Documente Academic
Documente Profesional
Documente Cultură
1 Repartitii discrete
1. Repartitia (legea) Bernoulli si repartitia binomiala
Efectuam un experiment care are numai doua rezultate posibile: succes sau esec
(prezenta sau absenta unei anumite caracteristici). Introducem o variabila discreta
care ia numai doua valori: 1 (succes sau prezenta caracteristicii) si 0 (esec).
P (X = 1) = p si P (X = 0) = 1 p
Exemplu. Sa presupunem ca 2,3% dintr-o populatie sufera de o boala genetica.
Alegem la ntamplare un individ; definim variabila X - prezenta sau absenta bolii.
Atunci repartitia lui X este:
( )
1 0
0, 023 1 0, 023
In realitate nu cunoastem probabilitatea p - parametru care trebuie estimat: Ce
proportie din populatie are boala respectiva?
Repetam experimentul A de n ori (probabilitatea ca A sa se produca la o efectuare
a experientei este P (A) = p) si ne intereseaza de cate ori se realizeaza A. Numarul
X al realizarilor lui A cand efectuam de n ori experienta are distributia binomiala
cu parametrii n si p (Schema lui Bernoulli).
O variabila aleatoare X are repartitie binomiala de parametri n si p daca repartitia
sa are forma:
( )
k
X , k {0, 1, . . . , n}, p > 0, q > 0, p + q = 1, n N.
Cnk pk q nk
Pentru aceasta variabila, legea de probabilitate este data de
f (k) = P (X = k) = Cnk pk q nk .
2 (0.023)2 (1 0.023)8 .
Pentru x = 2: P (X = 2) = C10
2. Repartitia Poisson
Sa consideram un experiment n care ne intereseaza numarul de realizari ale unui
eveniment ntr-un interval continuu de timp sau spatiu. De asemenea, aparitia eveni-
mentului ntr-un anumit subinterval nu depinde de aparitia lui ntr-un alt subinterval
(independente); apritia evenimentului depinde numai de lungimea subintervalului.
Parametrul specifica numarul de aparitii X ale evenimentului ntr-un anumit in-
terval.
O variabila aleatoare X are o repartitie Poisson de parametru (X P oisson())
daca repartitia sa are forma
k
X k , k N, > 0.
e
k!
Legea de probabilitate Poisson este data de
k
f (k) = P (X = k) = e .
k!
Functia f este o densitate de repartitie deoarece satisface conditiile:
(i) f (k) 0, k N;
k k
(ii) f (k) = e = e = e e = 1.
k! k!
k=0 k=0 k=0
3. Repartitia geometrica
Probabilitatea de aparitie a unui eveniment la o realizare a experientei este p. Ne
intereseaza numarul de repetari ale experimentului pana la realizarea evenimentului
respectiv.
O variabila aleatoare X are repartitie geometrica de parametru p, daca repartitia
sa are forma:
3 Legi de probabilitate clasice
( )
n
X , n = 1, 2 . . . .
p(1 p)n1
Exemplu Analiza unei secvente de ADN; studiul unei secvente particulare de
nucleotide. De exemplu, pentru T nucleotida ntr-o gena, vrem sa obtinem un model
referitor la numarul de nucleotide care urmeaza pana la urmatorul T .
2 Repartitii continue
1. Repartitia uniforma
O variabila aleatoare are repartitia uniforma pe [a, b] daca densitatea sa de repartitie
este f : R R,
1
, x [a, b]
f (x) = ba
0, x / [a, b]
0, xa
xa
Functia de repartitie este F (x) = , x (a, b]
ba
1, x>b
Se verifica usor ca o variabila X cu repartitie uniforma pe [a, b] are media M (X) =
a+b (b a)2
si dispersia D2 (X) = .
2 12
2. Repartitia normala
Legea normala, cunoscuta si ca legea Gauss-Laplace joaca un rol important n
teoria probabilitatilor si statistica matematica. O variabila aleatoare X urmeaza
legea de repartitie normala X N (m, 2 ) daca are densitatea de repartitie de forma:
1 (xm)2
f (x; m, ) = e 22
2
Parametrii m si ai repartitiei normale au o semnificatie aparte. Daca se cal-
culeaza media si dispersia unei variabile X N (m, 2 ) se obtine:
M (X) = m, D2 (X) = 2 .
In practica, multe fenomene, procese sau caracteristici fie se supun modelului normal,
fie difera foarte putin de acesta. Pe de alta parte, din punct de vedere teoretic, se
stie ca n anumite conditii relativ generale, legea normala poate fi considerata ca
aproximand alte modele.
