Documente Academic
Documente Profesional
Documente Cultură
Investeşte în oameni!
NUMĂRARE, STATISTICĂ,
PROBABILITĂŢI
Nicolae-Adrian SECELEAN
Specializarea MATEMATICĂ
Forma de învăţământ ID - semestrul II
2011
MATEMATICĂ
Nicolae-Adrian SECELEAN
2011
© 2011 Acest manual a fost elaborat în cadrul "Proiectului pentru
Învăţământul Rural", proiect co-finanţat de către Banca Mondială,
Guvernul României şi comunităţile locale.
ISBN 973-0-04103-2
Cuprins
CUPRINS
Introducere .................................................................................................... 1
INTRODUCERE
1
Numărare şi probabilităţi
UNITATEA DE ÎNVĂŢARE 1
NUMĂRARE ŞI PROBABILITĂŢI
CUPRINS
Obiectivele Unităţii de învăţare 1 .................................................................... 2
1.1 Elemente de combinatorică. Mulţimi ordonate. Permutări.
Aranjamente. Combinări....................................................................... 3
1.2 Probleme de numărare......................................................................... 4
1.3 Experiment, probă, eveniment aleator.……........................................ 15
1.4 Eveniment sigur. Eveniment imposibil……......................................... 17
1.5 Evenimente contrare…………............................................................ 17
1.6 Evenimente compatibile. Evenimente incompatibile…....................... 18
1.7 Eveniment implicat de un alt eveniment..............................................18
1.8 Reuniunea şi intersecţia evenimentelor…...........................................19
1.9 Dualitate de limbaj…………….............................................................20
1.10 Frecvenţă relativă……...................…………....................................... 22
1.11 Probabilitate………........................…….............................................. 24
1.12 Probabilităţi condiţionate…………………………………….................. 27
1.13 Evenimente independente………………………………....................... 29
1.14 Comentarii şi răspunsuri la testele de autoevaluare…....................... 34
1.15 Lucrare de verificare pentru studenţi…………………......................... 34
1.16 Bibliografie………………………………………………......................... 35
2
Numărare şi probabilităţi
• Identificarea probabilităţilor unor evenimente aleatoare
(empiric sau din cunoştinţe anterioare).
• Folosirea axiomaticii şi a regulilor de calcul ale teoriei
probabilităţilor pentru calculul unor probabilităţi.
1.1.2. Permutări
Dacă se consideră o mulţime A cu n ≥ 1 elemente, atunci fiecare dintre
mulţimile ordonate care se formează cu cele n elemente ale mulţimii A se
numeşte permutare a acestei mulţimi.
Se pune problema generală de a găsi numărul maxim de mulţimi ordonate
care se pot forma pornind de la o mulţime A cu n ≥ 1 elemente şi
ordonându-i în diferite moduri aceste elemente. Se demonstrează uşor prin
metoda inducţiei matematice că numărul permutărilor unei mulţimi cu n ≥ 1
elemente, notat Pn şi citit “permutări de n ”, este egal cu produsul 1 ⋅ 2 ⋅ ... ⋅ n ,
notat cu n! şi citit “ n factorial".
Aşadar avem Pn = n! pentru orice n ∈ {1,2,...} . Convenim să considerăm că
mulţimea vidă poate fi ordonată într-un singur mod, adică P0 = 1 .
Definim aşadar 0!= 1 , ceea ce va contribui la simplificarea scrierii în multe
situaţii.
1.1.2. Aranjamente
În continuare vom studia permutările submulţimilor unei mulţimi finite date A .
O astfel de mulţime ordonată care se formează cu elementele unei
submulţimi a lui A se numeşte aranjament al mulţimii A . Mai precis, putem
formula următoarea definiţie:
Dacă A este o mulţime cu n ≥ 1 elemente, atunci fiecare permutare a unei
submulţimi a lui A având k elemente, unde 0 ≤ k ≤ 1 , se numeşte
aranjament de n elemente luate câte k .
3
Numărare şi probabilităţi
Numărul aranjamentelor de n elemente luate câte k se notează Ank şi se
n!
citeşte “aranjamente de n luate câte k " şi este dat de formula Ank = .
(n − k )!
Din relaţia de mai sus, ţinând seama de convenţia făcută pentru 0!, se
observă imediat că An0 = 1 şi Ann = n!= Pn .
1.1.3. Combinări
Să considerăm mulţimea A = {a, b, c} . Constatăm că aceasta are 8
submulţimi: una cu 0 elemente (anume mulţimea vidă φ ), trei cu câte 1
element ( {a}, {b}, {c} ), trei cu câte 2 elemente ( {a, b}, {b, c}, {a, c} ) şi una cu 3
elemente (mulţimea totală {a, b, c} ).
Studiind acum situaţia generală a unei mulţimi A cu n ≥ 1 elemente, vom
numi fiecare submulţime a sa având k elemente 0 ≤ k ≤ n combinare de n
elemente luate câte k . Numărul combinărilor de n elemente luate câte k
n
se notează C nk sau, uneori , şi se citeşte “combinări de n elemente luate
k
câte k ".
Întrucât fiecare submulţime a lui A având k elemente se poate ordona în Pk
moduri obţinând astfel un aranjament de n elemente luate câte k , rezultă că
Ank = C nk ⋅ Pk . De aici găsim formulele de calcul pentru combinări:
Ank n! n(n − 1)...(n − k + 1)
C nk = = = .
Pk k!(n − k )! k!
În calculul cu combinări se utilizează:
- formula combinărilor complementare: C nk = C nn − k pentru orice 0 ≤ k ≤ n ;
- formula de recurenţă pentru combinări: C nk = C nk−−11 pentru orice 0 < k < n .
Se demonstrează (a se vedea teorema 4, pag.255 [2]) că numărul
submulţimilor unei mulţimi cu n elemente este egal cu 2 n . Atunci, ţinând
seama de modul cum a fost definit C nk , avem egalitatea
C n0 + C n1 + C n2 + ... + C nn = 2 n .
4
Numărare şi probabilităţi
Din punct de vedere matematic, prin numărare se înţelege evaluarea
cardinalului unei mulţimi finite. Astfel numărarea elementelor unei mulţimi
finite A înseamnă determinarea unui număr natural n şi a unei funcţii
bijective f : {1,2,..., n} → A . În cazul trivial când A = φ , vom avea, evident,
n = 0.
Aşadar, pentru a efectua numărarea, avem de parcurs două etape:
1 0 . determinarea mulţimii A prin identificarea datelor puse la dispoziţie, a
parametrilor, proprietăţilor şi caracteristicilor comune elementelor sale
precum şi prin găsirea legăturilor, relaţiilor, implicaţiilor care există între
acestea;
2 0 . stabilirea unui algoritm de numărare prin identificarea şi utilizarea unor
reguli, procedee, tehnici care să conducă la evaluarea numărului elementelor
lui A .
În cele ce urmează sunt prezentate câteva procedee clasice de numărare,
împreună cu unele exemple semnificative. În multe cazuri aceste metode
sunt folosite simultan, încadrarea în una dintre ele fiind, uneori,
interpretabilă.
Soluţie:
Aruncând două zaruri, putem avea următoarele 36 de situaţii:
(1 1) (1 2) (1 3) (1 4) (1 5) (1 6)
(2 1) (2 2) (2 3) (2 4) (2 5) (2 6)
(3 1) (3 2) (3 3) (3 4) (3 5) (3 6)
(4 1) (4 2) (4 3) (4 4) (4 5) (4 6)
(5 1) (5 2) (5 3) (5 4) (5 5) (5 6)
(6 1) (6 2) (6 3) (6 4) (6 5) (6 6).
Se observă că, pentru punctul a), avem 4 situaţii în care suma numerelor
indicate de cele două zaruri este S = 9 (perechile subliniate).
Analizând, pentru b), tabloul de mai sus, se constată că numarul maxim al
cazurilor în condiţiile cerute este 6 şi se obţine pentru S = 7 .
5
Numărare şi probabilităţi
Observaţie. Urmăriţi importanţa scrierii într-un mod algoritmic, organizat sub forma
tabloului dreptunghiular de mai sus a elementelor mulţimii totale care a fost,
în cazul exemplului precedent, numărul tuturor cazurilor posibile care se
obţin aruncând două zaruri.
Fig. 1.1
Exemplul 1.3. În câte moduri pot fi distribuite 10 cărţi diferite la două persoane aşa încât
fiecare persoană să primească cel puţin o carte?
Soluţie:
Considerăm că M reprezintă mulţimea celor 10 cărţi. Un mod de a distribui
cărţile este acela în care o persoană primeşte mulţimea A ⊂ M de cărţi iar,
în acest caz, cealaltă persoană va primi mulţimea M \ A de cărţi, unde
φ ≠ A ≠ M (fiecare persoană primeşte cel puţin o carte).
6
Numărare şi probabilităţi
Prin urmare, numărul modurilor în care se pot distribui acele cărţi este egal
cu numărul submulţimilor lui M cu excepţia a două dintre acestea: mulţimea
vidă şi M .
Cum numărul submulţimilor unei mulţimi cu 10 elemente este 210 , rezultă că
numărul cerut este 210 − 2 = 1022 .
Exemplul 1.5. Dintre cei 100 de elevi ai unei şcoli participanţi la olimpiade, 64 au
participat la olimpiada de matematică iar 58 la cea de informatică. Câţi elevi
au participat la ambele olimpiade?
Soluţie:
Dacă notăm cu M mulţimea elevilor participanţi la olimpiada de matematică
iar cu I mulţimea celor care au participat la cea de informatică, avem
7
Numărare şi probabilităţi
card M =64, card I =58, card( M ∪ I )=100 şi deci, folosind (1.1),
card( M ∪ I )=card M +card I -card( M ∩ I ) aşadar
card( M ∩ I )=64+58-100=22.
Astfel 22 de elevi au participat la ambele olimpiade.
Exemplul 1.6. Toţi cei 75 de membri ai unei delegaţii ştiu cel puţin o limbă străină, astfel:
57 ştiu engleza, 40 franceza şi 45 germana. Ştiind că 72 dintre ei ştiu
engleza sau franceza, 75 ştiu franceza sau germana iar 72 engleza sau
germana, stabiliţi câţi dintre ei pot vorbi în toate cele trei limbi şi câţi ştiu doar
o singură limbă străină?
Soluţie:
Notăm cu E mulţimea celor ce vorbesc engleza, cu F mulţimea celor ce ştiu
franceza iar cu G mulţimea celor ce ştiu germana.
Din enunţ, avem:
card( E ∪ F ∪ G )=75, card E =57, card F =40, card G =45
card( E ∪ F )=72, card( F ∪ G )=75, card( E ∪ G )=72.
Folosind formula (1.1), rezultă
card( E ∪ F )=card E + card F - card( E ∩ F ),
card( F ∪ G )=card F + card G - card( F ∩ G ),
card( E ∪ G )=card E + card G - card( E ∩ G ).
Înlocuind în relaţiile de mai sus, obţinem
card( E ∩ F )=25, card( F ∩ G )=20, card( E ∩ G )=30.
Folosind, acum, formula (1.2), avem
card( E ∪ F ∪ G )=card E + card F + card G -
- card( E ∩ F ) - card( F ∩ G ) - card( E ∩ G ) + card( E ∩ F ∩ G ).
Înlocuind cu valorile corespunzătoare, obţinem card( E ∩ F ∩ G )=8 ceea ce
înseamnă că 8 persoane ştiu toate cele 3 limbi străine.
Vom vedea, acum, câţi dintre membrii delegaţiei ştiu cel puţin două limbi
străine.
Pentru aceasta va trebui să calculăm
card(( E ∩ F ) ∩ ( F ∩ G ) ∪ ( E ∩ G )).
Folosind, din nou (1.2), ţinând seama de proprietăţile intersecţiei, obţinem
card(( E ∩ F ) ∪ ( F ∩ G ) ∪ ( E ∩ G ))=
=card( E ∩ F ) + card( F ∩ G ) +card( E ∩ G ) - 2 ⋅ card( E ∩ F ∩ G )
de unde, înlocuind cu valorile cunoscute, obţinem
card(( E ∩ F ) ∩ ( F ∩ G ) ∪ ( E ∩ G ))=59.
