Documente Academic
Documente Profesional
Documente Cultură
Note de curs
Majoritatea fenomenelor din natură şi societate sunt aleatoare. Teoria Probabi-
lităţilor studiază legile după care evoluează fenomenele aleatoare. Începuturile Teoriei
Probabilităţilor sunt legate de numele matematicienilor Blaise Pascal, Pierre Fermat,
Jakob Bernoulli in secolul al XVII-lea. In corespondenţa dintre Pascal şi Fermat sunt
considerate primele probleme legate de probabilitate şi de analiză a jocurilor de hazard,
in urma unor intrebari adresate de cavalerul de Mere privind jocul de zaruri. Termenul
hazard este chiar mai vechi, el provine din limba arabă ”az- zahr” - joc de zaruri (sec XII).
Exemplul 2. Fie experienţa aleatoare ı̂n care se aruncă o monedă şi se observă
numărul de aruncări efectuate până la apariţia stemei. Mulţimea evenimentelor elemen-
tare este
Ω = {1, 2, 3, . . . } = N∗ . (2)
1
Prof. dr. Aida Toma
2. A ⊂ B = {ω ∈ Ω/ω ∈ A ⇒ ω ∈ B}
Proprietăţi.
1. A ⊂ A
2. ∅ ⊂ A
3. A ⊂ Ω
4. A ⊂ B şi B ⊂ A ⇒ A = B
5. A ∪ B = {ω ∈ Ω/ω ∈ A sau ω ∈ B}
Proprietăţi.
1. A ∪ B = B ∪ A
2. (A ∪ B) ∪ C = A ∪ (B ∪ C)
3. A ∪ A = A
4. A ∪ ∅ = A
5. A ∪ Ω = Ω
2
Probabilităţi şi Statistică Matematică. Note de curs
6. A ∩ B = {ω ∈ Ω/ω ∈ A şi ω ∈ B}
Proprietăţi.
1. A ∩ B = B ∩ A
2. (A ∩ B) ∩ C = A ∩ (B ∩ C)
3. A ∩ A = A
4. A ∩ ∅ = ∅
5. A ∩ Ω = A
6. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
7. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
9. A = {ω ∈ Ω/ω ∈
/ A}
Proprietăţi.
1. ∅ = Ω
2. Ω = ∅
3. A = A
4. A ∪ B = A ∩ B
5. A ∩ B = A ∪ B
2. ni=1 Ai = ni=1 Ai
T S
3
Prof. dr. Aida Toma
Proprietăţi.
1. ∅ ∈ K, Ω ∈ K
2. A ∩ B ∈ K, ∀A, B ∈ K
3. ni=1 Ai ∈ K, ∀ Ai ∈ K, i = 1, n
S
4. ni=1 Ai ∈ K, ∀ Ai ∈ K, i = 1, n
T
Realizarea unor evenimente poate avea loc după un număr infinit de probe. De
exemplu, considerăm experienţa aleatoare ı̂n care se aruncă un zar până la apariţia feţei
6. Notăm cu A evenimentul ca faţa 6 să apară la o aruncare, iar cu An evenimentul ca
faţa 6 să apară la aruncarea n. Atunci
∞
[
A= An := {ω ∈ Ω/∃ n ∈ N∗ , ω ∈ An }. (6)
n=1
4
Probabilităţi şi Statistică Matematică. Note de curs
5
Probabilităţi şi Statistică Matematică. Note de Curs
1. P (A) ≥ 0, ∀A ∈ K
2. P (Ω) = 1
3. P (A ∪ B) = P (A) + P (B), ∀ A, B ∈ K, A ∩ B = ∅.
Proprietăţi.
1. P (A) = 1 − P (A)
2. P (∅) = 0
3. P (A) ≤ P (B), dacă A ⊂ B
4. 0 ≤ P (A) ≤ 1
5. P (A \ B) = P (A) − P (A ∩ B)
6. P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
7. P ( ni=1 Ai ) = ni=1 P (Ai ) − i,j,i6=j P (Ai ∩ Aj ) + · · · + (−1)n−1 P ( ni=1 Ai )
S P P T
Demonstraţie.
1. Fie A ∈ K. Atunci A ∈ K şi cum Ω = A ∪ A şi A ∩ A = ∅ avem
A ∪ (B \ A) = A ∪ (B ∩ A) = (A ∪ B) ∩ (A ∪ A) = A ∪ B = B. (2)
1
Prof. dr. Aida Toma
În plus,
A ∩ (B \ A) = A ∩ (B ∩ A) = (A ∩ A) ∩ B = ∅ ∩ B = ∅. (3)
Deci
P (B) = P (A ∪ (B \ A)) = P (A) + P (B \ A) ⇒ P (A) ≤ P (B). (4)
(A \ B) ∪ (A ∩ B) = (A ∩ B) ∪ (A ∩ B) = A ∩ (B ∪ B) = A ∩ Ω = A (5)
iar
(A \ B) ∩ (A ∩ B) = (A ∩ B) ∩ (A ∩ B) = A ∩ (B ∩ B) = A ∩ ∅ = ∅. (6)
Deci,
(A \ B) ∩ B = (A ∩ B) ∩ B = A ∩ (B ∩ B) = A ∩ ∅ = ∅. (8)
Deci,
7. Fie
B1 = A1
B2 = A2 \ A1
B3 = A3 \ (A1 ∩ A2 )
...
Bn = An \ ( n−1
T
i=1 Ai ).
n
[ n
[ n
X n
X
P( Ai ) = P ( Bi ) = P (Bi ) ≤ P (Ai ).
i=1 i=1 i=1 i=1
2
Probabilităţi şi Statistică Matematică. Note de Curs
1. P (A) ≥ 0, ∀A ∈ K
2. P (Ω) = 1.
3. P ( ∞
S P∞
n=1 An ) = n=1 P (An ), ∀An ∈ K, An ∩ Am = ∅, m 6= n.
Probabilităţi condiţionate
Fie (Ω, K, P ) un câmp borelian de probabilitate.
