Probabiliti i statistic
3
CUPRINS
Introducere...........................................................................................................7 Capitolul 1. Teoria probabilitilor...................................................................11 1.1. Formalizarea experienelor aleatoare..............................................11 1.1.1. Evenimente...........................................................................11 1.2. Relaii ntre evenimente...................................................................12 1.3. Cmp de evenimente........................................................................14 1.4. Cmp de probabilitate......................................................................15 1.5. Reguli de calcul cu probabiliti......................................................17 Capitolul 2. Variabile aleatoare.........................................................................27 2.1. Variabile aleatoare discrete..............................................................27 2.2. Vector aleator bidimensional...........................................................32 2.3. Caracteristici numerice asociate variabilelor aleatoare....................36 2.4. Funcia caracteristic. Funcia generatoare de momente.................51 2.5. Probleme rezolvate...........................................................................53 2.6. Probleme propuse.............................................................................66 Capitolul 3. Legi clasice de probabilitate (repartiii) ale variabilelor aleatoare discrete.............................................................................69 3.1. Legea discret uniform...................................................................69 3.2. Legea binomial. Legea Bernoulli...................................................71 3.3. Legea binomial cu exponent negativ. Legea geometric...............79 3.4. Legea hipergeometric.....................................................................83 3.5. Legea Poisson (legea evenimentelor rare) ......................................86 Capitolul 4. Legi clasice de probabilitate (repartiii) ale variabilelor aleatoare continue..........................................................................91 4.1. Legea continu uniform (rectangular).........................................91 4.2. Legea normal (Gauss-Laplace). Legea normal standard (legea normal centrat redus).................................................................95 4.3. Legea log-normal........................................................................105 4.4. Legea gamma.................................................................................107 4.5. Legea beta.....................................................................................112 4.6. Legea 2 (Helmert-Pearson) ........................................................114 4.7. Legea Student (t). Legea Cauchy..................................................119 4.8. Legea Snedecor. Legea Fisher......................................................123 4.9. Legea Weibull. Legea exponenial..............................................127
4
Capitolul 5. Convergena variabilelor aleatoare............................................131 5.1. Convergena aproape sigur i convergena n probabilitate..........131 5.2. Legi ale numerelor mari i aplicaii ...............................................137 5.2.1. Legea slab............................................................................137 5.2.2. Legea tare..............................................................................138 5.3. Convergena n repartiie................................................................148 5.4. Teorema limit central ................................................................155
Capitolul 6. Simularea variabilelor aleatoare ...............................................163 6.1. Simularea repartiiilor pe dreapt..................................................164 6.2. Algoritmul general: teorema de descompunere.............................173 6.3. Algoritmi speciali: repartiii uniforme...........................................180 Capitolul 7. Statistic descriptiv....................................................................185 7.1. Prezentarea datelor statistice..........................................................185 7.2. Caracteristici numerice..................................................................191 7.3. Corelaie. Regresie.........................................................................196 Capitolul 8. Teoria seleciei..............................................................................201 8.1. Generarea valorilor particulare ale unei variabile aleatoare..........201 8.2. Variabile de eantionare................................................................204 8.3. Legi de probabilitate ale variabilelor de eantionare....................210 Capitolul 9. Teoria estimaiei...........................................................................215 9.1. Estimatori nedeplasai...................................................................215 9.2. Estimatori de maxim verosimilitate.............................................216 Capitolul 10. Estimarea prin intervale de ncredere......................................219 10.1. Forma general a intervalului de ncredere .................................219 10.2. Interval de ncredere pentru medie...............................................221 10.3. Interval de ncredere pentru diferena a dou medii.....................226 10.4. Interval de ncredere pentru dispersie i raportul a dou dispersii........................................................................................229 Capitolul 11. Teoria deciziei.............................................................................233 11.1. Decizii empirice .......................................................................233 11.2. Decizii statistice...........................................................................233 11.3. Ipoteze statistice...........................................................................234 11.4. Teste statistice..............................................................................234 11.5. Tipuri de erori..............................................................................234 11.6. Nivel de semnificaie ..................................................................235 11.7. Un exemplu..................................................................................236 11.8. Relaia dintre probabilitile i ..............................................239 11.9. Puterea unui test...........................................................................240
5
11.10. nc un exemplu.........................................................................242 11.11. Testarea irurilor binare.............................................................243 11.12. Testarea statistic a irurilor binare...........................................243 11.13. Noiunea de P-valoare................................................................245 11.14. Un exemplu: statistic repartizat normal..................................247 11.15. Alt exemplu: statistic repartizat 2.........................................249 Capitolul 12. Analiza regresiei.........................................................................251 12.1. Modele de regresie.......................................................................251 12.2. Modelul liniar. Estimarea parametrilor modelului prin metoda celor mai mici ptrate...................................................................255 12.3. Modelul liniar clasic Gauss - Markov. Inferene asupra estimatorilor unui model liniar.....................................................259 12.4. Previziunea i analiza rezultatelor unei regresii liniare................265 Capitolul 13. Statistic Bayesian i noiuni de teoria credibilitii.............281 13.1. Statistic Bayesian......................................................................281 13.2. Modelul de credibilitate Bhlmann..............................................289 Bibliografie........................................................................................................295 Anexe.................................................................................................................297
7
Introducere
Teoria probabilitilor i statistica matematic se aplic n majoritatea domeniilor tiinei, ncepnd cu tiinele exacte i inginereti i finaliznd cu tiinele socio-economice, n special acolo unde exist condiii de risc i incertitudine i unde este necesar adoptarea unor decizii riguros argumentate. Una dintre construciile de baz n fundamentele statisticii i teoriei probabilitilor, precum i n justificarea aplicrii acestora n alte domenii, este dat de legea numerelor mari teorem binecunoscut care i aparine matematicianului Jakob Bernoulli (1654-1705), fiind aprut n lucrarea postum Ars conjectandi (1713). Printre ali matematicieni care au rmas celebri n teoria probabilitilor i statistic, i amintim pe: de Moivre, Laplace, Gauss, Bertrand, Poincar, Cebev, Liapunov, Markov, Borel, Kolmogorov, Glivenko. De asemenea, coala romneasc de probabiliti, fondat de Octav Onicescu, i reprezentat de nume precum Gheorghe Mihoc i Marius Iosifescu, a adus contribuii semnificative n dezvoltarea acestui domeniu. Cartea de fa i propune s vin n sprijinul studenilor care au ca disciplin de studiu, n cadrul a diferite specializri, disciplina Probabiliti i statistic, oferindu-le acestora o gam larg de aspecte teoretice, nsoite de exemple i aplicaii. Ca structur, cartea se fundamenteaz pe baza a treisprezece capitole, ase dintre acestea fiind dedicate Teoriei probabilitilor, respectiv apte capitole, Statisticii matematice. n Capitolul 1, sunt prezentate concepte de baz ale teoriei probabilitilor, mai precis, experiene aleatoare, evenimente, probabilitate, reguli de calcul cu probabiliti, n timp ce n Capitolul 2, sunt abordate noiuni precum variabile aleatoare, caracteristici numerice ale variabilelor aleatoare, funcia caracteristic, funcia generatoare de momente. n Capitolul 3 sunt prezentate principalele legi de probabilitate ale variabilelor aleatoare discrete i anume: legea discret uniform, legea binomial i cazul su particular legea Bernoulli, legea binomial cu exponent negativ i cazul particular legea geometric, legea hipergeometric i legea Poisson (legea evenimentelor rare), iar n Capitolul 4 sunt prezentate principalele legi de probabilitate ale variabilelor aleatoare continue, i anume: legea continu uniform (rectangular), legea normal (Gauss-Laplace), legea log-normal, legea gamma, legea beta, legea 2 (Helmert-Pearson), legea Student (t) i cazul su particular legea Cauchy, legea Snedecor i legea Fisher, legea Weibull i cazul su particular, legea exponenial. Capitolul 5 se construiete n jurul convergenei, de diferite tipuri, a variabilelor aleatoare, fiind menionate convergena aproape sigur, convergena n probabilitate, convergena n repartiie, precum i legile numerelor mari i teorema limit central. Partea aferent teoriei probabilitilor se ncheie cu Capitolul 6, dedicat algoritmilor de simulare a variabilelor aleatoare. n Capitolul 7, se studiaz elemente de
8
