Curs TP

Ariadna Lucia Pletea
Liliana Popa
TEORIA PROBABILITATILOR
UNIVERSITATEA TEHNICA GH. ASACHI, IASI 1999
Cuprins
Introducere 1 Cmp de probabilitate a 1.1 Cmp nit de evenimente . . . . . a 1.2 Cmp nit de probabilitate . . . . a 1.3 Metode de numrare . . . . . . . . a 1.4 Moduri de selectare a elementelor . 1.5 Denitia axiomatic a probabilitii a at 1.6 Formule probabilistice . . . . . . . 1.7 Scheme clasice de probabilitate . . 1.8 Cmp innit de probabilitate . . . a 1.9 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7 7 11 16 17 18 20 26 29 36 43 43 44 61 65 68 74 75 81 81 88 95 108 117 126 143
2 Variabile aleatoare discrete 2.1 Denitia i clasicarea variabilelor aleatoare . . . . . . . . s 2.2 Variabile aleatoare discrete simple . . . . . . . . . . . . . . 2.3 Exemple de variabile aleatoare discrete simple . . . . . . . 2.4 Variabile aleatoare discrete simple bidimensionale . . . . . 2.5 Variabile aleatoare cu un numr innit numrabil de valori a a 2.6 Functia generatoare . . . . . . . . . . . . . . . . . . . . . . 2.7 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . .
3 Variabile aleatoare continue 3.1 Functia de repartitie a unei variabile aleatoare unidimensionale 3.2 Densitatea de probabilitate. Repartitia normal . . . . . . . . a 3.3 Functia de repartitie multidimensional. Transformri . . . . . a a 3.4 Valori caracteristice ale unei variabile aleatoare . . . . . . . . 3.5 Functia caracteristic a unei variabile aleatoare . . . . . . . . a 3.6 Variabile aleatoare continue clasice i legturile dintre ele . . . s a 3.7 Fiabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Probleme la limit teoria probabilitilor a n at 155 4.1 Convergenta probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . 155 n 4.2 Legea numerelor mari (forma slab) . . . . . . . . . . . . . . . . . . . . . . 156 a 4.3 Aproximri pentru repartitii discrete . . . . . . . . . . . . . . . . . . . . . 161 a 3
4.4 4.5
Convergenta repartitie. Teorema limit central . . . . . . . . . . . . . n a a Legtura dintre convergenta irurilor functiilor de repartitie i convergenta a s s irurilor functiilor caracteristice . . . . . . . . . . . . . . . . . . . . . . . s 4.6 Convergenta aproape sigur . . . . . . . . . . . . . . . . . . . . . . . . . a 4.7 Convergenta medie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . n 4.8 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 164 . . . . 177 181 182 184
5 Procese stochastice 187 5.1 Lanturi Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 5.2 Procese Markov continue. Procese Poisson . . . . . . . . . . . . . . . . . . 200 5.3 Procese stochastice stationare . . . . . . . . . . . . . . . . . . . . . . . . . 206
Introducere
Numeroase probleme practice din variate domenii de activitate, ca: ingineria electric, a radio, transmisia de date, calculatoare, teoria informatiei, abilitatea sistemelor i altele, s conduc la studiul unor fenomene i procese aleatoare. Evaluarea anselor lor de producere s s constituie obiectul disciplinei teoria probabilitilor. at Cursul de Teoria probabilitilor are att un caracter informativ, furniznd studentiat a a lor notiuni i rezultate fundamentale cu care vor opera cadrul specialitilor lor, ct s n at a i formativ, acomodndu-i cu rationamente matematice, dintre care unele vor necesare s a prelucrrii pe calculator a datelor. a Cursul este alctuit din cinci capitole. a Capitolul I, intitulat Cmp de probabilitate introduce notiunea de cmp de proa a babilitate, cadru care se denete axiomatic notiunea de probabilitate. Sunt trecute n s revist formule i scheme clasice de probabilitate. Elementele de teorie sunt ite n a s nsot de exemple, dintre care unele cu referire la situatii tehnice privind controlul de calitate, transmiterea informatiei etc. Cuprinde paragrafele: 1.Cmp nit de evenimente; 2.Cmp nit de probabilitate; a a 3. Metode de numrare; 4.Moduri de selectare a elementelor; 5.Denitia axiomatic a a a probabilitii; 6.Formule probabilistice; 7.Scheme clasice de probabilitate; 8.Cmp innit at a de probabilitate. Capitolul II, intitulat Variabile aleatoare discretecuprinde paragrafele 1.Denitia i clasicarea variabilelor aleatoare; 2.Variabile aleatoare discrete simple; 3.Exemple de s variabile aleatoare discrete simple; 4.Variabile aleatoare discrete simple bidimensionale; 5.Variabile aleatoare cu un numr innit numrabil de valori. a a Este scos evidenta rolul distributiei Poisson, a evenimentelor rare numeroase n n aplicatii tehnice. Capitolul III, intitulat Variabile aleatoare continue, cuprinde paragrafele: 1.Funcia de repartitie a unei variabile aleatoare unidimnesionale; 2.Densitatea de probabit litate.Repartitia normal;3.Functia de repartitie multidimensional.Transformri; 4.Va a a a lori caracteristice ale unei variabile aleatoare. 5.Functia caracteristic a unei variabile a aleatoare; 6.Variabile aleatoare continue clasice i legturile dintre ele; 7.Fiabilitate. s a Este scos evidenta rolul legii lui Gauss studiul erorilor accidentale de msurare. n n a Capitolul IV, intitulat Probleme la limit teoria probabilitilor, cuprinde paraa n at grafele: 1.Convergenta probabilitate a irurilor de variabile aleatoare; 2.Legea nu n s merelor mari (forma slab); 3.Aproximri pentru distributii discrete; 4.Convergenta a a n repartitie. Teorema limit central; 5.Legtura dintre convergenta functiilor de repartitie a a a
i convergenta functiilor caracteristice; 6.Convergenta aproape sigur; 7.Convergenta s a n medie. Scopul acestui capitol este de a pune evident justicri teoretice ale apropien a a rii dintre anumite concepte din teoria probabilitlor i din statistica matematic i de at s as asemenea, legturile dintre diferitele tipuri de convergent teoria probabilitilor. a a n at Capitolul V, intitulat Procese stochastice, cuprinde paragrafele:1.Lanturi Markov; 2.Procese Markov contiue. Procese Poisson; 3.Procese stochastice stationare. Pentru elegerea materialului din acest capitol, s-au dat numeroase exemple de nt important practic din teoria ateptrii, teoria stocurilor i altele. a a s a s Capitolele I, II, IV au fost redactate de lector dr. Pletea Ariadna, iar Capitolele III i s V de lector dr. Popa Liliana, care au colaborat pentru a obtine o form ct mai unitar a a a i modern a cursului. s a Adresm pe aceast cale vii multumiri comisiei de analiz a cursului, format din prof. a a a a dr. Pavel Talpalaru, prof. dr. Stan Chirita i lector Gheorghe Florea pentru observatiile s constructive fcute, ct i, anticipat, tuturor cititorilor, care vor contribui prin sugestii la a a s mbuntirea prezentului material. a at Autoarele
Capitolul 1 Cmp de probabilitate a

