Documente Academic
Documente Profesional
Documente Cultură
Rezumat
Teoria probabilităților este o disciplină matematică așa cum este geometria sau analiza.
Ieșită din experiență, ca și aceasta, după ce a dat conceptelor sale – toate de origine
experimentală – o formă riguroasă matematică, ea este acum în măsură să se întoarcă la
experiență pentru a cuprinde și a interpreta întinse categorii de fenomene.
Această introducere are ca scop să prezinte într-o formă elementară și accesibilă
conceptele clasice ale teoriei probabilităților fără să intre într-o analiză matematică profundă. De
altfel, pe baza acestor concepte clasice s-a clădit teoria modernă a probabilităților, care face
obiectul capitolelor 1 – 10.
1. Probabilitatea
Evenimente întâmplătoare – sunt evenimentele pe care le observăm și care pot fi
clasificate în trei categorii: evenimente sigure, evenimente imposibile și evenimente
întâmplătoare.
Precizăm de la început că spre deosebire de înțelesul uzual al termenului de ,,eveniment”,
în teoria probabilităților prin eveniment vom înțelege orice rezultat al unui experiment.
Efectuarea unui experiment presupune realizarea unui complex de condiții S și tocmai această
realizare o vom înțelege atunci când ne vom exprima pe scurt spunând ,,se face un experiment”.
Se numește eveniment sigur un eveniment care se produce în mod obligatoriu la
efectuarea unui anumit experiment. De exemplu, extragerea unei bile albe dintr-o urnă care nu
conține decât bile albe este un eveniment sigur.
Se numește eveniment imposibil un eveniment care nu se produce în mod obligatoriu la
efectuare unui anumit experiment. De exemplu, extragerea unei bile albe dintr-o urnă care nu
conține decât bile negre este un eveniment imposibil.
Se numește eveniment întâmplător un eveniment care poate fie să se producă, fie să nu se
producă la efectuarea unui anumit experiment. De exemplu, apariția feței 6 la aruncarea zarului
este un eveniment întâmplător.
Fiecare eveniment întâmplător – în particular apariția feței 6 la aruncarea zarului este
rezultatul acțiunii multor factori întâmplători ( în exemplul nostru felul în care mișcăm mâna,
particularitățile zarului, poziția zarului în momentul aruncării, particularitățile suprafeței pe care
cade zarul etc.). Din această cauză nu putem spune nimic relativ la producerea unui eveniment
întâmplător într-o singură probă. Dacă însă considerăm evenimente întâmplătoare care pot fi
observate de multe ori în condiții identice ( cu alte cuvinte, evenimente întâmplătoare omogene
de masă), atunci aceste evenimente se supun unor legități determinate, așa-numitele legități
statistice.
Vom numi două sau mai multe evenimente incompatibile, dacă producerea unui dintre
ele exclude producerea celorlalte într-o aceeași probă. De exemplu, apariția feței 6 și apariția
feței 5 într-o aruncare de zar sunt evenimente incompatibile.
Ex 1: Aratati ca :
i)P(A) ∈ [0,1],A∈Ƥ(Ω);
ii)P(Ø)=0
iii)A.B∈Ƥ(Ω),B⊂A⟹Ƥ(A/B)=P(A)-P(B);
iv)(∀)A,B∈Ƥ(Ω)⟹P(A ∪B)=P(A)+P(B)-(A ∩ B).
Rezolvare i) A∩Ƥ(Ω) si k numarul cazurilor favorabile evenimentului A.
Avem 0≤k≤n, si aplicand 1.2.1,obtinem i)
ii)Pentru Ø∈Ƥ(Ω) numarul k al cazurilor favorabile este 0,deci Ƥ(Ø)=0
iii) Fie, A.B ∈ Ƥ(Ω), A={ωi1, ωi2 ,...,ωjs}, B={ωj1 ,ωj2,...ωjs}⊂A.
Multimea A /B contine r-s elemente,si deci: P(A/B)=
r +s−q r s
¿ = − =P ( A )−P( B)
n n n
iv) Fie A={ωi1, ωi2 ,...,ωir}, B={ωj1 ,ωj2,...ωjs}. Evenimentul A∪B={ωk1, ωk2 ,...,ωkq},,
A∪B contine r+s-q cazuri favorabile. Prin urmare:
P
7. Evenimente independente și evenimente dependente
Două evenimente se numesc independente dacă probabilitatea unuia dintre ele nu depinde
de faptul că celălalt eveniment s-a produs sau nu.
