Documente Academic
Documente Profesional
Documente Cultură
Variabila aleatoare este una din noţiunile fundamentale ale teoriei probabilitãţilor şi a
statisticii matematice. In urma unui proces tehnologic de prelucrare se constatã cã deşi
condiţiile de uzinare sunt identice între reperele prelucrate la anumite perioade de timp existã
diferenţe în cea ce priveşte dimensiunile prescrise. De asemeni în cadrul unei cercetãri
experimentale se constatã cã între valorile numerice mãsurate existã diferenţe chiar dacã
condiţiile de desfãşurare a experimentului rãmân neschimbate.
Dacã ne referim la o singurã mãsurãtoare, variabila aleatoare este acea mãrime care
în cadrul unui experiment poate lua o valoare necunoscutã aprioric. Pentru un şir de
mãsurãtori, variabila aleatoare este o noţiune care-l caracterizeazã din douã puncte de vedere:
- caracterizare din punct de vedere cantitativ - variabila aleatoare ne dã informaţii privind
valoarea numericã a mãrimii mãsurate
- caracterizare din punt de vedere calitativ - variabila aleatoare ne dã informaţii privind
frecvenţa de apariţie a unei valori numerice într-un şir.
Dacã valorile numerice ale unui şir de date aparţin mulţimii numerelor întregi sau
raţionale atunci se defineşte o variabilã aleatoare discretã. In cazul apartenenţei valorilor la
mulţimea numerelor reale se defineşte o variabila aleatoare continuã. Primul caz se întâlneşte
în cazul numãrului de piese defecte extras dintr-un lot de
fabricaţie care aparţine totdeauna mulţimii numerelor întregi. Al doilea caz în cercetarea
experimentalã la mãsurarea forţei de aşchiere sau a momentului când valorile obţinute aparţin
mulţimii numerelor reale
O variabilã aleatoare se noteazã cu litere mari A,B,X, cu litere mici notându-se
valorile posibile: x1,x2,x3,...,xn.
p
1 , p2 , ... pn p
i
care poartã denumirea de tabloul repartiţiei. In prima linie sunt trecute toate valorile posibile
ale caracteristicii şi în a doua sunt trecute toate probabilităţile de apariţie. Aplicaţia 2.1 Se
aruncã un zar de 100 de ori obţinându-se pentru cifra 1 10 apariţii, pentru cifra 2 18 apariţii
pentru cifra 3 20 apariţii pentru cifra 4 12 apariţii pentru cifra 5 25 de apariţii pentru cifra 6 15
apariţii. Probabilitatea apariţiei cifrelor 1,2,...,6 este:
10 18 20
P( 1 ) = = 0,10P( 2 ) = = 0.18P( 3 ) = = 0,20
100 100 100
(2.2)
12 25 15
P( 4 ) = = 0,12P( 5 ) = = 0,25P( 6 ) = = 0,15
100 100 100
Tabloul repartiţiei este:
1 2 3 4 5 6
X:
(2.3)
0,10 0,18 0,20 0,12 0,25 0,15
Aplicaţia 2.2 Considerãm un lot de 100 bucãţi pentru care coeficientul de rebut este 5% Se
efectueazã o singurã extragere. Sã se construiascã variabila aleatoare a numãrului de piese
defecte.
Deoarece coeficientul de rebut este 5% numãrul pieselor defecte este de 5. Efectuând o
singurã extragere se poate ca sã nu fie extrasã nici o piesã defectă şi-n acest caz numãrul
pieselor defecte este zero, sau o piesã defectã. Notând cu p probabilitatea de-a extrage o piesã
defectã şi cu q probabilitatea de a extrage o piesã bunã, valorile probabilitãţilor sunt: p=0,05;
q=0,95.. In consecinţã valorile probabilitãţii de-a extrage 0 piese defecte şi a probabilitãţii de-
a extrage o piesã defectã sunt:
P(X=0)=q=0,95; P(X=1)=p=0,05. Variabila aleatoare este:
0 1
X:
(2.4)
0,95 0,05
Aplicaţia 2.3 Pentru un lot de 200 de bucãţi cu un coeficient de rebut de 2% sã se
construiascã variabila aleatoare a numãrului de piese defecte. Din lot pot fi extrase 0,1,2,3
maxim 4 piese defecte.
