Documente Academic
Documente Profesional
Documente Cultură
BUCURESTI
PROBABILITATI SI STATISTICA
BUCURESTI 2005
Cuprins
Cuvnt nainte v
I Probabilit
ati 1
1 Denitia probabilit atii 2
1.1 Denitia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Denitia axiomatic a a probabilit
atii . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Probabilitati conditionate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Cmpuri de probabilitate 24
i
CUPRINS ii
4 Legi clasice 43
5 Legi limit
a 60
5.1 Legea numerelor mari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Teoreme limit a central
a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7 Procese aleatoare 89
7.1 Procese Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 Procese Markov discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.3 Procese de nastere si moarte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.3.1 Model de asteptare cu o singur a statie de deservire si un num ar mare
de unitati ce au nevoie de serviciile statiei
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.3.2 Model de asteptare cu o singur a statie
iar num arul de unitati care au nevoie de serviciile statiei este limitat la
o valoare dat a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
CUPRINS iii
II Statistic
a 106
Cursul de fata a fost scris n perioada 1996-1997 de c atre Viorel Petrehus (partea I, prob-
abilit
ati) si Sever-Angel Popescu (partea a II-a, statistic a) pentru studentii anului II din
Universitatea Tehnic a de Constructii Bucuresti si a ap arut n 1997 multiplicat n atelierele
universit atii. El a fost gndit n 14 lectii, cte una pe s
aptamna, pe parcursul unui semestru.
Fiecare lectie se ncheie cu exercitii.
Autorii sunt recunosc atori tuturor celor care au contribuit cu observatiile lor la buna
organizare a materialului prezentat.
Autorii
v
Partea I
Probabilit
ati
1
Lectia 1
Denitia probabilit
atii
2
LECTIA
1. DEFINITIA TII
PROBABILITA 3
Exemplul 1.3 O persoana scrie n scrisori catre n persoane distincte, le pune n n plicuri si
apoi scrie adresele la ntmplare. Care este probabilitatea ca cel putin o scrisoare sa ajunga la
destinatarul potrivit?
Numarul cazurilor posibile de a scrie adresele este n!. Enumerarea cazurilor favorabile
este mai dicil
a. Dupa o mic a dezvoltare a calculului probabilit
ailor se poate rezolva elegant
aceat
a problem a (exercitiul 5).
Exemplul 1.4 Care este probabilitatea ca lund un punct la ntmplare n patratul [0,1][0; 1]
el sa e deasupra bisectoarei y=x?
d) Absorbtia
(A \ B) [ A = A (A [ B) \ A = A
e)Legile lui Morgan
A_B =A^B
A^B =A_B
f)Evenimentele 1 si 0 se caracterizeaz
a prin
0 ^ A = 0; 0 _ A = A
1 ^ A = A; 1 _ A = 1
A^A=0 A_A=1
Remarc am ca aceste relatii sunt adev arate dac a A; B;.. sunt propozitii, iar 0 este propoz-
itia totdeauna falsa si 1 este propozitia totdeauna adev arata.
O multime de evenimente cu propriet atile de mai sus se numeste cmp de evenimente sau
algebr a de evenimente sau algebr a Boole. Relatiile de mai sus nu sunt independente, deci nu
formeaz a un set minimal de axiome pentru algebrele Boole. Pe de alt a parte ele implic a alte
relatii importante, ca de exemplu A = A. Urm
atoarea teorem
a a lui Stone descrie asemenea
cmpuri de evenimente prin submultimi.
2)A,B2
) A [ B 2
3)A,B2
) A B 2
si o bijectie : M !
astfel ca:
a)(A _ B) = (A) [ (B)
b)(A ^ B) = (A) \ (B)
c)(A) = (A)
(0) = ; (1) = X
Teorema arat a c
a n esenta orice cmp de evenimente poate reprezentat prin submultimi
ale aceleiasi multimi X. Operatiei si ntre evenimente i corespunde intersectia submultimilor,
operatiei sau i corespunde reuniunea, negatiei i corespunde complementara, evenimentul
sigur corespunde multimii totale X, iar evenimentul imposibil corespunde cu multimea vid a.
i=1:n i=1::n
b) Daca A2
atunci A 2
:
Tripletul (X;
; p) l vom numi cmp de probabilitate.
[ n
X
p( Ai ) = p(Ai ) (1.1)
i=1::n 1
Observatia 1.10 Datorita formulei (1.1) probabilitatea p se mai numeste nit aditiva.
LECTIA
1. DEFINITIA TII
PROBABILITA 6
Exemplul 1.11 Se arunca doua zaruri. Pot apare toate perechile de fete (i,j) cu 1 i 6
si 1 j 6, n numar de 36. Fie X multimea acestor perechi. Fie
= P (X) si p :
! R
denita prin p (A) = numar de elemente din A
numar de elemente din X
. Functia p denita n acest fel este o probabilitate n
sensul denitiei anterioare. Numarul de elemente din X reprezinta numarul cazurilor posibile,
iar numarul de elemente din A reprezinta numarul cazurilor favorabile. In acest fel denitia
clasica a probabilitatilor este cuprinsa n denitia axiomatica de mai sus.
Acum putem s
a d
am o solutie pentru problema pus
a n exemplul 4.
aria(A)
p(A) = pentru A 2
aria(X)
Este clar ca p astfel denita satisface conditiile din denitia axiomatica a probabilitatii. In
raport cu aceasta probabilitate evenimentul din exemplul 4 este reprezentat prin A={(x; y) 2
X j y > x} pentru care p(A) = 1=2. Asemenea probabilitati n care X este o submultRime n
f ()d
R, R2 ; R3 , unde
este este formata din submultimi cu arie ale lui X, iar p (A) = R A f ()d
X
se numesc probabilitati geometrice. Functia f n aceasta denitie se mai numeste pondere sau
densitate si trebuie sa e positiva.
1.3 Probabilit
ati conditionate
Fie (X,
;p) un cmp de probabilitate, B n
, p(B)> 0:
LECTIA
1. DEFINITIA TII
PROBABILITA 7
p(A \ B)
p(AjB) = pB (A) = (1.2)
p(B)
Teorema 1.14 n conditiile denitiei de mai sus pB este o probabilitate si n plus p(A\B) =
p(B) pB (A).
Propozitia 1.16 Daca A si B sunt independente atunci si perechile de evenimente (A,B),
(A,B), B)
(A, sunt independente.
Demonstratie. Prin denitie p(A \ B) = p(A)p(B): Deoarece A = (A \ B) [ (A \ B)
(reuniune disjunct
a), avem
= p(A)p(B) + p(A \ B)
p(A) = p(A \ B) + p(A \ B)
de unde rezult
a
= p(A)
p(A \ B) p(A)p(B) = p(A)(1
p(B)) = p(A)p(B)
: Analg se demonstreaz
a independenta si n celelalte cazuri.
n mod analog se deneste independenta mai multor evenimente:
Denitia 1.17 A1 ; A2 ; :::An sunt independente daca pentru orice k n si orice evenimente
Ai1 ; Ai2 ; ::Aik dintre cele A1 ; ::An date avem
Demonstratia este l
asat
a ca exercitiu.
Avem urm
atoarea
Q.E.D.
Formula urmatoare, numita formula lui Bayes, ne d
a probabilitatea ca dup a ce stim c
a
un eveniment ce poate apare din mai multe cauze s-a realizat, acesta s
a se realizat dintr-o
cauz
a anume. Enuntul precis este:
p(Ai )p(BjAi )
p(Ai jB) = Pn (1.6)
j=1 p(Aj )p(BjAj )
Demonstratie.
p(B \ Ai ) p(Ai )p(BjAi )
p(Ai jB) = = Pn
p(B) j=1 p(Aj )p(BjAj )
Exemplul 1.22 n trei urne cu bile albe si negre avem compozitiile: 4+6, 2+8, 4+1. Se pun
toate bilele la un loc si se extrage o bila la ntmplare. Se constata ca este alba. Care este
probabilitatea ca ea sa provenit din urna a treia?
LECTIA
1. DEFINITIA TII
PROBABILITA 9
Solutie. Fie Ai evenimentul care const a n extragerea unei bile provenind din urna i si B
10
evenimentul care const a n extragerea unei bile albe. Avem p(A1 ) = 25 p(A2 ) = 10
25
p(A3 ) =
5
25
(probabilitatea evenimentului A i este proportional
a cu numarul bilelor provenite din urna
4 2 4
i). Mai departe avem p(BjA1 ) = 10 p(BjA2 ) = 10 p(BjA3 ) = 5 : Probabilitatea care ni se
cere este p(A3 jB) si conform cu formula lui Bayes
10 4
25
5 2
p(A3 jB) = 10 4 10 2 5 4 =
25
10
+ 25
10
+ 25
5
5
Observatia 1.23 Daca alegerea unei bile s-ar facut dupa regulile: i)se alege la ntmplare
o urna; 2)din urna aleasa se extrage la ntmplare o bila; atunci am avea p(A1 ) = p(A2 ) =
p(A3 ) = 31 si tot formula lui Bayes conduce la p(A3 jB) = 47 .
1.4 Rezumat
Probabilitatea are o component a psihologica n sensul de grad de ncredere si una practic a
n sensul de frecventa de aparitie a unui fenomen ntr-un num ar mare de experiente inde-
pendente, dar pentru a putea introduce numere si a face calcule s-a dovedit util a o denitie
axiomatic a, asem an ator cum n geometrie dreapta se introduce axiomatic, independent de
multimea exemplelor practice. Punctele importante n acest demers sunt:
i) Reprezentarea evenimentelor prin algebre de multimi(Stone).
ii) Denitia probabilit atii ca functie pe algebre de evenimente, cu propriet ati asemanatoare
cu aria gurilor plane.
In dezvoltarea elementar a a calculului cu probabilit ati urm
atoarele trei puncte sunt es-
entiale:
iii) Notiunea de probabilitate conditionat a si probabilitatea de aparitie simultan a a eveni-
mentelor independente.
iv) Formula probabilit atii totale (1.4) .
v) Formula pentru probabilitatea cauzelor (1.6).
________________________________
FORMULE UTILIZATE FRECVENT :
a) p= nr:nr:cazuri f avorabile
cazuri posibile
.
atii conditionate p(AjB) = pB (A) = p(A\B)
b) Denitia probabilit p(B)
(1.2);
probabilitatea evenimentelor independente Pn p(A \ B) = p(A) p(B)(1.3)
c) Formula probabilitatii totale p(B) = i=1 p(Ai ) p(BjAi )(1.4) .
d) Formula lui Bayes p(Ai jB) = Pnp(Ap(A
i )p(BjAi )
j )p(BjAj )
(1.6).
j=1
LECTIA
1. DEFINITIA TII
PROBABILITA 10
1.5 Exercitii
1. O urna contine jetoane numerotate de la 1 la 8. Se extrag la ntmplare 3 jetoane. Care
este probabilitatea ca suma numerelor extrase sa e superioara sau egala cu suma numerelor
ramase?
Indicatie. Probabilitata este raportul dintre num arul cazurilor favorabile si num
arul
cazurilor posibile. Sunt posibile C83 = 56 cazuri. Suma tuturor numerelor este 36, deci
suma celor extrase trebuie sa depaseasc
a 18 pentru a caz favorabil. Acum se enumer a pur
si simplu toate cazurile favorabile: (8,7,6), (8,7,5), etc.
3. La un teatru sunt 2n persoane la coada la bilete. n persoane au bancnote de 500 lei iar
celelalte n persoane au bancnote de 1000 lei. Un bilet costa 500 lei. Care este probabilitatea
ca asezindu-se ntmplator la coada sa poata toate persoanele sa-si cumpere bilet, stiind ca
initial n casa nu este nici un leu si ecare persoana primeste restul de la casa?
Solutie Ca s a num ar
am asezarile n care toti -si pot cump ara bilete, reprezent am ntr-un
sistem xOy pe cele 2n persoane prin puncte n 1,2,3..2n pe Ox. Fiec arei asez
ari i asociem o
functie denit a pe 0; 2n prin f(0)=0 si f(i)=f(i-1)+1 dac a persoana i de la rnd are 1000 lei
si f(i)=f(i-1)-1 dac a persoana i are 500 lei. Fiecare traiectorie ncepe n (0,0) si se termin a n
(2n,0), deoarece de cte ori se urc a se si coboar a. Num arul aranj arilor la coad a este n!n!Cn2n
unde Cn2n reprezint a num arul de alegeri ale locurilor de c atre cei cu 500 lei (sau num arul
traiectoriilor) iar n! reprezint a num arul de permut ari celor cu 500 lei sau cu 1000 lei intre
ei. O traiectorie reprezint a o asezare nefavorabil a dac a pentru un i avem f(i)=1. n acest caz
primul i cu proprietatea de mai sus reprezinta cel cu 1000 lei care nu mai poate primi rest de la
casa. Considernd simetrica acestei traiectorii de la acest i fata de y=1 obtinem o traiectorie
ce se termin a n (2n,2) si are n+1 urcusuri si n-1 coborsuri. Num arul traiectoriilor de acest
fel este Cn+1
2n , deci numarul cazurilor nefavorabile este n!n!C n+1
2n : Probabilitatea este deci
n n+1
n!n!C2n n!n!C2n 1
p= n
=
n!n!C2n n+1
4. Fie (X;
; p) un cmp de probabilitate si A1 ; A2 ; ::An evenimente din
: Sa se arate
LECTIA
1. DEFINITIA TII
PROBABILITA 11
ca
n
X X
p( [ Ai ) = p(Ai ) p(Ai \ Aj ) (1.7)
i=1::n
i=1 i6=j
X
+ p(Ai \ Aj \ Ak ) +
i6=j6=k
p( [ Ai ) = p(B [ An+1 )
i=1::n+1
= p(B) + p(An+1 ) p(B \ An+1 )
= (f ormula 1.7 ) + p(An+1 ) p( [ Bi )
i=1::n
= (f ormula 1.7 ) + p(An+1 ) (f ormula 1.7 pt: Bi )
= (f ormula 1.7 pt: n + 1)
5. O persoana scrie n scrisori catre n persoane distincte, le pune n n plicuri si apoi scrie
adresele la ntmplare. Care este probabilitatea ca cel putin o scisoare sa ajunga la destinatarul
potrivit? (problema concordantelor).
Indicatie. Fie Ak evenimentul ce const a n faptul c
a persoana k primeste scrisoarea potriv-
(n 1)!
it
a. p(Ak ) = n! = 1=n. Exist a Cn evenimente de tipul Ai \ Aj si ecare are probabilitatea
2
(n 2)!
n!
