Teoria probabilitǎților și statisticǎ matematicǎ

IFR-2013-2014

Evenimente:Prin eveniment se înţelege rezultatul unui experiment (este o noţiune

primară).
Evenimentul care se realizează cu certitudine într-o experienţă îl vom numi
eveniment sigur şi îl vom nota cu  . Evenimentul care nu se realizează niciodată îl vom
numi eveniment imposibil şi îl vom nota cu  . Evenimentul complementar ( contrar) al
unui eveniment A este acel eveniment care se realizează atunci şi numai atunci când nu
se realizează A. Evenimentul complementar îl vom nota A .
Vom scrie A  K dacă evenimentul A aparţine unei familii de evenimente K.
Dacă realizarea evenimentului A implică realizarea evenimentului B vom scrie
A  B . Se spune că evenimentul A este favorabil producerii evenimentului B. Un
eveniment A este elementar dacă B  A implică B   sau B=A. Pentru un eveniment
arbitrar, avem implicaţiile:   A   , relaţia de implicare constituind o relaţie de
ordine parţială.
Operaţii cu evenimente. Ca şi relaţiile dintre evenimente, operaţiile cu evenimente sunt
operaţii logice şi vor fi simbolizate ca în teoria mulţimilor.
Două evenimente a căror realizare simultană este echivalentă cu evenimentul
imposibil se numesc incompatibile şi vom scrie A  B   ; în caz contrar, evenimentele
se numesc compatibile ( A  B   ). Fiind date evenimentele A şi B, se introduce
evenimentul care constă în realizarea evenimentului A şi nerealizarea evenimentului B,
notat A  B  A  B .
Orice reuniune de evenimente arbitrare se poate scrie ca o reuniune de evenimente
k 1 n n

incompatibile (prin disjuncţia Bk  Ak  A j , k  1,2,...n  A Bk )

k
j 1 k 1 k 1

Definiţia clasică a probabilităţii

Se numeşte probabilitate a evenimentului A şi se notează P(A), raportul dintre

numărul m de cazuri favorabile producerii evenimentului A şi numărul total n de rezultate
m
ale experimentului, considerate egal posibile: P A  , din definiţie rezultând
n
proprietăţile:
1. 0  P  A  1
2. P    0, P    1
3. P A  B   P A  P B  , dacă A  B  
4. P  A   1  P  A
5. A  B  P A  P  B 
Câmp de evenimente.
Să considerăm    si P    mulţimea părţilor lui  .
Definiţie: O familie nevidă K  P    se numeşte corp de părţi (mulţimi) dacă:
i) A  K  A  K
ii) A, B  K  A  B  K
Observaţie: Axioma ii) este echivalentă cu
 n
ii A1 , A2 ,..., An  K , n  N , n  2  Ak  K
k 1

Asociativitatea reuniunii, împreună cu i) şi ii) implică faptul că un corp K este o

mulţime nevidă de părţi închisă în raport cu reuniunea finită şi trecerea la complementară.
Propoziţie: Dacă K  P    este un corp de părţi, atunci:
1)   K ,   K
A 
n

2) k 1 k  n
 K  Ak  K
k 1

3) A, B  K  A  B  K
Definitie: O mulţime nevidă K  P    se numeşte  -corp de mulţimi ( corp borelian)
dacă:
i) A  K  A  K
ii)  An  nN  K  n
N
An  K

Observaţie: Se constată că orice corp borelian de mulţimi este şi corp de mulţimi,

reciproca nu este adevarată.
Definiţie: O mulţime  ȋnzestrată cu un corp (borelian) K de părţi se numeşte câmp
(borelian) de evenimente. Vom nota acest câmp de evenimente  , K  .
Definiţie: Un sistem de evenimente A1 , A2 ,..., An  K cu proprietatea că Ai  Aj  
n

dacă i  j , i, j  1,2,..., n , A i  spunem că formează un sistem complet de

i 1

evenimente sau o desfacere a lui  .

Definiţia axiomatică a probabilităţii
Definiţie: Se numeşte probabilitate pe câmpul de evenimente  , K  o funcţie de
mulţime P : K  R , care satisface următoarele axiome:
i) A  K  P A  K
ii) P     1
iii) A, B  K , A  B    P A  B   P A  P B 
Observaţie: Axioma iii) este echivalentă cu A1 , A2 ,..., An  K , Ai  A j   , i  j ,
 n 
 
n
i, j  1,2,..., n  P Ai    P Ai
 i 1  i 1
Definiţie: Un câmp de evenimente  , K  înzestrat cu o probabilitate P se numeşte
câmp de probabilitate şi îl vom nota  , K , P .
Definiţie: O probabilitate  -aditivă (complet aditivă) pe câmpul borelian de evenimente
 , K  este o funcţie de mulţime P : K  R care satisface axiomele:
i) A  K  P A  K
ii) P     1
 
iii)  An  nN  K , Am  An  , m  n, m, n  N  P
 An 
  P A 
n
 nN  nN

Prin definiţie, un câmp borelian de evenimente  , K  înzestrat cu o probabilitate

P complet aditivă se numeşte câmp borelian de probabilitate şi îl vom nota  , K , P .

Proprietăţile probabilităţii

Propoziţie: Probabilitatea are următoarele proprietăţi:

1) P  B  A  P  B   P  B  A
2) P  B  A  P  B   P  A şi P A  P B  dacă A  B
3) P  A   1  P  A
4) P    0
5) 0  P  A  1
6) P  A  B   P  A  P  B   P A  B  , P  A  B   P A  P B 
7) Formula lui Poincarè:-principiul includerii şi excluderii :
 
     n 1  

n n n
P Ai    P Ai   P Ai  A j   P Ai  A j  Ak  ...    1 P Ai 
 i 1  i 1 i j i j k  i 1 
 n 
 
n
8) subaditivitatea probabilităţii :   i   P Ai
P  A  
 i 1  i 1
 n 
 
n
9) inegalitatea lui Boole : P Ai    P Ai   n  1
 i 1  i 1

Propoziţie: axioma continuităţii: Dacă  An  nN este un şir descendent de evenimente,

atunci: lim P  A  Dacă  An  nN este un şir ascendent de evenimente,
 
n
 P  An .

n
 n N 

atunci: lim P  A 
 
n
 P
 An  
n
 n N 
Propoziţie: Un câmp de probabilitate în care probabilitatea este finit aditivă şi în care are
loc axioma continuităţii este un câmp borelian de probabilitate.

Probabilitate condiţionată
Fie  , K , P un câmp de probabilitate şi A  K astfel încât P A  0
Definiţie: Numim probabilitate condiţionată de evenimentul A a evenimentului B
P  A  B  not
expresia PA  B    P  B A
P  A
Propoziţie: , K , PA  este câmp de probabilitate
Definiţie: Evenimentele A şi B se numesc independente dacă P A  B   P A P B  .
Comentarii:
1. independenţa înseamnă PA  B   P  B 
2. definiţia este echivalentă cu oricare dintre relaţiile:
i) P  A  B   P A  P  B 
ii) P  A  B   P A P B 
iii) P A  B   P A  P B 
Regula de înmulţire a probabilităţilor
Fie  A 
i 1 i  n o familie finită de evenimente, astfel încât
P
 n

 Ai 

0;
 i 1 
atunci:
P
 n
 Ai 

     
  P A1 PA A2 PA  A A3 ...PA  A ...  A An  
 i 1  1 1 2 1 2 n 1
 Considerăm desfacerea (sistemul complet de evenimente)  Ai  1 i  n , Ai  A j   ,
n
i  j şi A i  , P  Ai   0, i  1,2,..., n . Dacă B  K , P B   0 , atunci are loc:
   
i 1

Formula lui Bayes: P Ai B    P Ai P B Ai

P B 

   
n
Formula probabilităţii totale: P  B    P Ai P B Ai
i 1

Scheme clasice de probabilitatate

a. Schema lui Poisson: este folosită în rezolvarea problemelor în care se cere
probabilitatea realizării de k ori a unui eveniment într-o experienţă care constă în
efectuarea a n probe independente, atunci când se cunoaşte probabilitatea pi a realizării
evenimentului în fiecare din cele n probe.
Să considerăm n urne U1 ,U 2 ,...,U n fiecare urnă conţinând bile albe şi bile
negre în proporţii date. Fie ai numărul de bile albe din urna U i şi bi numărul de bile
negre din urna U i . Probabilitatea de a extrage o bilă albă din urna U i este:
ai
pi  , i  1,2,..., n , iar probabilitatea de a extrage o bilă neagră din urna U i este:
ai  bi
bi
qi  , i  1,2,..., n . Evident, pi  qi  1 , i  1,2,..., n .
ai  bi
Se extrage câte o bilă din fiecare urnă şi se cere să se afle probabilitatea ca din
cele n bile extrase, k să fie albe.
Fie Ai evenimentul care constă în faptul că s-a extras o bilă albă din urna U i .
Evenimentul care răspunde favorabil este cel constituit din k evenimente A şi n-k
evenimente A , o situaţie posibilă fiind Ai  Ai 2  ...  Ai  Ai  ...  Ai . Intrucât 1 k k 1 n

rezultatele extragerilor sunt independente, probabilitatea acestui eveniment este

P A  A  ...  A  A  ...  A 
  p p ... p q ...q .
 i1 
i2 ik i k 1 in i1 i2 ik i k 1 in

Notăm cu B evenimentul care constă în apariţia de k ori a bilei albe şi de n-k ori a
B  A  A  . .  A  A  . .  A 
bilei negre. Atunci i ,i ,...,i   i 1 2 n
1
i2 ik ik 1 in  . Urmează că
k ori A,n-k ori A

 
 
 
P B  P   Ai  Ai2  . .  Ai  Ai  . .  Ai     pi pi . . pi qi . .qi
 n
Constatăm că după aceeaşi regulă se calculează coeficientul lui x k
 i1,i2 ,. .,in  1 k k1
 i1,i2 ,. .,in  1 2 k k1 n
 k ori A,n-k ori A  k ori A,n-k ori A
din polinomul
 
n
P x    pi x i  qi , deci aşa vom determina simplu probabilitatea cerută.
i 1
b. Schema lui Bernoulli (schema bilei revenite) rezolvă problemele în care se cere să se
calculeze probabilitatea realizării unui eveniment de k ori într-o serie de n probe
independente, când se cunoaşte probabilitatea p a realizării evenimentului într-o singură
probă.
 Se presupune că cele n urne din schema lui Poisson au aceeaşi compoziţie. A
extrage câte o bilă din fiecare urnă este echivalent cu a utiliza o singură urnă şi a reface
compoziţia după fiecare extragere (adică a reintroduce bila la loc în urnă). Polinomul
devine P  x    px  q  n , iar coeficientul lui x k , care dă probabilitatea căutată va fi
Cnk p k q n  k .
c. Schema lui Bernoulli în mai multe culori (schema multinomială). Considerăm o urnă
care conţine bile de k culori: C1 , C2 ,..., Ck . Fie pi probabilitatea de a extrage o bilă de
culoarea Ci ; ne propunem să calculăm probabilitatea evenimentului ca în cele n probe
independente, reintroducând în urnă de fiecare dată bila extrasă, să apară de ni ori bila
de culoarea Ci , i  1,2,..., k . O situaţie posibilă este următoarea:
A1  A1  ...A1  A2  A2  ...  A2  ...  Ak  Ak  ...  Ak
n1 ori n 2 ori n k ori
n n n
Probabilitatea acestui eveniment este p1 p2 ... pk 1 2 k
cu n1  n2  ...  nk  n . Cum
n!
evenimentul se poate exprima în n !n !..n ! situaţii distincte (incompatibile două câte
1 2 k

n!
două), rezultă că probabilitatea cerută este n !n !..n ! p1 p2 ... pk , n1  n2  ...  nk  n
n1 n2 nk

1 2 k

.
d. Schema bilei nerevenite: Se consideră o urnă care conţine N bile de două culori A şi
N
B în număr de N1 şi respectiv N 2 , extragându-se cu probabilităţile p1  1  p şi
N
N N  N1 N
respectiv p2  2   1  1  1  p  N1  Np, N 2  N 1  p  .
N N N
Din urnă extrag n bile, fără a pune bila extrasă înapoi în urnă şi se cere
probabilitatea de a obţine k bile de culoarea celor având probabilitatea p de a fi extrase.
n
Utilizând definiţia clasică a probabilităţii, numărul cazurilor posibile este C N , iar
k nk
k
C Np C Nn  1k p 
al celor favorabile C Np C N  1 p  , probabilitatea cerută fiind: , unde numărul
C Nn
k satisface: max  0, n  N 1  p    k  min n, Np  .
Schema bilei nerevenite este un caz particular al schemei lui Polya. În acest caz,
extragerile se fac cu revenire, a.î. înaintea următoarei extrageri se pun în urnă j  1 bile
de culoarea bilei extrase.Se cere probabilitatea obţinerii a k bile de culoarea celor de
probabilitate p şi apoi a n-k bile de cealaltă culoare în urma a n astfel de extrageri.
Probabilitatea de a obţine k bile de culoarea celor de probabilitate p în primele k
extrageri şi n-k de cealaltă culoare, în următoarele n-k extrageri este:
N1 N1  j N1   k  1 j N2 N2  j N   n  k  1 j
pk  ... ... 2
N1  N 2 N1  N 2  j N1  N 2   k  1 j N1  N 2  kj N1  N 2   k  1 j N1  N 2   n  1 j
aceasta reprezentând probabilitatea obţinerii a k bile de culoarea celor N1 şi a n-k de
k
culoarea celor N 2 în orice altă ordine, deci probabilitatea cerută este Cn pk .
 N1 N2
Cum  p,  1  p  q , N1  N 2  N notând j   , probabilitatea
N1  N 2 N1  N 2 N
k p p   ... p   k  1  q q   ... q   n  k  1 
cerută devine: Cn , care pentru j  1
 1   1  2 ...1   n  1 
1
,  
N
Np  Np  1... Np   k  1  N 1  p   N 1  p   1... N 1  p    n  k  1 
 Cnk
N  N  1 N  2 ... N   n  1 
k
C Np C Nn  1k p 
= , adicǎ probabilitatea obținutǎ ȋn schema bilei nerevenite.
C Nn
e. Schema bilei nerevenite în mai multe culori: Considerăm o urnă în care se află ni bile

de culoarea Ci , i  1,2,..., j . Se extrag n n  n1  n2  ...  n j bile fără a pune la loc bila 
extrasă şi se cere probabilitatea ca din cele n bile extrase ki să fie de culoarea Ci .
Utilizând tot definiţia clasică a probabilităţii,( bilele se extrag simultan), obţinem
k  k  ...  k
numărul căzurilor posibile Cn  n  ... n , iar numărul cazurilor favorabile este
1 2 j

1 2 j

k k k
kj
Cn 1 .Cn 2 ...Cn j
k1 k2
Cn .Cn ...Cn , deci probabilitatea cerută este
1 2
k1  k 2  ...  k j
j
.
1 2 j
Cn  n 2  ...  n j
1

f. Schema lui Pascal: Considerăm urna din schema lui Bernoulli din care fac extrageri
(revenite) până la obţinerea primei bile albe. Probabilitatea ca la extragerea k să se obţină
prima bilă albă este pq k 1 . O generalizare a acesteia este “timpul de aşteptare”.
Se consideră un eveniment care are probabilitatea de a se realiza egală cu p.
Efectuăm k probe independente, până când evenimentul se realizează de n ori  k  n  .
n 1 n k n
Probabilitatea corespunzătoare va fi: Ck 1 p q , k  n , întrucât în ultima probă
evenimentul are loc.
Observaţie:Repartiţia geometrică : pk  pq este ‘generalizată’ de repartiţia binomială
k

negativă: pk  C pnqk , k  0 .
k
n  k 1

Variabile aleatoare
Noţiunea de variabilă aleatoare este fundamentală în teoria probabilităţilor.
Intuitiv, variabila aleatoare se poate defini ca fiind o funcţie reală definită pe mulţimea
valorilor posibile ale unui experiment.
Fie  , K  un câmp borelian de evenimente.
Definiţie: X :   R se numeste variabila aleatoare dacă şi numai dacă
 : X     x  K , x  R
Observaţie: Noţiunea de probabilitate nu intră în definiţia variabilei aleatoare.
Vom utiliza notaţiile:  X  x  K pentru v.a. X
Propoziţie: X :   R este o variabilă aleatoare dacă şi numai dacă este adevarată una
din afirmaţiile:
 i   : X     x  K , x  R
 ii   : X     x  K , x  R
 iii   : X     x  K , x  R
Observaţie:  X  a  K şi  a  X  b  K , a, b  R .
Aplicaţie:La un examen se prezintă trei candidaţi. Variabila aleatoare reprezentând
0 1 2 3
numărul candidaţilor admişi are repartiţia:  2 26 p 9 p

p  . Determinaţi

5 
probabilitea
fiecărui candidat de a promova examenul.
Solutie:Cum numărul candidaţilor promovaţi reprezintă o partiţie a evenimentului sigur:
2 1
la examen se prezintă trei candidaţi, avem   26  9  1 p  1  p  , deci distribuţia
5 60
0 1 2 3
v.a. este X : 2 13 3 1  . Cum P X  k  , k   0,1,2,3 reprezintă
 
5 30 20 60 
probabilitatea ca k candidaţi să promoveze examenul, conform schemei lui Poisson se
obţine sistemul:

 1  p1   1  p2   1  p3   2
5
 13
 p1  1  p2   1  p3   p2  1  p1   1  p3   p3  1  p2   1  p1  
 30 , unde p , i  1,2,3
 3 i
 p1  p2  1  p3   p1  p3  1  p2   p3  p2  1  p1  
 20
 1
 p1 p2 p3 
60
reprezintă probabilitatea fiecărui candidat de a promova examenul. Utilizând relaţiile lui
 1  47
 S3   S1 
60 60
 3  1
Viete, sistemul devine:  S 2  3S3    S2   ecuaţia cu soluţiile pi este:
 20  5
1  S1  S2  S3  2 S3  1
 5  60

60  47 12  1
60 p 3  47 p 2  12 p  1  0 . Aplicând schema lui Horner: 1 60  27 3 0
3
1 9 1
 p1  , iar p2 , p3 sunt soluţi pentru: 20 p 2  9 p  1  0  p2,3  , probabilităţiile
3 40
1 1 1
fiind , , .
3 4 5
Operaţii cu variabile aleatoare:
Propoziţie: Dacă X este variabilă aleatoare şi b  R , atunci:
1
X  b, bX , X , X 2 , , cu X  0 sunt variabile aleatoare
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci:  X  Y   K ,  X  Y   K ,
X  Y  K
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci: X  Y , X  Y , XY , , cu Y  0
Y
sunt variabile aleatoare.

Funcţia de repartiţie a unei variabile aleatoare

Să considerăm un câmp borelian de probabilitate  , K , P şi X o variabilă
aleatoare.
Definiţie: Numim funcţie de repartiţie a variabilei aleatoare X, aplicaţia FX : R   0,1 ,
definită prin relaţia FX  x   P  : X     x  . Vom scrie: FX  x   P X  x 
Propoziţie: Funcţia de reparţie a unei variabile aleatoare X are următoarele proprietăţi;
(1) FX      lim FX  x   0 ; FX     lim FX  x   1
x   x 

(2) este nedescrescătoare : x1  x2  FX 1 X 2

x   F x 
F
(3) este continuă la stânga: X  x   FX
 x  0   lim FX  y 
y x

Propoziţie: Daca X este o variabila aleatoare si x1  x2 , atunci:

     
P x1  X  x2  FX x2  FX x1
P x 1
 X  x   F  x   F  x   P X  x 
2 X 2 X 1 1

P x 1
 X  x   F  x   F  x   P X  x   P X  x 
2 X 2 X 1 2 1

P x 1
 X  x   F  x   F  x   P X  x 
2 X 2 X 1 2

Observaţie: P  X  xi  , i  1,2
reprezintă saltul funcţiei de repartiţie FX în punctul xi
, i  1,2 . Dacă FX este continuă, atunci P  X  xi   0 , i  1,2 .
In funcţie de mulţimea valorilor posibile X    ale v.a. X :   R avem:
Definiţie: O v.a. X pe câmpul borelian de probabilitate  , K , P se numeşte discretă
dacă ia o mulţime cel mult numarabilă de valori :
X      xi  , xi  x j , i, j  I  N , i  j .
i I

V.a. cu proprietatea că X    este un interval din R se numeşte continuă

Propoziţie: Dacă X      xi iI ,  Ai iI  K definite prin Ai     : X     xi 
formează o partiţie a evenimentului sigur.
Notând P  Ai   pi  pi  0,  pi  1 . Punctele  x  se numesc puncte de
i i I
iI

creştere ale funcţiei de repartiţie, iar probabilităţile lor se numesc salturi ale funcţiei de
FX  x   p
repartiţie. Evident, xi  x
i .

Definiţie: Numerele  pi iI satisfacând P  X  xi   pi , i  I şi p i

 1 dau legea de
iI

probabilitate a v.a. discrete X ( pi reprezintă funcţia de frecvenţă a v.a. X numită mai

sugestiv masă de probabilitate).
Observaţie: Unii autori definesc funcţia de repartiţie prin relaţia:
~
FX  x   P X  x  , x  R
Aplicaţie: Durata unei convorbiri telefonice exprimată în secunde este o variabilă
t  t 
1  1  
aleatoare X având funcţia de repartiţie: F  t   1  e 50  e  50  , t  0 . Determinaţi
X
2 2
probabilitatea ca o convorbire telefonică să dureze:
a) cel mult 70s
b) cel puţin 110s
c) între 70 si 110s
d) exact 100s, respectiv 90s
e) cel mult doua minute, ştiind ca va dura cel puţin un minut
f) cel puţin un minut, ştiind ca va dura cel mult doua minute .
Solutie: Funcţia de repartiţie a variabilei date, explicitata, este:
 1  50
t

 1 e dacã 0  t  50
 2
t
 1  1 e  50  1 dacã 50  t  100
FX  t    2 2e
 1 t 1
1  e 50  2 dacã 100  t  150
 2 2e
 ...
Aceasta este o functie crescǎtoare, continua la dreapta, avand salturi in punctele de forma
7
1  1
t=50k, k  N * . Deci: a) P X  70   FX  70  1  e 5  b)
2 2e
P  X  110   1  FX 110 

1  1 1
11 7 11
1 1  
 2  e 5 : c) P 70  X  110   FX 110   FX  70   e 5  e 5   2 
2e 2 2 e e 
1  1
d) P X  100  tlim F  t   FX 100  1   , iar P X  90   0
100 X 2e  e
1
1 5
FX 120   FX  60 
e) P X  120 X  60 
1 e2
1 
1  FX  60  e 1 1
5
e
6
1 1 5
FX 120  FX  60 1  e
f) P  X  60 X  120  1 2e 2
FX 120 1 1 
12
1  e 5
2e 2
Definiţie: V.a. X se numeşte continuă dacă FX este absolut continuă, adică, dacă există
x

o funcţie integrabilă nenegativă f : R  R astfel încât FX  x    f  t dt , x  R .