În concluzie numărul celor care ştiu doar o limbă străină este
75-59=16 membri.
8
Numărare şi probabilităţi
Exemplul 1.7. Câte numere naturale nenule, mai mici decât 100, nu sunt divizibile nici cu
2 nici cu 3?
Soluţie:
Notăm cu A mulţimea numerelor nenule mai mici decât 100 divizibile cu 2,
cu B mulţimea acelora divizibile cu 3 iar cu M mulţimea acelor numere
nenule mai mici decât 100 divizibile cu 2 sau cu 3. Rezultă că A ∩ B este
mulţimea multiplilor lui 6 din mulţimea {1,2,…,99} (ţinem seama că numerele
2 şi 3 sunt prime între ele). Avem
A ={2,4,6,…,98}, B ={3,6,9,…,99}, A ∩ B ={6,12,18,…,96}.
Un calcul simplu ne conduce la
card A =49, card B =33, card( A ∩ B )=16.
Atunci
card M =card A +card B -card( A ∩ B )=49+33-16=66.
Deoarece mulţimea numerelor care îndeplinesc condiţiile din enunţ este
{1,2,…,99} \ M , vom avea aşadar 99-66=33 numere naturale nenule mai
mici decât 100 nedivizibile nici cu 2 nici cu 3.
Observaţie. În soluţiile problemelor din exemplele 1.6 şi 1.7 s-a folosit ceea ce am putea
numi metoda complementarei, aceasta constând în faptul că am calculat
numărul cazurilor care nu satisfac condiţiile impuse iar apoi am făcut
diferenţa din numărul total de cazuri.
În soluţia problemei din exemplul care urmează vom utiliza o modelare care
face mai accesibil raţionamentul.
9
Numărare şi probabilităţi
Fig.1.2.
1
A se vedea exemplul 1.9
10
Numărare şi probabilităţi
b) drumurile să treacă obligatoriu prin M şi prin N , în această ordine (vezi
figura 1.4).
Fig.1.3 Fig.1.4
Soluţie:
a) Orice drum minimal în reţea dintre punctele O şi B care trece prin M
este format din conectarea unui drum minimal din O în M şi a unui drum
minimal din M în B . Aşadar fiecare drum minimal din O în M poate fi
prelungit cu oricare dintre drumurile minimale din M în B .
Dacă avem k = j = 0 sau, respectiv k = m, j = n , atunci M = O , respectiv
M = B şi suntem în situaţia din exemplul 1.9, deci avem C mn + n drumuri.
Presupunem, deci, că avem k + j > 0 şi m + n − k − j > 0 .
Din exemplul 1.9 rezultă că numărul de drumuri minimale în reţea dintre
punctele O şi M este C kj+ j iar dintre M şi B este C mn −+ nj − k − j .
Prin urmare, numărul de drumuri căutat este C kj+ j ⋅ C mn -−j k + n − j .
11
Numărare şi probabilităţi
Fig.1.5
Să se determine numărul drumurilor de lungime minimă pe reţea2 între două
vârfuri diagonal opuse A, B ale paralelipipedului şi lungimea acestor drumuri.
Soluţie:
Rezolvarea este asemănătoare cu cea de la exemplul 1.9.
Presupunem că lungimea muchiei pe direcţia x este m , pe direcţia y este
n iar pe direcţia z este k .
Orice drum minimal din A în B va conţine m muchii ale cuburilor pe direcţia
x , n pe n şi k pe z . Deci lungimea unui astfel de drum minimal va fi
m + n + k . Numărul acestor drumuri este dat de numărul modurilor de
succedare ale acestor tipuri de muchii de cuburi. Astfel, dacă presupunem că
fiecărei muchii de cub de direcţie x îi asociem o bilă albă, celei de direcţie y
o bilă neagră iar celei de direcţie z una roşie, va trebui să determinăm
numărul modurilor în care se pot înşira aceste m + n + k bile pe tot atâtea
locuri.
Astfel, avem C mm+ n + k moduri de a aşeza bilele albe. Apoi, pentru fiecare astfel
de aşezare, avem C nn+ k posibilităţi de aşezare a bilelor negre pe locurile
rămase iar apoi bilele roşii se vor aşeza pe cele k locuri rămase.
În concluzie, avem C mm+ n + k ⋅ C nn+ k moduri de aşezare. Acesta este, de fapt, şi
numărul de muchii căutat.
2
un drum pe reţea este o linie poligonală formată dintr-o succesiune de muchii ale cuburilor formate fără a
trece de două ori prin acelaşi nod (punct de intersecţie al muchiilor a două cuburi), vezi exemplul 1.9
12
Numărare şi probabilităţi
Soluţie:
Vom avea de determinat cardinalul mulţimii E formată din toate rezultatele
ce puteau fi obţinute de către candidaţi. Astfel, notând cu x1 nota obţinută de
către primul candidat, cu x 2 nota obţinută de către al doilea ş.a.m.d.,
mulţimea E va avea forma:
E = {( x1 , x 2 ,..., x n ) : xi ∈ {1,2,...,10}, ∀i = 1,2,..., n} .
Vom demonstra prin inducţie că, dacă avem k dintre candidaţi ( 1 ≤ k < n ),
atunci numărul sistemelor ( x1 , x 2 ,..., x k ) cu xi ∈ {1,2,...,10} , i = 1,2,..., k , este
10 k .
Verificarea în cazul k = 1 (cazul unui singur candidat) este evidentă.
Presupunem afirmaţia adevărată pentru k , şi să demonstrăm valabilitatea sa
pentru k + 1 candidaţi. Astfel se observă că, pentru fiecare valoare posibilă
pentru x k +1 , avem (conform ipotezei de inducţie) 10 k valori ale primelor k
variabile x1 ,..., x k . Aşadar avem 10 k ⋅ 10 = 10 k +1 variante de acordare a notelor
pentru k + 1 candidaţi.
În concluzie card E = 10 n .
Răspunsurile
la test se vor
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor
13
Numărare şi probabilităţi
3. În judeţul meu numerele de telefon sunt formate din şase cifre, prima
cifră aparţinând mulţimii {2,3,…,8}. Câte numere de telefon din acest
judeţ diferă de numărul meu cu o singură cifră?
14
Numărare şi probabilităţi
Exemplul 1.13. Să considerăm experienţa aruncării unui zar. Este evident vorba de o
experienţă aleatoare3. Această experienţă se poate repeta de un număr
oarecare de ori. Fiecare repetare a experienţei (fiecare aruncare a zarului)
este o probă. Experienţa considerată are mulţimea de cazuri posibile
E = {1,2,3,4,5,6} . Legat de acest experiment se pot considera diverse
evenimente:
A : “apariţia feţei 5;
B : “apariţia unui număr par";
C : “apariţia unui număr impar";
D : “apariţia unui număr mai mic sau egal cu 4";
E : “apariţia unui număr mai mic sau egal cu 7",
F : “apariţia unui multiplu de 7".
Fiecare aprobă implică realizarea sau nerealizarea unui eveniment. Astfel, la
apariţia feţei 6, spunem că s-au realizat evenimentele B şi E iar
evenimentele A, C , D, F nu s-au realizat iar la apariţia feţei 3, rezultă că s-au
realizat evenimentele C , D, E iar evenimentele A, B, F nu s-au realizat. Astfel
mulţimea cazurilor favorabile evenimentului A este {5}, a lui B este {2,4,6}, a
lui C este {1,3,5}, a lui D este {1,2,3,4}, pentru E toate cazurile sunt
favorabile iar evenimentul F nu are nici un caz favorabil.
3
termenul aleator are sens de “întâmplător" şi provine din latinescul alea (zar)
15
Numărare şi probabilităţi
Exemplul 1.14. Considerăm o urnă cu o bilă albă, 2 bile negre şi 3 bile roşii. Experimentul
va consta în extragerea la întâmplare a trei bile din urnă.
Mulţimea cazurilor posibile va fi
E = {( a, n, n), ( a, n, r ), ( a, r , r ), ( n, n, r ), (n, r , r ), (r , r , r )}
unde am notat cu a extragerea unei bile albe, n extragerea unei bile negre
iar cu r extragerea unei bile roşii.
Exemple de evenimente ar fi:
A : “extragerea a cel puţin unei bile albe",
B : “extragerea a exact două bile de aceeaşi culoare",
C : “extragerea a cel puţin două bile de aceeaşi culoare",
D : “extragerea a trei bile de culori diferite",
E : “extragerea a cel mult unei bile albe",
F : “extragerea a trei bile negre" etc.
Exemplul 1.15. O maşină produce într-o zi 1000 de şuruburi, printre aceste şuruburi, şi un
număr de 50 de rebuturi. Se consideră experimentul de extragere succesivă,
la întâmplare, a unui număr de 10 şuruburi. Vom nota cu “0” extragerea unui
rebut şi cu “1" extragerea unui şurub bun. Astfel, în urma unei probe, putem
obţine evenimentul elementar (0,0,1,1,1,1,0,1,1,1) ceea ce înseamnă că
primele două şuruburi extrase sunt rebuturi, următoarele patru sunt bune, al
şaptelea este rebut iar ultimile trei sunt şuruburi bune.
În acest caz mulţimea totală E va fi formată din toate sistemele de câte zece
componente, aceste componente putând lua una dintre valorile 0 sau 1,
E = {( x1 , x 2 ,..., x10 ) : xi ∈ {0,1}, i = 1,2,...,10}.
Mulţimea E va avea 210 = 1024 elemente. Exemple de evenimente aleatoare
pot fi:
A : “toate cele 10 şuruburi extrase să fie rebuturi",
B : “nici unul dintre cele 10 şuruburi extrase să nu fie rebut",
C : “primele 3 şuruburi extrase să fie rebuturi",
D : “cel puţin 9 dintre şuruburile extrase să nu fie rebuturi",
E : “dintre şuruburile extrase să fie cel puţin un rebut sau cel puţin un şurub
bun",
F : “cel puţin 5 dintre şuruburile extrase să fie rebuturi şi cel puţin 6 să fie
bune",
G : “printre cele 10 şuruburi să se găsească cel puţin unul bun" etc.
16
Numărare şi probabilităţi
B : “un singur candidat a obţinut nota mai mare sau egală cu 5",
C : “nici un candidat nu a obţinut nota mai mare sau egală cu 5",
D : “cel puţin un candidat a obţinut nota 10",
E : “cel puţin un candidat nu a obţinut nota 10 şi cel puţin 3 au obţinut note
mai mici sau egale cu 9",
F : “cel puţin 7 candidaţi au obţinut nota 7 şi cel mult 5 dintre ei au note mai
mari sau egale cu 5”,
G : “cel puţin un candidat a obţinut o notă mai mare sau egală cu 6" etc.
Sunt numeroase situaţiile în care unele evenimente pot avea sau nu cazuri
favorabile comune. Evenimentele contrare nu au, evident, astfel de cazuri.
Există şi alte evenimente care nu au cazuri favorabile comune fără a fi însă
contrare.
1.6.1. Două evenimente se numesc compatibile dacă au cazuri favorabile
comune şi incompatibile în caz contrar.
Aşadar, evenimentele A şi B sunt compatibile dacă există probe care le
realizează pe amândouă adică A ∩ B ≠ φ . În cazul în care A şi B sunt
incompatibile, avem A ∩ B = φ .
Este evident că evenimentele contrare sunt incompatibile, evenimentul sigur
este compatibil cu oricare alt eveniment iar cel imposibil este incompatibil cu
oricare alt eveniment.
Relaţia de compatibilitate se poate extinde la un număr finit de evenimente.
Astfel, evenimentele A1 , A2 ,..., An sunt compatibile dacă A1 ∩ A2 ∩ ... ∩ An ≠ φ
respectiv incompatibile dacă nu au nici un caz favorabil comun, adică
A1 ∩ A2 ∩ ... ∩ An = φ .
Analizând exemplele din secţiunea 1.3., constatăm că:
- la exemplul 1.13: A, C , E sunt compatibile, A ∩ C ∩ E = {5} ; C , D, E
sunt compatibile, C ∩ D ∩ E ={1,3}; A şi B sunt incompatibile etc,
- la exemplul 1.14: A, B, C , E sunt compatibile (de ex.