Fie B ∈ K, P (B) > 0. Se numeşte probabilitate condiţionată
P (A ∩ B)
ΠB (A) = P (A/B) = .
P (B)
3
Prof. dr. Aida Toma
Exerciţiu Dacă evenimentele A şi B sunt independente, atunci: A şi B sunt inde-
pendente, A şi B sunt independente, respectiv A şi B sunt independente.
Exerciţiu
Un student vrea să obţină o bursă de studiu in străinătate in domeniul informatică
şi depune in acest scop documente la 3 universităţi, in Franţa, in Anglia, respectiv in
SUA. Care este probabilitatea ca studentul să obţină o bursă, ştiind că probabilităţile cu
care universităţile respective acordă burse sunt p1 = 0.25 in Franţa, p2 = 0.2 in Anglia şi
p3 = 0.3 in SUA.
Soluţie
Fie A1 evenimentul ca universitatea din Franţa să ii acorde bursă studentului.
Fie A2 evenimentul ca universitatea din Anglia să ii acorde bursă studentului.
Fie A3 evenimentul ca universitatea din SUA să ii acorde bursă studentului.
Fie A evenimentul ca cel puţin o universitate să ii acorde bursă studentului.
A = A1 ∪ A2 ∪ A3 .
Atunci
= 0.25 + 0.2 + 0.3 − 0.25 · 0.2 − 0.25 · 0.3 − 0.2 · 0.3 + 0.25 · 0.2 · 0.3
Exerciţiu
Intr-un turneu de tenis, Simona Halep trebuie sa le infrunte pe Sarapova si pe Konta
in cursul a 3 partide succesive in care cele două adversare alternează. Simona va câştiga
turneul, dacă va câştiga 2 partide consecutive. Ea ştie că probabilitatea p de a o invinge
pe Konta este mai mare decât probabilitatea q de a o invige pe Sarapova. Ce adversar va
alege pentru prima partidă, pentru a avea şanse cât mai mari de a câştiga turneul?
4
Probabilităţi şi Statistică Matematică. Note de Curs
Soluţie
Vom calcula probabilitatea ca Simona să câştige turneul in fiecare din următoarele
2 cazuri:
Atunci
Atunci
Deoarece q < p, rezultă că P (B) > P (A). Deci Simona va avea şanse mai mari să
câştige turneul, dacă va juca de 2 ori cu adversarul mai puternic.
5
Probabilităţi şi Statistică Matematică. Note de curs
Deci,
n
[ n
X n
X
P (A) = P ( (A ∩ Ai )) = P (A ∩ Ai ) = P (Ai )P (A/Ai ). (2)
i=1 i=1 i=1
P (Ai )P (A/Ai )
P (Ai /A) = Pn . (5)
i=1 P (Ai )P (A/Ai )
1
Prof. dr. Aida Toma
Aplicaţie
In depozitul unui magazin există 100 de calculatoare de acelaşi tip, din care 30
provin de la furnizorul F1 , 50 de la furnizorul F2 şi 20 de la furnizorul F3 . Probabilităţile
cu care furnizorii asamblează calculatoare cu defecte sunt: 0.04 pentru F1 , 0.02 pentru
F2 , 0.03 pentru F3 . O persoană cumpără un calculator şi observă că are un defect.
a) Care este probabilitatea ca un produs luat la intamplare din depozit să fie defect?
b) Care este probabilitatea ca produsul defect să provină de la furnizorul F1 ?
c) Conform contractului incheiat cu furnizorii, atunci când apare un produs defect,
fiecare furnizor este penalizat cu probabilitatea ca produsul defect să provină de la acesta.
Ştiind că penalizarea este de 2800 RON, stabiliţi suma suportată de fiecare furnizor.
Soluţie
a) Fie A evenimentul ca un produs luat la intâmplare din depozit să fie defect.
Fie Ai evenimentul ca un produs luat la intâmplare din depozit să provină de la
furnizorul Fi , i ∈ {1, 2, 3}.
{A1 , A2 , A3 } este un sistem complet de evenimente, deoarece:
30 50 20
1. P (A1 ) = 100 > 0, P (A2 ) = 100
> 0, P (A3 ) = 100
> 0;
S3
2. i=1 Ai = Ω;
T
3. Ai Aj = ∅, ∀i 6= j.
Folosind formula probabilităţii totale, obţinem:
50 2
P (A2 )P (A/A2 ) 100
· 100 10
P (A2 /A) = = 28 =
P (A) 1000
28
20
P (A3 )P (A/A3 ) · 3
100 100 6
P (A3 /A) = = 28 = .
P (A) 1000
28
2
Probabilităţi şi Statistică Matematică. Note de curs
12
S1 = · 2800 = 1200 RON
28
10
S2 = · 2800 = 1000 RON
28
6
S3 = · 2800 = 600 RON.
28
Se consideră o urnă ce conţine N bile dintre care a sunt albe şi N − a negre. Se
extrag la ı̂ntâmplare n bile din urnă fără revenire. Probabilitatea ca din cele n bile
extrase x să fie albe este
Cax CNn−x
−a
n
. (7)
CN
Se consideră n urne ce conţin bile albe şi bile negre. Probabilitatea de a extrage o bilă
albă din urna i este pi , iar de a extrage o bilă neagră este qi = 1 − pi , i ∈ {1, . . . , n}.
Se extrag la ı̂ntâmplare n bile, câte una din fiecare urnă. Probabilitatea ca din cele
n bile extrase x să fie albe este coeficientul lui tx din polinomul
3
Prof. dr. Aida Toma
Se consideră o urnă ce conţine bile albe şi bile negre. Probabilitatea de a extrage o
bilă albă este p, iar de a extrage o bilă neagră este q = 1−p. Se extrag la ı̂ntâmplare
n bile din urnă cu revenire. Probabilitatea ca din cele n bile extrase x să fie albe
este
Cnx px q n−x . (10)
5 Schema multinomială
n!
px1 px2 · · · pxmm . (11)
x1 !x2 ! · · · xm ! 1 2
Se consideră urna din schema lui Bernoulli şi se fac extrageri succesive până la
apariţia primei bile albe. Probabilitatea ca prima bilă albă să apară la extragerea
x este
q x−1 p. (12)
Demonstraţie.
