s a apar a suma 7?
8 CAPITOLUL 1. SEMINARUL 1
La o efectuare a experient ei evenimentul aparit ia sumei 7 are probabilitatea 1/6
(6 cazuri favorabile din 36 posibile). Deci
p =
1
6
, q =
5
6
, n = 10, k = 4
iar probabilitatea cerut a este C
4
10
(
1
6
)
4
(
5
6
)
6
.
Generalizare Intr-o urn a cu bile de s N culori, extragem cu repunere n bile;
probabilitatea de a extrage k
i
bile de culoare i, i = 1, , s este
p
n;k
1
, ,k
s
=
n!
k
1
! k
s
!
p
k
1
1
p
k
s
s
, k
1
+ +k
s
= n, p
1
+ +p
s
= 1 (1.15)
unde p
i
este probabilitatea de a extrage o bil a de culoare i
Exemplul 1.3.3 Se arunc a un zar de 10 ori. Care este probabilitatea ca exact de
2 ori s a apar a fat a cu un punct si exact de 3 ori s a apar a fat a cu dou a puncte?
Avem:
n = 5, n
1
= 2, n
2
= 3, n
3
= 5, p
1
=
1
6
, p
2
=
1
6
, p
3
=
2
3
,
iar probabilitatea cerut a este:
10!
2! 3! 5!
(
1
6
)
2
(
1
6
)
3
(
2
3
)
5
.
Schema geometric a (a bilei nentoarse) Dintr-o urn a cu a bile albe si b bile
negre, extragem f ar a repunere n bile n a +b ; probabilitatea ca s a avem k bile
albe k a este
p
k,nk
a,b
=
C
k
a
C
nk
b
C
n
a+b
(1.16)
Generalizare Intr-o urn a sunt a
i
bile de culoarea i, i = 1 s, s N; extragem
n f ar a repunere; probabilitatea de e extrage k
i
, k
1
+ +k
s
= n bile de culoarea
i este
p
k
1
,k
s
a
1
, ,a
s
=
C
k
1
a
1
C
k
s
a
s
C
k
1
++k
s
n
(1.17)
Exemplul 1.3.4

Intr-un lot de 100 de articole se a a 80 corespunz atoare, 15 cu
defect iuni remediabile si 5 rebuturi. Alegem 6 articole. Cu ce probabilitate 3 sunt
bune, 2 cu defect iuni remediabile si 1este rebut ?
1.4. C

AMP INFINIT DE EVENIMENTE. 9


Vom presupune pentru nceput c a extragerile se fac cu repunere. Atunci ne a am
n cazul schemei Bernoulli generalizat a si aplic am (1.15).
p
6;3,2,1
=
6!
3!2!1!
_
80
100
_
3
_
15
100
_
2
_
5
100
_
1
Dac a extragerile se fac f ar a repunere atunci folosim (1.17) si obt inem
p
3,2,1
80,15,5
=
C
3
80
C
2
15
C
1
5
C
6
100
.
1.4 C amp innit de evenimente.
Probabilit ati geometrice
Presupunem c a un punct aleator se a a ntr-un domeniu posibil E R
n
, iar
probabilitatea ca acesta s a se ae ntr-un anumit domeniu, depinde de m arimea
(m asura) acestui domeniu; m arimea este o lungime (n = 1), o arie (n = 2), sau
un volum (n = 3). Probabilitatea ca punctul aleator s a se ae ntr-un domeniu
favorabil D E este
P(D) =
(D)
(E)
(1.18)
1.5 Probleme propuse
1. 1. C ate parole cu c ate 5 litere se pot forma pentru un computer, dac a literele
nu se pot repeta ? Dar dac a se pot repeta ? (Folosim 26 de litere).
2. C ate coduri de trei cifre se pot forma cu cifrele 0, 1, . . . 9?
3.

In c ate moduri 10 student i pot ocupa 10 b anci? Dar 12 b anci?
2. Dintr-o urn a cu 3 bile albe si 2 bile negre extragem 2 bile astfel:
1. simultan
2. c ate una f ar a repunere
3. cu repunere
Indicat i toate cazurile posibile.
3. C ate numere de telefon cu 7 cifre sunt posibile, dac a primele dou a cifre nu
pot 0 sau 1 ?
10 CAPITOLUL 1. SEMINARUL 1
4. a.

In c ate moduri putem monta 5 becuri de culori diferite n serie ?
b. Din 5 rezistent e numerotate, alegem la nt amplare 2; n c ate moduri e
posibil ?
5.

In c ate moduri 3 semnale diferite se pot transmite aleator pe un canal de
transmisie ? Dar pe 3 canale diferite ?
6. 3 rezistori sunt montat i ntr-un circuit si consider am A
i
evenimentul c a
rezistorul i funct ioneaz a. Exprimat i faptul ca funct ioneaz a:
1. numai primul
2. numai unul
3. cel put in unul
4. cel mult unul
5. toate
6. nici unul
7. C ate cazuri posibile se obt in la aruncarea simultan a a dou a zaruri ? Dar a 3
monede ?
8. 12 semnale de intensit at i diferite se transmit aleator pe 12 canale. Cu ce
probabilitate pe ecare canal s-a transmis c ate un semnal ?
9. 12 semnale de intensit at i diferite se transmit aleator pe 8 canale. Cu ce
probabilitate pe primul canal s-au transmis 3 semnale oarecare ?
10. Un calculator este format din n componente ce se pot defecta independent
cu probabilitat ile 1 p
i
cu i = 1, . . . n ntr-un anumit interval de timp. Cu
ce probabilitate calculatorul nu mai funct ioneaz a, stiind c a defectarea unei
componente atrage acest lucru ?
11. O urn a cont ine n bile numerotate cu 1, 2, . . . n. Se extrage o bil a. Con-
sider am evenimentele:
A : bila extras a are num ar p atrat perfect si
B : bila extras a are num ar care m arit cu 1 este multiplu de 3.
Cele dou a evenimente sunt compatibile? Calculat i P(A B).
12. O urn a cont ine n bile numerotate cu 1, 2, . . . n. Not am M{a} evenimentul
ca la o extragere s a obt inem o bil a numerotat a cu un multiplu de a. S a se
calculeze probabilitatea acestui eveniment. Dac a n este multiplu de a, s a se
calculeze probabilitatea obt inerii unui num ar care nu se divide la a.
1.5. PROBLEME PROPUSE 11
13. (Problema concordantelor) Un student are de r aspuns la nntreb ari, c arora
trebuie s a le asocieze r aspunsul corect dintre n r aspunsuri indicate. Pre-
supun and c a studentul asociaz a la nt amplare r aspunsurile, stabilit i proba-
bilitatea ca acesta s a r aspund a corect la:
a) prima ntrebare;
b) primele dou a ntreb ari;
c) cel put in o ntrebare.
14. 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
ca n gura (1.1)). Calculat i probabilit atea ca ntre punctele A si B s a nu
circule curentul.
Figura 1.1:
15. Rezistorii R
i
sunt legat i ca n schema din gura (1.2) si se pot arde indepen-
dent unul de altul cu aceeasi probabilitate p (0, 1). Cu ce probabilitate
prin circuit circul a curentul ?
Figura 1.2:
12 CAPITOLUL 1. SEMINARUL 1
16.

In dou a urne se g asesc bile diferit colorate, astfel:
U
1
: 5 albe, 11 negre, 8 rosii
U
2
: 10 albe, 8 negre, 6 rosii.
Din ecare urn a se extrage la nt amplare c ate o bil a. Care este probabilitatea
ca ambele bile s a e de aceeasi culoare?
17.

Intr-un canal de comunicat ii se transmite 0 sau 1 cu probabilit at ile
1
3
si
respectiv
2
3
. Recept ionerul face erori de decizie cu probabilitatea p = 0, 1.
S a determin am probabilitatea de a recept iona 1. Dac a semnalul recept ionat
este 1, cu ce probabilitate a fost transmis 0?
18. O urn a cont ine 3 bile albe si 4 bile negre. Din aceast a urn a se extrage o bil a.

In locul ei se introduce o bil a de cealalt a culoare si se face o nou a extragere.


a) Care este probabilitatea ca a doua bil a extras a s a e neagr a, stiind c a
prima a fost alb a?
b) Care este probabilitatea ca a doua bil a extras a s a e neagr a?
c) Care este probabilitatea s a obt inem bile de culori diferite?
Figura 1.3:
19.

Intr-un canal de comunicat ie se introduc 0 sau 1 cu probabilitatea 1 p
respectiv p.
Recept ionerul face erori de decizie cu probabilitatea . Fie evenimentele A
i
intrarea a fost i si B
j
iesirea a fost j. Calculat i P(A
i
B
j
) i = 0, 1, j =
0, 1. Determinat i probabilitatea de a recept iona 1 (gura (1.3)) .
20. 10 aparate de acelasi tip sunt supuse unei probe de vericare; se stie
3 provin de la fabrica A si trec probele n 90 % din cazuri
1.5. PROBLEME PROPUSE 13
2 provin de la fabrica B si trec probele n 75 % din cazuri
5 provin de la fabrica C si trec probele n 85 % din cazuri
Se alege la nt amplare un aparat. Cu ce probabilitate trece probele ? Aparatul
ales trece probele. Cu ce probabilitate provine de la A sau B?
21.

Intr-un lot de 100 de becuri 5 sunt rebuturi; la controlul de calitate alegem
la nt amplare un bec, pe care din greseal a l spargem. Alegemnc a unul. Cu
ce probabilitate becul este bun ?
22. Se dau sase urne cu urm atoarele structuri:
1. U
1
si U
2
cont in c ate 4 bile albe si 2 negre,
2. U
3
, U
4
si U
5
cont in c ate 3 bile albe si 5 negre,
3. U
6
cont ine 6 bile albe si 4 negre.
Se extrage la nt amplare o bil a dintr-o urn a. Cu ce probabilitate bila extras a
este neagr a. S tiind c a s-a extras o bil a alb a, cu ce probabilitate aceasta
provine dintr-o urn a cu structura 2?
23. Un lot de 50 de cipuri (circuite integrate) cont ine 3 defecte. Alegem la
nt amplare 10, simultan si le veric am. Cu ce probabilitate 2 sunt defecte ?
24. a. Un semnal este transmis pe trei canale diferite, iar probabilit at ile de re-
cept ionare corect a sunt 0,9; 0,8 si 0,7. Cu ce probabilitate unul dintre ele se
recept ioneaz a corect ?
b. Dar dac a semnalul este trimis pe un canal ales la nt amplare si pre-
supunem c a orice canal poate ales cu aceeasi probabilitate ?
25. O urn a cont ine 2 bile albe si 3 bile negre. Alegem la nt amplare 2 bile, f ar a
repunere. Cu ce probabilitate sunt negre? Dar dac a repunem bila ?
26. Se testeaz a cinci dispozitive ce funct ioneaz a n condit ii identice, indepen-
dent si cu randamentul 0,9. Se cere probabilitatea ca exact dou a s a funct io-
neze.
27. Se consider a trei urne : U
1
cu 5 bile albe si 5 negre, U
2
cu 4 albe si 6 negre,
iar U
3
cu 4 bile albe si 5 negre. Din ecare urn a se extrag cu repunere c ate
5 bile. Care este probabilitatea ca din dou a urne s a obt inem c ate 2 bile albe
si 3 negre iar din cea de-a treia urn a s a obt inem o alt a combinat ie?
28. Se consider a urnele din problema precedent a. Din ecare urn a se extrage
c ate o bil a. Dac a se repet a experient a de 5 ori, care este probabilitatea ca de
trei ori s a obt inem o bil a alb a si 2 bile negre?
14 CAPITOLUL 1. SEMINARUL 1
29. O persoan a cump ar a dou a cutii de chibrituri cu c ate n bet e ecare. Apoi, de
ecare dat a c and are nevoie, scoate la nt amplare una sau alta dintre cutii.
a) Care este probabilitatea ca n momentul n care constat a c a una din cutii
este goal a, cealalt a cutie s a mai cont in a k bet e? (Problema lui Banach)
b) Utiliz and rezultatul obt inut s a se arate c a:
C
n
2n
+ 2C
n
2n1
+ 2
2
C
n
2n2
+. . . + 2
n
C
n
n
= 2
2n
.
30.

Intr-un lot de 100 de articole exist a 90 bune, 6 cu defect iuni remediabile si
4 rebuturi. Alegem 3 cu repunere. Cu ce probabilitate se obt ine cel mult
un articol bun si cel mult unul remediabil ? Dar dac a extragerile se fac f ar a
repunere ?
31. Trei mesaje sunt transmise pe un canal de comunicat e.

In funct ie de exacti-
tatea transmisiunii avem evenimentele:
A
1
mesajul este transmis ntr-o form a corect a
A
2
mesajul este part ial eronat
A
3
mesajul este complet eronat.
Probabilit at ile evenimentelor A
1
, A
2
, A
3
sunt p
1
, p
2
si p
3
, (p
1
+ p
2
+ p
3
=
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 evenimente-
lor), s a se g aseasc a probabilit at le urm atoarelor evenimente:
A toate mesajele sunt transmise corect
B cel put in un mesaj s a e complet eronat
C cel put in dou a mesaje sunt part ial sau complet eronate .
32. Un mesaj important este transmis simultan pe n canale de comunicat ie si
repetat pe ecare canal de k ori pentru a usura 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 evenimentu-
lui A mesajul este transmis sub form a corect a m acar o dat a
33. Un mesaj este format din n cifre 0 si 1 . 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 con-
siderat 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.
1.5. PROBLEME PROPUSE 15
34. 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.
35. Un asamblor de calculatoare foloseste circuite din trei surse: A
1
, i = 1, 2.3.
Ele pot defecte cu probabilit at ile de respectiv 0,001, 0,005 si 0,01. Dac a
se ia un circuit la ntmplare si se constat a c a este defect, care este probabi-
litatea ca el s a provin a de la sursa A
1
sau A
2
.
36. Un sistem de comunicat ii transmite informat ie binar a, care introduce erori
aleatoare cu p = 10
3
. Emit atorul transmite ecare bit de 3 ori, iar de-
codorul decide asupra bitului transmis n funct ie de num arul majoritar al
bit ilor recept ionat i. Recept ionerul ia o decizie gresit a, dac a se introduc 2
sau mai multe erori. Cu ce probabilitate se ia o decizie gresit a ?
37. 6 mesaje sunt trimise printr-un canal de comunicat ie; ecare poate distor-
sionat independent de celelalte cu probabilitatea 0,2. G asit i probabilitatea
evenimentelor D exact 2 mesaje sunt perturbate, C cel mult 2 mesaje
sunt perturbate.
38. Un sistem este format din n unit at i; ecare se poate aa n una din urm a-
toarele st ari:
s
1
unitatea funct ioneaz a
s
2
unitatea trebuie reglat a
s
3
unitatea trebuie reparat a
s
4
unitatea nu poate funct iona,
cu probabilit at ile p
i
si
n

i=1
p
i
= 1. St arile s
i
sunt independente. G asit i
probabilitatea evenimentelor:
A toate unit at ile sunt n stare de funct iune
B toate unit at ile trebuie reparate
C o unitate aleas a la nt amplare trebuie reparat a si celelalte reglate
D cel put in o unitate nu funct ioneaz a
E 2 unit at i trebuie reglate, una reparat a si celelalte funct ioneaz a.
39. Un sistem const a din 5 unit at i; ecare se poate defecta cu probabilitatea
p = 0, 4, independent de celelalte. Dac a una sau dou a unit at i s-au defectat,
sistemul funct ioneaz a cu ecient a redus a; dac a cel put in trei unit at i s-au de-
fectat, sistemul nu poate funct iona. Calculat i probabilitatea evenimentelor:
16 CAPITOLUL 1. SEMINARUL 1
A nici o unitate nu se defecteaz a
B sistemul nu funct ioneaz a
C sistemul funct ioneaz a cu ecient a redus a
D exact o unitate se defecteaz a
E exact dou a unit at i se defecteaz a.
40. Pe cadranul unui osciloscop, care este un p atrat cu latura a > 0 apare aleator
un semnal luminos. Cu ce probabilitate acesta apare la o distant a d <
a
2
?
41. Oband a magnetic a are lungimea de 200 msi cont ine dou a mesaje nregistrate
pe dou a piste; pe prima pist a se a a un mesaj de 30 m, iar pe a doua de 50
m, a c aror pozit ie nu se cunoaste precis. Din cauza unei defect iuni trebuie
ndep artat i 10 m de band a, dup a primii 80 m. G asit i probabilit at ile eveni-
mentelor:
A nici o nregistrare nu este afectat a
B prima nregistrare este afectat a si a doua nu
C a doua nregistrare este afectat a si prima nu
D ambele sunt afectate.
42. Dou a semnale de lungime <
1
2
sunt transmise n intervalul de timp (0, 1);
ecare poate s a nceap a n orice moment al intervalului (0, 1 ). Dac a
semnalele se suprapun, chiar si part ial se distorsioneaz a si nu pot recep-
tate. G asit i probabilitatea ca semnalele s a e recept ionate f ar a distorsion ari.
C a doua nregistrare este afectat a si prima nu
D ambele sunt afectate.
Capitolul 2
SEMINARUL 2
2.1 Variabile aleatoare discrete
I
Dac a E este nit a sau cel mult num arabil a, P(E) mult imea tuturor submult i-
milor lui E si P o probabilitate, o funct ie
X : E {x
1
, x
2
, . . . x
n
, . . .}, x
1
, , x
n
, R
se numeste variabil a aleatoare discret a. Tabelul
X :
_
x
i
p
i
_
, i = 1, 2, . . . (2.1)
unde
p
i
= P{X = x
i
} = P{ e E | X(e) = x
i
}, i = 1, 2, . . . (2.2)
se numeste repartitia variabilei X. Are loc

i=1
p
i
= 1 (2.3)
Date variabilele X :
_
x
i
p
i
_
, i = 1, 2, . . . si Y :
_
y
j
q
i
_
, j = 1, 2, . . ., denim
p
ij
= P{X = x
i
, Y = y
j
}, i = 1, 2, . . . , j = 1, 2, . . . (2.4)
Urm atoarele formule sunt adev arate.
17
18 CAPITOLUL 2. SEMINARUL 2
p
i
=

jN
p
ij
q
j
=

iN
p
ij

iN,jN
p
ij
= 1
(2.5)
Variabilele se numesc independente, dac a
p
ij
= p
i
q
j
, i = 1, 2, . . . , j = 1, 2, . . . (2.6)
Suma variabilelor are repartit ia
X +Y :
_
x
i
+y
j
p
ij
_
, i = 1, 2, . . . , j = 1, 2, . . . (2.7)
Suma X +, R are repartit ia
X + :
_
x
i
+
p
i
_
, i = 1, 2, . . . (2.8)
Produsul variabilelor XY are repartit ia
_
x
i
y
j
p
ij
_
, i = 1, 2, . . . , j = 1, 2, . . . (2.9)
Produsul X are repartit ia
X :
_
x
i
p
i
_
, i = 1, 2, . . . (2.10)
Puterea X
2
are repartit ia
X
2
:
_
x
2
i
p
i
_
, i = 1, 2, . . . (2.11)
2.1. VARIABILE ALEATOARE DISCRETE 19
Exemplul 2.1.1 Se dau variabilele independente:
X :
_
0 1 2
0, 2 0.4 0, 4
_
, Y :
_
1 2
0, 6 0, 4
_
Determinat i repartit iile variabilelor X +Y, XY, 2 + X, X
2
, 3Y .
Folosimformulele precedente si independent a variabilelor. Convenims a punem
pe prima linie toate rezultate n ordine cresc atoare. De exemplu suma X+Y poate
lua doar valorile 1, 2, 3, 4.

