Documente Academic
Documente Profesional
Documente Cultură
Probabilitati PDF
Probabilitati PDF
Elemente de Teoria
Probabilităţilor
Exemplul 1.1.2 La aruncarea unui ban (considerând Ω = {B, S}) putem con-
sidera ca evenimente:
4
— A1 : apariţia banului (adică A1 = {B})
— A2 : apariţia stemei (adică A1 = {S})
Spunem că evenimentele A şi B sunt incompatibile dacă ele nu pot apare
simultan la nici o efectuare a experimentului;
Spunem că evenimentul A este conţinut in evenimentul B şi notăm A ⊂ B,
dacă realizarea evenimentului A atrage după sine realizarea evenimentului
B;
Definim reuniunea evenimentelor A şi B, notată prin A ∪ B, ca fiind eveni-
mentul ce constă in realizarea lui A sau realizarea lui B;
Definim intersecţia evenimentelor A şi B, notată prin A ∩ B, ca fiind eveni-
mentul ce constă in realizarea simultană a evenimentelor A şi B;
Definim evenimentul contrar evenimentului A, notat prin Ac , ca fiind eveni-
mentul ce constă în nerealizarea evenimentului A;
Definim diferenţa evenimentelor A şi B (in această ordine), notată prin A − B,
ca fiin evenimentul ce constă in realizarea lui A şi nerealizarea lui B.
Spunem ca evenimentele A1 , A2 , . . . , An ⊂ Ω formează un sistem complet de
evenimente dacă sunt două câte două incompatibile şi reuniunea lor este
întreg spaţiul de evenimente Ω, adică dacă au loc:
i) A1 ∪ A2 ∪ . . . ∪ An = Ω
ii) Ai ∩ Aj = ∅, oricare ar fi 1 ≤ i, j ≤ n
fn (A)
P (A) = lim f rn (A) = lim .
n→∞ n→∞ n
Această definiţie ar prezenta însă lacune din punct de vedere matematic (spre
exemplu garantarea existenţei limitei de mai sus, a independenţei valorii limitei
de o eventuală repetare a experimentelor de către “o altă persoană”, şamd).
5
Pentru a defini conceptul de probabilitate asociată unui eveniment, vom
folosi o abordare moderna, axiomatică. Începem prin a defini noţiunea de alge-
bră / σ—algebră, după cum urmează:
A ∈ F =⇒ Ac ∈ F
A, B ∈ F =⇒ A ∪ B ∈ F.
A ∈ F =⇒ Ac ∈ F
6
O mulţime nevidă Ω pentru care s-a definit o σ—algebră F se numeşte spaţiu
măsurabil, şi se notează (Ω, F).
1. P (∅) = 0
2. P (A1 ∪ . . . ∪ An ) = P (A1 ) + . . . + P (An ), oricare ar fi A1 , . . . , An ∈ F
disjuncte două câte două
3. P (A) ≤ P (B), oricare ar fi A, B ∈ F cu A ⊂ B
4. 0 ≤ P (A) ≤ 1, oricare ar fi A ∈ F
5. P (Ac ) = 1 − P (A), oricare ar fi A ∈ F
6. P (B − A) = P (B) − P (A), oricare ar fi A, B ∈ F cu A ⊂ B
7. P (A ∪ B) = P (A) + P (B) − P (A ∩ B), oricare ar fi A, B ∈ F.
Demonstraţie. Exerciţiu.
• Ω = {1, 2, . . . , 6}
• F = P(Ω) = {∅, {1} , {2} , . . . {6} , {1, 2} , {1, 3} , . . . , {5, 6} , . . . , {1, 2, . . . , 6}}
1
• P : F → [0, ∞), P ({1}) = P ({2}) = . . . = P ({6}) = 6
7
Exemplul 1.1.13 În cazul aruncării unui ban, putem considera ca spaţiu de
probabilitate (Ω, F, P ), unde
• Ω = {B, S}
• F = P (Ω) = {∅, {B} , {S} , {B, S}}
• P : F → [0, ∞), P ({B}) = P ({S}) = 12 (sau P ({B}) = p, P ({S}) =
1 − p, 0 < p < 1, în cazul în care banul este “măsluit”)
1.1.1 Exerciţii
1. În câte moduri se pot forma cuvinte cu 3 litere a, b, c?
2. La un examen se prezintă 2 băieţi si 3 fete. Câte liste de rezultate )pre-
supunând notele obţinute distincte) se pot obţine? Dar dacă rezultatele
obţinute sunt afişate pe liste diferite pentru băieţi şi fete?
3. 4 cărţi de matematică, 3 cărţi de chimie şi două de geografie trebuiesc
aranjate pe un raft, grupate pe subiecte. În câte moduri diferite se poate
face aceasta?
4. În câte moduri diferite se pot acorda premiile I, II şi III la 5 elevi?
5. În câte moduri se pot acorda 3 menţiuni la 5 elevi?
6. În câte moduri se poate forma un comitet de 3 persoane din 20 de oameni?
7. Câte grupuri de 5 persoane, formate din 2 bărbaţi şi 3 femei se pot forma
cu 5 bărbaţi şi 7 femei?
8. Fie E, F şi G trei evenimente. Să se descrie evenimentele:
(a) Numai E
(b) E şi G dar nu F
(c) Cel puţin unul din evenimentele E, F , G
(d) Cel puţin două din evenimentele E, F , G
(e) Toate trei evenimentele E, F , G
(f) Nici unul din evenimentele E, F , G
(g) Cel mult unul din evenimentele E, F , G
8
(h) Cel mult două din evenimentele E, F , G
(i) Exact două din evenimentele E, F , G
(j) Cel mult trei din evenimentele E, F , G
(a) (E ∪ F ) ∩ (E ∪ F c )
(b) (E ∪ F ) ∩ (E c ∪ F ) ∩ (E ∪ F c )
(c) (E ∪ F ) ∩ (F ∪ G)
11. Dacă P (E) = 0.9 şi P (F ) = 0.8, să se demonstreze că P (E ∩ F ) ≥ 0.7.
Mai general, să se demonstreze inegalitatea lui Bonferroni:
P (E ∩ F ) ≥ P (E) + P (F ) − 1.
12. Să se arate că ăprobabilitatea ca exact unul din evenimentele E şi F are
loc este
P (E) + P (F ) − P (E ∩ F )
P (E ∩ F c ) = P (E) − P (E ∩ F )
P (E c ∩ F c ) = 1 − P (E) − P (F ) + P (E ∩ F )
15. O urnă conţine M bile negre şi N bile albe. Dacă din urnă se extrag r bile,
care este probabilitatea ca exact k să fie bile albe? Dar dacă N = k = 1?
9
1.2 Continuitatea măsurii de probabilitate
Considerăm un spaţiu de probabilitate (Ω, F, P ) arbitrar fixat.
Una din conceptele importante în Analiză este cel de continuitate al unei
funcţii. Reamintim că o funcţie reală de variabilă reală f : R → R este continuă
in punctul x dacă
lim f (y) = f (x), (1.1)
y→x
10
Demonstraţie. i) Să observăm că pentru m, n ≥ 1 arbitrar fixaţi are loc
incluziunea
∞
\ ∞
[
Fi ⊂ Fm∗n ⊂ Fi .
i=m i=n
oricare ar fi m ≥ 1.
Rezultă de aici că reuniunea tutror mulţimilor din membrul stâng al acestei
incluziuni este de asemenea conţinută in membrul drept, adică
∞ \
[ ∞
lim inf Fn = Fi ⊆ lim sup Fn ,
m=1 i=m
incheiând demonstraţia.
