Sunteți pe pagina 1din 152

CONSTANTIN POPP VILHELM ION PRAISACH

NICOLETA GILLICH

ELEMENTE

DE

TEORIA PROBABILITĂŢILOR

şi STATISTICĂ MATEMATICĂ f(x) - 0 x
şi
STATISTICĂ MATEMATICĂ
f(x)
-
0
x

EDITURA „EFTIMIE MURGU”

REŞIŢA, 1998

2

Cuprins

CUPRINS

PREFAŢĂ

6

ELEMENTE DE TEORIA PROBABILITĂŢILOR Capitolul 1 Noţiuni introductive

8

1.1. Câmp de evenimente

8

1.2. Noţiunea de probabilitate

10

Capitolul 2 Câmp de

probabilitate

13

2.1. Definiţie şi proprietăţi

13

2.2. Probabilităţi condiţionate. Evenimente

13

2.3. Probabilitatea reuniunii evenimentelor compatibile

15

2.4. Probabilitatea intersecţiei evenimentelor dependente

15

2.5. Formula probabilităţii totale şi formula lui Bayes

16

2.6. Scheme probabilistice clasice

18

2.6.1. Schema bilei nerevenite

18

2.6.2. Schema bilei revenite

18

2.6.3. Schema lui Poisson

20

2.7.

Probleme rezolvate

20

Capitolul 3 Variabile aleatoare

27

3.1. Variabile aleatoare discrete. Definiţie şi

exemple

27

3.2. Operaţii cu variabile aleatoare discrete

28

3.3. Variabile aleatoare continue

30

3.4. Funcţia de repartiţie

31

3.4.1.Funcţia de repartiţie pentru variabila aleatoare discretă

32

3.4.2.Funcţia de repartiţie pentru variabila continuă

34

3.5.

Funcţia de repartiţie bidimensională

36

3.6.

Grafice pentru variabile aleatoare

37

3.6.1.Pentru v.a. discretă

37

3.6.2.Pentru v.a. continuă,

38

3.7.

Probleme rezolvate

39

Capitolul 4 Caracteristici numerice ale variabilelor aleatoare

43

4.1.

Caracteristici de grupare

43

4.1.1.Valoarea medie

43

 

45

4.1.4.Valoarea modală

46

4.1.5.Momente şi medii de ordin

47

4.2.Caracteristici de împrăştiere

48

4.2.1.Variabila abatere. Abaterea absolută medie

49

4.2.2.Dispersia. Abaterea medie pătratică

50

4.2.3.Momente centrate (medii centrate). Covarianţa

51

4.2.4.Normata unei variabile aleatoare

52

4.3.Caracteristici care dau informaţii privind forma distribuţiei

53

4.4.Corelaţie şi regresie

54

4.4.1.Proprietăţile coeficientului de corelaţie :

55

4.4.2.Funcţia de regresie

56

4.5.

Probleme rezolvate

58

Capitolul 5 Funcţie caracteristică şi funcţie generatoare

63

5.1. Definiţia funcţiei caracteristice.

63

5.2. Funcţie generatoare

64

5.3. Teorema de inversiune şi teorema de unicitate

65

5.4. Probleme rezolvate

66

Capitolul 6 Repartiţii probabilistice clasice discrete

70

6.1. Repartiţia binomială sau repartiţia lui Bernoulli

70

6.2. Repartiţia

multinomială

71

6.3. Repartiţia binomială cu exponent negativ

72

6.4. Repartiţia hipergeometrică

73

6.5. Repartiţia Poisson

74

6.6. Repartiţia geometrică

76

Capitolul 7 Repartiţii probabilistice clasice continue

77

7.1. Repartiţia uniformă

77

7.2. Repartiţia normală

79

7.3. Repartiţia

normală normată

82

7.4. Repartiţia lognormală

84

7.5. Repartiţia

85

7.6. Repartiţia beta

88

4

Cuprins

7.7. Repartiţia exponenţială negativă

 

91

7.8. Repartiţia Weibull

92

7.9. Repartiţia Erlang

94

7.10.

