Documente Academic
Documente Profesional
Documente Cultură
Evenimente
Prin eveniment se înţelege rezultatul unui experiment (este o noţiune primară).
Evenimentul care se realizează cu certitudine într-o experienţă îl vom numi
eveniment sigur şi îl vom nota cu . Evenimentul care nu se realizează niciodată îl vom
numi eveniment imposibil şi îl vom nota cu . Evenimentul complementar ( contrar) al
unui eveniment A este acel eveniment care se realizează atunci şi numai atunci când nu
se realizează A. Evenimentul complementar îl vom nota A .
Vom scrie A K dacă evenimentul A aparţine unei familii de evenimente K.
Dacă realizarea evenimentului A implică realizarea evenimentului B vom scrie
A B . Se spune că evenimentul A este favorabil producerii evenimentului B. Un
eveniment A este elementar dacă B A implică B sau B=A. Pentru un eveniment
arbitrar, avem implicaţiile: A , relaţia de implicare constituind o relaţie de
ordine parţială.
Operaţii cu evenimente. Ca şi relaţiile dintre evenimente, operaţiile cu evenimente sunt
operaţii logice şi vor fi simbolizate ca în teoria mulţimilor.
Două evenimente a căror realizare simultană este echivalentă cu evenimentul
imposibil se numesc incompatibile şi vom scrie A B ; în caz contrar, evenimentele
se numesc compatibile ( A B ). Fiind date evenimentele A şi B, se introduce
evenimentul care constă în realizarea evenimentului A şi nerealizarea evenimentului B,
notat A B A B .
Orice reuniune de evenimente arbitrare se poate scrie ca o reuniune de evenimente
k 1 n n
1
2. P 0, P 1
3. P A B P A P B , dacă A B
4. P A 1 P A
5. A B P A P B
Câmp de evenimente.
Să considerăm si P mulţimea părţilor lui .
Definiţie: O familie nevidă K P se numeşte corp de părţi (mulţimi) dacă:
i) A K A K
ii) A, B K A B K
Observaţie: Axioma ii) este echivalentă cu
n
ii A1 , A2 ,..., An K , n N , n 2 Ak K
k 1
2) k 1 k n
K Ak K
k 1
3) A, B K A B K
Definitie: O mulţime nevidă K P se numeşte -corp de mulţimi ( corp borelian)
dacă:
i) A K A K
ii) An nN K n
N
An K
2
i) A K P A K
ii) P 1
iii) An nN K , Am An , m n, m, n N P
An
P A n
nN nN
Proprietăţile probabilităţii
atunci: lim P A
n
An
P
n
n N
Propoziţie: Un câmp de probabilitate în care probabilitatea este finit aditivă şi în care are
loc axioma continuităţii este un câmp borelian de probabilitate.
Probabilitate condiţionată
Fie , K , P un câmp de probabilitate şi A K astfel încât P A 0
Definiţie: Numim probabilitate condiţionată de evenimentul A a evenimentului B
P A B not
P
expresia A B P B A
P A
Propoziţie: , K , PA este câmp de probabilitate
Definiţie: Evenimentele A şi B se numesc independente dacă P A B P A P B .
Comentarii:
1. independenţa înseamnă PA B P B
2. definiţia este echivalentă cu oricare dintre relaţiile:
3
i) P A B P A P B
ii) P A B P A P B
iii) P A B P A P B
Regula de înmulţire a probabilităţilor
Fie A i 1 i n o familie finită de evenimente, astfel încât P
n
Ai
0;
i 1
atunci:
P
n
Ai
P A1 PA A2 PA A A3 ...PA A ... A An
i 1 1 1 2 1 2 n 1
n
Formula probabilităţii totale: P B P Ai P B Ai
i 1
Notăm cu B evenimentul care constă în apariţia de k ori a bilei albe şi de n-k ori a
B
bilei negre. Atunci i ,i ,. .,i i1 A A . . A A . . A . Urmează că
i2 ik ik1 in
12 n
k ori A,n-k ori A
4
PB P Ai Ai . . Ai Ai . . Ai pi pi . pi qi . .qi Constatăm că după aceeaşi regulă se calculează coeficientul lui x k
i1,i2,. ,in 1 k k1 n i1,i2,. ,in 1 2 k k1 n
2
n!
două), rezultă că probabilitatea cerută este n !n !..n ! p1 p2 ... pk , n1 n2 ... nk n
n1 n2 nk
1 2 k
.
d. Schema bilei nerevenite: Se consideră o urnă care conţine N bile de două culori A şi
N
B în număr de N1 şi respectiv N 2 , extragându-se cu probabilităţile p1 1 p şi
N
N 2 N N1 N1
respectiv p2 1 1 p N1 Np, N 2 N 1 p .