statistic descriptiv i aspecte privind organizarea datelor, ct i analiza acestora, punndu-se accentul pe modalitile de reprezentare, dar i pe gsirea diverselor mrimi caracteristice. Noiunile sunt nsoite de exemple adecvate i actuale. n Capitolul 8 sunt prezentate noiuni de teoria seleciei, ncepnd cu descrierea generrii unor valori particulare ale variabilelor aleatoare discrete sau continue i continund cu legi de probabilitate ale variabilelor de eantionare. Capitolul 9 conine o scurt introducere n teoria estimaiei. Se prezint, cu multe exemple, conceptele de estimator nedeplasat i estimator de maxim verosimilitate. n Capitolul 10, sunt prezentate intervalele de ncredere pentru principalii parametri statistici. Astfel, capitolul debuteaz cu fundamentarea formei generale a unui interval de ncredere, ca metod de estimare statistic, dup care sunt prezentate pe rnd, intervalul de ncredere pentru medie, incluznd cazul cnd dispersia este necunoscut, respectiv cazul particular al unei proporii, apoi interval de ncredere pentru diferena a dou medii, respectiv, interval de ncredere pentru dispersie i pentru raportul a dou dispersii, toate acestea nsoite de exemple practice. Capitolul 11 prezint succint teoria deciziei. Sunt descrise noiunile de ipotez statistic, test statistic, tipuri de erori, nivel de semnificaie, putere a unui test, p-valoare. Exemplele sunt luate din practica testrii irurilor binare n ceea ce privete caracterul aleator. n Capitolul 12, sunt prezentate tehnici de analiz a regresiei, att prin intermediul aspectelor teoretice, ct i prin intermediul unor exemple. n primul paragraf sunt trecute n revist noiunile de baz, fiind definite diverse tipuri de modele de regresie, urmnd ca n ultimele trei paragrafe spaiul s fie alocat cu precdere modelului liniar. Astfel, este prezentat metoda celor mai mici ptrate n estimarea parametrilor necunoscui ai unui model liniar multiplu, sunt realizate inferene asupra estimatorilor unui model liniar n ipotezele clasice Gauss-Markov, capitolul ncheindu-se cu aspecte care in de previziunea i analiza rezultatelor unei regresii liniare. Cartea se ncheie cu Capitolul 13 n care sunt abordate aspecte care in de statistica bayesian i noiuni de teoria credibilitii. Cartea de fa a fost elaborat n cadrul proiectului POSDRU/56/1.2/S/32768, Formarea cadrelor didactice universitare i a studenilor n domeniul utilizrii unor instrumente moderne de predare-nvare-evaluare pentru disciplinele matematice, n vederea crerii de competene performante i practice pentru piaa muncii, de ctre un colectiv de autori, cadre didactice universitare, astfel: capitolele 1 i 2, Lucia Cbulea, capitolele 3 i 4, Rodica Luca-Tudorache, capitolele 5, 6 i 13, Gheorghi Zbganu, capitolele 7 i 8, Ariana Pitea, capitolele 9 i 11, Ioan Rasa, respectiv capitolele 10 i 12, Nicoleta Breaz. Finanat din Fondul Social European i implementat de ctre Ministerul Educaiei, Cercetrii, Tineretului i Sportului, n colaborare cu The Red Point, Oameni i Companii, Universitatea din Bucureti, Universitatea Tehnic de Construcii din Bucureti, Universitatea Politehnica din Bucureti, Universitatea din Piteti, Universitatea Tehnic Gheorghe Asachi din Iai, Universitatea de Vest din Timioara, Universitatea Dunrea de Jos din Galai, Universitatea Tehnic din Cluj-Napoca, Universitatea 1 Decembrie 1918 din
9
Alba-Iulia, proiectul contribuie n mod direct la realizarea obiectivului general al Programului Operaional Sectorial de Dezvoltare a Resurselor Umane POSDRU i se nscrie n domeniul major de intervenie 1.2 Calitate n nvmntul superior. Proiectul are ca obiectiv adaptarea programelor de studii ale disciplinelor matematice la cerinele pieei muncii i crearea de mecanisme i instrumente de extindere a oportunitilor de nvare. Evaluarea nevoilor educaionale obiective ale cadrelor didactice i studenilor legate de utilizarea matematicii n nvmntul superior, masterate i doctorate precum i analizarea eficacitii i relevanei curriculelor actuale la nivel de performan i eficien, n vederea dezvoltrii de cunotine i competene pentru studenii care nva discipline matematice n universiti, reprezint obiective specifice de interes n cadrul proiectului. Dezvoltarea i armonizarea curriculelor universitare ale disciplinelor matematice, conform exigenelor de pe piaa muncii, elaborarea i implementarea unui program de formare a cadrelor didactice i a studenilor interesai din universitile partenere, bazat pe dezvoltarea i armonizarea de curriculum, crearea unei baze de resurse inovative, moderne i funcionale pentru predarea-nvarea-evaluarea n disciplinele matematice pentru nvmntul universitar sunt obiectivele specifice care au ca rspuns materialul de fa. Formarea de competene cheie de matematic i informatic presupune crearea de abiliti de care fiecare individ are nevoie pentru dezvoltarea personal, incluziune social i inserie pe piaa muncii. Se poate constata ns c programele disciplinelor de matematic nu au ntotdeauna n vedere identificarea i sprijinirea elevilor i studenilor potenial talentai la matematic. Totui, studiul matematicii a evoluat n exigene pn a ajunge s accepte provocarea de a folosi noile tehnologii n procesul de predare - nvare - evaluare pentru a face matematica mai atractiv. n acest context, analiza flexibilitii curriculei, nsoit de analiza metodelor i instrumentelor folosite pentru identificarea i motivarea studenilor talentai la matematic ar putea rspunde deopotriv cerinelor de mas, ct i celor de elit. Viziunea pe termen lung a acestui proiect preconizeaz determinarea unor schimbri n abordarea fenomenului matematic pe mai multe planuri: informarea unui numr ct mai mare de membri ai societii n legtur cu rolul i locul matematicii n educaia de baz n instrucie i n descoperirile tiinifice menite s mbunteasc calitatea vieii, inclusiv popularizarea unor mari descoperiri tehnice, i nu numai, n care matematica cea mai avansat a jucat un rol hotrtor. De asemenea, se urmrete evidenierea a noi motivaii solide pentru nvarea i studiul matematicii la nivelele de baz i la nivel de performan; stimularea creativitii i formarea la viitorii cercettori matematicieni a unei atitudini deschise fa de nsuirea aspectelor specifice din alte tiine, n scopul participrii cu succes n echipe mixte de cercetare sau a abordrii unei cercetri inter i multidisciplinare; identificarea unor forme de pregtire adecvat de matematic pentru viitorii studeni ai disciplinelor
10
matematice, n scopul utilizrii la nivel de performan a aparatului matematic n construirea unei cariere profesionale.
11
Capitolul 1
Teoria probabilitilor 1.1. Formalizarea experienelor aleatoare
1.1.1. Evenimente
Definiia 1.1.1. Realizarea practic a unui ansamblu de condiii bine precizat poart numele de experien sau prob. Definiia 1.1.2. Prin eveniment vom nelege orice rezultat al unei experiene despre care putem spune c s-a realizat sau c nu s-a realizat, dup efectuarea experimentului considerat. Evenimentele se pot clasifica n: evenimente sigure; evenimente imposibile, evenimente aleatoare. Definiia 1.1.3. Evenimentul sigur este evenimentul care se produce n mod obligatoriu la efectuarea unei probe i se noteaz cu . Definiia 1.1.4. Evenimentul imposibil este evenimentul care n mod obligatoriu nu se produce la efectuarea unei probe i se noteaz cu . Definiia 1.1.5. Evenimentul aleator este evenimentul care poate sau nu s se realizeze la efectuarea unei probe i se noteaz prin litere mari A, B, C, , sau prin litere mari urmate de indici Ai, Bi,. Definiia 1.1.6. Evenimentul contrar evenimentului A se noteaz i este evenimentul ce se realizeaz numai atunci cnd nu se realizeaz evenimentul A. Definiia 1.1.7. Un eveniment se numete:
1) elementar dac se realizeaz ca rezultat al unei singure probe; se noteaz cu .
2) compus dac acesta apare cu dou sau mai multe rezultate ale probei considerate.
Definiia 1.1.8. Mulimea tuturor evenimentelor elementare generate de un experiment aleator se numete spaiul evenimentelor elementare (spaiul de selecie) i se noteaz cu . Acesta poate fi finit sau infinit.
12
Observaia 1.1.9. O analogie ntre evenimente i mulimi permite o scriere i n general o exprimare mai comode ale unor idei i rezultate legate de conceptul de eveniment. Astfel, vom nelege evenimentul sigur ca mulime a tuturor evenimentelor elementare, adic: n ,...,, 21 i orice eveniment compus ca o submulime a lui . De asemenea, putem vorbi despre mulimea tuturor prilor lui pe care o notm prin P( ), astfel c pentru un eveniment compus A putem scrie, n contextul analogiei dintre evenimente i mulimi, c A sau )(PA . Exemplul 1.1.10. Fie un zar, care are cele ase fee marcate prin puncte de la 1 la 6. Se arunc zarul pe o suprafa plan neted. Dac notm cu i = evenimentul "apariia feei cu i puncte", 6,1i , atunci spaiul evenimentelor elementare ataat experimentului cu un zar este dat prin ={ 1 , 2 , 3 , 4 , 5 , 6 }.
Evenimentul sigur este "apariia feei cu un numr de puncte 6". Evenimentul imposibil este "apariia feei cu 7 puncte".
1.2. Relaii ntre evenimente Definiia 1.2.1. Spunem c evenimentul A implic evenimentul B i scriem BA , dac realizarea evenimentului A atrage dup sine i realizarea evenimentului B. Observaia 1.2.2. BA i CB rezult CA - proprietatea de tranzitivitate a relaiei de implicare. Definiia 1.2.3. Spunem c evenimentele A i B sunt echivalente (egale) dac avem simultan BA i AB . Definiia 1.2.4. Prin reunirea evenimentelor A i B vom nelege evenimentul notat BA care const n realizarea a cel puin unuia dintre evenimentele A i B. Deoarece evenimentele A i B sunt submulimi formate cu evenimentele elementare ale spaiului , rezult c reunirea evenimentelor poate fi scris astfel:
BsauABA /
Observaia 1.2.5. Dac notm prin K mulimea tuturor evenimentelor asociate unui experiment aleator avem:
1. ABBAKB,A (comutativitatea); 2. )CB(AC)BA(KC,B,A (asociativitatea);
13
3. Dac KB,A i BBABA (evident A , AA , i AA ).
Definiia 1.2.6. Prin intersecia evenimentelor A i B vom nelege evenimentul notat BA care const n realizarea simultan a ambelor evenimente. Intersecia evenimentelor A i B poate fi scris sub forma:
BiABA /
Observaia 1.2.7. Au loc relaiile urmtoare: 1. ABBAKB,A (comutativitatea) 2. )CB(AC)BA(KC,B,A (asociativitatea) 3. Dac KB,A i BA atunci ABA (evident AA , A = , = i AAA ).
4. AAKA
Definiia 1.2.8. Spunem c evenimentele A i B sunt incompatibile dac BA , adic realizarea lor simultan este imposibil, i spunem c sunt
compatibile dac BA , adic este posibil realizarea lor simultan. Evenimentele A i B sunt contrare unul altuia dac BA i BA , adic realizarea unuia const din nerealizarea celuilalt. Definiia 1.2.9. Se numete diferena evenimentelor A i B, evenimentul notat A-B care se realizeaz atunci cnd se realizeaz evenimentul A i nu se realizeaz evenimentul B. Diferena evenimentelor poate fi scris sub forma:
BiABA /
Observaia 1.2.10. Evident avem BABA i AAE . Au loc relaiile lui De Morgan: BABA i BABA i
respectiv generalizrile Ii
iIi
i AA
; Ii
iIi
i AA
.
Teorema 1.2.11. Dac evenimentele A, B, C, D K, atunci sunt adevrate urmtoarele afirmaii:
i) A B = A (A B) ii) A B = (A B) B iii) A = (A B) (A B) iv) (A B) (B A) = v) A B = A [B - (A B)] vi) A (B C) = (A B) - (A C) vii) (A B) (C D) = (A C) (B D)
14
Definiia 1.2.12. Evenimentele A i B sunt dependente dac realizarea unuia depinde de realizarea celuilalt i sunt independente dac realizarea unuia nu depinde de realizarea celuilalt.
O mulime de evenimente sunt independente n totalitatea lor dac sunt independente cte dou, cte trei etc.
Pentru evenimentele independente n totalitatea lor vom folosi i denumirea de evenimente independente.
1.3. Cmp de evenimente Definiia 1.3.1. O mulime nevid de evenimente )( PK se numete corp dac satisface axiomele:
i) KAKA ii) KBAKB,A . Cuplul ( , K) se numete cmp finit de evenimente, n cazul n care K
este un corp. Observaia 1.3.2.
1. ntr-un cmp finit de evenimente ( , K) sunt adevrate afirmaiile: a. KBAKBA , b. Evident K i K . c. Dac A, B K atunci KBA . 2. Dac mulimea evenimentelor elementare este numrabil, o mulime )( PK se numete corp borelian (sau -corp, sau -algebr) pe , n
condiiile: i) KAKA , ii) dac IN, I i Ai K, Ii , atunci KA
Iii
,
iii) K . Perechea ( , K) n care K este un -corp se numete cmp borelian
(cmp infinit) de evenimente. Definiia 1.3.3. ntr-un cmp finit de evenimente ( , K), evenimentele KA i ,
n,1i , formeaz un sistem complet de evenimente (sau o partiie a cmpului) dac:
i)
n
iiA
1
ii) ji AA ,ji n,1j,i
15
Observaia 1.3.4. Evenimentele elementare i , ,n,1i corespunztoare unei probe formeaz un sistem complet de evenimente care se mai numete sistem complet elementar. Propoziia 1.3.5. Dac n ,...,, 21 atunci cmpul de evenimente corespunztor conine 2n evenimente. Demonstraie
Pentru un experiment de n rezultate elementare i prin urmare pentru un eveniment sigur compus din n evenimente elementare, vom avea diverse evenimente compuse din acestea dup cum urmeaz:
evenimente compuse din cte zero evenimente elementare 0nC evenimente compuse din cte un eveniment elementar 1nC evenimente compuse din cte dou evenimente elementare 2nC - - - - - - - - - - - - - - - - evenimente compuse din cte k evenimente elementare knC evenimente compuse din cte n evenimente elementare nnC
i prin urmare, numrul total de evenimente ale lui K este egal cu nn
nknnn CCCC 2......