Inlocuim apoi probabilit at ile si folosind independent a
avem
P{X +Y = 1} = P({X = 0} {Y = 1}) = P{X = 0} P{Y = 1} = 0.12
Dac a unele valori sunt luate n mai multe moduri, folosim probabilitatea unei
reuniuni, observ and c a evenimentele sunt incompatibile; de exemplu
P{X +Y = 2} = P (({X = 0} {Y = 2}) ({X = 1} {Y = 1})) =
= P({X = 0}{Y = 2})+P({X = 1}{Y = 1}) = 0, 20.4+0, 40, 6 = 0, 32.
X +Y :
_
1 2 3 4
0, 12 0, 32 0, 4 0, 16
_
, XY :
_
0 1 2 4
0, 2 0, 24 0, 4 0, 6
_
2 + X :
_
2 3 4
0, 2 0.4 0, 4
_
, X
2
:
_
0 1 4
0, 2 0.4 0, 4
_
, 3Y :
_
3 6
0, 6 0, 4
_
Fie X o variabil a aleatoare discret a.
Functia de repartitie a lui X este denit a prin F : R [0, 1],
F(x) = P{X x} (2.12)
Dac a variabila X are un num ar nit de valori, atunci expresia ei este
20 CAPITOLUL 2. SEMINARUL 2
F(x) =
_

_
0, x < x
1
p
1
, x
1
x < x
2
. . .
i

j=1
p
j
, x
i1
x < x
i
. . .
1, x x
n
, (2.13)
Dac a X este o variabil a discret a, funct ia de repartit ie poate scris a sub forma
F(x) =

i=1
p
i
u(x x
i
) (2.14)
Mai observ am c a funct ia de repartit ie este continu a la dreapta, iar saltul ei ntr-un
punct este probabilitatea de a lua aceast a valoare
p
i
= P{X = x
i
} = F(x
i
) F(x
i
0).
Derivata n sensul distribut iilor este
f(x) =

i=1
(x x
i
)(F(x
i
) F(x
i
0)) =

i=1
(x x
i
)p
i
(2.15)
Funct ia f se mai numeste densitate de probabilitate si considerarea ei n cazul
discret asigur a tratarea unitar a cu cazul continuu.

In relat iile de mai sus prin funct ia u s-a nt eles funct ia unitate:
u(x) =
_
0 x < 0
1 x 0
(2.16)
Prin (x x
i
) s-a notat distribut ia Dirac.
Exemplul 2.1.2 Determinat i funct ia de repartit ie a variabilei:
X :
_
1 2 3 4 5 6
0, 1 0, 2 0, 3 0.1 0, 2 0, 1
_
F(x) =
_

_
0 x < 1
0, 1 1 x < 2
0, 3 2 x < 3
0, 6 3 x < 4
0, 7 4 x < 5
0, 9 5 x < 6
1 6 x
2.2. MOMENTE ALE VARIABILELOR DISCRETE 21
Are loc
F(x) = 0, 1u(x 1) + 0, 2u(x 2) + 0, 3u(x 3) + 0, 1u(x 4)+
+0, 2u(x 5) + 0, 1u(x 6).
Densitatea de probabilitate are expresia analitic a
f(x) = 0, 1(x 1) + 0, 2(x 2) + 0, 3(x 3) + 0, 1(x 4)+
+0, 2(x 5) + 0, 1(x 6).
Se observ a c a deriv and n sens distribut ional F obt inem f, deoarece derivata
distribut iei Heaviside, u este distribut ia Dirac, .
2.2 Momente ale variabilelor discrete
Momentul initial de ordinul r
m
r
= M[X
r
] =

i=1
x
r
i
p
i
(2.17)
Media sau speranta este
M[X] = m
1
=

i=1
x
i
p
i
(2.18)
Propriet ati ale mediei
1. M[X] = M[X], R
2. M[ +X] = +M[X], R
3. M[X +Y ] = M[X] +M[Y ]
4. |M[XY ]|
_
M[X
2
]M[Y
2
].
Exemplul 2.2.1 Dac a variabilele X, Y sunt independente atunci
M[X Y ] = M[X] M[Y ] (2.19)
22 CAPITOLUL 2. SEMINARUL 2
Calcul am media produsului
M[X Y ] =

j
(x
i
y
j
)p
ij
care datorit a independent ei se scrie mai departe

j
(x
i
y
j
)p
i
p
j
= M[X] M[Y ].
Vom da un exemplu de variabil a care nu admite medie.
Exemplul 2.2.2 Variabil a aleatoare
X :
_
_
n
1
n(n + 1)
_
_
, n N
nu are medie.
Pentru nceput observ am c a are loc

n=1
1
n(n + 1)
= 1
deci funct ia din exemplu este o variabil a aleatoare. Deoarece seria
M[X] =

n=1
n
n(n + 1)
este divergent a, urmeaz a c a nu exist a medie.
Mediana este acea valoare notat a m
e
cu proprietatea
P{X m
e
} = P{X m
e
}.
Dac a variabila are un num ar nit de valori si anume n , atunci se obisnuieste
m
e
=
_
x
k+1
n = 2k + 1
x
k
sau x
k+1
n = 2k
. (2.20)
Moda este valoarea cu frecvent a maxim a. Evident este posibil ca s a nu existe
moda, de exemplu n cazul uniform, sau dac a exist a, aceasta s a nu e unic a.
Momentul centrat de ordin r este
2.2. MOMENTE ALE VARIABILELOR DISCRETE 23

r
= M[(X M[X])
r
] =

i=1
(x
i
M[X])
r
p
i
(2.21)
Dispersia este momentul centrat de ordin 2, adic a
D
2
[X] =
2
=

i=1
(x
i
M[X])
2
(2.22)
Dac a variabila aleatoare X are medie si dispersie, atunci are loc
D
2
[X] = M[X
2
] (M[X])
2
. (2.23)

Intr-adev ar, dac a not am media cu m


D
2
[X] =

i=1
p
i
(x
i
m)
2
=
=

i=1
p
i
x
i
2m

i=1
p
i
x
i
+m
2
= M[X
2
] 2m
2
+m
2
= M[X
2
] (M[X])
2
.
Dipersia mai este cunoscut a si sub numele de variant a.
Propriet ati ale dispersiei
1. D
2
[] = 0, R
2. D
2
[X +] = D
2
[X], R
3. D
2
[X] =
2
D
2
[X], R
4. Dac a variabilele aleatoare X, Y sunt independente, atunci
D
2
[X Y ] = D
2
[X] + D
2
[Y ].
Covarianta variabilelor X si Y este denit a prin:
Cov[X, Y ] = M[(X M[X])(Y M[Y ])] (2.24)
si are loc
D
2
[X Y ] = D
2
[X] + D
2
[Y ] 2Cov[X, Y ] (2.25)
24 CAPITOLUL 2. SEMINARUL 2
Abaterea medie p atratic a notat a D[X] este denit a prin relat ia
= D[X] =
_
D
2
[X]. (2.26)
Propriet ati ale abaterii medii p atratice.
1. D[] = 0, R
2. D[ +X] = D[X], R
3. D[X] =| | D[X], R.
Functia caracteristic a este funct ia
: R C
prin relat ia
(t) =

i=1
e
jtx
i
p
i
(2.27)
Dac a variabilele X si Y sunt independente, a tunci

X+Y
(t) =
X
(t)
Y
(t). (2.28)
Momentele init iale se obt in cu ajutorul funct iei caracteristice, dup a formula:
m
r
=

(r)
(0)
j
r
(2.29)
Variabila aleatoare binomial a (Bernoulli) cu parametrii n si p (n N \
0, p (0, 1)) are repartit ia:
X :
_
k
C
k
n
p
k
q
nk
_
k=0,n
unde q = 1 p.
Media v.a. binomiale este M[X] = n p, dispersia ei este D
2
[X] = n p q, iar
funct ia caracteristic a este (t) = (pe
jt
+q)
n
.
Repartitia Poisson.
2.2. MOMENTE ALE VARIABILELOR DISCRETE 25

In cazul unui experiment se pot produce evenimentele A


1
, A
2
, , A
n
cu proba-
bilit at ile p
1
, p
2
, , p
n
. Facem ipoteza c a evenimentele sunt independente. Fie X
num arul de evenimente care se produc la o repetare n condit ii identice ale experi-
mentului si e q
i
= 1p
i
. Fie X
i
, i = 1, n, variabilele aleatoare care iau valoarea
1 dac a s-a produs A
i
si 0 n caz contrar. Acestea au repartit ia
X
i
:
_
0 1
q
i
p
i
_
, i = 1, n,
Observ am c a
X = X
1
+X
2
+. . . +X
n
=
n

i=1
X
i
.
M[X] = M[
n

i=1
X
i
] =
n

i=1
M[X
i
] =
n

i=1
p
i
,
D
2
[X] = D
2
[
n

i=1
X
i
] =
n

i=1
D
2
[X
i
],
deoarece variabilele aleatoare X
i
, i = 1, n, sunt independente.
Repartitia hipergeometric a.
Fie X variabila aleatoare care ia ca valori num arul de bile albe care se obt in ex-
tr 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}
C
0
a
C
n
b
C
n
a+b
C
1
a
C
n1
b
C
n
a+b
C
2
a
C
n2
b
C
n
a+b
. . .
C
k
a
C
nk
b
C
n
a+b
. . .
C
min{n,a}
a
C
nmin{n,a}
b
C
n
a+b
_
_
.
M[X] =
an
a +b
.
D
2
[X] =
an(an n +b)
(a +b)(a +b 1)

a
2
n
2
(a +b)
2
=
abn(a +b n)
(a +b)
2
(a +b 1)
.
Repartitia Poisson cu innitate num arabil a de valori se mai numeste si
legea evenimentelor rare este de forma
26 CAPITOLUL 2. SEMINARUL 2
X :
_
_
0 1 2 . . . k . . .
e


1!
e


2
2!
e

. . .

k
k!
e

. . .
_
_
. (2.30)
Folosim notat ia
P{X = k} =

k
k!
e

.
M[X] = .
Pentru calculul dispersiei folosim formula
D
2
[X] = .
Funct ia caracteristic a este
(t) = e
(1e
jt
)
.
C
k
n
p
k
q
nk


k
k!
e

, np = = const.
Repartitia binomial a cu exponent negativ (Pascal)

Intr-un experiment un eveniment se poate produce cu probabilitatea p (0, 1).


Denim variabila X care ia valoarea k, dac a la repetarea k a experimentului s-a
produs a m-a aparit ie a evenimentului A, unde k m. Deci evenimentul {X =
k} se produce n urm atoarele situat ii
1. evenimentul A se produce la repetarea k cu probabilitatea p
2. n cele k 1 repet ari anterioare au loc m1 produceri ale evenimentului,
n condit iile legii Bernoulli, adic a C
m1
k1
p
m
q
km
.
Deoarece cele dou a situat ii sunt independente urmeaz a
P{X = k} = C
m1
k1
p
m
q
km
, q = 1 p.
M[X] =
m
p
.
D
2
[X] =
mq
p
2
.
Repartitia geometric a.
2.3. PROBLEME PROPUSE 27
Un eveniment A se poate produce n cadrul unui experiment cu probabilitatea
p (0, 1). Fie X num arul de repet ari n condit ii identice ale experimentului p an a
la producerea evenimentului. X are repartit ia
X :
_
k
pq
k1
_
, k = 1, 2, . (2.31)
Funct ia de repartit ie este
F(k) = P{X k} =
k

j=1
pq
j1
= p
1 g
k1
1 q
= 1 q
k
.
M[X] =
1
p
D
2
[X] =
2 p
p
2

1
p
2
=
q
p
2
.
2.3 Probleme propuse
1. Dou a aparate de acelasi tip funct ioneaz a independent unul de cel alalt si se
pot defecta cu probabilitatea p (0, 1). S a determin am variabila aleatoare
care d a num arul de aparate ce funct ioneaz a la un moment dat.
2. Ce distribut ie are suma variabilelor independente:
X :
_
1 0 1
p
2
5
3
p
1
3
_
, Y :
_
1 0 1 2
q
2
8
5
q
1
6
1
30
_
?
Dar produsul lor?
3. O stat ie de recept ie primeste n medie 16 impulsuri pe minut si poate prelu-
cra cel mult 24 pe minut. Cu ce probabilitate stat ia devine saturat a?
4. Determinat i funct ia de repartit ie a variabilei:
X :
_
0 1 2
0, 2 0.4 0, 4
_
Calculat i media si dispersia.
28 CAPITOLUL 2. SEMINARUL 2
5. Se transmit independent trei semnale diferite. Probabilit at ile ca ele s a e
corect recept ionate sunt 0,8/ 0,9/ 0,7. Determinat i repartit ia variabilei
aleatoare care d a num arul de semnale corect recept ionate. Cu ce proba-
bilitate se recept ioneaz a cel put in 2 semnale; dar cel mult un semnal ?
6. Fie X o variabil a aleatoare repartizat a binomial. Determinat i valoarea lui
X care are probabilitate maxim a.
7.

Intr-o hal a funct ioneaz a 30 de becuri, care se pot arde cu probabilitatea 0,8.
Care este num arul cel mai probabil de becuri care se ard la un moment dat
? Dar dac a sunt 4 becuri ?
8. Calculatorul A transmite mesaje pentru calculatorul B pe o linie telefonic a
neabil a. Mesajul este codicat si B poate detecta dac a au ap arut erori
n timpul transmisiei. Probabilitatea de transmisie reusit a este p. Cu ce
probabilitate este necesar s a transmitem un mesaj mai mult de dou a ori ?
9. Fie X o variabil a aleatoare repartizat a geometric. S a se calculeze P{X >
k} si P{Xeste un num ar par}.
10. Probabilitatea unei erori de bit ntr-o linie de comunicat ie este 0,001. G asit i
probabilitatea ca un bloc de 1000 de bit i s a aib a 5 sau mai multe erori.
11. Un generator de particule emite n condit iile distribut iei Poisson. S tiind c a
ntr-un interval de timp xat, probabilitatea de a nu apare nici o particul a
este 1/4, cu ce probabilitate n acelasi interval apar 2 particule ?
12. O echip a de intervent ii ntr-un anumit sector de product ie este solicitat a de
600 de ori, n timp de 300 de zile lucr atoare, pentru lucrul n dou a schimburi
de c ate 8 ore. Care este probabilitatea ca echipa s a e solicitat a de 3 ori ntr-
un schimb ?
13. Ar atat i c a suma a dou a variabile aleatoare Poisson independente de para-
metri
1
,
2
este o variabil a aleatoare Poisson, cu parametrul
1
+
2
.
14. Se dau variabilele aleatoare independente
X :
_
a 1 2
1
3
p q
_
Y :
_
a + 1 1 2
1
3
2
3
q p
_
.
S a se calculeze a astfel nc at variabila X Y s a aib a dispersia egal a cu
4
9
.
2.3. PROBLEME PROPUSE 29
15. S a se calculeze valorile medii ale variabilelor:
X :
_
0 2 3 4 . . . n
1
2
n1
1
2
1
4
1
8
. . .
1
2
n1
_
Y :
_
_
_
1
1 2
1
2 3
. . .
1
n(n + 1)
1
n
1
n
. . .
1
n
_
_
_
.
30 CAPITOLUL 2. SEMINARUL 2
Capitolul 3
SEMINARIILE 3 SI 4
3.1 Variabile aleatoare continue
Fie {E, K, P} un c amp borelian de probabilitate. O funct ie
X : E R
este o variabil a aleatoare dac a
{X < x} = {e E | X(e) < x} K, x R. (3.1)
Dac a exist a o funct ie f : R R
+
, cu o mult ime cel mult num arabil a de puncte
de discontinuitate de prima spet a, astfel ca
F(x) =
_
x

f(t)dt, x R (3.2)
atunci f se numeste densitate de probabilitate. Dac a F este o funct ie continu a
vom spune c a X este o variabil a aleatoare continu a. Au loc:
F

(x) = f(x) (3.3)


n toate punctele de continuitate ale lui f, iar ca distribut ie totdeauna.
O funct ie f : R R
+
este densitate de probabilitate pentru o variabil a aleatoare
dac a si numai dac a
_
+

f(x)dx = 1. (3.4)
Pentru o variabil a aleatoare oarecare au loc formulele
31
32 CAPITOLUL 3. SEMINARIILE 3 SI 4
P{x
1
< X x
2
} =
_
x
2
x
1
f(x)dx = F(x
2
) F(x
1
) (3.5)
P{X = x} = F(x) F(x 0). (3.6)
Dac a variabila este continu a atunci are loc urm atoarea formul a de calcul
P{x
1
< X x
2
} = P{x
1
X x
2
} = P{x
1
< X < x
2
} =
P{x
1
X < x
2
} =
_
x
2
x
1
f(x)dx = F(x
2
) F(x
1
). (3.7)
Functia de repartitie conditionat a.

