Documente Academic
Documente Profesional
Documente Cultură
Variabile aleatoare
si reparti
tia lor
! f0; 1g conform
Aceasta se nume
ste indicator al evenimentului A.
Este resc sa consideram n exemplul nostru ca X, IA sunt varibile
aleatoare in sensul ca valorile lor depnd de evenimentele elementare corespunzatoare experimentului dat.
Deni
tia 2 Fie ( ; F) un spatiu masurabil discret, atunci vom numi variabil
a aleatoare (v.a) denit
a pe acest spatiu orice functie X : ! R.
Imaginea multimii
n raport cu functia X este multimea X( ) =
fX(! 1 ), X(! 2 ), ... ,X(! k ), ...g = fx1 , x2 , ... ,xn , ...g = X , unde x1 < x2 <
... < xn < ... . Atunci perechea (X , P(X )), unde X = fx1 , x2 , ... ,xn , ...g
iar P(X ) = fC j C X g, formez
a un nou spatiu m
asurabil numit spatiu masurabil de selectie al variabilei aleatoare X. Pentru orice C 2 P(X ) putem
deni probabilitatea PX (C) = P f! j X(!) 2 Cg. Aplicatia PX : P(X ) !
R denit
a pe (X , P(X )), este o probabilitate discret
a deoarece
PX (X ) = P f! j X(!) 2 X g = P ! j ! 2 X
(X ) = P( ) = 1:
i 1
Deni
tia 3 Setul f(xi ; PX (xi ))gi 1 , unde PX (xi )
0 si
PX (xi ) = 1, se
i 1
nume
ste repartitie a variabilei aleatoare X, unde
PX (xi ) = P f! j X(!) = xi g = pi ; i
1:
0 1 2
1
4
1
2
1
4
, IA :
0 1
1
4
3
4
1.2. FUNCTIA
DE REPARTITIE
Propozi
tia 5 Daca f(xi ; pi )gi
0 si
pi = 1
i 1
xi 2
1.2
Func
tia de reparti
tie
Propozi
tia 8 Daca FX este functia de repartitie a variabilei aleatoare X
atunci:
1. P(X > a) = 1
2. P(a < X
FX (a), 8a 2 R;
FX (a), 8a,b 2 R, a < b;
b) = FX (b)
3. P(X < a) = FX (a
4. P(X = a) = FX (a)
0),8a 2 R;
FX (a
0)
6. P(a
X < b) = FX (b
0)
FX (a
7. P(a
b) = FX (b)
Demonstra
tie:
1. P(X > a) = 1
2.
P(X
f! 2
j X(!)
FX (a
a) = 1
f! 2
FX (a),8a 2 R;
j X(!)
ag [ f! 2
bg =
j a < X(!)
bg ; 8a; b 2 R; a < b:
Deci
P(X
b) = P(X
b) ,
a) + P(a < X
b) , P(a < X
b) = FX (b)
FX (a);
3. Fie sirul (an )n 1 , an " a, astfel nct a1 < a2 <...< an <...< a . Atunci
f! 2
j X(!) < ag = f! 2
jX (!)
a1 g[f! 2
j a1 < X(!)
a2 g[...
1.2. FUNCTIA
DE REPARTITIE
[ f! 2
j an
5
< X(!)
an g [ ... .
Rezult
a c
a
P(X < a) = P(X
= lim [P(X
n!1
=
=
a1 ) + P(a1 < X
a1 ) + P(a1 < X
n!1
lim FX (an ) = FX (a
n!1
a2 ) + ::: + P(an
a2 ) + ::: + P(an
<X
1 < X
an ) + :::
an )]
FX (an 1 )]
0);
FX (b),8a,b 2 R,a
b;
x! 1
Demonstra
tie:
1. Fie a,b 2 R, a b. Evident, f! 2 j X (!) ag f! 2 j X (!) bg.
Prin urmare FX (a) = P (X a) P (X b) = FX (b).
