MATEMATICI ECONOMICE SI FINANCIARE SEMESTRUL 2

ELEMENTE DE TEORIA GRAFURILOR

1. Noiuni generale n general, pentru situaiile care necesit la rezolvare un oarecare efort mental (i un caz tipic este cel al celor din economie), se caut, n primul rnd, o metod de reprezentare a lor care s permit receptarea ntregii probleme dintr-o privire (pe ct posibil) i prin care s se evidenieze ct mai clar toate aspectele acesteia. n acest scop se folosesc imagini grafice gen diagrame, schie, grafice etc. O reprezentare dintre cele mai utilizate este cea prin grafuri. Acestea sunt utilizate n special pentru vizualizarea sistemelor i situaiilor complexe. n general, vom reprezenta componentele acestora prin puncte n plan iar relaiile (legturile, dependenele, influenele etc) dintre componente prin arce de curb cu extremitile n punctele corespunztoare. ntre dou puncte pot exista unul sau mai multe segmente (n funcie de cte relaii dintre acestea, care ne intereseaz, exist) iar segmentelor li se pot asocia sau nu orientri (dup cum se influeneaz cele dou componente ntre ele), numere care s exprime intensitatea relaiilor dintre componente etc. Definiia 1 Se numete (multi)graf un triplet G = (X, A, f) n care X i A sunt dou mulimi iar f este o funcie, definit pe produsul cartezian al lui X cu el nsui (X2 = XX), care ia valori n mulimea prilor mulimii A (notat P(A)) Mulimea X se numete mulimea nodurilor multigrafului i elementele sale se numesc noduri (sau vrfuri) ale multigrafului, iar A reprezint mulimea relaiilor (legturilor) posibile ntre dou noduri ale multigrafului. Definiia 2 Se numete graf orientat un multigraf n care mulimea A are un singur element: A = {a}. n acest caz mulimea prilor mulimii A are doar dou elemente: mulimea vid i ntreaga mulime A. Dac unei perechi orientate (xi, xj) din X2 i se asociaz prin funcia f mulimea A atunci spunem ca exist arc de la nodul xi la nodul xj iar perechea (xi,xj) se va numi arcul (xi,xj). Nodul xi se numete nod iniial sau extremitate iniial a arcului (xi,xj) iar nodul xj se numete nod final sau extremitate final a arcului (xi,xj). Arcul (xi,xj) este incident spre interior vrfului xj i incident spre exterior vrfului xi. Dac pentru un arc nodul iniial coincide cu nodul final atunci acesta se numete bucl. Nodurile xi i xj se vor numi adiacente dac exist cel puin unul din arcele (xi,xj) i (xj,xi). Dac unei perechi orientate (xi, xj) din X2 i se asociaz prin funcia f mulimea vid atunci spunem c nu exist arc de la nodul xi la nodul xj. Este evident c a cunoate un graf orientat este echivalent cu a cunoate vrfurile i arcele sale. Din acest motiv putem defini un graf orientat prin perechea (X,U), unde X este mulimea vrfurilor sale iar U mulimea arcelor sale. De asemenea, putem cunoate un graf orientat cunoscnd mulimea nodurilor i, pentru fiecare nod, mulimea arcelor incidente spre exterior. Din acest motiv putem defini un graf orientat ca o pereche (X,) unde X este perechea nodurilor iar este o funcie definit pe X cu valori n 1

mulimea prilor lui X, valoarea acesteia ntr-un nod xi, (xi) X fiind mulimea nodurilor adiacente nodului xi, prin arce pentru care xi este extremitatea iniial. Definiia 3 Se numete graf neorientat un multigraf n care mulimea A are un singur element iar funcia f are proprietatea: f[(xi,xj)] = f[(xj,xi)] , oricare ar fi nodurile xi i xj din X n aceste condiii, dac f[(xi,xj)] = f[(xj,xi)] = A atunci perechea neorientat {xi,xj} este o muchie iar dac f[(xi,xj)] = f[(xj,xi)] = spunem c nu exist muchie ntre vrfurile xi i xj. Deoarece, n cele mai multe din cazurile practice care vor fi analizate n acest capitol, situaia este modelat matematic printr-un graf orientat, vom folosi, pentru simplificarea expunerii, denumirea de graf n locul celei de graf orientat iar n cazul n care graful este neorientat vom specifica acest fapt la momentul respectiv. 2. Moduri de reprezentare ale unui graf A. O prim modalitate de reprezentare este listarea efectiv a tuturor nodurilor i a arcelor sale. B. Putem reprezenta graful dnd pentru fiecare nod mulimea nodurilor cu care formeaz arce n care el este pe prima poziie. C. Putem reprezenta geometric graful, printr-un desen n plan, reprezentnd fiecare nod printr-un punct(cercule) i fiecare arc printr-un segment de curb care are ca extremiti nodurile arcului i pe care este trecut o sgeat orientat de la nodul iniial spre cel final. D. Putem folosi o reprezentare geometric n care nodurile sunt reprezentate de dou ori, n dou iruri paralele, de la fiecare nod din unul din iruri plecnd sgei spre nodurile cu care formeaz arce n care el este pe prima poziie, de pe al doilea ir (reprezentarea prin coresponden). E. Un graf poate fi reprezentat printr-o matrice ptratic boolean, de dimensiune egal cu numrul de noduri, n care o poziie aij va fi 1 dac exist arcul (xi,xj) i 0 n caz contrar, numit matricea adiacenelor directe. F. Un graf poate fi reprezentat printr-o matrice ptratic latin, de dimensiune egal cu numrul de noduri, n care pe o poziie aij va fi xixj dac exist arcul (xi,xj) i 0 n caz contrar. Exemplu: Dac n reprezentarea A avem graful G = (X,U), unde X = {x1, x2, x3, x4, x5, x6} i U = {(x1,x1), (x1,x2), (x1,x4), (x1,x5), (x2,x3), (x2,x4), (x2,x6), (x3,x1), (x3,x2), (x4,x5), (x5,x2), (x6,x4)}, atunci n celelalte reprezentri vom avea: B x1 x2 x3 x4 x5 x6 {x1, x2, x4, x5} {x3, x4, x6} {x1, x2} {x5} {x2} {x4} C x1 x6 x5 D (reprezentarea prin coresponden) x1 x2 x3 x4 x5 x6 x4 x2 x3

x1

x2

x3

x4

x5

x6 2

x1 x2 x3 x4 x5 x6

x1 1 0 1 0 0 0

x2 1 0 1 0 1 0

x3 0 1 0 0 0 0

x4 1 1 0 0 0 1

x5 1 0 0 1 0 0

x6 0 1 0 0 0 0

x1 x2 x3 x4 x5 x6 x1 x2 x3 x4 x5 x6
x1x1 x1x2 0 x1x4 x1x5 0 0 0 x 2x 3 x 2x 4 0 x 2x 6 x3x1 x3x2 0 0 0 0 0 0 0 0 x4x5 0 0 x5x2 0 0 0 0 0 0 0 x 6x 4 0 0

3. Concepte de baz n teoria grafurilor 1. semigraf interior al unui nod xk: este mulimea arcelor U k = {(xj,xk)/ (xj,xk) U} care x
sunt incidente spre interior nodului xk; 2. semigraf exterior al unui nod xk: este mulimea arcelor U + k = {(xk,xi)/ (xk,xi) U} care x sunt incidente spre exterior nodului xk; 3. semigradul interior al unui nod xk: este numrul arcelor care sunt incidente spre interior nodului xk = cardinalul lui U k i se noteaz cu x k ; x 4. semigradul exterior al unui nod xk: este numrul arcelor care sunt incidente spre + exterior nodului xk = cardinalul lui U + k i se noteaz cu x k ; x
+ 5. gradul unui nod xk: este suma semigradelor nodului xk: x k = x k + x k ;

nod izolat: este un nod cu gradul 0; nod suspendat: este un nod cu gradul 1; arce adiacente: arce care au o extremitate comun; drum ntr-un graf: o mulime ordonat de noduri ale grafului: (x1, x2, ..., xk), cu proprietatea c exist n graf toate arcele de forma (xi,xi+1) i = 1,...,k-1; 10. lungimea unui drum: este numrul arcelor care l formeaz; 11. drum elementar: un drum n care fiecare nod apare o singur dat; 12. drum simplu: un drum n care fiecare arc apare o singur dat; 13. putere de atingere a unui nod xi X n graful G: numrul de noduri la care se poate ajunge din xi. Puterea de atingere se noteaz cu p(xi), 1 i n i evident p(xi) x+i .

6. 7. 8. 9.

14. drum hamiltonian: un drum elementar care trece prin toate nodurile grafului; 15. drum eulerian: un drum simplu care conine toate arcele grafului; 16. lan: un drum n care arcele nu au neaprat acelai sens de parcurgere; 17. circuit: un drum n care nodul iniial coincide cu cel final; 18. circuit elementar: un drum n care fiecare nod apare o singur dat, cu excepia celui final, care coincide cu cel iniial; 19. circuit simplu: un drum n care fiecare arc apare o singur dat; 20. circuit hamiltonian: un circuit care trece prin toate nodurile grafului; 21. ciclu: este un circuit n care arcele nu au neaprat acelai sens de parcurgere; 22. ciclu elementar: un ciclu n care fiecare nod apare o singur dat, cu excepia celui final, care coincide cu cel iniial; 23. ciclu simplu: un ciclu n care fiecare arc apare o singur dat;
3

Observaie: ntr-un graf neorientat noiunile de drum i lan sunt echivalente i de asemenea cele de circuit i ciclu. 24. graf parial al unui graf G = (X,U): este un graf G'(X,U') cu U' U; 25. subgraf al unui graf G = (X,): este un graf G'(X',') unde X' X i '(xi) = (xi) X' pentru orice xi X'; 26. graf redus al unui graf G = (X,U): este un graf G*(X*,U*) unde X* este format din mulimile unei partiii de mulimi nevide ale lui X, iar ( X * , X * ) exist doar dac i j i j i

exist cel puin un arc n U, de la un nod din X * la un nod din X * . i j

27. graf tare conex: este un graf n care ntre oricare dou noduri exist cel puin un drum; 28. graf simplu conex: este un graf n care ntre oricare dou noduri exist cel puin un lan; Observaie: Pentru grafuri neorientat noiunile de tare conex i simplu conex sunt echivalente, graful numindu-se doar conex; 29. component tare conex a unui graf G = (X,U): este un subgraf al lui G care este tare conex i nu este subgraful nici unui alt subgraf tare conex al lui G (altfel spus, ntre oricare dou noduri din component exist cel puin un drum i nu mai exist nici un nod n afara componentei legat printr-un drum de un nod al componentei).
4. Gsirea drumurilor ntr-un graf orientat

Dac privim graful ca imagine a unui sistem, nodurile reprezentnd componentele sistemului, atunci o interpretare imediat a unui arc (xi,xj) este c, componenta xi influeneaz direct componenta xj. Dac nodurile au semnificaia de stri posibile ale unui sistem atunci un arc (xi,xj) semnific faptul c sistemul poate trece direct din starea xi n starea xj. n ambele cazuri se vede c avem de-a face doar cu informaii despre legturi directe; totui, chiar dac o component xi nu influeneaz direct componenta xj ea o poate influena prin intermediul altor componente, existnd un ir de componente intermediare: x1 x2 ,..., xk, fiecare influennd-o direct pe urmtoarea i xi direct pe x1 iar xk direct pe xj. Astfel, dac dintr-o stare xi nu se poate trece direct ntr-o stare xj s-ar putea totui n mai multe etape, prin alte stri intermediare. Deoarece gsirea acestor influene sau treceri posibile este de obicei foarte important iar pentru un sistem cu mii sau zeci de mii de componente acest lucru nu mai poate fi fcut "din ochi", este necesar formalizarea noiunii de "influene" i "treceri" posibile, nu neaprat directe. Acest lucru a i fost fcut mai sus, deoarece este evident c "xi influeneaz xj" sau "din starea xi se poate trece n starea xj" este echivalent cu existena n graf a unui drum de la nodul xi la nodul xj. n continuare vom da un algoritm prin care putem gsi toate drumurile dintr-un graf orientat cu un numr finit de noduri.
Pasul 1. Se construiete matricea boolean a adiacenelor directe corespunztoare grafului, notat cu A. n aceasta se afl, evident, toate drumurile de lungime 1.

Este interesant de vzut ce legtur exist ntre aceast matrice i drumurile de lungime 2. Fie dou noduri xi i xj oarecare din graf. Existena unui drum de lungime 2 ntre ele presupune existena unui nod xk, din graf, cu proprietatea c exist att arcul (xi,xk) ct i arcul (xi,xk). Pentru a vedea dac acesta exist, lum pe rnd fiecare nod al grafului i verificm dac exist sau nu ambele arce ((xi,xk) i (xi,xk)). Aceasta este echivalent cu a verifica dac, n matricea boolean a adiacenelor directe, exist vreun indice k astfel nct elementul k al liniei i i elementul k al coloanei j s fie ambele egale cu 1. Dac folosim operaiile algebrei booleene de adunare i nmulire: & & 0 1 0 1 + 0 0 1 0 0 0 1 1 1 1 0 1
4

atunci verificrile de mai sus sunt echivalente cu a verifica dac elementul de pe poziia (i,j) din A2 este egal cu 1. Valoarea 1 spune doar c exist cel puin un drum de lungime 2 de la xi la xj. Dac dorim s vedem i cte sunt, vom folosi regulile de nmulire i adunare obinuit. De asemenea, se poate observa c existena unui drum de lungime 3 de la xi la xj presupune existena unui nod xk astfel nct s existe un drum de lungime 2 de la xi la xk i un arc de la xk la xj, care este echivalent cu a verifica dac exist vreun indice k astfel nct elementul k al liniei i din matricea A2 i elementul k al coloanei j din A sunt ambele egale cu 1 sau, mai simplu, dac elementul (i,j) din A3 este 1. Din cele de mai sus se observ c existena drumurilor de lungime k este dat de valorile matricei Ak, dac s-au folosit regulile algebrei booleene i numrul lor este dat de Ak, dac s-au folosit regulile obinuite.
Pasul 2. Vom calcula succesiv puterile lui A pn la puterea An-1

Dac ntre nodurile xi i xj exist un drum de lungime n atunci el va conine un numr de noduri mai mare sau egal nu n+1 i, cum n graf sunt doar n vrfuri, este clar c cel puin unul, s zicem xk, va aprea de dou ori. Vom avea n acest caz un drum de la xi pn la prima apariie a lui xk, i un drum de la ultima apariie a lui xk la xj. Eliminnd toate nodurile dintre prima apariie a lui xk i ultima apariie a sa vom obine un drum de la xi la xj, n care xk apare o singur dat. Aplicnd acest procedeu pentru toate nodurile care apar de mai multe ori pe drum, vom obine un drum de la xi la xj, n care fiecare nod apare o singur dat (deci un drum elementar), care are evident cel mult n-1 arce. n concluzie, dac exist vreun drum de la xi la xj atunci exist i un drum elementar i, deci, va exista o putere a lui A, ntre A1 i An-1, n care poziia (i,j) este diferit de 0. Pentru deciderea existenei unui drum ntre oricare dou noduri este suficient, deci, calcularea doar a primelor n-1 puteri ale lui A.
Pasul 3. Se calculeaz matricea D = A + A2 + ... + An-1

Dac ne intereseaz doar existena drumurilor dintre noduri, nu i numrul lor, vom folosi nmulirea i adunarea boolean i conform observaiei de mai sus:
( ( 1 daca exista cel putin un drum de x i la x j dij = ( ( 0 daca nu exista nici un drum de x i la x j

n acest caz, observnd c: A(A + I)n2 = C 0 2 A + C 1 2 A2 + C 2 2 A3 + ... + C n 2 An1 = A + A2 + A3 + ... + An-1 = D n n n n 2 rezult c e suficient s calculm doar puterea n-2 a matricei A + I i apoi s-o nmulim cu A. Avantajul acestei metode, n ceea ce privete economia de timp, este susinut i de urmtoarea observaie: dac D conine toate perechile de arce ntre care exist drum atunci: D = (A + A2 + ... + An-1) + An + An+1 + ... + An+k = D oricare ar fi k 0 A(A + I)n2+k = (A + A2 + ... + An-1) + An + An+1 + ... + An+k-1 = D = A(A + I)n2 A(A + I)n2+k = A(A + I)n2 oricare ar fi k 0 deci de la puterea k = n-2 toate matricile Ak sunt egale. Putem, deci, calcula direct orice putere a lui A+I mai mare sau egal cu n-1 (de exemplu calculnd (A+I)2, (A+I)4, (A+I)8, ..., (A + I) 2 , r fiind prima putere a lui 2 pentru care 2r n-2). 5
r

Procedeul de mai sus nu asigur dect aflarea faptului dac exist sau nu drum ntre dou noduri, eventual ce lungime are i cte sunt de aceast lungime. Totui, n problemele practice cel mai important este s tim care sunt efectiv aceste drumuri. Deoarece toate drumurile pot fi descompuse n drumuri elementare i n problemele practice n general acestea sunt cele care intereseaz, paii urmtori ai algoritmului vor fi dedicai gsirii lor. Pentru gsirea acestora se folosete reprezentarea grafului prin matricea latin de la cazul F.
Pasul 4. Construim matricea latin L asociat grafului, unde:

( ( ~ x j daca exista arcul (x i , x j ) lij = ( ( 0 daca nu exista arcul (x i , x j ) numit matricea latin redus. Gsirea unui drum de lungime 2 de la xi la xj presupune gsirea unui nod cu proprietatea c exist arcele (xi,xk) i (xk,xj) i memorarea vectorului (xi, xk, xj). Aceasta este echivalent cu a gsi un indice k astfel nct elementul de pe poziia k a liniei i, din matricea L, s fie xi,xk i elementul ~ ~ de pe poziia k al coloanei j, din matricea L , s fie xj. Vom nmuli deci matricea L cu matricea L , folosind ns nite reguli de calcul speciale, numite nmulire i adunare latin.
Definiia 1: Se numete alfabet o mulime de semne numite simboluri sau litere {si/iI} unde I este o mulime oarecare de indici, finit sau nu. Definiia 2: Se numete cuvnt un ir finit de simboluri notat s i1 s i 2 ...s i n . Definiia 3: Se numete nmulire latin o operaie definit pe mulimea cuvintelor unui alfabet, notat " L ", astfel: s i1 s i 2 ...s i n L s j1 s j2 ...s jm = s i1 s i 2 ...s i n s j1 s j2 ...s jm

~ i matricea L , definit prin:

x x lij = i j 0

( ( daca exista arcul (x i , x j ) ( ( daca nu exista arcul (x i , x j )

(produsul a dou cuvinte se obine prin concatenarea lor) nmulirea latin este asociativ, are ca element neutru cuvntul vid, nu e comutativ i un element este inversabil doar dac este cuvntul vid. Definiia 3: Se numete adunare latin o funcie definit pe mulimea cuvintelor unui alfabet cu valori n mulimea parilor mulimi cuvintelor, notat " + L " astfel: s s ...s s i1 s i 2 ...s i n + L s j1 s j2 ...s jm = i1 i 2 i n s j1 s j2 ...s jm (suma a dou cuvinte este mulimea format din cele dou cuvinte)
Pasul 5. Se calculeaz succesiv matricile:

~ ~ L2 = L L L , L3 = L2 L L , ...

~ ,Lk+1 = Lk L L

folosind operaiile de nmulire i adunare latin, alfabetul fiind mulimea nodurilor grafului, unde operaia de nmulire este uor modificat, produsul dintre dou elemente ale matricilor fiind 0, dac unul dintre ele este 0 sau au un nod comun i este produsul latin al lor, n caz contrar. Din felul cum a fost construit, matricea Lk va conine toate drumurile elementare de lungime k. Cum un drum elementar poate avea cel mult n noduri (cte are graful cu totul) rezult c: primele n-1 puteri ale lui L conin toate drumurile elementare din graf; puterile lui L mai mari sau egale cu n au toate elementele egale cu 0; 6

 matricea Ln-1 conine toate drumurile hamiltoniene din graf (dac exist).
Observaie: Deoarece obinerea matricii D prin metoda de mai sus presupune un volum foarte mare de calcule (de exemplu, dac graful are 100 de noduri, ridicarea unei matrici de 100100 la puterea 100) pentru obinerea acesteia se poate aplica i urmtorul algoritm: Pas 1. Se construiete matricea de adiacen A; Pas 2. Pentru fiecare linie i se adun boolean la aceasta toate liniile j pentru care aij = 1. Pas 3. Se reia pasul 2 pn cnd, dup o aplicare a acestuia, matricea rmne aceeai (nu mai apare nici un 1) Ultima matrice obinut este matricea drumurilor D numit i matricea conexiunilor totale. Aceast metod, dei mai simpl nu spune ns i care sunt aceste drumuri, pentru gsirea lor aplicndu-se, de exemplu, nmulirea latin 5. ARBORI. Problema arborelui de valoare optim

n acest subcapitol grafurile vor fi considerate neorientate.

5.1. Noiunea de arbore

Un arbore este un graf neorientat, finit, conex i fr cicluri. Grafurile din fig. 4.1. sunt arbori. x1 x1 x1 a) x1 b) Figura 4.1 Studiul arborilor este justificat de existena n practic a unui numr mare de probleme care pot fi modelate prin arbori. Dintre acestea amintim: 1. construirea unor reele de aprovizionare cu ap potabil (sau cu energie electric sau termic etc) a unor puncte de consum, de la un punct central; 2. construirea unor ci de acces ntre mai multe puncte izolate; 3. desfurarea unui joc strategic; 4. luarea deciziilor n mai multe etape (arbori decizionali); 5. evoluii posibile ale unui sistem pornind de la o stare iniial; 6. construirea unei reele telefonice radiale, a unei reele de relee electrice; 7. legarea ntr-o reea a unui numr mare de calculatoare; 8. organigramele ntreprinderilor; 9. studiul circuitelor electrice n electrotehnic (grafe de fluen etc); 10. schemele bloc ale programelor pentru calculatoare etc. 7 x1 x1 c) x1 x1 x1 x1 x1

n toate problemele de mai sus se dorete ca, dintre muchiile unui graf neorientat, s se extrag arborele optim din mulimea tuturor arborilor care pot fi extrai din graful dat. Deoarece definiia arborelui este dificil de aplicat pentru deciderea faptului c un graf este arbore sau nu (i n special sunt greu de verificat conexitatea i mai ales existena ciclurilor) exist mai multe caracterizri posibile ale unui arbore, acestea fiind date de teorema de mai jos:
Teorem. Dac H este un graf neorientat finit, atunci urmtoarele afirmaii sunt echivalente:

1) H este arbore; 2) H nu conine cicluri i, dac se unesc printr-o muchie dou noduri neadiacente, se formeaz un ciclu (i numai unul). Arborele este, deci, pentru o mulime de noduri dat, graful cu numrul maxim de arce astfel nct s se pstreze proprietatea c nu are cicluri); 3) H este conex i dac i se suprim o muchie se creeaz dou componente conexe (arborele este graful conex cu numrul minim de arce); 4) H este conex i are n-1 muchii; 5) H este fr cicluri i are n-1 muchii; 6) Orice pereche de noduri este legat printr-un lan i numai unul.

5.2. Algoritmi pentru gsirea arborelui de valoare optim

Vom da mai jos trei algoritmi pentru determinarea unui graf parial al grafului, care s fie arbore i pentru care suma valorilor arcelor sale s fie minim (sau maxim). Toi algoritmii descrii n continuare extrag arborele prin colectarea una cte una a muchiilor acestuia.
A. Algoritmul lui Kruskal Pasul 1. Dintre toate muchiile grafului se alege muchia de valoare minim (maxim). Dac minimul este multiplu se alege la ntmplare una din muchiile respective. Deoarece acest "la ntmplare" trebuie cumva tradus n limbajul calculatorului, n cazul implementrii unui program bazat pe acest algoritm, vom perturba din start valorile muchiilor, la k muchii cu aceiai valoare V adunnd respectiv valorile , 2, ... , k, unde este foarte mic (n orice caz, k mai mic dect diferena dintre valoarea acestor arce si valoarea imediat superioar a unui arc), pozitiv. Pasul 2. Dintre toate muchiile rmase, se alege cea de valoare minim (maxim); Pasul 3. Dintre toate muchiile rmase, se alege cea de valoare minim (maxim), astfel nct s nu se formeze cicluri cu cele deja alese; Pasul 4. Se reia algoritmul de la pasul 3 pn se colecteaz n-1 muchii.

Dei s-a demonstrat c algoritmul gsete ntotdeauna arborele optim, el are dezavantajul c este foarte laborios (de fiecare dat trebuie calculat minimul unei mulimi mari sau foarte mari exist situaii n practic n care graful are sute de mii de arce) i, n plus, trebuie aplicat un algoritm special ca s respectm condiia de a nu se forma cicluri, la alegerea unui nou arc. O metod posibil este ca, dup adugarea fiecrui arc, s se mpart graful n componente conexe i s alegem apoi un arc care nu are ambele extremitile n aceeai component conex. De asemenea este clar c, n cazul existenei arcelor de valori egale, deoarece se alege la ntmplare, exist mai multe variante de evoluie a alegerii arcelor. Totui, cu toate c pot fi mai multe grafuri la care se poate ajunge prin acest algoritm, ele vor avea toate aceeai valoare (minima (sau maxima) posibil). 8

C. O variant a algoritmului lui Kruskal Pasul 1. Dintre toate muchiile grafului se alege cea de valoare minim (maxim); Pasul 2. Dintre toate muchiile adiacente componentei conexe format din arcele alese pn n acest moment, se alege cea de valoare minim (maxim); Pasul 3. Se reia pasul 2 pn se colecioneaz n-1 muchii.

Algoritmul are toate avantajele algoritmului lui Sollin i, n plus, lucreaz cu o singur component conex, fiind mult mai uor de implementat pe calculator i mult mai rapid n execuie. Exemplu: Administraia unei localiti montane a hotrt construirea unor linii de teleferic care s lege oraul de cele 8 puncte turistice importante din jurul acestuia. n urma unui studiu au fost puse n evidena toate posibilitile i costurile de conectare a obiectivele turistice ntre ele i cu oraul, acestea fiind prezentate n figura 4.2. Se cere gsirea variantei de construcie de cost minim, care s asigure accesul din ora la oricare din obiectivele turistice. P2 4 P1 3 P6 5 8 5 3 O 2 P7 Figura 4.2
Rezolvare

7 8 2

9 P3 7 9 3 P5 6 8 7 P8 8 4 8 P4

Condiia de cost minim implic dou obiective: 1. S se construiasc minimul de arce necesare; 2. S se construiasc cele mai ieftine legturi. Referitor la numrul de arce necesar, facem observaia c, dac din ora se va putea ajunge la orice obiectiv turistic, atunci se va putea ajunge i de la orice staiune la oricare alta (trecnd prin ora), deci trebuie ca arcele alese pentru construcie s formeze la un loc un graf conex. n concluzie, cutm un graf parial conex cu un numr minim de arce, adic un arbore. n plus, suma costurilor arcelor sale trebuie s fie minim. Vom aplica pe rnd cei trei algoritmi pentru gsirea acestuia:
A. Kruskal

La primul pas poate fi ales unul din arcele OP3 sau OP7, ele avnd valoarea minim 2. Putem alege oricum primul arc dintre cele dou pentru c la al doilea pas va fi ales cellalt. La pasul trei poate fi ales unul din arcele OP5, OP6 sau P1P6 care au valoarea minim 3. Nici n acest caz nu are vre-o importan ordinea alegerii, deoarece pot fi alese succesiv toate trei fr a se forma nici un ciclu. 9

Al aselea arc poate fi ales dintre arcele P4P5 i P1P2, care au valoarea minim 4. Nici n acest caz nu are vre-o importan ordinea alegerii, deoarece pot fi alese succesiv ambele, fr a se forma nici un ciclu. Urmtoarea valoare disponibil a unui arc este 5, dar arcul opt nu poate fi ales dintre arcele OP1, P6P7, dei au valoarea minim 5. Arcul OP1 nu poate fi ales deoarece s-ar forma ciclul OP1P6, iar P6P7 ar duce la ciclul OP6P7. Urmtoarea valoare minim este 6, pentru arcul P5P7 dar nu poate fi ales deoarece se formeaz ciclul OP5P7. Valoarea urmtoare, 7, o au arcele OP4, P2P3 i P5P8. OP4 nu poate fi ales deoarece s-ar forma ciclul OP5P4. Arcul P2P3 nu poate fi ales deoarece s-ar forma ciclul OP6P1P2P3. Arcul P5P8 nu formeaz nici un ciclu i el va fi al optulea arc ales. n acest caz, deoarece s-au adunat 8 arce ntr-un graf cu 9 noduri, am obinut graful cutat. Acest arbore este reprezentat n figura 4.3. P2 4 P1 2 3 3 P6 O 2 P7 Figura 4.3
B. Sollin

P3 P4 4 3 P5 7 P8

Vom alege:

pentru nodul O pentru nodul P1 pentru nodul P2 pentru nodul P3 pentru nodul P4 pentru nodul P5 pentru nodul P6 pentru nodul P7 pentru nodul P8

arcul OP3 arcul P1P6 arcul P1P2 arcul OP3 arcul P4P5 arcul OP5 arcul P1P6 arcul OP7 arcul P5P8

Rezult graful parial: P2 4 P1 2 3 P6 O 2 P7 Figura 4.4 10 4 3 P5 7 P8 P3 P4

Dup cum se vede, s-au format dou componente conexe: C1 = {P1,P2,P6} C2 = {O,P3,P4,P5,P7,P8}. Vom alege: pentru C1 arcul OP6 pentru C2 arcul OP6 i obinem o singur component conex, care este arborele cutat.

C. Varianta algoritmului lui Kruskal

Succesiunea alegerii arcelor va fi: 1 2 3 4 5 6 7 8

OP3 OP7 OP6 OP5 P1P6 P1P2 P4P5 P5P8

6. Drumuri i circuite hamiltoniene

Una dintre cele mai cunoscute probleme economice este problema comis voiajorului. Comis voiajorul este un individ care trebuie s prezinte sau s distribuie marfa comandat la o serie de centre distribuite n general neliniar pe o anumit zon teritorial (localitile dintr-un jude, magazinele dintr-un cartier, persoanele dintr-un sat etc). Dac numrul de obiective care trebuie vizitate este mare sau foarte mare iar timpul disponibil foarte limitat atunci devine vital o asemenea organizare a trecerii pe la fiecare obiectiv nct s se efectueze n timpul minim posibil. Acest timp minim se traduce prin drumul cel mai scurt, iar cel mai scurt drum este evident cel n care se trece pe la fiecare obiectiv o singur dat. n plus, la sfrit trebuie s se afle n punctul iniial, adic sediul firmei la care lucreaz. O reprezentare a regiunii aprovizionate, n care centrele pe la care se trece sunt vizualizate prin puncte iar cile de acces la acestea prin segmente de curbe, va fi evident un graf, problema reducndu-se la a gsi circuitul hamiltonian de lungime minim. n timp, s-au evideniat o multitudine de probleme reductibile la gsirea unui drum (sau circuit) hamiltonian ntr-un graf, cum ar fi: 1. Problema potaului (gsirea traseului cel mai scurt care trece pe la toate locuinele ce aparin de oficiul potal la care lucreaz acesta); 2. Problema adunrii deeurilor (cel mai scurt drum care trece pe la toate punctele de depozitate a deeurilor);

11

3. Problema succesiunii operaiilor (executarea mai multor operaii pe o main n acea ordine n care suma timpilor consumai cu pregtirea mainii pentru trecerea de la o operaie la urmtoarea s fie minim) 4. Ordinea lipirii unor componente electronice pe o plac, etc;

Determinarea drumurilor hamiltoniene

Problema determinrii drumului (circuitului) hamiltonian de valoare optim s-a dovedit deosebit de dificil, neexistnd nici acum un algoritm care s rezolve problema n timp polinomial i nici mcar o metod simpl prin care s se decid dac ntr-un graf dat exist sau nu drumuri hamiltoniene. Exist ns mai muli algoritmi, unii exaci alii heuristici, care reuesc, ntr-un caz sau altul, s rezolve problema satisfctor i n timp util.