Fie A evenimentul ca prima bilă albă să apară la extragerea x şi Ai evenimentul ca
la extragerea i să se obţină o bilă albă. Atunci
4
Probabilităţi şi Statistică Matematică. Note de curs
Variabile aleatoare
Fie (Ω, K, P ) un câmp borelian de probabilitate.
1. {ω ∈ Ω/X(ω) ≥ x} ∈ K, ∀ x ∈ R.
2. {ω ∈ Ω/X(ω) ≤ x} ∈ K, ∀ x ∈ R.
3. {ω ∈ Ω/X(ω) > x} ∈ K, ∀ x ∈ R.
4. {ω ∈ Ω/X(ω) = x} ∈ K, ∀ x ∈ R.
Demonstraţie.
1. Fie x ∈ R. Atunci
4. Fie x ∈ R. Atunci
1
Prof. dr. Aida Toma
1
5. X
este variabilă aleatoare, dacă X 6= 0.
X
4. Y
este variabilă aleatoare, dacă Y 6= 0.
2
Probabilităţi şi Statistică Matematică. Note de curs
3. P (a ≤ X ≤ b) = F (b) − F (a) + P (X = b)
1. limx→−∞ F (x) = 0
2. limx→∞ F (x) = 1
3
Prof. dr. Aida Toma
Exemplul 1
Se ştie că in medie 1 din 3 studenţi ai unei facultăţi promovează examenul de pro-
babilităţi. Se consideră un grup format din 4 studenţi şi variabila aleatoare X care indică
numărul de studenţi ce promovează din cei 4. Să se determine:
a) repartiţia v.a. X;
b) probabilitatea ca cel puţin un student să promoveze;
c) probabilitatea ca cel puţin un student să promoveze, ştiind că cel mult 2 promo-
vează.
Soluţie.
a)
0 1 2 3 4
X: .
p1 p2 p3 p4 p5
1
Probabilitatea ca un student să promoveze este p = 3
, iar probabilitatea ca un
student să nu promoveze este q = 23 . Folosind schema lui Bernoulli, probabilitatea ca din
4 studenţi k să promoveze este P (X = k) = C4k pk q 4−k
16
p1 = C40 p0 q 4 =
81
32
p2 = C41 p1 q 3 =
81
24
p3 = C42 p2 q 2 =
81
8
p4 = C43 p3 q 1 =
81
1
p5 = C44 p4 q 0 = .
81
Deci
0 1 2 3 4
X: .
16 32 24 8 1
81 81 81 81 81
16 65
b) P (X ≥ 1) = 1 − P (X < 1) = 1 − P (X = 0) = 1 − 81
= 81
.
c)
P ((X ≥ 1) ∩ (X ≤ 2)) P (1 ≤ X ≤ 2)
P (X ≥ 1/X ≤ 2) = =
P (X ≤ 2) P (X ≤ 2)
P (X = 1) + P (X = 2) 32 24 81 7
= = + · = .
P (X = 0) + P (X = 1) + P (X = 2) 81 81 72 9
4
Probabilităţi şi Statistică Matematică. Note de curs
Exemplul 2
Se consideră experienţa aleatoare ı̂n care se aruncă un zar şi se observă numărul
feţei apărute. Fie X variabila aleatoare ce dă numărul feţei apărute.
Avem Ω = {ω1 , ω2 , . . . , ω6 }, X(ωi ) = i, i = 1, 6, iar P (X = i) = 16 , i = 1, 6.
Deci repartiţia variabilei aleatoare X este
1 2 3 4 5 6
X: . (10)
1 1 1 1 1 1
6 6 6 6 6 6
5
Probabilităţi şi Statistică Matematică. Note de curs
1. f (x) ≥ 0, ∀ x ∈ R
R∞
2. −∞
f (x)dx = 1.
1
Prof. dr. Aida Toma
F (x, y) = P (X < x, Y < y) = P ({ω ∈ Ω/X(ω) < x, Y (ω) < y}). (3)
Funcţiile de repartiţie FX (x) şi FY (y) ale variabilelor aleatoare marginale se numesc funcţii
de repartiţie marginale.
1. 0 ≤ F (x, y) ≤ 1, ∀x, y ∈ R
5. F (∞, ∞) = 1
2
Probabilităţi şi Statistică Matematică. Note de curs
P
unde pij ≥ 0, ∀ i ∈ I, j ∈ J iar i∈I,j∈J pij = 1.
Dacă X(Ω) şi Y (Ω) sunt finite, repartiţia variabilei aleatoare bidimensionale (X, Y )
poate fi reprezentată printr-un tablou de forma
Pn Pm
unde pij ≥ 0, ∀ i ∈ {1, . . . , n}, j ∈ {1, . . . , m}, iar i=1 j=1 pij = 1.
Au loc relaţiile
m
X
pij = pi , ∀i ∈ {1, . . . , n} (5)
j=1
n
X
pij = qj , ∀j ∈ {1, . . . , m}. (6)
i=1
3
Prof. dr. Aida Toma
∂ 2 F (x, y)
f (x, y) = (7)
∂x∂y
1. f (x, y) ≥ 0,∀x, y ∈ R
R∞ R∞
2. −∞ −∞
f (x, y)dxdy = 1.
4
Probabilităţi şi Statistică Matematică. Note de curs
P (X1 < x1 , X2 < x2 , . . . , Xn < xn ) = P (X1 < x1 )P (X2 < x2 ) . . . P (Xn < xn ) (9)
∀ x1 , x2 , . . . , xn ∈ R.
