Studenta: Dorobantu Elena Liliana

Facultatea de Ingineria Sistemelor Biotehnice

IMPM 1
Probabilitati clasice

Probabilitatea este un concept utilizat ncepnd nc din secolul VII, care a devenit baza
ramurei de statistic (statistica inferenial), la care au recurs numeroase tiine, att cele naturale
ct i cele sociale.

Apariia teoriei probabilitii
O teorie formal a probabilitii a fost creat abia n anii '30 ai secolului XX de
ctre Andrey Nikolaevich Kolmogorov, care, n anul 1933, a dezvoltat teoria axiomatic a
probabilitii n lucrarea sa Grundbegriffe der Wahrscheinlichkeitsrechnung (n german;
"Conceptele de baz ale Calculului Probabilitii"), inspirndu-se din "teoria msurii" i a riglei
de msurat, care erau dezbtute n anii '30 n cadrul unor discipline psihologice.
Definiia clasic: Probabilitatea realizrii unui eveniment este raportul dintre numrul de
cazuri favorabile i numrul de cazuri posibile.
Definiia frecvenial: Probabilitatea realizrii unui eveniment este limita frecvenei
(relative) a succeselor, adic a soluiilor care verific evenimentul, cnd numrul probelor tinde
spre infinit.
Definiia sugestiv: Probabilitatea realizrii unui eveniment este preul pe care o
persoan l crede corect n scopul de a obine 1 dac evenimentul e verificat (i 0 altfel). Aceast
definiie este utilizat mai ales n contextul bayezian.
De remarcat c toate aceste definiii pleac de la cerina ca evenimentele sau cazurile
despre care se discut s se repete, n general de multe ori i n condiii foarte asemntoare.
n limbajul uzual cuvntul "probabilitate" se folosete des, dar de multe ori incorect.
Exemplu: afirmaia "Probabilitatea ca tnrul basketbalist s creasc peste 1,80 m este de 80 %."
este formal incorect, deoarece evenimentul (creterea unui basketbalist) nu se poate repeta n
condiii foarte asemntoare.

Despre probabilitate
In spatele cuvantului probabilitate, care in vorbirea curenta reprezinta un anumit grad
de incredere subiectiv in producerea unui eveniment, se afla un intreg ansamblu conceptual
dezvoltat de teoria probabilitatilor. Mai mult, conceptul de probabilitate are implicatii filozofice
si psihologice majore, precum si numeroase interpretari. Insa niciuna din interpretarile sale nu
poate face abstractie de definitia matematica.
"Numim probabilitate a unui eveniment raportul dintre numarul situatiilor favorabile
pentru ca evenimentul sa se produca si numarul tuturor situatiilor egal posibile." Aceasta este
definitia simplista pe care o stie oricine si care reprezinta definitia probabilitatii pe un camp finit
de evenimente.
Teoria probabilitatilor extinde aceasta definitie pe o multime de evenimente mai
complexa (sigma-camp de evenimente), inzestrata cu o anumita structura matematica, si
defineste pe aceasta multime o functie cu anumite proprietati. Aceasta functie -
numita probabilitate - este de fapt o masura pe un camp de evenimente, cu valori in intervalul
[0, 1].




Definiia clasic a probabilitii
Probabilitatea unui eveniment este o cuantificare a posibilitii efective de realizare a
evenimentului. Ea este legat de noiunea de frecven relativ .
S considerm un experiment n urma cruia poate sau nu s apar evenimentul A i s
notm cu k numrul de realizri ale acestui eveniment n n repetri ale experienei.
Definiie: Raportul ( ) A v =k/n se numete frecvena relativ de apariie a evenimentului
A.
Dup cum vom vedea mai departe, v(A) pentru valori mari ale lui n se stabilizeaz n
jurul unei valori, numit probabilitatea evenimentului A. Acest rezultat i gsete justificarea n
Legea numerelor mari .
Definiie : Un caz se numete favorabil pentru un eveniment, dac apariia sa antreneaz
realizarea evenimentului respectiv.
Definiie : Orice experiment care satisface condiia c mulimea rezultatelor sale S este
o mulime finit de evenimente egal probabile, adic P({e
1
})= P({e
2
})= ...= P({e
n
})=
1
n
este
numit modelul urnei.
Definiie : Dac ntr-un experiment cu n rezultate, k dintre ele favorizeaz
evenimentul A, definim probabilitatea P(A) a evenimentului A ca P(A) =
k
n

Observaie: Numrul tuturor cazurilor favorabile se gsete ntotdeauna ntre 0 i n
i astfel P(A) calculat cu formula enunat mai sus se afl ntre 0 i 1.
Vom reaminti cteva din rezultatele de combinatoric utile pentru rezolvarea unor
asemenea probleme.
Numrul de grupe de cte k obiecte obinute din n obiecte n care obiectele difer
ntre ele ntr-o aceeai grup prin ordine i compoziie este dat de
( )
A
n
n k
n
k
=

!
!

(aranjamente de n luate cte k).
Dac ntr-o aceeai grup, obiectele se pot repeta atunci avem de a face cu aranjamente
cu repetiie iar numrul acestora este o
n
k k
n = .
Numrul de grupe de cte k obiecte obinute din n obiecte astfel c grupele difer
ntre ele prin elementele care le conin este dat de
( )
C
n
k n k
n
k
=

!
! !
(combinri de n obiecte
luate cte k).
Dac ntr-o asemenea grup obiectele se repet atunci se obin combinri cu repetiie iar
numrul acestora este
n
k
n k
k
C =
+ 1
.
Exemplu : Un grup de 12 persoane se aeaz n jurul unei mese rotunde. Care este ansa
ca dou persoane anumite s se afle alturi?
ansa este cuantificat prin frecvena relativ v(A) (unde A este acest eveniment).
( )
! 12
2 12 ! 10
= A v
Exemplu : ntr-un lot de N piese, proporia de piese defecte este 0 s u < 1, deci Nu
sunt piese defecte. Dac se extrag la ntmplare n piese care este ansa (probabilitatea) ca
printre ele s se afle k piese defecte?
( )
n
N
k n
N N
k
N
C
C C
A

=
u u
v
Axiomele probabilitii. Cmp de probabilitate
Teoria modern a probabilitilor a fost fondat la nceputul sec.XX. O contribuie esenial a
avut-o matematicianul rus A. Kolmogorov. Fie E o mulime care va reprezenta pentru noi, mulimea
evenimentelor simple (rezultate posibile ale unei experiene).
Definiie : K este o o - algebr dac
1. C, E e K ;
2. Dac A e K atunci A e K ;
3. Dac ( ) A
n
n N e
*
, A
n
e K atunci A
n
n=

e
1

K.
Consecine : A A
n
n
n
=

= e
1 1

K.
Perechea (E, K) se numete cmp de evenimente.
Definiie : Se numete probabilitate pe K o funcie P: K R
+
cu proprietile:
1. P(E)= 1 ;
2. 0 s P(A) s 1 dac Ae K ;
3. ( ) P A P A
n
n
n
n =

|
\

|
.
| =

1 1

dac A
i
A
j
= C, i = j
Consecine:
1) P(C) = P( E ) =1-P(E) = 0
2) P( A ) = 1- P(A) deoarece A A = E, A A =C
3) P(A B)= P(A) + P(B) - P(A B) dac A B = C si in general,
P(A
1
A
2
... A
k
)=
( ) ( ) ( )
P A P A A P A A A
j
j
k
i j
i j
i j s
i j s = < < <

+
1
( )
( ) +

1
1
1 2
k
k
P A A A
4) Dac A _ B atunci P(A) s P(B)
5) Dac
( )
A
j
j k 1s s
este o partiie a lui E, adic E=

