Sunteți pe pagina 1din 243

PREFA

Lucrarea de fa vine n sprijinul studenilor anilor II ai facultilor


din Universitatea POLITEHNICA din Bucureti n studiul matematicilor
speciale, mai precis, teoria probabilitilor i statistic matematic cu
aplicaii ale acestora, cteva noiuni de dezvoltare n serie Fourier,
transformat Fourier i utilizarea acesteia n rezolvarea unor probleme
matematice i, n final, o introducere n teoria distribuiilor. Cartea conine o
serie de probleme rezolvate, astfel nct s se poat nelege i deprinde
metodele de calcul i aspectele lor aplicative.
Structurat astfel n urma predrii de ctre autoare a cursului i
seminarului de Matematici Speciale la anul II al Facultii de Electronic,
Telecomunicaii i Tehnologia Informaiei, lucrarea s-a dezvoltat ca o
necesitate a studiului individual, susinnd totodat prerea autoarei, i nu
numai a ei, c la baza nvmntului tehnic superior trebuie s stea o solid
pregtire matematic, deoarece un viitor inginer, rezolvnd o problem,
trebuie s obin i rezultatul corect, nu numai s tie cum ar trebui
rezolvat aceasta.
Materialul pus la dispoziie urmeaz ndeaproape programa
disciplinei Matamatici Speciale predat n anul II la facultile de profil
electric din cadrul universitii, program asemntoare, de altfel, cu a
oricrei faculti tehnice.
Se regsesc aici probleme rezolvate (cel mai adesea complet ori
avnd numeroase indicaii de calcul), precedate de necesarul teoretic cu
aplicabilitate direct n rezolvare.
Lucrarea ofer astfel cititorului o imagine de ansamblu asupra
utilitii practice a noiunilor (uneori la un grad ridicat de abstractizare) i
implicrii lor n probleme concrete izvorte din probleme efective de
modelare.
n sperana de a o gsi util, consider c lucrarea va contribui la
fundamentarea riguroas i la consolidarea pregtirii inginereti a viitorilor
specialiti.

Irina Meghea,
10.08.2011

5
CUPRINS

Prefa 5
Cuprins 7
Capitolul I.
TEORIA PROBABILITILOR 11
1 Spaii de probabilitate 11
1. Spaiu (cmp) de probabilitate finit 11
Eveniment 11
Evenimentul sigur. Evenimentul imposibil 12
Eveniment implicat de alt eveniment 12
Operaii cu evenimente 12
Evenimente incompatibile. Evenimente compatibile 13
Probabilitate 13
Definiia clasic a probabilitii 14
Definiia statistic a probabilitii 15
Definiia geometric a probabilitii 15
Definiia axiomatic a probabilitii 16
2 Probabiliti condiionate, evenimente independente i formula lui
Bayes 17
2 Variabile aleatoare 20
1. Funcie de repartiie, densitate de repartiie 20
2. Medie i dispersie 24
3. Variabile aleatoare normale 25
3. Vectori aleatori 26
1. Vectori aleatori 26
2. Coeficient de corelaie i dreapt de regresie 29
3. Matricea de corelaie i matricea de covarian pentru un vector
aleator 33
4. Distribuia normal n-dimensional 34
5. Densiti condiionate 37
6. nlturarea corelaiei dintre doi vectori aleatori 38
4. Estimri liniare i neliniare prin metoda celor mai mici
ptrate 41
5. Probleme rezolvate 47
1. Tipuri elementare 47
2. Variabile aleatoare i vectori aleatori 56
3. Probleme propuse 81

7
6. iruri de variabile aleatoare. Legea numerelor mari.
Teorema limit central 87
1. Introducere 87
2. Inegalitatea Cebev 87
3. Legi ale numerelor mari 89
4. Funcia caracteristic. Teorema limit central 90
Proprieti ale funciei caracteristice 91
Teorema limit central 92
7. Procese aleatoare. Lanuri Markov finite 95
1. Proces stocastic (funcia aleatoare) 95
2. Funcia de corelaie 96
3. Derivata i integrala n medie de ordinul al doilea 97
4. Reprezentarea canonic 98
5. Proprietatea Markov. Matricea de trecere 101
6. Clasificarea strilor 103
7. Forma limit 104
8. Lanuri Markov absorbante 105
8. Procese cu timp continuu. Procese Poisson. Procese de
natere i moarte (Procese Markov omogene) 112
1 Funcia matriceal de trecere 112
2. Ecuaiile lui Kolmogorov 113
3. Cteva clase remarcabile de procese Markov 114
1. Procesul Poisson 114
2. Procesul de natere 115
3. Procesul de moarte 117
4. Procesul de natere i de moarte 118
9. Probleme rezolvate (cu un prealabil sumar teoretic) 123
1. Lanuri Markov finite 123
2. Exemple i probleme rezolvate 125
CAPITOLUL II.
STATISTIC MATEMATIC 131
1. Expunere elementar. Elemente de statistic matematic.
Estimri nedeplasate. Intervale de ncredere 131
1. Noiunile de baz ale statisticii matematice 131
1. Populaie statistic. Caracteristic 131
2. Gruparea datelor 132
3. Frecvena absolut. Frecvena relativ. Frecvene cumulate 135
4. Serii cronologice 139
2. Reprezentarea grafic a seriilor statistice 140

8
1. Reprezentarea grafic a seriilor cu caracteristic calitativ 140
2. Reprezentarea seriilor cu caracteristic cantitativ 141
3. Reprezentarea seriilor cronologice 143
3. Elemente caracteristice ale unei serii statistice 144
1. Modul 144
2. Median 144
3. Medie aritmetic 144
4. Dispersie 146
4. Sondaje 148
1. Generaliti 148
2. Schema lui Bernoulli 148
3. Schema hipergometric 150
5. Probleme propuse 155
2. Teoria sondajului 157
1. Prelucrarea datelor statistice 157
2. Variabile de sondaj 160
3. Valori tipice de sondaj (de selecie) 161
3. Teoria estimaiei 165
1. Funcii de estimaie (estimator) 166
2. Metoda verosimilitii maxime 167
4. Verificarea ipotezelor statistice 169
1. Ipoteze statistice 169
2. Teste statistice 169
3. Testul 2 170
4. Testul F (Fisher - Snedecor) 171
5. Testul t (Student) 172
6. Testul Kolmogorov - Smirnov 172
5. Metode statistice. Aplicaii i exerciii (cu un prealabil
sumar teoretic) 174
1 Rezumat teoretic 174
Estimri punctuale 174
Metoda verosimilitii maxime 176
Intervale de ncredere 177
A. Intervale de ncredere pentru media i variana repartiiei normale 177
B. Intervalele de ncredere pentru probabilitatea unui anumit eveniment 178
Testarea ipotezelor statistice parametrice 179
A. Ipoteze asupra mediei i variaiei variabilei aleatoare X 179
B. Ipoteza egalitii a dou variane 180
C. Ipoteza egalitii a dou medii 180
2. Probleme rezolvate de statistic 181

9
CAPITOLUL III.
DEZVOLTRI N SERIE FOURIER 189
1. Aspecte teoretice 189
1. Funcie periodic 189
Prelungirea ntr-o funcie periodic 189
2. Dezvoltare n serie Fourier 190
Serie trigonometric 190
2. Exemple i exerciii 193
3. Baze ortonormate n L2 ([a, b]) 204
CAPITOLUL IV.
TRANSFORMARE FOURIER 207
1. Transformata Fourier direct n L1 (R) 207
1. Transformata Fourier direct n L1(R) 207
2. Transformata Fourier invers n L1(R) 210
Valoare principal n sens Cauchy 210
Integrala Fourier 211
3. Transformata Fourier prin cosinus i transformata Fourier prin
sinus 215
2
2. Transformata Fourier direct n L (R) 218
3. Transfomarea Fourier discret 219
4. Probleme rezolvate 219
CAPITOLUL V.
DISTRIBUII 225
1. Spaiul funciilor test D() i spaiul distribuiilor
D() 225
1. Introducere 225
2. Distribuie 225
2. Distribuii temperate 227
1. Spaiul local convex S 227
2. Transformarea Fourier a funciilor din S 227
3. Distribuii temperate 228
4. Transformata Fourier a distribuiilor temperate 229
3. Probleme rezolvate 230
BIBLIOGRAFIE 235
ANEXA 237

10
CAPITOLUL I. TEORIA PROBABILITILOR

1 Spaii de probabilitate

1. Spaiu (cmp) de probabilitate finit

Eveniment
S considerm experiena aruncrii unui zar. Este vorba despre o experien al
crui rezultat nu poate fi anticipat cu certitudine, el depinznd de o serie de factori
ntmpltori.
Aceast experien se poate repeta de un numr oarecare de ori. Fiecare
repetare a experienei se numete prob.
Experiena considerat are o mulime E de cazuri sau rezultate posibile.
E = {1, 2, 3, 4, 5, 6}.
Legate de aceast experien putem considera diverse evenimente:
A: apariia unui numr par,
B: apariia unui numr impar,
C: apariia unui numr 3,
D: apariia numrului 5 etc.
Fiecare prob atrage dup sine fie realizarea, fie nerealizarea oricrui
eveniment. Astfel, dac la o aruncare a zarului apare faa 4, atunci evenimentul A
s-a realizat iar evenimentele B, C, D nu s-au realizat.
Fiecrui eveniment i corespunde o mulime de cazuri favorabile care este o
submulime a lui E. Aceasta este mulimea de cazuri care realizeaz evenimentul
considerat.
Astfel:
- evenimentului A i corespunde submulimea {2, 4, 6} a lui E;
- evenimentului B i corespunde submulimea {1, 3, 5} a lui E;
- evenimentului C i corespunde submulimea {1, 2, 3};
- evenimentului D i corespunde submulimea {5}.
Se observ c un eveniment oarecare i submulimea lui E, asociat acestuia,
se determin reciproc i de aceea nu vom face distincie ntre ele.
Vom considera, deci, fiecare eveniment legat de experiena considerat ca
fiind o submulime a lui E. Astfel vom scrie:
A = {2, 4, 6}; B = {1, 3, 5}; C = {1, 2, 3}; D = {5}.
Evenimentele care au un singur caz favorabil se numesc evenimente
elementare. Printr-un abuz de limbaj vom numi la fel elementele mulimii E.
Mulimea evenimentelor legate de o experien cu un numr finit de cazuri
posibile se identific deci cu mulimea P (E) a tuturor submulimilor mulimii E, a
tuturor cazurilor posibile ale experienei.

11
Evenimentul sigur. Evenimentul imposibil
Reinem c orice eveniment este o submulime a lui E i reciproc, orice
submulime a lui E este un eveniment.
Printre submulimile lui E se gsesc mulimea vid i ntreaga mulime E.
Acestea corespund evenimentului imposibil respectiv evenimentului sigur.
Evenimentul sigur este acela care se realizeaz cu certitudine la orice prob.
Astfel, la aruncarea unui zar, evenimentul sigur este apariia uneia dintre
feele 1, 2, 3, 4, 5, 6. Toate cazurile posibile ale experienei sunt cazuri favorabile
acestui eveniment.
Evenimentul imposibil nu se poate realiza n nici o efectuare a experienei. El
nu are nici un caz favorabil (spunem c mulimea cazurilor sale favorabile este
vid).
Eveniment implicat de alt eveniment
Spunem c evenimentul B este implicat de evenimentul A, dac realizarea lui
A atrage dup sine realizarea lui B.
La aruncarea unui zar, dac A = {1, 2, 3}, B = {1, 2, 3, 4} se vede c A implic
B iar ca mulimi A B.
Se verific uor c A A, A E. Evenimentul imposibil implic orice
eveniment ( A) .
Operaii cu evenimente
Fiind date dou evenimente A i B legate de o experien, A sau B este
evenimentul a crui realizare nseamn realizarea a cel puin unuia din ele.
La aruncarea unui zar, dac A = {1, 2, 3}, B = {2, 3, 4} atunci
A sau B = {1, 2, 3, 4} = A B.
Reinem: n loc de A sau B scriem A B.
Se poate vorbi de A sau B sau C, A sau B sau C sau D, etc., respectiv A
B C, A B C D , etc.
A i B este evenimentul a crui realizare nseamn realizarea ambelor
evenimente A, B.
La aruncarea zarului, dac A = {1, 2, 3}, B = {2, 3, 4} atunci ambele
evenimente se realizeaz dac apare una din feele 2 sau 3, adic
A i B = {2, 3} = A B
Reinem: n loc de A i B vom scrie A B, n loc de A i B i C vom avea
A B C , etc.
A = " non A" este evenimentul a crui realizare const n nerealizarea
evenimentului A. Mulimea cazurilor favorabile lui non A este format din toate
cazurile nefavorabile lui A.
La aruncarea unui zar, dac A = {1, 2, 3}, atunci A = " non A" = {4, 5, 6} = CA.
Reinem: n loc de non A sau A nu se realizeaz vom scrie CA.
Se verific uor relaiile A = A ; E = ; = E .

12
Evenimente incompatibile. Evenimente compatibile
Evenimentele A i B sunt incompatibile dac nu se pot realiza mpreun n nici
o efectuare a experienei. Adic realizarea unuia dintre cele dou evenimente
atrage dup sine nerealizarea celuilalt, adic A implic non B i B implic non
A, scriem
A CB i B CA
Se observ c A i B sunt incompatibile cnd nu au nici un caz favorabil
comun, adic realizarea lui A i B este imposibil,
A B = .
Evenimentele A i B sunt compatibile dac se pot realiza simultan n aceeai
prob, deci dac au cel puin un caz favorabil comun,
A B .
Astfel exprimat, A i B sunt compatibile dac nu sunt incompatibile.
Probabilitate
A defini o probabilitate n raport cu o experien avnd un numr finit de
cazuri posibile, revine la a asocia fiecrui eveniment A, legat de respectiva
experien, un numr P(A) numit probabilitatea evenimentului A. n plus, este
necesar ca P s aib anumite proprieti. Cum orice eveniment poate fi considerat
ca o submulime a mulimii E, o probabilitate face s corespund fiecrei
submulimi a lui E un numr real, aceast coresponden avnd anumite
proprieti.
Definiie: Aplicaia P : P (E) R este probabilitate dac:
a) 0 P( A) 1
b) P(E) = 1
c) P(A B) = P(A) + P(B) dac A B =
c) se extinde imediat
P(A1 ... An) = P(A1) + ... + P(An), dac A1, ... , An sunt disjuncte dou cte
dou .
Dac P este probabilitate pe P (E), atunci
d) P(A \ B) = P(A) P(B) dac B A,
e) P(A \ B) = P(A) P(A B)
f) P(A B) = P(A) + P(B) P(A B)
g) P( A) = 1 P( A) , P() = 1 P(E) = 0

 d) B A A = B ( A \ B) B A

i deci P( A) = P(B) + P( A \ B) (B I ( A \ B) = !)

e) A \ B = A \ ( A B) i A B A A B

13
d)
P( A \ B) = P( A) P( A B)

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

e)
P( A B) = P( A) + P(B \ A) = P( A) + P(B) P( A B) . 
Cazul evenimentelor elementare echiprobabile
Dac E = {e1, e2 ,..., en} , P(e1) + ... + P(en ) = 1 . Dac {e1},...,{en} au aceeai
1
probabilitate (sunt echiprobabile), rezult P(e1) = ... = P(en ) i atunci P(ei ) = ;
n
i = 1, n .
k
Dac A = {ei1,..., eik } P( A) = P(ei1 ) + ... + P(eik ) =
.
n
Astfel probabilitatea unui eveniment A este egal cu raportul dintre numrul
cazurilor favorabile lui A i numrul cazurilor posibile ale experienei.
numrul cazurilor favorabile A
P ( A) = = .
numrul cazurilor posibile E
Pn acum am introdus noiunea de cmp de evenimente ale crui proprieti
trebuie s permit operaiile definite cu evenimente, adic odat cu evenimentele A
i B trebuie s aib sens i A B , A B , CA, A \ B.
Fie A o mulime nevid de pri ale lui E (A P (E)).
Definiia 1. Cuplul (E, A ) se numete cmp finit de evenimente dac:
a) E A , A ;
b) A, B A A B A, CA A .
Pentru cmp infinit de evenimente trebuie s se verifice n plus

c) Aj A; j N U A j A .
j =1


Consecin I Aj = U A j A .
j =1 j =1
Cutm s caracterizm, printr-un numr pozitiv i subunitar, gradul de
realizare (ansa de realizare) a fiecrui eveniment A dintr-un cmp de evenimente
(E, A ). Un astfel de numr, notat cu P(A), va fi numit probabilitatea evenimen-tului
A.
Definiia clasic a probabilitii
S presupunem c mulimea evenimentelor ataate unei experiene aleatoare
poate fi constituit prin reunirea unui numr finit de evenimente elementare egal
posibile, noiunea de evenimente egal posibile fiind admis ca noiune primar

14
fr a fi definit riguros matematic. Dup definiia clasic, probabilitatea este
raportul dintre numrul de cazuri favorabile i numrul cazurilor posibile, n
ipoteza c toate evenimentele elementare sunt egal posibile.
Definiia clasic a probabilitii este insuficient deoarece se aplic numai
pentru cmpuri finite de evenimente i chiar n aceast situaie nu se poate vorbi
ntotdeauna despre cazuri egal posibile. Ineficiena definiiei clasice este i mai
relevant n cazul cmpurilor infinite, cnd operaiile algebrice prin care este dat
aceast definiie nu mai au sens.
Definiia statistic a probabilitii
S aruncm o moned de 100 de ori i s admitem c faa ce conine banul a
aprut de 52 de ori. Fie A evenimentul apariia banului n aruncarea monedei.
52
Numrul nA = 52 poart numele de frecven absolut, iar numrul f A = se
100
numete frecven relativ a evenimentului A n aceast serie de 100 de ncercri.
1
La fiecare nou repetare a experienei se obin frecvene relative apropiate de ,
2
iar devierile de la aceast valoare vor fi tot mai mici n cazul mririi numrului de
aruncri.
n cazul general considerm un experiment n urma cruia poate s nu apar
evenimentul A i notm cu nA numrul de realizri ale acestui eveniment n n
n
repetri ale experienei. Frecvena relativ f A = A se stabilizeaz pentru valori
n
mari ale lui n n jurul unei valori numite probabilitatea evenimentului A, rezultat
justificat de legea numerelor mari a lui Bernoulli.
Definiia geometric a probabilitii
Problema general care a condus la extinderea noiunii de probabilitate n
cazul cmpurilor infinite poate fi formulat astfel: Fie E o mulime msurabil i A
E. Notm cu (A) msura Lebesgue a mulimii A. Se arunc la ntmplare un
punct n mulimea E i se cere probabilitatea ca punctul respectiv s cad n A. Se
intuiete c probabilitatea cutat este proporional cu (A) i nu depinde de
forma i aezarea lui A, adic prin definiie avem
( A)
P( A) = .
(E)
Exemplu. O bar de lungime a este frnt la ntmplare n dou locuri. Care
este probabilitatea ca din cele trei buci s se poat forma un triunghi?

15
y
G (0, a)

x y
a
D 0, C
A P Q B 2

(a, 0)
O a F x
E 0,
2

Fig. 1
Mulimea cazurilor posibile: {(x, y) R2 : x > 0, y > 0, x + y < a}, triunghiul
OFG. Pentru a putea forma un triunghi cele trei frnturi de bar trebuie ca
AP + PQ > QB, AP +QB > PQ, PQ + QB > AP,
a a
adic x + y > a (x + y), x + (a x y) > y , y + a x y > x x + y > , y < ,
2 2
a
x < , deci mulimea cazurilor favorabile este
2
a a a
( x, y) R , x < 2 , y < 2 , x + y > 2 ,
2

deci interiorul triunghiului CDE. Rezult din figur
aria(CDE ) 1
P= = .
aria(FGO) 4
i acestei definiii i s-au adus multe critici pentru modul arbitrar de definire a
probabilitii.
Definiia axiomatic a probabilitii
Definiie (Kolmogorov). Fiind dat un cmp de evenimente (E, A ), se numete
probabilitate o aplicaie P: A R+ cu proprietile:
a) P(E) = 1;
b) pentru orice familie numrabil ( Ai )iI de evenimente disjuncte dou cte
dou avem

P U Ai = P( Ai ) .
iI iI
Observaie. Dac (E, A ) este un cmp finit de evenimente ale crui eveni-
mente elementare sunt e1, ..., en , atunci, din definiia lui Kolmogorov, rezult:
n
P(ei) 0, i = 1, n , P(ei ) = P(E) = 1 .
i =1

16
Dac P(e1) = ... = P(en) spunem c evenimentele elementare {ei} sunt
echiprobabile. Deducem:
1
P(ei ) = , i = 1, n .
n
Dac A A oarecare, A = {ei1 ,..., eim } , avem
m m m
P( A) = P U{eir } = P(eir ) = .
r =1 r =1 n

Astfel ntr-un cmp finit de evenimente ale crui evenimente elementare sunt
egal probabile, probabilitatea unui eveniment oarecare este egal cu raportul dintre
numrul de evenimente elementare favorabile evenimentului dat i numrul total
de evenimente elementare ale cmpului. n acest fel am artat cum definiia clasic
a probabilitilor este coninut ca un caz particular n definiia lui Kolmogorov.
Un cmp de evenimente pe care s-a definit o probabilitate se numete cmp de
probabilitate i se noteaz (E, A , P).

2 Probabiliti condiionate, evenimente independente i formula lui


Bayes
Fie E = {e1,K, eN } un cmp discret de probabilitate cu evenimentele
elementare echiprobabile, deci
1
P(en ) = , n = 1, 2, ..., N.
N
Considernd un eveniment B format din s evenimente elementare (s > 0) ,
vrem s definim probabilitatea P( A | B) de a se produce un alt eveniment A, tiind
c s-a produs evenimentul B. Avem prin definiie
A B = {e E | e A i e B} ;
dar " e A" se citete s-a produs evenimentul A i analog pentru " e B" , deci
producerea simultan a evenimentelor A i B reprezint evenimentul A B . Din
acest motiv, pentru a defini P(A| B), este natural s raportm cardinalul interseciei
A B la cardinalul lui B, deci s lum
r
P( A | B) = ,
s
unde r = | A B | . Dar
r
r N P( A B)
= = ,
s s P(B)
N
conform definiiei clasice a probabilitii i deci, n acest caz,
P( A B)
P( A | B) =
P(B)

17
Aceasta sugereaz ca n cazul general s definim P( A | B) prin aceeai
formul.
Definiia 1. Fie (E, A , P) un spaiu de probabilitate, A, B A dou evenimente
cu P ( B ) 0 . Atunci probabilitatea lui A condiionat de B este
P( A B)
P( A | B) = . (1.1)
P(B)
Punnd condiia ca P( A | B) = P( A) , ajungem la noiunea de evenimente
independente.
Definiia 2. Evenimentele A i B se numesc independente dac
P( A B) = P( A) P(B) (2.2)
Teorema 1 (Formula probabilitilor compuse). Dndu-se n evenimente
A1,..., An E , avem
P( A1 A2 ... An ) = P( A1) P( A2 | A1) P( A3 | A1 A2 ) K P( An | A1 ... An ) .
 Deoarece, conform cu (1.1), P( A B) = P( A | B) P( B) , obinem
P( A1 A2 A3 ) = P( A1 A2 )P( A3 | A1 A2 ) = P( A1) P( A2 | A1)P( A3 | A1 A2 ) i, prin
inducie, formula din enun. 
Exemple 1. Se extrag succesiv 4 bile (fr nlocuirea bilei extrase) dintr-o urn
coninnd 10 bile albe i 5 bile negre. Care este probabilitatea evenimentului A :
cel puin una din bile este neagr?
Notnd B = A = toate bilele sunt albe, avem
B = B1 B2 B3 B4 ,
unde Bi = bila din extragerea i este alb. Aplicnd formula probabilitilor
compuse,
P(B) = P( B1) P( B2 | B1) P( B3 | B1 B2 ) P( B4 | B1 B2 B3 ) ,
10 9 5 7 2
deci P(B) = = .
15 14 13 12 13
11
n acest fel, P( A) = 1 P(B) = .
13
2. Aceeai problem cu punerea la loc a bilei extrase. n acest caz,
evenimentele B1 , B2 , B3 , B4 sunt independente ntre ele, deci
4
2 16 65
P(B) = P(B1)P(B2 )P(B3 )P(B4 ) = = , P( A) = 1 P(B) = .
3
81 81
Definiia 3. Dndu-se un spaiu de probabilitate (E, A , P), se numete sistem
complet de evenimente orice descompunere a evenimentului sigur E n reuniunea
evenimentelor disjuncte H1 , H2 ,..., Hn , numite ipoteze:
n
E = U H i , H i H j = pentru i j,
i =1
Teorema 2 (Formula probabilitii totale). Pentru orice eveniment A E i

18
orice sistem complet de evenimente H1 ,..., Hn , avem
n
P( A) = P( A | H i )P(H i ) . (1.3)
i =1
 Din ipotez rezult c A se poate exprima ca reuniunea disjunct
n
A = U ( A Hi ) ,
i =1
n n
deci P( A) = P( A H i ) = P( A | H i )P(H i ) . 
i =1 i =1
Exemplul 3. Se extrag succesiv (fr nlocuire) 2 bile dintr-o urn cu 2 bile
albe i o bil neagr. Se cere probabilitatea evenimentului
A : a doua bil e alb.
Notnd H1 : prima bil este alb,
H2 := prima bil este neagr,
{H1, H2} formeaz un sistem complet de evenimente, deci
P( A) = P( A | H1) P( H1) + P( A | H 2 ) P(H 2 ) ,
1 2 1 2
deci P( A) = + 1 = .
2 3 3 3
Atunci cnd se cunosc probabilitile ipotezelor H1 , . . . , Hn precum i
probabilitile a priori P ( A | H1),..., P ( A | H n ) cu care evenimentul A se produce
n fiecare din cele n ipoteze, probabilitatea a posteriori de a se fi realizat ipoteza
Hj tiind c s-a produs evenimentul A este dat atunci de urmtorul
P( A | H j )P(H j )
Corolar (Formula lui Bayes). P(H j A) = n . (1.4)
P( A | Hi )P(Hi )
i =1
P( H j A) P( A | H j ) P( H j )
 Avem P ( H j | A) = = iar formula din enun se
P( A) P( A)
obine nlocuind numitorul membrului drept prin expresia dat de formula
probabilitii totale (Teorema 2). 
Exemplul 4. Un test de calitate d rspunsul corect n 95% din piesele defecte
i n 90% din piesele admisibile. Alegnd o pies dintr-un lot cu 8% piese defecte,
testul o declar defect. Care e probabilitatea ca ea s fi fost efectiv defect?
Fie H1 : piesa este defect,
H2 : piesa este admisibil.
A : piesa este declarat defect.
8 92 95 5
Avem: P(H1) = , P( H 2 ) = , P( A | H1) = , P( A | H 2 ) = . Rezult
100 100 100 100
P ( A | H1 ) P ( H1 ) 95 8 19
P( H1 | A) = = = .
P( A | H1 ) P( H1 ) + P( A | H 2 ) P( H 2 ) 95 8 + 10 92 42

19
2 Variabile aleatoare
1. Funcie de repartiie, densitate de repartiie
Definiie. Fie (E, A , P) un spariu de probabilitate. O funcie X : E R se
numete variabil aleatoare dac pentru orice a R, mulimea
def
{X a} = {e E : X(e) a} (2.1)
Aparine - algebrei A , deci este un eveniment a crui probabilitate
def
P( X a) = F (a) (2.2)
definete (cnd a parcurge R) o funcie F : R [0, 1] numit funcia de repartiie
a variabilei aleatoare (v.a.) X.
Observaie. Pentru orice a, b R cu a < b, notnd
def
X [a, b) = {e E | X (e) [a, b)} , (2.3)
se obine un eveniment cu probabilitate
P( X [a, b)) = F (b) F (a) . (2.4)
ntr-adevr, deoarece [a, b) = ( , b) \ ( , a), vom avea
{X [a, b)} = {X < b} \ {X < a};
aplicnd proprietatea d) de la 1, obinem
P(X [a, b)) = P(X < b) P(X < a) = F(b) F(a).
Teorem (Proprietile funciei de repartiie). Fie F funcia de repartiie a
variabilei aleatoare X: E R.
a) F este cresctoare, lim F (a) = 0 , lim F (a) = 1 i F este continu la
a a +
stnga a R.
b) { X = a} = {e E : X (e) = a} , avem
P ( X = a ) = F ( a + 0) F ( a ) . (2.5)
 a) Dac a < b, relaia (2.4) implic F (b) F (a) [0,1] , n particular,
F (b) F (a) , deci F este cresctoare. Ca urmare, F admite limite la precum i
limite laterale n orice punct. Atunci
lim F (a ) = lim F (n) = lim P( X < n)
a + n n
Notnd An = {X < n} E , obinem un ir cresctor de evenimente, cu

U An = E , i avem
n =1
lim F (a ) = lim P ( An ) = P( E ) = 1 .
a + n
Analog, notnd Bn = {X < n} E , obinem un ir descresctor de

20

evenimente, cu I Bn = , deci
n =1
lim F (a ) = lim P( Bn ) = P() = 0 .
a n
Pentru a calcula limita la stnga n a, scriem
1 1
F (a 0) = lim F a = lim P X < a .
n n n n
Dar
def
1
Cn = X < a
n

este un ir cresctor de evenimente cu U Cn = {X < a} ; atunci
n =1
F (a 0) = lim P (Cn ) = P ( X < a) = F ( a ) .
n
b) Notnd
1
Dn = X a, a +
n
obinem un ir descresctor de evenimente i, conform cu (2.4),
1
P(Dn ) = F a + F (a). (2.6)
n

Avem I Dn = {X = a} , deci lim P(Fn ) = P( X = a) , iar, pe de alt parte, din
n
n =1
1
(2.6), P(X = a) = lim F a + F (a) = F (a + 0) F (a) . 
n n
Corolar. F este continu n a X ia valoarea a cu probabilitate 0.
Observaie. Conform punctului b) al teoremei precedente, cunoaterea funciei
de repartiie F a unei variabile aleatoare X determin cunoaterea probabilitii cu
care X ia orice valoare a R.
Dac X este o variabil aleatoare discret (adic X ia valori ntr-o mulime
numrabil {a1 , a2 ,..., an ,...}, cunoaterea probabilitilor
pn = P ( X = an ) , n = 1, 2, ...
este suficient pentru determinarea funciei de repartiie: avem atunci, oricare ar fi
aR ,
F (a) = P( X a) = pn
an a

(suma luat dup acei indici n pentru care an a ).

21
a a K an K
Matricea 1 2 se numete tabloul de repartiie (sau distribuia)
p1 p2 K pn K
variabilei aleatoare discrete X. Avem ntotdeauna pn = 1 .
n
Exemple de repartiii discrete
1 Repartiia Poisson este repartiia unei variabile aleatoare X care poate lua
orice valoare n N cu probabilitatea
n
pn = e , unde > 0 . (2.7)
n!
2 Repartiia binomial cu parametrii m, p: Fie X variabila aleatoare
reprezentnd numrul de succese obinute din m experimente independente,
fiecare experiment avnd probabilitatea de succes = p. X ia valorile n = 0, 1, 2,.., m
cu probabilitile.
pn = Cmn p n (1 p)m n . (2.8)
S presupunem c m , p 0 iar mp = = constant. Atunci, pentru n
fixat,
m 1 m 2 m n +1 n
lim m(m 1)...(m n + 1) p n = lim (mp)n ... =
m m m m m
(deoarece mp = ), iar
m n
m n
m m

lim (1 p)mn = lim 1 = lim 1 = e , deci
m m m m m

m(m 1)...(m n + 1) n n
lim pn = lim p (1 p)m n = e . (2.9)
m m n! n!
n condiiile date, repartiia binomial poate fi aproximat prin repartiia
Poisson cu = mp .
3 Repartiia hipergeometric. Dintr-o urn coninnd a bile albe i b bile
negre, se extrag (simultan sau succesiv i fr nlocuire) m bile. Numrul de bile
albe obinute este o variabil aleatoare X care ia valoarea n (0 n min{a, m})
C nC m n
pn = a mb . (2.10)
Ca + b
4 Repartiia geometric cu parametrul p: este repartiia unei variabile
aleatoare X care ia orice valoare ntreag n 1 cu probabilitatea
P( X = n) = (1 p)n 1 p , n N*. (2.11)
Definiia 2. O variabil aleatoare X se numete absolut continu dac exist o
funcie integrabil f : R R+, numit densitatea de probabilitate (sau densitatea
de repartiie) a lui X, astfel nct, pentru orice a R s avem

22
a
F (a) = f (x)dx , (2.12)

unde F este funcia de repartiie a lui X.
Observaii 1. Orice funcie F definit printr-o relaie de forma (2.12) rezult
continu n orice punct a R; aplicnd corolarul teoremei de caracterizare a
funciei repartiie, deducem c o variabil aleatoare absolut continu n orice a
R cu probabilitatea P( X = a) = 0 .
b a b
2. Deoarece f ( x)dx f ( x)dx = f ( x)dx , formula (2.4) ne d atunci
a
b
P( X [a, b]) = P( X [a, b)) = f ( x)dx . (2.13)
a
3. Deoarece lim F (a) = 1 , din (2.12) rezult
a
+

f ( x)dx = 1 . (2.14)

4. n orice punct de continuitate al densitii de repartiie f , funcia de
repartiie F rezult derivabil iar
F ' (a) = f (a) . (2.15)
Exemple de repartiii absolut continue
1 Repartiia uniform n (a, b) corespunde unei densiti constante n (a, b) i
1
nule n afara acestui interval. Condiia (2.14) implic atunci c f ( x) = ,
ba
x (a, b), f (x) = 0, x (a, b).
2 Repartiia exponenial cu parametrul are densitatea de repartiie
x
f ( x) = e , x 0 .
0, x > 0
3 Repartiia (, ) are densitatea de repartiie
a 1 x

f ( x) = () x e , x > 0 .
0, x 0
(pentru = 1, se obine repartiia exponenial).
4 Repartiia B(a, b) are densitatea de repartiie
1
x a 1(1 x)b 1, x (0,1),
f ( x) = B(a, b)
0, x (0,1).
x
5 Repartiia Laplace are densitatea de repartiie f ( x) = e .
2

23
1
6 Repartiia Cauchy are densitatea de repartiie f ( x) = .
(1 + x 2 )
x2

7. Repartiia Rayleigh are densitatea de repartiie f ( x) = xe 2 , x > 0,
0, x 0.

Propoziie. Dac X are densitatea f, atunci variabila aleatoare Y = X2 are
1
( f ( x ) + f ( x )), x > 0
densitatea de repartiie f1( x) = 2 x .
0, x0
2
 Fie F1 funcia de repartiie a variabilei Y. Deoarece Y = X nu ia dect valori
0, vom avea F1( x) = P(Y < x) = 0 , pentru x 0. Pentru x > 0,
(2.4)
F1( x) = P( X 2 < x) = P( X ( x , x )) = F ( x ) F ( x ) .
F ( x ) F ( x ), x > 0
Aadar F1( x) = . Aceasta se deriveaz i se obine f 1 . 
0, x0

2. Medie i dispersie

Fie (E, A , P) un spaiu de probabilitate i X : E R o variabil aleatoare cu f


densitatea ei de repartiie.
Atunci cnd exist integrala urmtoare, media lui X este dat de
+
MX (= EX ) = xf ( x)dx . (2.16)

Pentru orice funcie : R R, funcia compus o X definete o variabil
aleatoare notat (X); se poate arta c
+
M [( X )] = ( x) f ( x)dx . (2.17)

Pentru orice variabil aleatoare X, dispersia (sau variana) lui X este
def
DX = VX = M [( X M ]) 2 ] = M [ X 2 ] ( MX ) 2 . (2.18)

Aplicnd (2.17), avem M [ X 2 ] = x
2
f ( x)dx , deci

2
+ +
DX = xf ( x)dx .

2
x f ( x ) dx (2.19)


Proprieti: 1 D[ X + a] = DX a R;
2 D[X ] = 2 DX R;

24
3 DX 0;
4 DX = 0 P(X = MX) = 1 (X este constant cu probabilitatea 1);
5 Inegalitatea lui Cebev:
1
P (| X MX | > ) 2 DX

(cu ct dispersia este mai mic, cu att abaterile mari fa de medie sunt mai puin
probabile).

3. Variabile aleatoare normale


Dac X este o variabil aleatoare cu funcia de repartiie F, atunci
P(X [a, b)) = F(b) F(a)
i, f fiind densitatea de repartiie a lui X,
b
P( X [a, b)) = f ( x )dx . (2.20)
a
Fcnd o transformare liniar de forma
Y = X + m , unde , m R, > 0,
xm
avem Y < x X < , deci variabila aleatoare Y are funcia de repartiie

x m
FY ( x) = F , (2.21)

n particular
bm am
P(Y [a, b)) = F F . (2.22)

Pe de alt parte, folosind densitatea de repartiie f ,
xm y m
t= x
1 y m

FY ( x) = f (t)dt =
f dy ,


deci variabila aleatoare Y are densitatea de repartiie
1 x m
fY ( x) = f . (2.23)

Definiie. Se numete variabil aleatoare cu repartiie normal standard, o
variabil aleatoare X cu densitatea de repartiie
x2
1 2
f ( x) = e . (2.24)
2
Din definiie rezult MX = 0, DX = 1.
Se numete variabil aleatoare normal cu medie m i dispersie 2 o v.a. de
forma
Y = X + m, (2.25)
25
Y ~ N (m, ) . Aplicnd (2.23), rezult c Y are densitatea de repartiie
( x m) 2

1 2
f ( x) = e 2 . (2.26)
2
Funcia de repartiie a lui X ~ N(0, 1) se noteaz i valorile ei se gsesc n
tabele,
x t2
1
( x) =
2
e 2 dt . (2.27)

Avem
2 2 2
x t t = s + s x s
1 1 1
( x) =
2
e 2 dt =
2

e 2 ds = 1
2
e 2 ds ,
x
deci
(x) = 1 (x). (2.28)
Aplicnd formula (4.3), rezult c dac X ~ N(m, ), atunci
bm am
P(Y [ a, b)) = , (2.29)

(2.28)
n particular P(| Y m | 3) = P(Y [m 3, m + 3]) = (3) (3) = 2(3) 1
0,997 (Legea 2: cu probabilitatea 0,997, abaterea fa de medie este 3).

3. Vectori aleatori
1. Vectori aleatori
Se numete vector aleator n - dimensional orice sistem de n variabile aleatoare
(X1 , X2 , ... , Xn). n cazul n = 2, vectorul aleator (X, Y) admite o densitate de
repartiie f dac, pentru A R2,
P(( X , Y A) = f ( x, y)dxdy . (3.1)
A

Lund n particular semiplanul A = {( x, y) R 2 x < a} care apare haurat n


fig. 2, obinem
Teorema a
P(( X , Y ) A) = P( X < a) = f ( x, y)dxdy =
f ( x , y ) dy dx ,
{ x< a}
Fubini

deci notnd
+
f1 ( x ) = f ( x, y)dy , (3.2)

26
P

a x

Fig. 2
a
avem P ( X a ) = f1 ( x)dx , altfel exprimat, v.a. X are densitatea f1 . Analog se

vede c Y are densitatea

f 2 ( y) = f ( x, y)dx (3.2)

(f1 i f2 se numesc densitile marginale ale vectorului aleator (X, Y)).
Variabilele aleatoare X, Y se numesc independente dac pentru orice I1 , I2 R,
evenimentele X I1 i Y I2 sunt independente, adic P( X I1, Y I 2 ) = P( X
I1)P(Y I 2 ) . Presupunnd c vectorul (X, Y) admite o densitate cu variabile
separate
f (x, y) = f1(x) f2(y), (3.3)
unde f1 este densitatea de repartiie a lui X iar f2 este densitatea de repartiie a lui Y,
rezult

P( X I1, Y I 2 ) = P(( X , Y ) I1 I 2 ) = f1( x) f 2 ( y) = f1( x)dx f 2 ( y)dy =

I1 I 2 I1 I2
P( X I1)P(Y I 2 ) , deci X i Y sunt independente. Reciproc, dac X i Y sunt
independente, se poate arta c vectorul (X, Y) are densitatea dat de (3.3), unde f1
i f2 sunt densitile de repartiie ale lui X i Y.
Ca aplicaie densitatea sumei i produsului a dou variabile aleatoare.
a) Fie X, Y dou variabile aleatoare, f densitatea de repartiie a vectorului
aleator (X, Y) i Z = X + Y. Pentru orice a R, avem
P(Z < a) = P( X + Y < a) = f ( x, y)dxdy ,
A

unde A este semiplanul {( x, y) R 2 x + y < a} haurat n fig. 3. Fcnd schimbarea

27
x + y = u D( x, y) 1
de variabile , (u, v) (, a) R = G i avem = =
y=v D(u, v) D(u, v)
D( x, y)
1
a
= 1, deci P(Z < a) = f (u v, v)dudv =
f (u v, v)dv du . Revenind la
1 1
G
0 1
coordonatele x, y, v.a. Z = X + Y are densitatea de repartiie

f Z ( x) = f (x y, y)dy . (3.4)

a
x

Fig. 3

n particular, dac v.a. X i Y sunt independente cu densitile de repartiie f1 i


f2 , din (3.3) i (3.4) rezult c suma X + Y are densitatea de repartiie
+
f Z ( x) = f1 ( x y ) f 2 ( y)dy , (3.5)

unde membrul drept al relaiei (3.5) este convoluia funciilor f1 i f2 i se noteaz
f1 f2 . Dac f1 i f2 sunt nule pentru x 0, y 0 , formula (3.5) devine
x
f Z ( x) = f1( x y) f 2 ( y)dy pentru x > 0 i f Z (x) = 0 pentru x 0. (3.5)
0
b) Notnd T = XY, obinem
P(T < a) = P( XY < a) = f ( x, y)dxdy ,
A
xy = u
unde A = {( x, y) R 2 | xy < a} . Fcnd schimbarea de variabile , (u, v)
y=v
1 u
u D( x, y) 2 1
(, a) R = G, avem x = , y = v, = v v = , deci
v D(u, v) v
0 1

28

1 u 1 u
P( XY < a) = f , v dudv = f , v dv du
v v
v v
G
iar T = XY are densitatea de repartiie

1 x
fT ( x) = f , y dy .
v y
(3.6)

n particular, dac X i Y sunt independente produsul lor XY are densitatea

1 x
fT ( x) = f f ( y)dy ,
v 1 y 2
(3.6)

unde f1 , f2 sunt densitile de repartiie ale lui X i Y.
Problem. Dac X, Y sunt dou v.a. independente X ~ N (m1, 1) , Y N(m2 ,
2), artai, folosind formula (3.5), c X + Y ~ N m1 + m2 , 12 + 22 .

2. Coeficient de corelaie i dreapt de regresie


Definiia 1. Dac X, Y sunt dou variabile aleatoare, se numete covarian a
lor numrul
cov( X , Y ) = M [( X MX )(Y MY )] (3.7)
o o
(media produsului v.a. centrate X = X MX , Y = Y MY ; n particular, cnd Y =
X, cov( X , X ) = DX = dispersia (variana) lui X.
Proprieti. 1 Notnd MX = m1 , MY = m2 i, deschiznd parantezele, rezult
cov(X, Y) = M[XY] (MX)(MY) ; (3.8)
2 Cnd vectorul aleator (X, Y) are densitatea de repartiie f, M[XY] se
calculeaz cu formula
M [ XY ] = xyf ( x, y)dxdy . (3.9)
R2
n particular, dac X i Y sunt independente, f(x, y) = f1(x)f 2 (y) i

M[XY] = xf1(x)dx yf1(y)dy = (MX)(MY) , iar formula (3.8) implic



cov(X, Y) = 0 .
3 Formula (3.8) i liniaritatea mediei arat c operaia de luare a
covarianei este biliniar n raport cu X i Y:
cov( X1 X 2 , Y ) = cov( X 1, Y ) cov( X 2 , Y ) , cov(X , Y ) = cov( X , Y ) , etc.
4 n particular, dispersia sumei a dou variabile aleatoare X, Y este
D(X + Y) = cov(X + Y, X + Y) = cov(X, X) + cov(Y, Y) + 2cov(X, Y) , deci
D(X + Y) = DX + DY + 2cov(X, Y) (3.10)

29
iar, n ipoteza c X, Y sunt independente,
D(X + Y) = DX + DY (3.11)
deoarece atunci cov(X, Y) = 0 .
5 Pentru oricare dou constante a, b R,
cov(X + a, Y + b) = cov(X, Y) . (3.12)
6 o Covariana este i simatric:
cov(X, Y) = cov(Y, X). (3.12)
Definiia 2. Se numete coeficient de corelaie al variabilelor aleatoare X, Y
numrul
cov( X , Y )
r( X ,Y ) = . (3.13)
( DX )( DY )
Propoziie. 1 Avem | r(X.Y) | 1 .
2 | r(X.Y) | = 1 Y satisface cu probabilitate 1 o relaie liniar de forma
Y = MY + (X MX) , (3.14)
cov( X , Y )
unde = .
DX
Pentru orice R, formula (3.10) ne d D(Y X ) = DY 2 cov( X , Y ) +
2 DX . Cum D(Y X ) 0 , discriminantul trinomului din membrul drept al
ultimei relaii trebuie s fie 0, deci = (cov( X , Y )) 2 (DX )(DY ) 0 , de unde
(r ( X , Y )) 2 1 i astfel | r ( X ,.Y ) | 1 . n plus, | r ( X ,.Y ) | = 1 = 0 ecuaia
cov( X , Y )
D(Y X ) = 0 admite soluia = cu probabilitatea 1, avem
DX
Y X = M [Y X ] = MY MX Y = MY + ( X MX ) .
Observaie. 1 Din cele de mai sus rezult c dou v.a. X i Y sunt puternic
corelate (adic | r ( X .Y ) | este aproape de 1, deci coeficientul de corelaie este
aproape de 1 sau de 1), atunci valorile luate de vectorul aleator (X, Y) tind s fie
situate pe dreapta de ecuaie
cov( X , Y )
y MY = ( x MX ) . (3.15)
DX
care se numete dreapta de regresie a v.a. Y n raport cu X.
2 Semnul coeficientului de corelaie coincide cu semnul covarianei lui X cu Y
i, din formula (3.15), cu semnul pantei dreptei de regresie. Aadar:
- Dac r(X, Y) > 0, la o cretere a variabilei X, Y are tendina s creasc;
- Dac r(X, Y) < 0, la o cretere a variabilei X, Y are tendina s scad.
Exemple. 1 Am vzut mai nainte c dou v.a. independente X, Y au
covariana nul, deci sunt necorelate. Reciproca acestei proprieti nu este, n
general, adevrat. Considernd un vector aleator (X, Y) distribuit uniform n discul
unitate: D : x2 + y2 < 1 (a crui arie este egal cu ), obinem densitatea de
probabilitate

30
1
, pentru x 2 + y 2 < 1
f ( x, y) = .
0, pentru x 2 + y 2 1
Pentru fiecare x R, rezult densitatea marginal
1 x2
1 2
f1( x) = f ( x, y)dy =
dy = 1 x 2 , pentru x < 1

1 x2
0, pentru x 1
2
1 y 2 , pentru y < 1
i analog f 2 ( y) = .
0, pentru y 1
Deoarece f ( x, y ) f1( x) f 2 ( x) , cele dou v.a. X i Y nu sunt independente.
2 1
1 1 3
Pe de alt parte, M [ XY ] = xyf ( x, y)dxdy = xydxdy = r sin t cos tdrdt =
0 0
R2 D
2 1
1 1 2
4 sin t cos tdt = 0 , MX = xf1(x)dx = x 1 x 2 dx = 0 i analog MY = 0, deci
0 1
cov( X , Y ) = M [ XY ] (MX )(MY ) = 0 . Aadar X, Y sunt necorelate fr s fie
independente.
2 Fie (X, Y) vectorul aleator distribuit uniform n interiorul elipsei E obinute
x2 y 2
rotind cu n jurul originii elipsa E de ecuaie 2 + 2 = 1 . Fig. 4
4 a b

y y
E E

x x


cos 4 sin 4
Notnd M = matricea unei rotaii cu unghiul n jurul
4
sin cos
4 4
originii i innd seama c E = (E ' ) , ecuaia lui E se obine punnd condiia ca

31
1
( x y )
x' x 2
punctul = M = s verifice ecuaia lui E, deci E are ecuaia
y' y 1
( x + y )
2
( x y) 2 ( x + y) 2
+ = 1 . innd seama c aria lui E = aria lui E = ab, expresia
2a 2 2b 2
densitii de probabilitate este
1 ( x y) 2 ( x + y) 2
, pentru + <1
ab 2a 2 2b 2
f ( x, y) = 2 2 .
0, pentru ( x y) + ( x + y) 1
2a 2 2b 2
x y = 2 ar cos t
Parametrizarea lui E se obine scriind , (r, t) (0,1) (0,
x + y = 2br sin t
r
x= (a cos t + b sin t )
2
2), de unde , (r, t) (0,1) (0, 2) iar interiorul M al
r
y = (a cos t + b sin t )
2
r
x =
2
(a cos t + b sin t )
lui E admite parametrizarea , (r, t) (0,1) (0, 2).
r
y =(a cos t + b sin t )
2
D( x, y) 1
Atunci, deoarece = abr, M [ XY ] = xyf ( x, y)dxdy = xydxdy =
D(r, t ) 2
ab
R M
21 2
1 r2 2 2 1 1 2 2
dt =
2 2
(b sin t a cos t )rabdr (b sin t a 2 cos 2 t )abdt =
ab 0 0 2 ab 8
0

b2 a 2 1 1 2 1 r
8
; MX = ab
xdxdy =
ab 0 0 2
(a cos t + b sin t )rabdr dt =

M
2
1 1
3 2
(a cos t + b sin t )dt = 0 i analog MY = 0, deci cov( X , Y ) = M [ XY ]
0
b2 a2 1 1
ab x dxdy =
2
(MX )(MY ) = . n sfrit, M [X 2] =
8
M
ab
2 1 2
r 1 1 a2 + b2
8
2
2 (a cos t + b sin t 0 rabdr dt = + =
2
( a cos t b sin t ) dt .
0 0 0
8

32
Formula (3.15), d atunci ecuaia dreptei de regresie a lui Y fa de X :
b2 a2
y= 2 x
b + a2
b2 a2
(o dreapt trecnd prin origine, de pant m = 2 , cu 1 < m < 0).
b + a2

3. Matricea de corelaie i matricea de covarian pentru un vector


aleator
X1

Definiii. Dac este un vector aleator n - dimensional, atunci matricea
X n
sa de corelaie este matricea
RX = [M[XiXj]]
care pe linia i, coloana j are elementul M[Xi Xj] = media produsului Xi Xj , iar
matricea sa de covarian este matricea
KX = [cov (Xi , Xj)]
care pe linia i, coloana j are covariana variabilelor Xi , Xj .

Observaii. 1 Deoarece cov( X i , X j ) = M [ X i X j ] (media produsului

variabilelor aleatoare centrate X i = X i MX i i Xj = X j MX j ), rezult c



X1 X1 X1
notnd X = = , avem


X X n X n
n

KX = R . (3.16)
X
Matricea de covarian a vectorului aleator X este egal cu matricea de corelaie a

vectorului centrat X ).
2 Din definiii rezult c cele dou matrici RX i KX sunt simetrice, avnd pe
diagonala principal M [ X 12 ],, M [ X n2 ] , respectiv DX1, ... , DXn (dispersiile v.a.
X1, ... , Xn).
3 Dac variabilele aleatoare X1,..., Xn sunt dou cte dou independente,
atunci ele sunt necorelate, deci cov(Xi , Xj) = 0 pentru i j, iar matricea KX rezult o
matrice diagonal.
Propoziie (Schimbarea matricii de corelaie la o transformare liniar
aplicat vectorului aleator X). Dac X este un vector aleator n - dimensional iar
Y = AX, unde A este o matrice de tip (m, n), m n, atunci

33
RY = A RX At. (3.17)
X1
Din definiie, pentru scrie RX = M[XX t], unde XX t =
[ X X ] = [X X ]
1 n i j
X n
este matricea aleatoare care pe linia i, coloana j are variabila aleatoare Xi Xj .
Atunci RY = M [YYt] = M[AXXtAt] = AM[XXt]At = ARXAt.
m1
Corolar. Pentru orice m = R n , matricea de covarian a vectorului
mn
Y = AX + m este atunci
KY = AKXAt . (3.18)
Aplicnd liniaritatea mediei, vom avea MY = AMX + Mm = AMX + m, deci

Y = Y MY = AX + m ( AMX + m) = AX AMX = A X . Aplicnd propoziia

precedent, matricea de corelaie a lui Y (care, conform observaiei 1, coincide cu


KY) este atunci egal cu AR At = AK X At .
X
4. Distribuia normal n-dimensional
X1
Definiia 1. Fie X = un vector aleator n-dimensional. X urmeaz o
X n
distribuie normal standard dac X are densitatea de repartiie
1
1 ( x12 ++ xn2 )
f ( x1,, xn ) = e 2 . (3.19)
( 2 ) n
Observaii. 1 Deoarece f (x1, ... , xn) = f1 (x1) f2 (x2) ... fn (xn), cu fi ( xi ) =
1
1 2 xi2
e , rezult c cele n componente X1,...,Xn sunt dou cte dou
2
independente i urmeaz fiecare o distribuie normal standard n-dimensional (Xi
~ N(0, 1)).
x1
2 nlocuind x1 + ... + xn prin x x = x x (unde x = ), formula (3.19) se
2 2 t

x2
scrie
1
1 xt x
f ( x) = e 2 . (3.20)
( 2 ) n

34
Definiia 2. Vectorul aleator n-dimensional Y urmeaz o distribuie normal
dac el este de forma
Y = AX + m (3.21)
unde A este o matrice ptrat nesingular, m un vector din Rn iar X este un vector
aleator n-dimensional cu distribuie normal standard.
Lem. Dac vectorul aleator X are densitatea de repartiie f, atunci vectorul
1
aleator Y = AX + m are densitatea de repartiie f(A 1(x m)) .
detA
Notnd : Rn Rn, (x) = AX + m, pentru orice mulime M Rn, avem
P(Y M ) = P(( X ) M ) = P( X 1(M )) = f (x)dx . Fcnd schimbarea de
1
(M )
1
variabile x = 1( y) = A1( y m) al crui jacobian este , rezult
det A
1
P(Y M ) = det A f ( A1( y m))dy , (3.22)
M
de unde, revenind la variabila x, formula din enun.
Propoziie. Densitatea unui vector aleator normal Y este
1
1 (x m)t K 1(x m)
fY (x) = e 2 , (3.23)
(2)n detK
unde m = MY iar K = KY este matricea sa de covarian.
Dac Y = AX + m, unde X este un vector aleator cu distribuie normal
standard, atunci lema precedent i relaia (3.20) arat c Y are densitatea
1
1 [ A1( x m)]t A1( x m)
fY ( x) = e 2 (3.24)
(2) n det A

Dar [ A1( x m)]t A1( x m) = ( x m)t ( AAt ) 1( x m) , det A = det( AAt ) .


n plus, deoarece X1 , ... , Xn sunt dou cte dou independente, iar DX1 = ... =
DXn = 1, KX este o matrice diagonal avnd elementele diagonale egale cu 1, deci
KX este matricea unitate In . Vectorul aleator Y are media m deoarece MX = 0, iar
MY = M[AX + m] = AMX + m = m.
Observaii. 3 Dac Y = AX + m, atunci fiecare component a vectorului
aleator AX este o combinaie liniar a variabilelor aleatoare normale independente
X1, ... , Xn , deci este ea nsi o variabil normal cu medie 0. Ca urmare, fiecare
component Yi a lui Y este o v.a. normal cu medie mi i dispersie kii = elementul de
pe linia i i coloana i al matricii de covarian KY. Deci Yi ~ N (mi , k ii ) .
4 Dac Y1 , ... , Yn sunt dou cte dou necorelate i reprezint componentele
unui vector aleator normal Y, atunci matricea K = KY este diagonal,

35
12 0
2
K = , unde i = DYi .
0 2n

1
Atunci exponentul din membrul drept al formulei (3.22) este p( x m) , unde
2
1
2 0
1
p este o form ptratic asociat matricii diagonale K 1 = , deci
0 1
2
n
densitatea de repartiie fY se descompune n produsul a n densiti normale
1-dimensionale variabilele Y1 , ... , Yn sunt independente.
Cazul n = 2. Dac X, Y sunt componentele unui vector aleator bidimensional
X 2 2
Y , atunci, notnd dispersiile lor cu 1 i 2 , matricea de covarian este

12 cov( X , Y ) 12 r12
K = = ,
cov( X , Y ) 22 r1 2 22
cov( X , Y )
unde r = este coeficientul de corelaie. Rezult
1 2
1 r
1 22 2 12
r12 1
K 1 = 2 2 = 2
1
= ,
r 1
2 2
1 2 (1 r ) r12 1 1 r
12 22
i nlocuind n (3.22) obinem expresia densitii de repartiie normal
bidimensional.
1 ( x m1 ) 2 ( x m1 )( y m2 ) ( y m2 ) 2
2 r +
1 2(1 r 2 ) 12 1 2 22
f ( x, y ) = e .
212 1 r 2
Exemple. 1 Dndu-se dou variabile normale standard X, Y independente ntre
ele, s determinm densitatea vectorului aleator cu componentele U = X + Y, V = X
U 1 1 X
+ 2Y. Deoarece = , acest vector va urma o lege normal
V 1 2 Y
bidimensional, iar matricea sa de covarian va fi K = AAt (deoarece KX = I2), unde
1 1 2 3 5 3
A = . Rezult K = , K 1 = , iar densitatea cutat este
1 2 3 5 3 2

36
1
1 2 (5x2 6xy + 2 y2 )
f (x, y) = e .
2
X
2 Dac vectorul are densitatea de repartiie
Y
1 2 1
+ ( x 1)( y 2 ) + ( y 2 ) 2
1 2 ( x 1) 2
f ( x, y ) = e ,
4
1
1 1 2 , K = 2 2 , deci X ~ N (1, 2 ) ,
atunci m1 = 1, m2 = 2, K = 2 4
1 1
2 2
Y ~ N (2,2) .

5. Densiti condiionate
P( A B)
Dac A, B sunt dou evenimente, cu P(B) 0, atunci P( A | B) = .
P(B)
Dac X i Y sunt dou variabile aleatoare, atunci, presupunnd c X admite o
densitate de probabilitate, X ia orice valoare a R cu probabilitatea 0, deci P(X =
a) = 0 i formula de mai sus nu poate fi aplicat pentru a defini P(Y < b | X = a) .
Din acest motiv, se ia
def
P(Y < b X = a) = lim P(Y < b | X [a , a + ]) (3.25)
0
Dac vectorul aleator (X, Y) admite densitatea f , rezult
P(Y < b, a X a + ) M f (x, y)dxdy
P(Y < b | X [a , a + ]) = = =
P(a X a + ) a +

f1(x)dx
a
y
b
M

x
a- a a+

Fig. 5

37
a+ b b
f ( x, y)dy dx 2 f (, y)dy
a


=
, unde [a , a + ], [a , a + ].
a+ 2f1()
f1(x)dx
a
De aici, lund 0, rezult
b
f (a, y)
P(Y < b | X = a) = f1(a)
dy , sau, nlocuind a prin x,

b
P(Y < b | X = x) = f ( y | x)dy ,

def
f ( x, y)
unde f ( y | x) =
f1( x)
(3.26)
(raportul dintre densitatea de repartiie a vectorului (X, Y) i densitatea marginal
f1). Pentru fiecare x fixat n R pentru care f1(x) 0, se obine astfel cte o variabil
aleatoare {Y | X = x} , avnd densitatea de repartiie f ( y | x) . Analog se definete
variabila aleatoare {X | Y = y} , avnd densitatea de repartiie
f ( x, y )
f ( x | y) = . (3.27)
f 2 ( y)
Evident, dac X i Y sunt independente, atunci f ( x, y ) = f1( x ) f 2 ( y ) , iar
f ( x | y) = f1( x) , f ( y | x) = f 2 ( y ) .

