1 Repartitia geometric

a. Repartitia binominal
a neg-
ativ
a

Cand am definit repartitia binominala am considerat reprezentarea unei experiente cu

doua rezulte posibile: succes (S) si insucces (I). Am fixat un num
ar n de experiente
si am determinat repartitia numerelor de succese n n repet ari. Aceasta repartitie
am numit-o repartitie binominal a.
Consideram situatia n care num
arul total de efectu ari ale experientei nu este
dat dinainte.Repetam experienta pana obtinem r succese, acesta fiind fixat dinainte;
numarul de insuccese (x) si num arul total de repet ari ale experientei (x + r)
sunt variabile.
Fie X variabila num
arul total de insuccese obtinute nainte de a se realiza
succesul r.
Care este functia de frecventa f (x) a variabilei X?
Cazul r = 1.
Daca f (x) este probabilitatea de a avea x insuccese nainte de primul succes, atunci
acest eveniment se poate realiza ntr-un singur mod: trebuie sa se obtin a insuccese n
primele x repetari ale experientei si apoi un succes n experienta x + 1.
Cum repetarile experientei sunt independente, avem

P (I, I, ..., I , S) = (1 p) (1 p) ... (1 p) p ,

| {z } | {z }
x ori x ori

unde p este probabilitatea succesului. Prin urmare

f (x) = (1 p)x p , x = 0, 1, 2, ...

Definitia 1. Variabila aleatoare X avand functia de frecventa

f (x) = (1 p)x p

se numeste variabil
a geometric
a, iar (x, f (x)), x = 0, 1, 2, ... se numeste repartitie
geometric a.
Cum 0 < p < 1, avem


p
f (x) = p [1 + (1 p) + (1 p)2 + ...] = = 1.
x=0
1 (1 p)

1
Cazul 2. r = 1
Daca f (x) este probablitatea de a obtine exact x insuccese nainte de succesul r, atunci
pentru a se realiza acest eveniment, trebuie sa obtinem un succes n experienta r + x si n
cele r + x 1 experiente anterioare sa obtinem r 1 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 ,

unde probabilitatea de a obtine un succes n experienta r + x este p.

Deoarece experientele sunt independente, probabilitatea cautata este
r1
f (x) = Cr+x1 pr (1 p)x , x = 0, 1, 2, ...

Definitia 2. Variabila X avand functia de frecvente

r1
f (x) = Cr+x1 pr (1 p)x

se numeste variabil
a binominal
a negativ
a, iar (x, f (x)) repartitie binominal
a
negativ
a.
Propozitia 1. Daca X, Y sunt variabile aleatoare independente, repartizate binominal
negativ de parametri (r1 , p), respectiv (r2 , p), atunci variabila X + Y este repartizata
binominal negativ de parametri (r1 + r2 , p).

2
2 Inegalitatea lui Cebsev

Oricare ar fi L > 0 are loc inegalitatea:

D2 (X)
P [|X M (X)| < L] 1 .
L2

Demonstratie. Consideram ( )
x1 x2 ... xn
X:
p1 p2 ... pn
si

n
n
2
= pi (xi M (X)) =2
pi i2 unde i = xi M (X).
i=1 i=1

Putem admite ca i2 sunt ordonati:

12 22 ... n2 .

Intercalam L ntre doua valori i2 , i+1

2
, adica:

12 22 ... i2 L i+1
2
... n2 .

Daca n expresia lui 2 egalam cu zero toti j2 L si nlocuim cu L toti j2 L obtinem:

2 L [pi+1 + ... + pn ]

sau
2
pi+1 + ... + pn .
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
rezulta inegalitatea din enunt.

Daca L = k atunci:
1
P [|X M (X)| < k ] 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.