2. S
tim c
a P(X > x) = 1 FX (x). Consider
am sirul (xn )n 0 astfel nct
xn > x, xn # x, x <...< xn <...< x2 < x1 si lim xn = x:
n!1
Deci evenimentul
fX > xg = f!jX (!) > xg =
fX > x1 g [ fx1
Prin urmare
X < xn g [ ::::
X < xn ) + :::
lim [1
xn #x
xn #x
FX (x1 ) + FX (x2 )
lim [1
xn #x
FX (xn+1 )] = 1
X < xn )] =
FX (xn )] =
FX (x + 0):
rezult
a c
a
1 = P( ) = P(X > x1 ) + P(x2 < X
=1
FX (x1 ) + FX (x2 )
= lim [1
xn 1 ) + :::
FX (xn+1 ) + :::
FX ( 1);
adic
a FX ( 1) = 0.
Pentru a descrie comportamentul probabilist a unei variabile aleatoare X
n caz discret avem la dispozitie trei modele matematice:
X
(1) (X; ( ; F; P)); (2) Repartitia v.a. X , f(xi ; pi )gi 1 , pi 0,
pi = 1
i 1
1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET7
n paragraful anterior am ar
atat c
a pentru v.a. discrete modelele (1) si
(2) sunt echivalente n sensul c
a, stiind un model putem restabili cel
alalt
model. Propozitia de mai jos arat
a c
a si modelele (2), (3) sunt echivalente,
prin urmare modelele (1) (3) sunt echivalente n sensul ar
atat mai sus.
Propozi
tia 10 a) Daca X este o variabila aleatoare cu repartitia f(xi ; pi )gi 1 ,
X
pi 0,
pi = 1, atunci pentru functia ei de repartitie are loc relatia
i 1
FX (x) =
pi .
i:xi x
FX (xi )
FX (xi
0) > 0.
Demonstra
tie. a) Deoarece f! 2
xi g, f! 2
jX (!) = xi g \ f! 2
FX (x) = P f! 2
=
i:xi x
j X (!)
P f! 2
j X (!)
xg = [f ! 2
i:xi x
jX (!) = xj g, 8i 6= j, i; j
xg = P( [f ! 2
i:xi x
j X (!) = xi g =
j X (!) =
1, rezul
a c
a
j X (!) = xi g)
pi .
i:xi x
1.
1.3
Reparti
tii (modele probabiliste) uzuale n
caz discret
Reparti
tia uniform
a pe f0,1,: : : N g sau pe f1,2,: : : N g
Deni
tia 11 Vom spune ca variabila aleatoare X este repartizat
a uniform
pe f0,1,: : : N g sau pe f1,2,: : : N g (se noteaza X
U f0,1,: : : ,N g sau X
U f1,2,: : : ,N g) daca
X :
sau X :
1
N +1
1
N +1
1
N
1
N
:::
:::
:::
:::
N
1
N
N
1
N +1
1
p
1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET9
Reparti
tia binomial
a cu parametrii n
si p, n = 1,2,: : : ; p 2 [0,1]
Deni
tia 15 Vom spune ca variabila aleatoare X este repartizat
a binomial
cu parametrii n 2 f1,2,: : : g si p 2 [0,1] ( se noteaza X
Bi(n,p)) daca
repartitia ei este data de formula
P(X = k) = Ckn pk (1
p)n k ; k = 0; n:
Observa
tia 2 Denitia este corecta deoarece
n
X
P(X = k) =
k=0
n
X
Ckn pk (1
p)n
k=0
p))n = 1n = 1:
= (p + (1
Din punct de vedere teoretic, acest model descrie comportamentul probabilistic al num
arului de succese n n probe Bernoulli cu probabilitatea succesului p n ecare prob
a. Aceasta se vede din
Teorema 16 Daca X este numarul de succese n n probe Bernoulli cu probabilitatea succesului p 2 [0,1] n ecare proba, atunci X Bi(n,p).
