Documente Academic
Documente Profesional
Documente Cultură
Cuprins
3 Evenimente contrare 4
6 Operaţii cu evenimente 5
8 Frecvenţa 7
14 Probabilitate condiţionatǎ 16
1
16 Funcţia de repartiţie a unei variabile aleatoare discrete unidimensioanle 24
23 Repartiţia binomialǎ 41
25 Repartiţia multinominalǎ 47
30 Repartiţia normalǎ 53
2
1 Experienţǎ şi evenimente aleatoare
Definiţia 1.1. În teoria probabilitǎţilor prin experienţǎ se ı̂nţelege un act care, ı̂n
condiţii date, poate fi repetat nelimitat.
Definiţia 1.2. Acele experimente care ı̂n condiţii date au un singur rezultat se numesc
deterministe, iar cele care ı̂n condiţii date pot avea mai multe rezultate se numesc
experienţe aleatoare.
Exemplul 1.1. Aruncarea unei monede, aruncarea unui zar, extragerea unei bile dintr-o
urnǎ, tragerea cu arma ı̂ntr-o ţintǎ sunt exemple de experienţe aleatoare.
În urma aruncǎrii unei monede se obţine unul din urmǎtoarele rezultate elementare:
(stemǎ), (valoare).
Dacǎ notǎm cu (1) apariţia feţei cu un singur punct, cu (2) apariţia feţei cu douǎ puncte,
etc., atunci ı̂n urma experienţei care constǎ ı̂n aruncarea unui zar se obţine unul din
urmǎtoarele rezultate elementare:
Definiţia 1.3. Orice rezultat legat de o experienţǎ aleatoare, despre care, dupǎ efectuarea
experienţei, putem spune cǎ s-a produs sau nu, poartǎ numele de eveniment aleator
asociat experienţei.
Evenimentul (stemǎ), ı̂n cazul aruncǎrii unei monede, poate sǎ se realizeze sau sǎ nu
se realizeze, motiv pentru care acest eveniment este numit eveniment aleator spre
deosebire de evenimentul (moneda cade pe pǎmânt) care se realizeazǎ sigur datoritǎ
gravitaţiei.
Un eveniment aleator depinde de acţiunea unor factori care nu au fost luaţi ı̂n consideraţie
la fixarea condiţiilor ı̂n care se efectueazǎ experienţa. În experienţa aruncǎrii monedei,
asemenea factori sunt: felul ı̂n care mişcǎm mâna, particularitǎţile monedei, poziţia ı̂n
care se gǎseşte moneda ı̂n momentul aruncǎrii.
Referitor la realizarea unui eveniment aleator la efectuarea unei singure experienţe
aleatoare nu putem spune nimic, ı̂nainte de efectuarea experienţei. Nu putem prevedea
dacǎ la o singurǎ aruncare a monedei va apǎrea faţa cu stema. În teoria probabilitǎţilor
ne vom ocupa de asemenea experienţe şi evenimente, de evaluarea şansei de realizare a
unui eveniment aleator asociat experienţei.
Fiecǎrei experienţe aleatoare i se pot ataşa douǎ evenimente cu caracter special: eveni-
mentul sigur şi evenimentul imposibil.
Definiţia 2.1. Evenimentul sigur (notat cu S) este un eveniment care se realizeazǎ
cu certitudine la fiecare efectuare a experienţei aleatoare.
3
Exemplul 2.1. (Apariţia unei feţe) ı̂n cazul aruncǎrii monedei este un eveniment sigur
al experienţei. (Apariţia uneia din feţe) ı̂n cazul aruncǎrii zarului este un eveniment sigur
al experienţei.
Exemplul 2.2. Apariţia unei bile roşii ı̂n cazul experienţei care constǎ ı̂n extragerea unei
bile dintr-o urnǎ care conţine doar bile albe este un eveniment imposibil.
3 Evenimente contrare
Notǎm cu A evenimentul apariţiei uneia din feţele 2, 5 şi cu B apariţia uneia din feţele
1, 3, 4, 6 la aruncarea unui zar. Se observǎ cǎ dacǎ nu se realizeazǎ evenimentul A (nu
apare una din feţele 2 sau 5) atunci se realizeazǎ evenimentul B (obţinem una din feţele
1, 3, 4, 6) şi viceversa: dacǎ nu se realizeazǎ B atunci se realizeazǎ A.
Definiţia 4.1. Evenimentele A şi B sunt compatibile dacǎ se pot realiza simultan ı̂n
cazul efectuǎrii experienţei aleatoare.
Exemplul 4.1. În experienţa aleatoare de aruncare a zarului, evenimentul A, care constǎ
ı̂n apariţia uneia din feţele cu un numǎr par şi evenimentul B, care constǎ ı̂n apariţia uneia
din feţele 2 sau 6 sunt compatibile, deoarece dacǎ rezultatul experienţei este apariţia feţei
2 atunci se realizeazǎ atât evenimentul A cât şi evenimentul B.
Definiţia 4.2. Evenimentele A şi C asociate unei experienţe aleatoare sunt incompati-
bile dacǎ aceste evenimente nu se pot realiza simultan ı̂n cazul efectuǎrii experienţe.
Exemplul 4.2. În experienţa aleatoare de aruncare a zarului, evenimentul A, care constǎ
ı̂n apariţia uneia din feţele cu un numǎr par şi evenimentul C, care constǎ ı̂n apariţia uneia
din feţele cu un numǎr impar sunt incompatibile. Aceste evenimente nu se pot realiza
simultan. Se remarcǎ ı̂n plus cǎ evenimentele A şi C sunt contrare.
4
Exemplul 4.3. În experienţa aleatoare de aruncare a zarului, evenimentul A, care constǎ
ı̂n apariţia uneia din feţele cu un numǎr par şi evenimentul D, care constǎ ı̂n apariţia feţei
5 sunt incompatibile. Aceste evenimente nu sunt ı̂nsǎ contrare, deoarece nerealizarea
evenimentului A ı̂ntr-o experienţǎ nu ı̂nseamnǎ realizarea evenimentului D.
Definiţia 4.3. Vom spune cǎ evenimentele A1 , A2 , ..., An asociate unei experienţe
aleatoare sunt compatibile dacǎ aceste evenimente se pot realiza simultan ı̂n cazul
efectuǎrii experienţei.
Exemplul 4.4. În experienţa aleatoare de aruncare a zarului, evenimentele:
A1 care constǎ ı̂n apariţia uneia din feţele 2, 4
A2 care constǎ ı̂n apariţia uneia din feţele 2, 6
A3 care constǎ ı̂n apariţia uneia din feţele 2, 4, 6
sunt compatibile: realizarea feţei 2 ı̂nseamnǎ realizarea tuturor acestor evenimente.
Orice eveniment asociat unei experienţe aleatoare implicǎ evenimentul sigur asociat
experienţei.
6 Operaţii cu evenimente
Atunci când ı̂n cadrul unei experienţe urmǎrim realizarea unui eveniment, urmǎrim de
fapt realizarea unei pǎrţi a mulţimii rezultatelor elementare ale experienţei.
Exemplul 6.1. La aruncarea zarului, dacǎ urmǎrim realizarea evenimentului A, constând
ı̂n apariţia uneia din feţele 1 sau 3, urmǎrim de fapt dacǎ obţinem sau nu rezultatul (1)
sau (3) din mulţimea de rezultate elementare (1), (2), (3), (4), (5), (6). Evenimentul A
este perfect determinat de mulţimea formatǎ din aceste douǎ rezultate elementare şi ı̂l
putem identifica cu aceasta: A = {1, 3}.
Exemplul 6.2. La aruncarea a douǎ zaruri, dacǎ ne intereseazǎ obţinerea sumei 7,
urmǎrim dacǎ apare sau nu unul din rezultatele:
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)
5
şi evenimentul A ı̂l vom considera ca fiind mulţimea ale cǎrei elemente sunt perechile de
numere:
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}.
Definiţia 6.1. Fiind date douǎ evenimente A0 şi B 0 asociate unei experienţe aleatoare,
numim reuniunea lor şi o notǎm cu A0 ∪ B 0 , evenimentul care se realizeazǎ dacǎ cel
puţin unul din evenimentele A0 sau B 0 se realizeazǎ.
Rezultǎ cǎ dacǎ A este mulţimea rezultatelor elementare care reprezintǎ evenimentul A0 şi
B este mulţimea rezultatelor elementare care reprezintǎ evenimentul B 0 atunci mulţimea
A ∪ B reprezintǎ evenimentul A0 ∪ B 0 .
Exemplul 6.3. În cazul experienţei de aruncare a zarului, sǎ considerǎm evenimentele
reprezentate prin urmǎtoarele mulţimi:
Evenimentul A0 se realizeazǎ dacǎ se obţine unul din rezultatele {1}, {2} sau {5}, iar B 0
se realizeazǎ dacǎ se obţine unul din rezultatele {3} sau {4} sau {5}. Pentru a realiza cel
puţin unul din evenimentele A0 sau B 0 trebuie sǎ obţinem unul din rezultatele {1}, {2},
{3}, {4}, {5} şi deci evenimentele A0 ∪ B 0 este reprezentat de mulţimea:
A ∪ B = {1, 2, 3, 4, 5}.
Rezultǎ cǎ dacǎ A, respectiv B sunt mulţimile care reprezintǎ evenimentele A0 , respectiv
B 0 , atunci mulţimea A ∩ B reprezintǎ evenimentul A0 ∩ B 0 .
6
7 Spaţiul de selecţie al unei experienţe
Exemplul 7.1. Experienţa constǎ din aruncarea a douǎ monede. Modurile ı̂n care pot
apǎrea cele douǎ feţe pe fiecare monedǎ, ı̂n urma acestei experienţe, constituie mulţimea:
Prima literǎ corespunde feţei care apare la prima monedǎ, iar a doua literǎ la cea de-a
doua monedǎ; (S, S) ı̂nseamnǎ cǎ pe ambele monede a apǎrut stema.
Dacǎ un rezultat elementar este un mod de apariţie a celor douǎ feţe pe fiecare monedǎ
atunci orice rezultat elementar al experienţei este un element al mulţimii A1 .
Dacǎ un rezultat elementar al experienţei ı̂nseamnǎ de câte ori a apǎrut banul şi de câte
ori a apǎrut stema atunci mulţimea rezultatelor elementare ale experienţei este:
În acest caz prima cifrǎ aratǎ de câte ori apare banul iar a doua de câte ori apare stema.
Şi ı̂n acest caz fiecare rezultat elementar al experienţei este un element al mulţimii A2 .