N N N
Din urnă extrag n bile, fără a pune bila extrasă înapoi în urnă şi se cere
probabilitatea de a obţine k bile de culoarea celor având probabilitatea p de a fi extrase.
n
Utilizând definiţia clasică a probabilităţii, numărul cazurilor posibile este C N , iar
k nk
k
C Np C Nn 1k p
al celor favorabile C NpC N 1 p , probabilitatea cerută fiind: , unde numărul
C Nn
k satisface: max 0, n N 1 p k min n, Np .
Schema bilei nerevenite este un caz particular al schemei lui Polya. În acest caz,
extragerile se fac cu revenire, a.î. înaintea următoarei extrageri se pun în urnă j 1 bile
5
de culoarea bilei extrase.Se cere probabilitatea obţinerii a k bile de culoarea celor de
probabilitate p şi apoi a n-k bile de cealaltă culoare în urma a n astfel de extrageri.
Probabilitatea de a obţine k bile de culoarea celor de probabilitate p în primele k
extrageri şi n-k de cealaltă culoare, în următoarele n-k extrageri este:
N1 N1 j N1 k 1 j N2 N2 j N n k 1 j
pk ... ... 2
N1 N 2 N1 N 2 j N1 N 2 k 1 j N1 N 2 kj N1 N 2 k 1 j N1 N 2 n 1 j
aceasta reprezentând probabilitatea obţinerii a k bile de culoarea celor N1 şi a n-k de
k
culoarea celor N 2 în orice altă ordine, deci probabilitatea cerută este Cn pk .
N1 N2
Cum p, 1 p q , N1 N 2 N notând j , probabilitatea
N1 N 2 N1 N 2 N
k p p ... p k 1 q q ... q n k 1
cerută devine: Cn , care pentru j 1
1 1 2 ...1 n 1
1
,
N
Np Np 1... Np k 1 N 1 p N 1 p 1... N 1 p n k 1
Cnk
N N 1 N 2 ... N n 1
k
C Np C Nn 1k p
= , adicǎ probabilitatea obținutǎ ȋn schema bilei nerevenite.
C Nn
e. Schema bilei nerevenite în mai multe culori: Considerăm o urnă în care se află ni bile
de culoarea Ci , i 1,2,..., j . Se extrag n n n1 n2 ... n j bile fără a pune la loc bila
extrasă şi se cere probabilitatea ca din cele n bile extrase ki să fie de culoarea Ci .
Utilizând tot definiţia clasică a probabilităţii,( bilele se extrag simultan), obţinem
k k ... k
numărul căzurilor posibile Cn n ... n , iar numărul cazurilor favorabile este
1 2 j
1 2 j
k k k
kj
Cn 1 .Cn 2 ...Cn j
k1 k2
Cn .Cn ...Cn , deci probabilitatea cerută este
1 2
k1 k 2 ... k j
j
.
1 2 j
Cn n 2 ... n j
1
f. Schema lui Pascal: Considerăm urna din schema lui Bernoulli din care fac extrageri
(revenite) până la obţinerea primei bile albe. Probabilitatea ca la extragerea k să se obţină
prima bilă albă este pq k 1 . O generalizare a acesteia este “timpul de aşteptare”.
Se consideră un eveniment care are probabilitatea de a se realiza egală cu p.
Efectuăm k probe independente, până când evenimentul se realizează de n ori k n .
n 1 n k n
Probabilitatea corespunzătoare va fi: Ck 1 p q , k n , întrucât în ultima probă
evenimentul are loc.
Observaţie:Repartiţia geometrică : pk pq este ‘generalizată’ de repartiţia binomială
k
negativă: pk C p q ,k 0 .
k n k
n k 1
6
Momente iniţiale ………………………………………………………………..……….14
Momente centrate…………………………………………………………...……………15
Momente mixte…………………………………………………………………………..15
Inegalităţi pentru momente………………………………………………………………17
Corelaţie si regresie………………………………………………………………………17
Funcţia caracteristică. Proprietăţi…………………………………………………...……18
Funcţia generatoare de momente……………………………………………………...…20
Variabile aleatoare
Noţiunea de variabilă aleatoare este fundamentală în teoria probabilităţilor.
Intuitiv, variabila aleatoare se poate defini ca fiind o funcţie reală definită pe mulţimea
valorilor posibile ale unui experiment.
Fie , K un câmp borelian de evenimente.
Definiţie: X : R se numeste variabila aleatoare dacă şi numai dacă
: X x K , x R
Observaţie: Noţiunea de probabilitate nu intră în definiţia variabilei aleatoare.
Vom utiliza notaţiile: X x K pentru v.a. X
Propoziţie: X : R este o variabilă aleatoare dacă şi numai dacă este adevarată una
din afirmaţiile:
i : X x K , x R
ii : X x K , x R
iii : X x K , x R
Observaţie: X a K şi a X b K , a, b R .
Aplicaţie:La un examen se prezintă trei candidaţi. Variabila aleatoare reprezentând
0 1 2 3
numărul candidaţilor admişi are repartiţia: 2
p . Determinaţi
26 p 9 p
5
probabilitea
fiecărui candidat de a promova examenul.