1.1 Cmp nit de evenimente a
teoria probabilitilor notiunile primare sunt: evenimentul i probabilitatea. In at s Teoria probabilitilor studiaz experientele aleatoare, acele experiente care reproduse at a de mai multe ori se desfoar de ecare dat mod diferit, rezultatul neputnd as a a n a anticipat. Exemple de experiente aleatoare: aruncarea unui zar, tragerile la int, durata t a de functionare a unei maini etc. s Rezultatele posibile ale unei experiente aleatoare se numesc probe sau cazuri posibile ale expeientei. Experientele se pot realiza printr-un numr nit sau un numr innit de probe. a a Multimea rezultatelor (cazurilor) posibile ale unei experiente aleatoare formeaz spatiu a de selectie. Notm simbolic spatiul de selectie cu E. a Denitia 1.1.1 Se numete eveniment o submultime a spatiului de selectie. s Orice element a lui E, notat e, este un punct de selectie sau un rezultat posibil al experientei. cele ce urmeaz vom presupune E nit. In a Exemplul 1.1.1 Considerm experienta care const aruncarea unui zar. Aceasta este a a n o experienta aleatoare. Multimea rezultatelor posibile ale experientei sunt 1, 2, 3, 4, 5, 6. Deci spatiul de selectie este E = {1, 2, 3, 4, 5, 6}. Presupunem c ne intereseaz a a evenimentul ca la o aruncare a zarului s obtinem o fata cu un numr par de puncte. a a Dac aruncnd zarul am obtinut fata cu cinci puncte, aceasta este o prob a experientei a a a noastre, dar evenimentul care ne interesa (o fat cu un numr par de puncte) nu s-a a a realizat. Dac proba experientei ar fata cu ase puncte, atunci evenimentul nostru s-a a s realizat. Exemplul dat este al unei experiente cu un numar nit de probe. Se pot da exemple i de s experiente cu o innitate de probe. Astfel, experienta tragerii la int. Exist o innitate t a a de probe care realizeaz evenimentul atingerii intei. a t 7
Camp de probabilitate
Notiunile de spatiu de selectie i de eveniment astfel introduse ne permit ca teoria s multimilor s poat folosit studiul evenimentelor aleatoare. Traducem limbaj de a a a n n evenimente notiuni i simboluri caracteristice teoriei multimilor. s 1. Drept submultime a lui E se poate considera E. Cum indiferent de rezultatul e al experientei, e E, rezult c odat cu e se realizeaz E. Evenimentul E se numete a a a a s eveniment cert (sau eveniment sigur). De exemplu, la aruncarea zarului aparitia unei fete cu un numr de puncte mai mic a sau egal cu 6 este evenimentul sigur. Aparitia unei fete cu un numr mai mic sau a egal cu 4 de puncte este un eveniment nesigur, dar posibil. 2. Drept submultime a lui E putem considera multimea vid care nu se realizeaz la a a nici o efectuare a experientei, motiv pentru care se numete eveniment imposibil. s 3. Fie evenimentul A, submultime a lui E. Evenimentul complementar lui A raport n se numete eveniment contrar evenimentului A. Acesta se realizeaz cu E, notat A, s a dac i numai dac nu se realizeaz evenimentul A. as a a exemplul 1.1.1 evenimentul contrar evenimentului aparitiei unui numr par de In a puncte este evenimentul care const aparitia unui numr impar de puncte. Astfel, a n a A = {2, 4, 6} i A = {1, 3, 5}. s 4. Fie evenimentele A, B E. Evenimentul A implic evenimentul B (scris A B) a dac B se realizeaz prin toate probele lui A (i prin alte probe), adic dac (e a a s a a A) (e B). 5. Fie A, B E dou evenimente. Evenimentul AB este evenimentul a crui realizare a a are loc dac se realizeaz sau A sau B. a a 6. Fie A, B E. Prin evenimentul A B elegem evenimentul care se realizez dac nt a a se realizeaz att A ct i B. a a a s 7. Fie A, B E. Prin A \ B elegem evenimentul care se realizeaz prin probe ale nt a lui A i B. s Denitia 1.1.2 Fie A E, A = . Evenimentul A se numete eveniment elementar s dac este implicat numai de el si i de evenimentul imposibil. Celelalte evenimente a nsu s se numesc evenimente compuse. a Denitia 1.1.3 Fie A, B E. Evenimentele A, B se numesc compatibile dac se pot realiza simultan, adic exist probe care realizeaz att pe A ct i pe B (A B = ). In a a a a a s caz contrar evenimentele se numesc incompatibile (A B = ). s a Observatia 1.1.1 Operatiile de reuniune i intersectie se extind pentru un numr nit de evenimente. Fie A1 , A2 , . . . , An E. Avem
n
(. . . ((A1 A2 ) A3 ) . . . An ) =
i=1
Ai ,
Camp de probabilitate adic evenimentul care se realizeaz dac cel putin un eveniment Ai se realizeaz i a a a as
n
(. . . ((A1 A2 ) A3 ) . . . An ) =
i=1
Ai
este evenimentul care se realizeaz dac toate evenimentele Ai , i = 1, n se realizeaz. a a a Mentionm cteva din proprietile operatiilor introduse: a a at 1. Dac A B atunci A B = B i A B = A. a s 2. Oricare ar evenimentul A au loc relatiile A A = A, A = A, A E = E, E = E, A A = A, A = , A E = A, E = . 3. Dac A C, B C, A, B, C E atunci A B C i A B C. a s 4. Dac A, B, C E atunci a A B = B A, A (B C) = (A B) C, A (B C) = (A B) (A C), A B = B A, A (B C) = (A B) C, A (B C) = (A B) (A C). Constructia sistematic a unui cmp nit de evenimente se poate face plecnd de la a a a dou axiome, numite axiomele cmpului nit de evenimente. a a Notm cu P(E) multimea prtilor lui E. a a Denitia 1.1.4 Perechea { E, K }, K = , K P(E), se numete cmp nit de s a evenimente dac: a a) A K A K; b) A, B K A B K. Consecinte ale denitiei: 1. E K deoarece (A K A K) (A A K) (E K). 2. K deoarece (E K E K) ( = E K). 3. Dac A, B K A \ B K deoarece A \ B = A B = A B K. a 4. Urmtorele proprieti sunt echivalente: a at (A, B K A B K) i (A, B K A B K), s deoarece A B = A B.
10
Camp de probabilitate 5. Din Denitia 1.1.4 rezult, folosind metoda inductiei matematice, c a a
n
n 6. Din Consecinta 4 rezult: a
2, Aj K, 1
n
j=1
Aj K.
2, Aj K, 1
n
j=1
Aj K.
Intr-un cmp nit de evenimente au loc urmtoarele proprieti: a a at a P1. Dou evenimente elementare distincte sunt incompatibile. Fie A1 i A2 dou evenimente elementare. S presupunem c A1 A2 = , adic s a a a a A1 A2 = B = . Deci B A1 , B = i cum A1 i A2 sunt distincte, B = A1 , deci s s A1 nu este eveniment elementar, ceea ce este fals. P2. Intr-un cmp nit de evenimente exist evenimente elementare. a a Fie A1 un eveniment. Dac A1 este elementar, armatia este demonstrat. Dac a a a A1 este eveniment compus exist A2 = , A2 = A1 astfel at A2 A1 . Dac a nc a A2 este eveniment elementar, armatia este demonstrat. Dac A2 este eveniment a a compus se continu rationamentul anterior. Cmpul ind nit, rezult c exist un a a a a a eveniment elementar An = astfel at nc An An1 . . . A1 . P3. Fie { E, K } un cmp nit de evenimente. Orice eveniment al acestui cmp se poate a a scrie ca reuniune nit de evenimente elementare. a Fie B un eveniment compus (dac B este un eveniment elementar atunci armatia a este demonstrat). Exist, conform proprietii P2, un eveniment elementar A1 K a a at i un eveniment B1 K astfel a B = A1 B1 , B1 = B \ A1 cu A1 B1 = . s nc Dac B1 este eveniment elementar, armatia este demonstrat. Dac B1 nu este a a a eveniment elementar, exist evenimentul elementar A2 i un eveniment B2 K a s astfel at B1 = A2 B2 i deci B = A1 A2 B2 i rationamentul se continu. nc s s a Deci B = A1 A2 . . . Ak , unde Ai , i = 1, k sunt evenimente elementare. P4. Reuniunea tuturor evenimentelor elementare ale lui K este E. Intr-adevr, e a E = A1 A2 . . . As . Presupunem c cmpul nit de evenimente mai exist un eveniment elementar a n a a An = Aj , j = 1, s. Atunci An E = An = An (A1 . . . As ) = (An A1 ) . . . (An As ) = conform P1.
11
Nu de putine ori de un real folos ne va descompunerea unui eveniment ntr-o reuniune de evenimente incompatibile dou cte dou. a a a Denitia 1.1.5 Fie { E, K } un cmp nit de evenimente i A1 , A2 , . . . , An K. a s Spunem c familia de evenimente A1 , A2 . . . An formeaz un sistem complet de evenia a mente dac: a a) Ai = , i = 1, n; b) Ai Aj = , i = j, i, j = 1, n;
n
c)
i=1
Ai = E.
Observatia 1.1.2 Multimea tuturor evenimentelor elementare ataate unei experiente s formeaz un sistem complet de evenimente. a Exemplul 1.1.2 S se verice care din urmtoarele submultimi ale lui P(E) (P(E) a a multimea prtilor lui E) sunt cmpuri nite de evenimente i, caz armativ, s se a a s n a precizeze evenimentele elementare: a s a 1. Dac E = {1, 2, 3} i K = {, {1}, {2, 3}, {1, 2, 3}}, atunci { E, K } este cmp nit de evenimente deoarece satisface cele dou axiome ale Denitiei 1.1.4. Evenia mentele elementare sunt {1} i {2,3}. Observm c evenimentele elementare nu sunt s a a submultimi ale lui E formate dintr-un singur element nu este corect. exemplul a In prezentat un eveniment elementar este format dintr-un singur element, iar cellalt a eveniment este format din dou elemente. a 2. Dac E = {1, 2, 3} i K = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} = P(E) a s atunci { E, K } este un cmp nit de evenimente. Evenimentele elementare sunt a {1}, {2}, {3}. a s a 3. Dac E = {1, 2, 3} i K = {{1}, {2}, {1, 3}, {1, 2, 3}} nu este un cmp nit de evenimente deoarece, de exemplu {2} = {1, 3} K sau {1} {2} = {1, 2} K. / /
1.2
Cmp nit de probabilitate a
Fie o experient i un eveniment A legat de aceasta. Repetm experienta de n ori a s a conditii identice. Notm cu m numrul de realizri ale evenimentului A. Rezult c n a a a a a n m reprezint numrul de nerealizri ale lui A. a a a a Denitia 1.2.1 Numrul m n se numete frecventa relativ a evenimentului A. s a fn = a a a a Observatia 1.2.1 Frecventa relativ variaz de la o experient la alta, avnd un caracter experimental. Deoarece 0 m n rezult 0 fn 1, n I . a N
12
Observatia 1.2.2 Frecventa relativ fn depinde de n, numrul de repetri ale experi a a a mentului. Multe experiente prezint o stabilitate a frecventelor relative sensul c pe a n a msur ce numrul n ia valori mari, frecventa relativ oscileaz jurul unei anumite a a a a a n valori i se apropie din ce ce mai mult de aceast valoare. Valoarea poate adesea s n a intuit. a De exemplu, dac a ntr-o urn sunt trei bile negre i una alb, la un numr mare de a s a a extractii ale unei bile din urn, cu repunerea bilei extrase a napoi, ansele de extragere s ale unei bile negre sunt de trei ori mai mari dect cele ale unei bile albe i deci, pentru a s valori mari ale lui n, cazul celor dou evenimente frecventele relative se vor stabiliza n a jurul valorilor 3/4 i respectiv 1/4. Aceast stabilitate a frecventelor relative, verin s a cat prin observatii i conrmat practic, este una din legile cele mai importante ale a s a n a experientelor aleatoare. Legea a fost formulat pentru prima dat de Bernoulli teorema a a n care poart numele i este forma slab a legii numerelor mari (Capitolul 4, Teorema i a s a 4.2.2). Denirea probabilitii peste un cmp nit de evenimente se poate face mod clasic at a n i axiomatic. s Denitia clasic a probabilitii se poate folosi cazul care experienta aleatoare a at n n are un numr nit de cazuri posibile i toate egal probabile, adic la un numr mare de a s a a efecturi ale experientei, ecare caz are aceeai ans de a se realiza. a s s a Considerm, de exemplu, experienta care const aruncarea unui zar pe o suprafat a a n a neted. Dac zarul este perfect cubic i omogen, atunci ecare din fete are aceeai ans a a s s s a cazul de a apare, frecventele relative ale ecreia dintre ele variaz jurul lui 1/6. In a a n n care zarul nu ar omogen, atunci una sau mai multe fete ar favorizate. a s nc Denitia 1.2.2 Fie o experient i evenimentele legate de aceasta astfel at toate eveni mentele s e egal posibile. Fie evenimentul A legat de aceast experient. Numim proa a a babilitatea evenimentului A numrul a m P (A) = n dat de raportul dintre numrul m al cazurilor favorabile realizrii evenimentului A i a a s numrul n al cazurilor egal posibile. a Mentionm c orice prob care conduce la realizarea unui eveniment A reprezint un a a a a caz favorabil evenimentului A. Observatia 1.2.3 Denitia clasic a probabilitii, formulat pentru prima dat de La a at a a place, este nesatisfctoare din punct de vedere logic deoarece reduce denitia probabia a litii la problema cazurilor egal posibile care nu a putut denit din punct de vedere at a matematic, ci numai ilustrat. a cazul zarului neomogen, denitia clasic a probabilitii nu poate aplicat. RiIn a at a guros vorbind, zarul neomogen i nesimetric este singurul caz real deoarece construirea s unui zar perfect este imposibil. a Un alt incovenient al denitiei apare cazul care numrul cazurilor posibile este n n a innit deoarece aceast situatie probabilitatea, calculat dup denitia clasic, este n a a a a foarte mic sau egal cu zero. a a
13
sfrit, denitia clasic a probabilitii nu poate admis deoarece nu pote apliIn a s a at a cat studiul fenomenelor sociale, neputndu-se determina numrul cazurilor posibile. a n a a Observatia 1.2.4 Legtura existent a a ntre frecventa relativ unui eveniment i proba a s bilitatea sa este profund. De fapt atunci cnd calculm probabilitatea unui eveniment a a a ne bazm pe frecventele relative. a Exemplul 1.2.1 Se arunc un zar de dou ori. Multimea rezultatelor posibile ale expea a rientei care const perechile de numere ce apar pe zar cele dou aruncri este E = a n n a a 2 {11, 12, . . . , 16, 21, 22, . . . , 26, 31, . . . , 66} , |E| = 6 = 36, unde |E| noteaz numrul de a a elemente ale multimii E. Toate rezultatele posibile sunt echiprobabile, deci probabilitatea unui eveniment A, P (A), este egal cu numrul elementelor din multimea A artit la a a mp numrul elementelor din E. Presupunem c vom pstra fata zarului ce contine un punct a a a alb, iar celelalte fete le vom colora negru. Notm cu AN evenimentul ca la prima a n a aruncare a zarului s obtinem fata alb, iar la cea de-a doua aruncare o fata neagr a a a a zarului. Avem AN = {12, 13, 14, 15, 16}. Rezult a P (AN ) = Analog, fcnd notatiile acelai fel, avem: a a n s P (AA) = 1 5 25 , P (N A) = , P (N N ) = . 36 36 36 5 . 36
Presupunem c au fost terse numerele de pe fetele zarului i au rmas culorile. Multia s s a mea rezultatelor posibile, acest caz, este E = {AA, AN, N A, N N } cu probabilitile n at corespunztoare. Observm c acest ultim caz, evenimentele AA, AN, N A, N N sunt a a a n elementare i formeaz un sistem complet de evenimente. s a Proprieti ale probabilitii: at at P1. A K : 0 P (A) 1; P2. P (E) = 1; P3. P () = 0; P4. A, B K, A B = : P (A B) = P (A) + P (B); P5. A, B K, B A : P (A \ B) = P (A) P (B); P6. A K : P (A) + P (A) = 1; P (A).
P7. A, B K, B A : P (B)
Primele trei proprieti sunt evidente. at Demonstrm proprietatea P4. Dac din cele n cazuri posibile, m sunt favorabile lui a a A i p favorabile lui B, atunci s P (A) = p m , P (B) = . n n
14
Dac A B = , atunci numrul cazurilor favorabile lui A B este m + p, deci rezult a a a proprietatea P4. Aceast proprietate poate extins sensul c dac A1 , A2 , . . . , An K, evenimente a a n a a incompatibile dou cte dou, adic Ai Aj = , i = j, atunci a a a a
n n
P(
i=1
Ai ) =
i=1
P (Ai ).
Demonstratia rezult utiliznd metoda inductiei matematice. a a Demonstrm proprietatea P5. Scriem A = (A \ B) B i atunci (A \ B) B = , a s deci, conform proprietii P4, at P (A) = P ((A \ B) B) = P (A \ B) + P (B) P (A \ B) = P (A) P (B). Mai general, avem: A, B K : P (A \ B) = P (A) P (A B). (1.1)