Dacǎ un rezultat elementar al experienţei ı̂nseamnǎ cǎ cele douǎ simboluri (banul şi stema)
sunt aceleaşi sau diferite pe cele douǎ monede, atunci mulţimea rezultatelor elementare
ale experienţei este:
{aceleaşi, diferite} = A3 .
Şi aici fiecare rezultat elementar al experienţei este un element al mulţimii A3 .
Fiecare din mulţimile A1 , A2 , A3 este un set de rezultate elementare ale acestei experienţe.
În fiecare caz ı̂n parte conceptul de rezultat elementar al experienţei este specific (ı̂nseamnǎ
altceva) iar mulţimile A1 , A2 , A3 se numesc spaţii de selecţie.
Spaţiul de selecţie A1 oferǎ mai multe informaţii decât spaţiile A2 şi A3 . Dacǎ cunoaştem
ce rezultat al spaţiului A1 s-a realizat putem indica ce rezultat al spaţiului A2 sau A3 s-a
realizat.
8 Frecvenţa
7
Numǎrul α, numit frecvenţa absolutǎ a evenimentului A, poate varia de la 0 la n; α = 0
dacǎ ı̂n n repetǎri ale experienţei evenimentul A nu se realizeazǎ niciodatǎ; α = n dacǎ
evenimentul A se realizeazǎ ı̂n toate cele n repetǎri ale experienţei. Prin urmare
0≤α≤n şi 0 ≤ fn (A) ≤ 1, ∀n ∈ N?
Propoziţia 8.1 (Poprietǎţile frecvenţei relative).
Exemplul 9.1. Considerǎm experienţa care constǎ ı̂n aruncarea unei monede. Dupǎ
efectuarea acestei experienţe poate sǎ aparǎ fie faţa cu banul, fie faţa cu stema şi nu se
poate şti dinainte care va fi rezultatul. Dacǎ nu existǎ nici un motiv sǎ presupunem cǎ
realizarea unuia din evenimente este favorizatǎ, spunem cǎ evenimentele sunt egal posibile.
Exemplul 9.2. Când se aruncǎ un zar, poate sǎ aparǎ oricare din cele şase feţe ale
zarului. Dacǎ nu existǎ nici un motiv sǎ presupunem cǎ apariţia unei feţe este favorizatǎ,
spunem cǎ cele şase evenimente (1), (2), (3), (4), (5), (6) sunt egal posibile. În cadrul
acestei experienţe, evenimentele A = {1, 2} şi B = {3, 4} sunt şi ele egal posibile, iar
evenimentele C = {1, 2, 3} şi D = {3} nu sunt egal posibile.
Definiţia 9.1. Fie A şi B douǎ evenimente asociate unei experienţe aleatoare. Dacǎ
nu existǎ nici un motiv sǎ presupunem cǎ realizarea unuia este favorizatǎ prin raport cu
celǎlalt atunci spunem cǎ cele douǎ evenimente sunt egal posibile.
Dacǎ o experienţǎ aleatoare se repetǎ de multe ori evenimentele elementare egal posibile
au aceeaşi frecvenţǎ.
Exemplul 10.1. Considerǎm experienţa care constǎ din aruncarea unei monede şi spaţiul
de selecţie asociat A format din cele douǎ rezultate elementare posibile ale acestei
experienţe:
B=”faţa cu banul”
S=”faţa cu stema”
A = {B, S}.
Pentru cǎ cele douǎ evenimente B şi S sunt egal posibile, este natural sǎ evaluǎm (sǎ
mǎsurǎm) şansa producerii fiecǎruia cu frecvenţa relativǎ. Întrucât 2α = n rezultǎ
α 1 1
= . Rezultǎ astfel cǎ şansa producerii fiecǎrui eveniment este = inversul numǎrului
n 2 2
de evenimente posibile din A.
8
Exemplul 10.2. Considerǎm experienţa care constǎ din aruncarea zarului şi spaţiul de
selecţie asociat A = {(1), (2), (3), (4), (5), (6)}. Pentru cǎ cele şase evenimente sunt egal
posibile, este natural sǎ evaluǎm (mǎsurǎm) şansa fiecǎruia de a se produce cu frecvenţa
α 1
relativǎ. Întrucât 6α = n rezultǎ = . Rezultǎ astfel cǎ şansa producerii fiecǎrui
n 6
1
eveniment este = inversul numǎrului de evenimente posibile din A.
6
Exemplul 10.3. Considerǎm experienţa care constǎ din aruncarea a douǎ monede şi
spaţiul de selecţie asociat A = {(B, B), (B, S), (S, B), (S, S)}. Pentru cǎ cele patru
evenimente sunt egal posibile, evaluǎm (mǎsurǎm) şansa fiecǎruia de a se produce
α 1
frecvenţa relativǎ. Întrucât 4α = n rezultǎ = . Rezultǎ astfel cǎ şansa producerii
n 4
1
fiecǎrui eveniment este = inversul numǎrului de evenimente posibile din A.
4
Exemplul 10.4. În cazul aruncǎrii a douǎ monede şi a spaţiului de selecţie asociat
A = {(acelaşi simbol), (simboluri diferite)}, evenimentele fiind egal posibile, evaluǎm
α 1
şansa fiecǎruia frecvenţa relativǎ. Întrucât 2α = n rezultǎ = . Rezultǎ astfel cǎ
n 2
1
şansa producerii fiecǎrui eveniment este = inversul numǎrului de evenimente posibile
2
din A.
Definiţia 10.1. Dacǎ evenimentele din spaţiul de selecţie A asociat unei experienţe sunt
egal posibile, vom spune cǎ sunt egal probabile şi probabilitatea fiecǎruia este egalǎ
cu inversul numǎrului de evenimente din spaţiul de selecţie.
În continuare vom extinde definiţia probabilitǎţii unui eveniment din spaţiul de selecţie
la evenimente care nu mai sunt elemente ale spaţiului de selecţie A asociat experienţei,
ci sunt pǎrţi ale lui A, adicǎ aparţin la P(A) (mulţimea pǎrţilor lui A). Începem cu un
exemplu.
Exemplul 10.5. Considerǎm experienţa de aruncare a zarului şi spaţiul de selecţie asociat
A = {(1), (2), (3), (4), (5), (6)}. Evenimentul A = {apare o faţǎ având un numǎr par scris
pe ea} este de fapt A = {(2), (4), (6)}. Realizarea oricǎruia dintre evenimentele (2),
(4), (6), este favorabilǎ pentru realizarea evenimentului A. De aceea evaluǎm şansa de
realizare a evenimentului A (probabilitatea evenimentului A) cu de 3 ori şansa de realizare
3 1
a unui eveniment elementar favorabil pentru realizarea lui A. Raportul = reprezintǎ
6 2
şansa (probabilitatea) de realizare a evenimentului A şi se obţine ı̂mpǎrţind numǎrul
evenimentelor din A favorabile realizǎrii lui A la numǎrul tuturor evenimentelor din A.
Definiţia 10.2. Dacǎ spaţiul de selecţie A asociat unei experienţe are n evenimente egal
probabile şi A este un eveniment din P(A), atunci probabilitatea evenimentului A
este raportul dintre numǎrul de evenimente egal probabile ce definesc pe A şi numǎrul
total de evenimente elementare egal probabile din A.
Din aceastǎ definiţie rezultǎ cǎ dacǎ A = ∅ atunci P (A) = 0 şi dacǎ A = A atunci
P (A) = 1. În general P (A) ∈ [0, 1].
9
Ţinând seama de definiţia evenimentului contrar (complementar), rezultǎ cǎ dacǎ A are
n elemente şi A are m ≤ n elemente atunci Ā are n − m elemente şi avem:
n−m m
P (Ā) = =1− = 1 − P (A).
n n
Definiţia 11.1. Spaţiul de selecţie finit asociat unei experienţe aleatoare este o
mulţime finitǎ S = {e1 , e2 , ..., en } de elemente abstracte.
Exemplul 11.1. Printre cadrele didactice se face o anchetǎ privind desfǎşurarea proce-
sului de ı̂nvǎţǎmânt. Fiecare persoanǎ trebuie sǎ rǎspundǎ la douǎ ı̂ntrebǎri:
1. Este necesarǎ modernizarea şcolii la care lucreazǎ?
2. Este necesar ca şcoala la care lucreazǎ sǎ aibǎ o salǎ de sport?
Rǎspunsul dat de o persoanǎ intervievatǎ poate fi: e1 = (DA, DA), e2 = (DA, NU),
e3 = (NU, DA), e4 = (NU, NU). Mulţimea
S = {e1 , e2 , e3 , e4 }
P(S) = {∅, {e1 }, {e2 }, {e3 }, {e4 }, {e1 , e2 }, {e1 , e3 }, {e1 , e4 }, {e2 , e3 }, {e2 , e4 }, {e3 , e4 },
{e1 , e2 , e3 }, {e1 , e2 , e4 }, {e2 , e3 , e4 }, {e1 , e2 , e3 , e4 }}.
i) P (A) ≥ 0, ∀A ∈ P(S);
ii) P (S) = 1;
10
iii) A ∩ B = ∅ ⇒ P (A ∪ B) = P (A) + P (B), ∀A, B ∈ P(S).
Definiţia 12.2. Funcţia P : P(S) → R1+ este numitǎ mǎsurǎ de probabilitate.
Definiţia 12.3. Spaţiul de selecţie S ı̂nzestrat cu mǎsura probabilistǎ P (perechea (S, P ))
este numit spaţiu de probabilitate.
Propoziţia 12.1. Fie A ∈ P(S). Dacǎ A = ∅ atunci P (A) = 0, iar dacǎ A = {e1 , e2 , ..., ek }
k
X
atunci P (A) = P ({ei }).
i=1
Consecinţa 12.1. Dacǎ cele n evenimente elementare e1 , e2 , ..., en din spaţiul de selecţie
S au aceeaşi probabilitate (sunt egal probabile), P ({ei }) = P ({ej }), ∀i, j = 1, n, atunci
1
P ({ei }) = , ∀i = 1, n.
n
Remarca 12.1. În multe aplicaţii, evenimentele elementare din spaţiul de selecţie S
au probabilitǎţi diferite. Astfel, ı̂n Exemplul 11.1, este foarte posibil ca numǎrul acelor
intervievaţi care dau rǎspunsul ei sǎ fie diferit de numǎrul celor care dau rǎspunsul ej .
