Controlul calitatii

Curs 2 Elemente de teoria probabilitatilor

Elemente de teoria probabilitatilor

Notiuni specifice:
Experimentul = realizarea unui ansamblu de conditii conform unui anumit criteriu de cercetare Evenimentul = rezultatul unui experiment

Elemente de teoria probabilitatilor

Exemple: a) Formarea unui arc electric la intreruperea unui circuit b) Arderea unui bec electric la alimentarea cu o tensiune nominala c) Aparitia unui defect dupa un anumit timp de functionare Comparand evenimentele a-c se constata ca evenimentul b este mai putin probabil decat a sau c.

Daca se asociaza fiecarui eveniment un anumit numar care sa indice posibilitatea de realizare se ajunge la notiunea de probabilitate

Elemente de teoria probabilitatilor

Probabilitatea unui eveniment este masura numerica a posibilitatii de realizare.

Elemente de teoria probabilitatilor

D.p.d.v. al posibilitatii de realizare evenimentele se clasifica in:

Eveniment sigur = evenimentul care se produce in mod obligatoriu intr-un experiment. Se noteaza cu litera E Exemplu: extragerea unui tranzistor dintr-un lot de tranzistoare
A.
5

Elemente de teoria probabilitatilor

Eveniment imposibil = evenimentul care in mod obligatoriu nu se produce Notatie: litera Exemplu: extragerea unui rezistor dintr-un lot de condensatoare
B.

Elemente de teoria probabilitatilor

C.

Eveniment aleator (intamplator) evenimentul care se produce sau nu intr-un experiment Notatie: litere A, B, C sau A1, A2, A3

Elemente de teoria probabilitatilor

Camp de evenimente: rezultatele unor experimente pot reprezenta evenimente diferite, iar totalitatea acestor evenimente formeaza un camp de evenimente Camp de probabilitate: este multimea valorilor numerice reprezentand probabilitatea fiecarui eveniment apartinand unui camp de evenimente

Elemente de teoria probabilitatilor

Evenimentele aleatoare pot fi: Compatibile = daca se pot produce simultan Incompatibile = daca nu se pot produce simulatn (se exclud mutual). Astfel realizarea unui eveniment exclude realizarea celuilalt Evenimentele contrarii (complementare) sunt o categorie speciala de evenimente incompatibile, la care nerealizarea unui eveniment A produce sigur realizarea _ evenimentului contrar A

Elemente de teoria probabilitatilor

Evenimente independente = doua evenimente se numesc independente in probabilitate daca probabilitatea de realizare a unuia nu este influentata de realizarea sau nerealizarea celuilalt Evenimente dependente = doua evenimente se numesc dependente daca probabilitatea unui eveniment este influentata de realizarea celuilalt eveniment
10

Algebra evenimentelor

Reuniunea evenimentelor (suma evenimentelor) Considerand evenimetele A si B, reuniunea S inseamna realizarea a cel putin unuia dintre evenimentele A sau B S = A B Notatie: Se citeste A sau B Reuniunea a doua multimi A si B este multimea elementelor care apartin lui A sau B Pentru un sistem de n evenimente Ai, i=1..n, reuniunea S se scrie sub forma:

S=

A1 A2 ... An = Ai
i =1

11

Algebra evenimentelor

Se spune ca evenimentul aleator A se descompune in evenimentele A1, A2, An daca acestea sunt incompatibile (Ai A j = ), iar evenimentul A consta cel putin din realizarea unuia din evenimentele A1, A2, An, adica: n A = Ai Evenimentele A1, A2, , An formeaza un sistem complet de evenimente daca cel putin unul dintre evenimentele A se produce intr-un eveniment, adica: n Ai = E
i =1 i =1

12

Algebra evenimentelor

Intersectia evenimentelor (produsul evenimentelor) Considerand evenimentele A si B, intersectia acestora inseamna realizarea si a evenimentului A si a evenimentului B Notatie: I = A B Se citeste A si B Intersectia unui sistem de evenimente {Ai;i=1,,n} se prezinta sub forma:
I=

A1 A2 ... An = Ai
i =1

13

Proprietatile operatiilor cu evenimente

Enunt
Contrariul unui eveniment sigur este un eveniment imposibil si invers Reuniunea sau intersectia unui eveniment cu el insusi este egala cu acelasi eveniment Reuniunile si intersectiile sunt comutative