10
1.4. Cmp de probabilitate Definiia 1.4.1.(axiomatic a probabilitii) Fie ( , K) un cmp finit de evenimente. Se numete probabilitate pe cmpul considerat o funcie RK:P care satisface axiomele:
i) KAAP ,0)( , ii) P( )=1, iii) ),B(P)A(P)BA(P A, B ,K i BA .
Definiia 1.4.2. Se numete cmp finit de probabilitate tripletul { , , K, P} unde cuplul ( , K) este un cmp finit de probabilitate, iar RK:P este o probabilitate pe K. Observaia 1.4.3. n cazul n care cmpul de evenimente ( , K) este infinit (K este infinit) probabilitatea P definit pe K satisface axiomele:
i) KA,0)A(P ii) P( )=1
16
iii)
Iii
Iii APAP dac ji AA ,ji ,Ij,i ,KA i
I-o mulime de indici cel mult numrabil. Propoziia 1.4.4. Au loc relaiile:
1. 0 P 2. AP1AP 3.
n
1ii
n
1ii APAP dac ji AA ,ji n,1j,i
Demonstraie
1) Din relaiile = i = aplicnd axioma iii) din definiia probabilitii avem P( ) = P( ) = P() + P( ) i rezult P() = 0
2) Din relaiile AA i AA aplicnd axioma iii) din definiia probabilitii avem )()()( APAPAAP adic
)()()( APAPP i rezult )(1)( APAP 3) Demonstrm prin inducie matematic Pentru n = 2 P(A1 A2) = P(A1) + P(A2) relaia este adevrat conform
axiomei iii) din definiia probabilitii. Presupunem relaia adevrat pentru n 1 evenimente, adic
1
1
1
1
)(n
ii
n
ii APAP i demonstrm pentru n evenimente
n
ii
n
inin
n
iin
n
ii
n
ii APAPAPAPAPAAPAP
1
1
1
1
1
1
11
)()()()(
dac s-a folosit ipoteza de inducie i s-a inut seama c 1
1
n
n
ii AA .
Definiia 1.4.5. (clasic a probabilitii) Probabilitatea unui eveniment A este egal cu raportul dintre numrul evenimentelor egal probabile favorabile evenimentului A i numrul total al evenimentelor egal probabile.
Alt formulare: probabilitatea unui eveniment este raportul ntre numrul cazurilor favorabile evenimentului i numrul cazurilor posibile. Observaia 1.4.6.
1) Conform acestei definiii nu putem stabili probabilitatea unui eveniment ce aparine unui cmp infinit de evenimente.
2) Definiia clasic se aplic numai atunci cnd evenimentele elementare sunt egal posibile.
17
Exemplul 1.4.7. Considerm experiena de aruncare a unui zar. Evenimentele elementare sunt egal posibile i avem 6 cazuri posibile. Notm cu A evenimentul "apariia unei fee cu numr par de puncte 6 " numrul cazurilor favorabile
evenimentului A este 3. Deci 21
63)A(P .
Exemplul 1.4.8. Dintr-o urn cu 15 bile numerotate de la 1 la 15 se extrage o bil la ntmplare. Se consider evenimentele:
A = obinerea unui numr prim; B = obinerea unui numr par; C =obinerea unui numr divizibil prin 3. S calculm probabilitile acestor evenimente.
Rezolvare
n aceast experien aleatoare numrul total al cazurilor posibile este 15.
Pentru A numrul cazurilor favorabile este 6, adic {2, 3, 5, 7, 11, 13},
deci 52
156)A(P .
Pentru B numrul cazurilor favorabile este 7, adic {2, 4, 6, 8, 10, 12,
14}, deci 157)B(P .
Pentru C, numrul cazurilor favorabile este 5, adic { 3, 6, 9, 12, 15},
deci 31
155)C(P .
1.5. Reguli de calcul cu probabiliti P1) Probabilitatea diferenei: Dac KB,A i BA atunci
P(B-A)=P(B)-P(A)
Demonstraie Din relaiile B = A (B - A) i A (B - A) = aplicnd axioma iii)
avem )()()()( ABPAPABAPBP P2) Probabilitatea reunirii (formula lui Poincar):
Dac KB,A atunci )()()()( BAPBPAPBAP . Demonstraie
Din relaiile )( BABABA i )( BABA aplicnd axioma iii) avem
)()()()()()( BAPBPAPBABPAPBAP
18
dac s-a folosit P1. Generalizare: Dac A1,A2,An sunt evenimente compatibile atunci
n
ii
n
kjikji
n
jiji
ji
n
ii
n
ii APAAAPAAPAPAP
1
1
1,11
)1(...)()()(
P3) Probabiliti condiionate: Dac 0)B(P atunci raportul )B(P
)BA(P l
numim probabilitatea lui A condiionat de B i notm PB(A) sau )BA(P . Demonstraie
Artm c )(APB satisface axiomele probabilitii: i) 0)( APB deoarece 0)( BAP i 0)( BP
ii) 1)()(
)()()(
BPBP
BPEBPEPB
iii) Fie A1 i A2 K i 21 AA . Avem
)()()(
)()(
)()(
)()()(
)()()(
)()(
212121
212121
APAPBP
ABPBP
ABPBP
ABPABPBP
ABABPBP
AABPAAP
BB
B
,
dac )()( 21 ABAB . Observaia 1.5.1.
1) Oricrui cmp de evenimente ( ,K) i putem ataa un cmp de probabilitate condiionat { , K, PB}.
2) )A(P)B(P)BA(P B - formula de calcul a interseciei a dou evenimente dependente. Are loc o generalizare: dac A1, A2, An sunt evenimente dependente atunci
).A(P)....A(P)A(P)A(PAP nA
3AA2A1
n
1ii 1n
1ii
211
3) Dac evenimentele A i B sunt independente atunci PB(A)=P(A) i )B(P)A(P)BA(P - formula de calcul a interseciei a dou evenimente
independente. Generalizare:
Dac A1, A2, An sunt evenimente independente atunci
n
1ii
n
1ii )A(PAP .
19
4) Dac evenimentele A i B se condiioneaz reciproc i 0)B(P,0)A(P atunci )A(P)B(P)B(P)A(P BA .
P4) Probabilitatea reunirii evenimentelor independente. Dac A1, A2, An sunt
evenimente independente, atunci:
n
1ii
n
1ii )A(P11AP
Demonstraie
Folosind relaiile lui De Morgan n
ii
n
ii AA
11
i faptul c Ai sunt
evenimente independente implic
n
ii
n
ii
n
ii
n
ii
n
ii APAPAPAPAP
11111
)(11)(111 P5) Inegalitatea lui Boole: A1, A2, An, sunt evenimente dependente atunci
n
ii
n
ii
n
iAPnAPAiP
111
)(1)1()( Demonstraie
Verificm inegalitatea din enun prin inducie matematic. Pentru n = 2 avem )()()()( 212121 AAPAPAPAAP dac
1)( 21 AAP i rezult 1)()()( 2121 APAPAAP relaia este adevrat. Presupunem inegalitatea adevrat pentru n-1 adic
)2()(1
1
1
1
nAPAPn
ii
n
ii i demonstrm pentru n.
Avem succesiv
)1()(1)()2()(
1)(
1
1
1
1
1
1
11
nAPAPnAP
APAPAAPAP
n
iin
n
ii
n
n
iin
n
ii
n
ii
dac s-a inut seama de ipoteza de inducie. P6) Formula probabilitii totale: Dac A1A2, An este un sistem complet de
evenimente i X K atunci P(X)= .)X(P)A(Pn
1iAi i
20
Demonstraie
Din ipoteza c Ai, ni ,1 este un sistem complet de evenimente rezult c )(...)()( 21 XAXAXAX n
Deoarece njijiAA ji ,1, , , avem c
njijiAXAX ji ,1, , ,)()( Avem succesiv
n
i
n
iAii
n
ii XPAPXAPXAPXP i
1 11
)()()()()( P7) Formula lui Bayes: Dac A1, A2, An este un sistem complet de evenimente al cmpului ( , K) i KX atunci:
PX(Ai)=
n
1iAi
Ai
)X(P)A(P
)X(P)A(P
i
i , n,1i
Demonstraie
Deoarece )()()( iXi APXPAXP i )()()( XPAPAXP
iAii avem )()()()( XPAPAPXP
iAiiX , deci
n
iAi
AiAiiX
XPAP
XPAPXP
XPAPAP
i
ii
1)()(
)()()(
)()()( dac s-a folosit formula
probabilitii totale. Exemplul 1.5.2. Cele 26 de litere ale alfabetului, scrise fiecare pe un cartona, sunt introduse ntr-o urn. Se cere probabilitatea ca extrgnd la ntmplare de 5 ori cte un cartona i aezndu-le n ordinea extragerii s obinem cuvntul LUCIA. Rezolvare
Notm prin X evenimentul cutat, deci de a obine prin extrageri succesive cuvntul LUCIA, de asemenea notm prin A1 = evenimentul ca la prima extragere s obinem litera L; A2 = evenimentul ca la a doua extragere s obinem litera U; A3 = evenimentul ca la a treia extragere s obinem litera C; A4 = evenimentul ca la a patra extragere s obinem litera I; A5 = evenimentul ca la a cincea extragere s obinem litera A.
Atunci evenimentul X are loc dac avem 54321 AAAAAX . Rezult:
21
.221
231
241
251
261)(
)()()()()(
43215
3214213121
AAAAAP
AAAAPAAAPAAPAPXP
Exemplul 1.5.3. Dac probabilitatea ca un automobil s plece n curs ntr-o diminea friguroas este de 0,6 i dispunem de dou automobile de acest fel, care este probabilitatea ca cel puin unul din automobile s plece n curs ntr-o diminea friguroas? Rezolvare
Dac notm prin A1 i A2 evenimentele ca primul respectiv, al doilea automobil s plece n curs i prin X evenimentul cutat, deci ca cel puin unul dintre automobile s plece n curs, avem: 21 AAX , iar
)AA(P)X(P 21 (P)A(P)A(P 21 21 AA ), deoarece evenimentele 1A i 2A sunt compatibile (cele dou automobile pot s plece n curs deodat). Cum P( 1A ) = P( 2A ) = 0,6, iar evenimentele 1A i 2A sunt independente ntre ele (plecarea unui automobil nu depinde de plecarea sau neplecarea celuilalt), deci P( 21 AA ) = P( )A(P)A 21 =
2)6,0( . Se obine c P(X) = 0,6 + 0,6 - 2)6,0( = 0,84. Exemplul 1.5.4. Trei secii ale unei ntreprinderi 321 S,S,S depesc planul zilnic de producie cu probabilitile de respectiv 0,7; 0,8 i 0,6. S se calculeze probabilitile evenimentelor:
A - cel puin o secie s depeasc planul de producie. B - toate seciile s depeasc planul de producie.
Rezolvare
Fie iA evenimentul ca secia iS s depeasc planul de producie. Avem: A = 321 AAA , deci
P(A) = P )AAA(P1)AAA( 321321 = )A(P)A(P)A(P1 321 = 1- (1-0,7)(1-0,8)(1-0,6) = 976,04,02,03,01 . B = 321 AAA i innd seama de independena evenimentelor, avem: P(B) = 336,06,08,07,0)A(P)A(P)A(P)AAA(P 321321 . Exemplul 1.5.5. O pres este considerat c satisface standardul de fabricaie dac trei caracteristici sunt satisfcute. Dac aceste caracteristici A, B i C sunt
satisfcute cu probabilitile P(A) = 109 , P(B) =
117
i P(C) = 1211 , atunci
probabilitatea ca s fie satisfcute toate trei caracteristicile se poate evalua cu formula lui Boole. Astfel se poate scrie:
22
P( ,)C(P)B(P)A(P1)CBA adic P(
660229
121
114
1011)CBA
.