Fie A0 evenimentul extragerii unei piese bune. A1 evenimentul extragerii unei piese
defecte; A2 evenimentul extrageri a douã piese defecte,..., A4 evenimentul extragerii a 4 piese
defecte. Calculul acestor probabilitãţi ne conduce la valorile:
19
P( X = 0= P( A0 )6 = 0,98 P( X = 1 ) = A1 )4
) = P( = 20 = 2 ∗ 10−2
200 0
P( X = 2 ) = P( A1 I A2 ) = P( A1 ) ∗ P( A2 / 4 3 = 3,016 ∗
A1 ) = ∗ 19 10−4
200 9
4 3 2
P( X = 3 ) = P( A1 I A2I A3 ) = P( A1 ) ∗ P( A2 / A1 ) ∗ P( A3 /20 19 19
A1 I A2 ) = 0 9 8 = 3,046 ∗ 10−6 (2.5)
P( X = 4 ) = P( A1 I A2I A3I A4 ) = P( A1 ) ∗ P( A2 / A1 ) ∗ P( A3 / A1 I A2 ) ∗ P( A4 /
A1 I A2I A3 ) =
4 3 2 1
20 ∗ ∗ ∗ = 1,546 ∗ 10−8
0 199 198 197
probabili
5
0.2
tate
tate
0.1
5
0.1 1 2 3 4 5 6
v
0 a
. r
3 i
a
0 b
. i
2 l
5 a
0
.
2
0
.
1
5
0
.
1
0
.
0
5
0
0
8
va
ri
ab
ila
P( X = xi ) = P( xi ) = pi (2.7)
Deoarece orice experiment poate avea un singur rezultat totalitatea valorilor distincte
şi posibile formeazã un sistem complet de evenimente incompatibile. Pentru mulţimea ale
cãrei perechi ordonate definesc repartiţia se poate scrie:
n
∑ pi = 1 (2.8)
i =1
In multe aplicaţii ne intereseazã probabilitatea evenimentului X<xi. Si-n acest caz se
poate construi un tablou al repartiţiei care are forma:
x1 , x2, ... xn
X: (2.9)
p
1 , p1+ p2 , ... p1+ p2 + ...+ pn
Reprezentarea graficã a acestui tablou al repartiţie are forma din (Fig. 2.3-
2.4).
Dacã este posibilã determinarea unei expresii analitice care sã stabileascã o legãturã
între valorile aleatoare şi probabilitãţile respective aceastã funcţie va purta numele de funcţie
de repartiţie: Expresia ei este:
F( xk ) = P( X ≤ xk ) (2.10)
Cunoscând funcţia de probabilitate a unei variabile aleatoare discrete funcţia de
repartiţie va fi :
0.2
0.1
0
1
0.
9
probabil
0.
itate
8
0.
7
0.
6
0.
5
0.
4
0.
3
p
b
o
a
r
e
t
t
i
l
i
k k 0.7 k
F( xk ) = P( X ≤ xk ) = ∑ P( X = xi ) = ∑ P( xk ) = ∑ pk (2.11)
i = 0.60
1 2 3 4 1 5 6 i = 1 0.50 i =1 2 4 6
variabil 0.4 variab
a 1 0.3 ila
0.9 0.2
0.8 0.1
f(x)dx
x x
eveniment nu poate avea loc. Spre deosebire de cazul variabilelor aleatoare discrete la care
funcţia densităţii de probabilitate are semnificaţia unei probabilitãţi la variabilele aleatoare
continue acest fapt nu este valabil şi-n consecinţã semnul ≤
0
X
25
- asimptotã dreapta F(x)=1;
20
frecventa
15
- funcţie strict crescãtoare; pentru x1<x2
Fig.2.7 Graficul funcţiei de
10
⇒F(x1)<F(x2), 5
Construcţia funcţiei densitãţii de
probabilitate experimentare se face cu ajutorul
histogramei (Fig.4.8), trasând prin punctele
determinate de maximul fiecãrui subinterval şi
mijlocul acestuia o curbã.
