Documente Academic
Documente Profesional
Documente Cultură
Probabilitati
Probabilitati
I3: PROBABILITAT
Stefan Balint, Eva Kaslik, Simina Maris
Cuprins
1 Experient
a si evenimente aleatoare
3 Evenimente contrare
6 Operatii cu evenimente
8 Frecventa
10
12 Definitia axiomatic
a a probabilit
atii
10
14
14 Probabilitate conditionat
a
16
20
27
30
31
Momente.
20 Covariant
a. Coeficient de corelatie
35
38
39
23 Repartitia binomial
a
41
43
25 Repartitia multinominal
a
47
26 Repartitia geometric
a. Repartitia binominal
a negativ
a
48
49
52
30 Repartitia normal
a
53
Experient
a si evenimente aleatoare
teoria probabilit
Definitia 1.1. In
atilor prin experienta
se ntelege un act care, n
conditii date, poate fi repetat nelimitat.
Definitia 1.2. Acele experimente care n conditii date au un singur rezultat se numesc
deterministe, iar cele care n conditii date pot avea mai multe rezultate se numesc
experiente aleatoare.
Exemplul 1.1. Aruncarea unei monede, aruncarea unui zar, extragerea unei bile dintr-o
urna, tragerea cu arma ntr-o tinta sunt exemple de experiente aleatoare.
In urma aruncarii unei monede se obtine unul din urmatoarele rezultate elementare:
(stema), (valoare).
Daca notam cu (1) aparitia fetei cu un singur punct, cu (2) aparitia fetei cu doua puncte,
etc., atunci n urma experientei care consta n aruncarea unui zar se obtine unul din
urmatoarele rezultate elementare:
(1), (2), (3), (4), (5), (6).
Definitia 1.3. Orice rezultat legat de o experient
a aleatoare, despre care, dupa efectuarea
experientei, putem spune ca s-a produs sau nu, poart
a numele de eveniment aleator
asociat experientei.
Evenimentul (stema), n cazul aruncarii unei monede, poate sa se realizeze sau sa nu
se realizeze, motiv pentru care acest eveniment este numit eveniment aleator spre
deosebire de evenimentul (moneda cade pe pamant) care se realizeaza sigur datorita
gravitatiei.
Un eveniment aleator depinde de actiunea unor factori care nu au fost luati n consideratie
la fixarea conditiilor n care se efectueaza experienta. In experienta aruncarii monedei,
asemenea factori sunt: felul n care miscam mana, particularitatile monedei, pozitia n
care se gaseste moneda n momentul aruncarii.
Referitor la realizarea unui eveniment aleator la efectuarea unei singure experiente
aleatoare nu putem spune nimic, nainte de efectuarea experientei. Nu putem prevedea
daca la o singura aruncare a monedei va aparea fata cu stema. In teoria probabilitatilor
ne vom ocupa de asemenea experiente si evenimente, de evaluarea sansei de realizare a
unui eveniment aleator asociat experientei.
Fiecarei experiente aleatoare i se pot atasa doua evenimente cu caracter special: evenimentul sigur si evenimentul imposibil.
Definitia 2.1. Evenimentul sigur (notat cu S) este un eveniment care se realizeaz
a
cu certitudine la fiecare efectuare a experientei aleatoare.
3
Exemplul 2.1. (Aparitia unei fete) n cazul aruncarii monedei este un eveniment sigur
al experientei. (Aparitia uneia din fete) n cazul aruncarii zarului este un eveniment sigur
al experientei.
Definitia 2.2. Evenimentul imposibil (notat cu ) este un eveniment care nu se
realizeaz
a niciodat
a la efectuarea experientei aleatoare.
Exemplul 2.2. Aparitia unei bile rosii n cazul experientei care consta n extragerea unei
bile dintr-o urna care contine doar bile albe este un eveniment imposibil.
Evenimente contrare
Notam cu A evenimentul aparitiei uneia din fetele 2, 5 si cu B aparitia uneia din fetele
1, 3, 4, 6 la aruncarea unui zar. Se observa ca daca nu se realizeaza evenimentul A (nu
apare una din fetele 2 sau 5) atunci se realizeaza evenimentul B (obtinem una din fetele
1, 3, 4, 6) si viceversa: daca nu se realizeaza B atunci se realizeaza A.
Definitia 3.1. Contrarul unui eveniment A asociat experientei este un eveniment
B asociat aceleasi experiente care are proprietatea ca, la orice repetare a experientei
aleatoare, daca se realizeaz
a A atunci nu se realizeaz
a B si daca nu se realizeaz
a A atunci
se realizeaz
a B.
Daca B este contrariul lui A atunci A este contrariul lui B.
Evenimentul contrar unui eveniment A (asociat experientei) l vom nota cu A sau {A.
Operatii cu evenimente
Atunci cand n cadrul unei experiente urmarim realizarea unui eveniment, urmarim de
fapt realizarea unei parti a multimii rezultatelor elementare ale experientei.
Exemplul 6.1. La aruncarea zarului, daca urmarim realizarea evenimentului A, constand
n aparitia uneia din fetele 1 sau 3, urmarim de fapt daca obtinem sau nu rezultatul (1)
sau (3) din multimea de rezultate elementare (1), (2), (3), (4), (5), (6). Evenimentul A
este perfect determinat de multimea formata din aceste doua rezultate elementare si l
putem identifica cu aceasta: A = {1, 3}.
Exemplul 6.2. La aruncarea a doua zaruri, daca ne intereseaza obtinerea sumei 7,
urmarim daca apare sau nu unul din rezultatele:
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)
5
si evenimentul A l vom considera ca fiind multimea ale carei elemente sunt perechile de
numere:
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}.
Evenimentul imposibil, care nu se realieaza niciodata la efectuarea experientei, este
multimea vida, . Evenimentul sigur este reprezentat de multimea tuturor evenimentelor
elementare.
Intr-o asemenea viziune daca A este multimea rezultatelor elementare care reprezinta
un eveniment atunci multimea {A (complementara lui A) este multimea rezultatelor
elementare care reprezinta evenimentul contrar.
Am vazut ca evenimentul A0 implica evenimentul B 0 , nseamna ca ori de cate ori se
realizeaza A0 se realizeaza si B 0 ; rezulta ca multimea A a rezultatelor elementare care
reprezinta evenimentul A0 este inclusa n multimea B a rezultatelor elementare care
reprezinta evenimentul B 0 , adica
A B.
Multimile care reprezinta doua evenimente incompatibile sunt disjuncte.
Definitia 6.1. Fiind date doua evenimente A0 si B 0 asociate unei experiente aleatoare,
numim reuniunea lor si o notam cu A0 B 0 , evenimentul care se realizeaz
a daca cel
0
0
putin unul din evenimentele A sau B se realizeaz
a.
Rezulta ca daca A este multimea rezultatelor elementare care reprezinta evenimentul A0 si
B este multimea rezultatelor elementare care reprezinta evenimentul B 0 atunci multimea
A B reprezinta evenimentul A0 B 0 .
Exemplul 6.3. In cazul experientei de aruncare a zarului, sa consideram evenimentele
reprezentate prin urmatoarele multimi:
A = {1, 2, 5}, B = {3, 4, 5}.
Evenimentul A0 se realizeaza daca se obtine unul din rezultatele {1}, {2} sau {5}, iar B 0
se realizeaza daca se obtine unul din rezultatele {3} sau {4} sau {5}. Pentru a realiza cel
putin unul din evenimentele A0 sau B 0 trebuie sa obtinem unul din rezultatele {1}, {2},
{3}, {4}, {5} si deci evenimentele A0 B 0 este reprezentat de multimea:
A B = {1, 2, 3, 4, 5}.
Definitia 6.2. Intersectia evenimentelor A0 si B 0 asociate unei experiente aleatoare,
notata cu A0 B 0 , este evenimentul care se realizeaz
a daca se realizeaz
a ambele evenimente.