In c ampul de probabiliatate {E, K, P} consider amA K, cu proprietatea P(A) =


0.
Dat a o variabil a aleatoare X, numim functie de repartitie conditionat a de eveni-
mentul A, funct ia dat a de
F(x|A) = P({X < x}|A) =
P({X < x} A)
P(A)
.
1. Dac a A = {X < a} si F(a) = P({X < a}) = 0, atunci
F(x|A) =
P({X < x} {X < a})
P{X < a}
=
_
_
_
F(x)
F(a)
dac a x a
1 dac a x > a.
Deci obt inem
F(x | {X < a}) =
_
_
_
F(x)
F(a)
dac a x a
1 dac a x > a.
(3.8)
2. Fie A = {a X < b} astfel ca P(A) = F(b) F(a) = 0. Deducem
imediat c a
F(x | {a X < b}) =
_

_
0 dac a x a
F(x) F(a)
F(b) F(a)
dac a a < x b
1 dac a x > b.
(3.9)
Densit ati de probabilitate conditionate. Fie X o variabil a aleatoare continu a si
3.2. MOMENTE ALE VARIABILELOR CONTINUE 33
A K, cu probabilitatea P(A) = 0. Presupunem c a X are densitatea de pro-
babilitate f. Atunci densitatea de probabilitate a lui X, conditionat 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 (3.8) se obt ine
f(x|A) =
_
_
_
f(x)
F(a)
dac a x a
0 dac a x > a.
(3.10)
2. Dac a A = {a X < b} prin derivarea relat iei (3.9) g asim
f(x | {a X < b} =
_
_
_
f(x)
F(b) F(a)
dac a a < x b
0 n rest.
(3.11)
Formula probabilit atii totale. Formula lui Bayes.
Formula probabilit atii totale n cazul continuu si este
P(A) =
_
+

P(A | {X = x})f(x)dx. (3.12)


Formula lui Bayes n cazul continuu este
f(x|A) =
P(A | {X = x})f(x)
_
+

P(A | {X = x})f(x)dx
.
3.2 Momente ale variabilelor continue
Media unei variabile aleatoare continue este:
m = M[X] =
_
+

xf(x)dx (3.13)
(dac a exist a) si satisface proprietatea:
M[X +Y ] = M[X] + M[Y ], (3.14)
iar, dac a X, Y sunt independente, atunci are loc si proprietatea:
M[X Y ] = M[X] M[Y ] (3.15)
Momentul initial de ordin r este:
34 CAPITOLUL 3. SEMINARIILE 3 SI 4
m
r
= M[X
r
] =
_
+

x
r
f(x)dx (3.16)
Momentul centrat de ordin r este:

r
= M[(X M[X])
r
] =
_
+

(x m)
r
f(x)dx (3.17)
Dispersia este momentul centrat de ordinul 2

2
= D
2
[X] =
2
=
_
+

(x m)
2
f(x)dx = m
2
m
2
(3.18)
iar abaterea medie p atratic a este
= D[X] =
_
D
2
[X].
Dac a X, Y sunt independente, are loc proprietatea:
D
2
[X Y ] = D
2
[X] + D
2
[Y ] (3.19)
Covarianta variabilelor X si Y este denit a prin:
Cov[X, Y ] = M[(X M[X])(Y M[Y ])] (3.20)
si are loc
D
2
[X +Y ] = D
2
[X] + D
2
[Y ] + 2Cov[X, Y ] (3.21)
Dac a X este o variabil a aleatoare si Y = g(X) este o variabil a obt inut a printr-o
transformare cu ajutorul funct iei g : R R, continu a, inversabil a, atunci media
transform arii este
M[Y ] =
_
+

g(x)f(x)dx (3.22)
Dac a X este o variabil a cu media m si dispersia
2
, are loc inegalitatea lui
Ceb asev
P{|X m| < } 1

2

2
(3.23)
Functia caracteristic a : R C, denit a prin:
3.2. MOMENTE ALE VARIABILELOR CONTINUE 35
(t) = M[e
jtX
] =
_
+

e
jtx
f(x)dx, j
2
= 1 (3.24)
Momentele init iale se obt in cu ajutorul funct iei caracteristice, dup a formula:
m
r
=

(r)
(0)
j
r
(3.25)
Repartitia normal a.
X : N(m,
2
), dac a are densitatea de probabilitate:
f(x) =
1

2
e

(x m)
2
2
2
, x R. (3.26)
Functia lui Laplace se deneste prin
(z) =
1

2
_
z
0
e

x
2
2
dx, z R
si are propriet at ile
(z) = (z)
si
lim
z
1

2
_
z
0
e

x
2
2
dx =
1
2
. (3.27)
Funct a de repartit ie a variabilei aleatoare normale
F(x) =
1
2
+
_
x m

_
. (3.28)
Deducem formula
P{a X < b} =
_
b m

_
a m

_
.
Probabilitatea ca abaterea fat a de m, notat a |X m| s a nu dep aseasc a > 0, este
dat a de
P{|X m| < } = 2
_

_
Exemplul 3.2.1 Regula celor 3. O variabil a normal repartizat a X : N(m,
2
)
ia valori semnicative n intervalul (m3, m + 3).
36 CAPITOLUL 3. SEMINARIILE 3 SI 4

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 Funct ia caracteristic a a repartit iei normale este
(t) = e
jmt
t
2

2
2
. (3.29)
Teorema limit a central a arm a c a, dac a variabilele X
i
, i = 1, 2, . . . n au aceeasi
repartit ie si sunt independente dou a c ate dou a, atunci variabila aleatoare
n

i=1
X
i
M
_
n

i=1
X
i
_
D
_
n

i=1
X
i
_
urmeaz a, pentru n sucient de mare, legea normal distribuit a N(0, 1).
Dac a X este o variabil a repartizat a Bernoulli, atunci conform teoremei Moivre
Laplace, variabila
X np

npq
, p +q = 1
urmeaz a, pentru n sucient de mare, legea normal a N(0, 1).
Repartitia uniform a. X : U(a, b), dac a densitatea ei de probabilitate este:
f(x) =
_
1
b a
dac a x [a, b]
0 n rest.
(3.30)
F(x) =
_

_
0 dac a x a
x a
b a
dac a a < x b
1 dac a x > b.
Exemplul 3.2.3 Timpul de asteptare ntr-o stat ie de tramvai este o o variabil a
aleatoare repartizat a uniform n intervalul [0, 10] minute. Cu ce probabilitate
astept am cel put in 6 minute ?
3.2. MOMENTE ALE VARIABILELOR CONTINUE 37
Putem presupune c a n orice moment din intervalul de timp [0, 6] poate s a
apar a un tramvai, deci legea timpului de asteptare, X, este uniform a si are densi-
tatea
f(x) =
_
1
10
dac a x [0, 10]
0 n rest.
Probabilitatea este dat a de
P{X 6} =
_
10
6
1
10
dx =
4
10
.
Valoarea medie este
M[X] =
_
b
a
x
b a
dx =
a +b
2
dispersia
D
2
[X] =
_
b
a
_
x
a +b
2
_
2
b a
dx =
(b a)
2
12
iar funct ia caracteristic a este
(t) =
_
b
a
e
itx
b a
dx =
e
jbt
e
jat
jt(b a)
.
Repartitia exponential a. O variabil a aleatoare are o distribut ie exponent ial a, cu
parametrul dac a densitatea sa de probabilitate este:
f(x) =
_
e
x
dac a x 0
0 dac a x < 0
(3.31)
M[X] =
1

, D
2
[X] =
1

2
,
Funct ia de repartit ie si cea caracteristic a:
F(x) = 1 e
x
si respectiv, (t) =

jt
.
38 CAPITOLUL 3. SEMINARIILE 3 SI 4
3.3 Fiabilitate
S a consider am momentul init ial de timp, momentul n care un anumit element,
sistem este pus n stare de funct ionare. Dac a not am cu T variabila aleatoare ce
reprezint a timpul de funct ionare p an a la prima defectare, denim functia de a-
bilitate (funct ia de sigurant a) prin
R(t) = P{T > t} = 1 F(t), t 0 (3.32)
Propriet at ile ale funct iei de abilitate:
R(0) = 1,
lim
t
R(t) = 0,
t
1
< t
2
R(t
1
) > R(t
2
)
f(t) = R

(t)
R(t) =
_

t
f(s)ds,
unde am notat f densitatea de probabilitate a variabilei T.
Rat a de defectare este funct ia r(t) cu propriet at ile
r(t) =
R

(t)
R(t)
(3.33)
R(t) = e

_
t
0
r(s)ds
. (3.34)
Exemplul 3.3.1 Dac a rata de defectare este constant a r(t) = atunci funct ia de
abilitate este R(t) = e
t
iar funct ia de repartit ie este F(t) = 1 e
t
, t > 0,
adic a durata de viat a este o distribut ie exponent ial a cu parametrul .
Repartitia Weibull are densitatea ei de probabilitate :
f(t) =
_
t
1
e
t

dac a t 0
0 dac a t < 0,
(3.35)
, R
+
.
Funct ia de abilitate este:
3.3. FIABILITATE 39
R(t) = e
t

,
iar rata de defectare este:
r(t) = t
1
.
Exemplul 3.3.2 Legare n serie. S a determin am sigurant a sistemelor cu ele-
mentele legate n serie. Spunem c a un dispozitiv are n componente legate n serie,
dac a defectarea uneia, atrage nefunct ionarea ntregului sistem.
Presupunem c a ecare component a C
i
, i = 1, . . . n, se poate defecta indiferent
de celelalte, cu rata de defectare r
i
si funct ia de abilitate R
i
. Dac a T, respec-
tiv T
i
, i = 1, . . . , n semnic a timpul de funct ionare p an a la prima defectare a
sistemului, respectiv a componentei C
i
, atunci evident
{T t} =
n

i=1
{T
i
t}
si aplic and probabilitatea pentru evenimente independente g asim
R(t) =
n

i=1
R
i
(t) =
n

i=1
e

_
t
0
n

i=1
r
i
(s)ds
=
= e

_
t
0
n

i=1
r
i
(s)ds
.
Deci rata de defectare este
r(t) =
n

i=1
r
i
(t).
Observ am c a T = min{T
1
, . . . , T
n
}.
Exemplul 3.3.3 Legare n paralel. In cazul sistemelor legate n paralel , acesta
poate funct iona, chiar dac a una din componente se defecteaz a. S a determin am
funct ia de abilitate.
40 CAPITOLUL 3. SEMINARIILE 3 SI 4
Sistemul nu funct ioneaz a dac a ecare din componente nu funct ioneaz a; pre-
supunem c a acestea se pot defecta independent una de alta. Atunci obt inem
{T < t} =
n

i=1
{T
i
< t}
si dac a aplic am probabilitatea
1 R(t) =
n

i=1
(1 R
i
(t)) .
Observ am c a T = max{T
1
, . . . , T
n
}.

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.


3.4 Probleme propuse
1. Ar atat i c a urm atoarele funct ii sunt densit at i de probabilitate:
a. variabila aleatoare Gama
f(x) =
1
()
(x)
1
e
x
, x 0, > 0, > 0;
b. variabila aleatoare Erlang
f(x) =
e
x
(x)
n1
(n1)!
, x > 0;
c. variabila aleatoare hi p atrat
f(x) =
1
2
n/2
(n/2)
x
n/21
e
x/2
, x 0, n N;
d. variabila aleatoare Rayleigh
f(r) =
r

2
e

r
2
2
2
, r > 0, > 0;
e. variabila aleatoare Cauchy
f(x) =

(
2
+x
2
)
, x R, > 0;
f. variabila aleatoare Laplace
f(x) =

2
e
|x|
, x R, > 0;
g. variabila aleatoare Weibull
f(t) = t
1
e
t

, t 0, > 0, > 0;
3.4. PROBLEME PROPUSE 41
h. variabila aleatoare Beta
f(x) =
x
m1
(1 x)
n1
B(m, n)
x [0, 1], m > 0, n > 0;
i. variabila aleatoare Student
f(x) =

_
n+1
2
_

n(
n
2
)
_
1 +
x
2
n
_

n+1
2
, x R;
j. variabila aleatoare Snedecor
f(x) =
_
n
1
n
2
_
n
1
2

_
n
1
+n
2
2
_

_
n
1
2
_

_
n
2
2
_x
n
1
2
1
_
1 +
n
1
n
2
x
_

n
1
+n
2
2
, x 0.
2. Dac a efectu am m asur atori de precizie, iar rezultatul este cuprins ntre k si
k + 1 unit at i, convenind s a-l aproxim am cu k + 1/2, comitem o eroare
care poate presupus a uniform distribuit a pe intervalul (1/2, 1/2). Cu ce
probabilitate facem o eroare mai mare ca 1/4 ?
3. Variabila aleatoare X este distribuit a uniform pe (-1,1). Determinat i den-
sit at ile de probabilitate, mediile si dispersiile variabilelor:
1. Y = 2X + 1
2. Z = 2X
2
+ 1.
4. Fie X o variabil a distribuit a uniform U(1, 1) si Y = e
X
. S a determin am
densitatea de probabilitate a variabilei Y, media si dispersia ei.
5. Dac a X
k
: N(m
k
,
2
k
), k = 1, . . . n, sunt variabile aleatoare independente,
atunci variabila aleatoare X
1
+ . . . + X
n
este repartizat a normal de forma
N(
n

k=1
m
k
,
n

k=1

2
k
).
6. Dac a X
k
, k = 1, . . . n, sunt variabile aleatoare independente repartizate nor-
mal N(m,
2
), atunci media lor aritmetic a
1
n
n

k=1
X
k
este repartizat a N(m,

2
n
).
7. Durata de funct ionare a unei baterii este o variabil a aleatoare, notat a X,
repartizat a normal N(m,
2
), unde m = 120 zile reprezint a timpul mediu de
funct ionare, iar = 10 zile reprezint a abaterea fat a de medie . Determinat i
42 CAPITOLUL 3. SEMINARIILE 3 SI 4
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.
8. Viteza unei particule dup a o direct ie este o variabil a aleatoare distribuit a
V : N(0,
2
). Determinat i densitatea de probabilitate a energiei cinetice
K =
mV
2
2
.
9. Determinat i parametrii variabilei X : N(m,
2
), stiind c a n 15 % din cazuri
X nu a dep asit valoarea 30, iar n 5 % din cazuri X a fost mai mic a dac at
20.
10. Un canal de comunicat ie accept a un voltaj pozitiv V la intrare si la iesire
voltajul Y = V + N, unde = 0, 01, iar N este o variabil a normal a
N(0, 4). Ce valoare trebuie s a aib a V astfel ca P{Y < 0} = 10
6
( voltajul
la iesire s a e pozitiv aproape sigur).
11. Un semnal electric binar este transmis ntre A si B, astfel: dac a vrem s a
comunic am 1 emitem un semnal de intensitate 2 , dac a vrem s a comu-
nic am 0 emitem un semnal de intensitate -2. Datorit a perturbat iilor, va-
loarea nregistrat a n B este R = X + N, unde X = 2, iar N este o
variabil a aleatoare cu parametrii (0,
2
). Decodajul se face astfel: dac a
R 0, 5, se interpreteaz a 1 , dac a R < 0, 5 , se interpreteaz a 0. Calculat i
probabilitatea de a face erori.
12. Intr-o fabric a se produc rezistori cu rezistent a R. Un rezistor este considerat
bun dac a R este cuprins a ntre 4, 99 k si 5, 01 k. Dac a R este o vari-
abil a aleatoare normal distribuit a cu media m = 5, 002 k si abatera medie
p atratic a = 0, 005 k s a determin am probabilitatea ca un rezistor s a e
considerat rebut.
13. O variabil a aleatoare X este distribuit 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.
14. Variabila aleatoare X este distribuit a N(m,
2
). Determinat i densitatea de
probabilitate a variabilei Y = aX +b.
15. Fie X : N(m,
2
). S a determin am f(x | {|X m| k}).
16. S a calcul am momentele centrate ale repartit iei normale N(m,
2
).
3.4. PROBLEME PROPUSE 43
17. Se arunc a un zar de 500 de ori. Cu ce probabilitate putem arma c a obt inem
fat a 6 de cel mult 50 de ori?
18. Fie X o variabil a aleatoare discret a care are distribut ia
X :
_
x
i
p
i
_
, i = 1, . . . n
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 a X, Y sunt independente.
19. O variabil a aleatoare continu a are densitatea de probabilitate f
1
(x) cu pro-
babilitatea p
1
si densitatea de probabilitate f
2
(x) cu probabilitatea p
2
, cu
p
1
+ p
2
= 1. G asit i expresia densit at ii de probabilitate si a funct iei de
repartit ie a variabilei X.
20. 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.
21. Timpul de asteptare a unui client la o coad a este 0, dac a sistemul este inactiv
si este distribuit exponent ial cu parametrul , n caz contrar. Probabilit at ile
de a g asi sistemul inactiv sau ocupat sunt p, 1p. G asit i funct ia de repartit ie
a timpului de asteptare T.
22. Un sistem este format din 4 componente ce funct ioneaz a independent si au
densitatea timpului de funct ionare p an a la prima defectare de tip Weibull.
Sistemul funct ioneaz a n urm atoarele dou a situat ii
- componenta 1 si oricare dintre 3 si 4 funct oneaz a
-componenta 2 si oricare dintre 3 si 4 funct ionez a
Determinat i funct ia de abilitate a sistemului.
23. Aceeasi problem a pentru sistemul al aturat, ale c arui componente au rata de
defectare constant a.
44 CAPITOLUL 3. SEMINARIILE 3 SI 4
24. Fie T variabila aleatoare care d a timpul de funct ionare p an a la prima de-
fectare. S a determin am F(x | {T t}) si f(x | {T t}) (dispozitivul s a
funct ioneze p an a la momentul x, dac a a funct ionat p an a la momentul t).
25. Se produc circuite integrate a c aror durat a de viat a urmeaz a o lege exponen-
t ial a:
1. circuite n stare de funct ionare cu rata de defectare
2. circuite rebut cu rata de defectare 1000.
Probabilitatea de a alege un rebut este p (0, 1). G asit i probabilitatea
ca aleg and la nt amplare un circuit, acesta s a funct ioneze dup a t secunde.
Fiecare dispozitiv este testat t secunde, iar cele care nu se defecteaz a sunt
trimise la consumatori. G asit i timpul t, astfel ca n proport ie de 99 % dis-
pozitivele s a e n stare de funct ionare.
26. Fie , a > 0 si n N. Determinat i a si astfel ca funct ia
f
n
(x) = ax
n
e