Intr-adevr, scriem A = (A \ B) (A B). Deoarece (A \ B) (A B) = avem, conform a proprietii P4, P (A) = P (A \ B) + P (A B). Rezult formula (1.1). at a Proprietatea P6 se obtine din P4 punnd B = A, folosind P2. a Pentru a demonstra proprietatea P7 folosim P5. Dac B A atunci P (A \ B) = a P (A) P (B) 0 i deoarece, conform P1, P (A \ B) 0 rezult proprietatea dorit. s a a Denitia 1.2.3 Un sistem nit de evenimente { E, K } asociat unei experiente aleatoa re cu un numr nit de cazuri egal posibile a mpreun cu probabilitile acestor evenimente a at formeaz un cmp nit de probabilitate notat { E, K, P }. a a Odat introdus notiunea de probabilitate, putem deni dou notiuni importante a a a n teoria probabilitilor i anume notiunea de probabilitate conditionat i de independent at s as a probabilitate a evenimentelor. n Uneori trebuie s calculm probabilitatea unui eveniment A legat de un eveniment a a B, ipoteza c evenimentul B s-a realizat. Pentru aceasta restrngem multimea evenin a a mentelor care realizeaz evenimentul A la cele care realizeaz i evenimentul B, deci a a s restrngem E la B. Pentru ca aceast restrictie s aib sens este necesar ca evenimentul a a a a B s e de probabilitate nenul. a a Fie { E, K, P } un cmp nit de probabilitate i A, B K, P (B) = 0. a s Denitia 1.2.4 Numim probabilitatea evenimentului A conditionat de evenimentul B a (notat PB (A) sau P (A|B)) probabilitatea de realizare a evenimentului A ipoteza c n a evenimentul B s-a realizat, probabilitate denit prin a P (A|B) = P (A B) . P (B) (1.2)
Observatia 1.2.5 Fie m numrul cazurilor favorabile lui B, p numrul cazurilor favora a a bile lui A i q favorabile lui A B. Din cele m cazuri favorabile lui B, q sunt favorabile s
15
i lui A sau, ceea ce este acelasi lucru, din cele p cazuri favorabile lui A, q sunt favorabile s i lui B. Avem s m p q P (B) = , P (A) = , P (A B) = . n n n ipoteza c B s-a realizat, rmn m cazuri posibile, din care q favorabile lui A. Deci In a a a q P (A B) q n P (A|B) = = m = . m P (B) n Aceasta ar putea constitui o justicare a relatiei (1.2). Observatia 1.2.6 Dac presupunem c P (A) = 0, atunci a a P (B|A) = P (A B) . P (A) (1.3)
Observatia 1.2.7 Din relatiile (1.2) i (1.3) retinem s P (A B) = P (B)P (A|B) i s P (A B) = P (A)P (B|A). Fie { E, K, P } un cmp nit de probabilitate i A, B K. a s s n a Denitia 1.2.5 Evenimentele A i B sunt independente ( probabilitate) dac proba bilitatea ca unul s se realizeze nu depinde de faptul c cellalt s-a realizat sau nu, altfel a a a spus P (A B) = P (A)P (B). (1.4) Teorema 1.2.1 Evenimentele A i B cu P (A)P (B) = 0 sunt independente dac i numai s as dac are loc una din relatiile: a a) P (B|A) = P (B); b) P (A|B) = P (A); c) P (B|A) = P (B); d) P (A|B) = P (A). Demonstratie. Artm c cele patru relatii sunt echivalente cu relatia (1.4) din denitie. aa a In acest fel se justica i sensul Denitiei 1.2.5. Presupunem c are loc a). Atunci, deoarece s a P (B|A) = rezult P (A B) = P (A)P (B), adic (1.4). a a P (A B) P (A)
16 Reciproc, dac P (A B) = P (A)P (B) i deoarece a s P (B|A) =
P (A B) P (A)P (B) = = P (B) P (A) P (A)
rezult a). Cum relatia (1.4) este simetric A i B, rezult c (1.4) este echivalent cu a a n s a a a b). Demonstrm c a a P (A B) = P (A)P (B) (1.5) este echivalent cu (1.4). a Intr-adevr, dac P (A B) = P (A)P (B) atunci deoarece a a B = B \ A avem P (B \ A) = P (A)P (B) sau A P (B) P (A B) = (1 P (A))P (B) echivalent cu P (B) P (A B) = P (B) P (A)P (B), deci (1.4). Invers, presupunem (1.4) i lum locul lui A pe A. Vom avea P (A B) = s a n P (A)P (B), adic (1.5). Deci c) este echivalent cu (1.5) care este echivalent cu (1.4), a rezult c c) este echivalent cu (1.4). Echivalenta lui d) cu (1.4) rezult mod analog. a a a n Denitia 1.2.6 Date evenimentele A1 , A2 , . . . , An , vom spune c sunt independente dac a a probabilitatea oricrei intersectii nite de evenimente este egal cu produsul probabilitia a at lor evenimentelor intersectate, adic dac a a P (Ai1 Ai2 . . . Aik ) = P (Ai1 )P (Ai2 ) . . . P (Aik ) oricare ar 1 i1 i2 ... ik n.
Observatia 1.2.8 Din denitie rezult c dac trei evenimente sunt independete dou a a a a cte dou nu rezult c sunt independente totalitatea lor. Exemplul lui S.N.Bernstein a a a a n ne va ilustra acest lucru. Considerm un tetraedru omogen cu fetele colorate astfel: una a alb, una negru, una rou i a patra toate cele trei culori. Aruncnd tetraedrul n n n s s n a pe o mas el se aseaz pe una din fete; ne intereseaz probabilitatea aparitei ecrei culori a a a a i independenta evenimentelor corespunztoare. Notm cu A1 evenimentul care const s a a a n aparitia culorii albe, A2 evenimentul care const aparitia culorii negre i A3 evenimentul a n s care const aparitia culorii roii. Avem: a n s P (A1 ) = P (A2 ) = P (A3 ) = 1 2
deoarece pentru ecare culoare sunt patru cazuri posibile i dou favorabile (fata cu s a culorea respectiv i fata cu cele trei culori). Se constat c as a a 1 P (A1 A2 ) = P (A1 A3 ) = P (A2 A3 ) = , 4 dar P (A1 A2 A3 ) = 1 1 = P (A1 )P (A2 )P (A3 ) = . 4 8
17
1.3
Metode de numrare a
Calculul probabilitilor conduce adesea la numrarea diferitelor cazuri posibile. Capiat a tolul din algebr referitor la permutri, aranjamente i combinri este foarte util aceast a a s a n a situatie. Principiul multiplicarii. Presupunem c avem dou situatii A i B, situatia A a a s se poate realiza m moduri, iar situatia B k moduri. Numrul de moduri are se n n a n poate realiza A i B este m k. s Mai general, presupunem c avem r a 2 situatii. prima situatie putem face m1 In alegeri, a doua m2 ,. . ., a r-a situatie mr alegeri, deci total m1 m2 . . . mr . n n n Exemplul 1.3.1 Care este numrul situatiilor care apar aruncnd dou zaruri? Pentru a a a primul zar sunt 6 situatii, pentru al doilea 6 situatii, total 6 6 situatii. n continuare vom face distinctie In ntre o multime cu o ordine determinat de dispunere a a elementelor sale, numit multime ordonat i o multime care nu ne intereseaz ordinea a as n a elementelor. Permutari: Fie o multime A cu n elemente. Elementele acestei multimi se pot or dona mai multe moduri. Fiecare multime ordonat care se formeaz cu cele n elemente n a a ale multimii A se numete permutare a elementelor acelei multimi. Numrul permutrilor s a a cu n elemente este n! = 1 2 . . . n. Aranjamente: Fie o multime A cu n elemente. Submultimile ordonate ale lui A, avnd ecare cte k elemente, 0 a a k n, se numesc aranjamente de n luate cte k. a Numrul aranjamentelor de n luate cte k se noteaz a a a Ak = n(n 1) . . . (n k + 1). n Exemplul 1.3.2 cte moduri este posibil s facem un steag tricolor dac avem la In a a a dispozite pnz de steag de cinci culori diferite ? a a Dou steaguri tricolore care au aceleai culori se deosebesc dac ordinea culorilor este a s a diferit. Deci ne intereseaz cte submultmi de cte trei elemente se pot forma cu elea a a a mentele unei multimi de cinci elemente, submultmi interesndu-ne ordinea elementelor. n a 3 Deci sunt A5 = 5 4 3 = 60. Combinari: Fie o multime A cu n elemente. Submultimile lui A avnd ecare cte k a a elemente, 0 k n, care nu ne intereseaz ordinea elementelor, se numesc combinri n a a de n luate cte k. Numrul combinrilor de n luate cte k se noteaz a a a a a Ak n . k! s a a a Exemplul 1.3.3 Pentru un joc, cinci fete i trei bieti trebuie s formeze dou echipe de cte patru persoane. cte moduri se pot forma echipele ? a In a total sunt 8 copii cu ajutorul crora trebuie fcute dou grupe a cte patru copii. In a a a a Studiem cte moduri se poate forma o grup de 4, cealalt formndu-se din copiii n a a a a rmai. Nu intereseaz numrul de fete sau de bieti din grup i nici ordinea lor, ci a s a a a a s numai numrul de grupe care se pot forma. Acest numr este a a
k Cn = 4 3 1 2 2 1 3 4 C5 + C5 C3 + C5 C3 + C5 C3 = C8 = 70.
18
1.4
Moduri de selectare a elementelor
Presupunem c o urn contine m bile, marcate de la 1 la m, din care se extrag n bile a a anumite conditii. Vom numra, ecare situatie, numrul cazurilor posibile. Evident n a n a n m. 1. Selectare cu ntoarcerea bilei extrase urn i ordonare. n as Extragem n bile pe rnd, ecare bil ind pus a a a napoi urn n a nainte de urmtorea a extragere, nsemnnd numrul bilelor ordinea care apar (intereseaz ordinea a a n n a bilelor n-uplul extras). Conform principiului multiplicrii, care m1 = m2 = n a n . . . = mn = m, numrul n-uplurilor este mn . a 2. Selectare fr a a ntoarcerea bilei urn i cu ordonare. n as Procedm ca i cazul ai, dar dup ecare extragere bila obtinut este pus la o a s n nt a a a parte, aceast operatie ind echivalent cu extragerea simultan din urn a n bile. a a a a Obtinem n-upluri (a1 , a2 , . . . , an ). Regula de multiplicare se aplic astfel: pentru a1 a avem m posibiliti, pentru a2 avem m 1 posibiliti,. . .,pentru an avem m n + 1 at at posibiliti, total at n m (m 1) . . . (m n + 1) = An . m Caz particular: dac m = n, atunci numrul cazurilor posibile este n!. a a 3. Selectare cu ntoarcerea bilei urn i fr ordonare. n as a a Extragem n bile, una dup alta, ecare ind repus urn a a n a nainte de a realiza urmtoarea extragere. Nu inem seama de ordinea bilelor multimea format. Pot a t n a n exista i repetitii. Numrul cazurilor posibile este Cn+m1 , deoarece ar ca i cum s a s am extrage simultan dintr-o urn care contine n + m 1 bile (numerotate de la 1 a la m, unele din ele putndu-se repeta) n bile, fr s ne intereseze ordinea. Dup a aa a a ultima extragere secvential urn vor rmne m 1 bile. a n a a a a a ntorcerea bilei i fr ordonare. s a a 4. Selectare fr Bilele sunt extrase una dup alta, fr a pune bila extras a aa a napoi; este acelai lucru s cu a spune c extragem n bile dintr-o dat i formm submultimi de n elemente, a as a n n total Cm . Caz particular: determinarea numrului de permutri a m elemente care se disting a a prin grupuri de culori, adic avem m1 elemente de culoarea c1 , m2 elemente de a culoarea c2 ,. . . , mr elemente de culoarea cr . Culorile sunt distincte, dar bilele de aceeai culoare nu se disting s ntre ele. m1 + m2 + . . . + mr = m.
m Numrul cazurilor posibile : Cm 1 moduri de alegere a pozitiilor bilelor de culoare c1 , a m2 mr Cmm1 moduri de alegere a pozitiilor bilelor de culoare c2 ,. . . , Cmm1 ...mr1 moduri
19
de alegere a pozitiilor bilelor de culoarea cm (de fapt mm1 m2 . . .mr1 = mr i s avem, de fapt, o singur posibilitate), total, innd seama de regula multiplicrii, a n t a a
m2 mr m Cm 1 Cmm1 . . . Cmm1 ...mr1 =
= =
(m m1 )! (m m1 . . . mr )! m! ... = m1 ! (m m1 )! m2 ! (m m1 m2 )! (m m1 . . . mr )! mr1 ! m! . m1 ! m2 ! . . . mr !
1.5
Denitia axiomatic a probabilitii a at
Notiunile de probabilitate i de cmp nit de probabilitate se pot prezenta i sub form s a s a axiomatic. a Denitia 1.5.1 Se numete probabilitate (msur de probabilitate) o functie denit pe s a a a un cmp nit de evenimente { E, K } cu valori reale care satisface urmtoarele axiome: a a a) P (A) 0, A K;
b) P (E) = 1; c) P (A B) = P (A) + P (B) A, B K, A B = .
a a Observatia 1.5.1 Axioma c) din denitie se extinde prin recurent la orice numr nit de evenimente incompatibile dou cte dou, deci dac Ai Aj = , i = j, i, j = 1, n, a a a a atunci n n P(
i=1
Ai ) =
i=1
P (Ai ).
Denitia clasic a probabilitii satisface toate axiomele denitiei date i, de asemenea, a at s oricare din proprietile prezentate anterior pentru probabilitate poate obtinut din at a denitia axiomatic. Intr-adevr, a a P1. P () = 0. Deoarece E = E i E = rezult c P (E ) = P (E) + P (), adic s a a a P () = 0. P2. P (A \ B) = P (A) P (A B). Deoarece (A\B)(AB) = A i (A\B)(AB) = rezult P (A\B)+P (AB) = s a P (A). P3. Pentru orice A, B K, A B are loc relatia P (A) P (B). Intr-adevr, innd seama de P2 i de faptul c A B avem a t a s a 0 Deci P (B) P (A) P (B \ A) = P (B) P (B A) = P (B) P (A). 0 sau P (B) P (A).
20 P4. Pentru orice A K are loc inegalitatea 0 P (A) 1. Intr-adevr, A E i, folosind P3, avem P () P (A) a s
P (E) sau 0
P (A)
1.
Denitia 1.5.2 Se numete cmp nit de probabilitate un cmp nit de evenimente s a a {E, K} pe care am denit o probabilitate P . Se noteaz {E, K, P }. a Observatia 1.5.2 Denitiile probabilitilor conditionate i a independentei evenimen at s telor rmn aceleai i atunci cnd construirea teoriei pobabilitilor se realizeaz folosind a a s s a at a metoda axiomatic. a Observatia 1.5.3 Dac E este reuniune nit de evenimente elementare, e a a E = {A1 , A2 , . . . , An }, atunci orice eveniment A K, A = pote scris ca o reuniune nit de evenimente elementare, conform P3 din Capitolul 1.1, adic a a A = Ai1 Ai2 . . . Aik , unde Aij este un eveniment elementar, j = 1, k. Atunci conform Observatiei 1.5.1 obtinem P (A) = P (Ai1 ) + . . . + P (Aik ). Deci pentru a cunoate probabilitatea unui eveniment oarecare din K este sucient s s a cunoatem probabilitatea tuturor evenimentelor elementare care-l compun. s Probabilitatea unui astfel de eveniment A este suma probabilitilor evenimentelor eleat mentare ce-l compun. Evident, probabilitile evenimentelor elementare satisfac conditiile at P (Ai ) 0, i = 1, n, (1.6) (1.7)
P (A1 ) + P (A2 ) + . . . + P (An ) = P (E) = 1.
Deci, ind date toate evenimentele elementare care compun E, familia K este perfect determinat i deci cmpul de probabilitate mai depinde de alegerea a n numere (probaas a bilitile evenimentelor elementare) care satisfac conditiile (1.6) i (1.7). cazul partiat s In cular cnd evenimentele elementare sunt echiprobabile a P (A1 ) = P (A2 ) = . . . = P (An ) = 1 , n
k i dac A = Ai1 Ai2 . . . Ain , obtinem P (A) = , deci ajungem astfel la denitia s a n clasic a probabilitii. a at Observatia 1.5.4 denitia axiomatic a probabilitii conditia pus cazurilor posi In a at a bile de a egal probabile este superu. Un exemplu celebru, dat de DAlembert, ilusa treaz aceasta. Se arunc dou monede simultan. Exist trei cazuri posibile care nu sunt a a a a echiprobabile: A evenimentul ca pe ambele monede s apar banul, B evenimentul ca pe a a ambele monede s nu apar banul, C evenimentul ca pe una din monede s apar banul, a a a a iar pe cealalt nu. Probabilitile evenimentelor A, B, C nu sunt 1/3. a at 1 1 1 P (A) = , P (B) = , P (C) = , 4 4 2
21
deoarece evenimentul C este compus din dou situatii: pe una din monede s apar banul a a a iar pe cealat nu, i invers. Cele dou cazuri care compun evenimentul C ar evidente a s a dac monedele nu s-ar arunca simultan, ci una dup alta. Cele dou monede pot a a a nedistinse din punct de vedere zic i deci cele trei cazuri prezentate de DAlembert sunt s de fapt cele trei cazuri care se pot distinge.
1.6
Formule probabilistice
Probabilitatea unei reuniuni de evenimente. Dac {E, K, P } un cmp nit de a a probabilitate atunci oricare ar A, B K are loc relatia P (A B) = P (A) + P (B) P (A B). (1.8)
Facem observatia c vom demonstra formulele folosind denitia axiomatic a probabili a a tii. Deoarece A B = A (B \ A) i A (B \ A) = , avem at s P (A B) = P (A (B \ A)) = P (A) + P (B \ A) dar, conform proprietii P2 din Capitolul 1.5, at P (B \ A) = P (B) P (B A) i deci rezult (1.8). s a Relatia se poate extinde i cazul a n evenimente s n
n n n n
P(
i=1
Ai ) =
i=1
P (Ai )
i,j=1,i<j
P (Ai Aj ) + . . . + (1)
n1
P(
i=1
Ai ).
(1.9)
Demonstratia se face prin inductie matematic dup n. Pentru n = 2 relatia este a a demonstrat. Presupunem formula adevrat pentru n i o demonstrm pentru n + 1. a a a s a
n+1 n n n
P(
i=1 n
Ai ) = P ((
i=1 n
Ai ) An+1 ) = P (
i=1
Ai ) + P (An+1 ) P ((
i=1 n n
Ai ) An+1 ) =
=
i=1
P (Ai )
i,j=1,i<j n+1
P (Ai Aj ) + . . . +(1)n1 P (
i=1
Ai )
i=1 n+1 n+1
P (Ai
An+1 )+
+
i,j=1, i<j n+1
P (Ai Aj An+1 ) + . . . +(1)n P (

