Documente Academic
Documente Profesional
Documente Cultură
Variabile aleatoare
X
1
GX (z) = pk z k ; (4.1)
k=0
(j) P
1 P
1
GX (z) = k(k 1) : : : (k j + 1)pk z k j
= Ckj j!pj z k j :
k=j k=j
Dac¼
a în relaţia de mai sus facem z = 0 obţinem
(j) (j)
GX (0) = j!pj sau pj = j!1 GX (0):
Aceasta ne arat¼ a c¼
a putem determina toate probabilit¼aţile pk cu ajutorul funcţiei gener-
(j)
atoare. Din acest¼ a cauz¼ a GX se numeşte funcţie generatoare. În particular, punând z = 1
în G0X şi în G00X obţinem:
1
4.2.1 V.a. repartizat¼
a uniform
Cea mai simpl¼a variabil¼a aleatoare este aceea care are un num¼
ar …nit de valori, iar …ecare
eveniment are aceeaşi probabilitate. În acest caz, vom avea
x1 x2 ::: xn
X: 1 1 :
n n
::: n1
Dac¼ a presupunem c¼
a X ia valorile întregi m; m+1; :::; m+n+1; not¼
am X 2 Uniform[m; n]
şi obţinem
n+1
M [X] = m + ;
2
n2 1
D[X] = :
12
4.2.2 V. a. repartizat¼
a binomial
Evenimentele A şi contrarul s¼ au, A se repet¼ a de mai multe ori şi se produc cu aceeaşi
probabilitate, P (A) = p respectiv P (A) = q = 1 p: Probabilitatea producerii de k ori a
evenimentului A …Cnk pk q n k ; iar v. a. care ia ca valori num¼
arul de produceri ale evenimntului
A are tabloul de repartiţie
0 1 2 ::: k ::: n
X: :
Cn0 p0 q n Cn1 p1 q n 1
Cn2 p2 q n 2
: : : Cnk pk q n k
: : : Cnn pn q 0
0 1
Xi : ; i = 1; n; M [Xi ] = p:
q p
Cu notaţiile introduse, putem scrie
X
n
X = X1 + X2 + : : : + Xn = Xi ;
i=1
Xn X
n
M [X] = M [ Xi ] = M [Xi ] = np;
i=1 i=1
Xn Xn
D[X] = D[ Xi ] = D[Xi ];
i=1 i=1
2
Exerciţiul 1 Ar¼ ataţi c¼ a X 2 Binomial[n; p] atunci GX (z) = (pz + q)n şi deduceţi cu
a dac¼
ajutorul ei relaţiile M [X] = np; D2 [X] = npq:
Problemele în care se utilizeaz¼ a repartiţia binomial¼ a sunt cele în care facem
urm¼ atoarele presupuneri:
-sunt numai dou¼ a posibilit¼
aţi pentru rezultatul experienţei (succes/insucces, realiz¼
ari/ne-
realiz¼
ari, bit corect/eronat, aparat bun/defect etc.),
-probabilitatea succesului este aceeaşi pentru …ecare experienţ¼ a,
-sunt n repet¼ari ale experienţei, unde n este constant,
-cele n experienţe sunt independente.
Facem observaţia c¼ a în calculul factorialelor care intervin în combin¼ari, pentru n su…cient
de mare, se recomand¼ a formula aproximativ¼ a a lui Stirling,
p
n! nn e n 2n :
4.2.3 V. a. multinomial¼
a
O generalizare a distribuţiei binomiale este repartiţia obţinut¼ a pentru modelul urm¼
ator.
În urma unui experiment se pot realiza k evenimente diferite independente A1 ; A2 ; :::; Ak :
X
k
Aceste evenimente se produc cu probabilit¼ aţile p1 ; p2 ; :::pk ; pj = 1; 0 pj 1: Se repet¼a
j=1
experienţa de n ori şi se constat¼ a evenimentul Aj ; j = 1; k s-a realizat de nj ori.
a c¼
Exerciţiul 2 presupunem c¼ a avem o urn¼ a care conţine 10 bile roşii, 20 de bile albe şi 30
bile negre. Extragem 10 bile din urn¼ a cu repunerea bilei extrase în urn¼ a. S¼
a se determine
proobabilitatea ca s¼
a obţinem 3 bile roşii, 4 bile albe şi 3 bile negre.