Solutie:Cum numărul candidaţilor promovaţi reprezintă o partiţie a evenimentului sigur:
2 1
la examen se prezintă trei candidaţi, avem 26 9 1 p 1 p , deci distribuţia
5 60
0 1 2 3
v.a. este X : 2 13 3 1 . Cum P X k , k 0,1,2,3 reprezintă probabilitatea
5 30 20 60
ca k candidaţi să promoveze examenul, conform schemei lui Poisson se obţine sistemul:
7
1 p1 1 p2 1 p3 2
5
13
p1 1 p2 1 p3 p2 1 p1 1 p3 p3 1 p2 1 p1
30 , unde p , i 1,2,3
3 i
p1 p2 1 p3 p1 p3 1 p2 p3 p2 1 p1
20
1
p1 p2 p3
60
reprezintă probabilitatea fiecărui candidat de a promova examenul. Utilizând relaţiile lui
1 47
S3 S1
60 60
3 1
Viete, sistemul devine: S 2 3S3 S 2 ecuaţia cu soluţiile pi este:
20 5
1 S1 S 2 S3 2 S3 1
5 60
60 47 12 1
60 p 3 47 p 2 12 p 1 0 . Aplicând schema lui Horner: 1
60 27 3 0
3
1 9 1
p1 , iar p2 , p3 sunt soluţi pentru: 20 p 9 p 1 0 p2,3
2
, probabilităţiile
3 40
1 1 1
fiind , , .
3 4 5
Operaţii cu variabile aleatoare:
Propoziţie: Dacă X este variabilă aleatoare şi b R , atunci:
1
X b, bX , X , X 2 , , cu X 0 sunt variabile aleatoare
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci: X Y K , X Y K ,
X Y K
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci: X Y , X Y , XY , , cu Y 0
Y
sunt variabile aleatoare.
8
(3) este continuă la stânga: FX x FX x 0 lim
y x
FX y
Propoziţie: Daca X este o variabila aleatoare si x1 x2 , atunci:
P x1 X x2 FX x2 FX x1
P x X x F x F x P X x
P x X x F x F x P X x P X x
1 2 X 2 X 1 1
P x X x F x F x P X x
1 2 X 2 X 1 2 1
1 2 X 2 X 1 2
creştere ale funcţiei de repartiţie, iar probabilităţile lor se numesc salturi ale funcţiei de
FX x p
repartiţie. Evident, xi x
i .
9
1 50
t
1 e dacã 0 t 50
2
t
1 1 e 50 1 dacã 50 t 100
FX t 2 2e
1 t 1
1 e 50 2 dacã 100 t 150
2 2e
...
Aceasta este o functie crescǎtoare, continua la dreapta, avand salturi in punctele de forma
7
1 1
t=50k, k N * . Deci: a) P X 70 FX 70 1 e 5 b) P X 110 1 FX 110
2 2e
1 5 1 1
11 7 11
1 1 5 P 70 X 110 F 110 F 70 e e
2 e : c) 5
2e 2
X X
2 e e 2
1 1
d) P X 100 tlim F t FX 100 1 , iar P X 90 0
100 X 2e e
1
1 5
FX 120 FX 60
e) P X 120 X 60
1 e2
1
1 FX 60 e 1 1
5
e
6
1 1 5
F 120 FX 60 1 e
f) P X 60 X 120 X 1 2e 2
FX 120 1 1 5
12
1 e
2e 2
F
Definiţie: V.a. X se numeşte continuă dacă X este absolut continuă, adică, dacă există o
x
ii) f x dx 1
F X g 1 x daca g este strict crescatoare
Fg X x
1 F X g x daca g este strict descrescatoare
1
10
Fie X o v.a. cu funcţia de repartiţie F şi q N , q 2.
Definiţie: Numim q-cuantile ale v.a. X, numerele finite ci X 1 i q 1 pentru care
F ci X
i
q
şi i
F ci X 0 , 1 i q
q
Observaţie: In general, cuantilele nu sunt unic determinate. Dacă F este continuă,
i
cuantilele se determină ca soluţii unice ale ecuaţiilor: F ci X q , 1 i q 1 .
Cuantilele au denumirea de mediană q 2 , cuartile q 4 , decile q 10 ,
centile q 100 .
Definiţie: Fiind dată funcţia de repartiţie F care are densitatea f, orice punct de maxim
local pentru f se numeşte mod (punct modal). In cazul repartiţiilor discrete, punctul modal
se numeşte valoarea cea mai probabilă: pk P X xk pk 1 pk pk 1
Vectori aleatori
Definiţie: X : R se numeşte vector aleator(variabilă aleatoare n-dimensională)
n
lim F x1 , x2 ,..., xn 1
x X
4) 1 ( dacă toate componentele xj , funcţia de repartiţie
...