Repartiţia 2 (hi – pătrat)

94

7.10.1.Cazuri particulare de repartiţii 2

97

7.11. Repartiţia „t” (Student)

 

97

7.12. Repartiţia Snedecor

100

7.13. Repartiţia Fischer

101

7.14. Repartiţia Cauchy

102

7.15. Probleme rezolvate

102

Capitolul 8 Teoreme şi legi în teoria probabilităţilor

105

8.1. Inegalitatea lui Cebîşev

 

105

8.2. Convergenţa şirurilor de variabile

aleatoare

106

8.2.1. Convergenţa în probabilitate

106

8.2.2. Convergenţa tare

 

106

8.2.3. Convergenţa în medie de ordinul r

107

8.2.4. Convergenţa în repartiţie

 

107

8.3.

Legea numerelor mari. Legi limită

108

8.3.1. Problema limită centrală

 

113

8.3.2. Teorema limită centrală a lui Leapunov

115

8.4.

Probleme rezolvate

116

Capitolul 9 Procese stochastic. Elemente de teoria

120

9.1. Noţiunea de proces stochastic

 

120

9.2. Elemente de teoria fiabilităţii

122

9.2.1. Timpul de funcţionare până la prima defecţiune

123

9.2.2. Funcţia risc de defectare

 

124

9.2.3. Siguranţa sistemelor cu elemente legate în serie

125

9.2.4. Siguranţa sistemelor cu elemente legate în paralel

126

STATISTICĂ MATEMATICĂ Capitolul 10 Teoria selecţiei. Teoria estimaţiei. Ajustarea legilor de distribuţie.

 

127

10.1.

Teoria selecţiei

127

 

10.1.2.

Funcţia de repartiţie de selecţie

129

10.2

Teoria estimaţiei

130

10.2.1. Estimatori

130

10.2.2. Estimarea prin intervale de încredere

137

10.3

Ajustarea legilor de distribuţie. Metode empirice

142

10.3.1. Forma histogramei

143

10.3.2. Verificarea unor proprietăţi

143

10.3.3. Ajustarea

143

10.3.4. Aplicaţii

145

ANEXE

147

Anexa 1. Distribuţia normală. Valorile funcţiei (x)

147

Anexa 2. Funcţia a lui

Euler

148

Anexa 3. Distribuţia student

149

Anexa 4. Lista programelor MathCad folosite pentru generarea valorilor

150

BIBLIOGRAFIE

151

6

Eroare! Legătură incorectă.

PREFA[~

Evoluţia cercetării ştiinţifice prezintă tendinţe de integrare atestate de apariţia unor discipline a căror vocaţie este identificarea notelor de unitate şi sinteză. În acest context, teoria probabilităţilor şi statistica matematică acţionează ca un liant între disciplinele fizice, tehnice şi socio-umane, validând descrierea generală şi abstractă a fenomenelor, furnizând astfel ştiinţelor instrumente de lucru şi cadre conceptuale. Fundamente ale calculului probabilităţilor au fost statuate în secolul al XVII- lea de savanţii B. Pascal şi P. Fermat care au formulat definiţia clasică a probabilităţii, fiind şi astăzi singura folosită în practică pentru determinarea numerică a probabilităţii producerii unui eveniment. În anul 1933, A.N. Kolmogorov a realizat o axiomatizare a noţiunii de probabilitate, calculul probabilităţilor devenind un capitol al teoriei măsurii iar probabilitatea o măsură normată. Obiectivul fundamental al teoriei probabilităţilor constă în determinarea legăturii pe care această ştiinţă abstractă o are cu lumea reală. Această problemă a fost în atenţia primilor probabilişti, dintre care J.Bernoulli a formulat „legea numerelor mari” şi a definit „speranţa matematică normală”. Apariţia tratatului lui Laplace „Teoria analitică a probabilităţilor” (1813) certifică faptul că la începutul secolului al XIX-lea această teorie era complet consolidată şi avea în vedere multiple aplicaţii în ştiinţă şi tehnică, în economie şi în alte domenii.

Eroare! Legătură incorectă.

