Documente Academic
Documente Profesional
Documente Cultură
§.1. Probabilităţi
Teoria probabilităţilor este o ramură importantă a matematicii, cu aplicaţii larg
răspândite în aproape fiecare sferă a activităţii umane în care există un element de
incertitudine. Teoria probabilităţilor reprezintă baza teoretică pentru Statistica matematică, o
ştiinţă cu vaste aplicaţii în economie, fizică, chimie, biologie.
Teoria probabilităţilor pune la dispoziţia cercetătorului din orice domeniu un punct de
vedere probabilistic asupra fenomenelor naturale, în opoziţie cu cele deterministe, cu care
suntem obişnuiţi. Este vorba de a aprecia desfăşurarea posibilă a unor evenimente, pe baza
unor experienţe anterioare sau pe baza unor date empirice. Experienţele concrete, care pun
în evidenţă un singur fenomen, ale căror rezultate sunt bine cunoscute, nu interesează
calculul probabilităţilor.
Un experiment (sau experienţă) este o activitate cu rezultate observabile. Rezultatele
observabile se numesc evenimente legate de experimentul respectiv.
Exemple
1. Aruncarea monedei. Se aruncă o monedă şi se observă dacă apare faţa cu
valoare (V) sau faţa fără valoare (S). Experimentul este aruncarea monedei. Evenimentele
sunt (V) şi (S).
2. Aruncarea zarului. Se aruncă un zar şi se observă care dintre feţele 1,2,3,4,5 sau
6 apar. Experimentul este “aruncarea zarului”, iar evenimentele sunt ω1=apariţia feţei cu un
not not not
punct = {1}; ω2=apariţia feţei cu două puncte = {2};…ω6=apariţia feţei cu şase puncte = {6}.
3.Dacă o monedă este aruncată repetat până când apare faţa cu valoare, atunci
evenimentele sunt următoarele: V,SV,SSV,SSSV,….. Ele sunt în număr infinit.
Orice rezultat al unui experiment se numeşte eveniment elementar (simplu). De
exemplu, la aruncarea unui zar evenimentele elementare sunt şase: {1};{2};{3};{4};{5};{6}.
Dar, nu toate evenimentele sunt elementare.De exemplu, tot la aruncarea zarului pot
apărea şi evenimente care nu sunt elementare, cum ar fi evenimentul A=” apariţia unei feţe
cu un număr par de puncte” , care este o reuniune de evenimente elementare:
A=ω2∪ω4∪ω6.
Exemplu. A este un eveniment, sistemul {A, A } este cel mai simplu sistem complet de
evenimente.
Câmp de evenimente
Fie Ω mulţimea evenimentelor elementare realizate într-o anumită experienţă, P(Ω)
mulţimea părţilor lui Ω şi K⊂P(Ω) o mulţime de evenimente aleatoare rezultate din experienţa
respectivă.
O mulţime K de părţi a lui Ω, nevidă, se numeşte corp de evenimente dacă
îndeplineşte axiomele:
k1) oricare ar fi evenimentul A∈K ⇒ A ∈ K;
k2) oricare ar fi A şi B ∈K ⇒ A ∪ B ∈ K.
Dacă Ω nu este finit, iar K este un corp borelian, atunci {Ω,K} se numeşte câmp
borelian de evenimente.
Probabilitate condiţionată
Fie {Ω,K,P} un câmp de probabilitate şi A,B ∈K, cu P(A)≠0.
Se numeşte probabilitatea evenimentului B condiţionat de evenimentul A şi se
notează PA(B) sau P(B/A) raportul :
P( A ∩ B)
P(B/A)=PA(B)= . (4)
P ( A)
Exemplu. Într-un lot se găsesc 20 piese defecte şi 30 piese corespunzătoare din punct
de vedere al calităţii. Se extrag două piese, fără a pune prima piesă extrasă inapoi în lot. Se
cere probabilitatea ca în această dublă extragere, să se obţină:
a) în prima o piesă defectă şi în a doua o piesă bună;
b) două piese bune.