k
j
A
1
cu ( ) j i A A
i j
= C = atunci
( )
P A
j
j
k
=

=
1
1.
Definiie : Tripletul (E, K, P) se numete cmp de probabilitate.
Exemplu : Erorile introduse de un aparat de msur atunci cnd etalonul este a se afl
ntr-un interval (a - c, a + c). Acest interval reprezint evenimentul sigur E. Mulimea
subintervalelor lui E formeaz mulimea K care n acest caz este P(E) (mulimea prilor
mulimii E), iar probabilitatea este o funcie care asociaz fiecrei asemenea submulimi un
numr real i pozitiv cu proprietile enuntate in definie.
Exemplu : Becurile produse ntr-o zi la o fabric specializat reprezint evenimente
elementare pentru evenimentul sigur E care n acest caz este dat de mulimea {e
1
, e
2
, ..., e
n
} unde
n este norma zilnic. Dac suntem interesai de becurile defecte ele reprezint submulimi ale
lui E, iar probabilitatea asociaz fiecreia dintre aceste submulimi un numr care verific
proprietile din definitie(probabilitatea va fi definit ca: numrul de becuri defecte raportat la
numrul total de becuri).
Probleme rezolvate
Se aleg la intmplare 4 polie de asigurare: ele pot fi de via sau de bunuri.
Scriei mulimea evenimentelor elementare. Care este probabiltatea unui eveniment
elementar ales la ntmplare?
Care sunt rezultatele care au exact 3 polie de via? Ce anse avem ca , din cele 4 polie
alese, 3 polie s fie de via?
Ce evenimente conin cel mult 2 polie de bunuri? Ce anse exist astfel inct, alegnd
la ntmplare ce 4 polie, printre ele s gsim cel puin 2 polie de bunuri?
Soluie: Vom nota V=polia este de via i B=polia este de bunuri.
Mulimea evenimentelor elementare reprezint mulimea tuturor posibilitilor pe care
le putem regsi pentru cele 4 polie:
E={(V,V,V,V),(B,V,V,V),(V,B,V,V),(V,V,B,V),(V,V,V,B),(B,B,V,V),(B,V,B,V),
(B,V,V,B),(V,B,B,V),(V,B,V,B),(V,V,B,B),(B,B,B,V),(B,B,V,B), (B,V,B,B),
(V,B,B,B),(B,B,B,B)}
P((V,V,V,V))=numr cazuri favorabile/numr cazuri posibile=1/16
P((B,V,V,V))=P((V,B,V,V))=P((V,V,B,V))=P((V,V,V,B))=1/16
Analog celelalte evenimente elementare.
Observaie: dac dorim calcularea unui eveniment neelementar(compus) de tipul A: din
4 polie, una este de viaa, atunci vom exprima pe A ca o mulime de evenimente elementare.
A= {(B,V,V,V),(V,B,V,V),(V,V,B,V),(V,V,V,B)}
P(A)= numr cazuri favorabile/numr cazuri posibile=4/16=0,25.
C: din 4 polie, exact 3 sunt de via
C={(B,B,B,V),(B,B,V,B),(B,V,B,B),(V,B,B,B)} => P(C)=4/16=0,25=25%
Exist 25% anse ca, alegnd la ntmplare 4 polie, exact 3 sa fie de bunuri.
D: din 4 polie, cel mult 2 sunt de bunuri
D={(V,V,V,V),(B,V,V,V),(V,B,V,V),(V,V,B,V),(V,V,V,B),(B,B,V,V),(B,V,B,V),
(B,V,V,B),(V,B,B,V),(V,B,V,B),(V,V,B,B)} => P(D)=12/16=0,75
Exist 75% anse ca, alegnd la ntmplare 4 polie, cel mult 2 sa fie de bunuri.

1. Un colectiv academic voteaz pentru alegerea conductorului su. Voturile se scot
din urn unul cte unul. tiind c au fost 4 voturi pentru candidatul A i 3 pentru candidatul B, s
se scrie rezultatele posibile ale experimentului, dup a 4-a extragere. S se determine
probabilitatea ca s fie decretat ctigtor candidatul A, dup a 4-a extragere.
Soluie: Notm evenimentele :A=votul se acord pentru candidatul A
B=votul este pentru candidatul B
E={(A,A,A,A),(B,A,A,A),(A,B,A,A),(A,A,B,A),(A,A,A,B),(B,B,A,A),(B,A,B,A),
(B,A,A,B),(A,B,B,A),(A,B,A,B),(A,A,B,B),(B,B,B,A),(B,B,A,B),
(B,A,B,B),(A,B,B,B)}
C :dup a 4-a extragere, candidatul A este declarat ctigtor
C={(A,A,A,A),(B,A,A,A),(A,B,A,A),(A,A,B,A),(A,A,A,B)}=5/15=1/5

Departamentul de vnzri al unei companii are un target fixat pentru volumul
vnzrilor, target ce trebuie atins (sau depit n cel mai fericit caz) n fiecare lun. n timpul
unui an,
s-au obinut urmtoarele rezultate: n lunile martie, aprilie, iulie, noiembrie, decembrie:
a fost atins i chiar depit volumul vnzrilor propus, dar n lunile rmase volumul vnzrilor a
fost mai mic. Ce anse exist ca targetul s fie atins? Dar s nu fie atins?
Soluie: Notm evenimentele:
A: targetul este atins ntr-o lun B: targetul nu este atins ntr-o lun
P(A)=
posibile cazurilor nr
favorabile cazurilor nr
.
.
=5/12=0,416=41,6% P(B)= 7/12=0,584=58,4%
2. La o staie de schimbare ulei ateapt s fie servite 10 maini de diferite mrci
strine i 15 maini Dacia. Conform programului staiei de servire numai 6 dintre aceste maini
pot fi rezolvate.Dac acestea au sosit aleator, care este probabilitatea ca, dintre acestea, 3 s fie
Dacii i celelalte 3 maini strine.
Solutie : p=
6
25
3
10
3
15
/ C C C =0,31
3. Umplerea unui bazin se realizeaz cu ajutorul a dou pompe U
1
i U
2
. Cele dou
pompe se defecteaz independent una de alta. Probabilitile de defectare pentru cele dou
pompe sunt respectiv 0,1 i 0,05. Care este probabilitatea ca o singur pompa s se defecteze?
Care este probabilitatea ca cel puin o pomp s se defecteze?
Soluie: Fie urmtoarele evenimente:
A
1
: pompa U
1
se defecteaz
1
A : pompa U
1
nu se defecteaz
A
2
: pompa U
2
se defecteaz
2
A : pompa U
2
nu se defecteaz
P(A
1
)=0,1 respectiv P(A
2
)=0,05 aadar P( A
1
)=1-0,1=0,9 respectiv P( A
2
)=1-
0,05=0,95.
Dar pompele se defecteaz independent una de cealalt, aadar evenimentele A
1
i A
2

vor fi independente => P(A
1
2
A
)=P(A
1
)*P(
2
A ), P(A
2
1
A
)=P(A
2
)*P(
1
A )
Fie evenimentele suplimentare: B: una dintre pompe se defecteaz
C: pompa U
1
se defecteaz i pompa U
2
nu se defecteaz
D: pompa U
1
nu se defecteaz i pompa U
2
se defecteaz
Observaie: B=C D, C=A
1
2
A
, D=
2 1
A A , C D=| =>
P(o pomp se defecteaz) = P(B)=P(C)+P(D)=P(A
1
)*P(
2
A )+P(A
2
)*P(
1
A ) =
=0,1*0,95+0,9*0,05=0,14
P(cel puin o pompa s se defecteze)=1-P(nici o pomp s nu se defecteze)=
=1-P( A
1 A 2
)=1-0,9*0,95=0,145=14,5% anse ca cel puin o pomp s se defecteze.

Exist o legtur ntre proprietatea de independen i cea de incompatibilitate a 2
evenimente? Dar ntre proprietatea de incompatibilitate i complementaritate?
Soluie: Rspunsul la prima intrebare este nu, dup cum este prezentat n tabelul de mai
jos. Reamintim:
A i B incompatibile A B=|
A i B independente P(A B)=P(A)P(B)
Vom considera aruncarea unui zar iar evenimentele A i B vor fi compuse din
evenimente simple echiprobabile(1/6): numrul de pe faa zarului ce apare la o aruncare a
zarului omogen.

A B=| P(A B)=P(A)P(B) A B P(A) P(B)
DA DA {1,2,4,6} | 4/6 0
DA NU {1,3,5} {2,4,6} 3/6 3/6
NU DA {1,2} {2,3,4} 2/6 3/6
NU NU {1,2,5) {2,3,4} 3/6 3/6

Aadar pot exista evenimente independente care sunt sau nu incompatibile i pot exista
evenimente incompatibile care sunt sau nu independente.
n ceea ce privete a 2-a ntrebare, rspunsul este evident din definiia celor 2
proprieti:
A i B complementare A B=| si A B=E
A i B incompatibile A B=|
A i B complementare => A i B incompatibile. Implicaia invers nu este ns
adevarat. Aceast afirmaie se justific utiliznd acelai experiment de aruncare a zarului
omogen E={1,2,3,4,5,6,} i evenimentele A={1,2,3} B={4}

4. Fie A
1
, A
2
evenimente incompatibile astfel nct P(A
1
)P(A
2
)>0. S se arate c
aceste evenimente nu sunt independente.
Soluie : A
1
A
2
=| => P(A
1
A
2
)=0
A
1
, A
2
evenimente independente <=> P(A
1
A
2
)=P(A
1
)P(A
2
)>0
Deci s-a obinut o contradicie.

5. ntr-o urn se afl 4 bilete notate astfel: 110 101 011 000
Se extrage din urn un bilet i se consider evenimentele:
A
i
=cifra i de pe bilet este 1, i=1,2,3.
Sunt independente evenimentele A
1
,A
2
,A
3
dou cte dou? Sunt ele independente n
totalitate?
Soluie:Conform formulei: ( )
posibile cazurilor nr
favorabile cazurilor nr
X P
.
.
= se obine c: P(A
1
)=2/4=1/2 ;
P(A
2
)=2/4=1/2 ; P(A
3
)=2/4=1/2
Cum ( ) ( ) ( )
2 1
4
1
2 1
A P A P A A P = = , urmeaz c evenimentele A
1
i A
2
sunt
independente. n mod analog se arat c evenimentele A
1
i A
3
, respectiv A
2
i A
3
sunt
independente.
Cum ( ) ( ) ( ) ( )
3 2 1
0
4
0
3 2 1
A P A P A P A A A P = = = , rezult c cele trei evenimente nu
sunt independente n totalitate.
6. Dac P(A B C) = 0,04, P(A) = 0,1 i P(B , A) = 0,8 s se afle P(C A B).
Soluie: P(C A B)= 5 , 0
8 , 0 * 1 , 0
04 , 0
) (
) P(C
= =
B A P
B A