7

În anii care au urmat au fost studiate aproape toate distribuţiile clasice

(Bernoulli, Poisson, Gauss, Laplace etc.), au fost rezolvate teoremele limită centrale pentru diferite şiruri de variabile, s-au definit tipurile de convergenţă aleatoare iar Markov a descoperit „lanţurile" care îi poartă numele. În deceniile premergătoare axiomatizării teoriei probabilităţilor, K.Pearson şi R.A.Fischer vor pune bazele statisticii matematice actuale. Studiul teoriei probabilităţilor în epoca clasică s-a limitat pentru câmpurile finite de probabilitate, epoca actuală extinzând această teorie şi

la nivelul câmpurilor infinite. Prezenta lucrare, alcătuită din două părţi distincte – probabilităţi şi

statistică matematică – este structurată în zece capitole, fiecare capitol fiind însoţit de exemple şi probleme rezolvate care facilitează asimilarea noţiunilor tratate. Conţinutul lucrării reflectă elemente ale programelor analitice aferente cursurilor de „Probabilităţi şi statistică matematicăşi „Matematici pentru economişti” predate de autori la facultăţile din cadrul Universităţii „Eftimie Murgu” din Reşiţa, dar considerăm că poate fi utilă şi cadrelor didactice sau cercetătorilor cu preocupări în acest domeniu. Autorii îşi exprimă gratitudinea şi aduc mulţumiri domnilor referenţi ştiinţifici : prof.dr.ing. Corneliu Velicescu de la Facultatea de Electrotehnică

a Universităţii Tehnice Timişoara, prof.dr.ing. Ştefan Gârlaşu şi conf.dr.

Liviu Spătaru de la Universitatea „Eftimie Murgu” din Reşiţa, care prin observaţiile pertinente au contribuit cu certitudine la creşterea nivelului calitativ al lucrării noastre.

Autorii

8

Eroare! Legătură incorectă.

ELEMENTE DE TEORIA PROBABILITĂŢILOR

Capitolul 1 Noţiuni introductive

1.1. Câmp de evenimente

Se numeşte experienţă orice realizare a unui complex de condiţii, σ, bine precizat.

Prin efectuarea unei experienţe se înţelege alegerea unui element dintr-o mulţime dată,

printr-un procedeu susceptibil de a fi repetat.

O anumită realizare efectuată sau viitoare, a unei experienţe, se numeşte probă. Deci,

proba nu se confundă cu experienţa însăşi ci cu unul din rezultatele sale previzibile.

Uneori, în loc de probe ale unei experienţe, vom spune cazuri posibile ale experienţei.

În legătură cu o experienţă aleatoare (întâmplătoare) ne putem pune o serie de

întrebări ale căror răspunsuri nu le putem cunoaşte decât după efectuarea experienţei.

Toate situaţiile legate de o experienţă aleatoare şi despre care putem afirma cu certitudine

că s-au produs sau nu după efectuarea experienţei, le vom numi evenimente.

Evenimentul care poate fi realizat de o probă şi numai de una se numeşte eveniment

elementar. Celelalte evenimente (care nu sunt elementare) le vom numi evenimente

compuse.

Experienţele se împart în două categorii : cu un număr finit de rezultate posibile (sau

probe) şi cu o infinitate de cazuri posibile. De exemplu, aruncarea zarului este o

experienţă cu un număr finit de cazuri posibile (6). Are şase evenimente elementare, dar

poate avea şi altele (de pildă sau faţa 6 sau faţa 3, sau una din feţele 2, 3, 5, etc.). Numărul

total de evenimente este CC

6

+

0

1

6

++K

6

C

6

= 2

6

= 64 .

O mulţime de evenimente care pot apărea într-o anumită experienţă, se numeşte

sistem de evenimente şi poate fi finit sau infinit, după cum conţine un număr finit sau

infinit de evenimente.

Evenimentul poate fi sigur (total) dacă se realizează cu certitudine la fiecare efectuare

a experienţei sau imposibil dacă nu se realizează la nici o efectuare a experienţei.

Evenimentele se notează de obicei cu litere mari ale alfabetului latin : A, B, C, … .

Evenimentul sigur se notează cu E, iar evenimentul imposibil cu Φ.

