Documente Academic
Documente Profesional
Documente Cultură
EVENIMENTE
Definitie Numim eveniment orice rezultat al unui experiment in ipoteza ca experimentul poate
fi repetat de oricate ori in conditii identice.
Evenimente sigure;
Evenimente imposibile;
Evenimente intamplatoare (aleatoare/ probabile).
Evenimentul intamplator se va nota cu A,B, etc. si se poate reliza sau nu in urma unui
experiment. Acesta poate depinde de un numar de factori pe care nu ii putem considera in
totalitate lor.
Exista evenimente aleatoare despre a caror realizare nu putem da ca sigma aparitie a lor
in urma unui singur experiment. Daca insa consideram evenimentele intamplatoare care pot fi
observate de multe ori in conditii identice vom constata ca acestea se supun unor legitati
determinate numite legitati statistice.
Definitie Fie evenimentele A si B , numim reuniune (AUB) a acestora acel eveniment care
consta in realizarea evenimentului A, B sau a ambelor evenimente.
Daca A si B nu sunt incompatibile, atunci P(AUB) are alta formula, intr-adevar daca notam
Notam:
A1 U A2 U…U An = Ω
OBSERVATIE
Prin notiunea de variabila aleatoare includem influentele acestor factori ne luati in calcul
astfel incat concluzia despre evenimente sa fie in concordanta cu realitatea. Pentru moment vom
numim variabila aleatoare o corespondenta (functie) care asociaza anumite valori numerice unor
evenimente (functia ia valori cu o anumita probabilitate).
Domeniul in care ia valori variabila aleatoare poate fi:
Vom numi variabila aleatoare discrete (discreta) acea variabila aleatoare de la punctele 1 si 2.
EXEMPLU: Daca se considera aruncarea unui zar atunci variabila aleatoare de la punctele ia
valori in multimea 1,2,…,6 cu probabilitati egale. O variabila aleatoare discrete o vom cu
ajutorul unui tablou de valori pe care il vom numi repartitie.
p1+p2+…+pn=1
deoarece A1=( x = x1)
A1=( x =x2)
An=( x= xn)
𝑥1 𝑥2 … 𝑥𝑛 𝑦1 𝑦2 … 𝑦𝑛
X:(𝑝 𝑝2 … 𝑝𝑛 ) si Y: ( 𝑞1 𝑞 … 𝑞𝑛 )
1
… 𝑥𝑖 + 𝑥𝑗 …
X+Y: (… 𝑝𝑖𝑗 …)
pij= P(Ai∩Bj)
4. Ridicarea la o putere
𝑘
𝑥 𝑥2 𝑘 … 𝑥𝑛 𝑘
Daca X este descrisa de repartitia din relatia (*) atunci 𝑋 𝑘 : ( 1 )
𝑝1 𝑝2 … 𝑝𝑛
P2. Pentru oricare doua variabile aleatoare X si Y => M(X+Y) = M(X) + M(Y).
P3. Daca “a” este o constanta, iar “b” o variabila aleatoare atunci M(aX) = aM(X)
𝑎𝑥1 … 𝑎𝑥𝑛
Intr-adevar variabila aleatoare aX: (𝑝 … 𝑝𝑛 )
1
P4. Daca X este o variabila aleatoare oarecare atunci intr-adevar D2(X) = M (X-M(X))2 = M(X2-
2M(X)X + M2(X))
0 1 2 … 𝑛
Se considera repartitia :𝑋𝑛 ( 0 0 𝑛 ), care
𝐶𝑛 𝑝 𝑞 𝐶𝑛1 𝑝1 𝑞 𝑛−1 𝐶𝑛2 𝑝2 𝑞 𝑛−2 … 𝐶𝑛𝑛 𝑝𝑛 𝑞 0
descrie rezultatele unui experiment in care evenimentul A se produce intotdeauna cu P(A)= p
si contrarul sau P(Ac)= q, (p+q= 1).
a) f’(x) = n (1+x)n-1
b) f’(x) = 𝐶𝑛0 + 𝐶𝑛1 𝑥 + 𝐶𝑛2 𝑥 2 + ⋯ + 𝐶𝑛𝑛 𝑥 𝑛 ) = 𝐶𝑛1 ∗ 1 + 𝐶𝑛2 ∗ 2𝑥 + ⋯ + 𝐶𝑛𝑛 ∗ 𝑛𝑥 𝑛−1
Cazuri particulare :
k=1 𝛼 1= M(X)
𝜇 2= M(X-M(X))2 = D2 (X)
P1 𝟏 ≥ FX (x) ≥ 0
P3 Daca X este variabila aleatoare continua atunci probabilitatile urmatoare sunt egale:
a) lim 𝐹𝑋 (𝑥) = 0
𝑥→−∞
b) lim 𝐹𝑋 (𝑥) = 1
𝑥→−∞
Densitatea de probabilitate.
Marimi numerice asociate variabilei aleatoare continue.