Două evenimente se numesc dependente dacă probabilitatea unuia dintre ele depinde de
faptul că celălalt s-a produs sau nu.
9. Probabilitate condiționată
2. Variabile aleatoare
1. Definiția variabile aleatoare
În general se numește variabilă aleatoare o mărime care ăn funcție de rezultatul unui
experiment poate lua o valoare dintr-o mulțime bine definită de valori.
În continuare, vom nota variabilele aleatoare cu literele ξ , η ,… , iar valorile lor posibile în
mod corespunzător cu x1,x2, ... ,xn; y1,y2, ..., ym, ...
Se numește discretă (discontinuă) o variabilă aleatoare care poate lua numai valori
izolate. Numărul valorilor posibile ale unei variabile aleatoare discrete ξ poate fi finit sau infinit.
Noi vom considera aproape fără excepție numai variabile aleatoare discrete cu un număr finit de
valori întrucât trecerea la o infinitate de valori se face automat înlocuind sumele prin serii.
Se numește continuă o variabila aleatoare ale cărei valori posibile umplu un interval finit
sau infinit. Evident, numărul valorilor posibile ale unei variabile aleatoare continue este
întotdeauna infinit.
La prima vedere s-ar părea că pentru a ne da o variabilă aleatoare discretă este suficient
să enumerăm toate valorile posibile pe care ea le poate lua. În realitate nu este așa întrucât mai
multe variabile aleatoare discrete pot avea aceleași valori posibile însă probabilitățile de a lua o
aceeași valoare sunt diferite de la o variabilă aleatoare la alta. De aceea, pentru definirea unei
variabile aleatoare discrete nu este suficient să enumerăm toate valorile ei posibile ci trebuie să
cunoaștem și probabilitățile acestora.
Se numește repartiție a unei variabile aleatoare discrete enumerarea valorilor posibile ale
variabilei aleatoare și a probabilităților corespunzătoarea acestora.
x1 x2 … xn x
ξ:
( )
p1 p 2 … pn ()
pe scurt ξ i , 1≤ i≤ n .
pi
Ținând seama că într-un experiment variabila aleatoare ia una și numai una din valorile
sale posibile, rezultă că evenimentele care constau în aceea că variabila ξ ia valorile x 1 sau x 2...
sau x n formează un sistem complet de evenimente. Prin urmare, suma probabilităților acestor
evenimente este egală cu unitatea p1 + p2+ …+ pn=1.
Să definim acum suma și produsul a două variabile aleatoare. Fie ξ și η doua variabile
aleatoare având respectiv repartițiile
x1 x2 … xn y y … ym
ξ:
( p1 p 2 … pn și ) (
η : 1' 2'
p 1 p2 … p 'm
. )
Să considerăm evenimentul care constă în aceea că ξ ia valoarea x i, 1 ≤ i ≤ n și η ia
valoarea y j, 1 ≤ j ≤ m. Acest eveniment pe care-l notăm ( ξ=x i , η= y j ¿ și care nu este altceva
decât intersecția evenimentelor (ξ=x i ¿ și (η= y j ) costând în aceea că ξ ia valoarea x irespectiv η ia
valoarea y jare o probabilitate bine determinată P(ξ=x i , η= y j ¿= pij .
∑ ∑ p ij=1.
i=1 j=1
( x +p y ) ,1 ≤i ≤ n ,1 ≤ j≤ m .
i
ij
j
xi y j
( )pij
, 1 ≤i ≤n , 1 ≤ j≤ m.
5. Repartiția binomială
n n−1 … k …0
ξ (n ) :
( n n−1 k k n−k
p np q … C n p q … q
n
)
Această repartiție se numește binomială.
Valoarea medie este suficientă pentru rezolvarea multor probleme. De exemplu, dacă se
știe că valoarea medie a numărului de puncte obținute de un trăgător este mai mare decât
valoarea medie a numărului de puncte obținute de un al doilea trăgător, atunci putem spune că
primul trăgător trage mai bine decât al doilea.