T
∞
ii) Să observăm că deoarece Fn este un şir crescător, avem Fi = Fn
i=n
pentru orice n ≥ 1, şi deci avem:
[ ∞
∞ \ ∞
[
lim inf Fn = Fi = Fn .
n=1 i=n n=1
De asemenea, avem
∞ [
\ ∞ ∞
[
lim sup Fn = Fi ⊂ Fi = lim inf Fn ,
n=1 i=n i=1
şi cum din punctul anterior avem şi incluziunea contrară, lim inf Fn ⊂ lim sup Fn ,
rezultă că avem egalitatea
S
∞
iii) Similar cu punctul anterior, sa observăm ca avem in acest caz Fi = Fn
i=n
pentru orice n ≥ 1, şi deci avem:
\ ∞
∞ [ ∞
\
lim sup Fn = Fi = Fn .
n=1 i=n n=1
11
De asemenea, avem
[ ∞
∞ \ ∞
[
lim inf Fn = Fi ⊃ Fi = lim sup Fn ,
n=1 i=n i=1
şi cum din punctul i) avem şi incluziunea contrară, lim inf Fn ⊂ lim sup Fn ,
rezultă că avem egalitatea
Observaţia 1.2.4 Se poate arăta că definiţiile pentru lim inf şi lim sup din
Definiţia 1.2.1 corespund celor pentru numere reale, în următorul sens: notând
cu IF : Ω → {0, 1} funcţia caracteristică a unei mulţimi F ⊂ Ω, definită prin
½
1, dacă ω ∈ F
IF (ω) = ,
0, dacă ω ∈ Ω − F
se poate arăta că au loc următoarele egalităţi:
i) lim inf Fn = {ω ∈ Ω : lim inf IFn (ω) = 1}
ii) lim sup Fn = {ω ∈ Ω : lim sup IFn (ω) = 1}
iii) Dacă există limn→∞ Fn , atunci
n o
lim Fn = ω ∈ Ω : există lim IFn (ω) şi lim IFn (ω) = 1
n→∞ n→∞ n→∞
12
În particular, dacă (Fn )n≥1 este un şir crescător de evenimente atunci are
loc ̰ !
[
P Fn = lim P (Fn ) ,
n→∞
n=1
iar dacă (Fn )n≥1 este un şir descrescător de evenimente are loc
̰ !
\
P Fn = lim P (Fn )
n→∞
n=1
13
sau echivalent à !
∞
[
P (Ω − Fn ) = lim P (Ω − Fn ) ,
n→∞
n=1
de unde obţinem
à ∞
! Ã ∞
!
\ \
1−P Fn = P Ω− Fn
n=1 n=1
= lim P (Ω − Fn )
n→∞
= 1 − lim P (Fn ) ,
n→∞
adică Ã !
∞
\
P Fn = lim P (Fn ) .
n→∞
n=1
Pentru cazul general, să presupunem că există limn→∞ Fn , şi deci lim inf Fn =
lim sup Fn .
Conform demonstraţiilor anterioare avem:
∞
\ ∞
[ ∞
[ ∞
[
P (lim sup Fn ) = P ( Fi ) = lim P ( Fi ) = lim sup P ( Fi ) ≥ lim sup P (Fn ) ,
n→∞
n=1 i=n i=n i=n
| {z }
şir descrescător
şi similar
∞
[ ∞
\ ∞
\ ∞
\
P (lim inf Fn ) = P ( Fi ) = lim P ( Fi ) = lim inf P ( Fi ) ≤ lim inf P (Fn ) .
n→∞
n=1 i=n i=n i=n
| {z }
şir crescător
Din inegalităţile anterioare (şi folosind faptul că lim inf ≤ lim sup) rezultă
P (lim inf Fn ) ≤ lim inf P (Fn ) ≤ lim sup P (Fn ) ≤ P (lim sup Fn ) ,
şi cum lim inf Fn = lim sup Fn , rezultă că avem există limn→∞ P (Fn ) (deoaerece
lim inf P (Fn ) = lim sup P (Fn )) şi are loc
³ ´
P lim Fn = lim P (Fn ) ,
n→∞ n→∞
încheiând demonstraţia.
Are loc următoarea
14
Demonstraţie. Definim
⎧
⎪
⎪ E1 = F1
⎪
⎪
⎨ E2 = F2 − F1
E3 = F3 − (F1 ∪ F2 ) .
⎪
⎪
⎪ ··
⎪ ·
⎩
En = Fn − (F1 ∪ . . . ∪ Fn−1 ) , n≥2
P (∪∞ ∞
n=1 Fn ) = P (∪n=1 En )
X∞
= P (En ) (En ⊂ Fn )
n=1
X∞
= P (Fn ) ,
n=1
încheiând demonstraţia.
1.2.1 Exerciţii
15
1.3 Probabilitate condiţionată
Considerăm un spaţiu de probabilitate (Ω, F, P ).
465
G D
20 10 5
Presupunând că se extrage arbitrar o piesă din cele 500 asamblate, probabil-
itatea acesteia de a avea părţi defecte este
15 3
P (D) = = .
500 100
Aceeaşi probabilitate, în cazul în care se alege însă numai dintre piesele greşit
asamblate este
P (D ∩ G) 10 1
P (D|G) = = = .
P (G) 30 3
Să observăm că
10 20
P (D ∩ G) = şi P (Dc ∩ G) = ,
500 500
şi deci raportul P (D ∩ G) ÷ P (Dc ∩ G) este egal cu 1 ÷ 2.
16
Alegând deci ca şi spaţiu de probabilitate G (în loc de Ω), cum suma proba-
bilităţilor unei piese de a fi defecte (D) sau nu (Dc ) este egală cu 1, rezultă că
trebuie să avem
1 2
P (D|G) = şi P (Dc |G) = ,
3 3
regăsind rezultatul obţinut folosind Definiţia 1.3.1 a probabilităţii condiţionate.
Aceasta explică de ce în definiţia (1.4) a probabilităţii condiţionate P (A|B)
trebuie să împărţim prin P (B) )pentru a obţine rezultatul corect).
• Dacă (An )n≥1 ⊂ F sunt evenimente independente două câte două, atunci
şi evenimentele (An ∩ B)n≥1 sunt independente două câte două, şi avem:
P ((∪∞n=1 An ) ∩ B)
P (∪∞
n=1 An |B) =
P (B)
P (∪∞n=1 (An ∩ B))
=
P (B)
P∞
n=1 P (An ∩ B)
=
P (B)
∞
X P (An ∩ B)
=
n=1
P (B)
X∞
= P (An |B) ,
n=1
P (A1 ∩ . . . ∩ An ) = P (A1 ) P (A2 |A1 ) P (A3 |A1 ∩ A2 )·. . .·P (An |A1 ∩ . . . An−1 ) .
17
Demonstraţie. Folosind definiţia probabilităţii condiţionate avem
P (A1 ) P (A2 |A1 ) P (A3 |A1 ∩ A2 ) · . . . · P (An |A1 ∩ . . . ∩ An−1 ) =
P (A2 ∩ A1 ) P (A3 ∩ (A1 ∩ A2 )) P (An ∩ (A1 ∩ . . . ∩ An−1 ))
= P (A1 ) · ... ·
P (A1 ) P (A1 ∩ A2 ) P (A1 ∩ . . . ∩ An−1 )
P (A1 ∩ A2 ) P (A1 ∩ A2 ∩ A3 ) P (A1 ∩ . . . ∩ An−1 ∩ An )
= P (A1 ) · ... ·
P (A1 ) P (A1 ∩ A2 ) P (A1 ∩ . . . An−1 )
= P (A1 ∩ . . . ∩ An−1 ∩ An )
18
Cea de-a doua egalitate din enunţ rezultă folosind formula probabilităţii
totale (înlocuind P (B) prin P (B|A1 ) P (A1 ) + . . . + P (B|An ) P (An )).
1.3.1 Exerciţii
1. Se aruncă două zaruri. Să se calculeze probabilitatea ca primul zar să fie
6, ştiind că suma celor două zaruri este 9.