- A - evenimentul X<b;
f(x) P(a≤X<
- B - evenimentul X<a;
b)
- C - evenimentul a≤X≤b.
Evenimentele B şi C sunt incompa-
tibile şi între cele trei evenimente existã
relaţiile: A=B U C
Ţinând cont de proprietãţile operaţiilor cu a b x
evenimente:
P( A ) = P( BUC ) = P( B ) + P( C ) (4.14) Fig.2.9 Interpretarea geometrica a
sau aparteneţei variabilei aleatoare la un
interval
P( X < b ) = P( X < a ) + P( a ≤ X < b ) (2.15)
de unde
P( a ≤ X ≤ b ) = P( x < b ) − P( X < a ) (2.16)
Pe baza definiţiei funcţiei de repartiţie
P( a ≤ X < b ) = F( b ) − F( a ) (2.17)
sau
b a b
P( a ≤ X < b ) = ∫ f ( x )dx − ∫ f ( x )dx = ∫ f ( x )dx (2.18)
−∞ −∞ a
In concluzie probabilitatea ca o variabilã sã aparţinã intervalului [a,b] este egalã cu
aria trapezului curbiliniu mărginit de axa x curba densitãţii de probabilitate f(x) şi dreptele
x=a şi x=b.
2.4 Funcţii de repartiţie
Studiind diverse fenomene, se constatã cã deşi acestea aparţin unor ştiinţe diferite
repartiţia în frecvenţa a acestora este asemãnãtoare respectiv cã histogramele au aceeaşi
formã. Spre exemplu 90% din fenomenele fizice se supun legii normale de repartiţie (legea
Gauss-Laplace). Un studiu mai amãnunţit a pus în evidentã proprietãţile acestora şi gradul lor
de aplicare. Unele dintre legile de repartiţie au devenit clasice având un grad ridicat de
utilizare. Dintre acestea se pot menţiona repartiţia binomialã, repartiţia hipergeometricã,
repartiţia Poisson, repartiţia normalã , repartiţia χ2, repartiţia Student, repartiţia Fischer
O clasificare a acestora poate fi fãcutã funcţie de tipul variabilei aleatoare utilizat şi
anume în repartiţii discrete pentru VAD şi repartiţii continue pentru VAC.
76 Capitolul
4
X: (2.33)
p p
0 p1 ... n
unde în prima linie sunt trecute numãrul de realizãri ale evenimentului A şi-n linia a doua sunt
trecute probabilitãţile de realizare. Pentru a determina relaţia cu ajutorul cãreia vom determina
aceste probabilitãţi plecãm de la observaţia cã acest tip de experiment corespunde controlului
de fabricaţie a unui lot la care se fac n extrageri punând de fiecare datã piesa extrasã la loc.
Lotul trebuie verificat dacã are un coeficient de rebut p. Fie A evenimentul se extrage o piesã
şi aceasta piesã este defectã. Probabilitatea unui astfel de eveniment este egalã cu coeficientul
de rebut. Evenimentul contrar îl reprezintã cazul în care piesa extrasã este bunã, probabilitatea
unui astfel de eveniment fiind q. Prin punerea la loc a piesei dupã constatarea calitãţii acesteia
nu se modificã coeficientul de rebut şi nici probabilitatea extragerii unei piese defecte în cazul
repetãrii experimentului.