6. nlturarea corelaiei dintre doi vectori aleatori


X1 Y1
Definiie. Fie X = , Y = doi vectori aleatori. Atunci matricile de tip

X m Yn
(m, n)
R XY = M [ XY t ] = [ M [ X i Y j ]]im , (3.28)
in

K XY = [cov( X iY j )] i m, j n = R (3.29)
XY
se numesc, respectiv, matricea de corelaie i matricea de covarian ale vectorilor
X i Y.
Observaie. n cazul X = Y, s regsesc matricile de corelaie i de covarian
ale lui X, considerate n seciunea 4.
A nltura corelaia dintre X i Y nseamn a determina o matrice A de tip (n,
m), astfel nct, notnd Z = Y AX , s avem

38
RXZ = 0. (3.30)
a) n cazul n = 1, aplicaia (Y, Z) M[YZ] are proprietile unui produs scalar,
RXZ = 0 M[Xi Z] = 0 pentru i = 1, m , iar AX = a1 X1 + ... + am Xm reprezint
proiecia ortogonala lui Y pe X. Avem deci
m
M X i Y a j X j = 0 , i = 1, m ,
j =1

deci coeficienii a1,..., am sunt soluiile sistemului de ecuaii liniare
m
M [ X i X j ]a j = M [ X i Y ] , i = 1,..., m (3.31)
j =1

AX

Fig. 6
n particular, dac i m = 1, vectorul X are o singur component, Z = Y aX
cu a R; sistemul (3.31) se reduce la
M[X2]a = M[XY], (3.32)
deci proiecia ortogonal a lui Y pe X este
M [ XY ]
Y'= X . (3.33)
M [ X 2]
b) n cazul general, condiia (3.30) se scrie
M [ X (Y AX )t ] = 0 , deci M [ XX t At ] = M [ XY t ] sau RXX At = RXY .
Lund transpusele n ambii membri i innd seam c matricea RXX este
simetric iar (RXY )t = RYX , obinem ARXX = RYX , deci A = RYX (RXX ) 1 iar
proiecia ortogonal a lui Y pe X este
Y ' = RYX (RXX ) 1 X . (3.34)
Un raionament analog conduce la nlturarea covarianei dintre X i Y
gsirea unei matrici A, astfel nct Z = Y AX s satisfac relaia
KXZ = 0, (3.30)
deci cov(Xi, Zj) = 0 pentru i = 1, m , j = 1, n .
Notnd AX = Y , n cazul m = n = 1 se gsete
cov( X , Y )
Y "= X (3.33)
DX
iar n cazul general

39
Y " = KYX (K XX )1 X . (3.34)
Aplicaie. Fie X, Y componentele unui vector aleator cu o distribuie normal
bidimensional. tiind c X ~ N (m1, 1) , Y ~ N (m2 , 2 ) i c cele dou variabile
au coeficientul de corelaie r, s determinm densitatea condiionat f ( y | x) .
cov( X , Y )
Deoarece r = , DX = 12 , DY = 22 , din cele de mai sus rezult
(DX )(DY )
cov( X , Y )
c, notnd a = = r 2 , Z = Y aX, v.a. X, Z au covariana nul, deci sunt
DX 1
necorelate. Dac aceste variabile sunt componentele unui vector normal, deci
cov(X, Z) = 0 X, Z independente. Deoarece Y = Z + aX, vom folosi urmtoarea
Lem. Dac variabilele aleatoare X i Z sunt independente, atunci, pentru
orice x R, variabila
{Z + aX | X = x}
are aceeai densitate ca Z + ax.
n cazul nostru, deoarece Z este normal, Z + ax este tot o variabil aleatoare
normal, cu media MZ + ax i dispersia DZ. Cum Z = Y aX, rezult
M [Z + ax] = MY aMX + ax = m2 + a( x m1) ,
DZ = cov(Y aX , Y ax) = DY + a2DX 2a cov( X , Y )
cov( X , Y )
i, deoarece, a = ,
DX
cov( X , Y )2
DZ = DY , (3.35)
DX
DZ = 22 r 222 = (1 r 2 )22 .
Aadar (Y X = x) ~ N m2 + a( x m1), 1 r 2 2 i deci, notnd,

m = m2 + a( x m1) , (3.36)
1 2
( y m )
1 2 (1 r 2 ) 22
f ( y | x) = e . (3.37)
2(1 r 2 ) 2
Demonstraia lemei. Dac variabilele aleatoare X i Y au, respectiv, densitile
f1 i f2 , din independena lor rezult c vectorul cu componentele X, Z are
densitatea de repartiie
f (x, z) = f1 (x) f2 (z).
X 1 0 X
Pe de alt parte, scriind Y = aX + Z, avem = . Notnd A =
Y a 1 Z
1 0 1 0 x x
a 1 , rezult A1 = i A1 = . Atunci vectorul cu
a 1 y y ax

40
componentele X, Y are densitatea de repartiie
F (x, y) = f (x, y ax) = f1(x) f2(y ax).
F ( x, y)
Astfel, {Y | X = x} are densitatea de repartiie f ( y | x) = = f2( y ax) ,
f1( x)
care, ca funcie de y, este densitatea v.a. Z + ax.
X1 Y1
Generalizare. Presupunem c X = , Y = reprezint primele m i,
X
m Yn
respectiv, ultimele n componente ale unui vector aleator normal (m + n)-
dimensional i cutm densitatea f ( y | x) a vectorului Y condiionat de cunoaterea
valorii x Rm luate de X. Notnd A = KYX (K XX ) 1 , matricea de covarian a
vectorilor X i Y AX = Z este atunci egal cu 0, i fiind vorba de vectori aleatori
normali se poate arta c vectorii aleatori X i Z sunt independeni ntre ei. Ca i n
cazul unidimensional considerat mai sus, rezult atunci c pentru fiecare x Rm,
vectorul aleator Y = Z + AX condiionat de cunoaterea valorii x Rm luate de X,
deci vectorul aleator {Y | X = x} , are densitatea de repartiie a lui Z + Ax = Y + A(x
X).
Aadar, {Y | X = x} este un vector aleator normal n - dimensional cu media
m( x) = MY + KYX (K XX )1( x MX ) (3.38)
i matricea de covarian
K = M [(Y + A( x X ))(Y + A( x X ))t ] .
Deoarece Ax este un vector constant, matricea de covarian a vectorului
Y + A( x X ) coincide cu cea a vectorului Y AX ; aadar
K = M [(Y AX )(Y AX )t ] = M [(Y AX )Y t ] M [(Y AX ) X t ]At .
Dar, prin alegerea lui A, avem M [(Y AX ) X t ] = 0 , deci K = M [YY t ]
AM [ XY t ] , altfel exprimat,
K = KYY KYX (K XX ) 1 K XY . (3.39)

4. Estimri liniare i neliniare prin metoda celor mai


mici ptrate
Dndu-se un vector aleator X i o variabil aleatoare Y, se caut pentru Y o
estimare Y = ( X ) , aa nct media ptratului erorii E = Y (X) s fie minim:
M [(Y ( X ))2] = minim .
1) Estimri constante Y = c R . Notnd m = MY, se obine, oricare ar fi c
R, M [(Y c)2] = M [{(Y m) + (m c)}2 ] = E[(Y m) 2 ] + ( m c) 2 + 2(m c) M [Y

41
2 2
m], deci M [(Y c ) ] M [(Y m) ] .
Aadar, cea mai bun estimare constant a lui Y este
Y = MY . (4.1)
2) Estimrile liniare omogene sunt estimri de forma
Y ' = a1 X 1 + ... + an X n , cu a1,..., an R, unde X1,...,Xn sunt componentele lui X;
X1
ele se pot scrie vectorial Y = aX, cu [a1...an ] , X = .
X n
Notnd cu Y proiecia ortogonal a lui Y pe X, avem
Y = RYX (RXX ) 1 X , (4.2)
unde RYX este o matrice linie cu componentele M[YX1], ... , M[YXn], RXX este
matricea de corelaie a lui X iar, prin construcie, matricea de corelaie dintre Y Y
i X este nul, deci Y Y este ortogonal pe fiecare din componentele X1, ... , Xn ,
deci i pe orice combinaie liniar a lor.
Pentru orice estimare liniar de forma Y = aX, avem M [(Y Y ' )2 ] = M [{(Y
Y ) + (Y Y ' )}2 ] = M [(Y Y ) 2 ] + M [(Y Y ' ) 2 ] + 2M [(Y Y )(Y Y ' )] , unde ultimul
termen este = 0, deoarece Y Y ' este o combinaie liniar a componentelor lui X i
deci este ortogonal pe Y Y . n acest fel, M [(Y Y ' )2 ] = M [(Y Y )2 ] + M [(Y
Y ' )2 ] i, n particular, M [(Y Y ' )2 ] M [(Y Y )2 ] , deci cea mai bun estimare
liniar omogen este dat de proiecia ortogonal a lui Y pe X, dat de formula
(4.2).
3) Estimrile liniare i neomogene sunt estimri de forma:
Y = a0 + a1 X 1 + ... + an X n .
Notnd MX1 = m1, , MX n = mn i a0 + a1m1 + ... + anmn = m0 , ele pot fi scrise

echivalent Y = m0 + a1( X 1 m1) + ... + an ( X n mn ) sau Y = m0 + a1 X 1+ ... + an X n ,


deci Y este o estimare omogen a lui Y n funcie de cele n + 1 variabile X 0 = 1 ,

X 1,..., X n . Aplicnd rezultatul punctului precedent, pentru ca media ptratului


erorii Y Y s fie minim, Y Y trebuie s fie ortogonal pe variabilele X0,

X 1, , X n . Punnd condiia
M [(Y Y ) X ] = M [Y Y ] = 0 ,
0

i innd cont c M [ X 1] = M [ X 2 ] = ... = M [ X n ] = 0 , rezult c primul coeficient m0

42

trebuie ales = MY. Avem atunci Y Y = Y a1 X 1 + ... + an X n i deci pentru ca


2
M [(Y Y ) ] s fie minim, a1,..., an trebuie s fie alei egali cu coeficienii

X1
proieciei ortogonale a lui Y pe vectorul X = ; aadar, notnd a = [a1, , an ] ,

X
n
vom avea
1

a = R R ; prin definiie ns R = KYX , R = K XX (matricea de
Y X X X YX XX
covarian dintre Y i X, respectiv matricea de covarian a lui X). Aadar, cea mai
bun estimare liniar neomogen este
Y = m + K (K ) 1( X m) ,
0 YX XX (4.3)
m1
unde m0 = MY, m = MX = .
mn
n cazul particular cnd n = 1 (vectorul aleator X se reduce la o variabil
aleatoare) formula (4.3) devine
cov( X , Y )
Y = MY + ( X MX ) . (4.4)
DX
Comparnd cu ecuaia dreptei de regresie a lui Y fa de X,
cov( X , Y )
y MY = ( x MX ) ,
DX
observm c cea mai bun estimare neomogen Y are proprietatea c perechea
( X , Y ) este situat pe dreapta de regresie. n plus, dac cov( X , Y ) = 0 , dreapta de
regresie are panta = 0, iar Y = MY (deci estimarea este constant).
4) Estimrile neliniare sunt estimri de forma (X), unde = ( x1,..., xn ) este
o funcie real cu n variabile reale nu neaprat liniar. Pentru exemplificare, vom
lua cazul n = 1. Notnd (Y ( X )) 2 = ( X , Y ) i, aplicnd formula,
M [( X , Y )] = (x, y) f (x, y)dxdy ,
R2
unde f (x, y) este densitatea de repartiie a vectorului (X, Y), obinem pentru eroarea
medie ptratic

43

M [(Y ( X )) ] = ( y ( x)) f ( x, y)dxdy = ( y ( x))2 f ( x, y)dydx .
2 2
(4.5)
R2



Folosind formula densitii condiionate
f ( x, y)
f ( y | x) = ,
f1( x)

( y (x)) ( y ( x))
2 2
putem scrie I ( x) = f ( x, y)dy = f ( y | x) f1( x)dy =


f1( x) ( y ( x))2 f (y x)dy . Dar, pentru fiecare x fixat, funcia ( y) = f ( y | x) este

o densitate de probabilitate asociat variabilei aleatoare {Y | X = x} iar (x) este o
estimare constant a acestei variabile, deci, aplicnd punctul 1),

( y (x)) f ( y | x)dy ( y m( x))


2 2
f ( y | x)dy , unde m( x) = M [Y | X = x] =

yf ( y | x)dy reprezint media v.a. {Y | X = x} . n acest fel,

( y m( x)) f ( y | x) f1(x)dy = ( y m( x))


2 2
I ( x) f ( x, y)dy i deci, revenind la


formula (4.5), M [(Y ( X ))2]
( y m( x))2
f (x, y )dy dx = M [(Y m( X ))2 ] ,


cu alte cuvinte, cea mai bun estimare neliniar a lui Y n raport cu X este
not.
m( X ) = M [Y | X ] (4.6)
care se obine calculnd
+
m( x) = M [Y | X = x] = yf ( y | x)dy

i apoi se nlocuiete x prin X.
Observaia 1. Aceeai formul este adevrat i n cazul n care X este un
vector aleator cu n componente, n acest caz x = ( x1, , xn ) R n , iar m(x) =
m( x1, , xn ) fiind o funcie de n variabile reale.
X1
Observaia 2. n cazul n care X = reprezint primele n componente, iar
X n
Y = ultima component a unui vector aleator normal n + 1 dimensional, am vzut

44
deja c m( x) = MY + KYX (K XX )1( x MX ) i comparnd cu (4.3), constatm c n
acest caz cea mai bun estimare neliniar m(X) coincide cu cea mai bun estimare
liniar neomogen Y .
Exemple. 1 Se fac n msurtori X1,...,Xn ale unei mrimi fizice Y, la fiecare
msurtoare Xi intervenind o eroare Zi :
Xi = Y + Zi , i = 1, n .
Presupunem c erorile Zi sunt independente ntre ele i independente de
mrimea msurat Y, fiecare din ele urmnd cte o repartiie normal cu medie 0 i
abatere (pentru Y), respectiv (pentru Zi):
Y ~ N (0, ) , Zi ~ N (0, ) , i = 1, n .
Avem atunci MY = 0 R, MX = 0 Rn i, conform observaiei precedente,
cea mai bun estimare a mrimii lui Y n funcie de vectorul observaiilor X este
Y = K (K ) 1 X .
YX XX
Deoarece dim Y = 1, dim X = n, KYX este o matrice linie KYX = [cov(Y , X1) .
cov(Y , X n )] . Avem cov(Y , X i ) = cov(Y , Y + Zi ) = cov(Y , Y ) + cov(Y , Zi ) = DY = 2 ,
2 2
deoarece Y, Zi sunt independente i deci cov(Y , Z i ) = 0 ; K YX = [ ] .
Pe de alt parte, cov( X i , X j ) = cov(Y + Zi , Y + Z j ) = cov(Y , Y ) + cov(Y , Z j ) +
2
cov(Zi , Y ) + cov(Zi , Z j ) . Dar cov(Y , Z j ) = cov(Z i , Y ) = 0 , iar cov(Zi , Z j ) = , i = j
0, i j
(erorile Zi sunt dou cte dou independente). Aadar matricea de covarian KXX
are elementele diagonalei principale 2 + 2 i restul elementelor egale cu 2:
2 + 2 2 2
2
2 + 2 2
KXX = . Atunci Y = [2 2 ](K XX )1 X , iar (K XX )1 X =

2
2 2 + 2
U reprezint soluia sistemului KXXU = X, care se scrie desfurat
(2 + 2 )u1 + 2u2 + ... + 2un = X1
2 u1
u1 + (2 + 2 )u2 + ... + 2un = X 2
, deci Y = [ ]U = [1...1] = 2 (u1 + .
2 2 2

un
2u1 + 2u2 + ... + (2 + 2 )un = X n
. . + un ) . Adunnd cele n ecuaii ale sistemului de mai sus, obinem (n2 + 2 )(u1 +
X 1 + ... + X n
... + un ) = X1 + ... + X n , deci u1 + ... + un = , i astfel
n 2 + 2
X + ... + X X + ... + X n
Y = 2 1 2 2 n . n particular, Y 1 cnd 0.
n + n

45
2o Fie (X, Y) vectorul aleator cu densitatea de repartiie
x + y, ( x, y) [0,1] [0,1]
f (x, y) = .
0, ( x, y) [0,1] [0,1]
Se cer cele mai bune estimri liniare i neliniar ale lui Y n funcie de X.
a) Estimarea liniar omogen:
M [ XY ]
Y = X.
M [ X 2]
1 1 1
x2 x 1 1 1
Avem M[XY] = xyf ( x, y)dxdy = ( x2 y + xy2 )dy dx = + dx = + = .
2 3 6 6 3
R2 00

0
1 1 1
x2 1 1 5
M[X ] = ( x + x y)dy dx = x3 + dx = + = .
2 3 2
2 4 6 12
00

0
b) Estimarea liniar neomogen:
cov( X .Y )
Y = MY + ( X MX ) .
DX
1 1 1 1 1
x 1 1 7
Avem MX = (x + xy)dy dx = ( x + )dx = + = , MY = ( xy + y2)dy dx
2 2
2 3 4 12
00

0 00


1
x 1 1 1 7 1 49 1
= ( 2 + 3)dx = 4 + 3 = 12 , cov (X, Y) = M[XY] (MX)(MY) =
3 144
=
144
,
0
5 49 11
DX = M[X 2] (MX)2 = = ,
12 144 144
7 1 7
Y = X .
12 11 12
c) Estimarea neliniar:
M[Y | X] = m(X),
+ +
f ( x, y)
unde m(x) = yf ( y | x) dy , f (y | x) = , unde f 1 (x) = f ( x, y) dy =
f1( x)
= =
1
1
( x + y)dy = x + 2 dac x [0,1] i f 1 (x) = 0 dac x [0,1]. Aadar f (y | x) este definit
0
pentru x [0,1]. Deci f (y | x) este definit doar pentru x [0,1], fiind dat de
x + y
, y [0,1]
f (y | x) = x +
1 . Aadar, pentru orice x [0, 1], avem m(x) =
2
0, y [0,1]

46
1 1
x+ y 1 3x + 2
y 1 dy = 1 (xy + y )dy = 6x + 3 . Estimarea neliniar a lui Y n funcie
2

0 x+ x+ 0
2 2
de X este
3X + 2
M [Y | X ] = m( X ) = .
6X + 3

5. Probleme rezolvate
1. Tipuri elementare
1) O urn conine 10 bile albe i 6 bile negre. Se extrag dou bile nepunndu-
se napoi prima bil extras. Se cere probabilitatea ca:
a) cele dou bile s fie albe; (A)
b) cele dou bile s fie negre; (B)
c) prima bil s fie alb i a doua neagr; (C)
d) prima bil s fie neagr i a doua alb; (D)
e) bilele s fie de aceeai culoare; (E)
f) bilele s fie de culori diferite. (F)
Rezolvare. a) Se iau evenimentele: A1: prima bil este alb; A2: a doua bil este
10 9 3
alb. A = A1 A2 ; P( A) = P( A1 A2 ) = P( A1)P( A2 | A1) = = .
16 15 8
b) Se iau evenimentele: B1: prima bil este neagr; B2: a doua bil este neagr
6 5 1
i B = B1 B2 . P(B) = P(B1 B2 ) = P(B1)P(B2 | B1) = = .
16 15 8
10 6 1
c) C = A1 B2 P(C ) = P( A1)P(B2 | A1) = = .
16 15 4
6 10 1
d) C = B1 A2 P(D) = P(B1)P( A2 | B1) = = .
16 15 4
e) E = A B P(E) = P( A B) = P( A) + P(B) P( A B) . A B = (cele
3 1 1
dou evenimente sunt incompatibile) P( E) = P( A) + P(B) = + = .
8 8 2
f) F = C D P( F ) = P(C D) = P(C ) + P(D) P(C D) i cum C D =
1 1 1
, rezult P(F ) = + = .
4 4 2
2) ntr-un fiier sunt 10000 de fie numerotate de la 1 la 10000. Care este
probabilitatea ca numrul primei fie extrase s conin cifra 5?
Rezolvare. A: numrul fiei extrase conine cifra 5. Se calculeaz P( A ) , A :
numrul fiei extrase nu conine cifra 5.
Un numr este caracterizat prin patru poziii pe care sunt aezate cele
4 cifre care l caracterizeaz. Deci mulimea cazurilor posibile este

47
{0,1,.., 9} ... {0,1,...,9} . Cum | 1 2 | =| 1 || 2 | numrul de cazuri posibile
de 4 ori
este de 104. Mulimea cazurilor favorabile este un produs cartezian asemntor, din
fiecare factor lipsind 5. Deci numrul cazurilor favorabile este 94. astfel
94
P( A ) = 4 i P( A) = 1 P( A ) .
10
3) Din 100 de mere 10 sunt stricate. Care este probabilitatea ca, scond la
ntmplare 5 mere, s fie printre ele i stricate.
C5
Rezolvare. A: sunt extrase i mere stricate. Calculm P( A ) = 590 . Din
C100
mulimea de n elemente se pot extrage k n Cnk moduri.
4) Din mulimea numerelor de 7 cifre diferite ce se pot forma cu cifrele 1,
2, 3, 4, 5, 6, 7, se ia la ntmplare un numr. Care este probabilitatea ca numrul
ales s conin pe 1 i 2 ca cifre consecutive n ordine cresctoare?

Rezolvare.
6 5!
P( A) =
1 2 7!
1 2 n elemente se pot aeza pe n
1 2 poziii n n! moduri.
1 2
1 2
1 2

5) Se arunc 6 zaruri. Care este probabilitatea obinerii tuturor numerelor de la


1 la 6? (A) Dar probabilitatea s apar cel puin o dat faa 5? (B)
6!
Rezolvare. P( A) = 6 cazuri favorabile (cu permutri), cazuri posibile
6
6
5 56
{1,..., 6} ... {1,...,6} . P(B) = 1 P(B ) = 1 , P(B ) = 6 .
6 ori
6 6
6) 3 trgtori trag cte un foc asupra unei inte. Primul nimerete inta cu
3 4 5
probabilitatea , al doilea cu , iar al treilea cu . Care este probabilitatea ca
4 5 6
inta s fie atins?
Rezolvare. Se consider evenimentele: A1: primul trgtor nimerete inta; A2:
al doilea trgtor nimerete inta; A3: al treilea trgtor atinge inta; A:inta este
atins.
A = A1 A2 A3 P( A) = P( A1 A2 A3) = P( A1 A2 ) + P( A3) P(( A1 A2 )

48
A3) = P( A1) + P( A2 ) P( A1 A2 ) + P( A3) P(( A1 A3) ( A2 A3)) = P( A1) +
P( A2 ) + P( A3) P( A1 A3) P( A1 A3) P( A2 A3) + P( A1 A2 A3) .
A1 , A2 , A3 evenimente independente dou cte dou P( A) = P( A1) + P( A2 ) +
P( A3) P( A1)P( A2 ) P( A1)P( A3) P( A2 )P( A3) + P( A1)P( A2 )P( A3) . Din enun
3 4 5 119
rezult P( A1) = , P( A2 ) = , P( A3 ) = P( A) = .
4 5 6 120
7) Se arunc de 3 ori o pereche de zaruri. Care este probabilitatea s obinem
un total de 6 puncte la prima aruncare, 8 puncte la a doua aruncare i 8 puncte la a
treia aruncare?
5
Rezolvare. A : la prima aruncare rezult 6 puncte P( A) = ; B: la a doua
36
5
aruncare rezult 8 puncte P(B) = ; C: la a treia aruncare rezult 8 puncte
36
5
P(C ) = . 6 puncte se obin din: (1, 5) (de 2 ori); (2, 4) (de 2 ori); (3, 3) (o dat).
36
8 puncte se obin din: (2, 6) (de 2 ori); (4, 4) (de 2 ori); (5, 3) (o dat). D: la cele 3
evenimente
aruncri se obin punctele din enun. P( D) = P ( A B C ) =
independente
3
5
P( A)P(B)P(C ) = .
36
8) Urna U1 conine 3 bile albe i 4 negre, U2: 4 albe, 5 negre, U3: 5 albe, 6
negre. Din fiecare urn se extrage cte o bil. a) Care este probabilitatea ca bilele
extrase s fie de aceeai culoare? b) Care este probabilitatea ca o bil s fie alb i
dou s fie negre?
3
Rezolvare. Se iau evenimentele: A1: bila extras din U1 este alb, P( A1) = ;
7
4
A2: bila extras din U2 este alb, P( A2 ) = ; A3 : bila extras din U3 este alb,
9
5
P( A3) = . a) A: bilele au aceeai culoare A = ( A1 A2 A3 ) ( A1 A2 A3 ) ,
11
P( A) = P( A1 A2 A3 ) + P( A1 A2 A3 ) , deoarece A1 A2 A3 i A1 A2 A3
sunt evenimente incompatibile deoarece, de pild, A1 A1 = . A1, A2, A3
independente dou cte dou i A1, A2, A3 independente dou cte dou P(A) =
3 3 5 3 3 5 20
P(A1)P(A2)P(A3) + P( A1)P( A2 )P( A3) = + 1 1 1 = .
7 9 11 7 9 11 77
b) B: 1 bil alb i 2 negre B = ( A1 A2 A3 ) ( A1 A2 A3 ) ( A1 A2 A3 ) ,
P(B) = P( A1 A2 A3) + P( A1 A2 A3) + P( A1 A2 A3) , deoarece cei trei
termeni (din paranteze) ai reuniunii sunt disjunci doi cte doi; evenimentele

49
factori ai interseciilor, sunt independente dou cte dou; astfel
P(B) = P( A1)P( A2 )P( A3) + P( A1)P( A2 )P( A3) + P( A1)P( A2 )P( A3) .
Exerciiu! Alt rezolvare mai rapid folosind schema binomial generalizat
care urmeaz.

Scheme de probabilitate
1. Schema binomial generalizat (Poisson). Dac A1, A2 , ... , An sunt
evenimente independente, atunci probabilitatea s se realizeze k din cele n
evenimente (i s nu se realizeze n k ), este coeficientul lui x k din polinomul:
( p1x + q1)( p2 x + q2 ) ( pn x + qn ) ,
unde P(Ai) = pi i qi = 1 pi , i = 1, n .
Aplicaie. Se dau 3 urne: U1 cu 2 bile albe i 3 negre, U2 4 albe i 1 neagr,
U3 3 albe i 2 negre. Din fiecare urn se extrage cte o bil. Care este
probabilitatea ca 2 bile s fie albe i una neagr?
2 3
Rezolvare. A1: bila extras din U1 este alb P( A1) = = p1 , q1 = ; A2 : bila
5 5
4 1
extras din U2 este alb P( A2 ) = = p2 , q2 = ; A3 : bila extras din U3 este
5 5
3 2
alb P( A3 ) = = p3 , q3 = .
5 5
Din cele trei evenimente trebuie s aib loc exact dou coeficientul lui x2 din
2 3 4 1 3 2 2 4 2 2 1 3 3 4 3 58
x + x + x + care este + + = .
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 125
2. Schema binomial (Bernoulli)
Dac evenimentele independente A1 , A2 , ... , An au aceeai probabilitate p i q
= 1 p, atunci probabilitatea ca dintre ele s se realizete exact k este coeficientul
lui xk din polinomul
( px + q) n ,
adic Cnk p k q n k .
Aplicaie. Se arunc dou zaruri de zece ori. Care este probabilitatea s apar
de 4 ori suma 7?
Rezolvare. A1: la prima aruncare, suma este suma 7, A2 : la a doua aruncare suma
este 7, . . . , A10 : la a zecea aruncare suma este 7. Suma 7 este dat de: (1, 6) (2 ori);
6 1 1 5
(2, 5) (2 ori); (3, 4) (2 ori). Avem P( A1) = ... = P( A10 ) = = p= , q= .
36 6 6 6
Probabilitatea ca dintre cele 10 evenimente s aib loc exact 4 este coeficientul lui
10 4 6
1 5 4 1 5
x4 din x + , adic C10 .
6 6 6 6

50
3. Schema hipergeometric se d pe un exemplu.
Dintr-o urn, care conine a bile albe i b bile negre (a + b = N), se extrag n
bile (n N !), fr ntoarcerea bilei extrase. Fie numrul de bile albe dintre cele n
extrase ( n, a !),. Numrul de bile negre dintre cele n extrase n i n
b n b ( 0!).
Probabilitatea ca din n extrageri astfel efectuate s obinem bile albe este
C C n
Pn () = a nb .
CN
9) ntr-o urn sunt aezate bile numerotate de la 1 la 90. Se extrag 6 bile (fr
ntoarcere). Care este probabilitatea ca 3 (= !) dintre numerele extrase s se afle
printre:
5, 72, 27, 31, 16, 82 ? ( a = 6).
Rezolvare. N = 90; n = 6; a = 6 b = 84; = 3.
C 3C 6 3
Probabilitatea este: 6 684 .
C90
10) Pentru un examen oral sunt 20 de bilete: 10 de algebr, 5 de geometrie, 5
de aritmetic. O persoan trage 3 bilete fr a pune napoi biletul extras. S se
determine probabilitatea ca:
a) cele trei bilete s fie de algebr;
b) un singur bilet s fie de geometrie;
c) cel puin un bilet s fie de geometrie.
Rezolvare. a) a = 10 (bile albe = bilete algebr); N = 20; b = 10; n = 3 (se
trag 3 bilete); = 3 (3 bilete de algebr). Probabilitatea:
10 9 8
3 3 3 3 0
C10 C10 C10 C10 3! 2
= = = .
3
C20 3
C20 20 19 18 19
3!
15 14
C53C15
2 5 35
b) a = 5 (geometrie); N = 20; b = 15; n = 3; = 1 3 = 2 = .
C20 20 19 18 76
3!
c) Se adun cazurile cu 1 bilet, 2 bilete i 3 bilete. a = 5 (geometrie); N = 20;
5 42
C51C15
2
35 C53C15
2 15 1
b = 15; n = 4, = 1 = ;=2 = 2 = .=3
3
C20 76 3
C20 20 19 18 38
543
1
C53C15
0
3! 1
= = .
3
C20 20 19 18 114
3!

51
35 1 1 105 + 6 + 2 113
Probabilitatea cerut este + + = = .
76 38 114 228 228
11) Dou persoane joac un joc. Partida este ctigat de cel care obine primul
al treilea punct. Dac scorul este de 2 1 n favoarea unuia dintre juctori, care este
probabilitatea ca el s ctige jocul? Se admite c juctorii sunt de fore egale,
adic orice punct pus n joc este adjudecat de unul din cei doi juctori cu
1
probabilitatea .
2
Not. Aceasta este una dintre cele trei probleme pe care cavalerul de Mer i le-
a adus spre rezolvare lui Pascal. Rspunsurile lui Pascal la aceste probleme
constituie nceputul calculului probabilitilor. Problema enunat este cea de a
doua dintre cele trei problema mpririi mizei: Dac, din motive obiective, jocul
se ntrerupe cnd scorul este 2 1, cum trebuie mprit miza? Pascal arat c
trebuie dat fiecrui juctor o parte proporional cu posibilitile lui de a ctiga
partida, adic, miza se mparte n 4 i juctorul cu 2 jocuri ctigate ia 3 pri iar
cellalt una.
Rezolvare. X Y 2 1. Pentru ca Y s ctige partida, mai sunt necesare
dou jocuri. Ce se poate ntmpla n urmtoarele 2 jocuri: ctig X i tot X, ctig
X i Y; ctig Y i X; ctig Y i tot Y. Primele 3 cazuri sunt favorabile lui X, doar
3 1
al patrulea favorabil lui Y; probabilitile de ctig: , respectiv, .
4 4
Variabile aleatoare discrete
12) Probabilitatea extragerii unei bile albe dintr-o urn este p. Din aceast urn
se fac dou extrageri punndu-se bila napoi dup prima extragere. Se consider
variabilele aleatoare X1 i X2 reprezentnd numrul de bile albe care iese la prima,
respectiv, a doua extragere. S se scrie distribuia sumei celor dou variabile
aleatoare.
0 1 0 1
Rezolvare. X1 : ; X 2 : , q = 1 p.
q p q p
0 + 0 0 + 1 1 + 0 1 + 1
X1 + X 2 : 2 , X1, X2 independente, pe prima linie se
q qp pq p2
nsumeaz valorile luate de X1 i X2 n toate modurile posibile; pe a doua linie se
trece probabilitatea evenimentului de deasupra; suma tuturor probabilitilor este
0 1 2
ntotdeauna egal cu 1. X1 + X 2 : 2 2
.
q 2 pq p
13) Pentru X1, X2 de la 12), s se scrie distribuia produsului X1 X2 .
0 0 0 1 1 0 1 1 0 1
Rezolvare. X 1 X 2 : 2 2 X1 X 2 : 2 2
.
q qp pq p q + 2 pq p
14) X este variabila aleatoare reprezentnd numrul de puncte ieite la
aruncarea unui zar. MX =?

52
1 2 3 4 5 6 1 1 1 1 1
Rezolvare. X : 1 1 1 1 1 1 , MX = 1 + 2 + 3 + 4 + 5 +
6 6 6 6 6
6 6 6 6 6 6
1 1 1 67 7 7
6 = (1 + ... + 6) = = , MX = .
6 6 6 2 2 2
15) Se arunc 4 zaruri. S se calculeze valoarea medie a numrului de puncte
obinute.
Rezolvare. Fie X1 , X2 , X3 , X4 variabile aleatoare ce desemneaz numrul de
puncte la fiecare zar. Distribuia fiecreia dintre aceste variabile aleatoare este cea
de la 14). Fie X variabila aleatoare sum a acestora, X = X1 + X 2 + X3 + X4
7
MX = MX 1 + MX 2 + MX 3 + MX 4 = 4 = 14 .
2
16) S se calculeze valoarea medie a produsului numrului de puncte ce apar
la aruncarea a dou zaruri.
Rezolvare. Fie X i Y variabilele aleatoare ce desemneaz numrul de puncte ce
apar la cele dou aruncri. Trebuie calculat media pentru
Z = XY.
49
X i Y fiind independente, rezult MZ = (MX )(MY ) = .
4
1 0 1 1 1
17) Se dau variabilele aleatoare X : i Y : . Se cere
0,3 0,3 0,4 0,5 0,5
tabloul de distribuie pentru X n i Y n.
(1) n 0n 1n 1 0 n
n n
Rezolvare. n par. X n : ; Xn : , Y : (1) 1 ;
0,7 0,3 0,5 0,5
0,3 0,3 0,4
1 1 0 1 1 1
Y n : . n impar. X n : ; Y n : .
1 0,3 0,3 0,4 0,5 0,5
1 2 3 4
18) Distribuia variabilei aleatoare X este X : 7 p 1 1 . Calculai P(X 3).
p
4 3 6
Rezolvare. Pentru a fi distribuia variabilei aleatoare X, trebuie ca
7 1 1 11 1 2 1 2 3 4
p + p + + = 1 p = p = X : 2 14 1 1 . P( X 3) =
4 3 6 4 2 11
11 44 3 6
2 14 1 24 + 42 + 44 110
P( X = 1) + P( X = 2) + P( X = 3) = + + = , P( X 3) = .
11 44 3 132 132
19) S se scrie tabloul de distribuie al sumei variabilelor aleatoare
1 2 3 4 5 6 1 2 3 4 5 6
independente: X : 1 1 1 1 1 1 i Y : 1 1 1 1 1 1 .

6 6 6 6 6 6 6 6 6 6 6 6

53
1 + 1 1+ 2 1+ 3 1+ 4 1+ 5 1+ 6 2 +1 2 + 2 2 + 3 2 + 4
Rezolvare. X + Y : 1 1 1 1 1 1 1 1 1 1

36 36 36 36 36 36 36 36 36 36
2 + 5 2 + 6 3 +1 3 + 2 3 + 3 3 + 4 3 + 5 3 + 6 4 +1 4 + 2 4 + 3 4 + 4 4 + 5 4 + 6
1 1 1 1 1 1 1 1 1 1 1 1 1 1
36 36 36 36 36 36 36 36 36 36 36 36 36 36
5 +1 5 + 2 5 + 3 5 + 4 5 + 5 5 + 6 6 + 1 6 + 2 6 + 3 6 + 4 6 + 5 6 + 6
1 1 1 1 1 1 1 1 1 1 1 1 ,

36 36 36 36 36 36 36 36 36 36 36 36
2 3 4 5 6 7 8 9 10 11 12
X +Y : 1 1 1 1 5 1 5 1 1 1 1 .

3618 12 9 36 6 36 9 12 18 36
Exerciiu. Dac variabilele aleatoare X i Y de la 17) sunt independente, s se
calculeze suma lor.
20) Ce distribuie are suma variabilelor aleatoare independente:
1 0 1 1 0 1 2
X : 2 5 1 , Y : 2 8 1 1 ? Dar produsul lor?
p p q q
3 3 5 6 30
5 1
Rezolvare. p2 + p + = 1 3 p2 + 5 p 2 = 0 ,
3 3
12
5 25 + 24 5 7 = 2 >/ 0 ! 1 0 1
p1,2 = = = 6 X : 1 5 1 ,
6 6 2 1 1
= p= 9 9 3
6 3 3
8 1 1 8 4 4 16 + 20
q2 + q + + = 1 q 2 + q = 0 5q 2 + 8q 4 = 0 q1,2 =
5 6 30 5 5 5
46 2 >/ 0 1 0 1 2 1 1 1 + 0 1 + 1 1 + 2
= 2 2 Y : 4 16 1 1 X + Y : 1 4 1 16 1 1 1 1
5 q=
5 5 25 25 6 30 9 25 9 25 9 6 9 30
0 + (1) 0 + 0 0 + 1 0 + 2 1 + (1) 1 + 0 1 + 1 1 + 2
5 4 5 16 5 1 5 1 1 4 1 16 1 1 1 1 ,

9 25 9 25 9 6 9 30 3 25 3 25 3 6 3 30
2 1 0 1 2 3
X + Y : 4 16 20 1 16 4 1 5 16 1 1 1 ,
+ + + + + +
225 225 225 54 46 75 270 54 75 54 18 90
2 1 0 1 2 3
X + Y : 4 4 577 418 2 1 ,

225 25 1350 1350 27 90
(1) (1) (1) 0 (1) 1 (1) 2 0 (1) 0 0 0 1 0 2 1 (1) 1 0
XY : 1 4 1 16 1 4 1 4 5 4 5 16 5 1 5 1 1 4 1 16

9 25 9 25 9 6 9 30 9 25 9 25 9 6 9 30 3 25 3 25

54
1 1 1 1 1 0 1 2 2
1 1 1 1 XY : 4 1 16 4 16 5 1 16 1 4 1 1
+ + + + + + +
3 6 3 30 225 18 225 45 45 154 54 75 54 75 270 90
1 0 1 2 2
XY : 17 1134 97 1 1 .

450 1350 1350 270 90
21) S se calculeze dispersia numrului total de puncte care apar la aruncarea a
6 zaruri.
1 2 3 4 5 6
Rezolvare. X1, X 2 , X 3, X 4 , X 5, X 6 : 1 1 1 1 1 1 . X1 , ... , X6 independente

6 6 6 6 6 6
dou cte dou D( X 1 + X 2 + X 3 + X 4 + X 5 + X 6 ) = DX1 + DX 2 + DX 3 + DX 4 +
2 2 2
7 7 1 7 1 7 1
DX 5 + DX 6 ; MX i = , i = 1,6 , DX i = 1 + 2 + 3 +
2 2 6 2 6 2 6
2 2 2
7 1 7 1 7 1 25 1 9 1 1 1 25 + 9 + 1
4 + 5 + 6 = 2+ 2+ 2 =
2 6 2 6 2 6 4 6 4 6 4 6 12
35 35
= DX = 6 = 70 ( X = X1 + ... + X 6 ) .
12 12
1 2 3 4
22) Se consider variabila aleatoare X : 1 1 1 1 . S se afle i astfel

2 4 6 12
nct MY = 0 i DY = 1, unde Y = X + .
Rezolvare. MY = M (X + ) = M (X ) + = MX + (proprietatea mediei)
1 1 1 1 1 1 1 1 3 1 11 11
MX = 1 + 2 + 3 + 4 = + + + = + = MY = + =
2 4 6 12 2 2 2 3 2 3 6 6
11
0 = . DY = D(X + ) = D(X ) = 2 DX (proprietile dispersiei),
6
2 2 2 2
11 1 11 1 11 1 11 1 25 1 1 1
DX = 1 + 2 + 3 + 1 = + +
6 2 6 4 6 6 6 12 36 2 36 4
49 1 169 1 150 + 3 + 98 + 169 420 35 35 35 2
+ = = = , DX = DY = =1
36 6 36 12 432 432 36 36 36
35 6 11 6 11 11
2 = = = = , = .
36 35 6 35 35 35
23) Se dau variabilele aleatoare independente:
a 1 2 a +1 1 2
X :1 i Y : 1 2 .
p q q p
3 3 3
4
S se afle a dac D( X Y ) = .
9

55
1
+ p + q =1 2 1 a 1 2
Rezolvare. 3 p + q = 3 p = q = , X :1 1 1 ;
1 2 3
+ q + p = 1 p q = 0 3 3 3
3 3
a + 1 1 2 1
Y : 1 1 1 . X i Y independente D( X Y ) = DX + DY . MX = (a + 1 + 2)
3
3 3 3
1 a
2 2 2
1 1 a a
= (a + 3) ; MY = (a + 4) , DX = a 1 + 1 1 + 2 1 =
3 3 3 3 3 3

1 4a2 4a a2 a2 2a 1 2 2 2 1
+ 1 + + 1 + = a 2a + 2 = (a2 3a + 3), DY =
3 9 3 9 9 3 33 9 3

a 4 2 2
2 2 2
a 4 a 4
a + 1 + 1 + 2 = (a a + 1)
3 3 3 3 3 3 9

4 4
DX + DY = (a 2 2a + 2) = a2 2a + 1 = 0 a = 1.
9 9

2. Variabile aleatoare i vectori aleatori


Probleme rezolvate
1. Calculai media i dispersia variabilei aleatoare X cu urmtoarlee densiti
de repartiie:
1
a) f ( x) = b a , x (a, b) (repartiia uniform n (a, b));
0, x (a, b)
ex , x 0
b) f ( x) = (repartiia exponenial);
0, x < 0
x
c) f ( x) = e (repartiia Laplace);
2
1 x

d) f ( x) = () x e , x > 0 (repartiia );
0, x0
x2

e) f ( x) = xe 2 , x > 0 (repartiia Rayleigh).
0, x0

def + b b
x 1 x2 b2 a 2 a + b
Rezolvare. a) MX = xf ( x)dx = dx = = = ;
ba ba 2 2(b a) 2
a a

56
2
a +b
def + b x b
1 2 a +b
2
2
DX = (x MX )2 f ( x)dx =
ba
dx = x (a + b) x + dx =
a
ba a 2
b b 2
1 x3 x2 a + b b (b a)
2
( a + b) + xa = .
ba 3 2 2 12
a a
def + + + ' +
x e x +
b) MX = xf (x)dx = xe dx = x dx = xe x + e
x
dx =
0
0 0 0
+ def + + 2 + 2
e x 1 1 x 1
(x MX ) f ( x) dx = x e dx = x
2
= ; DX =

0 0 0
2 + + +
e x x
dx = x 1 e x + 2 x 1 e xdx = 1 + 2 x 1 e dx =
2
0 0 0
+ + +
1 2 1 2 1 2 2 e x 1 2 2 1
x e xdx + e
x
dx = 2 2 + = + = .

2 2
2
2
2
0 0 0
def + +
x
c) MX = xf ( x)dx = 2 xe dx = 0 (integrantul fiind funcie impar);

def + +

x integrantul
+ 2 x
+
ex
(x MX ) f (x)dx = x e
2 2
DX = dx = 2 x e dx = x
2 dx
2 functiepara 2

0 0

+ + +
+ e x +
2 x
+ 2 xe x dx = 2 x dx = 2 xe x 2 x
= x e
0
0 0

0
+
e dx =
0
+
2 e x 2
= .
2
0
def + +
1 x
d) MX = xf (x)dx = () xx e dx . Schimbare de variabil: x = t ;

( >0 )
1
difereniind dx = dt dx = dt ; capetele de integrare: x = 0 t = 0; x +

+ +
t t 1 1 t
t + . Astfel MX =
() e


dt =
() t e dt . Reamintim
0 0

57
+
x 1 t
integrala lui Euler , pentru x > 0, ( x) = t e dt . Astfel observm c
0
+
t 1 ()
t e dt = ( + 1) i astfel rezult c MX =
()
( + 1) =
()
=
0
def + + 2
1 x

2
(( x + 1) = x( x) !). DX = ( x MX ) f ( x)dx = x x e dx =

() 0
+ 1 + 2 2 +
+1 x 2 x 1 x
() x e dx
() x e dx +
() x e dx . n cele trei
0 0 0
integrale se face aceeai schimbare de variabil: x = t ( > 0) , care, difereniat,
1
d dx = dt ; capetele de integrare devin: x = 0 t = 0; x + t + ( >

+ +1 +
t 1 t 2 1 t t 1
0!). Se obine n felul acesta: DX =
()

e

dt
() e

dt
0 0
2 2 + 1 + +
t 1 1 1 2 2
+ et dt = 2 t +1et dt 2 t
t e dt +
() 0 () 0
() 0 2()
+
1 t 1 ( + 1)() 22() + 2()
t e dt =
2
[( + 2) 2( + 1) + ()] =
0 2() 2()
2 + 2 2 + 2
= = 2.
2
+
def + + x2 + x2 x2 + x2
2 2
e) MX = xf (x)dx = x e dx = x e dx = xe
2 2 + e 2 dx
0 0 0
0

+ x2 x2 def
t 2 2
2 ; x = t dx = 2 dt . DX =
= 2 e dt = 2 = e = xe
2 2 2
0

2
x
+ + 2 2 + 2
x
(x MX ) f (x)dx = x 2 xe 2 dx = x 2 e 2 dx =
2

0 0
+
x
2
2 2 + + x2 + x2
x
x e
+ 2 x 2 e dx = 2 + 2 xe dx 2 2 e dx
2 2 2 2
2
0 0 0
0

58
+
x2

= + 2 e 2 2 =2 .
2 2 2
0
2. Timpul de ateptare la o staie service este o variabil aleatoare X distribuit
t0 3
exponenial cu media t0 . Calculai: a) P X t 0 ; b) P( X 2t 0 ) .
2 2
Rezolvare. Conform cu 1 b), variabila aleatoare X are densitatea de repartiie
ex , x 0 1 1
de forma f ( x) = , i MX = . Cum MX = t0 = i astfel X are
0, x < 0 t0

1 x
t0
densitatea de repartiie f ( x) = t e , x 0 . Pentru variabila aleatoare X cu
0
0, x<0

b
densitatea de repartiie f avem formula: P(a X b) = f ( x)dx .
a
3
t
3 3 1 2 0

t0 > 0! 2 t0 t
2 0
x t0 1 3
t 3 1 1 e

t0
a) P 0 X t0 = f ( x)dx = e dx = =e 2 e 2 =
2 2 t0 t0 1
t0 t0
2 2 t0 t0
2
+
1
+ + x
t0
e 1 1 1 e 1
; b) P = (X 2t0 ) = f ( x)dx = e
t0
dx = = e 2 = .
e e t t0 1 e2
2t0 0 2t0
t0 2t0

a+b ba
3. Fie X o variabil aleatoare distribuit normal, X ~ N , , a < b.
2 4
S se calculeze P(a < X < b).
Rezolvare. Pentru variabila aleatoare Y distribuit normal cu N (m, ) ,
bm a m
P(a < Y < b) = , unde este funcia de repartiie pentru v.a.

x t2
1
distribuit normal standard N(0, 1), adic ( x) = e
2
2 dt . n acest caz

a+b a+b
b a
P(a < X < b) = 2 2 = (2) (2) = 2(2) 1 , deoarece
ba ba
4 4

59
(x) = 1 (x).
4. Fie X o v.a. distribuit Cauchy C1,0 . S se arate c v.a. Y = arctgX este

distribuit uniform n , .
2 2
Rezolvare. O variabil aleatoare este distribuit Cauchy C, dac are
1
densitatea de repartiie , deci X are densitatea de repartiie
( x ) 2 + 2
1 1
f ( x) = . Trebuie s demonstrm c variabila aleatoare Y are densitatea de
x2 + 1
1
, y 2 , 2 1 , y ,

repartiie fY ( y) = 2 2 = 2 2 . Dac avem v.a.

0, y ,
0, y , 2 2
2 2
Z = (X1 ,..., Xn), (X1 , ... , Xn) vector aleator cu densitatea de repartiie f, atunci v.a.
Z are funcia de repartiie FZ ( z) = f ( x1, , xn )dx dxn , unde Dz = {(x1,,
Dz
n
xn) R : (x1,, xn) z}. Pentru a obine densitatea de repartiie a lui Z, se
deriveaz funcia sa de repartiie, adic fZ ( z) = FZ' ( z) . Pentru aceast problem, Y
are funcia de repartiie FY ( y) = f (x)dx , unde Dy = {x R : arctg x y}. Pentru
Dy
un y din R trebuie s rezolvm inecuaia arctg x y. Pentru aceasta inem cont de

faptul c arctg : R , , deci dac y , Dy = , dac y , ,
2 2 2 2 2
aplicnd inecuaiei noastre funcia tg (care este cresctoare, deci pstreaz sensul

inegalitii), obinem x tg y, adic Dy = ( , tg y) n acest caz. Dac y ,
2

, y
2

rezult Dy = R. Avem deci D y = (, tgy), y , i astfel
2 2
R,
y
2

60

f ( x)dx, y
2
tg
y
FY ( y) = f ( x)dx, y , . Prima dintre integrale, fiind luat pe mulimea
2 2

f ( x)dx, y
2
R
vid, este 0. A treia, fiind integral pe R a unei densiti de repartiie, este 1.
Integrala din mijloc nu o calculm, deoarece ne trebuie doar derivata ei. Pn aici

0, y
2
tgy

am obinut FY ( y) = f ( x)dx, y , . Avem de calculat fY ( y) = FY' ( y) .
2 2

1, y
2
Pentru derivarea integralei se folosete formula general de derivare a integralei cu
( y) ( y) f
d
parametru f ( x, y)dx = ( x, y)dx + ' ( y) f (( y), y) ' ( y) f (( y), y) . n
dy ( y) ( y) y

d
tg y
f ( x)dx = (tgy)' f (tgy) =
1 1 1 1
acest caz, = , y , , deci
dy cos y 1 + tg y
2 2
2 2


0, y 2 , 2
fY ( y ) = , q.e.d.
, y ,
1
2 2
5. Un vector aleator bidimensional (X, Y) are densitatea de repartiie
1
1 2 ( x2 + 2 xy + 5 y2 )
f ( x, y) = e . Determinai densitatea marginal f1, MX, DX, DY, co-

eficientul de corelaie r(X, Y) i densitatea condiionat f ( y | x) .
Rezolvare. Densitatea marginal f1 (care este densitate de repartiie a v.a. X ) se
def + + 1
1 ( x2 + 2 xy + 5 y 2 )
calculeaz cu formula f1( x) = f ( x,y)dy =
e2 dy . Se strnge n
- -
2 x
ptrate dup y la exponentul lui e. 5 y 2 + 2 xy + x 2 = 5 y 2 + xy + x 2 = 5 y +
5 5
2 2 2
x2 x 2x 1 5 x 2 x2
5 + x 2 = 5 y + + ( x2 + 2xy + 5 y 2 ) = y + ,
25 5 5 2 2 5 5

61
2
5 x
2 x2 + y +
1 5 2 5 5 x
deci f1( x) = e e


dy . Se face schimbarea de variabil y+

2 5
2
= v dy = dv, capetele de integrare rmn aceleai. Deci f1( x) =
5
2 x2 + 2 x2 2 x2
1 2 v2 1 2 2

e 5
5 e dv == e

5
5
=
5
e 5 . Pentru v.a. distribuit N(m, )

( x m)2
1
22
5
densitatea de probabilitate are forma e , deci X ~ N 0, . Astfel
2 2

5
MX = 0 i DX = . O alt modalitate de a calcula aici media i dispersia lui X este
4
+
folosind densitatea de repartiie f1 deja obinut a lui X. Anume: MX = xf1(x)dx =
-
+ 2 x2 +
2
( x MX )
2
xe 5 dx = 0 , integrantul fiind funcie impar. DX = f1( x)dx =
5 -
-
+
+ 2x2 + 2 x2 2 x2 + 2x2
2 2 5 5 1 5 5 1 5

5 -
x2e 5 dx =
5 4
x e dx = 2 2 xe

+
2 2 -
e 5 dx
-

+
1 5 5 u2 5 5
=
2 2 2 e du =
4
= . n calcul s-a integrat prin pri i apoi s-a
4
-
2
fcut schimbarea de variabil x = u . O a treia modalitate de a calcula MX i DX
5
este accea care evit calculul lui f1 (respectivul calcul incluznd practic i obinerea
lui f1). MX = xf ( x, y)dxdy i se calculeaz integrala dubl integrnd mai nti fie
R2
dup x, fie dup y, dup cum este mai avantajos calculul n funcie de expresia lui f.
La fel DX = ( x MX ) 2 f ( x, y)dxdy . A patra i a cincea cale, care rspund, de
R2
fapt, tuturor cerinelor problemei i care pot fi folosite doar n cazul unui vector
aleator normal distribuit, sunt acelea care folosesc expresia general a densitii de
repartiie a unui vector aleator de acest tip. Este vorba de dou formule:
xm
1
1
2
[x m1 y m2 ]K 1 1
f ( x, y) = e y m2 , unde m1 = MX, m2 = MY,
2 det K

62
DX cov( X , Y )
K = matricea de covariant a vectorului aleator (X, Y), i
cov( X , Y ) DY
2 r12
cum DX = 12 , DY = 22 , iar cov( X , Y ) = r1 2 , K = 1 2
i cea de a doua
r12 2
( x m )2 2

1
1 2r ( x m1)( y m2 ) + ( y m2 )
1 2
2(1 r ) 1 2
1 2 2
2
formul, f ( x, y) = e . Folosind
21 2 1 r 2
1 1
prima formul, constatm faptul c K 1 = , i trebuie inversat matricea K 1 .
1 5
5 1
1 1 1 0 1 1
[ K 1 I ] =
1 1 1 0
~
1 1 1 0
~ 1 1 ~ 4 4 =
1 1
1 5 0 1 0 4 1 1 0 1 4 4 0 1
4 4
5 1
4 4 DX cov( X , Y ) 5 1
[I K ] . K = = , DX = , DY = , din forma
1 1 cov( X , Y ) DY 4 4

4 4
matricial a lui f rezult imediat MX = MY = 0. Cnd se folosete a doua formul
r
pentru f se identific: 21 2 1 r 2 = 1 , (1 r 2 )12 = 1 , = 1,
12 (1 r 2 )
1
22 (1 r 2 ) =
. Se rezolv sistemul n 1 , 2 i r. Din prima relaie, prin ridicarea
5
1 1
la ptrat, 12 22 (1 r 2 ) = i cum, din ultima relaie, 22 (1 r 2 ) = , rezult
4 5
5 4
12 = . Astfel, din a doua ecuaie avem 1 r 2 = , care, introdus n ultima, d
4 5
1 5 1
22 = . Avem deja 1 = , 2 = , care, folosite n relaia a treia, dau
4 2 2
r 1
= 1 , adic r = . Pentru calculul coeficientului de corelaie,
5 1 4 5

2 2 5
cov( X , Y )
formula de definiie este r ( X , Y ) = , unde cov(X, Y) = M[XY]
(DX )(DY )
(MX)(MY). M [ XY ] = 2 xyf (x, y)dxdy i se poate urma calculul integralei duble.
R
Deasemenea cov(X, Y) (covariana v.a. X i Y) se poate lua din matricea de
covarian K, din poziia (1, 2) sau, simetric, (2, 1). r = r(X, Y) se poate obine i
direct din matricea de covarian pentru vectorul aleator normal distribuit, cov(X,
63
def
f ( x, y)
Y) = r12 sau, din formula a doua, aa cum s-a vzut mai sus. f ( y | x) = ,
f1( x)
valabil pentru acele valori ale lui x pentru care f1( x) 0 . Astfel
1
1 ( x2 + 2 xy + 5 y2 ) 1 x2
e 2 + 2 xy + 5 y 2
2 2 5
f ( y | x) = = e , aceasta fiind densitatea de
2 x2 5
2
5
e
5
repartiie a variabilei aleatoare {Y X = x} .
6. Vectorul aleator (X, Y) are densitatea de repartiie
4 x2 y
f ( x, y) = 5 ( x + 3 y)e , pentru x > 0, y > 0, S se determine densitile
0, n rest.
marginale, mediile i dispersiile lui X i Y, media produsului XY, coeficientul de
corelaie r(X, Y) i densitile condiionate f ( y | x) i f ( x | y) .
+ +
4 x2y 4 x
Rezolvare. Pentru x > 0, f1( x) = f ( x, y)dy =
5 ( x + 3 y)e dy =
5
xe
0
+ + 2 y + +
12 4 e 12 x e 2 y
e
2 y
dy + e x ye 2 y dy = e x y dy = 4x e x 1 +
5 5 2
+
5
e 2 5 2
0 0 0 0
2 y + + +
12 x e 6 2x 6 e 2 y 2x + 3 x
e y + e x e 2 y dy = e x + e x = e . Pentru x 0,
5 2 5 0
5 5 2 5
0 0
1 x
f 1 (x) = 0, deci f1( x) = 5 (2 x + 3)e , x > 0 .
0, x0
+ +
4 x2 y
Pentru y > 0, avem f2 ( y) = f ( x, y)dx =
5 ( x + 3 y) e dx =
0
+ +
4 2 y + x 4 4 12 y 2 y +
e xe dx + e 2 y 3 y e xdx = e 2 y x(e x )' dx + e e x =
5 0
5 5 5 0
0 0
+
4 2 y + 4 12 y 2 y 4 2 y x + 12 y 2 y
e xe x + e 2 y e x dx + e = e e + e =
5 0 5 0
5 5 0 5
+ +
1 1 2y 1
2 y
(3 y + 1)e , deci f 2 ( y) = 5 (3 y + 1) e , y > 0 . MX = xf1( x)dx = x (2x +
5 0, y0 5
0
+
1 + 2 1 + 1
x
3)e dx = (2 x + 3x)(e x )' dx = (2x2 + 3x)(e x ) + (4 x + 3)e x dx =
5 0 5 0 5 0

64
+ +
1 x 1 x + 1 x 3 4 x + 7
5 0
(4 x + 3)(e )' dx = ( 4 x + 3)(e ) + 4 e dx = + e = .
5 0 5 0
5 5 0 5
y
D

0 x
Fig. 8
+
1 + 1 + e 2 y
dy =
Deasemenea, MY = yf 2 ( y ) dy = y (1 + 3 y )e dy = (3 y + y )
2 y 2


5 0 5 0 2

1 + 1 + 1 + e 2 y 1
dy = (6y +1)e2y
+
2
(3 y + y)e 2 y
+
2 y
(6 y + 1)e dy = (6 y + 1)
5 2 0 10 0 10 0 2 10 0

+
3 + 2 y 1 6 e 2 y 1 3 4
+
5 0 e dy = +
5 5 2
= + = . Pentru calculul mediei se putea folosi i
5 5 5
0
+ + 2
1 7 x
formula MX = xf (x, y)dxdy . DX = (x MX ) f1(x)dx = 2
x (2x + 3)e dx ,
2 -
5 0 5
R
+
41
( y MY )
2
se aplic de trei ori integrarea prin pri, se obine DX = . DY =
25 -
+ 2
4 4 2 y
f2 ( y)dy = y 5 (1 + 3 y)e dy . Se aplic de trei ori integrarea prin pri,
5
0
11 4
DY = . M [ XY ] = xyf ( x, y)dxdy = xy( x + 3 y)e x 3 y dxdy =
25 2
5D
R
+ +
4 12 4 12 2 x 3 y
x2 ye x 3 ydxdy + xy2e x 3 y dxdy = I1 + I2, I1 = x e dx ye dy
5 5 5 5 0 0
D D
+ + + y + +
x e 3 y 2 x + 1
= x (e
2
)' dx y dy = x e + 2 xexdx e3y + e3ydy
3 0 3 3
0 0 0 0 0
+ + +
1 e 3 y + 1 2 + 2
x
= 2 x(e )' dx = 2 xe x + e x dx = e x = . I 2 =
3 3 0 9 9 0 9
0 0 0

65
+ + + + +
2
3 y +
x 2 3 y x e dy = xe x + x
xe dx y e dy = x(e )' dx y
3 0 e dx


0 0 0 0 0
1 + +
+ 1 + 2 e 3 y +
y e
2 3 y
+ 2 ye dy = e
3 y x
y dy = 2 ye 3 y +
3 0 3 0 3 3 9 0
0 0
+ +
2 3 y 2 e 3 y 2 4 2 12 2 8 + 8 16
9 0
e dy = = . M [ XY ] = + = = . r( X , Y ) =
9 3 27 5 9 5 27 5 9 45
0
172
cov( X , Y ) 172 86 7
= 225 = = . cov( X , Y ) = M [ XY ] (MX )(MY ) =
(DX )(DY ) 7 4 45 2 7 315

5 5
16 7 4 80 252 172 172 f ( x, y)
= = = . f ( x | y) = cu y a.. f2(y) 0.
45 5 5 45 5 45 5 225 f 2 ( y)
4 x2y
5 ( x + 3 y)e x + 3y x
, x>0 e , x>0
Pentru y > 0, f ( x | y) = 4 2y , f ( y | x) = 1 + 3y ,
5 (1 + 3 y)e 0, x0
0, x0
f ( x, y)
nu exist f ( x | y) pentru y 0. f ( y | y) = cu x a.. f1(x) 0. Pentru x > 0,
f1( y)
4 x2y
5 ( x + 3 y)e x + 3 y 2 y
, y>0
f ( y | x) = 1 x , f ( y | x) = 4 2 x + 3 e , y > 0 , nu exist
5 (2 x + 3)e 0, y0
0, y0
f ( y | x) pentru x 0.
7. Un vector aleator (X, Y) are o densitate de repartiie de forma
c1 x 2 + y 2 , ( x, y) D
f ( x, y) =
, D : x2 + y2 < 1.
0, ( x, y) D
S se determine: a) constanta c a.. f s fie densitate de repartiie; b) P((X, Y)
D1), D1 : x2 + y2 < R2 cu 0 < R < 1.
Rezolvare. a) f este densitate de repartiie pentru un vector aleator bidimen-
sional f ( x, y)dxdy = 1 c 1 x 2 + y 2 dxdy = 1 . 1 x 2 + y 2 dxdy =
2 D
D

R
1 2
2
dxdy x + y dxdy = rrdrdt = r dr dt = 1 = . n calculul
2 2 2

D D G 0 0 3 3

66
x = r cos t
celei de a doua integrale se face schimbarea de variabile , (r, t) (0, 1)
y = r sin t
D( x, y) cos t r sin t
(0, 2) = G, = = r , x 2 + y 2 = r . Astfel c = 1 , deci
D(r, t ) sin t r cos t 3
3
x 2 + y 2 , ( x, y) D .
i f ( x, y) = 1
3
c=
0, ( x, y) D
3 2
b) P(( X , Y ) D1) = f ( x, y)dxdy (i cum D1 D) =

2
1 x + y dxdy
D1 D

1
+ +
3 3 3 3 3

= dxdy x2 + y 2 dxdy = R2 rrdrdt = 3R2 r dr dt . Pen-
2

D1 D1 G1 0 0
tru calculul celei de a doua integrale se face schimbarea de variabile dat de
x = r cos t D ( x, y )
, (r, t) (0, R) (0, 2) = G1, = r . Astfel P((X, Y) D1) =
y = r sin t D(r , t )
3R2 2R3.
8. Vectorul aleator (X, Y) are densitatea de repartiie
e y , dac 0 < x < y
f ( x, y) = .
0, n rest
S se determine densitile marginale, densitatea v.a. Y condiionat de X i
probabilitatea ca (X, Y) s aparin ptratului = [0,1] [0,1] .
Rezolvare. Densitatea de repartiie a v.a. X, adic densitatea marginal f1,
def + 0, x 0, +
+ +
f1( x) = f ( x, y)dy = y e y dy = e y = e x , deci
e dy , x > 0.
x
x
x
y
D

0 x
Fig. 9
0, x 0
f1( x) = x . Densitatea marginal f2 , care este densitatea de repartiie a
e , x > 0

67
def + 0, y0 y
y
v.a. Y se calculeaz cu formula f 2 ( y) = f ( x, y)dx = y . e y dx =
e dx, y > 0 0
0
e y
y def
y 0, y 0 f ( x, y)
dx = ye , deci f 2 ( y ) = y
ye , y > 0
. f ( y | x) =
f1( x)
definit acolo unde
0
numitorul este diferit de zero. Deci nu exist f ( y | x) pentru x 0 i rmne doar
e y e x y , y > x

pentru x > 0, f ( y | x) = e x , y > x , f ( y | x) = . Pentru calculul
0, y x 0, y x
probabilitii introducem
y
D1 = D . P(( X , Y ) ) = f ( x, y)dxdy = e dxdy .
D1
y =1
1 ~y
D1 ~y =x

0 1 x
Fig. 10
Calculul integralei se face considerndu-l pe D1 mulime standard prin raport la Oy,
de pild, adic D1 = {(x, y) R2 : x y 1, x [0, 1]}, deci P(( X , Y ) ) =
1 1 1 1
1 1 1 1 1 1 2
= e dydx = e dx = e x dx = e x = 1 = 1 .
y y
e 0 e e e e
0 0
x
x 0

9. Fie X, Y dou v.a. independente urmnd fiecare o repartiie N(0, 1). S se


determine raza R a unui cerc D centrat n origine, a.. P((X, Y) D) = 0,95.
x2
1
Rezolvare. X N (0, 1) X are densitatea de repartiie f1( x) = e 2
2
(repartiie normal standard). Y N (0, 1) Y are densitatea de repartiie f 2 ( y) =
y2
1
e 2 . X, Y independente vectorul aleator (X, Y) are densitata de repartiie
2
x2 + y 2 x2 + y2
1 1
2
f (x, y) = f1(x) f2(y) = e 2 P(( X , Y ) D) = f (x, y)dxdy = e 2 dxdy .
2
D D

68
x = r cos t
Se face schimbarea de variabile n coordoante polare , (r, t) (0, R)
y = r sin t
R
x2 + y 2 r2 R r 2 2 r2

(0, 2) = G, deci e 2 dxdy = e 2 rdrdt = re
2 dr dt = e 2 2 =
D G 0 0
0
2 2
R2 R R

21 e 2
, 0,95 = P (( X , Y ) D ) = 1 e 2 e 2 = 0,05 , se logaritmea-


R2

z e 2 = 20, R 2 = 2 ln 20 , R = 2 ln 20 2,45 .
10. O v.a. X urmeaz distribuia normal N (0, ). S se determine densitatea
1
de repartiie a v.a. Y = .
X
Rezolvare. Se calculeaz funcia de repartiie a v.a. Y i aceasta se deriveaz.
1
, , y<0
def y
1
FY ( y) = f ( x)dx , unde D y = x R : y = (,0), y = 0 , deci
x
Dy 1
(,0) , y , y > 0

1
y


f (x)dx, y<0

0

FY ( y) = f ( x)dx, y = 0 . Nu facem calculul acestor integrale pentru c

0 1
y
f ( x)dx + f ( x)dx, y > 0
0

1 1
2 f y , y < 0
' y 1
ne trebuie derivatele lor. Astfel fY ( y) = FY ( y) = ,
1 f 1 , y > 0 y2
y 2 y


1 x2

1 1
22 y 2 e 2 . Cum lim fY ( y) exist
2
e , y 0 X ~ N (0, ) f ( x) =
2 2 y 0

i este finit, i atribuim funciei fY valoarea acestei limite, neutiliznd vreo scriere

69
1

1 22 y 2
special, fY ( y) = e .
y 2 2
11. Vectorul aleator (X, Y) urmeaz distribuiea normal bidimensional cu
1 2
1 1,28[( x 2) 1, 2 ( x 2)( y +3) +( y +3) 2 ]
densitatea de repartiie f ( x, y ) = e . S se determine
1,6
coeficientul de corelaie r = r(X, Y).
def def
cov( X , Y )
Rezolvare. r ( X , Y ) = . cov( X , Y ) = M [ XY ] (MX )(MY ) . n cazul
(DX )(DY )
repartiiei normale acest calcul este evitat cu ajutorul formei specifice a densitii
1
de repartiie. O prim rezolvare. Dac folosim expresia f ( x, y) =
212 1 r 2
( y m )2 2

1
1 2r ( y m1)( y m2 ) + ( y m2 )
2(1 r 2 ) 12
1 2 2
2
e , facem identificri corespunztoare cu f
1 ( x 2)2 1,2 ( y 3)2
( x 2)( y + 3) +
1 2 0,64 0,64 0,64
(x, y) = e , deci (1 r 2 )12 = 0,64 ;
1,6
2r 1,2
= ; (1 r 2 ) 22 = 0,64 ; 21 2 1 r 2 = 1.6 . Din ultima relaie
2
(1 r )12 0,64

12 22 (1 r2) = 0,64, mprind aceasta la prima relaie, rezult 22 = 1 i la a treia,


r 0,6
rezult 12 = 1 , deci 1 r2 = 0,64. nlocuind n a doua relaie avem = ,
0,64 0,64
r = 0,6 . O alt modalitate de calcul. Folosim
1 x m1
[ x m1 y m2 ]K 1
1 2 y m2
expresia f ( x, y) = e . n cazul nostru,
2 det K
1 0,6
0,6 1 0

K 1 = 0,64 0,64 = 1 1 0,6 . 1
0,6 1 0,64 0,6 1 0,6 ~
1 0 1
0,64 0,64
1 0,6 1 0,6
1 0,6 1 0 1 0,6 1 0 1 0
0,64 0,64 , K = 0,64 0,64 0,64
~ 0,6 1 ~
0 ,6 1 0,6 1
0 0,64 0,6 1 0 1 0,64 0,64 0 1
0,64 0,64 0,64 0,64
1 0,6 12 r12
= = 2
, astfel 12 = 22 = 1 i r12 = 0, deci r = 0,6.
0,6 1 r12 2
12. Dou variabile aleatore independente X i Y urmeaz fiecare o distribuie

70
N(0, ). Calculai probabilitile evenimentelor: Y < X ; Y < X; Y < X .
1
Rezolvare. P( Y < X ) = P(Z < 0) , Z = Y X, X ~ N (0, ) f1( x) =
2
x2 y2

2 2 1 2
e , Y ~ N (0, ) f2 ( y) = e 2 ; X, Y independente (X, Y) are
2
x2 + y 2
1
densitatea de repartiie f (x, y) = f1(x) f2(y) = . P(Z < 0) = FZ (0) = e 22
2
2
y, y > 0
f ( x, y)dxdy , D0 = {( x, y) : y x 0} . y =
y, y 0
.y<0yx0
D0
x + y 0. y 0 y x 0.
0
y =
x
y-