Fiecărui eveniment A îi corespunde evenimentul contrar (opus sau complementar)

notat

A sau CA. Evident că E = Φ

şi Φ = E . Dacă B = A atunci şi

A = B .

Eroare! Legătură incorectă.

9

Implicaţia unui eveniment de către alt eveniment. Zicem că evenimentul A implică evenimentul B (AB) dacă B se realizează de fiecare dată când se realizează A. În caz

contrar se va scrie : AB.

Proprietăţile implicaţiei

1. AA (reflexivitate)

2. AE, ()A (ultimul element)

3. Dacă AB şi BC, atunci AC (tranzitivitate)

4. Φ⊂A, ()A (primul element)

5. Dacă AB şi BA atunci A=B, adică sunt echivalente (antisimetrie)

Reuniunea a două evenimente. Dacă A şi B sunt evenimente legate de aceeaşi experienţă, atunci AB este evenimentul care constă în realizarea cel puţin a unuia din cele două evenimente (se citeşte : A sau B).

Proprietăţile reuniunii

1. AB=BA (comutativitate)

2. (AB) C=A(BC) (asociativitate)

3. AAB, BAB

4. AA=A (idempotenţa)

5. AE=E (proprietăţile ultimului element)

6. A∪Φ=A (proprietăţile primului element)

Intersecţia a două evenimente : AB este evenimentul care constă în realizarea ambelor evenimente (se citeşte A şi B). Evenimente compatibile. Două evenimente A şi B sunt compatibile dacă se pot realiza simultan, adică dacă există probe comune care realizează atât pe A cât şi pe B (AB≠Φ).

În caz contrar evenimentele sunt incompatibile (AB=Φ, adică sunt disjuncte).

Proprietăţile intersecţiei

1. AB=BA (comutativitate)

2. (AB) C=A(BC) (asociativitate)

3. A(BC)=(AB) (AC) (distributivitate)

10

Eroare! Legătură incorectă.

Definiţia 1. Fie E o mulţime nevidă. (E≠Φ) şi K o familie nevidă de părţi ale lui E.

Cuplul (E,K) se numeşte câmp de evenimente (finit sau infinit) dacă K verifică axiomele

unui trib (algebră) respectiv a unui trib borelian (σ- algebră) :

 

a) EK, Φ∈ K

()A ∈⇒K

b) A K

 

c) A, BKABK, ABK

 

d) A, BK, ABB\AK unde B \ A=B A (diferenţa)

 
 

 

e) Dacă K este infinit şi A i K, iN

U

A

i

K

,

I

A

i

K

 

1

1

Definiţia 2. Sistemul de evenimente {B }

i

,

i = 1,n

,

 

B

i

K , se numeşte sistem complet

 

n

de evenimente dacă :

B

i

0,

B

ij I

B

(i

=≠Φ

j),

U

1

B

i

=

E

 

.

Definiţia 3. Un eveniment AK se numeşte eveniment compus dacă există două

evenimente B, CK \{Φ} diferite de A astfel încât A=BC. Un eveniment care nu este

compus şi nu este imposibil, se numeşte eveniment elementar sau atom.

1.2. Noţiunea de probabilitate

Vom caracteriza printr-un număr raţional 0p1, gradul de realizare (şansa realizării)

al fiecărui eveniment A dintr-un câmp de evenimente K. Un astfel de număr notat P(A) se

va numi probabilitatea evenimentului A.

1. Definiţia statistică :

P(A) = lim f

n

n →∞

( A), unde f

n

(

A) =

n

A

n

se numeşte frecvenţa

relativă a evenimentului A într-o serie de n repetări a unei experienţe ; n A este numărul

apariţiei evenimentului A în cele n încercări.

 

m

2. Definiţia clasică :

P(A)

=

;

m este numărul de cazuri favorabile producerii

 

n

evenimentului A iar n este numărul cazurilor posibile, în ipoteza că toate cazurile sunt

posibile.

Eroare! Legătură incorectă.

