T1 - Master - Principalele - Repartitii Clasice

Statistica computat, ională
masterat
Tema 1. Principalele repartit, ii clasice
Titularul cursului: conf. univ. dr. Marusic Galina

STATISTICA COMPUTAŢIONALĂ
Facultatea Calculatoare, Informatică şi Microelectronică

Ciclul de studii II, studii superioare de master
Programul de master Tehnologii Informaţionale;
Managementul Aplicaţiilor Informaţionale
UTM
Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 2 / 49

Statistica computaţională:
• interfat, a dintre statistici s, i informatică;
• domeniul s, tiint, ei computat, ionale privind s, tiint, a matemaică a statisticilor;
• se află în curs de dezvoltare.
UTM

Obiectivul general: însuşirea celor mai importante metode de calcul utilizate în Statistica
Matematică.
Obiectivele specifice:
• Cunoaşterea metodelor computationale moderne folosite în statistici, în special metode
de simulare, estimare s, i vizualizare a datelor statistice;
• Înţelegerea rolului calcului computational ca un instrument de analiză statistică a datelor;
• Aplicarea în mod corespunzător metodologiilor computat, ionale în rezolvarea problemelor
de statistică;
• Rezolvarea problemelor economice şi inginereşti folosind metode matematice, metode
statistice şi tehnici informatice;
• Aprofundarea şi aplicarea cunoştinţelor la identificarea şi analiza tendinţelor de
dezvoltare, a metodelor de procesare, de modelare şi de utilizare a aplicaţiilor din
domeniul informaticii aplicate;
• Analiza cerinţelor pieţei şi tendinţelor contemporane privind dezvoltarea produselor soft
din domeniul informaticii aplicate. UTM

Statistica:
• o ştiinţă care cu ajutorul teoriei probabilităţilor studiază fenomenele şi procesele din
societate, natură etc. din punct de vedere cantitativ în scopul descrierii acestora şi al
descoperirii legilor care guvernează act, iunea lor;
• obţine informaţii relevante din datele disponibile într-un volum suficient de mare;
• oferă suport pentru fizică, biologie, psihologie, economie, sociologie etc.
• este foarte utilă atunci când relaţiile deterministe referitoare la evenimentul studiat sunt
imposibil ori foarte dificil de aflat;
• o parte matematică a ştiinţei ce se referă la colectarea, interpretarea/explicarea şi
prezentarea datelor.
UTM

Principalele distribut, ii (repartiţii) clasice şi modelarea lor
matematică
Legi clasice de probabilitate (repartiţii) ale variabilelor aleatoare discrete:
• Repartiţia binomială;
• Repartiţia hipergeometrică;
• Repartiţia geometrică;
• Repartiţia binomială cu exponent negativ;
• Repartiţia multinomială;
• Repartiţia Poisson.
Cristian Niculescu, Probabilităţi şi statistică, pag. 33 - 47

UTM

Repartiţia binomială
• repartit, ie discretă;
• are loc atunci când efectuăm un experiment de succes / es, ec de n ori cu probabilitatea p
pentru succes.
• Fie avem făcută o succesiune de n probe Bernoulli. Vom examina repartit, ia unei variabile
aleatoare X , care reprezentâ numărul de succese din succesiunea de n probe Bernoulli
s, i este o variabila aleatoare discretă care ia valorile 0, 1, 2,. . . ,n.
Funct, ia masă de probabilitate (probabilitatea de a avea k succese în n probe)
p X (k ) = Cnk pk qn − k
unde:
n!
Cnk =
k!(n − k )!
este numărul de moduri în care k succese se pot întâmpla în n probe;
pk qn − k
UTM
este probabilitatea asociată cu fiecare mod
Repartiţia binomială (continuare)
• O variabilă aleatoare X având repartit, ie binomială se notează
X ∼ B(n, p)
• Media lui X
m X = np
• Variant, a sau dispersia lui X
σX2 = npq
UTM

Exemplu
Se aruncă un zar corect de 10 ori. Fie X numărul de apariţii ale feţei 6. Să se calculeze:
• P ( X = 2)
• P ( X ≥ 3)
• P (3 < X < 5)
• P ( X ≤ 8)
• m X - media lui X
• σX2 - dispersia lui X
UTM