D0
0 x

x+
y
=
0
Fig. 11
x2 + y 2 r2 + r2

1 2 1 2 1 22 dr
P( Y < X ) =
22 e 2 dxdy =
22 e 2 rdrdt =
22
re
D0 G 0
+
2 r2
4
1 2 22 1
dt + dt = e + = . S-a fcut schimbarea de variabile n
0 7 22 4 4 4
4 0

x = r cos t 7
coordonate polare , (r, t) (0, + ) 0, ,2 = G .
y = r sin t 4 4
D( x, y)
= r , x2 + y2 = r2. P(Y < X) = P(Z < 0) , Z = Y X. P(Z < 0) = FZ (0) =
D(r, t )

71
x2 + y 2
1
f ( x, y)dxdy , cu D0 = {(x, y) R : y < x}. P(Y < X ) =
2
e 22 dxdy =
D0 22 D0

r2 + r2 2
4 1
1 22 rdrdt 1 2

22 e =
22
re 2 dr dt + dt = . P(Y < X ) = P(Z < 0) ,
2
G 0 0 5
4
y

D0
0
x

Fig. 12
cu Z X . P(Z < 0) = FZ (0) = f ( x, y)dxdy , D0 = {( x, y) R 2 : y < x } . |x| =
D0
x2 + y 2 r2
x, x < 0 1 2 1
22 rdrdt

x, x 0
. P(Y < X ) =
22
e 2 dxdy =
22
e =
D0 D0

0
x

Fig. 13

72
+
r2 2
1 2
4 3
2
e 2 rdr dt + dt = .
2 0 4
0 3
4
13. Un vector aleator tridimensional are densitatea normal
1
3 [ 2 x 2 + 4 y 2 2 y ( z + 5) + ( z + 5) 2 ]
f ( x, y , z ) = 3
e 8 .
16 2
Calculai mediile, matricea de covarian, dispersiile.
Rezolvare. Vectorul aleator (X, Y, Z) are densitatea normal f ( x, y, z) =
x m1
1
[ x m1 y m2 z m3 ]K 1 y m2
2
1 z m3
32
e . Astfel, MX = m1 = 0, MY = m2 = 0,
(2) det K
1 1
2 0 0 2 0 0 1 0 0
1 1
MZ = m3 = 5. K 1 = 0 1 . Se inverseaz. [K 1 I ] = 0 1 0 1 0
4 4
1 1 1 1 0 0 1
0 0
4 4 4 4

1 0 0 2 0 0 1 0 0 2 0 0 2 0 0
1 4 4 4 4
0 1 4 0 11 0 ~ 0 1 0 0 3 3 = [I K ] . K = 0 3 3 . Cum
3 0 1 0 0 1 4 16 4 16
0 0 16 4

0
3 3
0
3 3

DX cov( X , Y ) cov( X , Z )
4 16
K = cov( X , Y ) DY cov(Y , Z ) , rezult DX = 2, DY = , DZ = .
3 3
cov( X , Z ) cov(Y , Z ) DZ
14. Fie X, Y dou v.a. independente, urmnd fiecare o repartiie exponenial
de parametru . Calculai P(X < a < X + Y) unde a R , a > 0.
ex , x 0
Rezolvare. X are densitatea de repartiie f1( x) = , Y are densitatea
0, x < 0
ey , y 0
de repartiie f2 ( y) = , X, Y independente (X, Y) are densitatea de
0, y < 0
2e(x + y), x > 0, y > 0
repartiie f ( x, y) = f1( x) f2 ( x) = , P( X < a < X + Y ) = f ( x,
0, n rest D
y)dxdy , unde D = {(x, y) R2 : x < a < x + y}. D1 fiind D intersectat cu primul

73
+ a
( x + y) u u
e e e du dv
2 2 2
cadran, P( X < a < X + Y ) = dxdy = | 1 | dudv =
D1 G a 0
+
e u
= a2 = ae a . Pentru calcul s-a fcut schimbarea de variabile

0
x + y = u D( x, y) 1 1
, (u, v) (a, + ) (0, a) = G, = = =1.
x=v D(u, v) D(u, v) 1 1
d ( x, y) 1 0
y

(0, a ) . D1

0
(a, 0)
. x

Fig. 14
15. n ipotezele problemei precedente, s se arate c Z = X + Y este o variabil
2 zez , z > 0
aleatoare cu densitatea Erlang de ordinul 2, fZ ( z) = .
0, z0
Rezolvare. f Z ( z) = FZ' ( z) . FZ ( z) = f ( x, y)dxdy , unde Dz = {(x, y) R2 : x
Dz

+ y z}. Punnd, pentru z > 0, Dz' intersecia primului cadran cu Dz ,


FZ ( z) = 2 e( x + y)dxdy . Se consider Dz' mulime standard prin raport la Oy,
Dz'

adic Dz' = {(x, y) R2 : 0 y z x, x [0, z]}, deci avem FZ ( z) = 2


z z x zx
z x z z
x y 2 x e x ( z x)
e e dydx = e dx = e (1 e
)dx = (e x
0 0 0 0 0 0

ez )dx . Nu se calculeaz ultima integral, ci se deriveaz direct folosind formula

74
y

x+
Dz

y=
0

z
x
Fig. 15
de derivare a integralei cu parametru (care se poate folosi n anumite condiii ale
capetelor de integrare (funcii) i ale funciei integrant):
( y) ( y) f
d
dy (y)
f ( x, y)dx = ( x, y)dx + ' ( y) f (( y), y) ' ( y) f (( y), y) .
( y) x

z z
x z
Astfel fZ ( z) = FZ' ( z) = (e e )dx + z' (e z e z ) = 2 ez dx = 2z ez
z
0 0
. Pentru z 0, intersecia lui Dz cu primul cadran este , deci FZ(z) = 0 i fZ(z) = 0.
2 zez , z > 0
Avem fZ ( z) = .
0, z0
16. Variabilele aleatoare X i Y sunt independente i urmeaz fiecare o
repartiie normal standard.
a) Calculai covariana variabilelor aleatoare X Y i X + Y.
b) Precizai dac ele sunt dependente sau independente.
c) Scriei densitatea de repartiie a vectorului aleator (U, V), unde U = X Y
i V = X + V.
Rezolvare. a) Covariana este biliniar i simteric. cov(X Y, X + Y) = cov(X,
X) cov(Y, X) + cov(X, Y) cov(Y, Y) = = DX DY = 1 1 = 0. b) Aceste dou
variabile aleatoare sunt independente fiind normale i necorelate. c) Se rezolv prin
U X
dou metode. Prima metod folosind formula : dac = A , atunci
V Y
1 1 x U 1 1 X 1 1 1 1 1 0
f U ( x, y) = A . = , A = 1 1 , [A I] =
det A
V y V 1 1 Y 1 1 0 1

1 1 1 1
1 1 1 1 1 1 0 1 0
0

~ 1 1 ~ 2 2 1 1 2
= [I A ] . A = 2 , A1 x =
1 1 y
0 2 1 0 1 2 2 0 1 1 1
1

2 2 2 2
1 1 1 1 1 1 1 1 1 1 1
2 x + 2 y 2 x + 2 y , fU ( x, y) = f x + y, x + y =
V 1 1 2 2 2 2 2 2
det
1 1

75
1 1 1 1 1
2 2
x + y + x + y 1 1
2 2 2 2 2 1 8 ( x2 + 2 xy + y 2 + x2 2 xy + y 2 ) 1 4 ( x2 + y 2 )
e e = = e . A doua
4 4
metod folosete relaia dintre matricile de covarian ale celor doi vectori aleatori
U X 1
legai prin relaia = A : K U = AK X At . X , Y ~ N (0,1) f X ( x) =
V Y 2
V Y
2 2
x y
1
e 2 , fY ( y ) = e 2 i, X, Y fiind independente, vectorul aleator (X, Y) are
2
x2 + y 2
1 1 0
densitatea de repartiie f ( x, y) = f X ( x) fY ( y) = e 2 . Deci K X = .
2 Y 0 1

1
1 1 1 1 2 0 0
Astfel K U = AK X A = AA = t

t
= . K U = 2 f U (x,
1

1 1 1 1 0 2 1
V

Y

V
0 2 V
1 x2 y 2
[x y]K 1
1 x +
2 2 2
1 21 y
y) = e = e .
2 det K 4
17. Aceeai problem pentru U = X Y, V = X + 2Y.
Rezolvare. a) cov(U ,V ) = cov(X Y , X + 2Y ) = cov( X , X ) + 2 cov( X , Y )
cov(Y , X ) 2 cov(Y , Y ) = DX cov( X , Y ) 2DY = 1 2 = 1 , cov(X, Y) = 1.
b) Variabilele aleatoare U i V sunt dependente, fiind corelate.
1 0 1 1
c) cov(X, Y) = 0, fiind independente, deci K X = . A = , deci
0 1 1 2
Y
1 x
[x y]K 1
1 1 1 1 2
t 1 1 2 y .
K U = AK X A = I2 = i fU (x, y) = e
V Y 1 2 1 2 1 5 V 2 det K

1 1 5 1
2 1 1 0 1 0 1 0
[K I ] = 2 2 9 9 = [I K 1] , f ( x, y) = 1
~ ~
9 1 0 1 1 2 U
1 5 0 1 0 1 V 2 9
2 2 9 9

5 1
1 x

2
[x y] 9 9
1 2 y 1 5 2 2

9 9
1 9 2 x xy + y
e = e .
6
18. Fie vectorul aleator (X, Y) cu densitatea de repartiie f ( x, y) =

76
4
( x + 3 y)e x 2 y , x > 0, y > 0 considerat n problema 6. Se cere:
5
0, n rest
a) P ( X < 1 | Y = 1);
b) proiecia ortogonal Y0 a lui Y pe X ;
c) o costant a astfel nct Y aX i X s fie necorolate;
d) ecuaia dreptei de regresie a lui Y n raport cu X ;
e) cea mai bun estimare liniar neomogen Y a lui Y cu ajutorul lui X;
f) cea mai bun estimare n medie ptratic a lui Y n funcie de X.
Rezolvare. a) Variabila aleatoare pentru care trebuie calculat probabilitatea
este Z = {X Y = 1} i are densitatea de repartiie f (x1) . Densitatea condiionat
f ( x y) a fost calculat la ex. 6 i nu exist pentru y 0 i pentru y > 0 are
x + 3y x
e , x>0
expresia f ( x y) = 1 + 3 y , i astfel densitatea de repartiie a lui Z este
0, x0
1 1
1 x 1
f (x 1) = 4 (x + 3)e , x > 0 . Deci P( X < 1Y = 1) = P(Z < 1) = f (x 1)dx = (x + 3)e xdx
0, x0 4
0
1 1
1 1 1 1 3 1 1 1 3 1
= ( x + 3)(e x )' dx = ( x + 3)(e x ) + e x dx = + e x = +
40 4 0 40 4 e 4 0 4 e
1 1 5
1 = 1 .
4 e 4e
M [ XY ] 5
b) Y0 rezult la nlturarea corelaiei Y0 = X . M[XY] = (calculat
M[X ] 2 4
la ex. 6). cov(X, Y) = M [ XY ] (MX )(MY ) n care se ia Y = X obinndu-se DX =
2
41 7 18 M [ XY ] 25
M[X2] (MX)2 M[X2] = DX + (MX)2 = + = . = , i astfel
25 5 5 M [ X 2 ] 72
25
Y0 = X.
72
cov( X , Y ) 13
c) cov(Y aX, X) = 0 cov(Y, X) = acov(X, X) a = = . Am
DX 164
13
folosit cov(X, Y) = M[XY] (MX)(MY) = .
100
cov( X , Y )
d) Ecuaia dreptei de reagresie este y MY = ( x MX ) , adic
DX
4 13 7
y = x .
5 164 5

77
e) Cea mai bun estimare liniar neomogen Y a lui Y n raport cu X este cu
4 13 7
(X, Y ) aparinnd dreptei de regresie, adic Y = + X .
5 164 5
not +
f) Estimarea neliniar ( X ) = M [Y X ] . ( x ) = M [Y X = x ] = yf ( y x)dy =

+
4 2 y 6x + 4
2x + 3 y ( x + 3 y )e dy =
2x + 1
. Nu exist f ( y x ) pentru x 0 i pentru x > 0,
0

x + 3 y 2 y
f ( y x) = 4 2 x + 3 e , y > 0 , y > 0 a fost calculat la ex. 6. Am gsit
0, y0
6X + 4
( X ) = .
2X + 1
19. Fie (X, Y) vector aleator cu densitatea de repartiie normal
1
1 2 ( x2 2 xy + 2 y2 )
f ( x, y) = e . Se cer: a) matricea de covarian; b) coeficientul de
2
corelaie; c) proiecia ortogonal a lui Y pe X; d) ecuaia dreptei de regresie a lui Y
n raport cu X; e) cea mai bun estimare liniar Y ; f) cea mai bun estimare
neliniar; g) P(Y < 1 X = 1) .
1 x
[x y ]K 1
Rezolvare. a) f ( x, y ) =
1
e
2 y deci K1 = 1 1 .

2 det K 1 2
1 1 1 0 1 1 1 0 1 0 2 2 2 1
[K 1 I ] = ~ ~ = [I K ] . K = .
1 2 0 1 0 1 1 1 0 1 1 1 1 1
cov( X , Y ) 1 1
b) r ( X , Y ) = = = .
(DX )(DY ) 2 1 2
M [ XY ]
c) Y0 = X . cov(X, Y) = M[XY] (MX)(MY) M[XY] = cov(X, Y)
M[X 2]
(MX)(MY) = 1. Lund n relaia de mai sus Y = X, avem DX = M[X2] (MX)2
1
M[X2] = DX = 2. Deci Y0 = X .
2
cov( X , Y ) 1
d) Ecuaia dreptei de regresie: y MY = ( x MX ) , deci y = x .
DX 2
X
e) Cea mai bun estimare liniar este (conform cu d) Y = .
2
f) Se folosete observaia 2 de la estimri neomogene. Aici Y este ultima
component a unui vector aleator normal distribuit. Deci cea mai bun estimare
neliniar a sa coincide cu cea mai bun estimare liniar neomogen, adic cea de la e).

78
+ + 1 x2 + y x
1 ( x2 2 xy + 2 y2 ) 1 4 2 1
g) f1( x) = f ( x, y)dy =
2
e 2 dy =
2
e
e dy =
2


x2 + 2
x
u 1
e 4
e du = 2
e 4 . n calcul s-a efectuat strngerea n ptrate: 2 y 2 2 xy +

2 2
x x2 x x2 x
x 2 = 2 y 2 + x 2 = 2 y + ; schimbare de variabil y = u
2 4 2 2 2
1
1 2 ( x2 2xy + 2 y2 )
f ( x, y) 2 e
dy = du ; capetele de integrare rmn aceleai. f ( y x) = =
f1(x) x2
1 4
e
2
2
x
y
1 2

x2 2 1 2
y2 xy +
1 4 1
= e = e 2 , deci variabila aleatoare {Y X = x} ~
1
2
2
x 1 1 1
N , i astfel Z = {Y X = 1} ~ N , . P(Y < 1 X = 1) = P(Z < 1) =
2 2 2 2

1 1
2 = 1 .
1 2

2
20. Relum vectorul aleator (X, Y) de la ex. 8 cu densitatea de repartiie
e y , pentru 0 < x < y
f ( x, y) = . Se cer: a) cea mai bun estimare liniar Y a lui Y
0, n rest
n funcie de X; b) cea mai bun estimare neliniar.
cov( X , Y )
Rezolvare. a) Y = MY + ( X MX ) . La ex. 8 au fost calculate
DX
e x , x > 0 ye y , y > 0
densitile marginale f1( x) = , f 2 ( y) = . Cu ajutorul lor
0, x 0 0, y 0
+ + + +
x 2 y
calculm: MX = xf1( x)dx = xe dx = 1 ; MY = yf 2 ( y)dy =

y e dy = 2 . cov(X,
0 0

Y) = M[XY] (MX)(MY) = 3 1 2 = 1. M [ XY ] = 2 xyf ( x, y)dxdy =


R

79
+
y +
y y 1 3 y
xye dxdy = ye xdxdy = 2 y e dy = 3. Pentru calculul considerat D =
D 0 0 0
+ +
2 x
(x MX ) f1(x)dx = (x 1) e
2
{(x, y) R2: 0 < x < y, y (0, +)}. DX = dx = 1.
0 0
y
D

0
x
Fig. 16

1
Astfel Y = 2 + ( X 1) , Y = X + 1 .
1
+
y
ye
x
b) ( X ) = M [Y X ] . ( X ) = M [Y X = x] = e dy = x + 1 . La ex. 8 a fost
x

e x y , y > x
calculat f ( y x ) = (x > 0). (X) = X + 1 este cea mai bun estimare
0, yx
neliniar.
21. Fie X = ( X1 , X2 , X3) un vector aleator urmnd o repartiie normal
standard tridimensional. S se arate c vectorul aleator Y = (Y1, Y2 , Y3 ) cu
X X2 X + X 2 2X 3 X + X2 + X3
componentele Y1 = 1 , Y2 = 1 , Y3 = 1 urmeaz
2 6 3
acelai tip de repartiie ca X.
1 1
2 2 0

1 1 2
Rezolvare. Y = AX, A = . Din enun rezult K X = I 3 . Din
6 6 3
1 1 1

3 3 3
teorie avem KY = AK X At , deci KY = AAt = I 3 (matricea A fiind ortogonal).
Astfel cerina problemei este mplinit.

80
3. Probleme propuse
A) Spaii de probabilitate
Fie (E, A , P) un spaiu de probabiliate A, B A dou evenimente. Artai
c:
1. P(A B) = P(A) + P(B) P(A B).
2. P(A B) P(A) P(A B).
3. P(( A B ) (B A )) = P( A) + P(B) 2P( A B).
4. P ( A B ) ( A B ) = P ( A) P ( B ) .
5. dac A B C, atunci P(C) P(A) + P(B) 1.
Indicaie. Folosii rezultatul problemei 1.

B) Evenimente independente i probabiliti condiionate


6. Orice eveniment A este inddependent de E.
1
7. Presupunem A B, P( A) = P(B) . Calculai P( A B) i P(B A) . n ce caz
3
1
A i B sunt codependente? Rspuns. , 1, atunci cnd P(B) = 1.
3
8. Fie A i B dou evenimente independente. Artai c A i B sunt
independente. Indicaie. P( A B) = 1 P( A B) .
9. Dac P(C) > 0, P(A C) > 0, atunci P( A B C ) = P( A C )P(B A C ) .
P( A B C ) = P( A C ) + P(B C ) + P(B C ) P( A B C ) .
10. O urn conine 6 bile albe i 4 bile negre. Se extrage cte o bil pn la
apariia primei bile negre. Care este probabilitatea s se ajung la o a patra
extragere dac extragerile se fac: a) cu nlocuire; b) fr nlocuire?
27 1
Rspuns. a) ; b) .
125 6
11. ntr-o familie exist doi copii. Presupunnd c naterea unui biat sau a
unei fete sunt evenimente independente i echiprobabilie, determinai probabilitatea
ca ambii copii s fie biei, tiind c cel puin unul este biat.
Indicaie. Notai A = {primul copil este biat}; B = {al doilea copil este biat}.
1
Rspuns. .
3
12. Un aparat const, din 2 uniti care n intervalul T se defecteaz n mod
independent cu probabilitatea 0,1, respectiv 0,2. tiind c a a avut loc o defeciune
a aparatului, calculai probabilitatea s se fi defectat numai prima unitate, precum i
probabilitatea s se fi defectat amndou.
2 1
Rspuns. P( A \ B) = ; P( A B A B) = .
7 14

81
13. Dac P(B A) = P(B A ) , atunci evenimentele A i B sunt independente.
14. Se fac 3 extrageri dintr-o urn coninnd a bile albe i b bile negre. Care
este probabilitatea ca cel puin una s fie alb, dac extragerile se fac: a) fr
nlocuire; b) cu nlocuire?
3
b(b 1)(b 2) b
Rspuns. a) 1 ; b) 1 .
(a + b)(a + b 1)(a + b 2) a+b
15. O urn conine n bile numerotate de la 1 la n. Se fac m extrageri cu
punerea la loc a bilei extrase. Care este probabilitatea evenimentelor: Ak = {toate
numerele extrase sunt k}; Bk = {cel mai mare numr extras este k}.
m
k k m (k 1) m
Rspuns. P( Ak ) = ; Bk = Ak \ Ak1; Ak1 Ak; P(Bk ) = .
n nm
16. Populaia Nicosiei este 75% greac i 25% turc. 20% dintre grecii i 10%
dintre turci vorbesc engleza. a) Care este probabilitatea de a ntlni o persoan
vorbind engleza? b) Un strin ntlnete un locuitor al Nicosiei vorbind engleza;
care este probabilitatea s fie grec?
Rspuns. a) 0,175 (formula probabilitii totale). b) 0,857 (formula lui Bayes).
17. Pentru detectarea unei boli cu rspndire de 1 : 2000, se folosete un test
care d diagnosticul corect n 95% din cazuri. a) Care este probabilitatea ca
rezultatul testului s fie pozitiv? b) Care este probabilitatea ca o persoan s fie
bolnav dac testul a fost pozitiv?
1009 19
Rspuns. a) ; b) .
20.000 2018
18. Urna U1 conine 5 bile negre i 6 bile albe; urna U2 conine 8 bile negre i
4 bile albe. Dou bile sunt extrase din U2 i introduse n U1 . Apoi, o bil este
extras din U1 . a) Care sunt probabilitile ca bilele extrase din U2 s fie: negre;
albe; de culori diferite? b) Care este probabilitate ca bila extras din U1 s fie alb?
c) Dac ea a fost alb, care este probabilitatea ca cel puin una din bilele extrase din
U2 s fi fost alb?
C2 C2 8 4 20 34
Rspuns. a) 82 ; 24 ; 2 ; b) ; c) .
C12 C12 C12 39 55
19. O urn conine 3 bile albe i 7 bile negre. Se extrag succesiv dou bile
(fr nlocuirea bilei extrase). S se calculeze: a) Probabilitatea ca ambele bile s
fie albe; b) Probabilitatea ca a doua bil s fie neagr; c) Probabilitatea ca prima
bil s fi fost alb, dac a doua a fost alb.
1 7
Rspuns. a) (formula probabilitii compuse); b) (formula
15 10
2
probabilitii totale); c) (formula lui Bayes).
9

82
C) Repartiii discrete i continue
20. O variabil aleatoare discret ia valorile ntregi cuprinse ntre 1 i N cu
n 1
P( X = n) = c . Care este valoarea lui c?
N
2
Rspuns. c = .
N 1
21. Se arunc un zar de 10 ori; fie X numrul de apariii ale lui 6. Calculai
P(X = 3); P(X = 0); P(X 1). Rspuns. (Reprezentare binomial cu m = 10,
7 10 10
1 3 5 5 5
p = ) C10 10 ; ; 1 .
6 6 6 6
22. O urn conine 7 bile albe, numeroatate de la 1 la 7, i 3 bile negre,
numerotate de la 8 la 10. Se extrag 5 bile: a) cu nlocuire; b) fr nlocuire. n
fiecare din cazurile a) i b) calculai P(X = n), dac X reprezint: I. Numrul de bile
albe obinut; II. Cel mai mare numr obinut; III. Numrul de extrageri necesare
pentru a obine a bil alb.
n 5 n
7 3
Rspuns. I. a) P( X = n) = C5n , n = 0,5 . (repartiie binomial); b)
10
10
C7nC35 n
P( X = n) = 5
, n = 2, 3, 4, 5 (repartiie hipergeometric). II. a) P( X n) =
C10
5
n n5 (n 1)5 n(n 1)(n 2)(n 3)(n 4)
; P( X = n) = . b) P( X n) = , n = 5,
10
10 5 10 9 8 7 6
n 1
3 7
6,..., 10. P(X = n) = P(X n) P(X n 1). III. a) P( X = n) = , n = 1,
10 10
7 3 7
2,..., 10 (Reprezentare geometric). b) P( X = 1) = ; P( X = 2) = ; P( X = 3)
10 10 9
3 2 7 3 2 1
= ; P( X = 4) = (Se aplic formula probabilitilor compuse); {X
10 9 8 10 9 8
= 4} este intersecia evenimentelor: A1 : prima bil este neagr, A2 : a doua bil este
neagr, A3 : a treia bil este neagr, A4 = a patra bil este alb, deci P(X = 4) =
P( A1)P( A2 A1)P( A3 A1 A2 )P( A4 A1 A2 A3) .
23. 5000 de persoane sunt asigurate contra unui accident cu frecvena de 0,1%
pe an. Evaluai probabilitatea producerii a cel mult dou accidente: a) folosind
repartiia binomial; b) folosind aproximarea Poisson a acesteia.
5000
999 9994999 9994999 5 25
Rspuns. a) + 5000 5000
+ C 2
5000 5000
; b) 1 + + e 5
1000 1000 1000 1! 2!
37
= 5.
2e

83
24. Se arunc un zar de trei ori. Fie X variabila aleatoare care ia valoarea 1
dac 6 apare cel puin o dat; valoarea 0 dac 6 nu apare n nici una din aruncri,
iar 5 apare cel puin odat i valoarea 1 n celelalte cazuri. Scriei matricea de
repartiie a lui X.
1 0 1
Rspuns. 91 61 8 .
216 216 27
25. Se fac 3 extragerii fr nlocuire dintr-o urn coninnd 4 bile albe i 6 bile
negre. Determinai repartiia i media variabilei aleatoare X reprezentnd numrul
de bile albe extrase.
0 1 2 3 6
Rspuns. X ~ 1 1 3 1 ; MX = .
5
6 2 10 30
a
x (1,1)
26. Se d funcia f ( x) = 1 x 2 , . a) S se determine constanta a
0, n rest

1
R a.. f s fie o densitate de repartiie. b) S se determine P X 0, .
2
1 1
Rspuns. a) ; b) .
6
27. Calculai P(X [ 1, 1]) dac X are densitatea de repartiie Cauchy
1 1
2 . Rspuns. 2 .
(1 + x )
28. Variabila aleatoare X urmeaz o repartiie exponenial cu parametrul .
1
Calculai P X < . Rspuns. 1 e1 0,632.

29. Fie X o variabil aleatoare cu densitatea de repartiie
2(1 x), x (0,1) 1
f ( x) = . Calculai MX, DX, P X ,1 .
0 , x (0,1) 2
1 1 1
Rspuns. ; ; .
3 18 4
30. Ci copii trebuie s aib o familie pentru ca probabilitatea de a avea cel
puin un biat i cel puin o fat s fie 0,95?
1
Indicaie. Considernd repartiia binomial cu parametrii m i p = , se pune
2
condiia 1 P(X = 0) P(X = m) 0,95. Rspuns. m 6.
31. Un echipament const din 1000 de elemente, fiecare defectndu-se ntr-o
perioad T cu probabilitatea p = 5 104. Notnd X = numrul de elemente defecte
n perioada T, calculai, cu ajutorul aproximrii Poisson a repartiiei binomiale:

84
a) P(X 1); b) P(X = 3); c) P(X 3).
1

Rspuns. a) 0,394; b) 0,013; c) 0,998 (Se ia e 0,606 ). 2

32. Fie X o variabil aleatoare cu funcia de repartiie F(x). Artai c



0, pentru x
2

P(arctgX < x) = F (tg( x)), pentru x , .
2 2
1
pentru x
2

Indicaie. Funcia arctg ia valori n , i este strict cresctoare pe R.
2 2
33. Artai c dac X este o variabil aleatoare Cauchy, atunci Y = arctgX este

repartizat uniform n , . Indicaie. Se arat c Y are funcia de repartiie
2 2

0, x
2
x + 2
G( x) = , x , .
2 2
1
x
2
34. Variabila aleatoare X are distribuia exponenial cu parametrul .
Determinai densitile variabilelor X 1 = X i X2 = X2.
x 2 x
Rspuns. f1 ( x) = 2xe , (x 0); f 2 ( x) = e , (x > 0).
2 x
35. Fie X o variabil aleatoare cu densitatea f. Artai c variabila aleatoare
0, x0
X 1 = X are desnistatea de repartiie f1( x) = .
f ( x) + f ( x), x 0
36. Determinai densitatea de repartiie a variabilei aleatoare X1 = X dac X
are: a) distribuia normal N(0, ); b) distribuia Cauchy.
x2
2
22 2
Rspuns. a) e (x > 0); b) (x > 0)..
2 (1 + x 2 )
37. Fie X o v.a. normal, X N(m, ). Calculai densitatea v.a. X1 = eX.
(ln x m)2
1
Rspuns. f1( x) = e 22
, (x > 0).
2 x
38. Fie X o variabil normal, X N(7, 2). Calculai probabilitile: a) P(X <
7); b) P(X < 8); c) P(5,25 < X < 9,13).

85
Rspuns. a) 0,5; b) 0,623; c) 0,3.
39. Dac X N (0, 1), determinai pragul a R pentru care P(X < a) = 0,9162.
Rspuns. 12,5.
3
40. Fie X N (m, ) o v.a. normal, pentru care P( X < 12) = ,
20
2
P( X < 16,2) = . Calculai m i . Rspuns. m 15,39; 3,26.
5
41. Fie X N (m, ). Calculai P(| X m | < ) ; P(| X m | < 3) .
Rspuns. 0,683; 0,954.
42. Fie X (m, ). Artai c, pentru a, b R (a 0), avem
X1 = aX + b ~ N (am + b, | a | ).
43. Fie X o variabil aleatoare absolut continu, a crei funcie de repartiie F
este strict cresctoare. Artai c v.a. X1 = F(X) este distribuit uniform n
intervalul (0, 1).
Indicaie. Din ipotez F este o bijecie ntre R i (0, 1). Avem {X1 < a} =
, pentru a 0 0, a 0
1
X < F (a), pentru a (0,1) , deci P( X1 < a) = a, a (0,1) .
E, pentru x 1 1, x 1

44. Fie X N (3, 12). Calculai P(X > 0,84). Rspuns. 0,62.
x2
c e 2 , pentru x (a, a)
45. Determinai constanta c a.. funcia f ( x) = ,
2
0, pentru x (a, a)

1
s fie o densitate de repartiie. Rspuns. c = .
2(a)
46. Fie X o variabil aleatoare cu densitatea de repartiie
2 2 x, pentru x (0,1) 1
f ( x) = . Calculai MX, DX, P(X ,1 ).
0, pentru x (0,1) 2
1 1 1
Rspuns. , , .
3 18 4

86
6. iruri de variabile aleatoare. Legea numerelor mari.
Teorema limit central
1. Introducere
Pentru ilustrarea utilitii legii numerelor mari s considerm exemplul
urmtor:
Fizica modern consider orice gaz format dintr-un numr foarte mare de
particule ntr-o micare constant i haotic. Nu se poate spune nimic despre viteza
i poziia fiecrei molecule la un moment dat, dar vom putea, date fiind anumite
condiii ale gazului la un moment dat, calcula fraciunea din totalul moleculelor
care se vor deplasa cu o anumit vitez sau poriunea din spaiu n care se afl o
anumit fraciune.
Acestea ar fi informaii utile, deoarece presiunea, temperatura, viscozitatea i
altele se obin ca rezultant a ansamblului.
Astfel presiunea unui gaz este egal cu aciunea de apsare a moleculelor
asupra unitii de arie n unitatea de timp.
n virtutea legii numerelor mari, presiunea va trebui s fie aproape constant.
Acest efect egalizator n fenomenele fizice este satisfcut cu exactitate.

2. Inegalitatea Cebev
Propoziia 1. Fie o variabil aleatoare pentru care exist M (| |) . Atunci
> 0,
M ()
P( ) .

M ( ) = x f ( x)dx = x f (x)dx + x f (x)dx x f (x)dx = P( > ) ,
R x x > x >

f densitatea de repartiie a lui .


Propoziia 2. Pentru variabila aleatoare care are o dispersie finit 2
2
P( M ) 2 (inegalitatea lui Cebev).

Exemple 1. O urn conine bile albe i bile negre n mod egal. Se extrag
succesiv 6 bile (punnd de fiecare dat bila extras n urn). Se noteaz cu 2 puncte
extragerea unei bile albe i cu 5 puncte extragerea unei bile negre. Se introduce
variabila aleatoare care are ca valori suma punctelor astfel obinute. Se cer:
a) Repartiia variabilei aleatoare , media i dispersia acesteia;
b) Folosind inegalitatea lui Cebev, s se calculeze probabilitatea ca abaterea
M s fie mai mare ca 5;
c) S se efectueze acelai calcul folosind repartiia lui .
1
Rezolvare. a) Probabilitatea de a extrage o bil alb sau neagr este p = . Fie
2

87
1
variabila aleatoare care d numrul de bile albe extrase. Avem P( = k ) = C6k ,
26
k = 0,6 (Bernoulli; probabilitatea ca dintre cele 6 evenimente s aib loc k).
30 27 24 21 18 15 12
Repartiia variabilei aleatoare : 1 6 15 20 15 6 1 , M = 1 30 +
6 6 26
2 2 26 26 26 26 26
6 15 20 15 6 1
6
27 + 6 24 + 6 21 + 6 18 + 6 15 + 6 12 =
2 2 2 2 2 2
30 + 162 + 360 + 420 + 270 + 90 + 12 1344 1
6
= 6 = 21 , D() = (30 21)2 6 + (27 21)2
2 2 2
6 15 20 15 6 1
6 + (24 21) 2 6 + (21 21)2 6 + (18 21)2 6 + (15 21)2 6 + (12 21)2 6 =
2 2 2 2 2 2
81 + 216 + 135 + 216 + 81 + 135 864 33 2 33 3
= = = =3 .
26
26 2 2 2
2
b) Folosim inegalitatea Cebev: P( M () ) 2 , pentru = 5, P(|

27
21 | 5) = 0,54 .
50
c) P({ 21 5}) = 1 P({ 21 < 5}) = 1 P({16 < < 26) = 1 [P( = 18) +
15 20 15 50 14 7
P( = 21) + P( = 24)] = 1 6 + 6 + 6 = 1 6 = 6 = 6 = 0,22.
2 2 2 2 2 2
Observm c n acest caz inegalitatea lui Cebev d o aproximare prea
grosolan pentru probabilitatea cerut.
2. Dac dintr-un lot de N piese se aleg n piese, s se arate, folosind inegalitatea
lui Cebev, c probabilitatea ca numrul de piese defecte din selecie s difere prin
n N n
mai puin de de 3 n este mai mare ca 0,99. Se tie c din cele N piese
10 N 1
10% sunt defecte.
Rezolvare. Notm d numrul de piese defecte din selecie.
N n 2
P d
n
3 n = 1 P d n > 3 n N n > 1 = 1 9n
10 N 1 10 N 1 2 100

N n 1 N 1 1
=1 = 0,99.
N 1 9n N n 100
n 9n N n
tim c M (d ) = , 2 = D(d ) = .
10 100 N 1

88
3. Legi ale numerelor mari
Teorema 1 (Cebev). Dac 1 , ... , n sunt variabile aleatoare independente
dou cte dou i cu dispersiile finite i mrginite D n = 2n C n N, atunci
pentru > 0 arbitrar fixat.
1 n 1
n
lim P k M k < = 1 .
n n k =1 n k =1

1 n 1 n 1 n C
Din ipotez D k = 2 D k i D k . Din inegalitatea
n k =1 n k =1 n k =1 n

1 n 1
n 1 n 1
n
Cebev rezult P k Mk < = 1 P k Mk 1
n k =1 n k =1 n k =1 n k =1

1 n
D k
n k =1 n n
1 C , P 1 1 M < 1 C lim lim P(...) = 1 .
2
n 2
n k =1 k
n k =1 k n2 n n

Teorema 2. Dac variabilele aleatoare 1 , ... , n , ... sunt independente
dou cte dou i cu dispersiile lor satisfac condiia
n
1
lim Dk = 0 ,
n n 2 k =1

atunci > 0
1 n 1
n
lim P k M k = 0 .
n n k =1 n k =1

Demonstraie asemntoare.
Teorema 3 (Markov). Dac dispersiile variabilelor aleatoare din irul 1 , ... ,
n , ... satisfac condiia
n
1 2
lim k = 0 ,
n n 2 k =1
atunci
1 n 1
n

lim P k M k = 0 .
n n k =1 n k =1

Caz particular. Dac M1 = . . . = Mn = . . . = m, atunci > 0
+ K + n
lim P 1 m < = 0.
n n
Acest caz particular al legii numerelor mari folosete ca justificare n luarea mediei

89
aritmetice a rezultatelor msurrilor.
Presupunnd c vrem s msurm o anumit mrime fizic a , repetm msurtoarea
de n ori n condiii identice i notm rezultatele obinute x1 , . . . , xn . Alegem atunci ca
valoare aproximativ a lui a.
x + K + xn
a 1 .
n
Definiie. Un ir de variabile aleatoare 1 , . . . , n , . . . converge n probabilitate la
v.a. cnd n dac > 0
lim P(|n | 0) = 0.
n
Teorema 4 (Bernoulli). Fie 1 , . . . , n , . . . v.a. independente peste acelai
spaiu de probabilitate a..
1 0
i , i N.
p 1 p
n acest caz, > 0
+ K + n
lim P 1 p > = 0.
n n
Pentru v.a. i avem Mi = p, Di = pq, q = 1 p. Variabilele aleatoare 1 , . . ,
n
n , . . . fiind independente dou cte dou, rezult c = k are o repartiie
k =1
1 1 1
Bi (n, p) i deci M = np, D = npq. Urmeaz c M = p, D = 2 npq =
n n n
1
D
pq 1 1 n
. Inegalitatea lui Cebev ne spune c P M > 2 sau,
n n n
innd seama de rezultatele obinute,
+ K + n pq
P 1 p > 2 ,
n n
De unde, trecnd la limit pentru n , obinem rezultatul dorit.

4. Funcia caracteristic. Teorema limit central


Introducerea noiunii de funcie caracteristic conduce la soluii pentru diverse
probleme din calculul probabilitilor ca, de exemplu, cele referitoare la nsumarea
variabilelor aleatoare independente.
Teoria pe care se bazeaz construcia funciei caracteristice este transformata
Fourier.
Definiie. Funcia caracteristic (n punctul t) a variabilei aleatoare este
media variabilei aleatoare t = eit, t R. Astfel M (t ) = M (eit ) = M (cos t +

90
i sin t) = M (cos t) + iM (sin t) , deci, prin definiie, (t ) = eitx f ( x)dx , unde f
R
este densitatea de repartiie a lui .
Integrala are sens deoarece eitx = 1 i f (x)dx = 1 i deci funcia
R
caracteristic poate fi definit pentru orice variabil aleatoare.
Proprieti ale funciei caracteristice
Funcia caracteristic are urmtoarele proprieti:
1) (0) = 1, (t ) 1 t R;
2) este uniform continu pe R;
3) Dac = a + b, a, b R, atunci
(t ) = M (eit (a + b) ) = M (eitb eita ) = eitb a (t ) = eitb (at ) ;
4) Dac i sunt variabile aleatoare independente, atunci
+ (t ) = M (eit ( + ) ) = M (eit eit ) = M (eit )M (eit ) = (t ) (t ) ;

5) (t ) = (t) deoarece (t ) = M (e it ) = M e it = (t ) ;
it (it)2 (it)n it
6) (t ) = M (eit ) = M 1 + + + ... + + ... = 1 + M () +
1! 2! n! 1!

2 n
(it ) (it )
M (2 ) + ... + M ( n ) + ... (presupunnd c putem integra seria termen cu
2! n!
termen).
Derivnd n raport cu t,
' (t ) = iM () , " (t ) = M 2 () ,..., (n) (t ) = i n M n () .
t =0 t =0 t =0
Relaia invers care exprim densitatea de repartiie corespunztoare funciei
de repartiie este dat de:
Teorem. Dac funcia caracteristic este astfel nct |(t)| este integrabil
pe R, atunci funcia de repartiie corespunztoare F este absolut continu i are
derivate continue i densitatea de repartiie este dat de
+
1
e itx (t )dt .
2
f ( x) =

Exemple 1. Funcia caracteristic a variabilei aleatoare binomiale cu n, p este


n
(t ) = M (eit ) = Cnk eitk p k q n k = ( peit + q)n .
k =0
2. Funcia caracteristic a variabilei aleatoare normale N(0, 1) este
+ u2 +
u2
1 itu 2 1 (itu)k 2
it
1+
2 2 k =1 k!
(t ) = M (e ) = e e du = e du =

91
+ u2 + u2
(1)t 2k 2 2k 2 2k 2
(2k )!
u e du. Calculm I 2k = u e du stabilind o relaie de
k =0 0 0

recuren. Obinem I 2k = (2k 1)I 2k 2 i deci I 2k = (2k 1)!! . Obinem
2
t2
(1) k t 2k
(t ) =
2k k!
=e . 2
k =0
Dac este repartizat N(m, ) funcia ei caracteristic se calculeaz
m
introducnd variabila = care este repartizat N(0, 1). Avem (t ) =

2 2 2
it m itm i t itm t t
itm t
itm
t
M e = e M e = e = e e 2 (t ) = e 2 .


3. Funcia caracteristic a unei variabile aleatoare este
eit (1 enit )
(t ) = .
n(1 eit )
1
S se arate c este o variabil aleatoare discret pentru care P( = x) = .
n
Rezolvare. 1 e nit = 1 (eit ) n = (1 eit )(1 + eit + e 2it + ... + e(n 1)it ) . (t ) =
n
1 it
(e + e 2it + ... + e nit ) . Dar (t ) = eitx p( x) . Observm c, identificnd, obinem
n x =1

1 1 2 ... n
p( = x) = i variabila aleatoare are astfel repartiia : 1 1 1.
n ...
n n n
4. S se arate c dac 1 , ... , n sunt variabile aleatoare independente
+ ... + n
distribuite N(0, 1), atunci variabila aleatoare z = 1 are aceeai repartiie
n
N(0, 1).
it 1 +...+ n i t 1 i t 2 t
n
n = n t .
i
n n n
Rezolvare. z (t ) = M e = M e e K e
n

n
t2 t2 t2
2n
Din exemplul 2, (t) = e 2 i deci z (t ) = e = e 2 , adic z ~ N (0,1) .

92
Teorema limit central
Teorema limit central arat c limita pentru n a unui ir oarecare de
variabile aleatoare n anumite condiii urmeaz o repartiie normal. Are loc:

Teorema 5. Fie 1 , ... , n , ... un ir de variabile aleatoare independente i


identic repartizate, Mk = m, Dk = 2, k N i sn = 1 , ... , n . Atunci
s M (sn )
n = n are limita urmnd o repartiie normal.
D(sn )
Notm cu n funcia caracteristic a variabilei aleatoare n . Obinem
n
j nm
j =1
it i t [(1 m) + (2 m) +...+ (n m)]
n (t ) = M (eitn ) = M e n = M e n

. Deoarece



1, 2 , ... , n sunt variabile aleatoare independente i identic repartizate, n (t ) =
i t ( j m) t
= M n ei n ( j m) = M 1 + it ( m) + i t ( m) 2 +
n 2 2
e n
M


n
j
2 2 n
j
j =1

n n
i 3t 3 2 2 3 3
( m) 3
+ ... = 1 + i t M ( j n) 2 + i t M 3 ( j m) + ... =
3
3! n n
j 2 n
2 3
3! n n

n
t2 it t 2
1
2n 1 + M (
3 j m) + ... = 1 (1 + tn ) .
2n
3
3 n
t2

Cnd n , lim n (t ) = e 2 , care este funcia caracteristic a repartiiei
n
normale N(0, 1).
Caz particular
Fie j variabile aleatoare independente ce iau valorile 1 sau 0 cu probabilitile
p respectiv q = 1 p. Dac sn = 1 , ... , n , atunci Mj = p, Dj = pq. Din teorem
s np
rezult c variabila aleatoare n urmeaz la limit o repartiie N(0, 1).
npq
s np N np
Deci putem scrie P(sn N ) = P n = 1 P sn np < N np
npq npq npq npq

N np
= 1 P = 1 N np , unde este funcia de repartiie a variabilei
npq npq

aleatoare distribuit N(0, 1).

93
Astfel teorema limit central afirm c repartiia unei sume standardizate de n
variabile aleatoare independente, identic repartizate, se apropie de o variabil
aleatoare N(0, 1) cnd n , presupunnd c primele dou momente ale variabilei
aleatoare exist.
Reinem: Repartiia variabilei aleatoare limit nu depinde de repartiia
variabilelor aleatoare care se nsumeaz.
Este interesant de urmrit pentru variabile aleatoare uniform repartizate pe [0,
1] cum se realizeaz aceast aproximaie.
1, x [0,1] 1
tim c f ( x) = este densitatea de repartiie a lui . M = ,
0, n rest 2
1

1
D = , = 2 = 2 3 1 . Pentru = (1 + 2 ) 1
12 1 2 1
2 3 6

-1 0 3
2 2
Fig. 17
Ilustrm folosirea teoremei limit prin:
Exemple. 1. Presupunem c ntr-o fabric, pentru pstrarea unui regim constant
de lucru care s asigure realizarea produciei, trebuie s funcioneze n utilaje.
Probabilitatea ca un utilaj s se defecteze este p. Vrem s determinm numrul
general de N utilaje care ar trebui instalate n fabric astfel nct s se realizeze
producia zilnic cu probabilitatea .
Rezolvare. Asociem aceast problem cu N ncercri independente i
probabilitatea de realizare a unui eveniment s fie p. n acest caz
N n
P(nr. de utilaje defecte N n) = C Nr p r q N r .
r =0
Folosind aproximaia care rezult din teorema limit central pentru repartiia
binomial prin repartiia normal obinem
N n Np
= Nq n (1 p = q!) .
Npq npq

Nq n
Alegem u astfel nct (u) = , deci n acest caz u = , de unde
Npq
1
n u 2 2 pu 2
rezult N = + ( p u + 4np) 2 + .
q 2q 2q

94
Caz particular. Variabila aleatoare are o repartiie Poisson cu parametru .

Artm c repartiia limit avariabilei aleatoare z = cnd este

repartiia normal N(0, 1).
k
Vom folosi funcia caracteristic. tim c P( = k ) = e . Funcia
k!

k
caracteristic a variabilei aleatoare este (t ) = M (e ) = it
eitk e k!
=
k =0
it
(e ) (eit 1)
= e =e .
k =0
k!
it
Funcia caracteristic a variabilei aleatoare este z (t) = = M e =



it i2t 2 int n
it + +...+ n t 2 it 3
i t 1 2! +...
it
M e it (e ) 2 3!2
e = e e = eit e n!2 =e sau

t2

lim z (t ) = e 2.
t +
Observaie. Funcia de repartiie a unei variabile aleatoare este unic
determinat de funcia caracteristic prin transformata Fourier invers.

7. Procese aleatoare. Lanuri Markov finite


Lanul Markov constituie cel mai simplu tip de proces stocastic cu variabile
aleatoare dependente dar, n acelai timp, este tipul fundamental de astfel de
proces. Teoria dependenei markoviene a fost aplicat n domenii ca: sigurana n
funcionarea sistemelor tehnice complexe, controlul statistic al calitii produciei
industriale, biologie i medicin, geografie, geofizic, teoria mobilitii sociale,
sisteme de educaie, populare, marketing, operaii financiare, mobilitatea forei de
munc, circulaia bancnotelor, teoria metric a numerelor.

1. Proces stocastic (funcia aleatoare)


Fie (, K, P) cmp de probabilitate i T o mulime nevid. O funcie : T
S, unde S (spaiul strilor) este o mulime nzestrat cu o - algebr de pri ale
sale, se numete proces stocastic (funcie aleatoare) dac t T fixat
not
( , t ) = t ( ) este o variabil aleatoare pe (, K, P) iar fixat

95
not
(, ) = ( ) este o funcie definit pe T.
De obicei, un proces stocastic se noteaz prin {t : t T } sau {(t ) : t T } .
Funciile definite pe T se numesc traiectorii ale procesului iar T se numete
mulimea parametrilor.
Astfel un proces stocastic apare fie ca o familie de variabile aleatoare
{t : t T } , fie ca o familie de funcii { : } ce urmeaz o lege probabilist.
Dac T este o mulime discret, de pild T = {0, 1, 2,}, atunci spunem c
{t : t T } este un proces stocastic cu parametru discret sau lan.
Dac T este un interval, atunci spunem c {t : t T } este un proces stocastic
cu parametru continuu. Cazul particular T = [0, +] are o mare importan n
aplicaii, parametrul t avnd, de cele mai multe ori, o interpretare temporal.
Cea mai important clasificare a proceselor stocastice este fcut pe baza
interdependenelor existente ntre repartiiile variabilelor aleatoare t care
alctuiesc procesul.

2. Funcia de corelaie
S presupunem c pentru t T R fixat variabila aleatoare real t admite
densitatea de probabilitate p1(x; t) (densitatea de probabilitate unidimensional a
funciei aleatoare) iar pentru t1, t2 T fixai v.a. t1, t2 admit densitatea comun
de probabilitate p2(x1, x2 ; t1, t2) (densitatea de probabilitate bidimensional a
funciei aleatoare). Atunci
+
p1( x1; t1) = p2 (x1.x2; t1, t2 )dx2

Densitatea de probabilitate n-dimensional a funciei aleatoare se definete
similar.
Dac spaiul strilor este mulimea numerelor reale sau complexe i
2
M ( t ) < + t T, atunci funcia K (s, t ) = M ( s t ) definit s, t T este
numit funcia de corelaie a procesului. Descrierea procesului {t : t T } , care
este bazat n ntregime pe funcia K, depinde numai de densitatea bidimensional
p2 ( x1.x2 ; t1, t2 ) . Studiul acestui aspect al proceselor stocastice este denumit uneori
teoria funciilor aleatoare de ordin doi sau teoria corelaiei funciilor aleatoare.
Funcia de corelaie are urmtoarele proprieti
1) K(t, t) 0 t T.
2) K (s, t ) = K (t, s) t, s T.
3) K (0, t ) K (s, s) K (t, t ) s, t T.
4) xj C i tj T, 1 j n

96
n n
K (ti , t j ) xi x j 0 .
i =1 j =1
Aceast proprietate exprim faptul c ti , tj K(ti, tj) este o form ptratic
pe C pozitiv. Este adevrat i reciproca acestei afirmaii i anume c orice form
ptratic pozitiv pe C depinznd de ti , tj T poate deveni o funcie de corelaie.
5) Fie funciile j : T C, 1 j n. Se consider funcia aleatoare
n
t = j (t)t j , t T
j =1
cu funcia de corelaie K1(s, t). Atunci are loc
n
K1(s, t ) = j (s)K (s, t ) j (t ) , s, t T.
j =1
6) Suma i produsul a dou funcii de corelaie sunt funcii de corelaie.
7) Orice combinaie liniar finit cu coeficieni pozitivi de funcii de corelaie
este o funcie de corelaie.

3. Derivata i integrala n medie de ordinul al doilea


O funcie aleatoare t este continu n medie de ordinul al doilea n punctul t0
T dac
lim M t0 + h t0 = 0 .
2
h 0
O funcie aleatoare t este derivabil n medie de ordinul al doilea n punctul t0
T dac variabila aleatoare t' 0 astfel nct
2
t0 + h t0
lim M t0 = 0 .
'
h 0 h


n acest caz, t' 0 = t este derivata n medie a lui t n t0 .
dt t =t
0

Dac T = [T1, T2], fie T1 = t0 < t1 < ... < t p = T2 o diviziune a lui T,
t j j < t j +1 , 0 j p 1 , se consider variabila aleatoare.
p 1
I (, j ) = j (t j +1 t j ) .
j =1
Funcia aleatoare t este integrabil Riemann n medie de ordinul al doilea
T2
dac o variabil aleatoare I, notat t dt astfel nct
T1

97
2
lim M (I (, j ) I ) = 0 ,
0

unde = max (t j +1 t j ) .
0 j p 1
Aceast integral are proprieti asemntoare integralei Reimann. Astfel,
lund funcia aleatoare t integrabil Riemann (i.R.) n medie de ordinul al doilea
t
pe T, t considerm primitiva I t = u du . Aceast integral este t fixat o funcie
T1
aleatoare, deci lund t variaz obinem o funcie aleatoare. Dac funcia aleatoare t
este continu n medie, deci integrabil n medie, atunci It este derivabil n medie
dI
i t = t a.s. (= aproape sigur). De asemeni are loc relaia
dt

M (t )dt = M (t )dt ,
T T
unde membrul stng este o i. R. obinuit iar membrul drept este o i. R. n medie de
ordinul al doilea.
Teorem. Pentru ca funcia aleatoare t s fie derivabil n medie n t T
este necesar i suficient ca derivata a doua generalizat a lui K s i s fie
finit n (t, t). Pentru ca t s fie i.R. n medie de ordinul al doilea pe T este necesar
i suficient ca funcia sa de corelaie K s fie i. R. pe T T.
2K K (t + h, s + k ) K (t + h, s) K (t, s + k ) + K (t, s)
(s, t ) = lim
sdt (h, k ) (0,0) hk
derivata a doua generalizat.

4. Reprezentarea canonic
Dac funcia aleatoare t poate fi scris sub forma
t = Mt + k X k (t ) ,
k N
unde k (M ( k ) = 0, M (i j ) = 0, i j) sunt variabile aleatoare necorelate cu valori
complexe, atunci expresia de mai sus poart denumirea de reprezentarea
(descompunerea) canonic a funciei aleatoare t . Funciile Xk (Xk(t) nu sunt
variabile aleatoare) se numesc coordonatele reprezentrii iar vk coeficienii
reprezentrii. Pentru funcia de corelaie avem
K ( s, t ) =
D(vk ) X k ( s ) X k (t ) ,
kN
numit reprezentarea canonic a funciei de corelaie.
O funcie aleatoare este numit zgomot alb dac funcia de corelaie are forma
K(s, t) = G(t)(t s), unde (t s) = 0. Dac intensitatea G(t) a zgomotului alb este
constant, atunci zgomotul alb este staionar n sens larg. Reprezentarea funciei

98
aleatoare t sub forma
2
t = Mt + () X (t, )d ,
1
unde () este zgomotul alb cu parametrul [1, 2], poart denumirea de
reprezentare canonic integral. Pentru funcia de corelaie vom avea
2
K (s, t ) = G() X (s, ) X (t, )d .
1
Orice funcie aleatoare staionar n sens larg admite reprezentarea
(descompunerea spectral)
+
i t
t = Mt + ()e .

Aici funcia aleatoare () are valoarea medie nul i funcia de corelaie
K (, ' ) = S ()s( ' ) ,
+
1
B()e it d
2
unde S () =

(densitatea spectral a funciei aleatoare t). Mai au loc relaiile


+ +
it
B() = S ()e d , D(t ) = B(0) = S ()d .

O clas de funcie aleatoare staionare n sens larg sunt cele de forma
t = f (t )t + g (t ) ,
unde t este o funcie aleatoare n sens larg iar f i g sunt funcii reale nealeatoare.
Pentru aceste funcii aleatoare avem relaiile
Mt = f (t )Mt + g (t ) , K (s, t ) = f (s) f (t ) + B (s t ) , Dt = f 2 (t )B (0) .
Dac
t = M (t ) + kYk (t)
k Z
este reprezentarea canonic a lui t , atunci coeficienii acestei reprezentri sunt dai
de
k
Yk (t ) = f (t)eik t , k = , k Z.
2T
n ceea ce privete descompunerea spectral, avem
+
t = M (t ) + ()Y (t, )d ,

it
unde Y (t, ) = f (t )e .

99
Exemple. 1. Emisia de semnale a unui telegraf poate fi descris de o funcie
aleatoare t cu proprietatea c, pentru t fixat, t ia, cu probabiliti egale, valorile 1
sau 0 dup cum la momentul t telegraful emite sau nu un semnal. Evident,
traiectoria lui este o funcie ce ia valorile 0 sau 1. Presupunem c numrul de
salturi ale acestei funcii n intervalul [0, T] este repartizat Poisson; mai precis,
probabilitatea de a avea k salturi n intervalul [0, T] este
(aT )k aT
P(k , T ) = e , a > 0.
k!
De asemeni, presupunem c salturile se produc independent. n aceste ipoteze
avem
1 1 1
Mt = 0 P(t = 0) + 1 P(t = 1) = 0 + 1 = , K (s, t) = (0 0)P( s = 0, t = 0) +
2 2 2
(0 1)P(s = 0, t = 1) + (1 0)P(s = 1, t = 0) + (1 1)P(s = 1, t = 1) = P(s = 1, t = 1) .
Probabilitatea P( s = 1, t = 1) este egal cu probabilitatea ca t = 1 i ca n
intervalul de lungime t s = s aib loc un numr par de salturi. Deci P( s = 1, t
1 (a | |) 2s a|| 1
= 1) =
2 sN (2s)!
e . Prin urmare B() = (1 + e 2a|| ) .
4
2. Fie t = f (t), unde este o variabil aleatoare iar f o funcie complex. Se
va studia n ce condiii funcia aleatoare t este staionar n sens larg. Din condiia
2
Mt = 0 rezult M = 0; apoi M ((t + )(t )) = f (t + ) f (t )M ( ) i, prin urmare,
este necesar ca produsul f (t + ) f (t ) s nu depind de t. Punnd = 0 obinem
2
f (t ) = r 3 = const . Deci f (t ) = re 2i(t ) , unde r R iar o funcie real. Aadar
2
M ((t + )(t )) = r 2ei[(t + ) (t )]M ( ) , de unde rezult c diferena (t + ) (t )
nu trebuie s depind de t; dac presupunem c este derivabil, avem
d
[(t + ) (t )] = 0 , adic ' (t + ) = ' (t ) i, cum este arbitrar, avem ' (t ) = ,
dt
de unde (t) = t + . n concluzie
f (t ) = rei(t + ) , , R .
3. Procesul aleator t se numete gaussian dac repartiiile sale finit
dimensionale sunt normale. Dac procesul gaussian este staionar n sens larg,
atunci el este staionar i n sens restrns. Un proces gaussian este definit dac i se
cunosc valoarea medie i funcia de corelaie.
Vectorul aleator (t1 ,..., tn ) are densitatea de probabilitate de forma
1 n
A ( x m )( x m j )
1 2 D i, j =1 ij i i j
p( x1,..., xn ) = e ,
(2) n D

100
k11 k12 ... k1n
k21 k22 ... k2n
unde D = (kij = kji , D > 0) este determinatul matricei de corelaie,
... ... ... ...
kn1 kn2 ... knn
Aij
kij = K(ti , tj), iar sunt elementele inversei matricei [kij]. Pentru procese
D
not
staionare avem K(ti , tj) = K(ti , tj) = B(ij), ij = ti t j .

5. Proprietatea Markov. Matricea de trecere

Fie ( n ) nN un proces stocastic cu parametru discret i cu valori ntr-o


mulime finit S, numit spaiul strilor.
Dac pentru orice stri i1,..., in+1 S i n N este verificat relaia (numit
proprietatea Markov)
P( n +1 = in +1 n = in ,..., 1 = i1) = P( n +1 = in +1 n = in ) ,
atunci ( n ) nN este numit lan Markov finit.
Se poate spune c un lan Markov finit pstreaz despre evoluia trecut
amintirea cea mai recent.
Dac probabilitatea condiionat pij = ( n +1 = j n = i) depinde numai de
strile i i j S i este independent de n, atunci lanul Markov este numit omogen.
n acest caz, matricea P = [pij]i,jS este numit matricea probabilitilor de trecere.
n continuare se va presupune c lanul Markov este omogen.
Este evident c pij = 1 , i S, motiv pentru care P este numit matrice
jS
stocastic.
Se observ c dac pentru orice i, j S fixai notm
pij(n) = P( m + n = j m = i) ,
pij(n) se numete probabilitatea de trecere din strile i n starea j dup n pai,
atunci pij(n) este elementul din linia i i coloana j al matricei Pn, puterea a n-a a
matricei de trecere P.
innd seama de aceasta, rezult c
pij(m + n) = pik(m) pkj(n) , i, j S, m, n N.
kS
Aceast corelaie se numete relaia Chapman - Kolmogrov.
Dac p = (pi)i S , este o repartiie de probabilitate pe S, adic pi 0 , i S,
pi = 1 i dac P(0 = i) = pi , i S, atunci p este numit repartiia iniial a
iS

101
lanului Markov.
Orice lan Markov finit cu r stri poate fi reprezentat cu ajutorul unui sistem de
urne astfel: considerm r urne numerotate 1, 2,..., r care conin fiecare bile de r
tipuri diferite marcate de asemeni 1, 2,..., r. Probabilitatea de a extrage o bil de
tipul j din urna i este egal cu pij. La momentul iniial alegem o urn conform
repartiiei de probabilitate (pi)1in . Apoi din aceast urn extragem o bil, pe care o
reintroducem n urn. Dac bila extras a fost de tipul i, atunci extragerea
urmtoare o vom face din urna i .a.m.d. Astfel irul tipurilor de bile extrase
succesiv este un lan Markov cu spaiul strilor S = {1, 2,, r}, repartiia iniial
(pi)1ir i probabilitile de trecere pij .
n continuare vom discuta cteva consecine imediate ale proprietii Markov.
Spunem c un eveniment A este anterior momentului n 0 ntr-un lan
( n ) nN dac este determinat de variabilele aleatoare 0,..., n ale lanului.
Spunem c un eveniment B este posterior momentului n 0 ntr-un lan
Markov ( n ) nN dac este determinat de variabilele aleatoare n , n +1,... .
Pentru un lan Markov se poate arta imediat urmtoarea egalitate care
genereaz proprietatea Markov i anume
P( n +1 = in +1 n = in , A) = P( n +1 = in +1 n = in )
oricare ar fi evenimentul A anterior momentului n, ori de cte ori membrul nti
este definit.
Mai mult, proprietatea Markov poate fi extins n continuare considernd
evenimentele A i B, anterior i respectiv posterior momentului n, astfel
P(B n = in , A) = P(B n = in ) .
Se remarc faptul c extinderile succesive ale proprietii Markov sunt de fapt
echivalente cu aceasta; de aceea, oricare din ele poate fi luat ca definiie. O
extensie a proprietii Markov, dar calitativ diferit, este proprietatea tare Markov.
O variabil aleatoare : N {+} se numete timp de oprire (sau
opional) pentru un lan Markov ( n ) nN dac k = 0,1,2,... evenimentul { = k}
este anterior momentului k n lanul considerat, adic este determinat de variabila
aleatoare 0, 1,..., k .
Spunem c un eveniment A este anterior timpului de oprire dac
k = 0,1,2,... evenimentul A { = k} este anterior momentului k n lanul Markov
considerat, adic A este determinat de variabila aleatoare 0,..., . Analog, un
eveniment B este posterior timpului de oprire dac este determinat de variabila
aleatoare , +1 , ... .
Se poate arta c proprietatea Markov rmne adevrat i pentru timpii de
oprire. Fie un timp de oprire pentru lanul Markov (n)n0. Dac A este un
eveniment anterior lui , atunci
P( +1 = j = i, A) = P( +1 = j = i) = pij
i, j S, ori de cte ori primul membru este definit. Aceast relaie reprezint
proprietatea tare Markov. Remarcm c ea este implicat de proprietatea Markov

102
i se reduce la aceasta n cazul n care este un timp nealeator. Rezult c cele
dou proprieti sunt, de fapt, echivalente.

6. Clasificarea strilor
Strile unui lan Markov pot fi grupate n clase dup criteriul comunicrii.
Vom spune c starea j este accesibil din starea i i vom scrie i j dac exist n
( n)
N astfel nct pij > 0 . Se observ c aceast relaie este tranzitiv. Starea i este
reflexiv dac i i i nereflexiv n caz contrar, deci, dac pij(n) = 0 n N. Un
caz particular de stare reflexiv este starea absorbant; se spune c o stare i este
absorbant dac pii = 1. Pentru o stare refelxiv i, se definete perioada di a sa ca
( n)
cel mai mare divizor comun al numerelor n 1 pentru care pii > 0.
O stare i se numete periodic sau aperiodic dup cum di > 1 sau d i = 1 .
Vom spune c strile i i j comunic i vom scrie i j dac i j i j i. Se
observ c relaia este o relaie de echivalen n mulimea strilor reflexive din
S. Cu ajutorul acestei relaii, mulimea strilor reflexive din S se mparte n clase
astfel nct dou stri aparin aceleiai clase ele comunic. Prin definiie, orice
stare nereflexiv formeaz ea singur o clas.
O proprietate a strilor unui lan Markov se numete proprietate de clas dac
verificarea ei pentru o stare i S atrage dup sine verificarea ei pentru toate strile
din clasa care conine starea i.
O stare i se numete esenial dac relaia i j atrage dup sine j i ; n caz
contrar starea se numete neesenial.
Proprietatea unei stri de a fi esenial (neesenial), precum i proprietatea de
a avea perioada d sunt proprieti de clas.
Un lan pentru care spaiul strilor formeaz o singur clas esenial se
numete ireductibil. Un lan ireductibil se numete aperiodic dac o stare a sa (i
deci toate) este aperiodic (= are perioada 1).
Fie f ij(n) probabilitatea ca lanul s ajung pentru prima dat n starea j dup n
pai, tiind c a pornit din starea i. Astfel
(n)
f ij = P( n = j, k j,1 k n 10 = i) .

S notm cu fij = fij(n) probabilitatea ca lanul s ajung vreodat n starea j
n =1
tiind c a pornit din starea i. O stare i se numete recurent sau nerecurent (=
tranzient) dup cum fii = 1 sau fii < 1. Recurena sau nerecurena sunt proprieti
de clas. Lanul se numete recurent dac toate strile sale sunt recurente.
Dac lanul Markov pleac dintr-o stare nerecurent, atunci cu probabilitatea 1
el face un numr finit de pai n mulimea strilor nerecurente dup care intr ntr-
una din clasele recurente unde rmne la nesfrit.