Exemplul 1.5.6. Un sortiment de marf dintr-o unitate comercial provine de la
trei fabrici diferite n proporii, respectiv 31
de la prima fabric, 61 de la a doua
fabric i restul de la fabrica a treia. Produsele de la cele trei fabrici satisfac standardele de fabricaie n proporie de 90%, 95% i respectiv 92%. Un client ia la ntmplare o bucat din sortimentul de marf respectiv.
a) Care este probabilitatea ca produsul s satisfac standardele de fabricaie?
b) Care este probabilitatea ca produsul s fie defect i s provin de la prima fabric? Rezolvare
a) Notm cu 21 A,A i 3A evenimentele ca produsul cumprat s fie de la prima, a doua, respectiv a treia fabric. Aceste trei evenimente formeaz un
sistem complet de evenimente i au probabilitile P(61)A(P,
31)A 21 i
21)( 3 AP . Dac A este evenimentul c produsul cumprat de client satisface
standardele de fabricaie, atunci P(A ,90,0)A1 P( 95,0)AA 2 i
P( 92,0)AA 3 . Folosind formula probabilitii totale se obine:
918,0651,592,0
2195,0
6190,0
91
)()()()()()()( 332211
AAPAPAAPAPAAPAPAP
b) Folosind formula lui Bayes, avem:
P(
)AA(P)A(P)AA(P)A(P)AA(P)A(P
)AA(P)A(P)AA
332211
111
= .408,049,02,0
08,02105,0
6110,0
31
10,031
Exemplul 1.5.7. Un student solicit o burs de studii la 3 universiti. Dup trimiterea actelor necesare, acesta poate obine burs de la universitatea i (Ui) sau nu )( iU , 1 i 3 . Scriei evenimentele ce corespund urmtoarelor situaii : a) primete o burs;
23
b) primete cel mult o burs; c) primete cel puin o burs; d) primete cel puin dou burse. Rezolvare
a) Bursa primit poate fi de la prima universitate, caz n care celelalte nu-i acord burs, sau de la a doua, caz n care prima i a treia nu-i acord burs, sau de la a treia, caz n care primele dou nu-i acord burs. Avem astfel evenimentul
)()()( 321321321 UUUUUUUUUA . b) Avem dou variante : studentul nu primete nici o burs sau studentul
primete o burs. Obinem evenimentul AUUUB )( 321 .
c) Evenimentul poate fi scris ca reuniunea a trei evenimente : studentul primete o burs, dou burse, trei burse. Astfel FEAC , unde
)()()( 321321321 UUUUUUUUUE , iar 321 UUUF . d) Avem FED . Altfel, evenimentul D este contrar evenimentului
B, deci AUUUBD )( 321 . Exemplul 1.5.8. ntr-un grup de studeni aflai n excursie se gsesc 6 fete i 9 biei. Se aleg la ntmplare doi studeni pentru a cerceta traseul. Care este probabilitatea ca cei doi s fie : a) biei; b) fete; c) un biat i o fat; d) cel puin un biat; e) primul biat i a doua fat; f) de acelai sex. Rezolvare
Notm cu A1 i A2 evenimentele alegerii unui biat la prima, respectiv a doua alegere. La primul punct avem de calculat probabilitatea )( 21 AAP . ntruct a doua alegere depinde de prima avem :
3512
148
159)()()( 12121 AAPAPAAP ,
deoarece alegnd un biat mai rmn n grup 14 studeni ntre care 8 biei. Evenimentul de la punctul b) se scrie astfel : 21 AAB . Deci
71
145
156)()()()( 12121 AAPAPAAPBP .
24
Evenimentul de la punctul c) este )()( 1221 AAAAC aadar )()()( 1221 AAPAAPCP , 1221 ,( AAAA sunt incompatibile)
Dar 146
159)/()()( 12121 AAPAPAAP ,
iar 149
156)/()()( 12112 AAPAPAAP
de unde 3518
146
1592)( CP .
Am obinut i probabilitatea evenimentului de la punctul e) )( 21 AAP . Evenimentul de la punctul d) se exprim astfel : 21 AAD .
El este contrar evenimentului : 21 AAB , prin urmare
76
711)(1)( BPDP . Evenimentul de la ultimul punct f) este
)()( 2121 AAAAF . Cum )()( 2121 AAAA cele dou evenimente sunt incompatibile i deci
3517
71
3512)()()( 2121 AAPAAPFP .
Exemplul 1.5.9. La un examen de licen particip mai muli absolveni, ntre care numai trei din strintate. Probabilitatea ca primul student s promoveze este , probabilitatea ca al doilea s promoveze este 4/5, iar pentru al treilea 5/6. S se determine probabilitile ca : a) toi cei trei studeni s promoveze; b) cel puin unul s promoveze examenul. Rezolvare
Fie Ai evenimentul promovrii examenului de ctre studentul i, i=1,2,3. Evenimentul de la punctul a) este 321 AAAA , iar de la punctul b) este
321 AAAB . Evenimentele Ai sunt independente (rezultatele celor 3 studeni nedepinznd unul de celelalte), deci
21
65
54
43)()()()( 321 APAPAPAP .
Folosind proprietile probabilitii avem :
))(()()()()( 321321321 AAAPAPAAPAAAPBP ))()(()()()()( 323132121 AAAAPAPAAPAPAP
25
)()()())()(()()([)()()()(
3213231
323132121
APAPAPAAAAPAAPAAPAPAAPAPAP
).()()()( 321323121 AAAPAAPAAPAAP innd seama de independena evenimentelor Ai , i=1,2,3, avem:
.120119
65
54
43
65
54
65
43
54
43
65
54
43)()()(
)()()()()()()()()()(
321
323121321
APAPAP
APAPAPAPAPAPAPAPAPBP
Exemplul 1.5.10. Din mai multe controale asupra activitilor a trei magazine se apreciaz c n proporie de 90%, 80%, 70%, cele trei magazine au declarat marfa vndut. La un nou control, comisia de control solicit 50 de documente privind activitatea comercial: 20 de la primul magazin, 15 de la al doilea, 15 de la al treilea. Dintre acestea se alege unul la ntmplare pentru a fi verificat: a) Cu ce probabilitate documentul ales este corect (nregistrat)? b) Constatnd c este corect, cu ce probabilitate el aparine primului magazin? Rezolvare
a) Notm cu A1, A2, A3 evenimentul ca documentul controlat s provin de la primul, al doilea i respectiv al treilea magazin. Avem astfel
5015)(;
5015)(;
5020)( 321 APAPAP .
Fie A evenimentul ca documentul controlat s fie corect. Atunci A /
A1, A / A2, A / A3 reprezint evenimentul ca documentul controlat s fie corect tiind c el provine de la primul, al doilea, al treilea magazin. Prin urmare : P(A/A1)=0,90; P(A/A2)=0,80; P(A/A3)=0,70 . Cum {A1, A2, A3} este un sistem complet de evenimente
323121321 , AAAAAAEAAA
aplicnd formula probabilitii totale avem :
.81,070,0501580,0
501590,0
5020
)/()()/()()/()()( 332211
AAPAPAAPAPAAPAPAP
b) Aplicnd formula lui Bayes avem :
26
94
81,036,0
81,0
90,05020
)/()(
)/()()/( 3
1
111
i
ii AAPAP
AAPAPAAP .
(A1/A reprezint evenimentul ca documentul controlat s provin de la primul magazin tiind c a fost corect).
27
Capitolul 2
Variabile aleatoare Variabila aleatoare este una din noiunile fundamentale ale teoriei probabilitilor i a statisticii matematice. n cadrul unei cercetri experimentale se constat c ntre valorile numerice msurate exist diferene chiar dac rmn neschimbate condiiile de desfurare ale experimentului. Dac ne referim la o singur msurtoare, variabila aleatoare este acea mrime care n cadrul unui experiment poate lua o valoare necunoscut aprioric. Pentru un ir de msurtori, variabila aleatoare este o noiune care-l caracterizeaz din dou puncte de vedere: - caracterizare din punct de vedere cantitativ variabila ne d informaii privind valoarea numeric a mrimii msurate; - caracterizare din punct de vedere calitativ variabila aleatoare ne d informaii privind frecvena de apariie a unei valori numerice ntr-un ir. Dac valorile numerice ale unui ir de date aparin mulimii numerelor ntregi sau raionale atunci se definete o variabil aleatoare discret, iar n cazul aparteneei valorilor la mulimea numerelor reale se definete o variabil aleatoare continu. 2.1. Variabile aleatoare discrete
n ciuda faptului c dup repetarea unui experiment de un numr mare de ori intervine o anumit regularitate n privina apariiei unor rezultate ale acestuia, nu se poate preciza niciodat cu certitudine care anume dintre rezultate va apare ntr-o anumit prob. Din acest motiv cuvntul sau conceptul aleator trebuie neles sau gndit n sensul c avem de-a face cu experimente sau fenomene care sunt guvernate de legi statistice (atunci cnd exist un anumit grad de incertitudine privind apariia unui rezultat sau reapariia lui) i nu de legi deterministe (cnd tim cu certitudine ce rezultat va apare sau nu). Pentru ca astfel de experimente sau fenomene s fie cunoscute i prin urmare studiate, sunt importante i necesare dou lucruri i anume:
1. rezultatele posibile ale experimentului, care pot constitui o mulime finit, infinit sau numrabil sau infinit i nenumrabil;
2. legea statistic sau probabilitile cu care este posibil apariia rezultatelor experimentului considerat.
n linii mari i ntr-un neles mai larg, o mrime care ia valori la ntmplare sau aleatoriu dintr-o mulime oarecare posibil se numete variabil aleatoare (sau ntmpltoare). Se poate da i o definiie riguroas.
28
Definiia 2.1.1. Fie cmpul de probabilitate {, K, P}. Numim variabil aleatoare de tip discret o aplicaie X : R care verific condiiile:
i) are o mulime cel mult numrabil de valori; ii) Rx KxX )(
Observaia 2.1.2.
1) Dac K = P() atunci ii) este automat ndeplinit; 2) O variabil aleatoare de tip discret este deci o funcie univoc de
forma X : {x1, x2, xn, } R; 3) Se obinuiete ca valorile variabilei s se noteze n ordine
cresctoare adic ....x...xxx n321 , xi R, i = 1, 2, 4) Evenimentele Ai = X-1(xi) = { / X() = xi } K, oricare ar fi i
= 1, 2, 3, , X-1 : {x1, x2, xn, } K este inversa funciei X.
Definiia 2.1.3. Numim distribuia sau repartiia variabilei aleatoare X de tip
discret, tabloul de forma Iii
i
px
X
: unde xi, ,Ii sunt valorile posibile ale
variabilei aleatoare X iar pi este probabilitatea cu care variabila considerat X ia valoarea xi , adic pi = P(X = xi ), Ii mulimea I putnd fi finit sau cel mult numrabil. Observaia 2.1.4.
1) Evenimentele (X = xi ), i I formeaz un sistem complet de evenimente i 1
Iiip .
2) Variabila aleatoare pentru care mulimea valorilor este un interval finit sau infinit pe axa numerelor reale este variabil aleatoare continu.