Rezolvare
1
X ∼ B(10, )
6
în limbajul R vom folosi funct, iile dbinom s, i pbinom
• P( X = 2) = p X (2) = C1 20 ( 16 )2 ( 56 )10 − 2 ≈ 0.29071
• P( X ≥ 3) = 1 − P( X ≤ 2) = 1 − FX (2) ≈ 0.2247732
• P(3 < X < 5) = P( X = 4) = C1 40 ( 16 )4 ( 65 )10 − 4 ≈ 0.05426588
UTM

Rezolvare (continuare)
• P( X ≤ 8) = FX (8) ≈ 0.9999992
• E( X ) = 10 · 1 5
6 = 3
• σX2 = 10 · 16 · 5
6
UTM

Repartiţia hipergeometrică
Fie Z – o variabilă aleatoare care reprezintă numărul de bile negre care sunt extrase când un
es, antion de m bile este extras (fară revenire) dintr-un lot de n bile, unde: n1 bile negre, n2 bile
albe,
( n1 + n2 = n )
.
• Funct, ia masă de probabilitate a variabilei aleatoare Z:
Cn 1k · Cn − n 1m − k
p Z (k) = k = 0, 1, ..., min(n1 , m)
Cnm
• Media lui Z:
mn1
mZ =
n
• Variant, a sau dispersia lui Z:
mn1 (n − n1 )(n − m)
σZ2 =
n2 ( n − 1) UTM

Exemplu
În rezultatul evaluării s-a depistat că într-o gramadă de 100 de mere, 10 sunt stricate. Se aleg
3 mere la întâmplare. Fie Z numărul de mere stricate extrase. Să se calculeze:
• P ( Z = 2)
• P ( Z ≥ 3)
• media lui Z
• dispersia lui Z.
Rezolvare: Z are repartit, ie hipergeometrică, m = 10, n = 90, k = 3
C1 20 ·C9 30 − 2 45·90
• P ( Z = 2) = p Z (2) = = ≈ 0.02504638
C10 30 161700
• P( Z ≥ 3) = 1 − P( Z ≤ 2) = 1 − FZ (2) ≈ 0.000742115
UTM

P( Z ≥ 3) poate fi calculată s, i în modul următor:
• P( Z ≥ 3) = P( Z = 3) = p Z (3) ≈ 0.000742115
• media lui Z : 3·10

mZ = 10+90 = 0.3
3·10·90(10+90−3)
• dispersia lui Z: σZ2 = (10+90)2 (10+90−1)
≈ 0.2645455
UTM

Repartiţia geometrică
Fie X – o variabilă aleatoare discretă, având ca valori toate numerele naturale s, i care
reprezintă numarul de probe Bernoulli până la (s, i incluzând) prima aparit, ie a succesului.
• Funct, ia masă de probabilitate a variabilei X :
∩ ... ∩ F} ∩S) = P( F ) P( F )...P( F ) ∩ P(S) = qk p = p(1 − p)k
px (k ) = P(|F ∩ F {z
| {z }
k k
k = 1, 2, ...
• Media lui X :
∞ ∞ ∞
1− p
E( X ) = ∑ kqk p = p( ∑ (k + 1)qk − ∑ qk ) = p
k =0 k =0 k =0
UTM

Repartiţia geometrică (continuare)
• Dispersia lui X :
Exemplu: Se aruncă un zar corect. Fie X numărul de aruncări până la (exclusiv) prima
aparit, ie a lui 6. Să se calculeze:
• P ( X = 2)
• P ( X ≥ 3)
• P (3 < X ≤ 5)
• P ( X < 8)
• media lui X
• dispersia lui X
UTM

Rezolvare
1
Rezolvare: X are repartit, ie geometrică cu parametrul p =
6
• P( X = 2) = p X (2) = ( 56 )2 · 1
6 = 25
216 ≈ 0.1157407
125
• P( X ≥ 3) = 1 − P( X ≤ 2) = 1 − FX (2) = 1 − (1 − (1 − 16 )2 + 1 ) = ( 56 )3 = ≈
216
0.5787037
• P(3 < X ≤ 5) = P( X ≤ 5) − P( X ≤ 3) = FX (5) − FX (3) ≈ 0.1473551
• P( X < 8) = P( X ≤ 7) = FX (7) ≈ 0.767432