Soluţie. Notăm cu A1 - evenimentul: prima piesă extrasă este bună
A2 - evenimentul: a doua piesă extrasă este bună.
a) Vom calcula probabilitatea evenimentului A1c∩A2. Ştiind că A1c este eveniment
contrar lui A1, adică prima piesă este defectă şi ştiind că sunt 20 piese defecte din totalul de
20 2
50 piese, rezultă P(A1c)= = . Dacă s-a extras prima dată o piesă defectă, înseamnă că în
50 5
30
lot au rămas 19 piese defecte şi 30 bune. Prin urmare PAc (A2)= . Folosind formula
1 49
probabilităţii condiţionate, putem afla :
2 30
P(A1c∩A2).= P(A1c)⋅ PAc (A2)= ⋅ =0,245.
1
5 49
30 3
b) Vom calcula P(A1∩A2)=P(A1)⋅ PA1 ( A2 ) . P(A1)= = . PA1 ( A2 ) este probabilitatea
50 5
evenimentului de a extrage a doua piesă bună, ştiind că prima piesă extrasă a fost bună;
deci, acum în lot au rămas doar 29 piese bune din totalul de 49 piese.
29 3 29
PA1 ( A2 ) = şi P(A1∩A2)=P(A1)⋅ PA1 ( A2 ) = ⋅ =0,355. g
49 5 49
Evenimente independente
Două evenimente A şi B pentru care
P(A∩B)=P(A)⋅P(B) (6)
se numesc evenimente independente.
Dacă două evenimente sunt independente şi incompatibile atunci
P(A∩B)=P(A)⋅P(B) şi P(A∩B)=P(∅)=0⇒ P(A)=0 sau P(B)=0.
Vom spune că n evenimente A1, A2,…, An sunt independente în totalitatea lor, dacă
pentru orice număr s cuprins între 0 şi n şi orice indice k1,k2,…,ks cu 1≤ k1< k2<…<ks≤n
este îndeplinită condiţia:
P( Ak ∩ Ak ∩ …∩ Ak )=P( Ak ) ⋅ P ( Ak ) ⋅ …⋅P( Ak ).
1 2 s 1 2 s
Dacă prima piesă nu este defectă, atunci în lot rămân 99 de piese dintre care 89 bune
89
⇒ P A1 (A2)= . Dacă primele doua piese extrase au fost bune, atunci în lot au rămas 98
99
88
piese din care 88 sunt bune ⇒ P A1∩ A2 (A3) = . Probabilitatea ca a patra piesă să fie bună,
98
87
după ce au fost extrase trei piese bune este P A1∩ A2 ∩ A3 (A4) = .
97
Folosind formula (8), pentru n=4, se obţine:
90 89 88 87
P(A1∩A2∩A3∩A4)= P(A1) ⋅ P A1 (A2) ⋅ P A1∩ A2 (A3) ⋅ P A1∩ A2 ∩ A3 (A4)= ⋅ ⋅ ⋅ =0,6 g
100 99 98 97
Tot pentru probabilitatea realizării simultane a n evenimente a fost demonstrată
inegalitatea lui Boole:
n
P( A1 ∩ A2 ∩ …∩ An ) ≥ ∑ P ( Ak ) − (n − 1) . (9)
k =1
Presupunem că P(Ak) ≠ 0, ∀ k = 1, n .
Fie un eveniment X. Atunci X se mai poate scrie :
⎛n ⎞ n
X= X∩Ω=X∩ ⎜ U Ak ⎟ = U ( X ∩ Ak ) .
⎝ k =1 ⎠ k =1
Se obţine astfel:
n
P(X) = ∑ P ( Ak ) ⋅ PAk
(X). (10)
k =1
P (B ) ⋅ PB ( X )
PX(B)= .
P( X )
Fie {A1, A2,…, An} este un sistem complet de evenimente, în locul evenimentului B
putem considera unul dintre evenimentele sistemului, fie Ak şi vom obţine formula:
P ( Ak ) ⋅ PAk ( X ) P ( Ak ) ⋅ PAk ( X )
PX(Ak)= = . (11)
P( X ) n
∑ P ( Ai )PAi ( X )
i =1
Această formulă se numeşte formula lui Bayes,( Bayes-om de ştiinţă englez, care a
trăit în secolul al XVIII- lea).