Rezulta ca daca A, respectiv B sunt multimile care reprezinta evenimentele A0 , respectiv
B 0 , atunci multimea A B reprezinta evenimentul A0 B 0 .
Exemplul 6.4. In conditiile din exemplul precedent A B = {5}.
Frecventa
a a evenimentului A.
Definitia 8.1. Numarul fn (A) = se numeste frecventa relativ
n
7
si
0 fn (A) 1,
n N?
Exemplul 9.1. Consideram experienta care consta n aruncarea unei monede. Dupa
efectuarea acestei experiente poate sa apara fie fata cu banul, fie fata cu stema si nu se
poate sti dinainte care va fi rezultatul. Daca nu exista nici un motiv sa presupunem ca
realizarea unuia din evenimente este favorizata, spunem ca evenimentele sunt egal posibile.
Exemplul 9.2. Cand se arunca un zar, poate sa apara oricare din cele sase fete ale
zarului. Daca nu exista nici un motiv sa presupunem ca aparitia unei fete este favorizata,
spunem ca cele sase evenimente (1), (2), (3), (4), (5), (6) sunt egal posibile. In cadrul
acestei experiente, evenimentele A = {1, 2} si B = {3, 4} sunt si ele egal posibile, iar
evenimentele C = {1, 2, 3} si D = {3} nu sunt egal posibile.
Definitia 9.1. Fie A si B doua evenimente asociate unei experiente aleatoare. Daca
nu exista nici un motiv sa presupunem ca realizarea unuia este favorizata prin raport cu
cel
alalt atunci spunem ca cele doua evenimente sunt egal posibile.
Daca o experienta aleatoare se repeta de multe ori evenimentele elementare egal posibile
au aceeasi frecventa.
10
Exemplul 10.1. Consideram experienta care consta din aruncarea unei monede si spatiul
de selectie asociat A format din cele doua rezultate elementare posibile ale acestei
experiente:
B=fata cu banul
S=fata cu stema
A = {B, S}.
Pentru ca cele doua evenimente B si S sunt egal posibile, este natural sa evaluam (sa
masuram) sansa producerii fiecaruia cu frecventa relativa. Intrucat 2 = n rezulta
1
1
Exemplul 10.2. Consideram experienta care consta din aruncarea zarului si spatiul de
selectie asociat A = {(1), (2), (3), (4), (5), (6)}. Pentru ca cele sase evenimente sunt egal
posibile, este natural sa evaluam (masuram) sansa fiecaruia de a se produce cu frecventa
1
relativa. Intrucat 6 = n rezulta
= . Rezulta astfel ca sansa producerii fiecarui
n
6
1
eveniment este = inversul numarului de evenimente posibile din A.
6
Exemplul 10.3. Consideram experienta care consta din aruncarea a doua monede si
spatiul de selectie asociat A = {(B, B), (B, S), (S, B), (S, S)}. Pentru ca cele patru
evenimente sunt egal posibile, evaluam (masuram) sansa fiecaruia de a se produce
1
frecventa relativa. Intrucat 4 = n rezulta
= . Rezulta astfel ca sansa producerii
n
4
1
fiecarui eveniment este = inversul numarului de evenimente posibile din A.
4
Exemplul 10.4. In cazul aruncarii a doua monede si a spatiului de selectie asociat
A = {(acelasi simbol), (simboluri diferite)}, evenimentele fiind egal posibile, evaluam
1
sansa fiecaruia frecventa relativa. Intrucat 2 = n rezulta
= . Rezulta astfel ca
n
2
1
sansa producerii fiecarui eveniment este = inversul numarului de evenimente posibile
2
din A.
Definitia 10.1. Dac
a evenimentele din spatiul de selectie A asociat unei experiente sunt
egal posibile, vom spune ca sunt egal probabile si probabilitatea fiec
aruia este egal
a
cu inversul num
arului de evenimente din spatiul de selectie.
In continuare vom extinde definitia probabilitatii unui eveniment din spatiul de selectie
la evenimente care nu mai sunt elemente ale spatiului de selectie A asociat experientei,
ci sunt parti ale lui A, adica apartin la P(A) (multimea partilor lui A). Incepem cu un
exemplu.
Exemplul 10.5. Consideram experienta de aruncare a zarului si spatiul de selectie asociat
A = {(1), (2), (3), (4), (5), (6)}. Evenimentul A = {apare o fata avand un numar par scris
pe ea} este de fapt A = {(2), (4), (6)}. Realizarea oricaruia dintre evenimentele (2),
(4), (6), este favorabila pentru realizarea evenimentului A. De aceea evaluam sansa de
realizare a evenimentului A (probabilitatea evenimentului A) cu de 3 ori sansa de realizare
3
1
a unui eveniment elementar favorabil pentru realizarea lui A. Raportul = reprezinta
6
2
sansa (probabilitatea) de realizare a evenimentului A si se obtine mpartind numarul
evenimentelor din A favorabile realizarii lui A la numarul tuturor evenimentelor din A.
Definitia 10.2. Dac
a spatiul de selectie A asociat unei experiente are n evenimente egal
probabile si A este un eveniment din P(A), atunci probabilitatea evenimentului A
este raportul dintre numarul de evenimente egal probabile ce definesc pe A si numarul
total de evenimente elementare egal probabile din A.
Din aceasta definitie rezulta ca daca A = atunci P (A) = 0 si daca A = A atunci
P (A) = 1. In general P (A) [0, 1].
T
inand seama de definitia evenimentului contrar (complementar), rezulta ca daca A are
n elemente si A are m n elemente atunci A are n m elemente si avem:
= n m = 1 m = 1 P (A).
P (A)
n
n
11
Eveniment elementar.
Definitia 11.1. Spatiul de selectie finit asociat unei experiente aleatoare este o
multime finita S = {e1 , e2 , ..., en } de elemente abstracte.
Definitia 11.2. P
artile multimii S se numesc evenimente aleatoare. Un eveniment
se numeste elementar dac
a consta dintr-un singur punct al lui S. Partea vida a lui S,
, se numeste eveniment imposibil, iar S se numeste eveniment sigur.
Exemplul 11.1. Printre cadrele didactice se face o ancheta privind desfasurarea procesului de nvatamant. Fiecare persoana trebuie sa raspunda la doua ntrebari:
1. Este necesara modernizarea scolii la care lucreaza?
2. Este necesar ca scoala la care lucreaza sa aiba o sala de sport?
Raspunsul dat de o persoana intervievata poate fi: e1 = (DA, DA), e2 = (DA, NU),
e3 = (NU, DA), e4 = (NU, NU). Multimea
S = {e1 , e2 , e3 , e4 }
constituie un spatiu de selectie posibil asociat acestei experiente (ancheta) pentru o
singura persoana. Submultimile acestui spatiu sunt:
P(S) = {, {e1 }, {e2 }, {e3 }, {e4 }, {e1 , e2 }, {e1 , e3 }, {e1 , e4 }, {e2 , e3 }, {e2 , e4 }, {e3 , e4 },
{e1 , e2 , e3 }, {e1 , e2 , e4 }, {e2 , e3 , e4 }, {e1 , e2 , e3 , e4 }}.
Fiecare dintre aceste submultimi este un eveniment. Submultimile E1 = {e1 }, E2 = {e2 },
E3 = {e3 }, E4 = {e4 } contin un singur punct si sunt evenimente elementare. Orice
eveniment diferit de evenimentul imposibil este o reuniune de evenimente elementare.
12
Definitia axiomatic
a a probabilit
atii
P ({e1 }) + P ({e2 })
k
X
P ({ei }).
i=1
Consecinta 12.1. Daca cele n evenimente elementare e1 , e2 , ..., en din spatiul de selectie
S au aceeasi probabilitate (sunt egal probabile), P ({ei }) = P ({ej }), i, j = 1, n, atunci
1
P ({ei }) = , i = 1, n.
n
Remarca 12.1. In multe aplicatii, evenimentele elementare din spatiul de selectie S
au probabilitati diferite. Astfel, n Exemplul 11.1, este foarte posibil ca numarul acelor
intervievati care dau raspunsul ei sa fie diferit de numarul celor care dau raspunsul ej .