In particular, două variabile aleatoare X şi Y sunt independente dacă
pij = pi qj ∀ i ∈ I, j ∈ J. (11)
5
Probabilităţi şi Statistică Matematică. Note de curs
|xi |
|X| este o variabilă aleatoare discretă cu repartiţia |X| : .
pi
i∈I
x
Fie X o variabilă aleatoare continuă cu repartiţia X : , f (x) ≥ 0, ∀x ∈ R,
f (x)
R∞ x∈R
−∞
f (x)dx = 1.
Atunci:
ax
aX este o variabilă aleatoare continuă cu repartiţia aX :
f (x)
x∈R
k
x
X k , k ∈ N∗ , este o variabilă aleatoare continuă cu repartiţia X k :
f (x)
x∈R
|x|
|X| este o variabilă aleatoare continuă cu repartiţia |X| : .
f (x)
x∈R
1
Prof. dr. Aida Toma
xi y j
XY este o variabilă aleatoare discretă cu repartiţia XY :
pij
i∈I,j∈J
xi
X
Y
este o variabilă aleatoare discretă cu repartiţia X
Y
: yj .
pij
i∈I,j∈J
Fie X şi Y două variabile aleatoare continue definite pe acelaşi câmp borelian de
probabilitate şi f (x, y) densitatea lor comună de repartiţie. Atunci:
x+y
X + Y este o variabilă aleatoare continuă cu repartiţia X + Y :
f (x, y)
x∈R,y∈R
xy
XY este o variabilă aleatoare continuă cu repartiţia XY :
f (x, y)
x∈R,y∈R
x
X X y
Y
este o variabilă aleatoare continuă cu repartiţia Y
: , dacă Y nu
f (x, y)
x∈R,y∈R
se anulează.
2
Probabilităţi şi Statistică Matematică. Note de curs
1. Media
Proprietăţi.
1. M (a) = a, a ∈ R
2. M (aX) = aM (X), a ∈ R
3. M (X + Y ) = M (X) + M (Y )
3
Prof. dr. Aida Toma
xi + yj
Atunci X + Y : şi
pij
i∈I,j∈J
XX XX XX
M (X + Y ) = (xi + yj )pij = xi pij + yj pij
i∈I j∈J i∈I j∈J i∈I j∈J
X X X X X X
= xi pij + yj pij = xi p i + yj qj = M (X) + M (Y ).
i∈I j∈J j∈J i∈I i∈I j∈J
xi yj
4. Fie X : ,Y : şi pij = P (X = xi , Y = yj ).
pi qj
i∈I j∈J
x i yj
Atunci XY : şi
pij
i∈I,j∈J
XX X X
M (XY ) = xi yj pij = ( xi pi )( yj qj ) = M (X)M (Y ).
i∈I j∈J i∈I j∈J
4
Probabilităţi şi Statistică Matematică. Note de curs
Avem:
4. Dispersia
1. D(a) = 0, a ∈ R
2. D(a + X) = D(X), a ∈ R
3. D(aX) = a2 D(X), a ∈ R
Demonstraţie.
1. D(a) = M ((a − M (a))2 ) = M (0) = 0
5
Prof. dr. Aida Toma
5. Coeficientul de asimetrie
µ3
γ1 (X) = 3
. (9)
σX
6. Coeficientul de exces
µ4
γ2 (X) = 4
. (10)
σX
6
Probabilităţi şi Statistică Matematică. Note de curs
1. Momente iniţiale
XX
mk1 ,k2 = M (X k1 Y k2 ) = xki 1 yjk2 pij (1)
i∈I j∈J
xi yj
dacă (X, Y ) este discretă, cu X : , Y : şi pij = P (X = xi , Y = yj ),
pi qj
i∈I j∈J
respectiv
Z ∞Z ∞
k1 k2
mk1 ,k2 = M (X Y ) = xk1 y k2 f (x, y)dxdy (2)
−∞ −∞
Cazuri particulare
m1,0 = M (X)
m0,1 = M (Y ).
2. Momente centrate
XX
µk1 ,k2 = M ((X − M (X))k1 (Y − M (Y ))k2 ) = (xi − m1,0 )k1 (yj − m0,1 )k2 pij (3)
i∈I j∈J
xi yj
dacă (X, Y ) este discretă, cu X : , Y : şi pij = P (X = xi , Y = yj ),
pi qj
i∈I j∈J
respectiv
Z ∞ Z ∞
k1 k2
µk1 ,k2 = M ((X − M (X)) (Y − M (Y )) ) = (x − m1,0 )k1 (y − m0,1 )k2 f (x, y)dxdy
−∞ −∞
(4)
dacă (X, Y ) este continuă cu densitatea f (x, y).
1
Prof. dr. Aida Toma
Cazuri particulare
µ1,0 = µ0,1 = 0
µ2,0 = D(X)
µ0,2 = D(Y ).
Proprietăţi.
4. cov(X, Y ) = cov(Y, X)
5. cov(X + a, Y ) = cov(X, Y )
6. cov(aX, Y ) = a · cov(X, Y )
cov(X, Y )
ρX,Y = . (6)
σX σY
Dacă variabilele aleatoare X şi Y sunt independente, atunci X şi Y sunt necorelate
(deoarece cov(X, Y ) = 0). Reciproca nu este intotdeauna adevărată.
2
Probabilităţi şi Statistică Matematică. Note de curs
Aplicaţie
Fie Z = (X, Y ) o variabilă aleatoare bidimensională discretă cu repartiţia
X\Y 0 1 pi
-1 p
2 a
qj q
Soluţie
a) Variabila marginală X are repartiţia
−1 2
X: .
p 1−p
Condiţii:
p≥0
1−p≥0⇒p≤1 ⇒ p ∈ [0, 1]
p + (1 − p) = 1
1
deci −3p + 2 = 1 implică p = 3
∈ [0, 1].
Aşadar,
−1 2
X: .