Prin definiție, valoarea medie (media) unei variabile aleatoare cu repartiția
x1 x2 … xn
ξ:
( p1 p 2 … pn )
este egală cu suma produselor dintre valorile ei posibile și probabilitățile corespunzătoare. Deci
dacă notăm M(ξ ) media lui ξ , avem prin definiție
n
M ( ξ )=x 1 p1 +…+ x n p n=∑ x i pi
i−1
8. Proprietățile mediei
Fie ξ o variabilă aleatoare și M(ξ ¿ media sa. Să considerăm variabila aleatoare ξ−M ( ξ),
care se numește abaterea variabilei aleatoare față de media sa (pe scurt abatere). Dacă ξ are
repartiția
x 1 x2 … xn
ξ:
( p1 p 2 … pn )
atunci abaterea ξ−M (ξ) are repartiția
x 1−M ( ξ ) x 2−M (ξ)… x n−M (ξ)
ξ−M ( ξ ) :
( p1 p2 … pn )
Se vede că M(
ξ−M ( ξ)¿=( x1 −M (ξ)) p1 +( x2 −M (ξ)) p2 +…+( x n−M (ξ )) pn=x 1 p1 + x 2 p2 +…+ xn pn−M (ξ)( p1 + p2+ …+ pn )=
Acest rezultat ne arată că pentru a măsura împrăștierea valorilor variabilei aleatoare față
de media sa nu putem folosi valoarea mediei a abaterii, aceasta fiind întotdeauna zero. Din
această cauză, ca o măsură a împrăștierii valorilor variabilei aleatoare față de media sa se
folosește dispersia notată cu D2(ξ ¿care prin definiție este valoarea medie a pătratului abaterii
ξ−M ( ξ ) :
D 2 ( ξ )=M ( ξ−M ( ξ ) ) .
Cu alte cuvinte, dispersia este diferența dintre media pătratului variabilei aleatoare și
pătratul mediei variabile aleatoare.
D 2 ( a )=0
Proprietatea 2. Dispersia produsului dintre o constantă a și o variabilă aleatoare ξ este
egală cu produsul dintre pătratul constantei și dispersia lui ξ :
D 2 ( aξ )=a2 D 2 ( ξ ) .
Proprietatea 3. Dispersia sumei a două variabile aleatoare independente este egală cu
suma dispersiilor celor două variabile aleatoare:
2 2 2
D ( ξ+ η )=D ( ξ )+ D ( η ) .
Consecința 1. Dispersia unei sume de variabile aleatoare independente este egală cu suma
dispersiilor aleatoare.
Consecința 2. Dispersia sumei dintre o constantă a și o variabilă aleatoare ξ este egală cu
dispersia lui ξ :
2 2
D ( a+ξ )=D ( ξ ).
Teoremă. Dispersia variabilei aleatoare ξ (n )cu repartiție binomială este egală cu npq.
√ D2 ( ξ ) =D ( ξ ) .
Spre deosebire de dispersie, abaterea medie pătratică se exprimă în aceleași unități de
măsură ca și variabila aleatoare.
În unele probleme este util să cunoaștem valorile momentelor de diferite ordine ale unei
variabile aleatoare ξ . Aceste momente sunt valori tipice ale variabilei aleatoare. Există două
feluri de momente: momente inițiale și momente contrate.
Momentul inițial de ordinul K al variabilei aleatoare ξ este media variabilei aleatoare ξ k
α k =M ( ξ k ) .
În particular
α 1=M (ξ )
α 2=M ( ξ 2) .
Seminar 3
Definiția 1.3.2. Evenimentul sigur înzestrat cu un cord de părți, notat (Ω,K), se numește
câmp de evenimente.
Definiția 1.3.3. O familie K nevidă de părți ale lui Ω se numește corp borelian sau σ -
corp dacă satisface axiomele:
k1) A ∈ K → A c ∈ K ;
¿
k2) An ∈ K , n ∈ N →¿ n=1¿ ∞ An ∈ K .
Propoziția 1.3.2. Orice corp borelian este corp.
¿
Propoziția 1.3.3. Fie K un corp borelian de evenimente. Dacă { A n , n ∈ N } este un șir de
evenimente din K, atunci:
a) ¿ n=1¿ ∞ An ∈ K ;
b) lim ¿ A n ∈ K ;
n→∞
c) nlim
→∞
inf An ∈ K .