; P(B , A)=
P(A)
B) P(A
=>
=> P( ) B A =P(A)* P(B , A)=0,8*0,01=0,08
7. Dac A i B sunt evenimente ce pot s apar n urma unei experiene i se
cunoate P(B)= 0,4, P(A,B) =0,3, P(A, B ) = 0,2 s se afle P(A), ( ) B A P i ( ) P A B .
Soluie:Folosind formula probabilitii totale: P(A)=P(A|B)P(B)+P(A| B )P( B )=>
=> P(A)=0,3*0,4+0,2*0,6=0,24
Folosind relaiile de Morgan: ( ) B A P = = = ) ( 1 ) ( B A P B A P >
=> ( ) B A P = = ) ( ) | ( 1 B P B A P 0,88
Folosind probabilitatea reuniunii de evenimente: ( ) P A B =P( ) A +P( ) B -P( B A )=>
P( B A )=P( ) A +P( ) B ( ) P A B =1-0,24+1-0,4-0,88=0,48
8. Presupunem c se face un test de diagnostic pentru depistarea hepatitei cronice. El
are probabilitatea de reuit de 0,98. Fie evenimentele:
A
1
: pacientul are hepatit
A
2
: pacientul nu are hepatit
A
3
: pacientul are reacie pozitiv la test.
n populaia studiat probabilitatea ca un individ s aib hepatit este: P(A
1
) = 0,012, iar
P(A
2
) = 0,988. tiind c: P(A
3
,A
1
) = 0,98; P(A
3
,A
2
) = 0,02, care este probabilitatea ca un individ
din aceast populaie care reacioneaz pozitiv la test s fie ntr-adevr bolnav de hepatit? (adic
P(A
1
,A
3
))
Solutie:Folosim formula Bayes: ( )
( ) ( )
( ) ( ) ( ) ( )
2 3 2 1 3 1
1 3 1
3 1
A A P A P A A P A P
A A P A P
A A P
+

=
( )
3 1
A A P =0,012*0,98/(0,012*0,98+0,988*0,02)=0,01176/0,03152=0,3731
Exist anse 37,31% ca un individ care reacioneaz pozitiv la test s fie ntr-adevr
bolnav de hepatit.
9. Se urmrete creterea probabilitii de funcionare a unui sistem cu dou
componente: A i B. Pentru aceasta se poate proceda n dou moduri:
a) Se ataeaz n paralel cu sistemul dat un sistem de rezerv identic cu sistemul
iniial

A B


A B

b) Pentru fiecare component n parte se ataeaz n paralel o component identic

A B


A B

Dac notm cu p
1
probabilitatea de funcionare a componentei A i cu p
2
probabilitatea
de funcionare a componentei B, care dintre aceste metode este mai bun?
Soluie: a doua metod este mai bun deoarece: P
a
= p
1
p
2
(2-p
1
p
2
), P
b
= p
1
p
2
(2-p
1
)(2-p
2
).
10. Un patron vrea s angajeze patru tineri ingineri. La concurs s-au nscris 12
candidai. n prima zi au fost testai 7 din cei 12 candidai, iar a doua zi 5. Care este
probabilitatea ca trei din cei patru reuii la concurs s fi fost testai n prima zi?
Soluie:Fie evenimentele :
B: 3 ingineri sunt admii n prima zi i cellalt a 2-a zi
A : inginerul admis s fie din grupa intervievat n prima zi
N : inginerul admis sa fie din grupa intervievat a doua zi
P(A)=7/12 probabilitatea ca primul inginer admis s fie intervievat in prima zi
P(A|A)=6/12 probabilitatea ca al 2-lea inginer admis s fie intervievat n prima zi, dac
primul admis a fost intervievat tot n prima zi
P(A|A,A)=5/10 probabilitatea ca al 3-lea inginer admis s fie intervievat n prima zi,
dac primii 2 admii au fost intervievai tot n prima zi
P(N|A,A,A)=5/9 probabilitatea ca al 4-lea inginer admis s fie intervievat a doua zi,
dac primii 3 admii au fost intervievai n prima zi
P(B)=P(A)P(A|A)P(A|A,A)P(N|A,A,A)=(7*6*5*5)/(12*11*10*9) =1050/11880=0,884
Aadar exist 88,4% anse ca trei din cei patru reuii la concurs s fi fost testai n
prima zi.
11. ntr-o uzin de automobile fiecare din electromotoarele ce urmeaz a fi montate
pe main pot avea un defect cu probabilitatea 0,05. Ele sunt verificate i probabilitatea ca
defectul s fie depistat de controlorul de calitate este 0,98. El poate grei i respinge un
electromotor bun cu probabilitatea 0,01. Determinai probabilitatea : un electromotor este
respins.
Soluie:Fie urmtoarele evenimente:
A: electromotorul este respins ; B: electromotorul este defect
Electromotorul poate avea un defect cu probabilitatea 0,05 P(B)=0,05 ;
probabilitatea ca defectul s fie depistat de controlorul de calitate este 0,98
P(A|B)=0,98
Controlorul poate grei i respinge un electromotor bun cu probabilitatea 0,01
P(A| B )=0,01
Conform formulei probabilitii totale: P(A)= ( ) ( ) ( ) ( ) B A P B P B A P B P +
Aadar P(A)=0,05*0,98+0,95*0,0,01=0,0585
Deci ansa ca un electromotor s fie respins este 5,85%
12. O nava spaial este bombardat de particule cosmice care pot produce defectri
ale componentelor A
1
,A
2
,A
3
, A
4.
. Fiecare dintre aceste componente se defecteaz independent de
celelalte (cu probabilitile p
1
,p
2
,p
3
respectiv p
4
) astfel incat p
1
+p
2
+p
3
+p
4
=1. Defectarea navetei
se realizeaz fie dac se defecteaza A
1
, fie dac se defecteaz A
2
,A
3
i A
4
simultan. Determinai
probabilitatea ca numarul de particole ce lovesc tinta sa fie sn.
Soluie:Fie X=numrul de particule care defecteaz sistemul
Notaie: A
i
: evenimentul ca A
i
s se defecteze (cu probabilitatea p
i
) ie{1,2,3,4}
P(Xsn)=P(numrul de particule ce lovesc naveta i duc la defectarea navei sn)=
=1-P(X>n)=1-P(dup ce naveta este lovit de n particule, ea nc mai funcioneaz)
P(X>n)=P( = ) (
4 3 2 1
A A A A P( ) (
4 3 2
A A A A
1
)=
= P( ) A A ( ) A A ( ) A A (
4 3 1 2 1

1
) = P(
4 1 3 1 2 1
A A A A A A ) conform
formulei pentru reuniunea de evenimente rezult c:
P(X>n)=P(
2 1
A A )+P(
3 1
A A )+P(
4 1
A A )-P(
3
1 2 1
A A A A )-
-P(
4 1 2 1
A A A A )-P(
4 1 3 1
A A A A )+P(
4 1 3 1 2 1
A A A A A A )
Dar P(
2 1
A A )=(1-p
1
-p
2
)
n
=(p
3
+p
4
)
n
; P(
3 1
A A )=(1-p
1
-p
3
)
n
=(p
2
+p
4
)
n
;
P(
4 1
A A )=(1-p
1
-p
4
)
n
=(p
2
+p
3
)
n
;
P(
3 1 2 1
A A A A )=P(
3 2 1
A A A )=(1-p
1
-p
2
-p
3
)
n
=p
n
4

P(
4 1 2 1
A A A A )=P(
4 2 1
A A A )=(1-p
1
-p
2
-p
4
)
n
=p
n
3

P(
4 1 3 1
A A A A )=P(
4 3 1
A A A )=(1-p
1
-p
3
-p
4
)
n
=p
n
2

P(
4 1 3 1 2 1
A A A A A A )=0
Aadar P(Xsn)=1-P(X>n)=1-(p
3
+p
4
)
n
-(p
2
+p
4
)
n
-(p
2
+p
3
)
n
+ p
n
4
+ p
n
3
+ p
n
2
.

13. Exist 3 canale de comunicaie pe care mesajele sunt trimise aleator (cu
probabiliti egale pe fiecare canal). Probabilitatea ca un mesaj trimis pe canalul 1 s fie
distorsionat este p
1
, pe al doilea canal p
2
, iar pe al treilea canal este p
3
. Se alege un canal la
ntmplare i pe el se trimit k mesaje; nici unul dintre aceste mesaje nu este distorsionat..
S se afle probabilitatea ca mesajul k+1 trimis pe acelai canal s nu fie distorsionat.
Soluie : Fie A
1
- evenimentul: mesajul este trimis pe primul canal;
A
2
- evenimentul: mesajul este trimis pe al doilea canal;
A
3
- evenimentul: mesajul este trimis pe al treilea canal;
B- evenimentul: mesajul este distorsionat.
Atunci probabilitatea cutat conform T. Bayes este:
( ) ( ) ( )
( ) ( ) ( )
k k k
k k k
k k k
k k k
p p p
p p p
A B P A P A B P A P A B P A P
A B P A P A B P A P A B P A P
p
3 2 1
1
3
1
2
1
1
3 3 2 2 1 1
1
3 3
1
2 2
1
1 1
1 1 1
1 1 1
)) |
_
( ) ( ( )) |
_
( ) ( ( )) |
_
( ) ( (
)) |
_
( ) ( ( )) |
_
( ) ( ( )) |
_
( ) ( (
+ +
+ +
=
= =
+ + +
+ +
+
+
+
+
+
deoarece ( ) =
i
A P 1/3.