1 2
3 3
3
Prof. dr. Aida Toma
X\Y 0 1 pi
1
-1 3
2
2 a 3
1 1
qj 2 2
1 1
p12 + a = 2
⇒ p12 = 2
−a
2 2
p21 + a = 3
⇒ p21 = 3
−a
p11 + ( 23 − a) = 1
2
⇒ p11 = a − 1
6
X\Y 0 1 pi
1 1 1
-1 a− 6 2
−a 3
2 2
2 3
−a a 3
1 1
qj 2 2
P2 P2
Se impun condiţiile: pij ≥ 0 şi i=1 i=1 pij = 1
1 1
a− 6
≥0⇒a≥ 6
1 1
2
−a≥0⇒a≤ 2
⇒ a ∈ [ 16 , 12 ]
2 2
3
−a≥0⇒a≤ 3
a≥0
P2 P2
i=1 i=1 pij = a − 61 + 12 − a + 23 − a + a = 1.
4
Probabilităţi şi Statistică Matematică. Note de curs
2 X
X 2
M (XY ) = xi yj pij
i=1 j=1
1 1 2
= −1 · 0 · (a − ) + (−1) · 1 · ( − a) + 2 · 0 · ( − a) + 2 · 1 · a
6 2 3
1 1 3 1 1
= − + a + 2a = 3a − = − =
2 2 4 2 4
1 1
cov(X, Y ) = M (XY ) − M (X)M (Y ) = 4
−1· 2
= − 41 , iar
cov(2X − 1, 4 − 3Y ) = −6 · − 14 = 32 .
5
Prof. dr. Aida Toma
deci M (X 2 ) = 1 · 13 + 4 · 2
3
= 3.
Aşadar D(X) = M (X 2 ) − M (X)2 = 3 − 1 = 2.
M (Y 2 ) = 0 · 12 + 1 · 1
2
= 12 , deci
1 1
D(Y ) = M (Y 2 ) − M (Y )2 = 2
− 4
= 14 .
Rezultă că
D(3X − 2Y ) = 9 · 2 + 4 · 14 − 12 · − 41 = 18 + 1 + 3 = 22.
6
Probabilităţi şi Statistică Matematică. Note de curs
Repartiţii condiţionate
1. Cazul discret
Fie (X, Y ) o variabilă aleatoare bidimensională discretă pentru care se cunosc {xi }i∈I
valorile variabilei aleatoare X, {yj }j∈J valorile variabilei aleatoare Y , pi = P (X = xi ),
qj = P (Y = yj ) şi pij = P (X = xi , Y = yj ), i ∈ I, j ∈ J.
2. Cazul continuu
Fie (X, Y ) o variabilă aleatoare bidimensională continuă cu densitatea de repartiţie
f (x, y) şi fie fX (x) şi fY (y) densităţile de repartiţie marginale.
Se numesc densităţi condiţionate
f (x, y)
f (x/y) = , ∀y ∈ R a.i. fY (y) 6= 0
fY (y)
f (x, y)
f (y/x) = , ∀x ∈ R a.i. fX (x) 6= 0.
fX (x)
1
Prof. dr. Aida Toma
respectiv
y
Y /X = x :
f (y/x)
y∈R
Aplicaţie
O urnă conţine 4 bile numerotate de la 1 la 4. Se extrag la intâmplare 2 bile fără
intoarcere. Fie X şi Y variabilele aleatoare ce reprezintă rezultatele obţinute la prima,
respectiv la a doua extragere. Să se scrie repartiţia variabilei aleatoare (X, Y ), repartiţiile
marginale şi să se calculeze M (X/Y = 2).
Soluţie
Valorile variabilelor aleatoare X, respectiv Y sunt
X(Ω) = {1, 2, 3, 4} şi Y (Ω) = {1, 2, 3, 4}
Probabilităţile pij corespunzătoare variabilei bidimensionale (X, Y ) sunt date de
2
Probabilităţi şi Statistică Matematică. Note de curs
X\Y 1 2 3 4 pi
1 1 1 1
1 0 12 12 12 4
1 1 1 1
2 12
0 12 12 4
1 1 1 1
3 12 12
0 12 4
1 1 1 1
4 12 12 12
0 4
1 1 1 1
qj 4 4 4 4
1
Repartiţiile marginale sunt date de
1 2 3 4
X:
1 1 1 1
4 4 4 4
şi
1 2 3 4
Y : .
1 1 1 1
4 4 4 4
Deci
1 2 3 4
X/Y = 2 : .
1 1 1
3
0 3 3
Apoi
X pij 1 1 1 8
M (X/Y = 2) = xi =1· +2·0+3· +4· = .
q2 3 3 3 3
3
Prof. dr. Aida Toma
Proprietăţi.
1. ϕX (0) = 1;
2. ϕX (−t) = ϕX (t), ∀ t ∈ R;
4
Probabilităţi şi Statistică Matematică. Note de curs
Aplicaţie
Fie X o variabilă aleatoare pentru care se ştie că P (X = k) = p · q k−1 , k ∈ N∗ ,
p > 0, q > 0, p + q = 1. Să se determine funcţia caracteristică şi cu ajutorul ei să se
calculeze M (X).
Soluţie.
∞ ∞ ∞
X X p X it k
ϕX (t) = M (eitX ) = eitk · P (X = k) = eitk · p · q k−1 = (e p)
k=1 k=1
q k=1
it
p it 1 pe
= ·e q· it
=
q 1−e q 1 − eit q
ϕ0 (0) p p
deci M (X) = i
= (1−q)2
= p2
= p1 .
5
Probabilităţi şi Statistică Matematică. Note de curs
1. Repartiţia Bernoulli.
2. Repartiţia binomială.
1
Prof. dr. Aida Toma
şi
Observăm că
n
X n
X
P (X = k) = Cnk pk q n−k = (p + q)n = 1.
k=0 k=0
3. Repartiţia Poisson.
Rezultă că
D(X) = M (X 2 ) − M (X)2 = λ2 + λ − λ2 = λ.
2
Probabilităţi şi Statistică Matematică. Note de curs
Pentru ca f să fie densitate de repartiţie, trebuie să fie ı̂ndeplinite condiţiile
1. f (x) ≥ 0, ∀x ∈ R
R∞
2. −∞ f (x)dx = 1.