A. Algoritmul lui Foulkes

Pasul 1. Se scrie matricea boolean A asociat grafului G. Pasul 2. Se determin matricea D a drumurilor grafului G prin procedeul expus la nceputul capitolului i apoi matricea M = I + D. Pasul 3. Se mparte mulimea nodurilor grafului n submulimi disjuncte astfel:

1. Se consider n matricea M liniile pline (cu toate elementele 1). Nodurile ce corespund liniilor pline cu 1 formeaz submulimea C1. 2. Se elimin liniile i coloanele care corespund nodurilor din submulimea stabilit. 3. Se reia raionamentul de la punctul 1 pe matricea redus obinut la punctul 2 obinndu-se urmtoarea submulime i n continuare toate celelalte pn se epuizeaz toate liniile matricei.
Pasul 4. Se construiete graful G' n care:

1. Nodurile care formeaz o submulime sunt reprezentate prin puncte n interiorul unui dreptunghi i ntre acestea se traseaz arcele existente n graful iniial G. 2. Se traseaz legturile dintre submulimi. Ele sunt reprezentate prin arcele existente n graful iniial G ntre nodurile submulimii C1 i cele ale submulimii C2, ntre nodurile submulimii C2 i cele ale submulimii C3 etc.
Pasul 5. Se gsesc drumurile hamiltoniene

Un drum hamiltonian se gsete plecnd de la un vrf din submulimea C1, trecnd prin toate vrfurile acesteia cu un drum hamiltonian, din ultimul vrf la care se ajunge n C1 trecnd la un vrf din C2, parcurgnd n continuare un drum hamiltonian n a doua submulime i tot aa, trecnd prin toate submulimile i parcurgnd, deci, toate nodurile grafului iniial, o singur dat. Aplicnd acest procedeu n toate modurile posibile se obin toate drumurile hamiltoniene din graful iniial G. (Observaie: poate s nu existe nici un drum hamiltonian n graful G, caz n care algoritmul se oprete deoarece la un anumit pas nu mai exista nici o linie plina cu 1).
Observaie. Algoritmul lui Foulkes reduce gsirea drumurilor hamiltoniene n graful iniial G (care n problemele practice este foarte mare) la gsirea mai multor drumuri hamiltoniene mai mici n componente tare conexe ale grafului. Dac un graf are o singur component tare conex,

12

algoritmul lui Foulkes nu este eficient, n acest caz trebuind aplicai ali algoritmi cum ar fi cel bazat pe nmulirea latin.

B. Algoritmul lui Chen pentru determinarea drumurilor hamiltoniene n grafuri fr circuite

Fie G = (X,U) un graf orientat fr circuite, cu n noduri: X = {x1, x2, , xn}. Vom considera c am calculat matricea drumurilor D i puterile de atingere ale tuturor nodurilor. Dac n graful G exist un drum de la nodul xi la nodul xj atunci evident p(xi) > p(xj), deoarece n orice vrf n care se poate ajunge din xj se poate ajunge i din xi dar din xj nu se poate ajunge n xj pentru c nu exist circuite.
Teorema 2.3 (Chen) Un graf cu n noduri, fr circuite conine un drum hamiltonian dac i numai dac exist relaia:

p(x i ) =
i =1

n (n 1) 2

Teorema 2.4 Dac ntr-un graf orientat fr circuite exist un drum hamiltonian atunci acesta este unic.

Pe aceste teoreme se bazeaz algoritmul lui Chen de determinare a drumului hamiltonian ntr-un graf orientat fr circuite:
Pasul1. Se scrie matricea de adiacen A Pasul2. Se calculeaz matricea drumurilor D Pasul3. Dac exist un indice i cu dii = 1 atunci graful are circuite, nu se poate aplica algoritmul lui Chen i algoritmul se oprete. Dac nu, se trece la pasul 4. Pasul4. Se calculeaz puterile de atingere pentru fiecare nod. Pasul5. Dac nu se verific relaia

p(x i ) =
i =1

n (n 1) atunci graful nu are drumuri hamiltoniene 2

i algoritmul se oprete, altfel se trece la pasul 6. Pasul6. Se ordoneaz nodurile n ordinea descresctoare a puterilor lor de atingere i obinem drumul hamiltonian cutat.

C. Algoritmul lui Kaufmann

Pasul 1. Construim matricea latin L asociat grafului, unde:

( ( x i x j daca exista arcul (x i , x j ) lij = ( ( daca nu exista arcul (x i , x j ) 0 ~ Pasul 2. Construim matricea L , definit prin: ( ( ~ x j daca exista arcul (x i , x j ) lij = ( ( 0 daca nu exista arcul (x i , x j )
numit matricea latin redus.

13

Pasul 3. Se calculeaz succesiv matricile:

~ ~ ~ L2 = L L L , L3 = L2 L L , ..., Lk+1 = Lk L L , ... folosind operaiile de nmulire i adunare latin, alfabetul fiind mulimea nodurilor grafului, unde operaia de nmulire este uor modificat, produsul dintre dou elemente ale matricilor fiind 0, dac unul dintre ele este 0 sau au un nod comun, i este produsul latin al lor, n caz contrar. Din felul cum a fost construit, matricea Lk va conine toate drumurile elementare de lungime k. Cum un drum elementar poate avea cel mult n noduri (cte are graful cu totul) rezult c: primele n-1 puteri ale L conin toate drumurile elementare din graf; puterile lui L mai mari sau egale cu n au toate elementele egale cu 0; matricea Ln-1 conine toate drumurile hamiltoniene din graf.

Pasul 4. Dac se doresc i circuitele atunci se verific pentru fiecare drum hamiltonian dac poate fi completat pn la un circuit (adic dac exist n graf arcul care unete nodul final cu cel iniial); Pasul 5. Dac se dorete i drumul (sau circuitul) de valoare optim (maxim sau minim) se calculeaz suma valorilor pentru fiecare drum i/sau circuit i se alege cel cu valoarea optim.
n concluzie, metoda nmulirii latine (A. Kaufmann J. Melgrange) determin toate drumurile elementare din graf, prin calcularea matricelor M(1), M(2), M(3), , M(n-1). n matricea M(n-1) se citesc drumurile hamiltoniene. Aceast metod a nmulirii latine (algoritmul lui Kaufmann) este util, mai ales, n cazul grafurilor tare conexe, unde algoritmul lui Foulkes nu este eficient. Totui, metoda este greu de aplicat n grafuri cu un numr mare de noduri. n acest caz este preferabil s se construiasc graful condensat, s se determine drumurile hamiltoniene n fiecare n parte cu algoritmul lui Kaufmann i apoi, ca la algoritmul lui Foulkes, s se caute drumurile hamiltoniene n graful iniial.

7. Drumuri optime ntr-un graf

n marea majoritate a problemelor care pot fi modelate prin grafuri nu ne intereseaz numai dac exist sau nu legturi ntre componentele reprezentate prin nodurile grafului ci i intensitatea acestora. Aceast intensitate are semnificaia unei valori numerice (pozitive sau negative) asociate arcului corespunztor legturii a crei intensitate o msoar. n aplicaiile economice aceast valoare poate fi: lungimea drumului dintre dou localiti; costul parcurgerii rutei reprezentate prin arcul corespunztor; durata parcurgerii rutei respective; cantitatea transportat pe ruta respectiv; capacitatea maxim a rutei respective; ctigul realizat prin trecerea de la o stare la alta a sistemului; consum de energie pentru efectuarea trecerii respective; punctaj realizat etc.

14

Una din problemele care poate aprea n aceste situaii este gsirea, pentru o anumit pereche de noduri (sau mai multe perechi), a drumului optim ntre acestea. Pentru formalizarea problemei vom introduce noiunea de valoare a unui drum, care este egal cu suma valorilor arcelor care l compun. Vom nota n continuare valoarea unui arc (xi,xj) cu v(xi,xj) sau cu vij. n aceste condiii putem enuna problema drumului optim astfel: "Dat fiind un graf G = (X,U) i o funcie care asociaz fiecrui arc o valoare real, s se gseasc, pentru o pereche dat de noduri, drumul (drumurile) de valoare optim (minim sau/i maxim) ntre cele dou noduri i valoarea acestuia (acestora)" Deoarece este vorba de gsirea minimului unei mulimi de numere reale, prima ntrebare care se pune este dac aceasta admite minim. Dac mulimea nodurilor grafului este infinit atunci pot exista o infinitate de drumuri elementare distincte ntre cele dou noduri i mulimea valorilor acestora poate avea orice form (nchis sau nu, mrginit sau nu) devenind foarte greu de caracterizat cazurile cnd minimul dorit exist. Deoarece totui majoritatea covritoare a problemelor economice se modeleaz prin grafuri cu numr finit de noduri, ne vom limita n continuare doar la acestea. Un numr finit de noduri n atrage dup sine existena unui numr finit de arce (cel mult n2) i a unui numr finit de drumuri elementare ( cel mult nn!

k! ). Deoarece oricrui drum d i

1
k =1

n -1

corespunde un drum elementar de (obinut prin eliminarea tuturor subcircuitelor lui d) putem calcula valoarea oricrui drum ca sum ntre valoarea drumului elementar corespunztor i valorile unor subcircuite ale sale, fiecare nmulit cu numrul de parcurgeri ale circuitului respectiv. n concluzie, dac exist un circuit de valoare negativ nseamn c exist drumuri de valoare orict de mic (cele care conin acest circuit), obinut prin parcurgerea acestuia de oricte ori dorim) i, deci, mulimea valorilor drumurilor este nemrginit inferior, neexistnd drum de valoare minim. Dac exist un circuit de valoare pozitiv atunci exist drumuri de valoare orict de mare i mulimea valorilor drumurilor este nemrginit superior, neexistnd drum de valoare maxim. Dac nu exist circuite de valoare negativ atunci valoarea oricrui drum este mai mare sau egal cu a drumului elementar corespunztor, deci drumul de valoare minim (dac exist) va fi un drum elementar. Cum mulimea drumurilor elementare este finit (i deci i mulimea valorilor lor) va avea minorant i am lmurit problema compatibilitii problemei. Analog, dac nu exist circuite de valoare pozitiv atunci valoarea oricrui drum este mai mic sau egal cu a drumului elementar corespunztor, deci drumul de valoare maxim (dac exist) va fi un drum elementar. Cum mulimea drumurilor elementare este finit (i deci i mulimea valorilor lor), va avea majorant. Obs. 1. Dac n graf nu exist dect arce de valoare pozitiv atunci exist drum de valoare minim. Obs. 1. Dac n graf nu exist dect arce de valoare negativ atunci exist drum de valoare maxim. Obs. 1. Dac n graf nu exist circuite atunci exist i drum de valoare minim i drum de valoare maxim. Deoarece din cele de mai sus se sesizeaz importana existenei circuitelor ntr-un graf vom da n continuare un algoritm de depistare a existenei circuitelor ntr-un graf:

Pasul 1. Se construiete mulimea A format din nodurile pentru care toate arcele incidente sunt incidente spre interior ( noduri n care toate arcele "intr" sau, altfel spus, noduri din care nu "pleac" nici un arc). Pasul 2. Se gsesc toate nodurile care nu sunt din A pentru care toate arcele incidente au cealalt extremitate n A (noduri din care se poate "ajunge" doar in A). Dac nu exist nici un astfel de arc se trece la pasul 4.
15

Pasul 3. Se adaug arcele gsite la pasul 2 la mulimea A apoi se reia algoritmul de la pasul 2, pentru noua mulime A. Pasul 4. Dac A conine mulimea tuturor nodurilor atunci graful nu conine circuite. Dac au rmas noduri n afara lui A atunci graful conine circuite.

Algoritmi de gsire a drumului optim

Din cauza varietii nelimitate a grafurilor posibile, nu exist un algoritm care s rezolve orice problem n timp util, dar s-au elaborat o mulime de algoritmi, fiecare fiind cel mai eficace n anumite cazuri. Aceti algoritmi pot fi grupai n cinci categorii: 1. 2. 3. 4. 5. Algoritmi prin calcul matricial (Bellman-Kalaba, I. Tomescu, Bellman-Schimbell); Algoritmi prin ajustri succesive: (Ford); Algoritmi prin inducie (Dantzig); Algoritmi prin ordonare prealabil a vrfurilor grafului; Algoritmi prin extindere selectiv (Dijkstra).

n continuare vom prezenta trei dintre aceti algoritmi.

A. Algoritmul lui Bellman - Kalaba

Algoritmul se aplic n grafuri finite care nu au circuite de valoare negativ (pentru o problem de minim) sau care nu au circuite de valoare pozitiv (ntr-o problem de maxim) i gsete drumurile de valoare minim (maxim) de la toate nodurile grafului la un nod oarecare, fixat. Dac dorim s cunoatem drumurile de valoare minim (maxim) ntre oricare dou noduri vom aplica algoritmul, pe rnd, pentru fiecare nod al grafului. Fie G = {x1, x2, ... ,xn} un graf orientat finit. Presupunem (fr a restrnge generalitatea, c am numerotat nodurile astfel nct nodul spre care cutm drumurile de valoare minim (maxim) de la celelalte noduri s fie xn.

Pasul 1. Se construiete matricea ptratic M cu dimensiunea egal cu numrul de noduri ale grafului ale crei elemente sunt: daca exista arcul (x i , x j ) si i j valoarea arcului (x i , x j ) mij = 0 daca i = j + (ntr - o problema de minim) daca nu exista arcul (x , x ) i j (ntr - o problema de maxim) Pasul 2. Se adaug succesiv liniile Li la matricea M, elementele acestora calculndu-se prin relaiile de recuren: 1. L1j = mjn j = 1,...,n (prima linie este ultima coloan, transpus, a matricii M) 2. Lij = min (Li-1,j , min (mjk + Li-1,k)) ntr-o problem de minim
k =1, n

sau Lij = max (Li-1,j , max (mjk + Li-1,k)) ntr-o problem de maxim
k =1, n

Pasul 3. Dup calcularea fiecrei linii noi se compar elementele ei cu cele ale precedentei: Dac Lij = Li-1,j pentru orice j = 1,...,n atunci se oprete recurena i ultima linie calculat conine valorile minime ale drumurilor de la celelalte noduri la nodul xn. 16

Dac exist cel puin un indice j cu Lij Li-1,j se trece la calcularea noii linii Li+1

Pasul 4. Pentru gsirea drumului care d valoarea minim de la un nod xj la nodul xn se gsesc, ncepnd napoi de la ultima linie, pe care s-au obinut valorile finale, notat Lf, nodurile x k1 , x k 2 , ..., x k r care formeaz drumul cutat, unde x k1 = xj, x k r = xn i fiecare alt indice

ki+1 este cel pentru care s-a obinut minimul(maximul) de pe poziia ki al liniei Li.
Observaie: Pentru grafuri foarte mari, algoritmul necesit un volum mare de memorie, prin necesitatea memorrii matricei M, care este greu de manipulat. Chiar dac din cele n2 arce posibile graful ar avea doar un procent foarte mic matricea grafului va avea tot n2 poziii de memorat i analizat. Exemplu: Presupunem dat graful orientat de mai jos, n care se dorete gsirea drumului de valoare minim de la nodul x1 la nodul x9.

x2 4 x1 3 x6 5 0 Matricea M va fi 4 0 8 8 7 0 2 9 3 0 7 4 5 0 3 0 2 5 0 8 5 3 x5 2 x7 9 3 9 6 8 0 7 0 6 8 8 2 9 x8 7 x9 7 9 x3 7 9 3 4 3 x4

iar dup calcularea liniilor Li obinem: x1 x2 x3 x4 x5 x6 x7 x8 x9 x1 0 x2 4 0 8 8 x3 7 0 2 x4 9 3 0 7 4 x5 5 0 x6 3 0 x7 2 5 0 x8 9 6 0 x9 9 3 8 7 0

17

L1 L2 12 L3 15 12 L4 13 12 L5 13 12

9 6 6 6 6

3 3 3 3 3

10 13 8 13 8 13 8 13

8 8 8 8 8

7 7 7 7 7

0 0 0 0 0

Deoarece L4 = L5 oprim calcularea liniilor dup calcularea liniei 5. n aceast linie se afl valorile celor mai scurte de la toate nodurile la nodul x9. Drumul dorit de noi (x1 x9) are valoarea dat de prima poziie a liniei 5, fiind egal cu 13. Pentru a gsi acest drum, plecm napoi de la linia 4 i avem:
x1 x5 13 = 8 + 5 x3 8 = 6 + 2 x4 6 = 3 + 3 3 x9

B. Algoritmul lui Ford simplificat

Algoritmul lui Ford simplificat se aplic doar n grafuri care nu admit circuite. Cu ajutorul lui se gsete drumul de valoare optim ntre dou noduri fixate xi i xj. Printr-o eventual renumerotare a nodurilor putem presupune c nodul de la care pornete drumul este x1, care va fi numit nod iniial, iar nodul la care se termin este xn, numit nod final. Algoritmul este:

Pasul 1. I se d vrfului iniial valoarea 0 (zero): w(x0) = 0 Pasul 2. Se construiete mulimea A format din nodul iniial: A = {x1} Pasul 3. Se analizeaz nodurile din afara mulimii A. Dac exist noduri n care se poate ajunge prin arce directe doar de la nodurile mulimii A, acestea se adaug la mulimea A, cu valoarea: w(xi) = min (w (x j ) + v (x j , x i )) , n problemele de minim sau w(xi) = max (w (x j ) + v (x j , x i )) , n problemele de maxim
xj x j ,x i

xj x j ,x i

apoi se trece la pasul 4 Dac nu exist nici un nod de acest tip atunci nu exist nici un drum de la x1 la xn. STOP

Pasul 4. Se analizeaz mulimea A: Dac xn A atunci valoarea sa reprezint valoarea drumului de valoare optim de la x1 la xn. Pentru gsirea acestui drum se pornete napoi de la nodul final xn i se gsesc nodurile x k1 , x k 2 , ..., x k r care formeaz drumul cutat, unde x k1 = xn, x k r =
x1 i fiecare alt indice ki+1 este cel pentru care: w( x k i +1 ) + v( x k i +1 , x k i ) = w( x k i ) STOP 18

 Dac xn A se reia algoritmul de la pasul 3.

Exemplu: Pentru acelai graf i aceeai pereche de noduri din exemplul rezolvat cu algoritmul lui Bellman-Kalaba vom avea succesiv:
pas1: w(x1) = 0 pas2: A = {x1} pas3: Nodurile n care se poate ajunge doar din x1: {x5} w{x5) = min( w(x1) + v(x1,x5)) = 0 + 5 = 5 pas4: x9 A pas3: A = {x1,x5} i nodurile n care se poate ajunge prin arce directe doar din x1 i x5 sunt: {x6} w{x6) = min( w(x1) + v(x1,x6), w(x5) + v(x5,x6)) = min(0 + 3 , 5 + 3) = 3 pas4: x9 A pas3: A = {x1,x5,x6} i nodurile n care se poate ajunge prin arce directe doar din x1, x5 i x6 sunt: {x2,x7} w{x2) = min( w(x1) + v(x1,x2), w(x5) + v(x5,x2), w(x6) + v(x6,x2)) = min(0 + 4,5 + 8,3 + 8) = 4 w{x7) = min( w(x5) + v(x5,x7), w(x6) + v(x6,x7)) = min(5 + 2,3 + 5) = 7 pas4: x9 A pas3: A = {x1,x2,x5,x6,x7} i nodurile n care se poate ajunge prin arce directe doar din x1, x2, x5, x6 i x7 sunt: {x3,x8} w{x3) = min( w(x2) + v(x2,x3), w(x5) + v(x5,x3)) = min(4 + 7,5 + 2) = 7 w{x8) = min( w(x5) + v(x5,x8), w(x7) + v(x7,x8)) = min(5 + 9,7 + 6) = 13 pas4: x9 A pas3: A = {x1,x2,x3,x5,x6,x7,x8} i nodurile n care se poate ajunge prin arce directe doar din x1, x2,x3,x5, x6, x7 i x8 sunt: {x4} w{x4) = min( w(x2) + v(x2,x4), w(x3) + v(x3,x4),w(x5) + v(x5,x4), w(x8) + v(x8,x4)) = min(4 + 9,7 + 3,5 + 7,13 + 4) = 10 pas4: x9 A pas3: A = {x1,x2,x3,x4,x5,x6,x7,x8} i nodurile n care se poate ajunge prin arce directe doar din x1, x2, x3, x4, x5, x6, x7 i x8 sunt: {x9} w{x9) = min( w(x3) + v(x3,x9), w(x4) + v(x4,x9), w(x7) + v(x7,x9), w(x8) + v(x8,x9)) = min(7 + 9, 10 + 3, 7 + 8, 13 + 7) = 13 pas4: x9 A i urmeaz s gsim drumul care are lungimea 13. Avem succesiv: w(x9) = w(x4) + v(x4,x9) w(x4) = w(x3) + v(x3,x4) w(x3) = w(x5) + v(x5,x3) w(x5) = w(x1) + v(x1,x5) deci drumul cutat este: x1 x5 x3 x4 x9
Observaia 1. Dac graful are un circuit atunci se poate demonstra uor c nu vom putea da valoare nici unui nod al acestuia i dac exist vreun drum de la x1 la xn care trece prin unul din nodurile circuitului nu vom putea da valoare nici lui xn, cu toate c exist drum de la x1 la xn. Observaia 2: Algoritmul necesit pentru memorare i manipulare doar cunoaterea, pentru fiecare nod, a nodurilor spre care "pleac" arce din acesta i valorile acestor arce, fiind mult mai uor de aplicat sau implementat pe calculator. El are ns dezavantajul c se poate aplica doar n grafuri fr circuite.

C. Algoritmul Ford generalizat

19

Algoritmul lui Ford generalizat a fost creat cu scopul de a putea gsi drumul optim i n grafurile care au circuite. Cu ajutorul lui se gsete drumul de valoare optim ntre dou noduri fixate xi i xj. Printr-o eventual renumerotare a nodurilor putem presupune c nodul de la care pornete drumul este x1, care va fi numit nod iniial, iar nodul la care se termin este xn, numit nod final. Algoritmul este:

Pasul 1. I se d vrfului iniial valoarea 0 (zero): w(x0) = 0 i tuturor celelalte valoarea + (ntr-o problem de minim) sau - (ntr-o problem de maxim). Pasul 2. n ordinea cresctoare a indicilor nodurilor se calculeaz pentru fiecare nod, pe baz fostelor valori, noile valori cu formula: * w (xi) = min w (x i ), min (w (x j ) + v (x j , x i )) n problemele de minim xj (x j , x i ) * sau w (xi) = max w (x i ), max (w (x j ) + v (x j , x i )) n problemele de maxim xj (x j , x i ) * Pasul 3. Se compar noile valori w (xi) cu fostele valori w(xi): Dac w*(xi) = w(xi) pentru orice nod xi atunci: dac w(xn) < (la problema de minim) sau w(xn) > - (la problema de maxim), valoarea nodului xn reprezint valoarea drumului de valoare minim(maxim) de la x1 la xn. Pentru gsirea acestui drum se pornete napoi de la nodul final xn i se gsesc nodurile x k1 , x k 2 , ..., x k r care formeaz drumul cutat, unde x k1 = xn,
x k r = x1 i fiecare alt indice ki+1 este cel pentru care: w( x k i +1 ) + v( x k i +1 , x k i ) = w( x k i ) STOP dac w(xn) = + (-) atunci nu exist nici un drum de la x1 la xn. STOP Dac exist cel puin un nod pentru care w*(xi) < w(xi) se reia algoritmul de la pasul 2 pentru noile valori ale vrfurilor.
Observaie: Algoritmul poate gsi drumul i n grafuri cu circuite dar este evident mult mai lent dect cel simplificat. Pentru scurtarea duratei de execuie se poate modifica algoritmul n sensul c o valoare nou calculat a unui vrf va fi folosit imediat ca atare la calculul noilor valori ale celorlalte, nu doar dup ce se calculeaz noile valori ale tuturor vrfurilor.

D. Algoritmul lui Dijkstra

n algoritmul Ford simplificat, pentru a gsi valoarea nodului final, deci a drumului minim, plecm de la nodul iniial n toate direciile posibile, pstrnd de fiecare dat toate nodurile analizate. Acest fapt duce la un consum inutil de timp, deoarece foarte multe din aceste noduri nu vor face parte din drumul optim. Pentru a elimina acest neajuns, algoritmul lui Dijkstra ncearc s pstreze, la fiecare iteraie, mulimea minim de noduri care s le conin pe toate cele care vor forma efectiv drumul optim. n plus, algoritmul se poate aplica i n drumuri cu circuite. Ca un minus este faptul c se aplic doar la probleme de minim. Algoritmul are urmtorii pai:

Pasul 1. I se d vrfului iniial valoarea 0 (zero): w(x0) = 0 Pasul 2. Se construiete mulimea A format din nodul iniial: A = {x1} Pasul 3. Se analizeaz nodurile din afara mulimii A. 20

 Dac exist noduri n care se poate ajunge prin arce directe de la noduri din A (nu doar de la nodurile mulimii A, ca la algoritmul lui Ford simplificat) se calculeaz pentru toate acestea: w(xi) = min (w (x j ) + v (x j , x i )) n problemele de minim
x jA x j ,x i

dar, spre deosebire de algoritmul lui Ford simplificat, se adaug la mulimea A doar cel pentru care se obine valoarea minim, apoi se trece la pasul 4. Dac nu exist nici un nod de acest tip atunci nu exist nici un drum de la x1 la xn. STOP

Pasul 4. Se analizeaz mulimea A: Dac xn A atunci valoarea sa reprezint valoarea drumului de valoare optim de la x1 la xn. Pentru gsirea acestui drum se pornete napoi de la nodul final xn i se gsesc nodurile x k1 , x k 2 , ..., x k r care formeaz drumul cutat, unde x k1 = xn, x k r =
x1 i fiecare alt indice ki+1 este cel pentru care: w( x k i +1 ) + v( x k i +1 , x k i ) = w( x k i ) STOP Dac xn A se reia algoritmul de la pasul 3.

Exemplu Vom aplica algoritmul la acelai graf folosit la ceilali algoritmi, pentru a putea face comparaii:
pas1: w(x1) = 0 pas2: A = {x1} pas3: Nodurile n care se poate ajunge i din x1: {x2, x5, x6} w{x2) = min( w(x1) + v(x1,x2)) = 0 + 4 = 4 w{x5) = min( w(x1) + v(x1,x5)) = 0 + 5 = 5 w{x6) = min( w(x1) + v(x1,x6)) = 0 + 3 = 3 min(w{x2),w{x5),w{x6)) = w{x6) = 3 pas4: x9 A pas3: A = {x1,x6} i nodurile n care se poate ajunge prin arce directe din x1 sau x6 sunt: {x2,x5,x7} w{x2) = min( w(x1) + v(x1,x2), w(x6) + v(x6,x2)) = min(0 + 4 , 3 + 8) = 4 w{x5) = min( w(x1) + v(x1,x5)) = min(0 + 5) = 5 w{x7) = min( w(x6) + v(x6,x7)) = min(3 + 5) = 8 min(w{x2),w{x5),w{x7)) = w{x2) = 4 pas4: x9 A pas3: A = {x1,x2,x6} i nodurile n care se poate ajunge prin arce directe din x1, x2 sau x6 sunt: {x3,x4,x5,x7} w{x3) = min( w(x2) + v(x2,x3)) = min(4 + 7) = 11 w{x4) = min( w(x2) + v(x2,x4)) = min(2 + 9) = 11 w{x5) = min( w(x1) + v(x1,x5)) = min(0 + 5) = 5 w{x7) = min( w(x6) + v(x6,x7)) = min(3 + 5) = 0 min(w{x3),w{x4),w{x5),w{x7)) = w{x5) = 5 pas4: x9 A pas3: A = {x1,x2,x5,x6} i nodurile n care se poate ajunge prin arce directe din x1, x2, x5, x6 i x7 sunt: {x3,x4,x7,x8} w{x3) = min( w(x2) + v(x2,x3), w(x5) + v(x5,x3)) = min(4 + 7,5 + 2) = 7 w{x4) = min( w(x2) + v(x2,x4), w(x5) + v(x5,x4)) = min(4 + 9,5 + 7) = 12 21

w{x7) = min( w(x5) + v(x5,x7), w(x6) + v(x6,x7)) = min(5 + 2,3 + 5) = 7 w{x8) = min( w(x5) + v(x5,x8)) = min(5 + 9) = 14 min(w{x3),w{x4),w{x7),w{x8)) = w{x3) = w{x7) = 7 pas4: x9 A pas3: A = {x1,x2,x3,x5,x6,x7} i nodurile n care se poate ajunge prin arce directe din x1, x2, x3, x5, x6, i x7 sunt: {x4,x8,x9} w{x4) = min( w(x2) + v(x2,x4), w(x3) + v(x3,x4),w(x5) + v(x5,x4)) = min(4 + 9,7 + 3,5 + 7) =10 w{x8) = min( w(x5) + v(x5,x8), w(x7) + v(x7,x8)) = min(5 + 9,7 + 6) = 13 w{x9) = min( w(x3) + v(x3,x9), w(x7) + v(x7,x9)) = min(7 + 9,7 + 8) = 15 min(w{x4),w{x8),w{x9)) = w{x4) = 10 pas4: x9 A pas3: A = {x1,x2,x3,x4,x5,x6,x7} i nodurile n care se poate ajunge prin arce directe din x1, x2, x3, x4, x5, x6, i x7 sunt: {x8,x9} w{x9) = min( w(x3) + v(x3,x9), w(x4) + v(x4,x9), w(x7) + v(x7,x9)) = min(7 + 9,10 + 3,7+8)=13 w{x8) = min( w(x5) + v(x5,x8), w(x7) + v(x7,x8)) = min(5 + 9,7 + 6) = 13 min(w{x8),w{x9)) = w{x8) = w{x9) = 13 pas4: x9 A i urmeaz s gsim drumul care are lungimea 13. Avem succesiv: w(x9) = w(x4) + v(x4,x9) w(x4) = w(x3) + v(x3,x4) w(x3) = w(x5) + v(x5,x3) w(x5) = w(x1) + v(x1,x5) deci drumul cutat este: x1 x5 x3 x4 x9

8. Reele de transport
ntr-o mare varietate de situaii concrete din practica economic se pune problema deplasrii unei cantiti de materie, energie, informaie etc, din anumite locuri, numite surse, n alte locuri, numite destinaii. Pentru realizarea acestui transport se folosesc o serie de trasee, numite rute de legtur. Unitile indivizibile ale cantitii Q, care se deplaseaz de-a lungul rutelor ntre surse i destinaii, se numesc uniti de flux, iar ansamblul rutelor, surselor, destinaiilor i, eventual, a altor puncte intermediare se numete reea de transport. Situaia de mai sus poate fi reprezentat geometric printr-un graf finit, conex i fr bucle. Pentru ca o astfel de problem s fie suficient de complex pentru a necesita un studiu matematic riguros, trebuie ca fiecare surs s poat aproviziona mai multe destinaii i orice destinaie s poat fi aprovizionat de mai multe surse. Aprovizionarea destinaiilor se poate face direct de la surse sau prin intermediul altor puncte, numite puncte intermediare. n cazul cel mai general pot exista de asemenea legturi ntre surse i/sau legturi ntre destinaii. Aa cum s-a vzut i la problema de transport, situaia de mai sus este un cadru extrem de larg, care permite existena unui numr foarte mare de tipuri de probleme posibile, diferite ntre ele prin informaiile suplimentare pe care le avem despre reea i prin obiectivele urmrite. Una dintre acestea este problema determinrii cantitii maxime (minime) care poate fi transportat de la surse la destinaii, n situaia n care sursele dispun de cantiti limitate (inferior sau superior), destinaiile au un necesar sau o putere de absorbie limitat inferior sau superior iar pe fiecare rut se poate transporta doar o cantitate cuprins ntre anumite limite. Pentru studiul matematic al acestei situaii vom da definiiile matematice ale obiectelor implicate n problem i ipotezele modelului.

Definiia 1: Se numete reea de transport standard un graf finit, simplu, conex, fr bucle G = (X,U) care are urmtoarele proprieti:
22

 2. Exist i este unic t X a.. U t = , U t (n care doar "intr" arce) numit

+

1. Exist i este unic s X a.. U s , U s = (din care doar "ies" arce), numit intrarea reelei de transport;

ieirea reelei de transport; 3. S-a definit o funcie c: U R+ care asociaz fiecrui arc u un numr strict pozitiv cu numit capacitatea arcului. Observaie: Este clar c exemplele obinuite au doar rareori o singur surs i o singur destinaie. Totui, printr-o tehnic foarte simpl, orice reea de transport se poate aduce la forma standard: 1. Dac sunt mai multe surse se introduce un nod suplimentar din care "pleac" cte un arc spre fiecare surs (i numai spre acestea), iar capacitile acestor arce vor fi egale cu disponibilurile surselor corespunztoare; 2. Dac sunt mai multe destinaii se introduce un nod suplimentar spre care "pleac" cte un arc din fiecare destinaie (i numai din acestea), iar capacitile acestor arce vor fi egale cu necesarurile destinaiilor corespunztoare; Definiia 2: Se numete flux ntr-o reea de transport R = (X,U) o funcie : U R+ care are urmtoarele proprietile: P1. 0 u cu oricare ar fi u din U; valoarea u se numete flux al arcului u
P2.
+ u U i

u U i

oricare ar fi i s,t (suma fluxurilor arcelor care "intr" ntr-

un nod i este egal cu suma fluxurilor arcelor care "ies" din acest nod, cu excepia nodului iniial i al celui final.

Definiia 3: Se numete valoare a fluxului suma fluxurilor arcelor care "pleac" din nodul iniial s i se noteaz cu . Observaie: Se poate demonstra uor c aceast valoare este egal i cu suma fluxurilor arcelor care "intr" n nodul final t. n concluzie avem:
=

+ u U s

u U t

Valoarea fluxului reprezint cantitatea care se transport efectiv pe reea de la surse la destinaii.