(a, r , r ) ∈ A ∩ B ∩ C ∩ E ); B, C , D sunt incompatibile etc.,
- la exemplul 1.15: A, C , D, E sunt compatibile (de ex. toate cele 10
şuruburi sunt rebuturi), B şi C sunt incompatibile etc.,
- la exemplul 1.16: A, B, D, E , G sunt compatibile (de ex. dacă un
candidat obţine nota 10 iar ceilalţi nota 5) iar B şi D sunt
incompatibile etc.
1.8.1. Prin “ A sau B " înţelegem evenimentul care constă în realizarea a cel puţin
unui dintre evenimentele A sau B . Pentru acest eveniment vom mai utiliza
notaţia A ∪ B .
19
Numărare şi probabilităţi
G = ( A ∩ C B) ∪ ( B ∩ C A) .
20
Numărare şi probabilităţi
Răspunsurile
la test se vor
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor
2. O urnă conţine 10 bile albe şi 6 bile negre. Din această urnă se extrag
succesiv două bile. Notăm cu A evenimentul: “prima bilă extrasă este
albă" şi, respectiv cu B evenimentul: “a doua bilă extrasă este albă".
Cu ajutorul lui A şi B exprimaţi evenimentele:
a) C : “ambele bile extrase sunt albe";
b) D : “ambele bile extrase sunt negre";
c) E : “prima bilă e albă iar a doua este neagră"
d) F : “cele două bile au aceeaşi culoare”.
21
Numărare şi probabilităţi
4
acest număr depinde de n şi ar fi trebuit notat cu f n ( A) , dar, pentru simplificare, notăm f ( A)
22
Numărare şi probabilităţi
Demonstraţie:
1) Relaţiile se deduc din inegalităţile imediate 0 ≤ n A ≤ n E = n .
2) Egalităţile sunt evidente dacă ţinem seama de n E = n , nφ = 0 .
3) Dacă evenimentele A şi B sunt incompatibile atunci realizarea
evenimentului A ∪ B înseamnă fie realizarea lui A fie a lui B cele două
neputând avea loc simultan la nici o probă. Aşadar
n n n
n A∪ B = n A + n B , deci A∪ B = A + B .
n n n
4) Dacă B A , atunci toate rezultatele favorabile lui B sunt favorabile şi lui
A . A \ B = A ∩ C B este evenimentul care constă în realizarea lui A dar
nerealizarea lui B . Aşadar, din numărul de realizări ale lui A va trebui
scăzut numărul probelor care realizează şi pe B . Ca urmare, avem
n A\ B = n A − n B .
5) Ţinând seama că evenimentul A ∩ B implică evenimentul A , avem,
aplicând punctul precedent, f ( A \ ( A ∩ B)) = f ( A) − f ( A ∩ B) . Egalitatea din
enunţ rezultă dacă mai observăm că A \ ( A ∩ B ) = A \ B .
6) Dacă evenimentele A şi B sunt incompatibile, ne aflăm în situaţia de la
punctul 5) deoarece f ( A ∩ B) = f (φ ) = 0 .
Dacă A şi B sunt compatibile, atunci din n A + n B trebuie să scădem numărul
probelor în care A şi B s-au realizat simultan, adică n A∩ B . Avem deci
n A∪ B = n A + n B − n A∪ B , de unde egalitatea din enunţ.
23
Numărare şi probabilităţi
1.11. Probabilitate
În această secţiune ne vom ocupa de constanta de care se “apropie"
valoarea frecvenţei relative a unui eveniment, când numărul probelor este tot
mai mare.
Să considerăm, din nou, experimentul aruncării unui zar. Dacă urmărim
realizarea unui eveniment elementar, de exemplu apariţia feţei 3, este natural
1
să caracterizăm probabilitatea de apariţie a acestei feţe cu valoare
6
întrucât avem şase variante posibile (fiecare dintre cele şase feţe) cu şanse
egale de apariţie, evenimentul sigur fiind caracterizat cu probabilitate 1.
3 1
Analog, probabilitatea de apariţie a evenimentului A ={1,2,3} este = .
6 2
În cazul general, dacă un experiment are n rezultate egal posibile, iar dintre
acestea m realizează evenimentul A , vom lua probabilitatea lui A egală cu
m
.
n
5
aceasta se mai întâlneşte în literatură şi ca definiţia statistică a probabilităţii
25
Numărare şi probabilităţi
1 6 0
, P( E ) = = 1 , P( F ) = = 0 .
P( D) =
6 6 6
Exemplul 1.19. O urnă conţine 20 de bile identice, numerotate cu 1,2,…,20. Vom calcula
probabilitatea ca, printr-o extracţie, să se obţină o bilă cu un pătrat perfect.
Soluţie:
Să notăm cu A evenimentul extragerii unei bile cu un pătrat perfect.
Numărul cazurilor posibile este 20 iar A ={1,4,9,16} deci numărul cazurilor
4 1
favorabile este 4. Avem deci P ( A) = = .
20 5
Exemplul 1.20. Care este probabilitatea ca în patru aruncări ale unui zar să obţinem cel
puţin o dată faţa 6?
Soluţie:
Încercând să calculăm direct probabilitatea acestui eveniment A , vom
observa că întâmpinăm unele dificultăţi. Să încercăm să calculăm
probabilitatea evenimentului contrar A =C A , adică probabilitatea ca,
aruncând de 4 ori un zar, să nu obţinem niciodată faţa 6. Numărul cazurilor
posibile va fi egal cu numărul sistemelor de câte 4 numere care se pot forma
având componentele în mulţimea E ={1,2,3,4,5,6}, numărul acestora fiind
egal cu cardinalul mulţimii E 4 = E × E × E × E , deci cu 6 4 .
Numărul cazurilor favorabile este egal cu numărul sistemelor de câte patru
elemente care se pot forma cu numerele 1,2,3,4,5, deci cu 5 4 .
54 625
Avem deci P ( A ) = 4 = . Rezultă că probabilitatea obţinerii feţei 6 din
6 1296
patru aruncări va fi, folosind p 7 ),
625 671
P ( A) = 1 − P( A ) = 1 − P (C A) = 1 − = .
1296 1296
Exemplul 1.21. În cadrul unui concurs de dans, participă din fiecare din trei clase câte un
băiat şi o fată. În urma unei trageri la sorţi se formează trei perechi. Să
calculăm probabilitatea ca cel puţin un băiat să aibă ca pereche o fată din
clasa sa?
Soluţie:
Notăm cu a, b, c clasele din care provin cei şase elevi şi cu A , respectiv B ,
C , evenimentul “băiatul din clasa a , respectiv b , c , are ca pereche o fată
din clasa lui". Va trebui să calculăm probabilitatea evenimentului A ∪ B ∪ C .
Mai întâi, pornind de la relaţia p 6 ), vom stabili formula de calcul a
probabilităţii reuniunii a trei evenimente6 oarecare. Avem
P ( A ∪ ( B ∪ C )) = P( A) + P( B ∪ C ) − P( A ∩ ( B ∪ C )) =
= P( A) + P( B) + P(C ) − P( B ∩ C ) − P(( A ∩ B) ∪ ( A ∩ C )) =
= P( A) + P( B) + P(C ) − P( A ∩ B) − P( A ∩ C ) − P( B ∩ C ) + P( A ∩ B ∩ C ) .
Pentru evenimentul A , avem un caz favorabil din trei posibile (băiatul din
clasa a putea avea ca pereche una singură dintre cele trei fete), deci
1 1
P ( A) = . Analog avem P( B) = P(C ) = .
3 3
Pentru evenimentul A ∩ B , fiecare dintre băieţii din clasele a şi b poate
avea într-un singur mod ca pereche o fată din clasa sa din A32 moduri
6
se poate stabili prin inducţie o formulă analoagă pentru n evenimente
26
Numărare şi probabilităţi
1
posibile şi deci P( A ∩ B) = . Aceeaşi probabilitate o au şi evenimentele
6
A ∩ C şi B ∩ C . În final, evenimentul A ∩ B ∩ C se realizează când fiecare
băiat nimereşte fata din clasa lui. Avem P3 = 3!= 6 cazuri posibile şi un singur
1
caz favorabil. Ca urmare P ( A ∩ B ∩ C ) = .
6
Aşadar probabilitatea cerută este
1 1 1 1 1 1 1 2
P( A ∪ B ∪ C ) = + + − − − + = .
3 3 3 6 6 6 6 3
Exemplul 1.22. Să presupunem că, pentru câştigarea unui obiect participă în cadrul unei
tombole 1000 de persoane cu şanse egale, fiecare având câte un bilet pe
care este înscris un număr de trei cifre: 000, 001, 002,…,999. Biletul
câştigător este desemnat printr-o extragere succesivă dintr-o urnă a cifrelor
care vor forma numărul câştigător. Să urmărim şansele de câştig ale unui
bilet oarecare, să zicem 123. La început, probabilitatea de a ieşi câştigător
1
este . După prima extragere din urnă se anunţă că prima cifră a
1000
numărului câştigător este 1. Se observă acum că probabilitatea ca biletul 123
1
să câştige este , deoarece, mai rămâne de urmărit doar numărul de două
100
cifre 23 din 100 de cazuri posibile (00, 01,…,99). După introducerea, din nou,
în urnă a cifrei 1 şi efectuarea celei de a doua extrageri, se anunţă că a doua
cifră a biletului câştigător este 2. Acum şansele de câştig ale biletului 123 au
1
crescut, probabilitatea căutată va fi .
10
Vom interpreta acest exemplu ca un experiment aleator constând din trei
extrageri succesive a câte o cifră din mulţimea E ={0,1,…,9} având 10
elemente. Am considerat evenimentele:
A : “cele trei cifre extrase sunt, în ordine, 1,2,3",
B : “prima cifră extrasă este 1",
C : “primele cifre extrase sunt, în ordine, 1 şi 2".
Astfel pentru realizarea evenimentului A avem 1 caz favorabil din 1000
posibile (card E × E × E ). B are 1 ⋅ 10 ⋅ 10 cazuri favorabile (în extragerile a
doua şi a treia putând să fie orice cifră) la 1000 posibile sau, altfel spus, 1
favorabil la 10 posibile (cele corespunzătoare primei extrageri). Analog C
are 1⋅ 10 cazuri favorabile la 1000 posibile sau 1 favorabil la 100 posibile (la
extragerea a treia putând ieşi orice rezultat). După realizarea lui B , C are 10
cazuri favorabile din 100 posibile iar după realizarea lui B , evenimentul A
va avea 1 caz favorabil din 100 posibile (corespunzătoare extragerilor a doua
şi a treia) iar după realizarea lui C , A va avea 1 caz favorabil la 10 cazuri
posibile (corespunzătoare extragerii a treia).
27
Numărare şi probabilităţi
1.12.1. Fie două evenimente aleatoare A, B asociate unui experiment astfel încât
P( B) > 0 . Probabilitatea evenimentului A ştiind că s-a realizat B se numeşte
probabilitatea lui A condiţionată de B şi se notează7 PB ( A) .
Propoziţia 1.3. Pentru oricare două evenimente A şi B asociate unui experiment aleator
astfel încât P ( A) > 0 şi P ( B) > 0 , avem
P( A ∩ B)
(1.5) PA ( B ) =
P( A)
P ( A) ⋅ PA ( B) = P( B) ⋅ PB ( A) .
Exemplul 1.23. Într-o urnă sunt 5 bile roşii, 3 bile albe şi 2 bile negre.
a) Se extrag două bile. Care este probabilitatea ca o bilă să fie albă şi
cealaltă neagră?
b) Se extrag două bile. Care este probabilitatea ca să nu fie amândouă
negre?
Soluţie:
Fie A evenimentul "prima bilă extrasă este albă", B evenimentul "a doua
bilă extrasă este neagră" şi C evenimentul "prima bilă extrasă este neagră".
a) Avem de calculat P( A ∩ B) . Utilizând (1.3), avem
7
se mai utilizează şi notaţia P ( A | B )
28
Numărare şi probabilităţi
3 2 1
P ( A ∩ B) = P( A) ⋅ PA ( B) =
⋅ = .