Relatii
E = = E
A A = A A A = A A B = B A A B = B A
_ _

14

Proprietatile operatiilor cu evenimente

Reuniunile si intersectiile sunt asociative Intersectia in raport cu reuniunea si reuniunea in raport cu intersectia sunt distributive Reuniunea evenimentelor coontrare este un eveniment sigur Intersectia a doua evenimente incompatibile este un eveniment imposibil
A ( B C ) = ( A B) C A ( B C ) = ( A B) C A ( B C ) = ( A B) ( A C ) A ( B C ) = ( A B) ( A C )

A A= E

A A=

15

Proprietatile operatiilor cu evenimente

Daca E este evenimentul sigur, evenimentul imposibil, iar A un eveniment aleator exista relatiile Oricare ar fi evenimentele A si B exista relatiile Considerand evenimentele _ _ A si B si contrariile A si B exista relatiile (relatiile de Morgan)
A E = E; E = E; A = E =

A ( A B) = A A ( A B) = A

( A B) = A B ( A B) = A B
_ _

16

Probabilitatea evenimentelor

Probabilitatea reprezinta masura numerica a posibilitatii de realizare a unui eveniment Notiunea de probabilitate este legata de notiunea practica de frecventa a unui eveniment Elemente de referinta a probabilitatii unui eveniment aleator: Probabilitatea evenimentului sigur este egala cu 1 Probabilitatea evenimentului imposibil este egala cu 0 Probabilitatea unui eveniment aleator este cuprinsa intre 0 si 1

17

Probabilitatea evenimentelor

Uneori se poate calcula direct probabilitatea cunoscand numarul cazurilor favorabile din totalitatea cazurilor posibile considerand evenimentele separate ca echiprobabile Astfel: probabilitatea unui eveniment A, P(A) este:

P ( A) =

numarul cazurilor favorabile numarul cazurilor posibile

Numita formula clasica de calcul a probabilitatilor

18

Probabilitatea evenimentelor

In multe cazuri nu se poate determina numarul cazurilor favorabile sau numarul cazurilor posibile In acest caz se efectueaza incercari in conditii identice determinandu-se frecventa evenimentului cercetat Se ajunge la interpretarea frecventiala a probabilitatii:
P ( A) = numarul de aparitii a evenimentului A numarul total de incercari
19

Principiul certitudinii practice

In multe cazuri exista evenimente a caror probabilitate se situeaza fie foarte aproape de zero fie foarte aproape de unu fara a se confunda cu evenimentul sigur sau cu evenimentul imposibil Acestea se numesc evenimente aproape sigure sau aproape imposibile Daca probabilitatea unui eveniment intr-un experiment este foarte mica sau foarte apropiata de unitate, atunci se poate prevedea rezultatul experientei pe baza principiului imposibilitatii practice sau a principiului certitudinii practice: Daca probabilitatea unui eveniment oarecare A intr-o experienta este foarte mica, putem fi aproape siguri ca daca experienta se efectueaza o singura data, evenimentul A nu va avea loc.

20

Teoreme fundamentale in teoria probabilitatii

Probabilitatea intersectiei a doua evenimente A si B compatibile si independente este: P ( A B ) = P ( A) P ( B ) Daca evenimentele sunt dependente:

P ( A B ) = P ( A) P ( A / B ) Unde: P( A / B )

este probabilitatea evenimentului B conditionat de A

21

Teoreme fundamentale in teoria probabilitatii

Pentru n evenimente dependente:

n 1 n P Ai = P ( A1) P ( A2 / A1) P( A3 / A1 A2 )...P An / Ai 1 1

Reuniunea a doua evenimente A si B compatibile si dependente: P ( A B ) = P ( A) + P ( B ) P ( A B )

22

Variabile aleatoare si repartitii

Variabila aleatoare este o notiune fundamentala a teoriei probabilitatilor In urma unui proces tehnologic uniform de fabricatie, produsele obtinute au valori diferite de la un produs la altul pentru oricare dintre caracteristicle controlate (geometrice, fizice, functionale) Pentru o serie de experimente, oricate precautii sar lua pentru a controla diferiti factori, rezultatele vor prezenta intotdeauna un anumit grad de variabilitate care fac imposibila previziunea exacta a observatiilor