11

Această definiţie reduce noţiunea de probabilitate la noţiunea de egal probabilitate de

apariţie a evenimentelor elementare, care fiind admisă ca noţiune primară nu poate fi

definită riguros matematic. Se presupune că mulţimea evenimentelor ataşate unei

experienţe poate fi construită prin operaţia de reuniune a unor evenimente egal posibile.

Definiţia clasică este insuficientă deoarece se aplică numai pentru câmpuri finite de

evenimente, unde chiar şi pentru acestea nu întotdeauna se poate vorbi de cazuri egal

posibile (de exemplu zarul nu este perfect simetric).

3. Definiţia geometrică extinde noţiunea de probabilitate în cazul câmpurilor infinite.

Astfel, fie Ω o mulţime măsurabilă a unui spaţiu euclidian n-dimensional, a cărei măsură

Lebesgue n-dimensională este pozitivă şi finită. Notăm L∩Ω clasa de părţi măsurabile ale

lui Ω şi μ(A) măsura Lebesgue a mulţimii măsurabile AL∩Ω. Se aruncă la întâmplare

un punct în mulţimea Ω şi se cere să se determine probabilitatea ca punctul respectiv să

cadă în mulţimea A. Se intuieşte că probabilitatea căutată este proporţională cu măsura

mulţimii μ(A) - măsura mulţimii A şi nu depinde de forma şi aşezarea lui A, adică prin

definiţie :

P(A) =

μ (A)

(

μ Ω

)

Această probabilitate verifică proprietăţile observate atât la frecvenţa relativă cât şi la

probabilitatea dată prin definiţia clasică. De multe ori se consideră în aplicaţii cazul când

Ω=[a,b] al dreptei reale, iar A este un subinterval închis [a’,b’]. Atunci :

P(A) = b b'-a' - a

4. Definiţia axiomatică. Kolmogorov în anul 1931 pune bazele axiomatice ale teoriei

probabilităţilor, în strânsă legătură cu teoria măsurii şi teoria funcţiilor de variabile

reale.

Numim probabilitate pe un câmp de evenimente (E,K), o funcţie P:K→[0,1] cu proprietăţile : 1.
Numim probabilitate pe un câmp de evenimente (E,K), o funcţie P:K→[0,1] cu
proprietăţile :
1. P(E)=1
2. A
∈∈
K
, n
N
; A
I
A
=
Φ,
m
n
P
A
=
∑ P(A
n )
n
nm
n
⎜ ⎝ U
1
1

12

Eroare! Legătură incorectă.

Din definiţie rezultă că o probabilitate nu este altceva decât o măsură pozitivă

normată (ia valori numai în [0,1]) definită pe un trib (respectiv trib borelian). Dacă E este

o mulţime finită, rolul lui K este jucat de P(E) - mulţimea părţilor lui E, pentru că de

obicei în tratarea ansamblistă atomii se reduc la elementele eE numite evenimente

elementare.

Dacă (E,K) este un câmp finit de evenimente, ale cărui evenimente elementare sunt

{e 1 , e 2 , , e n }=E, din definiţia axiomatică rezultă :

P(e

i

),

0

i = 1,n

;

n

1

P(e

i

) =

P(E) = 1

Dacă

P(e 1 )=P(e 2 )=…=P(e n )

spunem

că

evenimentele

elementare

e i

sunt

egal

 

1

probabile şi în acest caz deducem : P(e

i ) =

   

n

, i = 1,n

Dacă AK oarecare, A = e

U U U

e

ii

12

K

e

i

m

P(A) = P

m

U

r =1

e

i

r

⎟ =

m

P(e

r =

1

, avem :

i r

)

, deci P(A) = m ,

n

adică raportul dintre numărul evenimentelor elementare favorabile evenimentului dat şi

numărul total de evenimente elementare ale câmpului.

Astfel definiţia clasică a probabilităţii este conţinută, ca un caz particular, în definiţia

axiomatică.

Eroare! Legătură incorectă.

13

Capitolul 2 Câmp de probabilitate

2.1. Definiţie şi proprietăţi

Fie (E, K) un câmp finit sau infinit de evenimente şi P o probabilitate pe (E, K).

Un triplet {E, K, P} se numeşte câmp de probabilitate.