Z ∞ Z a Z b Z ∞
1= f (x)dx = f (x)dx + f (x)dx + f (x)dx
−∞ −∞ a b
deci Z b
1
1= kdx = kx|ba = k(b − a) ⇒ k = .
a b−a
Obţinem că
1
b−a
, x ∈ [a, b]
f (x) = .
0, x∈
/ [a, b]
Deci
0, x≤a
F (x) = x−a
b−a
, a<x≤b . (5)
1, x>b
3
Prof. dr. Aida Toma
3. Repartiţia gama.
O variabilă aleatoare continuă are o repartiţie gama de parametri a > 0, b > 0 şi
scriem X ∼ Γ(a, b), dacă densitatea ei de repartiţie este de forma
0, x<0
f (x) = . (7)
1 xa−1 e− xb , x ≥ 0
ba Γ(a)
M (X) = ab
D(X) = ab2 .
4
Probabilităţi şi Statistică Matematică. Note de curs
Cazuri particulare
1
D(X) = ab2 = θ2
.
M (X) = ab = n
4. Repartiţia beta
O variabilă aleatoare continuă are o repartiţie beta de parametri a > 0, b > 0 şi
scriem X ∼ β(a, b), dacă densitatea ei de repartiţie este de forma
1 xa−1 (1 − x)b−1 , x ∈ [0, 1]
β(a,b)
f (x) = . (8)
0, x∈ / [0, 1]
a
M (X) = a+b
ab
D(X) = (a+b)(a+b+1)
.
5
Probabilităţi şi Statistică Matematică. Note de curs
Repartiţia Student
O variabilă aleatoare X are o repartiţie Student cu n grade de libertate, dacă den-
sitatea ei este − n+1
Γ n+1
x2 2
f (x) = √ 2
1 + , x ∈ R, n ∈ N∗ . (1)
nπΓ n2
n
n
Media şi dispersia sunt date de M (X) = 0 şi D(X) = n−2
.
Repartiţia normală (Gauss)
O variabilă aleatoare continuă X are o repartiţie normală de parametri m ∈ R şi
σ > 0, şi notăm X ∼ N (m, σ), dacă densitatea ei de repartiţie este
1 1 x−m 2
f (x) = √ e− 2 ( σ ) . (2)
σ 2π
1. f (2m − x) = f (x), ∀x ∈ R, deci graficul lui f este simetric ı̂n raport cu dreapta
verticală x = m.
2. (x − m)2 are minim ı̂n x = m, rezultă că f (x) are un maxim ı̂n m; f (m) = √1 .
σ 2π
√ 1 x−m 2
3. ln f (x) = − ln(σ 2π) − 2 σ
⇒
f 0 (x)
f (x)
= − x−m
σ2
⇒
1
Prof. dr. Aida Toma
2
Probabilităţi şi Statistică Matematică. Note de curs
Z ∞ Z ∞
1 1 2
m2k+1 = x 2k+1
f (x)dx = x2k+1 √ e− 2 x = 0. (4)
−∞ −∞ 2π
Z ∞ Z ∞ Z ∞
1 − 1 x2 2 x2
m2k = 2k
x f (x)dx = x √ e 2 =√ 2k
x2k e− 2 =
−∞ −∞ 2π 2π 0
√
x 2 √ 1 2 −1
= t ⇒ x2 = 2t ⇒ x = 2t 2 ⇒ dx = t 2 dt
2 √ 2
Z ∞ Z ∞
2 k −t 2 − 12 2k 1
= √ (2t) e t dt = √ tk− 2 e−t dt
2π 0 2 π
k
k
0
2 1 2 1 3 1 1
= √ Γ k+ =√ k− k− ··· Γ
π 2 π 2 2 2 2
(2k − 1)(2k − 3) · · · 1 1 · 2 · · · 2k (2k)!
= 2k k
= = k .
2 2 · 4 · 6 · · · 2k 2 k!
Z z Z z
1 1 2
FZ (z) = f (t)dt = √ e− 2 t dt. (5)
−∞ −∞ 2π
1. Dacă z ≥ 0, atunci
Z 0 Z z
1 1 2 1 1 2 1
FZ (z) = √ e− 2 t dt + √ e− 2 t dt = + Φ(z)
−∞ 2π 0 2π 2
Rz 1 2
unde Φ(z) = √1 e− 2 t dt este funcţia integrală a lui Laplace.
0 2π
1
Deci, FZ (z) = 2
+ Φ(z), ∀z ∈ R.
3
Prof. dr. Aida Toma
1. Φ(0) = 0
2. Φ(−z) = −Φ(z)
3. Φ(−∞) = −Φ(∞) = − 21 .
4
Probabilităţi şi Statistică Matematică. Note de curs
σ 2 t2 σ 2 t2
ϕX (t) = ϕσZ+m (t) = eitm ϕZ (σt) = eitm e− 2 = eitm− 2 .
5
Probabilităţi şi Statistică Matematică. Note de curs
D(X)
P (|X − M (X)| < ε) ≥ 1 − , ∀ε > 0. (1)
ε2
Aplicaţie
Folosind inegalitatea lui Cebı̂şev, să se găsească o margine inferioară a probabilităţii
P (−4 < X < 16), X fiind o variabilă aleatoare cu M (X) = 6 şi D(X) = 4.
Avem,
P (−4 < X < 16) = P (−4 − M (X) < X − M (X) < 16 − M (X))
4
= P (−10 < X − M (X) < 10) = P (|X − M (X)| < 10) ≥ 1 − = 0.96
100
1
Prof. dr. Aida Toma
1
Pn
Demonstraţie Aplicăm inegalitatea lui Cebişev variabilei aleatoare Yn = n k=1 Xk .
