Documente Academic
Documente Profesional
Documente Cultură
7
2. La aruncarea unui zar, evenimentul care consta in
aparitia oricarei fete de la 1 la 6 constituie evenimentul
sigur.
3. Aparitia unui numar de 7 puncte la o proba a aruncarii
unui zar este un eveniment imposibil.
4. Extragerea unei bile negre dintr-o urna care contine
numai bile albe, este un eveniment imposibil.
5. Aparitia fetei 1 la aruncarea unui zar este un eveniment
intamplator.
Evenimentele intamplatoare se supun unor legitati, numite
legitati statistice. In acest sens, nu se poate prevedea daca intr-
o singura aruncare a unui zar se obtine fata 1; daca insa se
efectueaza un numar suficient de mare de aruncari se poate
prevedea cu suficienta precizie numarul de aparitii ale acestei
fete.
Evenimentele intamplatoare pot fi compatibile si
incompatibile.
Doua evenimente se numesc incompatibile, daca realizarea
unuia exclude realizarea celuilalt.
EXEMPLE
1. Evenimentele: aparitia fetei 1 la aruncarea unui zar si
respectiv aparitia fetei 2 la aruncarea unui zar, sunt
incompatibile.
2. Evenimentele: aparitia fetei 1 la aruncarea unui zar si
respectiv aparitia unei fete cu un numar impar de puncte
la aruncarea unui zar, sunt compatibile
Evenimentele pot fi dependente sau independente.
Doua evenimente se numesc independente daca realizarea
unuia nu influenteaza probabilitatea realizarii celuilalt si
dependente in caz contrar.
EXEMPLE
1. Evenimentele: aparitia fetei 1 la aruncarea unui zar si
respectiv aparitia fetei 2 la o alta aruncare a zarului,
sunt independente.
8
2. Evenimentele: obtinerea unui numar de 7 puncte la
aruncarea a doua zaruri si aparitia fetei 2 pe unul dintre
doua zaruri, stiind ca acestea au suma punctelor de pe
fetele de deasupra 7, sunt dependente.
A⊂ B
OBSERVATII a) Implicatia evenimentelor este echivalenta cu
incluziunea multimilor. (vezi fig. nr. 1)
Ω
B
A
Fig. nr. 1
b) Orice eveniment aleator,
precum si evenimentul
imposibil, implica evenimentul Ω
sigur:
Fig. nr. 2
A⊂Ω , Φ ⊂Ω .
DEFINITIE Se spune ca un eveniment este contrar
A evenimentului
A, daca realizarea sa consta in nerealizarea lui A.A Notatia
folosita este A .
10
Fig. nr. 4
c) Oricare ar fi evenimentul A , au loc relatiile :
A∪ A = A,
B
A ∪Φ = A ,
A∪Ω = Ω ,
Ω ∪Φ = Ω .
Intersectia (sau produsul) evenimentelor A si B este
DEFINITIE
evenimentul P care consta in realizarea simultana a
evenimentelor A si B .
Notatia este :
P = A∩ B .
OBSERVATIE Geometric, A ∩ B este reprezentat prin regiunea
comuna celor doua cercuri prezentate in fig. nr. 3.
Prin introducerea notiunii reuniune si intersectie, unele
notiuni din teoria probabilitatilor pot fi formulate in mod mai
precis. Astfel, pentru evenimentele opuse se pot formula in
acest moment urmatoarele DEFINITII:
I) evenimentele A si A se numesc opuse daca au loc relatiile:
A ∪ A = E si A ∩ A = Φ
II) Evenimentele A si B sunt incompatibile daca:
A∩ B =Φ .
In caz contrar ( A ∩ B ≠ Φ ), evenimentele se numesc
compatibile.
APLICATII 1. Fie A si B doua evenimente din acelasi camp; sa
se arate ca:
A∪ B = A ∩ B ,
A∩ B = A ∪ B .
A∪ B⊂ A ∩B (1) .
Invers, daca se realizeaza A ∩ B adica se realizeaza A si
B , atunci nu se realizeaza nici unul din evenimentele A , B ,
deci nu se realizeaza evenimentul A ∪ B . Dar nerealizarea lui
A ∪ B inseamna realizarea lui A ∪ B .
Rezulta ca realizarea evenimentului A ∩ B implica
realizarea evenimentului A ∪ B , adica :
A ∩ B ⊂ A∪ B . (2 )
Din relatiile (1) si (2 ) rezulta:
A∪ B = A ∩ B .
12
realizeaza cel putin unul din evenimentele A , B , adica se
realizeaza evenimentul A ∪ B . Prin urmare:
A∩ B ⊂ A ∪ B .
A ∪ B ⊂ A∩ B ,
si rezulta ca:
A∩ B = A ∪ B .
OBSERVATIE In general, se spune ca evenimentele A si B sunt
egale (not. A = B ) daca A ⊂ B si B ⊂ A .
2. Sa se arate ca relatiile
A⊂ B,
B⊂A,
A∪ B = B ,
A∩ B = A.
sunt echivalente.
Se va arata ca daca una din cele patru relatii este
adevarata, atunci si celelalte trei sunt adevarate.
Fie A ⊂ B este adevarata. Aceasta inseamna ca daca A se
realizeaza, atunci se realizeaza si B .
Relatia B ⊂ A arata ca daca nu s-a realizat B , atunci nu s-a
realizat nici A , ceea ce este adevarat; daca nu ar fi asa, ar fi
contrazisa relatia A ⊂ B .
Pentru a arata ca A ∪ B = B (daca A ⊂ B ), este suficient sa
se arate ca A ∪ B ⊂ B (3 ) , deoarece relatia B ⊂ A ∪ B este
evidenta, ea insemnand ca daca se realizeaza B , atunci se
realizeaza unul din evenimentele A , B .
13
Pentru a demonstra relatia (3 ) trebuie aratat ca de cate ori
se realizeaza A ∪ B , se realizeaza si B .
Daca A ∪ B s-a realizat, atunci sau s-a realizat B (si relatia
este demonstrata) sau s-a realizat A si atunci, conform ipotezei
A ⊂ B , s-a realizat si B .
Pentru a arata ca A ∩ B = A (in aceeasi ipoteza A ⊂ B ), se
observa ca daca se realizeaza A , atunci conform ipotezei se
realizeaza si B , deci se realizeaza A ∩ B . Se poate scrie
A ⊂ A∩ B .
Relatia A ∩ B ⊂ A este evidenta, ea insemnand ca daca se
realizeaza A si B , atunci se realizeaza A (relatia A ∩ B ⊂ A
este adevarata fara ipoteza A ⊂ B ). Deci A ∩ B = A .