Calculul probabilistic
Efectuarea unui calcul probabilistic inseamna a gasi probabilitatea numerica a unui
eveniment, prin aplicarea proprietatilor probabilitatii si operarea calculelor pentru parametrii
specifici aplicatiei sau problemei respective.
Nu trebuie sa fiti matematician si nu trebuie sa aprofundati notiunile teoriei
probabilitatilor pentru a putea efectua calcule probabilistice pentru aplicatii finite. Abilitatile de
calcul probabilistic pot fi dezvoltate prin procedee algoritmice. Singurele lucruri care trebuie
stiute dinainte sunt principalele definitii si un set de formule. Si abilitatile de calcul combinatoric
sunt binevenite. In afara acestor cunostinte minime de teoria probabilitatilor si combinatorica,
singura cerinta pentru rezolvitorul care nu este matematician este aceea de a stapani bine cele
patru operatii cu numere reale si calculul algebric de baza.
Teoretic, orice problema de calcul probabilistic, oricat de complexa ar fi, poate fi
descompusa in aplicatii succesive elementare care utilizeaza formule de baza, ins de cele mai
multe ori finalizarea calculului poate fi anevoioasa sau chiar practic imposibila, ca sa nu mai
vorbim de riscul crescut al aparitiei greselilor in cadrul unei succesiuni foarte lungi de calcule.
Utilizarea combinatoricii sau chiar a repartitiilor probabilistice clasice pot rezolva de multe ori in
mod simplu si elegant astfel de probleme in care rezolvarea "pas cu pas" este prea anevoioasa si
supusa erorilor de calcul.
Fiecare solutie a unei aplicatii probabilistice se supune unui algoritm de baza, care
asigura in linii mari corectitudinea incadrrii si abordarii problemei de calcul, precum si a
aplicarii rezultatelor teoretice.Chiar daca metodele de rezolvare ale unei probleme pot fi
multiple, orice procedeu este aplicat in baza acestui algoritm general, care este valabil pentru
orice aplicatie probabilistica de tip finit sau discret.Algoritmul de rezolvare cuprinde trei etape
principale: incadrarea problemei (stabilirea campului de probabilitate asociat
experimentului, prin definirea textuala a evenimentelor de masurat), stabilirea procedeului
teoretic (alegerea metodei de lucru, selectarea formulelor care urmeaz a fi folosite) sicalculul
propriu-zis (calcul aritmetic sau combinatoric si aplicarea formulelor).
Asa cum am mentionat, calculul probabilistic a fost dezvoltat pentru a raspunde
intrebarilor asupra fenomenelor aleatoare, inclusiv in jocurile de noroc. Pentru ceea ce pare sa fie
cel mai popular domeniu recreativ din zilele noastre, anume jocurile de noroc (in special jocuri
ca poker, ruleta, blackjack, sloturi sau loto), teoria probabilitatilor a devenit o necesitate
incontestabila.


Probabilitatea ca limita
Avem o teorema importanta care ilustreaza in fapt modul in care probabilitatea
modeleaza hazardul. Vom enunta aici Legea numerelor mari, nu in forma ei matematica
generala, pentru a evita definirea unor notiuni mai complexe, ci in mod particular, exemplificat,
pe intelesul oricui. Enuntul particular este urmatorul rezultat clasic, cunoscut sub numele de
Teorema lui Bernoulli:
Frecventa relativa de aparitie a unui anumit eveniment intr-un sir de experimente
independente converge catre probabilitatea acelui eveniment.
Teorema spune ca daca A este un eveniment, (E
n
) un sir de experimente
independente, a
n
numarul de aparitii ale evenimentului A dupa primele n experimente, atunci
sirul (a
n
/n) este convergent, iar limita sa este P(A) (a
n
/n P(A)). Expresia a
n
/n se
numeste frecvent relativa.
Vom exemplifica considerand experimentul clasic al aruncarii unei monede: Fie
evenimentul A Moneda cade cu stema in sus. Evident, P(A) = 1/2. Sa zicem ca
evenimentul A a avut urmatoarele aparitii:
- dupa prima aruncare, 0 aparitii, frecventa 0/1
- dupa primele 2 aruncari, 0 aparitii, frecventa 0/2
- dupa primele 3 aruncari, 1 aparitie, frecventa 1/3
- dupa primele 4 aruncari, 1 aparitie, frecventa
- dupa primele 5 aruncari, 2 aparitii, frecventa 2/5

- dupa primele n aruncari, a
n
aparitii, frecventa a
n
/n.

Legea numerelor mari spune ca sirul 0, 0, 1/3, 1/4, , a
n
/n, este convergent catre
1/2. Cu alte cuvinte, cu cat n creste, frecventa relativa il aproximeaza pe 1/2 cu o acuratete din ce
in ce mai mare sau, altfel spus, exista un numar suficient de mare de experimente, astfel incat
frecventa aparitiilor lui A sa aproximeze 1/2 cu oricate zecimale.
Legea numerelor mari confera probabilitatii o proprietate de limita. Bineinteles, teorema
nu ofera niciun fel de informatie asupra termenilor sirului de frecvente relative, ci doar asupra
limitei sale. Altfel spus, nu putem face o predictie exacta asupra evenimentului la un anumit
moment cronologic, ci putem cunoaste doar comportarea la infinit a frecventei aparitiilor.
In mare, trebuie retinut ca:
Probabilitatea nu este nimic mai mult decat o masura; asa cum lungimea masoara
distantele si aria masoara suprafetele, probabilitatea masoara evenimentele aleatoare; ca masura,
probabilitatea este de fapt o functie cu anumite proprietati, definita pe campul evenimentelor
generate de un experiment.
O probabilitate este caracterizata nu numai de functia specifica P, ci de intreg
ansamblul multimea rezultatelor posibile ale experimentului campul de evenimente generat
functia P, numit camp de probabilitate; probabilitatea nu are sens si nu o putem calcula decat
daca definim anterior in mod riguros campul de probabilitate in care operam.
Probabilitatea nu reprezinta o valoare numerica punctuala dandu-se textual un
eveniment, nu putem calcula probabilitatea acestuia fara a-l incadra intr-un camp de evenimente
mai complex; probabilitatea ca numr este de fapt o limita, respectiv limita sirului de frecvente
relative de producere a evenimentului de masurat, in cadrul unui sir de experimente
independente.



































Variabile aleatoare continue
Clase importante de variabile aleatoare

Este cunoscut faptul ca n cadrul unui experiment, oricte precautii s-ar lua pentru a
controla diferiti factori, rezultatele obtinute vor prezenta o anumita variabilitate. Aceasta
variabilitate se manifesta n aproape toate domeniile de lucru, obligndu-ne sa lucram cu
intervale ale parametrilor de studiu n loc de valori fixe.
Variabila aleatoare este o notiune fundamentala din domeniul statisticii, reprezentnd
acea marime de interes ce poate lua n cadrul realizarii experimentului o valoare oarecare,
necunoscuta aprioric. Exista doua tipuri de variabile aleatoare, anume discrete si continue.
Variabilele discrete iau valori izolate, cum ar fi numarul de baieti dintr-o scoala sau numarul de
studenti care au nota 10 la biostatistica. Variabilele continue pot lua orice valoare ntr-un interval
finit sau infinit. Spre exemplu, temperatura corpului uman poate lua orice valoare dintr-un
anumit interval (chiar daca sunt mici, aceste variatii exista).
De obicei, variabilele aleatoare se noteaza cu litere mari A, B, CX, Y. Valorile
corespunzatoare se noteaza cu litere mici: a
1
, a
2
, a
n
sau x
1
, x
2
, x
n
, iar probabilitatile acestora
se noteaza cu p
a1
, p
a2
,p
an
.

Variabile aleatoare continue
Acestea sunt caracterizate prin faptul ca valorile atribuite se afla ntr-un interval
continuu si nu discret. Rezulta ca reprezentarea prin tabelare a tuturor valorilor este imposibila,
deoarece ar nsemna realizarea unui tabel infinit ca dimensiune. Asadar, se impune utilizarea
probabilitatii evenimentului A < a si n concluzie, se va lucra pe intervale de valori si nu cu
valori fixe. Functia de probabilitate este nlocuita la variabile aleatoare continue cu functia
densitate de probabilitate. Graficul densitatii de probabilitate este prezentat mai jos pe un
exemplu generic. S-a utilizat notatia: f(a) functie densitate de probabilitate, a2 a1 = a.


