Cmp de evenimente.

Probabilitate

1.1 Cmp de evenimente

Teoria probabilitilor studiaz legile dup care evolueaz fenomenele aleatoare.

Vom da exemple de fenomene aleatoare:
Definitia 1. Prin experien n teoria probabilitilor se nelege orice act care poate fi repetat n
condiii date.
Definitia 2. Toate situaiile legate de experien i despre care putem spune, cu certitudine, c s-
au produs sau nu, dup efectuarea experienei, poart numele de eveniment.
Definitia 3. Evenimentul sigur (notat ) este un eveniment care se realizeaz cu certitudine la
fiecare efectuare a experienei.
Definitia 4. Evenimentul imposibil () este evenimentul care nu se produce niciodat la
repetarea experienei.
Evenimente contrare: Dac notm cu A evenimentul aparitiei uneia din feele 2,5 la aruncarea
unui zar i B aparitia uneia din feele 1, 3, 4, 6. Se observ c atunci cnd nu se produce
evenimentul A, adic atunci cnd nu apar feele 2 sau 5, se produce evenimentul B, adic
obinem una din feele 1, 3, 4 sau 6 i invers, cnd nu se produce evenimentul B se produce A.
Spunem c evenimentele A i B sunt contrare.
Definitia 5. ntotdeauna unui eveniment i corespunde un eveniment contrar, a crui producere
nseamn, prin definiie, realizarea primului.
Evenimentul contrar lui A se noteaz cu A , CA, AC.
Sunt adevrate relaiile: A = A , = , = .

Evenimente compatibile. Evenimente incompatibile

Definitia 6. Evenimente A i B se numesc compatibile dac se pot produce simultan, adic dac
sunt rezultate care favorizeaz att pe A, ct i pe B.
Definitia 7. Evenimentele A i C se numesc incompatibile dac nu se pot produce simultan,
adic dac nu se pot produce simultan, adic dac nu exist rezultate care favorizeaz att pe A
ct i pe C.

Eveniment implicat de alt eveniment

Definitia 9. Vom spune c evenimentul A implic evenimentul B sau c evenimentul B este
implicat de evenimentul A, dac B se produce ori de cte ori de produce A.
Orice eveniment implic evenimentul sigur: A , A.

Operaii cu evenimente
Definitia 10. Fiind date dou evenimente A i B, numim reuniunea lor i o notm cu A B,
evenimentul a crui producere const din producerea a cel puin unuia din cele dou evenimente
sau A sau B.
Definitia 11. Intersecia evenimentelor A i B, notat cu A B, const din producerea
simultan a evenimentelor A, B.

Evenimente elementare. Evenimente compuse

Definitia 12. Un eveniment A (mulimea evenimentelor asociate unui experiment) este
compus dac exist dou evenimente B, C , B A, C A astfel nct A = B C. n caz
contrar evenimentul se numete elementar. Notm evenimentele elementare cu w1, w2, ..., wn, iar
n acest caz = {w1, w2, ..., wn} i () (mulimea prilor ).
Definitia 13. Mulimea evenimentelor asociate unui experiment se numete cmp de evenimente
al experimentului respectiv.

Probabilitate pe un cmp finit de evenimente

Definitia 14. Se numete probabilitatea evenimentului A, A , raportul dintre numrul

cazurilor favorabile realizrii evenimentului A:m i numrul cazurilor totale:n. Deci P(A ) =
m
.
n
Observatii
1. Aceasta este definiia clasic a probabilitile i se poate folosi numai n experimente cu
evenimente elementare egal posibile.
2. P() = 1
3. P(A) 0
4. Dac A = A1 A2 i A1 A2 = atunci P(A) = P(A1) + P(A2).
5. Evenimentele elementare sunt egal probabile (au probabilitatea 1/n).
Aadar generaliznd n cazul unui cmp finit de evenimente (, ) o probabilitate pe acest cmp
va fi definit astfel:
Definitia 15. Se numete probabilitate pe o aplicaie P : R care satisface axiomele:
(1) P(A) 0 () A
(2) P() = 1
(3) P(A1 A2) = P(A1) + P(A2) ()A, A2 cu A1 A2 = .
Proprietatea (3) se extinde la orice numr finit de evenimente incompatibile dou cte dou.
n n
Deci, dac Ai Aj = i j, i, j = 1, n P U A i = P(A i )
i =1 i =1
Definitia16. Numim cmp de probabilitate finit, un cmp finit de evenimente (, ) nzestrat cu
o probabilitate P, notat (, , P).
Proprieti:
P1) ( )A , P(AC) = 1 P(A)
P2) P() = 0
P3) ()A avem 0 P(A) 1
P4) ()A1, A2 A1 A2 atunci P(A1) P(A2)
P5) ()A1, A2 avem P(A1 A2) = P(A1) + P(A2) P(A1 A2)
P6) P(A1 A2) P(A1) + P(A2) ()A1, A2