Demonstra
tie. Spatiul de evenimente elementare corespunz
ator repet
arii
unui experiment Bernoulli de n ori este
= f(a1 ,a2 ,: : : ,an ) j ai = 0,1,
i = 1; ng. Asa dar, notnd cu 1 succesul si 0 insuccesul, orice rezultat poate
reprezentat ca o secventa de zerouri si unit
ati de forma a1 , a2 , : : : , an ,
evenimentele Ai = fproba i se va solda cu rezultatul ai g ind independente,
iar P(Ai ) = pai (1 p)1 ai , i = 1; n. Prin urmare
Pf(a1 ; a2 ; : : : ; an )g = P(A1 A2 : : : An ) =
p
a1
(1
1 a1
p)
a2
(1
1 a2
p)
an
Dar fX = kg = f(a1 ; a2 ; : : : ; an ) 2
n
P
j
ai = kg = Ckn . Prin urmare,
1 an
(1
p)
n
P
= pi=1
ai
i=1
P(X = k) =
a1 ;:::;an =0
a1 + +an =k
n
P
i=1
p)
nP
i=1
ai
n
P
ai = kg cu card f(a1 ; a2 ; : : : ; an ) 2
i=1
1
X
(1
ai
(1
p)
n
P
i=1
ai
10
pk (1
p)n
= pk (1
p)n
1=
cardf(a1 ; a2 ; : : : ; an ) 2
j a1 +
Ckn pk (1
+ an = kgpk (1
p)n
p)n k ; k = 0; n:
Exemplul 17 Consideram aruncarea unui zar perfect de n ori, iar evenimentul faparitia fetei 6 g drept succes , probabilitatea succesului n ecare
proba ind egala cu p = Pf6g = 16 . Daca X este numarul de aruncari n
care apare fata 6, atunci
P(X = k) = Ckn pk (1
p)n k ; k = 0; n.
Cn0
p (1
n 0
p)
5
6
Reparti
tia geometric
a cu parametrul p, p 2 [0,1]
Deni
tia 18 Vom spune ca variabila aleatoare X este repartizat
a geometric
cu parametrul p 2 [0,1] ( se noteaza X
Geom(p)) daca repartitia ei este
data de formula
P(X = k) = p(1 p)k ; k = 0; 1; : : :
sau
P(X = k) = p(1
p)k 1 ; k = 1; 2; : : : :
Observa
tia 3 Denitia este corecta deoarece
X
p(1 p)k = p(1 + (1 p) + (1
p)2 + : : : )
k>0
= p
1
(1
p)
=1
Propozi
tia 19 Daca X este numarul de probe Bernoulli, cu probabilitatea
succesului p 2 [0,1] n ecare proba, efectuate pna la nregistrarea primului
succes, atunci X~Geom(p).
1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET11
Demonstra
tie. Evenimentele Ai = fproba i se va solda cu succesg ind independente, iar P(Ai ) = p, i 1, avem ca P(X = k) = P(A1 A2 : : : Ak Ak
P(A1 )P(A2 ) : : : P(Ak )P(Ak +1 ) = p(1 p)k ; dac
a n num
arul X nu este inclus
a si proba n care s-a produs succesul, k > 0.
Teorema 20 (Proprietatea lipsei memoriei pentru reparti
tia geometric
a) Daca X~Geom(p), p 2 [0,1], adica P(X = k) = p(1 p)k ,
k = 0,1,: : : , atunci
P(X = n + m = x > m) = p(1
p)n , n = 0; 1; : : : si m = 0; 1; : : : :
Demonstra
tie.
P(X = n + m = x > m) =
P(X = n + m)
=
P(X = m) + P(x = m + 1) + : : :
p(1
=
p(1
p(1
p)m [1 + (1
p(1
p)m+n
p) + (1
p(1 p)m+n
p)m + p(1 p)m+1 + : : :
p)2 + : : : ]
p(1 p)m+n
=
(1 p)m
p)n ; 8 n; m = 0; 1; : : : .
Exerci
tiul 1.3.1 Demonstrati ca are loc si reciproca acestei propozitii:
Daca v.a X 2 f0,1,: : : g si repartitia ei are proprietatea ca exista un numar
p 2 [0,1] astfel nct P(X = m + n = X > m) = p(1 p)n , atunci
X~Geom(p).
Reparti
tia Poisson cu parametrul ,
>0
Deni
tia 21 Vom spune ca variabila aleatoare X este repartizat
a Poisson
cu parametrul > 0 (se noteaza X
P oisson( )) daca repartitia sa este
data de formula
k
P(X = k) =
k!
; k = 0; 1; : : :
Observa
tia 4 Denitia este corecta deoarece
X
k>0
P(X = k) =
X
k>0
k!
=e
X
k>0
k!
=e
e = 1:
+1 )
12
Bi(n; p), n !
P(X = K) = Ckn pk (1
p)n
n!1
k!