10 9 15
b) Trebuie să determinăm probabilitatea evenimentului contrar lui C ∩ B .
2 1 1
Avem P(C ∩ B) = P (C ) ⋅ PC ( B) = ⋅ = .
10 9 45
Aşadar probabilitatea de a nu fi extrase două bile negre este
1 44
1 − P(C ∩ B ) = 1 − = .
45 45
1.13.1. Vom spune că două evenimente aleatoare din cadrul unui experiment sunt
independente în probabilitate sau, mai simplu, independente, dacă
probabilitatea unuia nu depinde de realizarea celuilalt.
Din definiţia de mai sus deducem că două evenimente A şi B sunt
independente, atunci şi numai atunci când PA ( B) = P( B) , PB ( A) = P( A) , ceea
ce echivalează, ţinând seama de relaţiile (1.3) şi (1.4), cu
(1.6) P ( A ∩ B ) = P( A) ⋅ P( B) .
Remarcă. Deoarece are sens şi pentru P( A) = 0 sau P( B) = 0 , relaţia (1.6) se poate lua ca
definiţie a independenţei evenimentelor8 A şi B . Astfel se poate extinde
definiţia independenţei pentru un număr oarecare de evenimente:
8
nu se dă nici un sens expresiei Pφ ( A)
29
Numărare şi probabilităţi
Se observă că realizarea unuia dintre evenimentele A1 , A2 , A3 nu influenţează
cu nimic realizarea celorlalte, deci cele trei evenimente sunt independente.
Atunci
1 1 1 1
P( A1 ∩ A2 ∩ A3 ) = P( A1 ) ⋅ P( A2 ) ⋅ P( A3 ) = ⋅ ⋅ = .
2 2 2 8
30
Numărare şi probabilităţi
4n
P (G ) = P(C ) = 1 − P(C ) = 1 − .
10 n
Exemplul 1.27. Trei vânători A, B, C obţin la un concurs de tir următoarele rezultate:
Vânătorul: A B C
Lovituri trase: 135 96 60
Lovituri în ţintă: 81 84 45.
Ţinând seama de aceste rezultate, vom estima probabilităţile evenimentelor
următoare, când fiecare dintre cei trei vânători trag în acelaşi iepure câte un
singur cartuş:
a) iepurele nu este atins;
b) cel puţin un vânător loveşte iepurele;
c) toţi vânătorii lovesc iepurele.
Soluţie:
A ţine seama de aceste rezultate, revine la estimarea probabilităţii fiecăruia
de a lovi o ţintă dintr-un singur cartuş, prin folosirea frecvenţelor relative
realizate la tir.
Aceste frecvenţe (identificând vânătorul A cu evenimentul corespunzător
lovirii ţintei etc.) vor fi:
81 3 84 7 45 3
f ( A) = = , f ( B) = = , f (C ) = = .
135 5 96 8 60 4
a) Probabilitatea ca nici unul să nu lovească iepurele va putea fi estimată
prin produsul probabilităţilor (evenimentele fiind independente)
3 7 3 1
p = P( A ) ⋅ P( B ) ⋅ P(C ) = 1 − 1 − 1 − = ,
5 8 4 80
unde probabilităţile respective au fost “aproximate" cu frecvenţele relative.
b) Probabilitatea ca cel puţin unul să lovească iepurele va fi cea a
evenimentului contrar celui de la punctul a), adică
1 79
1− p = 1− = .
80 80
c) Probabilitatea ca toţi trei să lovească iepurele va fi (datorită independenţei
evenimentelor):
3 7 3 63
p1 = P( A ∩ B ∩ C ) = P( A) ⋅ P( B) ⋅ P(C ) = ⋅ ⋅ = ≈ 0,39 .
5 8 4 160
Exemplul 1.28. Două piese de artilerie antiaeriană trag independent fiecare după un
acelaşi avion. Probabilitatea ca cele două piese să lovească avionul (ţinând
cont de poziţia şi de performanţa fiecăreia) este de 0,2 pentru prima piesă şi
0,1 pentru cea de a doua. Ambele piese trag câte o lovitură iar una dintre ele
doboară avionul.
Să determinăm probabilităţile ca lovitura să provină de la prima, respectiv de
la a doua piesă.
31
Numărare şi probabilităţi
Soluţie:
Notăm
A evenimentul: “prima piesă loveşte avionul"
B evenimentul: “a doua piesă loveşte avionul"
C evenimentul: “avionul este doborât de o lovitură".
Atunci evenimentele
H1 = A ∩ B , H 2 = A ∩ B , H 3 = A ∩ B , H 4 = A ∩ B
sunt independente şi avem evident
E = H1 ∪ H 2 ∪ H 3 ∪ H 4
unde E este mulţimea totală (evenimentul sigur). Va trebui să calculăm
PC ( H 1 ) şi, respectiv PC ( H 2 ) .
Pentru aceasta, avem:
P ( H 1 ) = P ( A) ⋅ P ( B) = 0,2 ⋅ 0,1 = 0,02 ;
P ( H 2 ) = P ( A) ⋅ (1 − P ( B )) = 0,2 ⋅ 0,9 = 0,18 ;
P ( H 3 ) = (1 − P( A)) ⋅ P( B) = 0,8 ⋅ 0,1 = 0,08 ;
P ( H 4 ) = (1 − P ( A)) ⋅ (1 − P ( B )) = 0,8 ⋅ 0,9 = 0,72 ;
şi observăm că P ( H 1 ) + P ( H 2 ) + P( H 3 ) + P( H 4 ) = P( E ) = 1 .
Probabilităţile condiţionate ale lui C vor fi:
PH1 (C ) = 0 , PH 2 (C ) = 1 , PH 3 (C ) = 1 , PH 4 (C ) = 0 .
Avem atunci
4
P (C ) = P (C ∩ E ) = P(C ∩ ( H 1 ∪ H 2 ∪ H 3 ∪ H 4 )) = P(C ∩ H i ) ,
i =1
ţinând seama de formula (1.3), rezultă
4
P (C ) = P( H i ) ⋅ PH i (C ) .
i =1
P(C ∩ H 2 )
Apoi, tot din (1.3), PC ( H 2 ) = , deci
P(C )
P ( H 2 ) ⋅ PH 2 (C ) 0,18 ⋅ 1
PC ( H 2 ) = = ≈ 0,7 .
P (C ) 0,18 ⋅ 1 + 0,08 ⋅ 1
Analog avem
0,08 ⋅ 1
PC ( H 3 ) = ≈ 0,3 .
0,18 ⋅ 1 + 0,08 ⋅ 1
În concluzie putem afirma că prima piesă a lovit avionul cu o probabilitate de
0,7 iar piesa a doua cu o probabilitate de 0,3.
32
Numărare şi probabilităţi
33
Numărare şi probabilităţi
Test 1
1. 10!, respectiv 3!⋅ 7! moduri
2. Se pot forma 6! numere dintre care 5! încep cu cifra 0 deci au doar cinci
cifre. Aşadar, avem 6!-5! numere
3. Sunt 6+9+9+9+9+9=51 numere.
Test 2
1. Sunt 36 de cazuri posibile. Cazurile favorabile lui A vor fi
(1,1),(2,2),(3,3),(4,4),(5,5),(6,6).
2. C = A ∩ B ; D = A ∩ B ; E = A ∩ B ; F = ( A ∩ B ) ∪ ( A ∩ B ) .
Test 3
1. Avem
1 1 1
P ( A) = , P ( B) = 1 − P( B ) = , P ( A ∩ B) = ,
3 4 12
deci P( A ∩ B) = P ( A) ⋅ P( B) , prin urmare evenimentele sunt independente.
Folosind apoi axioma p3 ) din definiţia probabilităţii rezultă
7
P ( A ∪ B) = P( A) + P( B) = .
12
2. b) Din axioma p3 ) rezultă
P ( B) = P (( A ∩ B) ∪ ( A ∩ B)) = P( A ∩ B) + P( A ∩ B) .
c) dacă A ⊂ B , atunci A ∩ B = A şi aplicăm p5 ) din propoziţia 1.2.
34
Numărare şi probabilităţi
5. Doi trăgători trag câte un foc asupra unei ţinte. Primul nimereşte ţinta cu
7 9
probabilitatea p1 = iar al doilea cu probabilitatea p 2 = . Care este
9 11
probabilitatea ca ţinta să fie atinsă ?
1.16. Bibliografie
1. H.M. Ionescu, Statistică Matematică, Ed. Didactică şi Pedagogică,
Bucureşti, 1962 (pag.72-90)
2. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti 1966 (pag.7-16)
3. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003 (pag.271-291)
4. C. Năstăsescu ş.a., Exerciţii şi probleme de algebră pentru clasele IX-XII,
E.D.P., Bucureşti, 1983 (pag.65-70)
5. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966 (pag.9-30)
6. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979 (pag.7-35)
7. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980 (pag. 720-
737)
35
Variabile aleatoare
UNITATEA DE ÎNVĂŢARE 2
VARIABILE ALEATOARE
CUPRINS
Obiectivele Unităţii de învăţare 2……………………...................................... 36
2.1. Variabile aleatoare. Repartiţii………………….....................................37
2.2. Operaţii cu variabile aleatoare…………………………….................... 39
2.3. Valori importante ale unei variabile aleatoare……..............................42
2.4. Repartiţia binomială (Bernoulli)……………………...............…........... 50
2.5. Repartiţia binomială generalizată (Poisson)………..............……....... 53
2.6. Repartiţia hipergeometrică…………………………….......................... 55
2.7. Comentarii şi răspunsuri la testele de autoevaluare……..............….. 58
2.8. Lucrare de verificare pentru studenţi……………………...............….. 59
2.9. Bibliografie……………………………………………...............….......... 59
36
Variabile aleatoare
Exemplul 2.1. La aruncarea unui zar, numărul pe care-l obţinem este o variabilă aleatoare
X care poate lua numai valorile xi , i = 1,2,3,4,5,6 . Fiecare dintre aceste
1
numere poate apărea cu probabilitatea P ( X = xi ) = pi = . Repartiţia va fi
6
1 2 3 4 5 6
X1 1 1 1 1 1
6 6 6 6 6 6
1
cuvântul aleator are sens de întâmplător şi provine din latinescul alea care înseamnă zar
37
Variabile aleatoare
Din cele de mai sus, putem sublinia că o variabilă aleatoare este o aplicaţie
X a mulţimii totale E în mulţimea numerelor reale care ia o mulţime finită
de valori x1 , x2 ,..., x n şi pentru care se cunosc probabilităţile fiecărei valori
posibile P ( X = xi ) = pi , pi > 0 , i = 1,2,..., n .
Egalităţile de forma X = xi sunt evenimente.
Deoarece evenimentele X = x1 ; X = x2 ; …; X = xn sunt incompatibile două
câte două şi una din ele se realizează neapărat, avem
P ( X = x1 ) + P( X = x2 ) + ... + P ( X = xn ) = 1 adică p1 + p 2 + ... + p n .
Deducem de aici că variabilele aleatoare X , Y sunt egale dacă X (e) = Y (e)
pentru orice e ∈ E .
2 3 4 5 6 7 8 9 10 11 12
X 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
Exemplul 2.3. Într-o loterie s-au vândut 10000 bilete dintre care un bilet de 1000$, 10
bilete de 100$, 100 bilete de 10$ şi 1000 bilete de câte 1$. Să determinăm
distribuţia variabilei aleatoare X care indică suma câştigată pentru
posesorul unui singur bilet.
Soluţie:
Valorile posibile ale lui X sunt:
x1 = 1000 , x2 = 100 , x3 = 10 , x4 = 1 , x5 = 0 .
Probabilităţile respective vor fi: p1 = P ( X = x1 ) = 0,0001 ;
p 2 = 0,001 , p3 = 0,01 , p 4 = 0,1 , p5 = 1 − 0,1111 = 0,8889 .