(deoarece dou a persoane primesc scrisorile potrivite iar celelalta n-2 persoane primesc
scrisorile ntmpl ator n (n 2)! feluri. Analog, exist a Cn3 evenimente de tipul Ai \ Aj \ Ak
si ecare are probabilitatea (nn!3)! , etc. Aplicnd formula de mai sus rezult a:
1 (n 2)! (n 3)!
p = n Cn2 + Cn3 + :::
n n! n!
1 1 1
= + + :::
1! 2! 3!
6. Doua persoane A si B s-au nteles sa se ntlneasca ntr-un anumit loc ntre orele 12
si 13. Persoana care vine prima asteapta 20 de minute si apoi pleaca. Daca ecare persoana
vine la ntmplare n acel loc, care este probabilitatea ca persoanele sa se ntlneasca?
Indicatie. Prima problema este cum reprezent am toate posibilitatile de ntlnire. Fie pe
axa x ora de sosire a primei persoane iar pe axa y ora de sosire a celei de a doua persoane.
LECTIA
1. DEFINITIA TII
PROBABILITA 12
Toate variantele de sosire se reprezint a deci prin produsul [12; 13] [12; 13]. Conditia de
1
ntlnire este jx yj 3 ore. Admitnd c a probabilitatea este proportional
a cu aria, g
asim
c
a aria zonei de ntlnire este 5/9 iar aria zonei de sosire este 1. Deci probabilitatea este 5/9.
9. Trei tintasi nimeresc o tinta cu probabilitatile 0,7;0,8;0,9. Fiecare trage cte o lovitura.
Care este probabilitatea ca:
a) Toti trei sa nimereasca tinta?
b) Cel putin unul sa nimereasca tinta?
c) Unul singur sa nimereasca tinta?
Indicatie. Fie Ak evenimentul care const a n faptul c a tr
ag
atorul k nimereste. Avem
p(A1 ) = 0; 7; p(A2 ) = 0; 8; p(A3 ) = 0; 9 iar evenimentele A1 ; A2 ; A3 sunt independente.
La punctul a) se cere probabilitatea lui A1 \ A2 \ A3 care este produsul probabilit atilor
p(A1 ) p(A2 ) p(A3 ). Analog se considera si celelalte cazuri.
11. Intr-o urna se aa bile numerotate 0, 1, 2, ..9. Se extrag 3 bile la ntmplare, fara a
pune bila napoi. Se scrie numarul format din cele trei cifre n ordinea aparitiei. Care este
probabilitatea ca numarul sa se divida la 12? Dar daca extragerea se face cu punerea bilei
napoi?
12. Un grup format din 2n baieti si 2n fete este despartit n doua subgrupuri de acelasi
efectiv. Care este probabilitatea ca n ecare subgrup numarul de baieti sa e egal cu numarul
de fete.
13. Fie A1 ; A2 ; :::An evenimente independente. Care este numarul maxim de evenimente
LECTIA
1. DEFINITIA TII
PROBABILITA 13
distincte care se poate obtine din A1 ; :::An prin aplicarea repetata a operatiilor si, sau, non?
14. Pe un segment AB se iau la ntamplare doua puncte C si D, astfel ca jACj < jADj.
Care este probabilitatea ca sa se poata forma un triunghi cu segmentele AC, CD, DB?
15. O urna contine 5 bile albe, 3 bile negre si 2 bile rosii iar alta urna contine 3 bile negre
, 2 bile albe si 5 bile rosii. Se extrage cte o bila din ecare urna. Care este probabilitatea ca
sa se extraga bile de aceeasi culoare?
17. Un submarin lanseaza n torpile asupra unui vas. Daca ecare torpila are probabili-
tatea 12 de a lovi vasul, independent de celelalte torpile, care este numarul minim de torpile
ce trebuie lansate ca probabilitatea de a lovit vasul de cel putin una sa depaseasca 0,9?
Lectia 2
Este clar c
a denitia de mai sus este echivalent
a cu a spune c
a pentru orice valoare v rezulta
c
a f 1 (v) 2
: Vom mai scrie Ai = ff = vi g; pi = p(Ai ) = p(f 1 (vi )) = p(f = vi ): Este
mai putin important din punctul de vedere al calculului cu probabilit ati, care este multimea
Ai ; ct care sunt probabilit atile p(Ai ); p(Ai \ Aj ) etc. Fiec
arei variabile aleatoare f i vom
asocia o diagram a (notat a tot f):
14
LECTIA
2. VARIABILE ALEATOARE SIMPLE 15
v1 v2 v3 ::: vn
f=
p1 p2 p3 ::: pn
Valorile v1 ; v2 ; ::vn sunt n general distincte iar evenimentele ASi ; i = 1; 2; ::n formeaz
a o
partitie a lui X , adic a Ai si Aj sunt disjuncte daca i 6= j si Ai = X: Este clar c a
i=1::n
p1 + p2 + :: + pn = 1: Putem considera si diagrame n care unele valori v coincid ntre ele ceea
ce ar corespunde denirii lui f prin (2.1) si unde am avea de exemplu v1 = v2 dar neap arat
A1 \A2 = ;: n acest caz Ai nu mai este neap arat f (vi ) dar A1 ; ::An formeaz
1
a nca o partitie,
pi = p(Ai ) si p1 + :: + pn = 1. De exemplu functia f k ia valorile (vi )k pe multimile Ai , deci
diagrama asociat a este: k k
k v1 v2 ::: vnk
f =
p1 p2 ::: pn
a v1 = v2 , k=2 atunci v12 = v22 si avem o diagram
iar dac a unde unele valori din rndul de
sus coincid. Diagramele n care vi 6= vj pentru i 6= j le vom numi standard. Dat a o variabil
a
aleatoare simpl
a, ca mai sus, denim:
P P
Denitia 2.2 1)media lui f: M (f ) = ni=1 P vi pi = ni=1 vi p(f = vi )
2)momentul de ordin k: Mk (f ) (sau mk ) = ni=1 vik pi = M (f k )
Pn k k
3)momentul centrat de ordin k: k (f ) = i=1 (vi M (f )) pk = M (f M (f ))
P
4)dispersia: D(f ) = 2 (f ) = ni=1 (vi M (f ))2 pi = M ((f M (f ))2 ) = 2 (f ) p
P
5)functia caracteristica fc : R ! C sau 'f : R ! C, fc (t) = 'f (t) = ni=1 e 1vi t pi
6)functia de repartitie F : R ! R; F (t) = p(fx 2 Xjf (x) < tg):
Vom nota n general cu fa < f < b} evenimentul f 1 (a; b) = fx 2 Xja < f (x) < bg 2
iar probabilitatea lui cu p(a < f < b). Analog vom nota evenimentele ce se obtin folosind
inegalit
ati de tipul ; ;etc.
LECTIA
2. VARIABILE ALEATOARE SIMPLE 16
Exemplul 2.4 ntr-o clasa s-au obtinut urmatoarele note: 5 de catre 8 elevi, 7 de catre 3
elevi, 8 de catre 5 elevi, 10 de catre 4 elevi. Functia nota ia valorile 5,7,8,10, iar probabilitatile
corespunzatoare sunt: 20 8 3
20
5
20
4
20
. Diagrama asociata functiei este:
5 7 8 10
nota 8 3 5 4
20 20 20 20
Observatia 2.5 Media se poate numi centrul valorilor luate de o v.a. iar dispersia este
o masura a mprastierii valorilor acelei v.a. n jurul mediei. In afara de medie, celelalte
caracteristici se utilizeaza doar pentru v.a. reale.
Denitia 2.6 Doua variabile aleatoare reale, f si g denite pe acelasi cmp de probabilitate
X se numesc independente daca oricare ar intervalele (a,b) si (c,d) avem
1
p(f (a; b) \ g 1 (c; d)) = p(f 1
(a; b)) p(g 1 (c; d))
Demonstratia este l
asat
a ca exercitiu.
Observatia 2.8 Sub forma (3) cu u; v 2 C sau sub forma (4) cu A; B 2 C, din propozitia
anterioara, denitia independentei a doua v.a. simple se poate enunta si pentru v.a. cu valori
complexe.
Demonstratie. Avem:
p ((F f = v) \ (G g = u))
= p f 2 F 1 (v) \ g 2 G 1 (u)
= p(f 2 F 1 (v)) p(g 2 G 1 (u))
= p(F f = v)p(G g = u)
Q.E.D.
De exemplu (f a)2 si (g b)2 sunt independente pentru orice a si b.
P 4) M (f f
1 2 ) = v u
i;j i j p(f1 =Piv \ f2 = uj ) P=(din independenta variabilelor aleatoare)
= i;j vi uj p(f1 = vi )p(f2 = uj ) = i vi p(f1 = vi ) j uj p(f2 = uj ) = M (f1 )M (f2 )
5), 6), 7) sunt evidente.
Q.E.D.
M ((f1 M (f1 ))2 ) + M ((f2 M (f2 ))2 ) + 2M (f1 M (f1 )) M (f2 M (f2 )) =
| {z } | {z }
=0 =0
D(f1 ) + D(f2 )
Q.E.D.
O generalizare a punctului 3) este:
Propozitia 2.12 Fie f1 ; f2 ; ::fn variabile aleatoare independente doua cte doua. Atunci
Denitia 2.13 Daca f este o variabila aleatoare, expresia fpM (f ) se numeste deviatia stan-
D(f )
dard a lui f.
a M ( fpM (f ) ) = 0 si D( fpM (f ) ) = 1:
Se vede imediat c
D(f ) D(f )
Teorema 2.14 (proprietati ale functiei caracteristice) Fie fc functia caracteristica a vari-
abilei aleatoare f. Atunci:
1) fc este continua (chiar uniform continua) pe R)
2) fc (0) = 1; jfc (t)j 1 pentru -1 < t < 1 p
3) Daca g=a f + b; cu a si b constante, atunci gc (t) = e 1bt fc (at)
4) Daca f1 si f2 sunt independente, atunci (f1 + f2 )c (t) = f1c (t) f2c (t)
(k)
5) Mk (f ) = p 1 k fc (0)
( ) 1
6) Daca f1c f2c atunci f1 si f2 au aceleasi diagrame standard, adica f1 = f2 a.p.t.
P p
Demonstratie. 1)fc este o sum a nita de functii continue fc (t) = pk e 1vk t deci este o
functie continu
P a. Avnd
p derivata m
parginit
Pa rezult
p a c a este
p uniform continu a.
2) gc (t) = pk e 1t(vk +)
=e 1t
pk e 1tvk
=e 1t
fc (t):
LECTIA
2. VARIABILE ALEATOARE SIMPLE 19
P p P P p P
1vk t
3) fc (0) = pk e 10vk
= pk = 1 si jfc (t)j pk e = pk = 1
a f1 si f2 sunt independente atunci eif1 si eif2 sunt independente.
4) Dac
Acum observ am ca
(f1 + f2 )c (t) = M (eit(f1 +f2 ) ) = M (eitf1 eitf2 ) = (ind indep.)
= M (eitf1 )M (eitf2 ) = f1c (t) f2c (t)
P P
5) fc0 (t) = i k pk vk eitvk si deci fc0 (0) = i k pk vk = iM1 (f ). Analog prin derivare succesiv a
se obtine f (n) (0) = in Mn (f ). P P iu t
6) Avem, folosind diagrame reduse, pk eivk t ql e l , unde vk sunt diferite ntre ele
si ul sunt diferite ntre ele. Dac a nu se reduc toti termenii, adic a pentru ecare
Pk s a existe l
astfel ca pk = ql ; vk = ul atunci dup a toate reducerile posibile egalitatea devine: rs eiws t 0,
(1 s m) unde rs sunt nenule , iar ws sunt diferite ntre ele. Derivnd de mai multe ori
expresia de mai sus si punnd t=0 n derivate g asim:
8
>
> r1 + r2 + ::: + rm = 0
<
r1 w1 + r2 w2 + ::: + rm wm = 0
>
> ::::::::::::::::
: m 1
r1 w1 + r2 w2m 1 + :: + rm wm m 1
=0
ceea ce nu se poate dect dac a r1 = r2 = ::rm = 0. Contradictia obtinut
a arat
a c
a reducerea
are loc, deci f1 si f2 iau aceleasi valori, cu aceleasi probabilit
ati.
QED.
Denitia 2.15 Spunem ca n variabile aleatoare f1 ; ::fn sunt independente daca pentru orice
intervale I1 ; ::Ik ; si orice alegere fi1 ; ::fik , k n, rezulta ca evenimentele fi1 1 (I1 ); fi2 1 (I2 ) ;
::: ; fik 1 (Ik ) sunt independente.
Exercitiul 2.16
Daca variabilele aleatoare f1 ; ::fn sunt independente atunci
(f1 + f2 + :: + fn )c (t) = f1c (t) f2c (t) :: fnc (t)
Tinnd
seama c
a
1 si
2 sunt algebre de evenimente, rezult a c
a si
este. : Denim
p :
! R prin p(A1 A2 ) = p1 (A1 ) p2 (A2 ): Dac
a A este o reuniune disjuncta de multimi
LECTIA
2. VARIABILE ALEATOARE SIMPLE 20
P
de forma [Aii A2i atunci p(A)= p1 (A1i ) p2 (A2i ): Se demonstreaz a c
a p este o prob-
abilitate pe
iar cmpul (X;
; p) se numeste cmpul produs al cmpurilor (X1 ;
1 ; p1 ) si
(X2 ;
2 ; p2 ). n mod asem anator se deneste produsul unui num ar nit de cmpuri de proba-
bilitate (X1 ;
1 ; p1 ); :: (Xn ;
n ; pn ). Spatiul total este X = X1 X2 ::Xn iar multimea de
evenimente se deneste prin A 2
, A este o reuniune nit a de elemente de forma A1 A2
A3 ::: An cu Ai 2
i pentru orice i. Se arat a c
a
este o algebr
a de evenimente pe care
se poate deni o probabilitate care pe evenimentele de forma A1 A2 :: An are valoarea
p(A1 A2 ::An ) = p1 (A1 ) p(A2 ) :: pn (An ). Este foarte usor de aratat c
a evenimentele
B1 = A1 X2 ::Xn
B2 = X1 A2 ::Xn
:::::::::
Bn = X1 X2 ::An
2.3 Rezumat
Informatiile dintr-un spatiu probabilizat se extrag prin functii, numite variabile aleatoare.
In cazul variabilelor aleatoare ce iau un num ar nit de valori (numite si variabile simple),
media este denit a ntr-un mod analog cu media notelor la scoal a. Dispersia e denita ca o
masura a mpr astierii valorilor n jurul mediei. Functia caracteristic a este o notiune auxil-
iar
a important a pentru calculul mediei, dispersiei,etc. Ea deneste unic diagrama variabilei
aleatoare.Propriet atile acestor marimi sunt listate n cele trei teoreme anterioare. E de remar-
cat comportarea acestor m arimi la adunarea variabilelor aleatoare independente. Un exemplu
important de spatiu probabilizat si variabile aleatoare independente este spatiul produs si
proiectiile prk .