i=1
Ai ) =
i=1
P (Ai )
n+1
P (Ai Aj ) + . . . +
i,j=1,i<j
1 i<j<k n+1
P (Ai Aj Ak ) + . . . + (1)n+1 P (
i=1
Ai ).
22
Probabilitatea unei intersectii. Fie {E, K, P } un cmp nit de evenimente. Ori a care ar A, B K are loc relatia P (A|B) = P (A B) . P (B)
Relatia de mai sus rezult din (1.2). Ea poate folosit pentru a calcula probabilitatea a a unei intersectii: P (A B) = P (B)P (A|B). Cnd folosim aceast formul la rezolvarea unei probleme trebuie s considerm evenia a a a a mentele A i B s ntr-o ordine convenabil aleas, dat ind c se poate utiliza, datorit a a a echivalentei demonstrate, relatia P (A B) = P (A)P (B|A).
k
Formula se poate extinde i cazul a n evenimente A1 , A2 , . . ., An , cu P ( s n

i=1
Ai ) = 0,
k = 2, n 1, sub forma
n
P(
i=1
Ai ) = P (A1 )P (A2 |A1 )P (A3 |(A1 A2 )) . . . P (An |(A1 A2 . . . An1 )).
(1.10)
Intr-adevr, folosind denitia probabilitii conditionate, obtinem a at P (A1 ) = P (A1 ), P (A2 |A1 ) = P (A3 |(A1 A2 )) = ... P (An |(A1 A2 . . . An1 )) = P (A1 A2 . . . An ) . P (A1 A2 . . . An1 ) P (A2 A1 ) , P (A1 ) P (A1 A2 A3 ) , P (A1 A2 )
Inmultind relatiile membru cu membru i fcnd simplicrile corespunztoare, obtinem s a a a a (1.10). Observatia 1.6.1 Dac evenimentele A i B nu sunt independente, atunci din a s P (A B) = P (A) + P (B) P (A B), 0 rezult a P (A B) P (A) + P (B) 1 P (A B) 1,
23
sau, notnd p1 = P (A), p2 = P (B), p12 = P (A B) atunci p12 a p1 + p2 1. Aceast a inegalitate poart numele de inegalitatea lui Boole i d o margine inferioar pentru a s a a probabilitatea intersectiei a dou evenimente. Se poate demonstra, mai general, a p12...n p1 + p2 + . . . + pn (n 1),
n
unde pi = P (Ai ), i = 1, n, p12...n = P (