Sǎ presupunem cǎ 60% din cei intervievaţi dau rǎspunsul e1 , 20% din cei intervievaţi
dau rǎspunsul e2 , 15% din cei intervievaţi dau rǎspunsul e3 şi 5% din cei intervievaţi dau
rǎspunsul e4 . Este firesc ca ı̂n asemenea condiţii sǎ atribuim urmǎtoarele probabilitǎţi
evenimentelor elementare:
P ({A) = 1 − P (A).
11
Propoziţia 12.3. Dacǎ A, B ∈ P(S) şi A ⊂ B atunci P (A) ≤ P (B).
SeÃpresupune
! acum cǎ pentru A1 , A2 , .., An cu Ai ∩ Aj = ∅, ∀i = 6 j are loc
[n Xn
P Ai = P (Ai ) şi se considerǎ A1 , A2 , .., An , An+1 cu Ai ∩ Aj = ∅, ∀i 6= j,
i=1 i=1
i, j = 1, n + 1. Atunci
Ãn+1 ! Ãn ! Ãn !
[ [ [
P Ai = P Ai ∪ An+1 = P Ai + P (An+1 ) =
i=1 i=1 i=1
n
X n+1
X
= P (Ai ) + P (An+1 ) = P (Ai )
i=1 i=1
A ∪ B = C ∪ (A ∩ B) ∪ D
de unde
P (A ∪ B) = P (C) + P (A ∩ B) + P (D).
Ţinem seama acum de egalitǎţile
şi
P (B) = P (A ∩ B) + P (B ∩ {A) = P (A ∩ B) + P (D)
12
şi obţinem:
P (A ∪ B) = P (A) − P (A ∩ B) + P (A ∩ B) + P (B) − P (A ∩ B) =
ı̂ntrucât P (A1 ∩ A2 ) ≥ 0.
Presupunem cǎ pentru A1 , A2 , .., An avem
Ãn ! n
[ X
P Ai ≤ P (Ai )
i=1 i=1
Avem:
Ãn+1 ! Ã n
! n n+1
[ [ X X
P Ai ≤P Ai + P (An+1 ) ≤ P (Ai ) + P (An+1 ) = P (Ai ).
i=1 i=1 i=1 i=1
Demonstraţie.
Ãn ! Ã n ! Ãn ! n
\ \ [ X
P Ai = 1 − P { Ai = 1 − P {Ai ≥ 1 − P ({Ai ).
i=1 i=1 i=1 i=1
Exemplul 12.1. Dacǎ probabilitǎţile asociate evenimentelor elementare sunt cele din
Remarca 12.1, sǎ se calculeze probabilitatea ca alegând la ı̂ntâmplare un cadru didactic
acesta sǎ fie pentru:
13
i) modernizarea şcolii;
ii) necesitatea unei sǎli de sport;
iii) modernizarea şcolii sau necesitatea unei sǎli de sport.
Soluţie: i) Alegerea unui cadru didactic care este pentru modernizarea şcolii ı̂nseamnǎ
realizarea evenimentului {e1 , e2 } şi are probabilitatea P ({e1 , e2 }) = 0.6 + 0.2 = 0.8.
ii) Alegerea unui cadru didactic care este pentru necesitatea unei sǎli de sport ı̂nseamnǎ
realizarea evenimentului {e1 , e3 } şi are probabilitatea P ({e1 , e3 }) = 0.6 + 0.15 = 0.75.
iii) Alegerea unui cadru didactic care este pentru modernizarea şcolii sau pentru necesi-
tatea unei sǎli de sport ı̂nseamnǎ realizarea evenimentului {e1 , e2 , e3 } şi are probabilitatea
P ({e1 , e2 , e3 }) = 0.6 + 0.2 + 0.15 = 0.95.
14
Teorema 13.2. Dacǎ A şi B sunt douǎ evenimente independente, atunci evenimentele
A şi {B; {A şi B; {A şi {B sunt de asemenea independente.
i) Bi ∩ Bj = ∅ pentru i 6= j;
k
[
ii) Bi = S;
i=1
Soluţie: A = A∩S, de unde rezultǎ P (A) = P (A∩S) = P (A)·P (S), deoarece P (S) = 1.
Exemplul 13.2. Se aruncǎ douǎ monede. Evenimentele A =”stema pe prima monedǎ”
şi B =”valoarea pe a doua monedǎ” sunt independente.
Evenimentele A1 , A2 , A3 sunt
Avem:
1
A1 ∩ A2 = {e2 } ⇒ P (A1 ∩ A2 ) = = P (A1 ) · P (A2 )
4
1
A1 ∩ A3 = {e2 } ⇒ P (A1 ∩ A3 ) = = P (A1 ) · P (A3 )
4
1
A2 ∩ A3 = {e2 } ⇒ P (A2 ∩ A3 ) = = P (A2 ) · P (A3 )
4
1 1
A1 ∩ A2 ∩ A3 = {e2 } ⇒ P (A1 ∩ A2 ∩ A3 ) = 6= = P (A1 ) · P (A2 ) · P (A3 ).
4 8
Exemplul 13.5. Dacǎ S = {e1 , e2 , e3 , e4 } este spaţiul de selecţie asociat experienţei din
Exemplul 13.2, atunci evenimentele {e1 }, {e2 }, {e3 }, {e4 } realizeazǎ o partiţie a spaţiului
de selecţie S.
Exemplul 13.6. Douǎ partiţii independente sunt urmǎtoarele partiţii: {{e1 }, {e2 }} şi
{{e3 }, {e4 }}.
14 Probabilitate condiţionatǎ
Exemplul 14.1. Considerǎm experienţa care constǎ ı̂n aruncarea a douǎ zaruri. Notǎm
cu a numǎrul care apare pe primul zar şi cu b numǎrul care apare pe al doilea zar. Ne
ı̂ntrebǎm care este probabilitatea ca b = 3, ştiind cǎ a + b > 8?
16
Soluţie: Spaţiul de selecţie asociat acestei experienţe este mulţimea S de perechi din
urmǎtorul tabel:
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
1
Toate aceste evenimente sunt egal probabile şi prin urmare P ((i, j)) = , pentru orice
36
i = 1, 6, j = 1, 6. Dintre cele 36 evenimente elementare din spaţiul de selecţie S, doar ı̂n
cazul evenimentelor (6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6) se
realizeazǎ condiţia a+b > 8. Considerǎm mulţimea S 0 formatǎ doar din aceste evenimente:
S 0 = {(6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6)}.
Mulţimea S 0 este un spaţiu de selecţie mai restrâns asociat aceleiaşi experienţe. Aici au
fost luate ı̂n considerare doar acele evenimente elementare pentru care a + b > 8. Cele 10
elemente din S 0 sunt egal probabile şi de aceea probabilitatea fiecǎrui eveniment din S 0
1
este .
10
Existǎ un singur eveniment ı̂n S 0 pentru care b = 3: (6, 3). De aceea ı̂n spaţiul de
1
selecţie redus, probabilitatea evenimentului b = 3 este . Acest rezultat va fi numit
10
probabilitatea evenimentului ”b = 3” condiţionat de ”a + b > 8”.
Putem judeca ı̂nsǎ şi ı̂n felul urmǎtor: determinǎm la ı̂nceput ı̂n spaţiul de selecţie S
10
probabilitatea ca evenimentul A =”a + b > 8” sǎ se producǎ. Aceasta este P (A) = .
36
Apoi determinǎm tot ı̂n S probabilitatea ca evenimentul B =”b = 3” sǎ se producǎ.
6
Aceasta este P (B) = . Probabilitatea ı̂n S de producere a ambelor evenimente A şi B
36
1
este P (A ∩ B) = P ((6, 3)) = .
36
Dacǎ notǎm cu P (B|A) probabilitatea evenimentului B ı̂n condiţia ı̂n care A s-a produs,
atunci avem:
1 10 1
P (B|A) = , P (A) = , P (A ∩ B) = ,
10 36 36
de unde
P (B ∩ A) P (A ∩ B)
P (B|A) = = .
P (A) P (A)
Definiţia 14.1. Probabilitatea evenimentului A condiţionatǎ de B se noteazǎ
P (A|B) sau PB (A) şi este definitǎ prin
P (A ∩ B)
P (A|B) = dacǎ P (B) 6= 0.
P (B)
17
Remarca 14.1. Probabilitatea introdusǎ axiomatic prin Definiţia 12.1 este şi ea una
condiţionatǎ de evenimentul sigur, care este un spaţiu de selecţie S, cu P (S) = 1.
Propoziţia 14.1. Pentru B ∈ P(S) fixat, cu P (B) 6= 0, oricare ar fi A1 , A2 din P(S),
avem:
P (A1 ∩ B)
Demonstraţie. Din P (A1 |B) = rezultǎ P (A1 |B) ≥ 0 şi din P (A1 ∩B) ≤ P (B)
P (B)
rezultǎ P (A1 ∩ B) ≤ 1.
P (S ∩ B) P (B)
P (S|B) = = = 1.
P (B) P (B)
P ((A1 ∪A2 )∩B) P (A1 ∩B) P (A2 ∩B)
P ((A1 ∪A2 )|B) = = + = P (A1 |B)+P (A2 |B).
P (B) P (B) P (B)
Teorema 14.1. Dacǎ A şi B sunt evenimente independente având probabilitǎţile nenule,
atunci:
P (A|B) = P (A) şi P (B|A) = P (B).
Teorema 14.2. Dacǎ A1 , A2 , ..., An sunt evenimente astfel ı̂ncât P (A1 ∩ A2 ∩ ... ∩ An ) 6= 0
(ele se pot realiza simultan), atunci
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 ) · P (A2 |A1 ) · P (A3 |(A1 ∩ A2 )) · ... · P (An |(A1 ∩ ... ∩ An−1 )).
Demonstraţie.
P (A1 ) · P (A2 |A1 ) · P (A3 |(A1 ∩ A2 )) · ... · P (An |(A1 ∩ ... ∩ An−1 )) =
P (A1 ∩ A2 )
= P (A1 ) · · P (A3 |(A1 ∩ A2 )) · ... · P (An |(A1 ∩ ... ∩ An−1 )) =
P (A1 )
P (A1 ∩ A2 ∩ A3 )
= P (A1 ∩ A2 ) · · ... · P (An |(A1 ∩ ... ∩ An−1 )) =
P (A1 ∩ A2 )
... ... ...
P (A1 ∩ ... ∩ An−1 ∩ An )
= P (A1 ∩ ... ∩ An−1 ) · = P (A1 ∩ ... ∩ An ).
P (A1 ∩ ... ∩ An−1 )
18
Consecinţa 14.1. Dacǎ A1 , A2 , ..., An sunt evenimente independente, atunci
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 ) · P (A2 ) · ... · P (An ).