Definiia 4: Se numete flux de valoare maxim ntr-o reea un flux n aceast reea, cu proprietatea c, pentru orice alt flux ' pe aceast reea, avem '.
Valoarea fluxului de valoare maxim reprezint cea mai mare cantitate care se poate transporta efectiv pe reea, de la surse la destinaii. Economic vorbind, ne intereseaz, referitor la o reea, rspunsurile la urmtoarele ntrebri: 1. 2. 3. 4. Putem transporta ntreaga cantitate necesar la destinaii? Dac da, cum transportm efectiv aceast cantitate de la surse la destinaii? Dac nu, din ce motiv nu putem realiza acest transport? Cum putem nltura cu eforturi minime acest motiv? 23

Rspunsul la primele dou ntrebri se poate afla prin gsirea fluxului de valoare maxim i compararea valorii lui cu suma necesarurilor destinaiilor. n plus, valoarea acestuia pe un arc reprezint cantitatea care trebuie transportat pe ruta respectiv, pentru a obine aceast valoare a fluxului. Rspunsul la ultimele dou ntrebri pornete de la observaia c cea mai mare cantitate care poate traversa reeaua de la un cap la altul este egal cu dimensiunea celui mai ngust loc de trecere prin reea. Dac vrem, deci, s mrim fluxul va trebui s lrgim tocmai acest cel mai ngust loc de traversare al reelei. Pentru formalizarea consideraiilor de mai sus vom introduce noiunea de tietur ntr-o reea:

Definiia 5: Dat o reea de transport G(X,U) cu s = nodul iniial i t = nodul final, se numete tietur n reea o partiie a mulimii vrfurilor reelei de transport, format din dou submulimi V i W (VW = , VW = X) astfel nct s V i t W.
O tietur poate fi privit, intuitiv, ca o seciune a reelei, care las nodul iniial cu o submulime din noduri ntr-o parte, nodul final cu restul nodurilor n cealalt parte i reteaz toate arcele care trec dintr-o parte n cealalt. A cunoate o tietur este echivalent cu a cunoate care sunt elementele celor dou mulimi, V i W, care formeaz partiia. Vom nota o tietur prin T = (V,W), convenind ca mulimea scris pe prima poziie s conin nodul iniial s al reelei iar cea scris pe a doua, nodul final t.

Definiia 6: Se numete capacitate a unei tieturi T = (V,W) ntr-o reea de transport G(X,U), notat C(T), suma capacitilor tuturor arcelor care au extremitatea iniial n V i cea final n W. C(T) = cu
u = x i ,x j x i V x jW

) (

Pentru a nu exista nici o ambiguitate, insistm asupra faptului c se vor lua n considerare doar arcele care trec de la mulimea ce conine nodul iniial spre mulimea care conine nodul final, adic n sensul normal de transport (surse destinaie).

Definiia 7: Se numete tietur de valoare minim ntr-o reea o tietur T n aceast reea, cu proprietatea c, pentru orice alt tietur T' n aceast reea, avem C(T) C(T').
Urmtoarele teoreme fac legtura matematic dintre fluxurile unei reele i tieturile sale:

Teorema 1. Dat o tietur T = (V,W) i un flux ntr-o reea de transport avem:

=

u = x i ,x j x i V x jW

) (

u = x i ,x j x i W x jV

) (

sau, altfel spus, valoarea unui flux oarecare este egal cu suma fluxurilor arcelor care trec de la V la W din care se scade suma fluxurilor arcelor care trec invers, de la W la V, oricare ar fi tietura T = (V,W).

Demonstraie: Avem succesiv:

24

u = x i ,x j x i V x jV

( ( )

= u = u + u u = u = (s, x j ) u = (s, x j ) x i V uU + uU i x xi x i s x jX x jX

u ) +

u = x i ,x j x i V x jW

) (

u = x i ,x j x i W x jV

) (

u = x i ,x j x i V x jW

) (

u = x i ,x j x i W x jV

) (

Corolar: ntr-o reea de transport valoarea oricrui flux este mai mic sau egal dect valoarea oricrei tieturi. Demonstraie: Fie T o tietur oarecare i un flux oarecare. Avem succesiv:

u = x i ,x j x i V x jW

) (

u = x i ,x j x i W x jV

) (

u = x i ,x j x i V x jW

) (

u = x i ,x j x i V x jW

c) (

= C(T)

Corolar: ntr-o reea de transport valoarea fluxului maxim este mai mic sau egal dect valoarea tieturii minime. Demonstraia e evident. n plus, din cele de mai sus se vede c egalitatea are loc numai dac, pentru tietura minim, exist un flux pentru care toate arcele de la V la W sunt folosite la maxim (fluxul e egal cu capacitatea arcelor) iar pe toate arcele de la W la V nu se transport nimic. Teorema lui Ford-Fulkerson Dac fluxul este maximal atunci exist o tietur de capacitate egal cu valoarea fluxului. Demonstraie: Fie un flux maximal. Introducem urmtorul procedeu de marcare a vrfurilor: Pasul 1. Se marcheaz nodul iniial s cu 0(zero); Pasul 2. Pentru fiecare vrf marcat xi se marcheaz cu: [+xi] toate vrfurile nemarcate xj pentru care exist arcul (xi,xj) i (xi,xj) < c(xi,xj) (adica nodurile spre care mai e loc pentru a se transporta ceva din xi); [xi] toate vrfurile nemarcate xj pentru care exist arcul (xj,xi) i (xj,xi) > 0 (adic toate nodurile spre care pleac deja ceva din xi); Pasul 3. Se repet pasul 2 pn nu mai poate fi marcat nici un vrf.

Dac vrful final t ar fi marcat, atunci ncepnd de la acesta, am putea construi lanul x k1 , x k 2 , ..., x k r unde x k1 = s, x k r = t i marcajul oricrui vrf x k i +1 este + x k i sau x k i . Adugnd la fluxul fiecrui arc al lanului de tipul ( x k i , x k i +1 ) valoarea: = min(

(x k i ,x k i +1 )

min

(c(x k , x k ) (x k , x k )) , (x min ,x
i i +1 i i +1 k i +1

ki

(x k i , x k i +1 ) )

i scznd din fluxul fiecrui arc de tipul ( x k i +1 , x k i ) aceeai valoare , obinem un flux de valoare + , deci fluxul nu ar fi maximal. n concluzie vrful t nu va fi marcat. Fie tietura T = (V,W), unde V este format din mulimea nodurilor marcate iar W din cele nemarcate. n acest caz, pentru fiecare arc (xi,xj) care "traverseaz" tietura avem:
25

 dac xi V atunci (xi,xj) = c(xi,xj) deoarece nodul xj nu e marcat dac xi W atunci (xi,xj) = 0 deoarece nodul xi nu e marcat n acest caz avem: C(T) =

u = x i ,x j x i V x jW

c) (

u = x i ,x j x i V x jW

) (

u = x i ,x j x i W x jV

) (

i teorema e demonstrat. Teorema lui Ford-Fulkerson poate stabili doar valoarea fluxului maxim dar nu d o metod de gsire a acestuia. Pentru a rezolva problema gsirii fluxului de valoare maxim se poate folosi algoritmul lui Ford-Fulkerson. Pentru expunerea acestuia vom introduce i noiunile de:
arc saturat = un arc pe care fluxul este egal cu capacitatea; drum complet = un drum de la nodul iniial s la nodul final t care conine cel puin un arc saturat; flux complet = un flux pentru care orice drum de la nodul iniial s la nodul final t este complet. Algoritmul lui Ford-Fulkerson ETAPA I Se determin un flux complet. Pasul 1. Se numeroteaz nodurile reelei de transport astfel nct x1 = s i xn = t; Pasul 2. Se asociaz grafului fluxul nul (u = 0 pentru orice arc u din graf); Pasul 3. n ordine lexicografic, se ia pe rnd fiecare drum D de la nodul iniial la cel final, se calculeaz valoarea D = min(c u u ) i se adaug la fluxul de pe fiecare arc al
uD

drumului. Arcul(arcele) unui drum D pentru care s-a obinut valoarea minim D va fi dup aceast adugare, n mod evident, saturat i deci drumul D va fi complet. Dup epuizarea tuturor drumurilor se obine un flux complet, de valoare = D .
D

Deoarece alegerea drumurilor n ordine lexicografic nu ine cont de structura reelei, aa cum se poate vedea pe un exemplu, acest procedeu nu asigur ntotdeauna gsirea fluxului maxim. Acest impediment poate fi depit fie prin gsirea unei ordini de parcurgere a tuturor drumurilor, care s dea pentru fiecare reea fluxul maxim, n urma procedeului de mai sus, fie prin redistribuirea judicioas a fluxului gsit la etapa I. A doua variant este cea care se aplic la etapa II.
ETAPA II Se determin fluxul maxim Pasul 4. Se marcheaz nodul iniial s cu 0(zero); Pasul 5. Pentru fiecare vrf marcat xi se marcheaz cu: [+xi] toate vrfurile nemarcate xj pentru care exist arcul (xi,xj) i (xi,xj) < c(xi,xj) (adica nodurile spre care mai e loc pentru a se transporta ceva din xi); [xi] toate vrfurile nemarcate xj pentru care exist arcul (xj,xi) i (xj,xi) > 0 (adic toate nodurile spre care pleac deja ceva din xi); Pasul 6. Se repet pasul 5 pn este marcat nodul final sau pn cnd nu mai poate fi marcat nici un vrf; Pasul 7. Dac nodul final a fost marcat atunci fluxul este maxim i algoritmul se oprete, n caz contrar trecndu-se la pasul 8;

26

Pasul 8. Construim un lanul L = x k1 , x k 2 , ..., x k r unde x k1 = s, x k r = t i marcajul oricrui vrf

x k i +1 este + x k i sau x k i . Se calculeaz: L = min(

(x k i ,x k i +1 )

min

(c(x k , x k ) (x k , x k )) , (x min ,x
i i +1 i i +1 k i +1

ki

(x k i , x k i +1 ) )

care se adaug la fluxul fiecrui arc al lanului de tipul ( x k i , x k i +1 ) i se scade din fluxul fiecrui arc de tipul ( x k i +1 , x k i ).
Pasul 9. Se terge marcajul i se reia algoritmul de la pasul 4.

n final, tietura de valoare minim este cea n care V = mulimea nodurilor marcate iar W = mulimea nodurilor nemarcate.
Observaia 1. Algoritmul nu asigur ntotdeauna gsirea fluxului maxim, deoarece se poate ca creterea fluxului la fiecare iteraie s se fac cu cantiti din ce n ce mai mici astfel nct suma lor s nu ating niciodat marginea superioar dat de valoarea tieturii minime, algoritmul avnd o infinitate de pai. Teorema de mai jos d o condiie suficient pentru ca algoritmul s se termine ntr-un numr finit de pai:

Teorem Dac toate capacitile rutelor reelei sunt numere raionale atunci algoritmul lui Ford-Fulkerson are un numr finit de pai. Demonstraie Prin nmulirea tuturor acestor capaciti cu cel mai mic multiplu comun al numitorilor se obine o reea cu toate capacitile numere naturale. innd cont de formula de calcul, la fiecare iteraie cantitatea adugat va fi numr natural i cum valoarea fluxului maxim este mrginit de capacitatea tieturii minime Cmin, care este de asemenea numr natural, algoritmul va avea nevoie de cel mult Cmin pai pentru a o atinge.
Observaia 2. Teorema de mai sus asigur doar o limitare superioar a numrului de iteraii ale algoritmului, fa de capacitatea tieturii minime. Aceast valoare poate fi ns, n anumite cazuri, foarte mare i, dac nu se iau precauii suplimentare, algoritmul nu va da soluia n timp util. Depirea acestei situaii este asigurat de urmtoarea teorem:

Teorem Dac la fiecare iteraie se alege drumul (lanul) de lungime minim atunci 1 algoritmul va avea cel mult mn iteraii, unde n = numrul de noduri iar m = numrul de muchii. 2
Observaia 3. Exist probleme n care se dorete gsirea fluxului minim ntr-o reea, valorile fluxului pe arce fiind limitate inferior de capacitile acestora. n acest caz se aplic de asemenea algoritmul lui Ford-Fulkerson astfel:

Pasul 1. Se calculeaz M = maximul capacitilor arcelor Pasul 2. Se construiete reeaua R', care este fosta reea, n care au fost modificate doar capacitile arcelor, acestea devenind c = M cu u Pasul 3. Se gsete cu algoritmul Ford-Fulkerson fluxul , de valoare maxim, n aceast reea Pasul 4. Fluxul de valoare minim n reeaua iniial va avea valorile ' = M
Observaia 4. Exist i alte tipuri de probleme asemntoare celor de mai sus. Astfel, se poate pune problema:

27

 gsirii capacitilor minime ale arcelor cu care se poate asigura transportarea ntregii cantiti de la surse la destinaii fluxului minim(maxim) ntr-o reea n care capacitile rutelor sunt limitate att superior ct i inferior; n cazul n care rutelor li se asociaz i costuri unitare de parcurgere, putem cuta fluxul maxim de cost minim;

28

CAPITOLUL 7 CMP DE EVENIMENTE. CMP DE PROBABILITATE

7.1.

Noiuni fundamentale: evenimente; probabilitatea de producere a evenimentelor.

DEFINIIE : Experiena reprezint orice act care poate fi repetat n condiii date. Aplicarea experienei asupra unei populaii date se numete prob. DEFINIIE : Evenimentul reprezint orice rezultat al unei experiene. Noiunea de eveniment n teoria probabilitilor este legat de producerea sau neproducerea unui fenomen (ntr-o experien dat) i nu de natura fenomenului. EXEMPLUL 1 : La controlul de recepie a mrfurilor : Experiena const n cercetarea unui lot de marf, dac corespunde sau nu din punct de vedere al calitii. Proba const n cercetarea calitii unei uniti (unui articol) din marfa respectiv. Evenimentele rezultate sunt : -articolul este corespunztor; -articolul nu este corespunztor. EXEMPLUL 2 : La aruncarea unui zar : Experiena const n crearea condiiilor de aruncare a zarului (mas, zar). Proba const n aruncarea zarului i citirea feei. Evenimentele sunt asociate feelor 1, 2, 3, 4, 5 sau 6. DEFINIIE : Se numete eveniment elementar evenimentul care se poate realiza printr-o singur prob. Dac o experien are n rezultate posibile, vom nota evenimentele elementare cu 1 , , n . DEFINIIE : Notm cu mulimea tuturor evenimentelor elementare, = {1 , , n } .

De exemplu, n cazul aruncrii zarului, = {1,2,3,4,5,6} . OBSERVAIE : Mulimea este evenimentul sigur (adic evenimentul care se poate realiza prin oricare din probe). DEFINIIE : Evenimentul care nu se produce la nici o efectuare a experienei se numete evenimentul imposibil, pe care l notm cu . DEFINIIE : Evenimentul care poate fie s se produc fie s nu se produc n efectuarea unei experiene se numete eveniment aleator (ntmpltor). Vom nota evenimentele aleatoare cu litere mari A, B, C, Dac evenimentele aleatoare pot fi observate de mai multe ori n condiii identice se constat c ele se supun unor legiti statistice. Teoria probabilitilor studiaz aceste legiti, care permit s se prevad desfurarea evenimentelor. Fiecrui eveniment A i corespunde un eveniment contrar (opus, complementar) care se realizeaz atunci i numai atunci cnd nu se realizeaz evenimentul A. Vom nota evenimentul contrar cu A sau C(A). OBSERVAIE : = ; = . DEFINIIE : Evenimentul A implic evenimentul B, dac realizarea evenimentului A atrage dup sine realizarea evenimentului B. Notm A B . OBSERVAIE : Dac A este un eveniment i este evenimentul sigur, evident A . DEFINIIE : Dac A B i B A , atunci evenimentele A i B sunt echivalente.

7.2. Operaii cu evenimente Fie evenimentele A i B. DEFINIIE : Evenimentul a crui producere const n producerea a cel puin unuia din evenimentele A i B se numete

reuniunea (suma) evenimentelor. Se noteaz cu A B i se citete A sau B. DEFINIIE : Evenimentul care const n producerea simultan a evenimentelor A i B se numete intersecia (produsul) evenimentelor. Se noteaz cu A B i se citete A i B. n general, S = Ai i I = Ai .
i =1 i =1 n n

DEFINIIE : Dou evenimente sunt incompatibile dac nu se pot produce simultan. Deci A B = . OBSERVAIE : A A = . DEFINIIE : Diferena evenimentelor AB este evenimentul care se produce atunci i numai atunci cnd se produce A i nu se produce B. Avem : A B = A B . Proprieti ale operaiilor cu evenimente :
A B = B A ( A B) C = A ( B C ) A A = A A = A A = A A = ( A) = A A B = B A ( A B) C = A ( B C ) A A = A A = A = A A A =

= n Ai i =1

Ai

i =1

DEFINIIE : O mulime nevid K de pri ale lui se numete corp de evenimente dac : a) oricare ar fi evenimentul A din mulimea K, atunci i evenimentul A aparine mulimii K. b) oricare ar fi evenimentele A i B din mulimea K, A B aparime mulimii K. CONSECINE :

a) K Demonstraie : dac A K , atunci i A K , iar A A = K , conform proprietilor operaiilor cu evenimente. b) K Demonstraie : deoarece K , i = K . c) Dac A, B K , atunci A B K Demonstraie : A B = A B = A B K . d) Dac A, B K , atunci A B K DEFINIIE : O mulime nevid K de pri ale lui se numete corp borelian de evenimente, dac : a) oricare ar fi evenimentul A din mulimea K, atunci i evenimentul A aparine mulimii K. b) oricare ar fi A j K , j = 1,2,... , atunci

A
j =1

K.

DEFINIIE : Se numete cmp finit de evenimente, o mulime finit de evenimente elementare pe care s-a definit un corp de evenimente K. Se noteaz (, K ) . DEFINIIE : Se numete cmp borelian de evenimente o mulime finit de evenimente elementare peste care s-a definit un corp borelian de evenimente. OBSERVAIE : Din definiia anterioar rezult c n mulimea evenimentelor cmpului (, K ) exist o submulime { i }, i = 1,..., n numit mulimea evenimentelor elementare. Aceast mulime are urmtoarele proprieti : 1) i , i = 1,..., n . 2) i j = , i j . 3) 4)

i =1

=.

exist cel puin un eveniment A (, K ) , A i , i = 1,..., n , astfel nct A = i1 ... i p , 1 p n .

DEFINIIE : E1, E2 ,...,En formeaz un sistem complet de evenimente, deoarece :

1) 2)

E
i =1

Ei E j = , i j .

7.3. Conceptul de probabilitate Pentru msurarea anselor de realizare a unui eveniment aleator s-a introdus noiunea de probabilitate. Sunt cunoscute trei definiii ale noiunii de probabilitate. 1. Definiia axiomatic introduce probabilitatea ca o funcie p definit pe un cmp de evenimente cu valori n mulimea numerelor reale. 2. Definiia clasic a probabilitii reduce conceptul de probabilitate la cazul evenimentelor egal posibile. 3. Definiia statistic exprim probabilitatea cu ajutorul frecvenei de realizare a unui eveniment ntr-un numr mare de experiene realizate n aceleai condiii. DEFINIIA AXIOMATIC A PROBABILITII: Fie (, K ) un cmp de evenimente. Funcia P : (, K ) R , care asociaz oricrui eveniment A (, K ) numrul real P(A), cu proprietile : 1) P( A) 0 , oricare ar fi A (, K ) , 2) P() = 1 , 3) P( A B) = P( A) P( B ) , oricare ar fi A, B (, K ) , A B = , se numete probabilitate. Aceast definiie a fost enunat de A.N.Kolmogorov (1929). DEFINIIE : Un cmp de evenimente (, K ) nzestrat cu o probabilitate P se numete cmp de probabilitate, i se noteaz cu (, K , P) .

DEFINIIE : Se numete probabilitate - aditiv (sau complet aditiv) pe cmpul borelian de evenimente (, K ) o funcie P : (, K ) R cu proprietile : 1) P( A) 0 , oricare ar fi A (, K ) , 2) P() = 1 ,
3) P Ai = P ( Ai ) , oricare ar fi irul i =1 i =1 Ai A j = , oricare ar fi i j .

( Ai )iN

(, K ) i

DEFINIIE : Un cmp borelian de evenimente (, K ) nzestrat cu o probabilitate - aditiv se numete cmp borelian de probabilitate i se noteaz (, K , P) .

Consecine ale definiiei axiomatice a probabilitii: C1. P( A ) = 1 P( A) Demonstraie : Din proprietile operaiilor cu evenimente tim c Atunci deoarece A A = . P( A A ) = P( A) + P( A ) , A A = . Rezult c P( A ) = 1 P( A) . C2. Dac Ai (, K ) , i = 1,..., n cu proprietatea c Ai A j = ,
oricare ar fi i j , i, j = 1,..., n , atunci : P Ai = P ( Ai ) . i =1 i =1

Demonstraie : - folosim inducia matematic . Pentru n=2, relaia este adevrat, conform proprietii numarul 3 din definiia lui Kolmogorov. Presupunem c propoziia este adevrat pentru n-1, adic n 1 n 1 n 1 P Ai = P ( Ai ) . Notm A = Ai . Rezult astfel c putem i =1 i =1 i =1 scrie

A
i =1

n 1

= A An .

n 1 n Atunci P Ai = P( A) + P( An ) = P( Ai ) . i =1 i =1

C3.

P( ) = 1 , unde ,
i =1 i 1

,..., n sunt evenimentele elementare

ale mulimii . Demonstraie:

i =1 n i=1

=
i

i j = ,

i j.

Atunci

n Pi = P() = 1, deci i=1

P( ) =1.

C4. Dac A, B (, K ) i A B , atunci P( A) P( B) . Demonstraie: Dac A B , atunci A = i i B =

p

i j = , ij.
Deci :
P( A) = P( i )
i =1 p

i =1

i =1 q

p+q

. tim c

P ( B ) = P( i ) +
i =1

i = p +1

P( ) .
i

Dar

P( i ) 0 , de unde rezult c P( A) P( B ) .

C5. Oricare ar fi evenimentul A (, K ) , este adevrat relaia 0 P( A) 1 . Demonstraie: Oricare ar fi A (, K ) , A , deci vom avea P( ) P( A) P() , adic 0 P( A) 1 .

C6. S considerm o experien n care mulimea evenimentelor elementare cuprinde evenimente egal posibile (exemplu: aruncarea unui zar). Din C3. rezult c P(i ) = 1 . Fie A (, K ) , unde n k A = i1 ... ik . Atunci P( A) = P(i1 ) + ... + P(ik ) , deci P( A) = . n

DEFINIIA CLASIC A PROBABILITII: Probabilitatea unui eveniment A (, K ) este egal cu raportul dintre numrul cazurilor favorabile producerii evenimentului A i numrul total de cazuri posibile.

7.4. Probabiliti condiionate DEFINIIE : Fie (, K , P ) un cmp borelian de probabilitate. Fie A, B (, K , P ) cu P( A) 0 . S presupunem c apariia evenimentului B este condiionat de apariia evenimentului A. Vom nota aceast probabilitate condiionat cu PA (B ) sau P( A B ) P( B / A) . Atunci PA ( B ) = = P ( B / A) . P ( A) Proprieti ale probabilitilor condiionate: Proprietatea 1 : {, K , PA ( B )} este probabilitate.

un

cmp

(chiar

borelian)

de

Demonstraie: Verificm ipotezele : 1. PA ( B ) 0 deoarece P( A B ) 0 i P( A) > 0 2. PA ( ) = 1 P ( A ) P( A) PA () = = =1 P ( A) P( A) 3. PA ( B1 B2 ) = PA ( B1 ) + PA ( B2 ) P[(B1 B2 ) A] P[(B1 A) (B2 A)] = = PA ( B1 B2 ) = P( A) P( A) P ( B1 A) P( B2 A) = + = PA ( B1 ) + PA ( B2 ) P( A) P ( A) n aceast demonstraie avem n vedere faptul B1 B2 = i ( B1 A) ( B2 A) = B1 B2 A . Proprietatea 2 : Dac P( A) 0 i P(B) 0 , relaia P( A) PA ( B) = P( B) PB ( A) .

atunci

este

adevrat

Demonstraie: P( A B ) , de unde P ( A B ) = P ( A) PA ( B ) PA ( B ) = P ( A) P( B A) , de unde P ( B A) = P ( B ) PA ( A) PB ( A) = P( B ) Cum P( A B ) = P( B A) , avem P( A) PA(B) = P(B) P ( A) B i proprietatea 2 este demonstrat. DEFINIIE : Evenimentele independente dac P( A B ) = P ( A) P( B ) .
A, B (, K )

sunt

7.5. Formule de calcul ale probabilitilor n cazul operaiilor cu evenimente 1) Reuniunea evenimentelor incompatibile: n n P Ak = P ( Ak ) , dac Ai A j = , i j . k =1 k =1 Demonstraia este imediat, prin metoda induciei matematice, utiliznd axioma 3 din definiia axiomatic a probabilitii. 2) Reuniunea evenimentelor compatibile: P( A B ) = P ( A) + P( B ) P( A B ) (*) Demonstraie : Evenimentele A i B se mai pot scrie astfel: A = ( A B) ( A B ) B = ( B A) ( B A ) Deci A B = ( A B ) ( A B ) ( A B ) . Evenimentele din paranteze sunt independente dou cte dou. ( ) P( A B ) = P( A B ) + P( A B ) + P( A B )
P ( A) = P ( A B ) + P ( A B ) P( B ) = P( A B ) + P( A B ) Din relaia ( ) scdem cele dou relaii de mai sus i obinem: P( A B ) P( A) P( B ) = P ( A B ) , de unde rezult P( A B ) = P ( A) + P( B ) P( A B ) .

n general, fie sistemul de evenimente compatibile { A1 ,..., An } K . Probabilitatea producerii a cel puin unuia dintre aceste evenimente este: n n P Ai = P( Ai ) P( Ai Aj ) + P( Ai Aj Ak ) + ... + i< j i< j<k i=1 i=1 n +1 + ( 1) P( A1 A2 ... An ) . Aceast formul se numete formula lui Poincar. Demonstraie: Se utilizeaz inducia matematic. n etapa de verificare, pentru n = 2 , se obine relaia (*) care a fost demonstrat. Se presupune proprietatea adevrat pentru k evenimente compatibile, cu k n i se demonstreaz c formula lui Poincar este adevrat i pentru n+1 evenimente. Atunci:
n n n+1 n P Ak = P Ak An+1 = P Ak + P( An+1 ) P Ak An1 = k =1 k =1 k =1 k =1 n n = P Ak + P( An1 ) P( Ak An+1 ) . k =1 k =1

n primul i al treilea termen al acestei relaii se utilizeaz formula Poincar, adevrat pentru n evenimente compatibile. Rezult :
n n+1 n+1 P Ak = P( Ak ) P( Ai Aj ) + P( Ai Aj Ak ) i , j=1;i< j i , j ,k =1;i< j<k k =1 k =1 n +1 ... + ( 1) n P Ak k =1

EXEMPLU: Problema concordanelor O urn conine n bile numerotate 1,2,,n. Se extrag pe rnd toate bilele din urn. Se numete concordan de rang k evenimentul ca la extragerea de rang k s apar bila cu numrul k. Fie Ak acest eveniment. S se determine probabilitatea de a avea cel puin o concordan.

Rezolvare: Fie A evenimentul de a avea cel puin o concordan. Rezult c

A = Ak ,
k =1 n

iar evenimentele sunt

compatibile. Se aplic formula lui Poincar. ( n 1)! 1 = , oricare ar fi k = 1,2,..., n . P( Ak ) = n! n (n 2)! 1 , oricare ar fi i, j = 1,2,..., n , i i j . P( Ai Aj ) = = n! n(n 1) .. n 1 P Ak = k =1 n! n n 1 1 1 1 2 Rezult : P( A) = 1 + ... + (1)n1 =n Cn + n n n(n 1) k =1 n i, j=1;i< j n(n 1) 1 1 1 1 1 3 + Cn + ... + ( 1) n 1 = 1 + + ... + ( 1) n 1 n( n 1)( n 2) n! n! 2! 3!

3) Formula de nmulire a probabilitilor: TEOREMA 1: Fie (, K , P) un cmp de probabilitate i fie familia de evenimente ( A1 , A2 ,..., An ) K independente n totalitatea lor. Atunci, probabilitatea producerii simultane a celor n evenimente este egal cu produsul probabilitilor acestor evenimente: n n P Ak = P( Ak ) . k =1 k =1 Demonstraie : Se face prin inducie dup n. Pentru n=2, etapa de verificare, rezult din definiia independenei a dou evenimente: P ( A1 A2 ) = P( A1 ) P ( A2 ) Presupunem teorema adevrat pentru k evenimente (k n) i o demonstrm pentru n+1 evenimente:
n P ( A1 A2 ... An An +1 ) = P Ak An +1 = k =1 n +1 n = P ( Ak ) P( An +1 ) = P( Ak ) k =1 k =1 n P Ak P ( An +1 ) = k =1

TEOREMA 2: ntr-un cmp de probabilitate (, K , P) fie familia de evenimente ( A1 , A2 ,..., An ) K astfel nct probabilitatea P( A1 , A2 ,..., An ) . Atunci:
n P Ak = P( A1 ) P( A2 | A1 ) P( A3 | A1 A2 ) ... P( An | A1 ... An1 ) k=1

Demonstraie: Se poate demonstra fie prin inducie, fie prin definiia probabilitilor condiionate. Aplicm a doua metod: P ( A1 ) = P( A1 ) P( A1 A2 ) P( A2 | A1 ) = P( A1 ) P( A1 A2 A3 ) P( A3 | A1 A2 ) = P( A1 A2 ) .. n 1 P ( A1 A2 ... An ) P An | Ai = P ( A A ... A ) i =1 1 2 n 1 nmulim ntre ele expresiile din membrul stng i din membrul drept i simplificm. Rezult : n 1 P ( A1 ) P ( A2 | A1 ) P An | Ai = P( A1 A2 ... An ) i =1 EXEMPLU : Un lot de piese conine 5% piese rebut. Controlul de calitate stabilete ca regul de acceptare a lotului condia ca la 5 verificri consecutive s nu fie nici o pies rebut. Care este probabilitatea de acceptare a lotului? Rezolvare: Fie Ak evenimentul ca piesa controlat lacontrolul de ordinul k s fie corespunztoare, fie A evenimentul ca lotul s fie acceptat. Atunci: A = A1 A2 A3 A4 A5 . Evenimentele nu sunt independente, deoarece orice realizare a unuia dintre ele influeneaz realizarea celorlalte prin modificarea proporiei de piese corespunztoare din lot.
P(A) = P( A ) P(A2 | A ) P( A3 | A A2 ) P( A4 | A A2 A3) P(A5 | A A2 A3 A4 ) 1 1 1 1 1

Avem: P( A1 ) = 95 ; P( A2 | A1 ) = 94 ; P( A3 | A1 A2 ) = 93 ; 100 99 98

92 ; P( A5 | A1 A2 A3 A4 ) = 91 . 97 96 95 94 93 92 91 Deci: P( A) = = 0,77 . 100 99 98 97 96 P( A4 | A1 A2 A3 ) =

7.6. Formula probabilitilor totale Fie A1 , A2 ,..., An un sistem complet de evenimente al cmpului (, K ) . Adic A1 An = i Ai A j = , unde
i, j = 1, , n , i j . Fie X (, K ) evenimentul care se realizeaz condiionat cnd unul din evenimentele Ai se realizeaz. Cunoscnd P( Ai ) i PAi (X ) , i = 1, , n , s se determine P(X).

TEOREM : Probabilitatea unui eveniment X ce se produce condiionat de unul din evenimentele A1 , A2 ,..., An care formeaz un sistem complet de evenimente este :
P( X ) =
n i =1

P( Ai ) PAi ( X )

(formula probabilitii totale)

Demonstraie: Putem scrie :

X = ( A1 X ) ( A2 X ) ( An X ) . Vom arta c : ( Ai X ) ( A j X ) = . ( Ai X ) ( A j X ) = ( Ai A j ) X = X = , i j .
P( X ) = P[(A1 X ) ( A2 X ) ( An X )] = P( Ai X ) =
i=1 n

= P( Ai ) PAi ( X ) deoarece P ( Ai X ) = P ( Ai ) PAi ( X )

i PA ( X ) = P( Ai X ) . i P( Ai )

i =1

7.7. Formula lui Bayes Considernd aceleai ipoteze ca i n cazul formulei probabilitilor totale : A1 An = i Ai A j = , unde
i, j = 1, , n , i j , notm cu X (, K ) evenimentul care se realizeaz cnd unul din evenientele Ai , i = 1, , n , se realizeaz.