2
x
2
, x > 0
s a e o densitate de probabilitate pentru o variabil a aleatoare cu media m.
27. Se dau densit ait ile de probabilitate:
a. f(x) =
_
2x dac a 0 < x < 1
0 n rest;
b. f(x) =
_
|x| dac a |x| < 1
0 n rest.
S a se calculeze pentru ecare densitate valoarea medie si dispersia.
3.4. PROBLEME PROPUSE 45
28. Fie X o variabil a aleatoare a c arei densitate de probabilitate este:
f(x) =
_
c ln
_
a
x
_
dac a 0 < x < a
0 n rest.
S a se determine constanta c si s a se calculeze valoarea medie si dispersia
variabilei X.
29. S a se determine funct ia caracteristic a a variabilei aleatoare X care are den-
sitatea de probabilitate:
f(x) =
_
_
_
1
2
_
1
|x|
2
_
dac a |x| 2
0 dac a |x| > 2.
30. S a se ae densitatea de probabilitate corespunz atoare funct iei caracteristice:
(t) = e
|t|
.
31. Timpul mediu de r aspuns al unui calculator este 15 secunde, abaterea medie
p atratic a de 3 secunde si facem ipoteza c a acesta este modelat de o variabil a
aleatoare normal distribuit a. Estimat i probabilitatea ca timpul s a se abat a cu
mai mult de 5 secunde fat a de medie. Dar dac a variabila este oarecare ?
32. O eroare de m asurare printr-o metod a este T = 2X, unde X : N(0, 5). Prin
alt a metod a, eroarea este Z = U
1
+ U
2
unde U
i
: N(0, 5), i = 1, 2 sunt
independente. Care metod a este de preferat ? ( Evaluat i dispersiile).
33. Aat i modul si mediana variabilei aleatoare X care are densitatea
f(x) =
ak(x x
0
)
a1
(1 + k(x x
0
)
a
)
2
, x x
0
, k > 0, a > 1.
34. Modulul vectorului vitez a a unei particule este o variabil a aleatoare reparti-
zat a dup a legea Maxwell
f(v) =
4h
2

v
2
e
h
2
v
2
, v > 0.
Aat i media si dispersia vitezei.
46 CAPITOLUL 3. SEMINARIILE 3 SI 4
35. N mesaje sunt trimise printr-un canal de comunicat ie. Lungimile lor sunt
aleatoare, dar au media m, iar dispersia
2
. G asit i media timpului total T
necesar transmiterii celor N mesaje; dac a acestea sunt transmise indepen-
dent, aat i dispersia; aceeasi problem a dac a mesajele nu sunt independente
si se cunosc Cov(T
i
, T
j
), i, j = 1 . . . N.
36. Un voltmetru nregistreaz a cea mai mare dintre dou a tensiuni, V
1
, V
2
. Vari-
abilele aleatoare V
1
, V
2
sunt independente si au aceeasi densitate f(v). G asit i
media variabilei aleatoare V = max{V
1
, V
2
}.
37. Un mesaj este trimis printr-un canal de comunicat ie ntr-un cod binar si
acesta const a n n simboluri 0 sau 1. Fiecare este egal probabil si indepen-
dent de celelalte. G asit i media si dispersia variabilei aleatoare X care d a
num arul de schimb ari de simboluri.
38. Repet am transmiterea unui mesaj, n condit ii identice, p an a ce acesta este
recept ionat corect. Probabilitatea de transmitere corect a este 0,8. Fie X
num arul de repet ari necesare. G asit i media lui X.
39. Variabilele X, Y sunt n relat ia Y = 2 3X. Calculat i media, dispersia lui
Y , corelat ia si coecientul de corelat ie, dac a m
X
= 1, D
2
X
= 4.
40. Variabilele aleatoare X, Y, Z au mediile m
X
, m
Y
, m
Z
si matricea de cova-
riant a
_
_
D
2
(X) Cov(X, Y ) Cov(X, Z)
Cov(X, Y ) D
2
(Y ) Cov(Y, Z)
Cov(X, Z) Cov(Y, Z) D
2
(Z)
_
_
Calculat i media si dispersia variabilei aleatoare U = aX bY + cZ d,
a, b, c, d R.
41. 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
), D
2
(X + Y ) si
D
2
(X Y ).
42. Determinat i, folosind metoda celor mai mici p atrate, leg atura dintre vari-
abilele X, Y , dac a se cunosc urm atoarele date
(3; 4, 1), (4; 3, 9), (5; 6, 2), (1; 2, 1), (2; 3, 3), (6; 6, 8), (7; 8, 2).
43. Funct ia caracteristic a a unei variabile aleatoare este (t) = e
10tj2t
2
. G asit i
media si dispersia.
3.4. PROBLEME PROPUSE 47
44. Un voltaj V este constant, dar necunoscut. Fiecare m asurare a lui, X
j
,
este suma dintre V si un voltaj zgomot N
j
cu media m = 0, = 1
microvolt. Presupunem N
j
independente. C ate m asur atori trebuie f acute
astfel ca media aritmetic a

X s a difere de media teoretic a cu mai put in de
= 1, cu sigurant a 0,99 ?
45. La o casierie se fac pl at i pentru un anumit serviciu, cu media 80 $ si abaterea
medie p atratic a 2 0$. Estimat i probabilitatea ca primii 100 de client i s a
necesite mai mult de 8400 $.
b. ca suma s a e ntre 7800 si 8400 $.
c. C at i client i ar necesita n total mai mult de 10000 $, cu sigurant a 0,9 ?
46. Timpul mediu ntre dou a evenimente aleatoare ale unui experiment este dis-
tribuit exponent ial cu media m. G asit i probabilitatea ca evenimentul 1000
s a se produc a n intervalul (1000 50)m.
47.

Intr-un service exist a un stoc de 1600 m cablu de rezerv a. S tiind c a zilnic se
folosesc n medie 13,33 m, iar = 1, 2, cu ce probabilitate aceast a cantitate
ajunge 4 luni?
48. Emisia aleatoare de particule este modelat a de legea Poisson cu = 30
part./or a. Cu ce probabilitate n 10 minute sunt emise cel mult 20 de partic-
ule ?
49. Probabilitatea ca un articol s a nu corespund a normelor este p = 0, 2. Se
face o select ie de n= 400. Presupun and select ia cu repunere (aceasta se
poate presupune dac a volumul total este foarte mare), s a se determine pro-
babilitatea ca ntre 70 si 100 articole s a e necorespunz atoare.
48 CAPITOLUL 3. SEMINARIILE 3 SI 4
Capitolul 4
SEMINARUL 5
4.1 Variabile aleatoare bidimensionale
Variabil a aleatoare bidimensional a este o funct ie
(X, Y ) : E R
2
unde X, Y sunt variabile aleatoare pe un c amp de probabilitate (E, K, P).
Variabile discrete
Repartit ia unei variabile discrete este tabelul
X/Y y
1
y
2
y
n
x
1
p
11
p
12
p
1n
x
2
p
21
p
22
p
2n

x
m
p
m1
p
m2
p
mn
(4.1)
unde
p
ij
= P{X = x
i
, Y = y
j
}, i = 1, , m, j = 1, , n. (4.2)
O variabil a aleatoare mai poate scris a sub forma
f(x, y) =
m

i=1
n

j=1
x
i
y
j

xx
i

yy
j
(4.3)
49
50 CAPITOLUL 4. SEMINARUL 5
unde reprezint a distribut ia Dirac. Prin denit ie distribut ia Dirac este denit a
prin

x
() = (x),
pentru orice funct ie test (derivabil a de o innitate de ori si cu suport compact).
Probabilit ati marginale sunt date de
p
i
=
n

j=1
p
ij
, p
j
=
m

i=1
p
ij
(4.4)
Variabile marginale sunt variabilele X si Y cu repartit iile
X :
_
x
i
p
i
_
Y :
_
y
j
p
j
_
(4.5)
Variabilele X, Y sunt independente dac a
p
ij
= p
j
p
i
(4.6)
Variabile aleatoare continue
Functia de repartitie este
F(x, y) = P{X x, Y y} (4.7)
iar densitatea de probabilitate este denit a f : R
2
R
+
, cu proprietatea
F(x, y) =
_
x

_
y

f(u, v)dudv. (4.8)


Are loc
f(x, y) =

2
F(x, y)
xy
(4.9)
eventual n sensul teoriei distribut iilor. Densitatea de probabilitate este caracterizat a
de condit ia
_
+

_
+

f(x, y)dxdy = 1. (4.10)


Vom mai nota densitatea de probabilitate f(x, y) = f
XY
(x, y).
Functiile de repartitie marginal a sunt date de
4.1. VARIABILE ALEATOARE BIDIMENSIONALE 51
F
Y
(x) = P{X < , Y y} =
_
y

_
+

f(u, v)dudv (4.11)


F
X
(x) = P{X x, Y < } =
_
x

f(u, v)dudv. (4.12)


Densit atile marginale sunt date de
f
X
(x) =
_
+

f(x, v)dv = F

X
(x) (4.13)
f
Y
(y) =
_
+

f(u, y)du = F

Y
(y). (4.14)
X, Y sunt independente dac a
f(x, y) = f
X
(x)f
Y
(y). (4.15)
Condit ia este echivalent a cu
F(x, y) = F
X
(x)F
Y
(y). (4.16)
Dac a D R
2
are loc urm atoarea formul a
P{(X, Y ) D} =
_ _
D
f(x, y)dxdy. (4.17)
Exemplul 4.1.1 Determinat i A astfel ca funct ia
f(x, y) =
_
A(x +y) 0 x 2, 0 y 2
0 n rest
s a e o densitate de probabilitate bidimensional a (X, Y ). Determinat i variabilele
marginale si studiat i independent a lor. Calculat i P{|X Y | > 1}.
Pentru a densitate trebuie s a avem A > 0 si din condit ia
_ _
R
2
f(x, y)dxdy = 1
g asim A =
1
8
.
Variabilele marginale sunt
52 CAPITOLUL 4. SEMINARUL 5
f
X
(x) =
_
2
0
1
8
(x +y)dy =
_
1
4
(x + 1) 0 x 2
0 n rest
f
Y
(y) =
_
2
0
1
8
(x +y)dx =
_
1
4
(y + 1) 0 y 2
0 n rest.
Probabilitatea P{|X Y | > 1} este dat a de integrala lui f(x, y) pe domeniul
D = {|x y| > 1}, care reprezint a interioarele a dou a triunghiuri.
P{|X Y | > 1} = 2
_
2
0
_
x1
0
f(x, y)dydx =
1
4
.
Observ am c a f(x, y) = f
X
(x)f
Y
(y), deci variabilele nu sunt independente.
4.2 Densit ati conditionate
Dac a variabila aleatoare (X, Y ) are densitatea f
XY
, densitatea de probabilitate
condit ionat a de faptul c a (X, Y ) ia valori n mult imea D R
2
este
f
XY
(x, y | (X, Y ) D) =
_
_
_
0 (x, y) / D
f
XY
(x, y)
_ _
D
f
XY
(x, y)dxdy
(x, y) D
(4.18)
Densit atile marginale conditionate sunt date de
f
X
(x | (X, Y ) D)) =
_

f
XY
(x, y |(X, Y ) D)dy (4.19)
f
Y
(y | (X, Y ) D)) =
_

f
XY
(x, y | (X, Y ) D)dx (4.20)
Exemplul 4.2.1 Fie variabila bidimensional a (X, Y ) cu repartit ia
f
X,Y
(x, y) =
1
2
2
e

x
2
+y
2
2
2
, (x, y) R
2
.
S a determin am repartit ia condit ionat a
f
XY
(x, y | X
2
+Y
2
< b
2
).
4.2. DENSIT

AT I CONDIT IONATE 53
Evenimentul care condit ioneaz a are probabilitatea
P{X
2
+Y
2
< b
2
} =
1
2
2
_ _
x
2
+y
2
<b
2
e

x
2
+y
2
2
2
dxdy.
Prin trecere la coordonate polare se obt ine
P{X
2
+Y
2
< b
2
} =
1
2
2
_
b
0
rdr
_
2
0
e

r
2
2
2
d = 1 e

b
2
2
2
Deci densitatea c autat a este
f
X,Y
(x, y | X
2
+Y
2
< b
2
) =
_

_
0 x
2
+y
2
b
2
1
2
2
e

x
2
+y
2
2
2
_
1 e

b
2
2
2
_
, x
2
+y
2
< b
2
Densit ati marginale conditionate
f
X
(x | {Y = y}) = f
X
(x | y) =
f
XY
(x, y)
f
Y
(y)
=
f
XY
(x, y)
_

f
XY
(x

, y)dx

(4.21)
f
Y
(y | {X = x}) = f
Y
(y | x) =
f
XY
(x, y)
f
X
(x)
=
f
XY
(x, y)
_

f
XY
(x, y

)dy

(4.22)
Repartitiile marginale conditionate
F
X
(x | y) =
_
x

f
X
(x

| y)dx

(4.23)
F
Y
(y | x) =
_
y

f
Y
(y

| x)dy

(4.24)
Formula lui Bayes
f
Y
(y | x) =
f
X
(x | y)f
Y
(y)
f
X
(x)
(4.25)
54 CAPITOLUL 4. SEMINARUL 5
Exemplul 4.2.2 Variabila normal a bidimensional a Fie funct ia
f(x, y) =
1
2
x

1 r
2
e

1
2(1 r
2
)
_
(x m
x
)
2

2
x

2r(x m
x
)((y m
y
))

y
+
(y m
y
)
2

2
y
_
,
, unde r este coecientul de corelat ie al variabilelor X, Y . S a determin am den-
sit at ile variabilelor marginale si densit at ile condit ionate .
Prin transform ari simple se poate presupune c a m
X
= m
Y
= 0 si
X
=
Y
=
1, iar densitatea este de forma
f(x, y) =
1
2

1 r
2
e

x
2
2rxy +y
2
2(1 r
2
)
si scriem exponentul de forma
x
2
2rxy +y
2
= (y rx)
2
+ (1 r
2
)x
2
.
Dac a aplic am formulele obt inem
f
X
(x) =
1
2

1 r
2
_

(y rx)
2
+ (1 r
2
)x
2
2(1 r
2
)
dy =

2e

x
2
2
.
Densitatea condit ionat a este
f
Y
(y|x) =
1
_
2(1 r
2
)
e

(y rx)
2
2(1 r
2
)
.
Observ am c a dac a r = 0, atunci f
Y
(y|x) = f
Y
(y) si variabilele marginale sunt
independente.
4.3. TRANSFORM

ARI DE VARIABILE ALEATOARE 55


4.3 Transform ari de variabile aleatoare
Dac a variabila (U, V ) se obt ine din (X, Y ) printr-o transformare
T : D, , D R
2
prin
T(u, v) = (x, y)
unde
_
x = (u, v)
y = (u, v)
iar funct iile , sunt de clas a C
1
() si au proprietatea

D(x, y)
D(u, v)

= 0, (u, v) .
Densit at ile sunt legate prin formula
f
UV
(u, v) = f
XY
((u, v), (u, v))

D(x, y)
D(u, v)

. (4.26)
Exemplul 4.3.1 Ar atat i ca dac a X si Y sunt variabile independente, cu den-
sit at ile f
X
, f
Y
atunci suma si diferent a variabilelor au densit at ile
f
X+Y
(x) =
_

f
X
(y)f
Y
(x y)dy (4.27)
f
XY
(x) =
_

f
X
(y)f
Y
(y x)dy. (4.28)
Pentru prima formul a, alegem transformarea
_
u = x +y
v = x
cu inversa
_
x = v
y = u v
si iacobianul 1. Pentru cea de a doua formul a alegem transformarea
_
u = x y
v = x
56 CAPITOLUL 4. SEMINARUL 5
cu inversa
_
x = v
y = v u.
Corelatia unei variabile bidimensionale
Dac a variabila aleatoare (X, Y ) are densitatea f
XY
atunci corelatia este
R
XY
= M[XY ] =
_

xyf
XY
(x, y)dxdy. (4.29)
Covariant a este dat a de formula
Cov[X, Y ] = M[(X M[X])(Y M[Y ])] = R
XY
M[X]M[Y ]. (4.30)
Exemplul 4.3.2 Densitatea de probabilitate a unei variabile aleatoare bidimen-
sionale normale este
f(x, y) =
1
1, 6
e

1
1.28
_
(x 2)
2
1, 2(x 2)(y + 3) + (y + 3)
2
_
.
Calculat i corelat ia variabilelor marginale.
Dac a t inem seama de expresia variabilei bidimensionale normale deducem c a
Cov[X, Y ] = 0, 6.
4.4 Probleme propuse
1.

Intr-un depozit se aduc articole produse la 3 rme, n num ar de 2000, 1800
si 1200 respectiv. S tiind c a cele trei rme produc 0,2%, 1% respectiv 0,5%
rebut determinat i repartit ia variabile aleatoare bidimensionale (X, Y ) unde
X reprezint a rma, iar Y calitatea de a articol corespunzator, respectiv
rebut. S a determin am variabilele marginale si s a studiem independent a lor.
2. Variabilele aleatoare X si Y sunt independente si au distribut iile
X :
_
1 2 3
0, 3 0, 1 0, 6
_
Y :
_
2 3
0, 4 0, 6
_
Care este distribut ia variabilei aleatoare (X, Y ) ?
4.4. PROBLEME PROPUSE 57
3. O variabil a aleatoare are densitatea
f
XY
(x, y) =
1
3

y1
+
1
3

x1

y
+
1
3

x1

y1
1. Calculat i F
XY
(0, 5, 1, 5).
2. Sunt X si Y independente ?
3. Calculat i M[X], M[Y ], M[XY ].
4. Fie X respectiv Y numere aleatoare de fotoelectroni care se nregistreaz a la
dou a fotodetectoare. Ar atat i c a probabilit at ile de a obt ine k fotoelectroni de
la primul fotodetector, respectiv m de la al doilea, sunt date de
P(X = k, Y = m) = (1 p
1
)(1 p
2
)p
k
1
p
m
2
,
unde k, m N, p
1
, p
2
(0, 1).
5.

In cazul problemei de mai sus, aat i repartit ia variabile (X, Y ), condit ionat a
de faptul c a {X +Y p}.
6. Ar atat i c a dac a (X, Y ) este o variabil a aleatoare cu funct ia de repartit ie F ,
atunci
P({a
1
< X
1
< b
1
, a
2
< X
2
b
2
}) =
= F(b
1
, b
2
) F(a
1
, b
2
) F(b
1
, a
2
) + F(a
1
, a
2
).
7. Fie funct ia
F(x
1
, x
2
) =
_
0 dac a x
1
0 sau x
1
+x
2
1 sau x
2
0
1 , n rest.
Ar atat i c a aceasta satisface propriet at ile:
1. F este nedescresc atoare n ecare argument;
2. F este continu a la st anga n ecare argument;
3. F(+, +) = 1;
4. F(, x
2
) = F(x
1
, +) = 0.
Lu and un domeniu de forma D = [1/2, 1] [1/2, 1], deducet i c a F nu poate
o funct ie de repartit ie.
58 CAPITOLUL 4. SEMINARUL 5
8. Ar atat i c a funct ia
f(x, y) =
_
_
_
1
(b a)(d c)
dac a (x, y) [a, b] [c, d]
0 n rest
este o densitate de probabilitate. Determinat i densit at ile marginale. Sunt
variabilele X, Y independente ? .
9. Variabila aleatoare (X, Y ) are densitatea de probabilitate f
XY
. Exprimat i
probabilit at ile urm atoarelor evenimente:
{X > Y }, {X > |Y |}, {|X| > Y }, {Y X > 1}.
10. Repartitia normal a n-dimensional a. Fie funct ia denit a de
f(x
1
, . . . , x
n
) =

det A
(2)
n/2
e
1/2(XM)
t
A(XM)
, (4.31)
unde A = (a
ij
)
i,j=1...n
este o matrice simetric a, deci A = A
t
si care are
proprietatea c a forma p atratic a
(X M)
t
A(X M) =

j
a
ij
(x
i
m
i
)(x
j
m
j
)
este pozitiv denit a. f este o densitate de probabilitate. X si M reprezint a:
X =
_
_
_
x
1
.
.
.
x
n
_
_
_
, M =
_
_
_
m
1
.
.
.
m
n
_
_
_
.
11. Fie funct ia
f(x, y) =
1
2
x

y
e

1
2
_
(x m
x
)
2

2
x
+
(y m
y
)
2

2
y
_
.
Calculat i P{(X, Y ) [a, b] [c, d] si P{(X, Y ) D
k
} unde D
k
este
domeniul delimitat de
(x m
x
)
2

2
x
+
(y m
y
)
2

2
y
= k
2
( elipsa de egal a prob-
abilitate) .
4.4. PROBLEME PROPUSE 59
12. Ar atat i c a funct ia
f(x, y, z) =
1
(2)
3
2

z
e

1
2
_
(x m
x
)
2

2
x
+
(y m
y
)
2

2
y
+
(z m
z
)
2

2
z
_
.
este o densitate de probabilitate, iar variabilele marginale X, Y, Z sunt in-
dependente. Deducet i probabilitatea ca variabila s a ia valori n elipsoidul
de egal a probabilitate .
Exprim and integralele care dau probabilitatea cerut a avem, dac a facemschim-
barea de variabile P{(X, Y, Z) D
K
} =
_
2

_
1 e

k
2
2
_
.
13.