Exemplu. Două maşini automate care fabrică acelaşi tip de piese şi au aceeaşi
productivitate, realizează piese rebut cu probabilitatea p1=0,05 şi respectiv p2=0,02. Din
producţia celor două maşini se extrage la întâmplare o piesă.
a) Care este probabilitatea ca piesa extrasă să fie rebut ?
b) Ştiind că piesa extrasă a fost un rebut, să se afle probabilitatea ca ea să provină de la
prima maşină.
c) Ştiind că piesa extrasă este corespunzătoare, care este probabilitatea ca ea să provină de
la a doua maşină?
Soluţie. a) Aj - evenimentul ca piesa extrasă să provină de la maşina i, i=1,2 .
Fie X evenimentul ca piesa extrasă să fie rebut. Evenimentele A1,A2 formează un sistem
complet de evenimente. Probabilitatea lui X se va calcula cu formula probabilităţii totale:
P(X)=P(A1)⋅P A1 (X) + P(A2)⋅P A2 (X)
1
cu P A1 (X) =0,05; P A2 (X) =0,02; P(A1)= P(A2)= . Rezultă P(X)=0,035.
2
b)Probabilitatea PX(A1) se poate calcula cu formula lui Bayes şi se obţine:
1
P ( A1 ) ⋅ PA1 ( X ) ⋅ 0,05
PX(A1)= = 2 =0,714.
P( X ) 0,035
Exemplu. Într-un circuit sunt legate trei rezistenţe în serie, adică dacă o rezistenţă se
defectează se întrerupe circuitul. Într-un regim de suprasolicitare, aceste trei rezistenţe se pot
arde respectiv cu probabilităţile: 0,02; 0,05; 0,04. Să se calculeze probabilitatea ca într-un
astfel de regim de funcţionare să se întrerupă curentul. Rezistenţele se comportă
independent în totalitate.
Notăm X evenimentul ca din n bile extrase, k să fie bile albe, iar probabilitatea lui X o
vom nota Pn;k.
Fie Aj evenimentul ca la extragerea j să apară o bilă albă, j = 1, n .
Atunci Pn;k= C nk p k q n −k .
Aceasta este formula care caracterizează schema bilei revenite şi în care n,k∈N, k≤n,
p,q >0 p+q=1.
Exemplu. Se aruncă două zaruri de 10 ori . Care este probabilitatea să apară de 6 ori
suma 7?
Soluţie. Notăm cu X evenimentul apariţiei sumei 7 de 6 ori din 10 aruncări;
6 1
A=evenimentul ca la o aruncare a celor două zaruri să apară suma 7. p=P(A)= = , iar
36 6
5
q=1 – p= ; n=10, k=6. Aplicăm formula schemei lui Bernoulli şi se obţine
6
6 4 4
6 6 ⎛ 1⎞ ⎛ 5⎞ 6 5
P10;6= C10 p 6 q 4 = C10 ⎜ ⎟ ⎜ ⎟ = C10 =0,002. g
⎝6⎠ ⎝6⎠ 610
Formula din schema lui Bernoulli se poate generaliza:
Presupunem că într-o urnă sunt bile de s culori, s>2. Probabilitatea de a extrage, la
întâmplare, o bilă de culoarea 1 este p1; de a extrage, la întâmplare, o bilă de culoarea 2
este p2 , ş.a.m.d., iar p1+p2+..+ps=1. Se extrag la întâmplare n bile, punându-se de fiecare
dată bila extrasă înapoi. Care este probabilitatea ca din cele n bile extrase, k1 să fie de
culoarea 1, k2 să fie de culoarea 2,…., ks să fie de culoarea s? Evident k1+k2+…+ks=n.
Vom nota probabilitatea căutată cu Pn(k1,k2,..,ks). Prin generalizarea formulei din
schema bilei revenite, obţinem:
n!
Pn(k1,k2,..,ks)= p1k1 p2k2 ....psks .
k1!⋅k 2 !....k s !
albe; fiecare astfel de grupă se asociază cu o grupă ce conţine n–k bile negre (în total Cbn −k )
Cak Cbn −k
P(X)= .