23

Variabile aleatoare si repartitii

Numim variabila aleatoare acea marime care poate capata in urma unui experiment o valoare oarecare necunoscuta aprioric Variabila aleatoare este o notiune cu doua aspecte: Unul referitor la o anumita caracteristica exprimata cantitativ sau calitativ Al doilea referitor la posibilitatea de realizare exprimata prin probabilitate

24

Variabile aleatoare si repartitii

Variabilele aleatoare pot fi: Discrete care iau valori izolate, ex: numarul pieselor defecte dintr-un esantion, numarul studentilor restantieri dintr-o grupa, etc. Continue luand orice valoare dintr-un interval finit sau infinit, ex: caderea de tensiune pe o dioda polarizata direct, curentul de saturatie al tranzistorului MOS, durata de viata a unui produs, etc.
25

Variabile aleatoare si repartitii

Notatii:

Variabilele aleatoare se noteaza cu litere mari: X, Y, Z, Valorile lor posibile cu literele mici corespunzatoare: x1, x2, x3, y1, y2, y3,, z1, z2, z3

26

Variabile aleatoare si repartitii

Variabile aleatoare discrete:

Se considera o variabila aleatoare X In urma unor experiente variabila X capata valorile x1, x2, x3,,xn, cu probabilitatea aparitiei fiecarei valori:

P( X = x1) =

p1 ,

, P( X = x 2 ) =

p 2 ;...; P( X = x n ) = p n

Numarul valorilor posibile ale unei variabile aleatoare discrete poate fi finit:

X = { x1 , x 2 ,..., x n}

Sau infinit Enumerarea tuturor valorilor posibile ale unei variabile aleatoare si ale probabilitatilor respective se numeste repartitie

27

Variabile aleatoare si repartitii

Repartitia variabilei aleatoare discrete se poate prezenta sub forma unui tablou, numit tabloul repartitiei:
|| x1 | x 2 | ... | x n P( X = xi ) || p1 | p 2 | ... | p n

xi

Sau sub forma:

Unde in prima linie sunt trecute valorile posibile ale caracteristicii iar in linia a doua probabilitatile corespunzatoare Indicand exact probabilitatea fiecarui eveniment xi s-a stabilit legea de repartitie a variabilei aleatoare

x1 X : p 1

xi x 2 ... x n , sau X : , i 1 n p p 2 ... p n i

28

Variabile aleatoare si repartitii

Legea de repartitie se poate reprezenta sub forma unei relatii analitice care stabileste corespondenta dintre valorile aleatoare xi si probabilitatile respective Expresia analitica:

P( X = xi ) = P( xi ) =
0 P( X i ) 1

pi

Se numeste functie de probabilitate si satisface dubla inegalitate:

29

Variabile aleatoare si repartitii

Reprezentarea grafica se poate face sub forma unei diagrame cu bare sau diagrame poligonale:

p(x)

p(x)

30

Variabile aleatoare si repartitii

Deoarece fiecare experiment are un singur rezultat, totalitatea valorilor distincte si posibile x1, x2, x3,, xn, formeaza un sistem complet de evenimente incompatibile Pentru multimea ale carei perechi ordonate {(xi,pi),i=1,2n} definesc repartitia se poate scrie:

pi = 1
1

31

Variabile aleatoare si repartitii

In multe cazuri intereseaza probabilitatea evenimentului Probabilitatea acestui eveniment reprezinta o anumita functie numita functie de repartitie a variabilei aleatoare X: X x Functia de repartitie este caracteristica cea mai reprezentativa a unei variabile aleatoare In cazul v.a. discrete aceasta se reprezinta sub forma unei diagrame in trepte:

F ( x ) = P( X x )

1,2 1 0,8 0,6 0,4 0,2 0 0 1 2 3 4 5 functia de repartiei a v.a. discrete

32

Variabile aleatoare si repartitii

Cunoscand functia de probabilitate a unei v.a. discrete P(xi), functia de repartitie va fi: F ( x k ) = P ( X x k ) = P ( X = xi ) = P ( xi ) = p i
i =1 i =1 i =1 k k k

33

Variabile aleatoare si repartitii

Variabile aleatoare continue: Pentru v.a. continue la care exista o infinitate de valori, repartitia nu poate fi redata printr-un tablou de valori, ca la v.a. discrete In consecinta in loc sa se utilizeze probabilitatea evenimentului X=x se foloseste probabilitatea evenimentului X<x care se numeste functie de repartitie Pentru v.a. continua functia de repartitie este definita de integrala:
F ( x ) = P( X < x ) =

f ( x)dx = F ' ( x)dx

Unde f(x) reprezinta densitatea de repartitie a probabilitatii sau densitatea de probabilitate