Evenimente independente. Probabilitate condiionat

Definitia 17 Evenimentele A, B ale cmpului de probabilitate (, , P) sunt independente dac:

P(A B) = P(A) P(B)
Definitia 18 Fie (, , P) un cmp de probabilitate, A,B , P(B) 0
Numim probabilitate a evenimentului A condiionat de evenimentul B(probabiliitatea sa
reealizeze evenimentulA n ipoteza c evenimentul B a avut loc) raportul
P ( A B)
notatP ( A / B )
P ( B)
Notm i P(A / B) = PB (A)
Obs.
P(A B)
1) Analog putem defini P(A / B) = , P(A) 0
P(A )
2) n cazul n care evenimentele A i B sunt independente avem:
PB(A) = P(A) sau analog PA(B) = P(B).

Variabile aleatoare. Caracteristici numerice Functie de repartitie

Una din noiunile fundamentale ale teoriei probabilitilor este aceea de variabil aleatoare.
Evenimentele unui cmp de probabilitate nu sunt, principial, mrimi n nelesul atribuit acestora n tiinele
naturale sau tehnic; ele se descriu ns cu ajutorul unor mrimi avnd valori reale i care, n general, sunt
rezultatul unor msurtori. Principalul merit al actualei sistematizri a calcului probabilitilor const n
definirea variabilelor aleatoare, deci a mrimilor pe care ni le prezint experimentul direct, sau teoriile
destinate s-l interpreteze.
Dac nelegem prin variabil aleatoare o funcie real definit pe mulimea evenimentelor elementare
asociate experimentului considerat vom putea ilustra prin exemple tipice pentru teoria probabilitilor
cum se trece de la un eveniment la o variabil aleatoare i anume:

Variabile aleatoare discrete

Fie {, , P} un cmp de probabilitate i ( Ai )iI un sistem complet (finit sau numrabil)
de evenimente. Sistemul numeric pi = P ( Ai ) , i I , se numete distribuia cmpului
de probabilitate.
Definiie.19. Numim variabil aleatoare discret o funcie definit pe mulimea evenimentelor
elementare cu valori reale dac
1. ia valorile xi , i I ;
2. { () = x } , i I .
i

O variabil aleatoare discret pentru care I este finit se numete variabil aleatoare simpl.
Schematic variabila aleatoare se noteaz prin
x
: i , pi = 1 . (1.)
pi iI iI
Tabloul (3.1) se numete distribuia sau repartiia variabilei aleatoare .
Numrul produselor defecte dintr-un lot examinat, numrul de defeciuni care apar ntr-o
anumit perioad de funcionare a unui dispozitiv, indicatorul unui eveniment A sunt
variabile aleatoare discrete.
 Faptul c p
iI
i = 1 ne sugereaz ideea c aceast sum se repartizeaz ntr-un anumit mod ntre

aceste valori xi , deci din punct de vedere probabilistic o variabil aleatoare este complet determinat
dac se d o astfel de repartiie. Vom stabili o astfel de lege de repartiie.
Una din formele cele mai simple n care putem reprezenta o astfel de lege este forma
schematic (3.1) sau sub forma unui tabel.

xi x1 x2 K xi K xn
pi p1 p2 K pi K pn

Definiie 20. Fie i dou variabile aleatoare definite prin

() = xn pentru An , ( n = 1,2,... )
(2.)
() = ym pentru Bm ( m = 1,2,... )
{ An } i {Bm } fiind dou sisteme complete de evenimente. Spunem c variabilele aleatoare i sunt
independente, dac pentru orice m i n avem
P ( An I Bm ) = P ( An ) P ( Bm ) . (3.)
Distribuia lui = + se numete compunerea lui i .