Definiția 1.3.4. Evenimentul sigur înzestrat cu un corp borelian de părți se numește câmp
borelian de evenimente, notat (Ω,K).
B 1= A 1
{B k = Ak ∖ i=1 ¿ k −1 Ai , k =2, n ¿
¿
Sunt adevărate următoarele afirmații:
a) Bk ⊂ A k , k =1 ,n
b) Br ∩ Bs=∅ , ( ∀ ) r ≠ s , r , s=1 , n
c) ¿ k =1¿ n¿ ¿ k=1 ¿ n B k ¿
P ( ¿ n=1 ¿ ∞ A n) =lim P( An ).
n→∞
Teorema 1.5.2. Dacă P este o probabilitate σ -aditivă atunci, pentru orice șir descendent
( An )n ∈ N de evenimente din K, are loc egalitatea:
P ( ¿ n=1 ¿ ∞ A n) =lim P( An )
n→∞
Teorema 1.5.3. Dacă P este o probabilitate aditivă cu proprietatea că, oricare ar fi șirul
ascendent ( An )n ∈ N de evenimente din K, are loc egalitatea:
P(nlim
→∞
A n ¿= lim P( A n) atunci P este σ -aditivă.
n→ ∞
Teorema 1.5.4. Dacă P este o probabilitatea aditivă cu proprietatea că, oricare ar fi șirul
( An )n ∈ N descendent de evenimente din K, are loc egalitatea:
P(nlim
→∞
A n ¿= lim P( A n) atunci P este σ -aditivă.
n→ ∞
Teorema 1.5.5. (Inegalitatea lui Boole) Fie { Ai , i∈ I } o familie cel mult numărabilă de
evenimente din K. Are loc egalitatea:
P¿
Corolarul 1.5.1. Fie Ai ∈ K , i=1 , n .Are loc egalitatea:
P¿
Teorema 1.5.6. (Formula lui Poincaré) Fie Ai ∈ K , i=1 , n .Are loc egalitatea:
P¿
14. Funcția de repartiție a unei variabile aleatoare
Am văzut că o variabila aleatoare discretă este caracterizată de repartiția ei. Acest mod de
a ne da o variabilă aleatoare nu este general, el nefiind valabil pentru variabilele aleatoare
continue. Într-adevăr, să considerăm o variabilă aleatoare ξ ale cărei valori posibile umplu un
interval ( a , b )1 . Evident nu se poate să enumerăm toate valorile posibile ale lui ξ . Acest fapt ne
arată că trebuie găsit un mod general de definire a ambelor tipuri de variabile aleatoare. În acest
scop se introduce funcția de repartiție.
Fie x un număr real. Vom nota cu F(x) probabilitatea evenimentului ( ξ <¿ x) care constă
în aceea că ξ ia o valoarea mai mică decât x. Dacă x variază, în general se va schimba și F(x),
adică F(x) este funcție de x.
Funcția F(x) definită ca probabilitatea evenimentului (ξ <¿ x)
F(x) = P(ξ <¿ x)
se numește funcția de repartiție a variabilei aleatoare ξ .
Acum putem da o definiție mai precisă a variabilei aleatoare continue: o variabilă
aleatoare se numește continuă dacă funcția ei de repartiție F(x) este continuă.
Fig. 1.
Trecând la limită când cea mai mare dintre lungimile Δ x 1 , Δ x 2 , … , Δ x n.tinde la zero,
obținem integrala definită
b
∫ xf ( x ) dx .
a
se ajunge la următoarea definiție: media unei variabile aleatoare continue care ia valori în
intervalul (a, b) și a cărei densitatea de probabilitate este f(x) este integrală definită de la a la b
a produsului x*f(x):
b
M ( ξ )=∫ xf ( x ) dx .
a
Prin analogie cu definiția dispersiei unei variabile aleatoare discrete, dispersia variabilei
aleatoare continue ξ este media pătratului abaterii lui ξ :
b
2 2
D ( ξ )=∫ [ x−M ( ξ ) ] f ( x ) dx .
a
f ( x ; m, σ )= e ,−∞< x < ∞
σ √2π
unde m și σ > 0 sunt doi parametri a căror interpretare o vom da în cele ce urmează.
G r a f i
(curba lui Gauss) cu parametrii m și σ .
