Disciplina “Prelucrarea informatiei”

n 2 ore de curs pe saptamana;

n 1 ora de aplicatii:
n Laborator (sala ED 113);

n Lucrari de laborator disponibile pe www.acs.curs.pub.ro

(Moodle)

§ Notare:
NF (max 100 p) = 0,6 NLf (max 60p) + 0,4 NL
(max 40p)
§ Conditie de trecere:
§ NLf ³ 5(min 30p) si NL ³ 5(min 20p);
Bibliografie
n Douglas C. Montgomery, George C. Runger, Applied Statistics
and Probability for Engineers, Wiley, 2011.

n V.Sgarciu – Prelucrari de date, Ed.Matrixrom, 1998.

n V.Sgarciu, C.Soare, M.Anghel – Prelucrari de date; aplicatii,
Tip.Politehnica Press, 2005.

n B. Hahn, D. Valentine, Essential MATLAB for Engineers and

Scientists, Fourth Edition, Elsevier, 2010.
 Problematica prelucrarii
informatiei
n In general, referirile la conceptul de informatie sunt legate de definitia data de Shannon,
care leaga informatia produsa prin aparitia unui eveniment in cadrul unui experiment
anume de logaritmul inversului probabilitatii de aparitie a acestui eveniment => a introdus
conceptul de entropie informationala, concept de baza in teoria informatiei si stiinta
comunicatiilor ("A Mathematical Theory of Communication“)
n
H = -å pi log c pi
i =1
§ Cea mai frecventa definitie a informatiei in sens tehnic este aceea de “date
interpretate”.
n Conform acestei definitii, orice Sistem Informatic are cel putin doua subsisteme – unul
obiectiv (sistemul electronic de prelucrare a datelor) si unul subiectiv (utilizatorul sau
procesatorul uman al datelor)
n In lumea tehnologiei informatiei nu apare o distinctie clara intre “prelucrarea
informatiei” si “prelucrarea datelor”.
n Diversitate (domenii de granita, interdiscipline etc). Complexitate (metode
matematice de nivel mediu si inalt, sisteme de calcul performante etc)
n Concluzie: In esenta prelucrarea presupune existenta unor DATE, eforturile fiind
facute de la colectarea acestora pana la rezultatul final (tehnici de tratare a datelor)
Entropia informationala
 Prelucrarea datelor
n Prelucrarea matematica a datelor – aplicabilitate in
majoritatea activitatilor umane => modalitatea de punere in
evidenta a laturii cantitative a obiectelor, fenomenelor si
sistemelor
n Mijloacele cu care se realizeaza prelucrarea datelor:
sisteme de prelucrare a datelor (data processing systems),
sisteme de prelucrare a cunostintelor (knowledge processing
systems)

n Semnificatia datelor supuse prelucrarii (datele prelucrate

nu sunt niste numere abstracte, ele fiind atasate obiectelor sau
fenomenelor analizate)
n Procedeele de prelucrare a datelor (pot fi comune unor
ramuri distincte din stiinta si tehnica, dar si specifice unui
anumit domeniu)
Piramida datelor
Prelucrarea datelor la un sistem
fizic in evolutie
Reprezentarea schematica a
problematicii prelucrarii datelor
Aplicatie – Fiabilitate
 Elemente de teoria probabilitatilor

I. Probabilitati definite pe câmpuri finite de evenimente

Câmp de evenimente
Vom numi sistem de evenimente o multime de evenimente care pot aparea într-un
experiment precizat (de exemplu multimea tuturor valorilor pe care le ia o marime fizica la
repetarea experimentului în conditii de experimentare identice).
Evident, sistemul de evenimente poate fi finit - daca contine un numar finit de evenimente -
sau infinit - daca are o infinitate de evenimente.
D.1. Evenimentul sigur sau total este evenimentul care are loc întotdeauna într-un
experiment dat; îl vom nota cu E.
D.2. Evenimentul opus sau complementarul unui eveniment oarecare A si care consta în
nerealizarea lui A îl vom nota cu Ā. Complementarul evenimentului sigur E este
evenimentul imposibil pe care îl notam cu Φ.
D.3. Fie A si B doua evenimente din acelasi sistem; evenimentul care consta în aparitia fie a
evenimentului A, fie a evenimentului B, se numeste evenimentul reuniune si se noteaza
AÈB (A sau B).
10
 Elemente de teoria probabilitatilor