; k = 1; 2; : : : :
Demonstra
tie. Din ipoteza rezult
a c
a p poate scris p =
pentru n sucient de mare. Deci
P(X = k) = Ckn pk (1
n!
k!(n k)!
n(n
1) : : : (n
k!
1
+ o( )
n
n
p)n
(1
nk
(1 + o(1)) 1
1
o( )
n
n!1
k!
, k = 0; 1; : : : .
+ o( n1 )
1
o( ))n
n
k + 1)
1
(1
o( n1 ))k
1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET13
Exemplul 23 Presupunem ca pentru producerea a 1000 de cozonaci au fost
prevazute 10000 de stade. n presupunerea ca tehnologia este respectata ntocmai (aluatul si stadele sunt bine amestecate), care este probabilitatea ca,
alegnd la ntmplare un cozonac acesta nu va avea nici o stada ?
Fie un cozonac ales la ntmplare dintre cei 1000 de cozonaci. Pentru ecare
stada, din totalul de 10000 mii stade, consideram succes evenimentul fstada
1
va nimeri n cozonacul alesg. Probabilitatea succesului este p = 1000
, ntruct pentru ecare stada n parte exista 1000 de posibilitati echiprobabile
de a nimeri ntr-unul din cei 1000 de cozonaci. Prin urmare daca X este
1
numarul de stade nimerite n cozonacul ales, atunci X
Bi(10000, 1000
).
Probabilitatea ca ntr-un cozonac ales la ntmplare sa nu nimereasca nici o
stada este:
P(X = 0) = C010000
1
1000
1
1000
10000
= 0; 99910000 ;
1
n = 10000 ind sucient de mare, iar p = 1000
sucient de mic, din Teorema
0
0
limita a lui Poissson rezulta ca P(X = k) = 0; 99910000 ' (np)
e np = 100! e 10
0!
' 0.
pi =
(1;3699)i
e 1;3699 :
i!
n tabelul de mai jos sunt expuse pentru comparare valorile Pi (500; 1=365)
si pi pentru i = 0; 6:
14
i
0
1
2
3
4
5
6
Pi (500; 1=365) 0; 2537 0; 3484 0; 2388 0; 1089 0; 0372 0; 0101 0; 0023
pi
0; 2541 0; 3481 0; 2385 0; 1089 0; 0373 0; 0102 0; 0023
Din tabel avem c
a rezultatele calculelor bazate pe diferite modele (repartitii) probabiliste n cazul nostru nu difer
a esential.
Reparti
tia hipergeometric
a cu parametrii N , M
si n
Deni
tia 24 Vom spune ca variabila aleatoare X este repartizat
a hipergeometric cu parametrii N , M , n (se noteaza X~Hipergeom(N ,M ,n)) ,
M; n N daca repartitia ei este data de formula
P(X = k) =
CkM CnN
CnN
k
M
; k = 0; min(n; M ):
1.4
k
M
; k = 0; min(n; M ):
! R2 se nume
ste vector aleator
15
j X (!) = xi , Y (!) = yj g ; i; j
1.
1 si
i;j 1
i;j 1
yj
y1
p11
p21
...
pn1
...
x1
x2
...
xn
...
unde pij
0,
y2
p12
p22
...
pn2
...
...
...
...
...
...
...
ym
p1m
p2m
...
pnm
...
...
...
...
...
...
...
pij = 1.
i;j 1
j X (!) = xi g = [ Aij
j 1
j X (!) = xi , Y (!) = yj g ; 8i
si
A j = f! 2
[ f! 2
i 1
j Y (!) = yj g = [ Aij =
i 1
j X (!) = xi , Y (!) = yj g ; 8j
1,
16
rezult
a c
a, stiind repartitia v.a. (X; Y ), putem restabili asa numitele repartitii marginale f(xi ; pi )gi 1 ale v.a. X si f(yj ; p j )gj 1 conform formulelor
pi =
pij ; p j =
j 1
pij .
i 1
ntr-adev
ar,
pi = P(Ai ) = P f! 2
P( [ Aij ) = P( [ f! 2
j 1
X
j 1
j 1
P( f! 2
j X (!) = xi , Y (!) = yj g)
j X (!) = xi , Y (!) = yj g) =
p j = P(A j ) = P f! 2
P( [ Aij ) = P( [ f! 2
i 1
X
i 1
P( f! 2
j X (!) = xi g =
i 1
X
j 1
pij ; 8i
1;
j Y (!) = yj g =
j X (!) = xi , Y (!) = yj g)
j X (!) = xi , Y (!) = yj g) =
X
i 1
pij ; 8j
1:
Exemplul 26 Consideram un experiment cu aruncarea unei monede perfecte si a unui zar perfect simultan. Fie variabilele aleatoare X = f numarul
de steme aparute la aruncarea monedeig si X = f numarul de puncte aparute
la aruncarea zarului g.