38
Variabile aleatoare
39
Variabile aleatoare
x x2 ... xn
X 1 .
p1 p2 ... pn
2.2.3. Adunarea variabilelor aleatoare
Fiind date două variabile aleatoare X şi Y cu distribuţiile
x x ... x n y y ... y m
X 1 2 şi Y 1 2
p 1 p 2 ... p n q 1 q 2 ... q m
vom numi suma acestora, variabila Z = X + Y , care ia valoarea, xi + y j
dacă X ia valoarea xi , iar Y ia valoarea y j . X + Y are distribuţia
x + y1 x1 + y 2 ... xi + y j ... xn + y m
(2.1) X + Y 1
11p p12 ... p ij ... p nm
unde pij ( i = 1,2,..., n; j = 1,2,..., m ) este probabilitatea realizării simultane a
egalităţilor X = xi , Y = y j .
Exemplul 2.4. Probabilitatea extragerii unei bile albe dintr-o urnă este p . Din această
urnă se fac două extrageri, punându-se înapoi bila după prima extragere. Se
consideră variabilele aleatoare X 1 şi X 2 , prima reprezentând numărul de
bile albe ieşite la prima extragere şi a doua numărul de bile albe ieşite la a
doua extragere. Vom scrie distribuţia sumei şi, respectiv produsului, celor
două variabile aleatoare.
Soluţie:
Distribuţia celor două variabile aleatoare este:
1 0 1 0
X 1 , X 2
p q p q
unde q = 1 − p . ( X 1 = 1 ) este evenimentul obţinerii unei bile albe la prima
extragere iar ( X 2 = 1 ) este evenimentul obţinerii unei bile albe la a doua
extragere. Conform definiţiei sumei variabilelor aleatoare, putem scrie:
1 + 1 1+ 0 0 +1 0 + 0
X 1 + X 2 2
p pq qp q 2
40
Variabile aleatoare
şi, respectiv
1⋅1 1 ⋅ 0 0 ⋅1 0 ⋅ 0
X 1 X 2 2
p pq qp q 2
2 1 0 1 0
deci X1 + X2 2 ; X 1 X 2 2
2
.
2
p 2 pq q p 2 pq + q
Variabila sumă reprezintă numărul de bile albe ieşite în cele două extrageri
din urnă cu probabilităţile respective.
Observaţie Probabilităţile p11 , p12 ,..., p nm din formulele (2.1) şi, respectiv (2.2), satisfac
relaţiile:
(2.3) pi = pi1 + pi 2 + ... + pim , ∀i ∈ {1,2,…, n }
(2.4) q j = p1 j + p 2 j + ... + p n j , ∀i ∈ {1,2,…, m }
Demonstraţie:
Vom ţine seama că s-a notat cu pij probabilitatea realizării simultane a
evenimentelor ( X = xi ) şi (Y = y j ) ( i =1,2,…, n , j =1,2,…, m ), adică
pij = P (( X = xi ) ∩ (Y = y j ) ).
Evenimentele (Y = y1 ), (Y = y 2 ),..., (Y = y m ) sunt incompatibile două câte
două şi (Y = y1 ) ∪ (Y = y 2 ) ∪ ... ∪ (Y = y m ) = E ,unde E este evenimentul
sigur. Rezultă
( X = xi ) = ( X = xi ) ∩ E = ( X = xi ) ∩ [(Y = y1 ) ∪ ... ∪ (Y = y m )] =
= [(X = xi ) ∩ (Y = y1 )] ∪ [(X = xi ) ∩ (Y = y2 )] ∪ ... ∪ [(X = xi ) ∩ (Y = ym )] .
De aici deducem
pi = P( X = xi ) = P(( X = xi ) ∩ (Y = y1 ) ) + P (( X = xi ) ∩ (Y = y 2 ) ) +
+ ... + P(( X = xi ) ∩ (Y = y m ) ) = pi1 + pi 2 + ... + pim .
Într-un mod similar se demonstrează şi cealaltă egalitate.
41
Variabile aleatoare
42
Variabile aleatoare
x1 x2 ... xn
Fiind dată o variabilă aleatoare X , vom numi valoare
p1 p2 ... p n
medie a acestei variabile numărul
n
(2.5) M ( X ) = p1 x1 + p 2 x2 + ... + p n xn = pi xi
i =1
Astfel, considerând variabila aleatoare din experimentul aruncării unui zar
(vezi exemplul 2.1)
1 2 3 4 5 6
X1 1 1 1 1 1,
6 6 6 6 6 6
1 1 1 1 1 1 7
avem M ( X ) = 1 ⋅ + 2 ⋅ + 3 ⋅ + 4 ⋅ + 5 ⋅ + 6 ⋅ =
6 6 6 6 6 6 2
1 0
Valoarea medie a variabilei X 1 din exemplul 2.2 este
p q
M ( X 1 ) = 1⋅ p + 0 ⋅ q = p
1 + 1 1+ 0 0 +1 0 + 0
iar pentru variabila X 1 + X 2 este
p
2
pq qp q 2
M ( X 1 + X 2 ) = 2 ⋅ p 2 + 1 ⋅ 2 pq + 0 ⋅ q 2 = 2 p ( p + q ) = 2 p
Valoarea medie a variabilei aleatoare X din exemplul 2.2 este
1 2 3 4 5 6 5
M (X ) = 2 ⋅ + 3⋅ + 4 ⋅ + 5⋅ + 6 ⋅ + 7 ⋅ + 8⋅ +
36 36 36 36 36 36 36
4 3 2 1 252
+ 9 ⋅ + 10 ⋅ + 11 ⋅ + 12 ⋅ = =7
36 36 36 36 36
În exemplul 2.3, valoarea medie a variabilei aleatoare X este
M ( X ) = 1000 ⋅ 0,0001 + 100 ⋅ 0,001 + 10 ⋅ 0,01 + 1 ⋅ 0,1 + 0 ⋅ 0,8889 = 0,4
Deci 0,4$ ar fi un preţ “echitabil" pentru un bilet.
Propoziţia 2.1. Valoarea medie a unei variabile aleatoare este cuprinsă între cea mai
mică şi cea mai mare dintre valorile posibile ale variabilei.
Demonstraţie:
Considerăm variabila aleatoare
x x2 ... xn
X 1
p1 p2 ... p n
şi fie α =min{ x1 , x2 ,..., x n } şi, respectiv β =max{ x1 , x2 ,..., x n }, cea mai mică şi
cea mai mare valoare a lui X . Avem
α = p1α + p2α + ... + p nα ≤ p1 x1 + p2 x 2 + ... + pn xn = M ( X ) ;
M ( X ) = p1 x1 + p 2 x2 + ... + p n x n ≤ p1 β + p 2 β + ... + p n β = β ;
ceea ce conduce la min{ x1 , x2 ,..., x n } ≤ M ( X ) ≤ max{ x1 , x2 ,..., x n }.
43
Variabile aleatoare
Teorema 2.1. Valoarea medie a sumei a două variabile aleatoare este egală cu suma
valorilor medii ale celor două variabile.
De asemenea, valoarea medie a unui produs de două variabile aleatoare
independente este egală cu produsul valorilor medii ale celor două variabile.
Exemplul 2.5. Aruncăm cu două zaruri. Numărul pe care-l obţinem la primul zar
corespunde variabilei aleatoare X iar numărul obţinut pe al doilea zar
variabilei Y . Cunoaştem valorile medii ale acestora:
7
M ( X ) = M (Y ) =
2
Dacă notăm cu Z suma numerelor obţinute pe fiecare dintre aceste două
zaruri, atunci pentru a calcula valoarea medie a variabilei aleatoare Z , este
suficient să observăm că Z = X + Y , deci
7 7 14
M ( Z ) = M ( X + Y ) = M ( X ) + M (Y ) = + = .
2 2 2
Exemplul 2.6. Producţia unei unităţi economice în 24 de ore poate fi socotită o variabilă
aleatoare. Presupunem cazul a două unităţi economice A şi, respectiv B , a
căror producţie reprezintă variabile aleatoare notate cu X , respectiv Y , cu
M ( X ) =250 şi M (Y ) =90. Producţia ambelor unităţi economice este variabila
aleatoare X + Y cu valoarea medie
M ( X + Y ) = M ( X ) + M (Y ) =260+90=350.
Exemplul 2.7. În cazul fabricării unei plăci dreptunghiulare lungimea (în mm) şi lăţimea
sunt variabile aleatoare (independente) X , respectiv Y . Deci şi aria este, de
asemenea, variabilă aleatoare.
Valorile medii sunt M ( X ) =120mm, M (Y ) =80mm. Valoarea medie a ariei va
fi egală cu M ( XY ) = M ( X ) M (Y ) = 120 ⋅ 80 = 9600 mm 2 .
44
Variabile aleatoare
2.3.2. Dispersia
În multe cazuri nu este suficientă caracterizarea unei variabile aleatoare
numai prin valoarea medie. În cazul producţiei de şuruburi, o caracteristică
importantă este diametrul şurubului care poate fi interpretat în sens
probabilistic ca o variabilă aleatoare X . La reglarea bună a maşinilor
valoarea medie este egală cu valoarea nominală. În timpul producţiei se
constată că diametrele multor şuruburi sunt mai mari sau mai mici decât
valoarea nominală: în cazul unei medii egale, abaterea de la valoarea
nominală poate să fie, în cazul unei maşini, pozitivă, la altele negativă. Ele
însă trebuie să se afle în interiorul unor limite de toleranţă impuse.
Pentru descrierea acestor aspecte se foloseşte dispersia a cărei rădăcină
pătrată se numeşte abatere medie pătratică sau abatere standard. Ea este o
măsură a devierii de la medie.
Exemplul 2.8. La aruncarea unui zar, numărul obţinut constituie o variabilă aleatoare X
(vezi exemplul 1.1) cu valoarea medie
7
μ = M (X ) = .
2
Dispersia variabilei X va fi
2 2 2 2 2 2
7 1 7 1 7 1 7 1 7 1 7 1
D2 ( X ) = 1 − ⋅ + 2 − ⋅ + 3 − ⋅ + 4 − ⋅ + 5 − ⋅ + 6 − ⋅
2 6 2 6 2 6 2 6 2 6 2 6
σ 2 = D 2 ( X ) = 2,92.
45
Variabile aleatoare
Teorema 2.2. Fie X , Y două variabile aleatoare independente iar a o constantă. Atunci
sunt adevărate afirmaţiile:
a) D 2 (a ) = 0 (dispersia unei constante este nulă);
b) D 2 ( X + a ) = D 2 ( X ) (două variabile care diferă printr-o constantă au
dispersii egale);
c) D 2 ( aX ) = a 2 D 2 ( X ) (dispersia produsului dintre o constantă şi o variabilă
aleatoare este egală cu produsul dintre pătratul constantei şi dispersia
variabilei);
d) D 2 ( X + Y ) = D 2 ( X ) + D 2 (Y ) (dispersia sumei a două variabile aleatoare
independente este egală cu suma dispersiilor variabilelor respective).
Exemplul 2.9. La aruncarea cu două zaruri, suma numerelor pe care le obţinem este
suma celor două variabile aleatoare independente X şi Y care reprezintă
numărul obţinut la primul, respectiv al doilea zar. Dispersiile variabilelor X şi
Y sunt (conform exemplului 2.8) D 2 ( X ) = D 2 (Y ) = 2,92. Atunci dispersia
variabilei aleatoare X + Y va fi
D 2 ( X + Y ) = D 2 ( X ) + D 2 (Y ) = 2,92+2,92=5,84.
2.3.3. Momente
46
Variabile aleatoare
Vom scrie
M k (X ) = M (X k ).
Dacă X are distribuţia
x x2 ... xn
X 1 ,
p1 p2 ... p n
atunci
M k ( X ) = M ( X k ) = p1 x1k + p 2 x2k + ... + p n xnk ,
dacă toate expresiile x1k , x2k ,..., xnk au sens.
O variabilă aleatoare care ia numai valori pozitive are momente de orice
ordin.
Fiind date o variabilă aleatoare X şi o constantă α , vom numi abaterea
variabilei X de la constanta α , variabila X − α .
Momentul de ordinul k raportat la constanta α al variabilei X se defineşte
ca valoarea medie a variabilei ( X − α ) k .
Pentru α =0, obţinem momentul de ordin k al variabilei X introdus în
definiţia momentului iar pentru α = M ( X ) obţinem momentul centrat de
ordinul k al variabilei X . Dispersia variabilei X este momentul centrat de
ordinul doi.