CNn
Exemplu. Din 100.000 de bilete, puse în vânzare la jocul “Bingo”, într-o săptămână
10 bilete sunt câştigătoare. La o agenţie se repartizează la întâmplare 100 bilete. Să se
determine probabilitatea ca:
a) 3 bilete din cele repartizate să fie câştigătoare;
b) cel mult 2 bilete repartizate să fie câştigătoare.
evenimente sunt incompatibile şi pentru calculul probabilitatii fiecăruia se aplică schema bilei
nerevenite.
2 100 − j
2
C10j C99990
P(X)= ∑ P ( X j ) = ∑ 100
.
j =o j =0 C100 000
În n urne identice se află în diferite proporţii bile albe şi bile negre. Probabilitatea de a
extrage o bilă albă din urna j este pj, iar de a extrage o bilă neagră este q j=1–pj, j= 1, n . Se
extrage din fiecare urnă câte o bilă, în total n bile. Care este probabilitatea Pn(k) ca din cele n
bile extrase, k să fie albe?
Notăm cu X evenimentul ca din cele n bile extrase(câte una din fiecare urnă) k să fie
albe şi cu Aj extragerea unei bile albe din urna j, iar A j este evenimentul extragerii unei bile
(p1t+q1)(p2t+q2)….(pnt+qn).
Exemplu. În 3 loturi de produse 4%, 3% şi respectiv 8% sunt defecte.Se extrage la
întâmplare câte un produs din fiecare lot.Să se afle probabilitatea ca:
a) un produs să fie defect ;
b) toate produsele extrase să fie corespunzătoare.
Soluţie. Aplicăm schema lui Poisson şi notăm cu pj probabilitatea ca un produs extras
din lotul j să fie defect, j = 1,3 . Atunci p1= 0,04, p2=0,03, p3=0,08.
Probabilităţile evenimentelor contrare sunt q1=0,96, q2=0,97, q3=0,92.
a) probabilitatea căutată este dată de coeficientul lui t din polinomul lui Poisson
(0,04t+0,96)(0,03t+0,97)(0,08t+0,92)
adică este p= 0,04⋅ 0,97⋅ 0,92 +0,96⋅ 0,03 ⋅0,92+0,96⋅ 0,97⋅ 0,08=0,137.
b)Fie X- evenimentul ca cele 3 produse extrase să fie corespunzătoare, adică nici un
produs nu este defect. Probabilitatea acestui eveniment va fi coeficientul lui t0 din polinomul
lui Poisson de mai sus, adică P(X)=0,96 ⋅0,97 ⋅0,92=0,913. g
Observaţie. Schema urnelor lui Poisson este o generalizare a schemei lui Bernoulli.
Considerând urna din schema lui Bernoulli, se pune problema determinării probabilităţii ca la
o anumită extragere să se realizeze evenimentul dorit. Probabilitatea ca în extracţia k să
apară bila albă este pqk-1.
Fie Aj evenimentul ca la extragerea j să apară o bilă albă, j = 1, n . P(Aj)=p; P( A j )=1–p=q.
Evenimentul A =aparitia unei bile albe la extragerea k este :
A= A1 ∩ A2 ∩ ... ∩ Ak −1 ∩ Ak .
Probabilitatea lui A este P(A)=p⋅qk-1. Această probabilitate reprezintă termenul general
al unei progresii geometrice cu primul termen p şi raţia q şi din acest motiv, schema se mai
numeşte şi schema geometrică.
§.3. Variabile aleatoare
În multe situaţii este potrivit să asociem evenimentelor unui experiment valori
numerice. De exemplu, dacă experimentul constă în aruncarea unui zar şi observarea feţei
care apare, este natural să asociem numerele 1,2,3,4,5,6 respectiv evenimentelor elementare
ale experimentului. Dacă X desemnează rezultatul experimentului, atunci X ia valorile
1,2,3,4,5 sau 6. Deoarece valorile lui X depind de rezultatele unui experiment, ne vom referi
la X ca fiind o variabilă aleatoare(întâmplătoare).
În general, o variabilă aleatoare este o funcţie care asociază un număr fiecărui
eveniment al unui experiment.
Exemple.
1. O monedă este aruncată de două ori. Fie X variabila aleatoare care arată numărul
de feţe cu valoare, V, care apar în aceste două aruncări.