Problema: S se determine probabilitatea evenimentelor Ai n ipoteza realizrii evenimentului X, adic PX ( Ai ) = ? P ( Ai ) PAi ( X ) (formula lui Bayes) Px ( Ai ) = n P( Ai ) PAi ( X )
i =1

Demonstraie:
P( Ai X ) P( Ai X ) i . Rezult c: PX ( Ai ) = P( Ai ) P( X ) P( Ai ) PAi ( X ) . P( Ai ) PAi ( X ) = P( X ) PX ( Ai ) PX ( Ai ) = P( X ) Vom nlocui P(X) cu formula probabilitii totale i obinem :
PAi ( X ) =
Px ( Ai ) = P ( Ai ) PAi ( X ) .
i Ai

P( A ) P
i =1

(X )

7.8. Scheme probabilistice clasice Colectivitile studiate n practic au caracteristici care duc la evenimente care se realizeaz dup scheme teoretice asemntoare. 1. Schema urnei cu bile nerevenite: Se consider o urn n care sunt bile albe i bile negre. Fie a numrul bilelor albe i b numrul bilelor negre. Fie N=a+b numrul total de bile din urn. Se extrag succesiv n bile, fr a repune bilele napoi (sau se extrag deodat n bile).

Se cere probabilitatea Pn ( , ) ca din cele n bile extrase, s fie albe i s fie negre. Soluie: Numrul tuturor grupelor de n bile luate din cele N n bile este C N . Pentru a determina numrul cazurilor favorabile
asociez fiecare grup de bile albe (n total Ca grupe) cu fiecare

grup ce conine bile negre (n total Cb grupe).

Deci numrul total al cazurilor favorabilr este Ca Cb . Folosind definiia clasic a probabilitii se obine relaia : C C Pn ( , ) = a n b , unde a+b=n i + = n . CN Dac notm = x (din n bile extrase x s fie albe), vom obine: C x C n x Pn ( x) = a n N a . CN

Generalizare: Presupunem c n urn sunt bile de s culori. Fie ak numrul bilelor de culoarea k (k = 1, , s ) . Se extrag deodat n bile. Care este probabilitatea ca xk bile s fie de culoarea k ? Avem:

a
k =1

= N i

x
k =1

= n . Se obine relaia urmtoare : Cax11 Cax22 ... C axss

n CN

Pn ( x1 , x2 ,..., x s ) =

EXEMPLU: ntr-un depozit sunt 30 televizoare , 18 de producie strin i 12 de producie romneasc, ambalate identic. Care este probabilitatea ca la o comand de 10 televizoare, un magazin s primeasc 6 strine i 4 romneti? C 6 C 4 612 P10 (6,4) = 10 10 10 = 0,9 . C30 667 2. Schema urnei cu bila revenit (schema Bernoulli): Se consider o urn n care sunt bile albe i bile negre. Fie a numrul bilelor albe i b numrul bilelor negre. Fie N=a+b

numrul total de bile din urn. Se extrag n bile, de fiecare dat bila extras introducndu-se napoi n urn. Se cere: probabilitatea ca din cele n bile extrase x bile s fie albe. Soluie: Fie A evenimentul extragerii unei bile albe. Notm P( A) = p , deci P ( A ) = q = 1 p . Fie A si A si si A i A si A si ... si A , 1 4 4 4 4 2 4 4 4 4 3 14444244443
de x ori

de ( n x ) ori

o succesiune n care A apare de x ori i A apare de (n-x) ori. Probabilitatea unei astfel de succesiuni de evenimente independente (rezultatul oricrei extrageri nu depinde de precedentul) este : P[ A A A A A A] = px qnx 14444244443 1 4 4 4 4 2 4 4 4 44 4 3
de x ori de (nx) ori

Numrul succesiunilor distincte n care apare A de x ori i A de (n-1) ori este, evident, Cnx . Deoarece aceste succesiuni sunt incompatibile i echiprobabile, rezult relaia: n! Pn ( x ) = C nx p x q n x = p x q n x . x! ( n x )! OBSERVAIE: Probabilitatea de mai sus este egal cu coeficientul lui t x din dezvoltarea binomului ( q + pt ) n . EXEMPLU: Se consider o urn ce conine 3 bile albe i 4 bile negre. Din aceast urn se fac 3 extrageri cu revenire. Cu ce probabilitate se obin 2 bile albe i o bil neagr? 2 4 108 2 3 P3 ( 2) = C3 = = 0,315 7 7 343 Generalizare: Fie o urn cu bile de s culori. Fie pk probabilitatea extragerii unei bile de culoare k ( k = 1, , s ) . Ne intereseaz s determinm probabilitatea ca din cele n bile extrase, xk bile s fie de culoarea k , ( k = 1, , s ) . Notnd aceast probabilitate cu Pn ( x ) = ( x1 , x 2 ,..., x s ) , se arat c:

Pn ( x ) = ( x1 , x2 ,..., x s ) =

n! x p1x1 p2 2 psxs , unde xk 0 , x1! x2 ! xn !

x
k =1

= n,

p
k =1

= 1.

(lege multinominal)

EXEMPLU: Un magazin primete n cursul unei sptmni 100 buci dintr-o anumit marf provenit de la fabricile A, B, C. Probabilitatea ca marfa s provin de la fabrica A este de 0,6; de la fabrica B este de 0,2; de la fabrica C este de 0,2. Care este probabilitatea ca din cele 100 buci primite, 60 s fi fost realizate la fabrica A, 30 la fabrica B, iar restul la C? 100! p= (0,6) 60 (0,2) 30 (0,2)10 60!30!10! 3. Problema lui Pascal: Fie o urn Bernoulli. Fie X evenimentul ca prima bil alb s fie extras la extragerea de ordinul x. Fie A evenimentul de extragere a bilei albe i A evenimentul de extragere a bilei negre. Deci X = A A A A . 1 4 4 4 44 2 4 4 4 4 43
( x 1) ori

tiind c P ( A) = p i P ( A ) = q , atunci P ( X ) = p q x 1 . Aceast lege se mai numete i legea geometric deoarece este exprimat prin termenul general al unei progresii geometrice cu primul termen p i raia q. EXEMPLU: ntr-un raft sunt cmi de acelai fel de talia I i a-II-a n proporie de 49% (I) i 51% (II), identic ambalate. Care este probabilitatea ca un cumprtor care dorete o cma de talia II s o gseasc numai la a 6-a ncercare? x = 6 , p = 0,49 , q = 0,51 . P ( X ) = p q x 1 = 0,49 (0,51) 5 = 0,0169 .

4. Schema lui Poisson Fie n urne care conin bile albe i negre n proporii diferite:

 Urna U1 : p1 + q1 = 1 ; Urna U2 : p 2 + q2 = 1 ; . Urna Un : pn + qn = 1 . Se extrage cte o bil din fiecare urn. Se cere probabilitatea ca din cele n bile extrase, x s fie albe. Pn ( x ) = pi1 pi2 pix qix +1 qin Acest sum conine toate produsele a cte n factori formate n moduri diferite, din care x probabiliti pi i (n-x) probabiliti qi (i = 1,..., n ) . Suma de mai sus este dat de polinomul Pn (x ) care conine coeficienii lui t x din dezvoltarea: ( p1t + q1 ) ( p2 t + q2 ) ( pn t + qn ) OBSERVAIE : Urna Bernoulli este un caz particular al urnei Poisson cnd p1 = p 2 = = p n = p . EXEMPLU: O firm se aprovizioneaz de la 4 furnizori. Din datele statistice deinute se estimeaz c doi dintre furnizori onoreaz contractele cu probabilitatea 0,8, iar ceilali doi cu probabilitatea 0,9. Se cer probabilitile urmtoarelor evenimente: a) toi furnizorii onoreaz contractul; b) doar doi furnizori onoreaz contractul; c) nici un furnizor nu onoreaz contractul; d) cel puin un furnizor onoreaz contractul. Problema se ncadreaz n schema lui Poisson. p1 = 0,8 , p 2 = 0,8 , p3 = 0,9 , p4 = 0,9
Q (t ) = ( 0,8t + 0,2) 2 (0,9t + 0,1) 2 a) P4 ( 4) = p1 p 2 p3 p4 = 0,5184 ;

b) P4 (2) = 0,82 0,12 + 4 0,8 0,2 0,9 0,1 + 0,22 0,92 = 0,0964 c) P4 (0) = 0,2 2 0,12 = 0,0004 d) P = 1 0,0004 = 0,9996

CAPITOLUL 8 VARIABILE ALEATOARE n activitatea economic se ntlnesc multe mrimi numerice care variaz ntmpltor (aleator). EXEMPLE: 1) Numrul calculatoarelor vndute la un magazin ntr-o zi este o variabil aleatoare care poate lua una din valorile 0, 1, 2, , n , unde n este numrul total de calculatoare din magazin. Aici, mulimea valorilor posibile este {0,1,2,..., n} . 2) Timpul necesar servirii unui automobilist la o staie de benzin este o variabil aleatoare care poate lua o valoare dintr-un interval dat (a,b). Aici, mulimea valorilor posibile este (a,b). DEFINIIE: Se numete o variabil aleatoare, o mrime care n urma unei experiene poate lua o valoare dintr-o mulime bine definit numit mulimea valorilor posibile. OBSERVAIE: Nu se cunoate dinainte ce valoare ia variabila aleatoare; aceast valoare va fi cunoscut numai dup efectuarea experimentului. DEFINIIE: Dac mulimea valorilor posibile este discret, atunci variabila aleatoare se numete discret, iar dac mulimea valorilor posibile este continu (un interval finit sau infinit din R ), variabila aleatoare se numete continu. OBSERVAIE: Vom nota variabilele aleatoare cu litere mari de la sfritul alfabetului, X, Y, Z, etc., iar valorile pe care le pot lua variabilele aleatoare cu litere mici, x, y, z, etc.

8.1. Variabile aleatoare discrete Pentru a defini o variabil aleatoare discret, trebuie s enumerm toate valorile posibile ale variabilei aleatoare precum i probabilitile corespunztoare.

EXEMPLU: n cazul aruncrii aleatoare astfel: 1 2 3 4 X :1 1 1 1 6 6 6 6

unui zar, definim variabila

5 1 6 6 1 6

DEFINIIE: Se numete repartiie a unei variabile aleatoare discrete enumerarea tuturor valorilor posibile ale variabilei aleatoare precum i a probabilitilor corespunztoare. n general, fie variabila aleatoare X i xi , (i=1, 2, , n ) valorile ei posibile. Fie Ei evenimentul ca variabila aleatoare X=xi , i=1, 2, , n i fie P(Ei)=P(X=xi)=f(xi)=pi , probabilitatea corespunztoare, unde f(xi) este funcia de probabilitate. Atunci putem scrie:
x X : 1 f (x ) 1 x2 f ( x2 ) xn f ( xn )

DEFINIIE: Mulimea perechilor ordonate ( xi , f ( xi )) se numete repartiia variabilei aleatoare discrete X. Din exemplele prezentate rezult c funcia de probabilitate trebuie s ndeplineasc urmtoarele dou condiii: 1) 2)
f ( xi ) 0 , i = 1,..., n ;

f ( x ) = 1 , deoarece
i =1 i

E i = ( X = xi ) este un sistem complet

de evenimente, adic: EXEMPLE: 1.

E
i =1

= , Ei E j = , i j , i, j = 1,..., n .

Repartiia binomial (Bernoulli):

x , . X : f ( x ) = C x p x q n x x = 0,1,..., n n

f ( x ) = Cnx p x q n x arat probabilitatea ca din n extrageri, x s fie bile albe. Artm n continuare c f(x) este o funcie de probabilitate. 1) Evident, f ( x ) 0 ;

2)

f ( x) = C
x =0 x =0

x n

p x q n x = ( p + q) n = 1 (binomul lui Newton) .

2. Repartiia geometric (Pascal): Fie X evenimentul ca extragerea bilei albe s se realizeze prima dat la extragerea de ordinul x: X = ( A A A) , 1 4 44 2 4 4 43
x1

deci P( x ) = p q x 1 .
x X : f ( x) = p q x1 , x = 1,2,3,..., n , unde p > 0 , q > 0 i p + q = 1 .

Evident: 1) f ( x ) 0 ;
p 1 = = 1 , deoarece seria q x 1 1 q p x =1 x =1 x =1 este seria geometric de raie 0 < q < 1 , convergent, cu suma 1 . 1 q

2)

pq

x 1

= p q x 1 = p

8.1.1. Operaii cu variabile aleatoare discrete; variabile aleatoare independente

x Fie X : 1 p 1 xi pi xn y ; Y : 1 q pn 1
m j =1

yj qj
q j = 1.

ym . qm

pi = f ( x i ) 0 ;

n i =1

pi = 1 ;

qj = f (yj ) 0 ;

Evenimentul care const n faptul c : X ia valoarea xi l notm ( X = xi ), i=1, , n , P( X = xi )=pi ;

 Y ia valoarea P( Y = y j )=qj .

yj

l notm ( Y = y j ), j=1, , m,

Evenimentul care const n faptul c X = xi i Y = y j este ( X = xi ) (Y = y j ) , i=1, , n; j=1, , m .

P[(X = xi );(Y = y j )] = P[(X = xi ) (Y = y j )] are o probabilitate

bine determinat, notat pij . DEFINIIE: Variabilele aleatoare X i Y se numesc independente dac evenimentele ( X = xi ) i ( Y = y j ), i=1, , n; j=1, , m sunt independente. n acest caz: P[( X = xi ); (Y = y j )] = P[( X = xi ) (Y = y j )] = pij = pi q j . OPERAII:
x + yj , unde pij = pi q j , i=1, , n; j=1, , m . 1) X + Y : i p ij

x y 2) X Y : i j , i=1, , n; j=1, , m , unde, dac X i Y sunt p ij independente, pij = pi q j . a xi , i=1, , n . 3) a X = p i xk 4) X k : 1 p 1

xik pi

k xn . pn

EXEMPLU: Fie variabilele aleatoare discrete X i Y cu repartiiile: 1 2 1 1 0 i X : 0,3 0,5 0,2 Y : 0,5 0,5

1 0 2 1 3 1 X +Y : 0,3 0,5 0,3 0,5 0,5 0,5 0,5 0,5 0,2 0,5 0,2 0,5 1 0 1 2 3 X +Y : 0,15 0,25 0,25 0,25 0,10 . 0 1 1 2 2 0 X Y : 0,15 0,15 0,25 0,25 0,1 0,1 1 2 2 1 0 . X Y : 0,1 0,25 0,3 0,25 0,1

3 6 0 3 X : 0,3 0,5 0,2 . 1 8 0 X3 : 0,3 0,5 0,2 .

Reprezentarea grafic a funciilor de probabilitate:

0 1 2 EXEMPLU: X : f (0) = 0,3 f (1) = 0,5 f (2) = 0,2 , pi = f ( xi ) .

Atunci graficul funciei de probabilitate a variabilei aleatoare X definit anterior este:

0,5 0,3 0,2 0

8.2. Variabile aleatoare continue

x , unde x [a, b] , iar f (x ) Fie variabila aleatoare X : f ( x) este probabilitatea de apariie a lui x.

DEFINIIE: Funcia f (x ) se numete densitatea de probabilitate a variabilei aleatoare X. Proprietile densitii de probabilitate: 1) 2)
f ( x) 0 ;

f ( x )dx = 1 .
a

EXEMPLE: I. S se determine constanta c, astfel nct funcia f : [a, b] R , f ( x ) = c , s fie densitate de probabilitate a unei variabile aleatoare X. 1) f ( x ) 0 , oricare ar fi x [a, b] , deci c 0 ;
b b

2)
a

f ( x )dx = c dx = c x |b = c (b a ) = 1 a
a

c=

1 . ba

x Deci: X : 1 , x [a, b] este o variabil aleatoare f ( x) = ba numit variabil aleatoare continu uniform pe intervalul [a , b] .

II. S se determine constanta k, astfel nct funcia f : [0, ) R , f ( x ) = k e x , s fie densitate de probabilitate a unei variabile aleatoare X. 1) f ( x ) 0 , oricare ar fi x 0 , deci k 0 , f fiind o funcie exponenial

2)

a 1 x f ( x )dx = k e x dx = k (1) = k = 1 , unde ( a ) = 0 x e dx

0

este integrala a lui Euler.

x Deci X : , este o variabil aleatoare pe f (x) = ex x 0 intervalul [0, ) .

Reprezentarea grafic a densitii de probabilitate: Pentru funcia de la exemplul I, reprezentarea grafic este:

funcia este continu pe [a , b]

1 ba

A =1

Pentru funcia de la exemplul II, reprezentarea grafic este:

1 -

A =1

ntr-adevr, derivata funciei f este oricare ar fi x > 0 ; i lim f ( x ) = 0 ; f (0) = 1 .

x

f ' ( x ) = e x < 0 ,

f' f

0 - 1

- - - - - - - - - - 0

i deci graficul densitii de probabilitate f (x ) este cel de mai sus.

Funcia de repartiie a unei variabile aleatoare: Prezentarea unei variabile aleatoare prin funcia de probabilitate f ( xi ) sau prin densitatea de probabilitate prezint aspecte diferite. Considerm evenimentul ( X < x ) , x R . DEFINIIE: Se numete funcie de repartiie a variabilei aleatoare X, funcia F : R R dat de F ( x ) = P( X < x ) . OBSERVAIE: Variabila aleatoare X este discret (continu), dup cum funcia de repartiie F (x ) este o funcie discret (continu). Calculul funciei de repartiie: 1) Fie variabila aleatoare discret : x

x X : 1 p 1

xi pi

xi +1 pi +1
pi =

xn pn
f ( xi )

F ( x ) = P( X < x ) =
xi < x

xi < x

Reprezentarea grafic este urmtoarea:

1p +... p1+n 1

( (

p1 + p2 p1 0

( (

x1

x2

x3 .. x n 1

xn

0 1 2 EXEMPLU: X : 0,3 0,5 0,2

F (x ) 10,3+0,5-

( (

0,3 -(

x
0 1 2

2) Fie variabila aleatoare continu: x , . X : f ( x ) x [ a , b]

F (x ) f (x )

) a

( b

Putem lrgi domeniul de definiie al funciei f deoarece F se consider pe R .

F ( x) =

f (t )dt

. Reprezentarea grafic a funciei de

repartiie continu F (x ) are urmtoarea form: F (x ) 1-

x EXEMPLU: X : f ( x ) = e x , x 0 .
x

F ( x) =

x f (t )dt = et dt = et |0 = e x + 1 = 1 e x ;
0

F ' ( x ) = e x > 0 ; F ' ' ( x ) = e x < 0 . Prin urmare, graficul funciei F este:

0
F (0) = 0 ; lim F ( x ) = 1 .
x

Proprieti ale funciei de repartiie: P1. 0 F ( x ) 1 , oricare ar fi x R . Demonstraie: F ( x ) = P( x < 1) , i deci fiind o probabilitate, rezult proprietatea P1. P2. F (x ) este nedescresctoare, adic, oricare ar fi x1 x 2 , rezult c F ( x1 ) F ( x 2 ) . Demonstraie: ( X < x1 ) = ( X < x1 ) ( x1 X < x 2 ) . P ( X < x 2 ) = P ( X < x1 ) + P ( x1 X < x 2 ) . 1 4 2 43 1 4 2 43 1 4 4 2 4 43
F ( x2 ) F ( x1 ) 0

F ( x ) = 0, x a P3. Dac x [a, b] , atunci F ( x ) = 1, x > b Consecine: lim F ( x ) = 0 , lim F ( x ) = 1 .

x x

CAPITOLUL 9 CARACTERISTICI NUMERICE ALE VARIABILELOR ALEATOARE 9.1. Media; definiie, proprieti Fie X variabil aleatoare pe cmpul de probabilitate (, K , P ) .
xi , unde i = 1, , n . X : p = f (x ) i i Atunci valoarea medie variabilei aleatoare discrete X este

DEFINIIE : Fie

M (X ) =

n i =1

xi f ( xi ) .

x DEFINITIE : Fie X : , unde x [a, b] . Atunci f ( x) valoarea medie a variabilei aleatoare continue X este

M (X ) =

b a

x f ( x )dx .

OBSERVAIE

Pentru

n ,

trebuie

ca

seria

+ , trebuie ca integrala improprie s fie convergent.

EXEMPLE:
1 2 3 , M ( X ) = 1 0,2 + 2 0,5 + 3 0,3 = 2,1 . 1) X : 0,2 0,5 0,3 x x 2) X : f ( x ) = e x , x 0 , M ( X ) = 0 xe dx = ( 2) = 1 .

i =1

xi f ( xi ) s fie convergent. Pentru a sau b tinznd ctre sau

Proprieti ale mediei:

x P1. Fie X : i , i = 1, , n . Dac xi , atunci : f (x ) i M(X ) .

Demonstraie: M ( X ) = xi f ( xi ) Adunnd aceste relaii pentru valorile indicelui i = 1, , n , obinem:

i =1

f ( xi ) xi f ( xi ) f ( xi ) f ( xi ) M ( X ) f ( xi ) ,deci
i =1 i =1

M(X ) , deoarece

f (x ) = 1.
i =1 i

P2. M ( k ) = k , adic media unei constante este o constant. k Demonstraie: X : , M (k ) = k 1 = k . 1 P3. Media unei constante nmulit cu o variabil aleatoare este egal cu constanta nmulit cu media variabilei aleatoare. Adic: M ( a X ) = a M ( X ) .
x Demonstraie: Fie X : 1 p 1 a x1 Atunci a X : p 1

M(a X) = a x1 p1 + + a xn pn = a (x1 p1 + + xn pn ) = a M(X) .

xn , pn a xn . pn

p
i =1

= 1 , M ( X ) = xi pi .
i =1

P4. Dac X i Y sunt dou variabile aleatoare, atunci : M ( X + Y ) = M ( X ) + M (Y ) . Demonstraie:

x Fie X : i , p i yj i fie Y : , q j

i = 1, , n , j = 1, , m ,

M ( X ) = xi pi ,
i =1

p
i =1

=1

M (Y ) = y j q j ,
j =1

xi + y j q j = 1 . Atunci X + Y : pi q j , i = 1, , n , j = 1, , m . j =1
m

M(X +Y) = (xi + yj ) pi qj =xi pi qj +yj pi qj =xi pi qj +

i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1

n m

n m

n m

+ pi y j q j = M ( X ) + M (Y ) .
i =1 j =1

P5. Dac X i Y sunt independente, atunci: M(X Y) = M(X) M(Y) . x y Demonstraie: X Y : i j , i = 1, , n , j = 1, , m . p q i j

M ( X Y ) = xi y j pi q j = xi pi y j q j = M ( X ) M (Y )
i =1 j =1 i =1 j =1 n m n m

9.2. Dispersia; definiie, proprieti

2 1 1 2 , . Observm c Fie X : 0,1 0,4 0,4 0,1 M ( X ) = 0 valorile lui X nu difer mult de medie. 1000 5 5 1000 Fie Y : , M (Y ) = 0 . Observm c 0,1 0,4 0,4 0,1 valorile lui Y difer mult de medie. mprtierea valorilor lui Y este mai mare dect mprtierea valorilor lui X.
x x2 xn i fie M(X) media sa. Construim Fie X : 1 p p p 2 n 1 variabila aleatoare = X M ( X ) , numit abaterea variabilei aleatoare X de la media sa. Fie m=M(X).

x m x2 m : 1 p p2 1

xn m pn

OBSERVAIE: M( ) = M[X m] = M(X ) M(m) = M(x) m = 0. Deci nu putem utiliza media variabilei aleatoare abatere pentru a determina mprtierea fa de media sa. Din acest motiv, ca o msur a mprtierii valorilor unei variabile aleatoare X fa de media sa, vom lua dispersia, notat cu D(X), unde: D( X ) = 2 = M ( 2 ) . Dispersia este media ptratului variabilei aleatoare de abatere .

 ( x m) 2 2 : 1 p1

( x2 m) 2 p2

( xn m) 2 . pn

2 = [ X M ( X )]2 = X 2 2 M ( X ) X + M 2 ( X ) . Atunci dispersia va fi : D(X) = M( 2 ) = M(X 2 ) 2M( X)M(X) + M2 (X) = M(X 2 ) M 2 (X) . Rezult astfel c D( X ) = M ( X 2 ) M 2 ( X ) .
EXEMPLE :
1 0 1 1 0 2 , ; 2 , 1) X : 0,3 0,4 0,3 M( X ) = 0 X : 0,6 0,4 M( X ) = 0,6 2 2 D( X ) = M ( X ) M ( X ) = 0,6 .

0 106 1000 0 1000 2) Y : , M (Y 2 ) = 600000 , M(Y) = 0; Y 2 : 0,3 0,4 0,3 0,4 0,6 2 2 D (Y ) = M (Y ) M (Y ) = 600000 .
x x 3) X : f ( x ) = e x , x 0 , M ( X ) = 0 xe dx = ( 2) = 1 x2 , x 0 , M ( X ) = x 2 e x dx = (3) = 2! = 2 X2 : f ( x ) = e x 0

D( X ) = M ( X 2 ) M 2 ( X ) = 2 1 = 1 .

Proprieti ale dispersiei: P1. Dispersia unei constante este egal cu zero. Adic D( a ) = 0 , unde a este o constant. Demonstraie: D (a ) = M (a 2 ) M 2 (a ) = a 2 a 2 = 0 . P2. Dispersia unei constante nmulit cu o variabil aleatoare este egal cu produsul dintre ptratul constantei i dispersia variabilei aleatoare. Adic: D ( a X ) = a 2 D ( X ) Demonstraie: D(a X ) = M (a2 X 2 ) M 2 (a X ) = a2 M ( X 2 )

 a 2 M 2 ( X ) = a 2 [ M ( X 2 ) M 2 ( X )] = a 2 D( X ) .

P3. Dac X i Y sunt independente, atunci D(X +Y) = D(X) + D(Y) Demonstraie: D( X + Y ) = M [( X + Y ) 2 ] M 2 ( X + Y ) = = M( X 2 + 2XY + Y 2 ) [M( X ) + M(Y )]2 = M( X 2 ) + 2M( X )M(Y ) + + M (Y 2 ) M 2 ( X ) 2 M ( X ) M (Y ) M 2 (Y ) = D( X ) + D(Y ) .
r r Consecina 1: D X i = D ( X i ) , unde variabilele X i i =1 i =1 sunt independente, i = 1, , r . Consecina 2: D( a + X ) = D( X ) . Consecina 3: Dac Y = a X + b , atunci D (Y ) = a 2 D( X ) . Consecina 4: Dac Z = X Y , atunci D(Z) = D( X ) + D(Y ) . ntr-adevr, putem scrie i deci Z = X Y = X + ( Y ) 2 D(Z) = D( X ) + D[(1)Y ] = D( X ) + (1) D(Y ) i deci D(Z) = D( X ) + D(Y ) .

TEOREM:

Fie X 1 , X 2 , , X n variabile aleatoare cu

n n aritmetic a veriabilelor X i . Atunci D(Y ) = 1 D( X i ) . n i =1

aceeai medie i dispersie. Fie Y =

X
i =1

1 n X i , media n i =1

n n Demonstraie: D(Y ) = D 1 X i = 12 n D( X i ) = 1 D( X i ) . n n i =1 i=1 n

9.3. Abaterea medie ptratic DEFINIIE: Se numete abatere medie ptratic a unei variabile aleatoare X, rdcina ptrat din dispersia variabilei aleatoare. Abaterea medie ptratic, = D ( X ) , are n principiu proprieti corespunztoare dispersiei.

9.4. Momentele unei variabile aleatoare X Momentele unei variabile aleatoare sunt valori tipice ale variabilei. Exist dou tipuri de momente: momente iniiale i momente centrate. DEFINIIE: Momentul iniial de ordinul k al unei variabile aleatoare X este media variabilei aleatoare X k . mk = M ( X k ) , k = 1,2, Cazuri particulare: m1 = M ( X ) , m2 = M ( X 2 ) , deci D( X ) = m2 m12 . DEFINIIE: Momentul centrat de ordinul k al unei variabile aleatoare X este media variabilei aleatoare [( X M ( X )) k ] . k = M [( X M ( X )) k ] , k = 1,2, Cazuri particulare: 1 = M[ X M ( X )] = 0 , 2 = [X M( X)]2 = D( X) .
x xn n cazul unei variabile aleatoare discrete, fie X: 1 , p p n 1
k xk xn i ( X m) k atunci Xk : 1 p p n 1

( x m) k : 1 p1

( x n m) k . pn
n i=1

Prin urmare mk = M( X k ) =
k = 1,2, , n .

n i=1

xik pi i k = M[(X m)k ] = ( xi m)k pi ,

X :

n cazul unei variabile aleatoare continue, fie x 0, x ( , a ) (b, ) , x [ a , b] , f ( x ) = , momentele f ( x ), x [a , b] f ( x)

b a

vor fi mk =

x k f ( x )dx i k =

( x m ) k f ( x ) dx , k = 1,2, , n .

k = ( x m) dF ( x) .
k

Fie F(X) funcia de repartiie. Atunci mk = x k dF (x) i

Relaia dintre momentele iniiale i cele centrate:

k k k = M[X M(X)]k = M[X m]k = M(1)k Ckjmj X k j = (1) j Ckjmj M(X k j ) j=0 j=0

Dar M ( X k j ) = m k j . Deci avem: k = ( 1) j Ckj m j mk j .

k =0

OBSERVAIE : Pentru k=2 , obinem :

0 1 2 2 = C2m j mk j = C2 m2 C2m1m1 + C2 m2m0 . j j=0 2

Dar m0 = M ( X 0 ) = M (1) = 1 i m1 = m . Atunci 2 = m2 m12 + 0 = m2 m12 = D ( X ) .

9.5. Funcia generatoare de momente a unei variabile aleatoare Funcia generatoare de momente a unei variabile aleatoare se introduce pentru simplificarea calculului momentelor. DEFINIIE: Se numete funcie generatoare de momente a unei variabile aleatoare X, valoarea medie a variabilei e tX , unde tR. Notm funcia generatoare de momente cu g : R R , dat de g (t ) = M ( e tX ) .
x x2 xn Fie X : 1 o variabil aleatoare discret, p p p 2 n 1 e tx1 e tx2 e txn , iar funcia generatoare de e tX = p 1 p 2 pn
n i =1

deci

momente este g(t) = M (etX ) = etxi pi . Fie

deci e tX =
x , , o variabil aleatoare continu, X : f ( x ) x [ a , b] e tx , x [a, b] , iar funcia generatoare de momente f (x )
b a

este g(t ) = M (etX ) = etx f ( x)dx .

Proprieti ale funciei generatoare de momente: P1. g (0) = 1 Demonstraie: g (0) = M ( e t0 ) = M (1) = 1 P2. Dac X 1 , X 2 , , X n sunt variabile aleatoare independente cu funciile generatoare de momente g1 (t ), g 2 (t ), , gn (t ) , atunci funcia generatoare de momente a variabilei aleatoare X = X 1 + X 2 + + X n , este g(t ) = g1 (t ) g2 (t ) gn (t ) . Demonstraie: g (t ) = M ( e tX ) = M ( e t ( X 1 + X 2 + + X n ) ) = M [e tX1 e tX 2 e tX n ] = = M(etX1 ) M(etX2 ) M(etXn ) = g1(t) g2 (t) gn (t) . P3. Dac variabila aleatoare X admite momente finite de orice tk ordin, atunci g (t ) = mk . k = 0 k! Demonstraie: Dezvoltm n serie Taylor (Mc Laurin) pe e tX . tim t t2 tk c e t = 1 + + + + + . 1! 2! k! Atunci e tX va avea forma : t t2 tk tk k . e tX = 1 + X + X 2 + + X k + = X 1! 2! k! k =0 k!
tk k tk g(t ) = M (etX ) = M X = M( X k ) k! k! k =0 k =0

g(t ) =

tk mk . k =0 k!

P4. Funcia generatoare de momente este de n ori derivabil n raport cu t i g ( k ) (0) = mk sau g ( k ) (t ) |t =0 = mk . Demonstraie:
x a) Fie variabila aleatoare discret X : 1 p 1 x2 p2 xn . pn

g (t ) = e txi pi
i =1

g ' (t ) = xi e txi pi
g ' ' (t ) = xi2 e txi pi
i =1 i =1 n

.
g ( k ) (t ) = xik e txi pi
i =1 n n

nlocuind pe t cu zero, obinem:

g ( k ) (0) = xik pi = mk
i =1

x b) Fie variabila aleatoare continu X : , . f ( x ) x [ a , b]

g(t ) = etx f ( x)dx

a

g' (t ) = x etx f ( x)dx g' (0) = x e0 f ( x)dx = m1

a a

g' ' (t) = x e f ( x)dx g' ' (0) = x 2 f ( x)dx = m2

2 tx a a

g (k ) (t ) = x k etx f ( x)dx g (k ) (0) = x k f ( x)dx = mk

a a b b

9.6. Funcia caracteristic a unei variabile aleatoare Funcia caracteristic a unei variabile aleatoare X se folosete tot pentru calculul momentelor. DEFINIIE: Se numete funcie caracteristic a variabilei aleatoare X , valoarea medie a variabilei e itX , adic c(t) = M(eitX ) , unde t R . x x2 xn o variabil aleatoare discret, Fie X : 1 p p p 2 n 1
eitx1 eitx2 eitxn deci eitX = , iar funcia caracteristic este p 1 p2 pn

c (t ) = M ( e itX ) = e itX p j .
j =1

deci

x Fie X : , , o variabil aleatoare continu, f ( x ) x [ a , b] e itx , x [a, b] , iar funcia caracteristic este e itX = f (x )
b a

c (t ) = M ( e itX ) = e itX f ( x ) dx .
1 1 e it e it . EXEMPLU: Fie X : , iar e itX = 0,5 0,5 0,5 0,5 Funcia caracteristic este : c(t) = M(eitX ) = eit 0.5 + eit 0,5 = 0,5 (eit + eit ) . Dar e i = cos + i sin i e i = cos i sin , deci putem scrie e i + e i e i + e i i sin = . cos = 2 2i Astfel, funcia caracteristic va fi : c(t ) = 0,5 (cost i sin t ) + 0,5 (cost + i sin t ) = cost .