103
Se poate demonstra c o stare recurent este esenial iar o stare neesenial
este nerecurent.
Pentru j S fixat, fie j variabila aleatoare care indic momentul primei treceri
a lanului prin starea j.
Se arat c
P( j = n 0 = i) = f ij(n) , P( j = 0 = i) = 1 f ij ,
iar valoarea medie a variabilei aleatoare j condiionat de (0 = i) este

ij = M ( j 0 = i) = nf ij(n) + (1 f ij )
n =1
[aici prin convenie, 0 = 0].
Cantitatea ij se numete durata medie a primei treceri din starea i n starea j
1 1 1
iar mij = (cu convenia = , = 0 ) se numete frecvena medie a primei
ij 0
treceri din starea i n starea j. n particular, mi = mii se numete timp mediu de
recuren al strii i. O stare i S se numete pozitiv sau nul dup cum mi > 0
sau mi = 0. Proprietatea de a fi pozitiv sau nul este o proprietate de clas.

7. Forma limit

Un lan Markov se numete regulat dac j = lim pij(n) , i, j S, exist, este


n
strict pozitiv i independent de i S.
n notaie matricial, regularitatea unui lan Markov finit revine la convergena
matricei Pn ctre o matrice A care are toate liniile identice i strict pozitive.
Se spune c repartiia iniial p = (pi)iS a unui lan Markov este staionar
dac pi = pi pij i S.
jS
Teorem. Dac (n)n0 este un lan Markov finit, atunci:
n
1
1) Exist totdeauna limitele ij = lim pij(k ) , i, j S. Dac aceste limite
n n k =1

sunt strict pozitive i nu depind de i, i S, lanul se numete ergodic.


2) Lanul Markov este ergodic dac i numai dac este ireductibil i pozitiv-
recurent.
3) Lanul Markov este regulat dac i numai dac este ergodic i aperiodic,
1
caz n care jj = .
mj
4) Lanul Markov este regulat dac i numai dac r N astfel nct Pr are
toate elementele strict pozitive. n aceste condiii pij(n) jj , i, j S converge
exponenial ctre 0 (cnd n ).

104
5) Dac lanul este ireductibil pozitiv recurent (n particular dac lanul este
1
regulat), exist o repartiie unic staionar ale crei componente sunt i = ,i
mi
S.

8. Lanuri Markov absorbante


Un lan Markov finit n care toate strile recurente sunt absorbante se numete
lan absorbant. n acest caz matricea lanului are forma canonic
I 0
P= ,
R T
unde I este matricea unitate iar R i T sunt matrici ce corespund probabilitilor de
trecere din stri tranziente absorbante i respectiv n stri de asemenea tranziente.
Dac notm cu j numrul apariiilor strii tranziente j, atunci se demonstreaz
c M ( j 0 = i) (deci valoarea medie a lui j condiionat de faptul c lanul a
plecat din i) este elementul ce se afl la intersecia dintre linia i i coloana j din
matricea N = (1 T)1 numit matricea fundamental.
Dac se noteaz cu aik probabilitatea ca lanul Markov, plecnd din starea
tranzient i, s ajung n starea absorbant k, atunci are loc egalitatea matricial
(aik)iT, kS\T = NR.
Exemplul 1 (Mers la ntmplare cu frontiere absorbante). Ne imaginm un ir
finit de experimente Bernoulli independente E1, E2 , ... avnd fiecare dou rezultate
posibile i cu probabilitile p, respectiv q ( p + q = 1) . (Un astfel de
experiment poate fi, de pild, aruncarea unei monede. Se consider o particul care
se poate deplasa pe o ax orientat, putnd ocupa numai punctele de abscis
ntreag 0, 1, 2, ... , l; la fiecare moment n particula rmne imobil dac se afl
ntr-unul din punctele 0 sau 1, iar, n caz contrar, ea face un salt de o unitate spre
dreapta sau spre stnga dup cum En a avut rezultatul sau . Poziia particulei
poate fi reprezentat de un lan Markov cu spaiul strilor S = {0, 1,, l} i cu
matricea de trecere
1 0 0 ... 0 0 0
q 0 p ... 0 0 0

... ... ... ... ... ... ...

P = ... ... ... ... ... ... ... .
... ... ... ... ... ... ...

0 0 0 ... q 0 p
0 0 0 ... 0 0 1

Strile 0 i 1 sunt absorbante iar celelalte tranziente. Matricea T din forma
canonic este:

105
0 p 0 ... 0 0
q 0 p ... 0 0

T = ... ... ... ... ... ...

0 0 0 ... 0 p
0 0 0 ... q 0
i prin calcul direct se arat c elementele nij ale matricii fundamentale N cu
valorile
1 (a j 1)(a l 1 1), j i
nij =
( p q)(a l 1) (a i 1)(a l i a j i ), j > i
1 p 2 j(l i), j i 1
pentru p , unde a = i nij = pentru p = . Matricea R este
2 q l i(l j), j > i 2
q 0
0 0

dat de: R = ... ... .

0 0
0 p
a l i 1 1
a l 1 , p 2
Se verific NR sunt ai0 = , ail = 1 ai0, i = 1, l 1 care
1 i , p = 1
l 2
reprezint probabilitile ca lanul s fie absorbit de 0, respectiv de 1.
Mersul la ntmplare cu frontiere absorbante poate fi formulat sub forma aa-
numitei probleme a ruinei juctorului: doi juctori care dispun mpreun de un
capital de l uniti monetare, joac un anumit joc pe care unul dintre ei l ctig cu
probabilitatea p iar cellalt cu probabilitatea q, p + q = 1 . Juctorul care pierde d
celuilalt o unitate monetar. Jocul se repet pn cnd unul din juctori intr n
posesia ntregului capital iar cellalt se ruineaz.
Exemplul 2 (Modele fizice de tip mers la ntmplare). Un mers la ntmplare
mai general dect cel din exemplul precedent se obine presupunnd c de cte ori
particula se afl ntr-o poziie i 0, l, ea face un salt de o unitate spre dreapta sau
spre stnga cu probabilitile pi , respectiv qi sau rmne pe loc cu probabilitatea ri ,
pi + qi + ri = 1 . Din poziia 0 particula face un salt n poziia 1 cu probabilitatea p0 ,
rmnnd pe loc cu probabilitatea r0 ; analog, din poziia 1 particula face un salt n
poziia l 1 cu probabilitatea ql , rmnnd pe loc cu probabilitatea rl . Evident,
p0 + r0 = ql + rl = 1 . Lanul Markov descriind micarea particulei va avea matricea

106
r0 p0 0 ... 0 0 0
q r p ... 0 0 0
1 1 1
de trecere P = ... ... ... ... ... ... ... .

0 0 0 ... ql 1 rl 1 pl 1
0 0 0 .... 0 ql rl

Exist dou modele celebre ale unor fenomene fizice care sunt mersuri la
ntmplare de acest tip (i care au fost concepute fr nici o legtur cu lanurile
Markov).
Primul model, propus de Bernoulli n 1769, descrie difuzia a dou lichide
incompresibile ntre dou containere. Acestea sunt reprezentate prin dou urne,
fiecare coninnd l bile. Bilele joac rolul moleculelor celor dou lichide. Dintre
cele 2l bile, l sunt albe iar l bile sunt negre. Deoarece bilele reprezint moleculele
de lichide incompresibile, ele se pot mica ntre cele dou urne astfel nct, la orice
moment, fiecare urn s conin l bile. Putem imagina aceast micare a bilelor
dintr-o urn n cealalt n felul urmtor: din ambele urne se extrage cte o bil la
fiecare moment; bila extras din prima urn se introduce n a doua urn i invers.
Putem caracteriza starea sistemului astfel: spunem c sistemul se afl n starea i, 0
i l, dac prima urn conine i bile albe i a doua l i bile albe. Este uor de
vzut c probabilitile de trecere ntr-un pas sunt
2
i i i
pii 1 = qi = = , i = 1, l ,
l l l
2
l i l i i
pii 1 = pi = = 1 , i = 1, l 1 ,
l l l
i l i l i i i i
pii = ri = + = 2 1 , i = 1, l .
l l l l l l
Astfel, lanul ce descrie micarea moleculelor va avea matricea
r0 p0 0 ... 0 0 0
q r p ... 0 0 0
1 1 1
... ... ... ... ... ... ... .

0 0 0 ... qn1 rn1 pn1
0 0 0 .... 0 qn rn

S mai remarcm c lanul Markov asociat modelului Bernoulli este inductibil.
Al doilea model, propus de Ehrenfest n 1907, descrie schimbul de cldur
ntre dou corpuri izolate, de temperaturi diferite din punctul de vedere al teoriei
cinetice. Astfel temperaturile sunt reprezentate prin numrul de bile aflate n dou
urne care conin un total de 2l bile numerotate cu 1, 2,..., 2l. Schimbul de cldur
este imaginat astfel: la fiecare moment se alege la ntmplare un ntreg ntre 1 i 2l,
iar bila numerotat astfel este mutat din bila n care se afl n cealalt. Spunem c
sistemul se afl n starea i, 0 i 2l, dac prima urn conine i bile (deci a doua

107
urn are 2l i bile). n acest caz, probabilitile de trecere ntr-un pas sunt:
i i
pii = ri = 0 , i = 0,2l , pii 1 = qi = , i = 1,2l , pii +1 = pi = 1 , i = 0,2l 1 . De
2l 2l
asemenea, lanul Markov asociat modelului Ehrenfest poate fi folosit pentru a
explica unele fenomene de reversibilitate din mecanica statistic.
Exemplul 3. S presupunem c un proces de colarizare const din 5 stadii,
fiecare avnd o durat de o unitate de timp, s spunem, un an. La sfritul fiecrui
stadiu, promovarea n stadiul urmtor (sau terminarea colarizrii) se decide n
urma unui examen.
Vom admite c un cursant se poate retrage de la cursuri n orice moment, dar
odat retras el nu mai revine niciodat. Astfel, situaia unui cursant la sfritul unui
an de studii poate fi descris printr-una din urmtoarele alternative:
a. cursantul promoveaz examenul i urmeaz s frecventeze stadiul urmtor;
b. cursantul nu promoveaz examenul i repet stadiul;
c. cursantul se retrage nainte de a se prezenta la examen.
S admitem c probabilitile de promovare ntr-un stadiu superior, de repetare
a stadiului ncheiat sau de retragere, nu depind de rezultatele obinute de cursant n
anii anteriori. n aceste condiii, procesul de parcurgere a stadiilor succesive de
ctre cursant, care se poate termina fie prin ncheierea cu succes a colarizrii, fie
prin retragere, poate fi descris de un lan Markov cu strile 0, 1, 2, 3, 4, 5, 6. Starea
0 caracterizeaz un cursant n primul stadiu de colarizare, starea 5 un cursant care
a ncheiat cu succes colarizarea, starea 6 un cursant care s-a retras, iar o stare
intermediar 1 i 4 un cursant care a promovat primele i stadii de colarizare.
Evident strile 5 i 6 sunt absorbante, iar celelalte tranziente. Matricea de trecere a
lanului va avea forma
r1 p1 0 0 0 0 q1

0 r2 p2 0 0 0 q2
0 0 r p 0 0 q
3 3 3
P = 0 0 0 r4 p4 0 q4

0 0 0 0 r5 p5 q5
0 0 0 0 0 1 0

0 0 0 0 0 0 1
probabilitile pi , ri , qi , 1 i 5, fiind asociate alternativelor a, b, c de mai
nainte. Matricea T corespunztoare este
r1 p1 0 0 0

0 r2 p2 0 0
T = 0 0 r3 p3 0

0 0 0 r4 p4

0 0 0 0 r5
iar elementele matricei N vor fi

108
nii = (1 ri+1)1, 1 i 4,
nij = pi+1 pi+2 ... pj (1 ri+1) 1 (1 rj+1) 1, i < j,
nij = 0, i > j.
ntruct matricea R este
0 q1

0 q2
R = 0 q3 ,

0 q4

0 q5
rezult c probabilitile de absorbie sunt
ai5 = pi+1... p5(1 ri+1) 1... (1 r5) 1, ai6 = 1 ai5 , 0 i 4.
Exemplu 4. (Model de transmitere a unei boli contagioase ntr-o colectivitate
mic). Cadrul de dezvoltare a unui proces epidemiologic este o colectivitate
presupus de volum invariabil n timp care conine dou categorii de indivizi:
indivizii contaminai i indivizii necontaminai, dar susceptibili de contaminare. n
modelul Greenwood, prezentat aici, dinamica procesului epidemiologic este
urmtoarea: se presupune c exist o perioad de incubaie de lungime fix
(folosit ca unitate de timp) i o perioad de infeciozitate redus la un singur
punct, n care se pot realiza contaminri. Astfel dac la momentul iniial 0 exist un
numr de indivizi infecioi (adic contaminai i care pot transmite boala mai
departe), urmtoarele cazuri de mbolnvire apar n grupuri la intervale egale cu
perioada de incubaie. Fie r volumul populaiei considerate i m , m N, numrul
indivizilor care devin infecioi imediat dup momentul m, iar Xn , n N, numrul
indivizilor rmai necontaminai la momentul n. Atunci X n = n +1 + X n +1 . Definim
ansa de contagiune 0 < p = 1 q < 1 ca probabilitatea ca un contact ntre un
individ necontaminat i unul infecios s duc la contaminarea primului.
Presupunnd c toate contactele se realizeaz independent unul de altul,
probabilitatea ca i contacte (individ necontaminat individ infecios) s conduc la
k contaminri, k i, este egal cu Cik p k qi k (suntem n cazul experimentului
Bernoulli repetat de i ori). Putem scrie
P( X n+1 = j X n = i) = P(n +1 = X n j X n = i) = P(n +1 = i j X n = i) =
Ci j pi j q j , i j
.
0, i< j
Repartiia lui Xn+1 nu depinde de valorile luate de variabila aleatoare Xm , m < n.
Deci (Xn)nN este un lan Markov cu strile 0, 1,..., r i matricea de trecere
1 0 0 ... 0

p q 0 0
... . Observm c lanul are o stare absorbant 0 i r
M M M M
p r rp r 1q C 2 p r 2 q 2 ... 0
r

109
clase formate din cte o stare i, 1 i r.
Exemplul 5. n modelul stocastic de nvare bazat pe teoria selectrii
stimulilor propus de W. K. Estes n anul 1950, se consider un lan Markov cu
dou stri. Astfel starea 1 semnific faptul c subiectul a nvat, de exemplu, s
primeasc o alun sau s evite un oc electric. Starea 2 semnific faptul c
subiectul nu a nvat nc. Se presupune c, de ndat ce subiectul a nvat, el nu
mai uit, iar dac nu a nvat nc, el va reui cu probabilitatea nvee dup
(n)
fiecare ncercare. S se determine matricea de trecere i s se calculeze p21 i
( n)
f 21 pentru n N*. Avem p11 = 1, p12 = 0, p21 = i p22 = 1 . Deci matricea de
1 0
trecere este P = .
1
( n)
Pentru a obine p21 , probabilitile de trecere din starea 2 n starea 1, dup n
pai, ridicm matricea de trecere la puterea a n-a. Cum
1 0
P n = n n
nN,
*

1 (1 ) ( 1 )
( n)
rezult c p21 = 1 (1 ) n pentru oricare n N*.
( n) ( n)
Avem f 21 = p21 = i f 21 = P(v 1,1 v n 1, n = 10 = 2) , n 2.
(2) (3)
Obinem f 21 = (1 ) i f 21 = (1 )2 . n fine, fcnd un raionament prin
inducie dup n N*, obinem
( n)
f 21 = (1 ) n 1 , n N*.
Exemplul 6. n urma unei reacii nucleare este posibil ca o particul
subatomic s se dezintegreze n alte particule; un copil de sex masculin, ducnd
mai departe numele de familie, poate avea sau nu descendeni de sex masculin.
Asemenea procese care se pot repeta pn la ntrerupere sunt exemple de procese
de ramificare. S se calculeze probabilitatea de ntrerupere al procesului.
Presupunem c la nceput a existat o singur particul X0 = 1, care a dat natere
la X1 , descendeni din prima generaie cu
P( X 1 = j) = a j , j = 0, 1, 2, ... (7.1)
n afar de cazul X1 = 0, fiecare particul din prima generaie va da natere la
descendeni din a doua generaie (al cror numr reprezint o variabil aleatoare a
crei repartiie este date de (7.1)). De asemenea, presupunem c aciunile diferiilor
descendeni sunt stocastic independente. Considerm funcia generatoare g a
variabilei aleatoare X

g (t ) = a jt j .
j =0
Presupunem c numrul de particule din prima generaie este j. Considerm
variabilele aleatoare Z1, ..., Zj care reprezint numrul descendenilor fiecrei

110
particule din prima generaie. Variabilele aleatoare Z1,..., Zj sunt independente i au
aceeai funcie generatoare g. Apoi, numrul total de particule din generaia a doua
este
X2 = Z1 + ... + Zj .
Variabila aleatoare X2 are funcia generatoare gj, datorit independenei
variabilei aleatoare Z1,..., Zj . Obinem
M (t X 2 X 1 = j) = [ g (t )] j (7.2)
i prin urmare

M (t X 2 ) = P( X1 = j) M (t X 2 X1 = j) = a j [ g (t)] j = g ( g (t)) .
j =0 j =0
Fie gn funcia generatoare a variabilei aleatoare Xn astfel nct g1 = g. Atunci
conform celor obinute mai sus, avem g2 = g(g1). Acelai argument d
g n = g ( g n 1) = 1
g4
o g2
...4g.
o3
n ori
Avem

g n (t ) = M (t X n ) = P( X n = k )t k . (7.3)
k =0
ntruct repartiia numrului de descendeni din fiecare generaie este
determinat numai de numrul de descendeni din generaia anterioar, este evident
c irul (Xn)n0 are proprietatea Markov. Cum legea de reproducere este aceeai la
fiecare generaie, atunci (Xn)n0 este un lan Markov omogen. De fapt, din relaia
(7.2) observm c probabilitatea de trecere pjk reprezint coeficientul lui tk din seria
de puteri [g(t)]j.
Excluznd cazurile triviale, s presupunem c 0 < a0 < a0 + a1 < 1. Atunci
mulimea strilor este mulimea numerelor ntregi nenegative. Ipoteza precedent
implic faptul c toate strile conduc la starea 0, care este o stare absorbant. Deci
toate strile cu excepia lui 0 sunt stri tranziente. Fcnd t = 0 n relaia (7.3)
( n)
obinem g n (0) = p10 . Atunci probabilitatea de ntrerupere a procesului, notat cu
, este
( n)
= lim p10 = lim g n (0) . (7.4)
n n
ntruct g n (0) = g ( g n 1(0)) , fcnd n , obinem
= g(). (7.5)
Astfel este soluia ecuaiei (t ) = g (t ) t = 0 . Pentru c g(1) = 1, o soluie
este t = 1. Apoi

" (t ) = g" (t ) = j( j 1)a jt j 2 > 0 , t > 0.
j =2
Deci este o funcie monoton cresctoare. Rezult c = 0 are cel mult dou
soluii n [0, 1]. Astfel = 0 nu are cel mult o soluie diferit de 1 n [0, 1].

111
Cazul 1. = 0 nu are nici o soluie n [0, 1). Cum (0) = a0 > 0, trebuie ca (t)
> 0 t [0, 1). Obinem (1) (t) < (1) = 0, 0 t < 1 i rezult c (1) =
(1) (t )
lim 0 . Deci g(1) 1.
t 1 1 t
Cazul 2. = 0 are o unic soluie n [0, 1). Atunci = 0 are o soluie s n [r,
1], adic (s) = g(s) 1 = 0 i, cum g este o funcie cresctoare, obinem g(1) >
g(s) = 1. Rezumnd, ecuaia g(t) = t are o soluie pozitiv mai mic dect 1 dac i
numai dac g(1) > 1.
n cazul 1, trebuie s avem = 1 deoarece 0 1 i este o soluie
conform (6.5).
n cazul 2, vom arta c este soluia r < 1. Avem g(0) < g(r) = r.
Presupunnd gn1(0) < r rezult gn(0) = g(gn1(0)) < g(r) = r deoarece g este o
funcie cresctoare. Astfel gn(0) < r pentru orice n i conform (6.4) obinem r.
Dar trebuie s fie egal cu r, ambele fiind soluii din [0, 1) ale ecuaiei.

8. Procese cu timp continuu. Procese Poisson. Procese de


natere i moarte (Procese Markov omogene)
1 Funcia matricial de trecere

Fie S o mulime numrabil, iar P(t) = ( pij (t ))ijS , t R + , o matrice de funcii


cu proprietile
pij (t ) 0, i, i, j S , t R + , pij (t ) = 1, i, j S , t R + ,
jS
lim pij (t ) = pij (0) = ij , i, j S (8.1)
t 0 +
(ij este simbolul lui Kronecker).
O familie de variabile aleatoare (t )tR + cu valori n S este numit proces
Markov omogen n timp cu mulimea de stri S, dac
P(tn +t = j tn = i, tk = ik , 0 k n 1) = P(tn +t = j tn = i) = pij (t ) (8.2)
pentru orice 0 t0 < t1 < ... < tn , t 0, i0 , i1,..., in 1 , i, j S, n N*.
Prima egalitate (8.2) numit proprietatea Markov, se poate interpreta sub
forma
P(viitor prezent, trecut) = P(viitor prezent) ,
dac se convine ca momentul tn s fie prezent.
Cea de-a doua egalitate (8.2) este proprietatea de omogenitate temporal.
Matricea P, numit funcia matricial de trecere a procesului, verific relaia
Chapman-Kolmogorov
pij (s + t ) = pik (s) pkj (t ) , i, j S, s, t 0 (8.3)
kS

112
care n form matricial se scrie
P(s + t ) = P(s) P(t ) , s, t 0.
Funciile pij au cteva proprieti remarcabile:
1) Pentru orice i, j S, funcia pij este uniform continu pe [0, ).
2) Pentru orice i, j S, funcia pij este fie identic nul, fie strict pozitiv pe [0, ).
pij (t )
3) Pentru i j S, qij = pij (0) = lim exist i este finit.
t 0+ t
1 pij (t ) 1 pii (t)
4) Pentru orice i S, qi = pii (0) = lim este i qi . Dac S
t 0 + t t
este finit, atunci qi < .

2. Ecuaiile lui Kolmogorov


Dac qi < , i S, atunci matricea Q = (qij), i, j S, unde qij = qi (vezi p.1)
este numit matricea intensitilor de trecere. n general, avem qij 0 dac i j,
qij 0 , dac i j i
qij qij . (8.4)
j i
Dac s este finit, atunci (8.4) devine
qij = qij < , i S. (8.5)
j i
Relaia (8.5) reprezint o condiie necesar i suficient pentru ca pij(t) s
verifice ecuaiile difereniale
pij (t ) = qik pkj (t ) , i, j S, t 0 (8.6)
k s
care se scriu matricial
P' (t ) = QP(t) , t 0.
Ecuaiile (8.6) sunt numite ecuaiile lui Kolmogorov inverse.
De asemenea, dac qi < , j S i limita
pij (h)
lim = qij , j S
h 0 + h
este uniform n raport cu i j, atunci avem
pij (t ) = pik (t)qkj , i, j S, t 0. (8.7)
k s
Ecuaiile (8.7) sunt numite ecuaiile lui Kolmogorov directe.
Trebuie remarcat faptul important c, dac S este finit, atunci au loc att
ecuaiile (8.6), ct i ecuaiile (8.7). n acest caz, prin rezolvarea acestor sisteme de
ecuaii cu condiiile iniiale pij(0) = ij, i, j S (sau matricial P (0) = I ), se obine
Q nt n
P(t ) = exp(Qt) = I + + n!
, t R+.
nN

113
Deci, matricea intensitilor de trecere Q determin n mod unic funcia
matricial de trecere P(t).
Fie pi (t) = P(t = i), i S, t 0, numite probabiliti absolute, iar (pj)jS o
probabilitate pe S, adic pj 0, j S, i
p j = 1 , numit repartiie iniial.
jS
Dac pj = pj(0) = P(0 = j), j S, atunci probabilitile absolute verific
ecuaiile
t
p j (t ) = p j + 0 qkj pk (u)du , j S. (8.8)
jS
O probabilitate (pj)jS pe S va fi numit repartiie staionar dac
p j (t ) = P(t = j ) = P ( 0 = j ) = p j , j S, t 0. Din (8,8) de deduce c (pj)jS
este o repartiie staionar dac i numai dac qkj pk = 0 , j S.
k S
3. Cteva clase remarcabile de procese Markov
1. Procesul Poisson
Se consider un proces Markov omogen n timp, (t), t R + , cu mulimea de
stri N care verific axiomele:
(1) Dac la momentul t procesul se gsete n starea i N, atunci
probabilitatea ca la momentul t + t s se gseasc n starea i + 1 este
t + (t ) , unde > 0 este o constant dat; deci pii+1(t) = t + (t).
(2) Dac la momentul t procesul se gsete n starea i N, atunci
probabilitatea ca la momentul (t, t + t) s se petreac mai multe treceri dintr-o
stare n alta sau ca la momentul t + t s se gseasc ntr-o stare j i + 1 , j i ,
este (t); deci pii(t) = (t), j i , j i + 1 .
(3) Dac la momentul t procesul se gsete n starea i N, atunci
probabilitatea ca la momentul t + t s se gseasc tot ntr-o stare i este
1 t + (t ) ; deci pii (t) = 1 t + (t).
Se observ imediat c matricea intensitilor de trecere este dat de qii = , i
, j i + 1
N, j = i din (8.6) i (8.7) rezult pij (t ) = pij (t ) + pi +1 j (t ) , i, j
0, j i + 1
N,
pij (t ) = pij (t ) + pij 1(t ) , i N, j N*, pi0 (t ) = pi0 (t ) , i N. Se verific cu
uurin c soluia acestor ecuaii cu condiia iniial pij(0) = ij este
(t ) j i t

pij (t ) = ( j i)! e , j 1 Relaia (8.8) pentru procesul Poisson devine
0, j < 1.
t t
p j (t ) = p j [ p j (u) + p j 1(u)]du , j 1, p0 (t ) = p0 (u)du i, prin derivare,
0 0

114
p 'j (t ) = p j (t ) + p j 1(t ) , j 1, p0' (t ) = p0 (t ) .
1, j = 0
ntruct p j (0) = , rezult p0 (t ) = e t , apoi p1(t ) = te t i n
0, j = 1,2,...
(t) j t
general p j (t ) = e , t 0, ceea ce arat c variabila aleatoare (t) urmeaz o
j!
repartiie Poisson cu parametrul t. Se spune (t) genereaz un flux poissonian.
2. Procesul de natere
Se consider un proces Markov omogen (t), t R+ , cu spaiul strilor N.
Axiomele (1) (3) verificate de procesul Poisson sunt verificate i de ctre
procesul de natere cu deosebire c probabilitile de la (1) i (3) vor fi i t + (t)
i respectiv 1 it + (t), unde i , i N, este un ir de constante pozitive;
trecerea procesului din starea i n starea i + 1 este o natere. Se deduce cu
i , j = i

uurin c matricea intensitilor de trecere este qij = i , j = i + 1 . Prin urmare,
0, n rest

ecuaiile (8.6) i (8.7) devin
pij (t ) = i pij (t ) + i pi +1 j (t ) , i, j N,
pij (t ) = j pij (t ) + j 1 pij 1(t ) , i N, j N*, (8.9)
pi0 (t ) = 0 pi0 (t ) , i N.
Dac constantele i , i N, sunt distincte i strict pozitive, atunci soluia
acestui sistem, cu condiiile pij (0) = ij , i, j N, este
j 1 j e k t
k , j >i
k =i k =i j 1
( r k )
r = i, r k

pij (t ) = e ,t , j =i.
0, j<i




Pentru probabilitile absolute, din (8.8) se obin ecuaiile
pi (t ) = i pi (t ) + i 1 pi 1(t ), i N* ,
(8.10)
pi (t ) = 0 p0 (t ).
Soluia acestor ecuaii cu condiiile iniiale, p0(0) = 1, pi (0) = 0, i N* este
t
p0 (t ) = e0t , pi (t ) = i 1e it e i x pi 1( x)dx, i N*.
0

115

Dac pk (t) = 1 pentru orice t R+, atunci procesul de natere se numete
k =0
regulat. O condiie necesar i suficient care asigur regularitatea este

1
k = + (8.11)
k =0
Un caz particular important este acela pentru care i = i, i N, > 0 . n
acest caz, procesul este numit proces liniar de natere (sau proces Yule Furry).
Din (8.11) rezult c acest proces este regulat. Relaiile (8.9) devin
pij (t ) = ipij (t ) + ipi +1 j (t ) , i, j N,
pij' (t ) = j pij (t) + ( j 1)pij 1(t ) , i N, j N*,
pi0 (t ) = 0 , i N,
C j i eit (1 et ) j i , j i
cu soluia pij (t ) = j 1
0, j < i.
De asemenea, relaiile (8.10) se scriu astfel
pi(t ) = i j pi (t ) + (i 1)pi 1(t ) , i N*,
p0 (t ) = 0 .
ntruct p0(t) = const. exist dou posibiliti: p0(t) = 1, t R+, ceea ce
nseamn c procesul nu prsete starea 0 sau p0(t) = 0, t R+, ceea ce nseamn
c spaiul strilor este de fapt N*. n cea de-a doua ipotez1 se consider p1(0) = 1 i
soluia sistemului este p j (t) = e t (1 e t ) j i , i N*.

3. Procesul de moarte
Fie n0 N* i S = {0, 1, 2,, n0}. Se consider un proces Markov omogen
(t), t R+ , cu spaiul strilor S care verific axiomele:
(1) (0) = n0 .
(2) Dac la momentul t procesul se gsete n starea i (i = 1, 2, ... , n0), atunci
probabilitatea ca la momentul t + t s se gseasc n starea i 1 este it + (t),
unde 1, 2 ,..., n0 sunt constante date; deci pii 1 (t ) = i t + + (t ) .
(3) Dac la momentul t procesul se gsete n starea i, (i=1, 2,..., n0), atunci
probabilitatea ca la momentul t + t s se gseasc tot n starea i este 1 i t +
(t); deci pii (t ) = 1 i t + (t ) .
(4) Probabilitatea ca n intervalul (t, t + t) s aib loc mai multe treceri dintr-o
stare n alta sau s aib loc o trecere diferit de cele descrise la (2) i (3) este (t);


1
1
Se observ c (8.11) rmne adevrat pentru c k = + .
k =1

116
deci pij (t ) = ( t ) , j i 1, j i.
Din (2) (4) se deduce c matricea intensitilor de trecere este
i , j = i; i = 1,2,..., n0

pij (t ) = i , j = i 1; i = 1,2,..., n0
0, n celelalte cazuri.

Din (8.6) i (8.7) rezult
pij (t ) = i pi 1, j (t ) i pij (t ), i = 1,2,..., n0 , j S ,
(8.12)
p (t ) = 0, j S
0j
i
pij (t ) = j +1 pij +1(t ) i pij (t ), i, j S ,
(8.13)
p (t ) = 1 pi1(t ), j S.
i0
Ecuaiile (8.12) i (8.13), cu condiiile iniiale pij(0) = ij , se pot rezolva
utiliznd transformata Laplace.
Din (8.8) rezult c probabilitile absolute verific ecuaiile
pi (t ) = i pi (t ) + i +1 pi +1(t ), i = 0, n0 1,
pn (t ) = n0 pn0 (t ),
0

cu condiia iniial pn0 (0) = 1 ; rezult pn0 (t ) = en0t i apoi celelalte probabiliti
absolute se deduc prin recuren.
Pentru cazul particular n care i = i, > 0, i S, probabilitile absolute sunt
pi (t ) = Cni 0 e n0t (et 1)n0 i , i S.

4. Procesul de natere i de moarte


Se consider un proces Markov omogen (t), t R+, cu spaiul strilor N, care
verific urmtoarele axiome:
(1) Dac la momentul t procesul se gsete n starea i N, atunci
probabilitatea ca la momentul t + t s se afle n starea i + 1 este i (t ) + (t ) ,
unde i , i N, sunt constante strict pozitive date; deci pii +1(t) = i t + (t ) .
(2) Dac la momentul t procesul se gsete n starea i N*, atunci
probabilitatea ca la momentul t + At s se afle n starea i 1 este i t + (t ) ,
unde pi , i N*, sunt constante strict pozitive date; deci pii 1(t ) = i t + (t) .
(3) Dac la momentul t procesul se afl n starea i N, atunci probabilitatea ca
la momentul t + t s se afle n starea i este
1 ( i + i )t + (t) , i N*, i + 0 t + (t ) , i = 0;
deci pii (t ) = 1 ( i + i )t + (t ) , i N*; p00 (t ) = 1 0 t + (t ) .
(4) Probabilitatea ca n intervalul (t, t + t) s aib loc mai multe treceri dintr-o
stare n alta sau s aib loc o trecere diferit de cele descrise la (1), (2) i (3) este

117
(t); deci pij(t) = (t); j i 1, j i, j i + 1.
Se deduce c matricea intensitilor de trecere este
( i + i ), j = i 0
, j =i=0
0
j = i j = i + 1, i N
, j = i 1, i N
i
0, n celelalte cazuri.
Din (8.6) i (8.7) rezult
pij (t ) = i pi 1 j (t) ( i + i ) pij (t ) + i pi +1 j (t ) , i N*, j N,
p0 j (t ) = 0 p0 j (t ) + 0 p1 j (t ) , j N
i
pij (t ) = i 1 pij 1(t ) ( j + j ) pij (t ) + j +1 pij +1(t ) , i N, j N*,
pi0 (t ) = 0 pi0 (t ) + 1 pi1(t ) , i N.
Soluiile se pot obine utiliznd transformata Laplace. Conform relaiei (8.8)
probabilitile absolute verific
pi (t ) = i 1 pi 1(t ) ( i + i ) pi (t ) + i +1 pi +1(t ), i N*
(8.14)
p (t ) = 1 p1(t ).
0
Dac la momentul t = 0 procesul se gsete n starea k0 N, atunci aceste
ecuaii se rezolv cu condiia iniial pi (0) = ik0 .
Dac se noteaz
...
u0 = 1, uk = 0 1 k 1 , k N*,
1 2... k
atunci (ui )iN este o repartiie staionar. Mai mult, dac ui < + avem
iN
uj
lim pij (t ) = .
t uk
k N
Un caz particular important al procesului de natere i moarte este procesul
liniar de natere i de moarte (procesul Feller - Arley) pentru care i = i, i = i, i
N, , > 0.
S considerm funcia generatoare

g (s, t ) = pk (t)s k .
k =0
Din (8.14) se deduce
g (s, t ) g (s, t )
= [s 2 ( + )s + ] .
t s
Soluia general a acestei ecuaii este
118
s ( )t
g (s, t ) = f e ,
1 s
unde f este o funcie arbitrar de clas C1. Dac (0) = 1, atunci g(s, 0) = s, adic
s x
s = f i prin urmare f ( x) = . Deci
1 s x
(1 e ( )t ) ( e ( )t )s
g (s, t ) = . (8.15)
e( )t (1 e ( )t )s
Dup dezvoltarea n serie de puteri a funciei (8.15), dup puterile lui s, se
obine, pentru ,
pk (t ) = [1 (t )][1 (t )][(t )]k 1, k N* (8.16)
p0 (t ) = (t ).
(e( )t 1) (e( )t 1)
unde (t ) = , (t ) = .
e( )t e( )t
Tot cu ajutorul funciei (8.15) se obine m(t ) = M [(t )] = e ( )t ,
+ ( )t ( )t
D[(t )] = e (e 1) , . (8.17)

Un proces liniar de natere i moarte este numit subcritic, critic sau supercritic
dup cum < , = sau > .
Pentru procese subcritice sau supercritice dispersia este dat de (8.17); n cazul
critic D[(t)] = 2t. De asemenea,
0, <

lim m(t ) = 1, = .
t
+ , >

Pentru determinarea probabilitii ca, pentru t , procesul s intre n starea
i = 0 (populaia s dispar), se utilizeaz (8.16)
(e( )t 1)
p0 (t ) = ( )t ,
e
1, <
de unde lim p0 (t ) = .
t
, <
Exemplul 1. n multe cazuri, modelul adecvat pentru descrierea funcionrii n
timp a sistemelor complexe l constituie procesele Markov finite, omogene. n
decursul timpului, sistemul trece de la o stare la alta, pe msur ce unele
componente ale sale se defecteaz, iar altele sunt reparate. Aadar, defectarea i
repararea diferitelor componente sunt evenimentele care marcheaz trecerea
sistemului de la o stare la alta. De exemplu, dac considerm un sistem ale crui
componente funcioneaz n serie, atunci acest sistem se defecteaz odat cu
defectarea oricrei componente. Se presupune c numai o singur component

119
poate fi defect la un moment oarecare t (celelalte componente nu se pot defecta
cnd sistemul nu funcioneaz). Dac numrul componentelor sistemului este n, se
disting n + 1 stri posibile n evoluia sistemului. Prin urmare, fenomenul fizic
poate fi descris de un proces Markov (t )tR+ cu mulimea strilor S = {0,1,..., n} .
Starea 0 semnific faptul c toate componentele sunt n stare de funcionare, iar
starea i, 1 i n, semnific starea de defect a componentei a i-a.
Se va presupune c probabilitatea de defectare a componentei a i-a n
intervalul t are forma i t + (t), iar probabilitatea de reparare a aceleai
componente n intervalul t este i t + (t), unde i , i > 0, i = 1, 2,..., n;
probabilitatea a dou sau mai multe defeciuni sau reparaii n intervalul t este
(t). Ne propunem s determinm funcia de repartiie a perioadelor de
funcionare nentrerupt; vom lua deci n consideraie numai evoluia procesului
din starea 0 n strile i, i = 1, 2,..., n. De aici deducem c matricea probabilitilor
de trecere este
n
q0i = i , q00 = 0 , 0 = i ,
i =1
qij = 0, i = 1, 2,..., n, j = 0, 1, 2,..., n.
Pentru probabilitile absolute din (8.8) avem
p0 (t ) = 0 p0 (t ) , p0(0) = 1
pi (t ) = i p0 (t ) , pi (0) = 0, i = 1, 2, ... , n,
de unde se deduce

p0 (t ) = e0t , pi (t) = i (1 e 0t ) , i = 1, 2, ... , n.
0
Deci o perioad de funcionare nentrerupt are funcia de repartiie
F (t ) = 1 p0 (t ) = 1 e 0t .

De asemenea, se deduce c pi (t) = i F (t ) ; i semnific probabilitatea ca o
0 0
perioad de funcionare s fie ncheiat de defectarea componentei a i-a.
Pentru repartiia perioadei de avarie nentrerupt, se va lua n consideraie
numai evoluia procesului din strile i, i = 1, 2, ... , n, n starea 0. Matricea
intensitilor de trecere este q0j = 0, j = 0, 1, ... , n,
qi0 = i, qij = i ij , i, j = 1, 2, ... , n
i conduce la sistemul de ecuaii difereniale
n
p0 = i pi (t ) , p0(0) = 0,
i =1
i
pi (t ) = i pi (t ) , pi (0) = , i = 1, 2, ... , n,
0

120
n
i
cu soluia p0 (t ) = (1 e ,t ) , pi (t ) = i e ,t , i = 1, 2, ... , n.

i =1 0
0
Deci funcia de repartiie a perioadei de avarie nentrerupt este
n
i
G(t ) = p0 (t ) = (1 e ,t ) .

i =1 0
Exemplul 2. Funcionarea unui sistem format din n elemente identice, care
funcioneaz independent n paralel, poate fi descris de un proces de natere i
moarte. Starea k, k = 1, 2,..., n, semific faptul c sunt defecte k din cele n
elemente. n acest caz, j = 0 pentru j n i j = 0 pentru j n.
Exemplul 3. Pe un osciloscop sosesc impulsuri electrice de amplitudine
aleatoare Xi la momente aleatoare de timp ti , genernd un flux poissonian; deci
numrul de impulsuri N(t) ntr-un interval [0, t] verific relaia
(t ) n
P( N (t ) = n) = e t , n N,
n!
unde > 0 este o constant dat.
Dup primirea impulsului de amplitudine Xi, pe ecranul osciloscopului se
poate vizualiz funcia
0, t < ti
X i exp[(t ti )]+ = ,
X i exp[(t ti )], t ti
unde este o constant dat. Prin urmare, dup valoarea amplitudinii Xi urmeaz o
scdere exponenial pn la momentul urmtorului impuls (vezi fig. 18)

(t)

x3

x2
x1

t1 t2 t3 t

Fig. 18

Dac (t) este valoarea nregistrat la momentul t, atunci


N (t )
(t ) = X i exp[(t ti )] .
i =1
n practic, ne intereseaz repartiia variabilei aleatoare (t) sau, echivalent,

121
funcia sa caracteristic t (s).
Se presupune c variabilele aleatoare Xi sunt independente i identic
repartizate cu densitatea de repartiie h(x), deci cu funcia caracteristic

(s) = eisx h( x)dx .
0
Se poate demonstra c
t (s) = exp (1 (se av ))dv
t
0
1 e t
i deci M [(t)] = M ( X k ) .

Exemplul 4. Se consider o populaie format din n + 1 indivizi, omogen,
supus riscului unei mbolnviri (epidemie). Fie (t) numrul de indivizi
necontaminai la momentul t. Se presupune (0) = n, deci la momentul iniial t = 0
un singur individ este contaminat. Se admite c (t), t R+, este un proces de
moarte cu
k = k(n k + 1) , k = 1, 2, ... , n, > 0.
n acest caz, probabilitile absolute ale procesului, pk(t), verific ecuaiile
urmtoare pentru = 1
pk (t ) = (k + 1)(n k ) pk +1(t ) k (n k + 1) pk (t) , k = 0, 1, ... , n 1,
pn (t ) = npn (t ) .
Modelul prezentat se poate mbunti lundu-se n consideraie i indivizii
care nu mai sunt supui riscului de contaminare datorit izolrii, vaccinrii sau
decesului.
Exemplul 5. Fie {1(t), t R+} i {2(t), t R+} dou procese Poisson
independente de parametru 1 i respectiv 2. Fie [(t) = 1(t) 2(t), t R+ . Se
cere:a) {(t), t R+} este un proces cu creteri independente?
b) {(t), t R+} este un proces Poisson?
c) P((t) (s) = k) pentru 0 s < t i k = 0, 1, 2.
a) Din definirea procesului (t) rezult (t + s) (s) = [1(t + s) 2 (t + s)]
[1(s) 2 (s)] = [1(t + s) 1(s)] [2 (t s) 2 (s)], (s) (0) = [1(s) 2 (s)]
[1(0) 2 (0)] = [1(s) 1(0)] [2 (s) 2 (0)].
Deoarece cele patru variabile aleatoare care intervin sunt independente, rezult
c (t + s) (s) i (s) (0) sunt independente. Deci procesul este cu creteri
independente.
b) Deoarece (t) ia toate valorile ntregi, pozitive, negative sau nule, nu poate
fi un proces Poisson.

c) Avem P((t) (s) = k ) = P([1(t) 1(s)] [2 (t) 2(s)] = k ) = P(1(t)
=sup(0, k)
1(s) = )P(2 (t ) 2 (s) = k ) . innd seama c procesele 1(t) i 2(t) sunt

122
staionare, obinem P(1(t) 1(s) = k ) = P(1(t s) 1(0) = k ) = P(1(t s) = k ) ,

P(2 (t ) 2 (s) = k ) = P(2 (t s) = k ) . Punnd t s = u, rezult P(1(u) = )
= sup(0, k )
P(2 (u) = k ) = P((u) = k ) . (t) este deci un proces staionar i P((u) = k ) =

(1u) 2u ( 2u) k (1u) ( 2u) k
e1u
!
e
( k )!
= e(1+ 2)
!( k )!
, de unde
=sup(0, k ) =sup(0,k )

(1(t s)) ( 2 (t s)) k
P((t ) (s) = k ) = e(1+ 2)(t s) = !( k )!
.
=sup(0,k )

9. Probleme rezolvate (cu un prealabil sumar teoretic)


1. Lanuri Markov finite
Definiie. Un ir (Xn)n0 de variabile aleatoare discrete formeaz un lan
Markov dac x0,..., xn R.
P( X n = xn X 0 = x0 ,..., X n 1 = xn 1) = P( X n = xn X n 1 = xn 1) .
Presupunem c lanul este finit, adic fiecare variabil aleatoare Xk poate lua
doar un numr finit de valori s1, ... , sN i omogen, adic probabilitile
P( X n = s j X n 1 = si ) = pij
sunt aceleai n 1.
Atunci cnd Xn = sj , se spune c procesul se afl n starea sj :
p11 p12 ... p1N
p p p
Matricea P = 21 22 ... 2 N se numete matricea probabilitilor de
M M M

p N 1 pN 2 ... p NN
trecere a procesului.
Deoarece pij reprezint probabilitatea ca la un anumit moment procesul s se
afle n starea sj , tiind c la momentul anterior el s-a aflat n starea si , linia i a
matricii probabilitilor de trecere cu care X1 ia diverse valori s1, ... , sN , tiind c X0
s ... sN
a luat valoarea si , notnd Yi = {X1 X 0 = si} , avem Yi ~ 1 , n particular
pi1 ... piN
pi1 +...+ piN = 1, i = 1, N . Astfel P este o matrice stocastic (este format din
elemente pij 0 iar suma elementelor fiecrei linii este 1).
Putem introduce matricea probabilitilor de trecere dup n pai P(n) ale crei
elemente pij(n) sunt date de
pij (n) = P( X m + n = s j X m = si ) .
Notnd, pentru o anumit pereche i, j
A = {X m + n = s j }, B = {X m = si }, Ck = {X n 1 = sk } ,
evenimentul sigur E este reuniunea disjunct a evenimentelor C1, ... , CN , deci

123
putem scrie
N N N
P( A B) = P( A Ck B) = P( A B Ck ) P(Ck B) , pij (n) = P( X m + n = sj |
k =1 k =1 k =1
N
X m = si ) = P( X m + n = s j X m = si , X m +1 = sk ) P( X m +1 = sk X m = si ) .
k =1
Condiia Markov ne d ns
P( X m + n = s j X m = si , X m +1 = sk ) = P( X m + n = s j X m +1 = sk ) = pkj (n 1) ,
N
deci relaia precedent devine pij (n) = pik pkj (n 1) , i, j = 1, N , cu alte cuvinte,
k =1
matricele P(n), P, P(n 1) satisfac relaia P(n) = PP(n 1). n continuare vom
avea
P(n 1) = PP(n 2), deci P(n) = P2P(n 2) =...= Pn1P(1) i cum P(1) este evident
egal cu P, avem
P(n) = Pn
(matricea probabilitilor de trecere dup n pai este puterea a n-a a matricei P).
Distribuia variabilei Xn :
s s2 ... sN
X n : 1
p1(n) p2 (n) ... pN (n)
i obinem vectorul de probabilitate
p(n) = [p1(n) p2(n) ... pN(n)]
ale crui componente reprezint probabilitatea cu care Xn ia valorile s1, s2 ,..., s N .
N
Aplicnd formula probabilitilor totale P( A) = P( A Bi )P(Bi ) (unde E este
i =1
reuniunea disjunct a evenimentelor B1,..., BN ) avem
N N
p j (n) = P( X n = s j ) = P( X n = s j X 0 = si )P( X 0 = si ) = pij (n) pi (0) , j = 1, N ,
i =1 i =1
relaie ce poate fi scris vectorial p(n) = p(0)P(n) sau, innd seama de ct este
P(n),
p(n) = p(0)Pn,
adic distribuia la momentul n depinde de distribuia iniial p(0) i de matricea
probabilitilor de trecere P.
Definiie. Un lan Markov se numete ergodic dac lim P n = , unde este
n
numit matrice stocastic, avnd toate liniile egale cu = [1, 2 ... n ] , acest
vector de probabilitate fiind numit distribuie limit a procesului.
Se poate arta c o condiie suficient ca lanul s fie ergodic este ca el s fie
regulat, adic s existe un n astfel nct Pn s aib toate elementele > 0.

124
Teorem. Dac P este matricea probabilitilor de trecere a unui lan Markov
ergodic, atunci distribuia limit este unicul vector de probabilitate care satisface
relaia
vP = v .
Observaie. Fcnd n relaia p(n) = p(0)Pn n , obinem
lim p (n) = p (0) = (p(0) este un vector de probabilitate i se aplic
n
Lem. Dac este o matrice avnd toate liniile egale cu un anumit vector ,
atunci, pentru orice vector de probabilitate v = [v1 v2 ... vn ] , avem v = : ntr-a-
devr, cum ij = j , j = 1, N , componenta j a lui v este
n n
k kj vk j = j .
v =
k =1 k =1
Aadar, distribuiile pe termen lung sunt egale cu (distribuia staionar),
indiferent care este distribuia iniial p(0).

2. Exemple i probleme rezolvate


Exemple 1o. Un sistem de comunicaii transmite cifrele 0 sau 1. Fiecare cifr
trece prin mai multe stadii de transmitere, n fiecare din ele existnd probabilitatea
p ca cifra s fie transmis corect i probabilitatea q = 1 p ca ea s fie transmis
greit.
Notnd cu Xn cifra care intr n stadiul n, obinem un lan Markov cu 2 stri (0
p q
i 1) i matricea probabilitilor de trecere P = : p11 = P( X1 = 0 X 0 = 0) = p ,
q p
p21 = P( X1 = 1 X 0 = 0) = q , p12 = P( X1 = 0 X 0 = 1) = q , p22 = p( X1 = 1 X 0 = 1) = p .
1 1 n 1 1 n
n 2 + 2 ( p q) 2 2 ( p q) 2
Rezult P = . Lund p = , avem P( X 2 = 1 | X 0 =
1 1 n 1 1 n 3
2 2 ( p q) 2 + 2 ( p q)
5 14
1) = p22 (2) = , P( X 3 = 1 X 0 = 1) = p22 (3) = . Presupunnd 0 < p < 1, lanul este
9 27
1 1
1 1
regulat i = lim P = 2 2 , deci distribuia staionar este =
n
. Dac
n 1 1 2 2

2 2
0 1
X0 ~ , atunci probabilitatea ca cifra transmis dup n stadii ca 1 s fi intrat

P( X 0 = 1)
efectiv ca 1 este P( X 0 = 1 X n = 1) = P( X n = 1 X 0 = 1) . Aici
P( X n = 1)

125
1 1
+ ( p q)n , P( X 0 = 1) = iar formula p(n) = p(0)
P( X n = 1 | X 0 = 1) = p22 (n) =
2 2
1 1
Pn ne d [p1(n) p2(n)] = [ ]Pn, astfel P( X n = 1) = p2 (n) = ( p q)n +
2 2
1 1 1 1
+ ( p q)n = + ( )( p q)n [ p j (n) = P( X n = s j )] i astfel
2 2 2 2
+ ( p q)n
P( X 0 = 1 X n = 1) = .
1 + ( )( p q)n
2o Vremea n ara vrjitorului din Oz are trei stri: s1 = ploaie, s2 = vreme
bun, s3 = zpad i matricea probabilitilor de trecere (dat!, nu calculat)
1 1 1
2 4 4
1 1
P= 0 .
12 1 12

4 4 2
Se cere probabilitatea evenimentului: la trei zile dup o zi cu vreme bun s fie o zi
cu zpad. S se determine distribuia staionar .
Rezolvare. P(Xn+3 = s3 | Xn = s2) = p23(3) = elementul din poziia (2, 3) a
matricii P3. Acasta se obine, de pild, nmulind linia a doua a matricii P2 cu
coloana a treia a matricii P (P3 = P2 P), p23(3) = l2(2) c3(1). Linia a 2 - a matricii
3 1 3
P2 este l2(1) P, l2 (2) = . Probabilitatea ca dup 3 zile de la o zi cu vremea
8 4 8
3 1 1 1 3 1 13
bun s urmeze o zi cu zpad este p23 (3) = l2 (2)c3 (1) = + + = .
8 4 4 2 8 2 32
Rezolvnd ecuaia vectorial vP = v cu condiia v1 + v2 + v3 = 1, se gsete
2 1 2
distribuia staionar = .
5 5 5
3o Un sistem de telecomunicaii transmite cifrele 0 i 1. Fiecare cifr trece prin
mai multe stadii de prelucrare, n fiecare stadiu existnd probabilitatea p ca s fie
transmis corect i probabilitatea q = 1 p ca ea s fie transmis greit. Fie Xk cifra
care intr n stadiul k de prelucrare. a) Scriei matricea P a lanului Markov omogen
cu strile 0 i 1 astfel obinut i calculai Pn, n N, precum i P( X 2 = 1 X 0 = 1) ,
0 1
P( X 7 = 0 X 3 = 1) . b) Determinai repartiia staionar. c) Dac X 0 : 1 2 ,

3 3
calculai repartiia variabilei aleatoare Xn precum i P( X 0 = 0 X n = 1) .

126
Rezolvare. a) Prin ipotez P( X n +1 = 1 X n = 1) = P( X n +1 = 0 X n = 0) = p ,
p p p q
P( X n +1 = 1 X n = 0) = P( X n +1 = 0 X n = 1) = q , deci P = 00 01 = . Pentru
p10 p11 q p
a calcula Pn se scrie P n forma TT1, T matricea de trecere, matricea diagonal
p q
a valorilor proprii i atunci Pn = TnT1. det( p I ) = = ( p )2 q2
q p
=18
67
= p2 2 p + 2 q2 = 2 2 p + ( p q)( p + q) , 1,2 = p p2 p + q = p (1 p)
1 1 0 p 1 q 1 1 1 1
= = ,PI = = ( p 1) ~
pq 0 p q q p 1 1 1 0 0
x x 1 1
(P I ) 1 = 0 x1 x2 = 0, x1 = x2, 1 = x2 , p1 = . P ( p q)I =
x2 x2 1 1
q q 1 1 1 1 1 1
q q ~ 0 0 , x1 + x2 = 0, p2 = 1 , T = 1 1 , P = TT . [T | I ] =

1 1
1 11 0 1 1 1 0 1 0 2 2 1 n n 1 1 1
1 1 0 1 ~ 0 2 1 1 ~ 0 1 1 1 = [I | T ], P = T T = 1 1

2 2
1 1
1 0 2 2 1 1 ( p q)n 1 1 1 1 + ( p q)n 1 ( p q)n
0 ( p q)n 1 1 = 2 n 1 1
= ,
1 ( p q ) 2 1 ( p q)n 1 + ( p q)n

2 2
1 1 1 1
( p q)2 i P( X7 = 0 X3 = 1) = p10(4) = ( p q)4 .
P( X 2 = 1 X 0 = 1) = p11(2) =
2 2 2 2
1 1
1 1
b) Avem lim P n = 2 2 , deci repartiia staionar este = .
n 1 1 2 2

2 2
c) Notnd p(n) =[P(Xn = 0) P(Xn = 1)] i folosind p(n) = p(0)Pn, obinem
1 2 n 1 1 n 1 1
p(n) = P = ( p q) + ( p q) n , i astfel
3 3 2 6 2 6
0 1
Xn : 1 1 n 1 1 n . Atunci P ( X 0 = 0 X n = 1) =
( p q) + ( p q)
2 6 2 6
1 1 n 1
P ( X n = 1 X 0 = 0) P( X 0 = 0) 2 2 ( p q) 3 1 ( p q)n
= = .
P( X n = 1) 1 1 3 + ( p q)n
+ ( p q) n
2 6

127
4o Dac (Xn)n0 este un lan Markov omogen cu matricea probabilitilor de
trecere P = (pij), atunci P( X 0 = i0, X1 = i1,..., X n = in ) = P( X 0 = i0)P( X1 = i1 X 0 = i0)
P( X 2 = i2 X1 = i1, X 0 = i0 ) ... P( X n = in X n 1 = in 1,..., X 0 = i0 ) i innd seam c
P( X1 = i1 X 0 = i0 ) = pi0i1 , P( X 2 = i2 X1 = i1, X 0 = i0 ) = pi1i2 , etc., rezult
P( X 0 = i0, X1 = i1,..., X n = in ) = P( X 0 = i0 ) pi0i1 pi1i2 ... pin1in .

5o Matricea probabilitilor de trecere a unui lan Markov omogen este


0,1 0,5 0,4
1 2 3
P = 0,6 0,2 0,2 iar X 0 : . Calculai repartiia variabilei aleatoare X1
0,7 0,2 0,1
0,3 0,4 0,3
i probabilitatea ca la momentele n = 0, 1, 2 lanul s se gseasc respectiv n
strile 1, 2, 2.
0,1 0,5 0,4
Rezolvare. Cum p(n) = p(0)P , avem p(1) = p(0)P = [0,7 0,2 0,1] 0,6 0,2 0,2
n

0,3 0,4 0,3


= [0,7 0,1 + 0,2 0,6 + 0,1 0,3 0,7 0,5 + 0,2 0,2 + 0,1 0,4 0,7 0,4 + 0,2 0,2 + 0,1 0,3] ,
1 2 3
X1 : . Aplicnd problema precedent P(X0 = 1, X1 = 2, X2 = 2) =
0,22 0,43 0,35
P(X0 = 1)p12 p22 = 0,7 0,5 0,2 = 0,07.
6 Fie (Xn)n0 un ir de variabile aleatoare independente lund valori ntr-o
mulime numrabil S. Artai c acest ir este un lan Markov. n ce condiii acest
lan este omogen?
Rezolvare. Datorit independenei avem P( X n = in X 0 = i0,..., X n 1 = in 1) =
P( X n = in ) = P( X n = in X n 1 = in 1), deci proprietatea Markov este satisfcut.
Pentru ca lanul s fie omogen trebuie ca P( X n = j X n 1 = i) = P( X n = j) s nu
depind de n, deci P(Xm = j) = P(Xn = j), m, n N, j S, adic variabila
aleatoare Xn s fie identic repartizate.
7o Se consider mersul la ntmplare cu frontiere absorbante n 0 i N, care este
un lan Markov omogen cu strile 0, 1,, N i cu probabilitile de trecere p00 =
p, j = i +1
q, j = i 1
pNN = 1, iar pentru 1 i N 1, pij = , s se calculeze
r = 1 p q, j = i
0, n rest
probabilitile i0 = lim pi0 (n) , iN = lim piN (n) i pornind din starea i (1 i N),
n n
procesul s fie absorbit n starea 0, respectiv n starea N.

128
Rezolvare. Pentru 1 i N 1, i j = 0, ecuaia Kolmogorov invers
N
pij (n) = pik pkj (n 1), i, j S se scrie n cazul nostru pi 0 (n) = qpi 1,0 (n 1) +
k =1
rpi 0 (n 1) + ppi +1,0 (n 1) . Fcnd n i innd seama de monotonia irului
( pi 0 (n))n 1 obinem i 0 (n) = qi 1,0 + ri 0 + pi +1,0 (1 i N 1), deci i 0 = xi
satisface ecuaia cu diferene pxi +1 + (r 1) xi + qxi 1 = 0 cu condiiile la limit x0 =
q
1, xN = 0. Ecuaia caracteristic p2 + (r 1) + q = 0 , 1 = 1, 2 = . Dac p q,
p
i
q
soluia general a ecuaiei cu diferene este xi = C1 + C2 cu C1 , C2 constante
p
N
q

p 1
reale arbitrare. Din condiiile la limit rezult C1 = N , C2 = N
, deci
q q
1 1
p p
i N
q q

p p
i 0 = N , i = 0, N . Dac p = q soluia general a ecuaiei cu diferene este xi
q
1
p
i
= C1 + iC2 iar din condiiile la limit rezult i 0 = 1 . Analog se vede c
N
probabilitile iN de absorbie n starea N pornind din strile i = 1, 2, , N 1 satisfac
aceeai ecuaie cu diferene cu condiiile la limit x0 = 0, xN = 1, de unde, pentru p
i
q
1
q, iN = p , i = 0, N , iar pentru p = q, iN =
i
, i = 0, N .
q
N N
1
p
8o Fie (Xn)n0 un lan Markov cu spaiul strilor E = {1, 2, 3} i matricea de
1 2
0 3 3
1 3
trecere P = 0 . tiind c repartiia variabilei aleatoare X0 (repartiia iniial)
24 4 3
0
5 5
2 1 2
este = , calculai: a) P (X1 = 2, X2 = 2, X3 = 2, X4 = 1, X5 = 3);
5 5 5
b) P (X1 = 2, X2 = 2, X3 = 1); c) P (X2 = 2, X5 = 2, X6 = 2). Exerciiu!

129
CAPITOLUL II. STATISTIC MATEMATIC
1. Expunere elementar. Elemente de statistic matematic.
Estimri nedeplasate. Intervale de ncredere
n acest prim paragraf sunt prezentate principalele noiuni de statistic
matematic ntr-un cadru elementar, pentru a se putea trece ulterior cu mai mult
uurin la generalizarea acestora.

1. Noiunile de baz ale statisticii matematice


1. Populaie statistic. Caracteristic
Statistica matematic se ocup cu gruparea, analiza i interpretarea datelor
referitoare la un anumit fenomen, precum i cu unele previziuni privind producerea
lui viitoare.
n cadrul analizei statistice a unui fenomen acioneaz mai nti statistica
descriptiv care se ocup cu culegerea datelor asupra fenomenului respectiv i cu
nregistrarea acestor date, apoi intervine statistica matematic, care grupeaz datele,
le analizeaz i le interpreteaz n vederea unor predicii privind comportarea
viitoare a fenomenului.
Numim populaie statistic orice mulime care formeaz obiectul unei analize
statistice.
Elementele unei populaii statistice se numesc uniti statistice sau indivizi.
Trstura comun tuturor unitilor unei populaii care ne intereseaz n cadrul
analizei statistice se numete caracteristic.
Analiza statistic se face dup una sau mai multe caracteristici.
Exemple: a) Dac ne intereseaz rezultatele obinute la examenul de algebr,
de studenii din anul I ai unei faculti, atunci:
mulimea tuturor studenilor anului I din acea facultate formeaz populaia
statistic;
fiecare student din anul I al acelei faculti este o unitate statistic;
nota la examenul de algebr este caracteristica studiat.
b) Dac ne intereseaz numrul locuitorilor din fiecare ora al rii la o
anumit dat, atunci:
mulimea tuturor oraelor rii la data respectiv formeaz populaia statistic;
fiecare ora constituie o unitate statistic;
numrul de locuitori la data respectiv este caracteristica studiat.
c) Dac ne intereseaz diametrul unor piese de acelai fel fabricate ntr-o
ntreprindere dat, atunci:
mulimea pieselor fabricate de ntreprindere este populaia statistic;
o pies constituie o unitate statistic;
diametrul piesei este caracteristica studiat.
d) Dac ne intereseaz distribuia unui grup de copii dup culoarea ochilor i

131
culoarea prului, atunci:
mulimea copiilor grupului considerat formeaz populaia statistic;
fiecare copil n parte din grupul respectiv este o unitate statistic;
culoarea ochilor i culoarea prului sunt caracteristicile care ne intereseaz.
Se pot da nenumrate alte exemple de mulimi care pot constitui obiectul unei
analize statistice: distribuia unui grup de persoane dup talie, vrst i distribuia
oraelor dup numrul de salariai, distribuia cardiacilor printre fumtori etc.
Din nsei exemplele date rezult existena a dou feluri de caracteristici.
O caracteristic se numete cantitativ dac se poate msura. n caz contrar,
caracteristica se numete calitativ.
Nota la examen, numrul de locuitori, diametrul piesei, vrsta, talia, salariul
lunar etc. sunt exemple de caracteristici cantitative. ntre aceste caracteristici
distingem unele care pot lua numai valori ntregi (numrul de locuitori ai unui ora,
numrul de copii dintr-o familie, numrul ctigtorilor la loto ntr-un ora etc.).
Aceste caracteristici se numesc discrete sau discontinue.
O caracteristic care poate lua orice valoare dintr-un interval finit sau infinit se
numete continu.
Este cazul taliei, greutii, lungimii firului de pr la oi etc. Culoarea prului,
culoarea ochilor, sexul, profesia etc. sunt exemple de caracteristici calitative.

2. Gruparea datelor
S presupunem c s-a msurat nlimea unui grup de 120 de persoane.
Rezultatele obinute (nlimea n centimetri) sunt date n tabela 1, n ordinea n
care ele au aprut.
Tabela 1

176 173 161 171 174 168 178 166 169 172
181 172 163 174 173 169 172 175 158 182
186 190 173 173 169 171 176 172 188 175
162 170 176 177 171 164 162 175 176 176
170 176 178 164 174 177 180 175 175 180
174 171 175 170 179 186 177 178 169 180
188 173 172 174 183 177 176 174 181 159
183 174 179 167 165 182 176 178 171 169
168 179 177 177 181 178 184 177 173 177
162 177 173 170 176 179 170 168 174 175
173 178 185 185 171 165 167 174 175 172
179 168 171 175 165 178 172 175 166 171

Este clar c sub aceast form, tabela nu ne permite s tragem prea multe
concluzii cu caracter mai general. De aceea, este necesar s facem o grupare a
acestor date. O prim posibilitate de grupare este aceea din tabela 2.