Luãm în considerare urmãtoarele cazuri:
Cazul 1 - se extrage o singurã piesã. Pot avea loc urmãtoarele evenimente:
- piesa extrasã este bunã; probabilitatea acestui eveniment: P(A)=q;
- piesa extrasã este defectã; probabilitatea unui astfel de eveniment este: P(A)=q; Tabloul
repartiţiei numãrului de piese defecte este:
0 1
(2.34)
q p
Cazul 2 - se extrag consecutiv douã piese punând de fiecare data piesa la loc. Pot avea loc
urmãtoarele evenimente:
- ambele piese sunt bune - probabilitatea acestui eveniment este: P(A)P(A)=q2 ;
Variabile aleatoare şi funcţii de repartiţie 77
-
o piesã bunã şi una defectã - probabilitatea acestui eveniment este
P(A)P(A)+P(A)P(A)=qp+pq=2qp;
-
ambele piese sunt defecte; probabilitatea acestui eveniment este: P(A)P(A)=p2. Tabloul
repartiţiei numãrului de piese defecte este:
0 1 2
2 2 (2.35)
q 2qp p
Termenii liniei a doua aparţin unei dezvoltãri binomiale la puterea a doua. Continuând pentru
n=3,4,... se observã cã linia a doua a tabloului poate fi completatã cu termenii binomului lui
Newton de unde şi denumirea repartiţiei.
Pentru cazul general n=k tabloul repartiţiei este:
0 1 2 ... k
k k
k1 −1 2 −2 2 k (2.36)
q
Ckq p Ckq p ... p
Pentru n=n tabloul repartiţiei este:
0 1 2 ... k ... n
n− n− n−
0 n 01 1 1 2 2 2 k k k n 0 n (2.37)
Cnq p Cnq p Cnq p ... C n q p ... C n q p
Funcţia de probabilitate a repartiţiei binomiale este datã de expresia:
P( X = k ) = P( k ) = C nk pk qn−k (2.38)
0.7 P(k
)
0.6 p=4 0.7 P(k)
0.5 % p=4 n=20
%
0.4 n=20 0.6
0.3 p=10
0.5 %
0.2 0.2724 0.4
0.1 9 p=6%
0.3
0 0.2 p=8%
0.052
83
0.00647 0.1
0.00056 0
0
01 2 3 4 k5 0 2 4 6 8 k 10
1 − 6 pq
Excesul γ2 γ2=
npq
Aplicatia 2.4
Dintr-un lot având coeficientul de rebut p=10% se extrag consecutiv punând de fiecare datǎ
piesa extrasǎ la loc 4 unitǎţi.
p p p p p
0 1 2 3 4
în care:
p = C 0 0,100,94 = 0,6561 = 65,61% p = C1 0,110,93 = 0,2916 =
04 1 4
p2 = C4 0,1 0,9 = 0,0486 = 4,86% p3 = C43 0,130,91 = 0,0036 =
2 2 2
0 1 2 3 4
Decizia de acceptare: lotul este acceptat dacǎ-n 4 verificǎri consecutive se gǎseşte cel mult
o piesǎ defectǎ.
3. DENSITATEA DE PROBABILITATE
Func¸tia de densitate de probabilitate a variabi-lelor aleatoare
dFξ(x)
fξ(x) = . (3.1)
dx
Din defini¸tia (2.8) rezulta˘ ca˘ putem scrie func¸tia de reparti¸tie ca primitiva˘ a
func¸tiei de densitate de probabilitate:
x
Fξ(x) = fξ(t)dt. (2.10)
Acesta˘ formula˘ poate fi particularizata˘ pentru diferite valori ale lui x; pentru x = ∞,
se
4. ob¸tine:
5.
6. ∞
fξ(t)dt = 1, (2.11)
7.
numita˘ condi¸tia de normare a func¸tiei de densitate de probabilitate (geometric,
acesta˘ condi¸tie se interpreteaza˘ prin aceea ca˘ aria subgraficului func¸tiei de
densitate de proba-bilitate trebuie sa˘ fie unitara)˘.