2. O monedă se aruncă de 3 ori. Să se calculeze probabilitatea P (A|B) unde
3. Se aruncă de 2 ori un zar cu 4 feţe, şi presupunem că toate cele 16 rezul-
tate posibile sunt egal probabile. Fie X, respectiv Y , rezultatul primei,
respectiv celei de-a doua aruncări. Să se determine P (Ai |B), unde
Ai = {max (X, Y ) = i} , i = 1, 2, 3, 4,
B = {min (X, Y ) = 2} .
19
1.4 Evenimente independente
Fie (Ω, F, P ) un spaţiu de probabilitate fixat.
P (A ∩ B) = P (A) P (B) .
Exemplul 1.4.2 Se aruncă de două ori un zar cu 4 feţe, şi se consideră eveni-
mentele:
A = { prima aruncare este 1 },
B = { a doua aruncare este 1},
C = { suma aruncărilor este 4},
D = { suma aruncărilor este 5 }.
Avem:
1 1 3 4
P (A) = , P (B) = , P (C) = , P (D) = ,
4 4 16 16
1 1 1
P (A ∩ B) = , P (A ∩ C) = , P (A ∩ D) = ,
16 16 16
şi deci:
1
evenimentele A şi B sunt independente (P (A ∩ B) = 16 = P (A) P (B));
1 3
evenimentele A şi C sunt dependente (P (A ∩ C) = 16 6= 16 = P (A) P (C));
1
evenimentele A şi D sunt dependente (P (A ∩ D) = 4 = P (A) P (D)).
P (A ∩ B) = 0 6= P (A) P (B)
20
Definiţia 1.4.5 (Independenţa condiţionată a două evenimente) Spunem
că evenimentele A, B ∈ F sunt independente condiţionat de evenimentul C ∈ F
dacă are loc
P (A ∩ B ∩ C) P (C) = P (A ∩ C) P (B ∩ C) .
În caz contrar spunem că evenimentele A şi B sunt dependente condiţionat de
evenimentul C.
Observaţia 1.4.6 Dacă P (C) 6= 0, relaţia anterioară se poate scrie sub forma
P (A ∩ B ∩ C) P (A ∩ C) P (B ∩ C)
P (A ∩ B|C) = = = P (A|C) P (B|C) ,
P (C) P (C) P (C)
ceea ce arată că evenimentele A şi B sunt independente condiţionat de eveni-
mentul C dacă ele sunt independente pe spaţiul de probabilitate (Ω, F, P (·|C)).
Exemplul 1.4.9 Se alege cu probabilitate 1/2 dintre două monede, una albă şi
una neagră, şi se aruncă moneda aleasă de două ori. Presupunem că pentru
moneda albă stema apare cu probabilitate 0.99, iar pentru cea neagră stema
apare cu probabilitate 0.01.
Considerăm evenimentele:
A = { prima aruncare este stema }
B = { a doua aruncare este stema }
C = { moneda aleasă a fost cea albă }.
Se verifică uşor că avem P (A ∩ B|C) = 0.992 , P (A|C) = P (B|C) = 0.99,
şi deci evenimentele A şi B sunt independente condiţionat de evenimentul C.
Evenimentele A şi B sunt însă dependente, deoarece (folosind formula prob-
abilităţii totale cu n = 2, A1 = C şi A2 = C c ), avem:
21
şi similar P (B) = 12 , şi deci
ei ∈ {Ai , Ac }, i = 1, 2, . . . , n.
oricare ar fi A i
22
Demonstraţie. Pentru implicaţia directă, să presupunem că are loc relaţia
(1.5), şi să demonstrăm că are loc şi relaţia (1.6).
ei = Ai , 1 ≤ i ≤ n, atunci are loc relaţia (1.6). Avem:
Să observăm că dacă A
23
Folosind propoziţia anterioară, avem:
³ ´ ³ ´ ³ ´
P Ae1 ∩ . . . ∩ A
en−1 = P A e1 ∩ . . . ∩ Aen−1 ∩ An + P A e1 ∩ . . . ∩ A
en−1 ∩ Acn
³ ´ ³ ´ ³ ´ ³ ´
= P A e1 · . . . · P A en−1 P (An ) + P A e1 · . . . · P Aen−1 P (Acn )
³ ´ ³ ´
= P A e1 · . . . · P A en−1 (P (An ) + P (Acn ))
³ ´ ³ ´
= P A e1 · . . . · P A en−1 ,
24
P
Pentru partea a doua, să presupunem că seria ∞ i=1 P (Ai ) este divergentă.
Deoarece evenimentele A1 , A2 , . . . sunt independente, şi folosind inegalitatea
1 − x ≤ e−x , x ≥ 0,
şi deci Ã∞ !
\
P Aci = 0, n ≥ 1.
i=n
încheiând demonstraţia.
25
Exemplul 1.4.19 Considerăm şirul de evenimente A1 = A2 = . . . = A ∈ F cu
P (A) ∈ (0, 1). Să observăm că deoarece P (A1 ∩ A2 ) = P (A) 6= P (A) P (A) =
P (A1 ) P (A2 ), evenimentele A1 şi A2 (şi deci şi evenimentele A1 , A2 , . . .) sunt
dependente.
Avem ∞ ∞
X X
P (An ) = P (A) = +∞,
n=1 n=1
şi deci P (lim sup An ) 6= 1, ceea ce arată că punctul ii) al lemei Borel—Cantelli nu
este în general adevărat fără ipoteza suplimentară a independenţei evenimentelor
A1 , A2 , . . ..
1.4.1 Exerciţii
1. Se aruncă de 2 ori un zar cu 4 feţe. Care dintre evenimentele indicate mai
jos sunt independente?
26
4. Se aruncă un zar cu 4 feţe. Dacă rezultatul este 1 sau 2, se mai aruncă zarul
o dată, altfel ne oprim. Care este probabilitatea ca totalul aruncărilor să
fie de cel puţin 4?
5. Un test de sânge este 95% eficient în detectarea unei boli (atunci când
boala este de fapt prezentă). Cu toate acestea, testul poate da ”alarme
false” de 1%, pentru persoane care sunt de fapt sănătoase (adică, cu prob-
abilitate de 0.01, când o persoană sănătoasă este testată, testul indică
faptul că aceasta este bolnavă).
Dacă 0.5% din populaţie are această boală, care este probabilitatea ca o
persoană care a testat pozitiv să aibă boala?
Indicaţie: considerăm evenimentele A = {persoana are boala respectivă},
B = {rezultatul testului este pozitiv}, şi calculăm P (A|B) = P (A)P (B|A)
P (B) .
27
1.5 Variabile aleatoare
În practică, atunci când se efectuează un anumit experiment, în mod frecvent
suntem în principal interesaţi de o anumită funcţie ce depinde rezultatul exper-
imentului, şi nu de rezultatul în sine al experimentului.
Spre exemplu, la aruncarea a două zaruri, deseori suntem interesaţi de suma
valorilor obţinute, şi nu neapărat de valorile individuale ale zarurilor (spre ex-
emplu, suntem interesaţi dacă suma celor două zaruri este 7, fără a conta dacă
valorile celor două zaruri sunt (1, 6), (2, 5), (3, 4), (4, 3), (5, 2) sau (6, 1)), iar la
aruncarea repetată a unei monede, suntem interesaţi de numărul total de steme
obţinute, şi nu neapărat de valorile stemă/ban obţinute.
Aceste cantităţi de interes, mai pecis aceste funcţii reale ce depind de rezul-
tatul unui anumit experiment, se numesc variabile aleatoare.
Pentru o definiţie mai precisă, reamintim ca am notat prin B = B (R) = σ (S)
σ-algebra mulţimilor boreliene pe R, adică cea mai mică σ−algebră ce conţine
toate mulţimile de forma
S = {(a, b) : a < b, a, b ∈ R} .
Observaţia 1.5.1 se poate arăta că putem înlocui mulţimea S de mai sus prin
oricare din mulţimile:
{(−∞, b) : b ∈ R}
{(a, +∞) : a ∈ R}
{(a, b] : a, b, a, b ∈ R}
{O : O - mulţime deschisă din R} .