UTM

1− 61
• media lui X : E( X ) = 1
6
1− 16
• dispersia lui X : σX2 = ( 16 )2
UTM

Repartiţia binomială cu exponent negativ
Fie X – o variabilă aleatoare care reprezintă numarul de probe Bernoulli necesare pentru
aparit, ia celui de-al r-lea succes (este dat).
• Funct, ia masă de probabilitate a variabilei X :
p X (k ) = Ckr− 1 r k −r
−1 p q , k = r, r + 1, ...
• Media lui X :
r
mX = −r
p
r (1 − p )
σX2 =
p2
UTM

Exemplu
Se aruncă un zar corect. Fie Y numărul de aruncări diferite de 6 până la a treia aparit, ie a lui 6.
Să se calculeze :
• P (Y = 2 )
• P (Y ≥ 3 )
• P (3 ≤ Y < 5)
• P (Y < 8 )
• media lui Y
• dispersia lui Y
UTM

Rezolvare
1
Y ∼ NB(3, )
6
UTM

Deoarece P(Y ≥ 3) = 1 − FY (2), în R această valoare se obt, ine:
UTM

3
mY = 1 − 3 = 15
6
3(1− 16 )
σY2 = ( 16 )2
= 90
UTM

Repartiţia multinomială
Fie Xi - variabila aleatoare, i = 1, 2, ..., r reprezinta numărul de Ei într-o succesiune de n

probe, iar Ei - probele Bernoulli efectuate.
• Funct, ia masă de probabilitate comună a lui X1 , X2 , .., Xr :
n!
p X1 X2 ...Xr (k1 , k2 , ...kr ) = pk1 pk2 ...prkr
k1 !k2 !...kr ! 1 2
unde k j = 0, 1, 2...; j = 1, 2, ..., r; şi k1 + k2 + ... + k r = n
• Media lui: m Xi = npi
• Dispersia lui: σX2 = np1 (1 − pi )

i
UTM

Exemplu
Se aruncă un zar corect de 10 ori. Aflat, i probabilitatea ca să obt, inem de i ori i, pentru
i ∈ 1, 2, 3, 4 s, i niciodată 5 sau 6. Fie Xi numărul de aparit, ii ale lui i în 10 aruncări,
• Avem o repartit, ie multinominală cu r = 6, n = 10, pi = 61 , ∀i ∈ 1, 2, ..., 6

• Probabilitatea este
UTM

Repartiţia Poisson
Considerăm problema sosirii pasagerilor la o stat, ie de autobuz într-un interval de timp
specificat. Fie X (0; t) - numărul de sosiri din intervalul de timp [0; t); X (0; t) - o variabilă
aleatoare discretă luând valori posibile 0, 1, 2, ..., iar repartit, ia ei depinde de t.
• Variabila aleatoare X este repartizată Poisson de parametru λ (λ > 0) dacă are masa de
probabilitate:
λk e−λ
p x (k) = ,k ∈ N
k!
• Media lui X (0; t):
∞ ∞ ∞
kλk λ k −1
E( X (0, t)) = ∑ kpk (0, t) = e−λ ∑ k!
= λe−λ ∑
( k − 1 ) !
= λe−λ eλ = λ
k =0 k =0 k =0
• Dispersia lui X (0; t):
σX2 (0,t) = E( X 2 (0, t)) − [ E( X (0, t))]2 = λ

UTM

Exemplu
Fie X repartizată Poisson de parametru λ, unde λ = 9.

Să se calculeze: P( X = 2), P( X ≥ 3), media s, i dispersia lui X.
Rezolvare
•
UTM

Principalele distribut, ii (repartiţii) clasice
Legi clasice de probabilitate (repartiţii) ale variabilelor aleatoare continue:

• Repartiţia uniformă
• Repartiţia Gaussiană sau normală.
• Repartiţia lognormală
• Repartiţia gamma
• Repartiţia beta
Cristian Niculescu, Probabilităţi şi statistică, pag. 48 - 73
UTM

Repartiţia uniformă
Fie X - o variabilă aleatoare continuă, care are repartit, ie uniformă pe un interval de la a la b

(b > a), (este egal probabil să ia orice valoare din acest interval).
• Funct, ia de repartit, ie:


0,
 dacă x < a;
x−a
FX ( x ) = , dacă x ∈ [ a, b]
 b− a
1, dacă x > b

UTM

Reprezentarea grafică a funct, iei de repartit, ie
UTM

• Densitatea lui X: (
1
b− a , dacă x ∈ [ a, b],
f X (x) =
0, altfel
• Media lui X :
Z∞ Za Zb Z∞
x x2
mX = x f X ( x )dx = 0dx + dx + 0dx = 0 + |b + 0 =
b−a 2( b − a ) a
−∞ −∞ a b
b2 − a2 a+b
= =
2( b − a ) 2
UTM