Evident (X,Y ) 2 f0; 1g f1; 2; :::; 6g. ntruct zarul si moneda sunt perfecte
rezulta ca
P(X = xi ; Y = yj ) =
1
:
12
1
2
j i = 0; 1; j = 1; 6)
Deni
tia 27 Vom numi functie de repartitie a vectorului aleator (X,Y )
functia de doua variabile
FX;Y (x; y) = P f! 2
j X (!)
x; Y (!)
yg 8x; y 2 R2
17
Propozi
tia 28 Daca FX;Y (x,y) este functia de repartitie a vecorului aleator
(X,Y ) atunci
1. P(X < x,Y < y) = FX;Y (x
2. P(a1 < X
b1 ,a2 < Y
0,y
0);
b2 ) =
1
X
FX;Y (a1 ; b2 )
"2 ) a1 ; "1 b1 + (1
" 2 ) a1 ) ;
"1 ;"2 =0
si
a1 ;b1
a2 b2
care actioneaz
a asupra functiei FX;Y
a1 b1 FX;Y
FX;Y (a1 ; y) ;
a2 b2 FX;Y
FX;Y (x; a2 ) ;
observam c
a aplicarea lor succesiv
a are drept rezultat
a1 ;b1
1
X
a2 b2 FX;Y
(x; y) =
"1 ) a1 ; "2 b1 + (1
"1 ;"2 =0
P(a1 < X
b1 ; a2 < Y
b2 ).
" 2 ) a2 ) =
18
Deni
tia 29 Functia vector (X1 ,X2 ,: : : ,Xn ) :
aleator sau variabil
a aleatoare n dimensional
a.
X2
Xn
unde
(1)
(1)
(2)
(2)
(n)
Xn
Deni
tia 31 Vom numi functie de repartitie a vectorului aleator (X1 ,: : : ,Xn )
functia FX (x) = FX1 ;:::;Xn (x1 ,: : : ,xn ) = Pf! 2 j X1 (!) x1 ,:::,Xn (!)
xn g = P(X x1 ,:::,X xn ), 8x = (x1 ,: : : ,xn ) 2 Rn .
ntroducnd operatorii
urm
ator
ai ;bi FX1 ;X2 ;:::;Xn
ai ;bi ,
care actioneaz
a asupra functiei FX n felul
x1 ; :::; ai < Xi
8a1 ; b1 ; a2 ; b2 ; :::; an ; bn 2 R; a1
bi ; :::; X
b1 ; a2
xn );
b2 ; :::; an
bn , i = 1; n ,
a1 ;b1
1
X
19
(x1 ; x2 ; :::; xn ) =
(x1 ; x2 ; :::; xn ) =
"1 ) a1 , "2 b2 + (1
" 2 ) a2 ,
..., "n bn + (1
P(a1 < X
b1 ; :::; ai < Xi
" n ) an ) =
bi ; :::; an < X
bn )
0.
Teorema 32 (Propriet
a
tile caracteristice ale func
tiei de reparti
tie
multidimensionale) Daca FX este functia de repartitie a variabilei aleatoare
X = (X1 ; X2 ; :::; Xn ) atunci:
1.
a1
b1 ,a2
b2 ,...,an
(x1 ; x2 ; :::; xn )
bn ;
2. FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) este continua la dreapta n raport cu ecare
variabila xi , adica
FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi + 0; :::; xn ) = FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi ; :::; xn )
3. FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi 1 ; 1; xi+1 ; :::; xn ) = 0 si
FX1 ;X2 ;:::;Xn (+1; +1; :::; +1) = 1.