Deoarece extragerea se face cu repunerea bilei extrase în urn¼
a evenimentele sunt inde-
pendente şi deci:
3 4 3
10! 10 20 30
P (X1 = 3; X2 = 4; X3 = 3) = = 3:000 7 10 2 :
3!4!3! 60 60 60
4.2.4 V. a. repartizat¼
a binomial cu exponent negativ
Facem observaţia c¼a în cazul variabilei aleatoare binomiale se num¼ar¼
a realiz¼arile evenimen-
tului A în cazul în care se efectueaz¼
a n experienţe. Deci num¼arul de repet¼ari ele experienţei
este …xat iar num¼arul succeselor este aleator.
3
În cazul v. a. binomiale cu exponent negativ variabila ia ca valori num¼ arul de experienţe
necesare pentru a obţine m realiz¼ ari. În acest caz num¼arul realiz¼arilor ale evenimentului A
este …xat iar num¼arul repet¼arilor ale evenimentuilui A este aleator.
Se spune c¼a variabila aleatoare X are repartiţie binomial¼ a cu exponent negativ, cu para-
metrii m şi p, (m = 1; 2; : : : ; 0 < p < 1), dac¼ a X poate lua valorile m; m + 1; m + 2; : : :
iar
m 1 m k
P (fX = kg) = Cm+k 1p q ; q = 1 p:
Vom avea aşadar
1 q
m X
1
m 1 m k
= Cm+k 1p q : (4.2)
p p k=0
Justi…c¼
am aceast¼
a relaţie:
1 X
1
1
0
1 X
1
k
= x ; pentru jxj < 1; = = kxk 1 ;
1 x k=0
1 x (1 x)2 k=1
2 X
1
1 X
1
= k(k 1)xk 2
) = Ck2 xk 2 :
(1 x)3 k=2
(1 x)3 k=2
1 X 1
Se demonstreaz¼
a prin inducţie c¼
a = C m 1 xk m+1 :
(1 x)m k=m 1 k
X1
Trecem k în k 1 şi obţinem: (1 x) = m
Ckm 11 xk m care reprezint¼
a dezvoltarea în
k=m
serie binomial¼
a cu putere negativ¼
a. Trecem x ! q şi obţinem:
m
1 q P
1 P
1 P
1
= pm (1 q) m
= pm Ckm 11 q k m
= Ckm 11 pm q k m
= m 1
Cm+k m k
1p q :
p p k=m k=m k=0
4
Observ¼
am c¼a de…nirea acestei variabile aleatoare este corect¼
a deoarece P (fX = kg) > 0
P
1
m 1
şi Cm+k 1 pm q k = 1.
k=0
Calcul¼
am funcţia generatoare.
X
1
1 zq
m
m 1 m k k
GX (z) = Cm+k 1p q z = ;
k=0
p p
m 1
1 zq q
G0X (z) = m ;
p p p
q
M [X] = G0X (1) = m ;
p
m 1 2
1 zq q
G00X (z) = m (m + 1) ;
p p p
2
q
G00X (1) = m (m + 1) ;
p
2 2
q q q mq
D[X] = m (m + 1) +m m = :
p p p p2
4.2.5 V. a. repartizat¼
a geometric
Spre deosebire de variabila aleatoare binomial¼ a care apare când …x¼am un num¼ ar de repet¼ari
ale unei experienţe A, în cazul variabilei geometrice num¼ ar¼
am num¼ arul m de efectu¼ ari ale
experienţei pân¼a la prima realizare a evenimentului A (experienţe de tip Bernoulli, adic¼ a
independente şi repetate în aceleaşi condiţii). În acest caz variabila aleatoare X ia valorile
X = k; k = 1; 2; : : : ; m; : : : şi avem
1 2 ::: k :::
X:
p pq ::: pq k 1
:::
5
Calcul¼
am media şi dispersia variabilei aleatoare. Not¼
am q = 1 p: Calcul¼
am funcţia
generatoare.