Variabila X − M ( X ) se numeşte abaterea de la medie a variabilei X sau,
mai scurt, abaterea variabilei X .
Deoarece avem
M ( X − M ( X ) ) = M ( X ) − M ( X ) =0,
rezultă că valoarea medie a abaterii oricărei variabile aleatoare este nulă.
De multe ori, la o variabilă aleatoare, ne interesează cât de mult se abat
valorile variabilei de la medie. Deoarece valoarea medie a abaterii de la
medie nu este edificatoare (fiind nulă întotdeauna), este firesc să
caracterizăm împrăştierea variabilei X , prin valoarea medie a variabilei
X − M (X ) .
47
Variabile aleatoare
Soluţie:
Notăm cu X variabila aleatoare considerată. Mulţimea valorilor sale este
{3,4,5,6,7}.
Avem
P4 =4!=24
numere care se forma cu patru cifre distincte. Dintre acestea 4 au suma
primelor două cifre 3,4,6 sau 7 iar 8 au suma cifrelor 5.
De aici rezultă
4 1
P ( X = 3) = P ( X = 4) = P ( X = 6) = P ( X = 7) = = ,
24 6
8 1
P ( X = 5) = =
24 3
şi deci repartiţia variabilei X este
3 4 5 6 7
X1 1 1 1 1.
6 6 3 6 6
1 1 1 1 1
M (X ) = 3⋅ + 4 ⋅ + 5⋅ + 6 ⋅ + 7 ⋅ = 5
6 6 3 6 6
1 1 1 1 5
D 2 ( X ) = (3 − 5) 2 + (4 − 5) 2 + (6 − 5) 2 + (7 − 5) 2 = ≈ 1,66
6 6 6 6 3
D( X ) = 1,66 ≈ 1,29 .
Abaterea medie va fi
1 1 1 1
3 − 5 ⋅ + 4 − 5 ⋅ + 6 − 5 ⋅ + 7 − 5 ⋅ = 1.
6 6 6 6
48
Variabile aleatoare
Răspunsurile
la acest test
se vor da în
spaţiul liber
din chenar, în
continuarea
enunţurilor
0 1
2. Se dă variabila aleatoare X . Să se facă tabloul repartiţiei
0,3 0,7
pentru X n ( n ∈ * ).
4 10 20
3. Se consideră variabila aleatoare având distribuţia X 1 1 1 .
4 2 4
Calculaţi M ( X ) , D 2 ( X ) , D( X ) .
49
Variabile aleatoare
O variabilă aleatoare este caracterizată complet prin repartiţia (distribuţia) sa.
Din punct de vedere al ariei de utilitate practică unele tipuri de repartiţii au o
mare importanţă. Vom descrie în cele ce urmează trei astfel de repartiţii.
50
Variabile aleatoare
Obţinem:
Teorema 2.4. Valoarea medie şi, respectiv, dispersia variabilei aleatoare X în cazul
repartiţiei binomiale sunt M ( X ) = np şi, respectiv D 2 ( X ) = np (1 − p ).
Demonstraţie (schiţă):
n
Utilizând formula (2.5), avem M ( X ) = kCnk p k (1 − p ) n −k .
k =0
Înlocuind combinările cu raportul de factoriale şi simplificând, obţinem
M ( X ) = np .
Din formula de calcul a distribuţiei (2.6), putem scrie
n
D 2 ( X ) = k 2 C nk p k (1 − p) n−k − (np ) 2 ,
k =0
iar de aici, în urma unor calcule simple, obţinem egalitatea din enunţ.
Exemplul 2.11. Un tratament împotriva obezităţii, urmat timp de o săptămână, conduce -
2
cu probabilitatea p = - la scăderea cu 1kg a greutăţii corporale, ceea ce
3
înseamnă că tratamentul a avut succes. Patru pacienţi urmează acest
tratament. Suntem în condiţiile schemei binomiale. Vom scrie explicit valorile
variabilei aleatoare X , care indică numărul pacienţilor pentru care
tratamentul a avut succes, şi vom calcula probabilităţile corespunzătoare
acestor valori. Vom întocmi, apoi, repartiţia acestei variabile şi vom calcula
valoarea medie, dispersia şi abaterea medie pătratică.
Folosind formula (2.7), avem
k 4− k
2
k 2
P( X + k ) = C
n 1 − , k =0,1,2,3,4,
3 3
de unde obţinem probabilităţile evenimentelor cerute:
4
1
- nici un succes: P ( X = 0) = =0,0124;
3
3
2 1
- un singur succes: P ( X = 1) = 4 ⋅ =0,0987;
3 3
2 2
2 1
- două succese: P ( X = 2) = 6 ⋅ =0,2964;
3 3
3
2 1
- trei succese: P ( X = 3) = 4 ⋅ =0,395;
3 3
4
2
- patru succese: P ( X = 4) = =0,1975.
3
Distribuţia lui X va fi:
0 1 2 3 4
X .
0,0124 0,0987 0,2964 0,395 0,1975
Caracteristicile lui X sunt:
2 2 1
M ( X ) = np = 4 ⋅ ≈ 2,666, D 2 ( X ) = 4 ⋅ ⋅ ≈ 0,888 , D ( X ) ≈ 0,942.
3 3 3
51
Variabile aleatoare
Exemplul 2.12. Într-o urnă se găsesc 5 bile albe şi 15 bile negre. Se fac 10 extrageri
introducându-se, după fiecare extragere, bila înapoi în urnă. Probabilitatea
n−k 10 − k
1 k 1 2
de a extrage o bilă albă este p = iar P10 ( k ) = C10 .
3 3 3
Repartiţia variabilei aleatoare X care indică numărul de bile albe extrase
este
0 1 2 3 4 5 6 7 8 9 10
X .
0 , 017 0 , 086 0 ,195 0 , 260 0 , 227 0 ,136 0 , 056 0 , 016 0 , 003 0 , 0003 0 , 00001
Să observăm, din distribuţia de mai sus, că cea mai mare probabilitate este
de a obţine 3 bile albe iar cea mai mică este să obţinem 10 bile albe.
Exemplul 2.13. Se consideră o urnă în care se găsesc a ≥ 1 bile albe şi b bile negre. Să
determinăm probabilitatea ca după n extrageri, cu punerea bilei înapoi în
urnă după fiecare extragere, să obţinem exact k ≤ n bile albe.
Soluţie:
În acest caz, probabilitatea de a obţine o bilă albă dintr-o extragere este
a b
p= iar a unei bile negre 1 − p = . Utilizând repartiţia binomială,
a+b a+b
rezultă că probabilitatea cerută este
1
Pn (k ) = n
C nk a k b n−k .
( a + b)
Exemplul 2.15. În 45% dintre partidele de şah dintre doi jucători A şi B a câştigat
jucătorul A (presupunem că la finele fiecărei partide există un câştigător). În
vederea participării la un campionat, cei doi au hotărât să mai joace amândoi
încă cinci partide. Care este probabilitatea ca jucătorul A să învingă în trei
din cele cinci partide?
Soluţie:
Probabilitatea ca jucătorul A să câştige o partidă în faţa lui B este
45 9
p= = (socotind că, din 100 de partide, A a câştigat 45). Avem de
100 20
calculat
9 3 ⋅112
P5 (3) = C53 ⋅ ≈ 0,275.
20 5
52
Variabile aleatoare
53
Variabile aleatoare
Teorema 2.6. Dacă X este variabila aleatoare care indică numărul de bile albe extrase
din cadrul schemei lui Poisson, atunci valoarea medie şi dispersia vor fi
D ( X ) = p1 + p 2 + ... + p n şi, respectiv
D 2 ( X ) = p1q1 + p 2 q 2 + ... + p n q n .
Exemplul 2.16. Într-un atelier sunt trei maşini. Prima dă 0,9% rebuturi, a doua 1% iar a
treia 1,3%. Se ia la întâmplare câte o piesă din lotul produs de fiecare
maşină şi se cere probabilitatea ca două dintre piese să fie bune şi una să fie
rebut. Se cer, de asemenea, valoarea medie şi dispersia variabilei aleatoare
X care indică numărul de piese bune extrase.
Soluţie:
Suntem în cadrul schemei Poisson. Probabilitatea căutată va fi coeficientul
lui x 2 din produsul
( p1 x + q1 )( p 2 x + q 2 )( p3 x + q3 )
unde p1 =0,991; p 2 =0,99; p3 =0,997,
q1 =0,009; q 2 =0,01; q3 =0,013.
Probabilitatea cerută va fi: p1 p 2 q3 + p1 p3 q 2 + p1 p3 q1 =0,031.
Cu ajutorul teoremei 2.6, calculăm valoarea medie şi dispersia variabilei X :
M ( X ) = p1 + p 2 + p3 =0,991+0,99+0,997=2,978
D 2 ( X ) = p1q1 + p 2 q 2 + p3 q3 =0,03178.
54
Variabile aleatoare
55
Variabile aleatoare
Teorema 2.7. Valoarea medie şi dispersia variabilei aleatoare care indică numărul de bile
albe extrase, din schema hipergeometrică, se calculează cu formulele:
na a+b−n
M (X ) = = np ; D 2 ( X ) = npq ,
a+b a + b −1
a
unde s-a notat p = , q = 1− p .
a+b
Exemplul 2.18. Într-o cutie se găsesc 15 mere dintre care 3 stricate. Care este
probabilitatea ca, luând la întâmplare 5 mere din cutie să fie unul stricat?
Soluţie:
Modelând într-un mod evident problema noastră, asociem merele stricate cu
bilele albe iar cele bune cu bilele negre.
Avem, aşadar, cu notaţiile de mai sus,
a =3, b =12, n =5, α =1, β =1- α =4.
Conform formulei (2.9), avem:
C31C124 1485
P5 (1) = = ≈ 0,494.
C155 3003
Exemplul 2.19. Se consideră două urne conţinând fiecare câte 49 de bile numerotate
1,2,…,49. Se extrag din fiecare urnă câte 6 bile (fără punerea bilelor extrase
înapoi). Vom determina probabilitatea ca 5 dintre numerele extrase din cele
două urne să coincidă.
Soluţie:
Problema poate fi pusă în felul următor: efectuăm, pentru început,
extragerea din prima urnă, numerele obţinute fiind n1 , n2 ,..., n6 . Presupunem,
acum, că bilele cu numerele n1 , n2 ,..., n6 sunt “albe" iar celelalte 43 sunt
“negre". Se cere probabilitatea ca, extrăgând 6 bile din a doua urnă, să
obţinem 5 bile albe.
Am ajuns, astfel, în condiţiile schemei hipergeometrice cu
a =6, b =43, α =5, β =1, n =6.
Conform formulei (2.9), probabilitatea căutată va fi:
C 65C 43
1
258
P6 (α ) = 6
= ≈ 0,0000184.
C 49 13983816
Exemplul 5.20. Din cele 100 de subiecte de pregătit pentru un examen, un student
reuşeşte să înveţe doar 70 până în ziua examenului. Pentru examen toate
subiectele au fost puse în mod aleator pe 20 de bilete, câte 5 subiecte pe
fiecare bilet. Care este probabilitatea ca, trăgând un bilet la examen,
studentul să ştie cel puţin trei subiecte de pe bilet?
56
Variabile aleatoare
Soluţie:
Asimilăm, şi aici, subiectele învăţate cu “bilele albe" iar celelalte cu “bilele
negre". Dintr-o urnă conţinând aceste “bile", extragem 5 dintre ele (fără a
pune bila înapoi). Care este probabilitatea ca, dintre bilele extrase, cel puţin
trei să fie albe?
Suntem în condiţiile de aplicare ale schemei hipergeometrice cu a =70,
b =30, n =5, α k = k + 2 , β = 3 − k , k =1,2,3.
Deci
k + 2 3− k
C 70 C30
P5 (α k ) = 5
, k = 1,2,3.
C100
Făcând calculele, obţinem:
iar de aici, evenimentele obţinerii a exact k “bile albe” în urma unei extrageri
fiind independente, deducem că probabilitatea cerută este
p = P5 (α1 ) + P5 (α 2 ) + P5 (α 3 ) = 0,316+0,365+0,160=0,841.