3) Forma cea mai general a unei variabile aleatoare aparinnd unei clase de variabile aleatoare de tip discret se numete lege de probabilitate discret. Definiia 2.1.5. Spunem c variabilele aleatoare X i Y care au respectiv
distribuiile Iii
i
px
X
i
Jjj
j
qy
Y
sunt independente dac
P(X = xi , Y = yj) = P(X = xi ) P(Y = yj), .IxJ)j,i(
29
Definiia 2.1.6. Fie variabilele aleatoare X, Y care au respectiv distribuiile
Iii
i
px
X
i
Jjj
j
qy
Y
atunci variabila aleatoare sum X+Y, produs YX i ct
YX
(dac Jjy j ,0 ) vor avea distribuiile ,),( IxJjiij
ji
pyx
YX
IxJ)j,i(ij
ji
pyx
YX
, respectiv
IxJjiij
j
i
pyx
YX
),(
unde pij = P(X = xi, Y = yj)
(i,j) .IxJ Definiia 2.1.7. Se numete
a) produs al variabilei aleatoare X prin constanta real a, variabila
aleatoare notat prin Iii
i
pax
aX
:
b) sum a variabilei aleatoare X cu constanta real a, variabila
aleatoare notat prin Iii
i
pxa
Xa
:
c) putere a variabilei aleatoare X de exponent k, k Z , variabila
aleatoare Iii
kik
px
X
: cu condiia ca operaiile kix , Ii , s aib
sens. Observaia 2.1.8. Au loc relaiile Iipp
Jjiij
, i
Ii
jij Jjqp .,
Dac variabilele X,Y sunt independente atunci JIjiqpp jiij ),(, Definiia 2.1.9. Fie { , K, P} un cmp de probabilitate, iar X : R o variabil aleatoare. Numim funcie de repartiie ataat variabilei aleatoare X funcia F : R [0, 1], definit prin F(x) = xXP , ,Rx adic F(x)= Rxp
xxi
i
, .
Dac nu exist pericol de confuzie, funcia de repartiie a variabilei aleatoare X se noteaz prin F. Propoziia 2.1.10. (proprieti ale funciei de repartiie)
1. ,Rb,a ba avem:
30
)()()()()()()(
bXPaFbFbXaPaXPaFbXPbFbXaP
aXPaFbFbXaPaFbFbXaP
)()()()()()(
Demonstraie
Avem succesiv
aXPaFbXPbFaXPbXPaXbXPaXbXPbXaP
)()()()()()(),()(
dac s-a inut seama de relaia )()( bXaX i s-a folosit probabilitatea diferenei.
)()()()()(
)()()()()(aFbXPbFaXPaXPaFbXPbF
aXPbXaPaXbXaPbXaP
dac s-a folosit relaia demonstrat anterior. 2. F este nedescresctoare pe R,
adic )()(,, 212121 xFxFxxRxx Demonstraie
)()()(0 1221 xFxFxXxP )()( 21 xFxF
3. 1)(lim,0)(lim
xFxFxx
Demonstraie
0)()(lim)(lim
PxXPxFxx
1)()(lim)(lim
EPxXPxFxx
4. )x(F)ax(F,Rx (F este continu la stnga n fiecare punct Rx )
Exemplul 2.1.11. Se consider variabila aleatoare discret
61
31p
47p
4321:X 2 . Care este probabilitatea ca X s ia o valoare mai mic
sau egal cu 3? Rezolvare
Pentru ca X s fie o variabil aleatoare trebuie ca 0p
i 161
31
472 pp . Se obine soluia acceptabil .
41
p Se calculeaz
31
probabilitatea cerut prin intermediul evenimentului contrar i anume
65
611)4X(P1)3X(P sau
65
31
167
161)3X(P)2X(P)1X(P)3X(P .
Exemplul 2.1.12. Se dau variabilele aleatoare independente:
31
31q
61p
101:X ;
2p12qp2
31
101:Y .
a) S se scrie distribuia variabilei 2XY.
b) Pentru ce valori ale lui c avem: ?92)cYX(P
Rezolvare
Pentru ca X i Y s fie variabile aleatoare se impun condiiile:
0qp2;031q;0
61p i apoi :
1p12qp231
131
31q
61p
2, rezult valorile
acceptabile 61p i q = 0. Deci variabilele aleatoare au repartiiile:
31
31
31
101:X ;
31
31
31
101:Y . Avem :
a)
92
95
92
202:XY2
b)
91
92
93
92
91
21012:YX , deci P(X + Y = c)>
92 corespunde
situaiei P(X + Y = 0) = 92
93 adic c = 0.
Exemplul 2.1.13. Variabila aleatoare X cu distribuia urmtoare:
32
Y X
31
21
61
2121
:X , are funcia de repartiie:
2 ,1
,21 ,3
2
,12
1,
6
1
,2
1 ,0
)()(
xdac
xdac
xdac
xdac
xXPxF
Graficul funciei de repartiie este:
2.2. Vector aleator bidimensional Definiia 2.2.1. Fie cmpul de probabilitate {, K, P}. Spunem c U=(X,Y) este vector aleator bidimensional de tip discret dac aplicaia U : 2R verific condiiile:
i) are o mulime cel mult numrabil de valori; ii) K)yY,xX(,R)y,x( 2 .
Definiia 2.2.2. Numim distribuia sau repartiia vectorului aleator (X,Y) de tip discret tabloul:
unde ( ), ji yx sunt valorile pe care le ia vectorul aleator (X,Y), iar
jiij yYxXPp ,( ).
y1yj
p11p1j
pi1pij
x1
xi
.
...
...
...
F(x)
x 2 1 1/2
1
2/3
1/6
33
Evident
JIjiijp
,= 1.
Definiia 2.2.3. Numim funcie de repartiie ataat vectorului aleator bidimensional funcia F: 1,02 R , definit prin:
F(x,y) = P(X x, Y y), 2R)y,x( . Propoziia 2.2.4.(proprietile funciei de repartiie a unui vector aleator bidimensional de tip discret)
1. dac a
34
X:
321 p4
p3
p1
, unde 50,005,045,0ppp20,015,005,0ppp30,010,020,0ppp
32313
22212
12111
, adic
X:
50,04
20,03
30,01
.
Analog, variabila Y are repartiia Y:
21 q6
q2
, unde
30,005,015,010,0pppq70,045,005,020,0pppq
3222122
3121111
, adic Y:
30,06
70,02
.
Avem: X+Y:
05,010
15,010,087
45,005,064
20,03
.
b) Pentru verificarea independenei variabilelor X,Y, efectum un control, de exemplu:
P(X=1) P(Y=2) = 21,070,030,0 , iar P[(X=1) (Y=2)] = 20,0p11 . Cum 0,21 0,20, deducem c X i Y sunt dependente.
c) F( )]2,3()2,1[()5,27()5,
27 YXYXPYXP
=P(X=1,Y=2) +P(X=3,Y=2) = 0,20+0,05 = 0,25. Definiia 2.2.7. Fie variabila aleatoare X avnd funcia de repartiie F , vom spune c X este variabil aleatoare de tip continuu dac funcia de repartiie se poate reprezenta sub forma:
F(x) = Rx,dt)t(x
.
Funcia RR: se numete densitate de probabilitate a variabilei aleatoare X. Propoziia 2.2.8. Au loc afirmaiile:
1) 0)x(,Rx . 2) F'(x) = )x( a.p.t. pe R.
3) P(aX
35
2. x
xxXxPx
xFxxFxFxxx
)(lim)()(lim)(')(00
, deci
cnd x este mic avem P(x x)x()xxX . Definiia 2.2.10. Fie vectorul aleator (X,Y) avnd funcia de repartiie F, spunem c (X,Y) este un vector aleator de tip continuu, dac funcia de repartiie F se poate pune sub forma:
F(x,y) = x
y
2R)y,x(,dtds)t,s( , iar funcia RR: 2 se numete densitate de probabilitate a vectorului aleator (X,Y). Observaia 2.2.11. Dac este densitate de probabilitate pentru (X,Y), iar
X i Y densiti de probabilitate pentru X, respectiv Y au loc: 1) 2R)y,x(,0)y,x( .
2) )y,x(yx
)y,x(F2
a.p.t. pe 2R .
3) P((X,Y)2
,),() RDdydxyxDD
.
4) 2R 1dydx)y,x( .
5)
Rx,dy)y,x()x(X ; RydxyxyY
,),()( .
Definiia 2.2.12. Spunem c variabilele aleatoare de tip continuu X i Y sunt independente dac F(x,y) = )y(F)x(F YX ,
2R)y,x( .
Aplicaia 2.2.13. Funcia
restn , 0
3,12,1),( ,),(
2 yxkxyyx este densitate de
probabilitate dac 0),( yx i 2
1),(R
dxdyyx ceea ce implic
ecuaia n k, 2
1
3
1
2 1dxdyxyk , verificat pentru 131
k .
n acest caz funcia de repartiie va fi
x y
ixdac
iydacx
xiydacy
yxdacyx
ysauxdac
dudvuvyxF1
2
3
32
1
2
3y 2 ,1
3y 2,1 ,)1(21
2 3,1 ,)1(261
3,12,1, ,)1)(1(781
1 1 ,0
),(
36
i deducem de asemenea c funciile de repartiie marginale sunt, respectiv,
2 ,1
2,1 ,)1(31
1 ,0
)( 2
x
xx
x
xFX ;
3 ,1
3,1 ,)1(31
1y ,0
)( 2
y
yxyFY
2.3. Caracteristici numerice asociate variabilelor aleatoare
Fie PK ,, un cmp de probabilitate i RX : o variabil aleatoare. n afara informaiilor furnizate de funcia de repartiie )(xF sau chiar de repartiia probabilist (discret ip sau continu )(x ale unei variabile aleatoare X, de un real folos teoretic i practic sunt i informaiile pe care le conin anumite caracteristici numerice (valoarea medie, dispersia, abaterea medie ptratic sau diverse alte momente) ale lui X despre aceast variabil aleatoare. Valoarea medie (sperana matematic) Definiia 2.3.1. Fie {, K, P} un cmp borelian de probabilitate i variabila
aleatoare X : R cu distribuia Iipx
Xi
i
, . Se numete valoare medie,
caracteristica numeric
Ii
ii pxXE )( .
Observaia 2.3.2. 1) Dac I este finit, valoarea medie exist. 2) Dac I este infinit numrabil, E(X) exist cnd seria care o
definete este absolut convergent. Definiia 2.3.3. Fie{, K, P} un cmp borelian de probabilitate i variabila
aleatoare X : R de tip continuu
)x(x
X , Rx . Se numete valoarea
medie a variabilei X, caracteristica numeric
(x)dx )( xXE . Valoarea
medie exist atunci cnd integrala improprie care o definete este convergent. Propoziia 2.3.4.(proprietile valorii medii) Au loc afirmaiile :
1) Rba,b,E(X) ab)X ( aE 2) E(X + Y) = E(X) + E(Y) 3) X,Y independente E(X Y) = E(X) E(Y)
Demonstraie
37
a) Fie variabilele aleatoare de tip discret X, Y avnd repartiiile
Jjj
j
Iii
i
qy
Ypx
X
,
1. Avem bXaEbppaxpbaxbaXEIi
iIi
iiIi
ii
)()()(
dac variabila baX are repartiia Iii
i
pbax
baX
i 1
Iiip .