Prin rationamente asemanatoare, se arata ca daca se va lua
ca ipoteza alta din cele patru relatii din enunt, atunci prima
relatie va rezulta drept o concluzie.
3. Relatiile :
A∩ B =Φ ,
A⊂ B ,
B⊂ A,
sunt echivalente.
Se presupune ca A ∩ B = Φ , adica evenimentele A si B
sunt incompatibile. Aceasta inseamna ca daca A se realizeaza,
atunci B nu se realizeaza, deci se realizeaza B , adica A ⊂ B .
Invers, daca A ⊂ B , atunci daca A se realizeaza, se
realizeaza in mod sigur si B , deci B nu se realizeaza. Aceasta
insemna ca evenimentele A si B sunt incompatibile, adica
A∩ B =Φ .
Rezulta ca primele doua relatii din enunt sunt echivalente.
Evidenta primei si a celei de-a treia relatii rezulta acum din
simetria relatiei A ∩ B = Φ .
20
= 0 ,02 .
1000
Se va cauta a se lamuri, pe plan teoretic, ce se intelege prin
probabilitatea unui eveniment intr-o operatie de masa data,
retinand in acest scop ca unitatile elementare rezultate dintr-un
15
proces de masa - unitati ale colectivitatii constituite - isi
contopesc caracteristicile lor particulare intr-o caracteristica a
intregului ansamblu, intr-o legitate generala care caracterizeaza
nu un element anumit al colectivitatii studiate, ci un element
oarecare al acesteia, legitate care se va denumi legitate
statistica.
Daca intr-o operatie de masa care are loc in conditii identice,
un eveniment A se produce in medie de m ori, adica la m din
n unitati elementare ale colectivitatii studiate, probabilitatea
evenimentului A este
m
P ( A) = (1) .
n
In aceasta relatie, n reprezinta numarul cazurilor egal
posibile, pe cand m reprezinta numarul cazurilor favorabile; ea
sintetizeaza definitia clasica a notiunii de probabilitate: se
numeste probabilitatea unui eveniment A si se noteaza cu
P ( A) , raportul dintre numarul m de rezultate favorabile
producerii lui A si numarul total n de rezultate posibile ale
experientei, in conditia ca toate rezultatele sa fie egal posibile.
Pe baza acestei definitii se vede imediat ca probabilitatea de
aparitie – la o singura aruncare – a uneia din fetele unui zar
1
omogen si perfect construit este , sau probabilitatea de
6
1
aparitie a uneia din fetele monedei este etc.
2
Deoarece m ≤ n rezulta ca probabilitatea oricarui eveniment
intamplator A satisface dubla inegalitate :
0 ≤ P ( A) ≤ 1 . (2 )
Cu cat P ( A) este mai apropiat de 1 , cu atat evenimentul A
are loc mai des. Daca P ( A) = 0 , evenimentul sau nu are loc
niciodata, sau are loc foarte rar, asa ca practic il consideram
16
imposibil. Daca P ( A ) = 1 , evenimentul are loc totdeauna, deci
este un eveniment sigur.
Din definitia clasica a probabilitatii (1) , rezulta urmatoarele:
PROPRIETATI
1. Probabilitatea evenimentului sigur este 1 , intrucat in acest
caz m = n ;
2. Probabilitatea evenimentului imposibil este 0 , intrucat in
acest caz m = 0 ;
3. Probabilitatea unui eveniment intamplator este cuprinsa intre
0 si 1 , intrucat in acest caz 0 < m < 1 .
17
SCHEMA LUI KOLMOGOROV
(1),(2 ),..., (6 ) .
In mod analog, aparitia uneia din doua fete ne conduce la
evenimentele :
C 61 + C 62 + C 63 + C 64 + C 65 = 6 + 15 + 20 + 15 + 6 = 62
evenimente.
18
Adaugand la aceasta evenimentul sigur, care consta in
faptul ca la o aruncare cu zarul va aparea in mod sigur una din
cele sase fete, precum si evenimentul imposibil, constand din
faptul imposibil ca la aruncarea cu zarul sa nu iasa nici una din
fete, se obtin in total 64 evenimente, care formeaza campul de
evenimente generat de experienta aruncarii unui zar.
Evenimentele (1), (2 ),..., (6 ) rezultate direct din experienta, vor
fi numite evenimente elementare.
Prin urmare, sunt:
1 + C 62 + C63 + C64 + C 65 + 1 = 2 6
(1) ∪ (2 ) = (1,2 ) .
In mod analog, realizarea simultana a evenimentelor (1,2 ,3 )
si (1,3 ) este evenimentul (1,3 ) . Se spune ca evenimentul (1,3 )
este intersectia (produsul) evenimentelor (1,2 ,3 ) si (1,3 ) , adica :
(1,2 ) ∩ (5 ,6 ) = Φ .
19
Din cele aratate pana acum rezulta ca orice eveniment al
campului care nu este elementar, sau evenimentul nul, este o
reuniune de evenimente elementare.
In particular, reuniunea (adunarea) tuturor evenimentelor
elementare conduce la evenimentul sigur, care va fi notat cu
Ω.
Se considera evenimentul (1) . Evenimentul (2,3,4 ,5 ,6 ) se
bucura de proprietatile:
(1) ∪ (2,3,4 ,5 ,6 ) = Ω ;
(1) ∩ (2,3,4 ,5 ,6 ) = Φ .
Evenimentul (1) este complementul evenimentului
(2,3,4 ,5 ,6 ) .
In general, un camp de evenimente este caracterizat prin
urmatoarele proprietati : daca notam cu Ak , 1 ≤ k ≤ h ,
h h
evenimente ale campului, U Ak , I Ak sunt de asemenea
k =1 k =1
20
m
0≤ ≤1.
n
AXIOMA 3. Probabilitatea evenimentului sigur este egala cu 1 .
AXIOMA 4. Probabilitatea reuniunii a doua evenimente
incompatibile intre ele este egala cu suma probabilitatilor
evenimentelor.
Dupa cum se stie evenimentele incompatibile sunt acelea
care se exclud reciproc. Conform definitiei, se poate scrie
A ∩ B = Φ . Astfel, a patra axioma se poate scrie :
P ( A ∪ B ) = P ( A) + P (B ) , unde A ∩ B = Φ .