i=1
Ai ).
Formula probabilitii totale. Fie {E, K, P } un cmp nit de evenimente, at a {A1 , A2 , . . . , An }, Ai K, i = 1, n, un sistem complet de evenimente i B un eveniment s oarecare, B K. Atunci
n
P (B) =
i=1 n
P (Ai )P (B|Ai ).
(1.11)
Intr-adevr, deoarece E = a
i=1
Ai putem scrie
n n
B =BE =B(
i=1
Ai ) =
(B Ai )
i=1
i cum pentru i = j, Ai Aj = atunci avem s

n n
P (B) =
i=1
P (B Ai ) =
i=1
P (Ai )P (B|Ai ).
Formula lui Bayes. Fie {E, K, P } un cmp nit de evenimente i {A1 , A2 , . . . , An }, a s Ai K, i = 1, n un sistem complet de evenimente i B un eveniment oarecare. Atunci s P (Ai |B) = P (B|Ai )P (Ai )
n
(1.12)
P (Aj )P (B|Aj )
j=1
conditiile date prin ipotez are loc formula probabilitii totale i innd seama de In a at s t a (1.2) obtinem P (B Ai ) P (B|Ai )P (Ai ) P (Ai |B) = = n P (B) P (Aj )P (B|Aj )
j=1
a ntr-o cutie sunt 550 de piese, din Exemplul 1.6.1 Controlul de calitate.Presupunem c care 2% sunt defecte. Care este probabilitatea ca alegnd 25 de piese, acestea s contin a a a dou piese defecte. Acesta este principiul testrii produselor prin selectii aleatoare. a a Problema poate rezolvat a ntr-un caz general. Presupunem c avem k piese defecte a din m piese, k m. Care este probabilitatea ca alegnd n piese, dintre acestea j s e a a defecte?
24
Putem alege cele n piese dintre cele m(m n), fr s ne intereseze ordinea pieselor, aa a n Cm moduri. Cte din acestea vor contine j piese defecte? Putem alege cele j piese n a defecte, din cele k, Ck moduri, iar celelalte n j care nu sunt defecte Cmk moduri. n j n nj Probabilitatea cutat va a a nj j Cmk Ck . (1.13) n Cm cazul nostru, m = 550, k = 11, n = 25, j = 2, astfel at probabilitatea cutat va In nc a a
2 23 C11 C550 = 0, 12. 25 C550
Dac a nsumm probabilitile (1.13) dup j, 0 a at a j n, rezultatul va 1, deoarece au fost luate considerare toate posibilitile. Am demonstrat formula n at
k j nj n Ck Cmk = Cm j=0
cu argumente probabilistice. Exemplul 1.6.2 Dac se amestesc un pachet de crti, care este probabilitatea ca cei a a a patru ai s apar unul dup altul ? s a a a Sunt 52 de crti dintre care patru ai. Un rezultat posibil al experientei este o siruire a s n de 52 de crti, adic o permutare a celor 52 de crti. Sunt 52! cazuri posibile. cte din a a a In a aceste cazuri cei patru ai se gsesc unul dup altul? Cei patru ai pot apare consecutiv s a a s 49 4! moduri. Restul de 48 de crti se pot aranja 48! moduri. Folosind principiul n a n multiplicrii, numrul cazurilor favorabile va 4! 49 48!. Probabilitatea cutat va a a a a 49! 4 = 0, 00003. 52! Exemplul 1.6.3 Urna U1 contine dou bile roii i patru albe, urna U2 contine o bil a s s a roie i dou albe iar urna U3 contine cinci bile roii i patru bile albe. Fie Ai evenimentul s s a s s de a extrage o bil dintr-o urn oarecare Ui , i = 1, 3. Presupunem c probabilitatea a a a de a extrage o bil din urna Ui este P (A1 ) = 1/3, din U2 este P (A2 ) = 1/6 i din a s U3 , P (A3 ) = 1/2. Se cere probabilitatea de a extrage o bil roie. a s Fie R evenimentul de a extrage o bil roie. Observm c P (R) depinde primul a s a a n r de urna din care s-a fcut extragerea i apoi de structura urnei din care am fcut nd a s a extragerea, adic R este reuniunea evenimentelor disjuncte A1 R, A2 R, A3 R. Facem a observatia c A1 , A2 , A3 formeaz un sistem complet de evenimente. Astfel a a
3 3 3
P (R) = P (
(Ai R)) =
i=1
P (Ai R) =
i=1
P (Ai )P (R|Ai ) =
i=1
4 9
Presupunem acum c rezultatul experientei este o bil roie, dar nu tim din ce urn a a s s a provine. Dorim s calculm probabilitatea ca bila roie s provin din urna U1 , adic a a s a a a P (A1 |R). Conform formulei lui Bayes P (A1 |R) = 1 P (A1 )P (R|A1 ) = . P (R) 4
Camp de probabilitate La fel
25
1 5 P (A3 |R) = . 8 8 Observm c probabilitile conditionate P (A1 |R), P (A2 |R), P (A3 |R) s-au modicat fata a a at de probabilitile initiale P (A1 ), P (A2 ), P (A3 ) at ntr-un mod care conrm intuitia, adic a a dac s-a extras o bil roie, probabilitatea ca s apartin urnei U3 este mai mare deoarece a a s a a U3 are un procent mai ridicat de bile roii i, de asemenea, probabilitatea de a selecta o bil s s a roie din U3 este mai mare dect din U2 sau U1 . Adesea P (A1 ), P (A2 ), P (A3 ) se numesc s a probabiliti apriori, iar P (A1 |R), P (A2 |R), P (A3 |R) se numesc probabiliti aposteriori. at at P (A2 |R) = Exemplul 1.6.4 Un canal transmite semnale sub form de iruri formate din cifrele 0 a s canal pot apare perturbri care produc erori, astfel at loc de 1 apare i 1. In s a nc n 0 sau invers. S presupunem c prin B1 i B2 elegem evenimentele care constau a a s nt n transmiterea cifrelor 1, respectiv 0, iar receptionarea cifrelor 1 i 0 le considerm ca ind s a evenimentele aleatoare A1 i respectiv A2 . Probabilitile apriori pentru transmiterea lui s at 1 sau 0 sunt P (B1 ) = p P (B2 ) = 1 p = q iar probabilitatea de a receptiona 0, dac s-a transmis 1, este egal cu q10 , pe cnd pro a a a babilitatea de a receptiona 1, dac s-a transmis 0, este q01 . S calculm probabilitile a a a at aposteriori P (Bj |Ak ), j, k = 1, 2. Conform formulei lui Bayes avem P (Bj |Ak ) = P (Ak |Bj )P (Bj ) , j, k = 1, 2. P (B1 )P (Ak |B1 ) + P (B2 )P (Ak |B2 )
Deoarece avem P (A2 |B1 ) = q10 , P (A1 |B2 ) = q01 i notnd p10 = 1 q10 , p01 = 1 q01 se s a deduce P (B1 |A1 ) = P (B2 |A1 ) = S observm c a a a P (A1 ) = P (B1 )P (A1 |B1 ) + P (B2 )P (A1 |B2 ) = pp10 + (1 p)(1 p01 ), iar P (A2 ) = P (B1 )P (A2 |B1 ) + P (B2 )P (A2 |B2 ) = p(1 p10 ) + (1 p)p01 = 1 P (A1 ). particular, ipoteza c este vorba de un canal simetric (q01 = q10 i deci p01 = p10 ), In n a s 1 iar p = q = 2 se deduce 1 1 P (A1 ) = pp10 + (1 p)(1 p10 ) = , P (A2 ) = p(1 p10 ) + (1 p)p10 = 2 2 P (B1 |A2 ) = P (B2 |A1 ) = 1 p10 , P (B1 |A1 ) = P (B2 |A2 ) = p10 . ceea ce era previzibil. pp10 p(1 p10 ) , P (B1 |A2 ) = , pp10 + (1 p)(1 p01 ) p(1 p10 ) + (1 p)p01 (1 p)(1 p10 ) (1 p)p01 , P (B2 |A2 ) = . pp10 + (1 p)(1 p01 ) p(1 p10 ) + (1 p)p01
26
Exemplul 1.6.5 Demonstrm c dac Ai , i I, I o multime nit de indici, {Ai }iI a a a a formeaz un sistem complet de evenimente, atunci a P ((
iI
Ai )|A) =
iI
P (Ai |A).
(1.14)
Pornind de la membrul ai nt P (( P ((
iI
Ai ) A)
iI
P( =
iI
(Ai A)) P (A)
Ai )|A) =
P (A)
i innd seama de s t a (Ai A) (Aj A) = , i, j I, i = j, obtinem P (Ai A) P ((

iI
P (Ai |A)P (A) =

iI
Ai )|A)) =
iI
P (A)
P (A)
=
iI
P (Ai |A).
a Exemplul 1.6.6 Fie I o multime nit de indici, {Ai }iI un sistem complet de evenimente i A, B dou evenimente oarecare. Atunci s a P(
iI
(A Ai )|B) =
iI
P (A|(Ai B))P (Ai |B)
(1.15)
Folosim formula (1.14) obtinem P (A Ai B) P(