x n
FX
tinde către 1)
5) Pentru orice două n-tupluri x1 , x2 ,..., xn R , y1 , y2 ,..., yn R astfel încât
n n
x j y j ,1 j n , are loc:
n n n n
i 1 i j 1 i j k 1
Pi FX y1 ,... yi 1 , xi , yi 1 ,..., yn , Pij FX y1 ,... yi 1 , xi , yi 1 ,..., y j 1 , x j , y j 1 ,..., yn ,1 i j n
11
x1 x2 xn
FX x1 , x2 ,..., xn ... f u , u 1 2
,...un du1du2 ...dun , atunci f se numeste densitate
i f x1 , x2 ,...xn 0, x1 , x2 ,..., xn R n
x1 x2 xn
ii ...
f u1 , u2 ,...un du1du2 ...dun 1
n F x1 , x2 ,..., xn
n F x1 , x2 ,..., xn
Mai mult, există si f x1 , x2 ,...xn
x1x2 ...xn x1x2 ...xn
Fie un câmp borelian de probabilitate , K , P şi X X 1 , X 2 ,... X n : R o
n
variabilă
aleatoare vectorială continuă cu X D un domeniu din R n . Considerând funcţia
g : D R n cu g D R n avem-analog cazului unidimensional-următoarea:
f g X y1 , y2 ,..., yn f X g1 1
y , y ,..., y ,..., g y , y ,..., y Dy , y ,..., y , y , y ,..., y
1 2 n n
1
1 2 n
D g11 ,..., g11
1 2 n
1 2 n
n
de repartiţie marginale, adică: FX x1 , x2 ,..., xn Fi xi pentru orice
i 1
x , x ,..., x R
1 2 n
n
12
Fie F x, y funcţia de repartiţie a vectorului aleator X , Y . Atunci,
FX x, y lim F x, y si F x, y lim F x, y , iar independenţa variabilelor aleatoare
y Y x
X şi Y se exprimă prin: F x, y FX x, y FY x, y
xi , y j
In cazul discret, repartiţia vectorului X , Y : pij se scrie sub
i 1, 2 ,..., m ; j 1, 2 ,..., n
forma:
X \ Y y1 y2 .. . yj ... yn Total
x1 p11 p12 … p1j … p1n p1●
x2 p21 p22 … p2j … p2n p2●
… … … … … … … …
xi pi1 pi2 … pij … pin nj●
… … … … … … … …
xm-1 p(m-1)1 p(m-1)2 … p(m-1)i … pm-1)n p(m-1)●
xm pm1 pm2 … pij … pmn pm●
Total p●1 n●2 … n●i … n●n 1
pi j P X xi , Y y j , i 1,2,..., m; j 1,2,..., n ; X,Y v.a.i. pij pi p j
n m m n m n
pi pi , i 1,2,..., m ; p p , j 1,2,..., n pi pi p j 1
j j ij j
j 1 i 1 i 1 j 1 i 1 j 1
xi Y y j
X Y y j : , jJ
Mai mult, avem:
P X xi Y y j
iI
cu
P X xi , Y y j p
P X xi Y y j p xi y j
ij
P Y yj pj
Momente iniţiale
Mk X f x
k
Dacă v.a. X are densitate de repartiţie , x ,
13
iar dacă este de tip discret, Mk X x
jJ
j
k
P X xj .
Momentul de ordinul unu poartă numele de valoare medie şi vom scrie M 1 X M X .
Observaţie: Evident, M k X M X
k
există M X .
a
1 1 x 1
- densitatea de repartiţie f x 2 , x R , deşi a
lim dx 0 .
1 x a
1 x2
Propoziţie: Proprietăţile mediei
(1). Dacă v.a. X c , atunci M X k c k , k N
(2). Dacă v.a. este omogenă M aX aM X
n n
(3). Dacă v.a. este aditivă M X i M X i
i 1 i 1
X
(4). Dacă v.a. 1 2 , X ,... X n sunt independente (în totalitate), atunci
n n
M X i M X i
i 1 i 1
Momente centrate
Definiţie: Numim moment centrat de ordin k al v.a. X numărul
k X x M X
k
f x dx dacă v.a. X este continuă
j 0 j 0
14
D X X se numeşte abatere medie pătratică.
Pornind de la definiţie, rezultă imediat D X M 2 X M 2 X , evident, nenegativă.
Observaţie: Dacă X este o v.a. pentru care există M X , atunci v.a. X M X o vom
numi variabila aleatoare abatere. Imediat, rezultă M X M X 0
X MX
Dacă, în plus, există M 2 X , atunci v.a. X o vom numi abatere normată.