D.4. Fie A si B doua evenimente care apartin aceluiasi sistem; evenimentul care consta în
aparitia simultana a ambelor evenimente se numeste intersectia evenimentelor si se noteaza
AÇB (A si B).
D.5. Se numeste câmp de evenimente o multime Ŧ pentru care:
- evenimentul sigur E apartine lui Ŧ;
- pentru orice eveniment A Î Ŧ, contrarul sau Ā Î Ŧ;
- daca A si B sunt doua evenimente din Ŧ, atunci si reuniunea lor AÈB este un eveniment
din Ŧ;
- daca multimea Ŧ contine o infinitate de evenimente - fie Ai Î Ŧ - atunci reuniunea unei
infinitati numarabile de evenimente, ÈAi, apartine multimii Ŧ.
Concluzie: câmpul de evenimente poate fi finit sau infinit dupa cum Ŧ contine un numar
finit sau infinit de evenimente distincte.
Proprietati:
t evenimentul imposibil Φ Î Ŧ;
t intersectia AÇB a doua evenimente oarecare din Ŧ apartine - de asemenea - câmpului de
evenimente Ŧ. 11
 Elemente de teoria probabilitatilor

Probabilitate
D.6. Se numeste probabilitate pe câmpul de evenimente Ŧ o functie P(A), pozitiva,
definita pentru orice eveniment A Î Ŧ pentru care:
- P(E) = 1, unde E este evenimentul sigur;
- P(AÈB) = P(A) + P(B), daca A Î Ŧ, B Î Ŧ si AÇB = Φ;
- daca Ŧ este un câmp infinit de evenimente atunci
¥ ¥
P(! Ai ) = å P( Ai ), cu Ai Î F si Ai Ç A j = F pentru i ¹ j
i =1 i =1

Proprietati:
t P(Φ) = 0
t P(Ā) = 1 - P(A), pentru A Î Ŧ
t 0 £ P(A) £ 1, pentru A Î Ŧ
t Daca A Ì B, cu A Î Ŧ, B Î Ŧ, atunci P(A) £ P(B)
t Daca AÇB ¹ Φ, cu A Î Ŧ, B Î Ŧ, atunci P(AÈB) = P(A) + P(B) - P(AÇB)
t Daca A1, A2, ..., An - evenimente din Ŧ - sunt incompatibile doua câte doua, atunci
P(A1ÈA2È...ÈAn) = P(A1) + P(A2) + ... + P(An)
12
 Elemente de teoria probabilitatilor

D.7. Se numeste eveniment elementar al câmpului Ŧ un eveniment A Î Ŧ, A ¹ Φ, pentru

care, fata de oricare alt eveniment B Î Ŧ, B ¹ A, se poate scrie una din situatiile
A Ç B = Φ, A Ì B
Nota. Definitia este valabila si pentru câmpuri infinite de evenimente.
Proprietati:
t Evenimentele elementare ale unui câmp Ŧ, finit sau infinit, sunt incompatibile
(disjuncte).
t Reuniunea a doua evenimente elementare Ei Î Ŧ, Ej Î Ŧ, este un eveniment EiÈEj = A ¹
Φ, unde A este diferit de oricare eveniment elementar al câmpului Ŧ.
t Intr-un câmp finit Ŧ = {A1,A2,...,An} orice eveniment Ai ¹ Φ este fie un eveniment
elementar, fie o reuniune de evenimente elementare. In consecinta evenimentul sigur E este
reuniunea tuturor evenimentelor elementare.