8.
9. Condi¸tiile esen¸tiale ce trebuiesc verificate pentru orice func¸tie ce este o
densitate de probabilitate sunt (2.9) ¸si (2.11).
Rezolvare: O distribu¸tie uniforma˘ este definita˘ de faptul ca˘ orice valoare din intervalul
posibil (deci [a; b] în acest caz) este echiprobabila˘. Valorile din afara intervalului de
defini¸tie [a; b] sunt imposibile, deci de probabilitate nula˘. Acesta înseamna˘ ca˘ func¸tia de
densitate de probabilitate este constanta˘ pe intervalul pe care variabila aleatoare ia valori ¸si
nula˘ în rest. Deci:
−∞ a
0.8
0.6
0.4
0.2
0
-10 -5 0 5 10 15
Fig. 3.1: Func¸tia de reparti¸tie a unei variabile aleatoare distribuite uniform (cu a=2 ¸si b=6)
Determinarea mediei se face dupa˘ defini¸tia (2.13), ca moment statistic necentrat de or-dinul
1:
b b
x 1 b2 − a2 b+a
ξ = xfξ(x)dx = dx = x2 b= = .
a
a b−a 2(b − a) 2(b − a) 2
−∞
Determinarea mediei patratice˘ se face dupa˘ defini¸tia (2.14), ca moment statistic necentrat
de ordinul 2:
∞
x2fξ(x)dx = b x2 1 = b3 − a3 = b2 + ab + a2
ξ2 = dx = x3 b .
a
a b−a 3(b − a) 3(b − a) 3
−∞
8
Determinarea varian¸tei se face dupa˘ defini¸tia (2.16), ca moment statistic centrat de or-dinul
2:
a+
∞ b b
2 2 (x − 2 )2
σ = (x − ξ) fξ(x)dx = b a dx =
a −
−∞
b b b
x2 x(b + a) (a + b)2
=a b − a dx − a b − a dx + + 4(b − a) a dx =
1 b+a (a + b)2
= 3(b − a) x3 ab − 2(b − a) x2 ab + 4 =
2
b + ab + a 2
(b + a) 2
(b + a) 2
(b − a)2
= + = .
3 − 2 4 12
Exemplul 3.2 S˘a se verifice c˘a func¸tia Gaussian˘a (”clopotul lui Gauss”) este o func¸tie de
densitate de probabilitate si¸ s˘a se calculeze media si¸ varian¸ta variabilei aleatoare a c˘arei
distribu¸tie este dat˘a de aceast˘a func¸tie.
0.12
0.1
0.08
0.06
0.04
0.02
0
-15 -10 -5 0 5 10 15 20
Vom demonstra ca˘ media este µ ¸si varian¸ta este σ2, dar, mai întâi, vom verifica condi¸tiile
pe necesare pentru ca f(x) sa˘ fie densitate de probabilitate: sa˘ fie pozitiva˘ (2.9) ¸si sa˘
verifice condi¸tia de normare (2.11). Întrucât func¸tia este de tip exponen¸tial, valorile sunt
9
întotdeauna pozitive. Pentru a verifica condi¸tia de normare este necesara˘ efectuarea unui
calcul ajutator,˘ cel al integralei:
∞
Ix = e−x2 dx.
−∞
Pentru aceasta vom calcula IxIy, adica:˘
∞∞ ∞ ∞
e−x dx e−y dy = e−(x
2 2 2
IxIy = +y2)dxdy,
−∞ −∞ −∞ −∞
prin trecerea de la coordonatele carteziene (x, y) (ce variaza˘ între −∞¸si ∞) la coordo-natele
polare (r, θ), date de r = x2 + y2 ¸si θ = arctg(y/x). Aceasta duce la schimbarea de variabile x
= r cos θ ¸si y = r sin θ, cu limitele r ∈ [0; ∞) ¸si θ ∈ [0; 2π]. Jacobianul transformarii˘ de
schimbare a variabilelor este:
∂x ∂y cos θ sin θ
∂r ∂r
∂x = −r sin θ r cos θ = r cos2 θ + r sin2 θ = r.