________________________________
FORMULE UTILIZATE FRECVENT:
a) Denitiile mediei, momentelor, dispersiei, etc. pentru calculul direct al lor pag(15)
.
b) Proprit atile mediei, dispersiei,functiei caracteristice. De remarcat:
LECTIA
2. VARIABILE ALEATOARE SIMPLE 21
2.4 Exercitii
1. Fie variabila aleatoare
1 2 4 10
f= 1 1 3 1
2 10 10 10
S
a se calculeze media, dispersia si momentul de ordinul 3.
Indicatie. Se utilizeaz
a denitiile.
2 Fie v.a.
2 1 2 4 10
f= 1 1 3 1
5 10 10 10
Sa se determine astfel ca f sa eo v.a. discreta. Sa se calculeze media si dispersia ei.
1 0 1
3. Stiind ca pentru v.a. f = avem M (f ) = 15 si M (f 2 ) = 33 s
a se
p 1 p 2 p3 5
determine p1 ; p2 ; p3 .
4. Fie o v.a. f cu media 10 . Se cere b 2 R astfel ca M (f + b) = 0.
5. n N urne se g asesc cte n bile numerotate de la 1 la n, n ecare. Se extrage cte o bil a
din ecare urn a si se noteaza cu f valoarea celui mai mare num ar obtinut. Se cere explicitarea
probabilit
atilor p(f=k), valoarea medie mn si limita expresiei mn =n cnd n! 1:
Indicatie. p(f k)=probabilitatea ca din ecare urn a s
a se extrag a un num ar mai mic
sau egal cu k. Num arul cazurilor favorabile este k N iar num arul celor posibile este nN , deci
N N (k 1)N
probabilitatea este p(f k) = nk N . De aici deducem p(f = k) = nk N nN
. Aplicnd
Pn (k 1)N mn
R1 N
denitia mediei g asim mn = n k=1 nN
deci n ! 1 0
x dx.
Probabilitatea ca toti s
a e respinsi este q n . Prin urmare f are diagrama:
1 2 :: k :: n
p qp :: q k 1 p :: q n
10. O urn a contine n bile albe si n bile negre. Se extrag una cte una bilele pn a se
epuizeaz a urna. Fie f variabila aleatoare care pentru o variant a de extragere succesiv a a
tuturor bilelor ia valoarea k dac a prima bil a alba apare la extragerea k.
a)S
a se determine legea lui f
b) Se cere media lui f.
Indicatie. k ia valori ntre 1 si n+1. Ca f s a ia valoarea k trebuie s
a ias
a primele k-1 bile ne-
n
gre. Probabilitatea ca s a ias
a prima bil a neagra este 2n . Conditionat de aceasta, probabilitatea
n 1
ca a doua bil a s
a ias
a neagra este 2n 1
. Deci probabilitatea ca primele dou a bile s
a ias
a negre
n(n 1)
este 2n(2n 1) . Dac a primele doua bile au iesit negre, probabilitatea ca a treia s
a iasa neagra este
n 2 n(n 1)(n 2)
2n 2
. Deci probabilitatea ca primele trei bile s
a ias
a negre este 2n(2n 1)(2n 2)
. Analog g asim
n(n 1)(n 2)::(n k+2) k 1
probabilitatea ca primele k-1 bile s
a ias
a negre 2n(2n 1)::(2n k+2)
= C n
k 1. S
C2n
tiind aceasta,
k 1
n n Cn
probabilitatea ca la extragerea k s
a ias
a bila alb
a este 2n k+1
. Deci p(f = k) = 2n k+1 C2n 1
k .
LECTIA
2. VARIABILE ALEATOARE SIMPLE 23
11. Dou a variabile aleatoare f si g iau aceleasi valori v1 ; v2 ; ::vn : Se mai stie c
a M (f ) =
M (g), M2 (f ) = M2 (g),..Mn 1 (f ) = Mn 1 (g). S a se arate c a p(f = vk ) = p(g = vk ) pentru
orice k2 1::n .
Indicatie. Fie pk = p(f = k ) si p0k = p(g = k ). Avem:
12. S
a se arate ca D(f + C) = D(f ), C ind o constant a.
Indicatie. Se aplic
a denitia dispersiei si se tine seama c
a M (f + C) = M (f ) + C.
14. Dou
a variabile aleatoare independente ; au distributiile
0 1 2 3 0 1 2 3
1 1 a a 1
8 4 4 2 2
b 18 14
a) Sa se determine a si b
b) Care este distributia variabilei ?
c) Care este distributia variabilei 2 + 3?
Indicatie. Pentru avem 81 + 14 + a4 + a4 = 1 si analog pentru . Pentru se tine seama
c
a si sunt independente, deci, de exemplu p( = 1 si = 2) = p( = 1) p( = 2), etc.
15. Doi juc atori, A si B, convin asupra urm atoarei reguli de joc: la o aruncare cu zarul,
daca apar fetele 1 sau 2 atunci primul jucator d a celui de al doilea 3 lei, iar n caz contrar al
doilea jucator da primului 1 leu. Care este cstigul mediu al ec arui juc
ator dup a n arunc
ari?
Indicatie. Probabilitatea de cstig a lui A este 1/3 iar a lui B este de 2/3. Se scriu vari-
abilele aleatoare care reprezinta cstigul pentru A si B, ca la problema 7.
16. Trei juc atori A, B, C pun jos cte o sum a de a, b, respectiv c lei, apoi arunca o
moned a, pe rnd, n ordinea A, B, C, A, B, C,... pn a apare fata. Primul juc
ator la care
apare fata ia toti banii, iar dac
a nu a ap
arut dup a ce ecare a aruncat de 3 ori, se anuleaz
a
jocul.
a) Care sunt cstigurile medii ale ec arui juc
ator dupa 3 jocuri?
b) Cum ar trebui s a e sumele a, b, c ca jocul s
a e echitabil?
Lectia 3
Cmpuri de probabilitate
Fie (X;
; p) un cmp de probabilitate. Dac
a algebra de evenimente veric
a n plus axioma:
Oricare ar sirul de evenimente (An )n2N , cu An 2
atunci [An 2
,
spunem ca
este algebra sau un cmp de evenimente. Dac a p este o probabilitate
pe
care n plus veric
a relatia
[ 1
X
p( An ) = p(An )
n=1;1 n=1
24
LECTIA
3. CMPURI DE PROBABILITATE 25
T
Ak [ (A1 A2 ) [ (A2 A3 ) [ ::: este o reuniune disjunct
a, de unde:
k=1::1
! 1
\ X
p(A1 ) = p Ak + p(Ak Ak+1 )
k=1::1 k=1
de unde:
T Pn 1
p Ak
= p(A1 ) lim k=1 p(Ak Ak+1 ) =
n!1
k=1::1 Pn 1
= lim p(A1 ) k=1 p(Ak Ak+1 ) = lim p(An )
n!1 n!1
QED.
Propozitia 3.4 f:X! R este variabila aleatoare daca si numai daca este ndeplinita una din
conditiile urmatoare:
a)8c 2 R ) ff < cg 2
b)8c 2 R ) ff cg 2
c) 8c 2 R ) ff > cg 2
d) 8c 2 R ) ff cg 2
e) 8; 2 R ) f f < g 2
T
Demonstratie.a) este denitia curent a a variabilei aleatoare.Ta) ! b) ff cg = n ff <
c + n1 g 2
. b)! c) {f>c}=X ff cg 2
c)! d) {f S cg = n ff > c n1 g 2
d}! e)
{ f < g = ff g ff g 2
e)! a) {f< cg = n f n f < cg 2
QED.
Prin urmare o variabil a aleatoare este caracterizat a prin faptul ca pentru orice interval
I R , nchis,deschis,seminchis,nit sau nu, avem relatia f (I) 2
. Spre deosebire de cazul
1
2) Z Z Z
(f + g)dp = f dp + gdp
X X X
3) Z Z Z Z
(f1 + f2 + :: + fn )dp = f1 dp + f2 dp + :: + fn dp
X X X X
Spunem c a variabilele aleatoare f1 ; f2 sunt independente, la fel ca n cazul variabilelor
aleatoare simple, dac a oricare ar intervalele I1 ; I2 avem p(ff1 2 I1 g \ ff2 2 I2 g) = p(f1 2
I1 ) p(f2 2 I2 ). Cu aceasta putem enunta urm atoarea proprietate:
4) Dac a f1 si f2 sunt variabile aleatoare independente atunci:
Z Z Z
(f1 f2 )dp = f1 dp f2 dp
X X X
5) Z
f 0) f dp 0
X
6) Z Z
f g) f dp gdp
X X
7) Z
f dp max jf j
X
Proprietatea urm
atoare este mai special
a:
LECTIA
3. CMPURI DE PROBABILITATE 29
R
8) Dac
a lim fn = f a.p.t. si dac
a exist
a o variabil
a aleatoare g 0 astfel ca X
gdp < 1
n!1
si jfn j g pentru orice n, atunci
Z Z
lim fn dp = f dp
n!1 X X
Deci daca un sir de variabile aleatoare este convergent si dominat de o v.a. pozitiv
a cu medie
nit
a, atunci media limitei este egal a cu limita mediilor.
O variabil a aleatoare complex a este o functie f : X ! C R f = uR+ iv astfelR ca u si v
a e variabile aleatoare reale. Se deneste media lui f prin X f dp = X udp + i X vdp. Se
s
demonstreaz a ca proprietatile 1)-8) se p
astrez
a.
Momentul de ordin k al unei variabile aleatoare oarecare se deneste ca pentru variabilele
simple Z
k
Mk (f ) = M (f ) = f k dp
X
Momentul centrat de ordinul k se deneste analog:
Z
k
k (f ) = M (f M (f )) = (f M (f ))k dp
X
Si n acest caz propriet atile demonstrate pentru variabile aleatoare simple ramn adevarate
n general.
Unei variabile aleatoare generale nu-i putem atasa o diagram a ca n cazul variabilelor
aleatoare simple, ele lund n general o innitate de valori. In cazul particular cnd valorile se
pot enumera v1 ; v2 ; ::vn ; ::: iar evenimentele Ei = ff = vi g au probabilit atile pi putem asocia
lui f diagrama:
v1 v2 v3 ::: vn :::
p1 p2 p3 ::: pn :::
LECTIA
3. CMPURI DE PROBABILITATE 30
Exemplul 3.19 Fie F continua pe portiuni, cu discontinuit Rb ati n c1 ; c2 ; ::cn iar ntre aceste
puncte derivabila, F 0 (x) = (x), integrabila. Atunci n a f dF avem doua parti: una de tipul
(3.1) iar alta de tipul (3.2), deci
Z b Z b Xn
f dF = f (x)(x)dx + f (ci ) (F (ci + 0) F (ci 0))
a a i=1
R +1 Rb
Se poate deni 1
f dF prin lim f dF . Propriet
atile a)..e) se p
astreaz
a la fel ca
a! 1;b!1 a
si metodele de calcul descrise n exemplele anterioare.
P P
Variabila f este deci simpl
a, cu media M (f ) = i i p(xi 1 f < xi ) = i i (F (xi )
F (xi 1 )). Atunci cnd norma diviziunii jj ! 0, variabilele f tind la f (a se vedea gura)
X
A1 An
A2
f f
f
1 2 n R
x0=a x1 x2 xn-1 xn=b
Exemplu de diviziune pentru calculul mediei
Am obtinut astfel formula simpl a de mai sus care exprima media unei variabile aleatoare
printr-o integral
a Stieltjes. Dac
a variabila aleatoare nu este marginit
a de a si b nite, atunci
integrala de mai sus trebuie luat a ntre -1 si 1. Variabila aleatoare f k este aproximat a de
variabilele aleatoare f care au mediile
k
X Z b
ki (F (xi ) F (xi 1 )) ! xk dF (x)
i a
Dac
a f nu este m
arginit
a atunci integralele trebuie luate de la -1 la 1. Avem deci
LECTIA
3. CMPURI DE PROBABILITATE 35
2 R
D(f
R1 ) = M (f M (f )) R 1X (f
= M (f ))2 dp =
= 1 (x M (f ))2 dF (x) = 1 (x M (f ))2 (x)dx
p
1tf
R p
1tf
R1 p
1tx
R1 p
1tx
fc (t) = M (e )= X
e dp = 1
e dF (x) = 1
e (x)dx
Prin urmare cunoasterea functiei de repartitie este sucient a pentru determinarea carac-
teristicilor numerice ale unei variabile aleatoare. Asa cum s-a mentionat mai nainte pro-
priet
atile acestor marimi, demonstrate pentru variabile aleatoare simple, r amn adevarate n
general. Se vede n ultima formul a c
a functia caracteristic
a este pn
a la un factor trans-
formata Fourier invers a a densitatii de probabilitate, deci, densitatea de probabilitate este
determinat a de functia caracteristica(prin transformata Fourier). Mai precis se demonstreaz a
teorema urm atoare:
Nu demonstr am aceast a teorem a dar o vom folosi mai departe pentru a pune n evidenta
egalitatea unor functii de repartitie.
Solutie. 1,2) Putem n mai multe moduri determina siruri de v.a. simple ce tind la f .