34

Variabile aleatoare si repartitii

Densitatea de probabilitate este prima derivata a functiei de repartitie F(x), adica:

F ( x + x ) F ( x ) f ( x) = lim = F '( x) x x > 0

35

Variabile aleatoare si repartitii

Curba densitatii de probabilitate este reprezentata in figura Marimea f(x)dx se numeste element de probabilitate si reprezinta probabilitatea ca v.a. sa se gaseasca in intervalul elementar dx, fiind egala d.p.d.v. geometric cu aria dreptunghiului elementar cu baza dx

36

Variabile aleatoare si repartitii

Probabilitatea unei valori oarecare a v.a. continue este egala cu zero In concluzie evenimentul X=x este un eveniment posibil dar probabilitatea acestui eveniment este egala cu zero Acest caz nu trebuie confundat cu evenimentul imposibil Definitia clasica a probabilitatii conduce la o interpretare nu in sensul ca evenimentul nu va aparea ci in sensul ca evenimentul este posibil dar probabilitatea sa este zero F(x) nu are semnificatia unei probabilitati asa cum se prezinta expresia P(x) pentru variabila aleatoare discreta

37

Variabile aleatoare si repartitii

Proprietatile functiei de repartitie Geometric functia de repartitie pentru v.a. continua este reprezentata de aria hasurata cuprinsa intre curba densitatii de probabilitate si axa absciselor Are ca asimptote: F(x)=0 si F(x)=1

38

Variabile aleatoare si repartitii

a.

Proprietatile functiei de repartitie sunt:

F () = 0
F ( ) =

b.

f ( x)dx =1

c.

F ( x1 ) F ( x2 ), x1 x2

Functie nedescrescatoare

39

Variabile aleatoare si repartitii

Apartenenta v.a. la un interval dat Suntem interesati de a calcula probabilitatea ca o v.a. sa capete o valoare cuprinsa intre anumite limite, de ex. a si b Acest eveniment se numeste apartenenta v.a. X la intervalul cuprins intre a si b,

X ( a, b)

Apartenenta la acest interval inseamna verificarea inegalitatii a<x<b

40

Variabile aleatoare si repartitii

Apartenenta v.a. la un interval dat Se considera urmatoarele evenimente: A evenimentul reprezentand X<b B evenimentul reprezentand X<a C evenimentul reprezentand a<X<b Se observa ca: A = B C

41

Variabile aleatoare si repartitii

Apartenenta v.a. la un interval dat Deoarece evenimentele B si C sunt incompatibile:

P( A) = P ( B) + P(C )

Sau: De unde: Rezulta: Sau:

P ( X < b ) = P ( X < a ) + P ( a X < b) P ( a X < b) = P ( X < b) P ( X < a ) P(a X < b) = F (b) F (a)
b a b

P ( a X < b) =

f ( x)dx f ( x)dx = f ( x)dx

a

42

Variabile aleatoare si repartitii

Apartenenta v.a. la un interval dat Deci probabilitatea ca o v.a. sa apartina intervalului [a,b) este egala cu cresterea functiei de repartitie in acest interval sau cu integrala densitatii de repartitie in intervalul respectiv (a,b) a carei valoare este data de aria trapezului curbiliniu marginit de axa x, curba densitatii de probabilitate f(x) si dreptele x=a si x=b

43

Variabile aleatoare si repartitii

Valori tipice ale v.a.:

V.a. poate fi definita cu ajutorul functiei de repartitie, sau V.a. poate fi definita cu ajutorul unor valori tipice numite indicatori Valorile tipice se refera la cele doua aspecte: a. Tendinta de localizare (grupare) b. Tendinta de variatie (imprastiere) Valorile tipice sunt valorile teoretice ale populatiei referitoare la o caracteristica X

44

Valori tipice de localizare

Valoare medie cel mai reprezentativ indicator teoretic al variabilei aleatoare este valoarea medie numita si speranta matematica, valoarea adevarata, media teoretica sau simplu medie x Pentru v.a. discreta X : i , i = 1,2,..., n
p i

valoarea medie,notata M[x] se obtine cu relatia: x1 p1 + x2 p2 + ... + xn pn n M [ x] = = xi pi p1 + p2 + ... + pn i =1