1. Funcia de repartiie. Densitatea de repartiie.
Definiie: X : E R este v.a. continu dac funcia ei de repartiie este continu pe R.
Definiie: Dac exist
( ) ( )
=
+

h
x F h x F
X X
h 0
lim ' F
X
(x) atunci ' F
X
se numete densitatea
de repartiie a variabilei X i se noteaza cu f
X
(x), x e R.
Proprieti : F
X
(x) =
( )
f t dt
X
x

} ,
( )
f t dt
X

+
} = 1, f
X
(x) > 0, x e R.
2. Caracteristici ale variabilelor aleatoare continue
Definiie: Valoarea medie a v.a. X este M(X) =
( )
xdF x
X

+
} =
( )
xf x dx
X

+
}
Definiie: Momentul de ordin r al v.a. X este: ( ) ( ) ( )
}
+

= = x dF x X M X M
X
r r
r

Definiie: Momentul centrat de ordin r al v.a. X este:
( ) ( ) ( ) ( ) ( ) ( )
}
= =
R
x dF x M x X M X M X
X
r r
r

r = 2 => dispersia sau variana variabilei aleatoare X: ( ) ( ) ( ) ( )
}
+

= x dF X M x X Var
X
2

( ) X Var se numete abatere medie ptratic.
Proprietile mediei i dispersiei sunt aceleai ca i pentru variabile discrete.
Cu toate c valoarea medie a unei v.a. este cel mai folosit indicator pentru locaie sau
poziie, mai sunt folosii: modul i mediana.
Definiie: Modul v.a. X, notat prin M
0
, este acea valoare a v.a. X pentru care densitatea
de repartiie f
X
(x) are valoarea maxim.
Definiie: Mediana v.a. X, notat prin Me, satisface egalitatea:
( ) ( ) f x dx f x dx
Me
Me

} } = =
1
2
.
3. Exemple de repartiii continue
1) Repartiia normal de parametrii m i o
2
[X~N(m, o
2
)]. n acest caz v.a. X este
definit prin densitatea de repartiie: ( )
( )
R x
m x
x f
X
e

= ,
2
exp
2
1
2
2
o t o

Funcia de repartiie corespunztoare este: ( )
( )
dt
m t
x F
x
X
}

=

(

2
2
2
exp
2
1
o t o
.
Media: ( ) ( ) M X xf x dx m
X
= =

+
}
si dispersia ( ) ( ) ( )
2
2
o = =
}
+

dx x f m x X Var
X




Graficul densitii de repartiie este dat n figura :



El prezint simetrie fa de x= m i admite punctele de inflexiune de abscise x= m o.
Propoziie: Dac X ~ N (m, o
2
), atunci
( ) ( ) ( )

+ =
=
r k
r
r
r k
X M X M
r
r
k
2 ,
! 2
! 2
1 2 , 0
2
o
;
( ) ( )
( ) ( )
0
2 3
3
=

X D
X M X M
;
( ) ( )
( )
0 3
2
4
=

X D
X M X M

Observatie: Pentru repartiie normal, coeficienii de asimetrie i cel de exces sunt zero.
Caz particular: m=0 i o=1=> repartitia normala standard N(0,1) definit de
densitatea de repartitie : ( )
|
|
.
|

\
|
=
2
exp
2
1
2
x
x f
X
t
, x e R i funcia de repartiie
( )
2
exp
2
1
2
dt
t
x
x
}

|
|
.
|

\
|
= u
t
(se numete funcia lui Laplace).
Cele dou funcii: densitatea i funcia de repartiie pentru normala N(0,1) sunt tabelate.
Observaii:
a) Dac X ~ N(0, 1) graficul densitii este simetric fa de axa Oy.
b) u(x)+u(-x)=1 deorece x i (-x) sunt puncte simetrice fa de axa Oy iar u(x)
reprezint aria mrginit de graficul f., axa Ox i paralela dus la Oy prin punctul de abcis x
aa cum se vede n figura.





De asemenea u ()= 1

c) Dac X~N(m,o
2
) atunci
variabila aleatoare redusa
o
m - X
= Y ~ N(0, 1).
Definiie: Valoarea u
o
se numete cuantila de ordinul o a variabilei Y~N(0, 1)
dac: u(u
o
) = o
Exemplu: Cnd maina este bine reglat ea produce piese cu diametrul mediu de 25
mm. Dup 5 ore de lucru se constat c, din cele 100 de piese 9 au diametrul mai mic de 22 mm
iar 6 piese au diametrul mai mare de 28 mm. Presupunnd c diametrul unei piese de acest tip
este o variabil aleatoare normal N(m, o
2
) gsim parametrii m i o
2
. Care este
probabilitatea ca diametrul unei piese s fie n intervalul (24,5 ; 25,5)?
Soluie: ( )
100
9
22 = < X P i ( )
100
6
28 = > X P .Introducnd variabila redus obinem:
|
.
|

\
|
u = |
.
|

\
|
<

o o o
m m m X
P
22 22
i
|
.
|

\
|
|
.
|

\
|
u =

>

o o o
m m m X
P
28
1
28

Din tabelul functiei Laplace, rezult: 35 , 1
22
=

o
m
i 56 , 1
28
=

o
m

Rezolvnd acest sistem se obinem m= 24,78 i o = 2,062, o
2
= 4,25.
Aadar variabila X = diametrul piesei este o variabil aleatoare N(24,78; 4,25) i
( ) 21 , 0
062 , 2
72 , 0
062 , 2
78 , 24
062 , 2
28 , 0
5 , 25 5 , 24 = <

<

= < < |
.
|

\
| X
P X P
Exemplu: O pies produs de un robot este considerat bun dac abaterea dimensiunii
de control de la valoarea nominal nu depete 4 mm. Abaterile aleatoare ale dimensiunii de
control de la valoarea nominal sunt repartizate normal cu media 0 i dispersia 4 mm. Care este
proporia de piese bune produs de robot? Cte piese trebuie s se produc pentru ca cel puin
una defect s se afle printre ele cu o probabilitate mai mare dect 0,95?
Soluie: Fie v.a. X = abaterea aleatoare a dimensiunii de control fata de valoarea
nominala; X~N(0,4). Atunci
( ) ( ) ( ) ( ) 9545 , 0 1 2 2 2 2 / 2 4 4 4 = = s s = s s = s | X P X P X P .
Probabilitatea ca din n piese cel puin una s fie defect este dat de
( ) ( ) ( ) > = s = s >

=

95 , 0 9545 , 0 1 4 1 4 4
1
n n k n k
n
k
k
n
X P X P X P C n > 65.
2) Repartiia uniform X~U[a, b] cu densitatea de repartiie ( )
| |

=
rest n
b a x
a b
x f
X
, 0
, ,
1
,
media ( )
2
a b
dx xf X M
b
a
X
+
=
}
= si dispersia ( )
( )
12
2
a b
X D

=
3) Repartiia exponenial E(, o) deplasat.
V.a. X~Exp(, o) are d.r. : ( )

> >
=

rest n
x e
x f
x
X
, 0
0 , ,
1
o

o
cu M(X)=+o, D(X)=
2

Observaie: Cel mai des folosit repartiie exponenial este Exp( ) 0 , notat Exp( ).
Exemplu: Repartiia exponenial se utilizeaz n modelarea timpilor de defectare a
diferitelor utilaje precum i n fenomenele de ateptare. Aceasta repartiie este legat de aa
numitele procese Poisson, evenimentele discrete fiind observate pe intervale de timp continue.
Fie v.a. T = momentul de timp la care se realizeaz primul eveniment=> T~Exp((, o).
Fie v.a. X = numrul de realizari ale unui eveniment n intervalul de timp [0,t]=>
X~Po(t) i P(T > t) = P(X=0) = exp(-t)
4) Repartiia Weibull. W(a,b) este utilizat n teoria fiabilitii.
V.a. X~W(a,b) are repartiia dat de funcia de fiabilitate: P(T>t)=exp(-at
b
),t>0,a>0,b>0.
Avem M(X)=a
-1/b
I (1+1/b), VarX=a
-2/b
) / 2 1 ( b + I -M
2
(X)
Repartiia Weibull se folosete pentru modelarea timpilor de defectare pentru tuburi
electronice, bilele de rulmeni, condensatori .a.
p-quantila este dat de P(X< x
p
)=p i n acest caz x
p
=[-ln(1-p)/a]
1/b
.
Dac T urmeaz o repartiie Weibull atunci U=lnT urmeaz o repartiie Gumbel definit
de funcia de repartiie F(w)=1-exp[-exp(y-u)/b] ,yeR,b>0.
5) Repartiia hi - ptrat _
2
(n)
O variabil aleatoare X ~_
2
(n) are densitatea de repartiie:
( )
( )

s
>
I
=

0 , 0
0
2 / 2
1
2
1
2
2 /
x
x e x
n
x h
x n
n
X
cu M(X) = n, D(X) = 2n.
Dac X
j
~ _
2
(v
j
) independente , 1 s j s k

=
k
j
X Y
1
~
|
.
|

\
|
v _

n
1
j
2
.
Observaie important: O sum de ptrate de n variabile aleatoare independente i
repartizate N(0,1) urmeaz o repartiie _
2
(n)
6) Repartiia Student
O variabil aleatoare X cu densitatea de repartiie
( )
2
1
2
1
1
2
2
1
+

|
.
|

\
|
+
|
.
|

\
|
I
|
.
|

\
| +
I
=
n
X
x
n
n
n
n
x f
t
, x e (-, ), M(X) = 0, ( )
( ) 2 2
=
n
n
X D
urmeaz o repartiie Student (t) cu n grade de libertate (scriem X~t(n)).
Se poate arata ca daca U~N(0,1) si V~ ) (
2
n _ atunci W=U n V / / urmeaza o repartitie
Student cu n grade de libertate.
7) Repartiia Fisher cu n, respectiv m grade de libertate: F(n, m)
O variabil aleatoare X ~F(n, m) dac are densitatea de repartiie:
( )
( )
( ) 2 /
1 2
2
1
2 2
2
, ;
m n
n
n
X
x
m
n
x
m
n
n m
n m
m n x f
+

|
.
|

\
|
+ |
.
|

\
|
|
.
|

\
|
I |
.
|

\
|
I
|
.
|

\
| +
I
=
8) Repartiia Gamma
X ~ Gamma (o, |), o > 0, | > 0. Densitatea de repartiie a v.a. X este:
( )
( )