2. Variabila X+Y are repartiia JIjiij
ji
pyx
YX
),(
,
),( jiij yYxXPp Rezult
)()(
)()(
YEXEqypx
pypxpyxYXE
Jjjj
Iiii
Ii Jjijj
Ii Ii Jjiji
Jjijii
dac s-au folosit relaiile jIi
ij qp
i iJj
ij pp
3. Variabila XY are repartiia JIjiji
ji
qpyx
XY
),(
dac X i Y sunt
independente. Avem
Ii Ii Jj
jjiiJj
jiji YEXEqypxqpyxXYE )()()(
b) Presupunem ca X i Y sunt variabile aleatoare de tip continuu. 1. Dac notm prin Y = aX + b, a 0, atunci se obine c
aa
bx
xX
Y
)()(
, pentru orice x R.
Avem:
dx
abxx
adxxxYEbaXE YY )(
1)()()( de unde prin
schimbarea de variabil u = (x b)/a, dx = adu, obinem
bXaEduubduuuaduubaubaXE XXX )()()()()()(
2. Dac notm prin Z = X + Y, variabila care are densitatea de probabilitate Z , iar densitatea de probabilitate a vectorului (X, Y) o notm prin , atunci:
dxduuxuxdxxsZEYXE Z )),(()()()(
38
Schimbm ordinea de integrare, apoi schimbarea de variabil x u = t, dx = dt, i obinem
dudttuutdudxuxuxYXE )),()(()),(()(
)()()()()),(()),(( XEYEduuudtttdudttuudtdutut ZX
3. Dac notm prin V =X Y, care are densitatea de probabilitate V , iar densitatea de probabilitate a vectorului (X, Y) o notam prin , atunci
dxudx
uxuxdxxxVEXYE V )),(()()()(
Schimbm ordinea de integrare, apoi facem schimbarea de variabil x / u = t, dx = udt, i obinem:
dudttutududxuxu
uxXYE )),(()),(()(
)()()()()()( YEXEdtttduuudtdututu YXYX
Dispersia Definiia 2.3.5. Fie {, K, P} un cmp borelian de probabilitate i variabila aleatoare X : R. Se numete dispersia (variana) variabilei aleatoare X, caracteristica numeric 2)()( XEXEXVar iar )()( XVarX se numete abatere medie ptratic.
n mod explicit, dispersia are expresia
Ii
ii pXExXVar2)()( ,
NI , dac X este o variabil aleatoare discret sau
R
dxxXMxXVar )()()( 2 , dac X este o variabil aleatoare
continu. Dispersia este un indicator numeric al gradului de mprtiere (sau de
dispersare) a valorilor unei variabile aleatoare n jurul valorii medii a acesteia. Propoziia 2.3.6.(proprietile dispersiei)
a) 22 )()()( XEXEXVar b) Rba, ),()( 2 XVarabaXVar c) X,Y independente )()()( YVarXVarYXVar
Demonstraie
39
a)
2222222
)()()()()(2)(
)()(2)()(
XEXEXEXEXEXE
XEXXEXEXEXEXVar
dac s-a fcut un calcul formal. b) Folosind proprietile valorii medii i definiia dispersiei avem:
)()(
)())(()(222
222
XVaraXEXEa
XEXaEbXaEbaXEbaXVar
c) Dac X, Y sunt independente avem )()()( YEXEXYE . Calculm
)()()()(2)()(
)()(2)()(
)()()()(
22
22
22
YVarXVarYEYEXEXEYEYEXEXE
YEYXEXYEYXEXE
YEYXEXEYXEYXEYXVar
dac s-a inut seama c 0)( XEXE Propoziia 2.3.7.(Inegalitatea lui Cebev) Dac variabila aleatoare X are valoare medie i dispersie atunci 0 are loc inegalitatea
2
)(1))((
XVarXEXP sau inegalitatea echivalent cu aceasta
2
)())((
XVarXEXP .
Demonstraie
Presupunem c X este o variabil aleatoare de tip continuu, avnd densitatea de probabilitate )(x . Atunci
D
dxxpXExdxxXExXVar )())(()())(()( 22
unde )(/ XExxD , deoarece )(XEx , avem c 2))(( XEx . Deci, avem
D D
XEXPdxxdxxXEx ))(()()())(( 222
Am obinut c ))(()( 2 XEXPXVar , rezult
2
)())((
XVarXEXP
Folosind probabilitatea evenimentului contrar se obine i cealalt form a
inegalitii: 2)(1))((1))((
XVarXEXPXEXP
Aplicaia 2.3.8. Dac X este o variabil aleatoare discret
40
121
121
125
122
122
121
321012:X
atunci deducem c:
21
1213
1212
1251
1220
1221
1212)( XE
21219
1214
1251
1220
1221
1214)( 2 XE
47
412)()()( 22 XEXEXVar
27)()( XVarX
Aplicaia 2.3.9. Dac X este variabil aleatoare continu
)(:
xx
X
,
restn ,0
3,1 ,4)(
xxx
atunci deducem c:
613
12)()(
3
1
33
1
xdxxxXE , 516
)()(3
1
43
1
22 xdxxxXE
3611
361695)()()( 22 XEXEXVar
611)()( XVarX
Momente Definiia 2.3.10. Fie {, K, P} un cmp borelian de probabilitate i variabila aleatoare X : R. Se numete moment iniial (obinuit) de ordin k al variabilei aleatoare X, caracteristica numeric )( kk XEm Observaia 2.3.11. a) Pentru k=1 avem )(1 XEm iar pentru k=2,
212)( mmXVar
b) Dac X este variabil de tip discret avnd repartiia Iii
i
px
X
: ,
Ii
ip 1 atunci
Ii
ikik pxm
41
c) Dac X este variabil de tip continuu Rxx
xX
)(:
atunci
R
kk dxxxm )(
Definiia 2.3.12. Se numete moment centrat de ordin k al variabilei aleatoare X, caracteristica numeric kk XEXE )( , adic
continu X ,)()(
discret X ,)(
R
ki
ik
Iii
k dxxXEx
pXEx
Observaia 2.3.13. Pentru k=1 avem 01 , iar pentru k=2, )(2 XVar Teorema 2.3.14. ntre momentele centrate i momentele iniiale exist
urmtoarea relaie: iikik
k
i
ik mmC 1
0)1(
.
Demonstraie Avem
k
i
k
i
iik
ik
iiikik
ik
i
iikik
i
k
i
iikik
kkk
mmCmXECmXCE
mXCEmXEXEXE
0 011
01
011
)1()()1()1(
)()(
Observaia 2.3.15. n statistica matematic se utilizeaz de regul primele patru momente centrate: 4321 ,,, . Definiia 2.3.16. Se numete momentul iniial de ordinul (r,s) al vectorului aleator (X,Y) caracteristica numeric )( srrs YXEm , adic
continuu Y)(X,,),(
discret ),(,
2
ri
R
srIi Jj
ijsj
rs dxdyyxyx
YXpyxm
Definiia 2.3.17. Se numete moment centrat de ordin (r,s) al vectorului aleator (X,Y), caracteristica numeric
srrs YEYXEXE )(())(( , adic
42
continuu Y)(X,,),()()(
discret ),(,)()(
2R
srIi Jj
ijs
jr
i
rs dxdyyxYEyXEx
YXpYEyXEx
Observaia 2.3.18.
)(),(),(),( 2 00 21 0o 1 YVarXVarYEmXEm Corelaie sau covarian Definiia 2.3.19. Se numete corelaia sau covariana variabilelor aleatoare X i Y, caracteristica numeric
1 1Y)C(X, adic )()(),( YEYXEXEYXC Observaia 2.3.20.
1) 011011Y)C(X, ),()()(),( mmmYEXEXYEYXC Dac X, Y independente 0)Y,X(C , dar nu i reciproc.
)(),( XVarXXC
m
i
n
jjiji
n
jjj
m
iii YXCbaYbXaC
1 111,, , oricare ar fi variabilele
aleatoare Xi i Yj i oricare ar fi constantele reale ai i bj, mi 1 , nj 1 ),(),( XYCYXC , oricare ar fi X i Y.
Definiia 2.3.21. Se numete coeficient de corelaie relativ la variabilele aleatoare X i Y caracteristica numeric
r(X, Y)=)()(
),(YVarXVar
YXC
Observaia 2.3.22.
1) X, Y independente 0)Y,X(r reciproc nu este adevrat; 2) Spunem c X,Y sunt necorelate dac r(X,Y) =0 Proprieti: a) 1)Y,X(r b) 0 b,X 1),( aaYYXr c) 0,1),( abaXYYXr
Observaia 2.3.23. n practic se mai spune c:
1) X i Y sunt pozitiv perfect corelate dac 1),( YXr ; 2) X i Y sunt negativ perfect corelate dac 1),( YXr ; 3) X i Y sunt puternic pozitiv (sau negativ) corelate dac
43
1),(75,0 YXr (sau 75,0),(1 YXr ); 4) X i Y sunt slab pozitiv (sau negativ) corelate dac 25,0),(0 YXr
(sau 0),(25,0 YXr ); Marginile valorice decizionale fiind alese convenional. Aplicaia 2.3.24. Fie (X,Y) un vector aleator discret a crui repartiie probabilist este dat de tabelul de mai jos.
Calculai coeficientul de corelaie r(X,Y). Y
X -1 0 1 2 pi -1 1/6 1/12 1/12 1/24 9/24 0 1/24 1/6 1/12 1/24 8/24 1 1/24 1/24 1/6 1/24 7/24 qj 6/24 7/24 8/24 3/24 1
Rezolvare
Pe baza formulelor corespunztoare, deducem imediat:
121
242
2471
2480
2491)( XE
32
2416
2471
2480
2491)( 2 XE
14495
1441
32)]([)()( 22 XEXEXVar
31
248
2432
2481
2470
2461)( YE
1213
2426
2434
2411
2470
2461)( 2 YE
3635
91
1213)]([)()( 22 YEYEYVar
245
2412
611
2410
24111
2412
1211
610
24110
2412
1211
1210
6111)(
XYE
7217
361
245)()()(),( YEXEXYEYXC
295,0
3635
14495
1217
)()(),(),(
YVarXVar
YXCYXr
44
Observaia 2.3.25. Coeficientul de corelaie ),( YXr reprezint prima msur a corelaiei sau gradului de dependen n sens clasic. Introdus de ctre statisticianul englez K. Pearson n anul 1901 ca rod al colaborrii acestuia cu antropologul englez F. Galton (care a avut prima idee de msurare a corelaiei sub denumirea de variaie legat), aceast msur a gradului de dependen a fost criticat nc de la apariiei ei pentru diverse motive, printre care i aceea c:
1) este dependent de valorile vectorului aleator ),( YX i ca urmare nu este aplicabil pentru cazul variabilelor aleatoare necantitative;
2) nu este precis n cazul independenei i al necorelrii deoarece dac 0),( YXr nu exist un rspuns categoric (n sensul independenei sau necorelrii);
3) nu poate fi extins la mai mult de dou variabile aleatoare sau chiar la doi sau mai muli vectori aleatori, fapte cerute de practic.