Z∞ Za Zb Z∞
1
σX2 = 2
( x − m X ) f X ( x )dx = 0dx + 2
( x − m X ) dx + 0dx =
b−a
−∞ −∞ a b
˙ X )3
1 (x − m ( b − m X )3 − ( a − m X )3
= 0+ |ba + 0 =
b−a 3 3( b − a )
(b − a)[(b − m x )2 + (b − m X )( a − m X ) + ( a − mX )2
=
3( b − a )
1 b−a 2 b−a 2 b−a 2 ( b − a )2
= [( ) −( ) +( ) ]=
3 2 2 2 12
UTM

Exemplu
Fie X repartizată uniform pe intervalul [0,10]. Să se calculeze:

• P ( X = 2)
• f X (2)
• P ( X ≥ 3)
• P (3 < X ≤ 5)
• P ( X < 8)
• media lui X
• dispersia lui X
UTM

Rezolvare
UTM

UTM

Repartiţia Gaussiană sau normală
• Cea mai importanta repartit, ie în teorie s, i practică.
• Fie X – o variabilă aleatoare. X ∼ N (m, σ2 ).
• Densitatea de repartit, ie:
( x − m )2

1
f x (x) = √ exp − , −∞ < x < ∞; m > 0; σ > 0
σ 2π 2σ2
( u − m )2
Z x
1
Fx ( x ) = √ exp − du, −∞ < x < ∞; m > 0; σ > 0
σ 2π −∞ 2σ2
• Calcul de probabilităt, i:
( x − m )2
Z b
1
P( a < X ≤ b) = √ exp − dx = FX (b) − FX ( a), a, b ∈ R; a < b
σ 2π a 2σ2 UTM

Repartiţia Gaussiană sau normală (continuare)
• Media lui X :
UTM

Exemplu
Fie X ∼ N (3, 9).

Să se calculeze P(−3 < X ≤ 6).
Rezolvare:
P(−3 < X ≤ 6) = FX (6) − FX (−3) = 0.8185946
În limbajul R:
UTM

Repartiţia lognormală
Vom considera Y = X1 X2 ...Xn Vom determina repartit, ia lui Y când n devine mare, iar
variabilele aleatoare X j , j = 1, 2, ..., n pot lua numai valori pozitive.
Variabila aleatoare Y = e X are repartit, ie lognormală dacă X este o variabilă aleatoare cu

repartit, ie normală.
ln y − ln θY

1 y
FY (y) = FU ( ) = FU ln , y>0
σ ln Y σ ln Y θY
UTM

Repartiţia lognormală
• Densitatea lui Y:
( 1√
yσX 2π
exp[− 2σ12 (ln y − m X )2 ], pentru y > 0
f Y (y) = X
0, altfel
parametrii m X şi σX care apar în densitatea lui Z sunt media şi deviaţia standard a lui X,
sau ln Y , dar nu ale lui Y
• Deviaţia standard a lui Y: σX = σlnY unde medianele lui X şi Y sunt notate cu θ X ,
respectiv θY .
În termeni de θY şi σln Y , media şi dispersia lui Y sunt:
σ2
• mY = θY exp( ln2 Y )
• σY2 = mY2 [exp(σln
2 ) − 1]
Y
UTM

Exemplu
Fie Y repartizată lognormal

X = ln Y ∼ N (3, 1)
Să se calculeze:
• f Y (2)
• P (Y ≥ 3 )
• P (3 < Y < 5)
• P (Y ≤ 8 )
• media lui Y
• dispersia lui Y
UTM

Rezolvare
UTM

• σY2 = mY2 [exp(σln

2 ) − 1] = exp (7)[ exp (1) − 1] = exp (8) − exp (7)
Y
UTM

Repartiţia gamma
Fie X - o variabilă aleatoare
• Funct, ia de repartit, ie a lui X :
• Densitatea: (
λη η −1 −λx
Γ(η )
x e , pentru x>0
f X (x) =
0, altfel
• Media şi dispersia variabilei aleatoare gamma repartizate X sunt:
UTM