X MX
Imediat, rezultă D 1
X
Momente mixte
Definiţie: Fiind dat vectorul aleator X X 1 , X 2 ,... X n , numim moment mixt de ordinul
k1 , k 2 ,...k n numărul M k 1 ,k2 ,...k n X 1 , X 2 ,... X n ... x 1
k1
x2
k2
...xnk n dF x , dacă există
că integrala multiplă de ordinul n există, iar dacă vectorul X 1 , X 2 ,... X n este de tip
discret, M k 1
, k 2 ,...k n
X , X
1 2
,...X n ... x 1 ...x j n P X 1 x j ,..., X n x j
k
j1
k
n 1 n
j1 J 1 j n J n
Definiţie: Fiind dat vectorul aleator X X 1 , X 2 ,... X n , numim moment mixt de ordinul
k1 , k 2 ,...k n numărul
X , X ... x
n
k , k 2 ,... k n 1 2
,... X n j
M Xj
kj
dF x1 , x2 ,..., xn ,
1
j 1
... x j M X j
n n
k ,k
1 2 ,...k n
X 1 , X 2 ,...X n
kj
f x1 , x2 ,..., xn dx j
j 1 j 1
15
(2) cov X X , Y cov X , Y cov X , Y
(3) cov X , Y cov Y , X şi cov X , X D X
Definiţie: V.a. se numesc necorelate dacă cov X , Y 0
Observaţie: Intrucât cov X , Y 0 M XY M X M Y , dacă v.a. X şi Y sunt
independente, atunci ele sunt necorelate. Reciproca, nu este adevărată întotdeauna. Vom
arăta acest lucru în exemplul următor:
Exemplu: Trei bile de culori diferite se pun la întîmplare in trei urne. Notând cu X v.a.
care indica numarul de bile dintr-o urna si cu Y pe cea care reprezinta numarul urnelor
ocupate, arătati ca X si Y sunt necorelate (evident, nu sunt independente).
Propoziţie: Proprietăţile dispersiei
(1). Dacă v.a. X c , atunci D X 0
(2). D aX a 2 D X
n n
(3). D X i D X i , dacă X 1 , X 2 ,... X n sunt independente două câte două.
i 1 i 1
(4) D X Y D X D Y 2 cov X , Y
Legătura dintre medie şi dispersie este data de ineglitatea lui Cebâşev:
Inegalitatea lui Cebâşev: Dacă X este o v.a. pentru care există M X şi D X , atunci,
D X
0 , are loc inegalitatea: P : X M X
2
Observaţie: Cu ajutorul acestei inegalităţi se poate evalua o limita inferioară a
probabilităţii cu care valorile variabilei aleatoare se grupează în jurul valorii medii:
D X
P : X M X 1 2 .
Dacă 3 , atunci: P : M X 3 X X M X 3 X
8
, inegalitate
9
cunoscută sub numele de “regula 3 ”
şi avem: M X Y M X
1 1
r
există M X Y r r r
M Y
r r
Corelaţie si regresie
16
Intensitatea legăturii stocastice a două variabile aleatoare se poate măsura cu
ajutorul unor indicatori numerici, cel mai frecvent întilnit fiind coeficientul de corelaţie.
cov X , Y
Definiţie: Numim coeficient de corelaţie al v.a. X şi Y raportul X ,Y .
XY
Teorema: Pentru orice v.a. X şi Y pentru care D X D Y 0 , au loc proprietăţile:
(1). X ,Y 0 dacă şi numai dacă v.a. X şi Y sunt necorelate.
(2). Dacă X,Y sunt v.a. independente, atunci X ,Y 0 , reciproca nu este adevarată.
(3). X ,Y 1 ; X , X 1 şi X , X 1
(4). X ,Y 1implică o dependenţă liniară între X şi Y.
X MX Y M Y
Considerând variabilele abatere normată X , Y
X Y
M X Y XY 1 . Cum M X Y 0 Y M Y Y
2 X MX
X
x MX y M Y y M Y x MX
Definiţie: Dreptele 1 şi 2 se numesc
x Y Y x
drepte de regresie .
Definiţie: Presupunând că există M 2 X şi M 2 X , dreapta de regresie a v.a. Y în
cov X , Y cov X , Y
raport cu X este: y M Y x M X , iar X Y se numeşte
x x
coeficient de regresie al v.a.Y în raport cu X.
Observaţie: X ,Y X Y Y X
Dacă Z : R 2 , Z X , Y este o v. a. bidimensională, se pot defini momente
iniţiale condiţionate şi dispersii condiţionate
Definiţie: Media condiţionată a v.a.Y stiind că X=x este:
ypY X x in cazul discret
y
M Y X x
yf Y X x y dy in cazul continuu
Observaţie: Media condiţionată M Y X x h x este funcţie de x, şi poartă numele
de curba de regresie, h X M Y X . Aceasta medie condiţionată este o v.a., pentru
care are loc următoarea teoremă:
Teorema: Presupunând că M X , M M Y X M Y
Definiţie: Dispersia condiţionată a v.a. Y ştiind că X=x este:
D Y X x M Y M Y X x 2 X x
Observaţie: Dispersia condiţionată este funcţie de x, v X DY X fiind o v.a., pentru
care are loc :
Teorema: Fie X şi Y v.a. şi g o funcţie. Atunci:
M Y g X
2
M DY X M M Y X g X
2
17
Corolar: Dacă M 2 X , atunci D X M D Y X D M Y X
Funcţia caracteristică
Definiţie: Fie X o v.a. definită pe , K , P cu funcţia de repartiţie FX . Aplicaţia
X : R C , definită prin: X t M e
itX
se numeste funcţia caracteristică a v.a.X.