Demonstra
tie. Proprietatea 1 rezult
a din faptul c
a
a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn
P(a1 < X
b1 ; :::; ai < Xi
(x1 ; x2 ; :::; xn ) =
bi ; :::; an < X
bn )
0.
Propriet
atea 2 se demonstreaz
a ca si n cazul unidimensional, deoarece
ne raport
am la ecare variabil
a n parte.
Pentru demonstratia propriet
atii 3 se aplic
a, cu modic
ari neesentiale,
aceeasi metod
a ca si n cazul unidimensional.
Observa
tia 5 n caz multidimensional proprietatea 1 atrage dupa sine monotonia nedescrescatoare a functiei de repartitie FX n raport cu ecare variabila,
dar reciproca nu este adevarata. ntr-adevar putem aduce urmatorul
20
FX;Y (x; y) =
1
X
"1 ) b1 ; a2 "2 + (1
"2 ) b 2 ) =
"1 ;"2 =0
= F (1; 1)
1.5
F (1; 0)
F (0; 1) + F (0; 0) =
1:
Independen
ta variabilelor aleatoare
Deni
tia 34 Vom spune ca variabilele X si Y sunt independente daca
P(X = xi ; Y = yj ) = P(X = xi )P(Y = yj ); 8i; j
21
X X
P(X = xi )P(Y = yj ) =
i:xi xj:yj y
i:xi x
P(X = xi )
P(Y = yj )
j:yj y
FX;Y (xi
FX (xi
FX (xi
0; yj )
0)FY (yj )
0)][FY (yj )
FX;Y (xi ; yj
0) + FX;Y (xi
0) + FX (xi
0; yj
0) =
0)FY (yj
0)
Observa
tia 6 Notiunea de independenta, dar si conditia necesara si sucienta de independenta din propozitia anterioara se extind, n mod resc,
asupra variabilelor aleatoare multidimensionale.
1.6
Formula convolu
tiei
22
P(Z = z) =
P (X = xi ; Y = z
xi ) =
P (X = z
yj ; Y = yj ) ;
j 1
i 1
Teorema 38 b) Daca X,Y sunt v.a. independente, atunci repartitia variabilei aleatoare Z = X + Y este data de formulele
P(Z = z) =
P (X = xi )P(Y = z
xi ) =
i 1
P (X = z
yj )P(Y = yj ) :
j 1
Demonstra
tie. a) Plec
am de la faptul c
a
fZ = zg = f! 2
Not
am Aij = f! 2
j Z(!) = zg = f! 2
j X(!) + Y (!) = zg .
1. Atunci:
fZ = zg = fZ = zg \ = f! 2 j Z(!) = zg \
= f! 2 j X(!) + Y (!) = zg \
= f! 2 jX(!) + Y (!) = zg \ ( [ Aij )
i;j 1
i;j:xi +yj =z
f! 2 jX(!) = xi ; Y (!) = yj g .
Atunci:
P fZ = zg = P
=
i;j:xi +yj =z
f! 2 jX(!) = xi ; Y (!) = yj g
P (X = xi ; Y = yj ) =
P (X = xi ; Y = z
i 1
X
j 1
P (X = z
yj ; Y = yj )
xi )
; Aij \
23
ntr-adev
ar, dac
a variabilele
P (X = xi ; Y = yj ) = P (X = xi )P(Y = yj ) , 8i; j
1,
prin urmare
P(Z = z) =
P (X = xi ; Y = z
xi ) =
i 1
P (X = xi )P(Y = z
xi )
i 1
P (X = z
yj ; Y = yj ) =
j 1
yj )P(Y = yj ) .
P (X = z
j 1
i
1
i!
j
2
j!
; i = 0; 1; 2; :::
; j = 0; 1; 2; :::
k
X
i=0
(
i
1
i!
k i
1
(k
i)!
1+ 2)
k!
k
2)
=
(
1+ 2)
k!
Cik
i k i
1 1
i=0
+ 2)
e
k!
1 + 2 ).
k
X
(
1+ 2)
,k
24
Propozi
tia 40 Multimea variabilelor aleatoare independente repartizate Poisson este nchisa n raport cu operatia convolutiei (data de formula conn
P
volutiei) aplicata asupra repartitiilor, adica X1 +X2 +...+Xn P oisson(
i ),
i=1
P oisson( i ),
> 0, i = 1; n.