P ( A1 ∪ A2 ∪ ... ∪ An ) = P ( A1 ) + P ( A2 ) + ...P ( An )
m1 m m
Atunci : P ( A1 ) = , P ( A2 ) = 2 , …, P ( An ) = n .
s s s
m1 + m2 + ... + mn
P ( A1 ∪ A2 ∪ ... ∪ An ) =
s
si
P ( A1 ∪ A2 ∪ ... ∪ An ) = P ( A1 ) + P ( A2 ) + ...P ( An ) .
A ∪ A = E si A ∩ A = Φ .
Aceste relatii arata ca evenimentele sunt incompatibile si ca
in fiecare proba se realizeaza unul dintre ele. +tiind ca
evenimentul A se realizeaza de m ori in n operatii individuale,
iar A de n − m ori, probabilitatile acestor evenimente sunt :
m n−m m
P ( A) = , P (A ) = = 1− .
n n n
Efectuand suma probabilitatilor acestor evenimente, se
obtine:
P ( A ) + P (A ) = 1 .
22
adica suma probabilitatilor a doua evenimente opuse este egala
cu 1 .
A1 ∪ A2 ∪ ... ∪ As = E ,
Ai ∩ A j = Φ , (∀) i , j ∈ {1,2 ,..., s}
cu probabilitatea:
P ( A1 ∪ A2 ∪ ... ∪ As ) = P (E )
sau
P ( A1 ) + P ( A2 ) + ... + P ( As ) = 1 ,
23
fiecare extractie, evenimentele care constau in extragerea unei
piese standard la fiecare extractie sunt independente.
b) Daca se arunca o moneda de doua ori, probabilitatea
aparitiei stemei (evenimentul A ) in a doua aruncare nu depinde
de faptul ca in prima aruncare s-a produs sau nu aparitia valorii
(evenimentul B ).
Doua sau mai multe evenimente se numesc dependente
daca probabilitatea unuia dintre ele este influentata de
evenimentele anterioare (depunde de faptul ca evenimentele
anterioare s-au produs sau nu).
EXEMPLU Intr-o urna se gasesc a bile albe si b bile negre. Se
noteaza cu A evenimentul de a extrage o bila alba si cu B
evenimentul constand in extragerea unei bile negre dupa ce a
fost extrasa o bila (care nu se reintroduce in urna inaintea celei
de-a doua extrageri). Se fac, deci doua extrageri succesive.
Daca prima bila extrasa a fost alba, adica s-a produs
evenimentul A , atunci in urna au ramas b bile negre si
b
probabilitatea evenimentultui B este ; daca prima bila
a + b −1
extrasa a fost neagra, realizandu-se evenimentul A , atunci in
urna au ramas b − 1 bile negre si probabilitatea evenimentului
b−1
B este . Se observa ca probabilitatea evenimentului B
a + b −1
depinde de faptul ca evenimentul A s-a produs sau nu.
EXEMPLU Sa se calculeze probabilitatea ca un aparat cu o
vechime de x ani sa nu mai functioneze dupa o perioada
cuprinsa intre x + m si x + n ani ( n > m ). In acest caz apar
evenimentele A si B . Evenimentul A se realizeaza atunci
cand aparatul cu o vechime de x ani functioneaza dupa x + m
ani, iar evenimentul B atunci cand aparatul isi inceteaza
functionarea in perioada (x + m, x + n ) . Se vede din acest
exemplu ca evenimentul B este dependent (conditionat) de
evenimentul A , deoarece pentru ca aparatul cu o vechime de
24
x ani sa isi inceteze functionarea intre x + m si x + n ani
trebuie mai intai sa functioneze dupa x + m ani.
m1
P ( A1 ∩ A2 ) = . (1)
n
m1 + m2
P ( A1 ) = . (2 )
n
25
dupa ce s-a produs A1 , sunt in numar de m1 , iar cazurile
posibile m1 + m2 . Deci :
m1
PA1 ( A2 ) = . (3 )
m1 + m2
m1 + m2 m1 m
P ( A1 ) ⋅ PA1 ( A2 ) = ⋅ = 1,
n m1 + m2 n
P ( A1 ∩ A2 ) = P ( A1 ) ⋅ PA1 ( A2 ) , (4 )
relatie care constituie regula de inmultire a probabilitatilor a
doua evenimente dependente.
Din (4 ) se obtine :
P ( A1 ∩ A2 )
PA1 ( A2 ) = . (5 )
P ( A1 )
P ( A1 ∩ A2 )
PA2 ( A1 ) = . (6 )
P ( A2 )
26
APLICATIE Dintr-un lot de 40 de becuri sosit la un magazin,
dintre care 37 corespund standardului si 3 nu corespund, un
cumparator cumpara doua bucati. Sa se calculeze
probabilitatea ca aceste doua becuri sa fie corespunzatoare.
Fie A1 evenimentul ca primul bec sa fie corespunzator si A2
ca al doilea bec sa fie corespunzator. Probabilitatea
37
evenimentului A1 este P ( A1 ) = . Cand becul al doilea a fost
40
luat dupa ce in prima extragere am obtinut un bec standard, n-
au mai ramas decat 39 de becuri, dintre care 36 standard si 3
rebut. Probabilitatea evenimentului A2 conditionata de A1 va fi:
36
PA1 ( A2 ) = .
39
Deci probabilitatea ce amandoua becurile sa fie
corespunzatoare este :
37 36
P ( A1 ∩ A2 ) = P ( A1 ) ⋅ PA1 ( A2 ) = ⋅ ≈ 0 ,85 .
40 39
6
P ( A) = .
10
Dupa extragere, bila se reintroduce in urna si se face o noua
extragere. Fie B evenimentul ca sa fie extrasa o bila neagra in
4
aceasta a doua extragere. Atunci P (B ) = , probabilitate care
10
nu depinde de faptul ca evenimentul A s-a produs sau nu.
Se considera, prin urmare, relatia :
P ( A1 ∩ A2 ) = P ( A1 )⋅ P ( A2 ) .
P ( A1 ∩ A2 ) P ( A1 )⋅ P ( A2 )
PA1 ( A2 ) = = = P ( A2 ) ,
P ( A1 ) P ( A1 )
P ( A1 ∩ A2 ) P ( A1 ) ⋅ P ( A2 )
PA2 ( A1 ) = = = P ( A1 ) .
P ( A2 ) P ( A2 )
Egalitatile
PA1 ( A2 ) = P ( A2 ) si PA2 ( A1 ) = P ( A1 )
arata ca a conditiona pe A2 de A1 si pe A1 de A2 nu
influenteaza probabilitatile P ( A1 ) si P ( A2 ) . Evenimentele A si
B sunt independente.