(1) X 0 1
(2) X t 1
(3) X t X t
(4) X este uniform continuă pe R
Propoziţie:
1. Dacă Y aX b , atunci: X t e X at
ibt
j 1
18
i tk X k
n
tk X k
Observaţie: Din definiţia rezultă: t1 , t 2 ,..., t n
i
e
k 1
dF x1 , x2 ,..., xn , care, în
cazul
n
... e
i tk X k
k 1
i) discret devine t1 , t2 ,..., tn P X 1 x1 , X 2 x2 ,..., X n xn , unde
x1 S1 x 2 S 2 x n S n
k j
M k ,k X , X ,..., X 1 t1 , t2 ,..., tn
j 1
n k k k
k j t1 1 t2 2 ...tn n
1 2
,..., k n 1 2 n
i j 1
t1 t 2 ... t n 0
19
Teorema: Fie X 1 , X 2 ,..., X n v.a.i. ale căror funcţii generatoare de momente există
n n
pentru t h ,h>0, si S n X k . Atunci S t X t , t h.
n k
k 1 k 1
b) M X n X n 0 , n N
Observaţie: Pentru v.a. care ia doar valori naturale se defineşte funcţia generatoare de
X n
probabilitate : g X t M t t P X n , care este definită cel puţin pentru t 1 .
n0
Teorema: Fie X 1 , X 2 ,..., X n v.a. independente identic repartizate şi N v.a. luând valori
naturale, independentă de X 1 , X 2 ,..., X n . Atunci S n t g N X t şi
S t g N X t
n
Legi de repartiţie clasice
Pn n1 , n2 ,..., nk n! n n n
p 1 p 2 ... pk k , n1 n2 ... nk n cu p1 , p2 ,..., pk 0
n1!n2 !..nk ! 1 2 ṣi
k n
20
e1 1,0,0,...,0
e 0,1,0,...,0
e1 e2 ... ek 2
v.a.i.,având repartiţiile: , unde , deci
p p2 ... pk ...
1
e 0,0,0,...,1
k
X t1 , t 2 ,...t k p j e
k
it j
.Evident, n , n ,..., n
P n , n ,..., n 1 ,iar
n 1 2 k
i
j 1 1 2 k
n1 n2 ... nk n
n
k
n
X t1 , t2 ,...tk X t1 , t 2 ,...tk p j e j
it
i 1 i
j 1
M Xj
1 X t1 , t2 ,...tk n it
it
p j p1e 1 ... pk e k n 1
ie
it j
np j
i t j i
t1 t 2 ... t k 0
t1 t 2 ... t k 0
M X 2j
1 X t1 , t 2 ,...t k
2
D X np 1 p
Calculând în acelaşi mod i t 2j j j j
t1 t 2 ... t k 0
M X j Xl
1 X t1 , t2 ,...t k
2
n n 1 p j pl p1e it 1
... pk e
it k
n2
e
it j
e
it l
i2 t j tl t1 t 2 ... t k 0
t1 t 2 ... t k 0
M X j X l n n 1 p j pl , j , l 1,2,..., k ; j l
k
Repartiţia Poisson: X Po pk e , k N ;apare ca limita repartitiei binomiale
k!
n n 1... n k 1
nk nk
k
np
k lim
lim Cn p 1 p
1 k
k k
lim 1 e n n
pk
n k! n nk n k!
e , 1 , 1
Avem: M X D X , Po t e
it
1
1
2
Repartiţia hipergeometricǎ este cea a variabilei X care reprezinta numarul bilelor a
cǎror probabilitate de a fi extrase este p obţinute în urma a n extrageri nerevenite dintr-o
urna conţinând N bile de douǎ culori:
k
C Np C Nn 1k p
X H N , n, p pk , max 0, n N 1 p k min n, Np M X np ;
C Nn
N n
Observaţie: D X npq care diferǎ de dispersia v.a. X Bi n, p prin factorul
N 1
N n
1 . Pentru N=n dispare factorul aleator D X 0 . În plus, când extragerile se
N 1
N n
fac dintr-un volum mare N : Nlim D X lim npq npq
N N 1
p q
Repartiţia geometricǎ: X Ge p pk pq , k N ;Ge p t MX
k
1 qeit p
n
21
q q
pk Cnk k 1 p n q k , k N ; M X n ; D X n 2 ; dacă probabilitatea de realizare a
p p
unui eveniment este p, probabilitatea realizării de n ori în repetarea experimentului
implică efectuarea acestuia de n k ori, k fiind numărul eşecurilor care preced cele n
realizări ale evenimentului. Acest lucru se va întîmpla dacă şi numai dacă ultima probă
din cele n k conduce la realizarea evenimentului dorit , în cele n k 1 probe
anterioare realizându-se toate cele k eşecuri , ceea ce justifica expresia funcţiei de
frecvenţă.