13
 Elemente de teoria probabilitatilor
Probabilitati conditionate; evenimente independente; sistem complet de evenimente
D.8. Probabilitatea conditionata a evenimentului B în raport cu A - notata PA(B) - este data
de egalitatea P( A Ç B)
PA ( B) = in ipoteza P( A) ¹ 0
P( A)
D.9. Doua evenimente A si B ale unui câmp Ŧ sunt independente daca are loc egalitatea
P(AÇB) = P(A)×P(B) → definitia poate fi extinsa la n evenimente independente din Ŧ.
D.10. Daca {A1,A2,...,An} este o multime de evenimente ale unui câmp Ŧ, atunci S =
{A1,A2,...,An} se spune ca este un sistem complet de evenimente daca evenimentele
A1,A2,...,An sunt doua câte doua incompatibile, iar reuniunea lor este evenimentul sigur,
adica: Ai Ç Aj = Φ, pentru i ¹ j si A1 È A2 È ...È An = E.
Fie X un eveniment oarecare din Ŧ si S = {A1,A2,...,An} un sistem complet de evenimente
din Ŧ. Se poate scrie: P(X)=P(A1)·PA1(X)+P(A2)·PA2(X)+…+P(An)·PAn(X)
P( Ak ) × PAk ( X ) P( Ak ) × PAk ( X ) egalitate care se numeste
iar daca P(X) ¹ 0 → PX ( Ak ) = = n formula lui Bayes pentru
P( X )
å P( Ai ) × PA ( X ) probabilitati conditionate.
i =1
i

14
 Elemente de teoria probabilitatilor
II. Probabilitati pe câmpuri infinite
Variabila aleatorie
Fie Ŧ un camp de evenimente unidimensional, finit sau infinit, pe care este data o lege de
probabilitate (se poate calcula probabilitatea oricarui eveniment din Ŧ ).Ŧ este un camp
probabilizat.
Consideram cazul particular in care multimea evenimentelor elementare – notata E -
apartine axei reale.
D.11. Se numeste variabila aleatorie o functie reala ξ = f(M), definita pe multimea E a
evenimentelor elementare, cu proprietatea ca, oricare ar fi numarul real a, multimea
punctelor M Î E pentru care f(M) ≤ a este un eveniment din Ŧ.
Vom nota cu P(a < ξ < b) probabilitatea ca un punct ξ luat la intamplare sa apartina
intervalului (a, b); analog, prin P(ξ ≤ a) intelegem probabilitatea ca punctul ξ luat la
intamplare sa apartina intervalului (-∞, a] etc.

15
 Elemente de teoria probabilitatilor

D.12. Se numeste functie de repartitie a variabilei aleatorie ξ functia:

F ( x) = P(x £ x), x Î Â
Proprietati: 0≤ F(x) ≤ 1, F (+¥) = lim F ( x) = 1; F (-¥) = lim F ( x) = 0
x ® +¥ x ® -¥

Daca a Î Â, b Î Â si a < b atunci P(a £ x £ b) = F (b) - F (a )

D.13. Fie F(x) functia de repartitie a unei variabile aleatorii ξ. Daca exista o functie pozitiva
ρ(x), integrabila pe intervalul (-∞, +∞), cu proprietatea ca pentru orice x Î Â este
verificata egalitatea: x

F ( x) =
ò
-¥
r( x)dx

atunci ρ(x) se numeste densitatea de repartitie sau densitatea de probabilitate a variabilei

aleatorii ξ. 16
 Elemente de teoria probabilitatilor

Observatie: In cazul prelucrarii datelor experimentale se lucreaza – in general – cu repartitii

continue, asadar functia de repartitie F(x) este derivabila, deci vom avea urmatoarele
proprietati:
+¥ b

F ' ( x) = r( x) ;
ò
-¥
r( x)dx = 1; P(a £ x £ b) =
ò
a
r( x)dx

D.14. Se numeste valoare medie a functiei φ(x) – unde φ(x) este continua pentru orice x Î Â
- in raport cu repartitia F(x), integrala:
+¥

j=
ò
-¥
j( x) dF ( x)

in ipoteza ca integrala este convergenta. 17

 Elemente de teoria probabilitatilor

Important: Daca repartitia variabilei ξ este continua, atunci dF(x) = ρ(x)·dx si valoarea
medie a functiei φ(x) poate fi exprimata printr-o integrala Riemann:
+¥

j=
ò
-¥
j( x) × r( x)dx

unde ρ(x) este densitatea de repartitie.