Avem
n
! n
1X 1X
M (Yn ) = M Xk = M (Xk )
n k=1 n k=1
n
! n
1X 1 X cn c
D(Yn ) = D Xk = 2 D(Xk ) ≤ 2 = .
n k=1 n k=1 n n
Deci,
D(Yn )
P (|Yn − M (Yn )| < ε) ≥ 1 − ⇒
ε2
n
1X c
P (|Yn − M (Xk )| < ε) ≥ 1 − 2 ⇒
n k=1 nε
n
1X
lim P (|Yn − M (Xk )| < ε) ≥ 1 ⇒
n→∞ n k=1
n
1X
lim P (|Yn − M (Xk )| < ε) = 1.
n→∞ n k=1
2
Probabilităţi şi Statistică Matematică. Note de curs
Definiţia 2 Spunem că şirul de variabile aleatoare (Xn )n , având şirul corespunzător de
funcţii de repartiţie Fn (x), converge in repartiţie către variabila aleatoare X având funcţia
rep
de repartiţie F (x) şi notăm Xn → X, dacă pentru orice punct de continuitate x al lui F
rep
are proprietatea Yn → Y , unde Y ∼ N (0, 1).
Teorema Moivre-Laplace
Fie (Xn ) un şir de variabile aleatoare independente cu repartiţie Bernoulli, P (Xn = 1) = p,
P (Xn = 0) = q = 1 − p, n ∈ N∗ . Atunci şirul de variabile aleatoare (Yn )n cu
Pn
Xk − np
Yn = k=1√ (8)
npq
are proprietatea Yn → Y in repartiţie, unde Y ∼ N (0, 1).
Corolar
Fie (Xn )n un şir de variabile aleatoare independente repartizate Bernoulli şi fie Yn =
Pn
k=1 Xk . Atunci
b − np a − np
P (a < Yn < b) = Φ √ −Φ √ . (9)
npq npq
Aplicaţie
O urnă conţine 10 bile albe, 8 bile negre şi 2 bile roşii. Ştiind că au loc 200 de extrageri cu
revenire, să se determine probabilitatea ca numărul de bile albe extrase să fie: a) cuprins
intre 95 şi 102; b) mai mic strict ca 90; c) mai mare strict ca 105.
3
Prof. dr. Aida Toma
0 1
Xk : , unde p = 10 = 1 , iar q = 1 − p = 1 .
q p 20 2 2
Yn − np √
√ ' N (0, 1) ⇒ Yn ' N (np, npq). (10)
npq
Atunci,
102 − np 95 − np
P (95 < Yn < 102) = Φ √ −Φ √
npq npq
2 −5 2 5
=Φ √ −Φ √ =Φ √ +Φ √ = 0.4047.
50 50 50 50
O cercetare statistică are drept punct de plecare o colectivitate ale cărei elemente
le numim indivizi. Indivizii populaţiei sunt cercetaţi după o caracteristică ce poate fi
calitativă sau cantitativă. Caracteristica este dată de o variabilă aleatoare X definită pe
un câmp borelian de probabilitate (Ω, K, P ), unde Ω este mulţimea indivizilor populaţiei.
Variabila aleatoare X se numeşte variabilă aleatoare teoretică, iar repartiţia ei se numeşte
repartiţie teoretică.
A efectua o selecţie asupra unei populaţii ı̂nseamnă a realiza următorul experiment:
se alege un individ al populaţiei, se măsoară caracteristica X, iar apoi procedeul se repetă
ı̂n condiţii identice pentru alţi n − 1 indivizi ai populaţiei. Se obţine un set de valori
observate x1 , x2 , . . . , xn numit selecţie realizată. Se numeşte selecţie un set de variabile
aleatoare X1 , X2 , . . . , Xn independente şi identic repartizate cu variabila aleatoare X ce
reprezintă caracteristica aflată sub cercetare. Extinderea concluziilor de la o selecţie la
ı̂ntreaga populaţie se numeşte inferenţă statistică.
Valorile de selecţie x1 , x2 , . . . , xn sunt organizate prin intermediul unei variabile alea-
toare X ∗ , numită variabilă aleatoare de selecţie (variabilă aleatoare empirică). X ∗ are
repartiţia
4
Probabilităţi şi Statistică Matematică. Note de curs
x1 x2 . . . xn
X∗ : . (11)
1 1 1
n n
... n
ni
Dacă observaţia xi apare de ni ori, iar fi = n
, i = 1, s (s ≤ n) atunci
x1 x2 . . . xs x1 x2 . . . xs
X∗ : = . (12)
n1 n2 ns
n n
... n
f1 f2 . . . fs
ni se numeşte frecvenţa absolută de apariţie a observaţiei xi , iar fi se numeşte
frecvenţa relativă de apariţie a observaţiei xi .
Funcţia de repartiţie a variabilei aleatoare X ∗ , numită funcţie de repartiţie empirică,
este
0, x ≤ x1
f, x1 < x ≤ x2
1
∗ ∗
Fn (x) = P (X < x) = ... (13)
Ps−1
xs−1 < x ≤ xs
i=1 fi ,
1, x > xs .
Teorema lui Glivenko
5
Probabilităţi şi Statistică Matematică. Note de curs
Momente de selecţie
Fie X1 , . . . , Xn o selecţie asupra unei populaţii caracterizate de variabila aleatoare X.
Dacă r = 2,
n k
1X 1X
µ∗2 =S = 2
(Xi − X)2 sau µ∗2 = S 2 = ni (Xi − X)2
n i=1 n i=1
Estimare parametrică
În aplicaţiile statistice este necesară cunoaşterea legii după care are loc evoluţia
fenomenului studiat, adică legea de repartiţie a variabilei aleatoare X ce reprezintă ca-
racteristica cercetată. De multe ori, rezultate teoretice ı̂mpreună cu experienţa practică
ne permit să admitem că forma legii de repartiţie este cunoscută, ı̂nsă aceasta poate
depinde de unul sau mai mulţi parametri necunoscuţi. Procedeul de evaluare a parame-
trilor necunoscuţi se numeşte estimare parametrică şi se realizează pe baza unei selecţii
1
Prof. dr. Aida Toma
1
D(Tn (X1 , . . . , Xn )) ≥ (1)
nI(θ)
unde 2 !