Exemplul 14.2. O urnǎ conţine 3 bile albe şi 5 bile negre. Din urnǎ se extrag douǎ bile,
una dupǎ alta (fǎrǎ ı̂ntoarcere). Sǎ se scrie un spaţiu de selecţie pentru aceastǎ experienţǎ
şi probabilitǎţile asociate evenimentelor din acest spaţiu.
Soluţie: Dacǎ a este evenimentul extragerii unei bile albe şi n este evenimentul extragerii
unei bile negre, atunci un spaţiu de selecţie asociat experienţei este:
S = {(a, a), (a, n), (n, a), (n, n)}.
(n, a) aratǎ cǎ prima bilǎ extrasǎ este neagrǎ iar a doua bilǎ extrasǎ este albǎ. Deoarece
bilele sunt extrase la ı̂ntâmplare, toate bilele din urnǎ, la orice extracţie, au aceeaşi
probabilitate de extracţie:
3 2 6 3 5 15 5 3 15 5 4 20
P (a, a) = · = , P (a, n) = · = , P (n, a) = · = , P (n, n) = · = .
8 7 56 8 7 56 8 7 56 8 7 56
Teorema 14.3 (formula probabilitǎţii totale). Dacǎ evenimentele A1 , A2 , ..., An consti-
tuie o partiţie a spaţiului de selecţie S şi X ∈ P(S), atunci:
n
X
P (X) = P (Ai ) · P (X|Ai ).
i=1
19
Teorema 14.4 (formula lui Bayes). Dacǎ evenimentele A1 , A2 , ..., An constituie o partiţie
a spaţiului de selecţie S şi sunt cauza producerii unui eveniment X, atunci:
P (Ak ) · P (X|Ak )
P (Ak |X) = n .
X
P (Ai ) · P (X|Ai )
i=1
Formula lui Bayes modificǎ probabilitǎţile apriorice prin incorporarea informaţiei furnizate
de realizarea evenimentului X.
Exemplul 14.4. Se considerǎ douǎ urne. Prima conţine 2 bile albe şi 3 bile negre, iar cea
de-a doua conţine 7 bile albe şi 5 bile negre. Evenimentul A1 constǎ ı̂n faptul cǎ se alege la
ı̂ntâmplare prima urnǎ, iar evenimentul A2 constǎ ı̂n faptul cǎ se alege la ı̂ntâmplare a doua
urnǎ. Probabilitatea evenimentului A1 este P (A1 ) = 0.4, iar probabilitatea evenimentului
A2 este P (A2 ) = 0.6. Se alege la ı̂ntâmplare o urnǎ şi se extrage o bilǎ neagrǎ. Care este
probabilitatea ca aceasta sǎ fie din cea de-a doua urnǎ?
Soluţie: Fie X evenimentul ”a fost extrasǎ o bilǎ neagrǎ”. Din formula lui Bayes avem:
5
P (A2 ) · P (X|A2 ) 0.6 · 12
P (A2 |X) = = ≈ 0.51.
P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 ) 0.4 · 53 + 0.6 · 5
12
Exemplul 15.1. Dintr-o urnǎ care conţine acelaşi numǎr de bile albe şi negre, se extrag
3 bile, dupǎ fiecare extragere bila punându-se ı̂napoi ı̂n urnǎ. Câte bile albe pot sǎ aparǎ?
Soluţie: Rǎspunsul la aceastǎ ı̂ntrebare ı̂l vom da indicând posibilitǎţile şi probabilitǎţile
asociate.
20
Spaţiul de selecţie Nr. bile albe Probabilitatea
1 1 1
AAA 3 · · = 81
2 2 2
1 1 1
AAN 2 · · = 81
2 2 2
1 1 1
ANA 2 · · = 81
2 2 2
1 1 1
NAA 2 · · = 81
2 2 2
1 1 1
ANN 1 · · = 81
2 2 2
1 1 1
NAN 1 · · = 81
2 2 2
1 1 1
NNA 1 · · = 81
2 2 2
1 1 1
NNN 0 · · = 81
2 2 2
Informaţia relativǎ la numǎrul de bile albe şi la probabilitǎţile lor este datǎ ı̂n tabelul
urmǎtor:
Dacǎ variabila X reprezintǎ numǎrul de bile albe care pot sǎ aparǎ, aunci tabelul aratǎ
valorile pe care poate sǎ le ia X şi probabilitǎţile cu care ia aceste valori.
Mulţimea de perechi ordonate, fiecare de forma (numǎrul de bile albe, probabilitatea
acestui numǎr de bile albe) defineşte repartiţia variabilei X. Deoarece valorile lui X sunt
determinate de evenimentele rezultate ı̂n urma unui experiment aleator, X este numitǎ
variabilǎ aleatoare.
Funcţia f definitǎ de f (x) = P (X = x) se numeşte funcţie de frecvenţe sau funcţie de
probabilitate.
În cazul de faţǎ
1 3 3 1
f (0) = f (X = 0) = ; f (1) = f (X = 1) = ; f (2) = f (X = 2) = ; f (3) = f (X = 3) = .
8 8 8 8
Observǎm cǎ µ ¶3
x 1
f (x) = P (X = x) = C3 · , x = 0, 1, 2, 3;
2
X 3 X3 µ ¶3 µ ¶3
x 1 3 1
f (x) ≥ 0 şi f (x) = C3 · =2 · = 1.
i=0 i=0
2 2
Definiţia 15.1. O variabilǎ a cǎrei valoare este un numǎr determinat de evenimentul
rezultat ı̂n urma unei experienţe este numitǎ variabilǎ aleatoare.
Definiţia 15.2. Dacǎ X este o variabilǎ aleatoare care poate lua valorile x1 , x2 , ..., xn
cu probabilitǎţile f (x1 ), f (x2 ), ..., f (xn ) atunci mulţimea de perechi ordonate (xi , f (xi )),
i = 1, n se numeşte repartiţia variabilei aleatoare X.
µ ¶ µ ¶ µ ¶ µ ¶
1 3 3 1
În cazul exemplului considerat anterior, repartiţia este: 0, , 1, , 2, , 3,
8 8 8 8
sau:
0 1 2 3
X: .
1 3 3 1
8 8 8 8
21
Exemplul 15.2. Trei bile, a, b, c, se repartizeazǎ ı̂n trei urne la ı̂ntâmplare. Sǎ se
determine repartiţia variabilei aleatoare X =”numǎrul urnelor ocupate”.
Soluţie:
1 2 3
X: .
3 18 6
27 27 27
Remarca 15.1. In abordarea Kolmogorov, variabila aleatoare X este o funcţie definitǎ
pe un spaţiu de selecţie asociat experienţei, adicǎ funcţie ”de punct”. Astfel, dacǎ ı̂n
exemplul precedent se considerǎ evenimentele:
şi spaţiul de selecţie S = {e1 , ..., e27 }, putem considera funcţia X : S → {1, 2, 3}, definitǎ
astfel: X(ek ) = numǎrul de urne ocupate ı̂n cazul realizǎrii evenimentului ek . Este clar
cǎ X(ek ) = 1 dacǎ k = 1, 2, 3; X(ek ) = 2 dacǎ k = 4, 5, ...21; şi X(ek ) = 3 dacǎ
k = 22, 23, 24, 25, 26, 27.
Dacǎ variabila aleatoare este datǎ ı̂n acest fel, atunci se cunosc valorile variabilei ı̂n cazul
fiecǎrui eveniment ek ∈ S şi P (ek ). De aici se determinǎ valorile posibile ale variabilei şi
probabilitǎţile asociate acestor valori. În acest fel se obţine repartiţia variabilei aleatoare
X.
Exemplul 15.3. În cazul experienţei din Exemplul 15.2, sǎ notǎm cu Y variabila
aleatoare ale cǎrei valori sunt numǎrul de bile din prima urnǎ.
Deoarece ı̂n prima urnǎ putem avea 0,1,2 sau 3 bile urmeazǎ cǎ variabila aleatoare Y
poate lua valorile 0,1,2 sau 3.
Y ia valoarea 0 atunci când se realizeazǎ unul din urmǎtoarele evenimente din spaţiul de
selecţie S: e2 , e3 , e11 , e13 , e15 , e17 , e19 , e21 , adicǎ
(Y = 0) = (e2 sau e3 sau e11 sau e13 sau e15 sau e17 sau e19 sau e21 ).
Rezultǎ
22
Y ia valoarea 1 dacǎ se realizeazǎ unul din evenimentele: e10 , e12 , e14 , e16 , e18 , e20 , e22 −e27 ;
valoarea 2 , dacǎ se realizeazǎ unul din evenimentele e4 −e9 şi valoarea 3 dacǎ se realizeazǎ
evenimentul e1 .
Urmeazǎ cǎ repartiţia variabilei aleatoare Y este:
0 1 2 3
Y : .
8 12 6 1
27 27 27 27
Remarca 15.2. Onicescu considera variabila aleatoare ca funcţie ”de eveniment”. O
valoare posibilǎ a variabilei aleatoare poate sǎ corespundǎ unui eveniment elementar din
spaţiul de selecţie (valoarea 3 a variabilei aleatoare Y din Exemplul 15.3 corespunde
evenimentului elementar e1 ) sau la o submulţime de evenimente elementare care determinǎ
un eveniment (evenimentul Y = 2 este determinat de o mulţime de evenimente elementare,
şi anume e4 − e9 ).
Remarca 15.3. O variabilǎ aleatoare care ia valorile distincte x1 , x2 , ..., xn determinǎ
o partiţie A1 , A2 , ..., An a spaţiului de selecţie S. Evenimentul Ai este definit prin
ek ∈ Ai ⇔ X(ek ) = xi .
În Exemplul 15.3 variabila aleatoare Y realizeazǎ urmǎtoarea partiţie a spaţiului de
selecţie S:
A1 : ”În prima urnǎ nu este nici o bilǎ.”
A2 : ”În prima urnǎ este o bilǎ.”
A3 : ”În prima urnǎ sunt douǎ bile.”
A4 : ”În prima urnǎ sunt trei bile.”
Avem:
A1 ∪ A2 ∪ A3 ∪ A4 = S
Ai ∩ Aj = ∅ pentru i 6= j
8 12
P (A1 ) = P (Y = 0) = , P (A2 ) = P (Y = 1) = ,
27 27
6 1
P (A3 ) = P (Y = 2) = , P (A4 ) = P (Y = 3) = ,
27 27
ceea ce dovedeşte afirmaţia fǎcutǎ.
Definiţia 15.3. O variabilǎ aleatoare având o mulţime cel mult numǎrabilǎ de valori
posibile se numeşte variabilǎ aleatoare discretǎ.