Sa presupunem ca 60% din cei intervievati dau raspunsul e1 , 20% din cei intervievati
dau raspunsul e2 , 15% din cei intervievati dau raspunsul e3 si 5% din cei intervievati dau
raspunsul e4 . Este firesc ca n asemenea conditii sa atribuim urmatoarele probabilitati
evenimentelor elementare:
P ({e1 }) = 0.6 P ({e2 }) = 0.2 P ({e3 }) = 0.15 P ({e4 }) = 0.05.
Propozitia 12.2. Pentru orice A P(S) are loc
P ({A) = 1 P (A).
Demonstratie. Deoarece A {A = si A {A = S, avem P (A) + P ({A) = P (S) = 1,
adica P ({A) = 1 P (A).
11
i=1
i=1
i, j = 1, n + 1. Atunci
n+1 !
n
!
n
!
[
[
[
P
Ai
= P
Ai An+1 = P
Ai + P (An+1 ) =
i=1
i=1
n
X
i=1
P (Ai ) + P (An+1 ) =
i=1
n+1
X
P (Ai )
i=1
si obtinem:
P (A B) = P (A) P (A B) + P (A B) + P (B) P (A B) =
= P (A) + P (B) P (A B).
i=1
n+1
[
i=1
!
Ai
i=1
n+1
X
P (Ai )
i=1
Avem:
P
n+1
[
!
Ai
i=1
n
[
!
Ai
+ P (An+1 )
i=1
n
X
P (Ai ) + P (An+1 ) =
i=1
n+1
X
P (Ai ).
i=1
i=1
Demonstratie.
n
!
n
!
n
!
n
\
\
[
X
P
Ai = 1 P { Ai = 1 P
{Ai 1
P ({Ai ).
i=1
i=1
i=1
i=1
Exemplul 12.1. Daca probabilitatile asociate evenimentelor elementare sunt cele din
Remarca 12.1, sa se calculeze probabilitatea ca alegand la ntamplare un cadru didactic
acesta sa fie pentru:
13
i) modernizarea scolii;
ii) necesitatea unei sali de sport;
iii) modernizarea scolii sau necesitatea unei sali de sport.
Solutie: i) Alegerea unui cadru didactic care este pentru modernizarea scolii nseamna
realizarea evenimentului {e1 , e2 } si are probabilitatea P ({e1 , e2 }) = 0.6 + 0.2 = 0.8.
ii) Alegerea unui cadru didactic care este pentru necesitatea unei sali de sport nseamna
realizarea evenimentului {e1 , e3 } si are probabilitatea P ({e1 , e3 }) = 0.6 + 0.15 = 0.75.
iii) Alegerea unui cadru didactic care este pentru modernizarea scolii sau pentru necesitatea unei sali de sport nseamna realizarea evenimentului {e1 , e2 , e3 } si are probabilitatea
P ({e1 , e2 , e3 }) = 0.6 + 0.2 + 0.15 = 0.95.
13
k
[
Bi = S;
i=1
B = {e2 , e4 }.
1
Evenimentele e1 , e2 , e3 , e4 sunt egal probabile si P (ei ) = , i = 1, 2, 3, 4. Rezulta
4
1
1
P (A) = , P (B) = . Evenimentul A B este A B = {e2 } si are probabilitatea
2
2
1
P (A B) = . Rezulta P (A B) = P (A) P (B).
4
15
A2 = {e2 , e4 },
A3 = {e2 , e3 }.
Avem:
1
= P (A1 ) P (A2 )
4
1
A1 A3 = {e2 } P (A1 A3 ) = = P (A1 ) P (A3 )
4
1
A2 A3 = {e2 } P (A2 A3 ) = = P (A2 ) P (A3 )
4
1
1
A1 A2 A3 = {e2 } P (A1 A2 A3 ) = 6= = P (A1 ) P (A2 ) P (A3 ).
4
8
A1 A2 = {e2 } P (A1 A2 ) =
14
Probabilitate conditionat
a
16
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
1
, pentru orice
36
i = 1, 6, j = 1, 6. Dintre cele 36 evenimente elementare din spatiul de selectie S, doar n
cazul evenimentelor (6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6) se
realizeaza conditia a+b > 8. Consideram multimea S 0 formata doar din aceste evenimente:
Toate aceste evenimente sunt egal probabile si prin urmare P ((i, j)) =
S 0 = {(6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6)}.
Multimea S 0 este un spatiu de selectie mai restrans asociat aceleiasi experiente. Aici au
fost luate n considerare doar acele evenimente elementare pentru care a + b > 8. Cele 10
elemente din S 0 sunt egal probabile si de aceea probabilitatea fiecarui eveniment din S 0
1
este
.
10
Exista un singur eveniment n S 0 pentru care b = 3: (6, 3). De aceea n spatiul de
1
selectie redus, probabilitatea evenimentului b = 3 este
. Acest rezultat va fi numit
10
probabilitatea evenimentului b = 3 conditionat de a + b > 8.
Putem judeca nsa si n felul urmator: determinam la nceput n spatiul de selectie S
10
probabilitatea ca evenimentul A =a + b > 8 sa se produca. Aceasta este P (A) =
.
36
Apoi determinam tot n S probabilitatea ca evenimentul B =b = 3 sa se produca.
6
Aceasta este P (B) = . Probabilitatea n S de producere a ambelor evenimente A si B
36
1
este P (A B) = P ((6, 3)) = .
36
Daca notam cu P (B|A) probabilitatea evenimentului B n conditia n care A s-a produs,
atunci avem:
1
10
1
P (B|A) = , P (A) = , P (A B) = ,
10
36
36
de unde
P (B A)
P (A B)
P (B|A) =
=
.
P (A)
P (A)
Definitia 14.1. Probabilitatea evenimentului A conditionat
a de B se noteaz
a
P (A|B) sau PB (A) si este definita prin
P (A|B) =
P (A B)
P (B)
daca P (B) 6= 0.
Remarca 14.1. Probabilitatea introdusa axiomatic prin Definitia 12.1 este si ea una
conditionata de evenimentul sigur, care este un spatiu de selectie S, cu P (S) = 1.
Propozitia 14.1. Pentru B P(S) fixat, cu P (B) 6= 0, oricare ar fi A1 , A2 din P(S),
avem:
A1) 0 P (A1 |B) 1;
A2) P (S|B) = 1;
A3) A1 , A2 - incompatibile P ((A1 A2 )|B) = P (A1 |B) + P (A2 |B).
Demonstratie. Din P (A1 |B) =
P (A1 B)
rezulta P (A1 |B) 0 si din P (A1 B) P (B)
P (B)
rezulta P (A1 B) 1.
P (S|B) =
P (S B)
P (B)
=
= 1.
P (B)
P (B)
P (A B)
P (A) P (B)
=
= P (A)
P (B)
P (B)
P (B A)
P (B) P (A)
P (B|A) =
=
= P (B).
P (A)
P (A)
P (A|B) =
18
3 2
6
3 5
15
5 3
15
5 4
20
= , P (a, n) = = , P (n, a) = = , P (n, n) = = .
8 7
56
8 7
56
8 7
56
8 7
56
Teorema 14.3 (formula probabilitatii totale). Daca evenimentele A1 , A2 , ..., An constituie o partitie a spatiului de selectie S si X P(S), atunci:
P (X) =
n
X
P (Ai ) P (X|Ai ).
i=1
n
[
(X Ai ).
i=1
n
X
P (X Ai ).
i=1
bi
.
ai + bi
Teorema 14.4 (formula lui Bayes). Daca evenimentele A1 , A2 , ..., An constituie o partitie
a spatiului de selectie S si sunt cauza producerii unui eveniment X, atunci:
P (Ak |X) =
P (Ak ) P (X|Ak )
n
X
P (Ai ) P (X|Ai )
i=1
5
12
5
0.6 12
P (A2 ) P (X|A2 )
=
P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 )
0.4 53 + 0.6
5
12
P (A2 |X) =
15
0.49;
0.51.