X −1 (B) = {ω ∈ Ω : X (ω) ∈ B} ∈ F,
28
Are loc următoarea propoziţie de caracterizare a variabilelor aleatoare:
−1
• Dacă B1 , B2 , . . . ∈ A, atunci X −1 (∪∞ ∞
i=1 Bi ) = ∪i=1 X (Bi ) ∈ F, şi deci
| {z }
∈F
∪∞
i=1 Bi ∈ F.
Cum din ipoteză familia A conţine toate intervalele de forma (−∞, a), a ∈ R,
rezultă că B ⊂ A (B este cea mai mică σ-algebră ce conţine toate intervalele de
forma (−∞, a)), şi deci avem
X −1 (B) ∈ F, oricare ar fi B ∈ B,
Teorema 1.5.5 Dacă (Xn )n≥1 este un şir de variabile aleatoare, atunci
29
Demonstraţie. a) Avem
½ ¾
−1
X ((−∞, a]) = ω ∈ Ω : X (ω) = inf Xn (ω) ≤ a
n≥1
= ∪∞
n=1 {Xn (ω) ≤ a} ∈ F,
| {z }
∈F
şi deci conform propoziţiei anterioare X = inf n≥1 Xn este o variabilă aleatoare.
b) În mod similar, avem:
½ ¾
Y −1 ([a, +∞) = ω ∈ Ω : Y (ω) = sup Xn (ω) ≥ a
n≥1
= ∪∞
n=1 {Xn (ω) ≥ a} ∈ F,
| {z }
∈F
şi ⎛ ⎞c
⎜ ⎟
{X ≥ Y } = ⎝{X < Y }⎠ ∈ F.
| {z }
∈F
30
Definiţia 1.5.8 O funcţie ϕ : R → R se numeşte măsurabilă dacă
ϕ−1 (B) ∈ B,
Observaţia 1.5.9 Se poate arăta că dacă o funcţie este continuă pe R atunci ea
este măsurabilă (demonstraţia este similară propoziţiei de mai sus: se consideră
familia © ª
A = B ∈ B : X −1 (B) ∈ B
şi se arată că este o σ-algebră ce conţine toate mulţimile deschise din R, şi deci
A = B).
Reciproca acestei afirmaţii nu este însă in general valabilă, după cum se
poate observa considerând funcţia ϕ : R → R definită de
½
1, x ∈ (0, 1)
ϕ (x) = ,
0, în rest.
Demonstraţie. Avem
Consecinţa 1.5.11 Dacă X este o variabilă aleatoare, atunci |X|p (p > 0) şi
aX + b (a, b ∈ R) sunt de asemenea variabile aleatoare.
ϕ−1 (B) ∈ B,
(−∞, a1 ) × . . . × (−∞, an ) , a1 , . . . , an ∈ R.
31
Are loc următoarea:
Teorema 1.5.13 Dacă ϕ : Rn → R este o funcţie măsurabilă şi X1 , . . . , Xn :
Ω → R sunt variabile aleatoare, atunci Y (ω) = ϕ (X1 (ω) , . . . , Xn (ω)) este o
variabilă aleatoare.
Demonstraţie. Notând X (ω) = (X1 (ω) , . . . , Xn (ω)), avem Y (ω) = ϕ◦X,
şi deci oricre ar fi B ∈ B (Rn ) avem:
−1
Y −1 (B) = (ϕ ◦ X) (B)
= X −1 (ϕ−1 (B))
| {z }
∈B(Rn )
−1
= X (A) ,
unde A = ϕ−1 (B) ∈ B (Rn ).
Să notăm © ª
A = A ∈ B (Rn ) : X −1 (A) ∈ F ,
şi să observăm că A este o σ-algebră ce conţine in mulţimile de forma (−∞, a1 )×
. . . × (−∞, an ), cu a1 , . . . , an ∈ R, deoarece
n
\
X −1 ((−∞, a1 ) × . . . × (−∞, an )) = Xi−1 ((−∞, ai )) ∈ F.
i=1
| {z }
∈F
1.5.1 Exerciţii
1. Dintr-o urnă ce conţine 20 de bile, numerotate de la 1 la 20, se extrag
3 bile (fără întoarcerea bilelor extrase în urnă). Dacă X este variabila
aleatoare reprezentând maximul celor 3 numere extrase, să se determine
variabila aleatoare X (valorile şi probabilităţile corespunzătoare).
32
2. Dintr-o urnă ce conţine 3 bile albe, 3 bile roşii şi 5 bile negre, se extrag 3
bile (fără întoarcerea bilelor extrase în urnă). Dacă pentru fiecare bilă albă
extrasă se câştigă 1 leu, şi pentru fiecare bilă neagră extrasă se pierde 1 leu,
să se determine variabila aleatoare X reprezentând caştigul net obţinut în
acest joc.
3. Se aruncă 2 zaruri şi se notează cu X produsul numerelor obţinute. Să se
determine variabila aleatoare X.
4. Se aruncă 3 zaruri şi se notează cu X suma numerelor obţinute. Să se
determine variabila aleatoare X.
5. 5 bărbaţi şi 5 femei sunt ordonaţi după scorurile obţinute la un examen
(presupunem că scorurile obţinute sunt distincte şi egal probabile). Să se
determine variabila aleatoare X reprezentând rangul primei femei în lista
de rezultate.
6. Să se determine variabila aleatoare X repreyentând numărul de feţe ”ban”
minus numărul de feţe ”stemă” obţinute la aruncarea de n ori a unei
monede. Caz particular n = 4.
7. Se aruncă de 2 ori un zar. Să se determine următoarele variabile aleatoare:
33
1.6 Funcţia de distribuţie a unei variabile aleatoare
Fie (Ω, F, P ) un câmp de probabilitate complet aditiv.
Dacă X : Ω → R o variabilă aleatoare, atunci mulţimile de forma
FX (a) = P (X < a) , a ∈ R,
1 = P (Ω) = P (∪∞ An )
³ ´ n=1
= P lim An = lim P (An )
n→∞ n→∞
= lim P (X < an )
n→∞
= lim F (an ) ,
n→∞
34
oricare ar fi şirul (an )n≥1 cu limn→∞ an = +∞, şi deci lima→∞ F (a) = 1.
Similar, considerând şirul descrescător a1 > a2 > . . . cu limn→∞ an = −∞,
mulţimile An = {ω ∈ Ω : Xn < an } formează un şir descrescător de mulţimi cu
∩∞
n=1 An = ∅, şi din continuitatea măsurii de probabilitate obţinem
0 = P (∅) = P (∩∞ An )
³ ´n=1
= P lim An = lim P (An )
n→∞ n→∞
= lim P (X < an )
n→∞
= lim F (an ) ,
n→∞
oricare ar fi şirul descrescător (an )n≥1 cu limn→∞ an = −∞, şi deci limα→−∞ F (α) =
0.
Să observăm că dacă a, b ∈ R cu a < b, atunci {X < a} ⊂ {X < b} şi deci
P (X < a) ≤ P (X < b) ,
oricare ar fi şirul (an )n≥1 cu limita a, şi deci limα%a F (α) = F (a), oricare ar fi
a ∈ R, adică F este o funcţie continuă la stânga pe R.
1.6.1 Exerciţii
1. Pentru variabilele aleatoare indicate, să se determine funcţia de distribuţie
corespunzătoare şi să se reprezinte grafic.
µ ¶
1 2 3 4
(a) X =
1/4 1/2 1/8 1/8
µ ¶
1 2 3
(b) Y =
1/2 1/3 1/6
35
2. Se ştie că articolele produse de un anumit producător sunt defecte cu
probabilitate de 0.1, independent unele de altele.
36
1.7 Variabile aleatoare discrete
Numim variabilă aleatoare discretă o variabilă aleatoare ce poate lua un număr
cel mult numărabil de valori (adică fie un număr finit de valori, fie o mulţime
de valori numărabilă, adică ale cărei elemente formează un şir).