Funcţia f se numeşte densitate de repartiţie. Din definiţia dată rezultă:

i) f  x   0, x  R
 

ii)  f  x dx  1


Se constată imediat că dacă există densitatea de repartiţie f, atunci F este

x2
 
derivabilă şi FX  x   f  x  , iar P  : x1  X  x2  FX x2  FX x1        f  t dt
x1

Propoziţie: Dacă g este continuă şi strict monotonă pe I  X    , atunci aplicaţia

g  X :   R este o variabila aleatoare şi are loc egalitatea:
 
 F X g 1  x  daca g este strict crescatoare
Fg  X  x   
 
1  F X g  x  daca g este strict descrescatoare
1

Caracteristici numerice ale funcţiilor de repartiţie

Fie X o v.a. cu funcţia de repartiţie F şi q  N , q  2.
Definiţie: Numim q-cuantile ale v.a. X, numerele finite  ci  X  1 i  q 1 pentru care

F ci  X    i
q
şi  i

F ci  X   0  , 1  i  q
q
Observaţie: In general, cuantilele nu sunt unic determinate. Dacă F este continuă,
i
cuantilele se determină ca soluţii unice ale ecuaţiilor: F  ci  X    q , 1  i  q  1 .
Cuantilele au denumirea de mediană  q  2 , cuartile  q  4  , decile  q  10 ,
centile  q  100 .
Definiţie: Fiind dată funcţia de repartiţie F care are densitatea f, orice punct de maxim
local pentru f se numeşte mod (punct modal). In cazul repartiţiilor discrete, punctul modal
se numeşte valoarea cea mai probabilă: pk  P  X  xk   pk 1  pk  pk 1
Variabile aleatoare discrete

 xi , y j  
repartiţia vectorului  X , Y  :  pij  se scrie sub forma:
 i 1, 2,..., m; j 1, 2 ,..., n
X \ Y y1 y2 .. . yj ... yn Total
x1 p11 p12 … p1j … p1n p1●
x2 p21 p22 … p2j … p2n p2●
… … … … … … … …
xi pi1 pi2 … pij … pin nj●
… … … … … … … …
xm-1 p(m-1)1 p(m-1)2 … p(m-1)i … pm-1)n p(m-1)●
xm pm1 pm2 … pij … pmn pm●
Total p●1 n●2 … n●i … n●n 1
pi j  P X  xi , Y  y j , i  1,2,..., m; j  1,2,..., n ; X,Y v.a.i.  pij  pi p j
n m m n m n
pi   pi j , i  1,2,..., m ; p   p , j  1,2,..., n   pi j  pi   p j  1
j ij
j 1 i 1 i 1 j 1 i 1 j 1

 xi Y  y j 
X Y  y j :   , jJ
Mai mult, avem:


P X  xi Y  y j 
iI
 cu

    
P X  xi , Y  y j  p
P X  xi Y  y j  p xi y j 
 
ij

P Y  yj pj
 

In cazul continuu, fie f  x, y  densitatea de repartiţie. Atunci, f X  x   f  x, y dy şi



fY  y    f  x, y dx , iar independenţa variabilelor aleatoare X şi Y se exprimă ca:


f  x, y   f X  x  fY  y  . Definim densitatea de repartiţie a v.a. X condiţionată de Y=y

f  x, y  f  x, y  f  x, y  f  x, y 
f  x y    f  y x   
fY  y  şi analog f X  x
 f  x, y dx

 f  x, y dy 

Momente iniţiale


Definiţie: Numim moment iniţial de ordin k al v.a. X numărul Mk X   x

k
dF  x  ,


dacă integrala Stieltjes există.

Cazurile importante pentru aplicaţii sunt:

Mk  X   x
k
f  x , în ipoteza că există integrala Riemann improprie
 


M k  X    x kj P X  x j , J cel mult numarabilă, în ipoteza că seria este convergentă.

j J

Definiţie: Numim moment absolut de ordin k al v.a. X numărul


Mk  X   Mk  X   x dF  x 
k



Mk  X   f  x
k
Dacă v.a. X are densitate de repartiţie ,  x ,


iar dacă este de tip discret, Mk  X   x

j J
j
k

P X  xj .
Momentul de ordinul unu poartă numele de valoare medie şi vom scrie M 1  X   M  X  .
Observaţie: Evident, M k  X   M  X 
k

Observaţii: Dacă v.a. X este de tip discret, având funcţia de frecvenţă pk  P  X  xk  ,

seria x
k 1
k
pk poate fi convergentă, dar seria x
k 1
k
pk nu. În acest caz spunem că nu

există M  X  .


În mod similar, pentru v.a. continuă X, spunem că există MX   x

k
f  x dx



dacă există  x f  x dx .



Astfel mediile nu există pentru v. a. având :

 3j 
  j , j  N * , deşi  x j p j  2 ln 2
2
- funcţia de frecvenţă p j  P X    1
j 1

 j  3 j 1

a
1 1 x 1
- densitatea de repartiţie f  x   , x  R , deşi lim  dx  0 .
 1 x 2 a  
a
 1  x2
Propoziţie: Proprietăţile mediei
(1). Dacă v.a. X  c , atunci M  X k   c k , k  N
(2). Dacă v.a. este omogenă M  aX   aM  X 
  n  n
(3). Dacă v.a. este aditivă M   X i    M X i  
 i 1  i 1
X
(4). Dacă v.a. 1 2 , X ,... X n sunt independente (în totalitate), atunci

 
 
n n
M   X i    M X i
 i 1  i 1
Momente centrate
Definiţie: Numim moment centrat de ordin k al v.a. X numărul

k  X    x  M  X 
k
f  x  dx dacă v.a. X este continuă
   


 k  X    x j  M  X  k P X  x j dacă v.a. X este de tip discret

j J

Propoziţie: Momentele centrate de ordinul k se pot exprima cu ajutorul momentelor de

ordin cel mult k şi reciproc
k k
 k  X      1 Ckj M k  j  X M j  X  şi M k  X    Ckj  k  j  X M j  X  , k  N *
j

j 0 j 0

Cu ajutorul momentelor centrate se introduc noţiunile:

3  X 
Definiţie:Coeficient de asimetrie al v.a. X:  1  .
 X3
4  X 
Coeficient de exces al v.a. X:  2  3
 X4
Definiţie: Momentul centrat de ordinul doi se numeste dispersie şi se notează D X  , iar
D X    X se numeşte abatere medie pătratică.
Pornind de la definiţie, rezultă imediat D X   M 2  X   M 2  X  , evident, nenegativă.
Observaţie: Dacă X este o v.a. pentru care există M  X  , atunci v.a. X  M  X  o vom
numi variabila aleatoare abatere. Imediat, rezultă M  X  M  X    0
X MX
Dacă, în plus, există M 2  X  , atunci v.a. X o vom numi abatere normată.

 X  MX 
Imediat, rezultă D   1
 X 
Momente mixte
In ipoteza că există M 2  X  şi M 2  Y  pentru v.a. bidimensională  X , Y  dăm urmatoarea
definiţie:
Definiţie: Se numeşte covarianţă a variabilelor aleatoare X şi Y momentul mixt
11  M   X  M  X    Y  M  Y    =cov(X,Y)
Acest indicator măsoara existenţa legăturii stocastice a v.a. X şi Y.
Din definiţie, rezultă imediat cov X , Y   M  XY   M  X  M  Y  , care este o funcţională
biliniară simetrică.
Propoziţie: Proprietăţile covarianţei
(1) cov aX , bY   ab cov X , Y  , a, b  R şi cov X , a   0, a  R
(2) cov X  X , Y   cov X , Y   cov X , Y 
(3) cov X , Y   cov Y , X  şi cov X , X   D  X 
Definiţie: V.a. se numesc necorelate dacă cov X , Y   0
Observaţie: Intrucât cov X , Y   0  M  XY   M  X  M  Y  , dacă v.a. X şi Y sunt
independente, atunci ele sunt necorelate. Reciproca, nu este adevărată întotdeauna. Vom
arăta acest lucru în exemplul următor:
Exemplu: Trei bile de culori diferite se pun la întîmplare in trei urne. Notând cu X v.a.
care indica numarul de bile dintr-o urna si cu Y pe cea care reprezinta numarul urnelor
ocupate, arătati ca X si Y sunt necorelate (evident, nu sunt independente).
Propoziţie: Proprietăţile dispersiei
(1). Dacă v.a. X  c , atunci D  X   0
(2). D aX   a 2 D X 

(3). D
 n
 X
 n
 
 i    D X i , dacă X 1 , X 2 ,... X n sunt independente două câte două.
 i 1  i 1
(4) D X  Y   D X   D Y   2 cov X , Y 
Legătura dintre medie şi dispersie este data de ineglitatea lui Cebâşev:
Inegalitatea lui Cebâşev: Dacă X este o v.a. pentru care există M  X  şi D X  , atunci,
D X 
  0 , are loc inegalitatea: P : X     M  X     
2
Observaţie: Cu ajutorul acestei inegalităţi se poate evalua o limita inferioară a
probabilităţii cu care valorile variabilei aleatoare se grupează în jurul valorii medii:
D X 
P : X     M  X      1  2 .

Dacă   3 , atunci: P : M  X   3 X  X     M  X   3 X  
8
, inegalitate
9
cunoscută sub numele de “regula 3 ”

Corelaţie si regresie
Intensitatea legăturii stocastice a două variabile aleatoare se poate măsura cu
ajutorul unor indicatori numerici, cel mai frecvent întilnit fiind coeficientul de corelaţie.
cov X , Y 
Definiţie: Numim coeficient de corelaţie al v.a. X şi Y raportul  X ,Y  .
 XY
Teorema: Pentru orice v.a. X şi Y pentru care D X  D Y   0 , au loc proprietăţile:
(1).  X ,Y  0 dacă şi numai dacă v.a. X şi Y sunt necorelate.
(2). Dacă X,Y sunt v.a. independente, atunci  X ,Y  0 , reciproca nu este adevarată.
(3).  X ,Y  1 ;  X , X  1 şi  X ,  X  1
(4).  X ,Y  1implică o dependenţă liniară între X şi Y.
X  MX Y  M Y 
Considerând variabilele abatere normată X   , Y 
X Y

 
 M  X Y    XY  1 . Cum M X   Y   0  Y  M  Y    Y
2 X  MX 
X
 x  MX  y  M Y  y  M Y  x MX
Definiţie: Dreptele  1 şi  2 se numesc
x Y Y x
drepte de regresie .
Definiţie: Presupunând că există M 2  X  şi M 2  X  , dreapta de regresie a v.a. Y în
cov X , Y  cov X , Y 
raport cu X este: y  M  Y    x  M  X   , iar  X Y  se numeşte
x x
coeficient de regresie al v.a.Y în raport cu X.
Observaţie:  X ,Y   X Y  Y X
Dacă Z :   R 2 , Z   X , Y  este o v. a. bidimensională, se pot defini momente
iniţiale condiţionate şi dispersii condiţionate
Definiţie: Media condiţionată a v.a.Y stiind că X=x este:
  ypY X  x in cazul discret
 y

M Y X  x    
  yf Y X  x  y  dy in cazul continuu

 
Observaţie: Media condiţionată M Y X  x   h x  este funcţie de x, şi poartă numele
de curba de regresie, h X   M Y X  .
Funcţia generatoare de momente
Definiţie: Funcţia generatoare de momente a v. a. X este  X  t   M e dacă
tX
 
h  0 astfel încât media există şi este finită pentru t  h
Teorema: Dacă există h>0 astfel încât  X  t    Y  t  pentru t  h , atunci X=Y.
Teorema: Fie X 1 , X 2 ,..., X n v.a.i. ale căror funcţii generatoare de momente există
n n
pentru t h ,h>0, si S n   X k . Atunci  S  t    X  t  , t  h.
n k
k 1 k 1

Corolar: Dacă, în plus, X 1 , X 2 ,..., X n sunt identic repartizate, atunci

 
 S t   X t , t  h .
n
n

Teorema: Fie X v.a. a cărei funcţie generatoare de momente  X  t  există pentru t  h ,

h>0. Atunci
a) toate momentele există: M  X    pentru k  0
k

 
b) M X n   X n   0 , n  N
Observaţie: Pentru v.a. care ia doar valori naturale se defineşte funcţia generatoare de
 
probabilitate : g X  t   M t   t P  X  n  , care este definită cel puţin pentru t  1 .
X n

n0

Pentru aceste variabilele aleatoare  X  t   g  e , pentru t  h . Are loc urmatoarea:

t

Teorema: Fie X 1 , X 2 ,..., X n v.a. independente identic repartizate şi N v.a. luând valori

naturale, independentă de X 1 , X 2 ,..., X n . Atunci  S n  t   g N  X  t  
Legi ale numerelor mari
Obiectul legilor numerelor mari este studiul unor legitaţi de apariţie a unor evenimente cu
probabilitatea 0 sau 1 într-un număr foarte mare de probe, ceea ce poate fi formulat în
cadrul unor teoreme de tip lege a numerelor mari într-o formă determinată.
Definiţie: Spunem cǎ şirul  X n  nN * de v.a. se supune legii slabe a numerelor mari în
raport cu constantele de normare  Bn  nN * , Bn  0, Bn   dacǎ existǎ un şir de constante
n
reale  An  nN * ( constante de centrare) a. î. Bn1  S n  An   0 , unde S n   X k .
P

k 1
Observaţie: Dacă convergenţa în probabilitate din definiţia de mai sus este înlocuitǎ cu
convergenţa a.s., şirul  X n  nN * de v.a. se supune legii tari a numerelor mari.
Teorema lui Cebâşev: Fie  X n  nN * un şir de v.a.i., cu dispersii finite, uniform
mǎrginite.
Atunci şirul  X n  nN * se supune legii numerelor mari în varianta lui Cebâşev:
1 n 1 n 
lim P  X k   M  X k      1
n
 n k 1 n k 1 

Teorema lui Bernoulli: Fie  numǎrul de apariţii ale unui eveniment având
probabilitatea de realizare p în n probe independente. Atunci,   0 are loc:
 
lim P  p     1
n 
 n 
Teorema lui Poisson: Dacă într-o succesiune de probe independente, probabilitatea de
apariţie a unui eveniment în proba de rang k este pk , atunci:
 1 n 
lim P   pk     1
n
 n n k 1 
 fiind numǎrul de apariţii ale evenimentului în primele n probe.

Teoreme limită centralǎ

Teorema Lindeberg-Levy: Fie  X n  nN * un şir de v.a.i.i.r. care admit momente de
n
 n 

k 1
X k  M  X k 
 k 1  not
ordinul unu şi doi. Atunci  Yn 
s
Z
n 
 n

D  X k 
 k 1 
not not
Demonstrație :Dacǎ se noteazǎ m  M  X k  ,  2  D X k  , k  N * ,cum
n
 n
 n
M   X k    M  X k   nm ,iar  n  n
 X k  m
.
 k 1  k 1 D  X k    D X k   n 2  Yn  k 1

 k 1  k 1  n
Pentru demonstrarea convergenței slabe din concluzia teoremei, vom utiliza funcția
caracteristicǎ (sau cea generatoare de momente) a variabilei Yn :  Yn  t   M e n 
itY
 
 k1 X k  m 

n

 it   n it
 X k m    it  X k  m  
    X  m  t    Xn  m  t 
n n
 M e  n   M  e n    M e n
   k 1  k 1   k 1 k   n  k  
 n 
   
 
t  t   2 t2
Cum pentru n suficient de mare,  1   X k  m    1   . Ca urmare a
 n  n  2 n 2
n 2
 t2  
t

acestei dezvoltǎri ȋn serie ȋn jurul originii,  n  0 a.ȋ .  Yn  t   1  1   n    e 2 .

 2n 
x y2
1 
Din teorema de unicitate și inversiune rezultǎ cǎ lim FYn  x   e 2
dy .
n  2 

Teorema lui Moivre-Laplace: Dacă se noteazǎ cu k numărul de realizǎri ale unui

eveniment care poate sǎ apară cu probabilitatea p în n probe independente, atunci:
 k  np  1
x

y2
lim P  x   e 2
dy
n 
 npq  2 

statisticǎ matematicǎ
Orice cercetare statisticǎ porneşte de la o colectivitate sau populaţie alcǎtuitǎ din
indivizi (elemente sau unităţi statistice) care au o caracteristicǎ generalǎ (v.a. X). Vom
expune în cele ce urmeazǎ problema inferenţei statistice parametrice, adicǎ situaţia în
care, exceptând parametrii, se cunoaşte forma funcţiei de repartiţie a variabilei aleatoare
care descrie populaţia investigatǎ.

Teoria selecţiei
Definiţia 1: Fie X o variabilǎ aleatoare cu funcţia de repartiţie F şi X 1 , X 2 ,..., X n
v.a.i.i.r. cu aceeaşi funcţie de repartiţie F. Atunci mulţimea X 1 , X 2 ,..., X n este o selecţie
de volum n (n observaţii independente asupra lui X).
Definiţia 2: Orice funcţie de datele de selecţie se numeşte statisticǎ: dacǎ X 1 , X 2 ,..., X n
sunt n observaţii independente asupra v.a. X, atunci v.a. f  X 1 , X 2 ,..., X n  se numeşte
statisticǎ, unde f este o funcţie mǎsurabilǎ nedepinzând de parametrii necunoscuţi.
Definiţia 3: Fie X 1 , X 2 ,..., X n o selecţie de volum n asupra unei funcţii de repartiţie F.
n

Statistica X i
se numeşte medie de selecţie
X i 1
n
Funcţia empirică de repartiţie. Teorema lui Glivenko

Considerând o selecţie de volum n: X 1 , X 2 ,..., X n , dacă dispunem în ordine de

 
aceste date X  1  X  2   ...  X  n  , mulţimea X  1 , X  2  ,..., X  n  constituie statistica
ordinii. Definiţia 4: Fie

n
0 daca x  X  1
  x  Xk  
k
Fn*  x  

k 1
  daca X  k   x  X  k 1 
n n 
1
 daca x  X  n

,  k  1,2,..., n  1  .
Atunci n  Fn*  x  este numǎrul variabilelor X k cel mult egale cu x . Fn*  x  se numeşte
funcţia empiricǎ de repartiţie. Pentru x  R arbitrar fixat, Fn*  x  este variabilǎ aleatoare.
Teorema lui Glivenko-Cantelli: Funcţia empiricǎ de repartiţie Fn*  x  converge uniform
la F  x  , adicǎ,
sup F *  x   F  x      0
pentru   0, nlim

 n
 xR


.
Exemplu: Calitatea unor aparate este apreciată după numărul de puneri în funcţiune până
la prima defectare. S-au analizat 100 de aparate , obţinându-se rezultatele:
xi porniri 1 3 6 8 10
ni aparat 15 20 30 10 25
e
Calculaţi valoarea funcţiei empirice de repartiţie în punctul x=7. 1≤x<3
 1 3 6 8 10 
Soluţie: X :  15 20 30 10 25   F100  7   0,65 ;
* *

 
 100 100 100 100 100 
*
F100  xi   P X  xi   P X  7   P X  1  P X  3  P X  6  0.15  0.20  0.30  0.65
 0 x1
 0,15 1 x  3

 0,35 3 x 6
*
F100  x   
 0,65 6 x8
0,75 8  x  10


 1 x  10

Momente de selecţie

Definiţia 5: Vom numi moment (iniţial) de selecţie de ordin k, variabila aleatoare

1 n 1 n
mk*   X ik . Pentru k  1 , obţinem media de selecţie m1*  X   X i
n i1 n i1
1 n k 1  n k
Observaţie: Cum M m *
k  M   X i   M   X i   M k  X  şi
 n i1  n  i1 
 1 n k     1 n k  2 1 n
2

D mk   M 2  mk   M  mk   M   X i     M   X i   2  M  X i2 k  
* * 2 *

 n i 1     n i 1  n i 1


2
2 
n i j
M  X i
k
M  X k
j  
1 n
2 
n i 1
M 2
 X i
k
 
2
2 
n i j
M  X i
k
M  X k
j  
1 n
2 
n i 1

M 2  X ik   M 2  X ik  
Aplicând inegalitatea lui Cebaşev, obţinem:
 
P mk*  M k  X     1    M  X   M  X    lim P m
2k
2
k *
k 
 M k  X     1 , ceea ce ne
n 2 n

P
conduce la, mk  M k  X  fapt care justifica înlocuirea în aplicaţii a momentelor
*

n

teoretice de ordinal k, când acestea există, cu momentele empirice de ordinal k, dacă n

este suficient de mare (metoda momentelor de estimare punctuala a parametriilor).
Definiţia 6: Vom numi moment centrat de selecţie de ordin k, variabila aleatoare
k
1 n
 k    X i  X  . Pentru k  2 se obţine dispersia de selecţie:   X i  X   S
not
* 1 n 2 2

n i 1 n i 1
Ca şi în cazul momentelor teoretice, momentele centrate de selecţie pot fi
exprimate cu ajutorul momentelor obişnuite de selecţie (şi invers):
1 n l l
1 n  l
k*     1 Cl j X il  j X j     1 Cl j X j   X ii  j      1 Cl j X j ml* j
j j j

n i 1 j  0 j 0  n i 1  j 0
Exemplu: Calculaţi media şi dispersia de selecţie din exemplul dat.
5 5

 ni xi 1  15  3  20  6  30  8  10  10  25 n  x  x
i i
x i 1
5
  5,85 , iar  2*  i 1
5
100
 ni
i 1
n
i 1
i

calcule pe care le vom organiza în tabelul:

ni xi xi  x  xi  x  2 ni  xi  x 
2

15 1 -4,85 23,5225 352,8375

20 3 -2,85 8,1225 162,45
30 6 0,15 0,0225 0,675
10 8 2,15 4,6225 46,225
25 10 4,15 17,2225 430,5625
100 x  5,85  2  9,9275
*

Aplicaţie: Dacă selecţia de volum n ,  X 1 , X 2 ,... X n  , este extrasă din populaţia

x 2n
caracterizată de F  x   1  e   , x  0 , determinaţi repartiţia statisticii S  m* .
X 
2 n 
Soluţie: Întrucât S   X k , este suficient de determinat funcţia caracteristică a v.a.
 k 1
x
Y 
2X   
, cu f X  x   x  1e  , x  0 (sau a celei generatoare de momente), ceea ce
 
n  2t 
va conduce la determinarea acesteia pentru statistica dată:  S  t    Y  t    X    . Dar.
n

 
 1
  1

 2X     x      x   
FY  x   P  Y  x   P  x   P X      FX    
     2    2  
   
1
1  1

1  x      x    1  2
x
fY  x       e , x  0  Y  t   exp  2   t   1  2it  
1
   fX 
 2  2  2   2
 
 S  t   1  2it   n  S   22n . Evident, la aceeaşi concluzie se ajunge calculând
 1
  1  1
 1 
FX   x   P  X   x   P X  x    FX  x    f   x  1  x   f X  x 
1
  X   exp 
 X
  
     
1 
x  t   y

 
 x
1   
2 
G X   t   M e tX   e tx  e  dx 1  t  1  GY  t   G X   t   Gexp( 2)  t 

 
 0  

Selecţia dintr-o populaţie normalǎ N  m,  

Teorema 3: Dacǎ X 1 , X 2 ,..., X n
este o selecţie de volum n dintr-o populaţie
caracterizată de o variabila aleataore X  N  m,  , atunci media de selecţie
  
X  N  m, .
 n
Demonstraţie: Utilizând funcţia generatoare de momente a repartiţiei normale,
 t  X i 
n

GXi t   e
mt 
t 2 2
2 , avem succesiv: G X  t   M e   tX  n
 M  e i


  M
 n tXn i
 e
 i 1



   
tm t 2 2 t 2 2
n
t n  mt 
  GX i     e n 2 n  e .
2
2n

i 1  n  i
X m
Z 
Corolar: Variabila abatere normatǎ  este repartizata normal N  0,1 .
n
 X m
   tm n tX n 
Demonstraţie: Într-adevǎr 
 
G Z  t   M e tZ  M  e t n     M e 
 
e  

   
2 2
tm n t n 2

tm n
t n  
tm n

t
e 
 G X    e   e  2 2 n  e 2 .