Intr-un canal de comunicat ie intrarea este o variabil a X, care poate lua va-
lorile +1 volt , 1 volt cu aceeasi probabilitate. Iesirea Y = X+N unde N
este zgomotul ce poate considerat o variabil a aleatoare repartizat a uni-
form pe intervalul (2, 2). S a determin am probabilitatea P({X = 1, Y <
0}).
14. Variabila (X, Y ) are distribut ie constant a n p atratul de latur a a. G asit i
f(x, y), F(x, y), f
X
, f
Y
. Considerat i mai nt ai p atratul cu laturile paralele
cu axele, apoi cu diagonalele date de axe .
15. Fie variabila aleatoare (X, Y ) cu densitatea
f
XY
(x, y) =
_
2e
x
e
y
, 0 y x < +,
0, n rest.
Determinat i densit at ile de probabilitate condit ionat a.
16. Densitatea de probabilitate a variabilei (X, Y ) reprezint a grac un cilindru
circular drept de n alt ime h. Aat i f
X
, f
Y
, f
X
(x|y), f
Y
(y|x). Calculat i
Cov(X, Y ) .
17. Variabilele X, Y au distribut ii exponent iale cu parametrii , si sunt inde-
pendente. Determinat i f
XY
, F
XY
.
18. Determinat i repartit ia distant ei R a unui punct aleator (X, Y ) la origine
(repartit ia Rayleigh).
19. Erorile de m asurare pentru dou a m arimi sunt X, Y independente si reparti-
zate uniformpe [0, 1]. Determinat i densit at ile marginale ale sumei si diferent ei
erorilor.
60 CAPITOLUL 4. SEMINARUL 5
20. Determinat i suma de variabile aleatoare independente repartizate uniform
pe intervalul (a, b). (repartit ia Simpson)
21. Aceeasi caracteristic a numeric a m asurat a la dou a loturi diferite este dis-
tribuit a normal cu m = 30, = 2 . Care este procentul articolelor ce
provin de la ambele loturi, cu o valoare inferioar a lui 50 ?
22. Variabilele X, Y sunt independente si au densit at ile de probabilitate
f
X
(x) =
_
e
x
x > 0
0 x 0
f
Y
(y) =
_
1
2
x [0, 2]
0 x / [0, 1]
Ar atat i c a U, V date prin
_
U =

X cos Y
V =

X sin Y
sunt independente.
23. Ar atat i c a repartit iile produsului si c atului de variabile independente, X, Y
sunt date de formulele
f
XY
(u) =
_

f
X
(v)f
Y
(
u
v
)
1
|v|
dv (4.32)
f
X
Y
(u) =
_

f
X
(uv)f
Y
(v)|v|dv. (4.33)
24. Determinat i densitatea c atului de variabile aleatoare independente cu repartit ie
exponent ial a.
25. Un dispozitiv are dou a componente ce funct ioneaz a independent si au ca
durate de viat a variabilele X si Y cu densit at ile
f
X
(x) =
_
1
x
2
x 1
0 n rest
, f
Y
(y) =
_
_
_
1
y
2
y 1
0 n rest
O m asur a a calit at ii funct ion arii este dat a de
U(x, y) =

XY .
S a determin am densitatea de probabilitate a calit at ii.
26. Fie X, Y distribuite Cauchy independente. Determinat i distribut ia sumei.
4.4. PROBLEME PROPUSE 61
27. Variabilele X si Y sunt independente si repartizate N(0,
2
). Ar atat i c a
variabila aleatoare Z = a
X
Y
, a R urmeaz a lege Cauchy, adic a are densi-
tatea
f
Z
(z) =
a
(z
2
+a
2
)
.
28. Fie X si Y variabile aleatoare independente repartizate
N(0,
2
) si
2
(n, ) respectiv. Ar atat i c a variabila aleatoare
X
_
Y
n
este repartizat a Student cu n grade de libertate.
29. Variabila aleatoare are densitatea constant a n p atratul D : |x y| = 1.
G asit i f
XY
, f
X
, f
Y
, f
X
(x|y), f
Y
(y|x). Sunt variabilele marginale X, Y in-
dependente ? Dar corelate ? Determinat i covariant a variabilelor.
30. Variabila aleatoare (X, Y ) are densitatea
f
XY
= 6(1 x y), (x, y) D
unde D este interiorul unui triunghi. Determinat i funct ia de repartit ie a
variabilei, variabilele marginale, densit at ile condit ionate f
Y
(x|y), f
X
(y|x)
si funct ia F
Y
(y|x).
31. O variabil a aleatoare (X, Y ) este uniform distribuit a ntr-un p atrat de latur a
1, cu laturile paralele cu axele de coordonate . G asit i media si dispersia
variabilei XY .
32. Variabila aleatoare (X, Y ) este uniform distribuit a n interiorul unui cerc de
raz a r = 1. G asit i media si dispersia variabilei Z = XY .
33. Ar atat i c a dac a X si Y sunt variabile aleatoare continue,care admit medie,
atunci are loc
M[X +Y ] = M[X] +M[Y ].
34. Ar atat i c a dac a variabilele marginale ale variabilei bidimensionale (X, Y )
sunt independente, atunci R
XY
= M[X]M[Y ].
62 CAPITOLUL 4. SEMINARUL 5
35. Fie variabilele aleatoare X si Y care au [X, Y ] = 0, 5 si
M[X] = 1, D
2
[X] = 2
M[Y ] = 3, D
2
[Y ] = 4.
Determinat i corelat ia variabilelor.
36. Variabilele X si Y au dispersiile 7,05 si 5,36, iar coecientul de corelat ie
[X, Y ] = 0.48. Se fac transform arile
U = 2X +Y
V = X + 2Y.
S a se determine Cov[U, V ] si coecientul de corelat ie [U, V ].
Capitolul 5
SEMINARUL 6
5.1 Lanturi Markov
Fie {E, K, P} un c amp borelian de probabilitate. Familia de variabile aleatoare
X(t) : E R, unde t T R, se numeste proces stochastic. Dac a T =
{t
1
, t
2
, , t
n
, }, n N procesul se numeste lant. Mult imea valorilor unui
proces, notat a S se numeste multimea st arilor.
Presupunemc a S este o mult ime nit a si T = {t
1
, t
2
, , t
n
, }, n N. Not am
X(n) = X
t
n
. (5.1)
Probabilit at ile
p
i
= P{X
0
= i}, i S (5.2)
se numesc probabilit ati initiale ale lant ului si satisfac

iS
p
i
= 1. (5.3)
Lant ul {X
n
}, n N se numeste lant Markov dac a are loc
P({X
n+1
= i
n+1
}|{X
n
= i
n
, . . . , X
0
= i
0
}) = P({X
n+1
= i
n+1
}|{X
n
= i
n
}).
(5.4)
cunoscut a sub numele de proprietatea Markov (lant ul p astreaz a asupra trecutului
amintirea cea mai recent a).
63
64 CAPITOLUL 5. SEMINARUL 6
Dac a {X
n
}, n N este un lant Markov, are loc urm atoarea formul a de calcul:
P{X
n
= i
n
, . . . , X
0
= i
0
} = p
i
0
n

t=1
P({X
t
= i
t
}|{X
t1
= i
t1
}). (5.5)
Probabilit at ile date de formula
p(t, i
t1
, i
t
) = P({X
t
= i
t
}|{X
t1
= i
t1
}), t = 1, . . . n,
se numesc probabilit ati de trecere.
In cazul unui lant Markov omogen, vom introduce notat ia
p
ij
= P({X
t+1
= j}|{X
t
= i}), i, j S. (5.6)
Matricea P = (p
i,j
) se numeste matrice de trecere.
Matricea de trecere a unui lant Markov omogen satisface relat iile :
_
_
_
p
ij
0, i, j S

jS
p
ij
= 1, i S
. (5.7)
O matrice ce satisface aceste dou a propriet at i se numeste stochastic a .
Exemplul 5.1.1 Dou a urne au urm atoarea component a :
U
a
are 4 bile albe si 6 bile negre
U
n
are 5 bile albe si 5 bile negre
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 U
a
, iar dac a e neagr a din U
n
si
continu am procedeul.
Este un exemplu de lant Markov omogen, cu probabilit at ile init iale p
1
= p
2
=
1
2
,
deoarece alegerea urnelor este egal probabil a; denim st arile
S
1
se extrage o bil a din urna U
a
S
2
se extrage o bil a din urna U
n
Matricea de trecere este
P =
_
0, 4 0, 6
0, 5 0, 5
_
.
5.1. LANT URI MARKOV 65
Probabilit at ile
P({X
n+m
= j}|{X
m
= i}), n N (5.8)
pe care le numim probabilit ati de trecere dup a n pasi. Denim prin recurent a
p
(n)
ij
, dup a formulele
_
_
_
p
(1)
ij
= p
ij
p
(n+1)
ij
=

kS
p
(n)
ik
p
(1)
kj
n N

.
(5.9)
Sub form a matriceal a, relat iile (5.9) devin:
P
(n)
= P . . . P = P
n
. (5.10)
Pentru orice n N are loc
p
(n)
ij
= P({X
n+m
= j}|{X
m
= i}), m N. (5.11)

Intr-un lant Markov omogen probabilitatea ca la momentul n N sistemul s a se


ae n starea i, i S, probabilitate pe care o vom nota p
i
(n), este dat a de formula
p
i
(n) =

jS
p
j
(n 1)p
ji
. (5.12)
Pentru orice m, n N are loc
p
(m+n)
ij
=

kS
p
(n)
ik
p
(m)
kj
. (5.13)
Relat ia (5.13) se numeste relat ia Chapman-Kolmogorov. Matriceal ea se scrie
P
(m+n)
= P
(m)
P
(n)
.
Teorem a de ergodicitate Fie (X
n
), n N, un lant Markov cu matricea de
trecere P = (p
ij
), i, j S. Urm atoarele armat ii sunt echivalente:
1. exist a s N

si o stare j
0
S astfel nc at p
(s)
ij
0
> 0 i S;
2. exist a lim
n
p
(n)
ij
= p

j
, j S, i S.
Exemplul 5.1.2 Fie un lant Markov cu dou a st ari .
S a studiem comportarea la limit a a matricei de trecere.
66 CAPITOLUL 5. SEMINARUL 6
Obsev am c a matricea de trecere este de forma
_
1
1
_
.
Putem scrie
P =
1
+
_


_
+
1
+
_


_
.
Se constat a usor c a
P
n
=
1
+
_


_
+
(1 )
n
+
_


_
.
Matricea de trecere dup a n pasi tinde pentru n +la
1
+
_


_
.
Dac a cele dou a st ari sunt luate init ial cu probabilit at ile p
0
, 1 p
0
, se constat a c a
pentru n + probabilit at ile de stare sunt

+
,

+
. Deci dup a un num ar
foarte mare de pasi probabilit at ile nu depind de starea init ial a.
5.2 Procese Poisson
Pentru orice t R, not am cu X(t) num arul de produceri ale evenimentului n
intervalul (0, t) (variabila aleatoare X(t) ia valori n N). Facem urm atoarele pre-
supuneri:
1. X(0) = 0 (observat iile ncep la momentul init ial t = 0)
2. pentru orice momente de timp 0 < t
1
< t
2
< t
3
< t
4
, variabilele aleatoare
X(t
2
) X(t
1
) si X(t
4
) X(t
3
) sunt independente (proces cu cresteri indepen-
dente);
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 intervalu-
lui, 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 lim
t0
o(t)
t
= 0.) Not am
5.2. PROCESE POISSON 67
p
k
(t) = P{X(t) = k}. (5.14)
Condit iile 1,2,3 si 4 conduc la ecuat iile diferent iale ale procesului:
p

k
(t) = p
k
(t) + p
k1
(t), k = 0, 1, . (5.15)
cu solut ia
p
k
(t) =
(t)
k
k!
e
t
, k = 0, 1, 2. . . . .
Matricea de trecere cu un pas.
Probabilit at ile de trecere sunt:
p
ij
(t) = P{j i evenimente au loc n t secunde} =
(t)
ji
(j i)!
e
t
, j i.
Matricea P este
P(t) =
_
_
_
_
e
t
te
t
(t)
2
e
t
2!
. . .
0 e
t
te
t
. . .
. . . . . . . . . . . .
_
_
_
_
.
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 repartizat a exponent ial
cu densitatea
f

=
_
e

> 0
0 0
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.
68 CAPITOLUL 5. SEMINARUL 6
Obt inem =
15
60
=
1
4
si
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} =
10
4
3
e

10
4
3!
15
4
2
e

15
4
2!
.
Momentul de producere al unui eveniment ntr-un proces Poisson.

Intr-un proces Poisson s-a produs exact un eveniment n intervalul (0, t) , iar mo-
mentul de producere este repartizat dup a o lege uniform a cu densitatea
g(s) =
1
t
, 0 s t.
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 uniform si independent, rezult a c a probabilitatea este
1
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 para-
metrul . Dac a stat ia se nchide dup a aparit ia clientului n, densitatea de pro-
babilitate pentru timpul T n care stat ia r am ane deschis a este repartizat a Erlang,
adic a are repartit ia Erlang
f(t) =
_
_
_
(t)
n1
(n 1)!
e
t
, t > 0
0, t 0
Exemplul 5.2.3 Semnalul telegrac aleator. Fie T(t) un proces care ia st arile
1 cu aceeasi probabilitate la momentul init ial. T(t) si schimb a polaritatea
odat a cu sosirea unui semnal dintr-un proces Poisson cu parametrul . Reprezen-
t am o traiectorie n Figura (5.1).
S a calcul am probabilit at ile evenimentelor {T(t) = 1}.
5.3. PROCESE STOCHASTICE STAT IONARE 69
Figura 5.1:
Ne ocup am pentru nceput de evenimentul {T(t) = 1}. Folosind formula proba-
bilit at ii 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 at ile 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
(2j)!
e
t
=
e
t
2
(e
t
+e
t
) =
=
1
2
(1 + e
2t
).
P({T(t) = 1}|{T(0) = 1}) = P(B) =
1
2
(1 e
2t
).
Deoarece P({T(0) = 1}) = P({T(0) = 1}) =
1
2
, rezult a dup a nlocuiri c a
evenimentele {T(t) = 1} au probabilitatea
1
2
.
5.3 Procese stochastice stationare
Fie {X(t)}, t 0, un proces stochastic.
Functia de repartitie ndimensional a este dat a prin formula
F(x
1
, . . . , x
n
, t
1
, . . . , t
n
) = P{X(t
1
) < x
1
, . . . , X(t
n
) < x
n
} (5.16)
70 CAPITOLUL 5. SEMINARUL 6
pentru orice t
1
, . . . , t
n
, n N
Presupunem c a funct ia de repartit ie n-dimensional a satisface urm atoarele dou a
condit ii:
-condit ia de simetrie
F(x
i
1
, . . . , x
i
n
, t
i
1
, . . . , t
i
n
) = F(x
1
, . . . , x
n
, t
1
, . . . , t
n
), (5.17)
pentru orice permutare i
1
, . . . , i
n
a mult imii 1, . . . , n,
-condit ia de compatibilitate: dac a m < n
F(x
1
, . . . , x
m
, t
1
, t
2
, . . . , t
m
) =
= F(x
1
, . . . , x
m
, , . . . , , t
1
, . . . , t
m
, t
m+1
, . . . , t
n
), m + 1 j n. (5.18)
Densitatea de probabilitate care se va nota f(x
1
, . . . , x
m
, t
1
, t
2
, . . . , t
m
). Dac a
procesul este cu valori discrete, analogul l constituie
p(x
1
, . . . , x
m
, t
1
, t
2
, . . . , t
m
) = P{X
1
(t
1
) = x
1
, X
2
(t
2
) = x
2
, . . . , X
n
(t
n
) = x
n
}
Exemplul 5.3.1 Fie X
n
un lant de variabile aleatoare identic, independent repar-
tizate, cu p =
1
2
, atunci
P({X
1
(t
1
) = x
1
, X
2
(t
2
) = x
2
, . . . , X
n
(t
n
) = x
n
}) = 2
n
.
Valori caracteristice ale unui proces.
Fie X(t) un proces aleator.
Media m
X
(t) este denit a prin
m
X
(t) = M[X(t)] =
_
+

xf(x, t)dx, (5.19)


unde f(x, t) este densitatea de probabilitate a variabilei X(t).
Autocorelatia R
X
(t
1
, t
2
) este denit a prin
R
X
(t
1
, t
2
) = M[X(t
1
)X(t
2
)] =
_
+

_
+

x
1
x
2
f
X(t
1
)X(t
2
)
(x
1
, x
2
)dx
1
dx
2
,
(5.20)
unde f
X(t
1
)X(t
2
)
(x
1
, x
2
) este densitatea de probabilitate de dimensiune doi a pro-
cesului.
5.3. PROCESE STOCHASTICE STAT IONARE 71
Folosind media condit ionat a are loc
M[X(t
1
)X(t
2
)] = M[X(t
1
)M[X(t
2
) |X(t
1
)]] = M[X(t
2
)M[X(t
1
) |X(t
2
)]]
(5.21)
Autocovarianta Cov
X
(t
1
, t
2
) este denit a drept covariant a variabilelor X(t
1
) si
X(t
2
),
Cov
X
(t
1
, t
2
) = M[(X(t
1
) m
X
(t
1
))(X(t
2
) m
X
(t
2
))].
Leg atura dintre cele dou a funct ii este imediat a si const a n
Cov
X
(t
1
, t
2
) = R
X
(t
1
, t
2
) m
X
(t
1
)m
X
(t
2
). (5.22)
Dispersia (varianta) lui X(t) este dat a de formula
D
2
[X(t)] = M[(X(t) m
X
(t))
2
] = Cov
X
(t, t). (5.23)
Coecientul de corelatie este denit de

X
(t
1
, t
2
) =
Cov
X
(t
1
, t
2
)
_
Cov
X
(t
1
, t
1
)
_
Cov
X
(t
2
, t
2
)
.
Exemplul 5.3.2 Fie X(t) = Acos 2t, unde A este o variabil a aleatoare. S a
determin am valorile caracteristice.
m
X
(t) = M[Acos 2t] = M[A] cos 2t;
R
X
(t
1
, t
2
) = M[Acos 2t
1
Acos 2t
2
] = M[A
2
] cos 2t
1
cos 2t
2
;
Cov
X
(t
1
, t
2
) =
= R
X
(t
1
, t
2
) m
X
(t
1
)m
X
(t
2
) = (M[A
2
] M
2
[A]) cos 2t
1
cos 2t
2
=
= D
2
[A] cos 2t
1
cos 2t
2
.
Procese multiple.
Dou a procese X(t), Y (t) se numesc independente dac a k, j si orice alegere
t
1
, . . . , t
k
si t