20
Probabilitatea
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
Informatia relativa la numarul de bile albe si la probabilitatile lor este data n tabelul
urmator:
Nr. bile albe
Probabilitatea
1
8
3
8
3
8
1
8
Daca variabila X reprezinta numarul de bile albe care pot sa apara, aunci tabelul arata
valorile pe care poate sa le ia X si probabilitatile cu care ia aceste valori.
Multimea de perechi ordonate, fiecare de forma (numarul de bile albe, probabilitatea
acestui numar de bile albe) defineste repartitia variabilei X. Deoarece valorile lui X sunt
determinate de evenimentele rezultate n urma unui experiment aleator, X este numita
variabila aleatoare.
Functia f definita de f (x) = P (X = x) se numeste functie de frecvente sau functie de
probabilitate.
In cazul de fata
1
3
3
1
f (0) = f (X = 0) = ; f (1) = f (X = 1) = ; f (2) = f (X = 2) = ; f (3) = f (X = 3) = .
8
8
8
8
Observam ca
3
1
x
f (x) = P (X = x) = C3
, x = 0, 1, 2, 3;
2
3
3
3
3
X
X
1
1
x
3
f (x) 0 si
f (x) =
C3
=2
= 1.
2
2
i=0
i=0
Definitia 15.1. O variabila a carei valoare este un numar determinat de evenimentul
rezultat n urma unei experiente este numita variabil
a aleatoare.
Definitia 15.2. Daca X este o variabila aleatoare care poate lua valorile x1 , x2 , ..., xn
cu probabilit
atile f (x1 ), f (x2 ), ..., f (xn ) atunci multimea de perechi ordonate (xi , f (xi )),
i = 1, n se numeste repartitia variabilei aleatoare X.
0 1 2 3
X:
.
1 3 3 1
8 8 8 8
21
1
3
3
1
0,
, 1,
, 2,
, 3,
8
8
8
8
X:
3
27
18
27
6
27
e1
e2
e3
e4
e5
e6
e7
e8
e9
= {abc|0|0}
= {0|abc|0}
= {0|0|abc}
= {ab|c|0}
= {ab|0|c}
= {ac|b|0}
= {ac|0|b}
= {bc|a|0}
= {bc|0|a}
e10
e11
e12
e13
e14
e15
e16
e17
e18
= {c|ab|0}
= {0|ab|c}
= {b|ac|0}
= {0|ac|b}
= {a|bc|0}
= {0|bc|a}
= {c|0|ab}
= {0|c|ab}
= {b|0|ac}
e19
e20
e21
e22
e23
e24
e25
e26
e27
= {0|b|ac}
= {a|0|bc}
= {0|a|bc}
= {a|b|c}
= {a|c|b}
= {b|c|a}
= {b|a|c}
= {c|a|b}
= {c|b|a}
si spatiul de selectie S = {e1 , ..., e27 }, putem considera functia X : S {1, 2, 3}, definita
astfel: X(ek ) = numarul de urne ocupate n cazul realizarii evenimentului ek . Este clar
ca X(ek ) = 1 daca k = 1, 2, 3; X(ek ) = 2 daca k = 4, 5, ...21; si X(ek ) = 3 daca
k = 22, 23, 24, 25, 26, 27.
Daca variabila aleatoare este data n acest fel, atunci se cunosc valorile variabilei n cazul
fiecarui eveniment ek S si P (ek ). De aici se determina valorile posibile ale variabilei si
probabilitatile asociate acestor valori. In acest fel se obtine repartitia variabilei aleatoare
X.
Exemplul 15.3. In cazul experientei din Exemplul 15.2, sa notam cu Y variabila
aleatoare ale carei valori sunt numarul de bile din prima urna.
Deoarece n prima urna putem avea 0,1,2 sau 3 bile urmeaza ca variabila aleatoare Y
poate lua valorile 0,1,2 sau 3.
Y ia valoarea 0 atunci cand se realizeaza unul din urmatoarele evenimente din spatiul de
selectie S: e2 , e3 , e11 , e13 , e15 , e17 , e19 , e21 , adica
(Y = 0) = (e2 sau e3 sau e11 sau e13 sau e15 sau e17 sau e19 sau e21 ).
Rezulta
P (Y = 0) =P ({e2 }) + P ({e3 }) + P ({e11 }) + P ({e13 }) + P ({e15 }) + P ({e17 })+
8
+ P ({e19 }) + P ({e21 }) = .
27
22
Y ia valoarea 1 daca se realizeaza unul din evenimentele: e10 , e12 , e14 , e16 , e18 , e20 , e22 e27 ;
valoarea 2 , daca se realizeaza unul din evenimentele e4 e9 si valoarea 3 daca se realizeaza
evenimentul e1 .
Urmeaza ca repartitia variabilei aleatoare Y este:
0
1
2
3
Y :
.
8 12 6
1
27 27 27 27
Remarca 15.2. Onicescu considera variabila aleatoare ca functie de eveniment. O
valoare posibila a variabilei aleatoare poate sa corespunda unui eveniment elementar din
spatiul de selectie (valoarea 3 a variabilei aleatoare Y din Exemplul 15.3 corespunde
evenimentului elementar e1 ) sau la o submultime de evenimente elementare care determina
un eveniment (evenimentul Y = 2 este determinat de o multime de evenimente elementare,
si anume e4 e9 ).
Remarca 15.3. O variabila aleatoare care ia valorile distincte x1 , x2 , ..., xn determina
o partitie A1 , A2 , ..., An a spatiului de selectie S. Evenimentul Ai este definit prin
ek Ai X(ek ) = xi .
In Exemplul 15.3 variabila aleatoare Y realizeaza urmatoarea partitie a spatiului de
selectie S:
A1 : In prima urna nu este nici o bila.
A2 : In prima urna este o bila.
A3 : In prima urna sunt doua bile.
A4 : In prima urna sunt trei bile.
Avem:
A1 A2 A3 A4 = S
Ai Aj = pentru i 6= j
8
P (A1 ) = P (Y = 0) = , P (A2 ) = P (Y = 1) =
27
6
P (A3 ) = P (Y = 2) = , P (A4 ) = P (Y = 3) =
27
12
,
27
1
,
27
16
Cateva ntrebari:
Daca se arunca doua zaruri, care este probabilitatea ca suma obtinuta sa fie un
numar mai mic decat 7?
Daca trei bile se repartizeaza la ntamplare n trei urne, care este probabilitatea ca
sa fie ocupate cel mult doua urne?
Daca trei bile se repartizeaza la ntamplare n trei urne, care este probabilitatea ca
n prima urna sa fie cel mult doua bile?
In general: Care este probabilitatea ca o variabila aleatoare X sa ia valori mai mici
decat o valoare data?
Nevoia de a raspunde la asemenea ntrebari a condus la urmatoarea definitie:
Definitia 16.1. Fie X o variabila aleatoare si x un numar real. Functia F definita astfel:
F (x) este probabilitatea ca X sa ia valori mai mici ca x, sau
F (x) = P (X < x)
se numeste functia de repartitie a variabilei aleatoare X.
24
x1
x2
...
xn
X:
f (x1 ) f (x2 ) ... f (xn )
atunci
F (x) =
f (xi )
xi <x
x>xi
i
X
f (xj );
j=1
ii) xx
lim F (x) = F (xi 0) =
i
x<xi
i1
X
f (xj ) = F (xi ).
j=1
i
X
f (xj ).
j=1
Rezulta ca
i
X
F (xi + 0) =
f (xj ).
j=1
i1
X
f (xj ).
j=1
Rezulta ca
F (xi 0) =
i1
X
f (xj ) = F (xi ).
j=1
25
Demonstratie. i) Deoarece F (x) = P (X < x) si P (X < x) [0, 1], rezulta ca F (x) [0, 1].
ii) x < y. Daca xi < x, atunci xi < y, si deci
X
X
X
f (xi ) =
f (xi ) +
f (xi ),
xi <y
xi <x
xxi <y
xi <x
xxi <y
0
1
2
3
1
2
3
X:
si Y :
.