Mulţimea evenimentelor elementare care apar în realizarea experienţei este
Ω= {VV,VS,SV,SS}, unde prin S am notat evenimentul ca la o aruncare să apară faţa cu
stema. Pentru variabila aleatoare X este naturală asocierea:
Eveniment elementar al lui Ω Valoarea lui X
VV 2
SV 1
VS 1
SS 0
3.O lanternă se lasă deschisă, până când bateria ei se cosumă. Fie Z variabila
aleatoare care reprezintă durata de viaţă a bateriei (în ore).Ce valori poate lua Z?
Z poate lua orice valoare reală pozitivă, deci 0≤ Z < ∞.
Acest exemplu arată că există şi variabile aleatoare continue, care nu au ca valori
submulţimi numărabile. Aşa cum am văzut în exemplele de mai sus, variabilele aleatoare se
pot clasifica în funcţie de valorile pe care le iau în trei categorii:
O variabilă aleatoare se numeşte discretă finită (sau finită) dacă ia un număr finit de
valori ( exemplul 1.).
O variabilă aleatoare se numeşte discretă infinită dacă poate lua orice valoare dintr-o
mulţime numărabilă de valori ( care pot fi aşezate într-un şir)(exemplul 2.).
O variabilă aleatoare se numeşte continuă dacă valorile pe care le poate lua conţin un
interval de numere reale ( exemplul 3.).
Vom da definiţia axiomatică a unei variabile aleatoare.
Fie {Ω,K,P} un câmp de probabilitate şi X:Ω→R o funcţie.
Funcţia X:Ω→R se numeşte variabilă aleatoare dacă :
∀x∈R, evenimentul Ax={ω∈Ω| X(ω)< x} ∈K.
2.X(ω) se numeşte valoarea variabilei aleatoare, iar evenimentul {ω∈Ω| X(ω)< x} se
mai notează {X<x} .
Dacă variabila aleatoare X este discretă finită, adică ia un număr finit de valori, fie
acestea x1,x2,..,xn, atunci probabilităţile evenimentelor (X=xj) , j= 1, n , pe care le notăm cu
p1,p2,…,pn verifică p1+p2+…+pn=1.
Am notat p j=P({ω | X(ω)=x j }), j= 1, n . Evident {ω | X(ω)=x j}∩{ω | X(ω)=x k}=∅, pentru j≠k.
⎧ 0 x ≤ −2
⎪ 0,2 − 2〈 x ≤ 1,5
⎪⎪
Funcţia de repartiţie asociată lui X este F(x)= ⎨ 0,3 1,5〈 x ≤ 3 .
⎪ 0,7 3〈 x ≤ 4
⎪
⎪⎩ 1 x〉 4
Graficul funcţiei de repartiţie este o funcţie în scară.
⎛xj + k⎞ ⎛x ⎞ ⎛ kx j ⎞
Definim X+k : ⎜⎜ ⎟
⎟ ; X :⎜ j ⎟ ; kX: ⎜⎜ ⎟
⎟
⎜p ⎟
⎝ p j ⎠ j =1,n ⎝ j ⎠ j =1,n ⎝ p j ⎠ j =1,n
⎛ 1 ⎞
⎛ x2 ⎞ ⎛ x3 ⎞ ⎛ xn ⎞ 1 ⎜ ⎟
X : ⎜⎜ j ⎟⎟
2
; X : ⎜⎜ j ⎟⎟
3
;……; Xn: ⎜⎜ j ⎟⎟ ; : ⎜ xj ⎟ .
p
⎝ ⎠ j =1,n p
⎝ ⎠ j =1,n p
⎝ ⎠ j =1,n X ⎜ ⎟
⎝ pj
j j j
⎠ j =1,n
⎛ xi ⎞
⎛ xi + y j ⎞ ⎛ xi − y j ⎞ ⎛ xi y j ⎞ X ⎜ ⎟
X+Y : ⎜⎜ ⎟
⎟ i =1,n ; X - Y :
⎜ ⎟
⎜ p ⎟ i =1,n ; XY : ⎜⎜ ⎟
⎟ i =1,n ; :⎜ y j ⎟ .