3
3 Convergenta sirurilor de variabile aleatoare

Consideram un sir de variabile aleatoare X1 , X2 , ..., Xn , ... definite pe acelasi spatiu de

selectie S.
In teoria probabilitatilor se ntalnesc diferite concepte de convergenta a sirului de variabile
aleatoare (Xn )n .
Definitia 3. Spunem ca sirul de variabile aleatoare (Xn ) converge sigur la variabila
aleatoare X daca
lim Xn (e) = X(e) e S.
n

Definitia 4. Spunem ca sirul de variabile aleatoare (Xn ) converge n probabilitate

catre variabila aleatoare X, daca

lim P (|Xn X| < ) = 1

n

oricare ar fi > 0.
Definitia 5. Spunem ca sirul de variabile aleatoare (Xn ) converge aproape sigur catre
variabila aleatoare X, daca ( )
P lim Xn = X = 1.
n

Definitia 6. Fie Fn (x) functia de repartitie a variabilei Xn , (n = 1, 2, ...) si F (x) functia

de repartitie a variabilei X. Sirul Xn converge n repartitie catre X daca

lim Fn (x) = F (x).

n

Definitia 7. Daca
lim D2 (Xn X) = 0,
n

zicem ca sirul Xn converge n medie p

atratic
a la X.
Propozitia 2. Daca sirul Xn converge la X n medie patratica, atunci Xn converge la
X n probabilitate.

Demonstratie. Din inegalitatea lui Cebsev avem

D2 (Xn X)
1 P (|Xn X| < ) 1,

de unde, trecand la limita pentru n , se obtine ca daca D2 (Xn X)n
0, atunci
P (|Xn X| < )n
1

Propozitia 3. Daca sirul Xn converge la X aproape sigur, atunci Xn n

X
n
probabilitate.

4
Demonstratie. Daca Xn n
X aproape sigur, atunci pentru orice > 0 avem

( )
lim P sup |Xn X| > = 0.
N nN

Rezulta de aici ca
lim P (|Xn X| > ) = 0.
n

Propozitia 4. Daca D (Xn X)n
2 0
si M (Xn X)2 < +, atunci Xn n
X
i=1
aproape sigur.

5
4 Legi ale numerelor mari

Teorema 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
lim P (|X n )| < ) = 1,
n
n =
unde X 1
(X1 + X2 + ... + Xn ).
n

Demonstratie. Din inegalitatea lui Cebsev avem:

D2 (Xn)
1 P (|X
n M (X
n )| < ) 1.

Deoarece
1 2
n
nc c
2
D (Xn ) = 2 D (Xj ) 2 = ,
n i=1 n n
obtinem
c
1 P (|X
n M (X
n )| < ) 1
n
si de aici
n M (X
lim P (|X n )| < ) = 1.
n

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
1
n
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 2[Bernoulli] Sa presupunem ca se fac n experiente independente, n fiecare
experienta probabilitatea evenimentului A fiind p, si fie numarul de realizari 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

6
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).
1
Aplicand inegalitatea lui Cebsev variabilei rezulta:
n
( )
( ( ) ) D2
  n
P  M < 1 2
n n
sau (  )
  p (1 p)
P  p < 1 .
n n2
inand seama ca p (1p) 41 , obtinem
T
(  )
  1
P  p < 1 .
n 4n2
Trecand la limita, obtinem
(  )
 
lim P  p < = 1,
n n
ceea ce demonstreaza teorema.

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 1. Se arunca o moneda de n ori. Cat de mare trebuie 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
n n () 1 () 1
Rezulta M () = , D2 () = , M = , D2 = .
2 4 n 2 n 4n
Din inegalitatea lui Cebsev, rezulta ca:
( )
(  ) 2
 1 1 D
P   < 1 n .
n 2 100 1
102
7
 (  )
 1 1
 
Deducem ca, pentru ca P   < > 0.99 este suficient sa impunem ca
n 2 100

D2 ( n ) (100)2 99
1 1 > 0.99 1 > 4n > 106 n > 250.000
102
4n 100