  
Teorema 4: Daca X 1 , X 2 ,..., X n este o selecţie de volum n dintr-o populaţie normalǎ
N  m,   , atunci X şi S 2 sunt variabile aleatoare independente.
Demonstraţie: vom calcula funcţia generatoare de momente pentru X şi vectorul
 X 1  X , X 2  X ,... X n  X  , rezultatul devenind evident cu ajutorul urmǎtoarei
caracterizǎri a independenţei: X , Y v.a.i.  G  t1 , t 2   G  t1 ,0   G  0, t 2  , t1 , t 2 .
n

Astfel , notând t i
, avem succesiv:
t  i 1

n
  n  n 

 i 1 t i X i  
 
 t i t  X
tX  t1  X  X 1   t 2  X  X 2  ... t n  X  X n  
G  t , t1 , t 2 ,..., t n   M e

 M e i 1 

 
 
  X i  ti  t1  t2 ...t n t  
n

  
 n X i  ntin nt t   n  X i  t  nn ti t   
 M  e i 1 
n
 M e    M e 
   i 1  i 1  
     
 n
 m t  n t i  t    2  m  n

  exp  2   t  n t i  t     exp  nt  n  t i  t   
i 1  n 2n  n  i 1 
2  n 2 2 2 2 n
2  n
  nt 2
 n 2   ti t   mt  t    ti  t 
2

 nt  n  t i  t    e mt  e 2 n 
2 
 exp 2 i 1 
e 2n
e 2 i 1

2n  i 1 
 G X  t   G X 1  X , X 2  X ,...X n  X  t1 , t 2 ,...,t n   G  t ,0,0,...,0   G  0, t1 , t 2 ,...,t n 

Definiţia 7: Variabila aleatoare s 

2 1 n
 X X
n  1 k 1 k
  2
se numeşte dispersie de selecţie
corectatǎ.
Propoziţia 2 : Daca X 1 , X 2 ,..., X n este o selecţie de volum n dintr-o colectivitate
normală
1 n n *
N  m,   , iar     X k  m  , atunci
* 2
  n2 .
n k 1  2

2
n * n
 Xk  m 
Demonstraţie: Într-adevǎr     este sumǎ de n pǎtrate de v.a.i. N  0,1
 2
k 1   
Teorema 5: Dacă X 1 , X 2 ,..., X n este o selecţie de volum n dintr-o populaţie normală
N  m,   , atunci
nS 2

 n  1 s   2 2

n 1
 2
2
2

 X  X     X k  m    X  m     X k  m 
n n m
2 2
Demonstraţie: Cum k
k 1 k 1 k 1
m
2 2
m
2
2
  2
 2   X  m    X k  m   n  X  m     X k  m   n  X  m   nS2  n  12 s =
k 1 k 1  
2
 
 2 
n
 Xk  m X  m
       2 ca diferenţǎ de variabile independente  2 .
k 1       n 1

 
 n 
Exemple : i. Punctajul obţinut la un examen poate fi presupus normal distribuit cu media
200 şi abaterea medie pǎtraticǎ 20. Un punctaj de cel puţin 230 permite promovarea sa.
Care este probabilitatea ca 4 candidaţi oarecare sǎ treacǎ examenul?
Determinaţi probabilitǎţiile : P X  210  şi P 185  s 2  415 .
 xm
Soluţie: Pentru X  N  m,   , funcţia de repartiţie este P X  x   FZ   . Atunci,
  
4
 4
 230  200 
P X 1  230, X 2  230, X 3  230, X 4  230   P X i  230  1  FZ   
i 1   20 
 1  FZ 1,5   1  0,9332  0,0664  2  10 5 . Cum, conform teoremelor 3, respectiv
4 4
   
5 X  N  m, 
 n
 
 
   1  FZ 1  0,1586,  n  1 s   32 
2
210 200
 P  X  210  1  FZ 
 20   2

 
 4 
  n  1  smin  n  1  smax    n  1  smax    n  1  smax 
 
2 2 2 2
2
P smin  s 2  smax
2
 P  U  
  P 
 U  
  P 
 U  
  2
 2
   2
   2

 3  184 3  416 

 P 184  s 2  416  P  U    PU  3,12  PU  1,38  0,71  0,37  0,34
 400 400 
ii. Determinaţi numerele reale a, b pentru o selecţie de volum 15 dintr-o populaţie
normalǎ N  m,   , pentru care P  *  a   P  S 2  b   0,95 .
n *
Soluţie: Conform propoziţiei 2 , 2   n2 

n *  n * na 
 152  P  *  a   P 2  2   0,95 , a   02, 95;15  25 .
 2
   
nS 2  n  1 s 2 nS 2
În baza teoremei 5,    2
n 1   142 , deci
2 2 2
 nS 2 nb 
 
P S 2  b  P 2  2   0,95  b   02,95;14  23,7
  
X m
Propoziţia 3. 1. s are o lege de repartiţie Student cu n-1 grade de libertate. 
n
2. Dispunând de două colectivitaţi, C1 , C2 , 
caracterizate de v.a.i. X 1  N m1 ,  12 , 
 n1 : X 11 , X 12,..., X 1n1
 
respectiv X 2  N m2 , 2 , pe baza unor selecţii de volume: 
2
se
n2 : X 21 , X 22,..., X 2 n2
obţin mediile de selecţie X i şi dispersiile de selecţie corectate
1 ni
si 
2
  2

X ij  X i , i  1,2 .
ni  1 j 1
X 1  X 2   m1  m2 
  12  22    N  0,1
X
Atunci, au loc :i). 1  X  N  m  m ,   12  22
2
 1 2
n n2  
 1
n1 n2
s12  22
ii). s1   2  s2   1    Fn1 1,n2 1
s22  12

 i2   2 
 n1  1 s12   n2  1 s22   2 
X 1  X 2   m1  m2  n1n2
 t n1  n2  2
 n1  1 s   n2  1 s
n1  n2  2
iii).  2 2
1
2
2
n1  n2
n1  n2  2
statistici pe care le vom utiliza în costruirea intervalelor de încredere.
Demonstraţie: 1. Prin definiţie, variabila Student cu n grade de libertate este raportul
Z
T
U , unde Z  N  0,1 , U   n sunt variabile aleatoare independente. Densitatea
2

n

 u
de repartiţie a acesteia este f t   f  t , u du , unde fT ,U  t , u   f Z  t    fU  u   J , cu
0  n 
 u
 t  
D z, u  u n 
J  jacobianul transformǎrii: J   . Astfel, pentru t  R, u  0
D t , u  n u
0 1
n 1

u  t2  t2  2

n 1   1
2 
1  
n


u 2 e 
n
f  t, u   n  f t 
  ,t  R .
n 2 1 n
2n    2 n   , 
2 2 2
X m
Cum
Z

 n  1 s 2
, iar 2
  n 1 , concluzia devine evidentǎ.
n 2
2 2
t 
  i  mi t  i

2.i). Conform teoremei 3 , X i  N mi ,  G X i  t   e 2 ni , i  1,2 , deci
 ni 

2
 2 2 
2
t 2 i2 t 2 22  m1  m 2  t  t   2   2 2 
1
mi t   m2t  2  n1 n 2 
GX i  X 2  t   e 2 ni
e 2 n2
e  
 X 1  X 2  N  m1  m2 , 1  2  ii).
 n1 n2 

U /n
Prin definiţie, variabila Fisher-Snedecor Fn , n  1 1 , unde U i   n2 , i  1,2 sunt
1 2
U 2 / n2 i

n1 n1
n1 u x
variabile independente. Analog puctului 1, U1   X  U 2 , J  n2 2 n2 , deci
n2
0 1
n1
u2  n1 
 n1 2 n1
1 n1  n 2   1  x 
   x 2  u2 2 1  e 2  n 2 
n  n1 n
f X ,U 2  x, u2   fU 1  1  x, u2   fU 2  u2    u2   2 
n1  n 2
, x, u 2  0 
 n2  n2  n1   n2 
    
2 2

 2  2 
n1 n1
 n1  2 n21 1  n1  2
   x  u  n    n n
 1 2
n n1  n 2  2  1 1  x  n n1
 n 
f X  x   n1  n2 2   e  2  dx   2 
1 2
  u2 2
1 2
 x 2  1  1 x 
n
,x  0
 n   n   n n   n 
2 2   1     2  0  , 
1 2 2

2  2 2 2
  n1  1 s12 /  n
1  1
 ni  1 si2   2  12 s12  22
Conform teoremei 5, ni 1 , i  1,2    F .
 i2  n2  1 s22 /  n  1 s22  12 n1 1,n2 1
 22 2

Condiţia din ipotezǎ este necesarǎ întrucât în aplicaţiile practice trebuie sǎ se ţinǎ cont de
faptul cǎ tabelele pentru repatiţia Fisher-Snedecor sunt date pentru valori ale variabilei
Fn1 ,n 2 supraunitare , inversiunea gradelor de libertate fiind echivalentǎ cu
1
Fn1 , n2 
Fn2 , n1 .


 X 11 , X 12,..., X 1n1  N m1 , 12 

 ni  1 si2
  n2i 1
iii). Conform teoremei V, dacǎ 

 X 21 , X 22,..., X 2 n2  N m2 , 2
2
 i2

n 1
G n 1 s 2  t   1  2t  , i  1,2 
 i
2
 n1  1 s12  n2  1 s22
   n2i  n2  2 . Pentru  i2   2
i
2
i
1 2
22
i


Z  X 1  X 2  N  m1  m2 ,
1 1   n  1 s12   n2  1 s22   2
  , iar U  1
n1 n2  ni  n 2  2 
 2
Z
T  tn1  n2  2
U
n1  n2  2
Exemple: i). Douǎ selecţii independente de volume 16 respectiv 25 sunt extrase din
populaţii normale N  25,8 respectiv N 16,10  . Aflaţi probabilitatea ca media primei
selecţii sǎ fie mai mare cu cel puţin 10 unitǎţi decât media celeilalte selecţii extrase.
Soluţie: Conform teoremei 3, avem
        
X  N  m,   X 1  N  m1 , 1   X 1  N  25,2  şi X 2  N  m1 , 2  
 n  n1   n2 
 
X 2  N 16,2  , deci X 1  X 2  N  m1  m2 ,   N  9,2 ,
 P X 1  X 2  10  P X 1  X 2   m1  m2   10   m1  m2   
   
   
 X 1  X 2   m1  m2  10   m1  m2    10   m1  m2  
 P    P Z  
  12  22  12  22    12  22 
   
 n1 n2 n1 n2  
 n1 n2 
 
 
10   25  16   1   1 
 P Z   P Z    1  FZ    1  FZ  0,35  1  0,636831 0,363169
 64 100   2 2 2 2
  
 16 25 
ii). Douǎ selecţii independente din douǎ populaţii normale având dispersii egale au
condus la rezultatele:
x1j 2 4 7 8 10.5 x2j 3 4 6 9
n1j 5 2 7 2 1 n2j 2 4 3 1
 În ipoteza cǎ variabilele corespunzǎtoare celor douǎ populaţii sunt independente,
sǎ se afle probabilitatea ca diferenţa în valoare absolutǎ a mediilor celor douǎ selecţii sǎ
fie mai mare ca 2,5.
Soluţie: Din rezultatele date pentru prima selecţie se obţine :
x1i n 1i x1i  n1i x1i  x1  x1i  x1  2 n1i   x1i  x1 
2

2 5 10 -3,5 12,25 61,25

4 2 8 -1,5 2,25 4,5
7 7 49 1,5 2,25 15,75
8 2 16 2,5 6,25 12,5
10,5 1 10,5 5 25 25
17 93,5 119
5

x 1i  n1i
93,5 n  x  x1 
2
119
x1  i 1
5
  5,5 , s12  1i 1i
  7,4375
17 n1  1 16
n
i 1
1i

Similar pentru a doua selecţie se obţine 

x 2i n 2i x 2 i  n 2i x 2i  x 2  x 2i  x 2  2 n1i   x1i  x 
2

3 2 6 -1,9 3,61 7,22

4 4 16 -0,9 0,81 3,24
6 3 18 1,1 1,21 3,63
9 1 9 4,1 16,81 16,81
10 49 30,9
4

x 2i  n2i
49 n   x  x2 
2
30,9
x2  i 1
4
  4,9 , s22  2i 2i
  3,4333 .Propoziția3.2iii 
10 n2  1 9
n
i 1
2i



 X 1  N  m1 ,  X 1  X 2   m1  m2  n1n2  n1  1 s12   n2  1 s22
   tn1  n 2  2 cu  2,4486
 X 2  N  m2 ,   n1  1 s12   n2  1 s22 n1  n2 n1  n2  2
 n1  n2  2

Probabilitatea cerutǎ este  
p  P X 1  X 2  2,5  1  P   2,5  X 1  X 2  2,5  1 
 
 
 2,5  0,6 n1n2 2,5  0,6 n1n2 
 P   T   
  n1  1 s 2
1   n2  1 s 2
2
n1  n2  n1  1 s12   n2  1 s22 n1  n2 
 n1  n2  2 n1  n2  2 
 
 1,9 170 1,9 170 
 1  P   T    1  P  1,945  T  1,945 
 2,45 27 2,45 27 

 1   FT 1,945  FT   1,945   1   FT 1,945  1  FT 1,945    2 1  FT 1,945   

 2  1  0,97   0,06
 Teoria estimației

În teoria probabilitǎţilor, cunoscând parametrii funcţiei de repartiţie (modelul

probabilist al unui fenomen), printr-un proces deductiv se determinǎ probabilitǎţile
apariţiei unor evenimente. În statisticǎ, cunoscând frecvenţele apariţiei unui eveniment pe
baza unor date de selecţie, se estimeazǎ, printr-un procedeu inductiv, parametrii legii de
repartiţie (modelul statistic al fenomenului).
Ori de câte ori avem funcţia de repartiţie prin care se exprimă legea de repartiţie,
fără a cunoaşte valorile exacte ale parametrilor care intervin, spunem că avem o
problemă specificată. Operaţia de evaluare a parametrilor, care se face pe baza unei
selecţii de volum n, extrasă dintr-o populaţie caracterizată de variabila aleatoare X, cu
legea de repartiţie specificată poartă numele de estimare a parametrilor. Valorile
parametrilor unici determinaţi pe baza selecţiei X 1 , X 2 ,..., X n se numesc estimaţii
punctuale. Valorile parametrilor le estimăm cu ajutorul unei statistici construite cu
ajutorul selecţiei date şi pe care o vom nota Tn  X 1 , X 2 ,..., X n  .
Proprietǎțile estimatorilor punctuali
Dispunând numai de o informaţie parţială asupra populaţiei, cu cât volumul creşte, cu
atât informaţia este mai bogată. Valoarea luată de Tn  X 1 , X 2 ,..., X n  pentru valori bine
determinate ale variabilelor X 1 , X 2 ,..., X n o vom numi estimaţie a parametrului 
(pentru legea de repartiţie dată prin densitatea de repartiţie f  x,  sau funcţia de
frecvenţă P  X  x;  . Rezultă că funcţia de estimaţie este de natură teoretică, în timp ce
estimaţia este de natură empirică. Trebuie sa aibă loc un proces de convergenţă (evident,
  
în probabilitate): lim P Tn X 1 , X 2 ,... X n      1
n 

   spunem că Tn  X 1 , X 2 ,..., X n  este o
P
Definiţia 8: Dacă Tn X 1 , X 2 ,..., X n
n

estimaţie consistentă pentru  .

Cum există o infinitate de funcţii Tn  X 1 , X 2 ,..., X n  care converg în
probabilitate către  , pentru a mări precizia, vom recurge la convergenţe mai tari care
asigură convergenţa în probabilitate. O astfel de convergenţă este convergenţă în medie
pătratică.
Am presupus aşadar că funcţia de estimaţie Tn  X 1 , X 2 ,..., X n  este o variabilă aleatoare
care are momente de ordin cel puţin doi.
Definiţia 9: Spunem că statistica Tn  X 1 , X 2 ,..., X n  este o estimaţie nedeplasată a
  
parametrului  , dacă M Tn X 1 , X 2 ,..., X n   . Statistica Tn  X 1 , X 2 ,..., X n  este o
  
estimaţie deplasată a parametrului  , dacă M Tn X 1 , X 2 ,..., X n    h n  . Funcţia
h(n) pe care o vom numi deplasare a estimaţiei are propritatea că h n  n

0 . În timp ce

eroarea de estimare este Tn  X 1 , X 2 ,..., X n    şi este o variabila aleatoare, deplasarea

  
h n   M Tn X 1 , X 2 ,..., X n   este o funcţie numerică , care depinde de volumul
selecţiei şi eventual de parametrul estimat şi care reprezintă o eroare sistematică în
procesul de estimare. Dacă deplasarea h(n)>0 spunem că Tn  X 1 , X 2 ,..., X n  este pozitiv
deplasată, iar dacă h(n)<0 spunem că Tn  X 1 , X 2 ,..., X n  este negativ deplasată.
Definiţia 10: Spunem că Tn  X 1 , X 2 ,..., X n  este o estimaţie absolut corectă pentru
 
n 1 2 n
  
parametrul  , dacă M T X , X ,..., X   şi D Tn X 1 , X 2 ,..., X n  0 .  n 

Spunem că Tn  X 1 , X 2 ,..., X n  este o estimaţie corectă pentru parametrul  ,

  
dacă M  Tn  X 1 , X 2 ,..., X n      h n  , h n   0 şi D Tn X 1 , X 2 ,..., X n n

0.
Observaţie: Din teorema 5 rezultă că dispersia de selecţie corectată s 2 este estimator
absolut corect al dispersiei unei populaţii normale (este estimaţie nedeplasatǎ), pe când
dispersia de selecţie S 2 este doar un estimator corect al dispersiei teoretice.
 nS 2    n  1 s 2 
Într-adevǎr , cum M   n   n  M  2   M    n  1 
2

   
2

 nS 2 
 
M S2 
n 1 2
   
  , iar M s 2   2 . Din D  n2  2n  D 2   2 n  1 ,deci
n  
2 n  1 4   n  1 s 2  2 4
 
D S2  , iar D 
  2 n  1  D  s 2
  .
  n 1
2
n2 
Pentru parametrul  pot exista mai multe estimaţii deplasate şi atunci este
natural să o preferăm pe cea care are dispersia minimă, întrucât valorile statisticii
Tn  X 1 , X 2 ,..., X n  se vor grupa mai bine în jurul valorii  . Teorema minimului
dispersiei, pe care o vom enunţa fǎrǎ demonstraţie, este cunoscută ca teorema Rao-
Cramer:
Teorema 6 (teorema Rao-Cramer): Dacă Tn  X 1 , X 2 ,..., X n  este o estimaţie absolut
corectă pentru parametrul  din funcţia de repartiţie dată de f  x  a v.a. X (discretă sau
1
continuă), atunci: D  Tn  X 1 , X 2 ,..., X n   
, unde I   , numită informaţie Fisher,
I  
  ln f  X ;   2 
este cantitatea de informaţie pe o observaţie şi are expresia: I    M   .
   
Observaţie:  Această inegalitate exprimă o limita inferioară de variaţie a estimatorilor
unui parametru, stabilind că limita variaţiei oricărui estimator nedeplasat este cel puţin la
fel de mare ca inversul informaţiei Fisher. Un estimator deplasat care atinge această
limită inferioară se spune că este (complet) eficient.
  2 ln f  X ;  
Propozitia 4 : O formǎ echivalentǎ a informaţiei Fisher este I     M   .
  2 
Demonstraţie: Într-adevǎr, din
f  x;   2 f  x; 
  

 f  x;  dx  1    dx  0    2 dx  0 . Însă
  

 2 f  x;    f  x;      ln f  x;  

     f  x;   
 2
       
 2 ln f  x;   ln f  x;  f  x;   2 ln f  x;    ln f  x;  
2

 f  x;       f  x;      f  x;  
 2
   2
  
  ln f  X ;     ln f  x;     ln f  x;     2 ln f  X ;  
 2  2

 M 2     f  x;  dx       f  x; dx   M  

        
    2 
Definiţia 11: Fie Tn  X 1 , X 2 ,..., X n  o estimaţie absolut corectă oarecare. Vom numi
1
eficienţă raportul e T  X , X ,..., X    n  I  
D Tn  X 1 , X 2 ,..., X n  
n 1 2 n

 
Observaţie: este evident că 0  e Tn X 1 , X 2 ,..., X n  1 . 
Definiţia 12: Spunem ca estimaţia Tn  X 1 , X 2 ,..., X n  este eficientă dacă:
D  Tn  X 1 , X 2 ,..., X n   
1
n  I  
 
 e Tn X 1 , X 2 ,..., X n  1 
Metode de estimare punctuală a parametrilor unei repartiţii
Metoda momentelor
Momentele de selecţie de ordinul k fiind estimaţii absolut corecte ale momentelor
teoretice de acelaşi ordin M  mk   M k  X  , D  mk*    
1
*
M 2 k  X   M k2  X 
n
 D mk  n 0 , este natural ca pentru n suficient de mare, să luăm în locul momentului
*


teoretic momentul empiric de acelaşi ordin. În cazul variabilei unidimensionale a cărei

lege de repartiţie depinde de k parametrii f  x;1 , 2 ,..., k  şi care admite moment de
ordin cel puţin k, M j  X 1 , 2 ,..., k  sunt funcţii de parametrii necunoscuţi  j
Pentru 1  j  k , j  N , alcătuim sistemul M j  X 1 , 2 ,..., k   m j , unde
*

1 n
m*j   X i j şi presupunând că sistemul admite soluţii reale, se obţin estimaţiile
n i1
parametrilor 1 ,  2 ,...,  k prin metoda momentelor ˆ j  ˆ j  m1* , m2* ,..., mk*  ; 1  j  k .
Definiţia 13: Metoda momentelor constǎ în estimarea lui   R k cu ajutorul statisticii
 n n n

  X i  X i2  X ik 
T  X 1 , X 2 ,..., X n  h i 1 i 1 i 1 
.
, ,....,
 n n n
 
 
Exemple 1. Estimaţi parametrii repartiţiei beta cu ajutorul lui X şi S 2 .
1

 x 1  x 
a b 1
1 dx
X  B  a, b   f  x   x a 1 1  x  , x   0,1 . Deci:
b 1

B  a, b  MX  0
B  a, b 
1
B a  1, b   x 1  x 
a 1 b 1
a dx
 MX   , iar B a  2, b 
B  a, b  ab M2 X   0
 
B  a, b  B a, b 
a a  1
2
 a  a  a 1 a  ab
D X        
 a  b  1 a  b   a  b  a  b  a  b  1 a  b   a  b  2  a  b  1
  a
 X
ˆ a  b 
Estimaţiile aˆ , b se obţin rezolvând sistemul de ecuaţii:  ab
  S 2

  a  b  2  a  b  1
 X 2 1  X 
 a   a  b X  aˆ  X
  X 1  X   .
X 1  X   
2
S  bˆ  1  X    1

 a  b 
S 2
 1
bˆ  X 1  X
1  X 

X 2
1  
X  
S  
2  S 2
S
x3
2. Estimaţi parametrul repartiţiei date prin F  x   1  e   , x  0 .
x3
2 x3  x3 t  k
Cum f  x   3 x e
 3 k 2   k
 k
, x  0  Mk  X    t  3 e dt   3 1    mk
 0
t

x e 
dx  *

 0  3
3
 
 
 3m *
 ~
 ˆ  k k
 k 
, care , pentru k=3, devine:   m3* .
 k  
 3
Metoda verosimilităţii maxime
Metoda verosimilităţii maxime elaboratǎ de Fisher prezintă avantajul unui plus
de eficienţǎ. Principiul verosimilităţii maxime presupune cǎ selecţia este reprezentativǎ
pentru populaţie şi alege ca estimator valoarea parametrului care maximizeazǎ funcţia sau
densitatea de probabilitate.
Definiţia 14: Fie   R k parametru şi  X 1 , X 2 ,..., X n  un vector aleator cu funcţia sau
densitatea de probabilitate f  x1 , x2 ,..., xn ;  . Funcţia
L x1 , x2 ,..., xn ;   f  x1 , x2 ,..., xn ;  , privitǎ ca funcţie de parametru se numeşte
funcţie de verosimilitate. De obicei, X 1 ,..., X n
n
sunt v.a.i.i.r., funcţie de verosimilitate fiind L x1 , x2 ,..., xn ;    f  xi ;  .
i 1
Definiţia 15: Principiul verosimilităţii maxime constǎ în alegerea ca estimator pentru  a
lui ˆ X  care maximizeazǎ funcţia de verosimilitate L x1 , x2 ,..., xn ;  , adicǎ
determinarea unei aplicaţii ˆ : R n  R k care satisface
 
L x1 , x2 ,..., xn ;ˆ  sup L x1 , x2 ,..., xn ;  .
 R k

Exemple :i) Fie X  Bi  n, p  . Este disponibilǎ o observaţie a v.a. X şi se ştie cǎ n este 2

1
cu probabilitatea 0,5 sau 3 cu probabilitatea . Vrem sǎ determinǎm un estimator al
3
perechii  n, p  . Probabilitatea ca X  x pentru fiecare pereche posibilǎ  n, p  este datǎ
de
 1   1   1   1  Probabilitat
x  2,   2,   3,   3,  e
 2   3   2   3  maximǎ
0 1/4 4/9 1/8 3/27 4/9
1 1/2 4/9 3/8 12/27 1/2
 2 1/4 1/9 3/8 6/27 3/8
3 0 0 1/8 1/27 1/8
În concuzie, estimatorul care maximizeazǎ probabilitatea valorii observate, aşa
numitul estimator de verosimilitate maximǎ al perechii  n, p  este:
 1 
 2, 3  pentru x  0
 
  2, 1  pentru x  1

 nˆ, pˆ  x     2 
  3, 1  pentru x  2
 2 
 1 
  3,  pentru x  3
 2

ii). Dincolo de estimarea parametrilor, cadrul verosimilităţii ne permite să facem teste ale
valorile parametrilor De exemplu, să găsim valorile parametrilor care fac datele observate
cele mai probabile. Considerând experimentul aruncării cu banul, să găsim valorile
parametrilor care fac datele observate cele mai probabile, adică, în loc să presupunem că
p are o anumită valoare (1/2), să găsim estimarea verosimilităţii maxime a lui p, având în
vedere un set de date specificate. Am putea să ne întrebăm dacă un p estimat diferă în
mod semnificativ de valoarea 0,5 sau nu. Vom vedea cum aceste teste pot fi efectuate
atunci când vom introduce conceptul de test al raportului de verosimilităţi.
Să spunem că aruncăm o monedă de 100 de ori şi obţinem 56 de feţe ban şi 44
feţe stemă. În loc să presupunem că p este de 0,5, vrem să găsim estimatorul de maximă
verosimilitate pentru p. Atunci ne-am întreba dacă această valoare nu diferă în mod
semnificativ de 0,50.
Cum facem acest lucru? Am găsi o valoare pentru p care face datele observate
cele mai probabile.
Aşa cum am menţionat, datele observate sunt acum stabilite. Ele vor fi constante,
care sunt conectate în modelul nostru de probabilitate binomială:
• n = 100 (numărul total de aruncări)
• k = 56 (numărul total de capete)
Imaginaţi-vă că p a fost de 0.5. Introducem această valoare în modelul nostru de
probabilitate, după cum urmează:
L p  0.5 | data   C100 0.556 1  0.5
44
56
 0.0389
Dar dacă p ar fi fost 0.52?
L p  0.52 | data   C100 0.5256 1  0.52 
44
56
 0.0581
Deci, din aceasta, putem concluziona că p este mult mai probabil să fie 0.5 decât
0.52. Putem tabela valorile verosimilităţii pentru diferite valori ale parametrului pentru a
găsi estimarea verosimilităţii maxime a lui p:
p L
0.48 0.0222
0.50 0.0389
0.52 0.0581
 0.54 0.0739
0.56 0.0801
0.58 0.0738
0.60 0.0576
0.62 0.0378
Dacă vom trasa graficul acestor date în întreaga gamă de valori posibile pentru p
vom obţine suprafaţa de verosimilitate de mai jos.