v Analog se definesc:
§ momentul de ordinul k al variabilei aleatorii ξ:
+¥

M [x k ] =
ò
-¥
x k r( x)dx
18
 Elemente de teoria probabilitatilor

§ valoarea medie de ordinul k a variabilei aleatorii ξ:

1
Mk [x] = {M [x k ]} k
§ momentul centrat de ordinul k al variabilei aleatorii ξ:
+¥

ò
!k
M [x ] = ( x - x ) k r( x)dx
-¥
+¥

ò
unde:
x = M 1 [ x] = M [ x] = xr( x)dx
-¥
NOTA: Momentul centrat de ordinul 2 se numeste dispersie – notata D(ξ) – sau abatere
medie patratica – notata σ2.
19
 Repartitii utilizate in prelucrarea
datelor experimentale
D.15. O variabila aleatorie ξ care ia o infinitate de valori se spune ca este supusa unei legi
normale (gaussiene) de probabilitate, daca densitatea de repartitie a variabilei ξ este:
( x -m) 2
1 - 2
r( x) = e 2 s
s 2p

unde m = M[ξ] – valoarea medie; σ2 =D(ξ) –

dispersia, abaterea medie patratica.

Reprezentarea grafica a densitatii, respectiv

functiei de repartitie, pentru legea normala este
(figura …)
Important: Repartitia normala se foloseste la caracterizarea
abaterilor (erorilor) aleatorii provenite din selectii de volum
20
ridicat
„Clopotul” lui Gauss

21
 Repartitii utilizate in prelucrarea
datelor experimentale
D.16. O variabila aleatorie ξ care ia o infinitate de valori se spune ca este supusa unei legi
de repartitie Student (repartitie t), daca densitatea de repartitie a variabilei ξ este
n +1 n +1
1 G( 2
) x2 -
r n ( x) = n
(1 + ) 2
np G( 2 ) n
unde ¥

G (a ) =
ò
0
x a -1e - x dx

este functia gama, iar n reprezinta

numarul gradelor de libertate.
Reprezentarea este cea din figura …
Remarca: Repartitia “bidimensionala” Student (x si n)
tinde catre repartitia unidimensionala normala daca
n→∞
Important: Repartitia Student se utilizeaza la caracterizarea
22
abaterilor (erorilor) aleatorii provenite din selectii de volum mic
 Repartitii utilizate in prelucrarea
datelor experimentale
D.17. O variabila aleatorie ξ care ia o infinitate de valori se spune ca este supusa unei legi
de repartitie exponentiale, daca densitatea de repartitie a variabilei ξ este de forma
ìle - lx , daca x>0
r ( x) = í
î0 , in rest
Functia de repartitie a unei variabile aleatorii ξ repartizata
exponential este data de relatia
x
F ( x) = l ò e -lx dx = 1 - e -lx
0

Reprezentarea densitatii si functiei de repartitie a unei

variabile aleatorii repartizata exponential este dat in figura....

Important: Repartitia exponentiala are aplicabilitate în studiul sigurantei de masurare

a diferitelor instrumente, ca si în analiza fiabilitatii previzionale a acestora.
23
 Repartitii utilizate in prelucrarea
datelor experimentale
D.18. O variabila aleatorie ξ care ia o infinitate de
valori intr-un interval [a, b] se spune ca este supusa
unei legi de repartitie uniforme, daca densitatea de
repartitie a variabilei ξ este:
ì 1
ï , a £ x £ b; b > a
r( x) = í b - a
ï0 , in rest
î
Repartitia uniforma are reprezentarea din figura …

Important: Repartitia uniforma este utilizata

pentru caracterizarea abaterilor (erorilor) cu
caracter sistematic de natura necontrolabila pentru
care se estimeaza un interval de incadrare.
24