28
In acest caz, formula (7 ) devine
A1 ∪ A2 = (A1 ∩ A2 ) ∪ (A1 ∩ A2 ) ∪ ( A1 ∩ A2 ) .
P ( A1 ) = P (A1 ∩ A2 ) + P ( A1 ∩ A2 ) , (2 )
P ( A2 ) = P (A1 ∩ A2 ) + P ( A1 ∩ A2 ) . (3 )
Insumand ultimele doua relatii si tinand seama de (1) , se
obtine:
P ( A1 ) + P ( A2 ) = P (A1 ∩ A2 ) + P ( A1 ∩ A2 ) + P (A1 ∩ A2 ) + P ( A1 ∩ A2 )
de unde rezulta :
P ( A1 ∪ A2 ) = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) . (4 )
Pentru trei evenimente A1 , A2 si A3 aceasta relatie devine :
P ( A1 ∪ A2 ∪ A3 ) = P ( A1 ) + P ( A2 ) + P ( A3 ) − P ( A1 ∩ A2 ) −
P ( A1 ∩ A3 ) − P ( A2 ∩ A3 ) + P ( A1 ∩ A2 ∩ A3 ) . (5 )
In general, pentru s evenimente are loc :
s s s −1
s
P U Ak = ∑ P ( Ak ) − ∑ P ( Ak ∩ Ah ) + ... + (− 1) P I Ak (6 )
k =1 k =1 k ,h k =1
k ≠h
30
Cu aceasta formula, numita formula lui Poincare, se
calculeaza probabilitatea ca cel putin unul din cele s
evenimente compatibile si in numar finit A1 , A2 ,…, As sa se
realizeze.
APLICATIE Un muncitor deserveste trei masini. Probabilitatile ca
in decursul unui schimb masinile sa nu se defecteze sunt :
pentru prima masina de 0 ,90 , pentru a doua masina de 0 ,94 si
pentru a treia masina de 0 ,86 . Sa se calculeze probabilitatea
ca cel putin una din masini sa lucreze fara defectiuni in decursul
unui schimb.
Aceasta probabilitate este :
P ( A1 ∪ A2 ∪ A3 ) = P ( A1 ) + P ( A2 ) + P ( A3 ) − P ( A1 ∩ A2 ) −
− P ( A1 ∩ A3 ) − P ( A2 ∩ A3 ) + P ( A1 ∩ A2 ∩ A3 ) =
= P ( A1 ) + P ( A2 ) + P ( A3 ) − P ( A1 ) ⋅ P ( A2 ) − P ( A1 ) ⋅ P ( A3 ) −
− P ( A2 ) ⋅ P ( A3 ) + P ( A1 ) ⋅ P ( A2 )⋅ P ( A3 ) =
= 0 ,90 + 0 ,94 + 0 ,86 − 0 ,90 ⋅ 0 ,94 − 0 ,90 ⋅ 0 ,86 −
− 0 ,94 ⋅ 0 ,86 + 0 ,90 ⋅ 0 ,94 ⋅ 0 ,86 = 0 ,99916 .
X = ( A1 ∩ X ) ∪ ( A2 ∩ X ) ∪ ... ∪ ( As ∩ X ) .
P ( X ) = P ( A1 ∩ X ) + P ( A2 ∩ X ) + ... + P ( As ∩ X )
sau
31
P ( X ) = P ( A1 )PA1 ( X ) + P ( A2 )PA2 ( X ) + ... + P ( As )PAs ( X ) , (1)
rezultat care constituie formula probabilitatii totale exprimand
urmatoarea :
X = ( A1 ∩ X ) ∪ ( A2 ∩ X ) ∪ ... ∪ ( As ∩ X ) .
P ( X ) = P ( A1 ∩ X ) + P ( A2 ∩ X ) + ... + P ( As ∩ X ) .
P ( A1 ∩ X ) = P ( A1 )PA1 ( X ) , P ( A2 ∩ X ) = P ( A2 )PA2 ( X ) ,…
…, P ( As ∩ X ) = P ( As )PAs ( X ) .
Prin urmare,
25 35 40
P ( A1 ) = , P ( A2 ) = , P ( A3 ) = ,
100 100 100
2 3 1
PA1 ( X ) = , PA2 ( X ) = , PA3 ( X ) = .
100 100 100
Deci,
P ( A1 ), P ( A2 ), P ( A3 ), …
PA1 ( X ) PA2 ( X ) PA3 ( X ) ,…
PX ( A1 ), PX ( A2 ),..., PX ( As ).
X ∩ Ai , i fixat,
P ( X ∩ Ai ) = P ( X ) ⋅ PX ( Ai ) = P ( Ai ) ⋅ PAi ( X ) .
P ( Ai )⋅ PAi ( X )
PX ( Ai ) = .
P (X )
P ( Ai ) ⋅ PAi ( X )
PX ( Ai ) = ,
P ( A1 ) ⋅ PA1 ( X ) + P ( A2 ) ⋅ PA2 ( X ) + ... + P ( As )⋅ PAs ( X )
34
P ( Ai )⋅ PAi ( X )
PX ( Ai ) = =
P ( A1 ) ⋅ PA1 ( X ) + P ( A2 ) ⋅ PA2 ( X ) + ... + P ( As ) ⋅ PAs ( X )
25 2
⋅
= 100 100 = 0 ,256 .
25 2 35 3 40 1
⋅ + ⋅ + ⋅
100 100 100 100 100 100
(A1 ∩ X ); (A2 ∩ X ); ( As ∩ X ) .
Prin urmare se poate scrie :
X = ( A1 ∩ X ) ∪ ( A2 ∩ X ) ∪ ( As ∩ X ) .
A1 ∩ A2 = Φ , A1 ∩ A3 = Φ , A2 ∩ A3 = Φ ,
A1 ∪ A2 ∪ A3 = E
Avand in vedere ca :
1 5 1 6 3
P ( Ai ) = , i = 1,2 ,3 , PA1 ( X ) = = , PA2 ( X ) = = ,
3 10 2 10 5
8 4
PA3 ( X ) = = ,
10 5
prin aplicarea formulei lui Bayes, se obtine:
1 4
⋅
3 5 8
PX ( A3 ) = = ≅ 0 ,421
1 1 1 3 1 4 19
⋅ + ⋅ + ⋅
3 2 3 5 3 5
36
o experienta in care au fost extrase n bile, se obtine un
eveniment de forma :
AABAK BA
p k ⋅ q n −k .