Vedem că estimarea verosimilităţii maxime pentru p pare a fi în jurul valorii de

0.56. De fapt, este exact 0.56, şi este uşor de văzut de ce acest lucru are sens în acest
exemplu banal. Cea mai bună estimare pentru p pentru orice probă este clar că va fi
proporţia de capete observate în această probă. În mod similar, cea mai bună estimare a
k 56
mediei pentru o populaţie va fi întotdeauna media eşantionului pˆ    0,56 .
n 100
iii). Determinaţi estimatorul de verosimilitate maximǎ cu ajutorul unei selecţii de volum
 1 1
n asupra unei repartiţii uniforme U   ,  
 2 2
Soluţie: Avem L x1 , x2 ,..., xn ;   1 ,
1 1
  min  x1 , x2 ,..., xn   max x1 , x2 ,..., xn     .
2 2
1 1
Cum max x1 , x2 ,..., xn      min x1 , x2 ,..., xn    T  X 1 , X 2 ,..., X n  astfel
2 2
încât
1 1
max X i   T  X 1 , X 2 ,..., X n   min X i  este un e.v.m. pentru  . Întradevǎr, pentru
1 i  n 2 1 i  n 2

1i  n
1
2

1i  n 1 i  n

0    1 , T  X 1 , X 2 ,..., X n   max X i    1  min X i  max X i este în interval. În

1 min X i  max X i
particular, pentru   , T1  X 1 , X 2 ,..., X n   este un estimator de
2 2 2
verosimilitate maximǎ al parametrului  .
Este convenabil sǎ se lucreze cu funcţia de verosimilitate
 
ln L x1 , x2 ,..., xn ;ˆ  sup L x1 , x2 ,..., xn ;  deoarece dacǎ existǎ supremumul ˆ , el
 R k
satisface

ecuaţiile de verosimilitate

 ln L x1 , x2 ,..., xn ;ˆ 0 , j  1,2,..., k ,   1 ,  2 ,...,  k 
 j
.
Exemplu:i). Se testează durata de funcţionare a unui aparat. Aparatul este testat în condiţii
grele pentru a accelera defectarea lui. Timpul până la defectare este distribuit exponenţial.
Sunt selectate aleator opt unităţi şi testate, rezultând timpii până la eşec în ore următori:
11.96, 5.03, 67.40, 16.07, 31.50, 7.73, 11.10, 22.38. Aici X este exponential distribuit
avand parametrul λ. Care este estimatorul de verosimilitate maximă al lui λ?
ln L x1 , x2 ,..., xn ;     n ln  
1

 x  n
i 1 i

 L
18 -32.7435
19 -32.6697
20 -32.6244
21 -32.6024
22 -32.5997
23 -32.6131
24 -32.6398
25 -32.6778


n
n=8, i 1
xi  173,17 , x  21,65

Log probabilitatea distribuţiei exponenţiale, utilizând datele de timp pentru defectare :

(a) logverosimilitatea cu n = 8 (date originale). (b) Diferenţa între logverosimilităţi dacă n = 8, 20 şi 40.
 xm 2
1 
ii). cazul repartiţiei normale X  N  m,   f  x, m,   e 2 2
, x  R,   0 ;
 2
n
1
1    xk  m  2
funcţia de verosimilitate este: L x1 , x2 ,..., xn ; m,  
2
2
e 
 
k 1
n
2
2
1 n
ln L x1 , x2 ,..., xn ; m,     n ln 2  n ln     xk  m . Pentru a arăta că
2 2 k 1
 mˆ ,ˆ 2  , soluţia sistemului ecuaţiilor de verosimilitate
  ln L x1 , x2 ,..., xn : m,   1 n 2
 n 2

  2   xk  m     xk  m   0
 m  k 1 
2  
k 1
 este un
  ln L  x , x ,..., x ; m,   n 1 n
   3   xk  m   n  1 n 2


1 2

n
  k 1    xk  m   0
 2 k 1
punct de maxim local al funcţia de verosimilitate este suficient de arǎtat cǎ hessianul este
negativ definit.
 2 ln L x1 , x2 ,..., xn ; m,   n
Cum  2 0
m 2

 ln L x1 , x2 ,..., xn ; m,  
2 2
n 3 n
 2  4   xk  m 
 2   k 1
  2 ln L x1 , x2 ,..., xn ; m,   n 2
2
iar
m
 3

 x
k 1
k  m   0 , avem

 2 ln L  2 ln L n
 2 0 2n
4 , deci  X , S  este e.v.m.
  2 m
2
m  ˆ  2

 ln L  2 ln L n 3n 2 ˆ
0   ˆ
m  2 ˆ 2 ˆ 4
x3
iii). Estimaţi parametrul repartiţiei date prin F  x   1  e   , x  0 .
Funcţia de verosimilitate este:
1 n 3
3x 2  k
n
3
X3 n n   xk
ln L x1 , x2 ,..., xn ;   ln  k e   ln  X
 k 1
2
e , adicǎ
k 1   
k
k 1

1 n 3  ln L ; x1 , x2 ,..., xn  n 1 n
ln L x1 , x2 ,..., xn ;    n ln  
  xk  ...    2 x 3
k ,
 k 1    k 1
~
Deci soluţia ecuaţiei de verosimilitate este   m3 .
*

 n

 2 xk3 
 ln L x1 , x2 ,..., xn ; 
2
1  n  k 1   0  m*
Cum  3 este e.v.m.
 2 ~
  m 
* 2
3


m3* 

 
L
Observaţie: Pot apare diverse probleme: adesea, ecuaţia de verosimilitate  0 are

mai mult de o rǎdǎcinǎ, sau funcţia de verosimilitate nu este diferenţiabilǎ, sau ˆ este
valoare extremǎ. Uneori, ecuaţia de verosimilitate poate fi complicatǎ şi dificil de
rezolvat explicit, caz în care trebuie aplicate proceduri numerice pentru obţinerea e.v.m.

Teorema 7: Pentru n suficient de mare, statistica

1  ln L x1 , x2 ,..., xn ;  s
 Z
  ln f  x;    .
n  D 
  
n
 ln L n
 ln f  xi ; 
Demonstraţie: L x1 , x2 ,..., xn ;    f  xi ;    .
i 1  i 1 
 ln f  X k ;    ln f  X k ;   f  x; 


Notând Yk  , k  1,2,..., n  M  Yk   M    dx  0
      
  ln f  X k ;     ln f  X k ;     ln f  X k ;  
şi presupunând că M 2      D   M 2  . Cum
        
n
 ln L n
 ln f  xk ; 
ln L x1 , x2 ,..., xn ;    ln f  xk ;    rezultǎ, conform
k 1  k 1 
teoremei limită centrală şirului de v.a.i.i.r.  Yk  k N *
  ln L   ln L  n  ln f  X k ;  n   ln f  X k ;   n
M   M   Yk
     k 1      k 1
k 1


s
Z.
  ln L  D
  ln f  X ;    nI   
D 
k

      
Observaţie: Estimatorul de verosimilitate maximă (e.v.m.) ~ este asimptotic eficient,
pentru n mare (n>50), repartiţia fiind aproximativ normală, cu M     , D   
~ ~ 1
,
nI  
1  ln L x1 , x2 ,..., xn ; 
iar  N  0,1 . Dacă parametrul admite o estimaţie
nI   
eficientă, atunci aceasta se obţine în mod unic rezolvând ecuaţia de verosimilitate.

Intervale de încredere
Pânǎ acum am lucrat cu funcţii de variabile aleatoare ca bazǎ a cantitǎţii
 bX 
observabile. Fiind date a, b  R şi v.a. X , P a  X  b  P  X  b   , iar dacǎ se
 a 
cunoaşte funcţia de repartiţie a v.a., se poate determina P a  X  b .Fie intervalul ale
 bX   bx 
cǎrui capete sunt funcţii de X , I  X    X ,  , deci  x,  când X ia valoarea x,
 a   a 
cu alte cuvinte, I  X  ia valoarea I  x  ori de câte ori, X ia valoarea x. Astfel, I  X 
este o « cantitate » aleatoare, în cazul de faţǎ un interval care conţine numǎrul b cu o
1
probabilitate datǎ, fixatǎ. Dacǎ, de exemplu, a  , b  1 , X  U  0,1 , intervalul
2
 X ,2 X  include cu probabilitate 0,5 punctul 1.
În multe probleme de inferenţǎ statisticǎ, ne intereseazǎ construcţia unei familii de
mulţimi care sǎ conţinǎ valoarea (necunoscutǎ) a parametrului adevǎrat cu o probabilitate
(mare) datǎ. Putem construi un interval de încredere pentru parametrul  dacă pe baza
unei selecţii de volum n se pot determina două funcţii de selecţie 1  X 1 , X 2 ,..., X n  şi
 2  X 1 , X 2 ,..., X n  cu probabilitatea confidenţială dată de expresia
  P1  X 1 , X 2 ,..., X n      2  X 1 , X 2 ,..., X n   .
Capetele intervalului depind de variabilele aleatoare independente identic
repartizate 1  X 1 , X 2 ,..., X n  ,  2  X 1 , X 2 ,..., X n  . Intervalul acoperă parametrul  cu o
probabilitate  cât mai apropiată de unu, ceea ce înseamnă că inegalitatea   1 , 2 
este îndeplinită în majoritatea cazurilor. Cu cât lungimea acestui interval este mai mică şi
 este mai apropiat de 1, cu atât vom avea o indicaţie mai precisă asupra valorii lui  .
Nivelul de încredere şi precizia erorii: Mărimea unui interval de încredere este o măsură
a preciziei de estimare.

Eroarea în estimarea m cu x
 Un caz utilizat frecvent pentru determinarea unui interval de încredere este cel în
care există o funcţie de datele de selecţie şi de parametrul  , U  X 1 , X 2 ,..., X n ,  ,
astfel încât: 1. U  X 1 , X 2 ,..., X n ,   este continuă şi strict monotonă în raport cu  .
2. Funcţia de repartiţie a v.a. U  X 1 , X 2 ,..., X n ,  nu depinde de  sau de alţi
parametrii necunoscuţi.
Intervale de încredere pentru parametrii repartiţiei normale N  m,  
Vom aplica, în continuare, cele expuse anterior în cazul selecţiilor normale de
dimensiuni reduse
Intervalul de încredere pentru parametrul m, când  este cunoscut
Teorema 8: Dacǎ X 1 , X 2 ,..., X n sunt n observaţii independente asupra caracteristicii
X  N  m,   , cu  cunoscut, atunci intervalul de încredere pentru parametrul m este
   
x  z  ,x  z .
 n 1 2 n 1 2 
Demonstraţie: Conform corolarului teoremei III, funcţia de selecţie (statistica)
X m
U  X 1 , X 2 ,..., X n ,    N  0,1
U  X 1 , X 2 ,..., X n ,   are funcţia de repartiţie 
n
independentă de parametrul m este continuă şi descrescătoare ca funcţie de m, deci se pot
determina , pentru    0,1 ,apropiat de 1, numerele z1 , z2 a.î.
z x2
 X m  1 2

P z1  n  z 2     e 2 dz FZ  z 2   FZ  z1    . Cum evenimentul
   2 z1
 X m     
 z1  n  z2  este echivalent cu  X  z2   m  X  z1   , urmeazǎ cǎ
    n n
       
P x  z2   m  x  z1     determinǎ intervalul  x  z2  n , x  z1  n  care,
 n n  
cu probabilitatea  , acoperǎ parametrul m, însǎ condiţia ca lungimea intervalului

L z1 , z2  să fie minimă impune determinarea minimului funcţiei L z1 , z2    z2  z1 
n
cu legǎtura
z x2
1 2

  e 2 dz  . Aplicând metoda multiplicatorilor lui Lagrange,se determinǎ
2 z1
minimul
 1 z2  x 
2
 H H
funcţiei H  z1 , z2 ,     z2  z1       e dz    . Dar
2  0
z1 z2
n  2 z1 
    21
z2

  e  0 z12 z 22
 n 2  2  2
 z 22
  e 2    e 2  z12  z22  z1   z2 ; z2  z Prin
    2
e  0
n n
 n 2
   
urmare, intervalul de încredere devine  x  z  , x  z  , cu z determinat de
 n n 
1  11 
relaţia FZ  z   FZ   z     2 FZ  z   1   sau FZ  z     1  , deci
2 2 2
la nivelul de semnificaţie   1   dat, intervalul de încredere este
   
x  z  ,x  z  .
 n 1 2 n 1 2 
Exemplu: Pe baza unei selecţii de volum 64 extrasǎ dintr-o populaţie N  m,   s-a
construit un interval de încredere pentru m la un coeficient de încredere 1    0,95 de
forma  a, a  4,9  .
a). Sǎ se determine dispersia populaţiei normale din care s-a extras selecţia.
b). Presupunând cǎ   18 , pentru acelaşi coeficient de încredere, care este volumul
(minim al) selecţiei ce asigurǎ o lungime a intervalului de încredere de cel mult 3 unitǎţi?
 
Soluţie: a). Cum x  z  mx z  , lungimea intervalului de încredere este
n 1 2 n 1 2
 d n  4  4,9
d  2z   
2 z  , de unde 2 z0,975 8  4,9    1,96  10 ;

1
2 n
1
2
2
  2  18
 3  n  12  1,96  n  554
2
b). l  2 z    3  n   z    2  1,96 
1
2 n  3 1 
2 
n
Intervalul de încredere pentru m1  m2 când  1 ,  2 sunt cunoscute:
Teorema 9: Dispunând de două colectivităti caracterizate de v.a.i X 1  N  m1 ,  1  şi
X 2  N  m2 ,  2  , cu dispersiile cunoscute,pe baza unor selecţii de volume
n1 : X 11 , X 12,..., X 1n , respectiv n2 : X 21 , X 22,..., X 2 n , intervalul de încredere pentru
1 2

  12  22 2 2 
diferenţa mediilor m1  m2 este  X 1  X 2  z   , X1  X 2  z  1  2 
 1
2
n1 n2 1
2
n1 n2 
Demonstraţie: Conform propoziţiei 2i) din capitolul anterior, statistica
X  X 2   m1  m2 

U X 11 ,..., X 1n1 , X 21,..., X 2n 2 ; m1  m2  1   N  0,1 
 12  22

n1 n2
  12  22  12  22 
I m1  m2   X 1  X 2  z   , X1  X 2  z   ,

1
2
n1 n2 1
2
n1 n2 
demonstraţia fiind analoagǎ celei date teoremei precedente.
Intervalul de încredere pentru  2
Teorema10: Dacǎ X 1 , X 2 ,..., X n este o selecţie asupra unei populaţii N  m,   , atunci
 
  n  1  s 2  n  1  s 2 
intervalul de încredere pentru dispersia acestei populaţii este  2 , .

 n 1,1   2  
n 1,
 2 2 

Demonstraţie: Statistica U  X 1 , X 2 ,..., X n ,  

 n  1 s 2   2
n 1 , independent de  ,
2

2
fiind continuǎ şi strict descrescǎtoare în raport cu  2 , îndeplineşte condiţiile pentru a
putea construi un interval de încredere pentru  2 : pentru probabilitatea confidenţialǎ
 2  n  1 s 2 
  1   , se pot determina numerele 12 ,  22 a.î. P 1    22   
  2

  n  1 s 2  n  1 s 2 
 P   
2
   ( evenimentele fiind echivalente). Aplicând regula

2

2 
 2 2 
 12   2 

 2

cozilor egale: P   1   P    2   2
2 2 2
2 
 

 2
n 1,
2
, deci intervalul dat. Aplicaţie:
 2 n 1,1

 2
Determinaţi un interval de încredere pentru parametrul  al populaţiei caracterizată de
x

FX  x   1  e  , x  0 pe baza unei selecţii de volum n .
2n * 2 n 
Soluţie: Am arătat în primul capitol cǎ S  m   X k   22n . Aşadar, se poate
  k 1
determina pe baza acestei statistici, un interval de încredere pentru parametrul  . Acesta
este o funcţie continuǎ şi strict descrescǎtoare de  , a cǎrei funcţie de repartiţie este
 
 2n
2
, independentǎ de  . Deci  P  2 n;   S   2 n;1     ceea ce este echivalent cu
2 2

 2 2 
 n n
  n n
 
 2 X k 2 X k    k  Xk 
2 X 
2
P k 21    k 21   1   . Prin urmare,  k 1 , k 21  este un interval de
        2
   
 2 n;1 2 2 n;
2   2 n;1 2
2n;
2 
  
încredere cu probabilitate confidenţialǎ  pentru parametrul  .
2
Intervalul de încredere pentru 12
2
Teorema 11. Dispunând de două colectivităti caracterizate de v.a.i X 1  N  m1 ,  1  şi
X 2  N  m2 ,  2  , pe baza unor selecţii de volume n1 : X 11 , X 12,..., X 1n , respectiv
1

n2 : X 21 , X 22,..., X 2 n , intervalul de încredere pentru raportul dispersiilor este

2

 s12 s12 
 2 n 1, n 1,1  2  Fn 1, n 1,   .
 F ,
 s1 2 1
2
s1 2 1
2
 s12  22
Demonstraţie:   Fn1 1, n2 1 (conform propoziţiei 3.2ii) este funcţie continuǎ şi
s22  12
2
 
strict crecǎtoare de  2  iar funcţia ei de repartiţie este independentǎ de  1 ,  2 . Rezultă
 1 
că pentru   1   dat, se pot determina douǎ numere, F  1 şi F  2  astfel încât
  1
P F  Fn1 1, n2 1  F  2
  1   . Aplicând regula cozilor egale, ca mai sus, se obţine :
 
P
 Fn1 1, n 2 1;   Fn1 1, n 2 1  Fn1 1, n 2 1;1 
 1 
 .
 2 2 
 s12  22 
Deoarece evenimentul  F    2 F   este echivalent cu
n
 1 1, n 2 1;
2
s2  1
2
n1 1, n 2 1;1
2

  s 2  s1 
2

   1
2   
  s2  2   s2  
evenimentul       , intervalul de încredere pentru
 Fn1 1, n 2 1;1   1  F
n1 1, n 2 1; 

 2 2 
 
 2 2 
 s1  1  s1  1 
raportul dispersiilor este    ,     şi deoarece
s F   s2  F
 2  n1 1, n 2 1;1
2
n1 1, n 2 1; 

2 

1
Fn1 ,n2 
Fn2 , n1
(lucru precizat de propoziţia 3.2ii)), acest interval se scrie sub forma
 s12 s12 
 2 n 1,n 1,1  2  Fn 1,n 1,   .
 F ,
 s1 2 1
2 s1
2 1
2
Intervalul de încredere pentru parametrul m, când  este necunoscut
Teorema 12: Dacǎ X 1 , X 2 ,..., X n sunt n observaţii independente asupra caracteristicii
X  N  m,   , cu  necunoscut, atunci intervalul de încredere pentru parametrul m este
   
X  t  ,X  t  .
 n 1 2 , n 1 n 1 2 , n 1 
X m
U  X 1 , X 2 ,..., X n ,    tn 1
Demonstraţie: Conform propoziţiei 3.1, statistica s
n
este continuă şi strict descrescătoare ca funcţie de m
   
 Im   X  t  ,X  t  
 n 1 2 n 1 n 1 2 , n 1 
Intervalul de încredere pentru m1  m2 când  1   2   sunt necunoscute
Teorema 13: Dispunând de doua colectivitati caracterizate de v.a.i X 1  N  m1 ,  1  şi
X 2  N  m2 ,  2  , cu dispersiile necunoscute, pe baza unor selecţii de volume
n1 : X 11 , X 12,..., X 1n , respectiv n2 : X 21 , X 22,..., X 2 n , intervalul de încredere pentru
1 2
  n1  n2  n1  1 s12   n2  1 s22
diferenţa mediilor 1 m  m 2 este  X 1  X 2  t   ,
 1 , n1  n 2  2
2
n1  n2 n1  n2  2

n1  n2  n1  1 s12   n2  1 s22 
X1  X 2  t    .
1 , n1  n 2  2
2
n1  n2 n1  n2  2 
Demonstraţie: Conform propoziţiei 3.2iii), statistica
X 1  X 2   m1  m2 
1 1


U X 11 ,..., X 1n1 , X 21,..., X 2n 2 ; m1  m2  n1 n2
 tn1  n2  2 . Rezolvând
 n1  1 s1   n2  1 s2
2 2

n1  n2  2
X 1  X 2   m1  m2 
1 1

n1 n2
inecuaţia t , rezultǎ intervalul de încredere
 n1  1 s12   n2  1 s22

1 , n1  n 2  2
2

n1  n2  2

menţionat.
În multe situaţii, aflarea funcţiei de repartiţie a statisticii este o problemă dificilă,
însă, conform teoremei 7, pentru n suficient de mare, cu ajutorul statisticii
1  ln L

nI     se poate construi un interval de încredere pentru
not
 ,     1     0,1 nivel de semnificaţie dat.
Exemplu: selecţia de volum mare asupra unei caracteristici bernoulliene
 ln f p  x  x p
f p  x   p x 1  p  , x   0,1 ; p   0,1 ; Y   
1 x

p p 1  p 
MX  p  X  p  D X  p  1
M Y    0 , D Y   D   2  .
p 1  p   p  1  p   p 1  p 
2
p 1  p
k  np k
p
n not 1  ln L x1 , x2 ,..., xn ;  p 1  p 
Dacă  xi  k     n  N  0,1 .
i 1
nI    n p 1  p 
p 1  p  n
 k 
 p 
    