8 12 6
3 18 6
1
27 27 27
27 27 27 27
26
Avem:
27
,x 1
,1 < x 2
,y 0
8
27
,0 < y 1
20
,1 < y 2
27
21
,2 < x 3
27
26
,2 < y 3
27
27
= 1 ,3 < x
27
27 = 1 , 3 < y
.
27
Remarca 16.2. Variabilele aleatoare X si Y nu au mediane si cuantile.
F (x) =
si F (y) =
3
26
are ca solutie 1 < x 2. F (y) =
are ca solutie 1 < x 3.
27
27
Modulul lui X este 2, iar modulul lui Y este 1.
F (x) =
17
Adesea este necesar sa consideram simultan doua sau mai multe variabile aleatoare definite
pe acelasi spatiu de selectie. Vom prezenta cazul a doua variabile aleatoare, trecerea la
trei sau mai multe variabile facandu-se fara dificultate.
Exemplul 17.1. Consideram experienta care consta n repartizarea la ntamplare a trei
bile a, b, c n trei urne.
Acestei experiente i corespunde urmatorul spatiu de selectie: S = {e1 , e2 , ..., e27 }, unde
ei sunt date de:
e1
e2
e3
e4
e5
e6
e7
e8
e9
= {abc|0|0}
= {0|abc|0}
= {0|0|abc}
= {ab|c|0}
= {ab|0|c}
= {ac|b|0}
= {ac|0|b}
= {bc|a|0}
= {bc|0|a}
e10
e11
e12
e13
e14
e15
e16
e17
e18
= {c|ab|0}
= {0|ab|c}
= {b|ac|0}
= {0|ac|b}
= {a|bc|0}
= {0|bc|a}
= {c|0|ab}
= {0|c|ab}
= {b|0|ac}
e19
e20
e21
e22
e23
e24
e25
e26
e27
= {0|b|ac}
= {a|0|bc}
= {0|a|bc}
= {a|b|c}
= {a|c|b}
= {b|c|a}
= {b|a|c}
= {c|a|b}
= {c|b|a}.
X:
3
27
=
2
18
27
3
18
6
, P (X = 2) =
, P (X = 3) =
si
27
27
27
3
6
27
0
1
2
3
Y :
.
8 12 6
1
27 27 27 27
Consideram acum variabila aleatoare Z care asociaza evenimentului elementar ei S
perechea de numere (numarul de urne ocupate, numarul de bile din prima urna). Penrtu
ca valorile lui Z sunt vectori bidimensionali (perechi de numere) variabila aleatoarte Z
se numeste variabila aleatoare bidimensionala. Avem: Z(e1 ) = (1, 3); Z(e2 ) = (1, 0);
Z(e3 ) = (1, 0); Z(ei ) = (2, 2), i = 4, 9; Z(ei ) = (2, 1), i = 10, 12, 14, 16, 18, 20; Z(ei ) = (2, 0),
i = 11, 13, 15, 17, 19, 21; Z(ei ) = (3, 1), i = 22, 27.
Prin urmare valorile acestei variabile aleatoare sunt vectorii (1, 3); (1, 0); (2, 2); (2, 1);
(2, 0); (3, 1). Probabilitatile corespunzatoare sunt:
P (X = 1, Y = 3) =
1
;
27
P (X = 1, Y = 0) =
2
;
27
P (X = 2, Y = 2) =
6
6
;
P (X = 2, Y = 0) = ;
P (X
27
27
Repartitia variabilei aleatoare bidimensionale Z este
Z:
2
1
6
6
6
6
27
27
27
27
27
27
P (X = 2, Y = 1) =
= 3, Y = 1) =
6
;
27
6
.
27
Fie acum n general doua variabile aleatoare X, Y definite pe acelasi spatiu de selectie
S = {e1 , e2 , ..., en }. Fie x1 , x2 ,..., xk valorile variabilei X si y1 , y2 , ..., yl valorile variabilei
Y.
a
Definitia 17.1. Cu variabilele X, Y putem construi variabila aleatoare vectorial
bidimensional
a Z = (X, Y ), a carei valori sunt perechile ordonate de numere (xi , yj )
(vectori bidimensionali), pe care le ia cu probabilitatea
rij = P (X = xi si Y = yj ) ,
28
1 i k, 1 j l.
y1 y2
r11 r12
r21 r22
r31 r32
..
..
.
.
ri1 ri2
..
..
.
.
xk
rk1 rk2
P (Y = yj ) q1 q2
y3
r13
r23
r33
..
.
... yj
... r1j
... r2j
... r3j
..
.
... yl P (X = xi )
... r1l
p1
... r2l
p2
... r3l
p3
..
..
.
.
pi
..
.
pk
1
rij = 1.
i=1 j=1
l
X
rij ,
1 i k.
rij ,
1 j l.
j=1
Analog obtinem:
qj = P (Y = yj ) = r1j + r2j + ... + rkj =
k
X
i=1
x1
x2
...
xi
...
xk
P (x1 |yj ) P (x2 |yj ) ... P (xi |yj ) ... P (xk |yj )
unde
P (xi |yj ) = P (X = xi |Y = yj ) =
P (X = xi , Y = yj )
rij
=
,
P (Y = yj )
qj
29
1 j l.
y1
y2
...
yj
...
yl
P (y1 |xi ) P (y2 |xi ) ... P (yj |xi ) ... P (yl |xi )
unde
P (yj |xi ) = P (Y = yj |X = xi ) =
Avem:
k
X
i=1
P (Y = yj , X = xi )
rij
=
,
P (X = xi )
pi
1 i k.
k
1 X
P (xi |yj ) =
rij = 1
qj i=1
si
l
X
l
1 X
P (yj |xi ) =
rij = 1.
pi j=1
j=1
18
xi <x yj <y
unde rij = P (X = xi si Y = yj ).
Propozitia 18.1. Functia de repartitie a vectorului aleator (X, Y ) are urmatoarele
propriet
ati:
i) F (xi + 0, yj + 0) =
F (xi 0, yj + 0) =
j
i
X
X
m=1 s=1
j
i1 X
X
rms ,
rms ,
F (xi + 0, yj 0) =
F (xi 0, yj 0) =
m=1 s=1
j1
i
X
X
m=1 s=1
j1
i1 X
X
rms
rms .
m=1 s=1
P (Y < y, X = xi )
F (xi + 0, y) F (xi 0, y)
=
,
P (X = xi )
F (xi + 0, ) F (xi 0, )
30
rij
pi qj
=
= pi ,
qj
qj
p i qj
rij
=
= qj .
pi
pi
!
!
X X
X X
X
X
2. F (x, y) =
rij =
pi qj =
pi
qj = F (x, )F (y, ).
P (yj |xi ) =
xi <x yj <y
19
xi <x yj <y
xi <x
yi <y
x1 x2 ... xn
X:
p1 p2 ... pn
este prin definitie numarul
M (X) =
n
X
xi p i .
i=1
31
1
1
1
1
1
1
7
+ 2 + 3 + 4 + 5 + 6 = = 3.5.
6
6
6
6
6
6
2
Se arunca k zaruri. Fie Y numarul total de de puncte care apar. Valoarea medie a acestei
7k
variabile este M (Y ) =
.
2
Exemplul 19.2. Se arunca o moneda de trei ori. Fie X (Y ) variabila aleatoare care da
numarul de steme pe primele (ultimele) doua aruncari. Sa se arate ca:
1. M (X) = M (Y ) = 1;
5
2. M (X Y ) = ;
4
1
7
= ;
3. M
1+Y
12
4.
X
are repartitia
1+Y
0
X
:
1+Y 2
8
1
3
1
2
2
3
1
8
2
8
1
8
.
2
8
Exemplul 19.3. Se arunca un zar de doua ori. Fie X (Y ) variabila aleatoare care da
numarul la prima (a doua) aruncare. Sa se arate:
1. M (X Y ) = M (X) M (Y );
32
2. M
X
Y
1
= M (X) M
.