132
Tabela 2

Nr. Nr. Nr. Nr. Nr.


cm cm cm cm cm
pers. pers. pers. pers. pers.
15 1 165 3 17 8 177 9 18 2
8 1 166 2 1 7 178 7 3 1
15 1 167 2 17 8 179 5 18 2
9 3 168 4 2 9 180 3 4 2
16 1 169 5 17 10 181 3 18 2
1 2 170 5 3 9 182 2 5 1
16 17 18
2 4 6
16 17 18
3 5 8
16 17 19
4 6 0

Aceasta este o tabel cu dou coloane, dar a fost astfel prezentat, deoarece are
foarte multe linii. n prima coloan este nlimea n centimetri, iar n coloana a
doua numrul de persoane care au aceast nlime. Sub aceast form, tabela ne
permite s tragem unele concluzii; nlimea creia i corespunde cel mai mare
numr de persoane este de 175 cm, nlimilor apropiate de 175 cm le corespund un
numr mai mare de persoane, dect celor mai deprtate etc.
n tabela 3 sunt prezentate rezultatele obinute de elevii unei clase la teza de
matematic.
Tabela 3

Nota Nr. elevi Nota Nr. elevi


2 1 7 15
3 1 8 6
4 2 9 3
5 4 10 1
6 7

Din aceast tabel putem trage concluzii referitoare la nivelul la care s-a
prezentat clasa respectiv la teza de matematic.
Din aceste exemple rezult c analiza statistic a unui fenomen, n raport cu o
singur caracteristic, ne conduce la o serie de perechi de valori, pe care o vom
numi serie statistic. n exemplele noastre este vorba de perechi de numere, primul
numr al unei perechi reprezentnd valoarea caracteristicii (nlimea n centimetrii,
nota la tez), iar cel de-al doilea numr reprezentnd numrul de uniti statistice
corespunztoare acelei valori a caracteristicii (numrul de persoane, numrul de
elevi).

133
n cazul caracteristicilor calitative, prima valoare a unei perechi nu mai este
numeric.
n tabela 4 este prezentat mprirea unui grup de 1500 de persoane dup
culoarea ochilor.
Tabela 4

Culoarea ochilor Nr. persoane


negri 240
cprui 752
verzi 302
albatri 206
1500

Dup cum se vede, n acest caz, caracteristica ia patru valori: negru, cprui,
verde, albastru, care nu sunt valori numerice. Dac mprim un grup de persoane
dup prenume, atunci caracteristica ia una din valorile: Ion, Gheorghe, Maria, etc.,
iar n tabel, n dreptul fiecrui nume trecem numrul de persoane care poart acest
nume.
n acest capitol, ne vom ocupa cu precdere de serii cu caracteristici
cantitative.
Atunci, n tabela 5 este redat distribuia unui numr de 1500 de copii dup
culoarea ochilor i culoarea prului.
Tabela 5

Culoarea ochilor
negru cprui verzi albatri Total
Culoarea prului
Negru 145 285 30 11 471
Castaniu 62 431 87 67 647
Blond 33 36 185 128 382
Total 240 752 302 206 1500

Din aceast tabel reiese c au fost gsii 87 de copii cu ochii verzi i pr


castaniu, 33 de copii cu ochi negri i pr blond, 11 copii cu ochi albatri i pr
negru etc.
n cazul seriilor statistice cu o singur caracteristic, pentru obinerea cu
uurin a unor concluzii generale asupra fenomenului studiat, tabelele cu dou
coloane, aa cum au fost ele prezentate mai sus, sunt suficiente, dac numrul
valorilor pe care le ia caracteristica este n jur de 20.
Cnd acest numr este depit, citirea tabelei devine greoaie, fiind prea
voluminoas. Este cazul tabelei 1. n aceast situaie se impune o nou grupare a
datelor. Revenind la tabela 1, mprim mulimea valorilor caracteristicii n clase,
dup cum reiese din tabela 6.

134
Tabela 6

Clase de valori n centimetri Nr. persoane


<160 2
160-165 7
165-170 16
170-175 37
175-180 40
180-185 11
185-190 . 7 .
120

La aceste tabele facem convenia ca extremitatea dreapt a fiecrei clase (cu


excepia, eventual, a ultimei clase) s nu aparin clasei. Astfel, clasa 165 170
cuprinde valorile x ale caracteristicii, pentru care 165 x < 170.
n cazul pe care l-am prezentat, intervalele reprezentnd clasele de valori au
aceeai lungime. De la aceast regul putem excepta, eventual, clasele extreme
(prima i ultima). Lungimea acestor intervale nu este impus de vreo regul fix, ea
fiind la ndemna statisticianului, care caut ca mprirea n intervale s fie ct mai
judicioas. Acest mod de realizare a tabelelor (cu clase de valori de amplitudini
egale sau nu) se impune totdeauna n cazul caracteristicilor continue. n tabela 7
este dat repartiia elevilor unei coli dup nlime.
Tabela 7

Talia n centimetri Nr. elevi


150-154 38
154-158 65
158-162 175
162-166 189
166-170 111
peste 170 . 62 .
640

Aici lungimea intervalelor alese (amplitudinea claselor) este de 4 cm.

3. Frecvena absolut. Frecvena relativ. Frecvene cumulate


Numrul tuturor elementelor unei populaii statistice se numete efectivul total
al acelei populaii.
Astfel, n tabela 7, populaia este mulimea elevilor unei coli i are un efectiv
total de 640 de elevi.
Se numete frecven absolut, a unei valori x a caracteristicii, numrul de
uniti ale populaiei corespunztoare acelei valori. De exemplu, n tabela 2,
valoarea 179 cm a caracteristicii are frecvena absolut egal cu 5, iar n tabela 3,
nota 5 are frecvena absolut egal cu 4.

135
Este clar c suma frecvenelor absolute ale tuturor valorilor caracteristice este
egal cu efectivul total al populaiei.
Se numete frecven relativ (sau pe scurt, frecven) a unei valori x a
caracteristicii raportul dintre frecvena absolut a valorii x i efectivul total al
populaiei. Vom scrie :
n
f ( x) = x ,
n
unde f este frecvena relativ a valorii x, nx este frecvena absolut a acestei valori,
iar n efectivul total al populaiei.
Deseori, este dat n procente.
5 1
n tabela 2, frecvena relativ a valorii 179 este = , a valorii 175,
120 24
10 1 4
= etc., iar n tabela 3, frecvena valorii 5 este = 10% etc.
120 12 40
n tabelele statistice cu dou coloane putem nlocui n coloana a doua
frecvenele absolute prin frecvene relative. Astfel, tabela 3, care nfieaz
rezultatele la teza de matematic de ctre o clas compus din 40 de elevi, poate fi
scris ca n tabela 8.
Tabela 8

Nota Frecvena
2 0,025
3 0,025
4 0,050
5 0,100
6 0,175
7 0,375
8 0,150
9 0,075
10 0,025

Deci, n cazul caracteristicilor cantitative, aceste tabele scot n eviden o


coresponden ntre dou mulimi de numere: mulimea valorilor caracteristicii i
mulimea frecvenelor corespunztoare. Se poate remarca analogia cu distribuia
variabilelor aleatoare. Dac distribuia unei variabile aleatoare o scriem
x1x2...xn

p1 p2... pn
unde pe prima linie sunt trecute valorile variabilei, iar n cea de-a doua linie
probabilitile corespunztoare acestor valori, tabela corespunztoare unei
caracteristici cantitative o scriem ca n tabela 9.

136
Tabela 9

Valoarea Frecvena
x1 f1
x2 f2
# #
xn fn

n prima coloan sunt trecute valorile caracteristicii, iar n cea de-a doua,
frecvenele corespunztoare.
De altfel, noiunile de variabil aleatoare i probabilitate sunt modelele
teoretice ale noiunilor de caracteristic i respectiv frecven care sunt noiuni cu
caracter experimental.
De multe ori, n loc de caracteristic se spune variabil statistic, sau pe scurt
variabil i noi vom folosi n cele ce urmeaz i aceast denumire.
Vom spune c o tabel de genul tabelei 9 definete distribuia sau repartiia
statistic a variabilei respective.
Este uor de observat c suma frecvenelor relative ale tuturor valorilor
variabilei este 1.
Se numete frecven absolut cumulat cresctoare a unei valori x a
variabilei suma frecvenelor absolute ale tuturor valorilor variabilei care apar pn
la x inclusiv.
Se numete frecven absolut cumulat descresctoare a unei valori x a
variabilei suma frecvenelor absolute ale tuturor valorilor care apar de la x inclusiv
(n cazul caracteristicilor cantitative vom considera de aici nainte numai tabele n
care valorile variabilei sunt scrise n ordine cresctoare).
Astfel, frecvena absolut cumulat cresctoare a valorii 6 din tabela 3 este 15,
iar frecvena absolut cumulat descresctoare a aceleiai valori este 32; pentru
valoarea 9 a aceleiai variabile, cele dou frecvene sunt respectiv 4 i 39.
n mod analog, definim frecvena relativ (sau scurt frecvena) cumulat
cresctoare i frecvena cumulat descresctoare.
Se numete frecven cumulat cresctoare a unei valori x a variabilei, suma
tuturor frecvenelor valorilor care apar pn la x inclusiv, iar frecven cumulat
descresctoare suma tuturor frecvenelor valorilor care apar de la x inclusiv.
Rezult c frecvena cumulat cresctoare este exprimat i de raportul dintre
frecvena absolut cumulat cresctoare i efectivul total al populaiei, iar frecvena
cumulat descresctoare de raportul dintre frecvena absolut cumulat
descresctoare i efectivul total al populaiei.
n cele ce urmeaz, prin frecven cumulat vom nelege frecvena relativ
cumulat cresctoare. O tabel statistic poate fi completat cu aceste frecvene.
Tabela 3 completat devine tabela 10.

137
Tabela 10

Frecvena Frecvena
Frecvena Frecvena
Frecvena Frecvena absolut absolut
Nota cumulat cumulat
absolut relativ cumulat cumulat
descresctoare cresctoare
descresctoare cresctoare
2 1 0,025 40 1 1 0,025
3 1 0,025 39 2 0,975 0,050
4 2 0,050 38 4 0,950 0,100
5 4 0,100 36 8 0,900 0,200
6 7 0,175 32 15 0,800 0,375
7 15 0,375 25 30 0,625 0,750
8 6 0,150 10 10 0,250 0,900
9 3 0,075 4 39 0,100 0,975
10 1 0,025 1 40 0,025 1

Observaie. Frecvena absolut cumulat cresctoare (descresctoare) a valorii


x ne d numrul de uniti corespunztoare valorilor strict mai mici (mai mari) sau
egale cu x. Astfel, numrul din linia a 5-a i coloana a 5-a a tabelei 10 ne spune c
exist 15 elevi cu note mai mici sau egale cu 6 (deci cu note de 2, 3, 4, 5, 6). Pe
aceeai tabel citim c exist 30 de elevi cu note mai mici ca 8, sau 10 elevi cu note
mai mari dect 7 etc. Putem interpreta, de asemenea, datele din coloanele 6 i 7.
Astfel putem spune ca 0,1 = 10% din elevi au note mai mici de 5 (deci note de 2, 3,
4), c 0,1 = 10% au note mai mari dect 8 (deci 9 i 10), c 0,2 = 20% au note mai
mici ca 6 etc.
Noiunile introduse n raport cu valorile individuale ale variabilei, pot fi
extinse i n cazul tabelelor cu clase de valori. Astfel, frecvena absolut a unei
clase este numrul de uniti corespunztoare valorilor variabilei care aparin clasei
respective, iar frecvena relativ (frecvena) unei clase este raportul dintre frecvena
sa absolut i efectivul total al populaiei. Astfel din tabela 6, rezult c frecvena
7
absolut a clasei 160 165 este 7, iar frecvena sa relativ este de .
120
Se numete frecven absolut cumulat cresctoare a unei clase suma
frecvenelor absolute ale tuturor claselor care apar pn la clasa considerat
inclusiv.
Se numete frecven absolut cumulat descresctoare a unei clase suma
frecvenelor absolute a tuturor claselor care apar de la clasa considerat inclusiv.
Completnd cu aceste frecvene tabela 6 obinem tabela 11.

138
Tabela 11

Clasa de Frecvena Frecvena absolut Frecvena absolut


valori absolut cumulat cresctoare cumulat descresctoare
< 160 2 2 120
160-165 7 9 118
165-170 16 25 111
170-175 37 62 95
175-180 40 102 58
180-185 11 113 18
185-190 7 120 7

Cum se face citirea unei astfel de tabele?


Frecvena absolut cresctoare a unei clase ne d numrul de uniti
corespunztoare valorilor mai mici (strict) dect limita superioar a intervalului, iar
frecvena absolut cumulat descresctoare ne d numrul unitilor
corespunztoare valorilor mai mari (sau egale) cu limita inferioar a intervalului.
Astfel din tabela 11 rezult c dintre persoanele msurate, 62 au nlimi sub 175
cm; 95 persoane au cel puin 170 cm nlime etc.
Frecvena relativ cumulat cresctoare (frecvena cumulat) a unei clase este
suma frecvenelor claselor care apar pn la clasa considerat, inclusiv sau, ceea ce
este totuna, raportul dintre frecvena absolut cumulat cresctoare i efectivul total
al populaiei. n mod analog se definete frecvena relativ cumulat cresctoare a
unei clase.
Din tabela 11 rezult c frecvena cumulat a clasei 175 180 este
102
= 0,85 = 85% . Vom spune c 85% din persoanele msurate au nlimea sub
120
180 cm. Frecvena cumulat descresctoare a clasei 165 170 este de 0,925, deci
92,5% din persoanele considerate au nlimea de cel puin 165 cm.

4. Serii cronologice
Tot n cadrul seriilor statistice sunt incluse i aa-numitele serii cronologice
care prezint evoluia n timp a unor mrimi.
n cazul unei tabele corespunztoare unei serii cronologice, n prima coloan
sunt trecute anumite momente sau intervale de timp, iar n coloana a doua valorile
corespunztoare ale mrimii considerate. Astfel s presupunem c se msoar
temperatura apei unui lac ntr-un anumit punct, n fiecare an la 15 iulie ora 12, iar
rezultatele obinute sunt trecute n tabela 12.

139
Tabela 12

Data Temperatura n oC
15 iulie 1960 20
15 iulie 1961 22
15 iulie 1962 19
15 iulie 1963 18
15 iulie 1964 20
15 iulie 1965 20
15 iulie 1966 21
15 iulie 1967 20

n coloana stng avem trecute momente precise de timp, spre deosebire de


tabela 13, unde avem trecute n coloana stng intervale de timp.

Tabela 13
Numrul absolvenilor unei coli

1950-1954 1000
1955-1959 997
1960-1964 1022
1964-1968 1018

(n tabelele 12 i 13 datele sunt imaginare).

2. Reprezentarea grafic a seriilor statistice


n acest punct ne vom ocupa de reprezentarea grafic a seriilor statistice cu o
singur caracteristic. Reprezentarea grafic a unei serii este uneori foarte
sugestiv, ea contribuind la o prim interpretare intuitiv, pe cale vizual, a datelor.
Deseori reprezentarea grafic sugereaz nsi legea pe care o urmeaz fenomenul
studiat.
1. Reprezentarea grafic a seriilor cu caracteristic calitativ
Reprezentarea acestor distribuii constituie un capitol deosebit de important al
reprezentrii grafice, dat fiind c ilustreaz, prin desene, anumite rapoarte
numerice. Graficul corespunztor poart numele de diagram.
S considerm, de exemplu, distribuia investiiilor pe ramuri ale economiei n
anii 1966-1970 (tabela 14).

140
Tabela 14

Total investiii ......................................... 100 %


Industrie .................................................. 57,4%
Agricultur .............................................. 13,1%
Transporturi i telecomunicaii ............... 11,8%
Gospodrie comunal i locuine ............ 8,7%
nvmnt cultural i sntate ................ 3,5%
Celelalte ramuri ....................................... 5,5%

3,5% 5,5%
57,4%
8,7%

11,8%
57,4%

13,1%
13,1% 11,8%
8,7%
3,5% 5,5%

Fig.19

Datele pot fi reprezentate prin dreptunghiuri pe baze egale i cu nlimi


proporionale cu procentele sau prin sectoare de cerc, cu unghiurile proporionale
cu aceleai numere (fig.19).

2. Reprezentarea seriilor cu caracteristic cantitativ


Seriile cu caracteristic cantitativ se reprezint grafic n raport cu un sistem
de axe rectangulare. Alegerea unitii pe fiecare dintre axe este la ndemna
statisticianului, care are grij ca alegerea s uureze obinerea concluziilor dorite,
ct i ca desenul s rmn n cadrul hrtiei.
a) Reprezentarea n batoane. Aceast reprezentare se folosete mai ales pentru
seriile n care variabila ia un numr mic de valori.
S considerm datele din tabela 15.
Tabela 15
Distribuia familiilor dintr-un bloc dup numrul copiilor
Nr. de copii Frecvena absolut
0 6
1 18
2 23
3 20
4 14
5 6
6 2
7 1

141
Obinem reprezentarea n batoane din figura 20.
Deci pe axa orizontal sunt trecute punctele repezentnd valorile variabilei i
din aceste puncte se ridic segmente verticale de lungime egal cu frecvena
absolut a valorii respective. Segmentele ridicate sunt msurate cu unitatea de pe
Oy.
b) Histogram. Fiind dat o serie cu clase de valori de amplitudini egale
obinem histograma acestei serii, lund pe axa orizontal o succesiune de segmente
egale reprezentnd amplitudinea claselor, i, ridicnd pe fiecare din aceste
segmente considerate ca baze, dreptunghiuri de nlimi proporionale cu
frecvenele (relative sau absolute) ale claselor respective.

25
Nr. familii

20

15

20
10

5 10

0
8
0
1 2 3 4 5 6 7
Nr. copii 10 20 30 40 50 60
Fig. 20 Fig. 21

Histograma corespunztoare din tabela 16 este dat n figura 23.

Tabela 16
Distribuia unor piese dup diametrul lor

Mrimea diametrului, mm Frecvena absolut Frecvena cumulat


10 20 10 10
20 30 15 25
30 40 12 37
40 50 15 52
50 - 60 8 60

Histograma corespunztoare tabelei 11 este dat n figura 22.


c) Dac din mijlocul fiecrui segment de pe axa orizontal ridicm segmente
proporionale cu frecvenele claselor corespunztoare fiecrui segment i unim
printr-o linie poligonal extremitile superioare ale acestor segmente obinem
poligonul frecvenelor. Astfel, poligonul frecvenelor corespunztoare tabelei 16
este dat n figura 23.
d) Dac aceleai puncte de la alineatul precedent le unim nu printr-o linie
poligonal, ci printr-o curb, obinem curba de distribuie a seriei respective.
Poligonul frecvenelor cumulate (cresctoare) se obine unind printr-o linie
poligonal punctele (x, y), unde x este extremitatea dreapt a intervalului unei clase,

142
iar y frecvena cumulat a clasei respective, la care mai adugm punctul (a, 0),
unde a este limita inferioar a primei clase.

40

20 20

10

0 0
155 160 165 170 175 180 185 190 10 20 30 40 50 60
Fig. 22 Fig. 23

120

100 10

80 8

60 6

40 4

20 2

0 0
155 160 165 170 175 180 185 190 L M M J V S D

Fig. 24 Fig. 25

Astfel, poligonul frecvenelor cumulate corespunztor tabelei 11 este dat n


figura 24.
n mod analog se definete curba frecvenelor cumulate descresctoare. Daca
punctele din figur le unim nu printr-o linie poligonal, ci printr-o curb, obinem
curba cumulativ a seriei considerate.

3. Reprezentarea seriilor cronologice


S presupunem c ntr-un internat se dau zilnic note fiecrui dormitor pentru
ntreinerea cureniei. Rezultatele obinute de un anumit dormitor ntr-o sptmn
sunt date n tabela 17.
Tabela 17

L 10 V 8
M 9 S 10
M 9 D 9
J 10

Diagrama corespunztoare acestei tabele este dat n figura 25.


n acelai mod se fac graficele realizrilor zilnice (sptmnale, lunare)

143
individuale sau colective ntr-o ntreprindere. Abscisele punctelor care se unesc
prin linia poligonal sunt mijloacele segmentelor reprezentnd intervale de timp
(sau punctele reprezentnd momentele), iar ordonatele, valorile mrimii
considerate, n intervalul de timp corespunztor.

3. Elementele caracteristice ale unei serii statice


n cele ce urmeaz vom numi valoarea central a unei clase de variaie, media
aritmetic a extremitilor acestei clase. Astfel, valoarea central a clasei 165
170 din tabela 11 este 167,5.
1. Modul
Modul sau dominanta unei serii statistice se numete valoarea caracteristicii
corespunztoare celei mai mari frecvene n cazul cnd valorile caracteristicii sunt
date individual i valoarea central a clasei corespunztoare celei mai mari
frecvene, n cazul variabilelor continue, cnd se dau clase de variaie. Aceast
noiune prezint interes mai ales n cazurile cnd avem o singur dominant.
n cazul prezentat n tabela 3, dominanta este 7, iar n cazul tabelei 11 este
177,3.
2. Mediana
Mediana unei serii este un numr x astfel c exist tot attea uniti statistice
corespunztoare valorilor < x, ca i cele corespunztoare valorilor > x.
Daca o caracteristic ia valorile :
1, 3, 3, 3, 4, 5, 6, 6, 7, 8, 9,
atunci 5 este mediana, deoarece exist 5 valori < 5 i 5 valori > 5.
Dac avem valorile
1, 3, 3, 3, 4, 5, 6, 7, 7, 9
atunci vom lua ca median media aritmetic a numerelor situate la mijloc (dac ele
au fost n ordinea mrimii). n acest caz, mediana este 4,5. Uneori se consider ca
median oricare din cele dou numere.
Cum se calculeaz mediana n cazul unei variabile continue, vom arta pe un
exemplu. S considerm pentru aceasta tabela 16.
Dac piesele ar fi aranjate n ordinea diametrelor lor, noi vrem s calculm
diametrul celei de-a 30-a. Diametrul acestei piese este cuprins ntre 30 i 40 mm.
Clasa 30 40 are frecvena absolut 12. Vom presupune c diametrul celor 12
piese corespunztoare crete uniform de la 30 la 40. Deci creterea diametrului de
40 30
la o pies la urmtoarea este . Pe de alt parte, a 30-a pies a populaiei
12
este 30 25 = a 5-a pies a clasei (deoarece exist 25 de piese cu diametrul < 30).
40 30
Deci, diametrul celei de-a 30-a piese este 80 + (30 25) = 34,16 mm.
12
3. Media aritmetic
Dac x1, x2,....xn , sunt n valori, se tie c media lor aritmetic este
x1 + x2 + ... + xn
.
n

144
Fiind dat distribuia unei variabile x

Valoarea Frecvena
x1 y1
x2 y2
# #
xn yn

valoarea medie a variabilei respective este


x y + x y + ... + xn yn
x= 1 1 2 2 . (1)
y1 + y2 + ... + yn
Dac N = y1 + y2 + ... + yn este efectivul total al populaiei, atunci
y1 y y
x = x1 + x2 2 + ... + xn n
N N N
y
au dac notm cu f r = i frecvena relativ a valorii xi (i = 1, 2, ..., n)
N
x = x1 f1 + x2 f2 + ... + xn fn .
Expresia (1) are ntr-adevr semnificaia unei medii aritmetice. Variabila x ia
dup cum reiese din tabel, de y1 ori valoarea x1, de y2 ori valoarea x2 .a.m.d. Deci,
pentru a calcula valoarea medie a variabilei, calculm media aritmetic a numerelor
x1, x1 , ... , x1 , x2 , x2 ,.., x2 , ... , xn , xn , ... , xn

y1 ori y2 ori yn ori


i obinem chiar expresia din membrul drept al relaiei (1). Aceast expresie se mai
numete media aritmetic ponderat a numerelor x1, x2,....xn , numerele y1, y2,.... yn
fiind ponderile respective ale acestor valori.
Dac vom considera datele tabelei 3, rezult c media pe ntreaga clas la
notele la matematic este
10 1 + 9 3 + 8 6 + 7 15 + 6 7 + 5 4 + 4 2 + 3 1 + 2 1
= 6,625 .
40
Cazul seriilor cu variaie continu l reducem la cazul precedent substituind
fiecare clas cu valoarea sa central.
Astfel, n exemplul prezentat n tabela 16, se obin datele din tabela 18.

145
Tabela 18

Mrimea Frecvena absolut Valoarea central


x1y1
diametrului y1 x1
10 20 10 15 150
20 30 15 25 375
30 40 12 35 420
40 50 15 45 675
50 60 8 55 440
60 2060
2060
x= = 34,3 .
60
Dac vrem s lucrm cu numere mai mici dect cele ce ne sunt date n tabele,
facem urmtoarele observaii. Avem pentru orice i
xi = x0 + ( xi x0 ), xi yi = x0 yi + ( xi x0 ) yi .
Dnd lui i valorile 1, 2, ..., n obinem n relaii care, adunate termen cu termen,
ne dau x1 y1 + x2 y2 + ... + xn yn = x0 ( y1 + y2 + ... + yn ) + ( x1 x0 ) y1 + ( x2 x0 ) y2 + ...
+ ( xn x0 ) yn sau, mprind cu N = y1 + y2 + ... + yn ,
( x x ) y + ( x2 x0 ) y2 + ... + ( xn x0 ) yn
x = x0 + 1 0 1 .
N
Aceast relaie o mai putem scrie
x = x0 + x x0 .
n exemplul precedent, lund x0 = 35, avem calculele prezentate n tabela 19.

Tabela 19
Clasele Frecvena absolut Val. central xi xi x0 (xi x0)yi
10 20 10 15 20 200
20 30 15 25 10 150
30 40 12 35 0 0
40 50 15 45 10 150
50 60 8 55 20 160
60 40
40
x = 35 = 34,3 .
60
4. Dispersia
Fiind date n valori x1, x2,....xn , a cror medie este x , se numete dispersia
acestor valori, mrimea
( x x )2 + ( x2 x )2 + ... + ( xn x )2
2 = 1 .
n
Fiind dat seria statistic:

146
Valoarea x Frecvena absolut y
x1 y1
x2 y2
# #
xn yn

x1 y1 + x2 y2 + ... + xn yn
unde N = y1 + y2 + ... + yn i x = , sunt respectiv efectivul
N
total al populaiei si valoarea medie, dispersia corespunztoare este
( x x )2 y1 + ( x2 x )2 y2 + ... + ( xn x )2 yn
2 = 1 .
N
Mrimea = 2 se numete abaterea mediei ptratice. Ea se exprim n
aceleai uniti ca i caracteristica seriei.
n cazul caracteristicilor continue se substituie fiecare interval de variaie prin
valoarea sa central.
S dm i o alt form dispersiei. Vom dezvolta expresia
1
[( x x )2 y1 + ( x2 x )2 y2 + ... + ( xn x )2 yn ]
N 1
1
i obinem 2 = [ x12 y1 + x22 y2 + ... + xn2 yn 2x ( x1 y1 + x2 y2 + ... + xn yn ) + x 2 (y1 + y2
N
x2 y + x22 y2 + ... + xn2 yn x2 y + x2 y + ... + xn2 yn 2
+ ... + yn )] 1 1 2x 2 + x 2 = 1 1 2 2 x . (2)
N N
Deci 2 = x 2 (x )2 .
Dac am fi nlocuit mrimile xi, prin xi x0 , unde x0 este o constant, am fi
obinut
( x x )2 y + ( x2 x0 )2 y2 + ... + ( xn x0 ) yn
2 = 1 0 1 ( x x0 )2 , (2)
N
unde prin x 2 am notat media aritmetic a mrimilor x12 , x22 ,..., xn2 cu ponderile
y1, y2 ,..., yn . Am regsit o proprietate a dispersiei unei variabile aleatoare.
Dispersia sau, mai bine zis, abaterea medie ptratic indic gradul de
mprtiere a valorilor n jurul valorii medii. O valoare mic a abaterii indic o
pronunat grupare a valorilor n jurul mediei aritmetice.
S completm tabela 19 cu datele necesare calculului dispersiei 2 . Vom
calcula 2 att direct, ct i folosind ultima formul.
Lum x0 = 35 i tim c x = 34,3 . Se obin datele din tabela 20.

147
Tabela 20

Clasa Frecv. Val. xi x0 xi x ( x1 x2 ) 2 ( xi x0 ) 2 yi ( x1 x0 ) 2 yi ( xi x0 ) 2


y centr.
x
10-20 10 15 -20 -19,3 400 372,49 4000 3724,90
20-30 15 25 -10 -9,3 100 86,49 1500 1296,45
30-40 12 35 0 0 0 0,49 0 5,88
40-50 15 45 10 10,7 100 114,49 1500 1717,35
50-60 8 55 20 20,7 400 428,49 3200 3427,92
60 10200 10172,50

10172,5
Deci 2 = = 169,5
60
1
sau, folosind (2), 2 = x10200 (34,3 35)2 = 169,5 .
60
Se observ c, alegnd convenabil valoarea lui x0 , calculele se simplific.

4. Sondaje
1. Generaliti
Am vzut c n statistic ntlnim diverse populaii, alctuite dintr-un numr
mare de uniti, care pot fi persoane, obiecte, informaii, etc. Studiul direct al
populaiilor statistice este, de multe ori, greu de realizat din cauza numrului mare
de uniti. Un asemenea studiu poate fi prea costisitor i s pretind prea mult timp
execuia lui. Alteori, dac numrul unitilor nu este determinat, ca, de exemplu,
numrul pieselor pe care le poate face o main, populaia total nu poate fi
evaluat. n toate aceste cazuri, pentru a culege informaii privitoare la populaia
considerat, efectum o statistic numai pentru o fraciune din populaia total i
rezultatul obinut l extindem pentru toat populaia. Spunem c am executat un
sondaj, iar fraciunea din populaia total pentru care am fcut statistica poart
numele de eantion.
De exemplu, la o policlinic s-au prezentat ntr-o lun 23000 de persoane. Ne
intereseaz distribuia pe vrste a acestor bolnavi. Pentru aceasta, din fiele
ntocmite pentru fiecare bolnav n parte, se aleg la ntmplare 1000 de fie. Am
fcut astfel un sondaj n baza unui eantion de 1000 de uniti, dintr-o populaie
total de 23000 de uniti. Deoarece fiele au fost scoase la ntmplare, putem
presupune c modelul matematic pentru operaia pe care am fcut-o este dat de o
urn n care se gsesc 23000 de bile i extragem la ntmplare 1000 de bile, adic
un eantion de 1000 de bile. Cunoscnd statistica referitoare la eantion, ne
propunem s cptm informaii privind populaia total. Evident, informaiile le
putem cpta cu o anumit probabilitate.
Sondajele sunt mult folosite n practica statisticii. Unele dintre ele, numite
sondaje de opinie, sunt fcute cu scopul de a afla prerea unor oameni n vederea
alctuirii unui program, unei lucrri etc. De exemplu, n vederea mbuntirii

148
programelor de radio, se poate cere prerea abonailor pe baza unui sondaj de
opinie, trimindu-le un chestionar pentru completare.
Avem dou cazuri, dup cum aplicm schema lui Bernoulli sau schema
hipergeometric.
2. Schema lui Bernoulli
S considerm mai nti urna lui Bernoulli, pentru care posibilitatea de a
scoate o bil alb este p. Efectum n extracii succesive din urn, punnd de fiecare
dat bila extras napoi n urn. Fie

fn = ,
n
frecvena numrului de bile albe obinute n n extracii. Ne intereseaz
probabilitatea dublei inegaliti np k npq np + k npq , q = 1 p sau
pq pq
fn p k , p+k , unde k este un numr real. Aceast probabilitate
n n

pq
[np + k ]
pq pq n
este P fn p k
n
,p+k
n = Cn p q n , unde [a] este partea
=[np k npq ]
ntreag a lui a.
Probabilitatea de mai sus a fost calculat pentru diferitele valori date lui p, k, n,
s-au ntocmit tabele numerice n acest scop i s-a constatat c dac este ndeplinit
condiia n p q > 9, se obin urmtoarele rezultate numerice:
pq pq
P fn p 1,96 , p + 1,96 = 0,950 ;
n n

pq pq
P fn p 2,58 , p + 2,58 = 0,990 ; (3)
n n

pq pq
P fn p 3 ,p+3 = 0,997 .
n n

Se observ c probabilitile din membrul al doilea sunt foarte mari. Deci, n
afar de rare excepii, frecvena fn este cuprins n intervalul
pq pq
p k n , p + k n , k 1,96 .

Vom da cteva aplicaii ale formulelor (3).
Aplicaia 1. La o main, din 1000 de piese 25 sunt rebut. S se determine, cu
probabilitatea egal cu 0,95, un interval n care se gsete numrul de piese bune
din 5000 de piese fabricate.
Suntem n cazul schemei lui Bernoulli.
Aplicnd prima formul din (3) avem

149
0,975 0,025 0,975 0,025
P f5000 0,975 1,96 , 0,975 + 1,96 = 0,95 ,
5000 5000
deoarece p = 0,975, q = 0,025, n = 5000.
Efectund calculele, obinem:
P[ f5000 (0,970; 0,9793)] = 0,95 .
Numrul pieselor bune se obine nmulind frecvena cu 5000 i obinem:
P[5000 f5000 (4854; 4897)] = 0,95 .
Cu o probabilitate egal cu 0,95 vom gsi un numr de piese bune cuprins ntre
4854 i 4897.

Aplicaia 2. 51% dintre copiii nou nscui sunt biei i 49% fete. S se
determine, cu o probabilitate egal cu 0,99, ntre ce limite variaz numrul
bieilor la 10000 copii nscui.
Suntem n cazul urnei lui Bernoulli cu n = 10000, p = 0,51, q = 0,49. Condiia
npq > 9 este ndeplinit. Deci
0,51 0,49 0,51 0,49
P f10000 0,51 2,58 , 0,51 + 2,58 = 0,99 ;
10000 10000

P[ f10000 (0,4971; 0,5229)] = 0,99 .
Deci, cu o probabilitate egal cu 0,99, la 10000 copii nou nscui, numrul
bieilor va fi cuprins ntre 4971 i 5229. Dac o statistic, efectuat ntr-o anumit
regiune, dezminte acest fapt, nseamn c n acea regiune nu putem admite c
probabilitatea ca un nou nscut s fie biat este egal cu 0,51.
Aplicaia 3. S-a aruncat un zar de 600 de ori i s-a obinut faa 1 de 70 de ori.
Se poate admite c zarul a fost just, adic probabilitatea de a obine o fa dat
1
este ?
6
1 5
Suntem n cazul urnei lui Bernoulli cu p = , q = , n = 600. Construim un
6 6
interval cu probabilitatea 0,95.
1 1 1 5 1 1 1 5
P f600 1,96 , + 1,96 = 0,95 .
6 600 6 6 6 600 6 6

P [ f600 (0,137; 0,197)] = 0,95 .
70
Numrul se gsete n afara intervalului [0,137; 0,197]. Probabilitatea ca
600
s obinem un numr n afara intervalului este 0,05. Aceast probabilitate fiind
1
mic, conchidem c nu putem admite ipoteza p = , adic zarul nu este just. n
6
aplicaiile teoriei probabilitilor se admite c trebuie s considerm ca anormale
evenimentele ca se produc rar, cu o probabilitate mic.

150
3. Schema hipergometric
Se pot stabili intervale care cuprind cu mare probabilitate i frecvena
corespunztoare schemei hipergeometrice. S considerm astfel o urn, n care
a b
avem a bile albe i b bile negre (a + b = N, p = , q = ). Extragem din urn n
N N
N, bile fr s punem bila extras napoi n urn. Fie

fn = ,
n
frecvena numrului de bile albe obinute n n extracii. Avem:
Calculndu-se membrul al doilea al acestei egaliti pentru diverse valori ale
lui p, n, k, s-a constatat c pentru
npq > 9
avem formulele:
pq N n pq N n
P fn p 1,96 , p + 1,96 = 0,950 ;
n N 1 n N 1

pq N n pq N n
P fn p 2,58 , p + 2,58 = 0,990 ; (4)
n N 1 n N 1

pq N n pq N n
P fn p 3 ,p+3 = 0,997 .
n N 1 n N 1

n intervalele de forma
pq N n pq N n
p k n N 1 , p + k n N 1 , k 1,96; npq > 9,

frecvena fn este cuprins, cu probabiliti foarte mari, conform formulelor (4).
Pentru alte valori dect k = 1,96, k = 2,58, k = 3, au fost ntocmite tabele numerice,
pe care noi ns nu le folosim (dect n urmtoarea seciune), pentru exemplele din
aceast parte elementar a crii fiind suficiente aceste trei valori date lui k.
Aplicaie. ntr-un ora cu 1756000 de locuitori sunt 157320 mai vrstnici de
65 de ani. Ci locuitori depesc vrsta de 65 de ani ntr-un sector al oraului cu
420000 de locuitori?
Locuitorii din sector reprezint un eantion din numrul total al locuitorilor din
ora. Suntem n cazul schemei hipergeometrice cu N = 1756000, n = 420000,
157320
p= = 0,0896 , q = 0,9134.
1756000
Vom aplica formulele (4) cu o probabilitate egal cu 0,99:
0,0896 0,9134 1756000 420000
P [ f420000 [0,0896 2,58 ;
420000 1756000 1
0,0896 0,9134 1756000 420000
0,0896 + 2,58 ]] = 0,99 .
120000 1756000 1

151
P ( f420000 [0,089513; 0,089687]) = 0,99
Prin urmare, cu probabilitatea 0,99, frecvena f 420000 se gsete cuprins n
intervalul [0,089513; 0,089687] . Pentru a gsi limitele n care variaz numrul
locuitorilor mai vrstnici de 65 de ani n sectorul considerat trebuie s nmulim
rezultatele obinute cu 420000. Notnd cu M acest numr gsim
35595 < M < 37669.
Cu o probabilitate egal cu 0,99. M se gsete cuprins ntre 37595 i 37669.

4. Intervale de ncredere pentru determinarea probabilitii, n cazul


sondajelor de volum mare.
Inegalitile de care ne-am ocupat pn acum sunt de forma:
np k npq np + k npq .
Notnd pentru simplificare
fn = f ,
inegalitile de mai sus pot fi scrise succesiv:
pq 2 pq k 2 2 k2
pf k ; p f k2 ; 1+ p 2 f + p + f 2 0 ,
n n n 2n

p1 p p2 ,
k2 k2
unde p1 i p2 sunt rdcinile ecuaiei: 1 + p2 2 f + p + f 2 = 0 ,
n 2n

k2 f (1 f ) k 2 k2 f (1 f ) k 2
f + k + 2 f + +k + 2
n n 4 n n n 4n .
p1 = 2
; p2 = 2
k k
1+ 1+
n n
Cum k 3 , pentru eantioanele mari, adic pentru valori ale lui n suficient de
f (1 f ) f (1 f )
mari, putem lua p1 f k ; p2 f + k .
n n
Avem deci, pentru eantioanele mari,
pq pq f (1 f ) f (1 f )
pk f p+k f k p f +k .
n n n n
Formulele pot fi scrise sub forma:
f (1 f ) f (1 f )
P p f 1,96 , f + 1,96 = 0,950 ;
n n

f (1 f ) f (1 f )
P p f 2,58 , f + 2,58 = 0,990 ; (3)
n n

152
f (1 f ) f (1 f )
P p f 3 , f +3 = 0,997 ,
n n
pentru k = 1,96; 2,58; 3 .
Intervalul
f (1 f ) f (1 f )
f k ; f +k
n n
poart numele de interval de ncredere. Ele variaz dup hazard, dar acoper cu o
probabilitate mare, cunoscut, probabilitatea teoretic p. La fel, pentru eantioane
mari, formulele (4), referitoare la schema hipergeometric sunt echivalente cu
f (1 f ) N n f (1 f ) N n
P p f 1,96 , f + 1,96 = 0,950 ;
n N 1 n N 1

f (1 f ) N n f (1 f ) N n
P p f 2,58 , f + 2,58 = 0,990 ; (4)
n N 1 n N 1

f (1 f ) N n f (1 f ) N n
P p f 3 , f +3 = 0,997 .
n N 1 n N 1

Aplicaia I. ntr-un ora au fost sancionai n timpul unui an 15300 de


conductori de automobile pentru abateri de la legile circulaiei. Efectundu-se un
sondaj, s-a constatat c din 2000 de conductori sancionai, 590 au fost femei. S
se evalueze numrul total de femei sancionate.
Modelul matematic pentru aceast problem este dat de o urn n care avem
bile de dou culori. Numrul total al bilelor este de 15300. Efectundu-se din
aceast urn 2000 extrageri, fr ca s se pun bila extras napoi n urn, s-a gsit
590
frecvena f 2000 = .
2000
Sondajul s-a fcut n modul urmtor: s-au ales la ntmplare 2000 de
conductori sancionai din totalul de 15300, avnd grij ca nici unul dintre ei s nu
fie ales de dou ori. Este acelai lucru, ca i cum ntr-o urn am aezat 15300
bileele, n care sunt trecute numele conductorilor sancionai, i am scoate 2000
dintre ele. Bileelele sunt de dou feluri: unele conin numele conductorilor femei
i altele conductorilor brbai. Deci suntem tocmai n cazul schemei
hipergeometrice.
Aplicnd formulele (4) obinem, innd seam de N = 15300, n = 2000,
500
f2000 = = 0,
2000
0,295 0,705 15300 2000
P p 0,295 1,96 ,
2000 15300 1

153
0,295 0,705 15300 2000
0,295 + 1,96 = 0,95 ;
2000 15300 1

0,295 0,705 13300
P p 0,295 2,58 ,
2000 15299

0,295 0,705 13300
0,295 + 2,58 = 0,99 ;
2000 15299

0,295 0,705 13300
P p 0,295 3 ,
2000 15299

0,295 0,705 13300
0,295 + 3 = 0,997 .
2000 15299

Efectund calculele, gsim:
P [0,276 < p < 0,314] = 0,95 ;
P [0,271 < p < 0,319] = 0,99 ;
P [0,267 < p < 0,323] = 0,997 .
Prima egalitate ne arat c probabilitatea, pe care n-o cunoatem ca un
contravenient luat la ntmplare s fie femeie, este cuprins n intervalul (0,276;
0,314). Acest fapt se produce cu probabilitatea 0,95. Intervalul (0,276; 0,314) este
un interval de ncredere cu probabilitatea 0,95.
Dac intervalul de ncredere crete, este evident c i probabilitatea
corespunztoare crete. Astfel, probabilitatea evenimentului p (0,267; 0,323) este
0,997. Suntem aproape siguri n afar de 3%o cazuri de excepie, c probabilitatea
necunoscut p ca un contravenient s fie femeie este cuprins n intervalul (0,267;
0,323).
Am artat c, notnd prin p probabilitatea de a scoate o bil alb la schema
hipergeometric, valoarea medie a numrului de bile albe obinute n N probe este
Np. Prin urmare, pentru a determina intervalul n care se gsete numrul de femei
contraveniente, trebuie s nmulim rezultatele gsite pentru p, cu N = 15300.
Gsim astfel, dac notm prin A numrul total de femei contraveniente:
P [4221 < A < 4805] = 0,95 ;
P [4146 < A < 4881] = 0,99 ;
P [4085 < A < 4942] = 0,997 .
Cu o siguran dezminit n 3%o din cazuri, putem afirma c numrul de
femei dintre cei 15300, conductori sancionai este cuprins n intervalul (4085,
4942).
Aplicaia II. O main automat a fabricat 5000 de piese, dintre care 243 nu
sunt acceptabile. Care este probabilitatea ca maina fabrice o pies rebut?
Admitem c probabilitatea ca maina s fabrice o pies care s nu poat fi

154
acceptat rmne aceeai n timpul fabricaiei. Fie p aceast probabilitate. Fiecrei
piese i se ataeaz o variabil aleatoare, care, cu probabilitatea p, poate s ia
valoarea 1, adic piesa este inacceptabil, i, cu probabilitatea q = 1 p, poate lua
valoarea 0, adic piesa este acceptabil. Obinem astfel, fabricnd un numr n de
piese, un ir de variabile aleatoare, care presupunem c sunt independente ntre ele.
Se vede c, schematic, ne situm n cazul unei urne, n care avem bile de dou
culori, i efectum extrageri succesive, punnd, de fiecare dat, bila extras napoi
n urn. Modelul matematic al aplicaiei de mai sus este dat deci de schema lui
Bernoulli, n care probabilitatea de realizare a evenimentului n fiecare prob este
p. Putem deci aplica formulele (3)
243 243 243 243 1
Avem: n = 5000, f 5000 = ; P p 2,58 1 ,
5000 5000 5000 5000 5000

243 243 243 1 205 280
+ 2,58 1 = 0,99 , P p , = 0,99 .
5000
5000 5000 5000 5000 5000

Cu o probabilitate egal cu 0,99, probabilitatea teoretic de a avea un rebut se
gsete cuprins n intervalul (0,041; 0,056).

5. Probleme propuse
1. n tabela 25 sunt trecute rezultatele obinute ntr-o curs de 100 m de ctre
40 de participani.
Tabela 25

Timp (s) Nr. de alergtori Timp (s) Nr. de alergtori


10,5 10,7 1 11,5 11,7 7
10,7 10,9 1 11,7 11,9 6
10,9 11,1 2 11,9 12,1 5
11,1 11,3 5 12,1 12,3 4
11,3 11,5 7 12,3 2,5 2

S se completeze tabela cu valorile centrale ale claselor, cu frecvenele


relative i cu frecvenele cumulate. S se citeasc pe tabela obinut ci alergtori
au realizat timpuri mai bune de 11,7 s. Care este procentul de alergtori care au
realizat timpuri mai bune de 11,5 s?
2. S se construiasc histograma, poligonul frecvenelor i poligonul
frecvenelor cumulate cresctoare pentru seria din problema 1.
3. S se stabileasc timpul mediu realizat pe 100 m de ctre 40 alergtori, ale
cror rezultate sunt trecute n tabela 25.
4. n tabela 26 este prezentat distribuia elevilor dintr-o coal dup talie.

155
Tabela 26
Talia (cm) Nr. elevi
150 154 38
154 158 65
158 162 175
162 166 189
166 170 111
170 174 62
S se completeze tabela. S se construiasc histograma corespunztoare. S se
calculeze i s se interpreteze dominanta i mediana. S se calculeze nlimea
medie a elevilor colii.
5. S se calculeze dispersiile seriilor de la problemele 1 i 4.
6. S-a aruncat o moned de 1000 de ori i s-a obinut o fa de 576 de ori. Se
poate admite c moneda a fost just, n sensul c probabilitatea obinerii uneia din
1
fee este ?
2
7. O main produce 6% rebuturi. ntr-un lot de 1000 de piese fabricate sunt
85 piese rebutate. Funcioneaz maina normal?
8. La o bibliotec sunt, dup numrul formularelor completate la nscriere,
9760 de cititori, dintre care 2020 sunt mai tineri de 20 de ani. Lundu-se la
ntmplare 500 formulare, ntre ce limite variaz, cu probabilitatea 0,990, numrul
cititorilor mai tineri de 20 de ani cuprini n formulare?
9. ntr-o localitate sunt 125372 locuine. Dintr-un sondaj de 1200 locuine s-a
constatat ca 571 dintre ele posed spaiu excedentar. S se evalueze numrul total
al locuinelor avnd spaiu excedentar.
10. n biblioteca unei ntreprinderi au fost eliberate ntr-un an fie de mprumut
de cri. Lundu-se la ntmplare 5000 de fie s-a ntocmit urmtoarea situaie:

Brbai Femei Total


Lucrtori 1960 1211 3171
Funcionari 1010 819 1829
Total 2970 2030 5000

Se cere s se evalueze pentru ntreaga colectivitate:


1. Numrul cititoarelor
2. Numrul lucrtorilor, care au mprumutat cri.

156
2. Teoria sondajului
Determinarea legilor probabilistice de comportare a fenomenelor de mas se
bazeaz pe date numerice, obinute n urma unor observaii. Statistica matematic,
prin metodele sale, urmrete s ncadreze fenomenul studiat ntr-una din clasele de
fenomene care se supun unor legi cunoscute sau s determine cu aproximaie ct
mai bun parametrii legii n care se ncadreaz fenomenul respectiv.
Datele culese se refer la una sau mai multe caracteristici comune unei mulimi
de elemente.

1. Prelucrarea datelor statistice


O mulime de elemente care au cel puin o nsuire comun i este supus unei
prelucrri statistice se numete populaie statistic sau colectivitate statistic.
Populaia poate fi alctuit dintr-un ansamblu de persoane, obiecte, evenimente,
idei sau opinii etc.
Numrul elementelor mulimii se numete volumul populaiei. Volumul unei
populaii statistice poate fi finit sau infinit.
Elementul unei populaii statistice asupra cruia se efectueaz nemijlocit
observarea este numit unitate statistic. Culegerea informaiei de la unitile
statistice reprezint observarea statistic. De obicei, observarea statistic se refer
la o nsuire comun unitilor unei populaii numit caracteristic statistic.
Caracteristica statistic capt accepii sau valori diferite de la o unitate la alta
sau de la un grup de uniti la altul. Caracteristica este o variabil aleatoare discret
sau continu. ns, diverse motive cum ar fi facilitarea prelucrrii ulterioare a
datelor, precizia limitat a instrumentelor de msur i interesul practic pentru un
anumit grad de precizie, fac ca n statistic s se utilizeze variabile aleatoare
discrete.
Pentru obinerea informaiilor referitoare la valorile unei caracteristici, nu este
posibil cercetarea fiecrui element n parte al populaiei considerate. Astfel, n
mod natural, s-a ajuns la ideea cercetrii pe baz de sondaj (metoda sondajului s-a
dovedit a fi adeseori singura metod de cercetare practic posibil). Se cerceteaz
doar un numr limitat de elemente prelevate astfel nct sondajul s fie
reprezentativ. Obiectul cercetrii l formeaz o subpopulaie. n teoria sondajului,
aceast subpopulaie (precum i valorile observate) se numete eantion sau
selecie. Numrul de elemente dintr-un eantion se numete volumul eantionului.
Sondajul se numete repetat (presupunem c sondajul se face lund cte un
element al populaiei), dac de fiecare dat elementul ales este reintrodus n
populaiei, nainte de a se extrage urmtorul. n caz contrar, sondajul se numete
nerepetat. Remarcm c n cazul n care volumul populaiei este foarte mare n
raport cu volumul eantionului, neintroducerea imediat a elementului ales n
populaie este fr efect practic.
Dac un numr mare de valori ale unei caracteristici au fost notate n ordinea
arbitrar n care au aprut n realitate, va fi dificil s tragem vreo concluzie cu

157
privire la semnificaia acestor date. De aceea, valorile observate (ale caracteristicii
studiate) x1, ... , xn , obinute ntr-un eantion de volum n, se ordoneaz cresctor.
Dac nu sunt toate diferite ntre ele, vor rmne m < n distincte. Astfel, fcnd o
renotare vom avea, n general, valorile distincte y1, y2 , ... , ym , m n, ordonate
cresctor. Se face o fi de observaii cu dou coloane, n prima coloan scriindu-se
valorile yk , iar n a doua de cte ori a aprut acea valoare.
Dac volumul eantionului este mare, se grupeaz valorile pe intervale. Astfel,
se consider un interval (a, b) n care se gsesc toate valorile xi i se mparte acest
interval n r subintervale I1 = (a0 , a1), I k = [ak 1, ak ), k = 2, r, a0 = a, ar = b . De
obicei, subintervalele se iau de lungimi egale. Subintervalele alese pentru grupare
se numesc intervale de grupare.
Fie nk numrul valorilor xi din eantionul En = {x1,..., xn} care aparin
subintervalului Ik . Numrul nk se numete frecvena absolut a subintervalului Ik ,
nelegnd prin aceasta frecvena absolut a valorilor xi En , xi Ik . Raportul
n
k = k se numete frecvena relativ sau frecvena lui Ik n cele n observaii.
n
r r k
Evident nk = n , k = 1. Numrul k = j , adic frecvena valorilor
k =1 k =1 j =1
xi En , xi < ak , se numete frecvena cumulat corespunztoare lui Ik . Datele se
organizeaz ca n tabelul 1.
Tabelul 1

Frecvene relative Frecvene cumulate


Intervale de Frecvene k
n
grupare, Ik absolute, nk k = k k = j
n j =1
I1 = (a0 , a1) n1 1 1
I 2 = [a1, a2 ) n2 2 2
# # # #
I r = [ar 1, ar ) nr r r
TOTAL n 1

Deseori este convenabil ntocmirea pe baza tabelului anterior. Astfel, datele


experimentale pot fi prezentate prin grafice ca: histograma frecvenelor relative,
poligonul frecvenelor relative, ogiva sau poligonul frecvenelor cumulate.
Histograma frecvenelor relative se obine construind pe fiecare interval Ik
cte un dreptunghi avnd baza segmentul de extremiti ak1 , ak i nlimea k
(sau un numr proporional cu k ) (vezi fig. 26).

158
2

0 a0 a1 a2 ar

Fig. 26
Fie ck centrul intervalului Ik . Se reprezint punctele Mk de abscise ck i
ordonate numere egale sau proporionale cu frecvenele k , k=1, 2, ... , r. Unind
punctele consecutive prin segmente de dreapt, se obine poligonul frecvenelor
relative (vezi fig. 27).

0 a0 c1 a1 c2 a2 cr ar

Fig. 27

r=f

1
a1 a2 ar-1 cr
0 a0 c1 c2 c3 cr

Fig. 28
Poligonul frecvenelor cumulate se construiete unind prin segmente de
dreapt punctele consecutive M k (ck , k ), k = 1,2,..., r. Ordonatele k pot fi nlocuite
prin numere proporionale cu acestea (vezi fig.28).
159
2. Variabile de sondaj
Prin experiment vom nelege un procedeu organizat, care poate fi repetat (ori
de cte ori) n acelai condiii i n urma cruia se obin rezultate ce pot fi
observate, msurate i apoi interpretate. Dac rezultatele experimentului sunt
complet determinate de condiiile n care se desfoar, atunci avem de-a face cu
un experiment determinist. Dac rezultatele nu pot fi prevzute cu exactitate,
tiindu-se doar o clas de realizri ale acestuia, atunci experimentul este aleator.
Fie caracteristica unei populaii ( este o variabil aleatoare). Notm cu
x1,, xn valorile lui obinute ntr-un eantion de volum n. Cum aceste valori
difer, n general, de la un eantion la altul, iar eantioanele sunt alegeri
ntmpltoare independente, valorile x1, x2,, xn pot fi considerate ca valori ale
unor variabile aleatoare independente 1, 2,, n , avnd aceeai repartiie ca i
caracteristica .
Valorile observate x1, x2,, xn , numite date de observaie, reprezint o
realizare a variabilelor aleatoare 1, 2 , , n numite variabile de sondaj sau
variabile de selecie sau variabilele eantionului.
Funcia empiric de repartiie corespunztoare unui eantion de volum n este
definit prin relaia
n( x)
Fn ( x) = ,
n
unde n(x) este numrul variabilei aleatoare i , 1 i n, independente i identic
repartizate cu pentru care s-au obinut valori mai mici sau egale cu x R.
Fn este o funcie n trepte (etajat) i poate fi exprimat sub forma
n
1
Fn ( x) = h( x xk ) ,
n k =1
unde x1, x2,, xn sunt datele de observaie, iar h este funcia lui Heaviside
1, x 0
h( x) = .
0, x < 0
Pe de alt parte, Fn(x) poate fi privit i ca o variabil aleatoare dac o
exprimm cu ajutorul variabilei aleatoare i , adic
n
1
n k
Fn ( x) = h( x k ) .
=1
n cazul datelor grupate pe intervale,
0, x < a1,

Fn ( x) = k , x I k +1, k = 1, 2,, r 1,
, x a ,
r r
unde k este frecvena cumulat corespunztoare intervalului Ik .
Legtura dintre Fn i funcia teoretic de repartiie F a variabilei aleatoare

160
este dat de urmtoarea teorem.
Teorema 1 (Glivenko - Cantelli). Cu notaiile de mai sus are loc relaia

P lim sup Fn ( x) F ( x) = 0 = 1 ,
n xR
adic Fn ( x) a
.s.
F ( x) , uniform n x R, cnd n .
Teorema urmtoare evalueaz distana dintre Fn(x) i F(x).
Teorema 2 (Kolmogorov). Dac F este o funcie continu, atunci
2 2
lim Psup Fn ( x) F ( x) = K () = (1) k e 2k
n xR n k Z
pentru > 0.

3. Valori tipice de sondaj (de selecie)


Prin analogie cu indicatorii repartiiilor teoretice se definesc diveri indicatori
sau valori tipice empirice pentru repartiia empiric a unei caracteristici .
Fie x1,, xn datele de observaie ale variabilei aleatoare ntr-un eantion de
volum n, (1 , , n). O funcie T(1, , n) (sau T(x1, , xn)), unde T : Rn R
este o funcie msurabil Borel se numete statistic.
Momentul de sondaj (sau momentul empiric) de ordinul k este prim definiie
statistica
k + ... + kn
mk = 1 .
n
Dac se noteaz cu mk momentul teoretic de ordinul k (adic momentul de
ordinul k al variabilei aleatoare ) atunci au loc relaiile
m mk2
M (mk ) = mk i D(mk ) = 2k .
n
Momentul de sondaj de ordinul k converge n medie ctre momentul teoretic
de ordinul k cu condiia ca momentele teoretice de ordinul k, respectiv 2k s existe.
Pentru k = 1 se obine media de sondaj sau valoarea medie empiric m1 , notat
cu , care are proprietile
D()
M () = M () , D() = .
n
Trebuie remarcat c, n practic, momentul de sondaj de ordinul k este definit
l
1
n
prin mk = ni xik , adic prin valorile x1,, xl obinute ntr-un eantion de volum
i =1
l
n l i prin frecvenele absolute ni, i = 1, l , ale valorile xi ; ni = n .
i =1

161
n
1
n
Statistica k = (i m1) k se numete momentul centrat de sondaj
i =1
(momentul empiric centrat) de ordinul k.
Pentru k = 2 se obine variana (dispersia) de sondaj, notat cu s2.
Dac se noteaz cu k momentul centrat teoretic de ordinul k, atunci
1
M (k ) = k + ; iar, dac M() = 0 avem i relaia
n
2k 2kk 1k +1 + k 222k 1 1
D(k ) = 2k + 2 .
n n
n 2
n practic, se utilizeaz pentru variana de sondaj valoarea s 2 = s ,
n 1
1
deoarece M (s 2 ) = 2 , n timp ce M (s2 ) = 2 + .
n
Urmtoarea teorem d informaii referitoare la legea de repartiie urmat de
diverse statistici.
3
Teorema 3. 1) Dac exist valorile M() = m, D() = 2 0 i M ( m ) ,
m
atunci variabila aleatoare este asimptotic normal N (0,1) , cnd n .

n
3
2) Dac exist momentele M( r ) = mr , M(2r) = m2r i M r mr , atunci

mr mr
variabila aleatoare este asimptotic normal N (0,1) , cnd r .
m2r mr2
r
3) Dac este repartizat normal N(m, ), atunci urmeaz legea

N m, .
n
4) Dac urmeaz legea N(m, ), atunci i s2 sunt independente, iar ns2
este repartizat 2 cu n 1 grade de libertate i cu parametrul .

5) Dac urmeaz legea N(m, ), atunci n 1 urmeaz legea t cu
s
parametrul n 1.
Exemplul 1. Piesele lucrate de o anumit main, pentru a fi acceptate, trebuie
s ndeplineasc unele condiii. Piesele acceptabile i neacceptabile se distribuie
dup o lege de repartiie, pe care presupunem c o cunoatem n condiii normale
de funcionare a mainii. Piesele formeaz o populaie statistic, iar legea ne d
repartiia acestei populaii. Cunoscnd repartiia, putem determina valoarea medie a

162
numrului de piese acceptabile produse ntr-un interval de timp dat i mprtierea
lor n jurul valorii medii, care poate fi considerat ca o pies standard. De
asemenea, putem sesiza momentul cnd maina nceteaz s funcioneze n condiii
normale.
Exemplul 2. Cnd medicul face o analiz a sngelui, el aplic metoda
sondajului. El determin valoarea medie a diferiilor corpusculi din snge
valoarea medie a acestora fiind, n acest caz, caracteristica ce l intereseaz
cercetnd numai colectivitatea parial de snge luat pentru analiz.
Exemplul 3. Considerm o producie de N metri de pnz realizat ntr-un timp
dat, ntr-o fabric de textile. Ne intereseaz coeficientul de rezisten al pnzei.
Pentru aceasta, aplicm metoda sondajului, lund la ntmplare diferite buci de
pnz produs, i determinm coeficientul de rezisten respectiv. Metoda
sondajului este, n acest caz, singura posibil din punct de vedere economic,
deoarece determinarea direct a coeficientului de rezisten al pnzei ar implica
distrugerea ntregii producii.
Exemplul 4. Metoda sondajului este folosit i n practica recensmintelor.
Astfel, s presupunem c se urmrete determinarea unei caracteristici, care ar
putea fi obinut pe baza unui recensmnt general, de exemplu, numrul
animalelor din-tr-o anumit regiune, folosite n agricultur. De multe ori, pentru
realizarea acestui scop, se folosete un recensmnt parial, considerndu-se, la
ntmplare, numai 5% sau 10% din gospodriile agricole din regiune. Se ajunge la
un rezultat pe o cale mai rapid, mai puin costisitoare i de multe ori i mai exact,
pentru c reducerea materialului statistic de cules, la proporii mai restrnse, d
posibilitatea unei investigaii statistice mai precise.
Exemplul 5. Fie dat repartiia discret urmtoare

k 0 1 2 3 4 5 6 7 8 9
pk 0,136 0,270 0,270 0,180 0,100 0,030 0,010 0,003 0,001 0

a) S se aproximeze repartiia dat cu ajutorul repartiiei Poisson P().


b) S se aproximeze repartiia dat cu ajutorul binomiale B(100, p) cu

p= .
100
c) S se compare cele dou aproximri cu repartiia dat.
a) Media aritmetic a repartiiei este 1,989 2 . Atunci recurgem la o repartiie
Poisson cu media = 2, dat de urmtoarea tabel de valori

k 0 1 2 3 4 5
pk 0,13543 0,27067 0,27067 0,18045 0,09022 0,03608

k 6 7 8 9
pk 0,01203 0,00343 0,0008 0,00019

163
k
b) Pentru calculul probabilitilor pk folosim formula pk = C100 p k q100 k , unde
2 98
p= i q = . Pentru k = 0, probabilitatea corespunztoare este
100 100
100
98
p0 = = 0,13180 . Celelalte probabiliti se calculeaz cu ajutorul relaiei de
100
100 k p
recuren pk +1 = p . Rezultatele sunt date n tabela
k +1 q k

k 0 1 2 3 4 5
pk 0,13280 0,13315 0,00876 0,04392 0,01721 0,00556

k 6 7 8 9
pk 0,00152 0,00033 0,00007 0,00001
c) Funciile de repartiie empirice, corespunztoare celor trei repartiii, sunt
date n tabela

x x<0 0 1 2 3 4
Repartiia dat
0,136 0,406 0,676 0,856 0,956
Fn
Repartiia
0,13534 0,40601 0,67668 0,85713 0,94735
Poisson Fn'
Repartiia
0,13180 0,26495 0,35371 0,39763 0,41484
binomial Fn"

x 5 6 7 8 9 x>9
Repartiia dat
0,986 0,996 0,999 1 1 1
Fn
Repartiia
0,98343 0,99345 0,99889 0,99969 0,999988 1
Poisson Fn'
Repartiia
0,42040 0,42192 0,42225 0,42232 0,42233 1
binomial Fn"

Deoarece sup Fn ( x) Fn' ( x) = 0,01065 i sup Fn ( x) Fn" ( x) = 0,57768, rezult


x x
c repartiia Poisson aproximeaz mai bine repartiia dat.
Exemplul 6. Dintr-un eantion ordonat de 12 piese a cror caracteristic este
nlimea, s-au obinut urmtoarele date

164
Nr. pieselor n
1 2 3 4 5 6
ordinea nalimii
nlimea (mm) 31,50 31,60 31,65 31,70 32,20 32,40
Nr. pieselor n
7 8 9 10 11 12
ordinea nalimii
nlimea (mm) 32,45 32,50 32,61 32,65 32,70 32,75

S se calculeze urmtoarele funcii empirice de repartiie: F12(30), F12(32),


F12(32,5).
n( x)
Deoarece Fn ( x) = , unde n(x) este numrul valorilor din eantion situate la
n
4 7
stnga lui x, iar n = 12, obinem F12(30) = 0, F12(32) = , F (32,5) = .
12 12 12
S subliniem c, n prezent, nu ne putem imagina existena vreunui domeniu
de cunoatere n care s nu se foloseasc forme de observare i cercetare pe baz de
sondaj. n acest sens, cuvintele lui Poincar sunt semnificative: Slbiciunea
noastr nu ne permite s mbrim tot universul i suntem obligai s-l
descompunem n buci.

3. Teoria estimaiei
n problemele aprute n tehnic sau n tiinele experimentale, n care intervin
legi de probabilitate, acestea depind de unul sau mai muli parametri.
Utilizarea n practic a unui proces stocastic pretinde nu numai cunoaterea
naturii lui, exprimat ntr-o form matematic, dar i valoarea exact a parametrilor
care intr n definiia sa.
Teoria estimaiei studiaz ansamblul metodelor statisticii matematice, care
permit determinarea valorilor parametrilor ce int n alctuirea unei repartiii.