Pentru n  50 (suficient de mare), P n  z    FZ  z    FZ   z    1   .
p 1  p  1
 1 2   1 2 
 2

 n 
k ˆ  p
p
Notând frecvenţa relativă pˆ  estimaţia probabilităţii p, avem  p 1  p 
 z 
n 1
2
n


n pˆ 2  2 ppˆ  p 2     
 z 2   n  z 2 p 2  2npˆ  z 2 p  npˆ 2  0 .
p 1  p  1
2

2npˆ  z 2  z 4npˆ 1  pˆ   z 2
Rezultă 1    P p1  p  p2  , unde p1, 2  sunt soluţiile

2 n  z2 
ecuaţiei:  n  z  p   2npˆ  z  p  npˆ  0 , deci, un interval de încredere, cu nivelul de
2 2 2 2

încredere 1   este:
 
 z2  z2  z2  z2  
 2 pˆ  1 2  z 4 pˆ 1  pˆ  1 1 4 pˆ 1  pˆ  1
2 
   2
2
2 ˆ
p 2
 z   2 
n 1  n n n 1  n n
 2
, 2
 .
  z  
2
 z  
2

 1   1 
 21  2
 21  2
 
  n   n  
     
z2 
Cum n e suficient de mare, 1 2 devine neglijabil, intervalul de încredere este :
n
 pˆ 1  pˆ  pˆ 1  pˆ  
p   pˆ  z  , pˆ  z  .
 1
2 n 1
2 n 
Probleme rezolvate-probabilitate ; v.a.discrete
1. Să se afle probabilitatea ca un număr n  1000 să fie puterea întreagă a unui alt număr
natural.
Soluție: Intrucat  1000   32 ,vom calcula numărul cazurilor posibile, cercetând câte
puteri ale numerelor k  31 sunt mai mici dacât 1000  103 ;deci pentru k  11 numai
k 2  1000 ,adica exista 18=31-11+1-3 cazuri posibile (pătratele numerelor naturale din
intervalul 11,31 ,cu excepţia pătratelor si cuburilor perfecte din acest interval
16,25,27 . Cum 29  1000  210 ; 36  1000  37 ; 54  1000  55 ; 63  1000  64 ;
73  1000  7 4 ,există pentru cifrele:  2,3,5,6,7   2,9   4,8,9 ,(8+5+3+2x2=)20 de cazuri
posibile. Aceste evenimente fiind incompatibile două câte două, probabilitatea cerută va
20  2  18
fi:  0,04 .
1000
2. Care este probabilitatea ca luând un număr natural la întâmplare, cubul sau să se
termine in 28?
n2
Soluție: m  N  m  a0 a1 ...a n 1a n  m   a k 10  10a n 1  a n  A  10a n 1  a n cu
nk

n 0
not n  2
A  10 n  k a k ultimele două cifre ale lui m3 sunt date de expresia: 10an 1  an 
3

n0
deoarece m 3  A3  3 A 2 10a n 1  a n   3 A10a n 1  a n   10a n 1  a n  , astfel problema
2 3

se reduce la a cerceta câte numere de cel mult două cifre au cubul terminat în 28. Fie
n  10a  b,0  b  9  n 3  103 a 3  3  102 a 2b  3  10ab 2  b 3 , deci ultimele două cifre ale
unui număr dintr-o sută sunt date de expresia 3 10ab 2  b 3 . Ca acest număr să se termine
în 28 trebuie ca b=2 şi apoi ca numărul 3  10  a  4  2  120  a  8 să se termine în 28
 a  1 sau a  6 . Există, în concluzie, două numere (12 şi 62) al căror cub se termină în
2
38, probabilitatea cerută fiind p  .
100
3. Un lift urcă cu k persoane într-o clădire cu n etaje. Care este probabilitatea ca la un
etaj să coboare cel mult o persoană?
Soluție: Dacă n<k , probabilitatea ca la un etaj să coboare cel mult o persoană este nulă
(probabilitatea evenimentului imposibil), întrucât numărul persoanelor depăşeşte numărul
etajelor. In cazul n  k , numărul cazurilor favorabile este cel al funcţiilor injective
f : 1,2,..., k   1,2,..., n ,adică n n  1... n  k  1  Ank ,iar numărul cazurilor
posibile,cel al funcţiilor definite mai sus: n  An ; probabilitatea cerută este
k k

Ank
daca n  k .
nk
4. Avem n gropiţe. Dăm drumul deodată la k bile. Stiind că fiecare bilă intră în câte o
gropiţa, care este probabilitatea ca în fiecare gropiţa să avem cel putin o bilă?
Soluție: Cele k bile pot intra în cele n gropiţe în n k moduri diferite (cazuri posibile).
Vom calcula probabilitatea evenimentului contrar, iar probabilitatea cerută va fi:
 
P  1  P1  P2  P3  P4  ...    1 Pn 1 , unde am notat cu
n
Pj ,1  j  n  1

probabilitatea ca j gropiţe să fie goale. Utilizând definiţia clasică a probabilităţii, obţinem:

P1  Cn1
 n  1 k , P  C 2  n  2 k ,...P  C1 1 , deci probabilitatea cerută va fi:
nk 2 n
nk n 1 n
nk
k k k
 1  2 n n  1  n 1
P  Cn0  1   Cn1  1   Cn2  ...    1 1   C .
 n  n  n  n
n!
 n nCnn   n  1 Cnn 1  ...    1 Cn1  n!
n n 1
Observaţii: Pentru k=n, evident P  k
n
n

   1  n  j  1 Cnn  j 1 reprezinta numarul surjectiilor de la 1,2,..., n la ea insasi!

j 1 n

j 1

si evident k  n  P  0 . Se putea utiliza formula lui Poincaré .

2 1 1
5. Fie   1,2,3,4 şi pi probabilitatea atribuită ‘stării’ i: p1   , p2   p4 şi
2 4 4

p3 
3

2
. Fie E1  1,3 , E2   2,3 , E3   3,4. Arătaţi că E1 , E2 , E3 nu sunt
4 2
independente, deşi P E1  E2  E3   P E1   P E2   P E3  .
1 2  2
Soluție: P E1  E2  E3   P  3   p3  2 1  2 1  2  
  
  p1  p3    p2  p3    p1  p2   P E1   P E2   P E3  , dar
3 2
P E1  E2     P  E1   P  E2  , deci E1 , E2 , E3 nu sunt independente
4 2
 
6. Se dau evenimentele independente Ai 1 i  n având probabilităţile de realizare
 
p Ai  pi , i  1,2,..., n . Care este probabilitatea de a se realiza un număr impar de
evenimente?
Soluţie: Probabilitatea de a se realiza k dintre cele n evenimente independente este egală-
conform schemei lui Poisson - cu coeficientul lui x k din expresia polinomului
 
n
R x    pi x  qi  R1  R2 x  ...  Rn x n , unde qi  1  pi , deci cu Rk .
i 1
 n 1 
 2 
 
Probabilitatea p de a se realiza un număr impar de evenimente este p 
R
k 1
2 k 1
.

n  n 1 
n 2  2 
R  R1
   
Cum
k 1
k
si R  1   R2 k  R 2 k 1
k 0 k 1

 
n
1   1  2 pi
R 1  R   1 .
 p  i 1
2 2
7. O urnă conţine A bile albe şi B negre. Din urnă se scot câte una a  b bile, fie:
a) punându-se de fiecare dată bila extrasă înapoi
b) nepunându-se niciodată bila extrasă înapoi
Se notează cu p1 si p2 probabilităţile obţinerii în cele două variante de a bile
albe şi b negre. Să se arate că dacă A=B şi a=b, atunci p1  p2 .
 Aa B b
 p1  Ca  b
a

  A  B ab
Soluţie: Din schema bilei revenite, respectiv nerevenite obţinem:  C Aa CBb
 p2  a  b
 C A B
p1  p2  C2AA  2 2 a C2A Aa a  . Notând f  a   2 2 a C2A Aa a  , inegalitatea precedentă se scrie:
f  0   f  a  . Dar şirul  f  a   aN fiind crescător, egalitatea are loc doar pentru a=0(caz
banal)
8. O urnă conţine N bile dintre care M albe. Se extrag la întâmplare n bile. Determinaţi
probabilitatea ca la extragerea j să se obţină bilă albă, stiind că din cele n bile extrase ,
k au fost albe.
Soluție: Fie Ak evenimentul ca eşantionul de n bile să conţină k bile albe şi B j
evenimentul ca bila j extrasă să fie albă. Vom avea cazurile extragerilor:
Cnk11M k 1  N  M 
  CkM k  N  M 
 
nk nk
M
a) revenite: P B j  , P Ak   n şi P A B 
N Nn k j
N n 1
Cnk11M k 1  N  M 
nk
M
P Ak B j  P B j  

 P B j Ak  
P Ak 
 N n 1

Cn M  N  M 
k k nk
N k
n
n
N
CMk C Nn kM C Mk 11C Nn kM
b) nerevenite: P Ak    si P  Ak B j  
C Nn C Nn 11
Fie evenimentul de a se fi extras i bile albe în primele j  1 extrageri. Evenimentele
Ci
Ci formează un sistem complet de evenimente, deci putem aplica formula probabilităţii
totale şi avem:

   
i j 1 i

  M  i CM C N  M
j 1 j 1 j 1
1
P B j   P B j Ci P Ci   M C i
C NMji 1 
i 0 i 0 N  j  1 C Nj 1 CN i 0
j 1


C NM11
C NM

M
N

 P B j Ak   
P Ak B j P B j
P Ak
  
C k 1 C n  k
 M 1n 1N  M 
 
C N 1
M Cn
 k Nn  k 
N CM C N  M
k
n
9. Tragerea de pe un avion asupra altui avion poate să se producă de la 600,400 sau
200m. Probabilitatea ca tragerea să se producă de la 600m este 0,2, iar de la 400m 0,3.
Probabilitatea doborârii avionului inamic de la distanţa de 600m este 0,1; de la 400m 0,2,
iar de la 200m 0,4. Determinaţi probabilitatea ca tragerea al cărei efect a fost doborârea
avionului să se fi produs de la 400m.
Soluţie: Fie D evenimentul care constă în doborârea avionului inamic. Notând cu
A1 evenimentul ca tragerea să se facă de la 600m, A2 evenimentul ca tragerea să se facă

de la 400m şi A3 evenimentul ca tragerea să se facă de la 200m, evident P  A1   0,2,

P  A2   0,3 si P  A3   0,5 (evenimentele  Ai  i 1, 2 , 3 formând o partiţie a evenimentului

sigur - să se producă tragerea). Avem: PA  D   0,1, PA  D   0,25, PA  D   0,4 ,

 
1 2 3

P A2 PA  D 
PD A2  3 2
  0,25  0,3
Aplicând formula lui Bayes:
 P Ai PA  D   
= 0,2  0,1  0,3  0,25  0,5  0,4 ,
i
i 1

numitorul acestei fracţii reprezentând–conform formulei probabilităţii totale-P(D).

Observaţie: sistemul de evenimente  A D  este un sistem complet de evenimente .
i i 1, 2 , 3

10. Ştiind că P A B   0,7, P  A B   0,3 şi P  B A  0,6 , aflaţi P  A şi P B  .

Soluție: Utilizând formula lui Bayes şi formula probabilităţii totale:
P B  P A B 
P  B A  
P B  P  A B   P B  P A B 
P B   P A B   P B A  P B A  P A B    P  B A  P A B   P B   P A B  ,deci
P  B A  P  A B  0,6  0,3
P B     0,3 .
P A B   P  B A  P A B   P  A B   P  B A 0,7  0,6  0,3  0,7  0,6
Cu formula probabilităţii totale obţinem P A  P B   P A B   P B   P A B   0,42 .
11. Se aruncă un zar până apare faţa 6. Arătaţi că acesta este un eveniment sigur!
Soluție:Notând Ak evenimentul ca 6 să apară prima dată la a k-a aruncare, atunci
k 1
1 5 1 1
P  A  
k 1

A   Ak şi P  Ak 
15     1
   , k  1,2,... . Astfel, 6 k 1  6  6 1 5 .
k 1 66
6
Alternativ, folosind axioma continuitaţii, consider evenimentul Bn ca nici un 6 să nu
apară în primele n aruncări. Evident, Bn 1  Bn şi A  B . Atunci
n 1
n

n
  5
1  P  A  P  A   P Bn   lim P  Bn   lim    0
n  6
 n 1  n 
 
 1
12. Pe o foaie de hârtie, persoana A scrie + cu probabilitatea sau -. Dacă persoanele
3
2
B,C şi D schimbă semnul cu probabilitatea , iar în final pe foaie semnul este +,
3
determinaţi probabilitatea ca persoana A să fi scris +.
Soluție:Fie M evenimentul ca A să fi scris + ( M a scris-) şi E evenimentul ca în cele din
P M   P  E M 
urmă pe foaie să fie +. Avem: P  M E   P M   P E M   P M   P E M  . Dar
3 2
P E M  =P(+ n-a fost schimbat sau a fost schimbat de două ori)=  1  2 1
 3 
3 3 3
2 3
P E M  = P(+a fost schimbat o dată sau de trei ori)= 3 1  2  2
   ; prin urmare
  3  3
3
1  1   2  1
3 2

   3  
3  3   3  3 
P M E  
13

1  1   2  1  2   1  2  2   41
3 2 2 3

   3    3     
3  3   3  3  3   3  3  3  
13. Demonstraţi inegalitatea lui Bonferroni: dacă A1 , A2 ,..., An  K , atunci:
 n 
 
n n

 P  Ai    P Ai  A j  P   i   P Ai 
 A  
i 1 i j  i 1  i 1
Soluţie: Ca şi pentru formula lui Poincarè, vom demonstra prin inducţie partea stângă a
inegalităţii; pentru n=2 are loc egalitatea 6) P A1   P A2   P A1  A2   P A1  A2  , iar
 3   3 
pentru n=3, formula lui Poincarè P Ai    P Ai    P  Ai  A j   P Ai 
3

 i 1  i 1 i j  i 1 
implică inegalitatea.
 n 1   n    n    n 
P Ai   P  Ai   An 1   P Ai   P An 1   P An 1   Ai   
 i 1    i 1    i 1    i 1  
n 1
  n 1

 P A  A   P  A  A     P A    P A  A    P A  A 
n n
  P Ai   i j i n 1 i i j i n 1
i 1 i jn  i 1  i 1 i jn i 1
n 1
  P Ai  
i 1
 P A  A  , pentru partea dreaptă a inegalităţii utilizând disjunctarea:
i jn
i j

k 1
 n   n  n  n 
Bk  Ak  Ai  Bi  B j  , i  j  P Ai   P Bi    P Bi   P Ai 
i 1  i 1   i 1  i 1  i 1 
14. Se formează un lot de 30 sportivi, băieţi şi fete, aparţinând la trei cluburi. Sportivii
sunt echipaţi în culorile cluburilor cărora le aparţin şi anume roşu, albastru şi negru. Să se
calculeze probabilităţile de extragere din grup al unui sportiv de sex dat şi aparţinând
unui club anume .
Soluţie: Notăm cu C v.a. reprezentând culoarea clubului care poate lua valorile roşu,
albastru şi negru. Notăm cu S v.a. reprezentând sexul, care poate lua valorile baiat sau
fată.
 Vom alcătui tabloul de mai jos cu toate cele 30 unităţi statistice de interes.
Unitatea statistică este reprezentată de sex (b/f) scris în culoarea clubului (roşu, albastru
şi negru), de exemplu b reprezinta un baiat aparţinând clubului cu echipament rosu.
b f b b f b
f f f b b b
f b f b f b
f b f b f b
b b f b b f
Calculul intuitiv al probabilităţilor condiţionate se face pornind de la tabelul
distribuţiei de frecvenţe absolute de mai jos, în care pe linii au fost scrise culorile
cluburilor  C1 , C2 , C3  şi pe coloane sexul  S1 , S 2  . Pe partea haşurată a tabelului am
trecut frecvenţele de apariţie a fiecărui tip de unitate statistică  Ci S j  , i  1,2,3 ,
j  1,2 , de exemplu numărul f 2,1  8 reprezintă numărul băieţilor ( S1 ) de la clubul
C2 (albastru). Distribuţiile marginale f i vor reprezenta numărul de sportivi proveniţi de
la fiecare club iar f j numărul de băieţi (j=1) sau fete (j=2).
Ci \ Sj S1 =b S2=f fi
C1=rosu 5 1 6
C2=albstru 8 5 13
C3=negru 4 7 11
fj 17 13 30
Probabilitatea de a extrage un sportiv de sex j aparţinând clubului de culoare i este
f ij
P S j | Ci   iar probabilitatea de a extrage un sportiv aparţinând clubului de culoare i
fi
f ij f12 8
de sex j este P Ci | S j   . De exemplu P S1 | C 2  
 .Aplicarea formulei
fj f 2 13
probabilităţii condiţionate se face după construirea tabelul frecvenţelor relative de mai
jos.
Ci \ Sj S1 =b S2=f pi
C1=rosu 5/30 1/30 6/30
C2=albstru 8/30 5/30 13/30
C3=negru 4/30 7/30 11/30
pj 17/30 13/30 1
Acestea se obţin prin împărţirea frecvenţelor absolute la numărul total (30) al
evenimentelor.

  f ij P S j  Ci 
 P B | R  
P B  R  5 / 30 5
P S j | Ci      0,833 ;
fi P Ci  P R  6 / 30 6
P  B  A 8 / 30 8 P B  N  4 / 30 4
P  B | A     0,615 , P B | N      0,364
P  A 13 / 30 13 P N  11 / 30 11
 P F  R  1 / 30 1 P F  A 5 / 30 5
P F | R      0,167; P F | A     0,385 ṣi
P R  6 / 30 6 P  A 13 / 30 13
P F  N  7 / 30 f ij P S j  C i 
P C i | S j  
7
P F | N      0,636 ,  
P S j 
iar
P N  11 / 30 11 fj
P B  R  5 / 30 5 P  B  A 8 / 30 8
P R | B      0,294 ; P A | B      0,471
P B  17 / 30 17 P B  17 / 30 17
P B  N  4 / 30 4 P F  R  1 / 30 1
P N | B      0,235 ; P  R | F      0,077
P B  17 / 30 17 P F  13 / 30 13

P  F  A 5 / 30 5 P F  N  7 / 30 7
P A | F      0,385 ; P N | F      0,538
P F  13 / 30 13 P F  13 / 30 13
Observație: P S j  
 Ci   P S j Ci   P Ci   P Ci S j  P  S j   P Ci  S j 

15. Un fumator cumparǎ doua cutii de chibrituri, fiecare continand câte n bețe. De fiecare
datǎ când are nevoie de un chibrit, scoate la ȋntâmplare o cutie din care consuma un bǎț.
Care este probabilitatea ca, ȋn momentul ȋn care constatǎ ca o cutie este goalǎ, cealaltǎ sǎ
mai conținǎ k bețe?
Soluţie: Constatarea că o cutie este goală se face în momentul în care este scoasă din
buzunar a (n+1)-a oară. Dacă cealaltă cutie mai are k beţe, aceasta a fost scoasă din
buzunar de n-k ori, deci de 2n-k+1 ori au fost scoase cutiile din buzunar. Evenimentul ca
în momentul în care o cutie este scoasă din buzunar a (n+1)-a oară, cealaltă cutie să fi
ieşit de n-k ori este A   B  D    C  D  , unde D este evenimentul ca extragerea a 2n-
k+1 să fi fost făcută din buzunarul drept, B cel ca în 2n-k extracţii n să fi fost făcute din
buzunarul drept, iar C ca în 2n-k extracţii n-k să fi fost făcute din buzunaruldrept.Rezultă
1
P B   P C  , P D   ; P D   P B  D   P  C  D   P B   P D   P C   P D   P B  .
2
C2kn  k
Aplicând schema lui Bernoulli, P B   C2kn  k p n q n  k   P  A .
22 n  k
16. a).O urnǎ conține n bile de douǎ culori, ȋn proporție necunoscutǎ (urna conține i bile
de culoarea celor extrase ṣi n-i de cealaltǎ culoare). Se extrag k bile cu revenire. Ṣtiind cǎ
toate bilele extrase au fost de aceeaṣi culoare, determinați probabilitatea ca urna sǎ
conținǎ doar bile de aceastǎ culoare.
b). Considerând N urne ca cea de mai sus(urna i conține i bile de culoarea doritǎ ṣi n-i de
cealaltǎ culoare).Extrǎgând o bilǎ de o anumitǎ culoare, determinați probabilitatea ca
aceasta sǎ provinǎ din urna i  1,2,..., N  .
Soluţie: a)Fie Ai evenimentul ca urna sǎ conținǎ i bile de culoarea celor extrase ṣi n-i de
1
cealaltǎ culoare, i   0,1,..., n  P Ai   ṣi X evenimentul de a extrage k bile de
n 1
culoarea celor extrase. Trebuie determinatǎ P  An X  . Dar P  X A0   P  X A1   .... 
k

 P  X Ak 1   0, P  X Ai     , i   k , k  1,..., n  1 ṣi P  X An   1 .
i
n
Aplicând formula lui Bayes ṣi formula probabilitǎții totale, se obține:
P An   P X An  nk
P  An X   n  k
k   k  1  ....  n k
k

 iP  A   P  X Ai 
i 0
b). Fie A evenimentul de a selecta o bilǎ de o anumitǎ culoare ṣi Bi evenimentul ca urna
1
i  1,2,..., N  sǎ fie selectatǎ. Atunci, P  Bi   ṣi
N
P  A Bi  P Bi 
P  A Bi    P  Bi A   N
i 2i

N  N  1 .
 P A Bi  P Bi 
n
i 1

17.Deduceţi valoarea mediei şi dispersiei repartiţiei binomiale utilizând repartiţia Be p 

 0 1
Soluţie: X  Be p   X : 1  p   M  X   M 2  X   p, D X   p  p 2 ; X j  Be p 
 p 

 Bi  n, p   t    e itk C nk p k 1  p  nk   pe it  1  p    Be  p   t   Y  Bi n, p   Y   X j

n n
n

k 1 j 1

 n  n
  n  n
 M  Y   M   X j    M X j  np,D Y   D  X j    D X j  np1  p   
 j 1  j 1  j 1  j 1
Media repartiţiei binomiale se poate calcula direct: utilizând kCn  nCn 1
k

k 1

n n
M  Y    kCnk p k 1  p   np  Cnk11 p k 1 1  p 
nk nk
 np sau derivând egalitatea
k 1 k 1
n
 p  q  n   Cnk p k 1  p  n  k ca funcţie de p, prin înmulţire cu p si ţinând seamǎ de faptul
k 0
n
cǎ p  q =1 avem succesiv: n p  q    kCn p 1  p  
n k k 1 nk

k 0
n
np p  q    kCnk p k 1  p   M  Y   np , prin aceastǎ ultimǎ metodǎ putându-se
n nk

k 0

calcula M k  Y  , k  2 ( se deriveazǎ de k ori si se amplificǎ cu p k )