Spre exemplu fie variabilele aleatoare simple

x L xn y L ym
: 1 , : 1
p1 L pn q1 L qm
Variabila aleatoare + are tabloul de distribuie
x1 + y1 x1 + y2 L xi + y j L xn + y m
+ :
p11 p12 L pij L pnm
unde
(
pij = P (() + () = xi + y j ) = P { () = xi }I () = y j { })
cu
n m

p
i =1 j =1
ij = 1.

Dac i sunt independente pij = pi q j .

Variabila aleatoare are tabloul de distribuie
x1 y1 x1 y2 L xi y j L xn y m
:
p11 p12 L pij L pnm
cu
( {
pij = P (()() = xi y j ) = P { () = xi }I () = y j })
Operaiile de sum i produs se extind la orice numr finit de variabile aleatoare. Rezult deci:
Puterea unei variabile aleatoare are tabloul de distribuie
 x k L xnk
k : 1

p1 L pk
deoarece P ( k () = xik ) = P (() = xi ) = pi .
Inversa unei variabile aleatoare cu valori nenule are tabloul de distribuie
1 1
1 L
: x1 xn .
p L p
1 n

Dac variabila aleatoare admite invers, atunci definim ctul = 1 i are tabloul de

distribuie
x1 xi xn
L L
: y1 yj ym .

p11 L pij L pnm
O constant a poate fi interpretat ca o variabil aleatoare definit pe orice mulime de
a
evenimente elementare, iar tabloul ei de distribuie interpretat ca variabil aleatoare va fi a : deci
1
vom putea face totdeauna operaii cu variabile aleatoare i constante.

Momentele unei variabile aleatoare discrete

Momentele unei variabile aleatoare discrete sunt valorile tipice cele mai frecvent utilizate n
aplicaii.
Definiie 21. Fie o variabil aleatoare discret care ia valorile xi cu probabilitile pi , i I .
Dac seria x p
iI
i i este absolut convergent, expresia

M ( ) = xi pi (4)
iI
se numete valoare medie a variabilei aleatoare discrete .
Dac este o variabil aleatoare simpl care ia valorile x1 ,..., xn cu probabilitile p1 ,..., pn ,
atunci valoarea medie va fi
n
M ( ) = xi pi . (5)
i =1
Vom da n continuare cteva proprieti ale valorilor medii.
(P1). Dac i sunt dou variabile aleatoare discrete definite i dac M ( ) i M () exist,
atunci exist valoarea medie M ( + ) i
M ( + ) = M ( ) + M () . (6)

Prin recuren, se obine:

 n
(P2). Fie k ( k = 1,..., n ) n variabile aleatoare discrete. Dac M ( k ) exist, atunci M k
k =1
exist i
n n
M k = M ( k ) . (7)
k =1 k =1
(P3). Fie o variabil aleatoare discret i c o constant. Dac M ( ) exist, atunci M (c ) exist i
M (c ) = cM ( ) . (8)
Proprietatea rezult imediat din definiie i anume
M (c ) = pi (cxi ) = c pi xi = cM ( ) .
i i
Proprietile (P2) i (P3) conduc la:
(P4). Fie k ( k = 1,..., n ) n variabile aleatoare discrete i ck , n constante. Dac M ( k ) ,
n
( k 1,..., n ) exist, atunci M ck k exist i
k =1
n
n
M ck k = ck M ( k ) . (9)
k =1 k =1
(P5). Valoarea medie a variabilei aleatoare M ( ) = este nul. se numete abaterea
variabilei aleatoare .
Deoarece M ( ) este o constant, valoarea medie a unei constante este aceea constant, deci
M ( M ( )) M ( ) M ( ) = 0 .
(P6). Inegalitatea lui Schwarz. Fie i dou variabile aleatoare discrete pentru care exist
( ) ( )
M 2 i M 2 . Atunci
( ) ( )
M () M 2 M 2 . (10)
(P7). Dac i sunt dou variabile aleatoare discrete independente i dac M ( ) i M () exist,
atunci M () exist i
M () = M ( )M () . (11)
Definiie 21. Fie o variabil aleatoarea discret i r un numr natural. Dac exist valoarea
medie a variabilei aleatoare r , atunci aceast valoare medie se numete moment de ordin r al
variabilei aleatoare i se noteaz
( )
r ( ) = M r = xkr pk . (12)
k