Proprieti ale funciei caracteristice: P1. Funcia caracteristic c(t) este o funcie uniform continu pe R P2. c(0) = 1 Demonstraie: c(0) = M ( e i 0 t ) = M ( e 0 ) = M (1) = 1 . P3. Dac X 1 , X 2 , , X n sunt variabile aleatoare independente cu funciile caracteristice c1 (t ), c2 (t ), , cn ( t ) , atunci funcia caracteristic a variabilei aleatoare X = X 1 + X 2 + + X n este c(t ) = c1 (t ) c2 (t ) cn (t ) Demonstraie: c(t ) = M ( e itX ) = M [e it ( X1 + X 2 + + X n ) ] = M [e itX1 e itX 2 e itX n ] = = M ( e itX 1 ) M ( e itX 2 ) M ( e itX n ) = = c1 (t ) c2 (t ) cn (t ) .

Consecina 1:

Dac Y = k X k ,
k =1 n

k R , unde

X1, X2, , Xn sunt variabile aleatoare independente cu funciile

caracteristice c1 (t ), c2 (t ), , cn ( t ) , atunci cY (t ) = c X ( k t ) . k
k =1

Consecina 2: Un produs de funcii caracteristice este tot o funcie caracteristic. n particular, dac c(t) este funcia caracteristic a variabilei aleatoare X , atunci [c(t )]n este tot o funcie caracteristic. P4. Fie c X (t ) funcia caracteristic a variabilei aleatoare X i fie Y = X . Atunci cY (t ) = c X ( t ) . Demonstraie: cY (t ) = M ( e itY ) = M ( e itX ) = c X ( t ) . P5. Fie variabila aleatoare X i c X (t ) funcia sa caracteristic. Fie Y = aX + b . Atunci cY ( t ) = c X ( at )e ibt . Demonstraie: cY (t) = M(eitY ) = M(eit(aX+b) ) = M[ei(at) X eitb] = e itb M [e i ( at ) X ] = e itb c X ( at ) . P6. Fie variabila aleatoare X i c(t) funcia caracteristic. Atunci (it ) k c (t ) = mk . k = 0 k! Demonstraie:
(it) k k (it) k (it ) k mk , c(t) = M (eitX ) = M X = M( X k ) = k =0 k ! k =0 k! k =0 k! (it ) k k . e itX = X k =0 k !

unde

P7. mk =

1 (k ) 1 [c (t )] |t =0 = k c ( k ) (0) ik i

Demonstraie:

x a) Fie variabila aleatoare discret X : 1 p 1 itx1 itx2 itxn e e e eitX = p 1 p2 pn

x2 p2

xn . pn

c( t ) = e
j =1
n

itx j

pj
itx j

c' (t ) = ix j e
j =1 n

pj

.
c ( k ) (t ) = i k x k e j
j =1 n itx j

pj

nlocuind pe t cu zero, obinem:

c ( k ) ( 0) = i k x k p j c ( k ) ( 0) = i k M ( X k ) = i k m k j
j =1

Deci mk =

1 (k ) c (0) , k = 1,2, , n . ik

x c) Fie variabila aleatoare continu X : , . f ( x ) x [ a , b] e itx e itX = f (x )

c(t ) = eitx f ( x)dx

a

c' (t ) = i x eitx f ( x)dx

a

.
c(k ) (t ) = i k x k eitx f ( x)dx
a b

nlocuind pe t cu zero, obinem:

c(k ) (0) = i k x k eitx f ( x)dx = i k mk
a b

Deci mk =

1 (k ) c (0) , k = 1,2, , n . ik

9.7. Normarea (reducerea) unei variabile aleatoare X Fie variabila aleatoare X cu M ( X ) = m i D ( X ) = 2 .

X m se numete variabila normat a variabilei aleatoare X (sau redusa variabilei aleatoare X).

DEFINIIE: Variabila aleatoare Z =

Proprieti ale variabilei normate: P1. M ( Z ) = 0 Demonstraie: M ( Z ) = M 1 X m = 1 M ( X ) m = 0 P2. D( Z ) = 1 Demonstraie: D(Z) = D X m = 12 [D(x) D(m)] = 1 2 =1, deoarece 2 D(m) = 0 .

9.8. Valoarea median DEFINIIE: Se numete valoare median a variabilei aleatoare X numrul Me care satisface relaia P( X < Me) = P( X > Me) , adic valoarea pentru care variabila aleatoare X are aceeai probabilitate de a fi mai mare i mai mic dect ea. Relaia P( X < Me) = P( X > Me) se mai scrie i sub forma 1 F ( Me) = 1 F ( Me) sau 2 F ( Me) = 1 sau F ( Me) = . 2 1 Deci Me este soluia ecuaiei F ( x ) = . n cazul unei 2 x , variabile aleatoare continue X : , mediana se va f ( x ) x [ a , b] Me determina din ecuaia f ( x )dx = 1 . a 2

EXEMPLU:

S se determine mediana variabilei aleatoare continue x , x [0,3] . X : 1 (2 x + 1) 12 Me 1 1 1 2 2 0 12 (2 x + 1)dx = 12 [ Me + Me] = 2 Me + Me 6 = 0 . Me1 = 3 [0,3] i Me2 = 2 . Deci Me = 2 .

9.9. Modul (valoarea cea mai probabil) DEFINIIE: Se numete modul (valoarea cea mai probabil) a variabilei aleatoare X acea valoare pentru care funcia de probabilitate f ( xi ) , pentru variabila aleatoare discret, respectiv densitatea de probabilitate f (x ) este maxim. OBSERVAIE: n cazul variabilei aleatoare continue, maximul funciei f (x ) se obine prin rezultatele cunoscute ale analizei matematice n cazul variabilelor aleatoare discrete se procedeaz astfel: EXEMPLU: S se determine modul variabilei aleatoare binomiale. x , x x n x , . X : f ( x ) x = 0,1,..., n f ( x ) = Cn p q Presupunem c funcia f (x ) are o valoare maxim x * . Atunci f (x* 1) < f (x* ) i f ( x * ) > f ( x * + 1) . Deci obinem (1)
* *

f ( x* ) >1 f ( x * 1)
*

(2)

f ( x * + 1) < 1. f ( x* )

Cx px qnx n!(n x* + 1)!(x* 1)! p n x* + 1 p f ( x* ) = >1 = x*n1 x*1 nx*+1 = * x*!(n x* )!n! q x* q f ( x 1) Cn p q
x*q < np x* p + p x* ( p + q) < np+ p x* < np+ p , deoarece p+q =1.

f ( x* + 1) n x* p < 1 x* ( p + q) > np q x* > np q . = * f ( x* ) x +1 q

Deci np q Mo np + p .

9.10. Covariana (corelaia) Fie variabilele aleatoare X, cu media M ( X ) = m X i 2 dispersia D( X ) = x i Y, cu media M (Y ) = mY i dispersia
2 D (Y ) = y . Calculnd dispersia sumei celor dou variabile aleatoare obinem: D( X + Y ) = M[(X + Y mX mY )2 ] = M{[(X mX )2 + (Y mY )2 ]} = = M [( X m X ) 2 ] + M [(Y mY ) 2 ] + 2 M [( X m X )(Y mY )] .

DEFINIIE: Media M[( X mX )(Y mY )] se numete covariana celor dou variabile i se noteaz cov( X , Y ) . Efectund produsul, obinem i o alt expresie a coverianei: cov( ,Y) = M[XYmY X mXY + mX mY ] = M(XY) mY M(X) mX M(Y) + mX mY = X = M ( XY ) m X mY deoarece M( X ) = mX i M (Y ) = mY . OBSERVAIE: Dac X i Y sunt variabile aleatoare independente, atunci cov( X , Y ) = 0 . Reciproc nu este adevrat.

9.11.

Coeficientul de corelaie

2 Fie X, Y dou variabile aleatoare cu dispersiile X i X m X i 2 Y finite i nenule i mediile m X i mY . Fie X ' = X Y mY variabilele aleatoare normate corespunztoare. Y'= Y (M(X)=0, M(Y)=0, D(X)=1, D(Y)=1) .

DEFINIIE: Se numete coeficient de corelaie a variabilelor aleatoare X i Y, coveriana variabilelor aleatoare normate X i Y i l notm cu ( X , Y ) . ( X , Y ) = cov( X ' , Y ' ) Avem: X mX Y mY M[(X mX )(Y mY )] cov( ,Y) X , X = = (X,Y) = cov( ' ,Y' ) = M XY XY X Y

Proprieti ale coeficientului de corelaie: P1. Dac X i Y sunt independente, atunci ( X , Y ) = 0 . Deoarece cov( X , Y ) = 0 n cazul unor variabile aleatoare independente, i ( X , Y ) = cov( X , Y ) = 0 . XY Demonstraie: P2. 1 ( X , Y ) 1 , pentru orice X i Y. Demonstraie: M(X)=0, M(Y)=0, D(X)=0, D(Y)=0 , deci M ( X ' 2 ) = 1 i M (Y ' 2 ) = 1 . Din egalitatea ( X 'Y ' ) 2 = ( X ' 2 2 X ' Y '+Y ' 2 ) obinem : M [( X 'Y ' ) 2 ] = M ( X ' 2 ) 2M ( X ' Y ' ) + M (Y ' 2 ) = 2 2M ( X ' Y ' ) . Cum M ( X 'Y ' ) = cov(X ' ,Y ' ) , obinem: 1 ( X , Y ) 0 , adic 1 ( X ,Y ) 1. P3. Dac pentru dou constante reale a i b variabila aleatoare 1, a > 0 . Y = aX + b , atunci ( X , Y ) = 1.a < 0
2 2 Demonstraie: tim c M(Y ) = mY = amX b i D(Y ) = Y = a2 X . Atunci vom obine: cov(X ,Y ) = M[( X mX )(Y mY )]M[(X mX )(aX + b amX B)] = 2 = M[(X mX )(aXam )]= aM X mX )(X mX )]= M[(X mX )2 ] = aD( X ) = a X . [( X 2 2 a X a X cov( X , Y ) a = = = = 1 . 2 X Y X Y | a | X | a |

( X ,Y ) =

9.12. Caracteristici ale formei de repartiie. Simetrie i asimetrie. DEFINIIE: Variabila aleatoare X definit de funcia f(x) este simetric fa de valoarea medie m dac f (m ) = f (m + ) , oricare ar fi > 0 .

SIMETRIC

m +

ASIMETRIC
m m +

Proprieti: P1. Pentru o repartiie simetric, media, mediana i modul coincid. P2. Momentele centrate de ordin impar pentru o repartiie simetric sunt nule 2 k +1 = 0 . Coeficieni utilizai pentru msurarea asimetriei: Coeficientul lui Pearson: 1 = M ( X ) M 0 ( X ) . X Coeficientul lui Fisher: 2 = 3 . X

CAPITOLUL 10 REPARTIII CLASICE 10.1. Repartiii discrete

10.1.1. Repartiia binomial DEFINIIE: Variabila aleatoare X are o repartiie binomial de parametrii n i p dac funcia sa de probabilitate este dat de probabilitatea pn (x ) din schema urnei lui Bernoulli, adic
f ( x ) = Cnx p x q n x , x {0, , n} , p (0,1) , p + q = 1 . Deci :
x X : x x n x C p q n

I. f (x ) este o funcie de probabilitate, deoarece: 1) f ( x ) 0 , evident deoarece Cnx > 0 , p 0 , q 0 .

n

2)
x =0

f ( x) =

n x =0

Cnx p x q n x = ( p + q) n = 1n = 1 .

II. Pentru calculul mediei i dispersiei vom folosi funcia generatoare de momente.
e tx . g (t ) = M ( e tX ) ; e tX : f ( x ) , x = 0,1, , n

Deci g(t) = M(etX ) =

g ' ( t ) = npe t ( pe t + q )
2 2t

x=0 n 1

etxCnx p x qnx =

n x=0

Cnx ( pet ) x qnx = ( pet + q)n .

;
= np .
t

m1 = g ' (0) = np( p + q )

n 1

g ' ' (t ) = n ( n 1) p e ( pe + q ) n 2 + npe t ( pe t + q ) n 1 ; m2 = g' ' (0) = n(n 1) p2 ( p + q)n2 + np( p + q)n1 = n2 p2 np2 + np =

= n 2 p 2 + np (1 p ) = n 2 p 2 + npq

Deci: M ( X ) = np i D( X ) = m2 m12 = n 2 p 2 + npq n 2 p 2 = npq.

Funcia caracteristic:
c(t ) = M (eitX ) = eitxCnx p x qnx = Cnx ( p eit ) x qnx = ( p eit + q)n
x =0 x=0 n n

Evident, m1 = M ( X ) = c ' ( 0) = np . 1 Analog se calculeaz m2 = 2 c' ' (0) = m2 p 2 + npq . Prin urmare, i D( X ) = m2 m12 = npq.

10.1.2.

Repartiia hipergeometric

DEFINIIE: Variabila aleatoare X are repartiie hipergeometric dac funcia sa de probabilitate este dat de probabilitatea Pn ( X ) din schema urnei cu bil nerevenit (Aceast schem presupunea c dintr-o urn cu N bile, din care a erau albe i b erau negre, se extrag n bile. Pn este probabilitatea ca din cele n
x nx bile extrase x s fie albe.). Deci f ( x ) = C a CnN a , x {0, , n} . CN x C xC n x X : a N a Cn N

I. f (x ) este o funcie de probabilitate, deoarece: 1) f (x) 0 , evident deoarece toate combinrile sunt mai mari ca zero. x n x n n n n 2) f ( x ) = Ca CnN a = 1n C ax C N xa =1 . CN C N x =0 x =0 x =0 Pentru a calcula suma

f (x) am folosit egalitatea

x=0

C C
x=0 x a

nx N a

n = CN pe

care o vom demonstra n continuare. (1 + y ) a (1 + y ) b = (1 + y ) a + b 0 1 n n a (1 + y ) a = Ca 1 + C a y + ... + C a 1 y n 1 + C a y n + ... + C a y a

0 1 n n b (1 + y ) b = Cb 1 + Cb y + ... + Cb 1 y n 1 + Cb y n + ... + Cb y b 0 1 n 1 n a +b (1 + y ) a +b = Ca +b 1 + Ca +b y + ... + Ca +b y n 1 + Ca +b y n + ... + Ca +b y a +b

Coeficientul lui y n din membrul stng al ultimei relaii este :

0 n 1 n 1 n n 0 n y n [Ca Cb + Ca Cb 1 + ... + Ca 1Cb + Ca Cb ] = Cax Cb x .

x =0

Deci

C C
x =0 x a

nx b

=C

n a +b

C C
x =0 x a

nx N a

=C .
n N

II. Media i dispersia: n C xC nx M ( X ) = x a nN a CN x =0 a! a(a 1)! (a 1)! 1 xCax = x =x =a = aCax1 x! (a x)! x( x 1)!(a x)! x 1)!(a x)! (
n n n n Cax C Nxa = xCaxC Nxa = a Cax11C Nxa = aC N11 x =0 x =1 x =1 n n n

a aCn1 n a ( N 1)!n! ( N n)! M ( X ) = N 1 = a = a = n = np , p = . n N CN N N (n 1)!( N n)! N!

Pentru a calcula dispersia, vom calcula momentul de ordinul doi. 1 n 1 n 1 n n n n M( X 2 ) = n x2CaxCNx = n x( x 1)CaxCNx + n xCaxCNx , unde a a a CN x=0 CN x=0 CN x=0 x 2 = x ( x 1) + x . n n n n a! (a 2)! x2 x(x 1)Cax = x(x 1) = a(a 1) = a(a 1) Ca2 x!(a x)! (x 2)!(a x)! x=0 x=2 x=2 x=2
a(a 1) n x2 nx a(a 1) n2 Ca2 CN a + M ( X ) = CN 2 + M ( X ) = n n CN x=0 CN a ( a 1)n! ( N n )! ( N 2)! a n( n 1) n = + n = a ( a 1) +a = N ! ( n 2)! ( N n )! N N ( N 1) N na ( a 1)( n 1) na an a n + N . = +1 = N N 1 N N 1 M(X 2 ) =
na an a n + N n 2 a 2 2 = N N 1 N 2 na an a n + N na na anN aN nN + N nN + na = = N N 1 N N N ( N 1) a ( N a )( N n ) n N a N n . =n =a N N ( N 1) N N N 1 D( X ) = M ( X 2 ) M 2 ( X ) =

a N a . = N N N n . Obinem astfel D( X ) = npq N 1

Dar

a =p N

q = 1 p = 1

OBSERVAIE: Pentru N suficient de mare n raport cu n N n N n n putem face aproximarea Atunci = 1 . N 1 N N n . D( X ) npq1 N Deci dispersia variabilei aleatoare hipergeometrice difer de dispersia variabilei aleatoare binomiale cu un factor subunitar ce tinde ctre 1 cnd N .

10.1.3. Repartiia uniform discret DEFINIIE: O variabil uniform discret dac funcia sa 1 f ( x) = . n 1 2 X :1 1 n n aleatoare X are o repartiie de probabilitate este de forma

x 1 n

n 1 n

I. f (x ) este o funcie de probabilitate, deoarece: 1) f (x) 0 , evident n 2) f ( x ) = n 1 = 1 n x =1 II. Media i dispersia n 1 1 n 1 n( n + 1) n + 1 M (X ) = x = x = = n n x =1 n 2 2 x =1 n n 1 1 1 n(n + 1)(2n + 1) (n + 1)(2n + 1) M ( X 2 ) = x2 = x2 = = n n x=1 n 6 6 x=1 2 (n +1)(2n +1) (n +1) (n +1)(4n + 2 3n 3) D( X ) = M( X 2 ) M2 ( X) = = = 6 4 12

( n + 1)( n 1) n 2 1 = 12 12

10.1.4. Repartiia Poisson DEFINIIE: O variabil aleatoare X are repartiie Poisson x dac funcia sa de probabilitate este de forma f (x) = e , x! x N , > 0. x X : x e x! I. f ( x ) este o funcie de probabilitate deoarece: x 1) e 0 evident. x! x x x 2) e = e = e e = 1 , unde este dezvoltarea x! x =0 x =0 x! x =0 x! lui e n serie McLaurin. II. Media i dispersia le putem determina prin calcul direct: x x 1 = e =. M (X ) = xe x! x =0 x = 0 ( x 1)! x x x M(X 2 ) = x2e = x(x 1) e + M(X) = e + M(X) = x! x=0 x! x=0 x=2 (x 2)! x 2 = 2 e + M ( X ) =2 e e + M ( X ) = 2 + . x = 2 ( x 2)! D( X ) = M ( X 2 ) M 2 ( X ) = 2 + 2 = . Funcia caracteristic a variabilei aleatoare Poisson: it ( eit ) x (1 eit ) . c(t) = eitx f ( x) = e = e ee . Prin urmare c(t ) = e x! x=0 x=0
c ' (t ) = e (1e ) i eit c' (0) = e (11) i e0 1 1 M ( X ) = m1 = c' (0) = i e 0 = i i
it

c ' ' ( t ) = e (1e ) ( i e it ) 2 + e (1e ) i 2 e it c' ' (0) = e (11) 2 i 2 e 0 + e (11) 2 i 2 e 0 = i 2 ( 2 + ) 1 m2 = 2 c' ' (0) = 2 + . i Prin urmare: D( X ) = m2 m12 = 2 + 2 .
it it

10.2. 10.2.1.

Repartiii continue Repartiia continu uniform

DEFINIIE: O variabil aleatoare X , continu, are repartiie uniform dac funcia sa de probabilitate este de forma 1 , x ( a , b) . f ( x) = ba I. f (x ) este o funcie de probabilitate deoarece: 1) f ( x ) 0 evident, deoarece b > a . b b 1 1 b ba 2) f ( x )dx = dx = dx = =1 a a ba a ba ba II. Media i dispersia:
M ( X ) = xf ( x )dx =
a b b

1 b 1 x 2 b b2 a 2 a + b xdx = |a = = 2(b a) 2 b a a ba 2

b 3 a 3 a 2 + ab + b 2 = a 3(b a ) 3 2 2 2 a + ab+ b a + 2ab+ b2 D( X ) = M( X 2 ) M 2 ( X ) = = 3 4 4a 2 + 4ab + 4b 2 3a 2 6ab 3b 2 ( a b) 2 . = = 12 12 M ( X 2 ) = x 2 f ( x) =

10.2.2. Repartiia exponenial negativ DEFINIIE: O variabil aleatoare X are o repartiie exponenial negativ de parametru dac funcia sa de probabilitate este de forma f (x) = ex , x 0 , > 0 .

I. f (x ) este o funcie de probabilitate deoarece: 1) f ( x ) 0 evident. 2)

f ( x )dx =
0

e x dx = e x |0 = 0 + 1 = 1

II. Media i dispersia:

1 1 e x |0 = . n rezolvarea integralei am folosit metoda integrrii prin pri, unde u( x ) = x , du = dx , v( x ) = e x , dv = e x dx 2 M ( X 2 ) = x2 exdx = x2ex |0 +2 xex = 0 + x ex = 0 0 0 2 1 2 = = 2. Integrala a fost calculat tot prin metoda integrrii prin pri, unde u( x ) = x 2 , du = 2 xdx , v( x ) = e x , dv = e x dx . 2 1 1 D( X ) = M ( X 2 ) M 2 ( X ) = 2 2 = 2 . 1 ( X ) = D( X ) = . Putem calcula media i dispersia i astfel:
M ( X ) = xf ( x )dx = x e x dx = xe x |0 + e x dx = 0 0 0

Fcnd schimbarea de variabil x = y x = y dx = 1 dy i observnd c limitele de integrare se pstreaz, obinem: y 1 1 1 1 M (X ) = e y dy = ye y dy = ( 2) = 0 0 2 y La fel, M ( X 2 ) = x 2 f ( x )dx = x 2 e x dx = 2 e y 1 dy = 0 0 0 1 2 y 1 2 . = 2 y e dy = 2 (3) = 2 0 Prin urmare, D ( X ) = M ( X 2 ) M 2 ( X ) = 22 12 = 12 .

M ( X ) = xf ( x )dx = x e x dx
0 0

Repartiia exponenial are proprietatea M(X) =X = 1 . Repartiiile exponenial i Poisson sunt utilizate n modelarea i rezlovarea problemelor legate de firele de ateptare care apar n activitatea economic.

10.2.3. Repartiia normal DEFINIIE: O variabil aleatoare X are o repartiie normal dac funcia sa de probabilitate este de forma
1 f ( x) = e 2 , unde m R , > 0 (1) 2 Pentru a pune n eviden parametrii m i , densitatea de probabilitate se mai noteaz n( x; m, ) , x R , > 0 . I. f (x ) este funcie de probabilitate, deoarece: 1) n( x; m, ) 0 , evident, din definiie. 1 x m
2

2)

n ( x; m, )dx = 1 sau

Notm

1 xm = y , dx = dy dx = dy . e
1 x m 2
2

1 e 2 2

1 x m

dx = 1 .

dx =

1 y2 2

dy =

1 y2 2

dy =

2 2

= 1,

deoarece se tie c integrala Euler-Poisson

1 y2 2

dy = 2 .

Graficul funciei de probabilitate depinde de parametrii m i , forma curbei rmnnd (structural) aceeai, i anume forma cunoscut sub numele de clopotul lui Gauss. EXEMPLU: n( x;0, ) - 0,4 =
1 2

-1

0 1

1) Fa de parametrul m , curbele n( x, m, ) reprezint de fapt translaii de-a lungul axei ox, meninndu-i forma i mrimea.

|
3 m = 2

|
m=0 m = 3
2

2) Fa de parametrul , curbele sunt mai ascuite sau mai plate, astfel nct aria cuprins ntre graficul curbei i axa ox s fie egal cu 1 (unitatea de suprafa). Aici 1 < 2 < 3 .

1
2

m =

3 2

OBSERVAIE: Curba se apropie repede de axa ox . n raport cu o abatere x m < 3 , diferena fa de ox este de ordinul a 0,003 uniti. Astfel, repartiia normal poate fi considerat definit ntr-un interval nchis i finit. Pentru determinarea mediei i dispersiei vom utiliza funcia caracteristic a variabilei aleatoare normale.
c (t ) = M ( e itX ) = e itx n ( x; m, )dx

(2)

Calculm pentru nceput funcia caracteristic a variabilei 1 y2 aleatoare normale normate: n( y;0,1) = 1 e 2 (3) 2

y 1 Y : 1 2 y 2 e itY e 2
c(t) = eityn( y;0,1)dy =

e ity 1 : 1 2 y2 . e 2

1 2

eitye

y2 2

dy =

1 2 e

1 ( y 2 2ity) 2

dy =

1 = 2
1 = 2 = e
1 t2 2

1 1 ( y 2 2 ity +i 2t 2 ) + i 2t 2 2 2

1 dy = 2

1 1 ( y it ) 2 + i 2t 2 2 2

dy =
z2 2

1 1 ( y it )2 t 2 2 2

dy =

1 t2 2

1 ( y it )2 2

dy =

1 t2 2

e dz =

t2 2 = e 2 , unde am folosit substituia y it = z dy = dz. 2 Observm, de asemenea, c utiliznd aceast substituie limitele de integrare nu se schimb. 1

cu

Ultima integral este integrala Euler-Poisson. Ea este egal 2 i se calculeaz astfel:

e
z2 2

dt = 2 t 2 e t dt = 2 . 0 0 0 2t n calculul de mai sus am folosit substituia : 1 2 dt z2 dt . z = t zdz = dt dz = ; = t z = 2t dz = 2 z 2 2t Prin urmare, funcia caracteristic a variabilei aleatoare

dz = 2 e

z2 2

dz = 2 e it

normale normate n ( y ; 0 ,1 ) este cY (t ) = e

1 t2 2

(4) (5)

Fie variabila aleatoare X=Y+. Atunci cX (t) = eitcY ( t) Demonstraie:

c X = M (e itX ) = M [eit ( Y + ) ] = M [e it Y eit ] = e it M [e i ( t )Y ] = e it cY (t ) .

1 Fie variabila aleatoare normal n( x; m, ) = e 2 2 1 x m
2

x m = y x = y + m X = Y + m, unde Y = N ( y;0,1) . Aa cum am vzut, pentru variabila aleatoare

Facem substituia

normal normat, funcia caracteristic este cY ( t ) = e Deci conform (5) avem:

1 2t 2

1 t2 2

c X ( t ) = cY + m (t ) = e imt cY ( t ) = e imt e 2 . n concluzie, funcia caracteristic a variabilei normale n( x; m, ) este c X (t ) = e

1 imt 2t 2 2

(6)

Calculul mediei: M ( X ) = m1 c ' ( 0) m1 = i

c' X (t ) = (im 2 t )e Deci M ( X ) = m .
1 itm 2t 2 2

c' X ( 0) = ime 0 = im m1 = m .

Calculul dispersiei: D ( X ) = M ( X 2 ) M 2 ( X ) = m2 m12 c ' ' ( 0) m2 = 2 i

c' ' (t ) = 2 e
m2 =
1 itm 2t 2 2

+ (im 2 t ) 2 e

1 itm 2t 2 2

c' ' (0) = 2 e 0 + (im )e 0 = 2 m 2

c ' ' (0) 2 m 2 2 = = 2 + m 2 (ntruct, evident, i = 1 ) i2 i2 Deci D ( X ) = 2 + m 2 m 2 = 2 .

OBSERVAIE: Parametrii m i ai repartiiei normale reprezint media i respectiv abaterea medie ptratic. Funcia de repartiie ; funcia integral a lui Laplace: Fie variabila aleatoare normal de parametrii m i : x , m R , unde, aa cum tim, X : n ( x; m, ) , > 0

 1 n ( x; m , ) = e 2 2 x

1 x m

Funcia
x

de

repartiie
1 t m
2

este (7)

1 F ( x ) = P ( X < x ) = n (t ; m, )dt = e 2 2 x

dt

Notm: N ( x; m, ) = n (t ; m, )dt funcia de repartiie a

variabilei aleatoare normale. Fie X o variabil aleatoare normal cu densitatea de probabilitate n( x; m, ) i funcia de repartiie N ( x; m, ) . Dac facem schimbarea de variabil Z = X m , tim c Z este o variabil aleatoare normal normat cu media m = 0 i dispersia = 1 . Deci Z are densitatea de probabilitate n (z;0,1) i funcia de repartiie N ( z;0,1) .
1 (8) F ( x ) = P ( X < x ) = N ( x; m, ) = e 2 dt 2 Pentru calculul integralei (8) facem substituia: xm tm , iar pentru t = y dt = dy .Dac t = x , atunci y = tinznd ctre i y tinde ctre . Astfel, vom obine: 1 y2 y 1 xm F ( x) = e 2 dy = N ( y;0,1) = N ;0,1 . 2 Prin urmare, putem scrie: xm . P( X < x ) = N ( x; m, ) = N ( z;0,1) , unde z = Reprezentarea grafic a funciei de repartiie normal 1 y2 z normat de forma N ( z;0,1) = 1 e 2 dy , unde z = x m este: 2 x 1 t m
2

N ( z;0,1)

1
1 2

OBSERVAIE: Curba N(z;0,1) este simetric fa de punctul 1 1 . Dac facem o translaie de axe: ( z ) = N ( z;0,1) 0, 2 2 (translaie datorat lui Laplace), obinem:
(z )
1 2

z
12

OBSERVAIE: (z ) este o funcie simetric fa de origine, i deci funcia este o funcie impar . Prin urmare este suficient s cunoatem (z ) pentru z > 0 .
n (z;0,1)

( z ) = n(t ;0,1)dt
0

n toate crile i manualele de teoria probabilitilor i statistic matematic, funcia (z ) este tabelat. Prin urmare, avem: N ( z;0,1) = 1 + ( z ) este funcia de 2 repartiie a variabilei aleatoare normal normat i 1 x m este funcia de repartiie a variabilei N ( x; m, ) = + 2 aleatoare normal nenormat (de parametrii m i ).

Calculul momentelor centrate : Momentele centrate ale variabilei aleatoare normale sunt des utilizate, n special n statistica matematic. Astfel, momentul centrat de ordinul r :
1 e 2 r = ( x m ) n( x; m, )dx = ( x m ) 2 r r

1 x m

dx

Am vzut c:

0 = ( x m ) 0 n( x; m, )dx = 1 0 = 1 .