Clasa variabilelor aleatoare N(m,𝜎), (𝜎>0)
PROPRIETATI:
A. fX (x) ≥ 0, (∀) x ∈ R
𝑥
B. FX (x) = ∫−∞ 𝑓𝑥 (𝑡)𝑑𝑡
𝑥
C. P (x1<x<x2) = ∫𝑥 2 𝑓𝑥 (𝑡)𝑑𝑡
1
Principalele proprietati ale densitatii de probabilitate normale sunt date in urmatoarea teorema:
3) Toate graficele au o forma de clopot avand convexitate in intervalele (-∞, - 𝜎) si [𝜎, +∞)
si sunt concave in intervalele [m, -∞) si [m, +∞).
1 −(𝑥−𝑚)2 1
OBSERVATIE: lim 𝑓(𝑥, 𝑚, 𝜎) = lim 𝑒 = 𝑒 −∞ = 0
𝑋→±∞ 𝑋→±∞ 𝜎√2𝜋 2√2 𝜎√2𝜋
OBSERVATIE: pentru a caracteriza alte proprietati a acestei clase de variabile aleatoare este
necesar sa folosim functia 𝛽 si Γ
1
𝛽(a,b) = ∫0 𝑥 𝑎−1 (1 − 𝑥)𝑏−1 𝑑𝑥, a>0<b
∞
Γ(a) = ∫0 𝑥 𝑎−1 𝑒 −𝑥 𝑑𝑥
PROPRIETATI
𝛽(a,b) = 𝛽(b,a)
Γ(𝑎)Γ(𝑏)
𝛽(a,b) =
Γ(𝑎+𝑏)
𝜋
Γ(a)Γ(1-a) = , 0<a<1
sin(𝑎𝜋)
∞ 𝑥 𝑎−1
𝛽(a,b) = ∫0 𝑑𝑥
(1+𝑥)𝑎+𝑏
Γ(1+a) = a Γ(a)
Functii de repartitie special
(𝑥−𝑚)2
1 −
f(x,m, 𝜎) = 𝑒 2√2 , m ∈ R, 𝜎 ∈ (0,∞), x ∈ R
𝜎√2𝜋
𝑥2 −𝑚 𝑡2 𝑥−𝑚 𝑡2
1 − 1 −
P(x1<x<x2) = ∫ 𝜎 𝑒 2 𝑑𝑡 − ∫−∞ 𝑒
𝜎 2 𝑑𝑡
√2𝜋 −∞ √2𝜋
Se considera ca :
𝑡2 (𝑡−0)2
1 − 1 −
a) Functia 𝑒 2 = 𝑒 2∗12 este f(t,0,1) aduca f(t,0,1) defineste clasa N(0,1).
√2𝜋 1√2𝜋
𝑡 2
1𝑥 − 𝑥2 −𝑚 𝑥1 −𝑚
b) Daca notam Φ(x)= ∫ 𝑒 2 𝑑𝑡 => P(x1<x<x2) = Φ ( )− Φ( )
√2𝜋 −∞ 𝜎 𝜎
CONCLUZIE: pentru orice clasa N (m,𝜎) si orice variabila X∈ N (m,𝜎) exprimarea probabilitatii
evenimentului (x1<x<x2) se face cu ajutorul urmatoarei functii de repartitie normale cu
parametrii 0, 1.
𝑥2
1 −
Functia Φ(x)= 𝑒 2 se numeste FUNCTIA LUI LAPLACE
√2𝜋
1
2. Clasa 𝛾(m), densitatea de probabilitate este f(x) = Γ(𝑚) 𝑥 𝑚−1 𝑒 −𝑥 , x>0 si f(x) = 0, x≤0, unde
m ∈ 𝑅+∗
∞ 1 1
a) Se aplica ∫𝑅 𝑓(𝑥) 𝑑𝑥 = ∫0 𝑥 𝑚−1 𝑒 −𝑥 𝑑𝑥 = Γ(𝑚) = 1, iar f(x)≥0,
Γ(𝑚) Γ(𝑚)
(∀) 𝑥 ∈ 𝑅
3. Clasa 𝛽(m,n), variabila aleatoare din aceasta clasa are asociata urmatoarea densitate de
probabilitate (repartitia).