1. Funcii de estimaie (estimator)


Dac repartiia fenomenului studiat este dat de o funcie cunoscut (de
exemplu, lege de tip Poisson, lege normal) n care intr anumii parametri
necunoscui, spunem c reprezint o lege de repartiie specificat. n cazul cnd
cunoatem valorile numerice luate de parametru, deci cnd repartiia este cunoscut
n ntregime, avem o lege de repartiie complet specificat.
n continuare, vom presupune c avem de determinat un parametru al unei legi
specificate, ceilali (n caz c exist) fiind cunoscui. Estimarea parametrului
Rk al densitii de repartiie p(x; ) (sau al funciei de frecven pi()) urmat de
variabila aleatoare , se face pe baza rezultatelor experimentale sau a observaiilor
unui eantion din populaia corespunztoare variabilei aleatoare . Mai general, se
estimeaz o funcie real, msurabil, g(), care depinde de parametrul al legii
respective.
Fie (1, 2,, n) un eantion de volum n corespunztoar variabilei aleatoare .
165
Un estimator (funcie de estimaie) al lui g() este o statistic U = U(1, 2,, n)
folosit pentru a determina funcia g(). Valoarea U(x1,, xn) pentru valorile
observate xi , 1 i n, se numete estimaie.
n continuare, valoarea medie i variana (dispersia) corespunztoare densitii
de repartiie p(x; ) vor fi notate cu E , respectiv D .
Estimatorul U(1, , n) se numete nedeplasat dac M (U (1,..., n )) = g ()
pentru orice , iar un estimator nedeplasat cu proprietatea D(U (1,..., n )) = (1)
(unde (1) 0 cnd n ) se numete absolut corect; n acest caz rezult c U
converge n medie ptratic ctre g, cnd n . Dac U(1,, n) converge n
probabilitate ctre g(), se spune c U(1,, n) este un estimator consistent.
ntruct convergena n medie ptratic implic convergena n probabilitate,
rezult c un estimator absolut corect este consistent.
Dac M (U (1,..., n )) = g () + (1) i D (U (1,..., n )) = (1) , atunci U(1,,
n) este numit estimator corect. Evident, un estimator absolut corect este corect.
Un estimator nedeplasat U(1,, n) al lui g(), care are proprietate de a avea
cea mai mic varian n clasa tuturor estimatorilor nedeplasai ai lui g() se
numete estimator eficient. Valoarea minim a varianei unui estimator eficient este
dat de urmtoarea teorem.
Teorema 1 (Rao - Cramr - Frchet). Cu notaiile precedente are loc relaia
1 1
D (U ) = 2
.
ln p( x; )
2
ln p( x; )
nM n
p( x; )dx

Teorema urmtoare arat c valorile tipice de sondaj furnizeaz exemple
importante de estimatori.
Teorema 2. 1) Momentele de sondaj sunt estimatori absolu coreci ai
momentelor teoretice.
2) Statistica s2 este un estimator corect pentru D.
n 2
3) Statistica s 2 = s este un estimator absolut corect pentru D.
n 1

2. Metoda verosimilitii maxime


Se consider un eantion (1, 2 , , n) de volum n corespunztor variabilei
aleatoare i valorile observate x1, x2,, xn. Presupunem c densitatea de repartiie
(sau n cazul discret, funcia de frecven) depinde de un parametru necunoscut
care poate lua valori ntr-o mulime Rk.
Vom numi funcie de verosimilitate corespunztoare valorilor x1,, xn o
funcie L(x1, x2,, xn; ), considerat ca funcie de , definit prin
n
L( x1...xn ; ) = p( xi ; ) ,
i =1

166
unde p(x; ) este fie densitatea de probabilitate a variabilei aleatoare , fie funcia
sa de frecven (adic p(x; ) = P( = x), dac este discret).
Estimatorul de verosimilitate maxim pentru , este acea valoare
= ( x1,..., xn ) cu proprietatea c
L( x ,..., x ; ) = max L( x ,..., x ; ) .
1 n 1 n

ntruct funciile L i lnL au aceleai puncte de maxim, rezult c, dac =
(1,, k), atunci
( x1,..., xn ) = (1( x1,..., xn ),..., k ( x1,..., xn ))
trebuie s verifice sistemul de ecuaii
ln L( x1,..., xn; 1,...k )
= 0 , j = 1, 2,, k.
j
Se demonstreaz c estimatorul de verosimilitate este consistent i asimptotic
eficient, cnd n este suficient de mare.
Exemplul 1. Se consider variabila aleatoare repartizat N(m, ). Fie x1, x2 ,
, xn valorile variabilelor aleatoare 1, 2 , , n care formeaz un eantion de
volum n relativ la variabila aleatoare . Funcia de verosimilitate corespunztoare
1
n 1 x m 2
2
este L( x1,..., xn; m, ) = exp i .
2
n
n
(2) 2 i =1
Estimatorii de verosimilitate maxim ai parametrilor m i 2 sunt soluii ale
sistemului de ecuaii
L L
= 0, 2 = 0
m
i sunt de forma
n n
1 1
m = x =
n i =1
xi i 2 = ( xi x ) 2 .
n i =1
Exemplul 2. Se consider variabila aleatoare repartizat Poisson cu
parametrul > 0. Utiliznd aceleai notaii ca n exemplul precedent, se gsete
n

1 xi
funcia de verosimilitate L( x1,..., xn ; ) = e n n
i =1 .
xi!
i =1
L
Estimatorul de verosimilitate maxim se obine rezolvnd ecuaia = 0 i se

obine = x .
Exemplul 3. Raza unui cerc este msurat cu o eroare de observaie care este
normal repartizat n jurul lui 0, cu variana 2 necunoscut. Date fiind n
msurtori independente ale razei, s se gseasc o estimaie absolut corect pentru

167
aria acestui cerc.
Dac notm cu R raza cercului i cu r rezultatele msurtorilor, atunci r este
repartizat N(R, ), unde M(r) = R, M((r R)2) = 2. Rezult c M(r2) = 2 + R2.
Fie r1,, rn cele n msurtori independente i U(r1,, rn) o estimaie absolut
corect a ariei cercului. Avem M(U(x1,, xn)) = R2. Lund U (r1,..., rn ) =

r12 + r22 + ... + rn2 , rezult M (r12 + r22 + ... + rn2 ) = nE(r 2 ) = n(2 + R2 ) sau M (r12 +
n

... + rn2 ) 2 = R2 . Deci (r12 + ... + rn2 ) 2 este o estimaie absolut corect
n
n 2
pentru aria cercului R2. Se tie c s este un estimator absolut corect pentru
n 1
n 2
2, deoarece M s = 2 . Rezult c dac 2 este necunoscut, o estimaie
n 1
n 2
absolut corect pentru aria cercului este (r12 + ... + rn2 ) s .
n n 1

168
4. Verificarea ipotezelor statistice
1. Ipoteze statistice
Prin ipotez statistic1 se nelege o ipotez asupra uneia sau mai multor legi
care caracterizeaz anumite populaii, adic asupra valorilor parametrilor acestor
legi sau asupra tipului legilor.
Verificarea ipotezelor statistice este un ansamblu de metode ale statisticii
matematice care permit, plecnd de la date experimentale, validarea sau infirmarea
unei ipoteze statistice.
n ceea ce privete ipotezele statistice, deosebim urmtoarele tipuri:
1. Ipoteza parametric care se refer la valorile parametrilor unei legi de
repartiie specificate.
2. Ipoteza neparametric care se refer la forma legii de repartiie.
3. Ipoteza nul H0 este ipoteza ce urmeaz a fi verificat i care se presupune
apriori adevrat.
4. Ipoteza alternativ H1 este orice ipotez admisibil cu care este confruntat
ipoteza nul H0 .
5. Ipoteza simpl este o ipotez parametric referitoare la parametrii 1, 2 , ... ,
k , de forma H 0 : 1 = 10 ,..., 0k = 0k .
6. Ipoteza compus este o ipotez parametric de forma H 0 : (1,..., k ) ,
unde Rk este o submulime (care nu se reduce la un punct) a mulimii valorilor
admisibile ale parametrilor.

2. Teste statistice

Testul statistic este un criteriu pentru verificarea ipotezei statistice, constnd n


calculul unei statistici i stabilirea unei reguli fixate n prealabil de acceptare sau
respingere a ipotezei nule, cu o anumit probabilitate de a lua o decizie inexact,
cnd ipoteza nul H0 este confruntat cu ipoteza alternativ H1 .
Testul pentru verificarea egalitii unui parametru estimat cu o valoare dat se
numete test de semnificaie. Testul pentru verificarea concordanei dintre repartiia
empiric i repartiia teoretic este numit test de concordan.
Se consider un eantion (1, ... , n) de volum n corespunztor variabilei
aleatoare i valorile observate x1, x2 , ... , xn . Fie H0 i H1 ipoteza nul i respectiv
ipoteza alternativ. Mecanismul general pentru construirea unui test este urmtorul:
1. Se alege un numr , apropiat de zero, numit prag de semnificaie.
2. Se construiete o statistic T(x1, ... , xn) i o mulime U R astfel nct
P(T(1, ... , n) U) = dac ipoteza H0 este adevrat. Acest lucru se scrie sub
forma P(T (1,..., n ) U H 0 ) = . Mulimii U i corespunde o mulime V Rn

1
Remarcm c ipotezele statistice nu sunt aproape niciodat echivalente cu ipotezele tiinifice, care n mod
obinuit sunt ipoteze asupra fenomenelor.

169
astfel nct P((1,..., n ) V H 0 ) = . Mulimea V este numit regiune critic (sau
de respingere), iar Vc este numit regiune de acceptare.
3. Dac (x1,..., xn) V, atunci ipoteza H0 este respins (deci H1 este acceptat);
iar dac (x1,..., xn) Vc, atunci H0 este acceptat (deci H1 este respins).
Regiunea critic nu este determinat n mod unic dac se alege pragul de
semnificaie .
n urma aplicrii unui test se pot face dou feluri de erori.
a. Respingerea eronat a ipotezei H0, cnd ea este adevrat, este numit
eroare de spea nti. Probabilitatea erorii de spea nti este
P((1,..., n ) V H 0 ) = .
b. Acceptarea eronat a ipotezei H0 , cnd ea este fals, este numit eroare de
spea a doua. Probabilitatea erorii de spea al doilea, notat cu , este
P((1,..., n ) V c H1) = .
Cu ct probabilitile i sunt mai mici, cu att este mai puternic. Nu putem
face ca ambele probabiliti i s fie arbitrar de mici.
Dac testul este parametric i se refer la parametrul , atunci probabilitatea
respingerii ipotezei nule H0 se numete puterea testului i se noteaz cu (V, ).
Evident, (V, 0) = dac H0: = 0 i (V, 1) = 1 dac H1 : = 1 .
Graficul funciei (V, ) se numete curba puterii testului.

3. Testul 2
Fie o variabil aleatoare care ia valorile distincte a1, a2 , ... , am cu
probabilitile p1 , ... , pm respectiv. S notm cu 1, ... , m frecvenele de apariie
ale valorilor a1, ... , am ntr-un eantion de volum n(1 + 2 + ... + m = n) . Se poate
demonstra c variabila aleatoare
m
(i npi ) 2
=
i =1 npi
este, pentru n , asimptotic repartizat 2 cu m 1 grade de libertate i cu
parametrul = 1. Ne propunem s verificm ipoteza H 0 : pi = pi0 , i = 1, 2,..., m.
Dac ipoteza H0 este adevrat, trebuie s avem
m ( np 0 ) 2 1 x
m 1 1

P i 0 i x m 1 t 2 e 2 dt .
i =1 npi 0
2 2 m 1
2
Alegem x = x (vezi anexa) astfel nct
m 1 1
1 x 1
m 1
m 1 0
t 2 e 2 dt = 1 ,
2 2
2

170
unde este pragul de semnificaie, apropiat de zero.
Regiunea critic va rezulta din condiia
m
( i npi0 ) 2
npi0
> x , (1)
i =1
iar regiunea de acceptare din condiia
m
(i npi0 ) 2
npi0
x . (2)
i =1
Prin urmare, dac n urma sondajului, valorile observate verific (1) respingem
ipoteza H0 , iar dac verific (2) acceptm ipoteza H0 .

4. Testul F (Fisher - Snedecor)


Acest test este utilizat pentru utilizat pentru verificarea egalitilor varianelor
a dou populaii. Mai precis, considerm dou populaii caracterizate de variabilele
aleatoare i repartizate N (m1 , 1) i respectiv N (m2 , 2). Fie (1,..., n1 ) i
(1,..., n2 ) dou eantioane corespunztoare celor dou variabile aleatoare , iar
x1,..., xn1 i y1,..., yn2 valorile observate. Ne propunem s verificm ipoteza
compus
H 0 : 12 = 22 .
2 2
Se poate demonstra c dac H0 este adevrat, iar s1 i s2 sunt varianele de
2
s1
sondaj corespunztoare, atunci variabila aleatoare 2
urmeaz o repartiie F cu
s2
parametrii n1 1 i n2 1.
Din tabele (vezi anexa) alegem F astfel nct
s 2
P 1 2 F = 1 .

s2
2
s1
Prin urmare, regiunea critic rezult din condiia 2
> F . Deci, acceptm
s2
ipoteza H0 , dac obinem
n1

n2 1
( xi m1) 2
i =1
F .
n1 1 n2
( yi m2 ) 2
i =1
n caz contrar, respingem ipoteza H0 .

171
5. Testul t (Student)
Acest test parametric verific ipoteza referitoare la media unei populaii
normale a crei variant nu este cunoscut.
Se consider o populaie caracterizat de o variabil aleatoare repartizat N
(m, ) cu necunoscut. Ne propunem s verificm ipoteza H 0 : m = m0 . Dac
(1,..., n) este un eantion de volum n, atunci se demonstreaz c variabila
aleatoare
m
t=
s
n
urmeaz o repartiie t cu n 1 grade de libertate ( i s 2 sunt media, respectiv
variana de sondaj.
Din table (vezi anexa) alegem t astfel nct


m
P t = 1 .
s

n

m0
Prin urmare, regiunea critic rezult din condiia > . Deci, acceptm
s
n
ipoteza H0 dac valorile observate x1,, xn verific
x m0
n(n 1) t
n
(xi x)2
i =1
i o respingem n caz contrar.

6. Testul Kolmogorov - Smirnov


Acest test este un test de concordan pentru verificarea ipotezei H0 conform
creia funcia de repartiie a variabilei aleatoare este F0 .
Presupunem c funcia de repartiie a variabilei aleatoare este de tip continuu i
fie Fn funcia empiric de repartiie corespunztoare eantionului (1, ... , n).
Conform teoremei 2 se poate scrie

2 2
lim P sup Fn ( x) F ( x) = (1)k e 2k = K () .
n
xR n k =
Prin urmare, pentru n suficient de mare, construim un test bazat pe regiunea
critic

172

V = ( x1,..., xn ) sup Fn ( x) F ( x) > ,
xR n
unde se afl din condiia K() = 1 (vezi anexa).
Exemplul 1. Nou bolnavi crora le-a fost administrat un medicament oarecare
semnaleaz urmtoarele variaii ale presiunii sngelui lor: 7, 3, 1, 4, 3, 5, 6, 4,
1. S se arate c aceste date nu indic faptul c medicamentul este cauza acestor
variaii.
n ipoteza nul, valorile de mai sus sunt privite ca un eantion dintr-o populaie
de medie zero. Avem
7 + 3 1+ 4 3 + 5 + 6 4 +1
= = 2.
9
i 7 3 1 4 3 5 6 4 1
i 5 1 3 2 5 3 4 6 1
(i )2 25 1 9 4 25 9 16 36 1
de unde rezult

s2 =
(i )2 = 126 = 63 ,
n 1 8 4
n 23 2
t= = = 1,51 .
s 67
Aceast valoare a lui t nu este semnificativ; prin urmare, nu medicamentul
este cauza acestor variaii.
Exemplul 2. Pentru a studia superioritatea unei semntori, s-a mprit un
teren n loturi care au fost alternativ lucrate cu noua semntoare i cu cea veche.
Pentru 10 perechi de loturi, valorile excesului n greutate obinute pentru noua
semntoare fa de acelea obinute cu ajutorul semntorii obinuite sunt: 2,4; 1;
0,7; 0; 1,1; 1,6; 1,1; 0,4; 0,1; i 0,7. S se testeze ipoteza superioritii noii
semntori fa de cea veche.
Din datele problemei rezult
10
i 9,1
10
= i =1
10
=
10
= 0,91 , (i )2 = 4,609 ,
i =1
de unde
4,609
s2 = = 0,512 .
9
n ipoteza nul, media populaiei este zero, iar
( m) n 0,91 3,1623
t= = = 4,027 .
s 0,715
Pentru 9 grade de libertate i un prag de 1% gsim t = 3,25 (vezi anexa). Prin
urmare, respingem ipoteza nul; deci semntoarea nou este superioar celei
vechi.
173
5. Metode statistice. Aplicaii i exerciii (cu un prealabil
sumar teoretic)
1 Rezumat teoretic
Fie X o variabil aleatoare reprezentnd o anumit caracteristic numeric
(durata de via, venitul, numr de defeciuni, etc.) a unei populaii statistice.
Rezultatele numerice x1 , ... , xn obinute prin n msurtori (interogri, observri,
etc.) formeaz o selecie empiric de volum n a variabilei aleatoare X. Orice funcie
real sau vectorial (msurabil Borel) f = f ( x1,..., xn ) de variabilele seleciei se
numete statistic. O selecie statistic de volum n a variabilei aleatoare X este un
sistem de n variabile aleatoare independente X1, ... , Xn avnd fiecare aceeai
repartiie ca X. Orice statistic f (x1 , ... , xn) definete o variabil aleatoare
F = f ( X1,..., X n ) .
Definiia 1. Se spune c statistica f are repartiia teoretic R dac variabila
aleatoare f ( X1,..., X n ) asociat unei selecii statistice a variabilei aleatoare X are
repartiie R.
Dintre repartiiile care sunt folosite mai frecvent n statistic menionm:
repartiia hi ptrat cu n grade de libertate (2(n)), repartiia t a lui Student cu n
grade de libertate (t(n)), repartiia F a lui Snedecor - Fisher cu m, n grade de
libertate (F(m, n)).
Estimri punctuale
Fie un anumit parametru numeric asociat variabilei aleatoare X.
Definiia 2. O statistic f = f ( x1,..., xn ) este un estimator nedeplasat al lui
dac, pentru orice selecie statistic X1,..., Xn a lui X, variabila aleatoare
F = f ( X1,..., X n ) are valoarea medie , adic MF = .
Exemplu. 1. Medie de selecie
x + ... + xn
x= 1 (1)
n
este un estimator nedeplasat al mediei EX.
2. Variana de selecie
k =1(xk x)2
n
s2 = (2)
n 1
este un estimator nedeplasat al variaiei VX.
3. n cazul n care se cunoate EF = m,
k =1(xk m)2
n
s02 = (3)
n
este un alt estimator nedeplasat al variaiei VX.
Teorema 1. Dac x1,..., xn este o selecie empiric de volum n al unei variabile
aleatoare X repartizat N(0, 1), atunci

174
a) Statistica
xm
x= (4)
2
n
are repartiia normal standard N(0, 1).
b) Statistica
n
u = 2 s02 (5)

are repartiia 2(n).
c) Statistica
n 1
v = 2 s2 (6)

are repartiia 2(n 1).
d) Statistica
x m
z= (7)
s2
n
are repartiia t(n 1).
Corolarul 1. Dac X i Y sunt dou variabile aleatoare normale cu aceeai
varian 2, iar x1,..., xn1 i y1,..., yn2 sunt dou selecii ale lui X i Y, cu varianele
s12 i s22 , atunci statistica
s12
f = (8)
s22
are repartiia F(n1, n2).
Corolarul 2. a) n ipotezele corolarului precedent, dac presupunem n plus c
cele dou variabile aleatoare au aceeai medie i notm
(n 1)s12 + (n2 1)s22
s2 = 1 , (9)
n1 + n2 2
atunci statistica
x1 x2
t= (10)
2 1 1
s +
n1 n2
are repartiia t(n1 + n2 2).
b) Dac variabilele aleatoare X i Y au aceeai medie i varianele 12 i 22 ,
atunci statistica

175
x1 x2
x= (11)
12 22
+
n1 n2
are repartiia normal standard N(0, 1).

Metoda verosimilitii maxime


Se consider o selecie x1 , x2 , ... , xn de volum n corespunztor variabilei
aleatoare X. Presupunem c densitatea de repartiie (sau, n cazul discret, funcia de
frecven) depinde de un parametru necunoscut care poate lua valori ntr-o
mulime Rk.
Definiia 3. Vom numi funcie de verosimilitate corespunztoare valorilor
x1,..., xn o funcie L(x1 , x2 , ... , xn ; ), considerat ca funcie de , definit prin
n
L( x1,..., xn ; ) = p( xi ; ) ,
i =1
unde p(x; ) este fie densitatea de probabilitate a variabilei aleatoate X, fie funcia
sa de frecven (adic p(x; ) = P(X = x), dac X este discret).
Estimatorul de verosimilitate maxim pentru este acea valore = ( x1,..., xn )
cu proprietatea c
L( x1,..., xn ; ) = max L( x1,..., xn ; ) .

ntruct funciile L i ln L au aceleai puncte de maxim, rezult c, dac =
(1,..., n ) , atunci
( x1,..., xn ) = ( 1( x1,..., xn ),..., k ( x1,..., xn ))
trebuie s verifice sistemul de ecuaii

ln L( x1,..., xn ; 1,..., n ) = 0 , j = 1, 2,..., k. (12)
j
Exemplul 1. Se consider variabila aleatoare X repartizat N (m, ) . Fie x1 , x2
, ... , xn o selecie de volum n relativ la variabila aleatoare X. Funcia de
verosimilitate corespunztoare este
1
n 1 x m 2
n
L( x1,..., xn ; m, 2 ) = exp i .
2
n
(2) 2
i =1
Estimatorii de verosimilitate maxim ai parametrilor m i 2 sunt soluii ale
sistemului de ecuaii
L L
=0, =0
m 2
i sunt de forma

176
n n
1 1
m = x =
n i =1
xi i 2 = ( xi x )2 .
n i =1
Exemplul 2. Se consider variabila aleatoare X repartizat Poisson cu
parametrul > 0. Utiliznd aceleai notaii ca n exemplul precedent, se gsete
funcia de verosimilitate
1 in=1 xi
L( x1,..., xn ; ) = e n n .
xi
i =1
L
Estimatorul de verosimilitate maxim se obine rezolvnd ecuaia = 0 i se

obine = x .
Intervale de ncredere
Definiia 4. Fie X o variabil aleatoare, a = a( x1,..., xn ) i b = b( x1,..., xn )
statistici ale lui X, iar (0, 1). Intervalul (a, b) R este un interval de ncredere
de nivel pentru un anumit parametru asociat variabilei aleatoare X dac pentru
orice selecie statistic X1,..., Xn a lui X avem
P(a( X 1,..., X n ) < < b( X 1,..., X n )) = 1 . (13)
Se spune c intervalul (a, b) acoper pe cu probabilitatea 1 .
Definiia 5. Fie F(x) o funcie de repartiie i (0, 1). Se numete -cuantil
a repartiie F un numr c R pentru care
F(c) = . (14)
n cele ce urmeaz, -cuantilele repartiiilor N(0, 1), 2(n), t(n) i F(m, n) vor
fi notate respectiv z , 2 (n) , t(n) i f(m, n). De notat c pentru n 30,
1
2 (n) ( z + 2n 1) , (15)
2
n
t (n) z + . (16)
n2
A. Intervale de ncredere pentru media i variana repartiiei normale.
Fie x1,..., xn o selecie de volum n format cu valori observate ale variabilei
aleatoare X ce are repartiia N(m, ). Aplicnd succesiv cele patru concluzii ale
teoremei 1, obinem urmtoarele intervale de ncredere de nivel pentru m i 2.
1. cunoscut, m necunoscut.
Intervalul pentru m are capetele

m1,2 = x m z . (17)
n 1 2
2. m cunoscut, necunoscut.
Intervalul pentru 2 este

177

n n
I0 = 2 2
s0 , 2 s0 .
2
(18)
(n) (n)
1
2 2
3. m i necunoscui.
Intervalul pentru 2 este

n 1 n 1
I = 2 s2, 2 s2 . (19)
(n 1) (n 1)
1
2 2
Intervalul pentru m are capetele
s2
m1,2 = x m t (n 1) . (20)
n 1
2
B. Intervale de ncredere pentru probabilitatea unui anumit eveniment.
Oricrui eveniment A de probabilitatea Ps(A) = p i se poate ataa o variabil
aleatoare Bernoulli X care ia valoarea 1 cnd se realizeaz evenimentul A, i
valoarea 0 cnd se realizeaz evenimentul A . O selecie empiric de volum n a
acestei variabile aleatoare este un ir x1,..., xn de numere egale cu 1 sau 0, a crui
sum sn = x1 +...+ xn reprezint frecvena realizrii evenimentului A, i a crui
medie
x + ... + xn
x= 1
n
este frecvena relativ a realizrii evenimentului A. Conform teoremei Moivre -
Laplace, pentru n 30, repartiia statisticii
s np
z= n
np(1 p)
este aproximativ normal N(0, 1). Scriind
xp
z= ,
p(1 p)
n
rezult pentru p un interval de ncredere de nivel cu capetele
p(1 p)
p1,2 = x m z . (21)
1 n
2

nlocuind n relaia de mai sus valoarea necunoscut p prin estimatorul ei x = ,


obinem
(1 )
p1,2 = m z . (22)
1 n
2
n practic, aproximrile de mai sus se folosesc atunci cnd n > 50, n > 5 ,

178
n(1 ) > 5.
Testarea ipotezelor statistice parametrice
Fie un parametru asociat variabilei aleatoare X i ipoteza nul
H0 : = 0
care trebuie testat (verificat) astfel nct probabilitatea unei erori de prim spe
(respingerea lui H0 atunci ea este adevrat) s fie egal cu . Numrul (0, 1)
se numete nivelul de semnificaie al testului. Etapele aplicrii testului sunt
urmtoarele:
a) Alegerea ipotezei alternative H1, care poate fi unilateral
H1 : < 0, > 0,
sau bilateral
H1 : 0.
b) Alegerea unei statistici f = f ( x1,..., xn ) astfel nct, n ipoteza H0, repartiia
lui f s fie cunoscut.
c) n funcie de ipoteza alternativ H1 i de nivelul de semnificaie , fixarea
unei regiuni critice de forma
Rcr = { f f < c } , Rcr = { f f > c1 }
n cazul unui test unilateral, sau

Rcr = f f < c f f > c
2 1
2
n cazul unui test bilateral. Cu c, c1, c , c s-au notat cuantilele repartiiei lui
1
2 2
f n ipoteza H0 ; deci, n aceast ipotez, probabilitatea unei erori de prim spe
este P(f Rcr) = ).
d) Se calculeaz valoarea f ( x1,..., xn ) luat de statistica f pe elementele unei
anumite selecii empirice x1, ... , xn.
e) Se respinge ipoteza H0 dac i numai dac f ( x1,..., xn ) Rcr .
A. Ipoteze asupra mediei i variaiei variabilei aleatoare X
Ipoteza H0 : E(X) = m este testat cu ajutorul statisticii
x m
z= (23)
2
n
atunci cnd variana 2 este cunoscut, respectiv cu ajutorul statisticii
xm
t= (24)
s2
n
atunci cnd 2 este necunoscut.
Conform teoremei 1, n ipoteza H0, z are repartiia N(0, 1), iar t repartiia t(n
1).
Ipoteza H0 : VX = 2 este testat cu ajutorul statisticii

179
n
u= s02 (25)
2
dac m este cunoscut, respectiv al statisticii
n 1
v = 2 s2 (26)

dac m este necunoscut.
n ipoteza H0 cele dou statistici au repartiia 2 cu n, respectiv n 1 grade de
libertate.
B. Ipoteza egalitii a dou variane
Dac variabilele aleatoare X i Y sunt repartizate N(m1 , 1) i respectiv N(m2 ,
2) i dac dispunem de seleciile x1,..., xn1 , respectiv y1,..., yn2 , atunci ipoteza H0 :
1 = 2 este testat cu ajutorul statisticii (testul F)
s2
f = 12 . (27)
s2
Conform corolarului 1, n ipoteza H0 , f este repartizat F(n1 , n2).
C. Ipoteza egalitii a dou medii
1. Dac variabilele aleatoare X i Y sunt repartizate N(m1, 1) i respectiv N(m2,
2) iar 1 i 2 sunt cunoscute, atunci ipoteza H0 : m1 = m2 este testat cu ajutorul
statisticii (testul z)
x1 x2
z= . (28)
12 22
+
n1 n2
2. Dac 1 i 2 sunt necunoscute, dar egale ntre ele (1 = 2), atunci ipoteza
H0 : m1 = m2 este testat cu ajutorul statisticii (testul t)
x1 x2
t= , (29)
2 1 1
s +
n1 n2
(n1 1)s12 + (n2 1)s22
unde s 2 = .
n1 + n2 2
Conform corolarului 2, n ipoteza H0, z are repartiia N(0, 1), iar t repartiia t(n1
+ n2 2).
3. Dac 1 i 2 sunt necunoscute i diferite (1 2), atunci ipoteza H0 : m1 =
m2 este testat cu ajutorul statisticii
x x
t= 1 2 (30)
s12 s22
+
n1 n2
a crei repartiie n ipoteza H0 este aproximativ t(n 1), unde n = min(n1, n2 ) .
Observaia 1. Pentru confirmarea sau infirmarea ipotezei privind egalitatea

180
varianelor, se poate folosi testul F.

Testul 2
Teorema 2. Dac X este o variabil aleatoare discret cu repartiia
a a ... ar
X : 1 2 (31)
p1 p2 ... pr
iar o selecie de volum n al lui X conine valoarea ai cu frecvena fi , ( i = 1,2,..., r ),
atunci, pentru n suficient de mare, repartiia statisticii
r
( fi npi ) 2
2 = (32)
i =1 npi
poate fi aproximat prin repartiia 2(r 1).
Pe baza acestei teoreme, dndu-se o selecie empiric x1, ... , xn coninnd
numerele a1, a2 , ... , ar cu frecvenele f1 , f2 , ... , fr , ipoteza H0 : X are repartiia (31)
se testeaz cu ajutorul statisticii (32). Deoarece n ipoteza H0 pentru
c = 12 (n 1) , probabilitatea ca 2 > c este aproximativ egal cu , ipoteza H0
este respins atunci cnd valoarea calculat a statisticii 2 este > 12 (n 1) .

2. Probleme rezolvate de statistic


1. Se consider o selecie x1, ... , xn a unei variabile aleatoare repartizat
uniform n intervalul [0, ]. Folosind metoda verosimilitii maxime, s se
determine un estimator pentru .
Rezolvare. Mulimea n care variaz este = (0, + ). Funcia de
verosimilitate este
n
L( x1,..., xn ; ) = p( xi ; ) ,
i =1
unde p(xi; ) este fie o densitate de repartiie n xi, fie o funcie de repartiie (n xi;
cnd variabila aleatoare este discret). n cazul acestei probleme, X este repartizat
1
uniform n [0, ], deci are densitatea de repartiie f ( x) = , x [0, ], Astfel
0, x [0, ].
1
factorii p(xi ; ) sunt toi 0 sau , cu produsul 0 doar n cazul n care toi factorii

1
1 , max xi
sunt , deci L( x1,..., xn ; ) = n 1 i n . Aceasta este o funcie doar de . Se
0, < max xi
1 i n

caut valoarea a lui pentru care L i atinge marginea superioar. Aici

181
1
= max xi , pentru c n este cu att mai mic cu ct este mai mare.
1 i n
2. Se consider o selecie x1, ... , xn corespunztoare variabilei aleatoare
1 0
bernoulliene X : cu parametrul p (0, 1) necunoscut. S se estimeze p
p 1 p
prin metoda verosimilitii maxime.
Rezolvare. Funcia de verosimilitate este
n
L( x1,..., xn ; p) = p xi (1 p)1 xi ,
j =1

unde x1, ... , xn , avnd doar valorile 0 sau 1, factorul p xi (1 p)1 xi este p dac xi =
1 i 1 p dac xi = 0. Avem
n n
xi n xi
L( x1,..., xn ; p) = p i =1 (1 p) i =1 .
Funcia ln fiind cresctoare, maximele funciei L coincid cu maximele funciei
lnL. Se calculeaz pentru a doua funcie, fiind mai uor calculul. Maximul se obine
cu ajutorul primei derivate (cu care se vede variaia funciei de p).
n
n n
d
xi
ln L = xi ln p + n xi ln(1 p) , care se deriveaz, (ln L) = i =1
+
i =1 = dp p
i 1
n

n n n xi
n x 1 = 0 (1 p) x = p n x p = i =1 .
i
1 p i i
i =1 i =1
i =1
n

3. Prin cntrirea repetat a unui obiect de mas m, se obin rezultatele
16.02, 16.09, 16.13, 16.16 g.
Eroarea de cntrire este o variabil aleatoare E repartizat N(0, ). Se cere un
interval de ncredere de nivel = 0.05 pentru m, dac:
a) este cunoscut, egal cu 0,06 g;
b) este necunoscut.
Rezolvare. a) Rezultatul msurtorii este o variabial aleatoare
X = m + E ~ N (m, ) . Pentru selecia iterat avem
16.02 + 16.09 + 16.13 + 16.16
x= = 16.1 .
4
0.05
Avem n = 4, 1 = 1 = 1 0.025 = 0.975 . fiind cunoscut, cutm
2 2
pentru m un interval de ncredere cu extremitile

m1,2 = x m z z.
n 1 2

182
z x2
1 2 dx
z
1
= z0.975 = 1.96 (din tabelul valorilor funciei : ( z) = 2
e
2
funcia de repartiie a variabilei aleatoare distribuit N(0, 1); aici ( z0,975 ) = 0.975 ,
vezi anexa corespunztoare)
0.06
m1,2 = 16.1 m 1.96 = 16.1 m 0.058 .
4
b) n acest caz se folosete intervalul de ncredere pentru m (cazul m i
necunoscui) care are extremitile
s2
m1,2 = x m t (n 1) .
n 1 z
2
n
( xi x ) 2
Variana de selecie s 2 = i =1
are aici valoarea
n 1
(16.02 16.1) 2 1 + (16.09 16.1) 2 1 + (16.13 16.1) 2 1 + (16.16 16.1) 2 1
s2 = =
4 1
0.012 + 0.082 + 0.12 2 + 0.152
0.0027. 1 = 0.975 ; t0.975(3) = 3.182 (din tabelul
3 2
cu cuantilele testului t, vezi anexa). Astfel
0.0027
m1,2 = 16.1 m 3.182 16.1 m 0.08 g.
4
4. Fie variabila aleatoare X N (m, 0.6). Ce volum minim trebuie s aib o
selecie astfel nct, cu probabilitatea 0.975, media de selecie x s difere de m cu
mai puin de 0.2?
Rezolvare. fiind cunoscut, intervalul de ncredere pentru m are extremitile

m1,2 = x m z z . Rezult c m x z i condiia 0.2 se pune asupra
n 1
2 n 1 2
0.6
majorantului lui m x , adic z = z0.975 0.2 1.96 0.2 n
n 1 2 n n
36.
5. S se determine un interval de ncredere de nivel = 0.05 pentru variana
variabilei aleatoare normale X folosind selecia de volum 11:
98.2, 98.68, 98.85, 97.07, 98.98, 99.36, 98.7, 99.33, 99.31, 98.84, 99.2
a) dac media m = 99; b) dac media m este necunoscut.
Rezolvare. a) Avem formula intervalului de ncredere pentru 2 (cnd m este

183
n

n n
( xi m) 2
cunoscut): I 0 = 2 2
s0 , 2 s0 . n = 11, 1 = 0.975 ; s02 =
2 i =1
=
(n) (n) 2 n
1
2 2
(98.2 99) 2...
, s02 = 0.626 = 0.025,1 = 0.975 . Cuantilele sunt: 02.025 (11)
11 2 2
= 3.82 , 02.975 (11) = 21.92 (din tabel). Intervalul cerut pentru 2 este:
11 11
I0 = 0.626, 0.626 = (0.55, 1.34) .
21.92 3.82
b) Formula intervalului de ncredere pentru 2 (cnd m este necunoscut) este:

n 1 n 1 x1 +...+ xn 98.2 + ... + 99.2
I = 2 s2, 2 s2 . x = n = = 99.02 .
(n 1) (n 1) 11
1
2 2
( x1 x ) 2 + ... + ( xn x ) 2 (98.2 99.02) + ...
s2 = = = 0.622 , 02.025 (10) = 3.25,
n 1 10
02.975 (10) = 20.48
10 10
I = 0.622, 0.622 = (0,303, 1.91) .
20. 48 3 .25
6. Se consider un sondaj avnd ca scop estimarea procentului 100 p al
membrilor unei anumite populaii statistice care rspund pozitiv la o anumit
ntrebare cu dou rspunsuri posibile (DA/NU). Cte persoane trebuie chestionate
pentru ca, cu o probabilitate 0.95, procentul corespunztor al seleciei s difere de
100 p cu mai puin de a)1%; b) 5%. Se vor considera dou cazuri: 1) 100 p < 30; 2)
p este necunoscut.
Rezolvare. a) Notnd cu p probabilitatea unui rspuns pozitiv, n trebuie
determinat astfel nct
P( p x < 0.01) 0.95 ,
unde x este frecvena relativ a unui rspuns pozitiv. Altfel exprimat, ( x 0.01, x
+ 0.01) trebuie s conin un interval de ncredere pentru p de nivel = 0.05 (= 1
0.95). Un interval de ncredere pentru p de nivel are capetele:
p(1 p)
p1,2 = x m z ,
1 n
2
aici (p1, p2) este (deoarece z = z0.975 = 1.96 )
1
2

x 1.96 p(1 p) , x + 1.96 p(1 p) ,
n n

184
i din incluziunea anunat rezult
p(1 p)
1.96 < 0.01 .
n
1
n cazul 1), innd cont c funcia (p) = p(1 p), este cresctoare pe 0, ,
2
1
maximul ei pe [0, 0.3] 0, este atins n 0.3, lum n ultima inegalitate, n
2
loc de p(1 p), (0.3) = 0.3 0.7 = 0.21 i obinem
0.21
1.96 < 0.01 ,
n
adic n > 8067.
1
n cazul 2), folosind faptul c maximul global al funciei este atins n ,
2
1 1 1 1
majorm p(1 p) cu = = i rescriem inegalitatea n cauz astfel:
2 2 2 4
1
1.96 4 < 0.01 ,
n
obinnd n > 9604.
b) Se procedeaz ca la a); nlocuim 0.01 cu 0.05 i se obine n cazul 1), n >
323 iar, n cazul 2), n > 384.
7. Consumul nominal de benzin al unui anumit motor de main este de 10l
la 100 km. Se aleg la ntmplare 25 de motoare fabricate dup o tehnologie
modernizat, obinndu-se media x = 9.3 l i variana s2 = 4l2. Presupunnd c
selecia provine dintr-o populaie normal, folosii un test unilateral cu nivelul de
semnificaie = 0.05, pentru a testa ipoteza c noua tehnologie nu a influenat
consumul de benzin.
Rezolvare. Avem o variabil aleatoare X N(m, ) i ipoteza nul H0 : m =
xm
10. Alegem ipoteza alternativ H1 : m < 10, statistica t = i regiunea critic:
s2
n
Rcr = {t : t < t (n 1)} , adic Rcr = {t : t < t0.05 (24)} . Valoarea statisticii: t =
9.3 10
= 1.75 . Din tabelul pentru cu valorile lui t, t0,05 (24) = t0.95 (24) =
4
25
1.711 (t1 (n) t (n)!) . 1.75 < 1.711 valoarea statisticii (1.75 Rcr)
aparine regiunii critice, deci ipoteza H0 este respins (avem motive s credem c
noua tehnologie a micorat consumul de benzin).

185
8. Media unei selecii de volum n = 36 dintr-o populaie normal N(m, ) este
x = 9.3 . Folosind un test bilateral cu = 0.05, testai ipoteza H0 : m = 10, dac:
a) este cunoscut, egal cu 2; b) este necunoscut i s2 = 6.25.
Rezolvare. a) Folosim statistica
x m 9.3 10
z= = = 2.1
2
n 6

i regiunea critic: Rcr = z : z > z , unde z = z0.975 = 1.96 . Deoarece 2.1
1
2
1
2
Rcr , ipoteza H0 este respins.
b) Folosim statistica
x m 9.3 10
t= = 1.67
s2 6.25
n 36

i regiunea critic Rcr = t : t > t (n 1) , adic Rcr = {t : t > t0.975 (35)} , unde
1
2
t0.975(35) = 1.9. Deoarece 1.67 Rcr , ipoteza H0 este acceptat.
9. Variana unei selecii de volum n = 25 (dintr-o populaie normat N (m, ))
este s2 = 0.14. Testai ipoteza H0 : 2 = 0.1 cu nivelul de semnificaie = 0.1;
a) H1 : 2 > 0.1, b) H1: 2 0.1.
n 1
Rezolvare. n ipoteza H0 , statista v = 2 s 2 are repartiia 2(24). Valoarea ei

24
pe elementele seleciei considerate este v = 0.14 = 33.6 . a) Regiunea critic
0.1
este Rcr = {v : v > 12 (n 1)} , adic Rcr = {v : v > 02.9 (24)} , unde
02.9 (24) = 33.2 . Deoarece 33.6 Rcr , ipoteza H0 este respins. b) Regiunea
critic este

Rcr = v : v < 2 (n 1) v : v > 2 (n 1) ,
2 1
2
adic Rcr = {v : v < 02.05 (24)} {v : v > 02.95 (24)} . Deoarece 02.95 (24) = 36.4 i
02.05 (24) = 9.89 , rezult 33.6 Rcr , ipoteza H0 este acceptat.
10. O selecie de volum n1 = 22, reprezentnd diametrele umor bile produse cu
o anumit tehnologie, are variana s12 = 0.0008 . Variana unei selecii de volum
n2 = 25, reprezentnd diametrele bilelor produse cu o tehnologie modernizat, este
s22 = 0.0018 . Testai ipoteza c modificarea tehnologiei nu a dus la o cretere a

186
varianei diametrului. Alegei nivelul de semnificaie = 0.01.
Rezolvare. Avem H 0 : 12 = 22 cu ipoteza alternativ H1 : 12 < 22 . Vom folosi
s22 0.0018
statistica f = = = 2.25 i regiunea critic Rcr = { f : f > f1 (n2 1, n1
s12 0.0008
1)} , adic Rcr = { f : f > f 0.99 (24, 21)} , unde f0.99(24, 21) = 2.7. Deoarece 2.25 Rcr
, ipoteza H0 este acceptat.
11. Testai, cu ajutorul unui test bilateral i = 0.1, ipoteza egalitii mediilor
i varianelor a dou variabile aleatoare normale, caracteristicile celor dou selecii
fiind date de tabelul:

n x s2
Selecia 1 25 10.22 33.95
Selecia 2 25 10.55 24.47

x1 x2
Rezolvare. a) H0 : m1 = m2. Folosim statistica t = , unde
2 1 1
s +
1 n2
n
(n1 1)s12 + (n2 1)s22 10.22 10.55 0.33
s2 = , t= = = 0.215
n1 + n2 2 24(33.95 + 24.47) 2 29.21 0.08

48 25

i regiunea critic bilateral Rcr = t : t > t (n1 + n2 2) , adic Rcr = {t : t >
1
2
t0.95 (48)} . Pentru calculul lui t0.95(48) se folosete formula: pentru n 30
n 48 48
t (n) z , deci t0.95 (48) z0.95 1.65 1.66 . Astfel, valoarea
n2 46 46
gsit a statisticii t nu aparine regiunii critice, deci H0 este acceptat. b) Testm
s 2 33.95
ipoteza H 0 : 12 = 22 . Vom folosi statistica f = 12 = = 1.39 i regiunea
s2 24.47
critic Rcr = { f : f < f (n1 1, n2 1)} { f : f > f (n1 1, n2 1)} , adic Rcr = { f :
1
2 2
f < f 0.05 (24,24)} { f : f > f 0.95 (24,24)} . Din tabel, f0.95(24, 24) = 1.98 i pentru
1 1
f0.05 aplicm formula f (m, n) = , adic f 0.05 (24, 24) = =
f1 (m, n) f 0.95 (24,24)
1
= 0.505 . n acest fel, valoarea 1.39 a statisticii f nu aparine regiunii critice,
1.98
deci H0 este acceptat.

187
12. Testai ipoteza egalitii a) varianelor i b) mediilor a dou variabile
aleatoare normale pentru care dispunem de dou selecii de volume
n1 = 10 i n2 = 12 cu mediile x1 = 5.38 i x2 = 5.92 , cele dou variane de selecie
fiind s12 = 2.53 i s22 = 0.69 . Se vor lua = 0.05 i ipoteza alternativ a) 12 =/ 22 ;
b) m1 < m2 .
Rezolvare. a) Testm ipoteza egalitii celor dou variane H 0 : 12 = 22
s12 2.53
folosind statistica f = = = 3.67 i regiunea critic bilateral Rcr = { f : f <
s22 0.69
f (n1 1, n2 1)} { f : f > f (n1 1, n2 1)} , adic Rcr = { f : f < f 0.025 (9,11)}
1
2 2
{ f : f > f0.975 (9,11)} . Din tabel, f0.975(9, 11) = 3.59 i f0.025(9, 11) = f10.975(9, 11)
1 1
= = 0.278 . 3.67 Rcr , deci ipoteza H0 este respins. b) Folosim
f 0.975 (9,11) 3.59
x x 5.38 5.92
statistica t = 1 2 = = 0.97 , i regiunea critic unilateral
2
s1 s2 2 2.53 0.69
+ +
n1 n2 10 12
Rcr = {t : t < t (n 1)} , n = min(n1, n2), Rcr = {t : t < t0.05 (9)} . Din tabel, t0.05(9) =
t10.95(9) = t0.95(9) = 1.83. Deoarece 0.97 Rcr , ipoteza H0 este acceptat.
13. Se arunc un zar de 60 de ori, frecvenele obinerii celor ase fee fiind
cele din tabel.
i 1 2 3 4 5 6
fi 5 7 12 13 16 7

Folosind testul 2 i nivelul de semnificaie = 0.05, testai ipoteza H0 : zarul


este simetric.
r
( fi npi ) 2
Rezolvare. Folosim statistica 2 = (aceast repartiie poate fi
i =1
npi
1
aproximat prin 2(r 1)) cu r = 6, n = 60, p1 = ... = p6 = i regiunea critic
6
Rcr = { 2 : 2 > 12 (r 1)} , adic Rcr = { 2 : 2 > 02.95 (5)} . Avem 2 =
2
60
6 fi
6
60 = 9.2 . De tabel, 02.95 (5) = 11.1 > 9.2 , deci H0 poate fi acceptat.
i =1
6

188
CAPITOLUL III. DEZVOLTRI N
SERIE FOURIER
1. Aspecte teoretice
1. Funcie periodic

Definiii. Funcia f : R C este periodic dac exist T > 0 cu proprietatea


f (x + T) = f (x) x din R. n acest caz, T este perioad pentru f. Consecin: f (x +
mT) = f (x) x din R, m din Z. Cea mai mic, atunci cnd exist, dintre
perioadele lui f este perioada principal.
Exemple. 1) Funcia Dirichlet f : R R , x Q f (x) = 1, x Q f (x)
= 0 are ca perioad orice numr raional r > 0 : x Q x + r Q (prin absurd, Q
este corp) f (x + r) = f (x) = 0 etc. Evident, f nu are perioad principal.
2) Funciile periodice x sin x, x cos x, x eix au perioada principal 2.
ntr-adevr, T fiind perioad pentru sin, x din R sin( x + T ) = sin x ,
T T T
2 sin cos x + = 0 , deci sin = 0 , T = 2k, k Z, prin urmare k = 1 d
2 2 2
perioada principal etc. (pentru eix prin absurd).
Propoziie. Dac f : R C de perioad t este integrabil Lebesgue pe [0, T],
atunci f este integrabil Lebesgue pe orice interval compact din R i
+T T

f ( x)dx = f ( x)dx , din R


0
Prima afirmaie. Fie [a, b] un interval compact din R i m, n Z astfel
T
nct [a, b] [mT, nT]. n I : = f ( x)dx se face schimbarea de variabil x = t kT,
0
(k +1)T
k Z i avem I = f (t)dt , prin urmare f este i.L. pe [mT, (m + 1)T], [(m + 1)T,
kT
(m + 2)T],..., [(n 1)T, nT], deci pe ]mT, nT] i astfel pe [a, b]. A doua afirmaie.
+T T +T +T

f ( x)dx = f ( x)dx + f ( x)dx n f ( x)dx se face schimbarea de variabil x = t


T T
+ T, etc.
Prelungirea ntr-o funcie periodic
Dac f : [a, b] C are proprietatea f (a) = f (b), exist F : R C unic de
perioad T : = b a i astfel c F [a, b] = f .
Pentru x arbitrar fixat din R, F(x) se definete aa: un singur k din Z astfel
nct a + kT x < a + (k + 1)T, atunci x kT [a, b) i deci este corect a lua F(x) =

189
f (x kT). F este de perioad T : a + kT x < a + (k + 1)T a + (k + 1)T x + T <
a + (k + 2)T, deci F(x + T) = f (x + T (k + 1)T) = f (x kT) = F(x). n sfrit, x
[a, b) F(x) = f (x 0) = f (x), F(b) = f (b (b a)) = f (a) = f (b).
Observaie. n cazul f : [a, b] C, f (a) f (b), exist nc F : R C de
perioad b a cu proprietatea F ( a, b) = f . Ea se obine prin intermediul lui g :
[a, b] C, g(x) = f (x) pe (a, b), g(a) = g(b).
Prelungirea ntr-o funcie par
Fie f : [0, l] C. Funcia F : [ l, l] C, F(x) = f (x) pentru x [0, l] i F(x)
= f ( x) pentru x [ l, 0) (corect definit cci x [ l, 0) x (0, l]) este par
F(x) = F( x) x din [ l, l] i prelungete pe f.
Prelungirea ntr-o funcie impar
Fie f : [0, l] C cu proprietatea f (0) = 0. Funcia F : [l, l] C, F(x) = f (x)
pentru x [0, l], F(x) = f ( x) pentru x [l, 0) prelungete pe f i este impar :
x = 0 F(0) = f (0) = 0, deci F(0) = F(0); x [ l, 0) F(x) = f ( x), F( x) =
f ( x), deci F(x) = F( x), etc.

2. Dezvoltare n serie Fourier


Serie trigonometric
O serie de funcii de forma

a0 2 2
2 n
+ an cos nx + bn sin nx , a0 , an , bn C, T > 0 se numete serie
=1
T T
trigonometric. O presupunem uniform convergent pe [0, T] (deci pe R) i fie f :
R C suma ei, f este evident de perioad T. Coeficienii a0 , an , bn se exprim, n
acest caz, prin f (i acesta este, aa cum se va vedea, una din puinele asemnri
dintre seriile trigonometrice i seriile Taylor). ntr-adevr, convergena uniform
permite ca n

a 2 2
f ( x) = 0 + an cos nx + bn sin nx (1)
2 n =1 T T
s se integreze pe [0, T] termen cu termen, deci
T T T T
a0 a cos 2 nxdx + b sin 2 nxdx = a0 T ,
f ( x)dx =
2 0 dx + n T n T 2
n =1
0 0 0
T
2 2 2
0 = f ( x)dx . Se nmulete n (1) succesiv cu cos mx , sin mx , m N
T0 T T
fixat i cum aceste funcii sunt mrginite, seria i pstreaz convergena uniform
pe R, se integreaz iari pe [0, T] termen cu termen i, innd seam c
T
2 2
T
2 2 0, n m T 2 2
cos T mx cos T nx = sin T mx sin T nxdx = T , n = m , sin T mx cos T nxdx =
0 0 2 0

190
0, n din N, se obin formulele Euler - Fourier.
T T
2 2 2 2
an = f ( x) cos nxdx , n 0, bn = f ( x) sin nxdx , n 1. (2)
T0 T T0 T
Cazul particular cu deosebire important este T = 2:
2 2
1 1
an =
f ( x) cos nxdx , n 0, bn =
f ( x) sin nxdx , n 1.
0 0

a0
Dac + (an cos n x + bn sin n x) = 0 + ( n cos n x + n sin n x) x
2 n =1 2 n =1
din R, iar seriile sunt uniform convergente pe R, atunci an = n n 0 i bn = n
n 1.
Consider funcia f suma comun a celor dou serii i aplic formulele
Euler - Fourier.
Seria Fourier asociat
Fie f : R C de perioad T integrabil Lebesgue pe [0, T] i deci pe orice
2
interval compact din R. Atunci n 1 funciile x f ( x) cos nx ,
T
2
x f ( x) sin nx au perioad T i sunt integrabile Lebesgue pe [0, T]. Numele
T
complexe ( R, arbitrar)

+T
2 2
an ( f ) :=
T f ( x) cos
T
nxdx , n 0,

+T
2 2
bn ( f ) :=
T f ( x) sin
T
nxdx , n 1

sunt prin definiie (sugerat de formulele Euler - Fourier) coeficienii Fourier ai lui
f. f par bn = 0, n 1, f impar an = 0, n 0. Seria trigonometric

a0 ( f ) 2 2
( f )(x) : = + an ( f ) cos nx + bn ( f ) sin nx
2 n =1
T T
este prin definiie seria Fourier asociat lui f. Acest lucru se desemneaz prin
(*) f (f).
ntrebarea principal este

Cnd i unde ( f )(x) este convergent i suma ei este f (x)?

adic n ce condiii i pe ce mulime relaia (*) se transform n



a (f) 2 2
f ( x) = 0 + an ( f ) cos nx + bn ( f ) sin nx ?
2 n =1
T T

191
Oricum orice serie trigonometric uniform convergent pe R este seria
Fourier asociat cu suma acesteia.
Vezi formulele Euler - Fourier.
Definiie. f : [a, b] C este, prin definiie, cu variaie mrginit pe [a, b] dac
> 0 astfel nct, oricare ar fi partiia : x1,, xn a lui [a, b] (adic a < x1 < <
n
xn < b), = f (xk +1) f (xk ) , x0 = a, xn +1 = b . Marginea superioar Vab ( f ) a
k =0
sumelor , obinute cnd att punctele lui V ct i numrul acestora variaz, se
numete variaia total a lui f pe [a, b].
Proprieti 1. Orice funcie real monoton pe [a, b] este cu v.m. pe [a, b].
2. Funcia real f este cu v.m. pe [a, b] f este cu v.m. pe [a, c] i pe [c, b] i,
n acest caz, Vab ( f ) = Vac ( f ) + Vcb ( f ) .
3. f cu v.m. pe [a, b] integrabil Riemann pe [a, b].
f
4. Dac funciile reale f, g sunt cu v.m. pe [a, b], atunci f + g, f (R), fg,
g
(cnd g ( x) > 0 , x din [a, b]) sunt cu v.m. pe [a, b].
5. Prin modificarea valorii unei funcii reale ntr-un numr finit de puncte,
proprietatea acesteia de a fi cu v.m. se pstreaz.
b
6. Dac f este i.R. pe [a, b], Vab ( f ) = f ' ( x) dx .
a
Teorema Jordan. Dac f : R C de perioad T este cu variaie mrginit
pe [0, T], atunci

a0 ( f ) 2 2 1
+ an ( f ) cos nx + bn ( f ) sin nx = [ f ( x+) + f ( x)]x R.
2 n =1
T T 2
n plus, seria Fourier este uniform convergent pe orice interval compact
cuprins ntr-un interval deschis pe care f este continu.
Observaie. Teorema Jordan arat c i o funcie discontinu poate fi
dezvoltat n serie Fourier, ceea ce reprezint, din punctul de vedere al folosirii n
tiinele naturii, un avantaj considerabil fa de seriile Taylor a cror sum are
forat derivate de orice ordin.
Corolar 1. Orice funcie complex de perioad T continu i cu variaie
mrginit [0, T] este dezvoltabil n serie Fourier uniform convergent R.
Corolar 2. Orice funcie complex de perioad T cu derivata ntia
integrabil Riemann pe [0, T] este dezvoltabil n serie Fourier uniform
convergent pe R.
Corolar 3. Dac f : R C de perioad T de clas C1 pe poriuni pe [0, T],
atunci f este dezvoltabil n serie Fourier uniform convergent pe R.
Definiii. f : [a, b] C integrabil Lebesgue pe [a, b]. Coeficienii Fourier ai

192
b
2 2
ba
lui f : an ( f ) : = f ( x) cos nxdx , n 0
ba
a
b
2 2
bn ( f ) : =
ba f ( x) sin
ba
nxdx , n 1.
a
2 2
Definiie corect f ( x) cos nx , f ( x) sin nx f ( x) .
ba ba
Seria Fourier asociat cu f :

a (f) 2 2
( f )( x) = 0 + an ( f ) cos nx + bn ( f ) sin nx .
2 n =1
b a b a
Notaie: f ( f ).

2. Exemple i exerciii
1. S se dezvolte n serie Fourier
f : f ( x) = x , x [, ].
Rezolvare. F este continu. n plus, f este cu v.m. pe [, 0] (fiind
descresctoare) i pe [0, ], fiind cresctoare i, deci i pe [ , ], astfel c F : R
R, de perioad () = 2, cu F [, ] = f este continu i cu variaie

1 2 2
mrginit i, f fiind par, a0 (F ) =
F ( x)dx = xdx = , an (F ) = x cos nxdx
0 0
2
= [(1)n 1] , n 1, bn(F) = 0, n 1, astfel c F ( x) = x =
n 2 2

cos(2n 1) x
4 n 2
x din [, ]. Convergena este uniform, cum se vede i
=1 (2n 1)
direct.
2. S se dezvolte n serie Fourier f : f (x) = sgnx, x (, ) i apoi s se

(1) n
calculeze 2n + 1 .
n =0
f ( x), x (, )
Rezolvare. g : g ( x) = este cu v.m. pe [, 0] cci u : u(x) =
, x = ,
1 pentru x [, 0] are aceast proprietate, g este cu v.m. pe [0, ] cci v : v(x) =
1 pentru x [0, ] are aceast proprietate i deci g este cu v.m. pe [, ]. Astfel G
: R R de perioad () = 2 cu proprietatea G [, ] = g este cu variaie
1
mrginit, (G)( x) = [G( x+) + G( x)] x din R. f fiind impar,
2

193

2
an (G) = an ( g ) = an ( f ) = 0 , n 0, bn (G) = bn ( g ) = bn ( f ) = sgnx sin nxdx =

0

2 4 sin(2n + 1) x
[1 (1) n ] n 1, deci (1) sgnx = , x din ( , ) {0} .
n n = 0 2n + 1
(1) se pstreaz i pentru x = 0 cum se verific direct, deoarece

1 4 (1) n (1) n
[ f (0+) + f (0)] = 0 . Lund n (1) x = se obine 1 = , = .
2 2 n = 0 2n + 1 n = 0 2n + 1 4
3. S se dezvolte n serie Fourier f : f (x) = x2, x [, ] i apoi s se

1 (1) n +1 1 1
calculeze n2 , n 2
, (2n 1)2 , (2n 1)4 .
n =1 n =1n =1 n =1
Rezolvare. La F : R R de perioad 2 cu F [, ] = f se aplic corolarul 1,
( f )(x) = f (x) din [, ], iar convergena este uniform. F fiind par, bn ( f ) = 0

2 2 4 22
0
n
n 1, an ( f ) = x cos nxdx = (1) , n 1, a0 ( f ) = , deci
n2 3

2 (1) n
(2) x 2 = + 2 cos nx x din [, ].
4
3 n =1 n

2 1 2
1
Se ia n (2) x = i se obine 2 = + 4 2 , 2 = 6 . Se ia x = 0 n (2)
3 n =1 n n =1 n

(1)n +1 2 2 1
i se obine =
. Prin adunare rezult = . Pentru a
n =1 n
2 12 n =1 (2n 1)
2 8
calcula ultima sum se nmulete n (2) cu x, convergena uniform se pstreaz, se

2 (1)n
integreaz termen cu termen pe [0, ], x dx =
3 0
xdx + 4 2 x cos nxdx ,
3

0 n =1 n 0

4 4
1 (1) n 1 4
4
=
6
+ 4
n4
, 4
=
96
.
n =1 n =1 (2n 1)
4. Fie f : f (x) = x2.
a) S se dezvolte n serie Fourier de sinusuri pe [0, ).
b) S se dezvolte n serie Fourier pe (0, 2).
Rezolvare. a) Fie g : (, ) R impar cu g [0, ) = f (corect, f (0) = 0 ),
deci g(x) = x2, x [0, ), g(x) = x2, x (, 0). Se procedeaz ca la ex. 2 pentru a
aplica corolarul 1 i, cum g este continu, rezult (g)(x) = g(x), x din (, ), a
2 2
fortiori x2 = (g)(x) x din [0, ). an ( g ) = 0 n 0, bn (g ) = x sin nxdx =
0

194
2 4
( 1) n +1 + 3 [(1) n 1] n 1, etc.
n n
b) Se consider g : [0, 2] R, g(x) = x2, x (0, 2), g (0) = g (2) =
arbitrar. g este cu v.m. pe [0, 2], fie G : R C de perioad 2 0 = 2 cu

a0 ( f )
G [0,2] = g , se aplic corolarul 1 i se obine x 2 = + [an ( f ) cos nx +
2 n =1
bn ( f ) sin nx] x din (0, 2). Pentru calculul coeficienilor Fourier este indicat a
2
1 2 82
0
folosi exponeniala complex. a0 = x dx = . Pentru n 1 an + ibn =
3
2 2
1 2 2 inx 1 2 2 4 2 2 1 2 inx
x e dx , x 2einx dx = x 2 einx xe dx =
inx
x e
0 in 0 in in in in
0 0 0
2 42
1 inx 4 4 4
in e dx

=
n
i + 2 , deci an = 2 , bn = , etc.
n n n
0
l x, x [0, l ),

5. S se dezvolte n serie Fourier f ( x) = 0, x [l,2l ),
1, x = 2l.

Rezolvare. Deoarece f (0) f (2l), prin intermediul lui g : [0, 2l] R, g(x) =
f (x), x (0, 2l), g(0) = g(2l) = arbitrar, care este cu v.m. pe [0, 2l], se aplic cor.

a0 ( f )
1 cu T = 2l 0 = 2l, f ( x) = + an ( f ) cos nx + bn ( f ) sin nx x din (0,
2 n =1
l l
2l), f fiind continu pe [0, 2l). Pentru calculul coeficienilor iari exponeniala
2l l l
1 1 l 1 i nx
complex a0 =
l f ( x)dx = (l x)dx = . Pentru n 1, an + ibn = (l x)e l dx
l0 2 l
0 0


l
l l
= l [(1) n 1] 1 l (1) n +
2
l i 2 nx 1 l i l nx l i nx
in
= e x e e l dx
in l in in l in


0 0 0

l2 l l
((1) n 1) , deci an = [1 (1) n ] 2 2 , bn = .
2 2
n n n
6. S se dezvolte n serie Fourier de sinusuri f(x) = 1 pentru x(0, l).
Rezolvare. Se prelungete f ntr-o funcie impar g : (l, l) R, g ( x ) = 1 ,
x(0, l), g(0) = 0, g(x) = 1, x (l, 0) i prin intermediul lui h : [l, l ] R , h(x) =
g(x), x (l, l), h(l) = h(l) = , se aplic corolarul 1 cu T = l (l ) = 2l . f fiind

195


continu pe (0, l) avem, pentru c an(g) = 0 n 0, 1 = bn ( g ) sin nx , x din
n =1
l
l
2 2 4 1
(0, l). bn = sin nxdx = [1 (1) n ] , deci 1 = sin(2n 1) x , x
l l n n =1
2n 1 l
0
(0, l).
7. S se dezvolte n serie Fourier de cosinusuri funcia care pe [0, ] are
graficul
y

3

2
3
0 x

3



3
Fig. 29
Rezolvare. Se prelungete f ntr-o funcie par g : [, ] R, g ( x) = f ( x) ,
x [0, ], g ( x) = f ( x) , x [, 0]. g este cu v.m. pe [, ], se aplic corolarul 1
prin intermediul lui G : R R de perioad 2 cu G [, ] = g ,

a0 ( g ) 2
f ( x) = + an ( g ) cos nx , x [0, ], x , , a0 = 0, an =
2 n =1 3 3

3
2 2 2 n 2n
3
cos nxdx + cos nxdx = sin + sin , n 1, deci f (x) =
2 3 3n 3 3
0
3

1 (1) + 1
k
(1) k 1 2

3 k = 0 3k + 1
cos(3k + 1) x +
3k + 2
cos(3k + 2) x] , x [0, ] \ , .
3 3
n

2
punctele i suma seriei este respectiv .
3 3 6 6
8. S se dezvolte n serie Fourier f : f (x) = (x), (x) distana de la x la numrul
ntreg cel mai apropiat.