Y
Definitia 19.2. Prin definitie, dispersia variabilei aleatoare X este valoarea medie a
patratului abaterii, X M (X). Dispersia va fi notata cu D2 (X) sau cu 2 (X) sau cu 2 :
D2 (X) = M (X M (X))2 .
Propozitia 19.2. Dispersia unei variabile aleatoare are urmatoarele propriet
ati:
1. Dispersia unei variabile aleatoare constante este zero:
D2 (a) = 0.
a si o variabila aleatoare X este egal
a cu
2. Dispersia produsului dintre o constant
produsul dintre patratul constantei si dispersia variabilei X:
D2 (a X) = a2 D2 (X).
3. Dispersia sumei a doua variabile aleatoare independente este egal
a cu suma dispersiilor celor doua variabile aleatoare:
D2 (X + Y ) = D2 (X) + D2 (Y ).
4. Oricare ar fi L > 0 are loc inegalitatea:
P [|X M (X)| < L] 1
D2 (X)
L2
x1 x2 ... xn
p1 p2 ... pn
X:
si
2
n
X
pi (xi M (X)) =
Putem admite ca
pi i2
unde i = xi M (X).
i=1
i=1
i2
n
X
sunt ordonati:
12 22 ... n2 .
2
, adica:
Intercalam L ntre doua valori i2 , i+1
2
... n2 .
12 22 ... i2 L i+1
sau
2
.
L
Suma pi+1 + ... + pn reprezinta probabilitatea ca abaterea sa fie mai mare sau egala cu L
si prin urmare
2
P [|X M (X)| L] .
L
Din relatia
P [|X M (X)| L] + P [|X M (X)| < L] = 1
pi+1 + ... + pn
1
.
k2
Daca k = 3 rezulta
8
P [|X M (X)| < 3] .
9
8
Aceasta nseamna ca 89%
dintre abaterile absolute ale variabilei X nu depasesc 3
9
(regula trei sigma).
Se observa deci ca dispersia functioneaza ca indicator de concentrare a abaterilor n jurul
valorii medii.
Problema 19.1. Sa se determine dispersia n cazul variabilelor aleatoare de la Exemplele
19.1, 19.2, 19.3.
atratic
a a unei variabile aleatoare X
Definitia 19.3. Prin definitie, abaterea medie p
este rad
acina patrat
a a dispersiei acestei variabile; o vom nota cu D(X) sau cu sau cu
:
p
(X) = D2 (X).
Abaterea medie patratic
a se exprima n aceleasi unitati de masur
a ca si variabila aleatoare
considerat
a.
Definitia 19.4. Se numeste moment obi
snuit de ordin k al unei variabile aleatoare
X, media variabilei X k . Daca notam cu k un asemenea moment, putem scrie:
k
k = M (X ) =
n
X
pi xki .
i=1
2 = M [X M (X)]2 = D2 (X).
34
20
Covariant
a. Coeficient de corelatie
35
X X
xVX yVY
M (X)
x y P (X = x, Y = y) M (Y )
X
yVY
X
xVX
=M (X Y ) M (Y )
X
xVX
P (X = x, Y = y) +
X
+ M (X) M (Y )
P (X = x, Y = y)
yVY
X X
xVX yVY
x P (X = x) M (X)
xVX
X X
M (X) M (Y ) P (X = x, Y = y) =
X
y P (Y = y)+
yVY
P (X = x, Y = y) =
xVX yVY
i=1
i<j
3
X
i=1
D2 (Xi ) + 2
cov(Xi , Xj ).
1i<j3
36
Definitia 20.2. Daca X si Y sunt doua variabile definite pe acelasi spatiu de selectie
S, vom numi coeficient de corelatie a variabilelor X, Y , si l vom nota cu (X, Y ),
numarul
M [(X M (X)) (Y M (Y ))]
cov(X, Y )
p
(X, Y ) =
=
.
(X) (Y )
D2 (X) D2 (Y )
Remarca 20.1. Daca X1 , X2 , ..., Xn sunt n variabile aleatoare definite pe spatiul de
selectie S, atunci:
!
n
n
X
X
X
2
Xi =
D2 (Xi ) + 2
(Xi ) (Xj ) (Xi , Xj ).
D
i=1
unde (Xi ) =
i=1
i<j
D2 (Xi ).
1
,
n
1
0
Xi :
.
1
1
1
n
n
1
1
1
n1
, de unde D2 (Xi ) = M (Xi2 ) M 2 (Xi ) = 2 =
.
n
n n
n2
Numarul total de ntalniri este dat de variabila aleatoare
Avem M (Xi ) =
Y = X1 + X2 + ... + Xn .
Avem:
M (Y ) =
si
D2 (Y ) =
n
X
1
1
1
+ + ... + = 1
n n
n
D2 (Xi ) + 2
i=1
cov(Xi , Xj ).
i<j
si
M (Xi Xj ) = 1 P (Xi Xj = 1) + 0 P (Xi Xj = 0) =
(n 2)!
1
=
,
n!
n(n 1)
1
1 1
1
= 2
.
n(n 1) n n
n (n 1)
T
inand seama de rezultatele obtinute, avem:
D2 (Y ) = n D2 (Xi ) + n(n 1) cov(Xi , Xj ) = n
21
n1
1
+ n(n 1) 2
= 1.
2
n
n (n 1)
oricare ar fi > 0.
Definitia 21.3. Spunem ca sirul de variabile aleatoare (Xn ) converge aproape sigur
catre variabila aleatoare X, daca
P lim Xn = X = 1.
n
D2 (Xn X)
P (|Xn X| < ) 1,
0, atunci
de unde, trecand la limita pentru n , se obtine ca daca D2 (Xn X)n
1
P (|Xn X| < )n
X
Propozitia 21.2. Daca sirul Xn converge la X aproape sigur, atunci Xn n
n
probabilitate.
X aproape sigur, atunci pentru orice > 0 avem
Demonstratie. Daca Xn n
nN
Rezulta de aici ca
lim P (|Xn X| > ) = 0.
0
(Xn X)n
si
X
M (Xn X)2 < +, atunci Xn n
i=1
aproape sigur.
22
Teorema 22.1 (Cebsev). Fie (Xn ) un sir de variabile aleatoare definite pe un spatiu de
selectie S. Daca variabilele aleatoare sunt independente si D2 (Xn ) c, n, atunci pentru
orice > 0 are loc
n M (X
n )| < ) = 1,
lim P (|X
n
n = 1 (X1 + X2 + ... + Xn ).
unde X
n
Demonstratie. Din inegalitatea lui Cebsev avem:
n)
D2 (X
n M (X
n )| < ) 1.
P (|X
1
Deoarece
n
X
nc
c
n) = 1
D2 (X
D2 (Xj ) 2 = ,
2
n i=1
n
n
obtinem
1
si de aici
c
n M (X
n )| < ) 1
P (|X
n
n M (X
n )| < ) = 1.
lim P (|X
39
Remarca 22.1. Teorema lui Cebsev arata ca desi variabilele aleatoare independente pot
lua valori departate de mediile lor, media aritmetica a unui numar suficient de mare de
astfel de variabile aleatoare ia, cu o probabilitate mare, valori n vecinatatea constantei
n
1X
M (Xj ). Prin urmare, ntre comportarea variabilelor aleatoare si media lor exista o
n j=1
mare deosebire. In cazul variabilelor aleatoare nu putem prezice cu o probabilitate mare
valoarea, pe cand, n cazul mediei aritmetice ale acestor variabile, putem preciza, cu o
probabilitate apropiata de 1, ce valoare ia.
Media aritmetica a unui numar suficient de mare de variabile aleatoare si pierde calitatea
de variabila aleatoare.