Dacă (E, K) este infinit, atunci {E, K, P} se numeşte câmp borelian de probabilitate.

Proprietăţi:

 

1. P(Φ)=0

 

2. P(A) = 1- P(A), ()A K

 

3. P(B\A)=P(B)-P(A), ()A,BK, AB, iar în general :

P(B\A)=P(B)-P(AB)

 

4. P(A)P(B) dacă AB ; A,BK

 

5. 0P(A) 1, ()AK

 

6. P(AB)=P(A)+P(B)- P(AB), ()A,BK (formula lui Poincaré)

 

7.

P

U

1

A

n

1

P(A

n

),

(

∀⊂

n

n

N

)

{A }

K

Pentru

studiul

câmpurilor

infinite

este

util

ca

evenimentele

câmpului

să

fie

reprezentate prin mulţimi de puncte din spaţiul R n .

2.2. Probabilităţi condiţionate. Evenimente independente.

Fie o urnă care are n bile dintre care unele marcate cu litera A în număr de a, altele

notate cu B în număr de b şi în sfârşit unele notate cu A şi B în număr de c. Notăm cu A

(respectiv B) evenimentul de a extrage o bilă marcată cu A (respectiv B). Se cere

probabilitatea evenimentului B, în ipoteza că evenimentul A s-a produs. Vom avea :

A ()

P

B

=

PB A

(

/

)

=

c

=

 

a

+

c

c

n PA ( I B ) = a + c P A ( )
n PA
(
I B
)
=
a
+ c
P A
(
)

n

14

Eroare! Legătură incorectă.

Prin faptul că evenimentul A s-a produs, se modifică complexul de condiţii în care

mai poate să apară evenimentul B şi prin urmare producerea lui A influenţează

producerea lui B a cărui probabilitate de apariţie la început a fost P B

(

) =

b

+

c

n

.

Acest exemplu sugerează următoarea definiţie :

Fie {E, K, P} un câmp borelian de probabilitate şi A,B∈K cu P(A)≠0. Se numeşte
Fie {E, K, P} un câmp borelian de probabilitate şi A,B∈K cu P(A)≠0. Se numeşte
probabilitate a evenimentului B condiţionată de evenimentul A (sau probabilitatea lui B în
raport cu A) expresia :
( 1.2.1)
P
A ()
B
=
PB A
(
/
)
=
P A
(
)

(

PA

I B

)

Remarcă : Faptul că tripletul {E, K, P} este un câmp borelian de probabilitate arată

că P A :K[0,1] este o probabilitate.

În adevăr, deoarece AE=A rezultă :

P A (

E

) =

PA

(

I

E

)

A

== 1

P

(

)

P A

(

)

P A

(

)

Dacă A i K,, A I A j =Φ (ij) atunci : (AA i )(AA j )= Φ şi deci :

P

A

U

1

A

i

=

PA

IU

1

A

i

⎞ ⎞

⎠ ⎠

P

U I

(

AA

1

i

)

=

P ( A

)

P ( A

)

=

1

P

A

(

A

i

)

Să considerăm în continuare experienţa aruncării unei monede de două ori. Notăm cu

A evenimentul apariţiei stemei la prima aruncare şi cu B la a doua aruncare. Avem

P(A)=1/2, P(B)=1/2.

Pentru evenimentul AB se prezintă un singur caz favorabil din cele patru posibile :

(1,1), (1,2), (2,1), (2,2). Deci :

PA(

I

B) =

1

1

1

4

=⋅= PA() PB()

2

2

Apariţia feţei cu stemă, la a doua aruncare este independentă de apariţia unei feţe sau

a celeilalte la prima aruncare. Rezultă astfel următoarea definiţie :

Două evenimente A,BK se numesc independente dacă :

P(AB)=P(A)P(B)

(2.2)

Din (2.1) rezultă o definiţie echivalentă a evenimentelor independente :

Eroare! Legătură incorectă.