45

Valori tipice de localizare

Speranta matematica a unei v.a. X este estimata de media aritmetica a variabilei respective obtinuta dintrun numar mare de experiente unde frecventa relativa estimeaza valoarea adevarata Cand numarul de experimentari creste, frecventa relativa a evenimentului converge in probabilitate catre speranta matematica M[x] Pentru v.a. continua speranta matematica este definita de expresia:

M [ x] =

xdF ( x) = xf ( x)dx

Unde f(x) reprezinta densitatea de probabilitate a v.a. X Se poate folosi pentru media teoretica si simbolul:

M [ x] =
46

Valori tipice de localizare

Mediana Me este valoarea tipica in raport cu care variabila X are aceeasi probabilitate de a fi inferioara sau superioara:
P( X < M e ) = P( X > M e ) sau
Me

f ( x)dx = f ( x)dx
Me

D.p.d.v. geometric, mediana este abscisa punctului prin care trece paralela la axa Oy, care imparte in doua parti egale aria limitata de curba f(x) si axa absciselor

47

Valori tipice de localizare

Cuantile pe baza acelorasi consideratii facute la mediana, se pot defini anumite valori ale variabilei aleatoare xi (i=1,2n-1) denumite cuantile sau fractile, pentru care:
x1

f ( x )dx =

x2 x1

f ( x)dx =

x3 x2

f ( x)dx = ... =

x n1

f ( x )dx =

1 n

Daca n=4, valorile x1=Q1, x2=Q2, x3=Q3 se numesc cuartile Se observa ca Q2=Me Pentru n=10 cele 9 valori se numesc decile Pentru n=100, valorile respective se numesc percentile

48

Valori tipice de localizare

Se poate utiliza notiunea de cuantila de ordin , Q care reprezinta fie cuantila superioara xn-1=Q fie cuantila inferioara n1=Q1- definita respectiv de expresiile:

P ( X > Q ) = ,

P ( X < Q ) =

49

Valori tipice de localizare

Mod Mo este valoarea tipica cu cea mai mare probabilitate (valoarea dominanta) a unei v.a. pentru v.a. discrete Pentru v.a. continue moda corespunde valorii pentru care densitatea de probabilitate are un maxim Pozitia indicatorilor: medie, mediana si mod (a), si cuantila de ordin (b):

50

Valori tipice de variatie

Tendinta de variatie poate fi caracterizata cu ajutorul dispersiei si abaterii standard Expresiile acestor indicatori pot fi generalizate pe baza momentelor initiale sau centrate

51

Valori tipice de variatie

Moment initial de ordin k (k>1) Pentru variabila aleatoare discreta momentul initial (absolut) de ordin k n este: k k
'k = M [ X ] = xi pi
i =1

Pentru o variabila continua momentul initial de ordin k este:

'k = x k f ( x)dx

52

Valori tipice de variatie

Se observa ca momentul initial de ordin 1 este egal cu media teoretica:

'1 =

53

Valori tipice de variatie

Moment centrat de ordin k (k>1) Pentru o v.a. discreta momentul centrat de ordin k in raport cu media teoretica n este: k k
k = M [( X M [ X ]) ] = ( xi ) pi
i =1

Pentru v.a. continua momentul centrat de ordin k este:

k = M [( X M [ X ]) ] = ( x ) k f ( x)dx
k

54

Valori tipice de variatie

Dispersia dispersia teoretica este egala cu momentul centrat de ordin 2: Pentru v.a. discreta:
D[ X ] = = M [( X ) ] = ( xi ) 2 pi
2 2 n

Pentru v.a. continua:

2

i =1

D[ X ] = = ( x ) 2 f ( x)dx

Dispersia se poate determina si cu ajutorul momentelor:

2 2 = 2 = '2 '1

55

Valori tipice de variatie

Abaterea standard prin definitie abaterea standard este data de expresia generala:
= D[ X ]

Pentru v.a. discreta relatia devine:

= ( xi ) pi = xi2 pi 2
2 i =1 i =1 n n

Pentru v.a. continua relatia devine:

=
2 2 ( x ) f ( x)dx = x f ( x)dx 2

56

Valori tipice de variatie

Coeficientul de variatie teoretic in cazul unei v.a. X este dat conform definitiei de:
CV = D[ X ] = M[X ]

Sau functie de momente:

2 '2 CV = = 1 2 '1

57