1
, . . . t

j
, variabilele aleatoare multidimensionale (X(t
1
), . . . , X(t
k
))
si (Y (t

1
), . . . Y (t

j
)) sunt independente.
Corelatia ncrucisat a R
XY
(t
1
, t
2
) este denit a prin
72 CAPITOLUL 5. SEMINARUL 6
R
XY
(t
1
, t
2
) = M[X(t
1
)Y (t
2
)]. (5.24)
Procesele X(t) si Y (t) se numesc ortogonale dac a
R
XY
(t
1
, t
2
) = 0, t
1
, t
2
. (5.25)
Covarianta ncrucisat a Cov
XY
(t
1
, t
2
) este denit a prin
Cov
XY
(t
1
, t
2
) = M[(X(t
1
) m
X
(t
1
))(Y (t
2
) m
Y
(t
2
))] =
= R
XY
(t
1
, t
2
) m
X
(t
1
)m
Y
(t
2
). (5.26)
Procesele se numesc necorelate dac a
Cov
XY
(t
1
, t
2
) = 0, t
1
, t
2
. (5.27)
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
ncrucisat a.
Ar at am c a media procesului X(t) este 0.
m
X
(t) = M[cos(t +)] =
1
2
_

cos(t +x)dx = 0.
Analog rezult a c a media procesului Y (t) este 0.
R
XY
(t
1
, t
2
) = M[cos(t
1
+ ) sin(t
2
+ )] =
= M[
1
2
sin((t
1
t
2
)) +
1
2
sin((t
1
+t
2
) + 2)] =
1
2
sin((t
1
t
2
))
deoarece M[sin((t
1
+t
2
) + 2)] = 0.
Procesul X(t) se numeste stationar n sens restr ans dac a t
1
, . . . , t
n
R
+
, n N, u R
+
are loc
F(x
1
, . . . x
n
, t
1
+u, . . . , t
n
+u) = F(x
1
, . . . , x
n
, t
1
, . . . , t
n
). (5.28)
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. D
2
[X(t +u)] = D
2
[X(t)] = D
2
[X(0)] =
2
;
3. M[(X(t +u)X(t))] = M[(X(u)X(0))].
5.3. PROCESE STOCHASTICE STAT IONARE 73
O consecint a n cazul proceselor stat ionare este c a putem presupune m = 0 si
= 1.
Procesul X(t) este stationar n sens larg dac a au loc condit iile 1-3.
Functie de corelatie a unui proces stat ionar n sens larg este coecientul de
corelat ie al variabilelor aleatoare X(t) si X(t +u).
R(u) =
M[X(t +u) M[X(t +u)]]M[X(t) M[X(t)]]
_
D
2
[X(t)]D
2
[X(t +u)]
. (5.29)
Funct ia de corelat ie depinde doar de u si are expresia
R(u) = M[(X(u)X(0))]. (5.30)
Un proces stat ionar se numeste continuu dac a are loc
M(X(t +u) X(t))
2
0, pentru u 0.
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
u0
R(u) = 1;
3. R(u) este continu a.
Exemplul 5.3.4 Consider am procesul de forma
Z(t) = X(t) cos t +Y (t) sin t, R,
unde X(t), Y (t) sunt procese necorelate, deci M[XY ] = M[X]M[Y ] ce satisfac
M[X] = M[Y ] = 0, D
2
[X] = D
2
[Y ] = 1.
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.
74 CAPITOLUL 5. SEMINARUL 6
Alegem
f(x) =
_
_
_
0, x
1
2
, < x
1, 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
X(t) =
n

k=1
b
k
Z
k
(t),
unde
n

k=1
b
2
k
= 1, iar Z
k
(t) = X
k
(t) cos
k
t + Y
k
sin
k
t,
k
R. X
k
(t), Y
k
(t)
sunt procese ce satisfac
M[X
k
] = M[Y
k
] = 0, D
2
[X
k
] = D
2
[Y
k
] = 1, k = 1, n
M[X
i
X
j
] = M[Y
i
Y
j
] = 0, i = j, M[X
i
Y
j
] = 0, i, j = 1, n.
Calcul and funct ia de corelat ie, g asim
R(u) =
n

k=1
b
2
k
cos
k
u,
de unde rezult a c a procesul este stat ionar, asociat funct iei de repartit ie F care are
salturi de m arimea
1
2
b
2
k
n punctele
k
.
In literatura de specialitate F se numeste spectru; dac a F este funct ie de salturi,
procesul se numeste spectru discret.
5.4 Probleme propuse
1. Fie I
n
procesul Bernoulli identic si independent repartizat. Calculat i
P({I
1
= 1, I
2
= 0, I
3
= 0, I
4
= 1}).
5.4. PROBLEME PROPUSE 75
2. Fie D
n
= 2I
n
1 unde I
n
este procesul din problema precedent a. Calculat i
media si dispersia.
3. Fie X un num ar ales la ntmplare din [0, 1] si e dezvoltarea lui n baza
2, x =
+

n=1
b
n
2
n
, b
n
{0, 1}. Denim X
n
= b
n
, n N. Calculat i
P{X
1
= 0} si P{X
1
= 0, X
2
= 1}.
4. Un calculator poate privit ca un sistem S care se poate aa ntr-una din
urm atoarele st ari:
S
1
calculatorul funct ioneaz a normal;
S
2
calculatorul prezint a unele deregl ari, dar poate executa programe;
S
3
calculatorul prezint a unele deregl ari si rezolv a un num ar limitat de pro-
bleme;
S
4
calculatorul nu funct ioneaz a.
La momentul init ial calculatorul funct ioneaz a, deci se a a n starea S
1
cu
probabilitatea 1 si se poate presupune c a el trece n celelalte st ari cu proba-
bilit at ile indicate de urm atoarea schem a
Figura 5.2:
5. Un calculator este inspectat la momentele t
1
, t
2
, t
3
, t
4
si se poate aa n una
din urm atoarele st ari:
s
1
funct ioneaz a normal;
s
2
are un num ar neglijabil de erori, care nu impiedic a calculatorul s a func-
t ioneze;
s
3
are erori considerabile, dar rezolv a limitat probleme;
76 CAPITOLUL 5. SEMINARUL 6
s
4
nu funct ioneaz a.
La momentul init ial calculatorul este n starea s
1
iar matricea de tranzit ie
este
P =
_
_
_
_
0, 5 0, 3 0, 2 0
0 0, 4 0, 4 0, 2
0 0 0, 3 0, 7
0 0 0 1
_
_
_
_
.
Asociat i diagrama si aat i probabilit at ile de stare dup a ecare din cele trei
inspect ii.
6.

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 Y
n
num arul de
becuri necesar la sf arsitul zilei n. Determinat i matricea de tranzit ie dup a un
pas si dup a n pasi, probabilit at ile de stare la momentul n si comportarea lor
la limit a.
Figura 5.3:
7. Dac a avemun lant Markov omogen cu matricea de trecere P, s a determin am
P({X
10
= l, X
8
= k, X
5
= j}|{X
1
= i}).
8. Mers la nt amplare pe segmentul [0, l] .
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
5.4. PROBLEME PROPUSE 77
trecere este
P =
_
_
_
_
_
_
1 0 0 . . . 0 0 0
q 0 p . . . 0 0 0
. . . . . . . . . . . . . . . . . . . . .
0 0 0 . . . q 0 p
0 0 0 . . . 0 0 1
_
_
_
_
_
_
.
b. Cu bariere reectante. Dac a particula ajunge n 0 sau l, este reectat a
n 1, respectiv l 1 . Matricea de trecere este
P =
_
_
_
_
_
_
0 1 0 . . . 0 0 0
q 0 p . . . 0 0 0
. . . . . . . . . . . . . . . . . . . . .
0 0 0 . . . q 0 p
0 0 0 . . . 0 1 0
_
_
_
_
_
_
.
9. 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 pasi particula
s a nu e mai dep artat a cu o unitate fat a de origine. Init ial particula se a a
n origine.
10. Ar atat i c a un proces Poisson este un proces Markov, adic a pentru t
1
< t
2
<
t
3
are loc
P{X(t
3
) = k
3
| X(t
1
) = k
1
, X(t
2
) = k
2
} = P{X(t
3
) = k
3
| X(t
1
) = k
1
}
11. Dac a X este un proces Poisson, calculat i urm atoarele probabilit at i:
P{X(t
1
) = k
1
, X(t
2
) = k
2
},
P{X(t
1
) = k
1
, X(t
2
) = k
2
, X(t
3
) = k
3
}
12. Calculat i autocorelat ia si autocovariant a unui proces Poisson.
78 CAPITOLUL 5. SEMINARUL 6
Figura 5.4:
13. Deducet i folosind axiomatica unui proces Poisson, c a probabilit at ile de tre-
cere (5.14) satisfac ecuat ia diferent ial a (5.15).
14. Determinat i expresia probabilit at ilor de trecere (5.14) ale unui proces Pois-
son.
15. Deducet i c a intervalul de timp aleator dintre doua evenimente Poisson este
repartizat exponent ial.
16. S a determin am densitatea de probabilitate a momentului de producere a
unui eveniment n cadrul unui proces Poisson.
17. La o stat ie sosesc client i dup a o lege Poisson. Presupunem c a aceasta se
inchide dup a aparit ia clientului n s a determin am repartit ia timpului T, c at
stat ia r am ane deschis a.
18. Cu ce probabilitate al cincilea client al unui proces Poisson cu parametru
= 2 este deservit n primele 20 de minute de la deschiderea statiei ?
5.4. PROBLEME PROPUSE 79
19. Consider am urm atorul proces Markov: mult imea st arilor are 3 elemente 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 aceeasi probabilitate. S a se studieze
ergodicitatea.
20. Num arul de semnale emise de un radar este un proces Poisson cu parametrul
. Dac a n semnale au fost observate n intervalul (0, t) s a determin am pro-
babilitatea evenimentului {k particule au fost emise n (0, )} cu < t.
21. Num arul de client i care ajung la o stat ie ntr-un interval de timp este o vari-
abil a Poisson cu parametru , iar num arul de client i deservit i este o variabil a
Poisson cu parametru . S a se determine repartit ia variabilei aleatoare N
care d a num arul de client i care ajung n timpul deservirii unui client.
22. Ar atat i c a n cazul unui proces Poisson de nastere- moarte probabilit at ile
P

n
(t) satisfac ecuat iile diferent iale:
P

n
(t) = (
n
+
n
)P
n
(t) +
n1
P
n1
(t) +
n+1
P
n+1
(t), n 1,
P

0
(t) =
0
P
0
(t) +
1
P
1
(t).
23. Fie X(t) = cos(t + ) unde este repartizat a uniform pe (, +). S a
determin am media, autocorelat ia si autovariant a.
24. Fie X
n
un lant de variabile normale independente, identic repartizate, cu
media m si dispersia
2
. Determinat i matricea de covariant a la momentele
t
1
, . . . , t
k
si densitatea de probabilitate.
25. Un proces Y (t) const a dintr-un semnal dorit X(t) la care se adaug a zgomo-
tul N(t), deci Y (t) = X(t) + N(t). G asit i corelat ia ncrucisat a dintre cele
dou a procese, presupunnd c a X(t), N(t) sunt independente.
80 CAPITOLUL 5. SEMINARUL 6
Capitolul 6
SEMINARUL 7
6.1 Variabile de selectie
Colectivitate statistic a este o multime de obiecte (indivizi) la care se studiaz a o
caracteristic a ce poate evaluat a numeric. Aceast a marime supus a int amplarii
este o variabila aleatoare notata a X pe care o vom numi variabila teoretic a.
Select ie (esantion, sondaj) este o colectivitate part ial a. Num arul de elemente ale
select iei se numeste volumul select iei.
Select ie repetat a ( cu repunere) presupune repunerea ec arui individ in colectivi-
tate, inainte de extragerea urm atorului, selectie nerepetat a in caz contrar.
Mult imea datelor de select ie
x
1
, x
2
, x
3
, , x
n
formeaz a o serie statistic a. Acestor date li se asociaz a variabilele aleatoare, notate
X
i
, cu aceasi repartit ie dat a de variabila aleatoare teoretic a. Dac a select ia este
repetat a atunci variabilele asociate sunt independente. Rezultatele experientelor
sunt considerate ca repetate, deci variabilele X
i
sunt independente si presupuse cu
aceeasi repartit ie..
Fie k num arul datelor distincte ale select iei. Not am cu n
i
frecvent a absolut a a
datei .
x
i
, i = 1, k (n =
k

i=1
n
i
).
Num arul
f
i
=
n
i
n
, (
k

i=1
f
i
= 1)
81
82 CAPITOLUL 6. SEMINARUL 7
se numeste frecvent a relativ a.
Variabil a aleatore de selectie are repartit ia
X
s
:
_
x
i
f
i
_
, i = 1, 2, . . . k. (6.1)
Aceasta de mai numeste variabil a simpl a. Dac a volumul select ei este mare se aleg
k intervale
(l
0
, l
1
], (l
1
, l
2
], , (l
k1
, l
k
]
n care se repartizeaz a datele. Se alege de obicei
x
i
=
l
i
+l
i1
2
, i = 1, , k (6.2)
iar frecvent a relativ a este num arul de date cuprinse n interval.
Functia frecventelor cumulate atasat a repartit iei (6.1) are expresia analitic a
F
s
(x) =
_

_
0, x < x
1
. . .
i

j=1
f
j
, x
i1
x < x
i
. . .
1, x x
k
, i = 1, 2, . . . k. (6.3)
Funct ia frecvent elor cumulate atasat a repartit iei (6.1) unde valorile variabilei sunt
date de (6.2) este
F(x) =
_

_
0, x < l
0
. . .
i

j=1
f
j
+
x l
i
l
i+1
l
i
f
i+1
, l
i
x < l
i+1
. . .
1, x l
k
, i = 1, 2, . . . k 1. (6.4)
Valorile caracteristice se grupeaz a n
Parametrii tendint ei centrale: media, momentul centrat de ordin r, mediana, moda
6.1. VARIABILE DE SELECT IE 83
1
0,8
0,6
0,4
0,2
0
x
6 4 2 0
Figura 6.1: Funct ia frecvent elor cumulate
Parametrii variabilit at ii: momentul centrat de select ie de ordin r, dispersia de
select ie, dispersia modicat a, asimetria, excesul.
Momentul initial de selectie de ordinul r
m
r
= M[X
r
s
] =
1
n
k

i=1
n
i
x
r
i
=
k

i=1
f
i
x
r
i
(6.5)
Media de selectie este
x = m
1
=
1
n
k

i=1
n
i
x
=
i
k

i=1
f
i
x
i
(6.6)
Mediana imparte volumul de select ie n doua part i egale. Se obisnuieste
m
e
=
_
x
k+1
n = 2k + 1
x
k
sau x
k+1
n = 2k
. (6.7)
Moda este valoarea cu frecvent a maxim a.
84 CAPITOLUL 6. SEMINARUL 7
Momentul centrat de selectie de ordin r este

r
= M[(X
s
M[X
s
])
r
] =
1
n
k

i=1
n
i
(x
i
x)
r
=
k

i=1
f
i
(x
i
x)
r
(6.8)
Dispersia de selectie este
s
2
=
2
=
1
n
k

i=1
n
i
(x
i
x)
2
=
k

i=1
f
i
(x
i
x)
2
(6.9)
Dispersia modicat a este
(s

)
2
=
1
n 1
k

i=1
n
i
(x
i
x)
2
(6.10)

Intre cele dou a dispersii are loc


(n 1)(s

)
2
= ns
2
. (6.11)
Excesul este dat de formula
E =

4
s
4
3. (6.12)
- Dac a E > 0 poligonul frecvent elor este mai ascut it dec at cel corespunz ator
repartit iei normale.
- Dac a E < 0, curba este mai turtit a dec at cea normal a.
- Dac a E = 0 curba poate considerat a norma a.
Asimetria este dat a de
A =

3
s
3
. (6.13)
- Dac a A > 0 repartit ia are asimetrie pozitiv a.
- Dac a A < 0 repartit ia are asimetrie negativ a.
Reprezent ari grace.
- Reprezentarea n batoane: Dac a variabila este dat a sub forma (6.1) atunci
aceasta se reprezint a grac ca n desenul de mai jos, unde verticalele reprezint a
frecvent ele absolute sau relative. Un exemplu este dat de gura (6.2).
- Histograma se foloseste atunci c and valorile se grupeaz a n date. Un exem-
plu este dat n gura (6.3).
6.1. VARIABILE DE SELECT IE 85
4
8
2
0
6 4 2
10
8
6
Figura 6.2: Reprezentare in batoane
Exemplul 6.1.1 La un examen 200 de student i au obt inut urm atoarele note:
Nota 1 2 3 4 5 6 7 8 9 10
Num ar de studentt i 1 7 15 18 24 50 35 30 17 3
Determinat i variabila aleatoare de select ie cu reprezentare grac a n batoane,
funct ia de repartit ie de select ie cu reprezentare grac a, asimetria si excesul.
Variabila aleatoare asociat a este
X
s
=
_
1 2 3 4 5 6
1/200 7/200 15/200 18/200 24/200 50/200
7 8 9 10
35/200 30/200 17/200 3/200
_
Gracul este dat n gura (6.4).
Valorile caracteristice sunt x = 6, 1, s
2
= 2, 91,
3
= 2, 23,
4
= 33, 75, E =
0, 98, A = 0, 4. Determin am expresia analitic a a funct iei de repartit ie.
86 CAPITOLUL 6. SEMINARUL 7
2 10
10
8
8
6
4
6
2
0
4
Figura 6.3: Histograma
F
s
(x) =
_

_
0 x < 1
1/200 1 x2
8/200 2 x < 3
23/200 3 x < 4
41/200 4 x < 5
65/200 5 x < 6
115/200 6 x < 7
150/200 7 x < 8
180/200 8 x < 9
197/200 0 x < 10
1 x 10
si gracul este dat de gura (6.5).
Exemplul 6.1.2 O caracteristic a numeric a este m asurat a printr-o metoda de pre-
cizie. Abaterile de la valoarea nominal a sunt
1, 75/1, 1/1, 3/ 0, 2/ 1, 7/ 0, 75/0, 77/0, 9/ 0, 8/ 0, 9/
0/0, 3/ 0, 3/ 0, 4/0, 4/ 0, 3/0, 1/0, 75/0, 8/1, 2
1, 7/0, 9/1/ 0, 6/ 1, 4/ 1/1, 6/1, 8/0, 25/0, 3/.
Format i variabila de select ie prin mp art irea datelor n 5 clase
(2, 5, 1, 5], (1, 5, 0, 5], (0, 5, 0, 5], (0, 5, 1, 5], (1, 5, 2, 5].
6.1. VARIABILE DE SELECT IE 87
2 10
50
40
8
30
20
6
10
0
4
Figura 6.4: Reprezentare n batoane
x
2 10 8
0,8
0,6
0,4
4 12
1
6
0
0,2
0
Figura 6.5: Funct ia frecvent elor cumulate
88 CAPITOLUL 6. SEMINARUL 7
x
3 2
1
1
0,8
0,6
0
0,4
0,2
-1
0
-2 -3
Figura 6.6: Funct ia frecvent elor cumulate
si reprezentat i histograma. Calculat i media, mediana dispersia de select ie, mo-
mentele centrate de ordin 3 si 4, asimetria si excesul. Reprezentat i funct ia frec-
vent elor cumulate.
Obt inemurm atoarele valori x = 0, 1, s
2
= 1, 02, s =,
3
= 0, 39,
4
= 2, 31
Variabila de select ie este
X
s
=
_
2 1 0 1 2
2/30 7/30 10/30 8/30 3/30
_
Pentru funct ia frecvent elor cumulate folosim formula (6.4), care aproximeaz a mai
bine repartit ia teoretic a si al c arei grac este dat de (6.6) iar histograma este dat a
de gura (6.7).
F
s
(x) =
_