iI
(A Ai )|B) =
iI
P ((A Ai )|B) =
iI
P (B)
P (A|(Ai B))P (Ai B) =

iI
P (A|(Ai B))P (Ai |B)P (B) =

iI
P (B) =
iI
P (B)
P (A|(Ai B))P (Ai |B).
1.7
Scheme clasice de probabilitate
Schema lui Poisson. Se dau n urne U1 , U2 , . . . , Un care contin bile albe i bile negre s proportii date, deci cunoatem probabilitile pi , i = 1, n, cu care este extras o bil n s at a a alb din urna Ui . Se cere probabilitatea de a extrage k bile albe i n k bile negre, atunci a s cnd din ecare urn se extrage cte o bil. a a a a
27
Notm cu Ai evenimentul extragerii unei bile albe din urna Ui . Notm i Bk evenia a s mentul care const extragerea a k bile albe i n k bile negre, adic a n s a Bk = (A1 . . . Ak Ak+1 An ) (A1 . . . Ak Ak+1 Ak+2 . . . An ) (A1 . . . Ank Ank+1 . . . An ),
k numrul parantezelor ind Cn . Un eveniment a
Ai1 . . . Aik Aik+1 . . . Ain se realizeaz, innd seama c evenimentele sunt independente, cu probabilitatea a t a a pi1 . . . pik qik+1 . . . qin indicii i1 , i2 . . . , in reprezentnd o permutare a indicilor 1, 2, . . . , n , iar litera p apare de a k ori cu indici diferiti, iar q de n k ori cu indici care nu apar p . Se observ c dup n a a a k aceiai regul se calculeaz coecientul lui x din polinomul s a a P (x) = (p1 x + q1 )(p2 x + q2 ) . . . (pn x + qn ). Schema lui Poisson permite rezolvarea problemelor care se cere probabilitatea realizrii n a de k ori a unor evenimente A1 , A2 , . . . , An atunci cnd se repet de n ori aceste experiente, a a presupuse independente, cnd cunoatem P (Ai ) = pi , i = 1, n. a s Intr-un atelier sunt trei maini. Prima d 0,9 % rebut, a doua 1 % i a s a s Exemplul 1.7.1 treia 1,3 %. Se ia la amplare cte o pies de la ecare main. Se cere probabilitatea nt a a s a ca dou din piese s e bune i una rebut. a a s p1 = 0, 991, q1 = 0, 001, p2 = 0, 99, . q2 = 0, 01, p3 = 0, 987, q3 = 0, 013, P (x) = (0, 991x + 0, 009)(0, 99x + 0, 01)(0, 987x + 0, 013). Coecientul lui x2 este 0, 991 0, 99 0, 013 + 0, 99 0, 987 0, 987 0, 009 + 0, 991 0, 987 0, 01 = 0, 0313. Schema lui Bernoulli. Presupunem c schema lui Poisson urnele U1 , U2 , . . . , Un a n sunt identice. Atunci putem lua p1 = p2 = . . . = pn = p, q 1 = q2 = . . . = qn = q
Probabilitatea extragerii a k bile albe se va obtine calculnd coecientul lui xk din poli a nomul P (x) = (px + q)n , adic va a
k Cn pk q nk .
Recunoatem aceast expresie termenul general al ridicrii la puterea n a binomului px+ s n a a q. Pentru acest motiv schema se mai numete binomial. Deoarece urnele sunt identice, s a
28
putem considera c toate extragerile se fac dintr-o singur urn, bila extras punndu-se a a a a a urn dup ecare extragere. Obtinem astfel schema lui Bernoulli. Probabilitatea de a n a a extrage k bile albe din n extrageri dintr-o urn, punndu-se de ecare dat bila a a a napoi, este k Pn,k = Cn pk q nk , unde p este probabilitatea otinerii unei bile albe dintr-o singur extragere i q = 1 p. a s Schema lui Bernoulli se mai numete shema bilei revenite ( s ntoarse). Exemplul 1.7.2 Se arunc un zar de 5 ori. Se cere probabilitatea ca fata cu un punct a s apar exact de dou ori. a a a Avem: 1 5 p = , q = , n = 5, k = 2, 6 6 5 2 1 P5,2 = C5 ( )2 ( )3 = 0, 16. 6 6 Schema lui Bernoulli cu mai multe stri. Fie o urn care contine bile de m a a culori c1 , c2 , . . . , cm iar pi probabilitatea ca la o extragere s obtinem o bil de culoarea a a ci . Probabilitatea ca n extrageri s obtinem n1 bile de culoarea c1 , n2 bile de culoarea n a c2 , . . . , nm bile de culoarea cm (n1 + n2 + . . . + nm = n) este n! pn1 pn2 . . . pnm . m n1 ! n2 ! . . . nm ! 1 2 Aceast schem rezolv problemele care se cere probabilitatea ca n efecturi ale a a a n n a experientei evenimentul Ai s se realizeze de ni ori, A1 , A2 , . . . , Am ind un sistem complet a de evenimente i P (Ai ) = pi , i = 1, m. Presupunem c cele n efecturi ale experientei s a n a s-au obtinut succesiv A1 . . . A1 A2 . . . A2 . . . Am . . . Am .
n1 n2 nm
Acest eveniment se produce cu probabilitatea p1 . . . p1 p2 . . . p2 . . . pm . . . pm .

n1 n2 nm
Acelai rezultat obtinem pentru orice alt ordine stabilit dinainte care Ai apare de s l a a n ni ori. Rmne s vedem cte moduri putem scrie cele n simboluri, dintre care n1 egale a a a n a cu A1 , n2 cu A2 , . . . , nm cu Am .
n2 n3 nm n Cn 1 Cnn1 Cnn1 n2 . . . Cnn1 n2 ...nm1 =
n! (n n1 . . . nm1 )! (n n1 )! ... = n1 ! (n n1 )! n2 ! (n n1 n2 )! nm ! (n n1 . . . nnm )! = n! . n1 ! . . . nm !
29
Exemplul 1.7.3 Se arunc un zar de 5 ori. Care este probabilitatea ca exact de dou a a ori s apar fata cu un punct i exact de 2 ori s apar fata cu dou puncte? a a s a a a Avem: n = 5, n1 = 2, n2 = 2, n3 = 1, 1 1 2 p1 = , p2 = , p3 = , 6 6 3 5! 1 1 2 5 P4,2,2,1 = ( )2 ( )2 ( ) = . 2! 2! 1! 6 6 3 324 Schema hipergeometric. O urn contine a bile albe i b bile negre. Din aceast a a s a urn se extrag n bile (n a + b) pe rnd, fr a pune bila extras a a aa a napoi urn (ceea n a ce este echivalent cu a extrage n bile deodat). Se cere probabilitatea ca din cele n a bile extrase, k s e albe (k a a) i n k negre (n k s b). Pentru a calcula acest a probabilitate vom stabili numrul cazurilor posibile i numrul cazurlor favorabile. a s a n Numrul cazurilor posibile este: Ca+b . a Numrul cazurilor favorabile: un grup de k bile albe dintr-un total de a bile albe a poate luat Ca moduri; un grup de n k bile negre din totalul de b bile negre poate n k obtinut Cb n nk moduri. Un grup de k bile albe i n k bile negre poate obtinut, s conform principiului multiplicrii, Ca Cb a n k nk moduri. Probabilitatea cutat este a a
k nk Ca Cb . n Ca+b
Exemplul 1.7.4 La o tombol sunt 400 bilete dintre care 4 ctigtoare. O persoan a as a a cumpr 10 bilete. Care este probabilitatea s nu se gseasc nici un bilet ctigtor? aa a a a as a Avem a = 4, b = 396, k = 0, p= n k = 10, n = 10,
0 10 C4 C396 = 0, 903. 10 C400
general, dac urna contine ai bile de culoarea ci , i = 1, m, probabilitatea de a obtine In a n1 bile de culoarea c1 , n2 bile de culoarea c2 , . . . , nm bile de culoarea cm cnd facem a n = n1 + n2 + . . . + nm extractii, este egal cu a
n n nm Ca11 Ca22 . . . Cam . n Ca1 +a2 +...+am
a s Exemplul 1.7.5 O urn contine 7 bile albe, 7 bile negre i 6 verzi. Se extrag 9 bile. Care este probabilitatea s obtinem cte 3 de ecare culoare? a a Avem a1 = 7, a2 = 7, a3 = 6, n1 = 3, p= n2 = 3, n3 = 3,
3 3 3 C7 C7 C6 = 0, 145. 9 C20
30
1.8
Cmp innit de probabilitate a
numeroase cazuri practice nu este cu putinta s evalum numrul cazurilor egal In a a a posibile i al celor favorabile pentru determinarea probabilitii evenimentului care ne s at intereseaz. Asemenea situatii apar studiul fenomenelor economice i sociale, efeca n s n tuarea controlului statistic al productiei etc. Deci denitia clasic a probabilitii nu este a at satisfctoare cnd multimea evenimentelor elementare este innit. a a a a acest caz denim cmpul innit de evenimente astfel : In a Denitia 1.8.1 O multime de evenimente { E, K },K = , se numete cmp innit de s a evenimente dac : a a) A K A K; b) (An )nIN K
nI N
An K.
Consecinte care rezultat din denitie : a C1. K i E K. s Intr-adevr, deoarece K = A K A K A A K E K a E K E K K. C2. Orice reuniune nit de evenimente din K este K. a n Intr-adevr, e A1 , A2 , . . . , An K i lum Ai = pentru i > n. Conform b), a s a
n
Ai =
i=1 i=1
Ai K
C3. Orice intersectie (nit sau numrabit) de elemente din K este de asemenea K. a a a n Fie I o multime de indici nit sau numrabil a a a Ai =
iI iI
Ai K
iI
Ai K
C4. Dac A, B K atunci A \ B K (deoarece A \ B = A B K). a C5. Dac (An )nIN K atunci a lim inf An K;
n
lim sup An K.
n
Tinem seama de denitia limitei inferioare, respectiv superioare, de consecintele C2, C3 i obtinem s

lim inf =
n
(
n=1 k=n
Ak ) K;
lim sup =
n
(
n=1 k=n
Ak ) K.
n
31
C6. Dac (An )nIN K, atunci lim An K, dac aceast limit exist. acest caz a a a a a In
n
lim An = lim inf An = lim sup An K.

n n
Observatia 1.8.1 Intr-un cmp innit de evenimente sunt permise operatiile clasice cu a multimi. Pentru a introduce notiunea de probabilitate asemenea cazuri, denim notiunea de n msur a unui eveniment al unui cmp innit de evenimente. a a a Denitia 1.8.2 Se numete msur a unui eveniment A al cmpului innit de eveni s a a a mente { E, K } o functie m : K I R care satisface urmtoarele axiome: a a) A K : m(A) b) m() = 0; c) m(
iI
0;
Ai ) =
iI
m(A) pentru (Ai )iI K cu Ai Aj = i = j i, j I, iar I o
multime cel mult numrabil de indici. a a Observatia 1.8.2 Axioma c) se numete axioma aditivitii complete a msurii m. s at a In aceast axiom intervine o reuniune numrabil de evenimente, lucru despre care se poate a a a a
vorbi numai cazul care cmpul de evenimente este innit. Introducem n n a

i=1
Ai ca ind
evenimentul care const realizarea a cel putin unuia din evenimentele A1 , A2 , . . . , An , . . .. a n Analog, evenimentul
i=1
Ai const realizarea tuturor evenimentelor A1 , A2 , . . . , An . . .. a n
Acceptarea axiomei c) este justicat; ea reprezint o extindere natural a proprietii a a a at corespunztoare din cmpurile nite de evenimente. a a Observatia 1.8.3 Cnd An+1 = An+2 = . . . = se obtine aditivitatea nit a msurii a a a
n n
m(
i=1
Ai ) =
i=1
m(Ai ).
Observatia 1.8.4 Din multimea functiilor de evenimente care satisfac axiomele a)-c) intereseaz numai acelea pentru care m(E) < , E ind evenimentul cert. a a Propozitia 1.8.1 Dac m(E) < atunci pentru orice eveniment A avem m(A) < . Demonstratie. Deoarece A A = E, A A = m(A A) = m(A)+m(A) = m(E) < . Dar m(A) 0 m(A) m(E) < m(A) < .
32
Denitia 1.8.3 Fie un cmp innit de evenimente { E, K }. Se numete probabilitatea a s evenimentului A K, msura m(A) pentru care m(E) = 1 a Denitia 1.8.4 Se numete functie de probabilitate acea msur a evenimentelor de s a a nit pe cmpul innit de evenimente {E,K} care satisface proprietatea m(E) = 1. a a Denitia 1.8.5 Se numete cmp borelian (innit) de probabilitate un cmp innit de s a a evenimente { E, K } pe care s-a denit o functie de probabilitate P. Un cmp innit de a probabilitate se noteaz { E, K, P }. a Problema cum trebuie determinat probabilitatea unui eveniment nu poate rezolvat a a general deoarece ea depinde mod esential de natura fenomenului studiat. n n Exemplul 1.8.1 De exemplu, ne vom referi la probabilitile geometrice. Fie E I n at R un domeniu. Un punct M E, luat la amplare, se numete punct aleator. Fie o nt s submultime A E. Prin msura lui A putem elege lungimea, aria sau volumul lui A. a nt Dac admitem ipoteza c cazul care A, B E i m(A) = m(B) A = B sunt a a n n s echivalente din punct de vedere al ariei, indiferent de forma domeniilor A i B, putem s scrie P (M A) = km(A) unde k este un factor constant. Pentru ntreg domeniul E avem evenimentul sigur, deci P (M E) = 1 = km(E) de unde k= i deci obtinem probabilitatea s P (M A) = m(A) . m(K) 1 m(E)
cazul considerat, dac A nu are dect un numr nit de puncte, P (M A) = 0. In a a a Exemplul 1.8.2 Vom arta cum se pote construi o functie de probabilitate pentru orice a a i s a multime numrabil E = {e1 , e2 , . . . , en , . . .}. Fiecrui punct ei ataam un numr pi a a satisfcnd conditiile a a
i I : N
pi
0,
i=1
pi = 1
Fie K = P(E) i A o submultime a lui E. Denim s P (A) =