Notând cu x1 , x2 , . . . valorile posibile ale variabilei aleatoare X şi cu pi =
P (X = xi ), i = 1, 2, . . ., probabilităţile corespunzătoare, reprezentăm variabila
aleatoare discretă X sub forma
µ ¶
x1 x2 . . .
X= .
p1 p2 . . .
Observaţia 1.7.1 Cum variabila aleatoare X ia numai valorile x1 , x2 , . . . cu
probabilităţile corespunzătoare p1 , p2 , . . ., rezultă că avem
X
pi = 1
i≥1
şi
P (X = x) = 0, oricare ar fi x ∈ R − {x1 , x2 , . . .} .
Graficul funcţiei de distribuţie FX a unei variabile aleatoare discrete X este
o funcţie în scară, ce are discontinuităţi la dreapta in punctele xi (salturi egale
cu pi în aceste puncte).
Câteva caracteristici numerice ale unei variabile aleatoare discrete:
• Media: este suma valorilor luate de variabila aleatoare înmulţite cu prob-
abilităţile corespunzătoare:
X X
M (X) = xi P (X = xi ) = xi pi ,
i≥1 i≥1
dacă această serie este absolut convergentă (în caz contrar, seria fie nu
este convergentă, fie valoarea sumei se poate schimba dacă se rearanjează
termenii x1 , x2 , . . . într-o altă ordine);
• Momentul de ordin r: este media variabilei aleatoare X r , adică
X
Mr (X) = M (X r ) = xri pi ;
i≥1
r
• Momentul centrat de ordin r: este media variabilei aleatoare (X − M (X))
X
µr (X) = M ((X − M (X))r ) = (xi − M (X))r pi ;
i≥1
• Media de ordin r:
1/r
mr = (Mr (X)) .
37
1.7.1 Variabila aleatoare uniformă
Modelează efectuarea unui experiment ce are ca rezultat un un număr finit de
posibilităţi egal probabile, spre exemplu aruncarea unei monede, a unui zar,
jocul la ruletă, etc.
O variabilă aleatoare uniformă ce ia valorile 1, . . . , n (n ≥ 1) este de forma
µ ¶
1 2 ... n
X= 1 1 .
n n . . . n1
respectiv
Xn µ ¶2
2 n+1 1
σ (X) = i− ·
i=1
2 n
n n n
1 X 2 n+1 X 1 X (n + 1)2
= i − i+
n i=1 n i=1 n i=1 4
1 n (n + 1) (2n + 1) n + 1 n (n + 1) 1 (n + 1)2
= − + n
n 6 n 2 n 4
n2 − 1
= .
12
M (X) = 0 · (1 − p) + 1 · p = p,
şi respectiv
2 2
σ 2 (X) = (0 − p) · (1 − p) + (1 − p) · p = p (1 − p) = pq.
38
1.7.3 Variabila aleatoare binomială
O variabilă aleatoare X reprezentând numărul de succese obşinute în n repetări
independente ale unui experiment Bernoulli în care probabilitatea succesului
este p, se numeşte variabilă aleatoare binomială cu parametrii n şi p:
µ ¶
0 1 ... n
X= ,
p0 p1 . . . pn
n−i
unde pi = P (X = i) = Cni pi (1 − p) , este probabilitatea obţinerii a i succese
(şi a n − i insuccese), i = 0, 1, . . . , n.
şi respectiv
n
X
σ 2 (X) = (i − np)2 Cni pi (1 − p)n−i = np (1 − p) = npq.
i=0
Demonstraţie. Avem:
P (X = i) C i pi (1 − p)n−i (n − i + 1) p
= i−1 n n−i+1 = ≥1
P (X = i − 1) Cn p i−1 (1 − p) i (1 − p)
39
Exemplul 1.7.4 Se aruncă 4 monede, şi presupunem că aruncările sunt inde-
pendente, în fiecare din ele probabilitatea de apariţie a stemei fiind 1/4. Atunci
variabila aleatoare X ce reprezintă numărul de steme obţinut este o variabilă
aleatoare binomială (ea dă numărul de succese obţinut, apariţia stemei fiind
considerată ca fiind un succes) cu parametrii n = 4 şi p = 1/2, si deci avem
µ ¶ µ ¶
0 1 2 3 4 0 1 2 3 4
X= = 1 4 6 4 1 ,
p0 p1 p2 p3 p4 16 16 16 16 16
¡ 1 ¢k ¡ 1 ¢4−k
unde pk = C4k 2 2 , k = 0, . . . , 4.
∞
X ∞
X k−1
pk = (1 − p) p
k=1 k=1
³ ´
= p 1 + (1 − p) + (1 − p)2 + . . .
1
= p
1 − (1 − p)
1
= p
p
= 1.
40
Media şi dispersia variabilei aleatoare geometrice cu parametrul p sunt
∞
X ∞
X 1
M (X) = k · pk = k · (1 − p)k−1 p = ,
p
k=1 k=1
respectiv
∞ µ
X ¶2 ∞ µ
X ¶2
1 1 k−1 1−p
σ 2 (X) = k− · pk = k− · (1 − p) p= .
p p p2
k=1 k=1
P ( X = n + k | X > n) = P (X = k) ,
pentru orice k, n ≥ 1.
Demonstraţie. Avem:
P (X = n + k, X > n) P (X = n + k)
P ( X = n + k | X > n) = =
P (X > n) 1 − P (X ≤ n)
(1 − p)n+k−1 p (1 − p)n+k−1 p
= Pn = Pn i−1
1 − i=1 P (X = i) 1 − i=1 (1 − p) p
(1 − p)n+k−1 p (1 − p)n+k−1 p k−1
= n = n = (1 − p) p
1 − p (1−p) −1
1−p−1
(1 − p)
= P (X = k) .
şi deci variabila aleatoare geometrică nu are “memoria” primelor 100 de insuc-
cese (adică a feţei “ban”).
Se poate arăta că variabila aleatoare geometrică este singura variabilă aleatoare
discretă ce are această proprietate de lipsă a memoriei.
41
efectuate (in fiecare din ele probabilitatea succesului fiind p), până la apariţia a
r succese.
Variabila aleatoare binomială cu parametrii r şi p este deci:
µ ¶
r r + 1 r + 2 ...
X= ,
pr pr+1 pr+2 . . .
r−1 k−r
unde pk = P (X = k) = Ck−1 (1 − p) pr , k = r, r + 1, . . .
Se poate arăta că media şi dispersia unei variabile aleatoare binomiale neg-
ative cu parametrii r ∈ N∗ şi p ∈ (0, 1) sunt date de
1−p
M (X) = r ,
p
respectiv
1−p
σ 2 (X) = r .
p2
42
Astfel, pentru n “mare” şi p “mic” astfel încât λ = np are o valoare moderată,
atunci dacă Y este o variabilă aleatoare binomială cu parametrii n şi p, avem:
µ ¶n−k k
n! λ λ
P (Y = k) = Cnk (1 − p)n−k pk = 1−
(n − k)!k! n nk
µ ¶n
n (n − 1) . . . (n − k + 1) λk λ 1
= 1− ¡ ¢k
nk k! n 1 − nλ
λk −λ
≈ 1· ·e ·1
k!
= P (X = k) ,
şi deci putem aproxima variabila aleatoare binomială Y (cu parametrii n şi p)
prin variabila aleatoare Poisson X (cu parametrul λ = np).
Se poate arăta că media şi dispersia unei variabile aleatoare Poisson cu para-
metrul λ sunt
X∞ ∞
X λk
M (X) = kpk = ke−λ = λ,
k!
k=0 k=0
respectiv
∞
X ∞
X
2 2 λk
σ 2 (X) = (k − λ) pk = (k − λ) e−λ = λ.
k!
k=0 k=0
1.7.7 Exerciţii
1. Într-un şir de încercări Bernoulli cu probabilitatea succesului p ∈ (0, 1),
care este probabilitatea apariţiei a n succese înainte de apariţia a m in-
succese?