15

P B (A)=P(A) dacă P(B)0 sau P A (B)=P(B) dacă P(A)0

(2.3)

De asemenea este evident că dacă P(A) 0, P(B) 0 atunci :

P(B) P B (A)= P(A) P A (B)

(2.4)

Generalizând, două sisteme complete de evenimente {A 1 ,A 2 ,…,A n } şi {B 1 ,B 2 ,…,B n }

ale câmpului {E, K, P} sunt independente dacă :

PA

(

ij I

B

)

=⋅

PA

(

i

)

PB

(

j

);

i

mj

==1

,

,

1

,

n

(2.5)

2.3.

Probabilitatea reuniunii evenimentelor compatibile

 

Se ştie că dacă A,BK sunt incompatibile (AB=Φ) atunci :

 

P(AB)=P(A)+P(B)

 

(2.6)

Ne propunem să calculăm P(AB) în cazul când AB≠Φ :

AB=[A\(AB)][AB][B\(AB)],

în care evenimentele din parantezele mari sunt incompatibile două câte două.

P(AB)=P[A\(AB)]+P[AB]+P[B\(AB)]=P(A)-P(AB)+P(AB)+P(B)-P(AB).

Deci :

P(AB)=P(A)+P(B)-P(AB)

(2.7)

Prin recurenţă, formula se poate extinde la n evenimente (formula lui Poincaré) :

P

⎜ ⎛ ⎝ U

n

1

A

i

n

1

=−

()

PA

i

n

j =

n

jk =

PA (

i

I

A

j

)

+

i

PA (

i

,

11

,,

i

II jk

A

A

)

+

K

(2.8)

 

i

<

j

i

<

jk <

 

n

i

 
 

+

(

1)

n

1

P

I

A

 

i

=

1

2.4.

Probabilitatea intersecţiei evenimentelor dependente

 

Dacă A 1 ,…,A n sunt independente, atunci :

 
 

P

n

I

= 1

i

A

i

=

(

PA

1

)

(

PA

2

)K ⋅⋅

(

PA

n

)

(2.9)

 

În general, când A i sunt dependente se poate demonstra prin inducţie următoarea

formulă de înmulţire a probabilităţilor :

16

Eroare! Legătură incorectă.

n n − 1 (2.10) ⎛ P ⎜ A ⎞ PA ⎛ ⎞ ) ()(
n
n
− 1
(2.10)
P
⎜ A
PA
)
()(
PA
/
A
)
PA(
A
II
A
⋅⋅
K P
A
A
⎝ I
i
1
2
1
31
2
n
i
⎟ ⎠ =
⎜ ⎝
i
=
1
i
= 1

unde :

A

i

K ,

in 1,

=

şi P

n-1

I

1

A 0 . În practică, de obicei nu se calculează PA i

i

n

I

i

= 1

ci o margine inferioară a sa, dată de inegalitatea lui Boole :

n n (2.11) ⎛ ⎞ P I A ⎟ ≥ ∑ PA ( −− (
n
n
(2.11)
P
I A
PA
(
−− ( n 1
) ,
i )
⎝ ⎜
i ⎠
i = 1
1

care se poate demonstra prin inducţie, observând că :

P(AB)=P(A)+P(B)-P(AB)P(A)+P(B)-1, deoarece P(AB)1.

2.5. Formula probabilităţii totale şi formula lui Bayes

Fie {B 1 , B 2 , …, B n } un sistem complet de evenimente ale câmpului de probabilitate

{E,K,P}. Avem deci :

E

=

n

U

1

B

, B

ii

K , B

i

I

B

j

ij

=≠()

Φ

.

Dacă A este un eveniment oarecare, atunci :

I

AAEA

=

=

n

IU

1

B

i

=

n

U I

(

AB ) ,

i

1

unde : (AB i )(AB j )=Φ, ij. Deci :

PA

(

) = P

n

U I

()A

B

i

1

=

n

1

PA()B

I

i

.