ei A
pi =
ei A
P (ei )
Constatm imediat c { E, K, P } este un cmp innit de probabilitate. a a a Dm un exemplu de cmp de probabilitate. a a
33
Exemplul 1.8.3 Fie B corpul borelian generat de multimea prtilor deschise de pe axa a real I i o functie f denit pe E B cu valori I integrabil raport cu msura a Rs a n R, a n a Lebesque [vezi 22] i care s ndeplinete conditiile s f (x) 0,
E
f (x)dx = 1.
Se veric imediat c { E, K, P } este un cmp borelian de probabilitate, unde a a a K = {A E, A B}, iar P (A) =
E
f (x)A (x)dx 1, 0, dac e A, a dac e A, a /
pentru A K, unde A (e) =
particular, dac f este continu, punem In a a P (A) =

A
f (x)dx.
Se demonstreaz c P satisface toate axiomele probabilitii. Astfel de functii se pot gsi. a a at a De exemplu x2 1 1 f (x) = sau f (x) = e 2 . (1 + x2 ) 2 cmpurile innite de probabilitate se pstreaz notiunile i proprietile din cmIn a a a s at a purile nite de probabilitate. 1. Probabilitatea conditionat se denete plecnd de la relatia a s a P (A|B) = P (A B) , dac P (B) = 0. a P (B)
Se poate demonstra c tripletul { E, K, PB } este un cmp borelian de probabilitate. a a Intr-adevr, a P (A|B) 0 deoarece P (A B) 0 i P (B) > 0. s P (B) = 1. P (B) Dac A = E atunci, deoarece E B = B, rezult a a P (E|B) =
Dac (Ai )iI K este o familie cel mult numarbil de evenimente incompatia a a bile dou cte dou, atunci i evenimentele (A Ai )iI sunt incompatibile dou a a a s a cte dou i a as P (B ( P(
iI
Ai ))
iI
P( =
iI
(B Ai )) P (B) =
Ai |B) =
P (B)
34 P (B Ai ) =
iI
P (B)
=
iI
P (Ai |B).
2. Formula probabilitii totale i formula lui Bayes rmn valabile dac considerm at s a a a a sisteme complete de evenimente numrabile. Fie (Ai )iI K o familie cel mult a Ai = E i P (Ai ) = s numrabil de evenimente incompatibile dou cte dou cu a a a a a 0, i I, atunci P (A) =
iI iI
P (Ai )P (A|Ai )
i s P (Ai |A) =
P (Ai )P (A|Ai ) P (Aj )P (A|Aj )

jI
i I.
Denitia 1.8.6 Se spune c evenimentele (An )nIN K sunt independente dac orice a a numr nit de evenimente din acest ir este independent. a s Exist i proprieti noi ale functiei de probabilitate P cum ar urmtoarele: as at a Propozitia 1.8.2 Fie (An )nIN K i P o functie de probabilitate. Atunci s P(
nI N
An )
nI N
P (An ).
Demonstratie. Introducem un ir de evenimente din K felul urmtor: s n a A1 = A1 A2 = A2 \ A1 An+1 = An+1 \ (

j=1
Aj ).
Evenimentele (An )nIN prin modul care au fost construite sunt incompatibile dou n a cte dou; plus An An , n I . Demonstrm c a a n N a a An =
nI N nI N
An .
Evident
nI N
An
nI N
An . An i n0 cel mai mic numr natural s a

nI N
Demonstrm incluziunea contrar. Fie e a a n pentru care e An0 ; rezult deci a e An0
nI N
An ,
Camp de probabilitate An
nI N nI N
35 An
adic ceea ce trebuia de demonstrat. De aici rezult c a a a P(

nI N
An ) = P (
nI N
An ) =
nI N
P (An )
nI N
P (An )
datorit proprietilor de aditivitate i monotonie a probabilitii. a at s at Propozitia 1.8.3 Inegalitatea lui Boole. Dac (Ai )iI K este o multime cel mult nu a mrabil de evenimente, atunci a a P(
iI
Ai )
1
iI
P (Ai ).
Demonstratie. Din relatiile lui De Morgan avem Ai = (

iI iI
Ai )
deci P(
iI
Ai ) = P (
iI
Ai ) = 1 P (
iI
Ai )
dar P(
iI
Ai )
iI
P (Ai )
i obtinem inegalitatea dorit. s a Denitia 1.8.7 Un ir de evenimente (An )nIN este ascendent (descendent) dac Aj s a ()Ai pentru j < i, i, j I , i = j. N Propozitia 1.8.4 Fie (An )nIN un ir descendent de evenimente din K. Dac A = s a An , atunci
nI N n
lim P (An ) = P (
nI N
An ) = P (A).
Demonstratie. a) Considerm cazul care A = . Trebuie s artm c a n a aa a

n
lim P (An ) = 0.
Deoarece (An )nIN este un ir descendent, putem scrie s An = (An \ An+1 ) (An+1 \ An+2 ) . . . i deci An apare ca o reuniune de evenimente incompatibile, cci s a (An+k \ An+k+1 ) (An+s \ An+s+1 ) =
36 dac k = s i obtinem a s

P (An ) =
i=n
P (Ai \ Ai+1 ) =
i=n
(P (Ai ) P (Ai+1 )),
iar seria
P (Ai \ Ai+1 ) = P (A1 )

i=1
este convergent, deci restul seriei converge la zero cnd n , deci lim P (An) = 0. a a b) Considerm cazul A = . Vom introduce evenimentele Cn = An \ A, n I , care a N reduc acest caz la cazul precedent. Sirul (Cn )nIN este un ir descendent i deoarece s s
n
Cn = , rezult, conform cazului a) c a a

n=1 n
lim P (Cn ) = 0
Dar P (Cn ) = P (An \ A) = P (An ) P (A) i deci s

n
lim P (An ) = P (A).
Propozitia 1.8.5 Fie (An )nIN un ir ascendent de evenimente din K. Dac A = s a An , atunci
nI N n
lim P (An ) = P (
nI N
An ) = P (A).
Demonstratie. Trecem la evenimentele complementare; irul (An )nIN este descendent, s se transform i se aplic propozitia 1.8.4. a n s a Denitia 1.8.8 Fie () o proprietate descris de o propozitie formulat a a ntr-un cmp a borelian de probabilitate {E, K, P }. Dac toate evenimentele elementare care nu implic a a proprietatea () formeaz un eveniment de probabilitate nul atunci vom spune c () a a a este adevrat aproape sigur. a a Observatia 1.8.5 cmpuri innite de probabilitate pot exista evenimente diferite de In a evenimentul imposibil i care s aib probabilitatea nul. s a a a Exemplul 1.8.4 Fie un ceas i presupunem c acele sale se opresc la amplare. S se s a nt a determine probabilitatea ca minutarul s se opreasc dreptul uneia din cele 12 cifre ale a a n cadranului este nul. a Aceata rezult din observatia c probabilitatea ca minutarul s se opreasc a a a a ntr-un segment al circumferintei cadranului este proportional cu lungimea acestuia. Ori cele 12 a cifre ale cadranului alctuiesc o multime format din 12 puncte ale circumferintei, ecare a a din acestea ind asimilat cu un segment de o lungime nul. Evident, nu este exclus ca a minutarul s se opreasc dreptul unei cifre. Proprietatea minutarul nu se oprete a a n s n dreptul unei cifre a cadranului este o proprietate aproape sigur. a
37
1.9
Probleme propuse
Problema 1.1 Se joac un joc. Partida este considerat ctigat de primul dintre cei a a as a doi juctori care ctig trei jocuri. Dac jocul se a as a a ntrerupe la scorul de 2-1, cum trebuie artit miza? mp a Solutie. La prima vedere s-ar prea c miza trebuie artit trei prti egale i a a mp a n a s ctigtorul ia dou prti. Corect este ca miza s e artit proportional cu probabias a a a a mp a litatea pe care o are ecare juctor de a ctiga partida, dac acesta ar continuat. a as a S presupunem c se mai joac dou jocuri (indiferent de rezultatul primului joc). a a a a Notm cu 1 dac juctorul a ctigat partida i cu 0 dac a piedut-o. Prin notatia (1, a a a as s a 0) elegem c primul juctor a ctigat prima partida iar al doilea nu a piedut a doua nt a a as partid. Sunt urmtoarele posibiliti: (1, 1), (1, 0), (0, 1) i (0, 0), din care rezult c a a at s a a primul juctor, care conduce cu 2-1, are trei anse i al doilea una singur. Miza trebuie a s s a artit patru prti egale i primul juctor ia trei prti, iar al doilea o parte. mp a n a s a a Problema 1.2 Un student are de rspuns la n a ntrebri, crora trebuie s le asocieze a a a rspunsul corect dintre n rspunsuri indicate. Stabiliti probabilitatea ca studentul s a a a rspund la: a a a) prima ntrbare; b) primele dou a ntrebri; a c) cel putin o ntrebare. Indicatie. a) numtul cazurilor posibile: n!, numrul cazurilor favirabile (n 1)!, a a probabilitatea cutat: 1/n; a a b) 1/(n 2)!; c) dac notm cu Ai evenimentul c studentul rspunde corect la a a a a ntrebarea i, evenimentul cutat este A1 A2 . . . An . Folosind formula (1.9) obtinem: 1 1/2! + 1/3! a . . . + (1)n1 1/n!. Problema 1.3 Evenimentul A const aparitia cel putin o dat a fetei 5 aruncnd a n a a un zar de 4 ori, iar evenimentul B const aparitia fetei 5 cel putin de dou ori, aruncnd a n a a de 18 ori cte dou zaruri. Care din cele dou evenimente este cel mai probabil? a a a Indicatie. Se poate interpreta aparitia fetei 5 a unui zar ca o urn cu dou stri, una a a a 4 4 5 5 fata cu cu 5 cu probabilitatea q = 5/6. P (A) = ( ) , P (A) = 1 ( ) . Deoarece 6 6 aruncrile sunt independete, loc s aruncm de 18 ori cte dou zaruri, putem arunca a n a a a a 36 de zaruri o singur dat. a a 1 5 5 P (B) = ( )36 + 36 ( )35 . 6 6 6 Avem 5 41 ( )35 P (B) 6 6 < 7( 5 )31 < 1. = 5 6 P (A) ( )4 6
Problema 1.4 Un calculator este format din n componente. Probabilitatea ca o component i s se nu defecteze perioada de timp T este pi , i = 1, n. Componentele se a a n
38
defecteaz independent unele de celelalte. S se calculeze probabilitatea ca perioada a a n de timp T calculaterul s se defecteze. (Defectarea unei componente conduce la oprirea a calculatorului.) Solutie. Caculm probabilitatea evenimentului contrar, adic perioada de timp T a a n calculatorul s functioneze. Aceasta a nseamn c toate componentele s nu se defecteze, a a a
n n
iar probabilitatea acestui eveniment este