X
1
pqz
GX (z) = p (qz)k = ;
k=1
1 qz
p 1
G0X (z) = ; G0X (1) = ;
(1 qz)2 p
2pq 2q
G00X (z) = ; G00X (1) = 2 ;
(1 qz)3 p
2
2q 1 1 q
D[X] = 2 + = :
p p p p2
Exerciţiul 4 Calculatorul A transmite un mesaj calculatorului B. Mesajul este codat astfel
încât B detecteaz¼a când se produc erori în cursul transmiterii mesajului. Dac¼a B detecteaz¼
a
o eroare cere calculatorului A retransmiterea mesajului. Dac¼a probabilitatea ca transmiterea
mesajului s¼a …e eronat¼a este p = 0; 1, care este probabilitatea ca mesajul s¼a necesite mai
mult de dou¼ a transmisii.
Fiecare transmitere a mesajului urmeaz¼ a o repartiţie binomial¼
a cu probabilitatea ca
mesajul s¼a …e corect q = 1 p: Experienţele se repet¼ a pân¼ a când prima transmisie este
corect¼
a. Probabilitatea ca mesajul s¼
a necesite mai mult de dou¼ a transmisii este
1
P (fX > 2g) = qp2 + qp3 + = qp2 = p2 = 10 2 :
1 p
1
Media variabilei aleatoare din acest exerciţiu este M [X] = = 10 iar dispersia este
0:1
0:9
D [X] = : = 90
0:01
Interpretarea este urm¼ atoarea: media aritmetic¼ a este 10, deci la un num¼ ar mare de
transmisii num¼ arul mediu de transmisii pân¼
a la primul mesaj eronat este 10.
4.2.6 V. a. repartizat¼
a hipergeometric
Fie o mulţime care conţine N obiecte, k N dintre ele considerate ca succes şi N k
considerate ca eşec. Un eşantion de dimensiune n k de obiecte este selectat aleator (f¼ ar¼
a
revenirea obiectului în mulţime). Fie X variabila aleatoare care ia ca valori num¼ arul de
succese din eşantion.
0 1
0 1 2 ::: i ::: n
X : @ Ck0 CNn k Ck1 CNn 1k Ck2 CNn 2k Cki CNn ik Ckn CN0 k A :
: : : : : :
CNn CNn CNn CNn CNn
6
succese la prima extragere, cu X2 num¼ arul de succese obţinute la a doua extragere etc.
Tabloul de repartiţie al variabilei X1 este
0 1
X1 : :
q p
Rezult¼
a c¼
a Xi are repartiţia
0 1
Xi : :
q p
Din relaţiile
X = X1 + X2 + : : : + Xn
şi
M [X1 ] = M [X2 ] = : : : = M [Xn ] = p;
rezult¼
a
M [X] = np:
Ca şi în cazul v. a. binomiale, X se scrie ca o sum¼
a de variabile aleatoare având aceeaşi
repartiţie
0 1
:
q p
Deosebirea este esenţial¼a: în cazul repartiţiei hipergeometrice, variabilele aleatoare nu sunt
independente. Din aceast¼ a nu putem calcula dispersia variabilei aleatoare X ca suma
a cauz¼
dispersiilor variabilelor aleatoare Xi .
O alt¼ a variant¼
a de calcul a mediei şi dispersiei va … prezentat¼
a în continuare.
S¼a observ¼am c¼a, pentru orice a; b 2 N, avem
! !
X a X b
i i
Ca x Cb x = (1 + x)a (1 + x)b
i j
i=0 j=0
X
a+b
= (1 + x)a+b = r
Ca+b xr ; 8x 2 R.
r=0
7
numit¼
a identitatea hipergeometric¼
a (de aici şi denumirea v.a.). S¼
a calcul¼
am media şi disper-
sia:
(n 1) (i 1)
X
n
Cki CNn i
k
X
n
k!i C(N 1) (k 1)
M [X] = i= n 1 N
i=0
CNn i=0
i![(k 1) (i 1)]! CN 1 n
(n 1) (i 1) (n 1) i !
kn X i X
n n 1 i
1
C(N 1) (k 1) Ck 1 C(N 1) (k 1)
= C = np = np:
N i=1 k 1
CNn 1
1 i=0
CNn 11
| {z }
=1
De asemenea,
X
n
Cki CNn i
k
M [X 2 ] M [X] = M [X 2 X] = i(i 1)
i=0
CNn
(n 2) (i 2)
X
n
k(k 1)(k 2)!i(i 1) C(N 2) (k 2)
=
i=2
i(i 1)(i 2)![(k 2) (i 2)]! CNn 22 N (N 1)
n(n 1)
(n 2) (i 2)
1)n(n 1) X i
n
k(k 1
C(N 2) (k 2)
= Ck 2
N (N 1) i=2
CNn 2
2
(n 2) i !