Definiţia 15.4. Vom spune cǎ variabila aleatoare X este simetricǎ faţǎ de punctul c
dacǎ sunt ı̂ndeplinite urmǎtoarele condiţii:
ii) P (X = c + a) = P (X = c − a).
23
Condiţia ii) se mai scrie uneori sub forma
P (X − c = a) = P (c − X = a)
Câteva ı̂ntrebǎri:
• Dacǎ se aruncǎ douǎ zaruri, care este probabilitatea ca suma obţinutǎ sǎ fie un
numǎr mai mic decât 7?
• Dacǎ trei bile se repartizeazǎ la ı̂ntâmplare ı̂n trei urne, care este probabilitatea ca
sǎ fie ocupate cel mult douǎ urne?
• Dacǎ trei bile se repartizeazǎ la ı̂ntâmplare ı̂n trei urne, care este probabilitatea ca
ı̂n prima urnǎ sǎ fie cel mult douǎ bile?
În general: Care este probabilitatea ca o variabilǎ aleatoare X sǎ ia valori mai mici
decât o valoare datǎ?
Nevoia de a rǎspunde la asemenea ı̂ntrebǎri a condus la urmǎtoarea definiţie:
Definiţia 16.1. Fie X o variabilǎ aleatoare şi x un numǎr real. Funcţia F definitǎ astfel:
”F (x) este probabilitatea ca X sǎ ia valori mai mici ca x”, sau
F (x) = P (X < x)
24
Propoziţia 16.1. Dacǎ X este o variabilǎ aleatoare discretǎ având repartiţia
µ ¶
x1 x2 ... xn
X:
f (x1 ) f (x2 ) ... f (xn )
atunci X
F (x) = f (xi )
xi <x
adicǎ valoarea funcţiei de repartiţie ı̂n x este datǎ de suma probabilitǎţilor valorilor din
stânga lui x.
Demonstraţie. Imediatǎ.
i
X
lim F (x) = F (xi + 0) =
i) x→x f (xj );
i
x>xi j=1
i−1
X
ii) x→x
lim F (x) = F (xi − 0) = f (xj ) = F (xi ).
i
x<xi j=1
Rezultǎ cǎ
i
X
F (xi + 0) = f (xj ).
j=1
Rezultǎ cǎ
i−1
X
F (xi − 0) = f (xj ) = F (xi ).
j=1
i) 0 ≤ F (x) ≤ 1, ∀x ∈ R1 ;
25
Demonstraţie. i) Deoarece F (x) = P (X < x) şi P (X < x) ∈ [0, 1], rezultǎ cǎ F (x) ∈ [0, 1].
ii) x < y. Dacǎ xi < x, atunci xi < y, şi deci
X X X
f (xi ) = f (xi ) + f (xi ),
xi <y xi <x x≤xi <y
Remarca 16.1. Dacǎ X este o variabilǎ aleatoare discretǎ, atunci funcţia de repartiţie a
variabilei aleatoare X este o funcţie ı̂n trepte continuǎ la stânga. Avem o discontinuitate
(un salt) ı̂n fieare punct x care este valoare pentru variabila aleatoare X(x = xi ), iar
ı̂nǎlţimea saltului este f (xi ).
F (xα ) = P (X < xα ) = α.
Dacǎ X este o variabilǎ aleatoare discretǎ, nu este sigur cǎ pentru orice α ∈ [0, 1] existǎ
cuantilǎ de ordinul α. Dacǎ ı̂nsǎ existǎ o cuantilǎ de ordin α, atunci existǎ o infinitate
(intervalul ce separǎ douǎ valori posibile).
Cuantila de ordin 1/2 se numeşte medianǎ şi se noteazǎ cu M e; astfel F (M e) = 1/2.
Cuantilele de ordin 1/4 respectiv 3/4 se numesc cuantila inferioarǎ Q1 , respectiv cuantila
superioarǎ Q2 ; astfel F (Q1 ) = 1/4 şi F (Q2 ) = 3/4.
Definiţia 16.3. Se numeşte modul valoarea xi cu proprietatea cǎ f (xi ) este maximǎ.
O repartiţie poate avea mai multe module. La aruncarea unui zar, cele 6 feţe ale sale au
aceeaşi probabilitate de apariţie; ı̂n acest caz, toate valorile sunt module.
Exemplul 16.1. Reluǎm exemplul de repartizare la ı̂ntâmplare a trei bile a, b, c ı̂n trei
urne, ţinând seamǎ de repartiţia variabilelor aleatoare X (Exemplul 15.2) şi Y (Exemplul
15.3)
1 2 3 0 1 2 3
X: şi Y : .
3 18 6 8 12 6 1
27 27 27 27 27 27 27
26
Avem:
0 ,y ≤ 0
0 ,x ≤ 1
8
,0 < y ≤ 1
27
3
,1 < x ≤ 2
27 20
F (x) = şi F (y) = ,1 < y ≤ 2
21 27
,2 < x ≤ 3
27
26
,2 < y ≤ 3
27
27
= 1 ,3 < x
27
27 = 1 , 3 < y
.
27
Remarca 16.2. Variabilele aleatoare X şi Y nu au mediane şi cuantile.
3 26
F (x) = are ca soluţie 1 < x ≤ 2. F (y) = are ca soluţie 1 < x ≤ 3.
27 27
Modulul lui X este 2, iar modulul lui Y este 1.
Adesea este necesar sǎ considerǎm simultan douǎ sau mai multe variabile aleatoare definite
pe acelaşi spaţiu de selecţie. Vom prezenta cazul a douǎ variabile aleatoare, trecerea la
trei sau mai multe variabile fǎcându-se fǎrǎ dificultate.
Exemplul 17.1. Considerǎm experienţa care constǎ ı̂n repartizarea la ı̂ntâmplare a trei
bile a, b, c ı̂n trei urne.
Acestei experienţe ı̂i corespunde urmǎtorul spaţiu de selecţie: S = {e1 , e2 , ..., e27 }, unde
ei sunt date de:
Cele 27 evenimente sunt egal probabile şi de aceea evenimentele ei au aceeaşi probabilitate
1
de realizare: .
27
Fie X variabila aleatoare care asociazǎ evenimentului elementar ei ∈ S numǎrul urnelor
ocupate. Avem X(ei ) = 1 pentru i = 1, 2, 3, X(ei ) = 2 pentru i = 4, 21, X(ei ) = 3
27
3 18 6
pentru i = 22, 27. Prin urmare: P (X = 1) = , P (X = 2) = , P (X = 3) = şi
27 27 27
repartiţia variabilei aleatoare este:
1 2 3
X: .
3 18 6
27 27 27
Fie acum ı̂n general douǎ variabile aleatoare X, Y definite pe acelaşi spaţiu de selecţie
S = {e1 , e2 , ..., en }. Fie x1 , x2 ,..., xk valorile variabilei X şi y1 , y2 , ..., yl valorile variabilei
Y.
Definiţia 17.1. Cu variabilele X, Y putem construi variabila aleatoare vectorialǎ
bidimensionalǎ Z = (X, Y ), a cǎrei valori sunt perechile ordonate de numere (xi , yj )
(vectori bidimensionali), pe care le ia cu probabilitatea
rij = P (X = xi şi Y = yj ) , 1 ≤ i ≤ k, 1 ≤ j ≤ l.
28
Repartiţia variabilei Z este deci:
XY y1 y2 y3 ... yj ... yl P (X = xi )
x1 r11 r12 r13 ... r1j ... r1l p1
x2 r21 r22 r23 ... r2j ... r2l p2
x3 r31 r32 r33 ... r3j ... r3l p3
.. .. .. .. .. .. ..
. . . . . . .
xi ri1 ri2 ri3 ... rij ... ril pi
.. .. .. .. .. .. ..
. . . . . . .
xk rk1 rk2 rk3 ... rkj ... rkl pk
P (Y = yj ) q1 q2 q3 ... qj ... qk 1
Analog obţinem:
k
X
qj = P (Y = yj ) = r1j + r2j + ... + rkj = rij , 1 ≤ j ≤ l.
i=1
Urmeazǎ cǎ pentru a obţine probabilitatea ca X (Y ) sǎ ia valoarea xi (yj ), vom face suma
probabilitǎţilor din linia (coloana) lui xi (yj ).
Deci variabila aleatoare X (Y ) are ca tablou al probabilitǎţilor coloana (linia) marginalǎ
a tabloului. Din acest motiv, prima coloanǎ (linie) ı̂mpreunǎ cu ultima coloanǎ (linie) a
tabloului constituie repartiţia marginalǎ a variabilei X (Y ).
Definiţia 17.2. Variabila X condiţionatǎ de Y = yj are repartiţia:
µ ¶
x1 x2 ... xi ... xk
P (x1 |yj ) P (x2 |yj ) ... P (xi |yj ) ... P (xk |yj )
unde
P (X = xi , Y = yj ) rij
P (xi |yj ) = P (X = xi |Y = yj ) = = , 1 ≤ j ≤ l.
P (Y = yj ) qj
29
Analog, variabila Y condiţionatǎ de X = xi are repartiţia:
µ ¶
y1 y2 ... yj ... yl
P (y1 |xi ) P (y2 |xi ) ... P (yj |xi ) ... P (yl |xi )
unde
P (Y = yj , X = xi ) rij
P (yj |xi ) = P (Y = yj |X = xi ) = = , 1 ≤ i ≤ k.
P (X = xi ) pi
Avem:
k
X k
1 X
P (xi |yj ) = rij = 1
i=1
qj i=1
şi
l
X l
1 X
P (yj |xi ) = rij = 1.
j=1
pi j=1
i j i j−1
X X X X
i) F (xi + 0, yj + 0) = rms , F (xi + 0, yj − 0) = rms
m=1 s=1 m=1 s=1
i−1 Xj j−1
i−1 X
X X
F (xi − 0, yj + 0) = rms , F (xi − 0, yj − 0) = rms .
m=1 s=1 m=1 s=1
v) Deoarece
30
funcţia de repartiţie a variabilei Y |X = xi este:
F (xi + 0, y) − F (xi − 0, y)
.
F (xi + 0, ∞) − F (xi − 0, ∞)
Definiţia 18.2. Vom spune cǎ variabilele X şi Y sunt independente dacǎ pentru toate
perechile (i, j) avem
rij = pi · qj .
M (a) = a.
M (a · X) = a · M (X).
31
3. Media sumei a douǎ variabile aleatoare X şi Y este egalǎ cu suma mediilor acestor
variabile:
M (X + Y ) = M (X) + M (Y ).