Exemplu
Fie X repartizată gamma de parametri η = 2, λ = 1 Să se calculeze:
• f X (2)
• P ( X ≥ 3)
• P (3 ≤ X < 5)
• P ( X < 8)
• media lui X
• dispersia lui X
UTM

Rezolvare
UTM

UTM

Repartiţia beta
Numele repartit, iei vine de la funct, ia beta, definită ca:
•
• Densitatea:
( α + β − 1 ) ! α −1
f X (x) = x (1 − x ) β −1 , α, β ∈ N ∗ , 0 < x < 1
( α − 1) ! ( β − 1) !
•
• Funct, ia de repartit, ie pentru α, β ∈ N ∗ :


0,
 pentru x ≤ 0,
Γ ( α + β ) R x α −1 − 1
FX ( x ) = Γ(α)Γ( β) 0 u (1 − u) du, pentru 0 < x < 1
β

pentru x ≥ 1 UTM

1,
Exemplu
Fie X repartizată beta, α = 2, β = 1. Să se calculeze:
• f X (0.5)
• P( X ≥ 0.5)
• media lui X
• dispersia lui X
Rezolvare: Fie Y repartizată binomial cu parametrii n = α + β − 2 = 2 + 1 − 2 = 1,
p = x = 0.5
UTM

T1 - Master - Principalele - Repartitii Clasice

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

T1 - Master - Principalele - Repartitii Clasice

Încărcat de

Drepturi de autor:

Formate disponibile

Statistica computat, ională

Tema 1. Principalele repartit, ii clasice

Titularul cursului: conf. univ. dr. Marusic Galina

Facultatea Calculatoare, Informatică şi Microelectronică

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 2 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 3 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 4 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 5 / 49

Legi clasice de probabilitate (repartiţii) ale variabilelor aleatoare discrete:

Cristian Niculescu, Probabilităţi şi statistică, pag. 33 - 47

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 6 / 49

• O variabilă aleatoare X având repartit, ie binomială se notează

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 8 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 9 / 49

• P( X = 2) = p X (2) = C1 20 ( 16 )2 ( 56 )10 − 2 ≈ 0.29071

• P(3 < X < 5) = P( X = 4) = C1 40 ( 16 )4 ( 65 )10 − 4 ≈ 0.05426588

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 10 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 11 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 12 / 49

Rezolvare: Z are repartit, ie hipergeometrică, m = 10, n = 90, k = 3

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 13 / 49

P( Z ≥ 3) poate fi calculată s, i în modul următor:

• media lui Z : 3·10

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 14 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 15 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 16 / 49

• P(3 < X ≤ 5) = P( X ≤ 5) − P( X ≤ 3) = FX (5) − FX (3) ≈ 0.1473551

• P( X < 8) = P( X ≤ 7) = FX (7) ≈ 0.767432

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 17 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 18 / 49

• Funct, ia masă de probabilitate a variabilei X :

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 19 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 20 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 21 / 49

Deoarece P(Y ≥ 3) = 1 − FY (2), în R această valoare se obt, ine:

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 22 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 23 / 49

Fie Xi - variabila aleatoare, i = 1, 2, ..., r reprezinta numărul de Ei într-o succesiune de n

• Funct, ia masă de probabilitate comună a lui X1 , X2 , .., Xr :

• Media lui: m Xi = npi

• Dispersia lui: σX2 = np1 (1 − pi )

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 24 / 49

• Avem o repartit, ie multinominală cu r = 6, n = 10, pi = 61 , ∀i ∈ 1, 2, ..., 6

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 25 / 49

• Dispersia lui X (0; t):

σX2 (0,t) = E( X 2 (0, t)) − [ E( X (0, t))]2 = λ

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 26 / 49

Fie X repartizată Poisson de parametru λ, unde λ = 9.

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 27 / 49

Legi clasice de probabilitate (repartiţii) ale variabilelor aleatoare continue:

Cristian Niculescu, Probabilităţi şi statistică, pag. 48 - 73

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 28 / 49

Fie X - o variabilă aleatoare continuă, care are repartit, ie uniformă pe un interval de la a la b

• Funct, ia de repartit, ie:

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 29 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 30 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 31 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 32 / 49

Fie X repartizată uniform pe intervalul [0,10]. Să se calculeze:

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 33 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 34 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 35 / 49

Universitatea Tehnică a Moldovei Analiza statistică a datelor Chişinău 2021 36 / 49