Observaţie: Schema lui Pascal exprima probabilitatea ca într-o serie de extrageri revenite
bila a cǎrei probabilitate de a fi extrasă este p să apară pentru prima dată la extragerea k
pk pq k 1 , k N * , variabila cu aceastǎ repartiţie numindu-se ‘first succes”, diferită de
peit 1 q
cea geometrică: Y X n Fs p .Avem: Fs p , M X , D X 2 , funcţia
1 qe it
p p
caracteristică şi media diferind de cele ale repartiţiei geometrice, dar dispersia fiind
aceeaşi. Efectuând n probe până când un eveniment a cărui probabilitate de realizare este
n 1 n k n
p se realizează de k ori, probabilitatea corespunzătoare este: pk Ck 1 p q , k n . V.a.
cu această funcţie de frecvenţă , dat fiind că
k n j n j 1 n j 2...n q j
pk p n
C n 1 k n
k 1 q p n 1 Cnj j 1q j p n 1
j!
k n k n j 1 j 1
j n n 1 ... n j 1
p n 1 1 q j p n 1 q 1 , se numeşte repartiţie
n
j 1 j!
n
binomială cu exponent negativ. Evident Y BN n, p Y Yk , Yk Fs p v.a.i.
k 1
n k 1
, a k x a k 1
n
...
1, x a
n
X U a, b M X
ab
; D X
b a 2
2 12
2 2 ab
Repartiţia triunghiularǎ: fTri a ,b x 1 x , x a, b
b a ba 2
22
2
itb ita
e 2 e 2 ab b a 2
U a ,b t ,M X , D X
1 it b a 2 24
2
xm 2 t 2 2
1 imt
Repartiţia normalǎ: f
N m ,
x e 2 2
, x R N m, t e 2
2
x2 x t2
1 1
Z N 0,1 f Z x e 2 , x R FZ x e 2
dt ;
2 2
t2 0, n 2k 1
Z t e M n Z 2k !
2
, n 2k
2k k!
Pentru X N m, Z m X si 1 2 0
Repartiţia lognormalǎ: Y LN m, Y e X , X N m, ;nu existǎ LN m , , deṣ
ln x m 2
k 2 2 1
, M n Y e
km
; f
, n N LN m,
2 x e 2 2
,x 0.
x 2
Repartiţia normalǎ n-dimensionalǎ- definiţii echivalente:
1. Vectorul aleator X N m, este normal v.a. aX este normalǎ, a vector
de aceeaşi dimensiune.
1
2. Vectorul aleator X este normal X t exp it m t t , unde este o
2
matrice nenegativ definitǎ.
3. Un vector aleator X cu M X m şi cov X astfel încât det >0 este
n
x m x m
repartizat N m, are densitatea: f x 1 1
2
e 2
X
2 det
x
a 1
x e b
a ,b x , x 0 a , b t 1 itb
Repartiţia Gama: f a
b a
a
n x
1
n f 2 x x e
2 2 n
Repartiţia n ,2 : n
2 , x 0 2 t 1 2it
2
2 n n n
2
2
n
Z N 0,1 Z 2 12 ; Z k Z v.a.i. Z
k 1
2
k n2
x
1
Repartiţia exponenţialǎ: exp 1, : Fexp x 1 e , x 0 exp t
1 it
x
W , x 1 e
Repartiţia Weibull: F
,x 0
a
a 1 x b
a xb
caz triparametric X W a, b, c f X x
e c
,x b
c c
23
1
1
1 x
model biparametric(b=0): f
W ,
x 1 x
e
,x 0;
X W , M X 1; D X 2 2 1 2 1
1
Repartiţia Rayleigh: Ra W , ; X Ra X 2 exp ;
2
FRa x 1 e
x2
2
2
, x 0 ;deci FX x P X x P X x FX x
ax a0
Repartiţia Pareto:
X Pa a, x0 f Pa a , x x a 1 , x x0 ;
0 x
ax
M X 0 , x0 1
a 1 a
2 , în general x0 k M k X xk
ax0 ak 0
D X ,x 2
a 1 a 2 2 0
2 n
Repartiţia n : n ,2
2 2
2
Z
T tn T
U , unde Z N 0,1 ,U n v.a.i
2
Repartiţia Student:
n
n 1
2 2
n 1
2 x
fT x 1 n
, x R ; M T 0 , D T ,n 2
n n n2
n
2
U
Repartiţia Fisher(Snedecor): X F m, n X V m , unde U 2 ,V 2 v.a.i
m n
n
m
mn
m
mn
m 2 2 1 m 2
f F m, n x
2
x 1 x ,x 0
n m n n
2 2
r s r 1
Repartiţia Beta: f B r , s x x 1 x , x 0,1 ;
s 1
r s
r rs
X B r , s M X
, D X
rs r s r s 1
2
1 a
Repartiţia Cauchy: f C m, a x 2 ,xR t eimt a t ;
a x m 2 C m ,a
nu existǎ momente!!!