M (X · Y ) = M (X) · M (Y ).
6. Valoarea medie a abaterii faţǎ de media variabilei aleatoare este egalǎ cu zero:
M (X − M (X)) = 0.
Demonstraţie. Aceste proprietǎţi se aratǎ pe baza definiţiei şi rǎmân pe seama cititorului.
Exemplul 19.1. Se aruncǎ un zar. Variabila aleatoare X este ”numǎrul de puncte care
apar”. Valoarea medie a acestei variabile este
1 1 1 1 1 1 7
M (X) = 1 · + 2 · + 3 · + 4 · + 5 · + 6 · = = 3.5.
6 6 6 6 6 6 2
Se aruncǎ k zaruri. Fie Y numǎrul total de de puncte care apar. Valoarea medie a acestei
7k
variabile este M (Y ) = .
2
Exemplul 19.2. Se aruncǎ o monedǎ de trei ori. Fie X (Y ) variabila aleatoare care dǎ
numǎrul de steme pe primele (ultimele) douǎ aruncǎri. Sǎ se arate cǎ:
1. M (X) = M (Y ) = 1;
5
2. M (X · Y ) = ;
4
µ ¶
1 7
3. M = ;
1+Y 12
X
4. are repartiţia
1+Y
1 1 2
X 0 3 2 3
1
: .
1+Y 2 1 2 1 2
8 8 8 8 8
Exemplul 19.3. Se aruncǎ un zar de douǎ ori. Fie X (Y ) variabila aleatoare care dǎ
numǎrul la prima (a doua) aruncare. Sǎ se arate:
1. M (X · Y ) = M (X) · M (Y );
32
µ ¶ µ ¶
X 1
2. M = M (X) · M .
Y Y
Definiţia 19.2. Prin definiţie, dispersia variabilei aleatoare X este valoarea medie a
pǎtratului abaterii, X − M (X). Dispersia va fi notatǎ cu D2 (X) sau cu µ2 (X) sau cu σ 2 :
£ ¤
D2 (X) = M (X − M (X))2 .
D2 (a) = 0.
D2 (a · X) = a2 · D2 (X).
3. Dispersia sumei a douǎ variabile aleatoare independente este egalǎ cu suma disper-
siilor celor douǎ variabile aleatoare:
D2 (X + Y ) = D2 (X) + D2 (Y ).
D2 (X)
P [|X − M (X)| < L] ≥ 1 − (inegalitatea lui Cebı̂şev).
L2
Dacǎ ı̂n expresia lui σ 2 egalǎm cu zero toţi αj2 ≤ L şi ı̂nlocuim cu L toţi αj2 ≥ L obţinem:
σ 2 ≥ L [pi+1 + ... + pn ]
33
sau
σ2
pi+1 + ... + pn ≤ .
L
Suma pi+1 + ... + pn reprezintǎ probabilitatea ca abaterea sǎ fie mai mare sau egalǎ cu L
şi prin urmare
σ2
P [|X − M (X)| ≥ L] ≤ .
L
Din relaţia
P [|X − M (X)| ≥ L] + P [|X − M (X)| < L] = 1
rezultǎ inegalitatea din enunţ.
Problema 19.1. Sǎ se determine dispersia ı̂n cazul variabilelor aleatoare de la Exemplele
19.1, 19.2, 19.3.
Definiţia 19.3. Prin definiţie, abaterea medie pǎtraticǎ a unei variabile aleatoare X
este rǎdǎcina pǎtratǎ a dispersiei acestei variabile; o vom nota cu D(X) sau cu µ sau cu
σ: p
σ(X) = D2 (X).
Abaterea medie pǎtraticǎ se exprimǎ ı̂n aceleaşi unitǎţi de mǎsurǎ ca şi variabila aleatoare
consideratǎ.
µk = M [X − M (X)]k .
34
Propoziţia 19.3. Momentele obişnuite şi momentele centrate verificǎ relaţia:
Prin urmare:
µ2 = ν2 − ν12 ,
adicǎ dispersia este egalǎ cu diferenţa dintre momentul obişnuit de ordinul doi şi pǎtratul
momentului obişnuit de primul ordin.
Fǎcând succesiv k = 3, 4, rezultǎ
µ3 = ν3 − 3ν1 ν2 + 2ν13 ,
Definiţia 20.1. Dacǎ X şi Y sunt variabile aleatoare definite pe acelaşi spaţiu de selecţie
S, vom numi covarianţǎ a variabilelor X şi Y , şi o vom nota cu cov(X, Y ), numǎrul
X X
cov(X, Y ) = M ([X −M (X)][Y −M (Y )]) = (x−M (X))·(y−M (Y ))·P (X = x, Y = y)
x∈VX y∈VY
cov(X, Y ) = M (X · Y ) − M (X) · M (Y ).
35
Demonstraţie. Putem scrie :
X X
cov(X, Y ) = (x−M (X)) · (y−M (Y )) · P (X = x, Y = y) =
x∈VX y∈VY
X X X X
= x · y · P (X = x, Y = y) − M (Y ) x P (X = x, Y = y)−
x∈VX y∈VY x∈VX y∈VY
X X X X
− M (X) y P (X = x, Y = y) + M (X) M (Y ) P (X = x, Y = y) =
y∈VY x∈VX x∈VX y∈VY
X X
=M (X · Y ) − M (Y ) · x · P (X = x) − M (X) · y · P (Y = y)+
x∈VX y∈VY
X X
+ M (X) M (Y ) P (X = x, Y = y) =
x∈VX y∈VY
cov(X, Y ) = 0.
36
Definiţia 20.2. Dacǎ X şi Y sunt douǎ variabile definite pe acelaşi spaţiu de selecţie
S, vom numi coeficient de corelaţie a variabilelor X, Y , şi ı̂l vom nota cu ρ(X, Y ),
numǎrul
M [(X − M (X)) · (Y − M (Y ))] cov(X, Y )
ρ(X, Y ) = p = .
D2 (X) · D2 (Y ) σ(X) · σ(Y )
p
unde σ(Xi ) = D2 (Xi ).
Y = X1 + X2 + ... + Xn .
Avem:
1 1 1
M (Y ) = + + ... + = 1
n n n
şi
n
X X
D2 (Y ) = D2 (Xi ) + 2 cov(Xi , Xj ).
i=1 i<j
37
şi
(n − 2)! 1
M (Xi · Xj ) = 1 · P (Xi Xj = 1) + 0 · P (Xi Xj = 0) = = ,
n! n(n − 1)
deoarece Xi · Xj = 1 dacǎ şi numai dacǎ cǎrţile cu numerele i şi j au fost extrase la rândul
lor, şi sunt (n − 2)! aranjamente ı̂n care se realizeazǎ acest eveniment.
Dacǎ i 6= j, avem deci:
1 1 1 1
cov(Xi , Xj ) = − · = 2 .
n(n − 1) n n n (n − 1)
Definiţia 21.1. Spunem cǎ şirul de variabile aleatoare (Xn ) converge sigur la variabila
aleatoare X dacǎ
lim Xn (e) = X(e) ∀e ∈ S.
n→∞
Definiţia 21.2. Spunem cǎ şirul de variabile aleatoare (Xn ) converge ı̂n probabilitate
cǎtre variabila aleatoare X, dacǎ
oricare ar fi ε > 0.
Definiţia 21.3. Spunem cǎ şirul de variabile aleatoare (Xn ) converge aproape sigur
cǎtre variabila aleatoare X, dacǎ
³ ´
P lim Xn = X = 1.
n→∞
Definiţia 21.4. Fie Fn (x) funcţia de repartiţie a variabilei Xn , (n = 1, 2, ...) şi F (x)
funcţia de repartiţie a variabilei X. Şirul Xn converge ı̂n repartiţie cǎtre X dacǎ
38
Propoziţia 21.1. Dacǎ şirul Xn converge la X ı̂n medie pǎtraticǎ, atunci Xn converge
la X ı̂n probabilitate.
∞
X
2
Propoziţia 21.3. Dacǎ D (Xn − X)−n→∞
−−−→ 0 şi M (Xn − X)2 < +∞, atunci Xn −n→∞
−−−→ X
i=1
aproape sigur.
Teorema 22.1 (Cebı̂şev). Fie (Xn ) un şir de variabile aleatoare definite pe un spaţiu de
selecţie S. Dacǎ variabilele aleatoare sunt independente şi D2 (Xn ) ≤ c, ∀n, atunci pentru
orice ε > 0 are loc
lim P (|X̄n − M (X̄n )| < ε) = 1,
n→∞
1
unde X̄n = n
(X1 + X2 + ... + Xn ).
39
Remarca 22.1. Teorema lui Cebı̂şev aratǎ cǎ deşi variabilele aleatoare independente pot
lua valori depǎrtate de mediile lor, media aritmeticǎ a unui numǎr suficient de mare de
astfel de variabile aleatoare ia, cu o probabilitate mare, valori ı̂n vecinǎtatea constantei
n
1X
M (Xj ). Prin urmare, ı̂ntre comportarea variabilelor aleatoare şi media lor existǎ o
n j=1
mare deosebire. În cazul variabilelor aleatoare nu putem prezice cu o probabilitate mare
valoarea, pe când, ı̂n cazul mediei aritmetice ale acestor variabile, putem preciza, cu o
probabilitate apropiatǎ de 1, ce valoare ia.
Media aritmeticǎ a unui numǎr suficient de mare de variabile aleatoare ı̂şi pierde calitatea
de variabilǎ aleatoare.
Teorema 22.2 (Bernoulli). Sǎ presupunem cǎ se fac n experienţe independente, ı̂n
fiecare experienţǎ probabilitatea evenimentului A fiind p, şi fie ν numǎrul de realizǎri
ale evenimentului A ı̂n cele n experienţe. Pentru orice ε avem
³¯ ν ¯ ´
¯ ¯
lim P ¯ − p¯ < ε = 1.
n→∞ n
ν = X1 + X2 + ... + Xn
De aici rezultǎ: M (Xi ) = p, D2 (Xi ) = p (1−p), şi M (ν) = np, D2 (ν) = n p (1−p).
1
Aplicând inegalitatea lui Cebı̂şev variabilei ν rezultǎ:
n
³ ´
³¯ ν ³ ν ´¯ ´ 2 ν
D
¯ ¯ n
P ¯ −M ¯<ε ≥1−
n n ε2
sau ³¯ ν ¯ ´
¯ ¯ p (1 − p)
P ¯ − p¯ < ε ≥ 1 − .
n nε2
Ţinând seama cǎ p (1−p) ≤ 14 , obţinem
³¯ ν ¯ ´ 1
¯ ¯
P ¯ − p¯ < ε ≥ 1 − .
n 4nε2
Trecând la limitǎ, obţinem
³¯ ν ¯ ´
¯ ¯
lim P ¯ − p¯ < ε = 1,
n→∞ n
ceea ce demonstreazǎ teorema.