1) Functia de repartitie a variabilei X N (m, 2 ) este:
x
(t m)2
1
FX (x) = P (X < x) = e 2 2 dt.
2
X m
Variabila Z = se numeste variabila normala standard si se poate arata ca
are media M (Z) = 0, iar dispersia D2 (Z) = 1. De asemenea, densitatea de repartitie
a variabilei Z este
1
fZ (x) = ex /2 .
2
2
Graficul functiei fZ este reprezentat n figura de mai jos.
Functia de repartitie FZ : R R,
5 Legi de probabilitate clasice
t2
x 0 t2 x t2
1 1 1 1
FZ (x) = P (Z < x) = e 2 dt = e 2 dt+ e 2 dt = +(x), x R
2 2 2 0 2
unde
t2
x
1
: R R, (x) = e 2 dt este functia lui Laplace. Valorile functiei lui
2 0
Laplace sunt tabelate.
2) Daca X N (m, 2 ) si a, b R atunci
( ) ( ) ( ) ( )
1 bm 1 am bm am
P (a < X < b) = F (b)F (a) = + = .
2 2
In particular,
Pentru k = 3 avem P (|X m| < 3) = 2(3) = 0, 9974, deci aproape toate valorile
variabilei X se afla ntre m 3 si m + 3.
3) O proprietate importanta, folosita n statistica matematica este urmatoarea:
Daca X1 , X2 , . . . , Xn sunt n variabile aleatoare repartizate normal Xi N (mi , i2 ),
n
atunci variabila aleatoare Z = Xi este repartizata normal Z N ( mi , i2 ).
i=1
4) Cuantilele repartitiei normale sunt simetrice.
Reamintim definitia cuantilelor pentru o variabila aleatoare oarecare. Fie
(0, 1] si X o variabila aleatoare continua cu densitatea de repartitie f si functia de
repartitie F . Numim -cuantila pentru repartitia F , solutia reala x a ecuatiei
F (x ) = .
6 Legi de probabilitate clasice
P (X x ) =
sau x
f (x)dx = .
Aceste cuantile (calculate pentru anumite repartitii clasice) joaca un rol important
n determinarea unui interval de ncredere garantat cu precizia (0, 1] (data) care
sa estimeze media, respectiv dispersia teoretica a unei colectivitati statistice.
3. Repartitia Gamma
O variabila aleatoare X are o repartitie Gamma cu parametrii > 0 si > 0
(X Gamma(, )) daca
1 1 x
f (x) = x1 e ,
()
Proprietati
1. () = ( 1)( 1), pentru > 1
2. ()
( )= ( 1)!, pentru N
1
3. = .
2
O variabila X Gamma(, ) are M (X) = si D2 (X) = 2 .
Pentru valori mari ale parametrilor, repartitia Gamma se apropie de forma repartitiei
normale.
4. Repartitia exponentiala
1
Un caz particular al repartitiei Gamma; = 1, = . Mai precis, X Exponential()
daca are densitatea de repartitie data de:
5. Repartitia Beta
O variabila aleatoare X are o repartitie Beta cu parametrii > 0 si > 0
(X Beta(, )) daca
8 Legi de probabilitate clasice
( + 1
f (x) = x (1 x)1 , 0 x 1.
()()
M (X) = , D2 (X) = .
+ ( + )2 ( + + 1)
9 Legi de probabilitate clasice
6. Repartitia Student t
Aceasta lege a fost introdusa de matematicianul si statisticianul englez William
S. Gosset.
O variabila aleatoare X are o repartitie Student cu grade de libertate (X t ),
daca densitatea sa de repartitie este:
( )
+1
( 2
) + 1
2 x 2
f (x) = ( ) 1 + x R, N .
2
Se observa ca n acest caz densitatea de repartitie este o functie para, adica:
f (x) = f (x).
Se arata ca: M (X) = 0, D2 (X) = .
2
FX (x) = 1 FX (x),
10 Legi de probabilitate clasice
t; = t;1 .
si
P (|X| t; 1+ ) = .
2
1 1 1 x
f (x) = x e 2 ; x > 0.
2
( 2 ) 2 2
Este un caz particular al repartitiei Gamma: = , = 2.
2
M (X) = ; D2 (X) = 2.
P (hn; 1 X hn; 1+ ) = ,
2 2
1
P (X f1 ;2 ; 1 ) = .
2 2
Se observa ca f1 ;2 ; = f2 ;1 ; . Se arata ca
1
f1 ;2 ; 1 = .
2 f1 ;2 ; 1+
2