⎝ p ij ⎠ j =1,m ⎝ ij ⎠ j =1,m ⎝ p ij ⎠ j =1,m Y ⎜p ⎟ i =1,n
⎝ ij ⎠ j =1,m
Două variabile aleatoare X şi Y discrete definite pe acelaşi câmp de probabilitate
pentru care p ij=P(X=xi ,Y=yj)= P(X=xI)⋅P( Y=yj), i= 1, n , j= 1, m se numesc independente.
⎧ 1
1 ⎪ pentru x ∈ [a, b]
= . Prin urmare f(x)= ⎨ b − a .
b−a ⎪⎩ 0 pentru x ∉ [a, b]
x x
b) Pentru x∈(-∞,a), F(x)= ∫−∞ f (t )dt = ∫−∞ 0 dt = 0 .
x a x 1 1 x x −a
Pentru x∈[a,b], F(x)= ∫−∞ f (t )dt = ∫−∞ 0 dt + ∫a b−a
dt = t =
b−a a b−a
.
x a b 1 x
Pentru x∈(b,+∞), F(x)= ∫−∞ f (t )dt = ∫−∞ 0 dt + ∫a b−a
dt + ∫b 0 dt =1.
⎧ 0 x 〈a
⎪x − a
Deci F(x)= ⎨ x ∈ [a, b] .
⎪b − a
⎩ 1 x〉b
Pentru a=1 şi b=6, funcţiile f şi F sunt :
⎧ 0 x 〈1
⎧1 ⎪x −1
⎪ pentru x ∈ [1, 6 ]
f(x)= ⎨ 5 , F(x)= ⎨ x ∈ [1, 6] .
⎪⎩ 0 pentru x ∉ [1, 6] ⎪ 5
⎩ 1 x〉6
3 31 1 3 1
c) P(2< X< 3)= ∫2 f ( x )dx = ∫2 dx = u 2 = = 0,2 .
5 5 5
Această repartiţie se numeşte repartiţia uniformă, iar X este variabilă aleatoare
uniformă.
§.4.Media unei variabile aleatoare.Proprietăţile mediei
O caracteristică numerică asociată unei variabile aleatoare X este media sau valoarea
medie, care se notează M(X) şi care se defineşte astfel:
a) Pentru o variabilă aleatoare discretă finită X, care are repartiţia
⎛x x 2 ........ x n ⎞ n
X: ⎜⎜ 1
p2 ........ pn ⎟⎠
⎟ , ∑ pj =1
⎝ p1 j =1
n
M(X)= x1p1 +x2p2 +…+xnpn = ∑ x k pk .
k =1
⎛x x2 ........ x n ....... ⎞ ∞
X: ⎜⎜ 1 ⎟ şi
........ pn ....... ⎟⎠
∑ pj =1
⎝ p1 p2 j =1
⎛a⎞
a) Dacă X este o variabilă aleatoare constantă X: ⎜⎜ ⎟⎟ , atunci M(X)=a.
⎝ 1⎠
⎛ k ⎞
Exemplu. Fie variabila aleatoare X: ⎜⎜ k k n −k ⎟⎟ , n∈N, k=0,1,…,n, p,q>0, p+q=1.
⎝Cn p q ⎠
Se numeşte variabila binomială sau variabila de tip Bernoulli sau variabila cu repartiţia
Bernoulli şi reprezintă numărul de apariţii al unui evenimnt A, care are probabilitatea p, atunci
când se fac n probe independente. Media acestei variabile este M(X)= np.
∞
momentul iniţial de ordin r este Mr(X)=M(Xr)= ∑ x ir pi ,
i =1
∞
iar μr(X)= Mr(X – m)=M[(X – m)r]= ∑ ( x i − m ) r pi este momentul centrat de ordin r.
i =1
Desigur, cele două serii trebuie să fie convergente pentru ca momentele să existe.
∞
μr(X)= Mr(X – m)=M[(X – m)r]= ∫−∞ ( x − m ) r f ( x )dx - momentul centrat de ordin r, unde m
este media variabilei aleatoare X. Dacă aceste integrale nu sunt convergente, atunci
momentele nu există.
Dispersia unei variabile aleatoare este mereu pozitivă sau cel puţin egală cu zero. Ea arată
cât de depărtate sunt valorile variabilei aleatoare X faţă de media sa.