2. Din două cutii de chibrituri, fiecare conţinând N beţe, se scot independent,
cu probabilităţi egale, câte un chibrit. Care este probabilitatea ca atunci
când una din cutii este goală, cealaltă să conţină k chibrituri? (k =
0, 1, . . . , N )
3. Fie X o variabilă aleatoare Poisson cu parametrul λ > 0. Să se arate că
probabilitatea P (X = n) creşte, apoi descreşte, atunci când n = 0, 1, 2, . . ..
Pentru ce valoare a lui n este probabilitatea P (X = n) maximă?
1−p
4. O familie are n ≥ 1 copii cu probabilitate αpn , unde p ∈ (0, 1) şi α ≤ p .
43
(a) Ce procent de familii nu au nici un copil?
(b) Dacă probabilitatea unui copil de a fi băiat este 1/2 şi este indepen-
dentă de sexul celorlalţi copii din familie, ce procent de familii au
exact k băieţi (şi orice număr de fete)?
44
11. O monedă se aruncă repeptat, până la cea de-a 10-a apariţie a feţei
ban. Dacă X este variabila aleatoare ce reprezintă numărul de feţe stemă
obţinut, să se determine probabilitatea P (X = n), n = 0, 1, 2, . . ..
45
1.8 Variabile aleatoare continue
Definiţia 1.8.1 Numim variabilă aleatoare continuă pe spaţiul de probabilitate
(Ω, F, P ) o variabilă aleatoare X : Ω → R pentru care funcţia de distribuţie
corespunzătoare FX : R → [0, 1], FX (a) = P (X < a) este o funcţie continuă.
Observaţia 1.8.3
µ Am văzut ¶că funcţia de distribuţie a unei variabile aleatoare
x1 x2 . . .
discrete X = este discontinuă în punctele xi (are un salt egal
p1 p2 . . .
cu pi în aceste puncte), şi deci o variabilă aleatoare discretă nu este o variabilă
aleatoare continuă.
P (X = a) = P (X ≤ a) − P (X < a)
= lim P (X < a) − P (X < a)
α&a
= lim FX (α) − FX (a)
α&a
= FX (a) − FX (a)
= 0,
46
adică Z +∞
f (x) dx = 1.
−∞
Reciproc, se poate arăta că dacă f : R → [0, +∞) este o funcţie integrabilă
ce verifică această relaţie, atunci există o variabilă aleatoare continuă având
funcţia f ca densitate de probabilitate.
şi deci funcţia de distribuţie F dă aria de sub graficul funcţiei f (a densităţii
variabilei aleatoare X).
conform teoremei de medie, unde a∗ este un punct intermediar între a şi a + ∆a.
47
Trecând la limită cu ∆a → 0, obţinem
F (a + ∆a) − F (a)
F 0 (a) = lim
∆a→0 ∆a
= lim f (a∗ )
∆a→0
= f (a) ,
deoarece f este continuă în punctul a (şi deci a∗ → a).
Observaţia 1.8.11 Valoarea f (a) a densităţii unei variabile aleatoare X în
punctul a nu este probabilitatea ca X să ia valoarea a (am văzut că pentru o
variabilă aleatoare continuă avem P (X = a) = 0, oricare ar fi a ∈ R).
Interpretarea ce se poate da este următoarea
³ Z a+ ε2
ε ε´
P a− <X <a+ = f (x) dx ≈ f (a) · ε,
2 2 a− ε2
48
• Momentul centrat de ordin r:
Z +∞
r r
µr (X) = M ((X − M (X)) ) = (x − M (X)) f (x) dx.
−∞
şi Z Z
+∞ +∞
P (X ≥ a) = f (x) dx = 0dx = 0,
b b
iar pentru a ≤ α < β ≤ b avem
Z β Z β
1 β−α
P (α ≤ X ≤ β) = f (x) dx = dx = ,
α α b−a b−a
ceea ce arată că X ia valori (numai) în intervalul [a, b], probabilitatea ca X să
ia valori într-un subinterval al lui [a, b] fiind proporţională cu lungimea acestui
subinterval.
Media şi dispersia unei variabile aleatoare uniforme pe intervalul [a, b] sunt
Z +∞ Z b µ 2 ¶
1 1 b a2 a+b
M (X) = xf (x) dx = x· dx = − = ,
−∞ a b−a b−a 2 2 2
respectiv
³ ´ Z µ ¶2
2
b
a+b 1 (b − a)2
σ 2 (X) = M (X − M (X)) = x− · dx = .
a 2 b−a 12
49
Observaţia 1.8.13 Dacă X este o variabilă aleatoare uniformă pe intervalul
[a, b], atunci Y = c1 X + c2 este o variabilă aleatoare uniformă pe intervalul
[ac1 + c2 , bc1 + c2 ].
În particular, dacă X este o variabilă aleatoare uniformă pe intervalul [a, b],
atunci Y = X−a b−a este o variabilă aleatoare uniformă pe intervalul [0, 1].
50
adică funcţia de distribuţie a variabilei aleatoare X calculată în punctul a−β α
(am folosit aici faptul că α > 0).
Derivând în raport cu a, şi folosind faptul că derivata funcţiei de distribuţie
este densitatea de probabilitate (adică FY0 = fY şi FX 0
= fX ), obţinem:
µ µ ¶¶0 µ ¶
a−β 1 0 a−β
fY (a) = FY0 (a) = FX = FX
α α α
µ ¶
1 a−β
= fX
α α
2
1 1 −
( a−β
α
−µ)
= ·√ e 2σ 2
α 2πσ
2
1 − (a−(αµ+β))
= √ e 2(ασ)2 ,
2π (ασ)
adică Y ∈ N (αµ + β, ασ).
1.8.3 Exerciţii
1. O variabilă aleatoare are densitatea
½ ¡ ¢
c 4x − x2 , 0<x<2
f (x) =
0, în rest
51
(a) Să se determine valoarea constantei c
(b) Care este probabilitatea ca piesa să funcţioneze între 50 şi 100 de
ore?
(c) Care este probabilitatea ca piesa să funcţioneze mai puţin de 100 de
ore?
(a) P (X < 3)
(b) P (X > 6)
(c) P (3 < X < 8)
52
(a) Să se determine proporţia pieselor ce necesită cel puţin 35 minute
pentru asamblare
(b) Ce durată de timp de asamblare este depăşită pentru 90% din piese?
11. Presupunem că durata unei convorbiri telefonice este o variabilă aleatoare
1
cu parametrul λ = 10 . Dacă o persoană soseşte la o cabină telefonică exact
când o altă persoană a început convorbirea, să se determine următoarele
probabilităţi:
53
1.9 Media unei variabile aleatoare. Proprietăţi.
1.9.1 Cazul variabilelor aleatoare discrete
Exemplul 1.9.1 Să considerăm variabila aleatoare X reprezentând câştigul
obţinut în următorul joc: se aruncă un ban, şi pentru apariţia stemei (cu prob-
abilitatea p1 ) se câştigă x1 lei, iar pentru apariţia banului
µ (cu probabilitatea
¶ p2 )
x1 x2
se câştigă x2 lei. Variabila aleatoare este deci X = , cu x1,2 ∈ R,
p1 p2
0 ≤ p1 , p2 ≤ 1 şi p1 + p2 = 1.
Repetând de n ori experimentul, câştigul mediu obţinut în cele n încercări
este
câştigul din prima aruncare+a doua+. . . +ultima aruncare
n
x1 · nr apariţii ale lui x1 + x2 · nr de apariţii ale lui x2
=
n
nr apariţii ale lui x1 de apariţii ale lui x2
= x1 + x2 · .
n n
Una din teoremele limită ale teoriei probabilităţilor (legea numerelor mari)
arată că frecvenţele relative tind către probabilitate, şi deci
nr apariţii ale lui x1 de apariţii ale lui x2
Media în nîncercări = x1 + x2 · →
| n
{z } | n
{z }
n→∞
Teorema 1.9.3 Dacă X, Y sunt variabile aleatoare discrete pentru care există
mediile M (X) şi M (Y ), atunci:
54
c) M (aX + bY ) = aM (X) + bM (Y ), oricare ar fi a, b ∈ R
µ ¶
x1 x2 . . . P
d) Dacă ϕ : R → R şi X = , atunci M (ϕ (X)) = i ϕ (xi )·
p1 p2 . . .
pi .