De exemplu pentru un n dat e
0.8
0.6
0.4
0.2
-2 -1 1 2 3 4
0.8
0.6
0.4
0.2
-2 -1 1 2 3 4
Gracul densit
atii de probabilitate a variabilei aleatoare f
4)
Z 1 Z 1 Z 2
M (f ) = tdF (t) = t(t)dt = t(t)dt =
1 1 0
Z 1 Z 2
2
= 2t dt + t 2(2 t)dt = 1
0 1
3.6 Rezumat
Pentru a putea lucra si cu variabile aleatoare cu un num ar innit de valori trbuie l
argit
conceptul de algebra de evenimente la cel de algebr
a iar conceptul de probabilitate la cel
de probabilitate. Concret:
i) O algebra de evenimente(multimi) este o algebr
a de
S evenimente(multimi) cu propri-
etatea c
a dac
a An sunt n algebr
a pentru orice n, atunci An este n algebr
a.
n=1::1
ii) O probabilitate S
este probabilitate
P dac
a pentru orice sir de evenimente (multimi)
disjuncte An avem p( An ) = 1n=1 p(A n ).
n=1::1
iii) probabilitatea are o remarcabil
a proprietate de continuitate: dac
a A este intersectia
unui sir monoton descresc ator sau reuniunea unui sir monoton crescator de evenimente An
atunci p(A) = lim p(An ).
n!1
iv) O variabila aleatoare general a este o functie real
a care ntoarce intervalele n eveni-
mente, deci au sens expresii ca p(f = a) sau p(a f < b) etc. Operatiile uzuale cu functii,
inclusiv trecerea la limita, aplicate variabilelor aleatoare duc tot la variabile aleatoare. Orice
variabila aleatoare este limit
a de variabile aleatoare simple (ce iau un num ar nit de valori).
v) Caracteristicile numerice ale unei variabile aleatoare se denesc prin limita caracteris-
ticilor corespunzatoare ale variabilelor aleatoare simple ce tind la variabila general a. Aceasta
LECTIA
3. CMPURI DE PROBABILITATE 38
limita nu exista ntotdeauna. Propriet atile acestor caracteristici: medie, dispersie, momente,
functie caracteristic a, demonstrate anterior pentru variabile aleatoare simple se p astreaza prin
trecere la limita si pentru variabile aleatoare generale.
vi) Pentru calculul concret al caracteristicilor numerice se introduce functia de repartitie
denit a prin F (t) = p(f < t), F ind functia de repartitie a variabilei aleatoare f . Toate
informatiile numerice legate de f sunt continute n functia de repartitie F , independent de
spatiul probabilizat pe care e denit a f.
vii) Densitatea de probabilitate , este derivata functiei de repartitie (dac a exista), adic a
p(tf <t+t) Rx
(x) = lim t
,sau, mai exact se deneste prin: F (x) = 1 (t)dt. Propriet atile
t!0
functiei de repartitie si ale densitatii de probabilitate sunt studiate mai sus.
viii) Pentru a ajunge la scopul propus, exprimarea caracteristicilor numerice ale unei
variabile aleatoare prin intermediul functiei de repartitie, avem nevoie de un concept auxiliar
numit integrala Stieltjes
Z b X
f (x)dg(x) = lim f ( i ) (g(xi ) g(xi 1 ))
a jj!1
3.7 Exercitii
1. Fie o variabila aleatoare :
0 1 2 ::: n :::
f=
p p p2 ::: pn :::
0
a)Sa se determine astfel ca diagrama de mai sus sa corespunda unei variabile aleatoare.
b) Sa se calculeze media P, dispersia si functia caracteristica.
Indicatie. Trebuie ca 1 k=0 p = 1. De aici rezult
k
a . O problem
a analoag
a este rezolvat
a
n cadrul lectiei.
2. Fie variabila aleatoare uniforma
1 2 ::: k :: n
1 1
n n
::: n1 :: n1
Sa se determine functia caracteristica, media si dispersia.
Indicatie. Se utilizeaz a denitiile.
3. O urna contine s bile din care s-1 negre si una alba. Se fac extrageri din urna cu
punerea bilei napoi pna se extrage bila alba. Fie variabila aleatoare f care ia valoarea k daca
bila alba apare la extragerea k. Se cere valoarea medie a lui X.
Indicatie. Probabilitatea de a extrage o bil a alba este p=1/s iar probabilitatea de a extrage
o bil
a neagr a este q=(s-1)/s. Probabilitatea ca bila alb a sa apar a abia la extragerea k este
s 1 k 1 1
pk = s s . Mai departe problema seam an
a cu 1).
4. Un jucator trage la o tinta; probabilitatea de a o nimeri este p 2 (0; 1) iar probabilitatea
de a rata lovitura este q = 1 p. Partida se termina cnd e numarul lovirilor este cu 2 mai
mare ca al ratarilor, caz n care cstiga partida, e cnd numarul ratarilor este cu 2 mai mare
ca numarul lovirilor, caz n care pierde partida. Fie An evenimentul care consta n a cstiga
la tragerea n iar Bn evenimentul care consta n a pierde la tragerea n.
a) p(A2n+1 ) =? p(B2n+1 ) =?.
b) Care e probabilitatea ca jucatorul sa cstige?
c) Care e probabilitatea ca jucatorul sa piarda?
d) Care e probabilitatea ca partida sa nu se termine niciodata?
e)Fie X variabila aleatoare care ia valoarea k daca partida se termina la tragerea k. Se ce
probabilitatile p(X=k) si valoarea medie a lui X.
Indicatie. Dac a juc
atorul cstig
a (sau pierde) la mutarea k, atunci nimereste (sau rateaz a)
cu dou a lovituri n plus fata de situatia contrar a. Prin urmare num arul loviturilor este par,
deci p(A2n+1 ) = p(B2n+1 ) = 0. Fie p2l probabilitatea ca partida s a e cstigat
a la tragerea 2l,
e q2l probabilitatea ca partida s a e pierdut a la tragere 2l si e r2l probabilitatea de remiz a
la tragerea 2l. Avem p2l = r2l 2 p2 q2l = r2l 2 q 2 r2l = r2l 2 (1 p2 q 2 ).
5. a)Pentru care functia
( x2 + 1) x 2 [ 1; 1]
(x) =
0 x2= [ 1; 1]
LECTIA
3. CMPURI DE PROBABILITATE 40
In mod evident G(t)=0 pentru t 0. Densitatea lui f 2 se obtine prin derivarea lui G. Analog
se procedeaz a si cu celelalte expresii de f.
7. Se da functia 8
>
> 0 x<0
<
x 1 0x1
f (x) =
>
> x2 1<x<2
:
5 x x2
R5
Sa se calculeze 1 (2 + x)df (x).
Indicatie. Se aplic a tehnicile de calcul ale integralei Stieltjes din lectie.
8. Functia de repartitie a unei v.a. continue este
8
< a; x 0
F (x) = bx2 ; x 2 (0; 1)
:
c; x 1
Se cer a,b,c, si P (1=4 f 1=2)).
9. Sa admitem ca timpul de asteptare ntr-o statie de metrou este o v.a. cu functia de
repartitie: 8
>
> 0; t 0
>
>
< t=4; 0 < t 2
F (t) = 1=2; 1 < t 4
>
>
>
> t=8; 4 < t 8
:
1; t > 8
LECTIA
3. CMPURI DE PROBABILITATE 41
14. Se iau la ntmplare doua puncte n intervalul [0; 1]. Care este functia de repartitie a
distantei dintre ele? Care e valoarea medie a acestei distante?
Indicatie. Se procedeaz
a ca la problema 7).
Aseman
ator se poate calcula G(1) si apoi media cu formulele3.4
16. Doi jucatori A si B, avnd ecare un capital de a respectiv b lei, joaca pna la ruina
unuia din ei. La un joc sansele de cstig sunt p pentru jucatorul A si q=1-p pentru jucatorul
B. La ecare joc, cel ce pierde plateste 1 leu cstigatorului. Care sunt sansele de cstig ale
ecaruia?
17. Problema lui Buon. Pe un plan orizontal sunt trasate drepte paralele ntre ele la
aceeasi distanta 2d. Se arunca pe acest plan un ac de lungime 2l < 2d. Care este probabilitatea
ca acul sa intersecteze o paralela oarecare?
Indicatie. Starea de intersectie a acului cu reteaua de linii depinde de orientarea acului,
; si de distanta x a mijlocului acului fata de cea mai apropiata linie (vezi gura).
2l
x
2d
2 [0; ) iar x 2 [0; d]. Pentru intersectie trebuie ca x d cos . Spatiul pozitiilor
posibile este X = [0; ) [0; d], iar multimea pozitiilor favorabile intersectiei este A =
f(; x) 2 X j x d cos g. In cazul cnd toate pozitiile sunt egal probabile, probabilitatea
unui eveniment este proportionala cu aria multimii punctelor prin care se reprezint a acel
eveniment.
Lectia 4
Legi clasice
Am v azut ca valorile caracteristice ale unei variabile aleatoare sunt determinate de functia
de repartitie (sau de densitatea de probabilitate, dac a exist
a). In cazul variabilelor simple,
caracteristicile numerice sunt determinate de diagrama asociat a lor. In cele ce urmeaza sunt
studiate cteva legi frecvent ntlnite n aplicatii. Cnd discut
am o asemenea lege subntelegem
c
a exista un cmp de probabilitate (X;
; p) si o functie f : X ! R care are ca functie de
repartitie pe F si ca densitate pe . Pentru calcule nu este nevoie s
a avem explicit date X;
; p
si f; ci numai pe F sau .
43
LECTIA
4. LEGI CLASICE 44
variante n care sunt plasate cele k experiente unde apare A printre toate cele n experiente.
Probabilitatea ec arui sir de n experiente, cu k aparitii ale evenimentului A, este pk q n k ,
q = 1 p. Sumnd probabilit atile tuturor acestor siruri favorabile gasim c a probabilitatea ca
evenimentul A s a de k ori este Cn p (1 p) . Aceast
a apar k k n k
a distributie a fost studiat
a intensiv
de Bernoulli si se mai numeste si repartitie Bernoulli. Pentru n=20 si p=3/4 probabilit atile
Cnk pk (1 p)n k arat a astfel:
0.2
0.15
0.1
0.05
5 10 15 20
3 k 1
Valorile pentru C20
k
4 220 k
Se vede c a probabilit
atile care difer
a substantial de 0 apar pentru valori ale lui k n jurul
lui np, care n acest caz este 15. In lectia 5 vom demonstra c a acest lucru are loc pentru orice
p 2 (0; 1) si n sucient de mare.
k=0
k! k=0
k!
Prin urmare:
a) M (f ) = 1i fc0 (0) =
LECTIA
4. LEGI CLASICE 45
k
n care np ! cnd n ! 1. Atunci p(fn = k) ! e k!
cnd n ! 1.
QED.
Prin urmare k e =k! reprezint a probabilitatea ca un anumit eveniment A s
a apar
a de k ori
ntr-un sir foarte mare de n experiente independente, probabilitatea de aparitie a evenimen-
tului A ntr-o singura experienta nd foarte mica, de tipul =n. Valoarea medie a numarului
de aparitii este np = . Valorile p (f = k) pentru k = 0; 1; ::10, la o valoare a parametrului
= 6 se reprezint a astfel:
0.15
0.125
0.1
0.075
0.05
0.025
5 10 15 20
6 6k
Valorile pentru e k!
Se vede c
a valorile p (f = k) care difer
a substantial de zero se concentreaz
a n jurul valorii
k= = 6.
LECTIA
4. LEGI CLASICE 46
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
-4 -2 2 4 -4 -2 2 4
1 R (x m)2
p1
fc (t) =eitx e 22 dx =
2 1
R1 y2
(schimbarea y = x m ) = p12 1 eit(m+y) 2 dy =
2 t2 R1 (y it)2 2 t2
= eitm 2 p12 1 e 2 dy = eitm 2
Am folosit Z Z
1
(y it)2
1
y2 p
e 2 dy = e 2 dy = 2 (4.1)
1 1
c) D(f ) = M2 M 2 = 2
d) 2k+1 = 0 2k = (2k)!
2k k!
2k . (exercitiu)
In anumite conditii avem urm atoarea relatie ntre dou
a variabile norale:
1
1t
2 2
2t
2
Demonstratie.a)f1c (f ) = eim1 t 2 f2c (t) = eim2 2
p
cu m = m1 + m2 = 21 + 22 .
n 2 2
b) Ca la punctul a) g asim (f1 + f2 + :::fn )c (t) = einmt 2 t . Din teorema 3, lectia 2,
rezult
a 2
f1 + f2 + :: + fn t imt 12 pn t2
(t) = (f1 + f2 + :: + fn )c =e
n c n
Cu aceasta b) este demonstrat.
QED.
Pentru = 1; 2; 3; 4 gracele densit
atilor apar n continuare. Se vede c a pentru mare
(adic
a dispersie mare) gracul este mai mpr astiat (aplatizat) n jurul mediei m = 0.
Gracele densit
atilor unor variabile normale
pentru diverse valori ale lui
LECTIA
4. LEGI CLASICE 49
p(z; x1 )dx1 p(z; x2 )dx2 ::p(z; xn )dxn = F (z; x1 ; x2 ; ::xn )dx1 ::dxn (4.3)
Care este expresia cea mai potrivit a pentru functia p(z; x)? In mare Gauss a plecat de la
urmatoarele ipoteze pentru a determina pe p(z; x):1
1) p(z; x) = (z x) (adic a erori se fac cu aceeasi probabilitate n stnga ca si n dreapta
valorii exacte si probabilitatea de a obtine prin m asurare o anumit a valoare x depinde doar
de dep artarea fata de valoarea exacta z).
2) Coecientul lui dx1 dx2 ::dxn n n m asuratori independente (4.3) este maxim pentru
z = (x1 + x2 + :: + xn )=n.
3) este cel putin de clas a C 2.
Cu aceste ipoteze g asim astfel legea erorilor p(z,x):
F (z; x1 ; :::) = (z x1 )(z x2 ) :: (z xn ) > 0 este maxim n acelasi timp cu
ln(F (z; x1 ; x2 ; ::)):
Prin urmare:
0 (z x1 ) 0 (z xn )
(ln(F (z; x1 ; ::))0x = + :: + =0
(z x1 ) (z xn )
0 (z x)
pentru z = (x1 + x2 + ::: + xn )=n. Notnd g(x) = (z x)
avem
de ecare dat
a cnd
x1 + x2 + ::: + xn = nz
adic
a
g(x1 ) + g(x2 ) + :: + g(xn 1 ) + g(nz x1 x2 :: xn 1 ) 0
Prin derivare dup
a x1 obtinem:
g 0 (x1 ) g 0 (nz x1 :: xn 1 ) 0
si datorit
a arbitrarit
atii valorilor x1 ; ::xn 1 g
asim c
a
g 0 (x) a = const
1
Demonstratia este adaptat
a dup
a H. Poincar-Calcul des probabilits, Gauthiers-Villars,Paris,1912
LECTIA
4. LEGI CLASICE 50
de unde
g(x) = ax + b
Deoarece 0 = g(x1 ) + g(x2 ) + :: + g(nz x1 :: xn 1 ) = anz + nb rezult
ab= az, deci:
0 (z x)
= a(x z)
(z x)
sau
0 (t)
= at
(t)
de unde
t2
ln((t)) = a +c
2
2
a t2
(t) = ec e
Deci:
(z x)2
a
p(z; x) = (z x) = ke 2
pentru o v.a. de tipul N (0; 1). este o functie antisimetric a, (a) = ( a). Valorile
functiei s-au tabelat pentru diverse valori ale lui t. Dac
a f este o v.a. normal
a de parametri
f m
m si atunci variabila Z = este normal a cu media 0 si dispersia 1 (exercitiu), deci cu
functia de repartitie tabelat
a.
LECTIA
4. LEGI CLASICE 51
unde > 0.