Dac la prima obiecie a dat chiar K. Pearson un rspuns, pentru celelalte dou obiecii nu s-au dat rspunsuri clare dect dup apariia n 1948 a teoriei matematice a informaiei, rezultate remarcabile n acest sens obinnd coala romneasc de matematic sub conducerea lui Silviu Guiau introducnd msurile entropice ale dependenei dintre variabile aleatoare i vectori aleatori (n anii 1974-1978) cu o larg aplicabilitate teoretic i practic.
n ciuda tuturor criticilor ce i s-au adus, coeficientul de corelaie clasic (sau coeficientul Galton-Pearson) este cel mai frecvent utilizat n practic i, pentru c este cel mai simplu n utilizare. Definiia 2.3.26. Fiind dat vectorul aleator nXXXZ ,...,, 21 nREZ : , se numete valoare medie a acestuia i se noteaz cu )(ZE , dac exist, vectorul n-dimensional ale crui componente sunt valorile medii ale componentelor lui Z adic:
)(),...,(),(),...,,()( 2121 nn XEXEXEXXXEZE . Se numete matrice de covarian (sau de corelaie) a vectorului Z i se
noteaz prin )(ZC , dac exist, matricea njijinj
niij YXCcZC ,1,,1,1 ,)(
Observaia 2.3.27.
a) Pentru cazul unui vector aleator bidimensional, a nu se face confuzie ntre media produsului componentelor X i Y, care este )(XYE i media vectorului ),( YX care este ),( YXE .
b) Uneori matricea de corelaie )(ZC se mai noteaz i cu )(Z . c) Desfurat matricea de covarian )(ZC are forma:
45
)(...),(),(... ...... ...
),(...)(),(),(...),()(
)(
21
2212
1211
nnn
n
n
XVarXXCXXC
XXCXVarXXCXXCXXCXVar
ZC
i ca urmare a proprietilor corelaiei, constatm c matricea )(ZC este simetric.
d) Pornind de la definiia coeficientului de corelaie i de la matricea de corelaie, dac toate componentele lui Z sunt neconstante, atunci putem introduce matricea coeficienilor de corelaie )(ZR a crei form dezvoltat este:
1 ...),(),(... ...... ...
),(...1 ),(),(...),(1
)(
21
212
121
XXrXXr
XXrXXrXXrXXr
ZR
nn
n
n
Ambele forme ale matricei de corelaie a vectorului aleatoriu Z reprezint de fapt tabele ale msurrii gradului de dependen dintre componentele lui Z, considerate dou cte dou. Aplicaia 2.3.28. Fie variabilele aleatoare:
211
11:
ppX ;
212
31:
qqX ;
213
42:
rrX
a cror repartiie comun notat )( ijkp , 2,,1 kji , este:
161
111 p ; 161
112 p ; 321
121 p ; 323
122 p ;
81
211 p ; 41
212 p ; 161
221 p ; 165
222 p .
S se determine repartiiile bidimensionale i unidimensionale ale vectorului aleator tridimensional 321 ,, XXXZ i matricele de corelaie
)(ZC i )(ZR . Rezolvare
Avem imediat repartiiile bidimensionale
8381
21221121
11211111
ppp
ppp ;
8381
22222122
12212112
ppp
ppp pentru 21, XX
168
323
22121112
12111111
ppp
ppp ;
169
325
22221222
12211221
ppp
ppppentru 31, XX
46
323
163
22112121
21111111
ppp
ppp ;
3213325
22212222
21211212
ppp
ppppentru 32 , XX
i ca urmare putem scrie urmtoarele tabele de repartiie bidimensionale: X2
X1 1 3 pi
X3 X1
2 4 pi X3
X2 2 4 qi
-1 1/8 1/8 -1 3/32 5/32 1/4 1 3/16 5/16 1/2 1 3/8 3/8 1 3/16 9/16 3/4 3 3/32 13/32 1/2 qj 1/2 1/2 1 rk 9/32 23/32 1 rk 9/32 21/32 1
din care se observ i repartiiile unidimensionale (repartiiile variabilelor aleatoare considerate X1, X2, X3). Din aceste tabele deducem prin calcul imediat:
21)( 1 XE ; 1)(
21 XE ; 4
3)( 1 XVar
2)( 2 XE ; 5)(22 XE ; 1)( 2 XVar
1655)( 3 XE ; 8
101)( 23 XE ; 256207)( 3 XVar
1)( 21 XXE ; 1)()( 21 XEXE ; 0),( 21 XXC ; 0),( 21 XXr
1629)( 31 XXE ; 32
55)()( 31 XEXE ; 323),( 31 XXC ; 12,0207
3),( 31 XXr
16113)( 32 XXE ; 8
55)()( 32 XEXE ;
163),( 32 XXC ; 21,0207
3),( 32 XXr
i ca urmare putem scrie matricele de corelaie:
25620716332316310323043
)(ZC i
121,012,021,01012,001
)(ZR
constatnd c X1 i X2 sunt independente n timp ce ntre X3 i X1 sau X3 i X2 exist o anumit dependen chiar dac nu este puternic. Alte caracteristici numerice Definiia 2.3.29. Se numete mediana unei variabile aleatoare X, caracteristica numeric Me care verific relaia:
)(21)( ee MXPMXP
47
Observaia 2.3.30. 1. Dac F este funcia de repartiie i este continu atunci
eM se determin din ecuaia F(Me) 21
.
2. Dac ],( baM e atunci se ia 2baM e
Definiia 2.3.31. Se numete valoare modal sau modul a variabilei aleatoare X orice punct de maxim local al distribuiei lui X (n cazul discret) respectiv al densitii de probabilitate (n cazul continuu). Observaia 2.3.32. Dac exist un singur punct de maxim local spunem c legea lui X este unimodal altfel o numim plurimodal. Definiia 2.3.33. Se numete asimetria (coeficientul lui Fischer) variabilei
aleatoare X caracteristica numeric definit prin 33
s .
Definiia 2.3.34. Se numete exces al variabilei aleatoare X, caracteristica
numeric definit prin 3e 44
.
Observaia 2.3.35.
1) Dac e0 atunci graficul distribuiei are un aspect ascuit i legea va fi numit leptocurtic.
3) Dac e = 0 atunci repartiiile sunt mezocurtice. Definiia 2.3.36. Dac X este o variabil aleatoare cu funcia de repartiie
)(xF , se numesc cuartile (n numr de trei) ale lui X (sau ale repartiiei lui X) numerele 1q , 2q i 3q cu proprietile:
41)0(
41)(
1
1
qF
qF
21)0(
21)(
2
2
qF
qF
43)0(
43)(
3
3
qF
qF
Observm c eMq 2 .
Exemplul 2.3.37. Se consider variabila aleatoare
5,03,02,0201
:X .
S se calculeze: E(X), E(3X), E(4X-2), XXVar ),( .
48
Rezolvare
8,05,023,002,01)(3
1
iii pxXE
4,38,03)(3)3( XEXE ; 2,128,042)(4)24( XEXE 56,164,02,2)()()( 22 XEXEXVar ;
2,25,023,002,0)1()( 2222 XE ; 24,156,1)( XVarX Exemplul 2.3.38. S se calculeze valoarea medie i dispersia variabilei aleatoare care are densitatea de probabilitate
altfel 0,
(0,2) xdac ,x11)x(
Rezolvare
Observm c:
altfel 0,2x1 dac x,-2
1x0 dac ,x)x(
innd seama de definiie avem:
133
)2((x)dx )( 21
32
121
0
32
1
1
0
2
xxxdxxxdxxxXE
67
432
4)2()()( 2
1
42
1
31
0
42
1
21
0
3
22
xxxdxxxdxxdxxxXE
611
67)()()( 22 XEXEXVar
Exemplul 2.3.39. Fie vectorul aleator (X,Y) cu densitatea de probabilitate
restn ,0
]2,0[y],1,0[x),1yx(k)y,x( Se cere:
a) s se determine constanta k; b) s se determine densitile marginale; c) s se cerceteze dac X i Y sunt independente sau nu; d) s se calculeze coeficientul de corelaie ntre X i Y.
Rezolvare
a) din condiiile 0k0)y,x(
511)1(),(1
0
2
0
kdyyxdxkdxdyyx .
Deci
restn 0,
[0,2]y [0,1], x),1yx(51
)y,x(
49
b) ]1,0[x,5
4x2dy)1yx(51dy)y,x()x(
2
0
X
altfel,0
]1,0[x,5
4x2)x( X
]2,0[y,10
3y2dx)1yx(51dx)y,x()y(
1
0
y
altfel,0
]2,0[y,10
3y2)y( Y
c) X i Y nu sunt independente deoarece: )y()x()y,x( YX
d) 158)42(
51)(),()(
1
0
dxxxdxxxdxdyyxxXE X
1517)32(
101)(),()(
2
0
dyyydyyydxdyyxYE Y
3011)42(
51)()()(
1
0
2
222 X
dxxxdxxxXEXm
158)32(
101)()()(
2
0
2
222
dyyydyyyYEYm Y
Deci 45037
22564
3011)()()( 22 XEXEXVar
22571
225289
58)()()( 22 YEYEYVar
2251
1512
158
159
)()()(),(159
3142
51
)1(51y)dxdy(x, )(
1
0
2
2
0
1
0
YEXEXYEYXCdxxx
dyyxxydxxyYXE
.
Se obine: 02758,0
22571
45037
2251
),(),(
YX
YXCYXr
Exemplul 2.3.40. Se tie c, dac dou variabile aleatoare X i Y sunt independente, atunci coeficientul lor de corelaie este nul. Reciproca nu este adevrat. Iat un vector aleator discret (X,Y), n care X i Y sunt dependente i totui 0r .
50
16
1 162 16
3
16
2 0 162
16
1 162 16
3
Rezolvare
Calculm repartiiile marginale:
166164166210
:X ;
168164164211
:Y
Avem: 23;
43)(;
47)(;1)( 2 XXVarXEXE
210;
23)(;
25)(;1)( 2 YYVarYEYE
163
164
166
162
161
42012:YX , E(XY)=1
0
210
23
11E(X)E(Y)-Y)E(X
YX
r
Exemplul 2.3.41. Fie X o variabil aleatoare care are densitatea de
probabilitate definit prin:
)2,0(x,2/1)2,0(x,0
)x( .
a) S se determine modulul i mediana b) S se calculeze momentul de ordin k, )(xmk ..
Rezolvare
a) Conform definiiei, M0 este valoarea pentru care .max)x( adic )2,0(M 0 adic exist o infinitate de valori modale situate pe segmentul (0,2).
Me se determin din ecuaia 21)( eMF .
Y -1 1 2 X
0
1
2
51
Cum 12
)()()(
0 ee
M
ee MMdxxMXPMF e .
b)
12
21)()(
kkdxxXEXm kkk .
2.4. Funcia caracteristic. Funcia generatoare de momente Definiia 2.4.1. Fie cmpul de probabilitate PK ,, i variabilele aleatoare X i Y definite pe cu valori reale. Se numete variabil aleatoare complex
iYXZ , 12 i , iar valoarea medie a acesteia notat cu )(ZE este dat de relaia )(E )()( YiXEZE dac mediile )(XE i )(YE exist. Observaia 2.4.2. Dac X este o variabil aleatoare expresia
tXitXeitX sincos , Rt definete de asemenea o variabil aleatoare i
1sincos 222
tXtXeitX Definiia 2.4.3. Fie X o variabil aleatoare real. Se numete funcia caracteristic a lui X o funcie CRX : dat de relaia
)()()( itXX eEtt , care explicit poate fi scris sub forma
continuu tipde este ,)(
discret tipde este ,)(
R
itxKk
itxk
X dxxe
ept
k
Propoziia 2.4.4. Funcia caracteristic are urmtoarele proprieti:
1) 1)0( i Rtt ,1)(
2) Dac Xj, mj ,1 sunt variabile aleatoare independente n totalitate cu funciile caracteristice m1,j ),()( tt jX j , atunci funcia caracteristic a variabilei aleatoare sum mXXXX ... 21 este
m
jjmX ttttt
121 )()( ... )()()(
3) Dac baXY , a i b R, atunci itbXY eatt )()( 4) Dac X admite momente iniiale de orice ordine atunci funcia
caracteristic admite derivate de orice ordin i are loc relaia
)0(1)()( )(rXrr
r iXEXm
Demonstraie
52
1) 1)1()0( E i
1)( Kk
kKk
itxk
Kk
itxk pepept k dac X este de tip discret i
1)()()()( RR
itx
R
itx dxxdxxedxxet dac X este de tip continuu.