40
Remarca 22.2. În cazul unei populaţii de volum mare, dacǎ se efectueazǎ o selecţie de
volum n şi se obţin ν rezultate favorabile, atunci, cu o probabilitate apropiatǎ de 1, putem
afirma cǎ probabilitatea evenimentului cercetat este datǎ de frecvenţa relativǎ.
Prin urmare, ı̂n studiul populaţiilor mari pentru care nu putem determina apriori
probabilitatea de realizare a unui eveniment, probabilitatea se poate exprima prin
frecvenţa relativǎ nν a evenimentului considerat, fapt ce constituie justificarea teoreticǎ a
folosirii frecvenţei ı̂n loc de probabilitate.
Exemplul 22.1. Se aruncǎ o monedǎ de n ori. Cât de mare trbuie sǎ fie n pentru ca
probabilitatea inegalitǎţii ¯ ¯
¯α 1¯
¯ − ¯< 1
¯ n 2 ¯ 100
sǎ fie mai mare decât 0.99, ştiind cǎ α reprezintǎ numǎrul de apariţii ale unei feţe alese
dinainte.
Soluţie: Neavând nici un motiv sǎ presupunem cǎ o faţǎ are şansǎ mai mare de apariţie
n
decât altǎ faţǎ, urmeazǎ cǎ α ∼ .
2
n n ³α´ 1 ³α´ 1
Rezultǎ M (α) = , D2 (α) = , M = , D2 = .
2 4 n 2 n 4n
Din inegalitatea lui Cebı̂şev, rezultǎ cǎ:
³ ´
µ¯ ¯ ¶ 2 α
¯α 1¯ 1 D
P ¯¯ − ¯¯ < ≥1− n .
n 2 100 1
102
µ¯ ¯ ¶
¯α 1¯ 1
¯ ¯
Deducem cǎ, pentru ca P ¯ − ¯ < > 0.99 este suficient sǎ impunem ca
n 2 100
D2 ( αn ) (100)2 99
1− 1 > 0.99 ⇒ 1 − > ⇒ 4n > 106 ⇒ n > 250.000
102
4n 100
23 Repartiţia binomialǎ
S = S1 × S1 × ... × S1
| {z }
n ori
adicǎ mulţimea elementelor de forma (ei1 , ei2 , ..., ein ) unde ij este 0 sau 1.
Spaţiul de selecţie S conţine 2n elemente. Definim probabilitatea P pe S astfel:
P ({(ei1 , ei2 , ..., ein )}) = P1 ({ei1 }) · P1 ({ei2 }) · ... · P1 ({ein }).
41
Fie Ak , k = 0, 1, ..., n, evenimentul care constǎ din acei (ei1 , ei2 , ..., ein ) care conţin k
elemente de 1. (Ak este evenimentul care constǎ din k succese).
Propoziţia 23.1.
P (Ak ) = Cnk · pk · (1 − p)1−k .
Demonstraţie. Numǎrul sistemelor de forma (ei1 , ei2 , ..., ein ) care conţin k numere 1 este
Cnk .
Remarca 23.1. Evenimentele A0 , A1 , ..., An sunt incompatibile şi reuniunea lor este
evenimentul sigur, deci:
A0 ∪ A1 ∪ ... ∪ An = S
şi
P (A0 ) + P (A1 ) + ... + P (An ) = 1.
Probablitǎţile P (A0 ), P (A1 ), ..., P (An ) pot servi pentru definirea unei repartiţii ı̂ntr-un
spaţiu de selecţie de n + 1 puncte 0, 1, 2, ...n, ı̂n care evenimentul k ı̂nseamnǎ evenimentul
Ak .
se numeşte variabilǎ binominalǎ şi se noteazǎ de obicei cu B(n, p) (sau X ∼ B(n, p)).
Remarca 23.2. Alegerile lui p şi n determinǎ ı̂n mod unic repartiţia binominalǎ; diferite
alegeri conduc la diferite repartiţii.
1. M (X) = n · p;
2. D2 (X) = n · p · (1 − p);
42
3. Dacǎ notǎm cu M o modulul variabilei X (valoarea cea mai probabilǎ), atunci:
np − (1 − p) ≤ M o ≤ np + p.
1. X1 + X2 ∼ B(n1 + n2 , p);
Cnk1 · Cnn−k
2. P (X1 = k|X1 + X2 = n) = 2
, pentru max(0, n1 − n2 ) ≤ k ≤ min(n1 , n).
Cnn1 +n2
Propoziţia 23.4. Funcţia de repartiţie a varibilei X ∼ B(n, p) este:
0 ,x ≤ 0
(1−p)n ,0 < x ≤ 1
(1−p)n + Cn1 p (1−p)n−1 ,1 < x ≤ 2
F (x) = ... ... ...
(1−p)n + Cn1 p (1−p)n−1 + ... + Cnk pk (1−p)n−k ,k < x ≤ k + 1
... ... ...
1 , x > n.
λk −λ
b(k; n, pn ) → e .
k!
Demonstraţie. Avem:
1
b(k; n, pn ) = n (n − 1) ... (n − k + 1) · pkn (1 − pn )n−k =
k!
1 n n−1 n−k+1
= · · · ... · · (n pn )k (1 − pn )n−k .
k! n n n
43
Întrucât
n n−1 n−k+1
· · ... · −−−−−−−−→ 1
n→∞ şi (n pn )k −−−−−→ λk
−−−n→∞
n n n
demonstraţia teoremei revine la a demmonstra cǎ
(1 − pn )n−k −−−−−→ e−λ .
−−−n→∞
Deoarece
(1 − pn )n−k = (1 − pn )n (1 − pn )−k
şi (1 − pn )−k −−−−−→ 1
−−−n→∞ şi pn −−−−−→ 0,
−−−n→∞ este suficient sǎ arǎtǎm cǎ
(1 − pn )n −−−−−−−−→ e−λ .
n→∞
³ a ´n
Se ştie cǎ 1 − −−−−−−−−→ e−a
n→∞ şi convergenţa este uniformǎ pe fiecare interval finit
n
a0 < a < a1 .
Toate numerele n pn pot fi restrânse la un asemenea interval ı̂n jurul lui λ şi astfel ∀ε > 0,
∃n1 (ε) astfel ı̂ncât ∀n > n1 (ε) sǎ avem
¯³ n p n ´n ¯
¯ ¯
¯ 1− − e−n pn ¯ < ε.
n
Din continuitatea funcţiei e−x pentru n > n2 (ε) avem:
|e−n pn − e−λ | < ε.
Astfel, pentru n > n(ε) = max(n1 (ε), n2 (ε)), avem:
¯³ n p ´n ¯ ¯³ n p ´n ¯
¯ n ¯ ¯ n ¯
|(1−pn )n −e−λ | = ¯ 1− −e−λ ¯ = ¯ 1− −e−n pn +e−n pn −e−n pn ¯ ≤
n
¯³ n p ´n ¯ n
¯ n ¯
≤ ¯ 1− −e−n pn ¯ + |e−n pn −e−λ | < 2ε,
n
ceea ce demonstreazǎ teorema.
Definiţia 24.1. Variabila aleatoare X care are funcţia de frecvenţǎ (funcţia de probabil-
itate)
λk −λ
p(k, λ) = P (X = k) = e , k = 0, 1, 2, ...
k!
se numeşte variabilǎ Poisson cu parametrul λ şi se noteazǎ X ∼ P o(λ).
Exemplul 24.1. 3% din şuruburile fabricate de o maşinǎ sunt defecte, defectele apǎrând
la ı̂ntâmplare ı̂n timpul procesului de producţie. Dacǎ şuruburile sunt ı̂mpachetate ı̂n
cutii a 100 de bucǎţi, care este probobilitatea ca o cutie sǎ conţinǎ x şuruburi defecte?
44
Remarca 24.1. Repartiţia Poisson apare ı̂n multiple situaţii, ca de exemplu:
• dǎ probabilitǎţile unui numǎr specificat de chemǎri telefonice ı̂ntr-un anumit timp;
• dǎ probabilitǎţile unui numǎr specificat de defecte pe o unitate de lungime a unui
fir;
• dǎ probabilitǎţile unui numǎr specificat de defecte pe o unitate de arie a unei
ţesǎturi;
• dǎ probabilitǎţile unui numǎr specificat de bacterii pe unitatea de volum ı̂ntr-o
soluţie;
• dǎ probabilitǎţile unui numǎr specificat de accidente pe unitatea de timp.
Sǎ vedem cum apare distribuţia Poisson ı̂n una dintre situaţiile de mai sus.
Exemplul 24.2. Considerǎm un fir de lungime L şi presupunem cǎ probabilitatea unui
singur defect pe o lungime ∆L a firului este λ · ∆L. Admitem cǎ aceastǎ probabilitate
este independentǎ de poziţia bucǎţii ∆L.
L
Împǎrţim firul de lungime L ı̂n bucǎţi de lungime ∆L = şi avem:
n
Probabilitǎţile acestor evenimente sunt: Px (L) · [1 − λ · ∆L], Px−1 (L) · λ · ∆L şi Θ(∆L).
Deci
şi
P0 (L + ∆L) = P0 (L) · [1 − λ · ∆L].
Demonstraţie. Avem
µx · e−µ
P (X = x) = , x = 0, 1, 2, ...
x!
ν y · e−ν
P (Y = y) = , y = 0, 1, 2, ...
y!
şi cum X şi Y sunt independente:
µx ν y · e−(µ+ν)
P (X = x, Y = y) = P (X = x) · P (Y = y) = .
x! y!
Fie Z = X + Y şi g(z) = P (Z = z). Valoarea g(z) se obţine ı̂nsumând P (X = x, Y = y)
dupǎ toate perechile (x, y) astfel ı̂ncât x + y = z, adicǎ dupǎ toate perechile (x, z − x).
Deci
X z X z
−(µ+ν) µx ν z−x
g(z) = P (X = x, Y = z − x) = e =
x=0 x=0
x! (z − x)!
Xz ³ µ ´x
³ µ ´z
e−(µ+ν) ν z Czx
ν e−(µ+ν) ν z 1 +
= x=0
= ν =
z! z!
(µ + ν)z
=e−(µ+ν) , z = 0, 1, 2, ...
z!