1 2 1
Plecnd de la denitie se gaseste fc (t) = it
M=
M2 = 2
D= 2
. Toate aceste
calcule sunt l
asate ca exercitiu.
(+1) +1
x e x>0
unde > 1 si > 0. Cel mai frecvent se foloseste cazul = 1 + 1 = m, cnd avem
0 x0
(x) == m+1;0 (x) = 1 m 1 x
(m)
x e x>0
Reamintim c
a functia gamma se deneste astfel
Z 1
(x) = e t tx 1 dx
0
(x + 1) = x (x)
p
( 21 ) =
Functia caracteristic
a se calculeaza
a astfel:
LECTIA
4. LEGI CLASICE 52
Z 1
1 x
fc (t) = eitx x e dx
( + 1) +1 0
Z 1
1X
1 (itx)n x
= x e dx
( + 1) +1
0 n=0
n!
X1 Z
1 (it)n 1 n+ x
= x e dx
( + 1) +1 n=0 n! 0
X1 Z
n 1 n++1 1 n+ y
= (it) +1 y e dy
n=0
( + 1) n! 0
1
X 1 n++1
= (it)n (n + + 1)
n=0
( + 1) +1 n!
X1
n++1 (n + ) (n + 1) ( + 1) ( + 1)
n
= (it)
n=0
( + 1) +1 n!
1
X ( 1) ( 2) ( n)
= ( it)n = (1 it) 1
n=0
n!
Am folosit aici dezvoltarea
(
1) 2
(
1) ::: (
n + 1) n
(1 + x)
= 1 + x + x + ::: + x + ::
1! 2! n!
Caracterisicile numerice sunt:
a) M (f ) = 1i fc0 (0) = ( + 1)
b) M2 (f ) = i12 fc00 (0) = 2 ( + 1) ( + 2)
c) D(f ) = M2 (f ) M (f ) = 2 ( + 1)
In cazul = 1 = m 1 se obtine fc (t) = (1 mt) m , media=m; dispersia=m. Tipul
de mai sus de variabil a aleatoare l vom numi
(; ) iar n cazul particular considerat l vom
numi
(m). Pentru m = 0 si m = 2 gracele densit atilor apar n continuare:
0.35
0.5
0.3
0.4
0.25
0.3 0.2
0.15
0.2
0.1
0.1
0.05
-2 2 4 6 8 10 -2 2 4 6 8 10
LECTIA
4. LEGI CLASICE 53
Densit
atile
(m) pentru m = 0 si m = 2.
Propozitia urm
atoare este simplu de demonstrat:
Propozitia 4.4 Daca f si g sunt variabile aleatoare independente de tipurile
(m1 ) respectiv
(m2 ) atunci f + g este de tipul
(m1 + m2 ).
Demonstratie.Exercitiu
QED.
avem: s
a) fc (t) = (1 2 2 it) 2
b) M = s 2
c) M2 = s (s + 2) 4
c) D = 2s 4
Iat
a cum se poate ajunge la o distributie X2 placnd de la distributii normale:
Propozitia 4.5 Fie f1 ; f2 ; ::fs variabile aleatoare independente de tipu N (0; ). Atunci vari-
abila aleatoare g = f12 + f22 + :: + fs2 este de tipul H(s; ).
0.12
0.1
0.08
0.06
0.04
0.02
5 10 15 20
Densitatea pentru s = 6 si = 1.
2
2 x2 2
(x) = p s
1+
s 2
s
se numeste variabil a Student. Tipul acesta de v.a. l vom nota S (s). Demonstratiile ar-
matiilor de mai jos n legatura cu distributiile Student se vor da n lectia 6.
a) M (f ) = 0 si n general 2k+1 (f ) = 0 pentru 0 k < 2s . Pentru k 2s ; 2k+1 (f ) nu
exist
a.
r (k+ 12 ) ( 2s k) k 13::(2k 1)
b) 2k (f ) = M2k (f ) = ps = (s s2)(s .
(2)
s 4)::(s 2k)
c) Daca este o v.a. de tip normal N (0; ) si este de tip 2 cu s grade de libertate, adic a
de tip H (s; ) atunci v.a. p este de tip Student S (s). Pentru s = 6, gracul densit atii este
s
urm
atorul:
LECTIA
4. LEGI CLASICE 55
0.15
0.1
0.05
-4 -2 2 4
4.9 Rezumat
Variabilele aleatoare anterioare apar n multe modele de probleme reale. De aceea au fost
studiate mai n detaliu.
i) Modelul binomial descrie probabilitatea de aparitie de k ori a unui eveniment ntr-
un sir de n experiente independente, dac a probabilitatea de aparitie a evenimentului ntr-o
a probabilitate este Cnk pk (1 p)n k .
experienta este p. Aceast
ii) Modelul Poisson descrie probabilitatea de aparitie de k ori a unui eveniment ntr-un
sir mare de n experiente independente, dac a probabilitatea de aparitie a evenimentului ntr-
o experienta este foarte mic
a, de tipul =n. Num arul mediu de aparitii este acelasi, ; iar
probabilitatea este e k =k!.
(x m)2
1
iii) Legea norml a, cu densitatea (x) = p2 e 22 este legata de distributia erorilor de
masurare. m este valoarea medie a valorii m asurate iar este m
2
asura dispersiei valorilor
g
asite n jurul mediei.
iv) Distributia 2 cu s grade de libertate are densitatea
(
0 x0
(x) = s
1 s
1
x 2 e 2
x
2
x>0
2 s s
2 (2)
Alte legi clasice sunt date n exercitii sau vor studiate mai trziu, pe m a-
sur
a ce vor folosite. E de remarcat utilitatea functiei caracteristice n calculul
momentelor.
________________________________
4.10 Exercitii
1. Sa se arate ca
Z 1
1 (x m)2
2k = p (x m)2k e 2 2 dx = (2k 1) 2 2k 2
2 1
de unde
(2k)!
2k =
2k k!
Indicatie. Cu substitutia t = x m se g
aseste
Z 1 Z 1 0
1 2k x2 1 x2
2k = p x e 2 dx = p x2k 1
e 2 dx = :::
2 1 2 1
jx mj
2. Fie o v.a. cu densitatea (x) = 21
e _ > 0 (distributia lui Laplace).
imt
a)Sa se arate ca fc (t) = 1+2 t2 .
e
6. Viteza absoluta a unei molecule ntr-un gaz prfect este o marime aleatoare. Conform
teoriei lui Maxwell densitatea de probabilitate a acestei viteze este:
4x2 x2
(x) = p e c2 , pentru x > 0
c3
(x) = 0, pentru x 0
unde c este o constanta. Sa se determine viteza medie, energia cinetica medie si dispersiile
lor.
Indicatie. Pentru c=100, gracul distributiei vitezelor este:
0.008
0.006
0.004
0.002
7. Distributia cu densitatea
(
0 x0
(x) = 1
(ln x )2
p
x 2
e 2 2 x>0
Indicatie. Dac
a este o v.a. cu astfel de lege atunci:
Z 1 (ln x )2
1
M () = x p e 22 dx
0 x 2
Z 1 (t )2
1 t 2
= p e 22 dt = e+ 2 :
2 1
2
2
Analog se procedeaza pentru dispersie, gasindu-se D (f ) = e2+ e 1 A.N. Kolmogorov
a ar
atat ca aceasta este legea de distributie a diametrelor particulelor ntr-un proces de
macinare.
10 1
8 0.8
6 0.6
4 0.4
2 0.2
1 2 3 4 1 2 3 4
0.4
0.4
0.3 0.3
0.2 0.2
0.1 0.1
1 2 3 4 1 2 3 4
cu conditiile Z Z
1 1
(x) dx = 1si x2 (x) dx = 2
1 1
x2
este (x) = p12 e 2 2 . ( I se numeste entropia densitatii . Prin urmare distributia normala
are entropie maxima, la o dispersie data).
Indicatie. Se stie din Calculul Variational c
a functia (x) carerealizeaz
a extremul functionalei
@F @ @F
I; cu cele dou a constrngeri, trebuie s a satisfac
a ecuatia @ @ @0 = 0, unde F (x; ; 0 ) =
ln + 1 + 2 x2 .
10. Sa se arate ca distributia pe [0; 1) care maximizeaza entropia si are media m > 0;
x
este este exponentiala negativa (x) = m1 e m . R R1
1
Indica
R1 t ie. Trebuie maximizat a integrala I = 0
(x) ln (x) dx n condi
t iile 0
(x) dx =
1, 0 x (x) dx = m. (vezi problema 9).
11. Sa se arate ca distributia pe intervalul [a,b] care maximizeaza entropia, este distributia
uniforma.
12. Intr-o urna se gasesc a bile albe si b bile negre. Se extrag n bile din care k sunt albe
si n k sunt negre ( k a, n k b). Extragerea se face fara punerea bilei napoi (schema
Cak Cbn k
bilei nentoarse). Sa se arate ca probabilitatea acestui eveniment este n
Ca+b
. Sa se arate ca
pentru variabila aleatoare !
::: k :::
f= CkCn k
::: aC nb :::
a+b
13. Fata de un adversar la fel de tare ce este mai probabil sa se cstige: trei partide din
patru sau cinci partide din opt?
14. Pentru o variabila aleatoare se deneste asimetria prin
1 = p3 3 si excesul prin
2
2 = 24 3. Sa se calculeze valorile acestor marimi pentru variabilele aleatoare din acesta
2
lectie.
Lectia 5
Legi limit
a
In cele ce urmeaz
a vom studia semnicatia dispersiei, precum si importanta repartitiei normale
pentru probabilit
ati. Incepem cu inegalitatea lui Cebsev.
Teorema 5.1 Fie f o variabila aleatoare cu medie si dispersie nite. Atunci pentru a > 0
avem:
D(f )
p (jf M (f )j > a)
a2
sau
D(f )
p (jf M (f )j a) 1 (5.1)
a2
Demonstratie.
R R 2
p (jf M (f )j > a) = jx M (f )j>a dF (x) jx M (f )j>a (x Ma2(f )) dF (x)
R R1
1
a2 jx M (f )j>a
(x M (f ))2 dF (x) 1
a2 1
(x M (f ))2 dF (x) = D(f )
a2
QED. p D
Putem pune acest lucru si n alt mod dac
a scriem a = = D. In acest caz avem a2
=
1
2
. Inegalitatea devine
1
p (jf sau
M (f )j > )
2
1
p (jf M (f )j ) 1
v2
Aceasta nseamn a c
a variabila aleatoare ia valori n intervalul [M (f ) ; M (f ) + ] cu
o probabilitate mai mare ca 1 12 . In cazul particular al unei variabile normale f 2 N (m; )
g a f ia valori n intervalul [m 3; m + 3] cu probabilitatea 1 19 = 0; 88:: adic
asim c a
(x m)2
aria de sub gracul densit atii (x) = p12 e 22 cuprins ntre x = m 3 si x = m + 3
este cel putin 0; 88::.Cu ct este mai mic, cu att mai mic este intervalul n care functia ia
valori cu probabilitate mare (valori n jurul mediei m).
60
LECTIA
5. LEGI LIMITA 61
Observatia 5.2 Estimarea data de inegalitatea lui Cebsev este destul de grosiera n cazuri
practice si se nlocuieste cu alte estimari mai eciente. De exemplu
pentru f 2 N (0; 1) este o estimare mai buna ca cea data de inegalitatea lui Cebsev
Teorema 5.3 (Legea numerelor mari)Fie f1 ; f2 ; :::fn ; :: un sir de v.a. independente doua
cte doua si cu dispersiile marginite de aceeasi constanta: D(fn ) C; pentru orice n 2 N .
Atunci pentru orice > 0 avem:
f1 + f2 + ::: + fn M (f1 ) + ::: + M (fn )
lim p =1
(5.2)
n!1 n n
Mai precis
f1 + f2 + ::: + fn M (f1 ) + ::: + M (fn ) C
p 1 (5.3)
n n n2
Corolarul 5.4 Fie v.a f1 ; f2 ; :::fn ; :: cu aceeasi medie m si dispersiile marginite de C. Atunci
pentru orice > 0 avem:
f1 + f2 + ::: + fn
lim p
m = 1 (5.4)
n!1 n
Corolarul 5.5 (teorema lui Bernoulli) Fie n numarul de aparitii ale unui eveniment A n
n experiente independente. Probabilitatea de realizare a lui A ntr-o singura experienta este
2 [0; 1]. Atunci pentru orice > 0 avem
lim p n = 1 (5.5)
n!1 n
Observatia 5.6 Cu alte cuvinte pentru un > 0 orict de mic, daca numarul de experiente
n este sucient de mare atunci frecventa relativa nn este aproape sigur n jurul probabilitatii
p de aparitie a evenimentului ntr-o singura experienta.
Demonstrtie. Fie sirul de v.a.
1 ,dac
a la experienta n s-a realizat A
fn (!) = (5.6)
0 ; dac
a la experinta n s-a realizat A
Aici ! este un sir de experiente independente. Fiecare v.a. fn are diagrama
1 0
fn
cu = 1 . Toate variabilele fn au mediile si dispersiile . Tinnd
seama c
a
(f1 + f2 + :: + fn ) = n
prin aplicarea formulei (5.4) rezulta teorema lui Bernoulli.
O alta demunstratie se poate da astfel:
i) n are o distributie Bernoulli cu p(n = k) = Cnk k n k .
ii)M (n ) = n si D(n ) = n deci M ( nn ) = si D( nn ) =
n
.
iii)Aplicnd teorema lui Cebsev lui n =n g asim
D(n )
1 p( n ) 1 (5.7)
n 2
pq 1
= 1 2
1 !1
n 4n2
cnd n ! 1, pentru c a = (1 ) 41 atunci cnd 0 1.
QED.