1 2 e 1 = (x m) 2
1 m e 2 2

1 xm

1 2 dx = x e 2

1 xm

dx

1 x m

dx = 0 1 = 0

Notm : x m = y x m = y dx = dy i ntruct > 0 , limitele de integrare se pstreaz. Obinem:

1 2 e r = y 2
r r

r r 1 y r r 1 y 2 y e 2 dy = y e | + 2 2 1 1 r y y r2 r2 r2 1 2 2 + (r 1) y e 2 dy = (r 1) y 2 e 2 dyr = (r 1)r2 2 dy =
2 2 2 2

1 xm

n rezolvarea acestei integrale am aplicat metoda integrrii prin pri, unde f = y r 1 f ' = (r 1) y r2 , g ' = ye Deci:
1 y2 2

g = e

1 y2 2

2 = 2 (2 1) = 2 3 = 2 (3 1) 1 = 0

4 = 2 (4 1) 2 = 1 3 4 5 = 0 . 2 q+1 = 0 2 q = 1 3 ( 2q 1) 2 q

10.2.4. Repartiia Gamma DEFINIIE: O variabil aleatoare X are repartiie Gamma dac funcia sa de repartiie este de forma: x 1 x a e b , x > 0 , unde (a + 1) = x a e x dx f ( x; a, b) = ( a + 1)b a +1 0 0, x 0 i a > 1 , b > 0 . I. f (x ) este funcie de probabilitate, deoarece: 1) f ( x; a, b) 0 , evident 2)

f (x; a, b)dx =

1 1 1 a xae b dx = a+1 0 ba+1 x e b dx = (a +1)b (a + 1)

Notm

x = y x = b y dx = b dy b 1 1 1 (a + 1) a a y a y = 0 ba+1 b y e b dy = (a + 1) 0 y e dy = (a + 1) = 1 (a + 1)

Amintim cteva proprietai ale integralei : P1. (a ) = (a 1) (a 1) P2. (n ) = (n 1)! P3. 1 = 2 Demonstraiile acestor proprieti se gsesc n cursurile de analiz matematic. Funcia generatoare de momente pentru variabila aleatoare Gamma:
g(t) = M(etX ) =
0

etx f ( x; a, b)dx = etx

0

1 xa e b dx, a > 1 b > 0 a+1 (a + 1)b

Facem substituia : y =

x x = b y dx = b dy . b

Avem:
g (t ) = e bty
0 1 1 bty a y b a y a b dy = a +1 0 e y e dy = (a + 1) (a + 1)b

1 1 y(1bt) a = 0 e y dy = (1bt)a+1 0 (a +1)

1 1 (a +1) 1 bt

a+1

y 1 1bt a

y dy =

1 , (1 bt)a+1

deoarece

1 ( a + 1) 1 bt probabilitate a repartiiei . Prin urmare, putem scrie c funcia generatoare de momente pentru este g ( t ) = (1 bt ) ( a +1) .
0

1
a +1

y 1 1bt

y a dy =1 , fiind densitatea de

Momentele iniiale: Calculm momentele iniiale din relaia g ( r ) (t ) |t =0 = mr , r = 1,2,....

g' (t) = (a + 1)(1 bt)(a+2) (b) = b(a + 1)(1 bt)(a+2) m1 = g' (0) = b(a + 1) g ' ' (t ) = b 2 ( a + 1)(a + 2)(1 bt ) ( a +3) m2 = g ' ' (0) = b 2 ( a + 1)( a + 2) . g(r) (t) = br (a +1)(a + 2) (a + r)(1 bt)(a+r+1) mr = g(r) (0) = = b r ( a + 1)( a + 2) ( a + r ) Deci M ( X ) = m1 = b(a + 1) i D( X ) = m2 m12 = b2 (a + 1)(a + 2) b2 (a + 1)2 = b2 (a + 1)

Momentele centrate:
k k = M [ X M ( X )]k = M [ X m]k = M ( 1) j Ckj m j X k j = j =0

= ( 1) j C kj m j M ( X k j )
j =0

Deci : k = ( 1) j C kj m j mk j .
j =0

OBSERVAIE: Pentru k = 2 obinem:

0 1 2 2 = C2jmjm2j =C2m0m2 C2m1m`1 +C2 m2m0 = m2 m`2 = D(X) , 1 j=0 2

unde :

m0 = M ( X 0 ) = M (1) = 1 i m1 = M ( X 1 ) = M ( X ) = m . Pentru k = 1 obinem: 1 = M ( X m ) = M ( X ) M ( m ) = m m = 0

n cazul repartiiei , vom obine: 1 = 0 ; 2 = D ( X ) = b 2 ( a + 1) ;

3 = ( 1) j C3j m j m3 j = m3 3m m2 + 3m 2 m1 m 3m0 =
j =0

= b (a + 1)(a + 2)(a + 3) 3b(a +1)b2 (a +1)(a +2) +3b2 (a +1)2 b(a +1) b3(a +1)3 = = b 3 ( a + 1)[( a + 2)( a + 3) 3( a + 1)( a + 2) + 3( a + 1) 2 ( a + 1) 2 ] =
3

= b3 (a +1)[(a2 +5a + 6 3a2 9a 6 + 2a2 + 4a + 2] = b3(a +1)2 3 = 2b3(a +1)

4 = 3b 4 ( a + 1)( a + 3) .
10.2.5. Repartiia Beta DEFINIIE: O variabil aleatoare X are repartiie Beta dac densitatea sa de probabilitate este de forma: 1 xa1 (1 x)b1 , x [0,1] , unde a > 0 , b >0 i f ( x; a, b) = (a, b) 0 , x (,0) (1, )

(a, b) = x a1 (1 x)b1dx
0

I. f (x ) este funcie de probabilitate, deoarece: 1) f ( x; a , b) 0 , evident oricare ar fi x [a, b] 1 1 1 2) f ( x; a, b)dx = 1 x a 1 (1 x ) b1 dx = ( a , b) = 1 0 ( a , b) 0 ( a , b) Reamintim cteva proprieti ale integralei ( a, b) :

P1. ( a, b) = (b, a ) Demonstraie: facem substituia 1 x = y x = 1 y dx = dy .

(a, b) = xa1(1 x)b1 dx = (1 y)a1 yb1dy = yb1(1 y)a1 dy = (b, a)

0 1 0

P2. (a, b) = P3. (a, b) =

a 1 ( a 1, b 1) a + b 1 a 1 b 1 ( a 1, b 1) a + b 1 a + b 2

P4. ( a, b) = ( a ) (b) , unde ( a ) = x a 1e x dx 0 ( a + b)

II. Calculul momentelor pentru calculul mediei i dispersiei:

mr = xr f (x;a, b)dx = xr 1 1 1 a+r1 b1 xa1 (1 x)b1 dx = 0 x (1 x) dx = 0 0 (a,b) (a,b) ( a + r , b ) ( a + r ) (b ) ( a + b) ( a + r ) ( a + b) = = = ( a , b) ( a + r + b) ( a ) ( b) ( a + r + b) ( a )
1 1

Dar ( a + 1) = a ( a ) ( a + r ) = ( a + r 1) ( a + r 1) = = (a + r 1)(a + r 2)(a + r 2) = = (a + r 1)(a + r 2) a(a ) (a + r + b) = (a + b + r) = (a + b + r 1)(a + b + r 1) = (a + b + r 1)(a + b + r 2) (a + b + r 2) = = (a + b + r 1)(a + b + r 2) (a + b)(a + b) Deci a(a +1) (a +r 1) (a +r 1)(a +r 2) a(a)(a +b) mr = = (a +b+r 1)(a +b+r 2) (a +b)(a +b)(a) (a +b)(a +b+1) (a +b+r 1)
a a ( a + 1) = M ( X ) , m2 = = M (X 2) a+b ( a + b)( a + b + 1) Deci dispersia este : (a + b)(a2 + a) a2 (a + b +1) a(a +1) a2 2 = = D( X ) = m2 m1 = (a + b)(a + b +1) (a + b)2 (a + b)2 (a + b +1)

Prin urmare, m1 =

a 3 + a 2 + a 2 b + ab a 3 a 2 b a 2 ab . = 2 2 ( a + b) ( a + b + 1) ( a + b) ( a + b + 1)

10.2.6. Repartiia 2 DEFINIIE: O variabil aleatoare X are repartiie 2 dac funcia sa de repartiie este de forma: k x 1 1 x2 e 2 , x > 0 k k , unde k N * reprezint f ( x; k ) = 2 2 2 0 , x 0 numrul gradelor de libertate. Mai jos prezentm graficele funciei k = 2,4,6,15 .
f ( x; k )

pentru

k=2 k=4 0,20,150,1k=6 k=15

0,050 | 5 | 10 | 15 | 20 | 25

Se vede c graficele sunt asimetrice, dar, pentru valori mari ale gradelor de libertate ( k > 30) , graficul repartiiei de graficul repartiiei normale. OBSERVAIE: i b = 2 .

2 se apropie
k 1 2

2 se poate obine din

pentru a =

Funcia generatoare de momente a variabilei aleatoare 1 (r) este de forma g(t) = = (1 bt)(a+1) i g (0) = mr , r = 1,2,.... . a+1 (1 bt) Prin urmare, pentru a = k 1 i b = 2 , vom obine funcia 2 generatoare de
k 2

momente

variabilei

de

forma:

g (t ) = (1 2t ) .
1 1 k g ' (t ) = (1 2t ) 2 ( 2) = k (1 2t ) 2 g ' (0) = m1 = k 2 k k 1 1 k +2 g ' ' (t ) = k (1 2t ) 2 ( 2) = k ( k + 2)(1 2t ) 2 2 g ' ' ( 0) = m 2 = k ( k + 2 ) k k

D ( 2 ) = m2 m12 = k 2 + 2k k 2 = 2k

10.2.7. Repartiia Student DEFINIIE: O variabil aleatoare X are repartiie Student dac funcia sa de repartiie este de forma:
k + 1 k +1 2 t2 2 1 + f (t , k ) = , t k k k 2

Se poate arta c variabila aleatoare t este dat de raportul

t= z k , unde z este variabila aleatoare n( x;0,1) , iar variabila V

aleatoare V este un

2 cu k grade de libertate, independent de z.

k

Se arat c lim f (t , k ) = n(t;0,1) , deci t este aproximat suficient de bine de n(x;0,1) pentru k > 30 .
M (t ) = 0 , iar D(t ) =
k . k 2

n (x;0,1)

CAPITOLUL 12 STATISTIC MATEMATIC 12.1. Noiuni de teoria seleciei i a estimaiei S considerm o populaie , finit sau infinit, n sensul c este format dintr-un numr finit sau infinit de uniti. Dac populaia este finit, vaom nota cu N numrul unitilor ce o compun, iar N l vom numi volumul populaiei . Studiem populaia din punctul de vedere al unei proprieti. Aceast proprietate, care variaz (n general) aleator de la o unitate la alta a populaiei o vom asimila cu o variabil aleatoare X i o vom numi variabil aleatoare teoretic definit pe populaia . Caracteristicile probabilistice ale variabilei aleatoare teoretice X le vom numi caracteristici teoretice, astfel: m = M ( X ) , media teoretic; D = 2 = D( X ) , dispersia teoretic; mr = M ( X r ) , momentul iniial de ordinul r, teoretic; r = M [( X m) r ] , momentul centrat de ordinul r, teoretic. Cercetarea unitilor din populaia se poate face printr-o observare total sau parial. Cercetarea total (care se efectueaz de exemplu sub form de recensmnt) este o operaie complex, care de cele mai multe ori primete mai multe caracteristici ale unitilor, pentru a realiza o analiz multilateral. Practic, o cercetare total se recomand atunci cnd volumul populaiei nu este prea mare, pentru a evita cheltuieli ce pot depi avantajele concluziilor trase. Carcetarea parial (selectiv) se efectueaz asupra unei subpopulaii , subpopulaie de volum n. Variabila aleatoare asimilat caracteristicii studiate corespunztoare subpopulaiei de selecie este reprezentativ, ceea ce nseamn c n subpopulaia sunt reflectate proprietile ntregii populaii .

Construirea eantionului (subpopulaiei de selecie) se face cu uniti din populaia , alese dup o animit tehnic (dup anumite reguli) numit operaie de sondaj. n efectuarea unui sondaj ntlnim dou metode de baz: a) Sondaj cu revenire (sondaj non-exhaustiv): Fiecare unitate de sondaj extras din pentru a fi studiat, se reintroduce n , dup cercetare, putnd deci s apar din nou n procesul de construcie al eantionului . Efectuarea sondajului cu revenire are ca schem probabilistic urna lui Bernoulli (urna cu bil revenit). n acest caz vom spune c s-a efectuat o selecie repetat de volum n. Sondajele astfel efectuate sunt: Echiprobabile Valorile de selecie astfel obinute sunt independente b) Sondaj fr revenire (sondaj exhaustiv): Fiecare unitate de sondaj extras din pentru a fi studiat nu mai este reintrodus n dup studiere (cercetare). Efectuarea sondajului fr revenire are ca schem probabilistic schema urnei cu bil nerevenit. n acest caz vom spune c s-a efectuat o selecie nerepetat de volum n. OBSERVAIE: Aplicarea seleciei nerepetat nu are sens dect n cazul cnd volumul populaiei este finit. Valorile de selecie astfel obinute sunt dependente. Selecia repetat i selecia nerepetat sunt aplicate colectivitilor omogene. DEFINIIE: O colectivitate este omogen dac este constituit din elemente care sunt susceptibile de a avea sau de a nu avea caracteristica studiat, cu o aceeai pondere. n cazul cnd sondajul se efectueaz dintr-o populaie omogen, el se numete sondaj simplu (selecie simpl) . n cazul cnd populaia nu este omogen din punct de vedere al caracteristicii (al proprietii) cercetate dar poate fi mprit n subpopulaii i , fiecare n parte omogen, ca nite

straturi ale populaiei , se va efectua aa numita selecie stratificat. Fie , o populaie de selecie de volum n. Valorile variabilei teoretice X pentru fiecare unitate din eantionul determin irul de valori X 1 , X 2 ,..., X j ,..., X n . Deoarece participarea oricrei uniti din populaia la eantionul este echiprobabil (deoarece sondajul se face ntmpltor) , fiecare valoare X j din irul anterior se realizeaz n eantion cu aceeai probabilitate 1 . n * Astfel se construiete variabila de selecie X , cu repartiia :
X1 X : 1 n
*

X2 1 n

Xj 1 n

Xn 1 n

Caracteristicile variabilei aleatoare de selecie X * , numite caracteristici de selecie, sunt: (1) 1 n m* = X = X j n j =1 n 1 D* = ( X j X )2 n j =1

* mr =

1 n r Xj n j =1 1 n r* = ( X j X ) r n j =1

OBSERVAIE: Eantionul , la rndul lui, are un aspect aleatoriu determinat n primul rnd de caracterul ntmpltor al sondajului. Prin urmare, efectund alte sondaje se obin alte eantioane i alte variabile aleatoare de selecie. Putem considera c fiecare valoare X j a argumentului variabilei aleatoare de selecie X * este, la rndul ei, o variabil aleatoare identic din punct de vedere probabilistic cu X, deoarece poate fi oricare din valorile posibile ale lui X i deci are aceleai caracteristici ca i variabila aleatoare teoretic. Adic:

M(X j) = M(X ) D ( X j ) = D( X )
M (X r ) = M (X r ) j

, j = 1,..., n , j = 1,..., n , j = 1,..., n

n cazul cnd variabila aleatoare empiric X * are repartiia de forma : k x x 2 xi x k ; X* : 1 ni = 1 , unde n n n n i =1 2 i k 1 x1 , x 2 , , xi , , x k sunt valorile distincte ale lui X j , j = 1,..., n , iar
n1 , n 2 , , ni , , nk sunt frecvenele de apariie. Deci relaiile (1) devin: (1) 1 k m * = x = xi ni n i =1 1 k D * = ( x i x ) 2 ni n i =1 1 k * mr = xir ni n i =1 1 k r* = ( xi x ) r ni n i =1

12.2. Repartiii de selecie O anumit caracteristic (calitativ sau cantitativ) studiat pe o populaie oarecare poate fi considerat ca o variabil aleatoare unidimensional X care are o densitate de repartiie f (x ) sau o funcie de reaprtiie F (x ) . f (x ) i F (x ) se numesc legi teoretice de repartiie a variabilei aleatoare X . S considerm acum c pe baza unei selecii de volum n din populaia obinem valorile X 1 , X 2 , , X n . Cu ajutorul acestor valori (cu ajutorul acestor date de selecie) putem calcula diferii indicatori ca de exemplu: n Media de selecie : X * = X = 1 X k n k =1

n Dispersia de selecie : D * = 1 ( X k X ) 2 n k =1

O funcie Tn ( X 1 , X 2 ,..., X n ) de datele de selecie X 1 , X 2 , , X n se numete statistic . OBSERVAIE: Media de selecie X * i dispersia de selecie D * sunt funcii de datele de selecie X 1 , X 2 , , X n , deci sunt statistici. Fiecare statistic Tn ( X 1 , X 2 ,..., X n ) (de exemplu media de selecie i dispersia de selecie) este, datorit caracterului aleatoriu al seleciei, o variabil aleatoare care la rndul ei are anumite legi de repartiie (f i F) numite repartiii de selecie . Cunoaterea legii de repartiie (repartiiei de selecie) a statisticii Tn ( X 1 , X 2 ,..., X n ) este deoasebit de important deoarece cu ajutorul ei se poate face studiul probabilistic al statisticii Tn ( X 1 , X 2 ,..., X n ) , calculndu-se probabiliti de forma P(Tn < a ) , P( a < Tn < b) ; M (Tn ) , D(Tn ) , etc. OBSERVAIE: Interpretarea datelor de selecie are un dublu neles: X 1 , X 2 , , X n sunt nite numere cunoscute X i , i = 1,..., n sunt variabile aleatoare cu aceleai caracteristici ca i X . n acest fel, prin intermediul statisticii Tn putem trage concluzii referitoare la populaia general din care a provenit selecia (eantionul) . Teoria probabilitilor ne ofer procedee de determinare att a repartiiei exacte, ct i a repartiiei asimptotice a statisticii Tn . Prin repartiia exact a statisticii Tn nelegem repartiia determinat pentru orice volum al seleciei n, iar prin repartiia asimptotic nelegem repartiia limit a statisticii Tn (cnd n ) .

DEFINIIE:

Repartiia exact este util cnd condiiile concrete ale caracteristicii studiate din populaia impune folosirea unei selecii (eantion) de volum redus n 30 . n cazul unor selecii de volum mare ( n > 30 ) folosirea repartiiei asimptotice conduce la rezultate suficient de bune. Repartiia de selecie a statisticii Tn este strns legat i unic determinat de legea de repartiie teoretic a variabilei aleatoare X care a generat selecia. n continuare vom cerceta repatiiile de selecie ale unor statistici Tn construite dintr-o selecie extras dintr-o populaie cu repartiie normal. 1) Tn ( X 1 , X 2 ,..., X n ) = X (media de selecie) 2) Tn ( X 1 , X 2 ,..., X n ) = D (dispersia de selecie)

12.3. Repartiia mediei de selecie pentru o selecie dintr-o populaie normal TEOREMA 1: Dac X 1 , X 2 , , X n este o selecie de volum n dintr-o populaie normal N (m, ) , atunci media de selecie:
X = 1 . ( X 1 + X 2 + + X n ) are o repartiie N m, n n

Demonstraie: Deoarece variabila aleatoare de selecie X k , k = 1,..., n , este o variabil aleatoare normal N (m, ) , ea are funcia caracteristic c X k (t ) = e 2 . (vezi capitolul 10, paragraful 10.2.3.) Aplicnd proprietile funciei caracteristice, obinem funcia caracteristic a variabilei aleatoare 1 X k , k = 1,..., n : n
c 1 (t ) = e
n Xk t 1 t2 im 2 2 n 2 n 1 imt 2t 2

(deoarece caX (t ) = c X ( at ) ).

1 1 1 1 ( X1 + X 2 + + X n ) = X1 + X 2 + + X n n n n n i deci, aplicnd proprietatea P3 a funciei caracteristice (vezi capitolul 3, paragraful 1.6.), avem:

Dar

X =

c X (t ) = e
k =1

t 1 t2 i m 2 2 n 2 n

= e i =1

i n m 2 2 n 2
t

t2

=e

itm

1 2 2 t 2 n

=e

1 2 itm t 2 n

adic X are repartiia N m, . n

2 . n CONSECINA 1: Considerm variabila aleatoare redus X m Z= n pe care o putem scrie sub forma unei expresii liniare n n n funcie de X , adic Z = X X . Atunci : n n X m n n M(Z) = M n = M( X) M m = [M(X) m] = [m m] = 0
OBSERVAIE: Prin urmare, M ( X ) = m , D ( X ) =

n n n X m n 2 D( Z ) = D n = D X D m = D( X ) = 2 =1 n X m Prin urmare, Z = n are repartiia normal de tip N (0,1) .

TEOREMA 2: Dac X 11 , , X 1n1 este o selecie de volum

n1 din populaia normal N ( m1 , 1 ) i X 21 , , X 2 n2 este o selecie

de volum
X1 = 1 n1

n2
1j

din populaia normal i

X2 = 1 n2

N ( m 2 , 2 ) , i dac

X
j =1

n1

X
k =1

n2

2k

sunt mediile de selecie

corespunztoare, atunci variabila aleatoare Y = X1 X2 = X1 + (X2 )

2 2 are o repartiie normal N m1 m2 ; 1 + 2 . n1 n2

Demonstraie: Funcia caracteristic a mediei de selecie

c X (t ) = e
1

X1

este .

t 2 2 itm1 1 2 n1

i ale mediei de selecie X 2 este c X (t ) = e 2

2 t 2 2 itm2 2 n2

OBSERVAIE: Funcia caracteristic a variabilei aleatoare

X 2 este de forma : c X (t ) = e 2
itm 2
2 t 2 2 2 n2

, conform proprietii P4 a

funciei caracteristice (vezi capitolul 4, paragraful 4.2.3.) . Deoarece X 1 i X 2 sunt variabile aleatoare independente, funcia caracteristic a variabilei aleatoare Y = X 1 X 2 = X 1 + ( X 2 ) este (conform proprietii P3 a funciei caracteristice):
cY (t ) = e
itm1
2 t 2 1 2 n1

itm 2

2 t 2 2 2 n2

=e

it ( m1 m 2 )

2 2 t2 1 2 + 2 n1 n 2

2 2 Prin urmare Y are repartiia N m1 m2 ; 1 + 2 . n1 n2

OBSERVAIE: Ultima afirmaie rezult din faptul c variabila aleatoare X cu repartiia N (m, ) are funcia caracteristic
c X (t ) = e
imt t 2 2 2

Din teorema 2 rezult c repartiia variabilei aleatoare normate Z = X 1 X 2 ( m1 m2 ) are o 2 12 2 + n1 n2 . repartiie de tipul N (0,1)

CONSECINA 2:

12.3.1. Legtura cu variabila aleatoare 2 cu n grade de libertate

Se tie c variabila aleatoare 2 are densitatea de probabilitate:

k x 1 1 x2 e 2 , x > 0 k k f ( x; k ) = 2 2 2 0 , x 0

Se poate demonstra c dac Z k , k = 1,..., n sunt variabile aleatoare normale N (0,1) , atunci variabila aleatoare Z k2 este:
k =1 n

2 = Z k2 , cu n grade de libertate i are deci densitatea de

k =1

probabilitate :
h( x ) = 1
n 2 2 2
n n

x2 e

x 2

, x > 0.

tim c M ( 2 ) = n i D ( 2 ) = 2n (vezi capitolul 10, paragraful 10.2.6). Este adevrat urmtoarea teorem: TEOREMA 3: Dac X 1 , X 2 , , X n este o selecie de volum n dintr-o populaie normal N (0,1) , atunci variabila aleatoare
2 Y = X k2 este o variabil aleatoare cu n grade de libertate.
k =1 n

12.4. Repartiia dispersiei de selecie pentru o selecie dintr-o populaie normal Dispersia D a unei populaii oarecare poate fi evaluat pe baza seleciei X 1 , X 2 , , X n n urmtoarele moduri:

Dac media m a populaiei generale este cunoscut, atunci n dispersia de selecie este dat de: D ' = 1 ( X k m ) 2 = S *2 (1) n k =1 b) Dac media m a populaiei nu este cunoscut, atunci media o n putem aproxima cu media de selecie X = 1 X k i dispersia de n k =1 n (2) selecie este: D * = 1 ( X k X ) 2 = S 2 n k =1 c) n cazul seleciilor de volum mic, evalum dispersia D a populaiei cu dispersia de selecie dat de relaia : 1 n ~ D= s ( X k X )2 = ~2 n 1 k =1 a) n cele ce urmeaz vom stabili repartiia unor funcii de ~ variabilele aleatoare D' , D * , D pentru selecii dintr-o populaie normal. Sunt adevrate urmtoarele proprieti: TEOREMA 1: Dac X 1 , X 2 , , X n este o selecie dintr-o populaie N (m, ) , atunci variabila aleatoare U ' = nD' are o 2 repartiie 2 cu n grade de libertate. Demonstraie:
2 2 i m) n n nD ' X m 2 i =1 = i U'= 2 = = Zi , 2 i =1 i =1 unde Z i este o variabil aleatoare cu repartiia N (0,1) . Conform

1 n

(X

teoremei 3 din paragraful anterior, U ' este o repartiie 2 cu n grade de libertate. Prin urmare M (U ' ) = n i D(U ' ) = 2n . Deci : n M (U ' ) = 2 M ( D' ) = n M ( D' ) = 2 2 4 n D (U ' ) = 2 D( D ' ) = 2n D ( D' ) = n

TEOREMA 2: Dac X 1 , X 2 , , X n este o selecie de volum n dintr-o populaie N (m, ) , atunci variabila aleatoare ~ ( n 1) D are o repartiie 2 cu ( n 1) grade de libertate. U= 2 ~ Prin urmare, variabila U = ( n 1) D are densitatea de 2 n 1 x 1 1 probabilitate de forma : h( x ) = x 2 e 2 , x > 0. n 1 n1 2 2 TEOREMA 3: Dac X 1 , X 2 , , X n este o selecie de volum n dintr-o populaie normal N (m, ) , atunci variabila ~ ~ aleatoare t = X m n , unde = D , are o repartiie Student cu ~ ( n 1) grade de libertate. CONSECIN: Dac X 11 , , X 1n1 este o selecie de

volum n1 din populaia normal N ( m1 , 1 ) i X 21 , , X 2 n2 este o selecie de volum n2 din populaia normal N ( m2 , 2 ) , i dac 1 n2 1 n1 X 1 = X 1 j i X 2 = X 2k sunt mediile de selecie n2 k =1 n1 j =1
n1 n2 ~ ~ corespunztoare, iar D = 1 (X1k X1)2 i D2 = 1 (X2k X2)2 sunt 1 n1 1 k=1 n2 1 k=1 dispersiile de selecie corespunztoare, atunci variabila aleatoare:

t=

( X 1 X 2 ) ( m1 m2 ) ~ ~ ( n1 1) D + ( n2 1) D n1 + n2 2

are o repartiie Student cu ( n1 + n2 2) grade de libertate. TEOREMA 4: Fie X 1 , X 2 , , X n o selecie (independent) de volum n dintr-o populaie avnd o repartiie oarecare de medie m

n i abatere medie ptratic , finite. Atunci X = 1 X k are, n k =1 pentru n o repartiie normal N m, . n

Demonstraiile teoremelor enunate n acest paragraf se gsesc n /2/ , /1/, /3/ .

12.5. Estimaie punctual

Fie variabila de selecie X * sub una din formele empirice :

X1 X* : 1 n x X* : 1 n 1

X2 1 n

Xj 1 n

Xn 1 , sau n

x2 n2

xi ni

xk , cu nk

n
i =1

= 1.

Datorit volumului de selecie n, modului de efectuare a sondajului, valorile numerice oferite de selecie reflect valorile variabilei teoretice X care reprezint caracteristica (proprietatea) studiat din . Aceste aprecieri au la baz teorema lui Glivenco (teorema fundamental a statisticii matematice) care se refer la legtura strns care exist ntre funcia de repartiie teoretic F (x ) a variabilei aleatoare teoretice X i funcia de repartiie empiric Fn (x ) . DEFINIIE: Prin funcia de repartiie empiric a unei variabile aleatoare X, dup extragerea unei selecii de volum n, nelegem funcia definit de relaia Fn ( x ) = n x , unde n x reprezint n numrul de observaii n care a aprut o valoare a variabilei aleatoare X (a caracteristicii X), mai mic dect x.

Reamintim c funcia de repartiie teoretic F (x ) a variabilei aleatoare X este F ( x ) = P ( X < x ) . TEOREMA LUI GLIVENCO: Fie Fn (x ) funcia de repartiie empiric corespunztoare unei selecii de volum n ce provine dintr-o populaie caracterizat de variabila aleatoare X avnd funcia de repartiie F (x ) . Atunci: P( lim sup Fn ( x ) F ( x ) = 0) = 1 .
n xR

Adic, cu ct n este mai mare, cu att Fn (x ) aproximeaz mai corect pe F (x ) . Conform teoremei lui Glivenco, putem accepta principiul de baz al teoriei seleciei: Variabila aleatoare de selecie X * converge n lege ctre variabila aleatoare teoretic X, iar caracteristicile variabilei de selecie converg n probabilitate ctre caracteristicile corespunztoare ale variabilei aleatoare teoretice. DEFINIIE: Operaia prin care se evalueaz parametrii necunoscui ai unei legi de probabilitate se numete estimarea parametrilor. Estimarea se face pe baza unei selecii X 1 , X 2 , , X n de volum n, extras din populaia pe care este definit variabila X, cu lege specificat, care conine parametrul ce trebuie estimat.

12.5.1. Estimator; estimator consistent

Fie X variabila aleatoare cu legea f ( x, ) care depinde de un parametru necunoscut . Vrem s-l determinm pe din datele de selecie ale variabilei aleatoare de selecie X * . DEFINIIE: Se numete estimaie punctual a parametrului , o anumit funcie (statistic) * = * ( X 1 ,..., X n ) cu ajutorul creia tragem concluzii asupra valorii necunoscute a parametrului .

OBSERVAIE:Estimatorul * astfel definit este o variabil aleatoare (fiind o funcie care depinde de valorile de selecie X 1 , X 2 , , X n ), pe cnd reprezint o valoare constant a variabilei aleatoare teoretice X . Orice valoare * (valoare calculat a estimatorului * ) C determinat de o anumit selecie reprezint o valoare estimat pentru . DEFINIIE:
n

Funcia de estimaie * = * ( X 1 ,..., X n ) ,

pentru care lim P ( * < ) = 1 se numete funcie de estimaie

consistent, iar estimatorul * se numete estimator consistent. 12.5.2. Estimator absolut corect; estimator corect

DEFINIIE: Estimatorul * este un estimator absolut corect dac: 1) M ( * ) = 2) D ( * ) 0

n

Spunem atunci c orice valoare calculat a * a acestui C estimator, estimeaz absolut corect pe . DEFINIIE: Estimatorul * este un estimator corect dac: 1) M ( * )
n

2) D( * ) 0
n

estimator, estimeaz corect pe .

Spunem atunci c orice valoare calculat * a acestui C

Se poate demonstra urmtoarea teorem , a crei demonstraie se gsete n /2/: TEOREM: estimator consistent. Orice estimator absolut corect este i un

 x EXEMPLU: Fie repartiia Poisson X : x , x 0 e x! cu M ( x ) = D( x ) = . (vezi capitolul 10, paragraful 10.1.4. ) . n Vom arta c media de selecie X = 1 X j este un estimator n j=1 absolut corect pentru . 1 n 1 n 1 M (X ) = M X j = M (X j ) = n = . n n n j =1 j =1

1 n 1 n 1 D ( X ) = D X j = 2 D ( X j ) = 2 n = 0 n n n n n j =1 j =1 Deci media de selecie X este un estimator absolut corect al parametrului din repartiia Poisson.

12.5.3. Estimator de maxim verosimilitate

Fie variabila aleatoare teoretic X cu funcia de probabilitate f ( x, ) , care depinde de parametrul . Acest parametru trebuie estimat pe baza datelor de selecie X 1 , X 2 , , X n . Funcia de probabilitate f ( x, ) , corespunztoare valorilor X 1 , X 2 , , X n este f ( X j ; ) = P( X = X j ) , j = 1,..., n . Deoarece variabila de selecie X * presupune realizat evenimetul n ( X = X j ) , rezult c nsi realizarea variabilei de selecie j =1 constituie un eveniment care are un anumit grad de reprezentare a variabilei teoretice, constituind astfel verosimilitatea de reflectare a variabilei teoretice X de ctre variabila de selecie X * . Aceast verosimilitate este msurat de probabilitatea : n n L( X1, X2 ,...,Xn ; ) = P ( X = X j ) , adic L( X1, X2 ,...,Xn ; ) = f ( X j ; ) j=1 j=1

L( X 1 , X 2 ,..., X n ; ) = f ( X j ; )
j =1

, numit funcia de

verosimilitate a seleciei. Vom determina (estima) parametrul punnd condiia ca verosimilitatea s fie maxim. Punem deci condiia
L( X 1 ,..., X n; ) = 0 sau
f ( X j ; )
j =1 n

= 0.