M (X) = c · P (X = c) = c · 1 = c.
µ ¶
x1 x2 . . .
b) Dacă X = şi X (ω) ≥ 0, oricare ar fi ω ∈ Ω, rezultă că
p1 p2 . . .
xi ≥ 0 oricare ar fi i ≥ 1. Obţinem deci în acest caz:
X
M (X) = xi · pi ≥ 0.
|{z} |{z}
i ≥0 ≥0
µ ¶
−1 0 1
Exemplul 1.9.4 Considerând variabila aleatoare X = şi
µ ¶ 1/3 1/3 1/3
0 1
ϕ (x) = x2 , avem Y = ϕ (X) = , şi deci conform definiţiei avem
1/3 2/3
¡ ¢ 1 2 2
M (Y ) = M X 2 = 0 · + 1 · = .
3 3 3
Folosind punctul d) al teoremei anterioare, putem calcula pe o altă cale
55
această valoare, şi anume:
3
X
¡ 2¢
M X = M (ϕ (X)) = ϕ (xi ) P (X = xi ) =
i=1
1 1 1
= (−1)2 · + 02 · + 12 ·
3 3 3
2
= .
3
Observaţia 1.9.6 În acest curs vom considera numai variabile aleatoare con-
tinue care admit densitate, şi am văzut că dacă această densitate este o funcţie
continuă, atunci avem dF
dx = fX . Avem deci următoarea definiţie:
X
Teorema 1.9.8 Dacă X, Y sunt variabile alatoare continue pentru care există
mediile M (X) şi M (Y ), atunci
56
a) Dacă X (ω) ≥ Y (ω), oricare ar fi ω ∈ Ω, atunci M (X) ≥ M (Y )
b) M (aX + bY ) = aM (X) + bM (Y ), oricare ar fi a, b ∈ R
c) Dacă ϕ : R → R este o funcţie măsurabilă pentru care există media vari-
abilei aleatoare ϕ (X), atunci
Z +∞
M (ϕ (X)) = ϕ (x) fX (x) dx.
−∞
57
În particular, pentru A = (−∞, a) şi B = (−∞, b) obţinem
Z a Z b
FX,Y (a, b) = P (X < a, Y < b) = fX,Y (x, y) dydx.
−∞ −∞
Avem următoarea:
şi Z a
∂2 ∂
FX,Y (a, b) = fX,Y (a, y) dydx = fX,Y (a, b)
∂a∂b ∂a −∞
1.9.4 Exerciţii
1. Să se determine valoarea medie la aruncarea unui zar.
2. Să se determine media următoarelor variabile aleatoare:
58
(c) Variabila aleatoare geometrică cu parametrul p
(d) Variabila uniformă pe intervalul [a, b]
(e) Variabila aleatoare exponenţială cu parametrul λ > 0
¡ ¢
(f) Variabila aleatoare normală N µ, σ 2 cu medie µ şi dispersie σ2
8. Două persoane decid să se întălnească într-un anumit loc. Dacă fiecare
persoană soseşte în acest loc, în mod independent, la o oră ce este uniform
distribuită între ora 12 şi ora 13, să se determine probabilitatea ca una
din persoane să aştepte cel puţin 10 minute.
9. Să se determine densitatea fX+Y a variabilei aleatoare X + Y , unde X
şi Y sunt variabile aleatoare independente având densităţile fX , rspectiv
fY .
59
10. Să se determine densitatea fX+Y a sumei a două variabile aleatoare X, Y
uniform distribuite pe intervalul (0, 1).
11. Densitatea comună a variabilelor aleatoare X, Y este
½ ¡ 2 ¢
c x + xy , 0 < x < 1, 0 < y < 2
f (x, y) =
0, în rest
60
1.10 Variabile aleatoare independente
Fie (Ω, F, P ) un spaţiu de probabilitate fixat.
Se poate arăta şi reciproc că dacă această relaţie are loc, atunci variabilele
aleatoare X şi Y sunt independente.
Propoziţia 1.10.3 Variabilele aleatoare X şi Y sunt independente dacă şi nu-
mai dacă
∂ 2 FX,Y
fX,Y (a, b) = (a, b)
∂x∂y
∂2
= (FX (a) FY (b))
∂x∂y
∂FX ∂FY
= (a) (b)
∂x ∂y
= fX (a) fY (b) .
61
Reciproc, dacă are loc relaţia din enunţul propoziţiei, atunci
Z Z
P (X ∈ A, Y ∈ B) = fX,Y (a, b) dadb
Z ZA×B
= fX (a) fY (b) dadb
A×B
Z Z
= fX (a) da fY (b) db
A B
= P (X ∈ A) P (Y ∈ B) ,
M (XY ) = M (X) M (Y ) .
62
Exemplul 1.10.8 Considerăm variabilele aleatoare discrete X şi Y date de:
µ ¶ ½
−1 0 1 0, dacă X (ω) = ±1
X= , Y = ,
1/3 1/3 1/3 Z (ω) , dacă X (ω) = 0
unde µ ¶
−1 0 1
Z (ω) = .
1/3 1/3 1/3
este o variabilă aleatoare independentă de X.
Se verifică uşor că M (X) = M (Y ) = M (XY ) = 0, şi deci are loc egalitate
M (XY ) = M (X) M (Y ) ,
M (XY ) = M (X) M (Y )
se numesc necorelate.
D2 (X + Y ) = D2 (X) + D2 (Y ) .
Demonstraţie. Avem:
³ ´
2
D2 (X + Y ) = M (X + Y − M (X + Y ))
³ ´ ³ ´
2 2
= M (X − M (X)) + M (Y − M (Y )) + 2M ((X − M (X)) (Y − M (Y )))
= D2 (X) + D2 (Y ) + 2M (X − M (X)) M (Y − M (Y ))
= D2 (X) + D2 (Y ) + 2 (M (X) − M (X)) (M (Y ) − M (Y ))
= D2 (X) + D2 (Y ) ,
63
Definiţia 1.10.11 i) Spunem că variabilele aleatoare X1 , X2 , . . . , Xn : Ω → R
sunt independente dacă
pentru orice funcţie măsurabilă g pentru care interala există şi este finită.
Similar cazului n = 2 se demonstrează relaţiile:
Z a1 Z an
F (a1 , . . . , an ) = ... f (x1 , . . . , xn ) dxn . . . dx1
−∞ −∞
şi
∂nF
f (a1 , . . . , an ) = (a1 , . . . , an ) .
∂x1 . . . ∂xn
64
Propoziţia 1.10.14 Dacă F şi f sunt funcţia de distribuţie, respectiv funcţia
de densitate a variabilelor aleatoare X1 , . . . , Xn , , atunci următoarele sunt echiva-
lente:
i) X1 , . . . , Xn sunt echivalente;
ii) F (a1 , . . . , an ) = FX1 (a1 ) · . . . · FXn (an );
iii) f (a1 , . . . , an ) = fX1 (a1 ) · . . . · fXn (an ),
unde FXi şi fXi sunt funcţia de distribuţie, respectiv funcţia de densitate a
variabilei aleatoare Xi , 1 ≤ i ≤ n.
Are loc următoarea:
Teorema 1.10.15 i) Dacă variabilele aleatoare X1 , . . . , Xn sunt independente
şi au medii finite, atunci
M (X1 · . . . · Xn ) = M (X1 ) · . . . · M (Xn ) .
ii) Dacă variabilele aleatoare X1 , . . . , Xn sunt independente şi au dispersii
finite, atunci
D2 (X1 + . . . + Xn ) = D2 (X1 ) + . . . + D2 (Xn ) .