Tema: Calculaţi coeficienţii de asimetrie şi exces pentru Y  Bi  n, p 
1 2 p 1  6 pq
Rezultate:  1  npq
, 2 
npq
18.Dacă X  Po   , Y  Po   sunt v.a.i., determinaţi D X X  Y  n 
 P X  k , Y  n  k  P X  k ) P(Y  n  k 
P X  k X  Y  n    n
Soluţie: P X  Y  n  , conform
 P X  k ) P(Y  n  k 
k 1
definiției probabilitǎții condiționate, independenței ṣi formulei probabiltǎții totale. Dar
k ,  nk
X  Po    P( X  k )  e   , Y  Po    P (Y  n  k )  e   
k!  n  k !
k  n k
 nk
k!  n  k !
k
Cnk k  n  k k     
 P X  k X  Y  n    n  Cn    
n
k  n k          
   Cn  
k k nk

k 1 k!  n  k ! k 1


  D X X  Y  n   n
  
 X X  Y  n  Bi n, , cǎci DV   M 2 V   M 2 V 
     2
cu V  Bi  n, p  poate fi dedusǎ ȋn moduri diferite:
n n
i). calculatǎ direct: M V    k  C n p 1  p   np C nk11 p k 1 1  p 
nk n k
k k
 np
k 0 k 1
n n
M 2 V    k 2  C nk p k 1  p   n n  1 p 2  C nk22 p k  2 1  p   np  np1   n  1 p  ,
nk nk

k 0 k 2

unde am ținut seamǎ cǎ k  C nk = n  C nk1 , k 2  k  k  1  k ṣi k  k  1  C nk = n n  1  C nk12 ,

deci DV   np1   n  1 p  np  np1  p 
ii).determinatǎ cu ajurorul funcției generatoare de probabilitate, de momente sau a celei
 
n
caracteristice :  V  t    e C n p 1  p   pe t  1  p respectiv V  t    V  it 
tk k k n k n

k 0

M  V    Bi 
  n , p   0   npe t  pe t  1  p  n 1
t 0  np, M 2  V    Bi
  n, p   0  ..
n
iii).folosind faptul cǎ V   U k ,U k  Be p  v.a.i.i.r.  M U k   M 2 U k   p 
k 1
n n
DU k   p 1  p  , deci M V    M U k   nM U k  , DV    DU k   nDU k  .
k 1 k 1

Tema: Dacă X  Bi  n, p  , Y  Bi  m, p  sunt v.a.i., determinaţi D X X  Y  s 

pk     k  1
19. O repartiție aparține familiei Katz X  K   ,   dacǎ  .
pk 1 k
Determinați media ṣi dispersia elementelor unei astfel de familii de repartiții ṣi verificați
cǎ repartiția binomialǎ negativǎ este element al acestei familii de repartiții. Arǎtați cǎ
variabila
NB  n, p  este sumǎ de n variabile geometrice identic repartizate Ge p  .
Soluţie: Sumând dupǎ k  N * relația k  p k    p k 1    k  1  pk 1 

M X    M X   M X   . Prin ȋnmulțirea relației precenente cu k, sumând
1 
     
se obține M 2  X     M  X       M 2  X     M  X   M 2  X    1   , deci
1   1  
 p n  k 1
D X   2 ;pentru
X  NB n, p   pk  Cnkk 1  p n  q k  k  q 
1    pk 1 k
  n 
  M  X    1  p  
  n  1  p    p
  NB n, p   K  n  1  p  ,1  p    ,n  1 
   1 p  n 
  D X   p 2  1  p  
  
pk
X  Ge p   pk  p  q k , k  N   1  p      X  K 1  p,1  p 
pk 1
Funcția generatoare de probabilitate a lui Laplace a variabilei X  Ge p  este
p
g Ge  p   t    p  q k  t k  , iar cea a v.a. Y  NB  n, p  este
kN 1  qt
 k 
g NB  n , p   t   C k
n  k 1  p n  q k  t k  p n 1   C nk k 1  qt   
kN  k 1 
k  n  n  1 ...  n  k  1
n
   p 
 p 1     1

n

k!
 qt  k 
  1  qt 
 
  g Ge p   t  n q.e.d.
 k 1 
observație: același lucru putea fi demonstrat cu ajutorul funcției generatoare de momente
sau a celei caracteristice.
Tema: Arǎtați cǎ Bi  n, p  , Po    K   ,   .
20. Determinaţi probabilitatea minima cu care se poate afirma că numǎrul de drumuri
independente pentru obţinerea a patru produse bune dintr-un lot de 360 produse
conţinând doar 36 produse corespunzǎtoare este cuprins între 21 şi 59.
Soluţie:Numǎrul de drumuri independente pentru obţinerea unui singur produs bun
din lotul considerat este dat de v.a. X  Fs  0,1 , variabila problemei fiind
4
 1 
Y   X k , X k  Fs 0,1 fiind v.a.i.  Y  BN  4,  . Deci: M  Y   4 M  X  şi
k 1  10 
D Y   4 D X  . Pentru calculul mediei şi dispersiei variabilei X vom utiliza
 X  0
 X  t    eitk pq k 1  peit   eit q 
peit
it  M  X   , M 2  X    X  0
k 1

k 1 k 1 1  qe i
 X  t  pe it
1
Dar   MX  
 M  Y   40 . Probabilitatea minima cu care se poate
i 1  qe  p 
it 2

afirma că numǎrul de drumuri independente pentru obţinerea a patru produse bune dintr-
un lot de 360 produse conţinând doar 36 produse bune este cuprins între 21 şi 59 este:
P  21  Y  59  P Y  40  19  , ceea ce conduce la aplicarea inegalitaţii lui Cebâşev

4 D X  it 1  qe
it

pentru   19 si determinatea minimului: 1  . Cum   X  t   pe

361 1  qeit  2
1 q 1 q 1 q
 M2 X   2
 D X   2  2  2  90 ,
p p p p
 1
deci rezultatul este: p  = probabilitatea minima.
361
Tema: . Determinaţi probabilitatea minima cu care se poate afirma cădin 360 de aruncǎri
ale unui zar, apare fața 2 de un numǎr de ori cuprins ȋntre 49 și 71.
21.Problema cutiei de chibrituri (Banach)-problema 15
Soluţie: În momentul in care constata ca o cutie este goala, cealaltǎ cutie va conţine
exact k beţe dacǎ şi numai dacǎ exact n-k esecuri preced succesul n+1,deci probabilitatea
C nk Ck
ceruta va fi : C2nnkk p n 1q n  k  C2nnkk q n 1 p n  k  2 2 n2n k k 1  22nnkk .
2 2
n
Observaţie: Putem calcula 2
k 0
k
 C2kn  k consider evenimentele Ak -când o cutie este

goală, cealaltă conţine k beţe. A0 , A1 ,... An formează un sistem complet de evenimente,

n
Ck
deci  22nnkk  1
k 0 2

Tema: Arataţi că dacă X  NB  n1 , p , Y  NB  n2 , p  sunt v.a.i., X  Y  NB n1  n2 , p 

 1 0 1 2 
22. Fie X :  7 a 11a 2 0,  2
5a  . Determinaţi funcția de repartiţiei v.a.Y, ştiind cǎ
 
 6 3 
M  Y   15, D Y   684 şi  X ,Y  1
Soluţie:  X ,Y  1  Y  mX  n, m  0  M  Y   mM  X   n, D Y   m D X  , iar
2

7a 2 5a  51  512  4 14 198 117  51

 11a 2    1  198a 2  51a  14  0  a  
6 9 3 2 198 2 198
 20  8  7 7
1  1 0 1 2  M  X   
 a   X :  7 11 2 5  , având 
36 12
  40  8  7 55
6
 36 36 9 18  M 2  X   
 36 36
 7m
55 49 171  12  n  15
 D X     , deci 171  m  24, n  29 
36 144 144   m 2  4 171
144
 0, x  19
5
 ,19  x  5
  19 5 29 53  181
  
Y  29  24 X  Y : 5 2 11 7  FX  x    ,5  x  29
 
 18 9 36 36   2
 29 ,29  x  53
 36
 1, x  53
  1 0 1 2 
Tema: Fie X :  7a 2a
8a 2
5a  . Determinaţi funcția de repartiţie a v.a.Y, ştiind
 
 6 6 3 
cǎ M  Y   15, D Y   684 şi  X ,Y  1
Probleme propuse-(cu indicații/rǎspunsuri)
1. Dacă X 
j j 1 
este un şir de v.a.i.Poisson trunchiate: P X j  k  C mk
, k  N * şi
k!
 N 
 
N  Bi n,1  e  m este independentă de orice variabilă X j , stabiliţi M  X j
.

 j 1 
e m
m   N
Ind: C  m
 MX   m
, M   X j   M  N   M  X  ; X  Po mn
1 e 1 e  j 1 
2. O substanta radioactiva emite particule  astfel incat numarul de particule emise intr-o
ora, N  Po   . Daca particulele sunt inregistrate independent cu probabilitate p,
determi-nați repartiția numarului de particule inregistrate intr-o ora.
Ind: N  Po   , X N  n  Bi n, p   X  Po p 
f . p .t

3. Dintr-un lot de N produse ȋn care se aflǎ M  N defecte, se extrage câte un produs

pânǎ la obținerea a n produse defecte. Determinați numǎrul mediu de produse extrase
(fǎrǎ revenire).
Ind:Fie A evenimentul obținerii ȋn primele k-1 extrageri a n-1 defecte, iar B cel ca
M 1
la a k-a  k  n, n  1,..., N  M  n  extragere sǎ se obținǎ defect. M  X   n  , unde
N 1
C kn11  C NMkn
P X  k   P  A  PA  B   .
C NM
v.a.bidim
1. Fie v.a. bidimensională cu P X  2013, Y  10   p 2 ,  a, b   p,3 p dată prin:
0 10
-2013 p2 Determinaţi, în fiecare caz: a). valorile lui p pentru care:
0 a i). X şi Y sunt independente;ii).variabilele sunt negativ corelate.
2013 p b
2 b). M Y X  2012 , P  X  0  Y  0  , P Y  0 X  0  şi
4p D 2Y  X  .
Soluţie:Cum a  b  4 p  P X  2013  P Y  10  1  4 p Condiţia de independenţa
P  X  2013  P  Y  10  P X  2013, Y  10  p 2  1  4 p   1  5 p   1  3 p   0 d
2

eci p=1/5   p  0,25 . Pentru b=p, se verifică imediat că v.a. X şi Y sunt independente
 0 10    20130 20130 
Pentru a=p, v.a. X,Y nu sunt independente. Y :  4 p 1  4 p  ; XY :  
   p2 p 2 
  2013 0 2013 
M  XY   0, M  Y   101  4 p  X :    M  X   2013 b  4 p  1
 1 4p a b 
 1 1
 p   5 , 4  pentru b  p
negativ corelarea  1  4 p    b  4 p  1  0  
  .
 p   1 , 1  pentru b  3 p
  7 4 
 0 10  2
   M Y X  2012   10 p
; P  X  0  Y  0  =
2
b). Y X  2013 : p
  1  4 p
 1 4p 
 P X  2013  P Y  0  P X  2013, Y  0  1  p 2 ; P Y  0 X  2013 
P X  2013, Y  0 p2
  1 , iar D 2Y  X   4 D Y   D X   4 cov X , Y  , cu
P X  2013 b

D Y   400 p1  4 p  , D X   20132 1  a   b  4 p  1 , cov X , Y   20130 b  4 p  11  4 p 
2

2. Determinaţi media şi dispersia variabilei hipergeometrice.
n
Soluţie: Şi variabila H  N , n, p  se poate exprima ca Y   X j , X j  Be p  , cu
j 1

deosebirea cǎ variabilele bernoulliene nu mai sunt independente.

Introducând variabilele
 1 daca cea de a j bila extrasa este de culoarea celor Np
Xj  şi
0 daca cea de a j bila extrasa este de culoarea celor N1 - p 
1 daca la a j si a k extractie a iesit bila de culoarea celor Np
X j Xk  
 0 in rest

   
n

v.a. X j ,1  j  n sunt dependente şi Y   X j , deci M X j  p şi D X j  pq ; iar

j 1


P X jXk 1   Np  Np  1
N  N  1
 M X jXk 
p Np  1
N 1
 

şi cov X j , X k     
 M X jXk  M X j M Xk 
p  Np  1
N 1
 p2  
pq
N 1

Prin urmare: M  Y   M   X    M  X   np , iar

  n n

j j
 j 1  j 1

 n  n
 
D Y   D  X j    D X j  2 cov X j , X k  npq  2Cn2
pq
N 1
 
 npq1 

n 1 
N 1


 j 1  j 1 j k

Tema: Calculaţi direct media şi dispersia variabilei hipergeometrice.

3.Fie v.a.,  X i 1 i  m , Y j 1 j  n , fiecare de dispersie 1, cu cov X i , X k   1 , cov X i , Y j 
m
 
  3 şi cov Y j , Yk   2 . Calculaţi coeficientul de corelaţie al v.a. U  X i
şi
i 1
n
V  Yj .
j 1

Soluţie:Avem covU ,V   
i, j
cov X i , Y j  nm3 ,  
   
m
DU    D X i  2 cov X i , X k 
i 1 ik

   
n
 m  m m  1 1 şi similar DU    D Y j  2 cov Y j , Yk n  n n  1  2 
j 1 jk
 covU ,V  nm 3 nm3
U ,V 
 U V


m  m m  1 1 n  n n  1  2

  1   m  1  1   n  1  
1 2

4. Fie X şi Y v.a. a cǎror funcţie generatoare de momente este

  
 t1 , t2  a e 1
t t2
 
1  b e 1  e 2
t t
 , unde a+b=0,5. Determinaţi 
2
X ,Y .

  t , t     t , t   
Soluţie:Avem M  X     , M Y    
1 2 1 2
t t şi
 1  t 1
 t 2
 0

 2  t  t  0
1 2

  2 t , t
M2 X   
    2 t , t
, M 2 Y   
    2 t , t
, M 2  XY   
 
1 2
 1 2
 1 2
 .
 t1
2
 t  t  0  t 2
2  t  t  0  t 
1 2
t  t  t  0
   2ae
1 2 1 2 1 2

Deoarece
 t1 , t2
t1
t1  t 2
 
 1  b e 1  e 2 ae 1
t t
 t t2
 be 1 ,
t


 t1 , t2   2ae t1  t 2
  t
 1  b e 1  e 2 ae 1
t
 t t2
 be 2 ,
t

t2

 2 t1 , t2   2ae t1  t 2
  t
 1  b e 1  e 2 ae 1
t
 t t2 t
 be 1  2 ae 1  t t2
 be 1
t
 2
şi
t1 2


 2 t1 , t2   2ae t1  t 2 t

 be 2 ae 1
t t2 t
 
 be 1  2 a e 1
t t2
  t
 1  b e 1  e 2 ae 1
t
 t t2
, se obţine:
t1t 2
1
M  X   2 2a  2b  a  b   M  Y   1, M  XY   2 a  b   2 2a  2b  a  b   2a 
2

2
1 3
 cov X , Y   2a  ; M 2  X   2 2a  2b  a  b   2 a  b   M 2  X   
2

2 2
1
D X   D Y     X , Y  4a  1 .
2
c
5. Repartiția vectorului aleator  X , Y  este de forma P X  m, Y  n   m 1
, m, n  N
2  n!
. Determinați c și arǎtați cǎ M(X)=M(Y).
Soluţie:Din
 e 1 1 1
 p m  m1    m1
1 1  2 n 0 n! 2
c  m 1 1 c   e 1   1 1 
m ,nN 2  n! 1 1 e 1 e

m 0 2
m 1 

n  0 n!
 pn 


n! m0 2 m1

n!

m 1
p mn  p m  p n  X , Y v.a.i. Pentru demonstrarea egalitǎții 2
m 1
m 1
 e 1  
n 1  n  1!
m
,avem de demonstrat cǎ 2 m 1
 1  G 1
 0 .
m 1 Ge  
2
1
x
Met 1: Cum  x n  1   n  x n1  1 m m
2
  m 1  4   m 1  1
n 0 1 x n0 1  x  2
m 1 2 m 1 2
 Met 2: g Ge p   t    p   qt   1  qt  GGe p   t   g Ge p   e   1  q  e t  GGe
p p q
n t
  p   0 
n0 p
6. Dacǎ v.a.bidimensionalǎ  X , Y  are repartiția comunǎ datǎ de tabelul, determinați
-1 0 1
-1 0,3
1 0,1 0,4
0,3 0,3

M  Y X  1 , dacǎ M  X   0 și repartiția comunǎ a v.a.  max X , Y  , X  Y  .

 1 0 1   1 1
Soluţie: M  X   0  X :  , p  0,4 ;cum Y X  1 :   , cu
 0,3 p 0,3  1  p  p  
P  X  1, Y  1 1
p   P Y  1 X  1    M Y X  1   , cǎci evident avem:
1
P  X  1 3 3
P X  1, Y  1  P X  1  P X  1, Y  1  0,2; P Y  1  1  P Y  1  0,6 
P X  1, Y  1  P Y  1  P X  1, Y  1  P  X  0, Y  1  0,1 ,defapt
Y -1 0 1
X
-1 0,2 0,1 0,6
1 0,1 0,2
0,4
Prin urmare, variabilele U  max X , Y  şi V  X  Y , vor lua valorile:
Y -1 0 1
X
-1 U  1,V  0 U  0,V  1 U  1,V  2
1 U  1, V  2 U  1,V  1 U  1,V  0
 1 0 1   2 1 0 1 2 
Având repartițiile marginale: U :  0,2 ;V :   , iar
 0,3 0,5   0,1 0,1 0,4 0,3 0,1
UV -2 -1 0 1 2
-1 0 0 0,2 0 0 0,2
0 0 0 0 0,3 0 0,3
1 0,1 0,1 0,2 0 0,1 0,5
0,1 0,1 0,4 0,3 0,1
cea comunǎ.

 3
7. Știind cǎ D 3 X    M 2  3 X  
2
9
4
 
, M 6Y 2  13  0 , vectorul  X , Y  având

repartiția comunǎ
XY b-3 b-2 b
2a 1/12 2p
0 5/24 4p
a+3 1/24 3/24 2p
2q 4q 6q
determinați: a). P  X  Y  1  ;b). M  Y X  0  ;c). X și Y sunt corelate.
  3 9 1 13
Soluţie: D 3 X    M 2  3 X    M 2  X   D  X    M  X   0; M 2  Y  
 2  4 4 6
3   a  1 13 2   b  3  4   b  2   6b 2
2 2
1 1
Cum p  , q  , iar M  X    a  1, 
8 12 4 6 12
 1
 12b  28b  8  0  b  2,  ,deci avem douǎ variante:
2

 3
X  Y -1 0 2
-2 1/12 d e 1/4
0  5/24 c 1/2 XY -8/3 -5/3 1/3
2 1/24  3/24 1/4 -2 1/12 d e 1/4
1/6 1/3 1/2 0  5/24 c 1/2
2 1/24  3/24 1/4
cu 1/6 1/3 1/2
1 1 1 1 1 1 1 1 1 1 7 1 1 1
   ,    ,c    ,d     şi e    , deci
6 8 24 4 6 12 2 4 4 3 24 4 8 8
1 5 1 7
a). P X  Y  1  1    d   respectiv P X  Y  1     c  e  ; b).
12 6 8 12
b  3 b  2 b 
Y X  0: 5   M Y X  0  b  3  5   b  2  6b  b  13  11 , 3 
 2 2c  12 12 12 4 
 12 
1 1   3  1
cov X , Y   M  X  Y   2      4    e   , deci pozitiv corelate,respectiv
 12 24   24  6
16  1 1  10 2  3  1 2 5
cov X , Y   M  X  Y         d        e       0 negativ!
3  12 24  3 3  24  3 3 6
a 0   0 b
8. Pentru variabilele bernoulliene X :   , Y :   se cunosc p  p
 p 1  p  1  p  p  
P X  a, Y  b   p şi m  M  X Y  b  . Stabiliți relația dintre m, p, p , p , a, b și
 X ,Y .
Soluţie:
X Y 0 b
a p p
0
p 
a 0  p  p p  p
X Y  b :   cu P   m  a  cov X , Y   ab p  p   p 
P 1 P  1  p  1  p 
p  p   p 
D X   a 2 p1  p  , D Y   b 2 p 1  p    X ,Y  .
p  p1  p 1  p
Probleme propuse
1.Trei bile de culori diferite se pun la întâmplare in trei urne. Notând cu X 1 v.a. care
indica numǎrul de bile dintr-o urna , cu X 2 v.a. indicând numǎrul bilelor dintr-o altǎ urna
și cu Y pe cea care reprezinta numarul urnelor ocupate, arătați cǎ X 1 și X 2 sunt negativ
corelate, iar Y și X i , i  1,2 sunt necorelate.
2. Repartițiile marginale ale unei variabile bidimensionale multinomiale sunt binomiale:
i).dintr-o urnǎ cu 10 bile albe, 15 verzi și 25 galbene se fac 3 extrageri. Dacǎ X reprezintǎ
numǎrul bilelor albe extrase, iar Y al celor verzi, determinați funcția de regresie a v.a. X
fațǎ deY(studiați atât cazul extragerilor revenite, cât și al celor nerevenite. )
ii). Dacǎ X reprezintǎ numǎrul aparițiilor feței 3 la aruncarea de n ori a unui zar, iar Y cel
al aparițiilor uneifețe pare, stabiliți  X ,Y . Pentru vectorul aleator bidimensional discret
cu
n!
P X  j , Y  k    p1j  p 2k  1  p1  p 2  , j  k  n, j , k   0,1,..., n , p i   0,1
n j k

k! j! n  k  j 
aflați funcția caracteristicǎ a vectorului  X , Y  , repartiţiile v.a.X și Y X  j și  X ,Y .
0 1 0 2
3. Fie X : 1 1 , Y :  1 2  cu P X  0, Y  0  p .Aflați ȋntre ce limite poate varia p.
   
2 2 3 3
Calculați,ȋn funcție de p,  X , Y ; ȋntre ce limite poate varia acesta?

4.
X 1 2 3
Y
-1 1/4 1/10 1/10
0 1/20 1/5 3/20
1 0 1/20 k
k=?, FX , cov X , Y  , funcția de regresie a v.a. X ȋn raport cu v.a.Y.
5. Se cer: repartiția comunǎ, M  X Y  0 , P  X  Y  0 , D X  2Y  pentru

X Y -1 0 1
2 0,06 0,12
3 0,28 0,28
0,4
6. f  x, y   c x  y  , x, y   0,1,2  P X  Y   ?, cov 2 X ,Y   ?
7. Aflați p, U ,V , cu U  2 X  1,V  3Y  2, M  3Y  2 X  1
X Y 0 1 2
-1 p 2
2p 2
p2
0 p2
p p
1 2   1 3  a
v. a. X :  a 1  a  şi Y :  3a 1  3a  . Se ştie că P X  1, Y  3  .
8.1.Fie
    2
a) Să se scrie tabelul repartiţiei comune al variabilelor X şi Y în funcţie de parametrul
a.
b) Să se afle când M  X Y  3 
7 1
.c). cov U ,V  ,cu U  2 X  1 şi V  5Y , a  .
4 5
8.2Se consideră repartiţia comună a variabilelor .
 X/ 1 2
Y
0 a
1 1  2a
2a

a) Să se completeze tabelul repartiţiei comune în funcţie de parametrul a .

b) Să se afle a dacă M  X Y  2  
2
. c). covU ,V  ,cu U  1  X şi V  5Y ,a=0,2.
3
9.1Se consideră a, p, q  R , repartiţia comună a variabilelor

X/ 0 1
Y
-1 p
2 a
q

a) Dacă M  X   M  2Y   1 , să se completeze tabelul în funcţie de a.

1
b) Pentru a  , să se determine cov X , Y  şi să se calculeze D 3 X  2Y  .
4
1 2   1 1 
9.2Fie v.a. X :  p 1   şi Y :   . Se ştie că P X  1, Y  1  a .
 p   q 1  q 
Dacă M  2 X   3D Y   3 , să se scrie tabelul repartiţiei comune al variabilelor X şi Y în funcţie de
1
parametrul a ; pentru a , cov X , Y   ?, D 2 X  Y  =?
6
10. Știind cǎ M  3 X  1  0,4; M  X  Y   0,7 , iar tabelul repartiţiei comune al v.a. X,Y

X Y n n+2
1-m 0,2 0,3
m
0,4
determinați P X  Y  0  şi  X ,Y .
11.Dacǎ

X Y 0 1
-2 0,3 0,5
0 0,2 0,3
2 0
a).stabiliți dacǎ variabilele sunt independente și repartiţia v.a. Y X 2

b).calculați P  X  1Y  1 și  X ,Y .
12. Se știe cǎ M  5 X  1  3

XY -1 a 3
 -2 0,05 0,3 4p
0 4p
0,05 1 0,1 2p
3q 5q 2q
Calculați M   X  2   Y  1 , P X  Y  0  , D X  Y  3 și  X ,Y .