Deoarece maximul funciei L are loc pentru aceleai valori ca i maximul funciei ln L , ecuaia precedent poate fi nlocuit prin una mai avantajoas din punct de vedere al calculelor : n ln f ( X ; ) ln L( X 1 ,..., X n ; ) j = 0 sau = 0. j =1 n ln f ( X ; ) j Ecuaia = 0 se numete ecuaia de j =1 verosimilitate maxim. DEFINIIE: Orice soluie a ecuaiei de verosimilitate maxim se numete estimator de maxim verosimilitate . OBSERVAIE: n general, un estimator de maxim verosimilitate este i un estimator consistent. Adic lim P ( * < ) = 1 .
n

S se determine estimatorul de maxim x verosimilitate din repartiia Poisson X : x , x 0 , unde e x! x . f ( x; ) = e x! Funcia de verosimilitate este : X n n j Logaritmnd, L( X 1 ,..., X n ; ) = f ( X j ; ) = e ( X j )! j =1 j =1 obinem: ln L( X 1 ,..., X n ; ) = { + X j ln ln[( X j )!]}.
n j =1

EXEMPLU:

Ecuaia de maxim verosimilitate este:

lnL n 1 = 1+ X j = 0 j=1

sau

n +

1n X j = 0 * = j=1n * = X . j=1

n concluzie, media de selecie n repartiia Poisson este un estimator de maxim verosimilitate pentru parametrul . OBSERVAIE: n cazul repartiiilor X care au funcia de probabilitate depinznd de mai muli parametri f ( x; 1 , 2 ,..., s ) , parametrii 1 , 2 ,..., n se determin din sistemul de ecuaii ln L( X 1 ,..., X n ; 1 ,..., s ) = 0 , i = 1,..., s . i EXEMPLU: S se determine estimaiile de maxim verosimilitate ale parametrilor m i ale unei variabile aleatoare normale f ( x; m, ) cu ajutorul unei selecii X 1 , X 2 , , X n .
1 f ( x ; m, ) = e 2 2 1 X m
2

, > 0 , xR, mR .
1
n 2 1 2 2

n ( 2 ) 1 n n ln L( X 1 , , X n ; m, ) = n ln ln(2 ) ( X i m) 2 2 2 2 i =1
ln L( X 1 ,..., X n ; m, ) 1 2 n = 2 ( X i m)( 1) = 0 m 2 i =1 ln L( X 1 ,..., X n ; m, ) n 1 n = + 3 ( X i m) 2 = 0 i =1
m* = X 1 n n ( Xi m) = 0 m = Xi n i =1 n i=1 n n (Xi m)2 1 ( X m)2 = n 2 = 1 ( X m) 2 * i=1 i 2 i = n i =1 i=1 n

L( X 1 , , X n ; m, ) = f ( X i ; m, ) =
i =1

( X i m )2
i =1

n concluzie, m * i * sunt estimatori de maxim verosimilitate pentru m i din f ( x; m, ) . 12.6. Estimarea prin intervale de ncredere Am vzut c estimaiile punctuale sunt afectate de erori, ele reprezentnd numai valori aproximative ale adevratelor valori ale parametrilor estimai. Deoarece o estimaie variaz n precizie, ea trebuie s fie nsoit de o indicaie cu privire la precizia ei, adic ct de aproape poate fi estimaia de valoarea parametrului pe care trebuie s-l estimeze. Apare astfel necesitatea de a se indica un interval despre care s se poat afirma, cu o probabilitate cunoscut, c acoper valoarea parametrului estimat, care este o mrime constant. Presupunem c proprietatea studiat este determinat de o variabil aleatoare X care are legea de repartiie teoretic f ( x; ) care depinde de parametrul . Se efectueaz o selecie de volum n din care obinem valorile de selecie X 1 , X 2 , , X n . S presupunem de asemenea c avem dou funcii de selecie (statistici) ( X 1 , , X n ) i ( X 1 , , X n ) , < , astfel nct probabilitatea inegalitii < < s fie ndeplinit de , adic : P[ ( X 1 , , X n ) < < ( X 1 , , X n )] = 1 (1) unde nu depinde de . Pentru o selecie realizat, funciile i iau valori bine determinate i vom spune c am gsit un interval ( , ) care acoper parametrul necunoscut [altfel spus ( , ) ] cu un grad de siguran garantat de probabilitatea (1 ) unde este foarte mic. DEFINIIE: (i) Intervalul ( , ) se numete interval de ncredere pentru parametrul (sau interval de estimaie). (ii) se numete limita inferioar a intervalului de ncredere. (iii) se numete limita superioar a intervalului de ncredere.

(iv) Probabilitatea (1 ) se numete probabilitate confidenial sau coeficient de ncredere (siguran). OBSERVAII:
Parametrul este o valoare bine determinat. Intervalul ( , ) este un interval aleator care variaz de la o selecie la alta. Cu ct intervalul ( , ) este mai mic i este mai mic, cu att estimarea parametrului este mai bun. Practic, pentru se iau valorile = 0,05 ; = 0,01 ; = 0,02 , etc.

Se consider variabila aleatoare X cu funcia de probabilitate f ( x; ) . Ne propunem ca pe baza unei selecii X 1 , X 2 , , X n s determinm un interval de ncredere pentru parametrul necunoscut. Metoda const n gsirea unei funcii U ( X 1 , , X n ; ) care depinde de datele de selecie i de , i are proprietile: a) U este bine definit pe orice punct din intervalul valorilor posibile ale lui . b) U este continu i monoton n raport cu . c) Repartiia sa g (u) nu depinde de parametrul i nici de ali parametri. Atunci, pentru fiecare coeficient de ncredere (1 ) , folosind repartiia g (u) a statisticii U , putem gsi limitele u1 i u2 care depind de , dar sunt independente de datele de selecie, asftel nct: u2 P(u1 < U < u2 ) = g (u )du = 1 (2)
u1

12.6.1. Intervale de ncredere pentru parametrii repartiiei normale :

x , X : f ( x)
1 f ( x; m , ) = e 2 2 1 x m
2

xR,

mR,

>0,

(i) Interval de ncredere pentru media m cnd 2 este cunoscut

Alegem statistica: U ( X 1 , , X n ; m ) = X m n (1) care este monoton i continu n raport cu m i a crei funcie de repartiie este N (0;1) , cu densitatea:
g (u ) = 1 2 2 e 2
1 u2

(2).

Funcia (2) nu depinde de m i nici de ali parametri . Prin urmare vom putea determina numerele u1 i u2 astfel nct: P(u1 < U < u2 ) = 2 g (u )du = 1 , sau:
u1 u

(3) P u1 < X m n < u2 = 1 2

u2

u1

u2 2

du = 1

u u u u (4) P 1 < X m < 2 X = P X 2 < m < X 1 = 1 n n n n Am obinut deci intervalul de ncredere pentru m, u u (5) X 2 ,X 1 n n cu probabilitatea 1 .

OBSERVAIE: Deoarece ntre u1 i u2 avem o singur relaie, dat de (3) putem obine o infinitate de intervale de ncredere cu probabilitatea 1 . Evident, un interval de ncredere este cu att mai bun cu ct este ct mai mic. Cutm deci intervalul dat de relaia (5), de lungime minim. Fie l lungimea intervalului. Atunci l = (u2 u1 ) n Vom minimiza lungimea intervalului l , cu condiia (3), adic rezolvm problema:

 min l = n (u2 u1 ) u 2 g (u )du = 1 u1

Utilizm metoda multiplicatorilor lui Lagrange: u Fie L(u1 , u2 ; ) = (u2 u1 ) + [ 2 g (u )du (1 )] u1 n L u = n g (u1 ) = 0 1 g ( u1 ) = g (u 2 ) , care are soluiile L = + g (u2 ) = 0 u2 n u1 = u 2 care nu convine i soluia u1 = u 2 Notm
1 2

z = u2 = u1 .

Atunci

ecuaia dar

(4)

devine

u2 2

du = 1 F ( z) F (z) = 1 ,

F ( z) = F ( z) ,

deci 2F( z) 1 = 1 F ( z) = 1 z = F 1 1 . 2 2 u1 = z = z 1 2 2 Dar z = z 1 2 2 u2 = z1 2 Deci intervalul de ncredere este :

X z <m< X +z 1 1 n n 2 2

(ii)

Interval de ncredere pentru media m cnd este necunoscut

Considerm funcia de selecie U( X1, , Xn ; m) = X m n = t , S n unde S 2 = 1 ( X i X ) 2 . Am vzut c t are o repartiie Student n 1 i =1

cu ( n 1) grade de libertate. Analog punctului anterior se poate arta c intervalul de ncredere este:
S S X t <m< X +t 1 ;n 1 1 ;n 1 n n 2 2

12.7.

Estimarea parametrilor unei variabile aleatoare prin metoda momentelor

Fie populaia n care studiem o proprietate dat de variabila aleatoare teoretic X definit pe . Variabila X are momentele iniiale i centrate m r i r cunoscute. Se efectueaz o selecie de volum n i se consider variabila aleatoare de selecie X * cu momentele iniiale de selecie * i momentele centrate de selecie m r , r* .
* TEOREM: Momentul de selecie m r este un estimator absolut corect al momentului teoretic m r . Demonstraie: * m r este un estimator absolut corect al lui m r dac * * M (mr ) = mr i lim D( mr ) 0 . ntr-adevr:
n

1 1 n 1 * M (mr ) = M X r = M ( X r ) = n mr = mr j j n n n j =1 1 n 1 n m mr2 1 * 0 D(mr ) = D X r = 2 D( X r ) = 2 n (m2r mr2 ) = 2r j j n n n n j=1 n j=1

OBSERVAIE: Aplicarea metodei momentelor la estimarea parametrilor 1 , , s a unei funcii f ( x; 1 , , s ) const n scrierea unui sistem de s ecuaii pentru cei s parametrii. Acest sistem se formeaz prin scrierea primelor s momente ale variabilei aleatoare teoretice X care sunt egale cu momentele de acelai ordin ale variabilei aleatoare empirice X * . EXEMPLU: Fie f ( x; ) = 1 x 1e x , x > 0 , > 0 . Se ( ) efectueaz o selecie de volum n : X 1 , X 2 , , X n . Scriem c

momentul de ordinul 1 al variabilei aleatoare X este egal cu momentul de selecie de ordinul 1. ( + 1) 1 x M ( X ) =m1= 0xf ( x; )dx = () 0 x e dx = () = 1n * = X j n n j=1 M ( X * ) = m* = 1 X j 1 n i=1 OBSERVAIE: Ne putem pune ntrebarea ce moment empiric este cel mai potrivit pentru estimarea momentului teoretic? Din exemplul anterior rezult: 1 n m2 = ( + 1) ( + 1) = X j n j =1 1 n m3 = ( + 1)( + 2) ( + 1)( + 2) = X 3 j n j =1 Se observ chiar c valorile lui astfel determinate nu satisfac (n general) i ecuaiile anterioare, deci metoda se complic. n aceste situaii este indicat aplicarea metodei intervalelor de ncredere.

12.8.

Verificarea ipotezei cu privire la legea de repartiie a unei variabile aleatoare

O ipotez statistic se refer fie la forma legii de repartiie a unei populaii (normal, exponenial, etc.) fie la parametrii coninui n aceast lege (medie, dispersie), i ea se verific folosind rezultatele obinute ntr-o selecie aleatoare extras din populaia cercetat. Fie variabila aelatoare X care reprezint o proprietate considerat pe o populaie a crei repartiie f ( x, ) are o form cunoscut, dar care depinde de un parametru necunoscut . Ipoteza conform creia are valoarea 0 , se noteaz : H 0 : = 0 i poart numele de ipoteza nul . S presupunem c n afara valorii 0 , parametrul mai poate avea i una din valorile 1 , 2 ,... . Ipotezele H i : = i , i = 0,1,2,... se numesc ipoteze admisibile, iar H i : = i , i = 1,2,... se numesc ipoteze alternative ale ipotezei nule H 0 .

n cele ce urmeaz vom considera dou ipoteze: ipoteza nul H 0 i alternativa ei, H 1 ca ipotez contrar ipotezei H 0 , explicnd n ce const verificarea unei ipoteze statistice, procedeul de verificare, precum i unele noiuni legate de acestea.
Testul statistic este o metod sau un criteriu dup care ipoteza de verificat se accept sau se respinge. El stabilete, dup natura observaiilor, pentru care selecii ipoteza se accept i pentru care se respinge. Datorit caracterului ntmpltor al seleciei, la verificarea unei ipoteze statistice, exist ntotdeauna riscul de a lua o decizie eronat. Cnd pe baza datelor seleciei respingem ipoteza H 0 de verificat, dei n realitate este adevrat, spunem c am comis o eroare de genul nti, iar cnd acceptm ipoteza H 0 care n realitate este fals, spunem c am comis o eroare de genul doi. Probabilitatea erorii de genul nti se numete risc de genul nti (prag sau nivel de semnificaie) i-l notm cu , iar probabilitatea erorii de genul doi se numete risc de genul al doilea i se noteaz cu . Pentru construirea testului statistic cu ajutorul cruia verificm ipoteza statistic H 0 trebuie s avem n vedere urmtoarele: a) determinarea unei funcii (o statistic) T ( X 1 ,..., X n ) de datele de selecie numit statistica testului, cu caretestm ipoteza H 0 ; b) valoarea admisibil a pragului de semnificaie; c) ipoteza alternativ H 1 opus ipotezei H 0 ; d) regiunea critic W a ipotezei H 0 corespunztoare statisticii T a testului, prin care nelegem acea mulime de valori ale statisticii T astfel nct dac valoarea observat a lui T aparine acestei mulimi, atunci ipoteza H 0 se respinge, acceptndu-se H 1 . n caz contrar se accept H 0 . Regiunea critic W este astfel determinat nct probabilitatea comiterii erorii de genul doi s fie minim i probabilitatea ca T obinut prin selecie s-i aparin cnd H 0 este adevrat, s fie egal chiar cu , adic vor fi ndeplinite condiiile: P(T W / H 0 ) = i P (T W / H 1 ) = maxim

Conform definiiei riscului , putem scrie P(T W / H1) = , unde W este complementara mulimii W . Probabilitatea de a respinge H 0 ca fals (fiind adevrat H 1 ) adic de a nu comite eroarea de genul doi este: (W , H 1 ) = P(T W / H 1 ) = 1 i poart numele de puterea testului, care este cu att mai mare cu ct este mai mic. Pn acum am presupus c repartiia teoretic a variabilei aleatoare X este specificat, iar n cele mai multe cazuri este repartiia normal. De foarte multe ori chiar specificarea repartiiei reprezint o ipotez care trebuie verificat. De aceea, practica statistic pune problema realizrii unei legturi ntre variabila empiric (de selecie) X * i variabila teoretic X . x x 2 xi x k k Fie variabilele: X * : 1 ; , n n n n ni = 1 i =1 2 i k 1
x i X : . f ( x) Se va cerceta dac irul numeric al frecvenelor absolute empirice ni reflect legea ipotetic a variabilei teoretice X , concretizat n funcia f ( x; a1 ,..., a k ) .

Rezolvarea acestei probleme presupune urmtoarele etape: 1. Estimarea parametrilor, fcut innd seama de eventualele semnificaii pe care le pot avea n legtur cu caracteristicile distribuiei teoretice i de calitile estimaiei respective. 2. Se construiete, dup estimarea parametrilor, variabila pseudo-teoretic: k x 2 xi x k x ; n' i = 1 , fcndu-se legtura X' : 1 n' n ' n' n ' i =1 2 i k 1 ntre variabila empiric X * i variabila teoretic X . Determinarea frecvenelor absolute calculate ni este realizat prin intermediul funciei de probabilitate, folosind relaia:

ni* * = f ( x; a1 ,..., a k ) , de unde ni = ni f ( x; a1 ,..., a k ) , i = 1,..., n . ni

OBSERVAIE: Datorit unor proprieti ale au funciilor de probabilitate f ( x ) pentru determinarea frecvenelor calculate n' i , de cele mai multe ori se folosesc formulele de recuren, pornindu-se de la valoarea dominant (cu maximum de probabilitate a realizrii argumentului).
3. Verificarea ipotezei H 0 de concordan ntre repartiia empiric i repartiia teoretic, ipotez ce se verific folosind aanumitele teste de concordan . a) Testul de concordan 2 :

2 k Studiind funcia 2 = ( ni n ' i ) , K.Pearson a artat c, n'i i =1 n cazul unui sondaj cu revenire n populaia studiat, cnd probabilitile pi nu sunt apropiate de 0 sau 1, iar produsele n ' i = ni pi , unde pi = f ( xi ) , dup estimarea parametrilor, nu sunt prea mici (practic nu sunt mai mici dect 5), funcia considerat are repartiia 2 cu ( s 1) k grade de libertate, s fiind numrul de valori observate, iar k numrul parametrilor estimai.

OBSERVAII:
Dac legea presupus este legea Poisson, ea are un singur parametru, deci k = 1 , iar numrul gradelor de libertate va fi ( s 1) 1 = s 2 ; dac legea presupus este legea normal, atunci k = 2 i avem ( s 1) 2 = s 3 grade de libertate. Dup cum am precizat mai sus, legea 2 condiia ca n ' i = ni pi s nu fie numere mai mici dect 5. n cazul n care exist astfel de numere, se vor cumula la prima frecven ni mai mare ca 5. Aceasta face ca numrul s s fie modificat corespunztor noii situaii, devenind ~ , iar numrul gradelor de libertate devenind s ( ~ 1) k . Dac ntre repartiia de selecie i repartiia teoretic s

exist concordan, atunci statistica

2 definit n relaia

2 =
i =1

( ni n ' i ) 2 trebuie s fie mai mic i nu va depi o valoare n'i

(2s 1) k ; corespunztoare numrului gradelor de libertate ( s 1) k i pragului de semnificaie dat. Regiunea critic a testului va fi dat de inegalitatea 2 > (2s 1) k ; i deci,
determinat dac 2 (2s 1) k ; respingem.
b)

acceptm ipoteza H 0 , n caz contrar o

Testul de concordan al lui Kolmogorov:

Din studierea convergenei funciei empirice de repartiie F ( x ) ctre funcia teoretic de repartiie F ( x ) , Kolmogorov a demonstrat urmtoarea teorem: k k2 unde > 0 i lim P d n < = K ( ) = ( 1) e 2 2 , n n k = d n = max Fn ( x ) F ( x ) . Funcia K ( ) este calculat n tabele pentru diverse valori ale lui (tabelul distribuiei Kolmogorov) . Cu ajutorul acestei teoreme se poate da un criteriu de verificare a ipotezei H 0 c repartiia empiric urmeaz o anumit lege de repartiie. Dac ipoteza H 0 este adevrat, atunci diferenele
Fn ( x ) F ( x ) nu vor depi o anumit valoare d ;n pe care o fixm

astfel nct: P( d n > d ;n / H 0 ) = , unde este riscul de gradul nti. Dar P( d n > d ;n ) = 1 P( d n d ;n ) . Lund d ;n = , nseamn c atunci cnd H 0 este n adevrat i n suficient de mare avem: P d n > = 1 P d n = 1 K ( ) = . n n Unui prag de semnificaie dat i corespunde prin relaia K ( ) = 1 o valoare astfel nct, pentru un volum n dat al seleciei gsim valoarea d ;n = . n

Regiunea critic pentru ipoteza H 0 este dat de relaia

dn >

. Deci:
n

dac dn < , exist concordan ntre Fn ( x ) i F(x) i se n accept ipoteza H 0 . dac dn , nu exist concordan i respingem ipoteza n H0 .

EXEMPLU: Pentru a organiza mai bine serviciul n perioada de vrf, la un sector al unui magazin se cerceteaz sosirile cumprtorilor la raionul respectiv, ct i timpul de servire al unei persoane. Astfel, considernd intervalele de timp de 5 minute, luate la ntmplare n perioada de vrf, se numr de fiecare dat cte persoane sosesc la raionul urmrit. Au fost cercetate 200 perioade de cte 5 minute, obinndu-se rezultatele din tabelul T1 , n care am notat cu x numrul care arat n cte perioade din cele 200 cercetate am observat exact x sosiri. S-a msurat, pe de alt parte, timpul de servire a 30 cumprtori, luai la ntmplare, n perioada de vrf, obinndu-se datele din tabelul T2 , unde am notat cu y timpul de servire al unui cumprtor i cu n y numrul de cumprtori, pentru care timpul de servire este y. Deoarece variabila aleatoare y este continu, crecetarea a fost fcut pe intervale de cte 30 secunde (0,5 minute), pe care le vom reduce n calcule la jumtile lor. a) S se testeze ipoteza H 0 c sosirile cumprtorilor la raionul considerat sunt de tip Poisson. b) S se testeze ipoteza H 0 c timpul de servire a unui cumprtor are o distribuie exponenial.

Tabelul T1 :

NR. SOSIRI N 5 MIN. (X) 0 1 2 3 4 5 6 7 8 9 10 11 12 Total

Tabelul T2 :

FRECVENE ABSOLUTE ( n x ) 1 16 31 37 41 30 23 13 6 1 0 1 0 200

INTERVAL DE TIMP ( yi 1 ; yi ) 0,5-1 1-1,5 1,5-2 2-2,5 2,5-3 Total

FRECVENE ABSOLUTE ( n y ) 18 8 2 1 1 30

a) Facem o ajustare a repartiiei empirice din tabelul T1 dup o repartiie Poisson: x f ( x; ) = e , x = 1,2,... x!

Deoarece media repartiiei Poisson este egal cu , vom estima parametrul prin media de selecie X , deci: x n x 800 =X= x = = 4. n x 200
x

Determinm frecvenele n' x = 200 e 4 4 , calculnd nti x! pentru x = 4 , considerat ca cea mai probabil din tabelul T1 :
44 = 39,1 i apoi celelalte, folosind formulele de 4! recuren care sunt uor de dedus: n' x 1 = x n ' x , pentru x < 4 i n' x = 200 e 4 n ' x , pentru x > 4 . Rezultatele obinute se trec n x +1 coloana n' x a tabelului: n' x +1 =

Tabelul T3 :

x
1 0 1 2 3 4 5 6 7 8 9 10 11 12 Total

nx

x nx

n' x

n x n' x

(n x n'x )2 n'x

2 1 16 31 37 41 30 23 13 6 1 0 1 0 200

3 0 32 62 111 164 150 138 91 48 9 0 11 0 800

4 3,7 14,7 29,3 39 39,1 31,4 20,8 11,9 6,0 2,6 1,0 0,4 0,1 200

5 -1,4

6 0,11

1,7 -2 1,9 1,4 2,2 1,1

0,10 0,11 0,99 0,06 0,29 0,10

-2,1

0,44

2 = 2 ,14

Pentru a testa ipoteza H 0 , aplicm testul 2 , motiv pentru care am cumulat valorile mici de pe coloanele lui n x i n' x . S-a obinut: 12 ( n n' x ) 2 2 = x = 2,14 n' x x =0 Pentru nivelul de semnificaie = 0,05 i numrul gradelor 2 2 de libertate 6, gsim 0, 05;6 = 12,59 . Avem C < 02, 05;6 , deci acceptm ipoteza H 0 , adic sosirile cumprtorilor la raionul respectiv sunt de tip Poisson, cu media = 4 persoane n 5 minute. b) Facem aici o ajustare a repartiiei empirice din tabelul T2 , dup o repartiie exponenial de forma: f ( y ) = e y , y > 0 . Drept valori ale lui y vom considera tabelul T4 mijloacele intervalelor timpilor de servire i calculm valoarea medie a variabilei empirice cu formula: y n y = 32 = 1,07 Y = M (Y ) = n y 30 Pentru c estimatorul de maxim verosimilitate al 1 parametrului este , estimm pe prin: = 1 = 30 = 0,925 . Y Y 32 Pentru a testa ipoteza H 0 vom aplica testul lui Kolmogorov. n acest scop calculm mai nti coloana Fn ( y ) a funciei de repartiie empirice, cumulnd pe fiecare linie frecvenele absolute din linia respectiv i de deasupra ei i mprind rezultatul la 30. De exemplu: 8 + 18 F2 ( y ) = = 0,87 30 Calculm apoi valorile corespunztoare ale funciei de repartiie teoretic F ( y ) folosind formula cunoscut a acesteia: F ( y ) = 1 e y , pentru = 0,925 De exemplu: F (2,25) = 1 e 2, 250, 925 = 0,87 . Ultima coloan a tabelului T4 conine diferenele Fn ( x ) F ( x ) cu cea mai mare dintre ele evideniat.

Tabelul T4 :
[ yi 1 yi )

yi

ni

y i ni

Fn ( y )

F ( y)

Fn ( y ) F ( y )

0,5-1 1-1,5 1,5-2 2-2,5 2,5-3 Total

0,75 1,25 1,75 2,25 2,75

18 8 2 1 1 30

13,50 10,00 3,50 2,25 2,75 30,00

0,66 0,87 0,93 0,97 1,00

0,60 0,75 0,84 0,87 0,94

0,00 0,12 0,09 0,10 0,06

Considernd drept nivel de semnificaie = 0,01 , tabelul corespunztor testului lui Kolmogorov d = 1,63 i cum n = 5 avem: 1,63 = = 0,73 > 0,12 = max Fn ( x ) F ( x ) = d n n n Acceptm ipoteza H 0 c timpul de servire a unui cumprtor are o repartiie exponenial cu parametrul = 0,925 .

CAPITOLUL 13 MATEMATICI FINANCIARE O sum de bani S 0 de care dispune partenerul P1 este plasat partenerului P2 pentru o perioad de timp t , n anumite condiii. La sfritul perioadei, P1 obine o sum S ( S 0 , t ) > S 0 . DEFINIIE : Se numete dobnd corespunztoare plasrii sumei S 0 pe durata t , o funcie D : [0, ) [0, ) [0, ) ,

D( S 0 , t ) , care ndeplinete condiiile:

1) D este strict cresctoare n raport cu fiecare din variabilele S 0 i t . 2) D( S 0 , t ) = 0 ; D(0, t ) = 0 . OBSERVAIE: Condiia D ( S 0 , t ) D( S 0 , t ) > 0. > 0 i t S 0 1 este echivalent cu

DEFINIIE: Se numete valoare final (sau valoare revenit) a partenerului P1 ce a plasat suma S 0 pe durata de timp t, valoarea funciei S ( S 0 , t ) = S 0 + D ( S 0 , t ) . DEFINIIE: Dac S 0 = 100 u.m. i t = 1 an, atunci dobnda corespunztoare se numete procent (notat p ). Dac S 0 = 1 u.m. i t = 1 an, dobnda corespunztoare se numete dobnda unitar anual (se noteaz cu i ). p ; p = 100 i i= 100 13.1. Dobnda simpl DEFINIIE: Dobnda calculat asupra aceleiai sume pe toat durata mprumutului se numete dobnda simpl (notat D).

Prin urmare, pe ntreaga durat de plasare t , valoarea sumei S 0 nu se modific. Notm: S 0 = suma depus (mprumutat); t = timpul n ani; p = procentul; p = dobnda unitar; i= 100 D = dobnda simpl.
S0 p t (1) = D( S 0 , t , i ) 100 Prin urmare, dobnda simpl este direct proporional cu suma mprumutat, cu timpul i cu dobnda unitar (sau procentul). S considerm timpul mprit n k pri egale: k = 2 t 2 - semestre k = 4 t 4 - trimestre k = 12 t12 - luni k = 360 t 360 - zile D = S0 i t =

n general, t k reprezint un numr oarecare de asemenea t pri (exemplu: k = 12; t12 = 18 luni). Atunci timpul t = k (n k 18 exemplul dat t = = 1,5 ). 12 t S p tk (2) D = S0 i k = 0 k 100k Dac k = 360 , deci t se exprim n zile, obinem: t S p t 360 (2) D = S 0 i 360 = 0 360 360 i n calculele financiare : S 0 t 360 - se numete numr , iar 360 - se numete divizor fix relativ la dobnd pentru i i p - dobnda unitar anual). dat ( i = 100 Astfel, din (2) obinem :

S0 p t2 - dobnda pentru t 2 semestru ; 200 S p t4 - dobnda pentru t 4 trimestru. D= 0 400 D=

S presupunem acum c plasamentul nu are loc cu acelai procent p pe toat durata de plasare t. t

1 p1

2 p2

k pk

m pm

dobnda pentru aceast perioad este S 0 i k k deci:

t = k , iar
k =1 m

p k = 100 i k ( k = 1,..., m ) .

= procentul de plasare pe durata k

Atunci: D ( S 0 , t ) =

n k =1

D ( S 0 , k ) =S 0

m k =1

i k k

(3)

Cu aceast formul se determin dobnda la suma S 0 pentru perioada t , n regim de dobnd simpl, dac t = k , astfel nct pe fiecare perioad k , plasarea se face cu procentul anual p k = 100i k . OBSERVAIE: Formula (3) constituie rezultatul aplicrii succesive a dobnzii simple pe intervalele ce constituie durata de plasare. Dm o alt expresie pentru formula (2). p , nlocuind n (2) , vom obine: Deoarece i = 100
k =1 m

D( S 0 , t ) =

S 0 t 360 36000 p

(4)

unde t 360 reprezint durata n zile a operaiunii. Notm: N = N ( S 0 , t 360 ) = S 0 t 360 - numrul operaiunii 36000 - divizorul fix al operaiunii df = df ( p,360) = p Cu aceste notaii, (4) devine: N D(S 0 , t ) = = D( N , df ) (5) df OBSERVAIE: Formula (5) este util n cazul n care se calculeaz dobnda aferent mai multor operaiuni, cu acelai procent p. Deci: dac se efectueaz operaiunile ( S k , t k ) , k = 1,..., n cu acelai procent p i dac nsumarea dobnzilor are sene, atunci dobnda total este: n 1 n D[( S k , t k ), p ] = D ( S k , t k , p ) = N k (6) df k =1 k =1 n acest caz, este deci necesar calcularea doar a numerelor N k i a sumei acestora, sum care poate fi considerat ca numr al tuturor operaiunilor. 13.1.1. Elementele dobnzii simple: 1. Suma revenit (sau valoarea final)
S ( S 0 , t , i ) = S t = S 0 + D ( S 0 , t , i ) = S 0 + S 0 i t = S 0 (1 + it ) Deci formula S t = S 0 (1 + it ) , reprezint suma revenit i se aplic atunci cnd procentul p este constant pe ntreaga perioad. n cazul n care n timpul t procentul variaz n diferite fraciuni ale lui t : m p t = k , k p k i k = k , i k = dobnda unitar 100 k =1

m Atunci: S t = S 0 1 + ik k k =1

(8)

2. Suma iniial S 0 este dat, n cele dou situaii de relaia S St (9) , respectiv (9) S = . S0 = t 0 n 1 + it 1 + ik k
k =1

(1 + it ) = factor de fructificare 1 = factor de actualizare 1 + it

13.1.2. Operaiuni echivalente n regim de dobnd simpl Fie S1 , S 2 ,..., S n mai multe sume plasate pe duratele t1 , t 2 ,..., t n , cu acelai procent p. Ne propunem s nlocuim sumele S i i duratele t i ( i = 1,..., n ) printr-o sum unic S i o perioad unic t astfel nct dobnda total adus de sumele S i n perioadele t i s fie egal cu dobnda adus de suma S n perioada t . Vom spune c cele dou operaiuni financiare sunt echivalente n regim de dobnd simpl. Vom folosi notaia: A ~ B D( A) = D( B) . Cele dou operaiuni se numesc substituibile. DS S p tn S p t S p t1 S2 p t2 Deci A ~ B 1 + +...+ n = 100 100 100 100 (10)
DS

S t
k =1

k k

= S t - ecuaie cu dou necunoscute, S i t.

Cunoscnd-o pe una, o determinm pe cealalt. n (11) t = 1 S k t k - durata de timp dat de timp numit S k =1 scaden comun.

Dac S = S k
k =1

(12) t =

S t
k =1 n

k k

- numit scadena

S
k =1

medie. 13.1.3. Procent mediu de dispunere S presupunem c sumele S1 , S 2 ,..., S n sunt plasate pe duratele de timp t1 , t 2 ,..., t n cu procentele p1 , p 2 ,..., p n . Ne propunem s determinm un procent mediu p pentru care, sumele S1 , S 2 ,..., S n plasate pe aceleai durate t1 , t 2 ,..., t n , s dea aceeai dobnd total. n n n S p t S p tk D= k k k = k S k pk tk = 100 100 k =1 k =1 k =1
= p S k t k p =
k =1 n n

S
k =1 k

pk t k

Sk tk pk t k

Deci: p =

S
k =1

Sk tk

- procentul mediu de depunere.