Dar, P(AB i )=P(B i )P(A/B i )=P(A)P(B i /A), de unde :

n (2.12) PA () = ∑ PB ( ) ⋅ PA ( / B )
n
(2.12)
PA
() =
PB
(
) ⋅
PA
(
/
B
)
,
i
i
1

numită formula probabilităţii totale. Această formulă reduce calculul lui P(A) la calculul

probabilităţilor cauzelor şi a probabilităţilor condiţionate de fiecare cauză. Deoarece într-o

experienţă apare cu siguranţă unul şi numai unul din evenimentele B i , se mai spune că

sistemul complet de evenimente {B 1 , B 2 , …, B n } este o „desfacere a evenimentului sigur

E”, iar evenimentele B i se numesc „cauze” sau „ipoteze”.

Eroare! Legătură incorectă.

17

Egalitatea :

A=(AB 1 )(AB 2 )(AB n ), exprimă faptul că A se produce

împreună cu fiecare din cauzele B i , deci :

PB () ⋅ PA (/ B ) PB () ⋅ PA (/ B ) i
PB
()
PA
(/
B
)
PB
()
PA
(/
B
)
i
ii
i
PB
(
/) =
A
=
i
n
P A
(
)
(2.13)
PB
()(/
PA
B
j )
j
1

numită formula lui Bayes (formula probabilităţii cauzelor sau formula ipotezelor).

Toate problemele în care intervin formulele prezentate pot fi modelate pe următorul

tip de aplicaţie :

Fie 5 urne din care două de compoziţie K 1 având trei bile albe şi patru bile negre, o

urnă de compoziţie K 2 cu două bile negre şi nici una albă precum şi două urne de

compoziţie K 3 având zece bile albe şi două negre. Se cere :

a) Care este probabilitatea ca dintr-o urnă luată la întâmplare să extragem o bilă albă

?

b) Ştiind că bila extrasă e albă, care este probabilitatea ca ea să provină dintr-o urnă

de compoziţie K 3 ?

Soluţie : Notăm cu A evenimentul extragerii unei bile albe şi cu B i (i=1,2,3)

evenimentul extragerii unei bile dintr-o urnă de compoziţie K i (i=1,2,3). Atunci,

evenimentele B 1 , B 2 , B 3 sunt cauze relative la evenimentul A.

a) Cu formula (2.12) avem :

() =

PA

3

1

(

PB

i

)

PA

(

/

B

i

)

, unde :

P(B 1 )=2/5, P(B 2 )=1/5, P(B 3 )=2/5, P(A/B 1 )=3/7, P(A/B 2 )=0, şi P(A/B 3 )=10/12=5/6.

Deci P(A)=53/105.

b) Cu formula (2.13) deducem :

P(B / A)

3

P(B )

3

P(A/ B )

3

=

3

P(B ) P(A/ B )

j

j

1

=

P(B )

3

P(A/ B )

3

P(A)

=

2 5 ⋅ 6 105 5 = 53 159
2
5
6 105
5
=
53 159

105

Notă : Formula lui Bayes are o importanţă practică considerabilă în aşa-numita statistică bayesiană. Are aplicaţii curente în : diagnosticul medical funcţie de analizele de laborator, meteorologie pentru prevederea avalanşelor, domeniul financiar pentru determinarea riscului de faliment a întreprinderilor după observarea unor aspecte, etc.

18

Eroare! Legătură incorectă.

2.6. Scheme probabilistice clasice

2.6.1. Schema bilei nerevenite

Fie o urnă ce conţine N bile din care a–albe şi b–negre. Din urnă se extrage succesiv câte o bilă, în total n bile, fără a le introduce din nou în urnă (aceasta echivalează cu a extrage n bile odată). Care este probabilitatea P n (x) ca din cele n bile extrase, de x ori să apară bila albă şi de (n-x) ori bila neagră ? Avem evident N=a+b n, x a, n-x b. În baza definiţiei clasice a probabilităţii, avem :

 

cazuri favorabile

 

x

C C

a

n

x

(2.14)

 

P

n

(

 

) =

b

x

 

=

cazuri posibile

 

C

n

N

 
 

Generalizare :

 
 

Px

n

1

K

(,,)

x

s

=

x

CC

a

1

1

x

a

2

C

2

K

n

N

C

x

a

s

s

(2.15)

 

s

s

unde :

Na

=

1

k

, n=

1

x

k

,,x

k

k

≤≤

a

n

N

.

Exemplu : Într-o grupă de 26 studenţ