13. Stabiliți funcția de regresie a variabilei X asupra variabilei Y, cunoscând forma

mC n
probabilitǎții P X  m, Y  n   c mm , unde n   0,1,..., m , m  1,2,...,9 .
2

1. Determinaţi modul variabilei lognormale. Y  e X , X  N  m,  

x2
Soluţie: Z  N  0,1  X  m  Z  N  m,   ; f  x   Ce  2 , x  R .
Z

Determinǎm constata C şi densitaţile v.a.X şi Y.

x
 x2  x2 y 
  2  1
 dx  2 e dx  2 2  e  x dx 2 2
2
e 2 2
C 
 0 0
2 2
 xm  xm 1  xm
FX  x   P X  x   P m  Z  x   P Z    FZ    f X  x  fZ  
         
FY  x   P  Y  x   P  e X  x   P X  ln x   FX  ln x  , x  0  fY  x   f X  ln x  
1
x
2
1  ln x  m 
1  ln x  m  1   
fY  x   fZ   e 2  
, x  0 . Modul repartiţiei fiind soluţia M 0 a
x    x 2
2
1  ln x  m 
ecuaţiei f  x   0 (cu f  x   0 ), iar f  x   
1  
2  
  ln x  m 
e 1  
x 2
2  2 
2
 1  ln x  m 
1   
. Se pot calcula direct M k  Y  
2

x
m  e  k 1 
 M0  e e 2 
dx , însǎ
 2 0

observarea faptului cǎ M k  Y   M  e    X  k  reduce considerabil calculele, fiind

kX

suficientǎ determinarea funcţiei generatoare de momente a variabilei normale normate:

t2 t2 y t2
 x2   y2 u t2
1 tx  e 2 1
  x t  2 2e x t  y 2  2e 
2 2

 Z t  e 2
dx  e 2
dx  e 2
dy   e2
2  2  2 0  2
2
2 2  1  ln x  m 
 t 1   
sau direct M k  Y   x
tm 
 Y  t    X  m  t   etm X  t   e
k 1 2 
2 e 
dx 
 2 0
2
1  ln x  m 
 2t 2 1  ln x  m  1   

...  e ; tm 
f  x
2   f    e 2  
,x  0.
Y
x Z    x 2
Modul repartiţiei fiind soluţia M 0 a ecuaţiei f  x   0 (cu f  x   0 ), iar
2
1  ln x  m 
1     ln x  m   M  e m  e
f  x   
 2
2  
e 1   .
2 
0
x 2 2 
2. Ştiind cǎ rezistenţa la rupere a verigilor unui lanţ este o v.a. Y  cX , X   m  1,2 ,
determinaţi densitatea de repartiţie a rezistenţei la rupere a unui lanţ alcǎtuit din n astfel
de verigi.
Soluţie:Întrucât rezistenţa la rupere a lanţului este egalǎ cu rezistenţa la rupere a celei mai
slabe verigi, avem de determinat funcţia de repartiţie a celei mai slabe verigi a lanţului:
U  minY1 , Y2 ,..., Yn  ,unde  Yi  i 1, 2 ,...,n v.a.i.identic reartizate cu Y.Dar
FY  x   P Y  x 
 x  x x 1  x
 P cX  x   P X    FX  ,   0,1  f Y  x   f   m 1, 2   , x   0, c  . Cum
 c  c
  c c c

 x   m  1 m  2
x
x  c  x dx   m  2
x
m 1

  m  1
 x
m2

 FX 
m
    . Dar
c m2 0 c c
n
FU  x   P Y1  x, Y2  x,...,Yn  x   1  P Y1  x, Y2  x,...,Yn  x   1   P Yk  x  
k 1
n
 1   1  P  Yk  x    1  1  FY  x    densitatea de repartiţie a rezistenţei la rupere
n

k 1

a lanţului va fi pentru x   0, c  f U  x   1  1  FY  x   n   n1  FY  x   n 1 f Y  x  . Cum



1   m  3  x  
m
1 x
f  m 1, 2   x   x m 1  x  , x   0,1  f Y  x     1  , x   0, c  ,
 m  1,2  c  m  1  c   c
 m  1 m  2 x m  c  x   m  1 m  2 x

adicǎ f Y  x   , iar FX  x    t  c  t dt ,deci

m

c m 2
c m2 0
m 1 m2
 x  x
FY  x    m  2     m  1   , x   0, c  
c c
n m  1 m  2  x  
m m 1 m 2
 x  x
fU  x   m 2
  1   m  2      m  1     c  x  , x   0, c 
c  c c 
 1
3.Dacǎ X  W  , , k  N , determinaţi  X
*
mk
,X pk , m, p  N * şi repartiţia v.a.
 k
n
2 X kj
j 1 , unde v.a. i.  X j  j 1, 2,..., n sunt identic repartizate cu X.
U

xk
Soluţie: X  W  ,   FX  x   1  e  , x  0   Y  X k  Y  exp   !!!
 1 

 k
cov X mk , X pk  covY m , Y p  M m  p  Y   M m  Y  M p  Y 
Cum  X    , va fi suficient
 mk  pk  m p D Y m  D  Y p 
mk pk
,X
X X Y Y
x
 y 
sǎ calculǎm M n  Y  şi D Y  . Avem: M  Y   1  x n e  dx 
x
 
 y 
n
e  y dy  n! n şi
n
n
 0 0
  
D Y n  M 2 n  Y   M n2  Y    2 n  2n ! n!  2
 , deci
 
 m  p !m! p!
X mk
,X pk
 2m! m! 2  2 p ! p! 2  .
xk
kxk 1  
X

Cum F  x   P X  x   P Y  x  F x  f  x   kx f x 
Y X Y
k

 
e , adicǎ
k k 1
  k

demonstraţia afirmaţiei Y  X k  Y  exp  , vom folosi funcţia caracteristicǎ a

repartiţiei  2 pentru a stabili repartiţia v.a. U. Avem
 x
1 
  a , b   t  
 a  b a 0
itx a 1
e x e b
dx 

x
 itx  x a 1e  b dx  1  it  x a  n 1e  b dx b 1  itb 
 n x n  x y n 
1
 a  
 a  b 0 n  0 n!

 a  b n  0 n! 0
a  
 a  n  0 n! y
a  n 1  y
e dy
0

 a  n 
1
1
  itb n  1    a  a  1...  a  n  1   itb n  1  itb  a 
 a  n 1 n! n 1 n!
n
exp     t   1  it  1;  t   1  2it   2 .
 n2

Pentru a stabili funcţia caracteristicǎ a v.a. U, este suficient sǎ determinǎm funcţia

n
 2t 
caracteristicǎ a v.a. V 
2 X k 2Y
 , cǎci U  V  U  t   Vn  t    2nY  t   Yn   .
  j 1
j

 
 2X k   x   x 
Cum FV  x   PV  x   P  x   P X  k   FX  k 

    2   2 
k
 x 
k 
k 1  2 
 k 1  k x  k  k 1 k  k x 
1 1 x
 
1 2
fV  x   k x fX    x e 
 e , x  0  V  1,2  sau,
2  2  2   2  2
 x
1 itx  2
neobservând acest lucru, prin calcul direct V  t   dx  ...  1  2it  
2 0
1
e

2Y
U  t   1  2it   n  U   22n , concluzie la care se ajungea şi pornind de la V 

x

 2Y   x   x    x   1  2
 FV  x   P  x   P Y    FY    fV  x   fY     e  sau
   2 2 2 2 2 
1
n 2t 
calculând direct U  t   Y   , unde  exp       1  i  
2t 2t
      
Observaţie:Pentru cerinţa anterioarǎ a problemei se putea calcula direct-fǎrǎ observaţia
xk
y
fǎcutǎ şi demonstratǎ Y  X  Y  exp  :
 k 1 xk
k
kx  
M s  X    xs e 
dx 
0

 s
 s
  k y  e  y dy   1   , pentru s  kn concluziile fiind aceleaşi.
s k

0  k
4. Determinaţi momentele variabilei Student.
Soluţie: Dacǎ  Z k  k 1, 2,..., n v.a.i. identic repartizate cu Z  N  0,1 , atunci v.a.
Z
T n
U este repartizatǎ Student cu n grade de libertate, cu U  Z
k 1
2
k   n2 .
n

Dacǎ Z k  N  0,1 , atunci FZ k2  x   P Z k  x  P  x  Z k  x  FZ k
2
    x 
 
 FZ k  x , x  0  f Z 2  x  
fZk  x   f  x   f  x  , cǎci
Zk Zk
f Z k este parǎ.
k
2 x 2 x x
1 x
x  
1  x e 2 2

Prin urmare, densitatea de repartiție f Z  x   2 e  , x  0  Z k2  12 .

2
2
k
 
1
2 
2
k x
 1 
x e2 2

Întrucât funcția generatoare de momente G  t    e  dx 

tx
2
k k 
k
0 2  
 2
1 
 k 1  x t   y n
1
 GU  t   G  t   1  2t  2  ,deci
1  x   t  2  k 1
1  2t 
k
 
 x 2 2 
e dx  2
n
Z k2
2   0
k  
2
n
GU  t   1  2t 

 U   n2 . Densitatea de repartiție a variabilei Student va fi:
2


 u
f  t    f  t , u  du , unde fT ,U  t , u   f Z  t
 
  fU  u  . D z , u 
0  n 
 D  t, u 
 2 
n u n 1  u  1 t 
t 2u 1  2  n 

1  u e2
u 2
u 2
e
f  t, u   e 2n
   , t  R, u  0 , deci
n n
n
2 2  
n n
2n     2 2
2 2
 n  1 u  t 2 
  
n 1  u  1 t
2 n 1

2  2

1
2  n
 x

1 
 2  1  t   
f t 
 n 
n 
2
 u e du  2  
,t  R .
n 2 0  n   1   n 
2n     2  
    n
2 2 2
Densitatea de repartiție Student cu n grade de libertate fiind funcție parǎ  M  T   0
t2
 M k  T    k  T  , k  N * ṣi M 2 k 1  T   0 . Fǎcând substituția  x , se obține:
n
 n  1 k  n 1 k
2 n  1  n  1
 2  k n 1 n  2  k n 1
2 k  T   x 2
1  x  
2 dx  x 2
1  x   2 dx 
n 2 n
  n 0    0
2 2
  n  1
n k  
 2   k  1 , n  k   n k  2k  1!!
  
n
   
2 2   n  2 n  4 ... n  2k 
2
 
5.Dacǎ f este densitatea de repartiţie a unei v.a. pe R, determinaţi constanta C pentru care


 x  C f  x  dx este minimǎ.


Soluţie:
 C  C C

 x  C f  x  dx    C  x  f  x  dx    x  C  f  x  dx  2C  f  x  dx  2  xf  x  dx 
  C  
C
 C  M  X   g  C  al cǎrei minim trebuie aflat. Cum g  C   2  f  x  dx  1 , iar



g  C   2 f  C   0 , integrala  x  C f  x  dx este minimǎ dacǎ şi numai dacǎ g  C   0


C
1
  f  x  dx  2 , adicǎ dacǎ şi numai dacǎ C este mediana repartiţiei v.a. date.


6. Determinaţi funcţia de repartiție şi funcţia caracteristicǎ a v.a. cu densitatea de forma

 k  g  a, c   ? 
 k  x  a  c, a  c  x  a

f  x    k  x  a  c  , a  x  a  c
 0, x   a  c, a  c 

a ac
 a  c 2
  a  c
2

Soluţie:Cum   x  a  c  dx    x  a  c  dx 
a c a
2
 a a  c  a  c   c 2

1
 k  2 , funcţia de de repartiție a v.a.X (având mediana M e  a) va fi F  x  
c
 0, x  a  c
 1
x
t  2t  a  c 
2 x
1  xac
2
  
c 2 ac
 t  a  c dt      ,a  c  x  a
 2c 2 a c
2  c 

 1 2t  a  c   t 2 1  x  a    a  2c  x 
x
1 a x

c 2     x  a  c  dx    t  a  c  dt    2
  2
,a  x  a  c
 a c  2 2c 2 2 c
 a a

 1, x  a  c
1 
a ac

Iar funcţia caracteristicǎ este:   t   2   e  x  a  c  dx   e  x  a  c  dx  

 itx itx

c  a c a 
1 
a ac
1  itx a 
  c  a  e itx a
  c  a  e    xe itx
dx   xe itx
dx  . Ţinând cont cǎ
c it 
2 a c  c  a  c
a c  2
a


 it  n  n  1 itx  n eitx  x 1 
 xe dx    x dx  x 
n 1
itx 2
 ...     -detaliaţi calculele!!!
n0 n! n 0  n  2! t i t
1  itx a itx a  c  1  itx a  c 
 t   e  e    x  c  a  e itx a
  x  c  a  e 
c 2t 2  a  c a  c 2it  a c a  
 2
 tc 
 sin 

2   eitc  e  itc  
ita ita
e 2e
  2 2 1  cos tc   eita  2
 ct 
2 2
ct ct
 2 
 
2
x
x  2 2
7. Determinaţi distanța intercuatilicǎ a repartiției Rayleigh f  x   2  e
 , x  0 .
  
 
1 
1
Soluţie: Cuartilele 1 și  3 se determinǎ din relațiile:  f  x  dx    f  x  dx . Din

4 3
 1 1 x  x 2 2
2

  1 2 3
2
 12
   2  e dx  1  e
2 2
e 2   4
4 0   4  1   2  ln
sistemul   x2  32
 2  3 , deci
 1  x  e 2 2 dx  e 2 2
 
 2 2 1    2  ln 4
3


 4   2 e 
4
 3
 3

 4
 3   1   2   ln 4  ln  .
 3

1. Arǎtaţi cǎ : a). X  Pa  1 ,1  ln X  exp 
n x2
1  2
2
x 2
e
b). X  N  0,   X 2   n2    ; Y   n     fY  x   ,x  0
2
n
n
2    2 n

 2

c). dacǎ v.a.i.  X k  k 1 sunt Bernoulli simetrice, atunci  kk  U   1,1

X
k 1 2
X
d). X   r ,1 , Y   s,1 v.a.i,   B  r , s  ; utilizând relaţia
X Y
X
X   X Y , calculaţi media şi dispersia repartiţiei Beta.
X Y
k 1
 x  j , x  0
2. Calculaţi momentul de ordinul k al repartiţiei Erlang: F  x   1   e  x 
j 0 j!
3. Stabiliţi asimetria şi excesul repartiţiei uniforme

1. Determinaţi repartiţia mediei de selecţie a unui eşantion de volum n extras dintr-o

populaţie: a). N  m,   ;b). C  0,1 .
n t 
Soluţie:Vom determina  X  t    X   pentru X   N  m,  , C  0,1 .
n
 x2 0 , k  2s  1
1 
 2s !

a). Z  N  0,1  M k  Z  
x2
x e

k 2
dx   2 
x dx  s , k  2s
2s
2 e2
  2 2 s!
 0
  itx  k   1 s t 2 s   2s !    1 s   t 2 
 x2 s t2
Z  t   M e  1  
 e dx  
 2s ! 2s s! 
e
itZ 2 2
2  k 0
k! s 0 s0 s!  2 
n
 i t m   t2 
2 2
 2t 2
itm 
X  N  m,    X  Z  m   X  t   e  Z  t   e itm 2
 X t   e n 2n  
 
 
 2t 2
itm     X m
X t   e 2n
 X  N  m,  . Observaţie: Arătaţi că n  N  0,1
 n 

1 e itx
b). Pentru calculul funcţiei caracteristice a v.a. X  C  0,1   X  t    1  x 2 dx vom
 

1


x
1 
0
 itx  n e ax dx    itx  n e  ax dx  x  y
folosi  L  a   t    0 
2a  2a   n  0 n!
e itx
 e a
dx  
n! 
n0 

   au 
x
1   it   n  a
u
n  x  y
 a 1  2 k 

2a  n  0 n!  0
n a
  x e dx     y  e dy    a 
t

2k
e  u  adu    a 2t 2   n

0  k  0  2k ! 0 n0

1 1 1
deci  L  a   t     L  1  t     eitx  e dx ; dacă t  x , se obţine:
 x

1  a 2t 2 1 t2 2 
  
1 1 1 1 1 1 1
  e
t t t
 eitx  e dt ;  e  itx  e dt    itx
e dt . Cum
1 x 2
2  1 x 2
2   1 x 2
2 

1 1 

f C  0,1  x   , x  R , conform formulei de inversiune: dacă    t  dt 

 1  x2 

n
t   
 t
1
f  x  e
 itx
   t  dt , rezultă C  0,1  t   e t
 X t      e n n   e t
2  n   
X


 X  C  0,1 .Observaţii: rezolvarea dată generează următoarele probleme:
1.diferenţa a două v.a.i. exp(1) este o v.a. L (1)
2.calculul densitaţii şi a funcţiei caracteristice X  C  m, a   X  aZ  m, Z  C  0,1
   1
3. X  U   ,   Y  tgX  C  0,1   C  0,1
 2 2 Y
n
 n n

4. X k  C  mk , ak  , k  1,2,..., n v.a.i.   X k  C   mk ,  ak 
k 1  k 1 k 1 
2. Calitatea unor aparate este apreciata dupa numărul de puneri in funcţiune până la
prima defectare. S-au analizat 100 de aparate , obţinându-se rezultatele:
xi porniri 1 3 6 8 10
ni aparate 15 20 30 10 25
Calculaţi:a).valoarea funcţiei empirice de repartiţie în punctul x=7
b).media şi dispersia de selecţie
  1 3 6 8 10 
Soluţie: X :  15 20 30 10 25   F100  7   0,65 ;
* *

 
 100 100 100 100 100 
 0, x  1
 0,15, 1  x  3

 0,35, 3  x  6

F100  x   
 0,65, 6  x  8
0,75, 8  x  10


 1, x  10
5 5

 ni xi 1  15  3  20  6  30  8  10  10  25 n  x  x
i i
x i 1
5
  5,85 , iar  2*  i 1
5
100
 ni
i 1
n
i 1
i

calcule pe care le vom organiza în tabelul:

ni xi xi  x  xi  x  2 ni  xi  x 
2

15 1 -4,85 23,5225 352,8375

20 3 -2,85 8,1225 162,45
30 6 0,15 0,0225 0,675
10 8 2,15 4,6225 46,225
25 10 4,15 17,2225 430,5625
100 x  5,85  2*  9,9275

3. V.a. X  N   ,1 , unde   U   a, a  . Determinaţi limita repartiţiei a posteriori a v.

a.  pe baza unei selecţii de volum n extrasă din populaţia în care caracteristica sub
cercetare este X.
Soluţie: Conform exerciţiului rezolvat 1a)., pentru selecţia  X 1 , X 2 ,... X n  asupra v.a.X
n x    2
n  2
e

 X  N  ,
1 
 . Teorema lui Bayes implică: f  x    a
2
n x    2 . Pentru
 n n  2

a 2
e d

n x    2
n   se obţine: f   x   n e 2    N  x , 1 


2  n
4. Dacă selecţia de volum n ,  X 1 , X 2 ,... X n  , este extrasă din populaţia caracterizată de
nX
a). v.a. X  exp  , determinaţi repartiţia statisticii S 

x 2n *
b). F  x   1  e  S m
X

, x  0 , determinaţi repartiţia statisticii 
 n

Soluţie:a). Cum X k
, este suficient de determinat funcţia caracteristică a v.a.
S k 1

X
Y  , X  exp  , ceea ce va conduce la determinarea acesteia pentru statistica dată:

t X 
 S  t   Yn  t    Xn   . Dar FY  t   P  Y  t   P  t   P X  t   FX t  
   
 
 itx  n  e t dt 
fY  t   f X t   e t , t  0 . Prin urmare: Y  t    e  e dt   
itx t

0 0 n0
n!
 ix  n  n  1 

n0 n!
  ix 
n0
n
 1  ix 
1
  S  t   1  ix 
n
 S   n,1

b). Un raţionament identic cu cel anterior conduce succesiv la calculul funcţiei

x
2X   2 n 
X .

caracteristice a v.a. Y  , cu f X  x   x e , x  0 întrucât
 1  S 
   k 1 k
 1
  1

 2X     x      x   
FY  x   P  Y  x   P  x   P X      FX    
     2    2  
   
1
1  1

1  x      x    1  2
x
fY  x       e , x  0  Y  t   exp  2   t   1  2it  
1
   fX 
 2  2  2   2
 
 2t 
 S  t   Yn  t    Xn     1  2it   n  S   22n . Evident, la aceeaşi concluzie se ajunge
 
 1
  1 
calculând FX  x   P  X 
  x   P X  x    FX  x    X   exp 

   
1.Se considerǎ variabilele de selecție X 1 , X 2 ,..., X n independente, cu media comunǎ

m  M  X i  , i  1,2,..., n ṣi dispersia D X i     ,  ,   0, ci  1, i  1,2,..., n. Arǎtați
ci
1 n 1 n 1 n n
~ ci X i
cǎ estimațiile
X  
n i 1
X i , ˆ
X  
c i 1
c i X i , cu c
n
 ci 
ci si X 
i 1    c i
 i 1

i 1    ci
sunt estimații nedeplasate pentru m ṣi determinați-o pe cea de dispersie minimǎ.
Soluţie: Avem, evident:,
1 n  1 n 1 n     n
M  X   M   X i    M  X i   m , D X   2         2   ci
 n i 1  n i 1 n i 1  ci  n n i 1
 
 
 
M Xˆ  M  n

1

n
c i X i

 n
1 n
  ci M  X i   m ṣi  1 n 
D Xˆ  D  ci X i  
  ci
i 1
 c i
i 1  c i 1 
 i 1  i 1

1 n 2 1 n 2   n 2 
  i c D  X    i c        ci 
c 2 i 1  ci  c 2 i 1
i
c 2 i 1 c
  
 
  ci X i  ci
n n
~ 1 1
M X  M  n    M Xi   m , iar
ci i 1    c i ci   ci
n
    i 1

 i 1    ci  i 1    c i

 
  2
 ci 
  ci X i 
n n
~ 1 1
D X  D n        D X i  
ci    c  i 1     ci
2
    ci 
i 1 n

  
i

 i 1   ci i 1    c i 
2 2 2 1
 n ci  n
 ci     n ci  n
ci  n ci 
                      
 i 1    ci  i 1     ci   ci   i 1    ci  i 1    ci  i 1    ci 

Pentru determinarea estimației de dispersie minimǎ, trebuie rezolvatǎ problema de

  n 
 ai   ai X i 
min D
optimizare cu restricții:   i 1  , deci trebuie minimizat lagrangeanul
n
  ai  1
 i 1
n
 n 
L a1 , a 2 ,..., a n ,     ai D  X i      a i  1 . Punctul de minim condiționat (cǎci
2

i 1  i 1 
2L
a j a i
 
 2 D X i  ij  0 )este soluția sistemului;

 L
 a  a1 , a 2 ,..., a n ,    0, i  1,2,...n 2  ai  D X in    0, i  1,2,...n
 i 
  L
 a1 , a 2 ,..., a n ,    0   ai  1  0
 
i 1

 
ai   2 D X  , i  1,2,...n 2 2

i
 n  n . Prin urmare,
     1 1  0
n
1 ci
 2 i 1 D X i  i 1 D  X i 
i 1    c i

1 ci
ai  
ci
  ci    ci , deci estimația de dispersie minimǎ este
n n
D X i   
i 1    ci i 1    ci
n
ci 1 n
ci X i ~
 X i  i 1    ci
X
    ci    c i
n n
ci
i 1

i 1    c i

i 1    ci
2. Pentru o selecţie repetată de volum n extrasă dintr-o populaţie cu caracteristica
Pa   ,   , determinaţi e.v.m. al lui a).  cunoscând  ; b).  cunoscând  ;c) estimaţi
ambii parametrii prin metoda momentelor.
  