Pn (k ) = C nk p k ⋅ q n−k .
binomiala.
n!
pn (α 1 ,K ,α k ) = p1α1 pα2 2 K pkα k ,
α 1 ! α 2 ! Kα k !
37
unde p1 + K + pk = 1 si α 1 + Kα k = n .
Deoarece pn (α 1 ,K ,α k ) reprezinta unul din termenii
dezvoltarii unui polinom la puterea n , aceasta schema se mai
numeste si schema polinomiala.
C aα ⋅ C bβ
(n = a + b) .
C an+ b
38
Se dau urnele U 1 ,U 2 ,...,U n , fiecare continand bile albe si
bile negre in proportii cunoscute. Daca p1 , p2 ,..., pn sunt
probabilitatile extragerii unei bile albe din U 1 ,U 2 ,...,U n , care
este probabilitatea ca luand o bila din fiecare urna, sa obtinem
k bile albe si n − k bile negre?
Fie Ai evenimentul extragerii unei bile albe din urna
U i (i = 1,2 ,..., n ) si Ai evenimentul extragerii unei bile negre din
aceeasi urna.
( p1 x + q1 )( p2 x + q2 )...( pn x + qn ) ,
atunci probabilitatea evenimentului A este coeficientul lui x k .
39
P I Ai ≥ ∑ P ( Ai ) − (n − 1) .
i∈I i∈I
P I Ai ≥ 1 − ∑ P Ai
i∈I i∈I
( )
Intr-adevar, avand in vedere ca :
I Ai = U Ai ,
i∈I i∈I
rezulta:
i∈I i∈I
( )
P I Ai = 1 − P U Ai ≥ 1 − ∑ P Ai = ∑ P ( Ai ) − (n − 1)
i∈I i∈I
P ( A1 ∩ A2 ∩ A3 ) ≥ P ( A1 ) + P ( A2 ) + P ( A3 ) − (3 − 1)
adica:
P ( A1 ∩ A2 ∩ A3 ) ≥ 0 ,47
40
CAPITOLUL 2
VARIABILE ALEATOARE
2.1 Definitia variabilei aleatoare
Majoritatea experimentelor de interes practic au ca rezultate
valori numerice. Aceasta inseamna ca rezultatul unei probe al
unui experiment, poate fi caracterizat de un numar sau de un
cuplu de numere. Se poate, astfel considera ca fiecarei probe al
unui experiment i se poate asocia un numar sau de un cuplu de
numere. Se poate atunci introduce notiunea de variabila
aleatoare (intamplatoare) ca o functie reala definita pe multimea
evenimentelor elementare asociate experimentului considerat.
Cuvantul aleator, subliniaza faptul ca se lucreaza cu elemente
generate de fenomene intamplatoare, care nu sunt guvernate
de legi strict deterministe. Elementul dificil in analiza acestor
fenomene consta in faptul ca desi acestea au o anumita
regularitate, este imposibil de precizat cu certitudine rezultatul
unei probe intamplatoare.
Fie Ω multimea evenimentelor elementare asociata unui
anumit experiment, rezultatele posibile fiind notate cu ω . Este
posibil ca acesta sa nu fie un rezultat numeric in sine, dar i se
poate atribui o anumita valoare numerica. De exemplu, la
distribuirea unor carti de joc, se poate atribui o anumita valoare
numerica fiecarei carti samd.
DEFINITIE Orice functie f definita pe Ω si care ia valori in
multimea numerelor reale R, se numeste variabila aleatoare.
Prin urmare, fiecarui rezultat ω i , 1 ≤ i ≤ n , ii corespunde
numarul real xi = f (ω i ) , 1 ≤ i ≤ n .
x x2 ... x n x
f : 1 , sau f : i , 1 ≤ i ≤ n .
p1 p2 ... pn pi
p1 + p2 + ... + pn = 1 .
xk x k2 ... x kn
f k : 1 .
p1 p2 ... pn
ax ax 2 ... ax n
af : 1 .
p1 p2 ... pn
x x2 ... x n y y2 ... y m
f : 1 si g : 1 .
p1 p2 ... pn q1 q2 ... q m
43
Se considera evenimentul care consta in aceea ca f ia
valoarea xi , 1 ≤ i ≤ n si g ia valoarea y j , 1 ≤ j ≤ m . Acest
eveniment notat (f = xi , g = y j ) si care este intersectia
evenimentelor (f = x i ) si (g = y j ) , constand in aceea ca f ia
valoarea xi , respectiv g ia valoarea y j , are o probabilitate
bine determinata:
P ( f = x i , g = y j ) = pij .
Cum evenimentele (f = xi , g = y j ) , 1 ≤ i ≤ n , 1 ≤ j ≤ m , in
numar de nm , formeaza un sistem complet de evenimente,
atunci :
n m
∑ ∑ pij = 1 .
i =1 j =1
xi + y j
pij , 1 ≤ i ≤ n , 1 ≤ j ≤ m .
xi y j
pij , 1 ≤ i ≤ n , 1 ≤ j ≤ m .
44
DEFINITIE Variabilele f si g se numesc independente
probabilistic daca pentru orice i si j , 1 ≤ i ≤ n , 1 ≤ j ≤ m ,
evenimentele ( f = x i ) si (g = y j ) sunt independente. Prin
urmare:
P ( f = xi , g = y j ) = P ( f = xi )P (g = y j ) ,
adica
pij = pi q j .
p jk = p( f = x j , g = y k ) , 1 ≤ j ≤ s , 1 ≤ k ≤ t .
p( f = x j , g = y k ) = p( f = x j ) p(g = y k ) .
45
Se considera acum mai mult de doua variabile aleatoare. Fie
f 1 ,..., f n , n variabile aleatoare, unde variabila aleatoare f j ia
valorile x1, j ,..., x s j , j , 1 ≤ j ≤ n .
DEFINITIE Probabilitatile :
(
p j1 j2 ... jn = p f 1 = x j1 ,1 , f 2 = x j2 ,2 ,..., f n = x jn ,n )
constituie repartitia comuna a variabilelor aleatoare f 1 ,..., f n .
(p f 1 = x j1 ,1 , f 2 = x j2 ,2 ,..., f n = x jn ,n =)
= p( f 1 )( ) (
= x j1 ,1 p f 2 = x j2 ,2 ... p f n = x jn ,n . )
DEFINITIE Variabilele aleatoare f 1 , f 2 ,..., f n ,... 1 sunt
independente, daca orice numar finit de variabile aleatoare din
acest sir sunt independente.