2) Avnd n vedere proprietile valorii medii, putem scrie c
m
jj
m
j
itXitXitXitXitXX teEeeeEeEt jm
11
)()() ... ()()( 21
3) Tot ca urmare a proprietilor mediei avem: )()()()()( ateteeeEeEt X
itbaX
itbitbitaXitYY
4) Observm c )()()()( itXrrritxrrX eXEiieXEt i rezult )()()0()( XmiXEi r
rrrrX .q.e.d
Observaia 2.4.5. Folosirea relaiei de la punctul 4) este recomandabil doar atunci cnd calcularea momentelor este mai comod prin aceast relaie dect pornind direct de la definiia acestora. Aplicaia 2.4.6.
1) Dac
312161101
:X atunci
6
3231
21
61)(
itititit eeeet
2) Dac
xx
X2
: , 1,0x atunci itxitx ee
ixdxxet 21
0
222)(
3) Dac
xex
X : , 0x atunci 20 1
1)(titdxeet itxx
Definiia 2.4.7. Fie X o variabil aleatoare real definit pe cmpul de probabilitate PK ,, . Se numete funcie generatoare de momente, dac exist, funcia RRG : , dat de relaia )()()( tXX eEtGtG care explicit poate fi scris sub forma
continuu tipde este X ,)(
discret tipde este X ,)(
R
dxxe
eptG tx
Kk
txk
k
cu condiia existenei expresiilor corespunztoare. Propoziia 2.4.8. Funcia generatoare de momente are urmtoarele proprieti:
53
1) 1)0( G 2) Dac Xj, mj 1 , sunt independente n totalitate i au funciile
generatoare )(tG j , mj ,1 , atunci funcia generatoare a variabilei aleatoare
mXXXX ... 21 este
m
jjX tGtG
1
)()(
3) Dac baXY , a i b R, atunci tb
XY eatGtG )()( 4) Dac X admite momente iniiale de orice ordin, atunci funcia
generatoare admite derivate de orice ordin n punctul zero i )()()0()( XmXEG r
rrX , ... ,2 ,1r
Aplicaia 2.4.9.
1) Dac
3212161101
:X atunci
632
31
21
61)(
tttt eeeetG
2) Dac
xe
xX
: , 0x , 0 atunci
tdxeetG txx
0
)( , dac t
iar n caz contrar nu exist.
3) Dac nk
knkkn qpC
kX
,0
:
, 0, qp , 1 qp , atunci
ntn
k
tkknkkn qpeeqpCtG )()(
0
1' )()( ntt qpenpetG ; 2221'' )()1()()( nttntt qpeepnnqpenpetG )()0(' XEnpG ; )()0( 222'' XEnpqpnG
2.5. Probleme rezolvate
Aplicaia 2.5.1. Fie variabilele aleatoare independente :
4/14/12/1210
:X i
2/16/13/1211
:Y .
S se scrie variabilele aleatoare : 2X, Y2, X+Y, XY, 2X+3Y, X/Y, max(X,Y), X . Rezolvare
54
Probabilitile corespunztoare valorilor lui 2X, Y2, X sunt aceleai cu cele corespunztoare lui X i respectiv Y. Avem:
4/14/12/1420
:2X ,
4/14/12/1210:X ,
2/12/141
:2Y .
21
61
31)1()1()11()1( 2 YPYPYYPYP .
Deoarece X i Y sunt independente avem c pij = piqj,1 i, j 3 . De exemplu
121
61
21)1()0()1,0(12 YPXPYXPp . Obinem
8/124/112/18/124/112/14/112/16/1221212211111201010
:YX
adic
8/16/124/76/112/16/1432101
:YX .
Analog
8/124/112/18/124/112/14/112/16/12212)1(22111)1(12010)1(0
:YX
de unde
8/16/124/12/112/112/1421012
:YX .
Cum 2X i 3Y au repartiiile
4/14/12/1420
:2X ,
2/16/13/1633
:3Y ,
obinem repartiia lui 2X + 3Y :
8/18/124/14/124/112/112/112/16/11087653113
:32 YX .
La fel obinem:
24/16/18/12/112/112/1212/1012
:YX ,
8/524/56/1210
:),max( YX .
Aplicaia 2.5.2. Fie X i Y dou variabile aleatoare discrete ale cror repartiii probabiliste comun (pij ) i marginale (pi) i (qj) sunt date n tabelul urmtor :
X \ Y -1 0 1 pi -1 1/8 1/12 1/6 3/8 1 1/24 1/4 1/3 5/8 qj 1/6 1/3 1/2 1
55
a) S se scrie variabilele aleatoare X i Y. b) S se precizeze dac X i Y sunt independente. c) S se scrie variabilele X + Y , X Y, X2, Y2, Y/X .
Rezolvare
a)Din tabelul de repartiie de mai sus deducem c
8/58/311
:X i
2/13/16/1101
:Y .
b)Dac X i Y ar fi independente atunci )1()1()1,1( 1111 YPXPqpYXPp ,
ceea ce nu are loc ntruct 61
83
81
.
c)Deoarece
31,
41,
241,
61,
121,
81
232221131211 pppppp ,
obinem
3/14/124/16/112/18/121012
:YX ,
3/18/14/112/124/16/1101
:YX ,
3/18/14/112/16/124/1101
:YX .
Repartiiile lui X2 i Y2 rezult imediat din cele ale lui X i Y:
11
:2X ,
3/23/110
:2Y .
Aplicaia 2.5.3. Fie variabila aleatoare discret
222
33321:
pppppX .
a) S se determine p. b) S se calculeze funcia de repartiie a lui X. c) S se calculeze probabilitile:
).4235,1(),8,21,3(
),1,2(),2,35,1(),4(),3(),1(
XXPXXP
XPXPXPXPXP
Rezolvare
a) Trebuie s avem p + p2 + p + p2 + p2 = 1 i p 0. Rezult 3p2 + 2p = 1 i p 0, adic p = 1/3. b) Cum F(x) = P(X x) rezult c F(x) = 0 dac x 1, F(x) = p = 1/3 dac x ]2,1( , F(x) = P(X=1) + P(X=2) = p + p2 = 4/9 dac x ]3,2( ,
56
F(x) = P(X=1) + P(X=2) + P(X=3) = p + p2 + p = 7/9 dac x ]4,3( , F(x) = P(X=1) + P(X=2) + P(X=3) + P(X=4) = p + p2 + p + p2 = 8/9
dac x ]5,4( i F(x) = 1 dac x > 5 . Deci :
.5,1
;54,98
;43,97
;32,94
;21,31
;1,0
)(
x
x
x
x
x
x
xF
c) Avem P(X
57
ntruct F este continu vom avea F(x) = F(x+0) , x , deci
21))(( XMF e i 2
1))(( XMF e , adic 21))(( XMF e . Aceasta se
realizeaz pentru 21
314 2
xx , de unde ]2,2/1(232 x .
Aadar 2232)( cXM e . Se observ c F(1/2)=1/4 deci 31 2
1 cc
rezult din F(x)=3/4, adic 43
314 2
xx , de unde 2323 c .
Deoarece este cresctoare pe [0,1/2] i descresctoare pe (1/2,2],
x=1/2 este punct de maxim (singurul), prin urmare 21)( XM o .
Aplicaia 2.5.5. S se determine variabilele aleatoare independente
ppppxxxx
X432
321: i
22
32:
qqqyyy
Y ,
tiind c E(X)=2 i E(Y)=7. S se calculeze apoi E(2X+3Y), Var(X), Var(Y) i Var(2X+3Y). Rezolvare
Deoarece X este o variabil aleatoare trebuie s avem p+2p+3p+4p=1, adic p=1/10. Atunci
E(X) = xp+(x+1)2p+(x+2)3p+(x+3)4p = 10px+20p = x+2. Cum E(X) = 2 rezult c x = 0. Analog q+q2+q2=1, adic 2q2+q-1=0, de unde q=1/2. Rezult c
E(Y)=yq+2yq2+3yq2= y47 . Cum E(Y) = 7 avem c y=4. Tablourile de
repartiie ale lui X i Y vor fi
52
103
51
101
3210:X ,
41
41
21
1284:Y .
Folosind proprietile mediei avem E(2X+3Y) = E(2X)+E(3Y) = 2E(X)+3E(Y) = 22+37 = 25. Pentru calcularea dispersiilor avem nevoie s calculm mediile lui X2 i
Y2. Acestea au tablourile de repartiie
52
103
51
101
9410:2X ,
41
41
21
1446416:2Y , astfel c
5529
1034
511
1010)( 2 XE i
58
6041144
4164
2116)( 2 YE . Atunci
Var(X) = E(X2)-E(X)2 = 5-4 = 1 i Var(Y) = E(Y2)-E(Y)2 = 60-49 = 11. Cum X i Y sunt independente, rezult c i 2X i 3Y sunt independente
i avem Var(2X+3Y) = Var(2X)+Var(3Y) = 4Var(X)+9Var(Y) = 41+911 =
103. Aplicaia 2.5.6. S se determine variabilele aleatoare X i Y ale cror repartiii sunt date incomplet n tabelul de mai jos, tiind c E(X)=17 i Var(Y)=1. S se calculeze apoi E(XY) i Var(X-Y).
X \ Y -b 0 b pi a 1/5 1/10 a2 2/5 3/5 qj 1/5
Rezolvare
Deoarece p1+p2=1 rezult c 52
5311 p . Mai departe
p11+p12+p13=p1, adic 52
101
51
13 p , deci 101
13 p . Cum
p13+p23=q3 rezult c 101
101
51
23 p . Dar p21+p22+p23=p2, adic
101
101
52
53
21 p . Din p11+p21=q1 i p22+p12=q2, rezult c 103
1 q i
21
2 q . Obinem astfel
53
52:
2aaX ,
51
21
103
0:
bbY . Astfel 17
53
52)( 2 aaXE ,
adic 3a2+2a-85=0, de unde a1=5, a2=-17/3. Deoarece
105210
103)( bbbYE i
25
1210
103)()(
22222 bbbYE , rezult c
10049
1002)()()(
22222 bbbYEYEYVar . Din ipotez Var(Y)=1,
astfel c 49
1002 b , adic 7
10b . Din tabloul repartiiei comune (pij) avem
59
101
101
21
51
101
0:
22 baababbaXY i
101
51
52
101
101
101:
222 babaaababaYX
Astfel 7101010510
)(22 aabbaababbaXYE .
Dac a=5, E(XY)=-5/7, iar dac a=-17/3, E(XY)=17/21. Pentru calcularea dispersiei lui X-Y, avem nevoie de:
10
461055
2101010
)(2222 baababaaababaYXE
105246
10)(
5)(
52
1010)(
10)(])[(
224
222422222
babaa
babaaababaYXE
Pentru a=5, b=10/7 avem E(X-Y)=7
120 i
4918985])[( 2 YXE ,
deci 49
458549
1440049
18985)( YXVar .
Aplicaia 2.5.7. S se determine parametrii care apar n repartiiile urmtoare i s se calculeze apoi E(X) i Var(X), X fiind o variabil aleatoare, avnd repartiia respectiv:
a) 0,,41:
qNnq
nX n ;
b) 0],1,0[,)2(
: 2