Toate curbele normale au următoarele
proprietăți comune:
a) Toate curbele admit câte un punct de
maxim, anume x = m, și scad
necontenit la dreapta și la stânga lui
apropiindu-se necontenit de axa
absciselor.
b) Toate curbele sunt simetrice față de o paralelă la axa ordonatelor dusă prin punctul de maxim.
c) Toate curbele
punctului de maxim. În punctele m - σ
ș i m + σ ele își schimbă convexitatea.
Cu cât σ este mai mic, cu atât clopotul
este mai ascuțit iar cu cât σ este mai mare cu atât clopotul este mai turtit. Schimbarea lui m ( σ
rămânând constant) nu revine decât la o translație și deci forma curbei nu se modifică.
2. Repartiția Gama
Repartiția Gama este definită prin densitatea de probabilitate
−m m−1
x x
f ( x )= , 0≤ x <∞ , m> 0.
Γ (m)
După forma sa, ea aparține tipului 3 de curbe Pearson.
Teorema 1. Dacă variabilele aleatoare independente ξ 1 și ξ2 aparțin respectiv claselor
γ ( m1 ) și γ ( m2 ) atunci suma ξ 1 +ξ 2 aparține clasei γ ( m1+ m2 ) .
3. Repartiția Beta
Repartiția Beta este definită prin densitatea de probabilitate
4. Repartiția χ 2
f ( x )= s
x 2 e 2 σ 0 ≤ x <∞
2 σ2 Γ
2
( 2s )
unde s este un număr natural dat numit numărului gradelor de libertate iar σ > 0 un număr dat.
Se verifică imediat că
∞
∫ f ( x ) dx=1.
0
∫ f ( x ) dx=1.
−∞
aparține clasei S( f 1 , f 2) .
Aplicații
Încă de acum 200 de ani, cercetările teoretice au detectat variabile aleatoare cu caracter
de erori accidentale și care au funcții de repartiție de diverse tipuri.
În general, erorile de observație inerente oricărei măsurări sau experiment pot fi de două
feluri:
- erori sistematice;
- erori accidentale.
Prin erori sistematice se înțeleg erori datorite imperfecțiunii aparatelor de măsurat. Aceste
erori pot fi corectate.
În teoria probabilităților se demonstrează că dacă o variabilă aleatoare ξ este suma unui
număr mare de variabile aleatoare independente fiecare variabilă având o pondere mică în
sumă, atunci funcția de repartiție a variabilei aleatoare ξ este foarte apropiată de o funcție de
repartiție normală.
De fapt enunțul de mai înainte este un caz particular al unei teoreme celebre cunoscută
sub numele de teorema limită centrală și care în varianta lui A. M. Leapunov se enunță astfel:
Teorema lui A. M. Leapunov. Fie ξ 1 ,ξ 2 , … , ξn variabile aleatoare independente. Să
notăm
3
α k =M ( ξ k ) , σ 2k =D 2 ( ξ k ) , ρ3k =M (|ξ k −mk| ) ,1 ≤ k ≤n
2
σ (n)=σ 21 +σ 22 +…+ σ 2n
Dacă
ρ(n )
lim =0.
n→∞ σ (n )
Teorema limită centrală domină întreaga teorie a erorilor. Laplace, Gauss și alți
cercetători studiind repartiția erorilor au ajuns în a două jumătate a sec. XIX la concluzia că
funcția de repartiție normală poate fi luată drept model teoretic pentru cercetarea probabilistică a
aproape tuturor fenomenelor naturii.
Inegalitatea lui Cebîșev este adevărată atât pentru variabilele aleatoare discrete cât și
pentru cele continue. Pentru simplificare noi vom da demonstrația numi pentru variabile
aleatoare discrete.
Fie ξ o variabilă aleatoare discretă cu repartiția
x 1 x2 … xn
ξ:
( p1 p 2 … pn )
Ne propunem să estimăm probabilitatea evenimentului care constă în aceea că abaterea
variabilei aleatoare ξ nu depășește în valoare absolută un număr pozitiv ε . Dacă ε este suficient
de mic, atunci, în acest mod noi evaluăm probabilitatea evenimentului care constă în aceea că ξ ia
valori apropiate de media ei. Inegalitatea lui Cebîșev răspunde tocmai la această problemă:
probabilitatea ca abaterea variabilei aleatoare ξ să fie în valoare absolută mai mică decât ε este
2
D (ξ )
cel puțin egală cu 1− 3 , sau pe scurt
ε
P ¿.