Introducem acum o caracteristica numerica foarte
importanta, asociata unei variabile aleatoare.
DEFINITIE Numarul
s
M ( f ) = ∑ x k pk
k =1
1 1 1 1 1 1 1
M ( f ) = 1⋅ + 2⋅ + 3⋅ + 4⋅ + 5⋅ +6 ⋅ = 3 .
6 6 6 6 6 6 2
1
Vom nota un sir si sub forma ( f n )
46
DEFINITIE Fie r un numar intreg, r ≥ 1 . Numarul
s
M r ( f ) = ∑ x kr pk
k =1
k =1
Mr ( f )= M f ( ) r
x K xs
f : 1 .
p1 K ps
x r K x sr
h : 1 ;
p
1 K p s
47
s
M (h ) = ∑ x rj p j = M r ( f ). ( ∗ )
j =1
M r ( f ) = ar .
M r (af ) = a r M r ( f ) .
M ( f 1 + ... + f n ) = M ( f 1 ) + ... + M ( f n ) .
48
p jk = p( f = x j , g = y k ) , 1 ≤ j ≤ s , 1 ≤ k ≤ t .
s t s
t t s
M (h ) = ∑ ∑ (x j + y k ) p jk = ∑ x j ∑ p jk + ∑ y k ∑ p jk . (1)
j =1k =1 j =1 k =1 k =1 j =1
t
Suma ∑ p jk , este suma probabilitatilor tuturor
k =1
evenimentelor de forma ( f = x j , g = yk ) , unde indicele j este
acelasi pentru toti termenii sumei, iar indicele k variaza de la
un termen la altul, parcurgand toate valorile de la 1 la t .
Deoarece evenimentele (g = y k ) pentru indici k diferiti sunt
t
incompatibile doua cate doua, suma ∑ p jk este probabilitatea
k =1
producerii unui eveniment oarecare din cele t evenimente
( f = x j , g = yk ) , 1 ≤ k ≤ t . Dar, a spune ca s-a produs un
eveniment oarecare din evenimentele ( f = x j , g = y k ) , 1 ≤ k ≤ t ,
este echivalent cu a spune ca s-a produs evenimentul ( f = x j ) .
Intr-adevar, daca s-a produs unul din evenimentele
( f = x j , g = yk ) , 1 ≤ k ≤ t , este evident ca s-a produs si
evenimentul ( f = x j ); reciproc, daca s-a produs evenimentul
( f = x j ) , atunci intrucat variabila aleatoare g ia neaparat una
din valorile sale posibile y1 ,..., y t , trebuie sa se produca si un
eveniment oarecare din evenimentele ( f = x j , g = y k ) , 1 ≤ k ≤ t .
t
Asadar, ∑ p jk fiind probabilitatea producerii unui eveniment
k =1
oarecare din evenimentele ( f = x j , g = y k ) , 1 ≤ k ≤ t , este egala
cu probabilitatea evenimentului ( f = x j ) , adica
49
t
∑ p jk = p j , 1 ≤ j ≤ s .
k =1
h = f 1 + ... + f n
D 2 ( f ) = M 2 ( f ) − (M ( f )) .
2
(
Demonstratie. D 2 ( f ) = M 2 ( f − M ( f )) = M ( f − M ( f )) =
2
)
(
= M f 2 − 2 M ( f ) f + (M ( f )) = M f
2
) ( )− M (2 M ( f ) f ) + M ((M ( f )) )
2 2
50
daca se tine seama de proprietatea precedenta. Mai departe,
aplicand de doua ori proprietatea 1., se obtine :
( )
D 2 ( f ) = M f 2 − 2 M ( f )M ( f ) + (M ( f )) = M 2 ( f ) − (M ( f )) . (∗)
2 2
M ( fg ) = M ( f )M (g ) .
p jk = p( f = x j , g = y k ) , 1 ≤ j ≤ s , 1 ≤ k ≤ t
p jk = p j qk , 1 ≤ j ≤ s , 1 ≤ k ≤ t .
s t s t
M (h ) = ∑ ∑ x j y k p jk = ∑ ∑ x j y k p j qk =
j =1k =1 j =1k =1
s t
= ∑ x j p j ∑ y k qk = M ( f )M (g ) .
j =1 k = 1
51
D 2 ( f 1 + ... + f n ) = D 2 ( f 1 ) + ... + D 2 ( f n ) .
( )
= M ( f 1 + ... + f n ) − (M ( f 1 ) + ... + M ( f n )) =
2 2
n n
n n
= M ∑ f j2 + ∑ f j f k − ∑ (M ( f j )) − ∑ M ( f j )M ( f k ) =
2
j =1 j ,k =1 j =1 j ,k =1
j ≠k j ≠k
n n n n
j =1
( )
= ∑ M f j2 + ∑ M ( f j f k ) − ∑ (M ( f j )) − ∑ M ( f j )M ( f k ) .
j ,k =1 j =1
2
j ,k =1
j ≠k j ≠k
( ( ) n
)
D 2 ( f 1 + ... + f n ) = ∑ M f j2 − (M ( f j )) =
j =1
2
= ∑ (M ( f ) − (M ( f )) ) = ∑ D ( f ) .
n n
2 2
2 j j j
j =1 j =1
D2 ( f )
p( f − M ( f ) ≥ ε ) < ,
ε2
sau
D2 ( f )
p( f − M ( f ) < ε ) ≥ 1 −
ε2
52
Demonstratie. Fie f o variabila aleatoare care ia valorile
x1 ,..., x s cu probabilitatile p1 ,..., ps . Dispersia variabilei aleatoare
f este :
s
D 2 ( f ) = ∑ (x1 − M ( f )) pi .
2
i =1
D2 ( f ) ≥ ∑ ( − M ( f )) pi .
2
x1
x i − M ( f ) ≥ε
inferioara ε 2 :
D2 ( f ) ≥ ε 2 ∑ pi .
xi − M ( f ) ≥ε
D2 ( f )
p( f − M ( f ) ≥ ε ) < ,
ε2
53
ceea ce permite aprecierea probabilitatii abaterilor mai mari
decat un numar ε dat dinainte, cu conditia numai sa fie
cunoscuta dispersia D 2 ( f ) .