>
I
=

rest in 0,
0 ,
, ;
/ 1
x
e x
x f
x
X o |
| o
o
| o
cu M(X) = o| si D(X) = o|
2

Observaie: Dac vom considera 2 / , 2 n = = o | , densitatea de repartiie a unei variabile
Gamma(n/2,2) se reduce la o repartitie ) (
2
n _ .
9) Repartiia invers Gauss sau repartiia Wald
Densitatea de repartiie Wald este:
( ) ( )
( )
0 , 0 , 0 ; 2 , ;
2
2
2
3
> > > =

t

x e x x f
x x
X

M(X) = i ( )

3
= X D .
Repartiia Wald este folosit ca alternativ a repartiiei Weibull .
10) Repartiia Beta, Be (o, |), o >0, | > 0.
Densitatea de repartiie a v.a. X~Be(o,|) este ( )
( )
( )
( ) 1 , 0 ,
,
1
1 1
e

=

x
B
x x
x f
X
| o
| o

Observatie: B ) , ( | o =
) (
) ( ) (
| o
| o
+ I
I I
;
11) Repartiia valorilor extreme
Deosebit de utile n situaiile practice n care depirea unui anumit nivel de solicitare
pentru un sistem mecanic conduce la defectarea sistemului, repartiiile de tipul:
U= max(X
1
, X
2
, ..., X
n
) i V= min(X
1
, X
2
, ..., X
n
)
au fost studiate de Gumbel nc din anul 1958 n cartea sa intitulat Statistics of
extremes. n decursul timpului, ele i-au dovedit importana n situaii diverse:
a) un sistem cu componente legate n serie se defecteaz cnd se defecteaz prima
component din sistem.
b) un sistem cu componente legate n paralel se defecteaz cnd se defecteaz ultima
component.
Repartiiile valorilor extreme sunt de urmtoarele tipuri:
I. (valori maximale) :
(

|
.
|

\
|
= |
.
|

\
|
b
a x
b
a x
F
n
exp exp , x e R, oe R, | > 0
II. (valori maximale) :

> >
(
(

|
.
|

\
|

<
= |
.
|

\
|
0 , , exp
, 0

a x
b
a x
a x
b
a x
F
n

III. (valori maximale):

>
> <
(
(

|
.
|

\
|

= |
.
|

\
|
a x
a x
b
a x
b
a x
F
, 1
0 , , exp

IV. (valori minimale) :
(

= |
.
|

\
|
b
a x
b
a x
G exp exp 1 , x e R
V. (valori minimale) :

> >
(
(

|
.
|

\
|

<
= |
.
|

\
|
0 , , exp 1
, 0

a x
b
a x
a x
b
a x
G
VI. (valori minimale) :

>
> <
(
(

|
.
|

\
|

= |
.
|

\
|
a x
a x
b
a x
b
a x
G
, 1
0 , , exp 1

12) Repartitia log-normala Dac X ~ N(m, o
2
), atunci Y=e
X
are densitatea de repartiie:
f
Y
(y) =
( )
1
2
2
2
2
y
e
y m
o t
o

ln
, y > 0
Variabila aleatoare Y are repartiie lognormal.
Repartiia lognormal modeleaz timpii de defectare pentru componente electronice,
semiconductori LED, diode IMPATT, laseri, de asemenea, repartiia consumului de curent
electric de ctre consumatorii casnici dintr-un mare ora, repartiia particolelor obinute prin
pulverizare.
Propoziie: Dac X~U(0,1) atunci variabila aleatoare ( )
b
X
a
Y
1
1 ln
1
|
.
|

\
|
=
cu a, b > 0 are densitatea de repartiie f(y) = aby
b-1
b
ay
e

, 0 < y < ( Weibull )

Propoziie: Dac X ~ U(0, 1), atunci variabila aleatoare Y = a ((1-X)
-1/b
- 1)
cu a,b > 0 are densitatea de repartiie ( )
1 +
|
|
.
|

\
|
+
=
b
y a
a
a
b
y f , 0 < y < ( Pareto )
Observaie: P(N=k) ( ) ( ) ( )
k k k
p p p p = =
+
1 1 1
1
(Repartiia geometric).
Repartiia geometric poate conduce la o discretizare a repartiiei exponeniale astfel:
Fie Y =
( ) p
X
1 ln
ln
; Y ia valori pe R
+
i, pentru x > 0 se poate scrie:
P(Y s x) = P[ln X > xln(1-p)] = P(X > e
xln(1-p)
) =1 - e
xln(1-p)
= 1- e
-xln(1-p)
, x > 0.
Deci, Y ~ Exp [ln(1-p)]
Dac Y~Exp (u) atunci [Y] este repartizat geometric cu p = 1 - e
-u
.
Teorem: Fie X o variabil aleatoare cu funcia de repartiie F(X) de tip continuu care
este strict cresctoare. Atunci v.a. Y=F(X) este repartizat uniform pe (0,1).
Teorem: Fie Y~U(0, 1) i F(x) o funcie de repartiie de tip continuu cu F(a)=0, F(b)=1
i F strict cresctoare pe (a,b). Atunci v.a. X=F
-1
(Y) este o v.a. continu cu funcia de repartiie F.
Teorem: Dac g: R R, admite o dezvoltare n serie Taylor dup puterile x-x
0
i,
dac X este o v.a. pentru care exist M(X
2
), atunci
M(g(X))~g(M(X))+
2
1
D(X) ( ) ( ) X M g ' '
Liniarizarea functiilor de variabile aleatoare
Fie v.a. Y= ) (X repartizat continuu. Notm M(X)=m, D(X)=
2
o . Atunci
M(Y) ~ (m) respectiv Var(Y) ) ( )] ( ' [
2
X Var m ~
Exemplu: Fie Y=X
2
. Gasim o aproximatie pentru media si dispersia lui Y, in functie de
media, respectiv dispersia lui X: M(Y)
2
m ~ respectiv Var(Y) ) ( 4
2
X Var m ~
Repartitii mixte
In afara repartitiilor numite discrete, respectiv continue exista si alte tipuri de repartitii
care nu sunt nici discrete, nici continue(asa numitele repartitii mixte).
Vom dezvolta o asemenea repartitie asociata unei probleme concrete.Printr-un canal de
comunicatie se transmite un mesaj de lungime l .Pentru a se sterge mesajul se introduce un
bruiaj de lungime b>l astfel incat centrul O
1
al acestuia sa coincida cu centrul O al
mesajului..Din erori accidentale , centrul bruiajului s-a deplasat cu X fata de centrul
mesajului.V.a.X are o repartitie normala cu media 0 si o =l/2.Sa se afle repartitia variabilei
U=lungimea mesajului bruiat.
U este o v.a. mixta :ea poate lua valoarea 0 ( daca nu a sters nicio parte din mesaj) cu
probabilitatea :P(U=0)=P[|X|>(b+l)/2]=1-P[-(b+l)/2<X<(b+l)/2]=
=1-[F |
.
|

\
| +
2
l b
-F |
.
|

\
| +

2
l b
]=2(1-F |
.
|

\
| +
2
l b
)
Poate lua valoarea l (cand a sters tot mesajul ) cu probabilitatea P(U=l)=P[|X|<(b-l)/2]=
F |
.
|

\
|
2
l b
-F |
.
|

\
|

2
l b
=2F |
.
|

\
|
2
l b
-1.
Pentru
2 2
l b
X
l b +
< <

variabila aleatoare U este continua iar probabiltatea sa se

stearga o parte din mesaj mai mica decat u este :
P(Usu)=P[|X|>
2
2u l b +
]=2[1-F(
2
2u l b +
)].
Elemente de fiabilitate
Notiunea de fiabilitate este legata de timpul de viata , timpul de functionare pana la
defectare sau timpul de supravietuire si se intalneste in diferite domenii: ingineresti, medicale,
stiinte sociale s.a.
Notiunile folosite sunt urmatoarele :
1) V.a. T-timpul de viata sau timpul de functionare.
2) Functia de supravietuire sau de fiabilitate S(t)=P(T>t)
3) Functia de hazard defineste rata instantanee de defectare sau moarte la momentul t,
dat fiind ca individul a supravietuit pana la momentul t este :
) (
) (
) | (
lim ) (
t S
t f
t T t T t P
t h =
> + < s
=
o
o
. Deoarece f(t)= ) (t S' si S(0)=1 rezulta
S(t)=exp( ) ) (
0
}

t
du u h ,t>0.
4) Functia de hazard cumulata este :H(t)=
}
t
du u h
0
) ( .
5) p-quantila repartitiei Teste valoarea numerica t
p
definita prin P(T
p
t s )=p
Astfel pentru repartitia Weibull cu functia de repartitie ] ) ( exp[ ) (
|
ot t F = rezulta
t
p
=
|
o
/ 1
)] 1 ln( [
1
p .Daca alegem p=1-1/e ~0,632 atunci t
1-1/e
=0,632.
6) Timpul mediu de viata ramas este dat de: m(t)=M(T-t|T ) t > se poate calcula din
relatia
m(t)=
}

t
du u S
t S
) (
) (
1

Pentru Repartitia Weibull cu functia de supravietuire S(t)=exp( )
|
ot ,functia de hazard
este crescatoare daca 1 > | ,descrescatoare daca 1 < | si constanta pentru 1 = | .
Tipuri particulare ale functiei de hazard :
1)h(t)= ) exp( ) ( 0 , t t S t = > .
2)h(t)=a+bt (liniar cu varsta)-modelul Kodlin )] 2 / ( exp[ ) (
2
bt at t S + =
3) h(t)=exp(a+bt) S(t)=exp[e
a
(e
bt
-1)/b]-repartitia Gompertz.