13.2. Dobnda compus DEFINIIA 1 : Dac valoarea luat n calcul a sumei plasate S 0 , se modific periodic pe durata de timp t, dup o anumit regul, vom spune c avem un proces de dobnd compus (sau c plasarea sumei S 0 s-a efectuat n regim de dobnd compus) DEFINIIE : Unitatea de timp la care dobnda se modific se numete unitate etalon (perioad). DEFINIIA 2 (echivalent cu definiia 1): Suma S 0 este plasat cu dobnd compus cnd la sfritul primei perioade (a primei uniti etalon) dobnda simpl a acestei perioade este

adugat la suma iniial a perioadei, pentru a produce la rndul ei dobnd n perioada urmtoare, .a.m.d. n operaiile financiare pe termen lung, unitatea etalon (perioada) de timp folosit este anul, uneori semestrul sau trimestrul. 13.2.1. Stabilirea formulei dobnzii compuse Fie: t = timpul de plasament, exprimat ntr-un numr ntreg de perioade; S 0 = suma iniial; p = procentul; p = dobnda unitar; i= 100 S t = suma final dup un numr ntreg de perioade. Anii Suma plasat Dobnda produs n timpul perioadei S0 i
S1 i

Suma obinut la sfritul perioadei

S1 = S 0 (1 + i )
S 2 = S1 (1 + i ) = S 0 (1 + i ) 2

1 2 t=n

S0 S1

S t 1

S t 1 i (1)

S t = S t 1 (1 + i ) = S 0 (1 + i ) t

Deci: S t = S 0 (1 + i ) t

Notm : 1 + i = u i obinem S t = S 0 u t (2) u se numete factorul de fructificare. El se gsete calculat n tabele pentru anumite procente i pentru perioada de timp de 1 an. OBSERVAIE : Formula (1) este valabil i n cazul cnd perioada de timp t nu este egal cu un an, cu condiia ca procentul folosit s corespund perioadei respective. Cazul cnd timpul nu este un numr ntreg de perioade

I. Soluia raional Se folosete formula S t = S 0 (1 + i ) t pentru partea ntreag a timpului i dobnda simpl pentru partea fracionar rmas. h/k 1 n | | | | | t h t =n+ k Dup n ani, suma final este S n = S 0 (1 + i ) n . Calculm dobnda simpl produs pe seama S n n timpul fraciunii h a k anului, cu dobnda unitar i . Obinem: h h h h S n i = S 0 (1 + i) n i St = S n + S n i = S n 1 + k k k k Deci : S t = S 0 (1 + i) n 1 + i h (3) k II. Soluia comercial DEFINIIE : Dou procente corespunztoare la perioade de fructificare diferite sunt echivalente cnd pentru aceeai durat de plasament ele conduc la aceeai valoare final. 1 leu plasat cu dobnda unitar anual i devine la sfritul primului an , 1+ i. 1 leu plasat cu dobnd unitar semestrial i 2 , devine la sfritul anului 1 + i = (1 + i 2 ) 2 . 1 leu plasat cu dobnda unitar trimestrial i 4 , echivalent cu dobnda unitar anual i , devine la sfritul anului 1 + i = (1 + i 4 ) 4 .

n general : 1 leu plasat cu dobnda unitar i k , corespunztoare fraciunii 1 a anului, este: 1 + i = (1 + ik ) k 1 + ik = (1 + i)1/ k (4) k

Prin urmare, n cazul cnd t nu este un numr ntreg de perioade t = n + h , suma S 0 devine: S n = S 0 (1 + i ) n pentru cele k n perioade ntregi. Pentru o fraciune k a anului, 1 leu devine (1 + ik ) , iar pentru h fraciuni de acelai fel, devine (1 + ik ) h . Suma S n n perioada h devine: S n (1 + ik ) h = S 0 (1 + i) n (1 + ik ) h . k Dar (1 + i k ) h = [(1 + i )1 / k ] h = (1 + i ) h / k . Deci: S t (1 + i) n (1 + i) h / k = S 0 (1 + i) k = S 0 (1 + i) t . Astfel, formula anterioar (1) este adevrat i pentru t fracionar. 13.2.2. Procent normal i procent real (efectiv) EXEMPLU : Se depune suma de 100 lei cu 20% i calculul dobnzii se face de dou ori pe an. n primele 6 luni (primul semestru) suma de 100 lei aduce o dobnd de 10 lei, deci ea devine 110 lei la sfritul primului semestru. n urmtorul semestru dobnda va fi de 10 lei pentru 100 lei 10 i 10 = 1 leu pentru cei 10 lei. Deci, n total, pe an, dobnda va 100 fi 21 lei. 20% se numete procentul nominal. 21% se numete procentul real (efectiv). Deci, dac facem calculul dobnzii pe fraciuni de an, dobnda adus la sfritul anului difer de cea calculat cu procentul anual stabilit. Dac anul a fost mprit n k pri egale i i k reprezint dobnda unitar efectiv corespunztoare perioadei 1 , iar j k este k dobnda unitar nominal corespunztoare perioadei 1 , vom k 1 obine: j k = k i k ik = j k (5) k
n+ h

nlocuind n (4), vom avea: k k jk jk k 1 + i = (1 + ik ) = 1 + i = 1 + 1 (6) k k

1 1

1 + ik = (1 + i ) k i k = (1 + i ) k 1
1

Sau din relaia (5): j k = k i k = k [(1 + i ) k 1]

(7)

Relaia (6) reprezint legtura ntre dobnda nominal j k i cea efectiv i k , oricare ar fi k 2 . 13.3. Dobnda unitar instantanee Fie i = dobnda unitar anual efectiv. k = numrul de pri n care a fost mprit anul OBSERVAIE: Pentru k vom stabili o limit pentru dobnda unitar nominal, limit numit dobnda unitar instantanee (dobnda se calculeaz astfel n mod continuu). Din relaia (6) obinem: lim j k = lim k[(1 + i )1 / k 1] =
k k

= lim
k

(1 + i ) 1 = lim k 1 k

1 k

1 (1 + i ) ln(1 + i ) k2 = ln(1 + i ) = . 1 2 k

1 k

Deci (8) = ln(1 + i ) este dobnda unitar instantanee. 2 n = ln(1 + i ) 1 + i = e = 1 + + + ... + + ... 1! 2! n! 2 n i = + + ... + + ... i > , adic dobnda unitar efectiv 2! n! este mai mare dect dobnda instantanee. OBSERVAIE: Pentru determinarea dobnzii unitare anuale nominale j k atunci cnd se cunoate dobnda unitar efectiv i , sau ntocmit tabele.

13.4. Echivalena n regim de dobnd compus DEFINIIE: Dou sume sunt echivalente n regim de dobnd compus, la un moment dat, dac ele au aceeai valoare actual, actualizrile fcndu-se cu acelai procent. Fie dou sume de valori finale S t1 i S t 2 . Fie i = dobnda unitar. Atunci valorile la momentul iniial sunt: ( ( S 01) = S t1 (1 + i) t1 i S 0 2 ) = S t2 (1 + i ) t2 . Echivalena la momentul iniial este dat de relaia: S t1 (1 + i ) t1 = S t2 (1 + i ) t2 . n general: Fie un grup de n valori finale : S t1 , S t 2 ,..., S tn pltibile n
t1 , t 2 ,..., t n perioade. Fie un al doilea grup de m sume de valori finale: S1 , S 2 ,..., S m , pltibile n 1 , 2 ,..., m .

DEFINIIE: Dou grupe de sume sunt echivalente n regim de dobnd compus, la un moment dat, dac suma valorilor actuale ale primului grup de sume este egal cu suma valorilor actuale ale celui de-al doilea grup de sume. Prin urmare, echivalena corespunztoare unui aceluiai procent p , la momentul iniial, este dat de relaia: St1 (1 + i) t1 + St2 (1 + i) t2 + ... + Stn (1 + i) tn = S1 (1 + i) 1 +
+ S 2 (1 + i ) 2 + ... + S m (1 + i) m .

Vom putea da urmtoarea definiie echivalent: DEFINIIE: Dou operaii financiare A i B sunt
DC

echivalente n regim de dobnd compus A ~ B dac ele au aceleai valori actuale. (1)

S tk (1 + i) tk = S k (1 + i) k
k =1 k =1

n cazul mai general cnd procentul p (deci dobnda unitar) difer de la o sum la alta, atunci: (2)

S
k =1

tk

(1 + ik ) t k = S h (1 + i h ) h
h =1

Se cere: a) nlocuirea sumelor S t1 , S t 2 ,..., S tn printr-o sum unic S (nlocuirea fcndu-se prin echivalen) :

S
k =1

tk

(1 + i k ) tk = S (1 + i k ) tk
k =1

(3)

S=

S
k =1 n k =1

tk

(1 + ik ) tk
k

(1 + i

) tk

b) nlocuirea numai a scadenelor t1 , t 2 ,..., t n scaden comun t: (4)

printr-o

S
k =1

tk

(1 + i k ) tk = S tk (1 + i k ) t
k =1

c) nlocuirea numai a dobnzilor unitare i k (deci a procentelor p k ) printr-o dobnd unitar unic i (deci printr-un procent unic p) (5)

S
k =1

tk

(1 + ik ) tk = S tk (1 + i ) t k
k =1

d) Sumele S t1 , S t 2 ,..., S tn pltibile n perioadele t1 , t 2 ,..., t n le nlocuim printr-o sum unic S , pltibil la scadena t, cu procentul p (sau dobnda unitar i ).
S (1 + i ) t = S tk (1 + i ) tk sau
k =1 n

(6)

S = (1 + i ) t S t k (1 + i ) t k , cnd cunoatem i i t .
k =1

Cnd cunoatem S i i , dac logaritmm n relaia (6), obinem: (7)

t= lg S lg S tk (1 + i ) tk
k =1 n

lg(1 + i )

13.5. Plasament cu dobnd simpl sau compus Suma S 0 , plasat pe durata t , cu dobnda unitar i, va aduce dobnda: Ds = S 0 i t n regim de dobnd simpl. Dc = S 0 [(1 + i ) t 1] n regim de dobnd compus. PROPOZIIE: 1) Ds > Dc , pentru t < 1 an 2) Ds < Dc , pentru t > 1 an 3) Ds = Dc , pentru t = 1 an DEMONSTRAIE: Ds Dc = S 0 i t S 0 [(1 + i ) t 1] = S 0 [i t (1 + i) t + 1] Introducem funcia: f : [0, ) R , f (t) = i t +1 (1+ i)t . t t (t 1) 2 t (t 1) 2 (1 + i) t = 1 + i + i + ... = 1 + i t + i + ... 1! 2! 2! > 0, t > 1 t (t 1) 2 t (1 + i) (1 + i t ) = i + ... = < 0, t < 1 2! = 0, t = 1

Dc (t )
1 1

Ds (t )

DEFINIIE: Operaiile de plasare a sumei S 0 pe durata t n regim de dobnd simpl cu dobnda unitar i sau n regim de dobnd compus cu dobnda unitar j, sunt echivalente, cnd determin aceeai dobnd. Deci: S 0 i t = S 0 [(1 + j ) t 1] i t = (1 + j ) t 1

i t = t j +

t (t 1) 2 (t 1) 2 j + ... i = j + j + ... 2! 2 1 1 i < j , t < 1 i i = [(1 + j)t 1] sau j = (1 + it ) t 1 t i j t 1

Prin urmare, pentru a realiza aceeai valoare final (sau aceeai dobnd) prin plasarea sumei S 0 pe durata t > 1 , procentul anual n regim de dobnd simpl este mai mare dect procentul anual n regim de dobnd compus.

CAPITOLUL 14 PLI EALONATE (RENTE) DEFINIIE: Se numesc pli ealonate (rente), sumele de bani pltite la intervale de timp egale. DEFINIIE: Se numete perioad intervalul de timp care separ plata a dou sume. DEFINIIE: Dac perioada este anul, plile ealonate se numesc anuiti. (semestrul semestrialiti, trimestrul trimestrialiti, luna - mensualiti). Plile ealonate pot fi: 1) pli ealonate de plasament (sau de fructificare), fcute pentru constituirea unei sume de bani. 2) pli ealonate de amortizare (sau de rambursare), n vederea rambursrii unei datorii. Plile ealonate pot fi: anticipate (la nceputul perioadei) posticipate (la sfritul perioadei) Plile ealonate pot fi: temporare (numrul de pli este finit i fixat prin contract) perpetue (numrul plilor este nelimitat) viagere (numrul plilor depinde de viaa unei persoane) Plile ealonate pot fi: constante (sumele depuse sunt constante) variabile (sumele depuse sunt variabile) 14.1.

Anuiti constante posticipate

a) Valoarea final a unui ir de anuiti constante, imediate, temporare Sn

Notm: T = valoarea anuitii constante; n = numrul de ani; i = dobnda unitar anual; S n = valoarea sau suma final a irului de anuiti n momentul n (momentul plii ultimei anuiti) T | 1 T | 2 T | n-1
T (i + 1) T (i + 1)
n 1

| 0

T | n

T
n2

T (i + 1)

u = 1 + i - factor de fructificare

Sn = T (1 + i) n1 + T (1 + i) n 2 + ... + T (1 + i ) + T = = T u n1 + T u n 2 + ... + T u + T = un 1 = T (1 + u + ... + u n 2 + u n 1 ) = T u 1 n Deci: Sn = T u 1 . i OBSERVAIE : Pentru T = 1 (o unitate monetar) suma final a unui ir de n anuiti constante posticipate este: un 1 i deci Sn = T s n sn = i b) Valoarea final (suma final) a unui ir de anuiti posticipate, constante, temporare, amnate. r Sn Anuitile sunt amnate r ani, r < n . Prima plat se face posticipat, dup r ani (prima plat fcndu-se deci la momentul r+1) timp de (n-r) ani.

| 0

| 1

| .. | 2 .. r

T | r+1

T T | | r+2 .. n-1

T | n

r Sn = T u n r 1 + T u n r 2 + ... + T u + T = u nr 1 = T (1 + u + ... + u n r 2 + u n r 1 ) = T u 1 n-r termeni r Sn = T u

nr

sau r Sn = Sn-r

OBSERVAIE : Valoarea final a irului de anuiti posticipate egale cu T calculate pe n ani, dar amnate r ani, este egal cu valoarea final a acestor pli, imediate, dar calculate numai pe (n-r) ani. EXEMPLU: S se calculeze valoarea final a unui ir de 10 anuiti egale cu 1000 u.m. , pltibile la sfritul fiecrui an (dar amnate 5 ani) cu procentul p = 5% . Soluie : i = 0,05 , r = 5 , n r = 10 n = 15 5 S15 = 1000 1.05 1 = 100012,577892= 12577892 u.m. , 0,05
10

c) Valoarea actual a unui ir de anuiti constante, posticipate, temporare, imediate An DEFINIIE: Se numete valoarea actual a unui ir de anuiti (constante, posticipate, temporare, immediate) An suma necesar i suficient n momentul iniial pentru a se putea plti scadenele fixate la scadenele 1, 2, , n (constante n valoare de T uniti monetare). T | 1 T u T | 2 T u2 T T | | n-1 n n 1 T u T un

| 0 An

OBSERVAIE : An este egal cu suma valorilor actuale a fiecrei anuiti. An = T u + T u2 + ...+ T un1 + T un = T u (1+ u + ...+ un1 ) An = T u
un 1 u 1

OBSERVAIE: Pentru T = 1 (o n u 1 i deci An = T a n . notm: a n = u u 1

unitate

monetar)

EXEMPLU: Ce sum unic depus imediat poate s nlocuiasc plata a 12 anuiti constante ( T = 1250 u.m.) posticipate, cu procentul de 5% ?
12 An = 1250 (1 + 0,05) 1,05 1 = 12501.05 1,80 = 47250 0,05 0,05

d) Valoarea actual a unui ir de anuiti (constante, posticipate, perpetue, imediate) A Anuitile sunt perpetue, deci plata se efectueaz nelimitat. 1 Pentru T = 1 , avem a = i dac T > 1 A = T a . i e) Valoarea actual a unui ir de anuiti (constante, posticipate, temoprare, amnate) rAn Plata se face dup r ani, posticipat, timp de (n-r) ani. T | r+1 T T | | r+2 .. n-1 T | n

| 0 rAn

| 1

| .. | 2 .. r

rAn = T u r +1 + T u r + 2 + ... + T u n =

= T u r +1 (1 + u + ... + u n r 1 ) = T u r +1 = T u r +1

u n r 1 u nr 1 = T u r anr =T ur u i u 1 Deci: rAn = T u r a n r .

u nr 1 = u 1

EXEMPLU: Care este suma unic pe care urmeaz s o plteasc o persoan pentru a nlocui plata a 12 anuiti posticipate de 3000 u.m. fiecare, amnate 3 ani, cu procentul p = 5% ? Soluie: n r = 12 , r = 3 , n = 15 3A15 = 3000 (1,05)3 a12 = 3000 0,863837 8,86325= 2296921 u.m. , 14.2.

Anuiti constante anticipate

a) Valoarea final a unui ir de anuiti constante, anticipate, temporare, imediate S n T | 0 T | 1 T T | .. | 2 .. n-1

| n

S n este egal cu suma valorilor finale a fiecrei anuiti, la

momentul n.
S n = T u n + T u n1 + ... + T u = T u (1 + u + ... + u n1 ) = un 1 u n 1 = T u u 1 i n u Deci S n = T u 1 . i Pentru T = 1 obinem valoarea final a unui ir de anuiti anticipate a 1 u.m.; notm s n . = T u sn = u un 1 i deci S n = T s n . i

b) Valoarea final a unui ir de anuiti anticipate, constante, temporare, amnate r S n

| 0

| 1

| .. | 2 .. r

T | r+1

T T | | r+2 .. n-1

T | n

r S n = T u n r + T u n r 1 + ... + T u = T u

u nr 1 i

Deci: r S n = T u

u nr 1 adic r S n = T S n r . i

c) Valoarea actual a unui ir de anuiti constante, anticipate, immediate, temporare An DEFINIIE: Se numete valoarea actual a unui ir de anuiti anticipate, suma necesar i suficient n momentul iniial pentru a se putea plti la fiecare din scadenele fixate 0, 1, , (n-1) suma egal cu T. Notm cu An aceast sum. T T T T | | | .. | | 0 1 2 .. n-1 n 2 n 1 An = T + T u + T u + ... + T u = T (1 + u + ... + u n 1 ) =
=T u n 1 un 1 . =T u 1 i

An = (1 + i ) An .

CAPITOLUL 15 RAMBURSAREA MPRUMUTURILOR DEFINIIE: n sens general, se numete mprumut, o operaiune financiar prin care un partener P1 (individual sau un grup) plaseaz o sum de bani, pe o perioad de timp dat i n anumite condiii, unui alt partener P2 . DEFINIIE: P1 se numete creditor. DEFINIIE: P2 se numete debitor. DEFINIIE: Operaiunea prin care P2 restituie partenerului suma de care a beneficiat (suma mprumutat) se numete P1 rambursarea (sau amortizarea) mprumutului . Prin urmare, mprumutul este o operaiune ce conine dou pri distincte i anume creditarea i rambursarea. Fiecare component reprezint o operaiune de pli ealonate. n general cele dou operaiuni nu au loc simultan i deci valoarea lor final nu este aceeai. Ele au n comun valoarea actual a rambursrii, adic valoarea mprumutat. mprumutul se constituie prin anuiti constante formate din: rambursarea unei pri a datoriei; dobnda asupra prii din datoria rmas la nceputul perioadei n care se efectueaz plata. Aceste sume rambursate anual i care au rolul de a amortiza treptat suma mprumutat, se numesc amortismente. 15.1. Amortizarea unui mprumut prin anuiti constante posticipate Fie V0 suma mprumutat la momentul iniial. Fie T1 , T2 ,..., Tn anuitile succesive, astfel:

prima anuitate ( T1 ) se pltete la un an de la acordarea mprumuturilor; a doua se pltete un an mai trziu, .a.m.d. Fie Q1 , Q2 ,..., Qn amortismentele succesive coninute n prima, a doua,, a n-a anuitate. Fie i dobnda unitar nominal a mprumutului. Fie n numrul de ani n care se face rambursarea. Momentul 0 1 2 p n Suma rambursat
T1 = Q1 + d1 = Q1 + V0 i
T2 = Q2 + d 2 = Q2 + V1i T p = Q p + d p = Q p + V p 1i

Suma rmas
V0

V1 = V0 Q2 V2 = V1 Q2 V p = V p 1 Q p

Tn = Qn + d n = Qn + Vn 1i

Vn = Vn 1 Qn = 0

Deoarece Vn = 0 Vn1 = Qn i deci Tn = Qn +Vn1i = Qn (1+ i) . a) Relaia dintre suma mprumutat i amortismente
V0 = Qi
i =1 n

b) Relaia ntre anuiti i amortismente

Tp+1 Tp = Qp+1 +iVp (Qp +iVp1) = Qp+1+i i(Vp1 Qp) Qp iVp1 = = Q p +1 iQ p Q p = Q p +1 Q p (1 + i ) .

(1)

T p +1 T p = Q p +1 Q p (1 + i )

OBSERVAIE: Formula (1) este adevrat oricum am alege anuitile. Cazuri particulare:

) Anuitile sunt egale ntre ele:

T1 = T2 = ... = Tn = T Atunci din (1), obinem: Q p +1 Q p (1 + i ) = 0 , adic :

(2) Q p +1 = Q p (1 + i ) i se arat uor prin inducie c: (3) Q p +1 = Q1 (1 + i ) p Prin urmare, n cazul anuitilor egale cnd amortismentele succesive Q1 , Q2 ,..., Q p ,... formeaz o progresie geometric cresctoare cu raia (1 + i ) .

) Amortismentele sunt constante (egale ntre ele):

Q = Q1 = Q2 = ... = Qn = V0 n V0 i , deci: n

Atunci din (1), obinem: T p +1 T p = Q1i = (4) T p +1 = T p

V0 i n Prin urmare, n cazul amortismentelor egale, V succesive formeaz o progresie aritmetic de raie 0 n progresie aritmetic descresctoare.

anuitile i , deci o

OBSERVAIE: n cazul ) al anuitilor egale ntre ele, amortismentele formeaz o progresie geometric de raie (1 + i ) . Avem:
V0 = Qk = Q1 (1 + i ) k 1
k =1 k =1
n n Notm: 1 + i = u V0 = Q1 u k 1 = Q1 u 1 u 1 k =1 n i (5) V0 = Q1 (1 + ) 1 i i Deci: (6) Q1 = V0 (1 + i ) n 1 Relaiile (5) i (6) pot fi scrise sub form echivalente, ) notnd s n = (1 + i ) n 1 . ) (7) V0 = Q1 s n ; Q1 = V0 1 ) sn

OBSERVAIE: Formulele (5) (7) ne dau relaiile ntre sumele mprumutate i primul amortisment. c) Relaiile dintre mprumutat anuitile constante i suma

innd seama de echivalena dintre suma mprumutat V0 i anuitile actualizate pe baza dobnzii unitare nominale i, rezult: 1 (1 + i) n = V0 = T (1 + i) 1 + T (1 + i) 2 +... + T (1 + i) n = T (1 + i) 1 1 (1 + i) 1
= T (1 + i ) 1 1 (1 + i ) n 1 (1 + i ) n 1 (1 + i ) n = T (1 + i ) 1 =T 1 (1 + i ) 1 i 1 1+ i 1+ i

sau: (8) V0 = T a n T = V0 1 ) ) an Relaia de mai sus evideniaz legtura dintre anuitile posticipate constante i suma mprumutat. 15.2.

Suma rambursat dup plata a p anuiti

R p = Qk .
k =1 p

n cazul anuitilor constante:

Rp = Qk = Q1 (1 + i) k 1 = Q1 (1 + i) k 1 = Q1
k =1 k =1 k =1 p p p

(1 + i) p 1 . (1 + i) 1

sau:
(1 + i ) p 1 ) = Q1 s p i Relaia (9) evideniaz legtura dintre suma rambursat n primii p ani i primul amortisment. innd cont de (7), obinem: (10) R p = V0 1 ) sp Aceast relaie evideniaz legtura dintre suma rambursat n primii p ani i suma mprumutat. Dup plata anuitii de rangul p, rmne de pltit suma V p :

(9) R p = Q1

V p = V0 R p = V0 V0
Vp = V0
) ) sn s p

1 ) s p sau ) sn

(1+ i)n 1 (1+ i)n (1+ i) p deoarece ) sn = ) i sn (1+ i)n 1 n Dac mprim la (1 + i) att numrtorul ct i numitorul, obinem: ( n p ) (11) V p = V0 1 (1 + i ) n = V0 a n p 1 ) ) ) an 1 (1 + i ) = V0

15.3.

Legea urmat de diferene succesive a dobnzilor: d1 d 2 , d 2 d 3 ,... n cazul anuitilor constante.

Tk = Qk + d k , T1 = T2 = ... = Tn = T T = Qk + d k , k = 1,2,..., n . d k = T Qk deci: d k = d k 1 = T Qk (T Qk +1 ) = Qk +1 Qk
d k d k +1 = Q1 (1 + i ) k Q1 (1 + i ) k 1 = Q1 (1 + i ) k 1 =

= Q1 (1 + i) k 1 (1 + i 1) = Q1 (1 + i) k 1 i , k = 1,2,...,n .

Prin urmare: d1 d 2 = Q1i d 2 d 3 = Q1 (1 + i )i

d 3 d 4 = Q1 (1 + i ) 2 i

OBSERVAIE: Diferenele ( d k d k +1 ) , k = 1,2,..., n , formeaz o progresie geometric de raie (1 + i ) i cu primul termen (Q1 i) .

Tabel de amortizare:

Anii

Suma datorat la nceputul anului

Dobnda

Amortismentul

Anuitatea

Vn 1

dn d 1 = V0 i
d 2 = V1i

Qn
Q1

Tn
T1

Suma datorat la sfritul anului

1 2 3 n-1 n

V0 V1 V2

V =V0 Q 1 1
V2 =V Q 1 2

d 3 = V2 i

Q2 Q3

T2

T3

V =V Q 3 2 3

Vn 1
Vn

dn1 =Vn2i
dn =Vn1i

Qn 1 Qn

Tn 1
Tn

V 1 =V 2 Q1 n n n
V =V 1 Q =0 n n n

15.4.

mprumuturi cu anuiti constante i dobnd pltit la nceputul anului

La semnarea contractului se pltete dobnda pentru primul an, d1 = V0 i , deci suma real ridicat este , iar pentru fiecare din anii urmtori se pltete amortismentul i mpreun cu el dobnda asupra sumei rmase de plat la nceputul anului.
V0 (1 i ) V1 = V0 Q1 V2 = V1 Q2 V p = V p 1 Q p
V p +1 = V p Q p +1

Anul 0 Anul1 Anul 2 Anul p Anul p+1 Anul n-1 Anul n

suma efectiv primit

T1 = V1i + Q1

T2 = V2 i + Q2 Tp = Vpi + Q p
T p +1 = V p +1i + Q p +1

Tn 1

= Vn 1i + Qn 1

Vn 1

= Vn 2 Qn 1

Tn = Vn i + Qn

Vn = Vn 1 Qn = 0

Calculnd diferena dintre dou anuiti consecutive, obinem:

T p +1 T p = (V p +1 V p )i + Q p +1 Q p = (V p Q p +1 V p )i + + Q p +1 Q p = Q p +1 (1 i ) Q p

Deci: (1) T p +1 T p = Q p +1 (1 i ) Q p Dac presupunem c anuitile sunt egale (T =T2 =...=Tn =T), 1 vom obine: Qp 1 sau, notnd Qp+1 (1 i) Qp = 0 Qp+1 = =1+ r 1 i 1i (2) Q p +1 = (1 + r )Q p Prin inducie dup p rezult c n sistemul de mprumut cu dobnzile pltite la nceputul anului i anuiti constante, amortismentele formeaz o progresie geometric de raie (1 + r ) . (3) Q p +1 = (1 + r ) p Q1 15.5.

Aplicaie

O persoan mprumut o sum de bani pe care urmeaz s o ramburseze n 6 ani prin anuiti constante posticipate. Suma primelor dou amortismente este 9226630 lei, iar suma dintre al doilea i al treilea amortisment este 9559690 lei. S se calculeze: a) procentul p al mprumutului b) primul amortisment ( Q1 ) c) ultimul amortisment ( Q6 ) d) anuitatea (T) e) valoarea mprumutului ( V0 ) Soluie: a) Q1 + Q2 = Q1 + Q1 (1 + i ) = Q1 (2 + i) = 9226630 Q2 + Q3 = Q1 (1 + i ) + Q2 (1 + i ) = Q1 (1 + i ) + Q1 (1 + i ) 2 =
= Q1 (1 + i + 1 + 2i + i 2 ) = Q1 (2 + 3i + i 2 ) = Q1 (1 + i )( 2 + i ) Q2 + Q3 9559690 = 1+ i = = 1,04 i = 0,04 Q1 + Q2 9226630

i = 0,04 p = 100i

p = 4%

b) Q1 (2 + I ) = 9226630 9226630 Q1 = = 4522860 2,04 c) Q 6 = Q1 (1 + i ) 5 = 4522860 (1,04) 5 = 5502750 d) T = Q6 (1 + i ) = 5502750 1,04 = 5722860 e)
d 1 = V0 i
d1 = T Q1 = 5722860 4522860 = 1200000 d 1200000 V0 = 1 = = 30000000 i 0,04

CAPITOLUL 16 MATEMATICI ACTUARIALE

16.1.

Teoria mortalitii

Datorit faptului c populaia unui ora, jude, a unei ri, etc., este de volum foarte mare, fenomenele de supravieuire sau de deces ale unei persoane oarecare se comport asemntor schemei lui Bernoulli (urna cu bila revenit). ntr-adevr: fie un grup de oameni care au mplinit vrsta e x ani, grup de volum l x . n anul care urmeaz, pentru o persoan oarecare din acest grup exist dou posibiliti: a) supravieuire (notm acest eveniment cu S) cu P( S ) = p x . b) decesul (notm acest eveniment cu M) cu P(M) = qx =1 px Evident, S M = , S M = , P( S ) + P( M ) = 1 (sau p x + q x = 1 ). Acest grup poate fi considerat c se comport dup urna lui Bernoulli, deoarece chiar dac unii indivizi decedeaz, alii din grupul x 1 i iau locul, ei mplinind vrsta de x ani. Datorit acestor factori (legii numerelor mari) probabilitatea celor dou evenimente S i M poate fi nlocuit prin frecvena relativ f (n) , care poate fi determinat statistic. Matematicile actuariale analizeaz metodele care pot fi folosite pentru determinarea factorilor privind supravieuirea sau decesul ntr-o populaie determinat, innd seama de caracteristicile unei astfel de colectiviti: volum foarte mare, oamenii nu pot fi urmrii individ cu individ, fenomenul naterii, creterii n vrst i decesul au un caracter continuu.

16.2.

Funciile biometrice

Biometria este tiina care se ocup cu msurarea unor caracteristici cantitative legate de populaie.

Funciile biometrice sunt acele funcii care urmresc sub diferite aspecte fenomenele de supravieuire sau deces. Funcii biometrice discontinue Fie: l x = funcia de supravieuire a unei persoane de x ani ( x = 0,1,...) . Ea se gsete n tabele. p( x, y) = probabilitatea de supravieuire (probabilitatea ca o persoan de x ani s ating vrsta de y ani). Dac: y = x + n p( x, y) = p( x, x + n) = np x
p( x, x + 1) = p x = 1 p x q ( x, y ) = probabilitatea de deces a unei persoane de x ani,

nainte de a ajunge la vrsta de y ani. Dac: y = x + n q( x, y) = q( x, x + n) = nq x

q( x, x + 1) = q x = 1 q x

m / q x = probabilitatea de deces a unei persoane de x ani, dup ce au trecut m ani dar nainte de a mplini x + m + 1 ani m / nq x = probabilitatea de deces a unei persoane de x ani dup ce trec m ani, dar nainte de a trece n ani (m < n)

Considerm evenimentele: S ( x, y ) = supravieuirea unei persoane de x ani, la vrsta de y ani. M ( x, y ) = decesul unei persoane de x ani pn la vrsta de y ani. Avem:
S ( x , y ) M ( x, y ) = p ( x, y ) + q ( x , y ) = 1 S ( x , y ) M ( x, y ) =

l x = volumul colectivitii corespunztoare vrstei de x ani.

l x +1 = volumul colectivitii corespunztoare vrstei de x + 1

ani. Folosind definiia clasic a probabilitii:

px =

l x +1 ; q x = l x l x +1 = d x ; p x + q x = 1 . lx lx lx

np x =

np x + nq x = 1 l l nq x = x x + n lx l x+n lx

Fie A evenimentul ca o persoan s decedeze dup ce a mplinit vrsta de x + n ani i nainte de a mplini x + n + 1 ani.
A = S ( x, x + n) M ( x + n, x + n + 1)

Deoarece S i M sunt evenimente independente, avem:

P ( A) = P[ S ( x, x + n)] P[ M ( x + n, x + n + 1)] l l l P( A) = nq x = np n q x + n = x + n x + n x + n +1 lx l x+n l l d P ( A) = x + n x + n +1 = x + n lx lx

Notm: m / nM x = evenimentul ca o persoan n vrst de x ani s decedeze ntre x + m ani i x + n ani (m < n) . Avem: m / nMx = S(x, x + m) M (x + m, x + n) P(m / nMx ) =
= P[S ( x, x + m)] = P[M ( x + m, x + n)] = (mpx )[(n m)q x +m ] = l l l l l = x +m x +m x+n = x +m x +n . lx l x+m lx

TEOREM : Funcia de supravieuire l x este valoarea medie a variabilei aleatoare ce reprezint numrul persoanelor care ajung s mplineasc x ani dintr-o colectivitate de baz de volum l0 . Demonstraie : n variabila aleatoare cu repartiia binomial l0 = n i probabilitatea de supravieuire pn la x este P( A) = p( x) , iar probabilitatea de deces pn la x ani este P( A ) = q( x) = 1 p( x) . Valoarea medie a variabilei aleatoare ce reprezint evenimentul A de supravieuire:
Z = M (Z ) = nP( A) = l 0 p ( x)

Notnd Z = l x l x = l 0 p( x) p( x) = l x deci:
l0 l l x = l0 p ( x) i p ( x) = x . l0

Notm:

Ax = evenimentul ca o persoan din populaia iniial s

ating vrsta de x ani. Ay = evenimentul ca o persoan din populaia iniial s ating vrsta de y ani (cu x < y ) S ( x, y ) = evenimentul ca o persoan n vrst de x ani s supravieuiasc la y ani. Avem: S ( x, y ) = ( Ay / Ax ) realizarea lui Ay cnd Ax a avut loc.
P[ S ( x, y )] = P[ Ay / Ax ] = p( x, y ) = PAx ( Ay )

A Ay Dar x

Ax A y = A y

i deci:
l

p( x, y) = PAx ( Ay ) =

P( Ay Ax ) P( Ax )

P( Ay ) P( Ax )

p ( y) l 0 l y = = p( x) l x l x l0

Notnd y = x + n p( x, x + n) = l x+ n = np x
lx

Deci: p( x, y ) = l x ; p( x, x + m) = np x .
ly

16.3.

Viaa probabil

Pentru o persoan n vrst de x ani se definete viaa probabil acea vrst = x + n ani pentru care probabilitatea de supravieuire este egal cu probabilitatea de deces.
np x = 1 l x + n l 1 1 ; = = ; l = l x 2 2 lx lx 2 2

Deci l = 1 l x determin viaa probabil pentru o persoan de x ani. Concluzii: funciile biometrice discontinue studiate sunt legate de perioada de 1 an. Ele se gsesc tabelate din an n an. Funcia l x este descresctoare, iar q x = l x l x+1 .
lx

Graficul funciei l x .

l0

3 x 1 x

x +1