Observatia 5.7 Avem
X 1
Cnk k n k
= p( n ) 1 (5.8)
n 4n2
j nk pj
sau X 1
Cnk k n k
(5.9)
4n2
j k
n
j>
Demonstratie. Avem:
r
p p n n n pk q n k
npqCnk pk q n k = npq en;k (5.11)
2k(n k) k k (n k)n k
Prin urmare n;k tinde uniform la zero cnd n ! 1 si a xk b, deci en;k tinde uniform la
1.
p
a k = np + xk npq, g
ii) Scriind c asim:
r r v
p n 1uu 1 1
npq = t q q !p
2k(n k) 2 1 + xk npq
1 xk np q 2
LECTIA
5. LEGI LIMITA 64
uniform pentru a xk b.
iii) Mai avem n (5.11) de aat limita lui
n n pk q n k
An;k =
k k (n k)n k
Avem:
!
np k nq n k
ln(An;k ) = ln
k n k
k n k
= k ln (n k) ln
np nq
p
p np + xk npq
= (np + xk npq) ln
np
p
p nq xk npq
(nq xk npq) ln
nq
r
p q
= (np + xk npq) ln 1 + xk
np
r
p p
(nq xk npq) ln 1 xk
nq
Dezvoltnd Taylor cei doi logaritmi, g
asim:
r
p q 1 x2k q 1
ln(An;k ) = (np + xk npq) xk +O
np 2 np n3=2
r
p p 1 x2k p 1
(nq xk npq) xk +O
nq 2 nq n3=2
deoarece xk sunt m
arginiti de a si b. Dup a ce facem nmultirile si reducem termenii rezult
a:
x2k 1
ln (An;k ) = +O p
2 n
Deci
x2 p x2
eO(1= n)
k k
An;k = e 2 !e 2
0.2
0.2
0.175
0.15
0.15
0.125
0.1 0.1
0.075
0.05 0.05
0.025
0
5 10 15 20 5 10 15 20 25 30 35 40
(x np)2
1 p1
atile Cnk pk q n k si gracele functiilor pnpq
Probabilit 2
e 2npq
p x2
k
Dar conform formulei locale npqCnk pk q n k = p12 e 2 (1 + n;k ) cu jn;k j n ! 0 indepen-
1
dent de k, dac
a a xk b si xk xk 1 = pnpq . Deci
p 1 x2
k x2
k
npqCnk pk q n k
= p e 2 + n;k e 2
2
1 x2
k
= p e 2 + 0n;k
2
LECTIA
5. LEGI LIMITA 66
Rb x2
Prima sum a de mai sus tinde cnd n ! 1 c atre a p12 e 2 dx = (b) (a) iar a doua e
majorata de n (b a) deci tinde la zero cnd n ! 1. Prin urmare teorema e demonstrat a
pentru a si b nite. O examinare mai atent a a situatiei arata ca teorema este adev arata si
pentru a sau b innite, iar limita este uniform a n a si b.
QED.
Care sunt valorile n pentru care aproximarea probabilit atilor Cnk pk q n k prin formulele de
Moivre-Laplace este sucient de bun a? In general se consider a c
a:
1
i) n 30 p 2 , atunci formulele de Moivre-Laplace dau o aproximatie satisf aca-
toare.
1
ii) n 30 , p 10 np = 10 atunci formulele distributiei Poisson dau o
k
aproximatie sucient de bun a: Cnk pk q n k e k! .
1
iii)n 30 p 10 np 10 atunci sunt satif ac
atoare formulele de Moivre-
x2
k
a Cnk pk q n
Laplace, adic k
' p 1 p1 e 2 .
npq 2
Solutie. a)Firma ncaseaz a 200 milioane lei. Probabilitatea de a da faliment este prob-
abilitatea ca sa plateasca mai mult de 200 milioane lei, adic a num
arul celor accidentati s
a
depaseasc
a 100. Avem o schem a binomial
a cu n=10.000, p=0,006, np=60, q=0,994. Se cere
suma probabilit atilor Cnk pk q n k pentru k 100. Conform formulei de Moivre-Laplace avem:
X X
Cnk pk q n k = Cnk pk q n k
k100 100 np
p kpnpq
np
n
p
np
npq npq
Z p 10000 60
100000;0060;994 1 x2
p e 2 dx
p 100 60
100000;0060;994
2
= (1287) (5; 17) 0; 5 0; 5 = 0
p = Cnk pk q n k
= Cnk pk q n k
k75 k np
p
0 np
=p
npq npq
Z 75 100000;006
x= p100000;0060;994 Z 1;371
1 x2 1 x2
p e 2 dx = p e 2 dx
0 100000;006
x= p100000;0060;994 2 5;485 2
= (1; 942) ( 7; 769) = (1; 942) + (7; 769)
= 0; 474 + 0; 5 = 0; 974
X Z b
1 x2
= Cnk pk q n k !p e 2 dx. (cf. 5.12)
2 a
a kpnpq
np
b
Anume, relatia:
!
(f1 M (f1 )) + (f2 M (f2 )) + ::: + (fn M (fn ))
p a pPn <b
k=1 D(fk )
n f1 +::+fn M (f1 )+::+M (fn )
= p a pPn n n
<b (5.14)
k=1 D(fk )
Z b
n!1 1 x2
! p e 2 dx
2 a
are loc daca:
Varianta I: (fk )k2N este un sir de v.a. pe acelasi cmp X, independente doua
cte doua, cu aceeasi functie de repartitie, cu dispersie nit
a si nenul
a.
Varianta II: (fk )k2N este un sir de v.a. pe acelasi cmp X, independente dou
a
cte doua si
q
3
M jf1 M (f1 )j3 + ::: + M jfn M (fn )j3
lim pPn =0
k=1 D(fk )
n!1
Mai exist
a si alte variante de conditii necesare pentru ca relatia (5.14) s a aib
a loc. Aseme-
nea teoreme poart a numele de teoreme limit a centrala si pun n evidenta c
a n conditii foarte
generale medierea unui num ar mare de v.a. independente conduce la o constant a plus o
variabil
a aleatoare normal a. Forma exact a este relatia (5.14).
5.3 Rezumat
Prima carte de probabilit ati a fost publicat a n 1704 de J. Bernoulli unde a fost demonstrat a
legea numerelor mari sub forma (5.5) si unde arm a ca s-a gndit 20 de ani la aceast a teorem a..
Ulterior au ap arut generalizari ale ei sub diverse forme, ca de exemplu (5.2). O demonstratie
eleganta a acestor teoreme se bazeaza pe inegalitatea lui Cebsev (5.1).
In esenta legea numerelor mari spune c a n conditii generale media unui num ar mare de
v.a. independente difer a putin de o constant a. Acest lucru este exprimat precis prin formula
(5.3).
Teoremele de tip limit a central a aduc o pecizare legii numerelor mari. Anume, diferenta
dintre media unui sir de v.a. independente si constanta la care convege aceast a medie este
aproximativ o v.a. normal a, de tip N (0; 1) nmultita cu o constant a care la rndul ei tinde la
zero. Forma matematic a a acestui enunt este (5.14).
In aplicatii apare frecvent schema Bernoulli si deci calculul probabilit atilor Cnk pk q n k .
Formulele de Moivre-Laplace (local a 5.10 si global
a 5.12) ne pemit s a calcul am aproximativ
x2
aceste probabilit
ati cu ajutorul densit
atii normale p1 e 2 (cazul local) sau primitivei ei,
2
LECTIA
5. LEGI LIMITA 69
functia (cazul global). In unele cazuri Cnk pk q n k se pot aproxima prin probabilit atile legii
Poisson. Limitele n care aproximatiile probabilit atilor Cn p q
k k n k
prin legea normal a sau
Poisson sunt considerate satisfac
atoare sunt date n pag. ??.
Formula lui Stirling este frecvent folosit
a pentru evaluarea factorialelor. Exist a si o gen-
eralizare a ei pentru evaluarea functiei Gamma.
________________________________
FORMULE UTILIZATE FRECVENT:
a) Inegalitatea lui Cebsev: p (jf M (f )j ) 1 D(f 2
)
.
M (f1 )+:::+M (fn )
b) Legea numerelor mari: lim p f1 +f2 +:::+f n
n
n 1 nC2 dac a
n!1
toate dispersiile sunt m arginite de C; varianta Bernoulli: lim nn p = 1
n!1
unde n este num arul de aparitii ale unui eveniment A n n experiente indepen-
dente iar p este probabilitatea de aparitie a lui p
A ntr-un singur experiment.
npqCnk pk q n k
c) Formula local a de Moivre-Laplace: lim x2
= 1.
n!1 k
p1 e 2
2
P Rb x2
d) Formula global
a de Moivre-Laplace: lim Cnk pk q n k
= p1 e 2 dx,
n!1 a kpnpq
np
b 2 a
0<p<1, q=1-p.
5.4 Exercitii
1. Se arunca o moneda de 10000 ori. Care e probabilitatea ca banul sa apara de mai putin
4550 ori?
Indicatie. Se procedeaz
a ca n exemplul din lectie.
R1 t2
5. Sa se demonstreze ca pentru x > 0 functia (x) = x
e 2 dt, satisface inegalitatile:
x x2 1 x2
e 2 (x) e 2
1 + x2 x
x x2
Indicatie. Pentru prima inegalitate se considet a f (x) = 1+x 2e
2 (x). Avem f (0) = 0.
Se deriveaza si se studiaz
a variatia lui f. Analog pentru a doua inegalitate.
6. Doua vase identice contin ecare 1022 molecule. Vasele sunt puse n contact si mole-
culele se misca liber ntre vase. Dupa omogenizare, care e probabilitatea ca n vasul A sa e
cu a zece miliarda parte mai multe molecule ca n B? (admitem ca pentru ecare molecula
probabilitatea de a n A este egala cu probabilitatea de a n B si este 1/2).
Indicatie. Se utilizeaza formula de Moivre-Laplace si ex. precedent.
7. Pe scara unui bloc sunt 40 apartamente si n ecare apartament este cate un frigider
de putere 0,6 kW. In medie un frigider consuma energie electrica 3 ore din 24. Care este
probabilitatea ca la un moment dat sa e absorbita de la retea, de ctre frigidere, o putere mai
mare de 4 kW?
Indicatie. Se utilizeaz
a de Moivre-Laplace.
unde ! x;e este oscilatia functiei f pe intervalul [x ; x + ], adica diferenta ntre minimul si
maximul functiei pe acest interval.
LECTIA
5. LEGI LIMITA 71
10. Fie r momentul centrat absolut de ordin r al unei variabile aleatoare f care are
media m, denit prin r = M (jf mjr ). Sa se arate ca
r
p (jf mj ")
"r
11. Vrem sa vericam daca un zar este falsicat sau nu, cautnd care este probabilitatea
r de aparitie a fetei sase . Pentru aceasta alegem " = 0; 01, aruncam zarul de un numar n
de ori si observam care este numarul k de aparitii ale fetei sase.
Sa se determine o valoare ct mai mica pentru n astfel ca probabilitatea p nk r "
sa e cel putin 0; 99 utiliznd:
a) inegalitatea lui Cebsev
b) formula integrala de Moivre-Laplace.
12. In problema acului lui Buon (vezi lectia 3, exercitii), probabilitatea de intersectare
a paraleleor este p = a
2l
unde l este lungimea acului iar
a este distanta dintre paralele. De
cte aruncari este nevoie ca probabilitatea ca 2ln
ak
< 0; 01 sa e cel putin 0; 99. ( n este
numarul de aruncari iar k este numarul de intersectari ale retelei de drepte paralele).
Lectia 6
Egalitatea poate avea loc daca si numai daca f2 = af1 sau f1 = af2 a.p.t. cu a=const.
Demonstratie. M (f1 + xf2 )2 0 pentru orice x 2 R, deci M (f12 ) + 2M (f1 f2 ) x +
M (f22 ) x2 0 pentru orice x. De aici rezult a c
a discriminantul functiei de gradul doi este
negativ: = M (f1 f2 ) M (f1 ) M (f2 ) 0 adic
2 2 2
a tocmai inegalitatea Cauchy-Buniakovski.
Dac
a = 0 atunci exist a un x0 real, solutie a ecuatiei de gradul doi
M (f1 + x0 f2 )2 = 0
72
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 73
Exemplul 6.4 Fie doua siruri nite de numere (xi )1in si (yi )1in . Sa consideram o
partitie a unei multimi X astfel: X = A1 [ A2 [ A3 [ :: [ An cu toate multimile Ai 6= ;.
Denim pe X o probabilitate prin p (Ai ) = n1 si e variabilele aleatoare f1 ; f2 : X ! R,
denite prin f1 (!) = xi daca ! 2 Ai si f2 (!) = yi daca ! 2 Ai . Avem :
Pn Pn
i=1 xi yi
m1 = M (f1 ) = ; m2 = M (f2 ) = i=1
Pn n 2
n P
n
(xi m1 ) (yi m2 )2
D1 = D (f1 ) = i=1 ; D2 = D (f2 ) = i=1
n Pn n
(xi m1 ) (yi m2 )
m1;2 = M ((f1 m1 ) (f2 m2 )) = i=1
Pn n
m1;2 (x i m 1 ) (y i m 2)
c (f1 ; f2 ) = p = qP i=1
qP (6.3)
D1 D2 n 2 n 2
i=1 (xi m1 ) i=1 (yi m2 )
P
forma y = ax + b se determin a din conditia ca (yi axi b)2 s a e minim
a (a se vedea
lectia 8 sau lectia 14). Dac a se caut a dependente de forma yi = be , prin logaritmare se
axi
g
aseste ln (yi ) = axi + ln (b). O asemenea dependenta exist a, conform celor de mai sus daca
c (f1 ; ln (f2 )) = 1. Dac a jc (f1 ; ln (f2 ))j este sucient de aproape de unu atunci punctele
(xi ; ln (yi )) sunt aproximativ pe o dreapt a care se determin a prin metoda celor mai mici
patrate.G asim astfel a si ln (b) care ne dau dependenta ln (yi ) = axi + ln (b), adica yi = beaxi .
Demonstratie.a) x1 < x01 implic a ff1 < x1 \ f2 < x2 g ff1 < x01 \ f2 < x2 g. Lund
probabilitatile ambilor membri gasim F (x1 ; x2 ) F (x01 ; x2 ). Analog se arat
a monotonia n
x2 :
b) Prin denitie F (x1 ; 1) = lim F (x1 ; x2 ). Insa pentru orice sir monoton x2;n ! 1
x2 ! 1
avem ff1 < x1 \ f2 < x2;n+1 g ff1 < x1 \ f2 < x2;n g si \ ff1 < x1 \ f2 < x2;n g = ; , deci
n=1;1
F (x1 ; x2;n ) ! 0, deci F (x1 ; 1) = 0. Analog se arat a si celelalte egalitati.
c) Continuitatea la stnga se arat a ca pentru v.a. unidimensionale (lectia 3).
d) Fie regiunile din x1 Ox2 ca n gura urm atoare:
A = f(x1 ; x2 ) j 1 < x1 < a1 , a2 x2 < b2 g, etc.(vezi gura). Fie evenimentele:
A0 = f! 2 X j (f1 (!) ; f2 (!)) 2 Ag si analog B 0 , C 0 , D0 . Observam c a D0 = (a1 f1 < b1 )\
(a2 f2 < b2 ). Avem p (A0 ) = F (a1 ; b2 ) F (a1 ; a2 ), p (C 0 ) = F (a1 ; a2 ), p (B 0 ) = F (b1 ; a2 )
F (a1 ; a2 ).