Cazul discret
Cand datele care reprezinta timpii de viata sunt grupate ,T poate fi considerata o
variabila discreta ce poate lua valorile:0<t
1
<t
2
<...<t
n.
In acest caz S(t)=

> ) (
) (
t t j
j
j
t f iar functia de
hazard devine : h(t
j
)=
) (
) (
j
j
t S
t f
,j=1,2,.....,n.
Observatie :f(t
j
)=S(t
j
)-S(t
j+1
) si deci h(t
j
)=1
) (
) (
1
j
j
t S
t S
+
,j=1,2,....,n de unde obtinem
S(t)= ) ) ( 1 (
) (
[
s

t t j
j
j
t h


Probleme rezolvate
1. n drumul spre locul de munc, Mihai schimb dou autobuze. Timpul total T de
ateptare n staii urmeaz o repartiie de densitate:

> <
s s
s s
=
10 0 , 0
10 5 ,
25 5
2
5 0 ,
25
) (
t sau t
t
t
t
t
t f
a) Care este probabilitatea ca timpul de ateptare s fie cuprins ntre 3 i 8 minute?
b) Care este probabilitatea ca timpul de ateptare s fie de cel mult 10 minute ?
c) Care este timpul mediu de ateptare ?
Soluie:
a) ( ) ( ) ( ) ( ) 74 , 0
8
5
25 5
2
5
3
25
8
5
5
3
8
3
8 3 =
} |
.
|

\
|
+
}
=
}
+
}
=
}
= < < dt
t
dt
t
dt t f dt t f dt t f T P
b) ( ) ( ) ( ) ( )
} } }
= + = = <
10
5
5
0
10
0
1 10 dt t f dt t f dt t f T P
c) ( ) ( ) ( ) ( )
} } } } }
= |
.
|

\
|
+ = + = =
10
5
10
5
5
0
2 5
0 0
66 , 7
25 5
2
25
dt
t
t dt
t
dt t tf dt t tf dt t tf T M
2. Un autobuz se deplaseaz ntre 2 orae A i B care se afl la o distan de 100km
unul de cellalt. Dac autobuzul are o pan, atunci distana X de la punctul de pan pn la
oraul A urmeaz o repartiie uniform pe [0,100]. Dac maina remorc se afl la mijlocul
distanei ntre cele 2 localiti, care este probabilitatea ca ea s parcurg mai mult de 20 km
pentru a ajunge la punctul de pana ? Dar daca masina de depanare porneste din orasul A sau B
care se afla cel mai apropiat de punctul de pana ?
Soluie: Se folosete repartiia uniform X~U(0,100).
Fie Z=distana pe care o parcurge maina remorc, dac pleac de la km 50.
Dac X <50km ( se defecteaz nainte de jumtatea drumului) => X+Z=50 dar Z>20
=>X<30.
Dac X>50km ( se defectueaz dup jumtatea drumului) => X-Z=50 dar Z>20 =>
X>70.
P(Z >20)=P(Z>20|X<50)P(X<50)+P(Z>20|X>50)P(X>50)=P(X<30)P(X<50)+
P(X>70)P(X>50)= 7 , 0 35 , 0 35 , 0
100
50 100
1
100
70 100
1
100
50 100
100
30 100
= + = |
.
|

\
|
|
.
|

\
|
+


In al doilea caz,P(Z>20)=P(X>20|X<50)P(X<50)+P(X<80|X>50)P(X>50)=0,6
Rezulta astfel ca este mai bine ca masina de depanare sa plece dintr-unul din capetele
traseului.
3. S se determine cuantila de ordin 0,25 pentru repartiia N(0,1).
Soluie: p
0,25
este argumentul funciei Laplace | (p
0,25
)=0,25. Din tabelele repartiiei
N(0,1) rezult: p
0,25
= -0,67= -p
0,75

4. Presupunem c intr-o colectivitate greutatea X a unui individ este o variabila
aleatoare care urmeaza o repartitie N(m, o
2
), cu m=75 kg si o=10 kg. Care este probabilitatea ca
un individ ales la intamplare sa aiba o greutate intre 65 si 90 kg ? Sa se determine a si b astfel ca
: P(X<a)=0,9 si P(X>b)=0,8.
Solutie: Se cauta ( ) 90 65 < < = X P p . Daca X~N(75, 10
2
) =>Z=
10
75 X
~N(0,1) si se va
folosi tabelul ce contine valorile functiei Laplace =>
p =P ) 1 ( ) 5 , 1 (
10
75 90
10
75
10
75 65
< < = |
.
|

\
|
<

<

Z P Z P
X

p= u(1,5)-1+u(1)=0,93319-1+0,8413=0,77449 unde
( )
}
= u

x
t
dt e x
2
2
2
1
t
este funcia Laplace ( funcia de repartiie a unei variabile N(0,1).
( ) |
.
|

\
|
u = |
.
|

\
|
< = |
.
|

\
|
<

= < =
10
75
10
75
10
75
10
75
9 , 0
a a
Y P
a X
P a X P , unde am inut seama de
faptul c dac X~N(m,
2
), atunci
o
m X
Y

= ~N(0,1).
Prin urmare
10
75 a
este cuantila de ordin 0,9 a unei variabile repartizat N(0,1). Din
tabel gsim 88 3 , 1
10
75
= =

a
a
.
Analog ( ) ( ) |
.
|

\
|
s = |
.
|

\
|
s

= s = > =
10
75
10
75
10
75
1 1 8 , 0
b
Y P
b X
P b X P b X P .
Obinem: 2 , 0
10
75
=

s
|
.
|

\
| b
Y P , de unde rezult: b=75
5. Fie X o v.a. repartizata normal N(0,5;4). Care dintre evenimentele: 1 , 0 | :| < X A si
1 , 0 : > X B are o probabilitate mai mare de realizare?
Soluie:Daca X~N(0,5;4), atunci variabila
2
5 , 0
=
X
Y ~N(0,1)
( ) ( ) ( ) = < < = < = 1 , 0 1 , 0 1 , 0 X P X P A P
|
.
|

\
|
<

<

2
5 , 0 1 , 0
2
5 , 0
2
5 , 0 1 , 0 X
P =
( ) ( ) = u u = 3 , 0 2 , 0 ( ) ( ) 0386 , 0 5793 , 0 6179 , 0 2 , 0 3 , 0 = = u u
( ) ( ) ( ) 9614 , 0 0386 , 0 1 1 , 0 1 1 , 0 = = < = > = X P X P B P
Prin urmare P(B)>P(A),deci este mai probabil sa aiba loc evenimentul B.
6. Se cunoate c rezistena unui tip de rezistor este o variabil aleatoare normal;
10% dintre acetia au o rezisten ce depaete valoarea de 10,2 ohmi iar 5% dintre ei au
rezistena mai mic dect 9,6 ohmi. S se determine valoarea medie i dispersia rezistenei
precum i probabilitatea ca rezistena s ia valori n intervalul (9,8 ;10,1).
Soluie: Fie X = rezistena unui tip de rezistor X~N(,o
2
) astfel nct : P(X>10,2)=0,1 i
P(X<9,6) =0,05
Se va folosi variabila Z =
o
X
~N(0,1) cu P 9 , 0
2 , 10
=

<
|
.
|

\
|
o

Z respectiv
P
|
.
|

\
|
<
o
6 , 9
Z =0,05 =>

=
=
05 , 0
9 , 0
* 6 , 9
* 2 , 10
z
z
o
o
=> = 9,93 respectiv o =0,21
P(9,8< X<10,1)=P =

< <

|
.
|

\
|
21 , 0
93 , 9 1 , 10
21 . 0
93 , 9 8 , 9
Z = < < ) 62 , 0 ( ) 81 , 0 ( Z P Z P
=P(Z<0,81)-1+P(Z<0,62)=0,7910- 1+0,7324=0,5234
7. Un automobil nou este echipat cu 8 bujii. Fiecare bujie are o durat de funcionare
reprezentat de o repartiie normal N(8000 km,1600
2
km). Care este probabilitatea ca dup
5000 km, automobilul s utilizeze nc bujiile cu care a fost echipat ?
Soluie: Se noteaz
i
X = durata de funcionare a bujiei i, unde i=1..8.
Atunci probabilitatea cutat este:
( ) = > > > = 5000
8
, 5000
2
, 5000
1
X X X P p
( ) ( ) ( ) ( ) ( )
8
5000 1 5000
8
5000
2
5000
1
< = > > > = X P X P X P X P
X~N(8000,1600
2
)=>Z=
1600
8000 X
~N(0,1) i folosim tabelul cu valorile functiei
Laplace
P(X<5000)=P |
.
|