Soluţie: f  x; ,    , x   . Funcţia de verosimilitate este:
x  1
  1
n
 n 
P x1 , x2 ,..., xn ; ,     f  xk ; ,     n   n   xk  , x1 , x2 ,..., xn   .
k 1  k 1 
n
L  n
a). L x1 , x2 ,..., xn ; ,    n ln   n ln      1  ln xk   n ln     ln xk
k 1  n k 1
 L
2
1  n
cum
 2
  2  0 , soluţia ecuaţiei :
n n
  ln x
k 1
k  n ln  este estimatorul căutat

n
ˆ  n
e.v.m.
 ln x k  n ln  ;b).
k 1

P x1 , x2 ,..., xn ; ,  
  1
 n 
 n n 1   n   xk  , min xk   Deci funcţia de
  k 1 
verosimilitate este crescătoare  ˆ  min xk . c). Pentru   2 ,avem:
 
          2
MX   M 2  X     1 dx 
 
dx   x   1  ;  x 2 

x 
1    1 
x 2   2
 
 X
 1     2
  1
 D X    2    
2  2 ,deci: 

   2    1     2    1  
2
S 
2

    2   1 2
X2 ~  1 S 1 S 2  X 2
S2     S  S 2  X 2 ;~  X 1    ~  X 
    2   S  S2  X 2
3. Studiați calitǎțile e.v.m. pentru legile de repartiție:
1 1
1
x
i). f  x,    x  , x  1,   0 ;ii). p x,    , x  N,  0 .
 1    1 x
Soluţie: E.v.m. este punctul de maxim local al funcției de verosimilitate
n n
P X 1 , X 2 ,..., X n ,    f  X k ,   L X 1 , X 2 ,..., X n ,    ln f  X k ,  . Avem:
k 1 k 1
1
1

i). L X 1 , X 2 ,..., X n ,   ln 1n   X k   1 n

n 
  n ln   1   ln X k .Soluția ecuației
  k 1     k 1
de
 n

verosimilitate
L
0 1 n
n  ln X k
determinǎ e.v.m. cǎci
 2 
 k 1
ln X k   ˆ 

k 1

n
 
n  n 
2 ln X k   ln X k 
2L ˆ
 2
 
n
  2  k 1 3

1 
 2  n  2 kn1
 
 n
   2  0 . Pentru a demonstra



k 1
ln X k 

 ˆ
 
 n 
consistența ṣi eficiența acestuia,observația cǎ   Y , cu Yk  ln X k va simplifica
ˆ
substanțial calculele.
   
FY  x   P Y  x   P ln X  x   P X  e x  FX e x , e x  1  f Y  x   e x f X e x , x  0  
n
1
Deci f Y  x   e x  e x   1
1
  Y  exp  , consistența ṣi eficiența e.v.m ˆ  ln X k

  k 1

n
revenind la demonstrarea consistenței ṣi eficienței mediei de selecție pentru exponențialǎ.
x
1 
(evident Y este e.v.m. al repartiției exponențiale f Y  x    e , x  0 ) . Avem:

x
y


  x 
M ˆ  M  Y    x  f Y  x dx   xe  dx    ye  y dy   2    , deci e.v.m. ˆ este
1  

0
 0 0
 n 
  Yk 
D Y 
 
n
D ˆ  D  Y   D k 1  1
 D Y   n
P
nedeplasat. k
 0, deci ˆ  
 n  n2 k 1
K

 
 
x
 x y 
(estimatorul este consistent). Cum M 2  Y   1  x 2 e  dx   2  y 2 e  y dy   2  3 
 

 0 0

D Y   2 2   2   2 , iar ln f Y  x,    ln  
x

, cum M  Y     D ˆ 
n 
1
I

  , cǎci
  ln f Y  x,    Y 1 1 1
I    M 2    M 2  2    4  D Y   2 (estimatorul este eficient).
       
n
 Xi
ii). L X 1 , X 2 ,..., X n ,   ln  i 1 n
 n

n   X i  ln    n   X i   ln1    . Soluția
1    n  Xi i 1  i 1 
i 1

n n

ecuației de verosimilitate L  Xi n   Xi
determinǎ e.v.m. ˆ  X cǎci
0 i 1
 i 1
  1
 n n

X n   Xi
  Evident, M ˆ   M  X  și
 L ˆ
2 i
 1 1 
   i 1 2  i 1
 n  0.
 2  1    2  1  X X 
 X

D X 

D ˆ 
n
, iar pentru calculul mediei și al dispersiei repartiției date vom utiliza o

g X t  
  t  n  1  1  1     t  1  1
nN 1   
funcție generatoare, de exemplu 1 n
1  t
1
1

    1 1
 
not
X  t   G X  t   M e tX  g X e t  ;  X  t   M e tX  G X  it  
1  e 1
t
  1    e it  1  
  et
deci M  X   GX  0    , deci estimatorul este nedeplasat. Similar ,
1     e t
1  2
t 0

  e t 1     e t  1   2    e t 
2

M 2  X   G X  t      2 2  D X     1    .Prin
1     e  1 
t 3
t 0


 M ˆ   
urmare, estimatorul este absolut corect:  ˆ   1   
 

P
,deci consistent ˆ    .
 D    0
n
x
Calculul informației Fisher: f  x,    ln f  x,   X ln   1  X   ln1    
1    1 x
 ln f  x,  X 1  X  X   D X  1
   I    M 2    2  sau
  1    1       1      1   
2

 2 ln f  x,  X 1 X X 1  X  M  X   2M  X    2 M  X   1
    I     M 
  
2 

 2
 2
1    2

2
1       1   
2 2
  1 

  1   
conduce la demonstrarea eficienței mediei de selecție: D ˆ 
n

1
n  I  

x3
4.Estimaţi parametrul repartiţiei date prin F  x   1  e   , x  0 .
Soluţie:Cum prin metoda momentelor se obțin estimatori consistenți
x3
x3  x3 t  k
3x 2   3   k
 k
f  x  e , x  0  M k  X    x k  2 e  dx   t  3 e dt   3 1    mk
t *

  0 0  3
3
 
 
*
 3mk  ~
 ˆk  k
 k 
. Pentru k=3, devine:   m3* ,e.v.m. Funcţia de verosimilitate este:
 k  
 3
1 n 3
3x 2  kn
3
x3 n n   xk
1 n 3
L x1 , x2 ,..., xn ;   ln  k e   ln   xk2 e  xk  ... 
 k 1
  n ln  
k 1    k 1  k 1
 L x1 , x2 ,..., xn ;  n 1 n
   2  xk3  soluţia ecuaţiei de verosimilitate este   m3* .
~

   k 1
Acest estimator este nu numai consistent, ci ṣi eficient.
 n 
  X k3 
M  m3*  M  X k3  M 3  X    2   
n
 M  k 1  1
Într-adevǎr  n  n k 1
, deci nedeplasat.
 
 
 n 
  X k3 
M X   M X  M X   M  X 
3 2 3 2
D X 3 
D  m3*   D X  
n
 D k 1  1 3

2 6 3
 0
 n  n2 k 1
k
n n n
 
 
 2  3   2  2
 m3*   (este estimator consistent). Mai mult, cum D m3  
P
*
 este
n n
1   ln f  x,   
suficient de demostrat cǎ I    2 . Dar, informația Fisher I    M 2  
   
 1 X  1 D X 
 M 2    2   4 M 2  X 3    
3 3
1
 2 .
      
4

Observație: Calcaul mediei ṣi dispersiei e.v.m. ~ X 3

k
conduce la calculul mediei
  k 1

n
~ D Y 
~ ~
și dispersiei v.a. Y  X 3 , e.v.m. fiind   Y  M   M  Y  , D  
n
 
. Cum  
3

     
x3
 3

FY  x   P X ,  x  P X  x  FX x  f Y  x  
3 3
fX x 
33 x 2  
1
e  3 1
33 x 2 33 x 2 
~
2n 2 n
Y  exp    M  Y    , D Y    . Mai mult, cu ajutorul statisticii S 
2
  Yk
  k 1
se poate determina un interval de ȋncredere cu probabilitate confidențialǎ 1   pentru
parametrul  .
5.Se consideră populaţia a cărei caracteristică este dată prin v.a. X având funcţia de
1  3 x  2 x   x 1 4 x 
frecvenţă p  x,     5  2  2   1 2 , x  1,2,3 şi   1, 52  .
3
a). Determinaţi estimatorul de verosimilitate maximă al lui  .
b). Calculaţi estimaţia pentru selecţia de volum 10: x1  x7  x9  x10  3, x3  1 şi
xk  2, k   2,4,5,6,8 ; c). Determinaţi un estimator prin metoda momentelor.
n n
1 1 1
Soluţie: P x1 , x2 ,..., xn ;   n  5  2  2    2
 3 x k  2  x k   x k 1 4  x k 
k 1   1 k 1 
3
L x1 , x2 ,..., xn ;   n ln 3   6  5 X  m2*  ln 5  2    3 X  4  m2*  ln   1 
n n
2 2
 L 6  5 X  m2* 3 X  4  m2*
ecuaţia de verosimilitate 0  conducând la e.v.m.
 5  2 2  2
3m*  5 X  8 1 4 3  5 2 1 4 9  5 4
*  2 X   2,3; m2*   5,7 ,
4 X  1 . În situaţia b). 10 10
3  5,7  5  2,3  8 13,6
deci     2,61 .
*

4  1,3 5,2
 1 2 3 
 5  2   1   1   mk*  5  2   2  3   1  ~  X
k k
c). repartiţia v.a. X :
  3
 3 3 3 
mk*  1
caz particular pentru ˆ  1  3
2k  3k  2

1. Presupunem că venitul anual al unui salariat bugetar ales la întâplare este o v.a.X cu
1
densitatea f  x    e   ln  x  x0    , x  x0 , unde x0 reprezintă venitul minim
2

  x  x0 
garantat. Studiaţi proprietăţile estimatorului de verosimilitate maximă ale parametrului

şi construiţi un interval de încredere 95% pentru parametrul  .
n

1    ln  x k  x0    2
Soluţie:
P x1 , x2 ,..., xn ;   n n
e k 1
, deci ecuaţia de
     xk  x0 
2
k 1
verosimilita-
n

te maximă
L n
 0  2  ln  xk  x0      0 are ca soluţie e.v.m. ˆ  ln X k  x0 
.
 k 1  k 1
n
Considerând v.a. Y  ln X  x0   ˆ  Y ,avem de analizat proprităţile mediei de selecţie a
unei populaţii caracterzată de v.a.Y. Dar FY  x   P ln X  x0   x   P X  x0  e 
x
 
FY  x   F  x0  e x   fY  x   e x  f  x0  e x  
1  1   1 
 e   x    Y  N   ,   ˆ  N  ,
2
E
  2  2n 


vident M ˆ   , D ˆ 
1
  2n
 0 ,deci ˆ este un estimator absolut corect
ˆ 
    .
 
P

Mai mult, 2n ˆ     Z  N  0,1 , deci pentru stabilirea intervalului de încredere,

 1,96 ˆ 1,96 
inecuaţia 
2n ˆ     z 0, 975 conduce la I  ˆ  ,   , utilizând
 2n 2n 
  2 ln fY  x,  
z0 , 975  1,96 . A rămas de stabilit eficienţa : I      M    2 căci
  2 
 ln fY  x, 
 2 x    .

 1 1
   ln fY  x,  
 D ˆ . Cerinţă: calculaţi I    M 2 
Prin urmare    2  şi
n  I    2n   
  
D X   e 2 e  e , încercând rezolvarea prin metode alternative.
2.Estimaţi prin metoda verosimilităţii maxime parametrul repartiţiei Ra   şi construiţi
un interval de încredere cu probabilitatea confidenţială 0,95 pentru parametrul  ( utili-
2nm2*
zând repartiţia statisticii ), pentru selecţia de volum 10 cu: x1  x3  x9  2 ; x2  1

;
`1
x4  x6  x8  x10  3 şi x5  x7 
2
1 n 2
x2 n  
Soluţie: f  x;    2 xe  , x  0  P x1 , x2 ,..., xn ;     2 
 n xk

x e
 k 1
k 
   k 1
n
1 n
L n 1 n
L x1 , x2 ,..., xn ;   n ln 2  n ln    ln xk  x 2
    2  xk2 . Soluţia
k 1  k 1
k
   k 1
 2L n 2 n 2
acestei ecuaţii este   m2* , care este e.v. m. întrucât    xk , deci
 2  2  3 k 1
 n

 2 xk2  
 L * 2 n n
 
2
1   n
m2  n  k 1*  0 . Statistica dată: S    Yk , unde
 2  
* 2 
m2

m2 

m2*   2
 k 1
 
2 2  x   x 
v.a.i. Yk  X k . Cum FY  x   P  Y  x   P X    FX   , avem succesiv:

  2   2 
 1  x  2  1 x  2x
fY  x   f   e  Y  exp 2  Y  t   1  2it 
1
  
2 2 x  2   2 2 x 2
 10

 2 xk2 
  S  t   1  2it   P  92, 0, 025  k 1   92, 0,975   0,95    I
n
 S   22n  

 
 
 10 2 10

 2  x k 2  xk2 
unde I   k21 , k21  . Cum
  9 , 0 , 975  9, 0, 025 
 
10
 100 100 
x
k 1
2
k  50,  92,0 ,025  2,7,  92, 0,975  19  I   ,
 19 2,7 
.

3.Stabiliți intervale de ȋncredere cu probabilitate confidențialǎ 0,99 pentru parametrul

repartiției:
1
1 1
i). f  x,    x  , x  1,  0 ȋn cazul datelor de selecție

 x
ii). p x,    , x  N ,   0 ȋn cazul unei selecții de volum mare.
1    1 x
2nˆ 2 n 2 n
Soluţie:i).Statistica S     ln X k    Yk   S  t    n2  t  .
  k 1  k 1 
Y

x
2   x   x    x  1   2
Dar F2  x   P Y  x   P Y    FY    f 2  x   f Y    e 

Y     2   2  
Y 2  2   2
x
1  2
 f 2  x   e 2  Y  exp 2   2  t   1  2t    S  t   1  2t   S   22n
1 n


Y 2  
Y

 
Intervalul de ȋncredere cerut se va afla din P  2   S   2    1 

2 n ,1
 2n, 2 2 
 n n

2 n  2 


2   ln X k 2   ln X k 
I
   ln X k     ,      
2 k  1
, k  1

 k 1  2  2  
 2 n , 2 2 n ,1 2   2 n ,1 2 n, 
 2 2

Probleme de estimare
cu indicații

1. Fie X 1 , X 2 ,... X n o selecţie de volum n extrasă dintr-o populaţie N  m,   . Arătaţi că

 n Xk  m
statistica U   n este un estimator nedeplasat pentru  .
2 k 1
 n
 M  Yk  ; X k  N  m,    Yk  N  0,   .
1
Ind: Dacă Yk  X k  m , atunci M U  
not

n 2 1
x2
 x2  x2 y
Deci M U     1  x  e 2 2 dt  2  x  e 2 2 dx   .
2
  2

2  2    2 0
2. Determinaţi estimatorul de verosimilitate maximǎ cu ajutorul unei selecţii
1
X 1 , X 2 ,..., X n asupra unei repartiţii uniforme discrete p N  k   , k  1,2,..., N .
N
1
Ind : Funcţia de verosimilitate este: L k1 , k2 ,..., k n ; N   , 1  max k1 ,..., k n   N 
Nn
Nˆ  X 1 , X 2 ,..., X n   max X 1 , X 2 ,..., X n  , pentru cǎ dacǎ luǎm drept e.v.m.   N̂ ,
atunci
1 1
Pˆ  k1 , k 2 ,..., k n   0 , iar   Nˆ  Pˆ  k1 , k 2 ,..., k n   ˆ n  ˆ n  PNˆ  k1 , k 2 ,..., kn  .
 N
3. Pentru o selecţie repetată de volum n extrasă dintr-o populaţie cu caracteristica
Pa   ,   , determinaţi e.v.m. al lui a).  cunoscând  ; b).  cunoscând  ;c) estimaţi
ambii parametrii prin metoda momentelor (pentru   2 ).
  1
  n
n

Ind: f  x; ,     1
, x    L  x1 , x 2 ,..., x n ;  ,     n
  
  xk  , x1 ,..., x n   .
x  k 1 
 L x1 , x 2 ,..., xn ; ,  
  1
 n 
a).  n n 1   n   x k  , min xk    funcţia de
  k 1 
n
ˆ 
verosimilitate este crescătoare, deci e.v.m. ˆ  min xk ; b).
n
.c).
 ln x
k 1
k  n ln 
 
          2
M  X     dx  M 2  X     1 dx 
 
 x   1  ;  x 2 

x 1    1 
x 2   2
 
 X
 1     2
  1
 D X    2    
2  2 ,deci: 

   2    1     2    1 S 2   2
    2   1 2
X2 ~  1 S 1 S 2  X 2
S2     S  S 2  X 2 ;~  X 1    ~  X 
    2   S  S2  X 2
4. Estimați prim ambele metode, parametrii repartițiilor discrete i)
X  Fs  p   p k  p1  p  , k  N * , p   0,1 ; ii). Po c  , c constantǎ datǎ.
k 1

1 1 1
Indicație:i).  x 
k
  kx k 1   X  Fs p   M  X   ,deci, prin
k 0 1 x k 1 1  x  2
p
1 1
metoda momentelor X  p  pˆ  X , care se dovedește a fi e.v.m.

 k 1
  e 
  k  1 !
 pentru j  1
 k 1
k  2  k  2
ii). M j  X   k j 
e   e     2   pentru j  2 
k 1 k!  k 1  k  2 !
 3   k 3
 e   k  3!  3   pentru j  3
2

 k 3

aplicând metoda momentelor, pentru diferite momente, obținem estimatorii consistenți:

2    m2*  0 , adicǎ   1  4m2  1

*
~
ˆ  X ,   s 2 sau  soluția pozitivǎ a ecuației
2
sau  unica soluție realǎ a ecuației   3    m  0 , aceṣtia diferind ca eficiențǎ.
3 2 *
3

4   4  4  2 4  4  3 4
Cum D S  
not
2
2 2
 3
, unde  4  X i    4 , notând
n n n
 M  Yi   0 2 2
 n 2  n 2 2
Yi  X i  m   D Yi     n S    X i  m   n X  m      Yi  nY  
2 2 4 2

M  Y     i 1   i 1 
 4 i 4
 n
2 n  1  n 
  Yi 4   Yi 2Y j2    Yi 4   Yi 2Y j2   2  3 Yi 2Y j2   Yi 4  
i 1 i j n  i 1 i j  n  i j i 1 
 n 2 M  S 4   n 4  n n  1 4   n n  1 4  n 4   2  3n n  1 4  n 4  
2 1
n n
2
3   4  n 1  4
     1
n
  
D S 2  M 2 S 2  M 2 S 2   n  2    4   n  1  n  2    2  
n n
  
   n 
 1 
  n  2   24   n  1 3  n   3 . Deci
~ˆ  M  X   M  X    , adicǎ ambii
4 M
 n n n     M  s   D X   

M
2

D X  
estimatori sunt nedeplasați, dar Dˆ   D X    ; D   D s  
~   2
2 4 2

n n n

2  22
n n  1
 
, unde  2  D X    ,  4  M  X     M 4  X   4M 3  X   62 M 2  X  
4

 34  4  63  72    4  3  32     62  2     34   1  3  

~
 
D  
 22
n
  X
 D ˆ . ii).Pentru repartiția Po  c  : X  c  s 2  1  , 2 
n 1
s2
c c
reprezintǎ estimatorii obținuți cu ajutorul metodei momentelor folosind media , respectiv
 X
dispersia de selecție. Prin metoda verosimilitǎții maxime , e.v.m. este eficient   .
c
x3
5. Estimaţi parametrul repartiţiei date prin F  x   1  e   , x  0 și determinați un interval
de ȋncredere pentru parametrul  .
x3
2 x3  x3 t  k
Ind; f  x   3x e  , x  0  M k  X   3 x k  2 e  dx 
   k
 k
  t  3 e dt   3 1    mk
t *

  0 0  3
3
 
 
 3m *
 ~
 ˆ  k k
 k 
, estimator consistent. Pentru k=3, devine:   m3* ,e.v.m., estimator
 k  
 3
P
care este nu numai consistent, ci ṣi eficient: nedeplasat și m3*   ( consistent)
 n   n 
  X k3    X k3 
M m  M  X k3  M 3  X    2    D m 
n
 M  k 1  1  D k 1 
*
3
 n 
 n k 1 ;
*
3
 n 
   
   
M 2  X 3   M 2  X 3  M 6  X   M 32  X  D X 3 

1 n
 k
n 2 k 1
D  X 3
 
n

n

n
 0 ; D  m *
3  
2
n
. Este

1   ln f  x,   
suficient de demostrat cǎ I    2 .Dar, informația Fisher I    M 2  
   
  1 X3 1
 M 2    2   4 M 2 X 3   
D X3
 1
  
 2 . Pentru calcaul mediei ṣi dispersiei e.v.m.
      
4

~
X 3
k
este suficient de calculat media ṣi dispersia v.a. Y  X 3 , e.v.m. fiind
  k 1

n
~
~ D Y 
~ ~
 
  Y  M   M Y , D  
n
 
,iar cu ajutorul statisticii S 
2n

2 n
  Yk se
 k 1
poate determina un interval de ȋncredere cu probabilitate confidențialǎ 1   pentru  .
3

    x  f  
x3

FY  x   P X  x  P X  x  FX
3 3 3
Y  x  1
fX 3
x 
1 33 x 2 
e 

33 x 2 33 x 2 
Y  exp    M  Y    , D Y    2 .
6. Estimați prin cele douǎ metode, parametrii repartițiilor continue:
i). f  x    2 xe x , x  0,  0 .
1
1    2
ii). f  x   x , x   0,1 ,  0

7. Se consideră populaţia a cărei caracteristică este dată prin v.a. X având funcţia de
1  3 x  2 x   x 1 4 x 
frecvenţă p  x,     5  2  2   1 2 , x  1,2,3 şi   1, 52  .
3
a). Determinaţi estimatorul de verosimilitate maximă al lui  .
b). Calculaţi estimaţia pentru selecţia de volum 10: x1  x7  x9  x10  3, x3  1 şi
xk  2, k   2,4,5,6,8 ; c). Determinaţi un estimator prin metoda momentelor.
3m2*  5 X  8
n n
1 1

1

Ind: L x1 , x2 ,..., xn ;   n  5  2  2 k 1   1 2 k 1
 3 xk  2  xk   xk 1 4 xk 
 
*

3 4 X  1
1 43  5 2 1 4  9  5 4 3  5,7  5  2,3  8 13,6
X   2,3; m2*   5,7   *    2,61
10 10 4  1,3 5,2
 1 2 3 
  1   1   mk*  5  2   2  3   1  ~  X
k k
c). repartiţia v.a. X :  5  2
  3
 3 3 3 
mk*  1
caz particular pentru ˆ  1  3 .
2k  3k  2
8. Pentru a testa viteza de absorbţie pe piaţa a unui nou produs, firma producătoare pune
în vânzare prin 9 magazine loturi identice care se epuizează după cum urmează:
Magazin i 1 2 3 4 5 6 7 8 9
Nr de zile 51 54 49 50 50 48 49 50 49
Să se estimeze printr-un interval de incredere 95% dispersia numărului de zile în care se
epuizează produsul, cunoscând cuantilele  0, 025,8  2,18 , t0 , 05,8  2,306 ,
 0, 025,10  3,25 ,  0, 975,10  20,5 şi  0 , 975,8  17,5 .
Soluţie: Vom construi intervalul de încredere 95% pentru dispersia  2 a numărului de
48  3  49  3  50  51  54
zile în care se epuizează produsul. Avem: X   50 şi
9
 
 50  48 2  3   50  49 2   51  50 2   54  50 2   n  1 s  n  1 s 
2 2

 3.    2
2
s2  ,
8  2  
 n 1,1 2

n 1,
2 


   24 24 
  0,95    0,05   0,025;1   0,975   2   2 , 2  ,utilizând doar
2 2   0, 975;8  0, 025;8 
prima şi ultima cuantilă dată.
8.(bis) Pentru a testa viteza de absorbţie pe piaţa a unui nou produs, firma producatoare
pune în vânzare prin 12 magazine loturi identice care se epuizează după cum urmează
Nr magazin 1 2 3 4 5 6 7 8 9 10 11 12
Nr zile 7 6 8 6 6 7 7 6 9 8 7 7
Să se estimeze printr-un interval de încredere 90% viteza cu care este absorbit pe piaţă
produsul, cunoscând cuantilele  0, 025,11  21,9 , t0,1,11  0,129 , t 0,95,11  2,201 ,
t0 ,95,12  2,179 şi t0 ,9 ,11  1,812 .