1 n
p ∑ f j − m ≥ ε < δ .
n j =1
1 n 1 n 1 n
M ∑ f j = ∑ M ( f j ) = ∑ m = m
n j =1 n j =1 n j =1
1 n
D 2 ∑ f j
1 n n j =1 .
p ∑ f j − m ≥ ε <
n j =1 ε2
Dar:
1 n 1 n 1 n σ 2 ⋅n σ 2
D 2 ∑ f j = 2 ∑ D 2 ( f j ) = 2 ∑ σ 2 = = ,
n j = 1 n j =1 n j =1 n2 n
de unde rezulta:
54
1 n σ2
p ∑ f j − m ≥ ε < 2 .
n j =1 ε n
σ2
2
< δ ;2
ε n
Prin urmare :
1 n
p ∑ f j − m ≥ ε < δ .
n j =1
PROPRIETATE cov ( X ,Y ) = M ( XY ) − M ( X )M (Y ) .
σ2
2
Drept n0 (ε ,δ ) putem lua primul numar natural n pentru care n > .
ε 2δ
55
Demonstratie
M [( X − M ( X ))(Y − M (Y ))] =
M [XY − XM (Y ) − YM ( X ) − M ( X )M (Y )] =
M ( XY ) − M ( XM (Y )) − M (YM ( X )) + M (M ( X )M (Y )) = M ( XY )
− M ( X )M (Y )
cov ( X ,Y )
ρ ( X ,Y ) = .
D ( X )D (Y )
PROPRIETATI
1) ρ ( X ,Y ) ≤ 1 ;
2) ρ ( X ,Y ) = 1 daca si numai daca intre variabilele X si Y exista
o relatie de legatura liniara.
2
X − m1 Y − m2
Demonstratie 1) Fie U = t + , t ∈ R . M (U ) ≥ 0 ,
σ1 σ 2
(∀) t ∈ R . Calculand media variabilei aleatoare U, se obtine :
( X − m1 ) 2
X − m1 Y − m2 (Y − m2 )
2
M (U ) = M t 2 2
+ 2t + =
σ1 σ1 σ2 σ 22
t2
σ1 2
[
M ( X − m1 ) +
2
] 2t
σ 1σ 2
M [( X − m1 )(Y − m2 )] +
1
σ2 2
[
M (Y − m2 ) .
2
]
Calculand discriminantul si impunand conditia ca acesta sa
fie pozitiv, rezulta proprietatea data.
2) Fie Y = aX + b , a, b ∈ R , a ≠ 0 .
56
cov( X , aX + b ) = aD 2 ( X )
aD 2 ( X ) 1, dac [ a > 0
⇒ ρ ( X ,Y ) = =
a D 2 ( X ) − 1, dac [ a < 0
0 1 K k K n
B (n, k ) : 0 n .
Cn q C n1 q n−1 K C nk q n−k K C nn p n
Repartitia Poisson
0 1 2 K k K
P (n, k ) : −λ λ2 λk .
e λe −λ
e −λ
K e −λ
K
2! k!
P (n, k ) ≈
(np )k e −np , (λ ≈ np ) .
k!
Distributia hipergeometrica
0 1 K k K
0 n
H (n, k ) : C a C b C a1C bn−1 C ak C bn−k .
Cn K K
a+ b C an+ b C an+ b
57
Parametrii acesteia sunt : M [H (n, k )] = np ,
N −n a
D 2 [H (n, k )] = npq , a + b = N , p = , q = 1− p
N −1 N
Revenind la calculul parametrilor repartitiilor, se obtine :
Repartitia binomiala
n
M [B(n, k )] = ∑ k ⋅ C nk ⋅ p k ⋅ q n−k .
k =0
Fie binomul :
(q + x )n = C n0 q n + C n1 q n−1 x + C n2 q n−2 x 2 + ... + C nk q n−k x k + ... + C nn x n (1) .
Derivand dupa x, rezulta:
n(q + x )n−1 = 1 ⋅ C n1 q n−1 + 2 xC n2 q n−2 + ... + kx k −1C nk q n−k + ... + nx n−1C nn .
Inmultind cu x, rezulta:
nx (q + x )n−1 = 1 ⋅ C n1 q n−1 x + 2C n2 q n−2 x 2 + ... + kC nk q n−k x k + ... + nC nn x n (2 )
n
Pentru x = p ⇒ ∑ k ⋅ C nk ⋅ q n−k ⋅ p k = np(1
p2 q )n−1 = np .
+3
=044424443
k1 =1
= M [B (n ,k )]
Repartitia Poisson
Considerand dezvoltarea in serie Taylor a functiei f (λ ) = e λ in jurul originii
rezulta:
2 n
λ! λk
f (λ ) = f (0 ) + f /
(0 ) + λ f //
(0 ) + ... + λ f (n ) (0 ) + ... ⇒ e λ = ∑ k! ,
1! 2! n! k ≥0
[f ( ) (0 ) = 1].
n
Atunci
58
λk λk λk λk −1
M [P (n, k )] = ∑k ⋅ e −λ = ∑k ⋅ e −λ = ∑ (k − 1)! e −λ = λ∑ e −λ =
k ≥0 k! k ≥1 k! k ≥1 k ≥1 (k − 1)!
λk −λ λ
λ∑ e −λ = e ⋅ λ ⋅ e , adica M [P (n, k )] = λ .
k!
k ≥0
Pentru determinarea dispersiei este necesar sa se calculeze:
λk λk λk
[
M P 2 (n, k ) = ] ∑ k 2 ⋅ k ! e −λ = ∑k 2 ⋅ k!
e −λ = ∑ k ⋅ (k − 1)! e −λ =
k ≥0 k ≥1 k ≥1
k +1 k k k
λ λ λ λ
λe −λ ∑ k ⋅ = λe −λ ∑ (k + 1) = λe −λ ∑ k ⋅ +∑
k ≥1 (k − 1)! k ≥0 k ! k ≥0 k ! 0k
≥2 !
1424 3 k1 3
=λe λ
=e
λ
[ ]
⇒ M P 2 (n, k ) = λ2 + λ ⇒ D 2 [P (n, k )] = λ2 + λ − λ2 = λ .
Prin urmare, repartitia Poisson are M [P (n, k )] = D 2 [P (n, k )] = λ .
Repartitia hipergeometrica
n C ak C bn−k 1 n 1 n
M [H (n, k )] = ∑k ⋅ = ∑ k ⋅ C ak C bn−k = ∑ k ⋅ C ak C bn−k =
k =0 C an+ b C an+ b k =0 C an+ b k =1
1 n a! a n a n−1 t
∑ k ⋅ k ! (a − k )! C bn−k = ∑ k ⋅ C ak−−11C bn−k k −=1=t C a−1C b(n−1)−t
∑ =
C an+ b k =1 C an+ b k =1 n
C a+ b 1
t =0442443
=C an+−b1−1
a n! (a + b − n )! an
⋅ ⋅ (a + b − 1)! = .