Teorema lui Cebîșev. Dacă ζ 1 , ζ 2 , … , ζ n sunt variabile aleatoare (discrete sau continue)
independente ale căror dispersii sunt mai mici decât o constantă C, atunci oricare ar fi numărul
pozitiv ε , probabilitatea inegalității
ζ 1 +ζ 2 + …+ ζ n M ( ζ 1 ) + M ( ζ 2 ) + …+ M (ζ n )
| n
+
n | <ε
v
lim P
n→∞ (| | )
n
− p < ε =1.
Până acum am considerat variabile aleatoare ale căror valori posibile sunt numere. Aceste
variabile aleatoare se numesc unidimensionale.
În afară de variabilele aleatoare unidimensionale se studiază și variabile aleatoare ale
căror valori posibile sunt sisteme de câte doua, trei, ..., n numere.
Vom nota un vector aleator bidimensional cu (ξ , η¿ . Fiecare din mărimile ξ și η se
numesc componentele vectorului aleator; luate separat, ξ și η sunt variabile aleatoare
unidimensionale.
Prin repartiție a unui vector aleator bidimensional discret vom înțelege enumerarea
valorilor posibile ale vectorului adică a perechilor de numere reale ( x i , y j) și a probabilităților pij
corespunzătoare, 1 ≤i ≤n , 1 ≤ j≤ m. De obicei, repartiția unui vector aleator bidimensional se scrie
sub forma unui tablou cu dublă intrare:
ξη x1 x2 ... xi ... xn
y1 p1 i p21 ... pi 1 ... pn 1
... ... ... ... ... ... ...
yj p1 j p2 j ... pij ... pnj
... ... ... ... ... ... ...
ym p1 m p2 m ... pℑ ... pnm
Prima linie a tabloului conține toate valorile posibile ale lui ξ iar prima coloană toate
valorile posibile ale lui η. În căsuța aflată la intersecția coloanei cu
x i cu linia y j este trecută probabilitatea pijca vectorul aleator (ξ , η¿ să ia valoarea ( x i , y j ¿ .
F ( x , y 2) ≥ F ( x , y 1 ) dacă y 2 > y 1 .
Proprietatea 3. Avem
lim F ( x , y )=0 , lim F ( x , y )=0 ,
x→−∞ y →∞
∂2 F ( x , y )
f ( x , y )=
∂x∂y
Proprietățile densității de probabilitate bidimensionale sunt analoge cu cele ale densității
de probabilitate unidimensionale:
+ ∞ +∞
f ( x , y ) ≥ 0 , ∫ ∫ f ( x , y ) dxdy =1.
−∞ −∞
Aplicații
2.3. Variabile aleatoare vectoriale
X =( X 1 , X 2 , … , X n ) : Ω→ Rn
2) xlim
→∞
F ( x 1 ,… , x n )=0 , pentru orice i=1 ,n ;
i
b) ∫ …∫ f ( x 1 , … , x n) ∙ d x 1 ∙ …∙ d xn =1.
n
R
Observația 2.3.3. Se poate arată că dacă f : R n → R este continuă pe Rn și satisface
condițiile, atunci există un câmp borelian de probabilitate (Ω,K,P) și o variabilă aleatoare
vectorială X :Ω → R n a cărei densitate de repartiție este funcția f.
Definiția 2.3.3. i) Variabila aleatoare vectorială X :Ω → R n este continuă dacă fiecare din
componentele sale este continuă.
ii) Variabila aleatoare X :Ω → R n este discretă dacă X (Ω) ⊂ R n este cel mult
numărabilă.
pentru orice x i ∈ R.
Propoziția 2.4.2. Are loc egalitatea:
F i , …, i ( xi , … , x i ) = lim F(x i , … , x i )
1 n 1 n
xj → ∞
1 n
.
j ∉ {i 1 ,… ,in }
∑ ∑ p ij=1.
i=1 j=1
n
pentru orice ( x 1 ,… , x n ) ∈ R .
1) { ω| X ( ω ) <Y ( ω )+ a } ;
2) { ω| X ( ω ) ≤Y ( ω )+ a } ;
3) { ω| X ( ω )=Y ( ω ) +a } .
Aplicații