1
m m+
2 m+1
x
Fig. 30
1
Rezolvare. Dac x [m, m + 1], m din Z, f (x) = x m cnd x m, m + i f
2

196
1
(x) = m +1 x cnd x m + , m + 1 . f are perioada T = 1 i este evident continu
2
i cu v.m. pe [0, 1]. Se aplic corolarul 2,

a (f)
f ( x) = 0 + [an ( f ) cos 2nx + bn ( f ) sin 2nx] x din R,
2 n =1

1
2

5 3 0 5 x
-3 -2 -1 1 1 1 3 2 3
2 2 2 2 2 2

Fig. 31
1
2 1
1
convergena fiind uniform: a0 = , an + ibn = 2 xei2nx dx + 2 (1 x)ei2nx dx =
2 0 1
2
1 1 1 1 1
2 (1) n 2 2 (1 (1) n ) + 2 (1) n (1 (1) n ) = 2 2 (1
4ni 4 n 4ni 2 2
4 n n
(1)n ) ,

1 2 cos(4k 2)nx
f ( x) = 2
4
(2k 1) 2
x din R.
n =1
9. S se dezvolte n serie Fourier
f : f (x) = arcsin(cos x).
Rezolvare. f are perioada T = 2 i este continu, ba chiar de clas C1 pe
sin x
poriuni pe [0, 2] cci x 0, , 2 f ' ( x) = , x (0, ) f(x) = 1,
sin x
lim f ' ( x) = lim f ' ( x) = 1 , x (, 2) f (x) = 1, lim f ' ( x) = lim f ' ( x)
x 0 + x x+ x 2
= 1 , astfel c se aplic corolarul 3. f fiind par, bn = 0 n 1 i cum, pentru x

(0, ), y = arcsin(cos x) siny = cosx = sin x , rezult y = x , deoarece
2 2

1 2 2
y , ,
2 2
prin urmare an =
f ( x) cos nxdx = x cos nxdx =

0
n
2 1 (1) 4 cos(2k 1) x
, n 1. Astfel, deoarece a0 = 0, arcsin(cos x) = x
n 2 k =1 (2k 1) 2

197
din R, seria fiind uniform convergent.
2n
sin x

2
10. S se arate c lim n dx = 0 .
n
0 n3 + x3
2n 1
sin x sin 2nt
Rezolvare. Cu schimbarea de variabil n = 2nt, n 2 3
n +x 3
dx = 2
1 + 8 3 3
t
dt
0 0
1
= bn ( f ) , unde f : R R este de perioad T = 1, cu f (t ) = pentru t (0,
1 + 83t 3
1), iar f (0) = f (1) = arbitrar. f este msurabil Lebesgue pe [0, 1] iar f 2
1
integerabil Lebesgue pe [0, 1] cci h : h(t ) = , t [0, 1] are aceste
1 + 83t 3
proprieti. Astfel, lim bn ( f ) = 0 .
n
Exemplele 11 14 se bazeaz pe remarca final de la pag. 193: Orice serie
trigonometric uniform convergent pe R este seria Fourier asociat cu suma
acesteia. pentru a evita calculul coeficienilor Fourier cu ajutorul formulei.
11. S se dezvolte n serie Fourier
a sin x
f : f ( x) = , a C, a < 1 .
1 2a cos x + a 2
eix eix eix + eix 1 1
Rezolvare. sin x = , cos x = , f ( x) = i,
2i 2 2i(1 ae ) 2i(1 aeix )
ix


1
2i n
pentru c aeix = aeix = a < 1 , f ( x) = a n (einx e inx ) = a n sin nx x din
=0 n =1

a n sin nx este uniform convergent pe R ( a n sin nx a , a
n n
R. Deoarece
n =1 n =1

este convergent), conform cu propoziia mai sus menionat, f ~ a n sin nx .
n =1
12. S se dezvolte n serie Fourier
f : f (x) = ln (1 2acosx + a2), a R, a < 1 .

Rezolvare. f are perioad T = 2. Conform ex. 11, f ' ( x) = 2 a n sin nx x din
n =1
x x
R, se integreaz termen cu termen, x (0,2] f ' (t )dt = 2 a n sin ntdt ,
0 n =1 0

an
f ( x) = 2 cos nx i cum aceast serie este uniform convergent pe R
n =1
n

198
n n
an a a
(
n
cos nx
n
, n = 1 este convergent criteriul raportului), conform cu
n =1

an an
remarca amintit f ~ 2 cos nx (corect: f (0) = ln (1 a)2, n = ln(1
n =1
n n =1
a) ).
13. S se dezvolte n serie Fourier
f (x) = ecosxcos(sinx), g(x) = ecosxsin(sinx).
Rezolvare. f i g au perioad 2. f (x) + ig(x) = ecosxeisinx = ecosx+isinx =

(cos x + i sin x)n cos nx + i sin nx cos nx sin nx
n!
=
n!
, deci f ( x) =
n!
, g (x) = n!
,
n =0 n=0 n =0 n =0
x din R i acestea sunt, conform rezultatului menionat iniial, dezvoltrile cerute
cos nx sin nx 1
cci cele dou serii sunt uniform convergente pe R ( , ,
n! n! n!

1
n! = e ).
n =0

sin nx
14. S se dezvolte n serie Fourier f : f ( x) = a n , x k, k Z, a
n =1
sin x
R, a < 1 f (k) = lim f ( x) .
n k
Rezolvare. Enunul este corect. ntr-adevr, pe de o parte, deoarece
n
sin nx
n a
a , seria este uniform convergent pe orice interval [u, v] cuprins
sin x sin x

n Jm : = (m, (m + 1)), m Z sin x sin x0 = inf sin x , deci f este i


x[u,v]
continu pe Jm (orice punct din Jm poate fi prins ntr-un interval compact cuprins n
Jm) iar pe de alta lim f ( x) cum se vede folosind regula Hpital.
n k

a n sin nx
lim f ( x) = lim
n k n k
n =1
sin x
, a n sin nx este uniform convergent pe R (iari
n =1

regula Weierstrass), lim a
n k n =1
n
sin nx = 0 , de asemenea seria derivatelor


na sin nx este uniform convergent pe R ( n a
n n
este convergent, regula
n =1 n =1

199

a n cos nx na n cos nk
n =1 n =1
raportului), prin urmare lim f ( x) = lim = =
x k x k cos x cos k

n(1)n1an . Astfel fiind, f este continu pe R i are perioad 2 cci
n =1

f (k + 2) = n(1)(n 1)(k + 2) a n = n(1)(n 1)k a n = f (k) . Pentru x k avem
n =1 n =1
n
a sin(n 2) x
f ( x) = [sin(n 2) x cos 2x + cos( x 2) x sin 2 x] = a n +
n =1
sin x n =1
sin x

2 a n cos(n 1) x (cei doi termeni sunt convergeni), deci f (x) = a + a2
n =1

sin nx a an
an sin x
+ 2 a n cos(n 1)x i deci x k f ( x) = 2 + 2 2
cos nx .
n =1 n =1 a 1 n =11 a

a an
Lund g : R R, g ( x) = + 2 cos nx , membrul al doilea este,
a2 1 n =11 a
2

an a
n
conform cu propoziia ce se aplic n aceste rezultate cos nx ,
1 a2 1 a 2

seria Fourier asociat cu g. Cum n plus f (k) = lim f ( x) = lim g ( x) = g (k) ,
x k x k
rezult f = g i deci concluzia .
n exemplele 15 18 sunt folosite relaii de recuren pentru a obine
coeficienii Fourier.
15. S se dezvolte n serie Fourier

f : f (x) = sec x, x , .
4 4
sin x 1
Rezolvare. f ' ( x) =
, x , , deci prin intermediul lui
cos x cos 2 2
4 4
4

F : R R de perioad T = = i cu F , = f rezult f
4 4 2 4 4

dezvoltabil n serie Fourier uniform convergent pe , . f fiind par,
4 4

200

4 4 tgx = t 1
4 8 8 dt
an =
f ( x) cos 4nxdx =
f ( x) cos 4nxdx , n 0. a0 =
1+ t2
=
0 0

4

1
8 8 8 4 cos4kx cos 4kx
ln t + 1 + t 2 = ln(1 + 2 ) . Pentru k 1, ak = dx , = 2 cos(4k
0 0 cos x cos x
cos 4(k 1) x 16 1
1) x 2 cos(4k 3) x + , deci ak ak 1 = sin(4k 1)
cos x 4k 1 4
1
sin(4k 3) , se ia succesiv k = 1, 2,, n i se adun, an = a0 +
4k 3 4
2n 1
16 (1) k +1
2k + 1
sin(2k + 1) , etc.
4
k =0
16. S se dezvolte n serie Fourier
1
f : f ( x) = .
2 + cos x
Rezolvare. f are perioad 2, f ' ( x) 1 x, deci f este dezvoltabil n serie
Fourier uniform convergent pe R i fiind par,
x
tg = t +
a 2 dx 2 4 dt 2
(3) f ( x) = 0 + an cos nx , a0 = = =
. Cum formula
2 n =1 2 + cos x 2
0 0 t +3 3
din definiie nu poate fi folosit, se caut o relaie de recuren ntre coeficieni an
consecutivi. Se nmulete n (3) cu 2(2 + cosx) care, fiind mrginit, nu altereaz

convergena uniform, se obine 2 = a0 (2 + cos x) + an[4(cos nx + cos(n + 1) x +
n =1

cos(n 1) x] = a0 (2 + cos x) + 4 an cos nx + an 1 cos nx + an +1 cos nx = 2a0 +
n =1 n=2 n =0

a0 cos x + 41 cos x + a1 + a2 cos x + (4an + an 1 + an +1) cos nx i, identificnd coe-
n=2
64 3
ficienii, rezult 2 = 2a0 + a1 (deci a1 = , 0 = a0 + 4a1 + a2 , 0 = an+1 + 4an +
3
an-1 n 2 sau 0 = an + 2 + 4an +1 + an , n 1. Astfel n an este soluie pe N a
ecuaiei cu diferene finite liniar omogen cu coeficieni constani
y(n + 2) + 4 y(n + 1) + y(n) = 0 , de ecuaie caracteristic 2 + 4 + 1 = 0, deci de
soluie general pe Z+ n A(2 3 ) n + B(2 + 3 ) n i deci an = A(2 3 )n
+ B(2 + 3) n , n 1. Deoarece lim an = 0 , A = 0 , altcum lim A(2 3 ) n
n n

201
64 3
0, contradicie, astfel c an = B(2 + 3) n n 1 i cum a1 = , rezult
3
2
an = ( 3 2) n n 0.
3
17. S se dezvolte n serie Fourier
sin x
f : f ( x) = .
5 + 3 cos x
Rezolvare. T = 2, f este funcie impar continu i cu v.m. pe [0,2] (ct de

funcii cu v.m.), deci (4) f ( x) = bn sin nx x din R, convergena fiind uniform.
n =1

Ca la ex. 16, se nmulete n (4) cu 5 + 3cosx i se identific. sin x = 5 bn sin nx +
n =1

3 3 3 3 3

2 n=2
bn 1 sin nx bn +1 sin nx , (5) 5b1 + b2 = 1 , 5bn + bn 1 + bn+1 = 0 n 2.
2 n =0 2 2 2
n
1
32 + 10 + 3 = 0 , deci bn = A(3) n + B n 1, A, BR. Ori A = 0, astfel
3
n
1
c bn = B n 1. Pentru n = 1,2 se obin b1, b2 care pui n (5) dau
3

2 sin x 2 (1) n 1
B= i deci = sin nx x din R.
3 5 + 3 cos x 3 n =1 3n
18. S se dezvolte n serie Fourier
f : f (x) = ln(2 + cosx).
sin x
Rezolvare. g : g ( x) = f ' ( x) = are perioad 2 i este o funcie
2 + cos x

continu i cu v.m. pe [0, 2], deci (6) g ( x) = bn ( g ) sin nx x din R, seria fiind
n =1
uniform convergent pe R. Ca la ex. 16, se nmulete n (6) cu 2 + cos x i se
identific, obinndu-se (7) 4b1 + b2 = 2 , bn + 2 + 4bn +1 + bn = 0 n 1, deci
bn = A(2 3 ) n + B(2 + 3 ) n n 1, A = 0 cci 2 + 3 < 1 (vezi ex. 16) i

lund n = 1, 2, b1 i b2 obinui sunt pui n (7), rezult B = 2, bn = 2( 3 2) n n



sin x
1. (7) devine = 2 ( 3 2) n sin nx x din R i integrnd termen cu
2 + cos x n =1

202
termen
x
sin t

dt = ln(2 + cos x) ln 3 = 2 ( 3 2) n sin tdt = 2
x
32


( ) n

2 + cos t n =1 n =1
n
0 0

2
( 3 2) n
n
cos nx ,
( 3 2) n
n
= ln[1 ( 3 2)] = ln 3 3 , ( )
n =1 n =1

1 2+ 3
2 ln(3 3 ) = ln = ln , etc.
12 6 3 6
19. S se dezvolte n serie Fourier de cosinusuri cu a2n( f ) = 0 n 0 funcia

f : f ( x) = x x , x 0, .
2 2

Rezolvare. Se prelungete f ntr-o funcie par g : , R , iar g se
2 2

prelungete n h : [, ] R, h , = g , h( x) = ( x + ) x + ,
2 2 2

x , , h( x) = ( x ) x , x , . h este funcie par continu cu v.
2 2 2

a0 (h)
m. pe [, ], deci h( x) = + an (h) cos nx x din R, convergena fiind uni-
2 n =1
form pe R, cu consecina corespunztoare pentru f. Verificm cererea din enun. n

2
2 2 2
0
0 a2n = h(x) cos 2nxdx = x x cos 2nxdx + ( x ) x cos 2nxdx
2 2
0
2

i, schimbnd variabila prin x = t respectiv x= +t, se obine
2 2

2 2
2 2 n
a2n = (1)n
2
t t cos 2ntdt +

( 1) t t cos 2ntdt = 0 .
2
Pentru a
0 0
ncheia, n 1

2
2 2
0 2
a2n1 = x x cos(2n 1) xdx + ( x ) x cos(2n 1) xdx =
2
2

2 4 (1) n
1 + 2n 1 .
(2n 1)2

203
3. Baze ortonormate n L2 ([a, b])
Fie (n)n0 o baz ortonormat a lui L2 ([a, b]). Oricare ar fi f din L2 ([a, b])
avem

(1) f = cnn , cn = f n , n 0.
n =0
Avem

cn
2 2
(2) f 2
= , cn = f n , n 0 (formula Parseval)
n=0
i pentru f din L2 ([a, b])

(3) f g = cn dn , cn = f n , dn = g n
n =0
(formula Parseval generalizat).
irul de funcii
2 2
(4) 0(x) = 1, 2n 1( x) = cos n( x a) , 2n ( x) = sin n( x a) , n 1, T = b a,
T T
2
x R cu termenii din L2 ([a, b]) este ortogonal: pentru = ,mn
T
b b b

cos m( x a) cos n( x a)dx = sin m( x a) sin n( x a)dx = sin m(x a)


a a a
cos n( x a)dx = 0. irul de funcii
2 2
1 cos n( x a) sin n( x a)
(5) 0 ( x) = , 2n 1( x) = T , 2n ( x) = T , n 1, x R
T 1 1
T T
2 2
este ortonormat. Mai mult,
Teorem. irul (n)n0 este o baz ortonormat a lui L2 ([a, b]), K = R sau K
= C.
Corolar. irul
1 cos nx sin nx
(6) , , ,n1
2
este o baz ortonormat n L2 ([0, 2]), K = R sau K = C.
Fie f din L2 ([a, b]), K = R sau K = C, i an( f ), n 0, bn( f ), n 1 coeficienii
Fourier ai lui f (corect: f L1 ([a, b])). Calculm coordonatele Fourier ale lui f prin
2 2 2
raport la baza ortonormat (5). Cum cos n( x a) = cos nx cos a + sin nx
T T T
sin a etc., avem

204
T T
(7) f 0 = a0 ( f ) , f 2n 1 = [a ( f ) cos a + bn ( f ) sin a] , n 1
2 2 n
T
f 2n =
[b ( f ) cos a an ( f ) sin a] , n 1.
2 n
Teorem. Fie f, g, din L2 ([a, b]) i T = b a.
b
1 2
1 a0 ( f )a0 ( g ) + [an ( f )an ( g ) +bn ( f )bn ( g )] = f ( x) g ( x)dx (formula
2 n =1
T
a
Parseval generalizat);
b
1 2
2 a0 ( f ) + [ an ( f ) + bn( f ) ] = f ( x) dx (formula Parseval);
2 2 2 2
2 n =1
T
a

a0 ( f ) 2 2
3 f ( x) = + an ( f ) cos nx + bn ( f ) sin nx n L2 ([a, b]).
2 n =1
T T
(3)
Fie (n) baza ortonormat de la (5). 1 f g = ( f n )(g n ) = ( f 0 )(g 0 ) +
n =0
(7)
T T
[( f 2n 1)(g 2n 1) + ( f 2n )( f 2n )] = a ( f )a0 ( g ) + [an ( f )an ( g )
4 0 2 n =1
n =1

cos2 a + bn ( f )bn ( g ) sin 2 a + (an ( f )bn ( g ) + an ( f )bn ( g )) sin a cos a + bn ( f )bn ( g ) cos2 a
T
+ an ( f )an ( g ) sin 2 a (an ( f )bn ( g ) + an ( f )bn ( g )) sin a cos a] = a0 ( f )a0 ( g ) +
4

T
2 n
[an ( f )an ( g ) + bn ( f )bn ( g )] , de unde concluzia. 2 n 1 se ia g = f. 3 Conform
=1
in L2 ([a,b])
cu (1), f ( x) = ( f n )n ( x) = ( f 0 )0 ( x) + [( f 2n 1)2n 1(x) + ( f
n =0 n =1
(7)
a0
2 n
2n )2n ( x)] = + [(an cos a + bn sin a) cos n( x a) + (bn cos a an sin a)
=1
sin n( x a)] , dar pentru n 1, (an cos a + bn sin a) cos n( x a) + (bn cos a
an sina) sin n(x a) = an cosnx cos2 a + an sin nx sin a cos a + bn cos nx sin a cos a
+ bn sin nx sin 2 a + bn sin nx cos2 a bn cos nx sin a cos a an sin nx sin a cos a +
an cos nx sin 2 a = an cos nx + bn sin nx .

205
Exemplu. S se dezvolte n serie Fourier
x
f : f ( x) = e , x (, )
2sh

1
i apoi s se calculeze suma seriei n2 + 1 .
n =1
Rezolvare. Prin intermediul lui g : [, ] R, g (, ) = f , g () =
g () = arbitrar i al lui G : R R de perioad T = () = 2 cu
G [, ] = g (G este cu v.m. pe [, ]),

a (G)
f ( x) = 0 + [an (G) cos nx + bn (G) sin nx] x din (, ).
2 n =1

1 x(1+ in) (1) n (1) n (1) n n 1
a0 = 1, an + ibn =
2sh e dx =
1 + in
, an = 2
n +1
, bn = 2
n +1
, f (x) = +
2


cos nx n sin nx
n 2 + 1 n2 + 1
, x (, ). Pentru a doua cerere se scrie formula Parseval:
n =1

1 1 n2 1 1 1 e + e
2 n
+ 2
2 n =1 (n + 1)2 (n 2 + 1) 2
2
+ = f ( x)dx , + = .
n 2
+ 1 2 e e
=1

206
CAPITOLUL IV. TRANSFORMARE FOURIER
1. Transformata Fourier direct n L1 (R)
1. Transformata Fourier durect n L1(R)
Definiie. Fie f : R C integrabil Lebesgue. Funcia
+
f : R C , f (t ) = f ( x)e
itx
dx

se numete transformata Fourier direct a lui f.
Adjectivul direct este nlturat uneori. Definiia este corect cci
f ( x)e itx = f ( x) pe R.
a x
Exemple. 1. f : R R, f ( x) = e , a > 0 este integrabil Lebesgue.
+ + +
a x itx a x a x
f (t ) = e e dx = e cos txdx i e sin txdx (cele doua integrale sunt

+
2a
convergente), f (t ) = 2 e ax cos txdx = (al doilea integrant fiind funcie
0 a + t2
2

impar).
2. f : R R, f (x) = 1 pentru x a , f (x) = 0 pentru x > a , a > 0.
+ a
1 itx a sin at
f (t ) = f (x)e
itx
dx = e itx dx = e =2 , adevrat i pentru t = 0
a
it a t
(calcul separat).
+
1 e itx
3. f : R R, f ( x) = , a > 0. f (t ) = 2 2
dx = 2i (suma
x2 + a2 x + a
P( z )
reziduurilor polurilor lui e itxz din semiplanul superior), t < 0, f (t ) = 2i
Q( z)
P( z)
(suma reziduurilor polurilor lui eitx din semiplanul inferior), t > 0
Q( z)
a t
f (t ) = e t R (pentru t = 0 calcul separat). A doua rezolvare.
a
+ + +
cos tx sin tx cos tx
f (t ) = 2 2
dx i 2 2 2 2
dx = 2
dx (cele dou integrale Riemann
x +a
x + a 0 x +a
generalizate sunt convergente), se face schimbarea de variabil x = au i se obine

207
+
cos u
integrala Laplace F () = 2
du = e , R.
2
0 1+ u
Proprieti ale transformatei Fourier directe.
I Fie f din L1(R) i din R.
1 g ( x) = f ( x) g (t ) = f (t ) ;
2 g ( x) = f ( x ) g (t ) = f (t )eit ;
3 g ( x) = f ( x)e g (t ) = f (t ) ;
ix

x
4 g ( x) = f i > 0 g (t ) = f (t ) .

+ + + x = u
itx itx itu
g(x)e f (x) e f (x)e f (u)e
itx
1 g (t) = dx = dx = dx = du
+
+ + x =u +
= f (u)e
itu
du = f (t) . 2 g (t) = f (x )e
itx
dx = f (u)e
itu it
e du = eit f (t) .

+ + +
x
3 g (t) = f (x)e
ix itx
e dx = f (x)e
i(t ) x
dx = f (t ) . 4 g (t) = f eitxdx =


x
=u +

= f (u)e
i(t)u
du = f (t ) .

II f , g L1(R) f g (t ) = f (t ) g (t ) .
+ +
f g (t ) =
f ( x y ) g ( y )dy eitx dx , ori f ( x y) g ( y)eitx dx dy =

R R
x y =u
f ( x y) dx g ( y) dy =
f (u) du g ( y) dy = f 1 g ( y) dy = f 1 g 1 < + .
R R RR R
+ + x y =u + +

f g (t ) = f ( x y)e dx g ( y)e dy = f (u)eitu du g ( y)eity dy
it ( x y) ity


+
= f (t ) g ( y)e ity dy = f (t ) g (t ) .

III Derivarea transformatei Fourier directe. Fie f : R C. Dac funciile x
x f (x), k = 0, p , sunt integrabile Lebesgue pe R, atunci f are clasa Cp pe R i
k

208
+
f (k ) (t ) = (i) k x k f ( x)e itx dx , k = 0, p . n plus, lim f (k ) (t ) = lim f (k ) (t ) = 0 ,
t + t

k = 0, p .
Propoziie. Fie f : R C integrabil Lebesgue. Dac f exist i este
mrginit pe R, atunci lim f ( x) = lim f ( x) = 0 .
x + x
Proprietile lui f din enun le au implicit i x R f (x), x Im f (x), este
de ajuns a considera cazul f ia valori n R. f ' ( x) f ( x) M f ( x) pe R, M > 0 ,
+ +
deci este corect a considera: J : = f ' ( x) f ( x)dx . Ori J : = lim
x + f ' (t) f (t)dt =
0 0
1
lim [ f 2 ( x) f 2 (0)] (Newton - Leibniz), prin urmare = lim f 2(x) , R+ .
2 x + x+
Dac prin absurd > 0, se ia din (0, ) i fie x0 astfel nct
x
x x0 f ( x) , dar atunci x x0 f (t ) dt ( )( x x0 ) ,
x0
x
lim
x + f (t ) dt = + , n contradicie cu | f | i.L. pe [x0 , + ), prin urmare = 0 i
x0

lim f ( x) = 0 . Acelai raionament pentru a obine lim f ( x) = 0 .


x + x

IV. Transformarea Fourier direct a derivatei. Fie f : R C. Dac f (n) exist


i este mrginit pe R iar f (k), k = 0, n , este integrabil Lebesgue pe R, atunci
1
f (n) (t ) = (it ) n f (t ) i f (t ) = o n , t + .
t

+
Se folosete succesiv formula de integrare prin pri. f (n)
(t) = f
(n)
(x)eitxdx

+ + +
+
= f (n 1) ( x)e itx + it f (n 1)(t)eitxdx = it f (n 1)(t)eitxdx = (it)2 f (n2) (t)eitxdx =


+
1
... = (it ) n dx . n sfrit, f (t ) =
f ( xt)e
itx
n
f (n) (t ) , iar lim f (n) (t ) = 0 .
(it ) t

Astfel, cu ct n de la IV este mai mare, cu att mai repede transformata Fourier
descrete la 0 cnd t + .

209
x2 + x2 x2

Exemplu. f ( x) = e 2 , f (t ) = ? f (t ) = e 2 e itx dx , x xe 2 este i.L. pe R,

+

x2 + x2 +

x2
se aplic III, f ' (t ) = i xe 2 e itx dx = i xe 2 cos txdx i xe 2 sin txdx =




+ x2 + x2

xe 2 sin tx , f (t ) = e 2 cos txdx . Se integreaz prin pri, f ' (t ) = tf (t ) t

din R, adic f este soluie pe R a ecuaiei difereniale y + ty = 0, prin urmare


t2 + x2

f (t ) = Ae 2 pe R. Cum f (0) = e 2 dx = 2 (schimbare de variabil

t2

x = 2t ), f (t ) = 2e 2 .
2. Transformata Fourier invers n L1(R)
Valoare principal n sens Cauchy
Fie f funcie cu valori n C.
c
Dac oricare ar fi > 0 exist integralele n sens Lebesgue f ( x)dx i
a
b

f (x)dx , unde c (a, b), iar a, b R , atunci prin definiie


c+
b c b
f x
v.p.
( )dx =
0 +
lim f ( x)dx + f ( x) dx

a a c +
dac aceast limit exist (i este finit cnd f ia valori n R). Ea se numete
valoarea principal n sens Cauchy.
De asemeni, dac oricare ar fi > 0 exist integrala n sens Lebesgue

f (x)dx , atunci prin definiie

+
v.p. f (x)dx = lim
+
f ( x)dx

dac aceast limit exist (i este finit cnd f ia valori n R). Ea se numete
valoarea principal n sens Cauchy.
Evident c dac, c fiind un punct singular pentru integrala Riemann

210
b b b
generalizat f ( x)dx , aceasta este convergent, atunci v.p. f ( x)dx = f (x)dx ,
a a a
desigur nu i reciproc. De asemeni, dac integrala Riemann generalizat
+ +
I= f ( x)dx este convergent, atunci v.p. f ( x)dx = I , nu ns i reciproc.

Observaii asemntoare n cazul integralei Lebesgue.
1 1
dx
Exemple. 1. v.p. = ? f (x)dx fiind integral Riemann generalizat cu
1
x 1
1
dx x = t dx
punctul singular 0, enunul este corect. = , deci f (x)dx + f (x)dx =
1
x 1
x 1
1 1
dx dx
0, v.p. = 0 . Se observ c este divergent.
1
x 1
x
+
2. v.p. sin xdx = 0 , cci sin xdx = 0 .

+
dx
3. v.p. 1 x2 = ? Integrala Riemann generalizat pe interval nemrginit i
0
1 +
dx dx 1 2 1 2+ 1 2
cu punctul singular 1. 1 x2 + 1 x2 = 2 ln 2
ln
2
= ln
2 2+
,
0 1+
+
dx
v.p. 1 x2 = 0 .
0
+
1+ x 1+ x dx
4. v.p. 1 + x 2 dx = cci 1 + x 2 dx = 1 + x2 = 2arctg (al doilea

integrant este o funcie impar).
2 1 2 t
dx dx dx x = e 1
5. v.p. = 0 . ntr-adevr, 1 + = ln ln(1 ) ln ln +
1
x ln x x ln x 1+ x ln x 2
2 2
ln(1 )
ln(ln 2) ln(ln(1 + )) = ln ln 1 = 0 .
ln(1 + )
Integrala Fourier
Fie f : R C integrabil Lebesgue.
x fiind un punct arbitrar fixat din R, oricare ar fi > 0 funcia t f (t )eitx este

211
integrabil, chiar Riemann, pe [, ], f fiind continu, deci este corect a consi-
+
1
f (t )eitx dt i cnd aceasta exist, prin definiie
2
dera v.p.

+ + +
1 1
f (u)eit ( x u) du dt
F ( f )( x) : = v.p. f (t )eitx dt = v.p.

2 2

este integrala Fourier a lui f (transformata Fourier invers a lui f) relativ la
punctul x.
Dac F ( f )(x) exist, atunci
+ +
1
(1) F ( f )( x) : = f (u) cos t ( x u)du dt i reciproc cnd integrala din

0
+
membrul al doilea este convergent. ntr-adevr, cci f (u)eit ( x u)du dt =


+
2 f (u) cos t ( x u)du dt (formula Euler, cei doi termeni au sens i sunt

0
integrabili pe [ , ], un integrant este funcie impar, cellalt par) etc.
Evident, cnd f este i.L. pe R (ceea ce nu ntotdeauna este cazul), t
f (t )eitx are aceeai proprietate i
+ +
1 1
f (t )eitx dt = v.p. f (t )eitx dt .
2 2
(2)

n continuare va fi cercetat problema reprezentrii unei funcii i.L. pe R prin


integrala sa Fourier, aa dup cum mai nainte a fost cercetat problema
reprezentrii unei funcii i.L. pe un interval compact din R prin seria Fourier
asociat.
Pentru fiecare x din R i pentru fiecare > 0 se consider
+
1 it ( x u )

dt ,
2
I ( x) : = f (u )e du


+
1
f (t)e
itx
astfel lim I ( x) = v.p. dt . Se va arta c
+ 2


1 sin
(3) I ( x) = [ f ( x + ) + f ( x )] d + o(1) , + , > 0 arbitrar, din

0
care rezult c F ( f )(x) exist integrala din membrul al doilea are limit (finit

212
cnd f ia valori n R) pentru +. Deoarece (u, t ) f (u )eit ( x u ) este
+
msurabil Lebesgue pe R [, ] i f (u)eit ( x u) du dt 2 f 1 < + ,


+ +
1 it ( x u) 1
f (u) cos t( x u)dt +
2 2
I ( x) = f ( u )e du dt =


+ +
1 1 sin ( x u)
i f (u) sin t(x u)dtdu = f (u) cos t ( x u)dt du = f (u) du
x u
0

x u =v + +
1 sin v
0
1 sin v sin v

= f ( x + v ) dv = f ( x + v ) dv + f ( x + v ) dv =
v v v
0
+ +
1 sin 1 sin 1
[ f ( x + ) + f ( x )]

d = [ f ( x + ) + f ( x )]
0
d + [ f ( x +

0
sin
) + f ( x )] d , care este chiar membrul al doilea de la (3), cci

+
sin
+
lim [ f ( x + ) + f ( x )] d = 0 .


Teorem de reprezentare. Fie f : R C integrabil Lebesgue. Dac pe
fiecare interval compact din R exist f i este continu cu excepia unui numr
finit de puncte n care f are limite laterale finite, atunci
+ +
1 1
[ f ( x+) + f ( x) = f (u) cos t ( x u)du dt x din R.
2 0

Propoziie. Fie f : R C integrabil Lebesgue. Dac f este cu v.m. pe [a, b],
atunci
1
F ( f )( x) = [ f ( x+) + f ( x)] x (a, b).
2
Exemple. 1. S se reprezinte prin integrala Fourier f : R R,
1, x 1
f ( x) = .
0, x > 1
+ 1
Rezolvare. f ( x)dx = dx = 2 , deci f este i.L. pe R. Pentru x 1
1
+ 1 + 1
1 cos t ( x u)du dt = 1 cos tx cos tu dt =
f (x) =
0 1
0 1

213
+ 1 +
2 cos tx cos tudu dt = 2 cos tx sin t dt . Verificm teorema pentru x 1.
0 t
0 0
+ + +
2 sin t 1 sin t(1 + x) sin t(1 x) 1
0 t 0 t dt = 2 [sgn(1 + x) + sgn(1 x)] ,
cos txdt = dt +
t
0
1 1 1
deci F ( f )(1) = = [ f (1+) + f (1)] . De asemenea F ( f )(1) = =
2 2 2
1
[ f (1) + f (1+)] .
2
2. S se reprezinte prin integrala Fourier
1
f : R R, f ( x) = 2 , a > 0.
x + a2
+
dx
Rezolvare. f este i.L. pe R, integrala Riemann generalizat 2 2
fiind
x + a
absolut convergent, f este derivabil pe R, f (x) = F ( f )(x) x din R, f fiind par,
+ +
1 cos tx cos tu
+
costu a t
F ( f )(x) = du dt , 2 2 du = e , deci
2 2 a
0 u + a
u +a
+
1 at
a 0
f (x) = e costxdt pe R.

2
3. S se reprezinte prin integrala Fourier f : R R, f ( x) = e ax , a > 0.
+ +
1 au 2
Rezolvare. Avem f (x) = F ( f )(x) x din R. F ( f )( x) =
e cos tu
0
+ + +
au 2 au 2 1 au2
cos txdu)dt , (t ) = e cos tudu , ' (t ) = ue sin tudu =
2a
e sin tu


+ t2 +
t au 2 t au 2
2a e cos tudu =
2a
(t), t R, deci (t ) = Ae 4a , A = (0) = e du

au = v + + t2
1
v2 1
=
a
e dv =
a
i deci f ( x) =
a 0
e 4a cos txdt .

4. Se consider ecuaia integral (tip Fredholm de spea a doua, K nucleul, f


termenul liber, necunoscuta, parametrul complex)
+
(4) ( x) = f ( x) + K ( x s)(s)ds .

214
Acceptm c (4) are soluie pe R, o notm tot cu , i gndim (4) ca o
identitate pe care o traducem
(5) ( x) = f ( x) + (K )( x) pe R.
Presupunem c sunt licite toate operaiile ce vor fi efectuate, aplicm la (5)
transformarea Fourier,
(t ) = f (t ) + K (t ) (t ) pe R.
(6)
+
f (t ) 1 f (t )
Din (6), (t ) =
1 K (t )
, deci F ()( x) = v.p.
2
1 K (t )
eitx dt i

presupunem c avem reprezentare a lui continu,
+
1 f (t )
2 1 K (t )
( x) = v.p. eitx dt .

+ +
2
Observaie. f par F ( f )( x) = f (u) cos tudu cos txdt , f impar

0 0
+ +
2
F ( f )( x) = f (u) sin tudu sin txdt .

0 0
3. Transformata Fourier prin cosinus i transformata Fourier prin
sinus

Fie f : [0, +) C integrabil Lebesgue. Prin definiie f c : (0,+) C ,


+ +
f c (t ) = f ( x) cos txdx , f s : (0,+) C , f s (t ) = f ( x) sin txdx sunt respectiv
0 0
transformata Fourier direct prin cosinus i transformata Fourier direct prin
sinus a lui f. Cnd exist
+ +
2 2
f c (t ) cos txdt ,
f s (t) sin txdt
0 0
acestea sunt prin definiie respectiv transformata Fourier invers prin cosinus i
transformata Fourier invers prin sinus a lui f n punctul x din R.
Evident f : R C integrabil Lebesgue par (respectiv impar)

f (t ) = 2 f (t ) (respectiv f (t ) = 2if (t ) ), t (0, +).
c s
Exemple 5. Fie f : (0, +) R, f (x) = 1, x (0, 2], f (x) = 2, x (2,4) , f (x) = 0,
x [4, +). fs (t) = ? Cererea este corect, f fiind i.L. pe (0, +). t > 0
+ 2 4
1
f s (t ) = f ( x) sin txdx = sin txdx + 2 sin txdx = t (2 cos 4t cos 2t 1) .
0 0 2
6. Fie f : (0, +) R, f (x) = x, x (0, 1], f (x) = e1x, x (1, +). fc (t) = ? t >

215
1 +
sin t cos t 1 cos t t sin t
0 f c (t ) = x cos txdx + e1 x cos txdx = + + .
t t2 t2 +1
0 1
+ tx = u
1 cos tx
7. f : (0, +) R, f ( x) =
x
f c (t ) = ? t > 0 fc (t) = t
dx =
0
+ + u = x +
1 cos u 1 cos u
t
u
du =
t 2
, f c (t ) =
2
f (t )
u
du = 2 cos x 2 dx = 2
8
,
0 0 0

integral Fresnel [11]).


1
8. f ( x) = f c (t ) = ?
(1 + x 2 ) 2
+ + +
cos tx 1 cos tx 1 eitx
Rezolvare. t > 0 f c (t ) = ( x 2 + 1) 2
dx =
2 ( x 2 + 1) 2
dx =
2 ( x 2 + 1) 2
R dx .
0
+
1 e itx
eitz
Ori J : =
2 ( x 2 + 1) 2
dx = 2i res ( z) , (z) =
z =i ( z 2 + 1) 2
. i fiind pol de ordinul 2,


eitz (t + 1)e t
res ( z) = lim[( z i) ( z)] = lim
2
= , deci J = e t (t + 1) ,
z =i z i z i ( z + i) 2 4i 2


fc (t ) = e t (t + 1) .
4
Observaie. Fie f : R C integrabil Lebesgue. Presupunem c exist F ( f )(x),
(1) + + + +
1 1
x R . F ( f )( x) = f (u) cos t ( x u)du dt = f (u) cos tx cos tudu +
0
0

+

f (u) sin tx sin tudu dt (corect, cele dou integrale din interior exist). Astfel fiind
0
+
2
(7) f par F ( f )( x) =
fc (t) cos txdt
0
+
2
(8) f impar F ( f )( x) =
f s (t) sin txdt
0
care justific ultimele denumiri.
n sfrit, fie f : (0, +) C integrabil Lebesgue. Ea se poate prelungi ntr-o
funcie F : R C, fie par, fie impar. Reprezentnd pe F, cnd este posibil, prin
F (F) i apoi retrgndu-ne la (0, +), se obine o reprezentare a lui f prin
transformata Fourier invers prin cosinus n primul caz, prin sinus n al doilea
caz.
216
La fel se poate proceda cnd f este definit pe [0, +), n care caz, pentru
prelungirea impar, este necesar ca f (0) = 0.
Exemple. 9. Fie f : [0, +) R, f (x) = ex. 1 S se reprezinte prin
transformata Fourier invers prin cosinus; 2 S se reprezinte prin transformat
x
Fourier invers prin sinus. Rezolvare. 1 F : R R, F ( x) = e , F [0,+) = f , F
+ +
2 u 1
par. F ( x) =
Fc (t) cos txdt x din R, Fc (t) = e cos tudu =
1 + t2
, deci
0 0
+ +
2 cos tx 2 cos tx
F ( x) =
1+ t 2
dt x din R, a fortiori f ( x) =
1 + t 2 dt . 2 F : R R,
0 0
+
x 2
F(x) = e sgn x , F (0,+) = f , F impar. x 0 din R F ( x) =
Fs (t) sin txdt ,
0
+ +
u t 2 t sin tx
Fs (t ) = e sin tu =
1+ t 2
, deci f ( x) =
1+ t2
dt , x (0, +).
0 0
10. Aceleai cereri ca la ex. 9 pentru f : (0, +) R, f (x) = 0, x (0, a), f (x)
1
= 1, x (a, b), f (x) = 0, x (b,+) , f (a) = f (b) = .
2
Rezolvare. 1 Fie F : R R par cu F (0,+) = f , F(0) arbitrar. F este i.L. pe
+
2
R, F ( x) =
Fc (t) cos txdt , x a, b i, n plus, x 0 cnd F(0) 0. Fc (t) =
0
+ b +
1 2 sin bt sin at
F (u) cos tudu = cos tudu = t (sin bt sin at) , deci f ( x) =
t

0 a 0
+
2 cos at cos bt
cos txdt , x a, b. 2 f ( x) =
t
sin txdt , x a, b.
0
11. S se determine f : R C funcie impar integrabil Lebesgue astfel ca
+
t
f (u) sin tudu = g (t ) , g : (0, +) R, g (t ) =
2
sin , t (0, 2), g (2) = ,
4 4
0
g(t) = 0, t (2, +).
Rezolvare. Condiia din enun este fs (t) = g(t), t (0, +). Acceptm c
ecuaia integral (ecuaie integral de tip Fredholm de spea nti, de nucleu (u, t)
1 2
sinut, cu termenul liber g) are soluie. Atunci, pentru x , F ( f )( x) =
4
+ + +
2 2 t 1 t t 1 4
f s (t ) sin txdt =

sin sin txdt =
4 2 cos 4 tx cos 4 txdt = 2 1 4x
0 0 0

217
4 1 4 cos 2x 4 cos 2x 16 x
sin 2 2x 1 + 4x sin 2 + 2x = 2 1 4 x 1 + 4 x = cos 2x .
1 16 x 2
1 1
Ori dac f este derivabil pentru x , F ( f )(x) = f (x), deci x f (x) =
4 4
16 x
cos x . Evident soluia nu este unic: valorile lui f pot fi schimbate ntr-un
1 16x 2
ir de puncte izolate din (0, +) i fs rmne neschimbat chiar ca integral
Riemann.
2. Transformata Fourier direct n L2(R)
+
dx
Dac f L2(R), atunci nu neaprat f L1(R) (de pild, 2
x +1
este

+
dx
convergent pe cnd divergent) i nici f nu are neaprat transformat
x 2 +1
Fourier direct n sensul deja vzut. Totui, pentru fiecare f din L2(R) se va defini,
cu teorema Plancherel, o funcie din L2(R) avnd n particular proprietatea
L1(R) L2(R) = f .
Teorema Plancherel. Fie f din L2(R), K = C.
1 Dac f L1(R) L2(R), atunci f L2 (R) i f = 2 f ;
2 2
N
itx
2 Pentru fiecare N din N N : N (t ) = f (x)e dx se afl n L2(R), (N)
N
2
este ir Cauchy n L (R), iar : = lim N are proprietile 2 = 2 f 2
, f
N
N
1
L (R) L (R) = f (n L2(R)), n plus N : N ( x) =
1 2
(t)e
itx
dt se afl n
2
N
L2(R) i lim N = f ;
N
3 Aplicaia liniar f a lui L2(R) n L2(R) este o bijecie bicontinu care
multiplic produsul scalar prin 2.
not
= ( f ) este prin definiie transformata Fourier direct n L2(R) a lui f sau
transformata Plancherel a lui f. Ea va fi determinat tot prin f . Astfel
transformata Plancherel f a lui f din L2(R) este definit ca un element al acestui
spaiu Hilbert i deci, ca funcie, este definit pe R modulo o submulime a acestuia
de msur Lebesgue zero. Operatorul : f f de la L2(R) la L2(R) este liniar
bijectiv bicontinuu, f = 2 f , f1 f2 = 2( f1 f 2 ) .
2 2

218
+ +
1
Transcriem ultima proprietate f1( x) f 2 ( x)dx =
2 f1( x) f2 ( x)dt , f1 , f2

L2(R) (formula Parseval).

3. Transfomarea Fourier discret


Fie N 2 un ntreg fixat. Elementele mulimii T = {0, 1,, N 1} vor fi
numite momente i orice ir x = ( xn ) nT de numere reale sau complexe se va numi
semnal finit pe T cu N eantioane.
Definiie. Transformata Fourier discret a semnalului finit x = ( xn )nT este
un alt semnal finit Fx = ( f k ) kT , dat prin
N 1 2
i
(1) f k = xnv kn
, unde v = e N ( fk C = eantionul spectrului lui x pe
n =0
x0 f0
x f
frecvena k). Relaiile (1) se scriu concentrat, notnd X = 1 , Fx = 1 i
# #

xN 1 f N 1
W = (v kn )0 k , n N 1 . Atunci
1 1 1
... 1
1 v v2 ... v N 1

(2) Fx = WX, W = 1 v2 v4 ... v 2( N 1) matrice ptratic de ordin N

... ... ... ... ...
... v( N 1)( N 1)
1 v N 1 v 2( N 1)
1
simetric. W W = W W = NI N W 1 = W .
N
Din (2) rezult formula de inversare a transformrii Fourier discrete:
1
(3) X = W Fx
N
2 2
i i 1
[ Wv = e N v =1,v = e N = W W = W W = NI N (IN matricea unitate)].
v
4. Probleme rezolvate
0, < x < 0

1. S se calculeze transformata Fourier a funciei f : f ( x) = 1, 0 x d .
0, d < x < +

Rezolvare. Dup definiia transformatei Fourier directe, pentru t 0

219
+ d d
eitx 1 eitx costd i sin td 1 sin td
f (t ) = f ( x)e itx
dx = e itx
dx = = =i = +
0
it it t t
0
+ d
cos td 1
i , f (0) = f ( x) eit 0dx = dx = d .
t 0
2. S se reprezinte prin integrala Fourier (= transformata Fourier invers)
funciile:
x
h1 f , x a sgn x, x 1
f ( x) = a , g ( x) = .
0, x > 1
0, x >0
Rezolvare. Se folosete urmtoarea:
Teorem de inversiune. Fie f : R C integrabil Lebesgue. Dac
f L1(R) , atunci
+
1
f (t)e
itx
F ( f )( x) = dt x R,
2

F ( f ) este continu, lim F ( f )( x) = lim F ( f )( x) = 0 i F ( f )(x) = f (x) pe R
x + x
a.p. (= aproape pretutindeni = n toate punctele cu excepia eventual a unei
mulimi de msur Lebesgue zero).
+ +
2
f par F ( f )( x) = f (u) cos tudu cos txdt ;

0 0
+ +
2
f impar F ( f )( x) = f (u) sin tudu sin txdt .
0 0

+ +
2
f par f ( x) = F ( f )( x) = f (u) cos tudu cos txdt x a . Trebuie

0 0
+ a
u
calculat integrala din interior. I = f (u) cos tudu = h1 a cos tudu prin=parti
0 0
a a a a
u sin tu u sin tu h h cos tu h
h 1 du = h 1 + sin tudu = = (1 cosat),
0
a t a t 0 at 0 at t 0 at
+
2 h
deci, pentru x a , f (x) =
at 2
(1 cos at) costxdt . g impar g (x) = F (g )(x)
0

220
+ + + 1
2
=
g(u) sin tudu sin txdt , x 1 . Se calculeaz I = g (u) sin tudu = sin tudu
0
0 0 0

1 +
cos tu 1 cos t 2 1 cos t
=
t 0
=
t
x R, x 1, f (x) =
t
sin txdt .
0
x
3. S se reprezinte printr-o integral Fourier funciile f ( x) = e cos x ( >
2
0), h( x) = xe x , x R.
+ +
2
Rezolvare. f par f ( x) = F ( f )( x) =
f (u) cos tudu cos txdt . I
0 0
+ + +
u 1 u
= f (u) cos tudu = e cos u cos tudu =
2 e [cos(t + )u + cos(t )u]du ,
0 0 0
1
cos a cos b = [cos(a + b) + cos(a b)] formula trigonometric,
2
1 u
+ + +
e cos(t + )udu + e cos(t )udu . Se calculeaz I1 = e au cosbudu ,
u
2 0
I=

0 0

+ + +
e au e au b au
a > 0: I1 = cos budu = cos budu + e ( sin bu)du =
a prin parti a a 0
0 0
+ 2 +
1 b e au +
sin budu = 1 + b e au sin bu b e au cos budu =
a a 0 a a a2 0 a2 0
1 1 a
= 2
2 a
(cu a = i b = t + respectiv t )
b a + b2
1+ 2
a
1
I= 2 + xR
2 + (t + )2 2 + (t )2
+
1 1
f ( x) =
2 + (t + )2 + 2 + (t )2 cos txdt .
0
x2 t2

Trecem la cea de a doua funcie. Introducem f1( x) = e 2 f1(t ) = 2e 2
+ +
i u2 t
u
x2 x2 itx 1
(calculat anterior) i g ( x) = e g (t ) = e e dx =
2
e 2e 2 du =

221
t2 t2 x2
1 t 1 u 1
f1 = 2e 4 = e 2 x = dx = du . Acum h( x) = xe 2 ,
2 2 2 2 2
+ + +
1 2 1 1
h(t)e dt , h(t) =
x itx itx
xe e dx = g ' (x)e
itx
h( x) = v.p. dx = itg (t ) =
2 2 2

t2 + t2 + t 2 + t2
1 1 it 1
it
2
e 4 , h(x) =
2 2
e 2 eitxdt = i te costxdt + i te sintxdt
4
4 4


+ t2
1
=
2
te 4 sin txdt .

+
x
4. S se determine funcia dac () sin xd = e , x > 0.
0
+ +
2
Rezolvare. Comparaie cu f impar f ( x) = f (u) sin tudu sin txdt ,
0
0
+
2
f (u) sin tudu . Construim f impar astfel nct f (x) = e
x
astfel (t ) = pentru x >
0
e x , x > 0 +
2 u 2 +
0. f (x) = 0, x = 0 . n acest mod obinem (t) = e sintudu = eu sin tu
e x , x < 0 0
0

+
2t u 2t 1 2t
+
e cos tudu = 2
t +1
, (t ) = 2
(t + 1)
, t R.
0

2 cos u, u (0, )
+

5. S se determine funcia dac () cos ud = 0, u> .
0
4 , u=

+ + +
2 2

Rezolvare. f par f ( x) =

f (u ) cos tudu

cos txdt ( x) =

f (u)
0 0 0


2 cos x, x (0, ) (,0)
0, x >

cos tudu , t R. Lum aici f ( x) = , arbitrar n R.
4, u =
, x=0

222

2 1 1 sin(t + 1)u sin(t 1)u
(t) = cos u cos tudu = [cos(t + 1)u + cos(t 1)u] du = +
2 2 2 t +1 t 1 0
0 0
1 sin(t + ) sin(t ) sin t 1 1 2t sin t t sin t
= + = + = = , t 1 .
2 t +1 t 1 t + 1 t + 1 t 1 2 t 2 1 1 t 2
0, x (0, a)
1, x (a, b)

6. Fie f : (0, +) R, f ( x) = 0, x (b,+) . 1 S se reprezinte f prin
1
, x = a, b
2
transformata sa Fourier invers prin cosinus; 2 S se reprezinte f prin transformata
sa Fourier invers prin sinus.
Rezolvare. Fie F : R R par cu F (0,+) = f , F(0) arbitrar. F este
+
2
integrabil Lebesgue, deci F ( x) =
Fc (t ) cos txdt , x a, b i, n plus, x 0
0
+ b
1
cnd F(0) 0. Fc (t ) = F (u) cos tudu = cos tudu = t (sin bt sin at) , deci f (x) =
0 a
+ +
2 sin bt sin at 2 cos bt cos at
t
cos txdt , x a, b. 2 f ( x) =
t
sin txdt , x a, b.
0 0
7. S se determine f : R C funcie impar integrabil Lebesgue astfel ca
+
t
f (u) sin tudu = g (t) , g : (0, +) R, g (t) = 2 sin 4 , t (0, 2), g(2) = 4 ,
0
g(t) = 0, t (2, +).
Rezolvare. Condiia din enun este fs(t) = g(t), t (0, +). Acceptm c ecuaia
integral (ecuaie integral de tip Fredholm de spea nti, de nucleu (u, t) sin ut,
+
1 2
cu termenul liber g) are soluie. Atunci pentru x = , F ( f )( x) =
4 f s (t) sin txdt
0
2 2
2 t 1 t t 1 4
=
2 sin 4 sin txdt = 2 cos 4 tx cos 4 + tx dt = 2 1 4x sin 2 2x
0 0
4 1 4 cos 2x 4 cos 2x 16 x 1
sin + 2x = = cos 2x. Pentru x = ,
1 + 4x 2 2 1 4 x 1 + 4 x 1 16 x 2 4
1 16 x
F ( f )(x) = f (x), deci x = f ( x) = cos 2x . Soluia nu este unic.
4 1 16 x 2
Valorile lui f pot fi schimbate ntr-un ir de puncte izolate din (0, +), fs rmnnd

223
aceeai.
8. Se consider ecuaia cu derivate pariale de ordinul al doilea (ecuaia
conductivitii termice)
u 2u
(1) =
t x 2
i se caut soluii (x, t) u(x, t), x R, t 0, verificnd u(x, 0) = u0 (x) x din R,
unde u0, u0 , u0 L1(R) , u0 mrginit. n plus, se cere soluiei u
1 u(, t), D1u(, t), D12u(, t ) L1(R) , t 0;
2 T > 0 fiind arbitrar, exist f n L1(R) astfel nct D2u( x, t ) f ( x) pe R t
din [0, T].
Fie u soluie a lui (1) verificnd condiiile cerute. Conform cu definiia,
D2u ( x, t ) = D12u ( x, t ) pe R [0, +) sau, cu funcii, (2) D2u(, t) = D12u(, t) t
0. Din (2) rezult

(3) D2u(, t )() = D12u(, t )() , , t 0.


Folosind formula IV transformarea Fourier direct a derivatei
[ f (t ) = (it )n f (t )] , D 2u (, t )() = (i) 2 u (, t )() . Se pune v : v(, t) = u(, t )()
( n)
1
+ +
ix ix
astfel c D12u(, t )() = 2v(, t ) . D12u(, t)() = D2u(x, t)e dx = t u(x, t) e dx

2
= D2v(, t ) , prin urmare (3) devine D2v(, t ) = v(, t ) cu condiia iniial v0 () : =
+
2
v(,0) = u(,0)() = u0 (x)e
ix
dx . Evident v(, t) = e t v0 () . Dar, cu notaie forat,

x2 x2
2t 1 1 4t
e = e 4t () , deci u( , t)() = v(, t ) = e ()u0 () =
2 t 2 t

x2 + ( x y )2
1 4t 1

2 t
e u0 ( x)() , care d u( x, t ) =
2 t
e 4t u( y)dy x din R, deoarece

u(, t) este continu.

224
CAPITOLUL V. DISTRIBUII
1. Spaiul funciilor test D() i spaiul distribuiilor D()
1. Inrouducere
Fie Rn deschis i C0 () spaiul vectorial al funciilor complexe de
clas C pe cu suport compact.
Pentru K compact, DK() desemneaz subspaiul vectorial al lui C0 ()
format din funciile cu suportul cuprins K. Evident
D K () = C0 () .
K
K compact
Pentru fiecare m Z+, fie pm seminorma pe DK()
pm () = sup D ( x) ,
xK
m

not

= (1,..., n ) Z n+ multiindice, D = , = 1 + ... + n .
x 1... x n
1 n
irul seminormelor ( pm )mZ+ definete pe DK() o topologie 1 local
convex 2 . Spaiul vectorial C0 () se nzestreaz cu topologia limit inductiv 3 a
topologiilor local convexe pe DK() i se obine spaiul local convex D().
n aceast topologie p 0 n D() dac i numai dac
1 K n compact astfel nct spp K p;
2 Dp ( x) 0 mutiindice.
u
xK
Definiie. O funcional 4 liniar continu pe D() este o distribuie pe .
2. Distribuie
Mulimea tuturor distribuiilor pe se noteaz D ().
Exemplu. : (, ) = (0) D() este distribuia Dirak.
Fie f L1loc () (spaiul vectorial al funciilor reale msurabile pe i local
integrabile 5 pe aceasta). Funcionala u:
(u, ) = f ( x)( x)dx , D()

este o distribuie pe , distribuie de tip funcie sau distribuie regulat. Ea se

1
Pentru noiunea de topologie i proprieti ale ei vezi [11].
2
Topologia local convex = fiecare punct are un sistem fundamental de vecinti convexe.
3
Pentru noiunea de limit inductiv vezi [11].
4
O aplicaie a unui spaiu vectorial cu valori n corpul scalarilor acestuia se numete funcional.
5
O funcie este local integrabil pe o mulime dac este integrabil pe orice parte compact a acesteia.

225
noteaz uneori uf .
Definiie. O distribuie care nu este de tip funcie este, prin definiie, distribuie
singular.
0, x < 0
Exemplu. Funcia a lui Heaviside : ( x) = definete distribuia a
1, x 0
lui Heaviside.
1 nu este distribuie de tip funcie.
2 Lema du Bois - Raymond. Fie f local integrabil pe .
f (x) = 0 a.p. 6 pe f = 0 s.d. 7
Derivarea parial a distribuiilor
Fie Z n+ multiindice. Funcionala v definit pe D():

(v, ) = (1) (u, D ) din D()
este liniar i continu. Se noteaz v = D u derivata parial de multiindice a
lui u. Astfel prin definiie
def

(D u, ) = (1) (u, D ) .
Evident D (Du) = D (D u) = D +u .
Exemplu. = .
3 Fie f Cp(), p 1. Atunci

f (x)D ( x)dx = (1) D f ( x)( x) D(), ( p) .

4 Dac f C p(), p 1, atunci, multiindice cu p ,
D u f = u .
D f
Exprimat prescurtat: la distribuia de tip funcie de clas C p, derivatele pariale
clasice de indice, p , i acelea n sens distribuional coincid.
3o
Fie 1 i n i D(), (Diu f , ) = (u f , Di) = f ( x)Di( x)dx =

(Di ( x))( x)dx , deci (Diu f , ) = (uDi f , ) , adic Diu f = u Di f .

nmulirea cu funcii
Fie u distribuie pe i a C(). au este definit prin
def
(au, ) = (u, a) .

6
O proprietate are loc pe o mulime aproape pretutindeni (a.p.) dac acea proprietate are loc pe acea mulime cu
excepia (eventual) a unei mulimi de msur Lebesgue zero.
7
Dou funcii local integrabile sunt egale n sens distribuional (s.d.) dac distribuiile de tip funcie pe care le
genereaz coincide (ca funcii, la rndul lor)

226
Avem D (au) = (D a)u + aD u .

2. Distribuii temperate
1. Spaiul local convex S
Funcia din C(Rn) descrete rapid dac m Z+
sup (1+ || x ||) m | ( x) | < + ( = 2 ) .
xR n
S desemneaz mulimea funciilor din C(Rn) care descresc rapid mpreun
def
cu toate derivatele pariale ale lor : S Z n+ i m Z+
sup (1 + x ) m | D ( x) | < + .
xR n
2
x
Exemplu. Dac ( x) = e , S C(Rn).
S este evident un subspaiu vectorial al lui C(Rn). Pentru fiecare m i k din
Z+ se noteaz pm,k : S R+, pm, k () = sup (1 + x ) m D ( x) . Familia (pm,k)m, k Z
xR n
k

definete pe S o topologie local convex metrizabil i un sistem fundamental de


vecinti ale lui 0 este format din S ( pm, k) 8 , m i k din Z+ , > 0.
Caracterizarea convergenei n S . j n S m Z+ i Z n+ ,
u
m m
x D j ( x)
n x D ( x) .
xR

2. Transformarea Fourier a funciilor din S


Pentru fiecare f din L1(Rn) se consider funcia f = F ( f ) ,
n

f () = (2) 2 n f (x)e
ix
dx , Rn.
R

Definiia este corect, cci integrantul este o funcie msurabil i f ( x)eix


f (x) , x Rn.
f este transformata Fourier a lui f, F este transformarea Fourier. f este
continu pe Rn. f este i msurabil, dar ea este i mrginit i, cum operatorul F
este liniar i continuu, F L(L1(Rn); L(Rn)).
Studiem transformata Fourier a funciilor din S , astfel spus, restricia lui F la
S (S L1(Rn)), care va fi notat tot F, ceea ce este corect deoarece pentru din

8
S (pm, k) = {x Rn : pm, k (x) }.

227
A
S , sup (1 + x ) m ( x) < + m Z+, deci | ( x) | m
pe Rn, iar pentru m >
xR n (1 + x )
A
N, n (1 + x )m dx este convergent.
R

5 Dac S , atunci C (R n ) i


D = (i) M multiindice
[M : (M )( x) = x ( x), x = x11 xnn ] .
6 Oricare ar fi din S ,


M = (i) D .
Teorem. Operatorul Fourier aplic liniar i continuu S n S .
~ a funciei din S este
Cotransformata Fourier
def n
~() = (2) 2 ( x)eix dx .

Rn
Teorem de inversiune. Oricare ar fi din S ,
n
ix
( x) = (2) 2
n ()e d , x Rn
R
(formula de inversiunea Fourier), iar F este un izomorfism algebric i un
omeomorfism topologic al lui S n S .
7 Formule Parseval. Pentru , din S
1. ( x)( x)dx = ( x) ( x)dx ;
Rn Rn

2. ( x)( x)dx = ~ ~
n(x)(x)dx = n (x) (x)dx ;
Rn R R
n n
3 = (2) 2
; (2) 2 =
.
3. Distribuii temperate
Definiie. Elementele lui S (mulimea funcionalelor liniare i continue pe S
) se numesc distribuii temperate.
n acest context nu se distinge, nici prin notaie, ntre o distribuie pe Rn
(element al lui D(Rn)) care are o prelungire continu la i aceast prelungire
continu element al lui (= distribuie temperat).
8 Orice distribuie cu suport compact este temperat.
Explicaie. Suportul unei distribuii. Fie u o distribuie pe i 1
deschis. u D (1) se obinuiete a se nota u 1 , restricia lui u la 1. Evident

228
u 1 este continu pe D(1), cci p 0 n D(1) p 0 n D() i atunci
u(p) 0. Fie a un punct din . u este prin definiie local zero n a, dac V
vecintate deschis a lui a astfel nct u V = 0 . Distribuiile u i v coincid local n a
dac u v este local zero n a. Suportul spu al distribuiei u pe este submulimea
lui este definit prin \ spu = {a : u este local zero n a}.
9 Fie f din Lp(Rn), 1 p . Funcionala uf : u f () = f ( x)( x)dx , S ,
Rn
p n
se afl n S i aplicaia f uf a lui L (R ) n S este injectiv.
Coninutul acestei propoziii se desemneaz uneori, prin abuz,
Lp(Rn) S .
Derivata unei distribuii temperate
Pentru u din S i multiindice, Du se definete prin

(D u, ) = (1) (u, D ) .
Cum D L(S ) , D u S ' , astfel derivata de un multiindice oarecare a
unei distribuii temperate este tot o distribuie temperat.
4. Transformata Fourier a distribuiilor temperate
Transformarea Fourier F este un izomorfism algebric i omeomorfism
topologic al lui S pe S , astfel c F , fiind adjunctul lui F, F L(S ) i, mai
mult, deoare-ce (F 1)' = (F ' ) 1 , F este i el un izomorfism algebric i
omeomorfism topologic de la S la S (topologia pe S este aceea slab 9 ).
Pentru u din S , F u se numete transformata Fourier - Schwartz, notat u .
Astfel, relaia de definiie a lui u este :
(u , ) = (u , ) , S
[(F u, ) = (u, F)!].
10 Dac f L1(Rn), atunci u f = u f .

ix
Pentru din S , u f () = u f ( ) = n f (x) (x)dx = n f ( x) n()e ddx

R R R
= f ()()d = u f () .
Fubini
Rn
n n n

Aplicaie. = (2) 2 1 , 1 = (2) 2 . Rezolvare. ( , ) = (, ) = (0) = (2) 2
n n
ix0
(x)e dx = (2) 2
(x)dx = (2) 2 (1, ) . (, ) = (0) = (0) = (0) = (, ) =
Rn Rn

9
Pentru detalii privind topologia slab vezi [11].

229
n n n n

( , ) = (2)

) =
2 (1, (2) , ) = (2) 2 1 ,
2 (1 1 = (2) 2 . Am folosit : ( x)

~ ~
= ( x) ; = (
) , = ( ) = = . Cum , rezult = .
11 Derivarea parial a transformatei Fourier. Pentru u din S ,


D u = (i) M u .

Fie din S . (Du, ) = (1) (u, D) = (1) (u, D) = (1) (u, i M )


= ((i) M u, ) = ((i) M u, ) . S-a inut cont de 6: M = (i) D D =

i M
12 Transformata Fourier a derivatei pariale. Pentru u din S


D u = i M u .

Fie din S . (Du, ) = (Du, ) = (1) (u, D ) = (1) (u, (i) M ) =


i (u, M ) = (i M u, ) , D u = i M u . Am folosit 5.
Teorema Plancherel. Dac f L2(Rn), exist g n L2(Rn) astfel nct
n

f 2
= g 2
i f = g s.d. iar g ( x) = lim (2) 2 f ()e
ix
d n L2(Rn).
r +
<r
Transformarea Fourier parial
Fie u S (Rn Rp). Transformata Fourier parial Fx (u) a lui u, xRn se
definete prin: pentru S (Rn Rp)
def
(Fx (u), ) = (u, Fx ()) ,
ix
unde Fx () : Fx ()(, y) = n(x, y)e dx . Se poate arta c Fx () S (Rn Rp),
R
iar aplicaia liniar Fx () este continu i astfel definiia este corect, Fx (u)
S (Rn Rp).