∂ 2 ln f (X; θ)
∂ ln f (X; θ)
I(θ) = M = −M . (2)
∂θ ∂θ2
2
Probabilităţi şi Statistică Matematică. Note de curs
Metoda momentelor
Fie X1 , . . . , Xn o selecţie asupra unei variabile aleatoare X cu legea de repartiţie
f (x; θ1 , . . . , θk ). Presupunem că X admite momente iniţiale m1 , . . . , mk finite. Fie siste-
mul
m∗1 = m1 (θ1 , . . . , θk )
m∗ = m (θ , . . . , θ )
2 2 1 k
.
. . .
m∗ = m (θ , . . . , θ )
k k 1 k
3
Prof. dr. Aida Toma
∂P (x1 ,...,xn ;θ1 ,...,θk )
∂θ1
=0
...
∂P (x1 ,...,xn ;θ1 ,...,θk )
∂θk
=0
∂ ln P (x1 ,...,xn ;θ1 ,...,θk )
∂θ1
=0
... .
∂ ln P (x1 ,...,xn ;θ1 ,...,θk )
∂θk
=0
Aplicaţie
Să se estimeze prin metoda momentelor parametrul λ din repartiţia dată de densitatea
1 −λx
λ
e , x≥0
f (x; λ) =
0, x<0
şi să se verifice dacă estimatorul găsit este nedeplasat, respectiv absolut corect.
Rezolvare
Fie X1 , . . . , Xn o selecţie asupra repartiţiei dată de densitatea f (x; λ). Întrucât
avem de estimat un singur parametru, estimatorul parametrului λ obţinut prin metoda
momentelor este soluţia ecuaţiei
m∗1 = m1
Pn Pn
unde m∗1 = 1
n i=1 Xi = X, iar m1 = M (X). Deci 1
n i=1 Xi = M (X).
4
Probabilităţi şi Statistică Matematică. Note de curs
Pe de altă parte,
Z ∞ Z ∞
x −x
M (X) = xf (x; λ)dx = e λ dx (5)
−∞ 0 λ
x
şi notăm λ
= t, deci x = λt, deci dx = λdt. Deci
Z ∞ Z ∞
−t
M (X) = te λdt = λ te−t dt = λΓ(2) = λ. (6)
0 0
Ecuaţia devine
n
1X
Xi = λ
n i=1
deci
n
b= 1
X
λ Xi = X.
n i=1
Pentru ca λ
b să fie nedeplasat trebuie ca M (λ)
b = λ.
Avem !
n n
1X 1X
M (λ)
b =M Xi = M (Xi ). (7)
n i=1 n i=1
Deoarece X1 , . . . , Xn formează o selecţie, aceste variabile aleatoare sunt independente şi
identic repartizate cu variabila aleatoare X asupra căreia s-a efectuat selecţia. De aceea,
M (Xi ) = M (X), ∀i ∈ {1, . . . , n}. Deci ı̂nlocuind ı̂n (7), obţinem că λ
b este nedeplasat.
Pentru ca λ
b să fie absolut corect, trebuie să fie ı̂ndeplinite condiţiile:
1. λ
b nedeplasat;
2. limn→∞ D(λ)
b = 0.
D(X) λ2
D(λ)
b = = şi lim D(λ)
b = 0. (9)
n n n→∞
Deci λ
b este absolut corect şi prin urmare şi consistent.
5
1. Se consideră variabilele aleatoare independente X şi Y , având repartiţiile
−1 2
X: (1)
a a
−1 0 1
Y : , a, b ∈ R. (2)
5b 2b 3b
Să se determine valorile constantelor a, b, repartiţia variabilei aleatoare X − 3Y , funcţia
de repartiţie a variabilei aleatoare X − 3Y şi P (3X ≤ 1, 2Y > −1).
Rezolvare
a) Din condiţiile ce se impun asupra repartiţiei v.a. X, deducem
1
a + a = 1 ⇒ 2a = 1 ⇒ a = 2
≥ 0.
Din condiţiile ce se impun asupra repartiţiei v.a. Y , deducem
1
5b + 2b + 3b = 1 ⇒ 10b = 1 ⇒ b = 10
≥ 0.
Deci,
−1 2
X: (3)
1 1
2 2
−1 0 1
Y : (4)
5 2 3
10 10 10
sau
−3 0 3
−3Y : (6)
3 2 5
10 10 10
.
Repartiţia v.a. X − 3Y este
−4 −1 2 5
X − 3Y : . (7)
3 5 7 5
20 20 20 20
1
c) Funcţia de repartiţie a v.a. X − 3Y este
0, x ≤ −4
3
, −4 < x ≤ −1
20
FX−3Y (x) = P (X − 3Y < x) = 8
20
, −1 < x ≤ 2 (8)
15
2<x≤5
20
,
1, x > 5.
2
b) Folosind definiţia probabilităţii condiţionate,
Atunci
3
F (4) − F (3) 1 − 8 · 4−3 − (1 − 8 · 3−3 ) 8(3−3 − 4−3 ) 3
P (X < 4/X ≥ 3) = = −3
= −3
= 1− .
1 − F (3) 1 − (1 − 8 · 3 ) 8·3 4
(13)
D(X) = M (X 2 ) − M (X)2 .
R∞ R∞ R∞ x−1 ∞
M (X 2 ) = −∞
x2 f (x)dx = 2
x2 · 24
x4
dx = 24 2
x−2 dx = 24 · |
−1 2
= 12.
M (X)
Deci D(X) = 12 − 9 = 3, iar D(X)
= 1.
d) Notăm Y = 3X − 1.
x+1
x+1 x+1
0, 3
≤2
FY (x) = P (Y < x) = P (3X−1 < x) = P (X < 3
) = FX 3
= .
1 − 8( x+1 )−3 , x+1
>2
3 3
Deci
0, x≤5
FY (x) = .
1− 8·27
(x+1)3
, x>5