Teorema 22.2 (Bernoulli). Sa presupunem ca se fac n experiente independente, n
fiecare experient
a probabilitatea evenimentului A fiind p, si fie num
arul de realiz
ari
ale evenimentului A n cele n experiente. Pentru orice avem
lim P p < = 1.
n
n
Demonstratie. Asociem la fiecare experienta o variabila aleatoare Xj care are valorea 1
daca n experienta de ordin j evenimentul s-a realizat si 0 daca nu s-a realizat. Astfel,
numarul de realizari ale evenimentului A , n cele n experiente, este dat de
= X1 + X2 + ... + Xn
unde fiecare din variabilele X1 , X2 , ..., Xn are repartitia
1
0
Xi :
.
p 1p
De aici rezulta: M (Xi ) = p, D2 (Xi ) = p (1p), si M () = np, D2 () = n p (1p).
Aplicand inegalitatea lui Cebsev variabilei
1
rezulta:
n
n
P M
< 1
n
n
2
sau
p (1 p)
P p < 1
.
n
n2
T
inand seama ca p (1p) 14 , obtinem
P p < 1
.
n
4n2
Trecand la limita, obtinem
lim P p < = 1,
n
n
ceea ce demonstreaza teorema.
40
Remarca 22.2. In cazul unei populatii de volum mare, daca se efectueaza o selectie de
volum n si se obtin rezultate favorabile, atunci, cu o probabilitate apropiata de 1, putem
afirma ca probabilitatea evenimentului cercetat este data de frecventa relativa.
Prin urmare, n studiul populatiilor mari pentru care nu putem determina apriori
probabilitatea de realizare a unui eveniment, probabilitatea se poate exprima prin
frecventa relativa n a evenimentului considerat, fapt ce constituie justificarea teoretica a
folosirii frecventei n loc de probabilitate.
Exemplul 22.1. Se arunca o moneda de n ori. Cat de mare trbuie sa fie n pentru ca
probabilitatea inegalitatii
1
< 1
n 2 100
sa fie mai mare decat 0.99, stiind ca reprezinta numarul de aparitii ale unei fete alese
dinainte.
Solutie: Neavand nici un motiv sa presupunem ca o fata are sansa mai mare de aparitie
n
decat alta fata, urmeaza ca .
2
1
n
n
1
Rezulta M () = , D2 () = , M
= , D2
=
.
2
4
n
2
n
4n
Din inegalitatea lui Cebsev, rezulta ca:
D
1
1
n .
P <
1
1
n 2
100
102
1
1
23
D2 ( n )
1
102
> 0.99 1
(100)2
99
>
4n > 106 n > 250.000
4n
100
Repartitia binomial
a
adica multimea elementelor de forma (ei1 , ei2 , ..., ein ) unde ij este 0 sau 1.
Spatiul de selectie S contine 2n elemente. Definim probabilitatea P pe S astfel:
P ({(ei1 , ei2 , ..., ein )}) = P1 ({ei1 }) P1 ({ei2 }) ... P1 ({ein }).
41
Fie Ak , k = 0, 1, ..., n, evenimentul care consta din acei (ei1 , ei2 , ..., ein ) care contin k
elemente de 1. (Ak este evenimentul care consta din k succese).
Propozitia 23.1.
P (Ak ) = Cnk pk (1 p)1k .
Demonstratie. Numarul sistemelor de forma (ei1 , ei2 , ..., ein ) care contin k numere 1 este
Cnk .
Remarca 23.1. Evenimentele A0 , A1 , ..., An sunt incompatibile si reuniunea lor este
evenimentul sigur, deci:
A0 A1 ... An = S
si
P (A0 ) + P (A1 ) + ... + P (An ) = 1.
Probablitatile P (A0 ), P (A1 ), ..., P (An ) pot servi pentru definirea unei repartitii ntr-un
spatiu de selectie de n + 1 puncte 0, 1, 2, ...n, n care evenimentul k nseamna evenimentul
Ak .
and repartitia
Definitia 23.1. Variabila aleatoare X av
0
1
...
k
...
n
X:
Cn0 p0 (1p)n Cn1 p1 (1p)n1 ... Cnk pk (1p)nk ... Cnn pn (1p)0
se numeste variabil
a binominal
a si se noteaz
a de obicei cu B(n, p) (sau X B(n, p)).
Termenul de variabila aleatoare binominala provine din faptul ca probabilitatile
b(k; n, p) = Cnk pk (1 p)nk
sunt termenii succesivi din dezvoltarea [p + (1 p)]n .
Remarca 23.2. Alegerile lui p si n determina n mod unic repartitia binominala; diferite
alegeri conduc la diferite repartitii.
Definitia 23.2. Multimea tuturor repartitiilor binomiale poart
a numele de familia
repartitiilor binomiale.
Remarca 23.3. Repartitiile binominale au fost analizate de James Bernoulli. Schema
pe care a dat-o, si care este modelul unui numar mare de fenomene reale, este: extrageri
succesive independente dintr-o urna care contine a bile albe si b bile negre, a si b ramanand
aceleasi n decursul extragerii (se pun napoi). Probabilitatea de a extrage o bila alba este
b
a
si de a extrage una neagra este 1 p = q =
.
p=
a+b
a+b
Propozitia 23.2. Variabila aleatoare X B(n, p) are urmatoarele propriet
ati:
1. M (X) = n p;
2. D2 (X) = n p (1 p);
42
Cnk1 Cnnk
2
, pentru max(0, n1 n2 ) k min(n1 , n).
Cnn1 +n2
(1p)n
24
este:
,x 0
,0 < x 1
,1 < x 2
,k < x k + 1
, x > n.
k
e .
k!
Demonstratie. Avem:
1
n (n 1) ... (n k + 1) pkn (1 pn )nk =
k!
1 n n1
nk+1
=
...
(n pn )k (1 pn )nk .
k! n
n
n
b(k; n, pn ) =
43
Intrucat
n n1
nk+1
...
si
n
n
n
n
demonstratia teoremei revine la a demmonstra ca
(1 pn )nk
(n pn )k
n
k
n
e .
Deoarece
(1 pn )nk = (1 pn )n (1 pn )k
si (1 pn )k
n
1
si pn
n
0,
(1 pn )n
a n
Se stie ca 1
n
a0 < a < a1 .
ea
n
e .
n
Toate numerele n pn pot fi restranse la un asemenea interval n jurul lui si astfel > 0,
n1 () astfel ncat n > n1 () sa avem
n p n n
en pn < .
1
n
Din continuitatea functiei ex pentru n > n2 () avem:
|en pn e | < .
Astfel, pentru n > n() = max(n1 (), n2 ()), avem:
n p n
n p n
n
n
|(1pn )n e | = 1
e = 1
en pn +en pn en pn
n
n
n p n
n
en pn + |en pn e | < 2,
1
n
ceea ce demonstreaza teorema.
Definitia 24.1. Variabila aleatoare X care are functia de frecvent
a (functia de probabilitate)
k
p(k, ) = P (X = k) =
e , k = 0, 1, 2, ...
k!
se numeste variabil
a Poisson cu parametrul si se noteaz
a X P o().
Exemplul 24.1. 3% din suruburile fabricate de o masina sunt defecte, defectele aparand
la ntamplare n timpul procesului de productie. Daca suruburile sunt mpachetate n
cutii a 100 de bucati, care este probobilitatea ca o cutie sa contina x suruburi defecte?
Solutie: Probabilitatea este data de functia de frecventa binominala
x
100x
3
3
3
x
b x; 100,
1
, x = 0, 1, 2, ..., 100.
= C100
100
100
100
In acest caz n = 100, p = 0.03 si n p = 3, iar aproximatia Poisson pentru b(x; 100, 3 )
100
este
3
3x e3
.
b x; 100,
=
100
x!
44
P0 (L + L) P0 (L)
= P0 (L).
L
Pentru L 0 obtinem:
dPx
= [Px1 (L) Px (L)]
dL
dP0
= P0 (L).
dL
Daca impunem P0 (0) = 1 si Px (0) = 0, x > 1, rezulta:
( L)x eL
, x = 0, 1, 2, ...
x!
care este functia de frecventa cu 0 = L.