Răspunsurile
la acest test
se vor da în
spaţiul liber
din chenar, în
continuarea
enunţurilor
57
Variabile aleatoare
3. Dacă într-o urnă se găsesc a bile albe şi b bile negre, care este
probabilitatea ca, extrăgând o bilă, aceasta să fie albă? Dar dacă se
extrag simultan două bile, care este probabilitatea ca una să fie albă
iar cealaltă neagră?
Test (2)
1. Se va vedea teorema 2.4. Avem np = 50 , np (1 − p ) = 25 . Rezultă
n = 100 , p = 0,5 .
2. Se foloseşte schema binomială. Probabilitatea cerută este
4 6
4 1 5
C = .
10
6 6
a
3. Pentru prima întrebare, p1 = . Apoi suntem în condiţiile schemei
a+b
hipergeometrice cu α = 1 , β = 1 , n = 2 . Probabilitatea va fi
2ab
P2 (1) = .
a+b
58
Variabile aleatoare
1 2 3 4
1. Se consideră tabloul X
p 7 1 1 . Care este valoarea lui p
p
4 3 6
astfel încât tabloul de mai sus să reprezinte distribuţia unei variabile
aleatoare X ? În acest caz calculaţi probabilitatea ca X să ia o valoare
mai mică sau egală cu 3.
2. Se consideră variabilele independente
a 1 2 a +1 1 2
X 1 şi Y
1 2
.
p q − q p
3 3 3
Să se calculeze a astfel ca variabila X − Y să aibă dispersia
4
egală cu .
9
2.9. Bibliografie
1. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti, 1966 (pag.17-31)
2. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003 (pag.271-291)
3. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966 (pag.31-84)
4. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979 (36-57)
5. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980 (pag. 728-
733)
59
Statistică
UNITATEA DE ÎNVĂŢARE 3
STATISTICĂ
CUPRINS
Obiectivele Unităţii de învăţare 3…………………................………..…........ 60
3.1. Populaţie statistică……………………………………...........………......61
3.2. Selecţia, gruparea şi prelucrarea datelor……………............…..….... 62
3.3. Frecvenţă (absolută, relativă, cumulată)……………..............……......65
3.4. Serii statistice. Analogia cu noţiunea de variabilă aleatoare............... 71
3.5. Reprezentări grafice ale seriilor statistice………………..................... 74
3.6. Valori caracteristice ale unei serii statistice……………..............…..... 78
3.7. Comentarii şi răspunsuri la testele de autoevaluare…..............…….. 85
3.8. Lucrare de verificare pentru studenţi……………………...............…... 85
3.9. Bibliografie………………………………………………...............………86
60
Statistică
3.1.2. Vom numi populaţie statistică sau, mai simplu, populaţie, orice mulţime
definită de obiecte de aceeaşi natură care formează obiectul unei analize
statistice.
Elementele unei populaţii statistice se numesc unităţi statistice sau indivizi.
Trăsătura comună tuturor unităţilor unei populaţii care ne interesează în
cadrul analizei statistice se numeşte caracteristică.
O analiză statistică se poate face după una sau mai multe caracteristici.
Aceste caracteristici vor fi tratate ca variabile aleatoare.
Exemple 1) Dacă ne interesează greutatea unor băieţi de 10 ani dintr-un anumit oraş,
atunci:
- mulţimea tuturor băieţilor de 10 ani din acel oraş formează populaţia
statistică;
- fiecare băiat de zece ani din acel oraş este o unitate statistică;
- greutatea este caracteristica studiată.
Alte caracteristici ar putea fi: înălţimea, culoarea părului, şcoala unde învaţă,
naţionalitatea, sportul preferat, dacă are sau nu calculator etc.
2) Dacă dorim să studiem diametrul unor piese de acelaşi fel produse de o
maşină într-un anumit interval de timp, atunci:
- mulţimea pieselor fabricate de acea maşină în intervalul de timp
stabilit formează populaţia statistică;
- fiecare piesă constituie o unitate statistică;
- diametrul piesei este caracteristica studiată.
3) Dacă ne interesează rezultatele obţinute la bacalaureat de către
absolvenţii unui liceu în funcţie de mediile generale avute la absolvirea clasei
a XII-a, atunci:
61
Statistică
- mulţimea absolvenţilor acelui liceu constituie populaţia statistică;
- fiecare absolvent este o unitate statistică;
- media obţinută la sfârşitul clasei a XII-a şi, respectiv media
obţinută la bacalaureat constituie caracteristicile statistice studiate.
Se pot da numeroase alte exemple de mulţimi care pot constitui obiectul unei
analize statistice: distribuţia unui grup de persoane după sex, vârstă, studii
absolvite, judeţul de domiciliu, opţiune politică etc., distribuţia oraşelor unei
ţări după numărul de locuitori, numărul de locuitori cu vârsta până la 35 de
ani, numărul de şomeri la 1000 de locuitori, ponderea unei anumite minorităţi
etc.
Din exemplele de mai sus şi din multe altele dintre cele mai diverse, rezultă
existenţa a două feluri de caracteristici.
O caracteristică se numeşte cantitativă dacă se poate măsura şi se poate
astfel evalua o dimensiune numerică a sa. În caz contrar, caracteristica se
numeşte calitativă.
Astfel, greutatea corporală, diametrul unei piese, media la bacalaureat, preţul
unui obiect etc. sunt exemple de caracteristici cantitative. Între aceste
caracteristici distingem unele care pot lua numai valori întregi (numărul de
locuitori ai unui oraş, numărul cărţilor citite în ultima lună, numărul unităţilor
sanitare de pe teritoriul unui oraş etc.).
Aceste caracteristici se numesc discrete sau discontinue.
O caracteristică se numeşte continuă dacă poate lua valori într-un interval
finit sau infinit. Aşa ar fi, de exemplu: greutatea, temperatura, viteza.
Ca exemple de caracteristici calitative, avem: culoarea ochilor, sexul, sportul
preferat, profesia, tratament reuşit/ nereuşit etc.
62
Statistică
3.2.2. Pentru rezolvarea unei probleme prin metode statistice trebuie făcut un plan
al experimentului care să conţină metoda de culegere a datelor, volumul
selecţiei şi drumul pe care trebuie să-l parcurgem pentru aflarea soluţiei. Cu
cât planificarea este făcută mai bine, cu atât rezultatele pe care le obţinem
cu ajutorul metodelor statistice sunt mai concludente.
Planificarea trebuie să ne asigure că nu s-a omis nici o dată importantă
pentru rezultate şi de asemenea trebuie evitat ca folosind o cantitate mare de
experimente să obţinem acelaşi lucru ca în cazul folosirii unui lot de
experimente mai mic şi deci un cost mai redus.
Pentru o selecţie optimă trebuiesc avute în vedere:
1) Materialul investigat trebuie să fie omogen; în timpul investigaţiilor
metoda de testare trebuie să fie aceeaşi.
2) Erorile sistemice sau diferite influenţe trebuie excluse pe cât posibil. De
exemplu, testarea unor îngrăşăminte chimice să se facă pe parcele de
pământ paralele, condiţiile de testare să nu fie influenţate de temperatura
mediului, umiditate, calitatea solului, perioada anului etc.
3) Un control este necesar, dacă există valori standard pentru
caracteristicile analizate. Astfel, dacă se testează un îngrăşământ chimic,
trebuie comparat rezultatul asupra unui lot de plante tratat cu al unuia, cu
aceleaşi plante, dar netratat.
4) Alegerea selecţiei se face aleator sau reprezentativ. O alegere aleatoare
este aceea în care fiecare element are aceeaşi probabilitate de a face
sau nu parte din selecţie. Astfel, dintr-un lot de şuruburi, de exemplu,
selecţia trebuie aleasă astfel încât şuruburile să fie produse de diferite
maşini. O alegere aleatoare a elementelor se poate face, de exemplu, cu
ajutorul calculatorului. O alegere reprezentativă în cazul unei selecţii se
face dacă materialul cercetat poate fi partiţionat în submulţimi care au, în
general, valori apropiate din punctul de vedere al caracteristicii studiate.
Din interiorul unei astfel de clase alegerea se face aleator. De exemplu
dacă se studiază opţiunile politice la nivelul ţării, selecţia se partiţionează
pe grupe de vârstă, studii, regiuni geografice etc.
5) Volumul eşantionului. Este adevărat că deducţiile făcute pe baza unei
selecţii mai mari sunt mai exacte. În funcţie de precizia impusă, este
uneori necesar să considerăm un eşantion mai mic, efortul şi costurile
fiind, în acest caz, mult mai reduse.
63
Statistică
176 173 161 171 174 168 178 166 169 172 170 176
181 172 163 174 173 169 172 175 158 182 178 164
186 190 173 173 169 171 176 172 188 175 174 177
162 170 176 177 171 164 162 175 176 176 180 175
175 180 174 171 175 170 179 186 177 178 169 180
188 173 172 174 183 177 176 174 181 159 183 174
179 167 165 182 176 178 171 169 168 179 177 181
170 168 174 175 173 178 185 171 165 167 174 185
177 178 184 177 173 177 162 177 173 170 176 179
175 172 179 168 171 175 165 178 172 175 166 171
Tabelul 3.1
Este clar că, sub această formă, tabelul nu ne permite să tragem multe
concluzii cu caracter mai general legate de caracteristica studiată. De aceea
este necesar să facem o grupare a acestor date. O primă posibilitate de
grupare, este aceea în care clasele considerate sunt corespunzătoare
valorilor caracteristicii (valorilor găsite ale înălţimilor), ca în tabelul 3.2.
cm. Nr. cm. Nr. cm. Nr. cm. Nr. cm. Nr.
Pers Pers Pers Pers Pers
158 1 165 3 171 8 177 9 183 2
159 1 166 2 172 7 178 7 184 1
161 1 167 2 173 8 179 5 185 2
162 3 168 4 174 9 180 3 186 2
163 1 169 5 175 10 181 3 188 2
164 2 170 5 176 9 182 2 190 1
Tabelul 3.2
64
Statistică
Clase de Număr
valori în cm. Persoane
< 160 2
160 –165 7
165 –170 16
170 –175 37
175 –180 40
180 –185 11
185 –190 7
Total 120
Tabelul 3.3
Exemplul 3.2. Iată un exemplu1 în care este prezentată distribuţia consumului de zahăr,
orez, făină în primele şase luni ale anului în cadrul cantinei unui liceu (în
acest caz, după cum observăm, ambele caracteristici sunt calitative).
Rezultatul este ilustrat în tabelul 3.4.
Tabelul 3.4
Din acest tabel reiese imediat că, în luna februarie, s-au consumat 100kg de
zahăr şi 195kg de făină, iar în luna aprilie au fost consumate 74kg de orez
etc.
1
Datele prezentate sunt imaginare
65
Statistică
66
Statistică
Tabelul 3.5
Din modul în care sunt structurate datele din exemplul precedent, putem
trage uşor unele concluzii legate de rezultatele obţinute la teză de clasa
respectivă.
Astfel, cei mai mulţi elevi au obţinut nota 7 sau notele învecinate 6 şi 8 etc.
Sunt dese situaţiile când dorim să avem informaţii de genul: “câte unităţi
statistice corespund valorilor caracteristicii situate sub sau deasupra unui
anumit prag". În exemplul 3.3 dorim să vedem câţi elevi avem cu note mai
mici sau egale cu 4 şi care este ponderea lor sau dorim să vedem câţi elevi
avem cu note mai mari sau egale cu 7 şi care este procentul acestora etc.
2
În cazul caracteristicilor cantitative vom considera numai tabele în care valorile
caracteristicii sunt scrise în ordine crescătoare
67
Statistică
Tabelul 3.6
Exemplul 3.5. Să considerăm datele din exemplul 3.2 care reprezintă consumul de zahăr
pe primele şase luni ale anului. Frecvenţele absolute sunt, în acest caz,
cantităţile de zahăr consumate în fiecare dintre lunile considerate. În tabelul
următor sunt reprezentate frecvenţele absolute cumulate descrescătoare,
respectiv crescătoare ale analizei considerate.