(a1,b2)
D
(a1,a2) (b1,a2)
Scriem acum
de unde rezult
a pentru p (D0 ) formula 6.4.
QED.
pozitiva, integrabila, astfel ca 1 1 (t1 ; t2 )dt1 dt2 = F (x1 ; x2 ) pentru (x1 ; x2 ) 2 R F ind
functia de repartitie a lui f.
3. Dispersia este
Z 1 Z 1
D (f1 ) = (x1 m1 )2 (x1 ; x2 ) dx1 dx2 : (6.8)
1 1
7. Dac
a f1 si f2 sunt independente atunci
F (x1 ; x2 ) = p (f < x1 \ f2 < x2 ) = p (f1 < x1 ) p (f2 < x2 ) = F1 (x1 ) F2 (x2 ) (6.11)
De aici rezult
a
(x1 ; x2 ) = 1 (x1 ) 2 (x2 ) : (6.12)
Se vede usor c
a si reciproc este adev arat: dac a functia de repartitie ori densitatea de proba-
bilitate se descompune n produs de dou a functii, una depinznd de x1 si cealalt a depinznd
de x2 atunci f1 si f2 sunt independente (exercitiu).
Dintre formulele de mai sus doar (6.9) mai necesit a demonstratie, celelalte ind evidente.
a) Consideram cazul cnd f1si f2 sunt m arginite, deci f = (f1 ; f2 ) : X ! [a; b) [c; d).
Divizam intervalele [a; b] si [c; d] prin x = (xi )0in respectiv y = (yj )0jmsi not am
1
= x y ; jj = maxfjx j ; jy jg; Dij = [xi 1 ; xi ) [yj 1 ; yj ), Aij = f (Dij ) X.
Variabila aleatoare
g (xi ; yj ) dac a ! 2 Aij
g (!) =
0 n caz contrar
este simpl
a, si tinde la g (f1 ; f2 ) atunci cnd jx j ! 0 si jy j ! 0. Deci
X
M (g ) = g (xi ; yj ) p (Aij )
X Z Z
= g (xi ; yj ) (x; y) dxdy
Dij
| {z }
p(Aij )
X
= g (xi ; yj ) i ; j (xi xi 1 ) (yj yj 1 )
| {z }
din teorema de medie
Z Z
! g (x; y) (x; y) dxdy
jj!0 [a;b][c;d]
b) Demonstratia se poate extinde acum si la cazul cnd f1si f2 nu sunt m arginite dar
integrala (6:9) este convergent a. Argumentele ind lungi, ns a standard, nu le reproducem
aici.
Repartitiile pentru f1 si f2 se mai numesc repartitii marginale ale lui f ..
Exemplul 6.10 Fie D = [a; b] [c; d]. O variabila aleatoare f = (f1 ; f2 ) cu valori n D care
are densitatea:
0 (x1 ; x2 ) 2
=D
(x1 ; x2 ) = 1
aria(D)
(x1 ; x2 ) 2 D
se numeste uniforma. Conform celor de la pct. 6) rezulta ca f1 s f2 sunt independente.
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 78
pZ Z
1 2 1 0 1 1 02 2 02
M (f1 ) = dx1 (m1 + r11 x01 + r12 x02 ) e 2 x1 2 x2 dx02
2
p p 1 1
Z 1 Z 1
1 2 1 02
x1 0
2 02
= p p m1 e 2 dx1 e 2 x2 dx02 = m1
2 2 1 1
Analog g
asim M (f2 ) = m2 .
Putem acum calcula dispersiile.
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 79
a)
Z Z
21 = (x1 m1 )2 (x1 ; x2 ) dx1 dx2
p Z Z 1 x02 2 x02
1 2 2 1 2
= (r11 x01 + r12 x02 ) e 2 dx01 dx02
2
2 1 2 1
= r11 + r12
1 2
. De aici
rezulta c (f1 ; f2 ) si punctul b) e terminat. Mai remarc
am c
a deoarece Rt AR =
1 0
, rezult
a
0 2
1
1 1
0 t 21 cov (f1 ; f2 )
A =R 1 R =
0 2
cov (f1 ; f2 ) 22
p (B \ (x f < x + ))
lim
;!0 p (x f < x + )
p (B \ (x f < x + ))
= lim
;!0 F (x + ) F (x )
atunci o not
am p (Bjf = x). Putem da acum denitia:
G (t j f = x) = p (g < tjf = x)
p ((g < t) \ (x f < x + ))
= lim (6.13)
;!0 p ((x f < x + ))
H (x + ; t) H (x ; t)
= lim
;!0 H (x + ; 1) H (x ; 1)
dac
a limita exist a. Dac a limita exist
a n orice t 2 R si are ca functie de t propriet
atile unei
functii de repartitie, atunci denim:
Se vede c
a dac
a H este derivabil
a, cu densitatea avem
@H(x;t)
Rt
(x; y) dy
G (tjf = x) = @H(x;1) = R 11
@x
(6.14)
@x 1
(x; y) dy
Dac
a p (Bjx) este o functie continu
a atunci
Z 1 Z 1
p (B) = p (Bjf = x) dF (x) = p (Bjf = x) f (x) dx
1 1
n particular
Z 1 Z 1
G (t) = G (tjf = x) dF (x) = G (tjf = x) f (x) dx
1 1
f (x) g (yjf = x)
f (xjg = y) = R 1
(yjf = x) f (x) dx
1 g
Dac
a nu exist
a pericol de confuzie putem scrie:
(x) (yjx)
(xjy) = R 1
1
(yjx) (x) dx
Nu insist
am asupra demonstratiilor acestor formule. Ele se pot obtine prin divizarea inter-
valului unde se g
asesc valorile lui x, aplicarea formulei clasice a probabilit
atii totale sau a lui
Bayes asa cum au fost studiate n lectia 1 si trecerea la limit
a pentru diviziuni din ce n ce
mai ne.
Z Z
Fr(f;g) (t) = p (r (f; g) < t) = (x; y) dxdy (6.15)
r(x;y)<t
Pentru sum
a si produs avem formule mai precise. Alte exemple sunt date la exercitii.
2sy s 1 y2 s
= 2syg y 2 s = s s s y 2 s 2 e 2 2
22 2
0 2 2 s 2s 2
s Z 1 (t2 +s)y2
2s 2
= s+1 p
e 2 2 y s dy (schimb am sy 2 = u)
2 2
s+1 ( 2s ) 0
Z 1
2
1+ ts
1 u s+1
1
= s+1 p s
e 2 2 u 2 du
2 2 s s+1 2 0
s+1
s+1
s+1
1 2 2 t2 2
= s+1 p s+1 =p s
1+
2 2 s s+1 s
1+ ts
2 2 s 2
s
2
2 2
1
s
2
k k + k
s 2
= p s
2
2
sk 1 3 :: (2k 1)
=
(s 2) (s 4) :: (s 2k)
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 84
dac
a 2k < s. Pentru celelalte valori ale lui k momentele nu exist
a.
2 t2 2
(t) = p s
1+
s 2
s
se numeste variabila Student.Tipul acesta de v.a. l notam S (s). Gracul acestei densitati
se gaseste la lectia 4.
dac
a x 0 , y 0 si 0 n rest. Aplicnd aceeasi tehnic a precum n exemplul precedent rezult
a
: 8 n1
< n1 2 n1 +n2
( n1 +n
2
2
) n21 1 n1 2
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 85
6.7 Exercitii
1. Fie sirul de date
x= 1 3 1 4 7 9
y= 0 4 3 8 12 18
a)Care este coecientul de corelatie ntre aceste siruri de date?
b) Daca este mai mare de 0.95, sa se determine prin metoda celor mai mici patrate dreapta
de regresie a lui y n x.
Indicatie. Coecientul de corelatie (6.3) este 0; 99 deci punctele sunt aproximativ pe o
dreapta.
x = 1 1; 5 2 2; 5 3
y = 3; 3 4; 23 5; 44 6; 98 8; 96
1; 19 1; 44 1; 69 1; 94 2; 19
Coecientul de corelatie ntre x s ln (y) este aproximativ 1, prin urmare ln (y) = ax + d deci
y = ed eax = beax . Prin metoda celor mai mici p atrate g
asim a = 0; 5 d = 0; 69 deci b = 2.
sens contrar, n acelasi interval de timp, este o variabila Poisson cu parametrul 2 . Daca
cele doua v.a. sunt independente, care este distributia numarului total de masini pe sosea n
acelasi interval de timp?
7. Se trage asupra unei tinte plane asezate n (0; 0). Masuratorile indica o distributie
normala a absciselor X a punctelor de impact de tip N (0; 2) si la fel pentru ordonatele Y .
De asemenea X si Y sunt p independente. Se cer:
a) Distributia distantei X 2 + Y 2 de la punctul de impact pna la tinta.
b) Probabilitatea ca o lovitura specicata sa cada n discul X 2 + Y 2 4.
c) Probabilitatea ca din 4 lovituri cel putin una sa cada n discul X 2 + Y 2 4.
d) Probabilitatea ca din 100 lovituri cel putin 25 sa cada n discul X 2 + Y 2 4.
x2 y2 x2 +y 2
1 1 1
Indicatie. a) 1 (x) = p22 e 8 2 (x) = p22 e 8 deci (x; y) = 8 e 8 . Fie F (t)
p
functia de repartitie a lui X 2 + Y 2 . Avem pentru F (t) = 0 pentru t < 0 iar pentru t 0:
Z Z
2 2 2
1 x2 +y 2
F (t) = p X + Y < t = e 8 dxdy
8 x2 +y 2 <t2
a) Valoarea lui daca durata medie de viata a unui bec este de 20 zile (ziua va n problema
unitatea de masura pentru timp).
b) Sa se arate ca daca f1 si f2 sunt independente, cu densitatea atunci f1 +f2 are densitatea
2 t
te t0
1 (t) =
0 t<0
d) Care e probabilitatea ca prin nlocuirea becurilor arse sa poata mentinuta lumina aprinsa
peste 200 zile?
Indicatie. a) M (f1 ) = 1 deci = 201
. b,c) Se aplic
a (5.13) sau se procedeaza ca n lectia
1
4, exercitiul nr. 4. d) In datele de la c) avem = 20 , n = 10, iar probabilitatea cerut a este:
Z 1
1 t
P = p (f1 + f2 + ::: + f10 200) = 10
t9 e 20 dt
200 20 9!
10 Z 1
10
= u9 e 10u du ' 0; 457
9! 1
D(r;s) rs 2 r
D(x;y)
= 2 (s2 + 1). De asemenea x2 = 1+s 2 y 2 = 1+s 2 . Vedem c a pentru orice pereche
(r; s) exist
a doua perechi (x; y) ce i corespund prin transformarea dat a. Pentru D R2
1
sucient de mic (D) = D1 [ D2 cu D1 si D2 disjuncte n corespondenta bijectiv a si
diferentiabil
a cu D. Avem
2 2 f1
p f1 + f2 ; 2D
f2
= p (f1 ; f2 ) 2 1 (D)
Z Z Z Z
1 x2 +y 2 1 x2 +y 2
= e 2 2
dxdy + e 2 2 dxdy
4 2 4 2
ZD1Z D2
1 r 1
= 2 e 22 drds
4 2 D 2 (s2 + 1)
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 88
r
Prin urmare perechea de v.a. f12 + f22 ; ff21 are densitatea 1
4 2
e 2 2 1
1+s2
. Conform (6.12)
si remarcii de dup
a ea rezult
a c
a f12 + f22 ; ff21 sunt independente.
Sa se determine:
i) .
ii) Densitatile distributiilor marginale
iii) p (Z 2 f(x1 ; x2 ) j x2 > x1 + 1g).
iv) Fie Z1 si Z2 cele doua distributii marginale. Care este media lui Z1 + Z2 .
RR
Indicatie. R2
(x1 ; x2 ) dx1 dx2 = 1. Se utilizeaza formula 6.9
14. O anumita lungime este mprtita n doua si sunt masurate cele doua portiuni de
catre doua persoane nmod independent. Eroarea de masurare este o variabila aleatoare
3
(1 x2 ) pentru x 2 [ 1; 1]
cu densitatea (x) = 4 pentru ecare persoana. Care este
0 n rest
probabilitatea ca eroarea n masurarea ntregii lungimi sa e mai mare ca 1?
Indicatie. Cunoastem densit atile a dou
a variabile aleatoare independente. Deci rezult a
imediat densitatea sumei si de aici r aspunsul la ntrebare. Altfel, putem folosi formula 6.9
Lectia 7
Procese aleatoare
sau pe scurt
F (t; x) = p ( (t; ) < x) = p ( t < x)
Uneori vom mai nota aceast a functie Ft (x) pentru a sublinia c
a e functie de repartitie n x
si depinde de parametrul t. In timp ce nu poate specicat a exact, neavnd o descriere a
89
LECTIA
7. PROCESE ALEATOARE 90
multimii X, F este o functie de variabilele reale t; x. Cum functia de repartitie contine toate
informatiile probabilistice despre o v.a., un proces stochastic va descris prin functia sa de
repartitie F (t; x). Vom caracteriza procesul stochastic prin Ft (x) sau derivata ei (t; x) =
t (x) = @F@x (t;x)
. Dac
a t ia o valori ntr-o multime discret a fv1 ; ::vn ; ::g atunci
P functia de
repartitie este complet determinat a de pk (t) = p ( t = vk ) sau prin Ft (x) = vk <x pk (t) deci,
procesul stochastic va descris prin aceste functii. Mai jos studiem cteva tipuri de procese
stochastice.
Denitia 7.2 Un proces aleator t , t 2 [0; 1) unde t ia valori numere naturale si unde sunt
satisfacute conditiile a), b), c) de mai sus se numeste proces Poisson.
Multe alte fenomene din natur a apar ca satisfacnd cerintele a), b), c) : dezintegrarea
spontana a nucleelor radioactive, venirea la coada a masinilor la o statie de benzin
a, num arul
de apeluri la o central
a telefonic
a etc.
Problema pe care vrem s
a o rezolv
am n continuare este de a determina probabilit atile
pk (t) = p a+t a = k , adic a probabilitatea ca n intr-un interval de lungime t s a intre k
particule cosmice n volumul V. Conform cu b) aceste probabilit ati nu depind de a.
Teorema 7.3 Fie un proces Poisson ca mai sus. Atunci exista > 0 astfel ca p1 (t) =
t + 0 (t) si
(t)k t
pk (t) = e (7.3)
k!