_
0 x < 2, 5
(x + 2, 5)2/30 2, 5 x < 1, 5
2/30 + (x + 1.5)7/30 1, 5 x < 0, 5
9/30 + (x + 0, 5)10/30 0, 5 x < 0, 5
19/30 + (x 0, 5)8/30 0, 5 x < 1, 5
27/30 + (x 1, 5)3/30 1, 5 x < 2, 5
1 x 2, 5
6.2. TEORIA ESTIMAT IEI 89
3 2 1
10
8
0
6
4
-1
2
0
-2 -3
Figura 6.7: Histograma
6.2 Teoria estimatiei
Fie x 1, x
2
, , x
n
o select ie repetat a; o funct ie = (x
1
, x
2
, , x
n
) se
numeste functie de selectie sau statistic a.
Presupunem c a variabila aleatoare teoretic a are repartit ie cunoscut a, dar depinde
de un parametru necunoscut, pe care l not am .
Aproximarea
= (x
1
, x
2
, , x
n
) (6.14)
se numeste estimare punctual a.
Estimarea este absolut corect a dac a au loc condit iile
M((x
1
, x
2
, , x
n
)) = (6.15)
D
2
((x
1
, x
2
, , x
n
)) 0, n . (6.16)
Dac a estimarea satisface condit ia (6.15) se mai numeste estimare nedeplasat a.
90 CAPITOLUL 6. SEMINARUL 7
METODA MOMENTELOR.
Dac a variabila aleatoare are densitatea de probabilitate
f(x,
1
, ,
s
)
cu
1
, ,
s
parametrii necunoscut i, facem select ia repetat a x
1
, x
2
, , x
n
. Fie
X
s
variabila de select ie. Solut ia sistemului
M[X
r
] = M[X
r
s
], r = 1, , s (6.17)
este o estimare absolut corect a a parametrilor.
Exemplul 6.2.1 Estimat i parametrii variabilei uniform distribuite pe intervalul
(a, b) folosind statistica 3.1, 0.2, 1.6, 5.2, 2.1.
S tim c a media teoretic a a variabilei X este
M(X) =
a +b
2
iar momentul init ial de ordin 2
M(X
2
) =
a
2
+ab +b
2
3
.
Momentele de select ie sunt M[X
s
] = 2.44 si M[X
2
s
] = 8.73. Form am sistemul
_

_
a +b
2
= 2.44
a
2
+ab +b
2
3
= 8.73
care are solut ia a = 0.44 si 5.33.
METODA VEROSIMILITAT II MAXIME
Dac a variabila aleatoare are densitatea de probabilitate f(x,
1
, ,
s
), cu
i
parametri necunoscut i, facem select ia repetat a x
1
, x
2
, , x
n
si e X
s
variabila
de select ie.
Functia de verosimilitate este dat a de
V (x
1
, , x
n
,
1
, ,
s
) = f(x
1
,
1
, ,
s
). f(x
n
,
1
, ,
s
)). (6.18)
Oestimare este dat a de solut ia care maximizeaz a sistemul, adic a solut ia sistemului
ln V (x
1
, , x
n
,
1
, ,
s
)

i
= 0, i = 1, , s (6.19)
6.2. TEORIA ESTIMAT IEI 91
pentru care matricea
_
ln V (x
1
, , x
n
,
1
, ,
s
)

j
_
, i, j = 1, , s
este negativ denit a.
Exemplul 6.2.2 S a estim am m, dac a variabila aleatoare X este repartizat a nor-
mal N(m,
2
).
Funct ia de verosimilitate este, dac a presupunem cunoscut
V (m, x
1
, , x
n
) =
n

i=1
1

2
e

(x
i
m)
2
2
2
.
Prin derivarea logaritmului n raport cu m
ln V =
1
2
2
n

i=1
(x
i
m)
2
nln(

2)
adic a m =
1
2
n

i=1
x
i
.

Intr-o select ie repetat a media de select ie x si dispersia modicat a sunt estim ari
absolut corecte ale mediei si dispersiei teoretice.
INTERVALE DE

INCREDERE
Variabila teoretic a este presupus a cunoscut a, dar expresia ei depinde de para-
metrul necunoscut. Dat a statistica x
1
, x
2
, , x
n
consider am dou a funct ii de
select ie
1
(x
1
, x
2
, , x
n
) si
2
(x
1
, x
2
, , x
n
) ce satisfac condit ia

1
(x
1
, x
2
, , x
n
)
2
(x
1
, x
2
, , x
n
).
Dac a
P (
1
(x
1
, x
2
, , x
n
) < <
2
(x
1
, x
2
, , x
n
)) = , (0, 1)
spunem c a intervalul
(
1
(x
1
, x
2
, , x
n
),
1
(x
1
, x
2
, , x
n
))
este interval de incredere pentru cu nivelul de ncredere .
92 CAPITOLUL 6. SEMINARUL 7
Intervale de ncredere pentru medie.
1. Variabila teoretica este distribuit a N(m,
2
), iar este cunoscut. Vom folosi
faptul c a variabila
X m

n
urmeaz a lege N(0, 1). Punem condit ia
P
_

X m

< t

_
= .
Condit ia revine la
2(t

) = . (6.20)
Din tabelele funct ie Laplace determin am t

, iar intervalul de ncredere este


X t

n
< m < X +t

n
. (6.21)
2. Variabila X este oarecare, dar n > 30. Din teorema limit a central a, inter-
valul se determin a cu aceleasi condit ii (6.20) si (6.21).
3. Variabila teoretica este distribuit a N(m,
2
), iar este necunoscut. Atunci
variabila
X m
s

n
urmeaz a lege Student cu n 1 grade de libertate. Punem condit ia
P
_

X m
s

< t

_
= .
Cu t

determinat din tabelele legii Student, obt inem intervalul


X t

n
< m < X +t

n
. (6.22)
INTERVAL DE

INCREDERE PENTRU MEDIA TEORETIC

A
1. Date de intrare x
i
, i = 1, , n, , p
i
, dac a se cunoaste
2. Calcul am media de selectie x; dac a nu se cunoaste dispersia, calcul am
dispersia de selctie s
2
sau dispersia modicat a (s

)
2
.
6.2. TEORIA ESTIMAT IEI 93
3. Din tabelele functiei Laplace sau din tabelele functiei Student cu n1
grade de libertate a am pentru nivelul valoarea t

.
4. Forma intervalului de ncredere este
X t

n
< m < X +t

n
Exemplul 6.2.3 Se m asoar a capacitatea a 20 de condensatori si se obt in datele,
m asurate n picofarazi:
4,4/ 4,31/ 4,4/ 4,4/ 4,65/ 4,56/ 4,71/ 4,54/ 4,36/ 4,56/
4,31/ 4,42/ 4,6/ 4,35/ 4,5/ 4,4/ 4,43/ 4,48/ 4,42/ 4,45.
Presupun and c a X, capacitatea este repartizat a normal N(m, 0, 09) s a deter-
min am un interval de ncredere pentru medie cu nivelul 0,99.
Calcul am x = 4, 4625, (s

)
2
= 0, 01221. Din condit ia 2(t

) = 0, 99 obt inem
t

= 1, 96 si intervalul de ncredere 4, 331 < m < 4, 5940.


Intervale de incredere pentru dispersie Dac a variabila teoretic a este normal
distribuit a atunci variabila
ns
2

2
urmeaz a lege
2
cu n 1 grade de libertate. Determin am
2
1
si
2
2
astfel ca
P(
2
1
<
ns
2

2
<
2
2
) = .
Punem condit iile
_

_
P(
ns
2

2
>
2
1
) =
1 +
2
P(
ns
2

2
>
2
2
) =
1
2
(6.23)
Intervalul de ncredere are forma
ns
2

2
2
<
2
<
ns
2

2
1
. (6.24)
INTERVAL DE

INCREDERE PENTRU DISPERSIA TEORETIC

A
94 CAPITOLUL 6. SEMINARUL 7
1. Date de intrare x
i
, i = 1, , n, , p
i
.
2. Calcul am dispersia, calcul am dispersia de selctie s
2
sau dispersia mod-
icat a (s

)
2
.
3. Determin am
2
1
si
2
2
din tabelele legii
2
cu n-1 grade de libertate.
4. Intervalul este de forma
ns
2

2
2
<
2
<
ns
2

2
1
.
sau
(n 1)(s

)
2

2
2
<
2
<
(n 1)(s

)
2

2
1
.
6.3 Teste de concordant a
Variabila teoretic a X cu repartit ie cunoscut a are funct ia de repartit ie notat a F.
Facem o select ie repetat a x
1
, , x
n
si e F
s
funct ia de repartit ie de select ie.
Veric am ipoteza
(H
0
) : F = F
s
(6.25)
cu pragul de semnicatie (0, 1). reprezint a probabilitatea de a resp-
inge o ipotez a adev arat a (eroare I). Num arul = 1 se numeste nivel de
ncredere. Puterea unui test (0, 1) este probabilitatea de a accepta o ipotez a
fals a (eroare II).
H
0
adev arat a H
1
adev arat a
H
0
acceptat a eroare II
H
1
acceptat a eroare I
Testul
2
Presupunem c a variabila aleatoare teoretic a are repartit ie necunoscut a; not am cu
F funct ia de repartit ie.
Fie x
1
, , x
n
o select ie f ar a intoarcere si e F
s
funct ia de repartit ie de select ie.
Test am ipoteza (6.25) cu pragul de semnicat ie .
Cazul 1. Repartit ia teoretic a este discret a
X =
_
x
i
p
i
_
.
6.3. TESTE DE CONCORDANT

A 95
Repartit ia de select ie are forma
X
s
=
_
x
i
f
i
_
.
Condit ia (6.25) devine
p
i
= f
i
. (6.26)
Cazul 2. Repartit ia teoretic a are densitatea de probabilitate f. Presupunem datele
de select ie grupate n intervalele
(l
0
, l
1
], (l
1
, l
2
], , (l
k1
, l
k
]
si e
(H) p
i
= P{l
i1
< X < l
i
} = F(l
i
) F(l
i1
), i = 1, , n (6.27)
Fie
U(n) =
k

i=1
(n
i
np
i
)
2
np
i
(6.28)
Variabila U(n) are urm atoarea comportare limit a
1. Dac a F are parametri cunoscut i, atunci dac a pentru n
U(n)
2
, cu k 1 grade de libertate (6.29)
2. Dac a F are r parametri necunoscut i
U(n)
2
, cu k r 1 grade de libertate (6.30)
Punem condit ia
P{U(n) >
2

} = (6.31)
si din tabele determin am .
TESTUL
2
1. Date de intrare x
i
, i = 1, , n, , p
i
2. Estim am cei r parametri necunoscuti ai variabilei aleatoare teoretice.
3. Calcul am U(n) cu formula (6.28).
96 CAPITOLUL 6. SEMINARUL 7
4. Din tabelele legii
2
cu k r 1 grade de libertate determin am
2

5. Testare.
1. Dac a U(n)
2

, acceptam ipoteza (H).


2. Dac a U(n)
2

, respingem ipoteza (H).


Exemplul 6.3.1 Olinie tehnologic a foloseste 4 dispozitive de acelasi tip si folosite
n aceleasi condit ii. Urm arind defect iunile de-a lungul unei perioade de timp
obt inem
dispozitiv 1 2 3 4 Total
num ar defect iuni n
i
46 33 39 50 168
S a se decid a cu nivelul de ncredere = 0.05 dac a diferent ele dintre numerele
de defect iuni este nt ampl atoare sau exprim a prezent a unor defect iuni sistematice
care trebuiesc remediate.
Solutie. Variabila de select ie este
X
s
=
_
1 2 3 4
46
168
33
168
39
168
50
168
_
iar variabila teoretic a este
X
s
=
_
1 2 3 4
1
4
1
4
1
4
1
4
_
Veric am ipoteza
(H) p
i
= f
i

Inlocuim n (6.28) si obt inem


U(n) =
k

i=1
(n
i
168
1
4
)
2
168
1
4
=
=
(46 42)
2
+ (33 42)
2
+ (39 42)
2
+ (50 42)
2
42
= 4.04
Determin am
2

din tabelul H(3, 1) si obt inem


2

= 7.8. Deoarece 4.04 < 7.8,


acceptam ipoteza H, deci defect iunile sunt nt ampl atoare.
6.4. METODA CELOR MAI MICI P

ATRATE 97
6.4 Metoda celor mai mici p atrate
Presupunem c a n urma efectu arii a n experimente obt inem datele
(x
i
, y
i
), i = 1, , n.
Dac a coecientul de corelat ie are modului apropiat de 1, sau reprezent and grac
datele observ am c a acestea se aranjeaz a n jurul unei drepte y = ax + b atunci
ntre variabile exist a o leg atur a liniar a.
Funct ia de dou a variabile (care d a p atratul distant ei dintre ordonatele teoretice si
cele experimentale)
Q(a, b) =
n

i=1
(y
i
ax
i
b)
2
(6.32)
admite punct de minim de coordonate care se obt in din sistemul obt inut prin anu-
larea derivatelor part iale de ordinul I
_

_
nb +a
n

i=1
=
n

i=1
y
i
b
n

i=1
x
i
+a
n

i=1
x
2
i
=
n

i=1
x
i
y
i
(6.33)
si are forma
a =
n

i=1
(x
i
x)(y
i
y)
n

i=1
(x
i
x)
2
b = y ax
(6.34)

Intre variabilele aleatoare exist a aproape sigur o relat ie liniar a de forma


Y = aX +b, a, b R
Covarianta de selectie este da a de formula
c
XY
=
1
n 1
n

i=1
(x
i
x)(y
i
y). (6.35)
98 CAPITOLUL 6. SEMINARUL 7
care poate pus a sub forma
c
XY
=
n

n
i=1
x
i
y
i

n
i=1
x
i

n
i=1
y
i
n(n 1)
. (6.36)
Coecientul statistic de corelatie este
r
XY
=
c
XY
s

X
s

Y
. (6.37)
Dreapta de regresie este
y y
s

Y
= r
XY
x x
s

X
. (6.38)
Exemplul 6.4.1 Se cunosc datele de select ie
x
i
2 6 8 10 14 16 18 20 22 24
y
i
5 13 16 24 27 31 35 41 43 49
S a determin am legatura liniar a dintre variabilele X si Y .

Inlocuim n sistemul (6.33) si obt inem


_
10b + 140a = 284
140b + 2440a = 4902
de unde g asim relat ia liniar a
Y = 1, 3912 + 1, 929X.
6.5 Probleme propuse
1. 10 rezistent e au urm atoarele valori in ohmi: 900/ 1012/ 939/ 1062/ 1017/
996/ 970/ 1079/ 1065/ 1049. Determinat i media si dispersia de select ie si
dispersia modicat a.
2. Pe o populat ie de 100 de arz atoare de cuart de 250 W pentru l ampi uores-
cente numerotate de la 1 la 100 s-a masurat tensiunea U n arc, n volt i.
6.5. PROBLEME PROPUSE 99
nr. U nr. U nr. U nr. U nr. U
1 134 21 134 41 125 61 144 81 134
2 133 22 135 42 136 62 146 82 132
3 136 23 136 43 133 63 134 83 130
4 133 24 138 44 139 64 142 84 132
5 135 25 131 45 131 65 146 85 138
6 140 26 137 46 141 66 133 86 137
7 141 27 123 47 128 67 135 87 133
8 138 28 129 48 137 68 126 88 137
9 132 29 137 49 128 69 134 89 130
10 130 30 135 50 127 70 127 90 139
11 135 31 140 51 136 71 138 91 131
12 144 32 134 52 136 72 132 92 138
13 136 33 130 53 130 73 126 93 139
14 129 34 135 54 135 74 135 94 141
15 122 35 144 55 147 75 143 95 135
16 124 36 148 56 134 76 142 96 142
17 135 37 140 57 142 77 134 97 138
18 139 38 135 58 148 78 143 98 128
19 145 39 131 59 133 79 140 99 138
20 137 40 123 60 135 80 140 100 137
Determinat i variabila de select ie atasat a, apoi cea prin gruparea datelor.
3. Urm atoarele date provin din m asurarea a 20 de rezistori, ecare ind inreg-
istrat din fabricat ie cu 1000:
980/ 986/ 1007/ 1005, 4/ 1015/ 998, 7/ 1002, 5/ 999/ 1020/ 1005/
1076, 3/ 998/ 1001, 5/ 1004/ 988/ 1006, 8/ 1000/ 1008, 5/ 1100/ 985.
Determinat i media de select ie, dispersia modicat a, excesul, mediana, asi-
metria.
4. Se cunosc 12 m asur ari (n ohmi) ale rezistent elor de intrare pentru o anten a.
100 CAPITOLUL 6. SEMINARUL 7
69, 71 71,56
77,31 73,33
69,05 66,98
68,66 71,72
72,84 70,77
75,32 71,36
Calculat i media si dispersia de select ie si determinat i c ate un interval de
ncredere pentru media teoretic a cu nivelul de ncredere 0,95 , presupun and
ca abaterea nominal a este 3, 6 .
Determinat i un interval de ncredere pentru pentru dispersie, cu acelasi nivel
de ncredere.
5. Ar atat i c a ntr-o select ie repetat a (f ar a ntoarcere) x
i
, i = 1, , n media de
select ie este un estimator absolut corect al mediei teoretice m. Presupunem
c a variabila teoretic a are dispersia
2
.
6. La o unitate de product ie sunt procesate loturi care cont in c ate 25 de cipuri.
Pentru 20 de loturi succesive se cunoaste num arul de cipuri defecte.
Lot nr. defect iuni Lot defect iuni
1 0 11 3
2 1 12 1
3 2 13 4
4 1 14 2
5 2 15 0
6 2 16 1
7 1 17 4
8 1 18 2
9 1 19 0
10 2 20 1
Estimat i probabilitatea p, ca un singur cip din totalitatea lor, s a e defect.
7. Ar atat i c a dispersia modicat a poate pus a sub forma
(s

)
2
=
n

n
i=1
x
2
i
(

n
i=1
)
2
n(n 1)
.
6.5. PROBLEME PROPUSE 101
8. Se cunoaste faptul c a 30 de date de select ie au
n

i=1
x
i
= 3001607 si abaterea
medie p atratic a s = 120. Aat i media de selct ie si intervale de ncredere cu
nivelul 0,9 respectiv 0,98 pentru media teoretic a.
9. 17 date de select ie au abaterea s