∂
y
∂θ
∂
θ
Integrala devine:
∞ 2π ∞ 2π
−r 2
−r 2 1 −r2 ∞
−∞
(x−µ (x−
∞ ∞ 1 )2 1 ∞ µ)2
f(x)dx = √ 2 e 2σ dy = √ π e dy = √ π π = 1.
2πσ
−∞ −∞ −∞
(x−µ)
∞ ∞ 1 2
ξ =xfξ(x)dx = x √ 2 e− 2σ2 dx =
2πσ
−∞ −∞
10
1 ∞ (x µ) (x−µ)2 ∞ (x−µ)2
− −
= √ 2 σ2 σ2 e− 2σ2 dx + µ e− 2σ2 dx =
2πσ − −∞ −∞
(x−µ) ∞ (x−µ) ∞
1 2 2 1 (x−µ)2
2πσ − −∞ 2πσ −∞
Calculul varian¸tei se face dupa˘ defini¸tia (2.16):
(x−µ
∞ ∞ (x µ)2 )2
∞ ∞ (x−µ)
σ 2
(x µ) (x−µ) 2
σ 2 2
− 2σ
= (x µ) e− 2σ2 dx = (x µ) e− 2
dx =
− −
2π − − σ 2
2π −
−∞ −∞
−∞ −∞
−∞
=− 2π (x − µ)e− 2σ2 ∞
− e− 2σ2 dx = 2π e− 2σ2 dx =
(x−µ)
1 ∞ 2
= σ2 √ 2 e− 2σ2 dx = σ2.
2πσ
−∞
O distribu¸tie normala˘ (Gaussiana)˘ de medie µ ¸si de varian¸ta˘ σ2 se mai noteaza˘ ¸si cu
- (µ, σ2).
Exemplul 2.4 S˘a se determine rela¸tia dintre media, media p˘atratic˘a si¸ varian¸ta unei
variabile aleatoare.
∞ ∞
patrat˘ ¸si se separa˘ integrala: σ2 = (x − ξ)2fξ(x)dx = (x2 − 2x ξ + ξ 2)fξ(x)dx =
−∞ −∞
∞
x2fξ(x)dx − ∞ 2x fξ(x)dx + ∞ 2fξ(x)dx =
= ξ ξ
−∞ −∞ −∞
∞
= x2fξ(x)dx − 2 ξ ∞ xfξ(x)dx + ξ 2 ∞ fξ(x)dx.
−∞ −∞ −∞
Dar primul termen al sumei este chiar media patratic˘a˘ (definita˘ în (2.14)), integrala din al
doilea termen este chiar media (definita˘ în (2.13)), iar integrala din ultimul termen este 1
(reprezentând condi¸tia de normare a func¸tiei de densitate de probabilitate a unei variabile
aleatoare, (2.11)). Atunci rela¸tia anterioara˘ devine:
σ2 = ξ2 − 2 ξξ + ξ 2 = ξ2 − 2 ξ 2 + ξ 2 = ξ2 − ξ 2 = m2 − m12. (2.18)
Deci varian¸ta este diferen¸ta dintre media patratic˘a˘ ¸si patratul˘ mediei.
3.1 Func¸tia de reparti¸tie ¸si func¸tia de densitate de probabilitate
Fie Ω = {ω1, ω2, ..., ωn} mul¸timea evenimentelor elementare asociate unei experien¸te
probabiliste. Fie variabila aleatoare ξ, ce asociaza˘ fiecarui˘ eveniment elementar ωi val-oarea
reala˘ xi:
ξ : Ω −→ {x1, x2, ..., xn} , ξ (ωi) = xi. (3.1)
Fie pi probabilitatea asociata˘ evenimentului ωi ¸si presupunând ca˘ x1 x2 ... xn (în caz
contrar, valorile se pot permuta între ele pentru a ob¸tine ordinea dorita),˘ avem ca˘ func¸tia
de reparti¸tie a variabilei aleatoare ξ astfel definite este:
0 i, daca˘ x < x1
Fξ(x) = j=1 j ˘
p , daca x ∈ [x ; x
i i+1), i = 1, n − 1 (3.2)
1, daca˘ x > xn.