(a + b)! (n − 1)! (a + b − n)! a+b
n C ak C bn−k n
[
M H 2 (n, k ) = ] ∑k 2 ⋅
C an+ b
=
1
C an+ b k =1
a!
∑ k 2 ⋅ k ! (a − k )! C bn−k =
k =0
a n a n−1
(n−1)−t ⋅ (t + 1) =
∑ k ⋅ C ak−−11C bn−k = ∑ C at −1C b
C an+ b k =1 k −1=t C an+ b t =0
a n−1 t (n−1)−t + n−1t ⋅ C t C (n−1)−t .
∑ C a−1C b ∑ a−1 b
C an+ b t =0 t =0
n −1 n −1 n−1 (a − 1)!
∑ t ⋅ C at −1C b(n−1)−t = ∑ t ⋅ C at −1C b(n−1)−t = ∑ t ⋅ t! (a − 1 − t )! C b(n−1)−t =
t =0 t =1 t =1
n −1 n− 2
(a − 1) ∑ C at −−12 C b(n−1)−t = (a − 1) ∑ C as−2 C b(n−2 )−s = (a − 1)C an+−b2−2 ⇒
t =1 t −1= s s =0
59
an! (a + b − n)! (a + b − 1)! +
[ ]
M H 2 (n, k ) =
a
C an+ b
[C n−1
a+ b−1 ]
+ (a − 1)C an+−b2−2 =
(a + b)!
⋅
(n − 1)! (a + b − n)!
an! (a + b − n )! (a − 1)(a + b − 2 )! an a(a − 1)n(n − 1)
⋅ = + ⇒
(a + b)! (a + b − n)! (n − 2 )! a + b (a + b)(a + b − 1)
an a(a − 1)(n − 1)n a2n2 abn(a + b − n )
D 2 [H (n, k )] = + − = .
a + b (a + b )(a + b − 1) (a + b )2 (a + b)2 (a + b − 1)
ab(a + b − n ) a+b−n a b
⇒ D 2 [H (n, k )] = = npq , unde p = , q= .
(a + b)2 (a + b − 1) a + b −1 a+b a+b
Mo = M + 3(Me − M )
DEFINITIE Raportul
µ3 (X )
A3 =
σ
1
2
[
M ( X − M ( X )) =
3
] µ2 (X )
E=
σ
1
4
[
M ( X − M ( X )) − 3 =
4
] µ4
µ 22
−3
0 1 2 3
EXEMPLU Fie X : . Atunci, conform
0 ,2 0 ,3 0 ,4 0 ,1
definitiei :
0, dac [ x ≤ 0
0 ,2 , dac [ 0 < x ≤ 1
F (x ) = 0 ,2 + 0 ,3, dac [ 1 < x ≤ 2 .
0 ,2 + 0 ,3 + 0 ,4 , dac [ 2 < x ≤ 3
0 ,2 + 0 ,3 + 0 ,4 + 0 ,1 = 1, dac [ x > 3
61
> 0 , ]n punctele de discontinuitate
px = .
= 0 , ]n punctele de continuitate
1) P ( x1 ≤ X < x 2 ) = F ( x 2 ) − F ( x1 )
2) P (x1 < X < x 2 ) = F ( x 2 ) − F ( x1 ) − P ( X = x )
3) P (x1 < X ≤ x 2 ) = F ( x 2 ) − F ( x1 ) + P ( X = x 2 ) − P ( X = x1 )
4) P ( x1 ≤ X ≤ x 2 ) = F ( x 2 ) − F ( x1 ) + P ( X = x 2 ) .
1) P (B ∩ A ) = P (B ) − P ( A) = F (x 2 ) − F ( x1 ) ,
( ( ))
2) P B ∩ A ∪ C = P (B ) − P ( A) − P (C ) = F (x 2 ) − F (x1 ) − P ( X = x1 ) ,
3) P ((B ∪ D ) ∩ (A ∪ C )) = P (B ) − P ( A) − P (C ) + P (D ) =
= F ( x 2 ) − F ( x1 ) − P ( X = x1 ) + P ( X = x 2 ) ,
62
DEFINITIE Daca exista, expresia
( )
G X (0 ) = 1 , G X/ (0 ) = M ( X ) , G X// (0 ) = M X 2 ,…
k
EXEMPLU Fie X = k k n−k , k = 0 , n , p > 0 , q > 0 , p + q = 1 .
Cn p q
n
Atunci
k =0
(
G X (t ) = ∑ e kt C nk p k q n−k = pe t + q .)n
t =0 ⇒
(
G X (0 ) = ( p + q ) = 1 . G X/ (t ) = n pe t + q
n
)n −1
⋅ pe t ⇒ G X/ (0 ) = np .
63
Fie X o variabila aleatoare reala cu F (x ) functie de
repartutie ⇒ e itX = cos tX + i sin tX , t∈R este o variabila
itX
aleatoare complexa, avand e = 1 si deci, marginita. Valoarea
medie a acesteia exista si este o functie ϕ (t ) , t ∈ R , pe care o
numim functie caracteristica a variabilei aleatoare X .
DEFINITIE Numim functie caracteristica a variabilei aleatoare X
expresia:
( )
ϕ (t ) = M e itX = ∑ e itxk pk
k
PROPOZITIA 1 ϕ (0 ) = 1 , ϕ (t ) ≤ 1 , t ∈ R .
Demonstratie.
( ) ( ) ( )
ϕ Y (t ) = M e itY = M e itaX +itb = M e itaX ⋅ e itb = e itb ⋅ ϕ X (at ) .
Demonstratie
( )
( )
ϕ X +Y (t ) = M e it ( X +Y ) = ∑ ∑ e
k j
it xk + y j ity
π kj = ∑ e itxk p k ⋅ ∑ e j q j =
k j
ϕ X (t ) ⋅ ϕ Y (t ) .
64
PROPOZITIA 5 Daca momentul de ordinul r ( r > 0 ) al unei
variabile aleatoare X exista, atunci derivata ϕ X(r ) (t ) exista
pentru orice r si au loc relatiile :
(r )
( )ϕ i (0 ) .
ϕ (r ) (t ) = i r ∑ x kr e itxk pk ⇒ M r ( X ) = M X r X
r
EXEMPLUL 1
( ) (
ϕ (t ) = M e itX = ∑ e itxk pk = ∑ e itk C nk pk q n−k = pe it + q .
k k
)
n
Monte Cristo
Marseille-France
65