65
Observaţia 1.10.17 Se poate arăta că dacă ϕX (t) este definită pe un interval
ce conţin t = 0, atunci funcţia generatoare de moment ϕX determină în mod
unic distribuţia variabilei aleatoare X. Spre exemplu, dacă X ∈ N (0, 1) este o
variabilă aleatoare normală standard, atunci avem (vezi seminar):
2
ϕX (t) = et /2
,
Propoziţia 1.10.18 Fie X şi Y două variabile aleatoare pentru care există
funcţiile generatoare de moment ϕX , ϕY , definite pe un interval (α, β). Atunci:
i) Funcţia generatoare de moment a variabilei aleatoare aX + b este
Demonstraţie. i) Avem
³ ´ ³ ´ ³ ´
ϕaX+b (t) = M et(aX+b) = M e(at)X · ebt = ebt M e(at)X = ebt ϕX (at) .
1.10.2 Exerciţii
1. Să se arate demonstreze egalitatea
¡ ¢
D2 (X) = M X 2 − (M (X))2 .
66
3. Considerăm trei variabile aleatoare independente X1 , X2 şi X3 astfel încât
P (Xi = 0) = P (Xi = 1) = 12 . Considerăm variabilele aleatoare Y1 , Y2 şi
Y3 date de
½ ½
1, dacă X2 = X3 1, dacă X1 = X3
Y1 = , Y2 = ,
0, în rest 0, în rest
½
1, dacă X1 = X2
Y3 =
0, în rest
67
1.11 Teoreme limită
Teoremele limită constituie rezultatele teoretice cele mai importante ale teoriei
probabilităţilor. Dintre acestea, cel mai importante sunt:
• legile numerelor mari (dau condiţii în care media aritmetică a unui şir de
variabile aleatoare converge într-un anumit sens la o anumită constantă -
valoarea medie a mediei aritmetice respective);
• teoreme limită centrale (dau condiţii în care suma unui număr de vari-
abile aleatoare, corespunzătpr normată, converge la o variabilă aleatoare
normală).
M (X)
P (X ≥ a) ≤ .
a
Demonstraţie. Vom face demonstraţia în cazul unei variabile aleatoare X
continue, având densitatea f (x).
Dacă M (X) = +∞, inegalitatea este evident adevărată, şi deci putem pre-
supune că media M (X) este finită. Avem
Z +∞ Z +∞
X≥0
M (X) = xf (x) dx = xf (x) dx
−∞ 0
Z +∞ Z +∞
a>0
≥ xf (x) dx ≥ af (x) dx
a a
= aP (X ≥ a) ,
M (X)
P (X ≥ a) ≤ .
a
68
Demonstraţie. Considerăm variabila aleatoare ne-negativă Y = (X − µ)2 .
Din inegalitatea lui Markov, obţinem:
³ ´ ¡ ¢
2
P (|X − µ| ≥ a) = P (X − µ) ≥ a2 = P Y ≥ a2
³ ´
2
M (Y ) M (X − µ) D2 (X)
≤ = =
a2 a2 a2
σ2
= .
a2
adică
P (X = µ) = 1,
ceea ce arată că singurele variabile aleatoare având dispersie 0 sunt cele con-
stante.
Teorema 1.11.6 (Legea slabă a numerelor mari) Fie X1 , X2 , . . . un şir de
variabile aleatoare independente şi identic distribuite, având medie M (Xi ) = µ
— finită. Atunci oricare ar fi ε > 0 avem
µ¯ ¯ ¶
¯ X1 + . . . + Xn ¯
P ¯¯ − µ¯¯ > ε → 0
n n→∞
X1 +...+Xn
(adică şirul n converge în probabilitate către µ).
69
Demonstraţie. Vom face demonstraţia în ipoteza suplimentară că există
dispersia D2 (Xi ) = σ 2 < +∞.
Pentru un n ≥ 1 arbitrar fixat, considerând variabila aleatoare
X1 + . . . + Xn
Y = ,
n
avem
µ ¶
X1 + . . . + Xn 1 nµ
M (Y ) = M = (M (X1 ) + . . . + M (Xn )) = =µ
n n n
şi
µ ¶
X1 + . . . + Xn 1
D2 (Y ) = D2 = 2 D2 (X1 + . . . + Xn )
n n
X1 ,X2 ,... 1 ¡ 2 ¢
= D (X1 ) + . . . + D2 (Xn )
indep endente n2
nσ 2
=
n2
σ2
= .
n
Din inegalitatea Cebâşev avem
µ¯ ¯ ¶
¯ X1 + . . . + Xn ¯ D2 (Y ) σ 2 /n σ2
P ¯¯ − µ¯¯ > ε = P (|Y − µ| > ε) ≤ 2
= 2 = 2 → 0.
n ε ε nε n→∞
70
Lema 1.11.8 Fie Z1 , Z2 , . . . un şir de variabile aleatoare având funcţiile de
distribuţie FZn şi funcţiile generatoare de moment ϕZn , şi fie Z o variabilă
aleatoare cu funcţia de distribuţie FZ şi funcţia generatoare de moment ϕZ .
Atunci
ϕZn → ϕZ =⇒ FZn → FZ ,
n→∞ n→∞
71
Avem deci:
¡ ¢
M (X) M X2 2
ϕX (0) = 1 + t+ t + R (t) =
1! 2!
µ σ 2 + µ2 2
= 1+ t+ t + R (t)
1! 2!
0 1 + 02 2
= 1+ t+ t + R (t)
1! 2!
t2
= 1 + + R (t) ,
2
şi deci µ µ ¶¶n µ µ ¶¶n
t t2 t
ϕX √ = 1+ +R √ ,
n 2n n
de unde obţinem
µ µ ¶¶n
t
lim ϕ X1 +...+X
√ n (t) = lim ϕX √
n→∞ n n→∞ n
µ µ ¶¶n
t2 t
= lim 1 + +R √
n→∞ 2n n
2
t
limn→∞ n 2n +R √tn
= e
R √t
t2 n
2 +limn→∞ t2 2
√t
= e n
t2
= e2.
Conform lemei anterioare rezultă că
Z a
1 x2
F X1 +...+X
√ n (t) → ΦZ = √ e− 2 dx,
n −∞ 2π
oricare ar fi t ∈ R, încheiând demonstraţia în cazul particular µ = 0 şi σ 2 = 1.
Pentru cazul general, considerăm variabilele aleatoare X̃i = Xiσ−µ , i ≥
1, şi cum variabilele aleatoare X1 , X2 , . . . sunt independente şi identic dis-
tribuite, cu medie M (Xi ) = µ şi dispersie D2 (Xi ) = σ2 , rezultă că variabilele
aleatoare ³X̃1 ,´X̃2 , . . . sunt de asemenea
³ ´ independente şi identic distribuite, cu
2
medie M X̃i = 0 şi dispersie D X̃i = 0.
Coform cazului anterior demonstrat rezultă că
Z a
1 x2
F X̃1 +...+
√
X̃n (t) → ΦZ = √ e− 2 dx, t ∈ R,
n −∞ 2π
sau echivalent
Z a
1 x2
F X1 +...+X
√ n
−nµ (t) → ΦZ = √ e− 2 dx, t ∈ R,
σ n −∞ 2π
încheiând demonstraţia.
72
Observaţia 1.11.10 Există o variantă mai generală a legii numerelor mari
(legea tare a numerelor mari). Ea afirmă următoarea:
1.11.1 Exerciţii
1. O fabrică produce în medie 50 produse pe săptămână.
73
(a) Să se utilizeze inegalitatea Markov pentru a estima probabilitatea
P20
P i=1 Xi > 15.
(b) Să³se utilizeze Teoreme
´ limită centrală pentru a estima probabilitatea
P20
P i=1 Xi > 15 .
74