Px (L) =
x = 0, 1, 2, ...
y = 0, 1, 2, ...
x y e(+)
.
x! y!
Fie Z = X + Y si g(z) = P (Z = z). Valoarea g(z) se obtine nsumand P (X = x, Y = y)
dupa toate perechile (x, y) astfel ncat x + y = z, adica dupa toate perechile (x, z x).
Deci
z
z
X
X
x zx
(+)
g(z) =
P (X = x, Y = z x) = e
=
x! (z x)!
x=0
x=0
z
x
X
z
e(+) z
Czx
e(+) z 1 +
x=0
=
=
=
z!
z!
( + )z
=e(+)
, z = 0, 1, 2, ...
z!
P (X = x, Y = y) = P (X = x) P (Y = y) =
0
,x 0
. .k. . . . . . .
X j
F (x) =
e , k < x k + 1
j=1 j!
25
Repartitia multinominal
a
n2 ori
nk ori
Deoarece Ai sunt independente, probabilitatea acestui eveniment este pn1 1 pn2 2 ... pnk k . Deoarece succesiunea evenimentelor A1 , ..., Ak poate fi oricare, ramane sa vedem n cate
moduri putem scrie n simboluri, dintre care n1 egale cu A1 , n2 egale cu A2 , ..., nk egale
cu Ak . Acest numar este dat de numarul permutarilor cu repetitie si anume
n!
.
n1 ! n2 ! ... nk !
Prin urmare, probabilitatea cautata este
Pn (n1 , n2 , ..., nk ) =
Deoarece
1 = (p1 + p2 + ...pk )n =
n!
pn1 pn2 ... pnk k .
n1 ! n2 ! ... nk ! 1 2
X
n1 ,...,nk
rezulta ca
n!
pn1 pn2 ... pnk k
n1 ! n2 ! ... nk ! 1 2
Pn (n1 , n2 , ..., nk ) = 1
n1 ,...,nk
k
X
nj = n.
j=1
n!
pn1 1 pn2 2 ... pnk k .
n1 ! n2 ! ... nk !
26
Repartitia geometric
a.
negativ
a
Repartitia binominal
a
x ori
x = 0, 1, 2, ...
x=0
p
= 1.
1 (1 p)
In cazul general, f (x) este probablitatea de a obtine exact x insuccese nainte de succesul
r. Pentru a se realiza acest eveniment, trebuie sa obtinem un succes n experienta r + x si
n cele r+x1 experiente anterioare sa obtinem r1 succese si x insuccese. Probabilitatea
de a obtine r 1 succese n primele r + x 1 experiente este
r1
Cr+x1
pr1 (1 p)x ,
48
x = 0, 1, 2, ...
se numeste variabil
a binominal
a negativ
a, iar (x, f (x)) repartitie binominal
a
negativ
a.
Propozitia 26.1. Daca X, Y sunt variabile aleatoare independente, repartizate binominal
negativ de parametri (r1 , p), respectiv (r2 , p), atunci variabila X + Y este repartizat
a
binominal negativ de parametri (r1 + r2 , p).
27
Lungimile si timpul teoretic pot lua orice valoare dintr-un interval. Daca evenimentele
sunt asemenea entitati, atunci functia de probabilitate ar trebui sa fie definita pe un
interval si sa asocieze probabilitati tuturor elementelor acestui interval, nu doar unui
numar finit de puncte (probabilitati punctuale).
Exemplul 27.1. Daca un ceas se opreste la ntamplare, care este probabilitatea ca limba
care indica orele sa se opreasca ntre 7 si 10?
Solutie: In acest caz, avem de a face cu o familie de evenimente posibile care sunt ntrun interval continuu. Orice pozitie ntre 0 si 12 este posibila si exista o infinitate de
posibilitati.
Nu putem numara cazurile egal posibile si nu putem asocia probabilitati punctuale.
De aceea, fiecarui subinterval al lui [0, 12] i asociem o probabilitate proportionala cu
lungimea subintervalului. Deoarece intervalului [0,12] de lungime 12 trebuie sa i asociem
1
probabilitatea 1, unui subinterval de lungime unitate i vom asocia probabilitatea
, si
12
3
deci unui interval de lungime 3 = 10 7 i vom asocia probabilitateta
.
12
3
Astfel, probabilitatea ca T sa ia valori ntre 7 si 10 este
.
12
10 7
3
P (7 < T < 12) =
= .
12 0
12
In acest caz, putem face si un rationament n care masuram probabilitatile prin arii de
dreptunghiuri, si anume: reprezentam intervalul de timp [0, 12] pe orizontala ca n figura
1
.
si consideram dreptunghiul avand lungimea 12 si latimea
12
1
, pentru ca aria dreptunghiului sa fie egala cu probabilitatea
12
evenimentului sigur (acul se opreste undeva intre 0 si 12 ), adica 1. Intervalului [7, 10]
1
i corespunde dreptunghiul hasurat, avand aria 3
= P (7 < T < 12).
12
Latimea am luat-o de
49
28
lungimea lui I
lungimea lui AB
1
P (|AU | > 2|BU |) = .
3
Daca X este o variabila aleatoare ale carei valori sunt punctele unui interval, ne asteptam
ca la schimbari mici ale lui x sa se produca o schimbare mica n P (X < x), cu alte cuvinte
functia de repartitie F (x) sa fie continua.
a continu
a dac
a
Definitia 28.1. O variabila X cu valori reale este numita variabil
functia sa de repartitie F (x) este continu
a.
50
dF
De altfel vom presupune mai mult. Vom admite ca F (x) este derivabila si ca
este
dx
continua.
dF
Definitia 28.2. Functia f (x) =
se numeste densitatea de repartitie (sau de
dx
probabilitate) a variabilei X.
Deoarece F este crescatoare, rezulta
f (x) 0 ,
x.
De asemenea, avem:
Z
F (x) =
f (t)dt
si
F () =
f (t)dt.
Propozitia 28.1. Daca a si b sunt doua numere reale, atunci au loc urmatoarele egalit
ati:
1. P (a X < b) = P (X < b) P (X < a) = F (b) F (a);
Z b
2. P (a X < b) = F (b) F (a) =
f (t)dt.
a
Demonstratie. Imediata.
Remarca 28.2. Daca a b, atunci F (a) F (b), adica
0,
P (a X < b) ab
a+b
.
2
Remarca 28.4.
unde t =
F (x + x) F (x)
P (x X < x + x)
= lim
.
x0
x0
x
x
f (x) = lim
1
2
29
a cu densitatea de repartitie f ,
Definitia 29.1. Daca X este o variabila aleatoare continu
atunci valorea sa medie este definita ca
Z +
M (x) =
x f (x)dx ,
2. M (X + Y ) = M (X) + M (Y );
3. M (X M (X)) = 0.
Demonstratie. Se folosesc proprietatile integralei.
Exemplul 29.1. In conditiile Exemplului 27.2, sa se determine valoarea medie a timpului
de sosire.
Definitia 29.2. Dispersia variabilei aleatoare X este
Z +
2
D (X) =
(x M (X))2 f (x)dx.
30
Repartitia normal
a
1
1
2
2
n(x; , ) =
exp 2 (x ) , < x < ,
2
2
si vom scrie X N (, 2 ).
Propozitia 30.1. Daca X N (, 2 ), atunci
M (X) =
si
D2 (X) = 2 .
< x < +,
53
, = 0, = 1.
b
i) P (X < b) =
;
b
a
.
ii) P (a < X < b) =
x
.
n
X
ci Xi
i=1
are proprietatea
Y Ni
n
X
c i i ,
i=1
n
X
!
c2i i2
i=1
BIBLIOGRAFIE
[1] V. Craiu, Teoria probabilit
atilor cu exemple si probleme, Ed. Fundatiei Romania de
maine, 1997.
[2] R. Johnson, Elementary Statistics, PWS-KENT Publishing Company, Boston, 1984.
[3] R. Mittelhammer, Mathematical Statistics for Economics and Business, Springer,
1996.
54