Valoarea medie a variabilei aleatoare se numete moment absolut de ordin r al variabilei

r

aleatoare i se noteaz
( )= x
r ( ) = M
r

k
k
r
pk . (13)
Definiie 22. Fie o variabil aleatoare discret . Momentul de ordinul r al variabilei aleatoare
abatere a lui se numete moment centrat de ordinul r a lui i se noteaz
 r ( ) = r ( M ( )) .
Momentul centrat de ordinul doi a variabilei aleatoare discrete se numete dispersie sau
variant i se noteaz prin D 2 ( ) sau 2 , deci
D 2 ( ) = 2 = 2 ( ) .
Numrul D( ) = = 2 ( ) se numete abatere medie ptratic a lui .
Vom da n continuare cteva proprieti ale dispersiei i ale abaterii medii ptratice.
(P1). Are loc egalitatea
( )
D 2 ( ) = M 2 [M ( )] .
2

ntr-adevr, innd seama de definiie

( ) (
D 2 ( ) = M [ M ( )] = M 2M ( ) + [M ( )] =
2 2 2
)
( ) 2 2
( )
= M 2 2[M ( )] + [M ( )] = M 2 [M ( )]
2

(P2). Dac = a + b cu a i b constante, atunci D() = a D( ) .

Avem
M () = aM ( ) + b ,
( ) ( )
M 2 = a 2 M 2 + 2abM ( ) + b 2
de unde D () = a D ( ) .
2 2 2

n particular, pentru b = 0 avem D 2 (a ) = a 2 D 2 ( ) .

(P3). Fie ( k )1 k n , n variabile aleatoare discrete, dou cte dou independente i c1 ,..., cn , n
constante. Atunci
n n
D 2 ck k = ck2 D 2 ( k ) .
k =1 k =1

(P4). Inegalitatea lui Cebev. Fie o variabil aleatoare. Atunci

D 2 ( )
({
P () M ( ) < }) 2
.
pentru orice > 0 .
Aceast inegalitate poate fi pus sub o form foarte des folosit n aplicaii i anume, lund
= aD( ) , (3.21.) se scrie
P ( M ( ) aD ( )) < 2 .
1
a

Variabile aleatoare de tip continuu

Fie {, , P} un cmp de probabilitate.
Definiie 23. Se numete variabil aleatoare o funcie : (definit pe mulimea
evenimentelor elementare cu valori reale), astfel nct toate mulimile de forma Ax = { () < x}
aparin lui , pentru orice x .
Vom da n continuare cteva proprieti ale variabilelor aleatoare.
 1
(P1). Fie o variabil aleatoare i c o constant, atunci + c , c , , 2 , cu 0 sunt

variabile aleatoare.

(P2). Dac i sunt dou variabile aleatoare, atunci , + , , cu 0 , sup(, ) i

inf (, ) sunt de asemenea variabile aleatoare.
Definiie 24. Vom spune c variabilele aleatoare 1 ,..., n sunt independente dac pentru toate
sistemele reale x1 ,..., xn avem
P (1 < x1 ,..., n < xn ) = P (1 < x1 ) ... P ( n < xn ) .

Funcie de repartiie
Definiie 25. Se numete funcie de repartiie a variabilei aleatoare , funcia
F ( x ) = P({ () < x}) (14)
definit pentru orice x .
Din aceast definiie rezult c orice variabil aleatoare poate fi dat prin intermediul funciei
sale de repartiie.
Dac este o variabil aleatoare discret cu pn = P ( = xn ) , n I , atunci din (14) rezult
F (x ) = p n (15)
xn < x

i se numete funcie de repartiie de tip discret. Rezult c n acest caz F este o funcie n scar, adic
ia valori constante pe intervalele determinate de punctele xi ( i I ).