= 92. Determinat i un interval de incredere


pentru abaterea medie p atratic a cu nivelul 0,99.
10. Se fac urm atoarele m asur ari
848, 3/1131, 2/980, 4/949, 1/990/1044, 9/898, 1/1056, 6/923, 7/1002, 3.
Determinat i media de select ie, abaterea standard si intervalele lor conden-
t iale cu nivelul 0,95.
11. Ar atat i folosind metoda verosimilit at ii maxime, c a parametrul al vari-
abilei exponent iale poate estimat prim
=
n

n
i=1
x
i
=
1
x
.
12. Ar atat i folosind metoda verosimilit at ii maxime, c a parametrul
2
al vari-
abilei repartizate Rayleigh poate estimat prin

2
=
1
2n
n

i=1
x
2
i
.
13. Se dau perechile de date
x
i
0,68
y
i
12,45
0,72 1,27 2,01 2,63 3,06 3,15 4 4,03 4,50
9,93 6,64 10,14 8,93 13,34 11,56 16,72 19,62 15,03
Determinat i coecientul de corelat ie si dreapta de regresie.
102 CAPITOLUL 6. SEMINARUL 7
14. Un radar emite semnale ntr-un interval de timp mp art it n 100 de intervale
de c ate 10 secunde. Se obt in urm atoarele frecvent e
Num ar de semnal 0 1 2 3 4 >5
Num ar de intervale 11 30 25 20 10 4
Se poate accepta cu pragul de semnicat ie = 0.01 c a num arul de semnale
urmeaz a o lege Poisson ? Dar cu = 0.05 ?
15. Se consider a urm atoarea serie statistic a 66, 64, 59, 65, 81, 82, 64, 60, 78,
62, 65, 67, 67, 80, 63, 61, 62, 83, 78, 65, 66, 58, 74, 65, 80. Decidet i cu
nivelul de incredere 0,99 dac a se poate presupune c a select ia provine de la
o populat ie normal a.
16. S-au f acut urm atoarele m asur atori ale perechilor de date (x
i
, y
i
)
i x
i
y
i
i x
i
y
i
1 -19,8 -18,9 11 -12,3 -7,9
2 15,6 -0,9 12 -12,8 13,5
3 44,8 45,5 13 40,7 17,2
4 -20,6 1,7 14 -9,2 -30,1
5 5.6 1.7 15 36,5 57,7
6 -12,3 -22 16 -23,4 -43,1
7 48,2 51,8 17 -9 -34,3
8 -11,7 -26,7 18 41,1 65,8
9 50 41,4 19 -8,5 51,9
10 37,4 15,5 20 11,2 41,4
Determinat i dispersiile modicate (s

X
)
2
, (s

Y
)
2
, corelat ia statistic a, coe-
cientul de corelat ie statistic a. Analizat i existent a unei legaturi liniare ntre
variabile.
17. Ce devine sistemul (6.33) dac a aproximarea n sensul celor mai mici p atrate
se face cu curbele indicate mai jos ?
1. y = ax
2. y = ax
2
+bx +c
3. y = b +
k
x
4. y = ke
x
+b
6.5. PROBLEME PROPUSE 103
5. y = k ln x +b
6. y = ax

104 CAPITOLUL 6. SEMINARUL 7


Capitolul 7
Anexe
7.1 Repartitii uzuale
Repartitia Bernoulli
P{X = k} = C
k
n
p
k
q
nk
,
0 k n
p +q = 1
M[X] = np; D
2
[X] = npq; (t) = (q +p e
j t
)
n
0,3
0,25
6
0,2
0,15
5
0,1
0,05
4
0
3 2 1
1
0,8
0,6
0,4
0,2
0
x
8 6 4 2 0
Densitatea de probabilitate Funct ia de repartit ie
Figura 7.1: Repartit ia Bernoulli
Repartitia Poisson
P{X = k} = coecientul lui x
k
din
n

i=1
(q
i
+p
i
x), p
i
+q
i
= 1
M[X] =
n

i=1
p
i
; D
2
[X] =
n

i=1
p
i
q
i
; (t) =
n

i=1
(q
i
+p
i
e
j t
)
105
106 CAPITOLUL 7. ANEXE
Repartitia geometric a
P{X = k} = pq
k1
,
1 k < +
p +q = 1
M[X] =
1
p
; D
2
[X] =
q
p
2
; (t) =
p e
j t
1 q e
j t
Repartitia Poisson (cu o innitate num arabil a de valori)
P{X = k} =

k
k!
e

, k = 0, 1, 2, . . .
M[X] = ; D
2
[X] = ; (t) = e
(e
j t
1)
Repartitia hipergeometric a
P{X = k} =
C
k
a
C
nk
b
C
n
a+b
,
0 n a +b,
k a
M[X] =
an
a +b
; D
2
[X] =
abn(a +b n)
(a +b)
2
(a +b 1)
Repartitia Pascal (binomial a cu exponent negativ)
P{X = k} = C
m1
k1
p
m
q
km
,
m 1,
k m
M[X] =
m
p
; D
2
[X] =
mq
p
2
; (t) = (
p e
j t
1 q e
j t
)
m
7.1. REPARTIT II UZUALE 107
Repartitia uniform a X : U(a, b)
f(x) =
_
1
b a
, a < x < b,
0, x / (a, b)
M[X] =
a +b
2
; D
2
[X] =
(b a)
2
12
; (t) =
e
j t b
e
j t a
j t (b a)
0,5
0,3
0,4
0,2
0
0,1
x
2 1 0 -1 -2
1
0,8
0,6
0,2
0
0,4
x
5 4 3 1 0 -1 2
Densitatea uniform a Funct ia de repartit ie uniform a
Figura 7.2: Repartit ia uniform a
Repartitia exponential a
f(t) =
_
e
t
, dac a t 0,
0 , dac a t < 0, > 0
M[X] =
1

; D
2
[X] =
1

2
; (t) =

j t
2
1,5
1
0
0,5
x
4 2 3 1 -1 0
0,6
0,2
x
4 3 2 1 -1 -2 0
1
0,8
0,4
0
Densitatea exponet ial a Funct ia de repartit ie exponet ial a
Figura 7.3: Repartit ia exponet ial a
108 CAPITOLUL 7. ANEXE
Repartitia normal a X : N(m,
2
)
f(x) =
1

2
e

(xm)
2
2
2
, x R
M[X] = m; D
2
[X] =
2
; (t) = e
j m t
2
t
2
/2
0,2
0,15
0,1
0,05
0
x
8 6 4 0 -2 -4 2
1
0,8
x
0,6
0,4
8
0,2
6 4 2 0
Densitatea normal a Funct ia de repartit ie normal a
Figura 7.4: Repartit ia normal a
Repartitia Gama
f(x) =
_
_
_
1
()
(x)
1
e
x
, x 0
0, x < 0
> 0 > 0
M[X] =

; D
2
[X] =

2
; (t) =
_

1 j t
_

0,7
0,6
0,5
0,1
x
0,3
6 4 2 0 -2
0,2
0,4
0
x
4 3 2
0,8
1
0,6
0,4
0
0,2
-1
0
-2
Repartit ia Gama Funct ia de repartit ie Gama
Figura 7.5: Repartit ia Gama
7.1. REPARTIT II UZUALE 109
Repartitia Erlang
f(x) =
_
_
_
e
x
(x)
n1
(n 1)!
, x 0
0, x < 0
, > 0
M[X] =
n

; D
2
[X] =
n

2
;
n
(t) =
_

j t
_
n
Repartitia Rayleigh
f(r) =
_
r

2
e

r
2
2
2
, r 0
0, x < 0
> 0
M[X] =
_
/2; D
2
[X] = (2 /2)
2
Repartitia hi p atrat
f(x) =
_
_
_
1
2
n/2
(n/2)
n
x
n/21
e
x/2
2
, x 0
0, x < 0
, n N
M[X] = n
2
; D
2
[X] = 2n
4
; (t) = (1 2
2
t j)

n
2
3 2 1 0
0,25
0,2
0,15
x
0,1
0,05
5
0
4
1
0,8
0,6
0,4
0,2
0
x
4 3 2 1 0
Densitatea
2
Funct ia de repartit ie
2
Figura 7.6: Repartit ia
2
110 CAPITOLUL 7. ANEXE
Repartitia Cauchy
f(x) =

(
2
+x
2
)
, x R, > 0
(t) = e
|t|
0,14
0,1
0,06
0,02
x
10 5 0 -5 -10
0,16
0,12
0,08
0,04
0,6
0,2
0,8
0,4
x
10 5 -5 0 -10
Repartit ia Cauchy Funct ia de repartit ie
Figura 7.7: Repartit ia Cauchy
Repartitia Laplace
f(t) =

2
e
|x|
x R, > 0)
M[X] = 0; D
2
[X] =
2

2
; (t) =

2
t
2
+
2
0,12
0,08
0,04
0,16
x
4 8 0 -8 -4
x
-1 2 1
1
0
0,4
0,2
-2
0,8
3
0,6
-3
Repartit ia Laplace Funct ia de repartit ie Laplace
Figura 7.8: Repartit ia Laplace
7.1. REPARTIT II UZUALE 111
Repartitia Beta
f(x) =
_
_
_
x
m1
(1 x)
n1
B(m, n)
, 0 x 1
0, x / (0, 1)
, m > 0, n > 0
M[X] =
m
m +n
; D
2
[X] =
mn
(m +n)
2
(m +n + 1)
0,8
0,6
0,4
0
0,4 0,2 0
x
1
1,6
0,8
1,2
0,6 0,4
0,8
0,2
x
0
1
1
0,4
0
0,2
0,8
0,6
Repartit ia Beta Funct ia de repartit ie Beta
Figura 7.9: Repartit ia Beta
Repartitia Student
f(x) =
(
n+1
2
)

n(
n
2
)
_
1 +
x
2
n
_

n+1
2
, x R
M[X] = 0; D
2
[X] =
n
n 2
x
2 1 0 -1 -2
0,35
0,3
0,25
0,2
0,15
0,1
0,05
1
0,8
x
0,6
0,4
4
0,2
2 0 -2 -4
Repartit ia Student Funct ia de repartit ie Student
Figura 7.10: Repartit ia Student
112 CAPITOLUL 7. ANEXE
Repartitia Weibull
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
1
0,8
0,6
0,4
0,2
0
x
2 1,5 1 0,5 0
Repartit ia Weibull Funct ia de repartit ie Weibull
Figura 7.11: Repartit ia Weibull
f(t) =
_
t
1
e
t

, t 0,
0, t < 0
(, R
+
).
M[X] =
_
1 +
1

__
1

_1

D
2
[X] =
_
1

_2

_
1 +
2

2
_
1 +
1

__
7.1. REPARTIT II UZUALE 113
y
x
4
2
3
2
1,5
1
0
1 0,5 0
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
Repartit ia Weibull Funct ia de repartit ie Weibull
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
Funct ii de abilitatea Weibull Rate Weibull
rosu = 3, = 2
albastru = 1, = 1
negru = 1, =

2
114 CAPITOLUL 7. ANEXE
7.2 Functiile lui Euler
Functia gama ( integrala eulerian a de spet a a doua) este denit a prin:
(x) =
_
+
0
t
x1
e
t
dt (7.1)
este convergent a pentru x > 0.
Folosind de exemplu relat ia de recurent a, funct ia gama poate prelungit a analitic
n domeniul C \ {0, 1, 2, . . . , n, . . .}; funct ia admite poli simpli punctele
{0, 1, 2, . . . , n, . . .}.
Teorem a Au loc urm atoarele relat ii:
(z + 1) = z(z) (formula de recurent a) (7.2)
(z)(1 z) =

sin z
, z / Z (formula complementelor) (7.3)
(
1
2
+z)(
1
z
z) =

cos z
, z / {
2k + 1
2
; k Z} (7.4)
(z)(z) =

z sin z
, z / Z (7.5)
(1 z) = z(z). (7.6)
Valori particulare
(1) = 1, (n + 1) = n! (7.7)
(
1
2
) =

(7.8)
(n +
1
2
) =
1 3 5 (2n 1)

2
n
=
(2n 1)!!
2
n

, n N (7.9)
(n +
1
2
) =
(1)
n
2
n
(2n 1)!!

, n N. (7.10)
Functia beta (integrala eulerian a de spet a nt ai) este denit a prin:
(p, q) =
_
1
0
x
p1
(1 x)
q1
dx, Re p > 0, Re q > 0 (7.11)
7.2. FUNCT IILE LUI EULER 115
Teorem a Au loc reprezent arile integrale:
(z) = 2
_
1
0
e
t
2
t
2z1
dt, Re z > 0 (7.12)
(z) =
_

0
_
ln
1
t
_
z1
dt, Re z > 0 (7.13)
(p, q) =
_

0
t
p1
(1 + t)
p+q
dt, Re p > 0, Re q > 0 (7.14)
(p, q) = 2
_
2
0
sin
2p1
cos
2q1
, Re p > 0, Re q > 0. (7.15)
Teorem a Se veric a urm atoarele identit at i:
(p, q) =
(p)(q)
(p +q)
(7.16)
(p, q) = (q, p) (7.17)
(p, q + 1) =
q
p +q
(p, q) =
q
p
(p + 1, q) (7.18)
(p, q) =
q 1
p
(p + 1, q 1) (7.19)
(p, n + 1) =
n!
p(p + 1) (p +n)
, n N. (7.20)
Din (7.12) deducem:
_

0
e
x
2
dx =

2
. (7.21)
Index
abaterea medie p atratic a, 34
aranjamente, 4
asimetria, 84
autocorelat ia, 70
autocovariant a, 71
batoane, 84
c amp nit de probabilitate, 4
cazuri favorabile, 3
cazuri posibile, 3
Chapman-Kolmogorov, 65
coecientul de corelat ie, 71
coecientul statistic de corelat ie, 98
combin ari, 4
corelat ia ncrucisat a, 71
corelat ia, 56
Corelat ia unei variabile bidimensionale,
56
covariant a ncrucisat a, 72
covariant a, 23, 34
covariant a de select ie, 97
densit at i marginale condit ionate, 52, 53
densit at ile marginale, 51
densitate de probabilitate, 20, 31
densitatea exponent ial a , 59
densitatea de probabilitate a unei trans-
form ari, 55
densitatea de probabilitate bidimensional a,
50
densitatea de probabilitate condit ionat a,
33
dispersia, 23, 34
dispersia de select ie, 84
dispersia modicat a, 84
dispersia unui proces, 71
distribut ia Dirac, 20, 50
dreapta de regresie, 98
elipsa de egal a probabilitate, 58
estimare absolut corect a, 89
estimare nedeplasat a, 89
estimare punctual a, 89
evenimente elemenatre, 3
evenimente independente, 5
evenimentul contrar, 5
excesul, 84
formula lui Bayes, 33, 53
formula probabilitat ii totale, 33
frecvent a relativ a, 82
frecvent a absolut a, 81
funct ia caracteristic a a repartit iei normale,
36
funct ie de corelat ie, 73
funct ie de repartit ie ndimensional a, 69
funct ie de repartit ie condit ionat a, 32
funct iei lui Laplace, 35
funct ia de abilitate, 38
funct ia de repartit ie, 19
funct ia de repartit ie bidimensional a, 50
funct ia de verosimilitate, 90
funct ia frecvent elor cumulate, 82
funct ia unitate, 20
funct ii de repartit ie marginal a, 51
functia caracteristic a, 24
histograma, 84
116
INDEX 117
inegalitatea lui Boole, 5
inegalitatea lui Ceb asev, 34
interval aleator ntr-un proces Poisson,
67
interval de ncredere, 91
lant , 63
lant Markov, 63
legare n paralel, 40
legare n serie, 39
legea evenimentelor rare, 25
matrice de trecere, 64
matrice stochastic a, 64
media , 21
media de select ie, 83
media unei transform ari, 34
media unei variabile bidimensionale, 56
media unei variabile continue, 33
media unui proces, 70
mediana, 22, 83
moda, 22, 83
momentul centrat de ordin r, 22
momentul centrat de ordin r, 34
momentul centrat de select ie de ordin r,
84
momentul de producere a unui eveni-
ment ntr-un proces Poisson, 68
momentul init ial de ordin r, 34
momentul init ial de ordinul r, 21
momentul init ial de select ie de ordinul
r, 83
nivelul de ncredere, 91
permut ari, 4
prag de semnicat ie, 94
principiul multiplic arii, 4
probabilit at i condit ionate, 5
probabilit at i de trecere, 64
probabilit at i marginale, 50
probabilit at i de trecere, 64
probabilit at i de trecere dup a n pasi, 65
probabilit at i init iale, 63
probabilitate n sens clasic, 4
probabilitatea unei diferent e, 5
probabilitatea unei intersect ii, 6
probabilitatea unei reuniuni, 5
proces continuu, 73
proces cu cresteri independente, 66
proces cu spectru discret, 74
proces stat ionar n sens restr ans, 72
procese independente, 71
procese necorelate, 72
procese ortogonale, 72
proprietatea Markov, 63
puterea unui test, 94
rat a de defectare, 38
regula celor 3, 36
reparti t ii marginale condit ionate, 53
repartit ia binomial a cu exponent nega-
tiv (Pascal), 26
repartit ia exponent ial a, 37
repartit ia geometric a, 26
repartit ia normal a n-dimensional a, 58
repartit ia Poisson, 24
repartit ia Poisson cu innitate num arabil a
de valori, 25
repartit ia Rayleigh, 59
repartit ia Weibull, 38
repartit ia binomial a, 24
repartit ia Bernoulli, 24
repartit ia Cauchy, 40, 61
repartit ia Erlang, 40
repartit ia exponent ial a, 67
repartit ia Gamma, 40
repartit ia hi patrat, 40
repartit ia Laplace, 40
repartit ia normal a n-dimensional a, 58
repartit ia produsului, 18
repartit ia Rayleigh, 40
repartit ia Simpson, 60
118 INDEX
repartit ia Snedecor, 41
repartit ia Student, 41, 61
repartit ia sumei, 18
repartit ia unei variabile, 17
repartit ia uniform a, 36, 68
repartit ia Weibull, 40
repartitia Beta, 41
select ie, 81
select ie repetat a, 81
serie statistic a, 81
sistem complet de evenimente, 6
spectru, 74
sperant a, 21
st ari, 63
statistic a, 89
teorema limit a central a, 36
teorema Moivre Laplace, 36
transformata Fourier, 35
variabiabile Cauchy, 60
variabil a aleatoare continu a, 31
variabil a aleatoare discret a, 17
variabil a aleatoare., 31
variabil a cu datele grupate, 82
variabil a de select ie simpl a, 82
variabila teoretic a, 81
variabila normal a bidimensional a, 54
variabila uniforma bidimensional a, 58
variabile discrete independente, 18
variabile independente, 50, 51
variabile marginale, 50
variant a, 23