3. Probleme rezolvate
1. Exemplu de funcie test. Fie > 0 . Se noteaz, unde a R,
2
2
x 2 x <
( x) = a e , , x Rn.

0, x

230
2
2
x 2
a se determin din condiia (x)dx = 1, deci din condiia a e dx = 1 ,
Rn S (0)
S(0) = {x Rn : ||x|| } sferoidul nchis de centru 0 i raz ; S(0, ) = {x Rn :
||x|| } sferoidul deschis de centru 0 i raz . Suportul lui este supp = S(0)
: x0 {x R n : ( x) 0} || x0 || . Pentru a arta c C(Rn), se consider
2 2
2
t 2 2 , t < 2 t t 2 2 , t <
f : R R, f (t) = e , f C(Rn). f ' (t ) = 2 2 2 e .
(t )

0 t 0, t >
1
2 2 2
(t )
f s' () = lim f ' (t ) = 0 ; f d' () = lim f ' (t ) = 23 lim 2
=
t t + t + Hpital

e t 2 2
2
4 t 1 2t

(t 2 )3
2 2 2 (t 2 ) 2
2
23 lim = 4 lim t 2 = 4 lim = 0.
t + 2 t + H t + 2
2 2
2t t 2 2 t 2 2 + 2t t 2 2
e e e
(t 2 2 ) 2 (t 2 2 ) 2
2 2
2t t 2 , t <
2
Astfel f() = 0. La fel, f() = 0, deci f ' (t ) = 2 2 2 e . Se
(t )

0, t

observ c ( x) = a f (|| x ||) . Astfel C0 ( R n ) , dei nu este analitic (=


dezvoltabil n serie Taylor n jurul fiecrui punct al mulimii de definiie) pe Rn
(altcum ( x ) = 0 pe Rn, deoarece ( x ) = 0 pe o mulime deschis din Rn).
1
2. Exemplu de distribuie: funcionala P definit pe D(R) prin:
x
1 ( x) ( x) +
( x) 1 1
P , = v.p. dx . lim dx + dx . P este liniar: P ,
x R
x 0 + x x x x

1 1 1
+ ) = P , + P , . P este continu: verificare cu iruri. Fie p
x x x
u
0 n D(), deci p = 0 pentru x > R , p i (pm) ( x) 0 m 0.
xR

231
1 ( x) ( x) (0) R
p ( x) p (0)
dx = lim
p p
P , = v.p. dx + dx ,
x x 0 + x x
R R
R R
p (0) p (0) p (0) p (0) p (x) p (0)
pentru c dx + dx = dx + dx = 0 . Ori
R
x
x R
x
x x

1 ' '
sup 'p ( x) , prin urmare P , p sup p ( x) ( + R + R ) 2 R sup p ( x)
x R x x R x R

0.
p
3. O generalizare a distribuiei este stratul simplu pe o suprafa.
Fie S suprafa din Rn de clas C1 pe poriuni i funcie real continu pe S.
Se noteaz S distribuia
(S , ) = ( x)( x)d( x) , D(Rn).
S
(integral de suprafa de prima spe).
S este stratul simplu pe S cu densitatea .
4. Artai c a = a(0).
Rezolvare. (a, ) = (, a) = (a)(0) = a(0)(0) = a(0) (, ) = (a(0), )
a = a(0).
1
5. S se arate c xP = 1 s.d. (adic distribuia din membrul stng coincide
x
cu distribuia de tip funcie generat de funcia local integrabil pe R, constant 1:
x 1 x R.
+ +
1 1 x( x) 1
D(R) xP , = P , x = v.p. dx = 1 ( x)dx = (1, ) , xP = 1 .
x x x x

6. u D (), a C(), a(x) = 1 pe o vecintate a lui suppu, atunci au = u.
D (), suppu supp(1 a) = , deci (u au, ) = (u, (1 a)) = 0.
Aa cum a artat Laurent Schwartz, nu se poate defini o nmulire a
1
distribuiilor care s fie asociativ i comutativ pentru c, de pild, 0 = 0P =
x
1 1 1
( x)P = (x)P = xP = , 0, contradicie.
x x x
7. (au ) ( n) = a ( n)u + C1n a ( n 1)u '+... + Cnn 1a ' u ( n 1) + au ( n) , aC(R), u
D(R).
Rezolvare. Vor demonstra prin inducie dup n. n = 1. (au) = au + au: ((au),
) = (au, ) = (u, a); (au, ) = (u, a) = (u, (a)) = (u, a + a) = (u,
a) (u, a) = (au, ) (au, ) = (au, ) + ((au), ) (au, ) + (au, ) =

232
((au), ), D(R), ((au), ) = (au + au, ) D(R), (au) = au + au.
n n + 1. Presupunnd adevrat (au)(n) = a(n)u + Cn1a(n 1)u'+... + Cnn 1a' u(n 1) + au (n) ,
artm (au)(n +1) = a (n +1)u + Cn1 +1a (n)u'+... + Cnn+1a' u (n) + au (n +1) . (au)(n +1) =
[(au)(n) ]' = [a(n)u + Cn1a(n 1)u'+... + Cnn 1a' u (n 1) + au (n) ]' = [a (n)u] + Cn1[a (n 1)u]'+
ip. ind.

... + Cnn1[a' u (n 1) ]'+[au (n) ]' = a(n +1)u + a(n)u'+Cn1a(n)u'+ Cn1 a (n 1)u"+... + Cnn 1a" u (n 1)
+ Cnn 1a' u (n) + a' u (n) + au (n +1) = a (n +1)u + Cn1 +1a (n)u'+Cn2+1a(n 1)u"+... + Cnn+11a"u (n 1)
+ Cnn+1a' u (n) + Cnn++11au (n +1) , deoarece Cnk+1 = Cnk + Cnk 1 .
8. + t = 0 : t = 0 ((t, ) = (, t) = 0 (0) = 0) 0 = (t) = + t.
9. 2 +4t + t2 = 0 : t2 = 0 (t = 0 t 2 = t(t) = 0) 0 = (t2) = 2 +
4t +t 2 = 0.
10. (t n)(n) = n!, n N. Artm prin inducie dup n. n = 1. (t) = + t =
+ t = ; (t) = . (tn)(n) = n!, n N. n n + 1 exerciiu!
11. tn(n) = (1)nn!, n N : t = 0, 0 = (t)(n) = t(n) + n(n1), deci
t(n) = n(n 1) , nmulim cu t, t 2(n) = nt(n 1) = n(1)(n 1)(n 2) = n(n
1)(n 2) , se nmulete n continuare cu t pn se ajunge la rezultat.
1
12. (ln | t |)' = P ( = R \{0}). ((ln | t |)' , ) = (ln | t |, ' ) = ln | t | ' (t )dt =
t R \{0}

+
lim ln | t | ' (t)dt + ln t ' (t )dt = lim ln t ' (t ) + ln t ' (t ) +
+
0 + 0+

(t) +
(t)
+
(t ) 1
lim dt + dt = lim (ln ' () ln ' () + v.p. dt = P , .
0+ t t 0+

t t

13. O generalizarea a distribuiei este stratul dublu pe o suprafa. Fie S
suprafaa din Rn orientat, de clas C1 pe poriuni, n versorul normalei la S ntr-un

punct oarecare al acesteia i funcie real continu pe S. Se noteaz (S )
n
distribuia

(S ), = ( x) ( x)d( x) , D(R )
n

n S n
(integral de suprafa de spea a doua).
Ea se numete stratul dublu pe S cu densitatea .

233
BIBLIOGRAFIE

[1] Allen, Th., Introduction to engineering statistics and SixSigma, Springer-


Verlag, London, 2006;
[2] Bretthorst, L., Bayesian spectrum analysis and parameter estimation,
Springer Verlag, Berlin, Heidelberg , 1988
[3] Craiu, M.,Probabilites et statistique, Universit Polytechnique, Bucureti,
1994;
[4] DeCoursey, W.J., Statistics and probability for engineering applications,
Elsevier Science, 2003;
[5] Gray, R., Davisson, L., An introduction to statistical signal processing,
Stanford University, 1999;
[6] Hrdle, W., Applied nonparametric regression, Humboldt-Universitt zu
Berlin, 1994;
[7] Kleiber, Ch., Kotz, S., Statistical size distributions in economics and
actuarial sciences, John Wiley & Sons, Inc., 2003;
[8] Larionescu, D., Bercia, R., Lecii de matematici speciale, Printech,
Bucureti, 1998;
[9] Mac Berthouex, P., Brown, L., Statistics for environmental engineers, Lewis
Publishers, 2002;
[10] Martinez, W., Martinez, A., Computational statistics. Handbook with
MATLAB, Chapman&Hall/CRC, London, New York, 2002;
[11] Meghea, C., Meghea, I., Tratat de calcul diferenial i calcul integral pentru
nvmntul politehnic, vol. I Calcul diferenial, Ed. Tehnic, 1998, vol. II
Calcul integral, Ed. Tehnic, 2000, vol. III Calcul integral, Printech, 2002;
[12] Meghea, I., Analiz matematic. Aplicaii, Ed. POLITEHNICA Press,
Bucureti, 2010;
[13] Meghea, I., Curs de algebr liniar i geometrie, Ed. POLITEHNICA Press,
Bucureti, 2010;
[14] Meghea, I., Monitorizarea i statistica poluantilor atmosferici, Ed.
POLITEHNICA PRESS, Bucureti, 2010;
[15] Mihoc, Gh., Micu, N., Elemente de teoria probabilitilor i statistic
matematic, Ed. Didactic i Pedagogic, Bucureti, 1980;
[16] Montgomery, D., Runger, G., Applied statistics and probability for
engineers, John Wiley & Sons, Inc., 2003;
[17] Moroianu, M., Curs de probabiliti statistic, manuscris;
[18] Moroianu, M, Oprian, Gh., Caiet de seminar. Probabiliti i statistic,
Printech, Bucureti, 2002;
[19] Murphy, K., Myors, B., Statistical power analysis. A simple and general
model for traditional and modern hypothesis tests, Lawrence Erlbaum Associates
Publishers, London, 2004;
[20] Oakland, J., Statistical process control, Butterworth Heinemann, 2003;
[21] Oprian, Gh., Sebe, G., I., Compendiu de teoria probabilitilor i statistic

235
matematic, Ed. Tehnic, Bucureti, 1999;
[22] Ross, Sh., Introduction to Probability and statistics for engineers and
scientists, Elsevier Academic Press, 2004;
[23] Ryan, Th., Modern engineering statistics, Wiley Interscience, John Wiley &
Sons, Inc., 2007;
[24] Shay, G., Introduction to probability with statistical applications,
Birckhuser, Boston, Basel, Berlin, 2007;
[25] Soong, T.T., Fundamentals of probability and statistics for engineers, John
Wiley & Sons, Inc., 2004;
[26] Spanos, A., Statistical foundations with econometric modelling, John Wiley
& Sons, Inc., 1998;
[27] Walpole, R., Myers, R., Myers, Sh., Ye, K., Probability & statistics for
engineers & scientsts, Pearson Prentice Hall, 2007;

236
ANEXE
| | -Lil'
O(r): P(Z=z): ----e 2 du
|
J_^Y2r

aG)

-0.09 -0.08 *0.07 -0.06 -0.05 -0,04 -0.03 -0.02 *0.01 -0.00
-3.9 0.000033 0.000034 0.000036 0.000037 0.000039 0.000041 0.000042 0.000044 0.000046 0.000048
-3.8 0.000050 0.000052 0.000054 0.000057 0.000059 0.000062 0.000064 0.000067 0.000069 0.000072
-3.7 0.000075 0.000078 0.000082 0.000085 0.000088 0.000092 0.000096 0.000100 0.000104 0.000108
-3.6 0 . 0 0 0 1 1 20 . 0 0 0 1 r 7 0.000121 0.000126 0.000131 0.000136 0.000142 0.000147 0.000153 0.000159
-3.5 0.000165 0.000172 0.000179 0.000185 0.000193 0.000200 0.000208 0.000216 0.000224 0.000233
-3.4 0.000242 0.000251 0.000260 0.000270 0.000280 0.000291 0.000302 0.000313- 0.000325 0.000337
-3.3 0.000350 0.000362 0.000376 0.000390 0.000404 0.000419 0.000434 0.000450 0.000467 0.000483
-3.2 0.0005010.000519 0.000s38 0.000557 0.000577 0.000598 0.000619 0.000641 0.000664 0.000687
-3.1 0.0007110.000736 0.000762 0.000789 0.000816 0.000845 0.000874 0.000904 0.000935 0.000968
-3.0 0.0010010.001035 0 . 0 0 1 0 7 00 . 0 0 1 1 0 70 . 0 0 1 1 4 40.001183 0.001223 0.00t264 0.001306 0.001350
-2.9 0.0013950.001441 0.001489 0.001538 0.001589 0.00164r 0.001695 0.001750 0.001807 0.001866
-2.8 0.0019260.001988 0.002052 0.0021 18 0.002186 0.002256 0.002327 0.002401 0.002477 0.002555
-2.7 0.0026350.002718 0.002803 0.002890 0.002980 0.0030'120.003167 0.003264 0.0033@ 0.003467
-2.6 0.0035730.003681 0.003793 0.003907 0,004025 0.004145 0.004269 0.004396 0.004527 0.004661
-2.5 0.004799 0.004940 0.005085 0.005234 0.005386 0.005543 0.005703 0.005868 0.006037 0.006210
-2.4 0.0063870.006569 0.006756 0.006947 0.007143 0.007344 0.00'1549 0.007760 0.007976 0.008198
-2.3 0.008424 0.008656 0.008894 0.009137 0.009387 0.009642 0.009903 0.010170 0.0t0444 0.010724
-2.2 0 . 0 1 0 1I 0 . 0 1 l 3 0 4 0 . 0 1 1 6 0 40 . 0 1 1 9 1 | 0 . 0 t 2 2 2 4 0.012545 0.0t2874 0.013209 0.013553 0.013903
-2.1 0.014262 0.0t4629 0.01s003 0.015386 0.015778 0.016177 0.016586 0.017003 0.017429 0.017864
-2.0 0.018309 0.018763 0.0t9226 0.019699 0.020182 0.020675 0.021178 0.021692 0.022216 0.022',150
-r.9 0.023295 0.0238s2 0.024419 0.024998 0.025588 0.026190 0.026803 0.02'74290.028067 0.0287 t7
- 1.8 0.029379 0.030054 0.030742 0.031443 0.032t57 0.032884 0.033625 0.0343'190.035148 0.035930
-r.7 0.036727 0.037s38 0.038364 0.039204 0.040059 0.040929 0.041815 0.042716 0.043633 0.044565
- 1.6 0.045s14 0.046479 0.047460 0.048457 0.049471 0.050503 0.051551 0.052616 0.053699 0.054799
- 1.5 0.055917 0.057053 0.0s8208 0.059380 0.060571 0.061780 0.063008 0.064256 0.065522 0.066807
:1.4 0.068112 0.069437 0.070781 0.072145 0.073529 0.074934 0.076359 0.077804 0.079270 0.080757
- 1.3 0.082264 0.083793 0.085343 0.086915 0.088508 0.090123 0.091759 0.093418 0.095098 0.096801
- t.2 0.098525 0.100273 0.102042 0.103835 0.105650 0.107488 0.109349 0.111233 0.I 13140 0.l 15070
- l. 1 0.117023 0.l 19000 0.121001 0.t23024 0.125072 0.127143 0.129238 0.131357 0.133500 0.135666
- 1.0 0.137857 0.140071 0.t423t0 0.t44572 0.146859 0 . 1 4 9 1 7 00 . 1 5 1 5 0 50.153864 0.156248 0.158655
- 0 . 9 0 . 1 6 1 0 8 70 . 1 6 3 s 4 30.166023 0.168528 0.171056 0.173609 0.176185 0 . 1 7 8 7 8 60 . 1 8 1 4r 1 0 . r 8 4 0 6 0
- 0 . 8 0 . 1 8 6 7 3 30 . 1 8 9 4 3 00.192150 0.t94894 0.197662 0.200454 0.203269 0.206108 0.208970 0.21l8ss
-0.7 0.214764 0.217695 0.2206s0 0.223627 0.226627 0.229650 0.232695 0.235762 0.238852 0.241964
-0.6 0.245097 0.2482s2 0.251429 0.254627 0.257846 0.261086 0.264347 0.267629 0.270931 0.274253
-0.5 0.277s9s 0.280957 0.284339 0.287740 0.291160 0.294599 0.298056 0.301532 0.305026 0.308s38
-0.4 0.3t2067 0.315614 0.319178 0.322758 0.326355 0.329969 0.333598 0.337243 0.340903 0.344578
-0.3 0.3482680.35t973 0.355691 0.359424 0.363t69 0.366928 0.370700 0.374484 0.378281 0.382089
-0.2 0.385908 0.389't39 0.393580 0.397432 0.401294 0.405165 0.409046 0.412936 0.416834 0.420740
-0.1 0.424655 0.428576 0.432505 0.43644t 0.440382 0.444330 0.448283 0.452242 0.456205 0.460t'72
0.0 0.4641440.468119 0.472097 0.476078 0.480061 0.484047 0.488033 0.492022 0.496011 0.s00000
l r -Lu2
O(") : P(Z<z) -
| / - e
2 d u
J-*Y 2n

0.00 0.0r 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.500000 0.503989 0.507978 0.5r1967 0 . 51 5 9 5 3 0 . 5 1 9 9 3 90.532922 0.527903 0 . 5 3 1 8 8 10 . 5 3 5 8 5 6
0.1 0 . 5 3 9 8 2 80.543795 0.547758 0.551717 0.555760 0 . 5 5 9 6 1 80 . 5 6 3 5 5 9 0.s6749s 0.571424 0.575345
0.2 0.579260 0 . s 8 3 1 6 6 0.587064 0.590954 0.594835 0.5987060.602568 0.606420 0.610261 0.6t4092
0.3 0 . 6 1 7 9 1 10.6217t9 0.62ss16 0.629300 0.633072 0 . 6 3 6 8 3 10.640s76 0.644309 0.648027 0.651732
0.4 0.655422 0.659097 0.662757 0.666402 0.670031 0.673645 0.677242 0.680822 0.684386 0.687933
0.5 0.691462 0.694974 0.698468 0.'701944 0.705401 0.708840 0.712260 0.7t5661 0.719043 0.722405
0.6 0.725747 0.729069 0.732371 0.735653 0.7389r4 0.7421s4 0.745373 0.748s71 0.751748 0.754903
0.7 0.758036 0.76t148 0.764238 0.767305 0.770350 0.7733730.776373 0.779350 0.782305 0.78s236
0.8 0 . 7 8 8 1 4 s0.791030 0.793892 0.79673r 0.799546 0.8023380 . 8 0 5 1 0 6 0.807850 0.8105700.813267
0.9 0 . 8 1 s 9 4 00 . 8 1 8 s 8 90.82t214 0 . 8 2 3 8 1 50.82639r 0.828944 0.831472 0.833977 0.8364570.838913
1.0 0 . 8 4 1 3 4 50.843752 0.846136 0.848495 0.850830 0 . 8 5 3 1 4 10.855428 0.857690 0.859929 0.862143
1.1 0.864334 0.866s00 0.868643 0.870762 0.872857 0.874928 0.876976 0.878999 0.881000 0.882977
1.2 0.884930 0.886860 0.888767 0.89065 I 0.892sr2 0.8943500 . 8 9 6 1 6 5 0.8979s8 0.89972',70.901475
l .3 0 . 9 0 3 1 9 90.904902 0.906582 0.90824r 0.909877 0.9rr492 0 . 9 1 3 0 8 5 0.9r4657 0.916207 0.9t7736
1.4 0.919243 0.920730 0.922196 0.92364r 0.925066 0.926471 0.927855 0.929219 0 . 9 3 0 5 6 30 . 9 3 1 8 8 8
I .5 0 . 9 3 3 1 9 30.934478 0.93s744 0.936992 0.938220 0.939429 0.940620 0.941792 0.942947 0.944083
1.6 0.945201 0.946301 0.947384 0.948449 0.949497 0.950529 0 . 9 5 1 5 4 3 0.952540 0.953521 0.954486
r.7 0 . 9 5 5 4 3 50.956367 0.957284 0 . 9 5 8 1 8 50.959071 0.9s994r 0.960796 0.961636 0.962462 0.963273
L8 0.964070 0.964852 0.96s621 0.96637s 0.967lr6 0.967843 0.968557 0.9692s8 0.969946 0.97062r
1.9 0.971283 0.971933 0.972s71 0.973197 0 . 9 7 3 8 1 00.9'744t2 0.975002 0.97558 I 0.976148 0.976705
2.0 0.977250 0.977784 0.978308 0.978822 0.979325 0 . 9 7 9 8 1 80.980301 0.980774 0.9812370.981691
2.t 0.982t36 0.982571 0.982997 0 . 9 8 3 4 1 40.983823 0.984222 0.984614 0.984997 0.9853710.985738
2.2 0.986097 0.986447 0.98679 1 0.987126 0.987455 0.9877760.988089 0.988396 0.9886960.988989
2.3 0.989276 0.989556 0.989830 0.990097 0.990358 0.9906130.990863 0 . 9 9 1 r 0 6 0.991344 0.991s76
2.4 0.991802 0.992024 0.992240 0.9924s1 0.9926s6 0.9928s7 0.993053 0.993244 0.993431 0.993613
2.5 0.993790 0.993963 0.994t32 0.994297 0.994457 0.994614 0.994766 0.994915 0.995060 0.99s201
2.6 0.995339 0.995473 0.99s604 0.995731 0.995855 0.995975 0.996093 0.996207 0.996319 0.996427
2.7 0.996533 0.996636 0.996736 0.996833 0.996928 0.997020 0 . 9 9 7 1 r 0 0.997t97 0.997282 0.997365
2.8 0.99',74450.997523 0.997s99 0.997673 0.997744 0.9978r4 0.997882 0.997948 0.9980120.998074
2.9 0 . 9 9 8 1 3 40 . 9 9 8 1 9 30.998250 0.998305 0.998359 0 . 9 9 8 4 1 10.998462 0 . 9 9 8 5 1 10.9985590.998605
3.0 0.998650 0.998694 0.998736 0.998777 0 . 9 9 8 8 1 70.9988560.998893 0.998930 0.9989650.998999
3.1 0.999032 0.999065 0.999096 0.999126 0 . 9 9 9 1 5 50 . 9 9 9 1 8 40.999211 0.999238 0999264 0.999289
3.2 0.999313 0.999336 0.9993s9 0.9993 81 0.999402 0.999423 0.999443 0.999462 0.999481 0.999499
3.3 0.999517 0.999s33 0.999550 0.999566 0.999581 0.999596 0 . 9 9 9 6 1 0 0.999624 0.999638 0.999650
3.4 0.999663 0.999675 0.999687 0.999698 0.999709 0.999720 0.999730 0.999740 0.999749 0.999758
3.5 0.999767 0.999776 0.999784 0.999792 0.999800 0.9998070 . 9 9 9 8 1 5 0.999821 0.999828 0.999835
3.6 0.999841 0.999847 0.999853 0.999858 0.999864 0.999869 0.999874 0.999879 0.9998830.999888
3.7 0.999892 0.999896 0.999900 0.999904 0.999908 0.9999t2 0.99991s 0.99991 8 0.999922 0.999925
3.8 0.999928 0.999931 0.999933 0.999936 0.999938 0.99994r 0.999943 0.999946 0.999948 0.9999s0
3.9 0.999952 0.9999s4 0.999956 0.999958 0.999959 0.99996r 0.999963 0.999964 0.999966 0.999967
;2
tu&v

.99s .990 .975 .950 .050 .025 .005


I .00+ .00+ .00+ .00+ .02 .45 2.71 3.84 s.02 6.63 7.88
2 .01 .02 .05 .10 .21 1.39 4.61 5.99 7.38 9.2r 10.60
J .07 .l I .22 .35 .58 2.37 6.25 7.81 9.35 11.34 12.84
4 .2t .30 .48 .71 1.06 3.36 7.78 9.49 11.14 13.28 14.86
5 .41 .55 .83 I .15 1.61 4.35 9.24 11.07 12.83 15.09 16.75
6 .68 .87 1.24 1.64 2.20 5.35 10.65 t2.59 14.45 16.81 18.55
7 .99 1.24 1.69 2.17 2.83 6.35 12.02 14.07 16.41 18.48 20.28
8 1.34 1.65 2.18 2.73 3.49 7.34 t3.36 15.s1 t7.s3 20.09 21.96
9 r.73 2.09 2.70 3.33 4.17 8 . 3 4 14.68 16.92 19.02 21.67 23.s9
10 2.16 2.56 3.2s 3.94 4.87 9.34 15.99 18.31 20.48 23.21 25.19
ll 2.60 3.05 3.82 4.57 5.58 1 0 . 3 4 17.28 19.68 21.92 z+.tz zo.to
t2 3.07 3.57 4.40 5.23 6.30 1r.34 18.55 21.03 23.34 26.22 28.30
l3 3.57 4.11 5.01 5.89 7.04 12.34 19.81 22.36 24.74 27.69 29.82
t4 4.07 4.66 5.63 6.57 7.79 13.34 21.06 23.68 26.12 29.t4 31.32
l5 4.60 5.23 6.27 7.26 8.55 14.34 22.31 25.00 27.49 30.58 32.80
t6 5.14 5.81 6.91 7.96 9.31 ts.34 23.54 26.30 28.85 32.00 34.2'.7
l7 5.70 6.41 7.56 8.67 10.09 16.34 2 4 . 7 7 27.59 30.19 33.41 35.72
l8 6.26 7.01 8.23 9.39 10.87 t 7. 3 4 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 t0.t2 I 1.65 I 8 . 3 4 27.20 30.14 32.8s 36.t9 38.58
20 7.43 8.26 9.59 10.85 12.44 19.34 28.41 31.41 34.t7 37.57 40.00
2l 8.03 8.90 10.28 11.59 13.24 20.34 29.62 32.67 35.48 38.93 41.40
22 8.64 9.s4 10.98 t2.34 14.04 2t.34 30.81 33.92 36.78 40.29 42.80
LJ 9.26 10.20 rr.69 r3.09 14.85 22.34 32.01 35.17 38.08 41.64 44.t8
24 9.89 10.86 12.40 13.85 15.66 23.34 33.20 36.42 39.36 42.98 45.s6
25 10.52 11.52 t3.12 14.61 16.47 24.34 34.28 37.65 40.65 44.31 46.93
26 I 1.16 12.20 13.84 15.38 17.29 25.34 3 5 . 5 6 38.89 4r.92 45.64 48.29
27 11.81 12.88 t4.57 16.15 18.11 2 6 . 3 4 36.74 40.11 43.19 46.96 49.6s
28 12.46 t3.57 15.31 16.93 18.94 27.34 37.92 4t.34 44.46 48.28 50.99
29 t3.12 14.26 r6.05 r7.7r 19.77 28.34 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 29.34 40.26 43.77 46.98 50.89 53.67
40 20.71 22.16 24.43 26.5r 29.0s 39.34 5 1 . 8 1 5 5 . 67 59.34 63.69 66.77
50 27.99 29.71 32.36 34.76 37.69 49.33 6 3 . 1 7 6 7. s 0 7| . 4 2 76.15 79.49
60 35.53 37.48 40.48 43.19 46.46 s9.33 74.40 79.08 83.30 88.38 91.95
70 43.28 45.44 48.76 5t.74 55.33 69.33 85.53 90.53 95.02 100.42 104.22
80 51.17 53.54 57.15 60.39 64.28 79.33 9 6 . 5 8 101.88 106.63 n2.33 116.32
90 59.20 6r.7s 6s.65 69.13 73.29 89.33 1 0 7 . 5 7 1t3.t4 I18.14 124.12 128.30
100 67.33 70.06 74.22 77.93 82.36 99.33 l18.50 124.34 129.56 135.81 140.17
v : desreesof freedom.
.25 .10 .01 .0025 .00r
I .325 1.000 3.078 6.3t4 t2.706 31.82r 63.6s7 t27.32 31 8 . 3 1 636.62
2 .289 .816 1.886 2920 4.303 6.965 9.925 r4.089 23.326 31.598
J .277 .765 1.638 2.3s3 3.t82 4.541 5.841 7.453 t0.2t3 t2.924
4 .271 .741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 .267 .727 L476 2.0t5 2.57r 3.365 4.032 4.773 5.893 6.869
6 .265 .718 t.440 1S43 3.143 3.707 4.317 5.208 5.959
7 .263 . 7r 1 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 .262 .706 1.397 r.860 2.306 2.896 3.355 3.83 4.sor 5.e41
9 .261 .703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
l0 .260 .700 1.372 I.812 2.228 2.764 3.169 3.581 4.144 4.587
ll .260 .697 r.363 1.796 2.201 2.7t8 3.106 3.497 4.02s 4.437
t2 .259 .69s 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4 . 3 18
IJ .259 .694 1.350 1.77| 2.160 2.650 3.012 J.J IZ 3.852 4.221
t4 .258 .692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 .258 .69r 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 .2s8 .690 1.337 1.746 2.r20 2.583 2.921 3.252 3.686 4.015
I7 .257 .689 1.333 1.740 2.1t0 2.567 2.898 3.222 3.646 3.96s
18 .257 .688 r.330 t.734 2 .l 0 l 2.552 2.878 3.r97 3.610 3.922
I9 .z) I .688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 .257 .687 1.325 r.'725 2.086 2.528 2.845 3.153 3.552 3.850
2l .257 .686 1.323 1.721 2.080 2 . 5l 8 2.831 3.135 3.527 3.819
22 .256 .686 t.321 1.7t't 2.074 2.508 2.819 3.119 3.505 3.792
.256 .685 1 . 31 9 1.714 2.069 2.500 2.807 3.104 3.48s 3.767
24 .256 .685 1.318 1.7tt 2.064 2.492 2.797 3.091 3.467 3.745
25 .256 .684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 .256 .684 1.315 1.',706 2.056 2.479 2.779 3.067 3.435 3.707
27 .256 .684 1.314 1.703 2.052 2.473 2.77t 3.057 3.421 3.690
28 .256 .683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 .256 .683 1 . 3 I1 r.699 2.045 2.462 2.756 3.038 3.396 3.659
30 .256 .683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 .255 .681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 .254 .679 1.296 r.671 2.000 2.390 2.660 2.91s 3.232 3.460
t20 .254 .677 t.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
.253 .674 1.282 |.645 1.960 2.326 2.576 2.807 3.090 3.291
v : desreesof freedom.
n r r * n & n a.l O \O st 6 N O O\ r \O h h <' $ o n (}\ n O O
8 oc n n q o9 \ I n n =t R n n dl ct dl n dl n q c! cl cl cl q cl cl cl c\ q - - i q
0 1 6 N a . l * i

O r r r $ n o O, o \O
O\ r n+ m N * O O\ @ r n h $ - r 6 \O \O H
a oe a n q a9 \ 9 v? v') n a =q a n n n q n dl q n c.| c.l c\ cl c.! c.! c.! cl c! cl "1 -.1 q
O \ o c t c . t - *

\O \O F- rc r + n a + O F' $ N O n $ 6 N
O O O\ \O N O, * rc r r \O \O \O N
\ n R q oq \ I n n n a n n a n n .? .? dl d) d) n n .l .l cl q cl q cl .l F1 - F1
O , 6 N N + -

* h F- @ n \O O\ + - f- n N - O\ F- \O n $ O al * + O O\ O\ - r r a' * $
\ n =q q oq \ 9 n n n a n a a q dt.? n n d')..) n q dt.l c! c.l cl cl c! .l.l - -1
O i 6 a l N - *

r * r @ n \o o n - @ n o - o @ r \o h :j- o N ol * * o o o\ o\ n N o\ \o
\O $ =f O r \O \O n n $ $ $ $ $ o o6 o Oo o 6 O O 6 6 N (\ N N N * *
3- r ^! ^! _: : - _.,: _ _.,: _ J J i _ i J J _ J J J : : : _i -i _j : : : _j -j _i

O O n \O @ rc r O \O (\ O\ \O <t o.l t O\ @ F- \O n $ O O cl N * i O O A S + i
9 n =q q oq \ 9 I n n a a n n a dl d] r') q n..) d)..) d) d) d) d1 n.1 c.l .l cl cl |1
O \ 6 N N * :

\O r d \O al O\ r n 6 * O O\ r \O n $ $ O 6 N N * * O n ol (}l
v) o{ I1 6e 09 \ 9

q q.t n n n n n n n n n e n dt fl .1 n n n ct n n n q cl cl .1
O \ o N N - -

O\ H\O @ O\ \O @ N r o O \O st o i O 6 r r h n.<'$ o o N c.l O r $ o.l \O


a n a q 09 \ \? q n v') vl n n n n n n c) d)..).?.1 dl n'.? ".).1 ".1n n q c\ q n
6 o d d : -

- \t - r n o - 6 a \O \O <f, <t <f - \O at


O\ n
Rnaqoq\99nv')"?nnnnn-qnn.1
O\ r N O, $ O O
d t r- ) rd ) . 1n dn ) .n . ] . 1d ) . 1 . 1 O\
. 1. ] . l
6 0 0 . l o t - r

d + O . r 6 6 6 h N O \ O n $ 6 N - O 6 6 r r \ O n h - O O h
6 0 + o @ r \o \o n n n n sf $ sf $ s * $ $ o n oo 6 - 6 - 6 m 6 - N N
3 r ^i ^i J -: J -i -i J J -.: J J J J -.: J J -.: J - -i -i - -: - -: -: -: - -: - :

\O r * O\ r O 6 6 \O o - O\ r \O * o N - - O O\ O\ @ F- r r \O \O S * O' r
N O + O 6 r r \ O h h h h $ s $ $ $ $ $ $ $ o o o o o o o o o o o N a . l
? .. ^! ^i i J J J J J --: -: -j i --: J -: J -i --: -i - - -: -i .i -i -i -' J J -: - -:

o\ h * o\ o o o o\ @ n + m c{ al r+ \o r
o o o\ o\ r r n cl o @ \o -
- fl n q og \ \ 9 I n n n n n n a n n n n n n n n .'t .1 n n n .1 dt .1 n q
6 o N N - :

O \l 6 rc 01 O + O r $ N O O\ r \O n <' o o 6.1 * * O O (}, O\ O, @ \O 6 d 01


- o <t O r r\O \O n n n n$ S <' $ S $ $ S V S =f * o o o m o o o o N
oi d ci 6i --; -i ...i .j ...; .j .j .-j .j -.i -l .-j -j .j -j ,-,: -,,i J -i -.1 -i -i -i -i -.i -i -.i -i -: -i

* r h - n o - \O n + t ai N - * * 6 O F
9 v-tn q?! n n n s a n n t n n n n n n n n n .1 c n .1
c) O c) crr r
q ..1Na @

oq\ \ 9
q o|\ O 6 r o

o e { N H *

cj -: r 6 6 C\l O\ $ C.lt d
O\ r \On $ \O
O o N N N 6 r n o \O \O <t
oq o! a q cq \ \ I 9 n v? v') v.l !.1 n =q n n n n n n n n n s 9 n n n -] dt .? .1
O N N H H

n O N - \O n n + $ < O O 6 C.l C) F- n
v') oc'l a.1 q 6oq6\ N\ \O
O O\ r O A 6 r r
I 9 v') n n v't n n n n n n n n n n n a a a a n t n n n n
o 6 N N * r

\o n rc N r \o - \o \o h h n h $ N F o\ r
q n.1 n e
o
oq\ \\C oI oI n n nn on c.t o o, 6, r r
n n n a n n a a a n n n n n =q=qn n n n
o d d * d

O O O n O N O n o N \OO O\ O\ \O r \O
+ N O c}\ - - r r \O \O \O n a
n q cl q ac \ \ 9 I I n n n v] vl v] n v-) a a a a a a n n a n n n a n n n
r 6 N N * i

o r N H o\ N r $ + o\ r \o n < o ot N - * o o o o\ o\ 6 @ \o n s N
oe n Q 09 9 9 n q? v') a a a n a a a a a a a a n..! d) d| c.).')..: d) dl dl d) dl .,)
N N N

* c{ 6 $ n \O r O\ O - N 6 $ n \O r O\ O - N o * n \O r O\ O O O Q "R
i N N N N N N N N N C I 6 $ ' O S
o 6 o \O O r (}\ \O \O \O \O *
.: N r O n O ol 6 O O\ r a m
!') vt dn O Oi @ F- \O @ O\ 6\ O
B q6 On \ -n o \ \ a
o N d N d N - :
.l - q q q oC og \ \ I 9 I I v? n n n a a n q q .t q

I 09 * N <t O\ o.l Q o 6 O\ n N O\ r $ o.l O 6 r \O $ 6 N - O c{ n \O r


O <f - r - r S 6 - O O O\ O r r r I I \O\O \O n n n h n n n n $ o N *
o.l
-; oi ri cj d; 6i 6i oi 6i ci 6i -j -i J -: J -i -.; J -.i -.i ,.j -i -i -.,i -.i -: J -.j -..: ,.-i .j -: -...i
\o

6 r n O\ S \O - *+ - -.o \O \ON \O t+ - \O
\ n .: \ -1 \ v? n cl - q q c)
q oq oq \ n
\
Cl
\
c)
\

9 I 9 9 I
ot o|\ @
r n r O N $
n n n n n n n n c.t q
<t
N O N O O N N ( \ N N N T
I

o F \O O \O $ \O o O h ct\ 6 O\ h * h m - O\ r \O $ m d O C}\ - r - $ F- O
n <f - - r n 6 N * O O\ O\ r r r r \O \O \O \O \O \O n n n n \t o O
6ioi !.i di di oi 6i6ioi 6i ci -.iJJJJ-,;...1 ,-j.j.jJ-.i-: JJ,-I ..i.-i .-:-i-.j-.i.-i

\O \O
r N r O \O h \O * \O - r * - 6 \O r+ N O O\ F- \O h + o N + * - S
c\ Y -1 oq - oq n n cl - q q q q 09 oe 09 \ \ \ \ \ 9 I I \q 9 \q \? \q v_r n n .1
a . | o n o m c t a l N N N c . l c . l
\o

Q r) 6 (}1 cl @ O O $ S O r $ i O, r n 6 N O O\ r \O n + r - n
q n .: oq - oq n R cl i - q q q q @. q e. .: \ \ \ \ \ 9 9 I q I q n n a .?

N O h O O C . t a l O t N O . t a . l N

$ $ * - $ o\ 6t o o N \o : \o N 6 \o .+ * o\ \o $ o o.l - o 6 r F + @ N
r !+ - o] @ h s 6 c.l + o o o\ o\ rc r r r r F- F- r r \o \o \o \o o + +
-ioi ri ai di 6i ciaioi 6i6ioioi JJ-.,i - . , i- . , i J J - . i - . i , , - , i - . . i . " . i - i - i J J J - . ; J . j . - . i

N N O r $ r n \ O * + r O n - r < - - o r \ \ O $ o - \ O h
.l t.l o?.1 09 I s n .l -: ": q q q q q oq oq oq oq oc O r
cg \ \ \ \
*
\
o d _ \ O
\ \19
O n
\q 6
vl n
+ O \ h o o N N N N N c l N o i N -

- * N c) r c) r O @ - n c) n N O\ \O o - O' r \O <- 6 N H c, or\ r : I O n


\ R cl q c..! q 9 v').') cl c] - - q q q q q q 09 oq oq og o9 o9 aq oe \ \ \ \ 9 I v.l
o 6, n 6 6 0t N N a.l N o.t N N c.t N
I

O 6 - N O S O $ N N n O. $ O \O 6 O \O $ c{ O O r \O 6 + n N \O - n O
- 6 N O O 6 r n S 6 N - - - O O O O. O. O, 6 6 @ @ r r \O
o oi ri d; di 6i 6i 6i 6i 6i oi oi 6i ri oi ai oi J -.,i -.i J J .i 'j .-.; -i -.i -.i -.i -.,i -i -.i -J -i

\o $ <t N \o N \o v n r - \oN 6\,\c) o o \o n 6 N * o\ a r r \o n 6 + @ 6


ce .? cl q .1 q \ n a n q a] -.: -.i q q q g q q q q q q aq oq oq 09 og oq \ \ !? !?
A 6 n O 6 N an cl c.l c.l N N N N N Cl C.l cl

$ r n n $ n O\ r O <t <> n ol 6 A $ o.l O r n + m N * O O\ 6 r N r


$ o cl 6 o O\ r h <f o o cl c.l * - O O O O O O\ o!\ o!\ o.\ o\\ o.\ o.\ o\\ 6 r r \O
oi oli r; .d ai 6i 6i 6i 6i 6i 6iGi ci oici 6i Gi 6i.i 6i -.i -i,j -j -.i -i -i J J J J -:..j -j

- h r @ r - @ N - - <f rc O O m O A \O \f, N - O, @ r \O n $ O O f N f N
o o cl 6 o o r \o n <t o cl an - - - - o o o o o o\ o\ o\ o\ o\ o\ o\ o\ 6 r r
xt oi r; r; fi d 6i 6i 6i 6i 6i 6i 6i 6i 6i 6i ci oi ni Gi Gi 6i -.i 'j *' -i -: -i -i -.i -.,i -i -i -i

O o O n O r n \O Ct' o - n o - \O r
.l n ol -q R q oq I n n.1 n
S
cl cl c.l - -.1 -: .1 6q a
q q
h
q
$
q
N
q q q
c) c)
q
or\
q q
m
q
r at
oc 09 \
r
6 n S 6 o N N al N ol N cr d N al N a'l N ..1 N N N N N c.l al a.l - *

* 6 - h h * o - N n 6 h - r $ N o \ o $ o : o 6 r \ o \ o 6 o n o n
cl al c q n -1 ce \ 9 n n.? n.1 cl cl o] cl - - -(\ a .: - q q q q q q q q q oq
r 6 h $ 6 O N CI OI N Ot N N N N N N N N N N N C.I N C.I N (\ (\ N N * * _

o t +
$ N @ * \ O - O \ - . + m A o * h O6 N r 6 *
cq cl .1 - n -.i q oc 9 9 "'l n a ..1 c?...) c? a1 o.l cl c.l cl .! .: .: -r r
-
I
-
n
-.: +
-
6
q
+
c
6
q
+
q
h O\ !+n 6 6 c.l cl N d c] N N N N c.l N oi N N al ol N (\ al cl N N o.l N N N * e

6 6 O\ N O\ r N * O \O * \O N O\ \O $ al O \O h $ O N * O O\ o 6 O
v? .:..) - I c'l q q oe \ 9 I n vl n a 9 a a .?..) n n n c?...1.? c.! c\ cl q a i q
6 A n t+ o .t 6 6l cl N N N N N N ol cl al ol N c.l c.l N ct d N N N N N N N N N

O O \O..1 \O \O * - o] i \O O O r S C.l - O\ r \O h.+ o o] * c) c) O\ O, n O


v.l q n d'] \ n cl -1 q q oq aq \ r: \ 9 9 I 9 v') n v? n n v') v') q? v') n R $n n.1 d)
- - $ oo o o o N N d N N N d N ol an N N 6l N N N N cl N N N o.t N N N
$

\o o :f, $ \o @ o\ \o \o o, o <t r h o + \o * -
oq v? n !,t g \ v'l a q .l cl - .-1 o1 q g q e
01
q
F-
q q
h
q
t
q
o
q
d
q q q
o 6 6
oq oc oq oq \
rc $ 6 h
\ \(\
q n $ $ o o n o o o o o o o o o m al ol N C] c.l N c{ ol o.l N N N cl N a.l

- N o $ n\O r Or O i N o $ n \O r @ O\ O d N o ti. n \O F- @ O\ O c) O O
- c.,t N a] 6t c{ a.t N o.t ot N 6 s \o N "a
Q o.! \O F o ta * * c) c) 3 6 r * \O N 6 * * @ \O o - 6 r n $ N * o|\ n O
o v) n \o 6 \o N o\ r n $ 6 ot - o o o\ oj @ r r r r \o \o \o \o io n o oi 6
8 + oi odr ; + ddc . i c i ai oi 6i 6i oi Gi 6i J.i ..:- .;- i JJ.j - - .i ::.1 ::- i .j ,j :
N

O n \ 9 O O r r n @ n $ n F \ O - r o O r $ - O \ r n o : O r c r n N
6 i- n \o !f, r ot o\ F- n t+ o N * i o o o\ o\ o\ oo @ r r r r r F \o n + -i ai
ct d; oi r; + ai d; 6i oi 6i 6i 6i oi oi 6i oi ai -i -.; -i J ..,.; .-.i -.j -.1 -i J J J -.: .-l .J -i -.i
N

- 09 \ O ..) S O = q N a O N \O - \O N n .t O\ \O $ ej O 6 r n $ $ o o N
N S n $ r O O r \O $ 6 6 N * - O O 6, 6 O\ r r r r \O n $ o
^ i 6 d d + d ; d f j ^ i j _ j - J _ ' _ : j _ : _ j _ j - j _ J _ . ; J - j - j
o i 6 i c i c i 6 i c i 6 i c i o i
N

\ o\ N \9 r $ o \Q o c1a $ r o n o o o\ \o $ i o\ r n G.t * o\ o\
- n n \ n \ .1 sq og 9 n a "1 cl c.l .1 ..: Iq q q q q q oq 09 09 $oq aq 09 \ \g or1 n o,
v-) v-).1
F O\ N <+ O 6 O N AI N N N N N N N N N _ i
N

\9 o \o * * b s = - \o $ at o r
- S Q dr nn o O- O r {) o cr l r:
n $ o Q 6 n o\ n n :f, s 6 n
O O O A \ 6 6 O \ O , @ c a r \ O n +
o 6 xt "i + fi d; di 6i 6i ci 6i 6i ^i ^i ai 6i 6i oi Gi .i - J i -j -j -j J -: J J -j -:,j
d

!i s !-- .! :t - ..t Q :j- - i N n o\ $ o\ n * 6 n o * \o n o * o o\ o\ o d a]


- S r n \l F 6 r \O h $ 6 C.l N * r * O O O O 01 C}\ 6 6 6 o|1 @ r r \O n
q . o i d v i + d d i d ; o i c i 6 i 6 i o i c i 6 i a i 6 i 6 i c i 6 i 6 i 6 i o i J - i - . i J J J . . j . j - . . i . j , . j
6l

\ Q Q \ O t r -s l n $ r ! o - f ,\ o 6 j m 6 o\\oal o rn 6*o\ r\o+ o<. n\o r


q_ n
n I oq v? 09 q -1 q \ 9 n a dl n q al - - -.: -1 q q q q q q q q q * \ \? "?
O @ n * 6 O O N a.l al cl c.l N N N c.l N N a.l C{ c.l N N a.l * -
N

- o ] n N c . l6 9 o n H \ o F
q_ . ia9 \ ! Q e l
oq I s
q q't q n
q 09 \ v') n n
r o o
-1 ni 6 *
-.1 oq \ rq * o N + n r

rl
I n q c! q q - C C + e q * .: 9
O, n + o o O m N N N N N ol Cl Cl al c.l N al cl N a] N N N N N ot
d

* rc * q,
q -n +\ q \q oq n
r
q rq tiq o, Q o N .+ h o o n 6 N o
\ 9 9 n n a .1 .1 dt c! al cl ;l _ ": _ _ n -
o\o o.l o
e q oi "e h\
.! 6 6 n * $ 6 O 6 N N al N N N a.l a.l N N N N N N N o.l N o.l N N c.l - N d *
ail

O O $O \O $ h n n r n - \O -
q S r o r 6 - 6 $@ r 9 n $ O $ $$ O.
o o n m N n N N N ON t-*
d nO $
6 6N O C}\ 6 6

; oi !.; + + d; d; d.i 6i 6i 6i oi oi oi oi 6i 6i 6i ci 6i d oi Gi 6i 6i 6i Gi 6i 6i.j -.i -i


N

- Q r O oQ 6 @ N O O - n O, $ O\ \O o{ 6 r * N O @ r n <f, N - N +
n o O r - \O n - O O r \O n h r+ <- + - o o o - N N N N 6i N J O O @
o oi od \ct + + ri ri di -i .i 6i 6i Gi ai 6i 6i 6i 6i Gi Gi ci c.i 6i 6i ci 6i ai oi oi oi c.i J -.1
N

r h $ N h o < t 6 r n n r O S O \h - @ n d O r + N - 6 r - o N +
o - O - r =f N O O\ @ r r \O n n n =f S $ S o o n 6 - N N N - ; O O\
d oi d 6 + + ai d d; -i ci ai oi oi Gi 6i oi 6i 6i 6i ai 6i oi oi 6i 6i 6i 6i 6i ci oi 6i 6i J
N

n A q\ * O\ O (}\ * - o \O * \O * 6 i \O \O r
T . 1O\ 0 9 q oq cl \ v . l q $- q q 09 \ \ \? g n
*
r} n
cr\
s a
+
<q R n
N O cr\
n
r
n.1..1..-)
h O n
cl -
r or\
q q
\Q \O <f r+ o o o o n at N ot N N at N a.l ot N N at N at N ct c.l at N N N ot ct
N

$ n o r r\Oal O\ O N n O\ !+ O \O 6 O r h o : 6 r I n 6 N * h r o
e n q -: q cl 09 v') d) q q q q oq \ \ \ I I 9 !') n v't v-l n n n R n n .1 cl - -
s o\ @ \o <f, .+ 6 6 0 6 0 6 N An Al N O.t N N N C.t C.l 6l N N N N N N N Ot A] N N
N

- O = \Q !a O\ tr O\ O O H o \O O n - r + + \O <f N c, A r n o n r o:, *
tl "l C q q n q 9 n n q - C q q cq oq \ \ \ I 9 I 9 q u'l u? a "? "? n n c! cl
I O\ O' \O n S 6 O o m 6 6 6 ol C.l a.l cl cl ot N N C{ a.l N N o.t N N N c.t N N N c.l
N

- v1 N O O o N +.r) @ I I - - O o c) r !i- N c) @ \O <l o - c) 6 - o h r


9 N - O - h - @ $ 6 N - - O O 6 6 6 r r r r r r \ o \ o h ! + -
+ oi oi \d r; + + d d; d; -i d; d; d; ri ri oi 6i 6i 6i 6i ai 6i ci 6i 6i 6i 6i 6i 6i 6i 6i ci 6i
N *
N

I O\ - \O h r I 6 O, $ Oi $ O \O m O r n o H O\ A I n o N \O O
\ - cl n n \ dl q oq -\ vl n -
a.? c.l o] c..l - - - q e q q q q q q q q
$
oc \ \q I
6 \O n $ st :f, o o o o o m o o o 6 6 o o o o 6 N N cl c.l N N N N ..1 N
I I
N

Q n !. q\ $ $ \O \O O 6 - + o O, n ol O\ r tf, N O O\ F- h $ o c.t o n r O
6 e n q r - r s N - 6 r 9 n h n $ < f <, i $ $ o o o o o o N * O O
o oi oi.o r;'i + + + .+ d ri ri d; d; d; d; d; d; ri d d ri ri -i d; d; ri d d di d d ri
6 :

- n - - 6 O \ N N - r
a n ..1 \ 9 q !1.1 .: q Soq n\ r O S
\q \g v? 6n h
n n
n
dl.? n n
N O @ \ O V o
c.l c.!.1 cl cl .t -
O r
-
O
e q
N
q
S
"9
-9 @ o r I h h n n $.+.+ <f* * $ $ $ s $.+.+ v s $ $ I t * s v $ 6 6
F *

: N 6 sl n r 01 O - N o V n \O F- @ O, O * N 6 $ h \O r 6\ O O O O
: N N N N N N d N C\I 6I O $ \O N "A
O O \O N h $ r o 6 N O O, c) c.l h O\ 6 O\ r+ O r * : n o i 6 + - O
v-r q c! q oq -: q d) q oq \ I n n .1 cl - - q q q q q q oq oq e oc \ I n .? q
ft o\ o \o $ $ 6 6 0 0.l ai N al N 6l cl N ot N N a.l * -
5 - *
q !a * I:- o o o 6 $ d o\ \o n \o o N \o o \o * @ rf * n o * o\ r al @ o F-
S q 6 O 6 N r o i 6 r \O h S 6 o cl o.l d : c) O c) 01 cl\ 6 6 @ r n $ ct
N .+ oi ci od \o + + d; d; ri 6i 6i 6i ci ci ai ci Gi ai 6i ci 6i oi 6i -J -.i J J .-.; -.i .j .-.i -.,i -i
5 - -
@ q\ \O N n n O O n.l - N n cl r N d n 6 \O
n q .? -1 q cl \ n .l q oe \ 9 n n n .? q q ..: $-.: i q q q
O
Q q q
<.
q
c'
*
r
I
6
v? q
6
O O\ o 6 \O $ $ 6 6 o o N N N N N al N N N N N ol N N N d

3
\ $ - @ = - + - \ 9 - r c | -\ $ @ o a n - n . { 6 r n - - + -
S a S - O o h N O 6 r \ O n n $ 6 - N N N c ) c ) c ) O c ) @ t - - \ O $
I oi s od \ct ri + d ..i .d d; 6i 6i oi oi oi ci oi 6i 6i 6i 6i 6i 6i ci ci Gi oi 6i 6i .-i .j -i -i
O o -
e
I @ \O o r \O 01 r N \O r+ 6 * r O $ O\ n * r * * \O o * or\ r <f at 6 r
! f ,O $ a l O o n o - 6 F - \ O n h $ o o m a t N a l H O O O \ \ O n
= oi w od t r; + d; d; d; ai 6i 6i 6i ci ci 6i 6i ci 6i oi 6i 6i 6i 6i 6i 6i Gi 6i 6i .i .i -i -i
O 6 -
3
..1 @ d - N n - r r.l 6 o. O m \O O n - r m O r + N 6 r h $ - 6 a +
c.j a .: u?.1 : n q 9 n .: q 09 \ \ I n q? n n n .?..t cl c.l c\ -
l- O, @ I n $ $ 6 6 o o o N N N N c.l N N c.l cl N ol N N N N ct c.l N N * * ;
O o i

\O
n F- \9 o r i-
!'t.,1 "i n I
q [- N o
.! i-q
n
q
$
oq \
cQ c!
q? *n \O..1
\O \O
-q n.'t O\ n oq O
q
n
cl c\ c! c'l .l
o * c) r $ N -
- a
q\
-
@ \O :f,
9 n 9 9 e q 09 \
!! $ n + 6 o 6 6 N ol an oi N o.l N N c.l cl N N N N N N N a.l N - * :
6 6 -

o n \O 6 F- r O r N o n h \O O\ N r qi r m O r <t * O\ \O <f ol * rc \O + o
q n c! 9 q al v') a \ r! n - q q oq \ \ 9 9 v.) v') v? n a t dl n n.1 c i q q oq
S O\ V \O n $ $ o o o o 6 cl a] c{ N c.t ot N N c.l N N o.l o.l..t N c.t N et 6l * :
o\

- - \ t ! . ' d r | > O l > c ! t r ) h l a r \ Q O \ N r N r c S O r + - O , r n o F c r \ r n r +


r s o r n 6 N @ <. N - o oj @ F- r \o \o \o n n n + * <f s r+ N + o c^
9 6 + d'o r; + + -; r; r; d d -i ^i ^i 6i oi ^i ..i 6i 6i 6i oi 6i 6i 6i ^i oi .i d' ^i 6i --:
o1

, O N $ (:.l I \O O \O N o r n n \O O\ ol r N r 6 c) r i+ + 6 r n o - O\ r \O h
s s @ I 9 r n 6 r n o N * o o, o\ @ r r r \o \o \o n n n n n o N - o
oi + d .ct r; + + d d d di d; ri d 6i 6i 6i 6i oi ai ^i oi 6i oi ^i 6i ^i ci oi c.i ^i oi 6i
6 -
6

6 r o at c.t \o m 6 * -at n 6 \o - *
al n n q v') oq..l q q? vn .1 c'l -1 q q q
s
oC oq 09 \
o 6 0 n o 6 r n 6 N
ol ..1
9
\O
\ \ \ 9 9 I 9 n n n q
!1 O\ $ n $ $ $ o o o o 6 o 6 a] cl c! o.t N ct N a] e{ c.t aI N N N N.l N a.l
9 6 -
o\

r \f \O O O o O h \O - o' O\ O ^l \O - \O - r * - n o - 6 r n 6 - o 6
r - n O\ r \O O + - \O n m N .] - O O O\ 6 oa r r r r e O h $ - ;
6 6 + d e r; + + + d; ri d r; Fi .i -i -i -i ci c.i oi 6i ^i 6i 6i ^i 6i ^i ^i ^i 6i 6i ^i ^i
o\

- c! l- n o q\ o o n \o - o 6 c.l \o o h H r m <> r n N o \o n ci - o\ 01
N o O @ r O, h N O\ r \O ti' 6 al N * * O O O\ 6 6 rc rc r r r I n 6 N
os oi e oi \o r; + + + di -; d d di di d d; ri -i d; oi 6i Gi 6i .i 6i ci 6i 6i 6i 6i ci Gi 6i
6
o la Q @ N at \at cl \ O O O - $ cl r O O, h an O\ r !+ N O r S o at -
a n \ c.i q og - 9 .1 q 09 \ I n q fl .l cl F: -: q q q q q q q q 09 oc \ g vl n
\ O\ n' 6 \O n n S $ S o o o o o o o o O 6 o o m c{ oi N a.t a.l N N c.l N N N

O @ \O \O
? ".) o9 Ft n- O
q
6
.l
N
09 n
rc * S
cl q
6
o9 \
r
9

n
O
n n.?
t o
.?.1
6 n
q
ej
c.! -
h
-
o
-
Q
-
rc
q
\O
q
+
q
-
e
O
q
6
\
r
g
r
v?
r 6 S 6 r n h + v r{- <+ o o a 6 0 0 0 0 0 0 0 0 0 00 0 0 0 0 N c.t N N

n O - N N r N 9 - $ - Q h o - o r n 6 - o \ O
! -? c l - : Q
I.?
6 ! O
cl n q \ n q.:
Q 6 O n t O
q oq c9 \ I
-
I v.) n a a n ..-)..t..) d) cl cl cl -: q oq \
q' q, h o\ r \o n n + =i + $ $ o o o o o o o 6 o o o n o o 6 6 6 6 o N c.l
6 6 *
a

. r :t q' \o Q o\ c.t 6 0 r n $ n 09 : n o \o N h N o\ r n 6 + o\ \o $ 6 N
N .- $ A r I rc $ c> \O d o N - O O O\ O\ @ r r r \o \o \o \o n t o a.t J
$ oi vd oi r s r; r; r; + + + + + + + + di d; -i di ri di di d d; d; -; ai a; ri d.d d;
6

Q 9 !.) O \O $ \9 - \O O r \O r Oj N \O * \O ct n N O\ r $ o.t O n o o o\
n O O \O S N n O r $ N * O\ r \O A n n $ $ o o o N c.l 61 6i ^ ; O Oi -
S. oi .o o qt uo.o "j ri r; ri + + + + + + + + + + + + + +.+ + + + + d -i r;
r
_ s N _ _ r r _ t+ N n _ o o N $ ..t r 6 o. n d o. \o n _ 6 r N 6 h N
o9 n a q q 09 q vl .1 q \ n n .? c..l - q q q oc 09 \ \ \ g g \q \g "l "_1 n ...t - Q
r @ r a{ o r r \o \o I \o \o n n n n n n n n n n n n n n n n n
$ o - - -
I

: N o + n \ or @ 6 = =
I : : : : : = 9 R K R R X R F \ K R 3 ? R 8
O o \Q h \O * \O r r n n r O\ c.l rO - \O - r 6 \O -
vl -1 n Cl
q oc I a fl -
q Q
I .? - Q
q oq \ 9 n v.) a.1 q cl c.l - -.: O
- q
o
q
<>
O
q oq \q n
O
q
8 \Q q' \O 6 6\ \O n V $ o o 6 o 6 ol N C.l N Ol ol ol N N N N Cl 6l ol N N
9 6 d -

q, N \O * C- $ !a O Q q\ h n q\ \O tf, n \O 6 N \O O n r r o O r $ * a.l o o o.l


$ ol n * Oi r O, <' O \O <t ct O 6 6 r \O n h $ + o o a.l N N H H i O\ r n o
c.l 6 o \o d; oi .o r; + + + d ri ai di 6i 6i 6i Gi ci oi 6i 6i ci 6i oi ci oi 6i ci 6i J - - .i
6 q N -

@ N - - N
1 " ? n9 . 1
O d
q 09 q
-
R q \ ! ' t . ?<
$ -
-
h o
q q
n
09 \
n r
I I
h O
v't n
n O 9 6
n n n.?
6 9 6
.l c'j .l e] q
*
oc g
r
n
6 q\ \O o O\ r n n * S 6 O O O O N c.l cl N N N N N al N c.l c.l N cl a.l N F * -
F ( } \ N -
\o
r E n 6 r+ :
ct r r \o .!| r o c.t c.t * \o ot $ rc $ o\ n N n o o * \o o\
n n \ q .: q ..: n - 09 c]
9 n q - q q 09 \ 9 q n (\n n n a.1..t n n -
$
q \ !'l
r O\ \O o 6 r n n $ S O 6 o o o o N N ct cl c.l
N N o.l N N N N N N * - -
O \ N :
N
I

r o.+ @ o o\ o n a $ O * n d o o N $ @ ct r ot <t r <f -


a v? oc n al q c 9 cl q \ n dt q .: q q 09 \ \ 9 9 vt q? on n I
oi o o
R .1 cl e

"9 -
o

- a \o 6 o\ r a n r+ I 6 o o o o o o c.t N N c.l N ct ol ci N N N N N d al * *
A N *
N

\o Q o r * F- @ 6 0 al o\ 6 0\ o N I O n O I cl n rq q q
n q q 9 n q q \ n q \ n a.1'1 q q q o q o C\ \ 9 9 n q ? Nv ? R n q.:
N n
q \
h ql\ o 6 r I n $ $ i' o o o m o m o N N C{ N o] N ot ol N an oi c.l a.l c\ * -
o 6 N -
N

n q, C] n O I \O F H O \O \O - r \O \O O O $ @ o 6 S O 6 O r h F- O 6
$ \O O n + - o <f + \O h 6 N * O O 6 @ r r r \O \O \O n n O N 6
q' S' \o + oi r \o r; + + + ri d ri d ci d ri di ci 6i 6i oi oi oi 6i 6i 6i 6i 6i 6i 6i c.i -.i
O A N -
N
\o
\o * \o \o * \o
o
n
r
cC.]
o N
\ n n
N
n q n
n
q q
cl
oe I q ? -a
N d o
c.l ol -1 q
n 6 6
q q
6
q
o\ n
09 oC oq \
- n
r: q.\
o o N 6
"1 "t.-1 q
6 +
r g'\ I .+ O\ r \O n $ $ d * o o o o o o 6 6 6 c.l al N N N N N N N N cl N N
n A d i

'N n r 6 ot r r : : o \o \o o r n \o r o m r a{ r o o\ \o o o r * I\q o $ rc
R q .1 09 \ a q - \ q - q o9 9 v') R.1 c) c1,.1 - a q q q q q o9 o9 u? ".t -
\9 A r * O\ r \O n n I <f <t o o ff o o o o O O o n o ol N N c.l N N N N N ot
o o \ N -
\o
o o n !o r c{ a \o n s o o $ o o, o\ - o r - \o * r o o\ \o m o o 6 r ci
$ N n O - \O rc ol h o * O\ @ \O n n :f, o O N N * * O O O O a @ \O !i' 6
\ 9qr r - - + or * or ; r ; + + + + r ; r i dddi ddi - i d; - ; d;dr i da; d6i 6i ai 6i ci
y l o \ N i -
{
3
A n \8
o.l \O * n .! 6, 6 .o,6 O at \O O n \O \O -
n . 1 \ q - q \ q e l
\t
q 9 " 1 a q o q \ 9 9 n n n a l d t o l o ]
O N
- . 1-n . 'a.l1 -O\: qF- q O\o 9N \ v ? a
al q, F- $ o r \o n n $ $ * :f, $ o o o o 6 o o m o o o o 6 o 6 6 N N o] ot
q o N i *

r <}\ O O\ O sf .o r \9 $ O c) O O\ O\ i o \O * n e \O \O \O *
n n e cl.: 09 c n q \ v ' ) . 1 $- q oq \ \ 9 vt vt n n.1
N cr\
d) c.l c!.1
o c) r cr\ N
.] .1 q oc \q v-)
N q\ r $ O \O \O n n :J' r+ <- $ S 6 6 6 O o o m o o O O 6 6 6 o N N N N
6 N - -

\o r \o \o o. - o 6 v $ rc $ - 6 $ r o + 6 + o\o N o. \o o o d n 6 +
"? 9 q R .l q - 9.1 ? I q cl - q q oc \ \ 9 vl v') v] R R .1 n .1 d) - q .: \q
o r s o n n $ <t .+ <f :f, r+ o 6 o o o o o 6 6 m o 6 6 6 o N N c.l
N 6 N - *
Oi

O * H r r or\ r O or\ r cj N \O N O O * $ r e \O * r m oF\ \O o c) r or\ ct I O


n q q 9 n - dl oq n q 09 \q R n c.l - q q og oq \ \ q 9 n n !.) !.) n c..l .1 q c9
O\ O\ r h O r \O n n n $ S S S $ $ $ O m o O O 66 O 6 6 o o m 6 N ol
n O N * -

o $ N r n I 6 \o $ N \o \o o\ \o <l <f n r o <f o, + oh N n o o - $ r d
..) o] vl q \ n 9 q 9 n q 09 9 n n dj cl.1 -1 q q q q oe o9 \ \ \ \ v').1 - q
S q\ - n O F- \O \O n h h $ $ $ $ $ $ d <t.+ 6 6 oo o o o o o 6 6 o 6
\ O O \ N i -
r

n - 6 n n - N 6 r + * $ ( } ,r F - O o r - Q N @ $ * r $ o l o n N
q \ q .1 - og q n q I n q q oc \ 9 vl q? R .1 .1 cl .l - . - q q q 09 \q a n
n O\ h * 6 r r I n h h h h $ $ I $ <l <l <f * $ $ $ $ <t * * :f, o o o 6
N 6 0 l : *

r I 6 I n Or O, h ej n :r' \O ol 6 6 : $ r d \O ct $ O r + * * o n @
- -q \q q \ n ! q n .! q \ n n cl.: q g q oq oq \ \ 9 I I n v-) v-) c1 - q \
lard oN Ho\ * N 6
O
r \o I n n n n n h n a sf, $ * + s $ $ <. + * :i. r+ * o o

Q .l Q r .{ n n c{ \o + 6 o * \o o * - m n N \o e r o o\ n N 6 @ o\ *
n a o N 6 n o n o t 6 r n o N : o o \ r r \ o n n $ s $ o - 6 r a
S. S. o od d; o oi dt d r r e 6 .o .o ro qi r; ri ri r; ri ri r; r; r; r; r; r; + + +
4 6 6

o N o \o n n I \o s n - r \o rco o 6 o N n a{ r at * o I - n 6
h - N N r N N h O O O @ 6 + N - - O 6 r c r r \ O \ O \ O n n O @
d a * -.i.o d; oi.j o o oi oi oi d d d d d d dt r r r r F F-- r r r r r \o e
y f a o N t -
=
e 6 r o *n e r @ 6 = : s r I : s : = 9 R F s R N K R N K R S S g R 8