Prin derivarea func¸tiei de reparti¸tie1 din (3.2) ob¸tinem func¸tia de densitate de probabi-
litate a variabilei aleatoare discrete:
n
fξ(x) = pj δ(x − xj ). (3.3)
j=1
Acesta˘ func¸tie nu este derivabila˘ în punctele xi (în care nu este nici macar˘ continua);˘
-
Exemplul 3.1 S˘a se determine func¸tia de reparti¸tie si¸ func¸tia de densitate de probabi-litate
pentru variabila aleatoare ξ asociat˘a r˘aspunsului unui informatician la o fereastr˘a
(Windows) cu trei butoane: Yes (1), No (0), Cancel (2).
Rezolvare: In primul rând trebuiesc identificate evenimentele elementare ¸si numerele reale
ce le sunt asociate. Evenimentele elementare vor fi: ω1- s-a apasat˘ butonul No, valoarea
reala˘ asociata˘ este 0; ω2- s-a apasat˘ butonul Yes, valoarea reala˘ asociata˘ este 1; ω3- s-a
apasat˘ butonul Cancel, valoarea reala˘ asociata˘ este 2. Presupunem ca˘ probabilita¸tile˘
acestor evenimente sunt p1, p2, p3, astfel ca p1 + p2+ p3 = 1.
Func¸tia de reparti¸tie a variabilei aleatoare ξ este data˘ de defini¸tia (2.2), adica˘ Fξ(x) = P {ξ
x}. Aplicând formula de defini¸tie pentru aceasta˘ problema,˘ distingem patru cazuri
particulare:
16
10. daca˘ x < x1 = 0: în acesta˘ situa¸tie nici una dintre valorile pe care le poate lua
variabila aleatoare ξ nu este mai mica˘ strict ca 0, deci func¸tia de reparti¸tie va fi nula˘.
2. daca˘ x ∈ [0, x2) = [0; 1); în acest caz avem ca˘ P {ξ x} = P {ξ < 0} + P {ξ =
0} + P {ξ ∈ (0, 1)} = 0 + p1 + 0 = p1.
3. daca˘ x ∈ [1, x3) = [1; 2); în acest caz avem ca˘ P {ξ x} = P {ξ < 0} + P {ξ =
0} + P {ξ ∈ (0, 1)} + P {ξ = 1} + P {ξ ∈ (1, 2)} = 0 + p1 + 0 + p2 + 0 = p1 + p2.
1. daca˘ x N x3 = 2; în acest caz avem: P {ξ x} = P {ξ < 0} + P {ξ = 0} + P {ξ ∈
(0, 1)} + P {ξ = 1} + P {ξ ∈ (1, 2)} + P {ξ = 2} + P {ξ ∈ (2, ∞)} = p1 + p2 + p3 = 1.
În concluzie, func¸tia de reparti¸tie este:
0, daca˘ x < 0,
p1, daca˘ x ∈ [0; 1),
Fξ(x) =
p + p , daca˘ x ∈ [1; 2),
1, daca˘ x ∈ [2; ∞).12
Graficul acestei func¸tii este reprezentat în figura 3.1 (pentru p1 = 0.25, p2 = 0.5 ¸si p3 =
0.25).