Demonstratie.(Schita) Fie r = p0 (1). Imp
artim intervalul [0; 1] prin
1 2 n
0< < < :: <
n n n
, pentru un n 2 N . Din stationaritate rezult
a
1
p0 = p 1=n 0 = 0 = p 2=n 1=n = 0 = ::: = p 1 n 1 =0
n n
adic
ae t
+ p1 (t) + 0 (t) = 1. De aici rezult
a
t
p1 (t) = 1 e + O (t) = t + O (t)
pentru k 1. Prin trecerea lui pk (t) n membrul stng si divizarea la t, apoi trecerea la
limita t ! 0, rezult a
dpk (t)
= pk (t) + pk 1 (t) (7.4)
dt
Dac a tinem seama de conditiile p0 (t) = e t , pk (0) = 0 (din ordinaritate), atunci sistemul
k
7.4 se rezolv aseste pk (t) = (t)
a si se g k!
e t .
QED.
Probabilitatile pk (t) = p ( t = k) sunt la fel ca la o v.a. Poisson (vezi lectia 4), deci media
lui t este M ( t ) = t si dispersia D ( t ) = t.
marimi se numesc probabilitati de tranzitie. Deoarece din starea i se poate ajunge la momentul
urmator doar n starile 1,2,3,...n, trebuie s a avem pi;1 (k) + pi;2 (k) + ::: + pi;n (k) = 1. Cel
mai simplu proces de acest tip este acela n care probabilit atile de tranzitie pi;j (k) nu depind
de momentul k. In acest caz avem pi;j (k) = pP i;j . Matricea p cu elementele pi;j se nume ste
n
matricea de tranzitie. Intr-o astfel de matrice j=1 pi;j = 1, pi;j 0.
Exemplul 7.5 Sa presupunem ca o particula se poate misca ntre doua bariere a < b trecnd
prin puncte intermediare
a = x1 < x2 < ::: < xn = b
Daca particula se gaseste n pozitia xi atunci cu probabilitatea r se deplaseaza nainte n
pozitia xi+1 si cu probabilitatea s = 1 p se deplaseaza napoi n pozitia xi 1 . In capetele a
si b particula este respinsa n pozitia imediat vecina. Pentru 4 pozitii posibile, matricea de
tranzitie este 0 1
0 1 0 0
B s 0 r 0 C
p=B @ 0 s 0 r A
C
0 0 1 0
(k) (k)
Fie acum pi;j = p ( k = j j 0 = i), adica pi;j este probabilitatea ca sistemul s a se gaseasca
la momentul k n starea j, dac a la momentul nitial 0 s-a gasit n starea i. Fie p matricea de
(k)
(k)
tranzitie de la momentul 0 la momentul k, avnd elementele pi;j . Din formula probabilit atii
Pn
totale Pg
asim p ( k = j j 0 = i)= l=0 p k 1 = l j 0 = i p k = j j k 1 = l; 0 = i
= nl=0 p k 1 = l j 0 = i p k = j j k 1 = l
altfel spus
X n
(k) (k 1)
pi;j = pi;l pl;j
l=0
Din aceast
a formul
a rezult
a prin inductie
p(k) = pk
adic
a p(k) este puterea de ordinul k a matricei de tranzitie.
(k)
Cum arat a probabilit
atile pi;j pentru valori mari ale lui k? Urm
atoarea teorem
a aduce
l
amuriri n aceast
a privinta.
(m)
Teorema 7.7 Daca pentru m 2 N are loc inegalitatea pi;j > 0 pentru orice i; j, atunci exista
lim p(k) si
k!1
(k)
lim pi;j = pj
k!1
independent de i.
0 1
0; 214018 0; 283039 0; 238095 0; 264848
B 0; 214018 0; 283039 0; 238095 0; 264848 C
p100 =B
@ 0; 214018
C
0; 283039 0; 238095 0; 264848 A
0; 214018 0; 283039 0; 238095 0; 264848
Se vede cum de la p7 se stabilizeaza primele trei zecimale ale probabilitatilor limita, la p100
ind stabilizate cel putin 6 zecimale.
Folosind relatia iv) n (7:5), relatia ii) n (7:6), relatia i) n (7:7), relatia iii) n (7:8) g
asim:
Trecnd pk (t) n membrul stng, diviznd prin t, apoi trecnd la limit
a t ! 0 g
asim
P
a n 0 1 :::
si acest lucru este posibil numai dac n 1
< 1.
1 2 :::n
In acest fel poate modelat fenomenul de asteptat la coad
a.
Prima problem a care se pune este modelarea caracterului ntmpl ator al venirilor n statie
si al plecarilor din statie. Fie num arul mediu de veniri n unitatea de timp. Deci ntr-
un timp t vor n medie t veniri. Dac a num arul de masini din care se vine la coad a
este n iar nevoia de benzin a este ntmpl
atoare si independent a de la o masina la alta atunci
probabilitatea de a veni la coad a k masini n intervalul (t; t + t) este Cn p q
k k n k
unde p este
probabilitatea ca o masin a s
a aiba nevoie de benzin a iar q = 1 p (vezi legea binomial a).
t
Num arul mediu de veniri este np iar pe de alt a parte este t. Deci np = t ) p = n .
k
In aceste conditii stim lectia 4 c a Cnk pk q n k ! e t (t)
a c k!
atunci cnd n ! 1 . Cum
n este mare, putem considera c a probabilitatea ca la coad a s
a vin
a k masni n intervalul
k
t (t)
(t; t + t) este e k!
. Num arul de veniri la coad a n intervalul de timp t poate
considerat ca o variabil a aleatoare de tip Poisson:
!
0 1 ::: k :::
k
e t e t t1
::: e t (t)
k!
:::
Prin urmare :
a) Probabilitatea ca n intervalul (t; t + t) sa vina n statie o masina este e t t 1
=
t + O(t).
b) Probabilitatea ca sa nu vina n statie nici o masina n intervalul (t; t + t) este e t =
1 t + O(t).
c) Probabilitatea ca n intervalul (t; t + t) sa vina n statie mai mult de o masina este
P t (t)
k
k2 e k!
= O(t).
In mod analog, e num arul mediu de masini deservite de o statie n unitatea de
timp(presupunnd c a are continuu de lucru). Intr-un interval de lungime t vor n medie
deservite t masini. Num arul real al celor deservite poate mai mare sau mai mic dect
media si depinde de factori ntmpl atori, ca necesarul de benzin a, ntrzieri produse de sofer,
etc. Admitem c a:
a) Probabilitatea ca n intervalul (t; t + t) sa plece din statie o masina, daca exista
vreuna, este t + O (t)
b) Probabilitatea ca n intervalul (t; t + t) sa nu plece din statie nici o masina, daca
exista vreuna, este 1 t + O (t)
c) Probabilitatea ca n intervalul (t; t + t) sa plece din statie mai mult de o masina este
O(t).
Ipotezele facute asupra plec arilor din statie sunt asemanatoare cu conditiile a), b),c) n-
deplinite de probabilit atile de venire n statie.
Fie acum familia de variabile aleatoare t ; t 2 T = [0; 1) , unde valoarea lui t este egal a
cu num arul de masini n statie la momentul t. Ipotezele f acute asupra venirilor si plecarilor,
independente unele de altele, se mai scriu:
LECTIA
7. PROCESE ALEATOARE 98
i)
p t+t = k + 1j t = k = ( t + O (t)) (1 t O (t)) +
| {z }| {z }
o venire nici o plecare
+ O (t) = t + O (t)
| {z }
mai mult de o venire sau o plecare
ii)
p t+t = k 1j t = k = ( t + O (t)) (1 t O (t)) +
| {z } | {z }
o plecare nici o venire
+ O (t) = t + O (t)
| {z }
mai mult de o plecare sau venire
p0 = 1
P k
Stabilizarea se poate face doar cu conditia 0 <
< 1 astfel nct seria
s
a e conver-
gent
a.
n activitate (deci care nu sunt asezate la coad a). Vom face ipoteza c a masinile au nevoie
independent de serviciile statiei, si daca n statie sunt k masini, atunci probabilitatea ca sa
mai vin a una n urmatoarele t unit ati de timp este (N k) t + 0 (t) dac a k < N si zero
dac a k = N . Astfel familia de variabile aleatoare t care au ca valoare num arul de masini n
statie este un proces de nastere si moarte cu k = (N k) ,iar k = pentru 0 k N .
Prin urmare, conform formulelor (7.12) rezult a
N (N 1) ::: (N k + 1) k
pk = p0 ; 0kN (7.15)
k
P
Valoarea lui p0 se determina din conditia ca nk=0 pk = 1.
Un asemenea proces ar putea modela de exemplu coada la reparatii ntr-o intreprindere
cu N masini dac
a serviciul de reparatii are doar un mecanic. Un model mai realist este:
Denitia 7.11 Spunem ca procesul aleator t este stationar de ordinul doi daca functia de
repartitie mixta este invarianta la o translatie a timpului. Mai precis Ft1 ;t2 = Ft1 + ;t2 + pentru
orice .
In mod analog se poate deni un proces stationar de ordinul n, prin functia de repartitie
n dimensional a a vectorului aleator t1 ; t2 ; ::: tn . Dac a un proces aleator este stationar de
ordin n, atunci el este stationar de orice ordin 0 k n.
Pentru un proces stationar media,dispersia, momentele de diverse ordine ale variabilei t
nu depind de t.Variabilele aleatoare t nu sunt n general independente. Dac a m este media
variabilei t (independent de t) atunci coecientul de corelatie
M t1 m t2 m
c t1 ; t2 = r
2 2
M t1 m M t2 m
(vezi lectia 6) este si el invariant la o translatie n timp, adic a c t1 ; t2 = c t1 + ; t2 +
pentru orice . Insa n multe aplicatii ale probabilit atilor se utilizeaz a doar media, dispersia
pentru variabilele aleatoare individuale si coecientul de corelatie pentru perechile de variabile
aleatoare. Aceste m arimi pot invariante la o translatie a timpului f ara ca functia de repartitie
s
a e. De aceea s-au studiat n mod special procesele aleatoare pentru care aceste m arimi
sunt invariante la o translatie a timpului, fara sa se cear a si invarianta functiei de repartitie.
Denitia 7.12 Un proces aleator ( t )t2T se numeste stationar n sens larg daca
a) media M ( t ) = m este independenta de t 2 T .
b) dispersiaM ( t ) = 2 esteindependenta de t 2 T .
c) c t1 ; t2 = c t1 + ; t1 + pentru orice t1 ; t2 ; t1 + ; t2 + 2 T .
P 2
n
este pozitiv denit
a pentru c
a este egal
a cu M i=1 xi t+ i 0, oricare ar t astfel ca
t + i 2 T pentru orice i.
7. Orice proces aleator continuu stationar n sens larg se poate aproxima prin procese
aleatoare standard. Anume, pentru orice A > 0 si orice " > 0 exist a un numar nit n de
LECTIA
7. PROCESE ALEATOARE 102
7.5 Exercitii
1. Care este probabilitatea ca n cazul unui serviciu cu 5 statii de deservire a 20 de unitati si
cu raportul ntre coecientii de venire si deservire = = 15 ; sa nu poata la un moment
dat satisfacuta o cerere? Dar daca = 54 ? (o asemenea situatie poate ntr-o intreprindere
unde o 5 mecanici ntretin 20 de masini).
Solutie. Avem un proces de asteptare cu n=5 statii si N=20 unit ati, deci putem aplica
formulele (7.16), pentru k = n, de unde
P20 k! k k
k=5 n!nk n C20
p = P4 k k
P 20 k! k k
k=0 C20 + k=5 n!nk n C20
2. Sa presupunem ca numarul de statii este n iar solicitarile vin dintr-o populatie foarte
mare, deci numarul de veniri nu este inuentat de numarul de unitati n asteptare. Care este
probabilitatea ca o solicitare sa poata satisfacuta imediat? Caz particular n = 5, = = 12 ?
Solutie. In acest caz avem un proces de nastere si moarte n care k = si n care
k = k pentru 0 k n si k = n pentru k n (probabilitatea de a iesi o unitate
din sistem este proportional a cu num arul unit atilor n curs de deservire). G
asim, conform cu
(7.12) (
k
p , pentru k n
k! 0
pk = k
n!nk n 0
p , pentru k > n
P
Conditia pk = 1 conduce la
1 1
p0 = Pn k P1 = Pn
k k n+1
nn +
k=0 k! + n! k=n+1 n k=0 k! n!(n )
Pentru n = 5, = 1=2 g asim p = 0; 998. Dac a venirile sunt mai pronuntate, de exemplu
= = 3 (probabilitatea de solicitare a unui serviciu ntr-un interval scurt t este de trei
ori mai mare ca probabilitatea de iesire de la un server n lucru), atunci g
asim o probabilitate
de satisfacere imediat
a a cererii mai mic a, p = 263
343
= 0; 7638.
0 1 ::: k 1 k k
pk = p0 = p 0 = p0 , pentru 0 k n
1 2 ::: k k!k k!
pk = 0, pentru k > n
Pn
Din conditia k=0 pk = 1 rezult
a
1
p0 = Pn k
k=0 k!
Probabilitatea cerut
a n problem
a este
n
n!
p = pn = Pn k
k=0 k!
0.5
0.4
0.3
0.2
0.1
20 40 60 80 100
4. O particula se misca ntre doi pereti doar prin pozitiile x1 < x2 < x3 < x4 astfel: daca
este ntr-o pozitie interioara atunci cu probabilitatea 34 face un salt n pozitia din fata si cu
probabilitatea 41 n pozitia imediat din spate; daca se gaseste n prima sau n ultima pozitie,
ramne denitiv acolo.
Sa se descrie comportarea particulei dupa un numar mare de salturi.
Indicatie. Matricea probabilit atilor de trecere din o pozitie n alta este:
0 1
1 0 0 0
B 1=4 0 3=4 0 C
p=B @ 0 1=4 0 3=4 A
C
0 0 0 1
Cu calculatorul g
asim de exemplu
0 1
1 0 0 0
B 0:30769 4:4679 10 37
0 0; 692308 C
p100 = B
@ 0; 07692
C
0 4; 4679 10 37
0; 923077 A
0 0 0 0
Aspectul matricei p100 pune n evidenta c a dupa un numar mare de salturi particula este
captat
a de un perete sau altul, probabilit
atile de a r
amne n pozitii intermediare ind foarte
mici. Care este valoarea exact
a a matricei p1 ?
nu este invariant a la o translatie n timp deci procesul nu este stationar n sens larg.
P
6. Fie procesul aleator t = nk=1 ak (k cos k t + k sin k t) unde ak si k 2 R, iar k si
k sunt variabile aleatoare independente, de medie 0 si dispersie 1, pentru k=1,2,...n. Sa se
arate ca procesul este sta
Ptionar n sens larg si sa se determine autocorelatia procesului.
Raspuns. R ( ) = ak cos k .
2