Teorema 1. Funcia de repartiie a unei variabile aleatoare are urmtoarele proprieti:

1. Dac x1 < x2 , atunci F ( x1 ) F ( x2 ) , x1 , x2 .
2. F ( x 0) = F ( x ) pentru orice x .
3. lim F ( x ) = 0 .
n

4. lim F ( x ) = 1 .
n+

Teorema 2. Orice funcie F monoton, nedescresctoare, continu la stnga i cu F ( ) = 0 ,

F (+ ) = 1 este funcia de repartiie a unei variabile aleatoare definit pe un cmp de probabilitate
convenabil ales.
Teorema 3. Fie o variabil aleatoare a crei funcie de repartiie este F . Fie a i b dou
numere reale cu a < b . Au loc egalitile
1. P(a < b ) = F (b ) F (a ) ;
2. P(a < < b ) = F (b ) F (a ) P( = a ) ;
3. P(a < b ) = F (b ) F (a ) P( = a ) + P( = b ) ;
4. P(a b ) = F (b ) F (a ) + P( = b ) .

Definiie 26. Fie o variabil aleatoare a crei funcie de repartiie este F . Dac exist o funcie
real f definit i integrabil pe R aa nct
x
F (x ) = f (u )du , (16.)

atunci F se numete funcie de repartiie absolut continu, iar se numete variabil aleatoare
absolut continu. Funcia f se numete densitate de probabilitate (repartiie), iar expresia f ( x )dx se
numete lege de probabilitate elementar.

Dac F are o densitate de probabilitate f , atunci

F ( x + x ) F ( x ) P( x < x + x )
f ( x ) = F ( x ) = lim = lim .
x 0 x x 0 x
Rezult de aici c
P( x < x + dx ) = f ( x )dx
Densitatea de probabilitate are urmtoarele proprieti.
1. f ( x ) 0 pentru orice x R;
+
2. f (u )du = 1 ;

b
3. Pentru orice a < b reali are loc relaia P(a < b ) = f ( x )dx .
a

Momentele unei variabile de tip continuu

Fie {, , P} un cmp de probabilitate i o variabil aleatoare a crei funcie de repartiie
este F . Fie f densitatea de repartiie a variabilei aleatoare .
Definiie 27. Se numete valoare medie a variabilei aleatoare expresia
+ +
M ( ) = xdF (x ) = xf (x )dx . (17)

Definiie 28. Se numete moment de ordinul r , r , al variabilei aleatoare continue ,
expresia
+ +
M r ( ) = r ( ) = x dF (x ) = x f (x )dx ,
r r
(18)

iar expresia
+ +
M r ( ) = r ( ) = x dF ( x ) = x f (x )dx
r r
(19)

se numete moment absolut de ordin r al variabilei aleatoare .
n acelai mod n care s-au definit momentul centrat de ordinul r , dispersia, abaterea medie
ptratic n cazul variabilelor aleatoare discrete, se definesc i pentru variabile aleatoare de
 tip continuu. Proprietile valorii medii i ale dispersiei date pentru variabile aleatoare de tip
discret se menin pentru variabile aleatoare de tip continuu.
n aplicaii se ntlnesc i urmtoarele caracteristici:
Definiie 29. Se numesc asimetrie, As , i exces, E , numerele
( )
As = 3 ,
32 ( )
(20)
( )
E = 42 3,
2 ( )
dac momentele respective exist.
Definiie 30. Se numete moment centrat n a de ordinul r al variabilei aleatoare , momentul
de ordinul r al variabilei aleatoare a , iar momentele variabilelor aleatoare a
r
se numesc
momente absolute centrate n a de ordinul r .
Definiie 31. Mediana unei variabile aleatoare este numrul M e (sau ( ) ) pentru care

P ( M e ) P ( M e )
1
(21)
2
sau
F (M e ) i F (M e + 0 ) .
1 1
(22)
2 2

Inegalitatea lui Markov. Fie o variabil aleatoare pozitiv a crei valoare medie este finit. Pentru
orice > 1 avem
P ( M ( )) .
1
(23)

Definiie 32. Moda, Mo , a unei variabile aleatoare este valoarea variabilei aleatoare cea mai
probabil.