1
f(x) = 𝛽(𝑚,𝑛) 𝑥 𝑚−1 (1 − 𝑥)𝑛−1 , unde m,n ∈ 𝑅+∗ , iar x ∈ (0,1).
a) ∫𝑅 𝑓 (𝑥) = 1 si f(x) = 0 x ∈ 𝑅
b) 𝛼𝑘 , 𝜇𝑘
Clase de variabile aleatoare remarcabile
Inegalitatea lui Cebasev
Teorema lui Cebasev
+∞ 0
Observam ca f(x) ≥0 (∀) x ∈ R si ∫𝑅 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑓(𝑥)𝑑𝑥 +
𝑠 𝑥
∞ 1 −∞ −
∫0 𝑓(𝑥)𝑑𝑥 = 𝑠 𝑠 ∫0 𝑥 2−1 𝑒 2𝜎2
22 𝜎 𝑠 Γ2
𝑥
= 𝑡 => 𝑥 = 2𝜎 2 − 𝑡 => 𝑑𝑥 = 2𝜎 2 𝑑𝑡
2𝜎 2
x ↓ 0 t ↓ 0 si x ↑ +∞ t
𝑠
1 ∞ 2 2−1 −𝑡 ∞
∫𝑅 𝑓(𝑥)𝑑𝑥 = 𝑠 𝑠 ∫
0
(2𝜎 𝑡) 𝑒 2𝜎 2 𝑑𝑡 = 1 (deoarece ∫0 𝑥 𝑝−1 𝑒 −𝑥 𝑑𝑥 =
2 2 𝜎 𝑠 Γ2
Γ(𝑝))
𝑓(𝑥) este o densitate de probabilitate.
PROPRIETATE: Daca 𝜀 > 0, iar x cate o variabila aleatoare, media M(X) atunci are loc
inegalitatea:
P((X-M(X)) < 𝜀)
Aceasta proprietate este adevarata atat in cazul variabilei aleatoare continuu cat si in cazul
variabilei aleatoare discrete.
Inegalitatea lui Cebasev nu are o valoare aparte in sine fiind un lucru evident in anumite
conditii.
𝐷(𝑥)2
Exemplu: 𝜀 = 10-q sufficient de mic, atunci 1- este negative, iar probabil fiind ≥0 devine
𝜀2
banala inegalitatea lui Cebasev.
𝑋1 +⋯+𝑋𝑛
Remarcam ca daca notam X urmatoare variabila Xn= atunci X este media aritmetica a
𝑛
variabilei X1…Xn
Proprietati:
Cu toate ca variabila aleatoare X1…Xn poate lua valori puternic dispersate, totusi media
lor aritmetica este o variabila aleatoare care ia valori oricat de apropiate de numarul
𝑋1 +⋯+𝑋𝑛
M( ) daca numarul n este sufficient de mare.
𝑛
𝜀>0 este un numar pozitiv oarecare, iar (|𝑋(𝑛) − 𝑀(𝑋(𝑛) )| < 𝜀) are o semnificatie ca
𝑋1 +⋯+𝑋𝑛
daca n este suficient de mare atunci abaterea variabilei aleatoare Xn= este
𝑛
apropate sigur mai mica decat 𝜀>0.
In estimarile statisticii variabilele aleatoare initiale cu pronuntat caracter de imprastiere
conduc prin media lor aritmetica la o variabila cu ajutorul caruia putem estima suficient
de bine abaterea mediei.
Teorema lui Cebasev ne permite sa justificam asa numita lege a numerelor mari: daca se
efectueaza un numar suficient de mare de experimente in conditii identice, atunci
frecventa relative converge in realitate spre probabilul eveniment respectiv .
Teorema Cebasev
𝟎 𝐗𝟏 + ⋯ + 𝐗𝐧 𝐌(𝐗𝟏 ) + ⋯ + 𝐌(𝐗𝐧 )
𝐥𝐢𝐦 𝑷 (| − 𝑷| < 𝜺) = 𝐥𝐢𝐦 𝐏(| − | < 𝛆) = 𝟏
𝒏→∞ 𝒏 𝒏→∞ 𝐧 𝐧
Vectori aleatori bidimensionali
Vom nota cu (X; Y ) un vector (variabila) bidimensional. Daca (X; Y ) este un vector aleator,
atunci componentele sale X ¸si Y sunt variabile aleatoare unidimensionale si se numesc variabile
aleatoare marginale.
Asemeni repartitiei variabilelor aleatoare unidimensionale discrete, prin repartitie a unui vector
aleator bidimensional discret vom intelege enumerearea valorilor posibile ale vectorului, adica
enumerarea perechilor de numere reale (xi , yj), 1 ≤ i ≤ n, 1 ≤ j ≤ m; ¸si a probabilitatilor lor
corespunzatoare 𝜋𝑖𝑗 .
0 ≤ F(x, y) ≤ 1
Proprietatea 2 Functia de repartitie F(x, y) este nedescrescatoare in raport cu fiecare argument:
Proprietatea 3 Au loc:
lim 𝐹(𝑥, 𝑦) = 0
𝑥→−∞
lim 𝐹(𝑥, 𝑦) = 0
𝑦→−∞
lim 𝐹(𝑥, 𝑦) = 0
𝑥→−∞
𝑦→−∞
lim 𝐹(𝑥, 𝑦) = 1
𝑥→∞
𝑦→∞
Proprietatea 4 Functia de repartitie a variabilei X este egala cu: FX(x) = lim F(x, y)
𝜕2 F(x,y)
f (x, y) =
𝜕𝑥𝜕𝑦