1. λ − 1 < M o < λ;
2. M (X) = D2 (X) = λ.
46
25 Repartiţia multinominalǎ
Demonstraţie. Presupunem cǎ cele n bile extrase s-au obţinut ı̂n ordinea
A1 ...A1 A2 ...A2 ... Ak ...Ak .
| {z } | {z } | {z }
n1 ori n2 ori nk ori
Deoarece Ai sunt independente, probabilitatea acestui eveniment este pn1 1 pn2 2 ... pnk k . De-
oarece succesiunea evenimentelor A1 , ..., Ak poate fi oricare, rǎmâne sǎ vedem ı̂n câte
moduri putem scrie n simboluri, dintre care n1 egale cu A1 , n2 egale cu A2 , ..., nk egale
cu Ak . Acest numǎr este dat de numǎrul permutǎrilor cu repetiţie şi anume
n!
.
n1 ! n2 ! ... nk !
Deoarece
X n!
1 = (p1 + p2 + ...pk )n = · pn1 pn2 ... pnk k
n1 ,...,nk
n1 ! n2 ! ... nk ! 1 2
rezultǎ cǎ X
Pn (n1 , n2 , ..., nk ) = 1
n1 ,...,nk
k
X
unde nj poate sǎ ia toate valorile posibile, astfel ı̂ncât nj ≥ 0 şi nj = n.
j=1
47
26 Repartiţia geometricǎ. Repartiţia binominalǎ
negativǎ
În cazul general, f (x) este probablitatea de a obţine exact x insuccese ı̂nainte de succesul
r. Pentru a se realiza acest eveniment, trebuie sǎ obţinem un succes ı̂n experienţa r + x şi
ı̂n cele r+x−1 experienţe anterioare sǎ obţinem r−1 succese şi x insuccese. Probabilitatea
de a obţine r − 1 succese ı̂n primele r + x − 1 experienţe este
r−1
Cr+x−1 · pr−1 (1 − p)x ,
unde probabilitatea de a obţine un succes ı̂n experienţa r + x este p.
Deoarece experienţele sunt independente, probabilitatea cǎutatǎ este
r−1
f (x) = Cr+x−1 · pr (1 − p)x , x = 0, 1, 2, ...
48
Definiţia 26.2. Variabila X având funcţia de frecvenţe
r−1
f (x) = Cr+x−1 · pr (1 − p)x
se numeşte variabilǎ binominalǎ negativǎ, iar (x, f (x)) repartiţie binominalǎ
negativǎ.
Propoziţia 26.1. Dacǎ X, Y sunt variabile aleatoare independente, repartizate binominal
negativ de parametri (r1 , p), respectiv (r2 , p), atunci variabila X + Y este repartizatǎ
binominal negativ de parametri (r1 + r2 , p).
Lungimile şi timpul teoretic pot lua orice valoare dintr-un interval. Dacǎ evenimentele
sunt asemenea entitǎţi, atunci funcţia de probabilitate ar trebui sǎ fie definitǎ pe un
interval şi sǎ asocieze ”probabilitǎţi” tuturor elementelor acestui interval, nu doar unui
numǎr finit de puncte (probabilitǎţi punctuale).
Exemplul 27.1. Dacǎ un ceas se opreşte la ı̂ntâmplare, care este probabilitatea ca limba
care indicǎ orele sǎ se opreascǎ ı̂ntre 7 şi 10?
Soluţie: În acest caz, avem de a face cu o familie de evenimente posibile care sunt ı̂ntr-
un interval continuu. Orice poziţie ı̂ntre 0 şi 12 este posibilǎ şi existǎ o infinitate de
posibilitǎţi.
Nu putem numǎra cazurile egal posibile şi nu putem asocia probabilitǎţi punctuale.
De aceea, fiecǎrui subinterval al lui [0, 12] ı̂i asociem o probabilitate proporţionalǎ cu
lungimea subintervalului. Deoarece intervalului [0,12] de lungime 12 trebuie sǎ ı̂i asociem
1
probabilitatea 1, unui subinterval de lungime unitate ı̂i vom asocia probabilitatea , şi
12
3
deci unui interval de lungime 3 = 10 − 7 ı̂i vom asocia probabilitateta .
12
3
Astfel, probabilitatea ca T sǎ ia valori ı̂ntre 7 şi 10 este .
12
10 − 7 3
P (7 < T < 12) = = .
12 − 0 12
În acest caz, putem face şi un raţionament ı̂n care mǎsurǎm probabilitǎţile prin arii de
dreptunghiuri, şi anume: reprezentǎm intervalul de timp [0, 12] pe orizontalǎ ca ı̂n figurǎ
1
şi considerǎm dreptunghiul având lungimea 12 şi lǎţimea .
12
1
Lǎţimea am luat-o de , pentru ca aria dreptunghiului sǎ fie egalǎ cu probabilitatea
12
evenimentului sigur (”acul se opreşte undeva intre 0 şi 12 ”), adicǎ 1. Intervalului [7, 10]
1
ı̂i corespunde dreptunghiul haşurat, având aria 3 · = P (7 < T < 12).
12
49
Exemplul 27.2. Un autobuz trebuie sǎ ajungǎ in staţia A la ora 7. Din motive
necunoscute, ora de sosire a autobuzului variazǎ ı̂ntre orele 650 şi 720 . Frecvenţele relative
ale diferitelor sosiri aratǎ cǎ acestea sunt dispuse ca ı̂n figura de mai jos:
Soluţie: Fie T variabila aleatoare care dǎ timpul de sosire. Sǎ presupunem T = 0 pentru
705 , mijlocul intervalului timpilor de sosire. Deoarece aria triunghiului este 1, iar baza de
1
la T = −15 la T = 15, ı̂nǎlţimea sa va fi h = .
15
Aria triunghiului haşurat reprezintǎ probabilitatea ca autobuzul sǎ ajungǎ ı̂n staţie la ora
2 1 2 2
700 . Înǎlţimea triunghiului este , deci aria sa este · 10 · = .
45 2 45 9
2
Prin urmare, probabilitatea cǎutatǎ este .
9
Exemplul 27.3. Pe segmentul AB se alege, la ı̂ntâmplare, un punct U . Care este
probabilitatea ca distanţa de la punctul U la A sǎ fie cel puţin de douǎ ori mai mare
ca distanţa de la U la B?
Dacǎ X este o variabilǎ aleatoare ale cǎrei valori sunt punctele unui interval, ne aşteptǎm
ca la schimbǎri mici ale lui x sǎ se producǎ o schimbare micǎ ı̂n P (X < x), cu alte cuvinte
funcţia de repartiţie F (x) sǎ fie continuǎ.
Definiţia 28.1. O variabilǎ X cu valori reale este numitǎ variabilǎ continuǎ dacǎ
funcţia sa de repartiţie F (x) este continuǎ.
50
dF
De altfel vom presupune mai mult. Vom admite cǎ F (x) este derivabilǎ şi cǎ este
dx
continuǎ.
dF
Definiţia 28.2. Funcţia f (x) = se numeşte densitatea de repartiţie (sau de
dx
probabilitate) a variabilei X.
Propoziţia 28.1. Dacǎ a şi b sunt douǎ numere reale, atunci au loc urmǎtoarele egalitǎţi:
Demonstraţie. Imediatǎ.
Remarca 28.2. Dacǎ a → b, atunci F (a) → F (b), adicǎ
−−−−→ 0,
P (a ≤ X < b) −−−a→b
deci probabilitatea ca X sǎ ia valoarea b este zero. Expresia f (b) nu dǎ probabilitatea ca
X = b, o densitate de probablitate folosindu-se numai ca integrand.
Remarca 28.3. Dacǎ b − a este mic şi f (x) este continuǎ, atunci
Z b
P (a ≤ X < b) = f (t)dt ≈ (b − a) · f (t)
a
a+b
unde t = .
2
Remarca 28.4.
F (x + ∆x) − F (x) P (x ≤ X < x + ∆x)
f (x) = lim = lim .
∆x→0 ∆x ∆x→0 ∆x
Aceastǎ relaţie explicǎ şi originea termenului de ”densitate de repartiţie”: P (x ≤ X <
x + ∆x) reprezintǎ probabilitatea ca variabila aleatoare X sǎ ia valori ı̂n intervalul
[x, x + ∆x) (adicǎ ”masa”), iar ∆x este lungimea acestui interval (adicǎ ”volumul”).
51
Definiţia 28.3. Se numeşte modul şi se noteazǎ cu M o valoarea variabilei X pentru
care densitatea este maximǎ.
Dacǎ funcţia F (x) este strict crescǎtoare, atunci variabila X admite cuantile de orice
ordin, şi acestea sunt unice.
1
Cuantila de ordin 2
este numitǎ medianǎ şi se noteazǎ cu M e. Pentru medianǎ, avem:
1
P (X < M e) = P (X > M e) = .
2
Exemplul 28.1. Sǎ se determine funcţia de repartiţie, mediana, modulul pentru variabila
aleatoare T din Exemplul 27.2.
1. M (aX) = a · M (X);
52
2. M (X + Y ) = M (X) + M (Y );
3. M (X − M (X)) = 0.
Exemplul 29.1. În condiţiile Exemplului 27.2, sǎ se determine valoarea medie a timpului
de sosire.
Exemplul 29.2. Sǎ se determine dispersia variabilei aleatoare din Exemplul 27.2.
30 Repartiţia normalǎ
Remarca 30.1. Funcţia n(x; µ, σ 2 ) este simetricǎ faţǎ de x = µ, este maximǎ ı̂n x = µ
şi are puncte de inflexiune ı̂n x = µ ± σ. Graficul funcţiei este dat ı̂n figurǎ:
53
Definiţia 30.3. Funcţia de repartiţie a variabilei normale standard,
Z x
1 1 2
Φ(x) = √ e− 2 t dt
2π −∞
se numeşte funcţia lui Laplace.
Funcţia lui Laplace este tabelatǎ pentru diferite valori ale lui x. Cu aceste tabele putem
gǎsi probabilitǎţile asociate cu evenimentele privind orice variabiliǎ normalǎ.
x−µ
Demonstraţie. Se foloseşte schimbarea de variabilǎ u = .
σ
Propoziţia 30.3. Dacǎ Xi ∼ Ni (µi , σi2 ), i = 1, n, atunci
n
X
Y = ci Xi
i=1
are proprietatea à n !
X n
X
Y ∼ Ni c i µi , c2i σi2 .
i=1 i=1
BIBLIOGRAFIE
[1] V. Craiu, Teoria probabilitǎţilor cu exemple şi probleme, Ed. Fundaţiei România de
mâine, 1997.
54