Tabelul 3.7
68
Statistică
Tabelul 3.8
Tabelul 3.9
69
Statistică
Răspunsurile
la test se vor
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor
70
Statistică
Remarcă O serie statistică definită ca mai sus se mai numeşte serie simplă sau
unidimensională deoarece datele observării statistice sunt grupate doar după
o caracteristică. Se pot defini şi seriile condiţionate sau multidimensionale în
care se grupează datele după două sau mai multe caracteristici însă acest tip
de serii depăşesc cadrul acestui manual.
Se poate remarca analogia cu distribuţia variabilelor aleatoare (a se vedea
secţiunea 2.1 din unitatea de învăţare 1).
Dacă distribuţia unei variabile aleatoare o scriem
x1 x2 ... xn
p p
1 2 ... p n
unde pe prima linie sunt trecute valorile variabilei, iar în cea de a
doua linie probabilităţile corespunzătoare acestor valori, tabelul 3.10
corespunzător unei caracteristici cantitative va fi scris ca mai jos:
Valori Frecvenţe
x1 f1
x2 f2
xn fn
Tabelul 3.10
Nota Frecvenţa
2 0,025
3 0,025
4 0,05
5 0,1
6 0,175
7 0,375
8 0,15
9 0,075
10 0,025
Tabelul 3.11
Exemplul 3.7. Să presupunem că cei 200 de absolvenţi ai unui liceu sunt întrebaţi unde
doresc să-şi continue studiile. Astfel, doar 180 dintre ei doresc să urmeze
învăţământul superior, iar ceilalţi nu doresc să-şi continue studiile. Dintre cei
180, 60 optează pentru profilul tehnic, 25 pentru profilul economic, 32 pentru
filologie, 50 pentru profilul informatică iar 13 doresc să se înscrie în alte
profile.
Populaţia statistică este, în acest caz, mulţimea absolvenţilor liceului
respectiv, efectivul total este 200, variabila statistică (caracteristica) este
opţiunea fiecărui absolvent. Valorile posibile ale acestei variabile vor fi
codificate astfel:
v1 = “profil tehnic”;
v2 = “profil economic”;
v3 = “profil filologic”;
v4 = “profil informatic”;
v5 = “alte profile”;
v6 = “nu doresc să continue studiile”.
În acest caz, avem n =200 şi notăm cu ni numărul unităţilor statistice
(absolvenţilor) pentru care s-a obţinut valoarea vi ( i =1,2,3,4,5,6). Avem
n1 =60, n2 =25, n3 =32, n4 =50, n5 =13, n6 =20.
Frecvenţele relative vor fi:
n1 60 n 25 n 32
f1 = = = 0,300 , f 2 = 2 = = 0,125 , f 3 = 3 = = 0,160
n 200 n 200 n 200
n 50 n 13 n 20
f4 = 4 = = 0,250 , f 5 = 5 = = 0,065 , f 6 = 6 = = 0,100
n 200 n 200 n 200
72
Statistică
Valori Frecvenţe
v1 0,300
v2 0,125
v3 0,160
v4 0,250
v5 0,065
v6 0,100
1,000
Tabelul 3.12
Frecvenţe în
Opţiuni procente, %
Profil tehnic 30 %
Profil economic 12,5%
Profil filologic 16 %
Profil informatic 25 %
Alte profile 6,5%
Nu cont. studiile 10 %
TOTAL 100 %
Tabelul 3.13
3
Datele sunt imaginare
73
Statistică
Data Procent
contribuabili
Perioada Nr. 15 martie 1990 88,3 %
Absolvenţi 15 martie 1991 81,1 %
1970 –1974 620 15 martie 1992 78,7 %
1975 –1979 610 15 martie 1993 65,3 %
1980 –1984 640 15 martie 1994 52,6 %
1985 –1989 680 15 martie 1995 50,9 %
1990 –1994 990 15 martie 1996 49,4 %
1995 –1999 1300 15 martie 1997 67,3 %
2000 –2004 1280 15 martie 1998 69,0 %
15 martie 1999 66,1 %
15 martie 2000 59,9 %
Tabelul 3.14
Tabelul 3.15
74
Statistică
Figura 3.1
Figura 3.2
75
Statistică
Figura 3.3.
76
Statistică
Grupe de Frecvenţa
vârstă absolută
20 –25 15
25 –30 18
30 –35 25
35 –40 38
40 –45 42
45 –50 32
50 –55 18
55 –60 12
77
Statistică
Figura 3.7.
3.6.1. În cele ce urmează vom numi valoare centrală a unei clase de variaţie,
media aritmetică a extremităţilor acelei clase. Astfel, dacă luăm în
considerare exemplul 3.1, tabelul 3.3, valoarea centrală a clasei 160 -165
este 162,5, a clasei 175 -180 este 177,5 şi admitem ca valoare centrală a
primei clase (<160) ca fiind 157,5. De asemenea, considerând tabelul 1.16 în
exemplul 3.8, valoarea centrală a clasei 25 - 30 este 27,5, a clasei 50 - 55
este 52.5 etc.
3.6.2. Vom numi modul sau dominantă a unei serii statistice, valoarea
caracteristicii corespunzătoare celei mai mari frecvenţe în cazul când valorile
caracteristicii sunt date individual şi valoarea centrală a clasei
corespunzătoare celei mai mari frecvenţe, în cazul când se dau clase de
variaţie.
Această noţiune prezintă interes mai ales în cazurile când avem o singură
dominantă.
Astfel, pentru exemplul 3.7, din tabelul 3.12, deducem că dominanta este v1
(profilul tehnic), pentru exemplul 3.3 (tabelul 3.5) dominanta este 7 iar pentru
exemplul 3.8 (tabelul 3.16) dominanta este 42.5 etc.
78
Statistică
3.6.3. Un număr real Me se numeşte mediană a unei serii statistice dacă numărul
valorilor caracteristicii mai mici decât Me este egal cu numărul valorilor mai
mari ca Me .
Cu alte cuvinte, mediana este valoarea “de mijloc" a şirului tuturor valorilor
caracteristicii ordonate crescător. Astfel, dacă reprezintă valorile
caracteristicii, x1 ≤ x2 ≤ ... ≤ xn , atunci mediana va fi:
x k +1 , daca n = 2k + 1
Me = 1 .
2 ( x k + x k +1 ) daca n = 2 k
Să presupunem că, de exemplu, valorile caracteristicii sunt: 2, 2, 3, 5, 5, 6, 6,
1
7, 8, 8. Atunci mediana va fi (5 + 6) = 5,5 .
2
Exemplul 3.9. Dacă se consideră notele obţinute la teza de la matematică de către cei 40
de elevi ai unei clase din exemplul 3.3, ilustrate în tabelul 3.5, avem
următoarele valori ale caracteristicii scrise în ordine crescătoare:
2,3,4,4,5,5,5,5,6,6,6,6,6,6,6,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,
8,8,8,8,8,8,9,9,10.
Mediana va fi 7.
Exemplul 3.10. Analizând datele din exemplul 3.8 prezentate în tabelul 3.16, constatăm
că sunt 96 de angajaţi cu vârste mai mici (strict) de 40 de ani şi 62 de
angajaţi cu vârste mai mari sau egale cu 45 de ani. Aşadar, considerându-i
pe cei 200 de angajaţi scrişi în ordinea crescătoare a vârstelor, mediana se
va găsi în clasa de vârstă corespunzătoare mediei vârstelor celui de-al 100-
lea şi de-al 101-lea angajat, adică 40 ≤ Me < 45 . În această grupă de vârstă
se găsesc 42 de angajaţi. Presupunând că vârsta acestora creşte uniform în
intervalul [40,45), deducem că diferenţa de vârstă de la un angajat la altul va
1 5
fi ( 45 − 40) = ani. Vârsta celui de-al 100-lea angajat (care este al 4-lea
42 42
5
angajat din clasa sa de vârstă) este considerată a fi 40 + 4 ⋅ = 40,4 ani iar
42
5
al 101-lea 40 + 5 ⋅ = 40,6 ani, deci mediana va fi Me = 40,5 ani.
42
3.6.4. Ştim că media aritmetică a unor valori este egală cu raportul dintre suma
acestora şi numărul lor. Adică, media aritmetică a numerelor u1 , u 2 ,..., u N
u1 + u 2 + ... + u N
este egală cu .
N
Dacă dorim să calculăm salariul mediu lunar dintr-o anumită firmă, este firesc
să calculăm suma S a salariilor lunare ale tuturor angajaţilor (fondul de
salarii) iar apoi să o împărţim la numărul acestor angajaţi. Desigur că pot fi
angajaţi care au un acelaşi salariu. Să presupunem că salariile acordate de
firmă pot avea valorile: x1 , x2 ,..., x n iar y1 angajaţi au salariul x1 , y 2 angajaţi
au salariul x2 etc.
Atunci S = x1 y1 + x2 y 2 + ... + xn y n .
79
Statistică
Valoarea Frecvenţa
absolută
x1 y1
x2 y2
xn yn
Tabelul 3.17
80
Statistică
Exemplul 3.11. Să determinăm media de vârstă a celor N = 200 de angajaţi ai firmei din
exemplul 3.8.
Datele sunt trecute în tabelul 3.18.
Tabelul 3.18
Exemplul 3.12. Într-o secţie a unei firme cu 140 de muncitori se produc piese de acelaşi
fel, astfel: 16 dintre muncitori produc câte 28 piese fiecare, 25 dintre
muncitori produc câte 31 de piese, 20 produc câte 33 de piese, 30 produc
câte 35 de piese, 28 produc câte 38 de piese, iar 21 dintre muncitori produc
câte 43 de piese.
Să determinăm producţia medie pe muncitor.
Soluţie:
Notăm efectivul total (numărul muncitorilor secţiei) cu N = 140 , valorile
variabilei statistice x (numărul de piese executate) cu x1 , x2 ,..., x6 şi,
respectiv cu y1 , y 2 ,..., y 6 frecvenţele absolute ale valorilor respective
(numărul de muncitori care realizează numărul de piese corespunzător
valorii respective), N = y1 + y 2 + ... + y 6 .
81
Statistică
Tabelul 3.19
82
Statistică
( x1 − x ) 2 + ( x2 − x ) 2 + ... + ( xn − x ) 2
(3.2) σ = 2
n
Mărimea
σ = σ2
( x1 − x ) 2 y1 + ( x 2 − x ) 2 y 2 + ... + ( xn − x ) 2 y n
(3.3) σ =
2
.
N
83
Statistică
84
Statistică
Test 1
1. Tabelul va conţine pe prima coloană numerele 1,2,3,4,5,6 iar pe coloana
a doua numărul apariţiei unuia dintre cele 6 numere.
2. Populaţia statistică este mulţimea apartamentelor din blocul respectiv iar
caracteristica este numărul de camere. Celelalte elemente cerute sunt
date în tabelul următor:
Test 2
1. a) Distribuţia seriei statistice va fi:
Nr. cărţi, Nr. cititori,
xi yi
1 20
2 25
3 15
4 18
5 12
6 10
Total 100
3.9. Bibliografie
1. H.M. Ionescu, Statistică Matematică, Ed. Didactică şi Pedagogică,
Bucureşti, 1962 (pag.11-35)
2. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti, 1966 (p.281-289)
3. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003 (pag.292-308)
4. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966 (pag.113-119)
5. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979 (pag.53-93)
6. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980 (pag.743-
757)
86
Bibliografie
BIBLIOGRAFIE
1. H.M. Ionescu, Statistică Matematică, Ed. Didactică şi Pedagogică,
Bucureşti, 1962;
2. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti, 1966 ;
3. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003;
4. C. Năstăsescu ş.a., Exerciţii şi probleme de algebră pentru clasele IX-XII,
E.D.P., Bucureşti, 1983;
5. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966;
6. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979;
7. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980.
87
Proiect cofinanţat din Fondul Social European prin Programul Operaţional Sectorial Dezvoltarea Resurselor Umane 2007-2013
Investeşte în oameni!
Unitatea de Management al
Proiectelor cu Finanţare Externă
http://conversii.pmu.ro
e-mail: conversii@pmu.ro
IS
BN
97
8-
60
6-
51
5-
13
0-
7