1)n(n 1) X Ck 2 C(N
n 2 i
k(k 2) (k 2) k(k 1)n(n 1)
= = :
N (N 1) i=0
CNn 2
2 N (N 1)
| {z }
=1
De aici,
D[X] = M [X 2 ] M [X] + M [X] (M [X])2
(k 1)(n 1)
= np + np n2 p2
(N 1)
(k 1)(n 1) nk
= np +1
(N 1) N
(1 p)(N n)
= np :
N 1
Teorema 4.2.3 Dac¼a X este o variabil¼a aleatoare repartizat¼a hipergeometric cu parametrii
N; k; n, pentru care
Cki CNn ik
P (fX = ig) = ;
CNn
atunci
Cki CNn ik
lim = Cni pi q n i ; (4.3)
N !1 CNn
k
unde p = ; q = 1 p şi deci pentru valori mari ale lui N , o variabil¼a aleatoare repartizat¼a
N
k
hipergeometric poate … aproximat¼a cu o variabil¼a repartizat¼a binomial¼a Binomial(n; ).
N
Demonstraţie. Avem
Cki CNn ik
=
CNn
k(k 1) : : : (k i + 1) (N k)(N k 1) : : : (N k n+i 1) n!
=
i! (n i)! N : : : (N n + 1)
8
n! k(k 1) : : : (k i + 1)(N k)(N k 1) : : : (N k n + i 1)
=
i!(n i)! N : : : (N n + 1)
k k 1 k i+1N kN k 1 N k n+i 1 Nn
= Cni ::: :::
N N N N N N N : : : (N n + 1)
k k 1 k i+1N kN k 1 N k n+i 1 Nn
= Cni ::: :::
N N N N N N N : : : (N n + 1)
1 i 1 1 n i+1 Nn
= Cni p(p ) : : : (p )q(q ) : : : (q ) :
N N N N N : : : (N n + 1)
Trecând la limit¼
a obţinem (4.3).
4.2.7 V. a. repartizat¼
a Poisson
Distribuţia Poisson se foloseşte ca model pentru evenimente a c¼ aror num¼ar de repetare nu are
o limit¼
a superioar¼a. Spunem c¼ a variabila aleatoare X este repartizat¼ a Poisson, cu paramatru
; 2 R+ ; X 2 Poisson [ ] ; dac¼ a tabloul s¼
au de repartiţie este
0 1 2 ::: k :::
X: 2 k :
e 1!
e 2!
e ::: k!
e :::
k P
1 k P
1 k
Folosim notaţia P (k; ) = k!
e : Evident P (k; ) > 0 şi k!
e =e k!
= 1:
k=0 k=0
Propriet¼
aţi ale repartiţiei Poisson.
P1. Media repartiţiei Poisson este aceeaşi cu dispersia repartiţiei şi egal¼
a cu . Aceasta
este o particularitate remarcabil¼a şi este o modalitate de a recunoaşte c¼ a un fenomen
urmeaz¼ a o repartiţie Poisson. M [X] = ; D[X] = : Într-adev¼ ar
P
1 k P
1 k 1
M [X] = k k! e = k (k 1)!
e = :
k=0 k=1
9
Toate aceste procese se numesc Poisson şi ele vor … studiate în Capitolul Procese Sto-
chastice. În aceste cazuri este proporţional¼ a cu durata intervalului de timp (adic¼a
= tw; w coe…cient de proporţionalitate). Parametrul w = se mai numeşte para-
t
metru de intensitate, reprezentând media num¼ arului de evenimente care se produc în
unitatea de timp.
10
P 3 2k e 2
= 100 0; 02 = 2; = 0; 857:
k=0 k!
Repartitia pi M [X] D [X] Observaţii
lim Cni pi q n i
=
n!1
binomial¼
a Cni pi q n i np npq i
= i! e
np =
binomial¼
a cu m 1 m i mq mq
Cm+i 1p q
exponent negativ p p2
Cki CNn i
k np(1 p)(N n) n
Cki CN i
hipergeometric¼
a np lim n
k
= Cnk pk
CNn N 1 N !1 CN
i
Poisson e
i!
1 q
geometric¼
a pq i 1
p p2
11