Vom obţine o formulă de calcul pentru dispersie:
D2(X)=μ2(X)=M[(X-m)2]=M(X2-2mX+m2)=M(X2)-2mM(X)+m2=M(X2)-2m2+m2=M2(X)-(M(X))2
⇒ D2(X)= M2(X)-(M(X))2.
Proprietăţile dispersiei
1. Dacă X =const., atunci D2(X)=0. Reciproca este adevărată.
2. Dacă X este o variabilă aleatoare şi a∈R, atunci D2(aX)=a2D2(X).
3. Dacă X şi Y sunt două variabile aleatoare independente, atunci
D2(X+Y)=D2(X)+D2(Y).
σ) numărul real σ= D 2 ( X ) .
Coeficient de corelaţie.
Se numeste coeficient de corelaţie al variabilelor aleatoare X,Y şi se notează ρX,Y,
numărul real :
M ( XY ) − M ( X )M (Y ) cov( X ,Y )
ρX,Y= = .
σ XσY D 2 ( X ) ⋅ D 2 (Y )
În cazul când ρX,Y =1, spunem că X şi Y sunt direct corelate, iar când ρX,Y = -1,
variabilele X şi Y sunt indirect corelate, adică una creşte şi cealaltă scade.
Coeficientul de corelaţie se defineşte la fel şi pentru variabilele aleatoare continue,
folosind integrala dublă.
D2 ( X )
P ({ X − M ( X ) 〈 ε }) ≥ 1 −
ε2
22 Matematici aplicate in economie
Introducere în teoria probabilităţilor
sau , echivalent:
D2 ( X )
P ({ X − M ( X ) ≥ ε }) ≤ .
ε2
Această inegalitate se numeşte inegalitatea lui Cebîşev.
Inegalitatea lui Cebîşev va fi aplicată la stabilirea unor rezultate privind şirurile de
variabile aleatoare- legi ale numerelor mari.
Exemplu. Variabila aleatoare X are media M(X)=3,2 şi dispersia D2(X)=0,64. Să se
afle o margine superioară pentru probabilitatea P(1,2< X <5,2).
Pentru a determina această margine superioară a probabilităţii vom aplica inegalitatea
lui Cebîşev.
Observăm că evenimentul 1,2< X <5,2 ⇔ -2< X- 3,2 < 2 ⇔ |X -3,2|< 2.
Deci, din inegalitatea lui Cebîşev, rezultă ε=2 şi atunci marginea inferioară a
D2 ( X ) 0,64
probabilităţii căutate este 1 − =1 − =0,84.
ε 2
4
Probleme
1.O societate comercială are 6 debitori. La sfârşitul lunii fiecare debitor poate fi sau nu
solvabil.Să se exprime următoarele evenimente:
a) toţi debitorii sunt solvabili;
b) cel puţin un debitor este solvabil;
c) cel mult un debitor este solvabil;
d) nici un debitor nu este solvabil;
e) cel puţin un debitor nu este solvabil;
f) 4 debitori sunt solvabili;
g) societatea comercială nu mai are debitori la sfârşitul lunii;
2.Un lot de produse ambalate în cutii, oferite de o firmă, este acceptat de beneficiar,
dacă în urma examinării a 5 cutii, extrase la întâmplare, conţinutul lor se constată a fi
corespunzător. Să se exprime următoarele evenimente:
a) lotul a fost acceptat;
b) lotul nu a fost acceptat;
c) după examinarea a trei cutii, extrase la întâmplare, lotul a fost respins.
3.Un aparat electronic este alcătuit din 3 module care funcţionează independent unul
de altul.Pe baza datelor statistice pe care le deţine, firma producătoare apreciază că
probabilitatea pi, i = 1,3 de funcţionare fără defect este p1=0,8, p2=0,85 şi respectiv p3=0,9.
Să se determine probabilitatea ca:
a) aparatul să funcţioneze;
b) aparatul să nu funcţioneze;
4.În 3 loturi de produse 4%, 3% şi respectiv 8% sunt defecte.Se extrage la întâmplare
câte un produs din fiecare lot. Să se afle probabilitatea ca:
a)un produs să fie defect;
b)un produs să fie corespunzător;