Calitate și Fiabilitate

Capitolul 2. Noțiuni de teoria probabilităților

2.1 Introducere
2.2. Evenimente. Operații cu evenimente
2.3 Probabilități
2.4 Variabile aleatoare
2.5 Valori medii. Dispersie. Momente
2.6 Legi clasice de distribuție

1
 2.2. Evenimente. Operații cu evenimente

În teoria probabilităților se lucrează cu evenimente legate de o anume experiență. A

efectua o experiență înseamnă a alege, printr-un procedeu susceptibil de a fi repetat, un element
dintr-o mulțime dată.

 Evenimentul sigur. Evenimentul imposibil

 Evenimentul sigur (E): se produce cu certitudine la orice efectuare a experienței.
 Evenimentul imposibil (∅): nu se produce la nici o efectuare a experienței.

 Eveniment implicat de un alt eveniment

 evenimentul A implică evenimentul B (𝐴 ⊂ 𝐵), dacă realizarea lui A atrage după sine
realizarea lui B

 Operații cu evenimente: 𝐴 ∪ 𝐵, 𝐴 ∩ 𝐵, 𝐴ҧ
 2.3 Probabilități
Notații: {𝑲} -câmp de evenimente; A - eveniment al câmpului K; 𝑷 𝑨 , probabilitatea lui A
Proprietăți ale probabilității:
1) 0 ≤ P(A) ≤ 1, pt. ∀A ∈ K
2) P E = 1
3) P ∅ = 0
4) Dacă A ∩ B = ∅, atunci P A ∪ B = P A + P B
ഥ = 1 − P(A)
5) P A
6) Dacă A ⊂ B, atunci: P B − A = P B + P(A)
7) P B − A = P B + P( A ∩ B)
8) P A ∪ B = P A + P B − P( A ∩ B)
9) P A1 ∪ A2 ∪ ⋯ ∪ An ≤ P A1 + P A2 + ⋯ P(An )
 Probabilitatea condiționată:

𝑃(𝐴 ∩ 𝐵)
𝑃 𝐴⎹ 𝐵 =
𝑃(𝐵)

 Formula probabilității totale:

𝑃 𝐵 = 𝑃 𝐴1 𝑃 𝐵⎹ 𝐴1 + 𝑃 𝐴2 𝑃 𝐵⎹ 𝐴2 + ⋯ 𝑃(𝐴𝑛 )𝑃 𝐵⎹ 𝐴𝑛

 Formula lui Bayes:

𝑃 𝐴𝑖 𝑃 𝐵⎹ 𝐴𝑖
𝑃 𝐴𝑖 ⎹ 𝐵 =
𝑃 𝐴1 𝑃 𝐵⎹ 𝐴1 + 𝑃 𝐴2 𝑃 𝐵⎹ 𝐴2 + ⋯ 𝑃(𝐴𝑛 )𝑃 𝐵⎹ 𝐴𝑛
2.4 Variabile aleatoare
D: Variabila aleatoare (v.a.) este o mărime ce poate lua în cadrul unei experiențe una din
valorile sale posibile necunoscute dinainte, dar care sunt mai mult sau mai puțin frecvente la
repetarea experienței.

a) v.a. discrete (numărul de valori posibile este finit)

b) v. a. continue (numărul de valori posibile este infinit)

𝑥1 𝑥2 … 𝑥𝑘
Repartiția variabilelor aleatoare: 𝑋:
𝑝(𝑥1 ) 𝑝(𝑥2 ) … 𝑝(𝑥𝑘 )

𝑥𝑘 – valori posibile; 𝑝(𝑥𝑘 )-probabilitatea de apariție a acestor valori

 Funcția de repartiție a v.a X :  Densitate de repartiție sau de probabilitate:
𝑥
𝐹: 𝐑 → [0,1], 𝐹 𝑥 = 𝑃(𝑋 < 𝑥) 𝑑𝐹 𝑥
𝑓 𝑥 = ; 𝐹 𝑥 = න 𝑓 𝑥 𝑑𝑥
𝑑𝑥
−∞

Proprietăți: Proprietăți:

1) 0 ≤ F x ≤ 1 1. ∀x, f x ≥ 0
∞
2) x1 < x2 ⇒ F x1 ≤ F x2 2. ‫׬‬−∞ f x dx = 1

3) F −∞ = 0 și F ∞ = 1. • 𝑓 𝑥 se mai numește și lege de repartiție

(lege de densitate de repartiție).
b
4) P X ∈ a, b = ‫׬‬a f x dx = F b − F a

6
 2.5 Valori medii. Dispersii. Momente

𝑥1 𝑥2 … 𝑥𝑘
Fie X o v.a a cărei repartiții este dată de expresia: 𝑋:
𝑝1 𝑝2 … 𝑝𝑘

Se numește valoare medie a v.a X numărul: 𝑀 𝑋 = 𝑝1 𝑥1 + 𝑝2 𝑥2 + ⋯ + 𝑝𝑛 𝑥𝑛 = σ𝑛𝑖=1 𝑝𝑖 𝑥𝑖

• Dacă X este o variabilă aleatoare de tip continuu care are densitatea de repartiție 𝑓(𝑥):
+∞

𝑀 𝑋 = න 𝑥𝑓(𝑥)𝑑𝑥
−∞

7
2.5 Valori medii. Dispersii. Momente

Valoarea medie are următoarele proprietăți:

1. 𝑀 𝑋 + 𝑌 = 𝑀 𝑋 + 𝑀(𝑌), adică valoarea medie a sumei a două variabile aleatoare
este egală cu suma valorilor medii.
2. Dacă c este o constantă reală, atunci:
 𝑀 𝑐 =𝑐
 𝑀 𝑐𝑋 = 𝑐𝑀(𝑋)
 𝑀 𝑐 + 𝑋 = 𝑐 + 𝑀(𝑋)
3. Dacă X și Y sunt v.a independente, atunci:
𝑀 𝑋𝑌 = 𝑀(𝑋)𝑀(𝑌)

8
 2.5 Valori medii. Dispersii. Momente

Se numește dispersie a variabilei aleatoare X și se notează cu 𝐷2 𝑋 sau 𝜎 2 numărul:

𝜎 2 = 𝐷2 𝑋 = 𝑀 (𝑋 − 𝑚)2

unde 𝑚 = 𝑀 𝑋 . Pentru simplificarea notației vom scrie 𝑀(𝑋 − 𝑚)2 în loc de 𝑀 (𝑋 − 𝑚)2 .
∞

𝐷2 𝑋 = ෍ 𝑝𝑖 (𝑥𝑖 − 𝑚)2
𝑖=1

• Dacă X este o v.a de tip continuu cu densitatea de repartiție 𝑓 𝑥 atunci :

+∞

𝐷2 𝑋 = න (𝑥 − 𝑚)2 𝑓(𝑥)𝑑𝑥
−∞

9
2.5 Valori medii. Dispersii. Momente

Dispersia are următoarele proprietăți:

1. 𝐷2 𝑋 ≥ 0, pentru orice v.a X

2. 𝐷2 𝑋 = 𝑀 𝑋 2 − 𝑀(𝑋) 2

3. 𝐷2 𝑐𝑋 = 𝑐 2 𝐷2 𝑋
4. Dacă v.a 𝑋1 , 𝑋2 , … , 𝑋𝑛 sunt independente două câte două, atunci
𝐷2 𝑋1 + 𝑋2 + … +𝑋𝑛 = 𝐷2 𝑋1 + 𝐷2 𝑋2 + ⋯ + 𝐷2 (𝑋𝑛 )

10
 2.5 Valori medii. Dispersii. Momente

Se numește moment de ordinul k al variabilei X ¸si se notează cu 𝑀𝑘 (𝑋), valoarea medie a

variabilei 𝑋 𝑘 : 𝑚𝑘 = 𝑀𝑘 𝑋 = 𝑀(𝑋 𝑘 )

Momentul de ordin k este dat de formula: 𝑀𝑘 𝑋 = σ∞

𝑖=1 𝑝𝑖 𝑥𝑖
𝑘

• Dacă X este o v.a de tip continuu cu densitatea de repartiție 𝑓 𝑥 atunci:

+∞

𝑀𝑘 𝑋 = න 𝑥 𝑘 𝑓(𝑥)𝑑𝑥
−∞

11
2.6 Legi clasice de distribuție
a) Distribuția exponențială
0, 𝑝𝑒𝑛𝑡𝑟𝑢 𝑡 ≤ 0
 Densitatea de repartiție: 𝑓 𝑡 = ቊ −𝜆𝑡
𝜆𝑒 , 𝑝𝑒𝑛𝑡𝑟𝑢 𝑡 > 0
𝑥
𝑥
 Funcția de repartiție: 𝐹 𝑥 = න 𝑓 𝑡 𝑑𝑡 = න 𝜆𝑒 −𝜆𝑡 = 1 − 𝑒 −𝜆𝑥 , 𝑝𝑒𝑛𝑡𝑟𝑢 𝑥 > 0
0
−∞

Graficul densității distribuției exponențiale Graficul funcției de repartiție a distribuției exponențiale

de parametru λ = 0,5 de parametru λ = 0,5
12
2.6 Legi clasice de distribuție
a) Distribuția exponențială

+∞ +∞
1
 Valoarea medie: 𝑀 𝑋 = න 𝑡𝑓 𝑡 𝑑𝑡 = න 𝑡𝜆𝑒 −𝜆𝑡 𝑑𝑡 =
𝜆
−∞ 0

+∞ +∞ 2
2 2
1 −𝜆𝑡
1
 Dispersia: 𝐷 𝑋 = න 𝑡 − 𝑚 𝑓 𝑡 𝑑𝑡 = න 𝑡− 𝜆𝑒 𝑑𝑡 = 2
𝜆 𝜆
−∞ 0

13
 2.6 Legi clasice de distribuție
b) Distribuția Weibull
0, 𝑝𝑒𝑛𝑡𝑟𝑢 𝑡 ≤ 0
 Densitatea de repartiție: 𝑓 𝑡 =ቊ
𝜆𝛼𝑡 𝛼−1 𝑒𝑥 𝑝( − 𝜆𝑡 𝛼 ), 𝑝𝑒𝑛𝑡𝑟𝑢 𝑡 > 0

 Funcția de repartiție: 𝐹 𝑡 = 1 − exp −𝜆𝑡 𝛼 , 𝑡 > 0

Densitatea de repartiție a distribuției Weibull cu 𝜆 = 2, 𝛼 = 3 Funcția de repartiție a distribuției Weibull cu 𝜆 = 2, 𝛼 = 3

14
2.6 Legi clasice de distribuție
b) Distribuția Weibull

1
−𝛼 1
 Valoarea medie: 𝑚 = 𝜆 𝛤 +1
𝛼

2
−𝛼 2 1
 Dispersia: 𝜎2 = 𝜆 𝛤 +1 − 𝛤 2 +1
𝛼 𝛼

+∞ 𝑝−1 −𝑥
unde 𝛤 𝑝 = ‫׬‬0 𝑥 𝑒 𝑑𝑥 (funcția Gamma).

15
2.6 Legi clasice de distribuție
c) Distribuția normală (Gauss)
2
1𝑡−𝑚
 Densitatea de repartiție: 𝑓 𝑡; 𝑚, 𝜎 = 𝑒𝑥𝑝 −
𝜎 2𝜋 2𝜎 2

Graficul densității repartiției normale

16
2.6 Legi clasice de distribuție
c) Distribuția normală (Gauss)

 Caz particular: Dacă 𝑚 = 0 și 𝜎 = 1 se spune că v.a X are repartiția normală standard

(sau redusă), notată 𝑁 0; 1 .
1 𝑡2
 Densitatea de repartiție : 𝑓 𝑡; 0,1 = 𝑒𝑥𝑝 −
2𝜋 2

Graficul densității repartiției normale standard 𝑁 0; 1

(clopotul lui Gauss)

17
2.6 Legi clasice de distribuție
c) Distribuția normală (Gauss)
𝑥 𝑥
1 𝑡−𝑚 2
 Funcția de repartiție: 𝐹 𝑥; 𝑚, 𝜎 = න 𝑓 𝑡; 𝑚, 𝜎 𝑑𝑡 = න 𝑒𝑥𝑝 − 𝑑𝑡
𝜎 2𝜋 2𝜎 2
−∞ −∞

 Valoarea medie: 𝑀 𝑋 =𝑚

 Dispersia: 𝐷2 𝑋 = 𝜎 2

18