0.8
0.6
0.4
0.2
0
-1 0 1 2 3 4
5
Cursul 7
D2(X)
valoare absolut¼a mai mic¼a decât " este cel pu¸tin egal¼a cu 1 "2 , adic¼a:
D2(X)
P (jX M(X)j < ") 1 "2 (1.1)
Demonstra¸tie: Contrarul evenimentului ce veri…ca¼ inegalitatea jX M(X)j <
- este jX M(X)j ". Dar suma a doua¼ evenimente contrare este egala¼ cu 1
(vezi § 0.1.7, Teorema 0.1.25)
[xk+1 M(X)]2 "2; [xk+2 M(X)]2 "2; :::; [xn M(X)]2 "2 (1.7)
Înlocuind în inecua¸tia (1.5) ob¸tinem succesiv:
Pe de alta¼ parte pk+1 + pk+2 + ::: + pn = P (jX M(X)j ") ; deoarece pk+1 + pk+2 +
::: + pn este probabilitatea evenimentului ce consta¼ în faptul ca¼ X ia una din
valorile xk+1; xk+2; :::; xn , valori ce satisfac inegalita¸¼tile (1.6). Înlocuind în
inecua¸tia (1.10) ob¸tinem:
D2(X)
(1.11)
P (jX M(X)j ") "2
Înlocuind (1.11) în (1.3) ob¸tinem:
D2(X)
(1.12)
P (jX M(X)j < ") = 1 P (jX M(X)j ") 1 "2
adica¼ ceea ce trebuia sa¼ demonstram¼.
Observa¸tia 1.2.2 Dac¼a, spre exemplu D2(X) "2; atunci 1 D2(X) 0 "2
a…rma¸tie care nu ne este cu nimic de folos. De aceea inegalitatea lui Cebî¸sev
nu are o prea mare importan¸¼a practic¼a. Ne este îns¼a folositoare pentru
demonstrarea urm¼atoarelor teoreme:
Aceasta¼ teorema¼ expusa¼ mai jos ne spune ca¼ media aritmetica¼ a unui
numar¼ su…cient de mare de variabile aleatoare independente ce au dispersiile
marginite,¼ ia, cu o probabilitate destul de mare, valori apropiate de un
numar¼ constant
M(X1) + M(X2) + ::: + M(Xn)
de¸si variabilele aleatoare pot lua valori departate¼ n
de mediile lor.
Teorema 1.3.1 (Teorema lui Cebî¸sev) Fie X1; X2; :::; Xn variabile aleatoare
(discrete sau continue) independente cu dispersiile mai mici decât o constant¼a k.
Pentru
orice " > 0 are loc:
n!1 n n
lim P X1 + X2 + ::: + Xn M(X1) + M(X2) + ::: + M(Xn) < " = 1
(1.13)
X1 + X2 + ::: + Xn
Demonstra¸tie: Aplicând proprieta¸¼tile mediei expresiei n
¸si ¸tinând cont de faptul ca¼ X1; X2; :::; Xn sunt independente, avem:
X + X + ::: + X 1 M(X ) + M(X2) + ::: + M(Xn)
1 2 n 1
M n = n M (X1 + X2 + ::: + Xn) = n
(1.14)
7
Cursul 7
X1 + X2 + ::: + Xn
Notam¼ n = X:
Conform inegalitata¸¼tii lui Cebî¸sev (vezi 1.1) avem:
2
D (X)
P X M(X) < " 1 "2 (1.15)
X + ::: + X 1
2 2 X1 + 2 n (1) 2 (2)
2
Dar D (X) = D ( n ) = n D (X1 + X2 + ::: + Xn) =
D2(X1) + D2(X2) + ::: + D2(Xn) k + k + ::: + k nk k
n2 (3) n2 = n2 = n :
Înlocuind în (1.15)
avem:
P X M(X) < " 1 n k"2 (1.16)
adica:¼
n!1 X M(X) < " 1
lim P (1.18)
Pe de alta¼ parte o probabilitate nu poate … mai mare ca 1. Ramâne¼ deci ca¼
8
Teoria probabilita¸¼tilor ¸si statistica¼ matematica¼