\
|
<
1600
8000 5000
Z =P(Z<-1,87)=1- P(Z<1,87)
Atunci p= (P(Z<1,87))
8
=0,96926
8
=>p ~ 0,7714.
8. Timpul de ateptare la un ghieu este o variabil aleatoare ce urmeaz o repartiie
exponenial. Durata medie de servire (de rezolvare a cererii) este de 5 minute.
a) Care este probabilitatea ca durata de ateptare s fie mai mic de 2 minute?
b) Este corect s afirmm c n 50% din cazuri, durata de ateptare este mai mic
dect 5 minute? (Densitatea de repartiie a variabilei aleatoare exponeniale este:

<
>
=

0 , 0
0 ,
) (
t
t e
t f
t

)
Soluie: Fie T=timpul de ateptare. Atunci T~Exp().
( ) ( )

1
0 0
=
}
=
}
=

dt te dt t tf T M
t
dar M(T)=5 rezult c =1/5.
Atunci: ( ) ( ) ( ) 67 , 0
5
1
1 1 2 1 2
5
2
2
0
5
2
0
= =
}
=
}
= s = >

e dt e dt t f T P T P
t

( ) ( ) 63 , 0 1
5
1
5
1
5
0
5
5
0
= =
}
=
}
= <

e dt e dt t f T P
t

Observam ca 0,63>0,50 , deci ( ) 50 , 0 5 > < T P rezult c nu este corect afirmaia.
9. O osea este iluminata de 500 de becuri de acelai fel.Timpul de defectare pentru un
asemenea tip de bec este o variabil aleatoare repartizat exponenial cu timpul mediu de
defectare de 5 ani.
a) Care este probabilitatea ca 3 becuri s se arda n primul an ?
b) Dac dup 6 luni nu s-a ars nici un bec, care este probabilitatea ca n urmtoarele
6 luni s nu se ard nici un alt bec ?
Soluie: X = timpul de defectare pentru un asemenea tip de bec X~Exp (5)
Densitatea de repartiie corespunztoare repartiiei exponeniale este:
f(x)=
u
u
x
e

*
1
dac x>0 => M(X) = u => u =5
a) Se noteaz X
1
, X
2
, , X
500
timpul de defectare al fiecrui dintre cele 500 de
becuri
Fie p=probabilitatea ca un bec s se defecteze nainte de primul an
p=P(X<1)=
} }

= = =
1
0
1
0
5
1
1
0
5 5
1 | *
5
1
) ( e e dx e dx x f
x x

P(3 becuri s se ard n primul an) = C
3
500
p
3
(1-p)
497
=C
5
497
3
5
1
3
500
) 1 (

e e
b) P(nu se arde nici un bec n urmtoarele 6 luni | n primele 6 luni nu s-a ars nici unul)
= P(nu se arde nici un bec n primul an)/P(n primele 6 luni nu s-a ars nici un bec)=
=P(nu se arde nici un bec in primul an)=(P(un bec nu se arde in primul an))
500
=
=
100 500
5
1
) (

= e e
P(n primele 6 luni nu s-a ars nici un bec)= (P(un bec nu se arde n primele 6 luni))
500
=
=( )
50
500
5
5 , 0 500
500
5 , 0
0
) ( 1 ) 5 , 0 ( 1

=
|
|
.
|

\
|
= |
.
|

\
|
}
= < e e dx x f X P
Deci probabilitatea, ce se cere, are valoarea:
50
50
100

e
e
e

10. O central nuclear constat c, n medie, de 2 ori pe lun au loc degajri de
substane radioactive detectabile(dar care nu afecteaz zonele locuite din apropiere). S se
determine probabilitatea ca s treac cel puin 3 luni, nainte s se inregistreze prima emisie de
radiaii.
Soluie : Fie X=numrul de degajri periculoase pe luna
X~Po( ) M(X)= => =2 accidente/ luna.
Fie Y=timpul scurs ntre 2 degajri succesive => Y~Exp(1/ )=Exp(0,5)
P(Y>3)=1- P(Y<3)=1-
}

3
0
2
2 dx e
x
=
3
0
-2x
e 1+
=e
-6
.
11. S se determine quantila de ordin 0,25 pentru repartiia exponenial Exp(u ).
Soluie : p
0,25
are proprietatea c 25 , 0 /
25 , 0
0
/
=
}

u
u
dx e
p
x
. Integrnd prin pri, se obine :
1-
u /
25 , 0
p
e

=0,25 => p
0,25
=-u ln(0,25)
12. Fie variabila
2
_ (15) chi-ptrat cu 15 grade de libertate. S se calculeze media i
dispersia acestei variabile. S se determine :
a) P(
2
_ (15) s5,229)
b) h astfel nct P(
2
_ (15) >h)=0,975
c) P(6,26s
2
_ (15) s27,5)
Soluie : P(
2
_ (15) s5,229)=0,010 . Analog celelalte puncte.

12. Fie variabila aleatoare X= timpul pn la defectare(n mii de kilometri parcuri) a
fazei lungi a unui automobil, care urmeaz o repartiie Weibull( 04 , 0 = o , | =2)
a) S se determine media i dispersia lui X
b) S se determine funcia de fiabilitate
c) Care este fiabilitatea acestor lumini la 1.000 km ?
d) Care este rata de defectare ?
e) Care este rata de defectare la 5000 km ?
f) Care este probabilitatea ca luminile s se defecteze n primii 3000 km ?
(densitatea de repartitie pentru o variabila repartizata Weibull este :
f(x)=
| |
o o| x x

exp(
1
) , x>0)
Soluie :
a) M(X)=
}

0
) ( dx x xf =
}

0
dx e x
x
|
o |
o| =
|
|
.
|

\
|
I

| |
o
|
1 1
/ 1

D(X)=M(X
2
)-(M(X))
2
=
|
|
.
|

\
|
|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I

1
1
1
2
2 / 2
| |
o
|

folosind schimbarea de variabil
|
ox =y
Aadar M(X)=0,04
-1/2
.0,5. ) 2 / 1 ( I =2,5 t respectiv D(X)=0,04
-1
(1-( t 3/2)
2
)
D(X)=25(1-4 9 / t )
b) Funcia de fiabilitate(de supravieuire) este notat :
S(x)=P(X>x)=1-P(Xs x)=1-
}

x
u
e u
0
1
|
o |
o| du=1+
x
u
e
0
|
o
=
|
ox
e

=
2
04 , 0 x
e

c) S(10.000) ~0,01838
d) h(x)=-S(x)/S(x)=
|
o
|
o |
o|
x x 1
e e x =
1
x
|
o| =0,08x rata de defectare
e) h(5000)=0,08*5=0,4
f) P(Xs3000)=1-S(3000)= 0,3023.

13. Dac rata defectare este h(t)=
1
t
|
o| cu 2 = o , | =3, s se determine densitatea de
repartiie a variabilei aleatoare T=timpul de funcionare pn la defectare a tipului de
component cu aceasta rat de defectare. Ct este timpul mediu de defectare a componentei? S
se determine funcia de fiabilitate a componentei.

Soluie : rezolvnd ecuaia cu necunoscuta S(t) : h(t)=-S(t)/S(t) =>
S(t)=exp(
}

t
du u h
0
) ( ). Mai mult, se observ c forma ratei defectare este aceeai cu cea de la
problema anterioara => S(t)=
|
ox
e

=
2
2x
e

, x>0.

Densitatea de repartiie a variabilei T este : f(t)= -S(t)= 4x
2
2x
e

, x>0.
M(T)=
|
|
.
|

\
|
I

| |
|
o
1 1
/ 1
=2
-1/3
0,33I (0,33)=0,7087 timpul mediu de defectare a
componentei. Funcia de fiabilitate a componentei este S, de forma scris mai sus, n soluie.
14. Repartiia timpului de defectare T pentru un tip de condensator poate fi modelat
printr-o repartiie lognormal cu media =1,5 ani i o =1 an.
S se afle timpul mediu de defectare. Dac un condensator este vndut cu o garanie de
2 ani, care este probabilitatea s nu existe reclamaii n perioada de garanie ? Cum se modific
aceasta probabilitate dac garania este de 3 ani ?
Soluie: Densitatea de repartiie pentru repartiia lognormal LN(
2
,o ) :
f(t)=
( )
2
2
2
t ln
e
2 t
1
o

t o
, t > 0
M(T)=
}

=
0
) ( dt t tf
2 /
2
e
o
=
5 , 3
e =0,0302 folosind schimbarea de variabila ln(t)=u.
Probabilitatea s nu existe reclamaii n perioada de garanie de 2 ani este dat de
funcia de fiabilitate :
S(t)=P(T>t)=1-P(Tst)=1-
}
t
dv v f
0
) ( =1-
}

o

t o
) t ln(
2
2
2
) u (
e
2
1
du=1-F(ln(t)) unde F este
funcia de repartiie pentru repartiia N(
2
,o ).
F(ln(2))<0,5<F(ln(3)) => S(2)>0,5>S(3) unde S(2)=P(T>2), S(3)=P(T>3)







Bibliografie







- http://ro.wikipedia.org/wiki/Probabilitate
- http://www.mateonline.net/matematicieni/fibonacci.htm
- http://probabilitate.infarom.ro/applications.html
- http://www.scribd.com/doc/74619183/18/Variabile-aleatoare-continue
- http://www.cermi.utcluj.ro/doc/Cap_4.pdf
- http://www.scritube.com/economie/VARIABILE-ALEATOARE-FUNCTII-
DE63578.php
- http://www.biblioteca-digitala.ase.ro/biblioteca/carte2.asp?id=166&idb=