x
1 a 1
Repartiţia Laplace: f
La a
x e , x R La a t
2a 1 a 2t 2
24
UNITATEA DE ÎNVATARE 3- Şiruri de variabile aleatoare
Moduri de convergenţă ale şirurilor de variabile aleatoare…………………………21
Legi ale numerelor mari……………………………………………………………….23
Teoreme limitǎ centralǎ……………..………………………………………………....24
Moduri de convergenţă ale şirurilor de variabile aleatoare
n
sau slab) cǎtre v.a. X, dacǎ: lim FX x FX x pentru orice x punct de continuitate al
n n
s
funcţiei FX . Vom scrie: X n X .
n
Definiţie: Şirul de v.a. X n nN * converge tare cǎtre v.a. X, dacǎ pentru 0, 0
N , astfel încât
: X n X
P .
n N ,
Definiţie: Şirul de v.a. X n nN converge aproape sigur cǎtre v.a. X, dacǎ şi numai dacă:
*
n n
Definiţie: Şirul de v.a. X n nN converge în medie de ordinul r cǎtre v.a. X(pentru care
*
M r X ), M X n X 0 . Vom scrie: X n X .
r r.
dacǎ: nlim
n
Teoremă: Dacă un şir de v.a. X n nN * converge aproape sigur, în probabilitate, în medie
de ordinul r sau în repartiţie, atunci v.a. limită este unică.
Relaţii între conceptele de convergenţă:
a. s. tare .
1. X n n X Xn X
n
a .s. P
2. X n n X Xn X
n
r P
3. X n n X Xn X
n
25
a.s . P s
Xn X Xn X Xn X
n n n
r
Xn X
n
P s
Teoremă: X n n c X n c - conceptele de convergenţă slabă şi cel de convergenţă
n
n n
n
s s s s Xn s X
4. X n X şi Yn a . Atunci X n Yn n X a, X nYn a X , , a 0 , unde
n n n Yn a
a este o constantă.(teorema lui Cramér)
Observaţie: Rezultatele teoremei precedente sunt valabile fǎrǎ ipoteze de independenţǎ.
Teoremă: Dacă X n nN * şi Yn n N * sunt şiruri de v.a.i. a. î. X n X şi Yn Y , iar
s s
n n
s
X şi Y sunt v.a.i., atunci X n Yn X Y .
n
Teoremă: Dacă X n nN * este un şir de v.a. a.î. X n a , iar g o funcţie continuǎ în
P
a,
n
P
atunci g X n g a
n
k 1
Observaţie: Dacă convergenţa în probabilitate din definiţia de mai sus este înlocuitǎ cu
convergenţa a.s., şirul X n nN * de v.a. se supune legii tari a numerelor mari.
26
Teorema lui Cebâşev: Fie X n nN * un şir de v.a.i., cu dispersii finite, uniform mǎrginite.
Atunci şirul X n nN * se supune legii numerelor mari în varianta lui Cebâşev:
1 n 1 n
lim P X k M X k 1
n
n k 1 n k 1
1 n
Teorema lui Markov: Fie X n nN * un şir de v.a.i. a.î.
2
D X k 0 .
n k 1 n
1 n 1 n
Atunci nlim P X k M X k 1
n k 1 n k 1
1 n
Observaţie: Condiţia 2 D X k 0 este cunoscutǎ sub numele de condiţia lui
n k 1 n
Markov.
Teorema lui Hincin: Fie X n nN * un şir de v.a.i.i.r. cu medii finite M X k m, k 1 .
1 n
Atunci nlim P X k m 1 .
n k 1
Teorema lui Bernoulli: Fie numǎrul de apariţii ale unui eveniment având
probabilitatea de realizare p în n probe independente. Atunci, 0 are loc:
lim P p 1
n
n
Teorema lui Poisson: Dacă într-o succesiune de probe independente, probabilitatea de
apariţie a unui eveniment în proba de rang k este pk , atunci:
1 n
lim P pk 1
n
n n k 1
fiind numǎrul de apariţii ale evenimentului în primele n probe.
k 1 k 1 n
27
Pentru demonstrarea convergenței slabe din concluzia teoremei, vom utiliza funcția
caracteristicǎ (sau cea generatoare de momente) a variabilei Yn : Yn t M e n
itY
k1 X k m
n
it n it
X k m it X k m
X m t Xn m t
n n
M e n M e n M e n
k 1 k 1 k 1 k n k
n
t t 2 t2
Cum pentru n suficient de mare, 1 X k m 1 . Ca urmare a
n n 2 n 2
n 2
t2
t
Teorema lui Leapunov: Fie X n nN * un şir de v.a.i. pentru care existǎ
n
3
H 3
H ,k N
k
M X k mk , D X k k2 , M X k mk k 1
3 3
k
*
. Dacǎ lim n
0 , atunci
n
k 1
2
k
n
n
X
k 1
k M X k
k 1
s
Z
n
Xk
k 1
28