i=1
pi . Probabilitatea cutat va 1 a a
i=1
pi .
Problema 1.5 Un circuit electric are patru relee a cror functionare este egal proba abil (functioneaz i se pot defecta independent unul de cellalt), montate dup Figura a as a a 1.1. Calculati probabilittea ca a ntre punctele A i B s nu circule curentul. s a Solutie. Ntom cu Ai evenimentul releul Ri este defect. Curentul nu circul atunci a a cnd se realizeaz evenimentul a a ((A1 A2 ) A4 ) A3 = (A1 A4 ) (A2 A4 ) A3 . Cum orice releu poate dou pozitii, n a nchis sau deschis, rezult c numrul cazurilor a a a 4 posibile este 2 = 16. Probabilitatea cutat este 2 4/16 8/16 3 2/16 + 1/16. a a Problema 1.6 Trei mesaje sunt transmise pe un canal de comunicare, pe ecare dintre ele putnd transmis cu o anumit exactitate. Transmiterea unui mesaj poate conduce a a la unul din urmtoarele evenimente: a a) A1 = { mesajul este transmis ntr-o form corect }. a a b) A2 = { mesajul este partial eronat }. c) A3 = { mesajul este complet eronat }. Probabilitile evenimentelor A1 , A2 , A3 sunt date i anume egale cu p1 , p2 i p3 , (p1 + at s s p2 + p3 = 1). Considernd c transmiterea corect sau eronat a unui mesaj nu este a a a a inuentat de modul de transmitere a celorlalte (independenta evenimentelor), s se a a gseasc probabilitle urmtoarelor evenimente: a a at a i) A = { toate mesajele sunt transmise corect }. a ii) B = { cel putin un mesaj s e complet eronat }. iii) C = { cel putin dou mesaje sunt partial sau complet eronate }. a Solutie. Notm urmtoarele evenimente astfel: a a A11 = { primul mesaj transmis este corect }, A12 = { al doilea mesaj transmis este corect }, A13 = { al treilea mesaj transmis este corect }, A21 = { primul mesaj transmis este partial eronat }, A22 = { al doilea mesaj transmis este partial eronat }, A23 = { al treilea mesaj transmis este partial eronat }, A31 = { primul mesaj transmis este complet eronat },
39
A32 = { al doilea mesaj transmis este complet eronat }, A33 = { al treilea mesaj transmis este complet eronat }. Avem P (A11 ) = P (A12 ) = P (A13 ) = p1 , P (A21 ) = P (A22 ) = P (A23 ) = p2 , P (A31 ) = P (A32 ) = P (A33 ) = p3 . Evenimentul A nseamn c primul mesaj transmis este corect a a i al doilea mesaj transmis este corect i al treilea mesaj transmis este corect, adic s s a A = A11 A12 A13 i deoarece evenimentele sunt independente (conform presupunerii s fcute) avem P (A) = p3 . Complementarul evenimentului B este: toate mesajele sunt sau a 1 corecte sau partial eronate, deci B = (A11 A12 )(A21 A22 )(A31 A32 ). Probabilitatea acestui eveniment este (p1 + p2 )3 , iar P (B) = 1 (p1 + p2 )3 . Evenimentul C este compus din reuniunea evenimentelor: (primul mesaj este corect i al doilea mesaj este partial sau s complet eronat i al treilea mesaj este partial sau complet eronat) sau (primul mesaj este s partial sau complet eronat i al doilea mesaj este corect i al treilea mesaj este partial sau s s complet eronat) sau (primul mesaj este partial sau complet eronat i al doilea este partial s sau complet eronat i al treilea mesaj este corect) sau (toate cele trei mesaje sunt partial s sau complet eronate), adic C = (A11 ((A22 A32 ) (A23 A33 ))) ((A21 A31 ) A12 a (A23 A33 )) ((A21 A31 ) (A22 A32 ) A31 ) ((A21 A31 ) (A22 A32 ) (A23 A33 )). Probabilitatea acestui eveniment este P (C) = 3(p2 + p3 )2 p1 + (p2 + p3 )3 . Problema 1.7 Un mesaj important este transmis simultan pe n canale de comunicatie i repetat pe ecare canal de k ori pentru a uura receptionarea sa corect. Probabilis s a tatea ca timpul transmisiei unui mesaj acesta s e eronat este p i nu depinde de n a s transmiterea altor mesaje. Fiecare canal de comunicatie poate blocat cu zgomote cu probabilitatea q; un canal blocat nu poate transmite nici-un fel de mesaje. S se a calculeze probabilitatea evenimentului A = { un mesaj este transmis sub form corect mcar odat }. a a a a Solutie. Introducem evenimentul: B = { un mesaj este transmis pe un canal de comunicatie fr nici o eroare mcar aa a odat }. a Pentru ca s aib loc evenimentul B mai ai canalul nu trebuie s e blocat cu a a nt a zgomote i apoi mcar unul din cele k mesaje transmise nu trebuie s e eronat (contrar s a a evenumentului c toate cele k mesaje transmise sunt eronate). Obtinem P(B) = (1q)(1pk). a Probabilitatea evenimentului A, eveniment care nseamn c evenimentul B s-a produs a a n mcar odat pe un canal, este P (A) = 1 (1 P (B)) = 1 (1 (1 q)(1 pk ))n . a a Problema 1.8 Un mesaj format din cifrele 0 i 1 este transmis. Fiecare simbol poate s transmis eronat cu probabilitatea p (este schimbat contrarul su cu probabilitatea q). n a Pentru siguranta, mesajul este transmis de dou ori; informatia este considerat corect a a a dac ambele mesaje coincid. S se calculeze probabilitatea ca mesajul s nu e corect, a a a n ciuda faptului c cele dou mesaje transmise sunt identice. a a Solutie. Evenimentul ca mesajul s nu e corect este contrar evenimentului c ambele a a mesaje sunt corecte. Probabilitatea ca un mesaj transmis s e corect este (1 p)n , a probabilitatea ca ambele mesaje s e corecte este (1 p)2n , iar probabilitatea cutat a a a 2n este 1 (1 p) . Problema 1.9 Fie opt canale de transmitere a informatiei care functioneaz inde a pendent. Presupunem c un canal este activ cu probabilitatea 1/3. S se calculeze a a probabilitatea ca la un moment dat s e mai mult de ase canale active. a s
40
Solutie. Pentru i = 1, . . . , 8 e Ai evenimentul: canalul i este activ. Numrul a canalelor active este egal cu numrul de realizri ale evenimentelor Ai , i = 1, . . . , 8, opt a a n experiente Bernoulli cu p = 1/3. Atunci probabilitatea ca mai mult de ase canale s e s a active este
7 8 P (k = 7) + P (k = 8) = C8 (1/3)7 (2/3) + C8 (1/3)8 = 0, 0024 + 0, 00015 = 0, 00259
Problema 1.10 Un bloc de 100 de biti este transmis pe un canal de comunicatie binar 3 cu probabilitatea de eroare pe bit 10 . S se gseac probabilitatea ca blocul s contin a a a a a trei sau mai mult de trei erori. R:1.5 104 . Problema 1.11 Un asamblor de calculatoare folosete circuite din trei surse: A, B s i C. Ele pot defecte cu probabilitile de respectiv 0,001, 0,005 i 0,01. Dac se ia un s at s a circuit la mplare i se constat c este defect, care este probabilitatea ca el s provin nt s a a a a de la sursa A sau B. Solutie. Fie A1 evenimentul ca circuitul s provin de la sursa A, A2 de la sursa B a a i A3 s provin de la sursa C. Fie D evenimentul ca circuitul folosit s e defect, iar s a a a D|Ai , i = 1, 2, 3 evenimentul ca circuitul folosit s e defect tiind c el provine de la sursa a s a A, B i respectiv C. Avem s P (D|A1 ) = 0, 001, P (D|A2 ) = 0, 005, P (D|A3 ) = 0, 01 Folosind formula lui Bayes (1.12) obtinem P (A1 |D) = 1/16, P (A2 |D) = 10/16. Deoarece evenimentele A1 |D i A2 |D sunt incompatible, rezult s a P (A1 A2 |D) = P (A1 |D) + P (A2 |D) = 11/16 = 0, 6875.
Problema 1.12 Multe sisteme de comunicatie pot modelate felul urmtor: mai n a ai utilizatorul introduce 0 sau 1 sistem i semnalul corespunztor este transmis; nt n s a n al doilea rnd ia o decizie asupra a ceea ce s-a introdus sistem pe baza semnalului a n receptionat. Presupunem c utilizatorul transmite 0 cu probabilitatea 1 p i 1 cu proa s babilitatea p i c cel ce receptioneaz ia o decizie eronat cu probabilitatea . Pentru s a a a i = 0, 1 e Ai evenimentul c la intrare s-a introdus i i Bi evenimentul c decizia celui a s a ce receptioneaz a fost i. S se calculeze probabilitile P (Ai Bj ) pentru i = 0, 1 i a a at s j = 0, 1. Presupunem c probabilitile ca la intrare s se transmit 0 sau 1 sunt egale cu 1/2. a at a a S se calculeze probabilitatea evenimentului B1 . Dar probabilitatea de a se transmis 0 a tiind c s-a receptionat 1? Dar probabilitatea de a se transmis 1 tiind c s-a receptionat s a s a 1? Solutie.
Camp de probabilitate Se obtin probabilitile at P (A0 B0 ) = (1 p)(1 ) P (A0 B1 ) = (1 p) P (A1 B0 ) = p P (A1 B1 ) = p(1 ).
41
Evenimentele A1 i A2 formeaz un sistem complet de evenimente pentru spatiul de selectie s a E = {0, 1}. Pentru a calcula probabilitatea evenimentului B1 aplicm formula probaa bilitii totale: at P (B1 ) = P (A0 )P (B1 |A0 ) + P (A1 )P (B1 |A1 ) = 1/2 + 1/2(1 ) = 1/2. Aplicnd formula lui Bayes obtinem probabilitile (pe care le-am mai numit posteori); a at P (A0 |B1 ) = P (B1 |A0 )P (A0 ) /2 = = P (B1 ) 1/2 P (B1 |A1 )P (A1 ) (1 )/2 P (A1 |B1 ) = = = 1 . P (B1 ) 1/2
Dac este mai mic dect 1/2 atunci este mai probabil ca la intrare s avem 1 dect 0 a a a a dac la ieire s-a primit semnalul 1. a s Problema 1.13 Un sistem const dintr-o unitate central i trei uniti periferice. a a s at Sistemul functioneaz la capacitate optim dac unitatea central i dou uniti per a a a a s a at iferice functioneaz. S se calculeze probabilitatea ca sistemul s functioneze la capacitate a a a optim presupunnd c defectarea unitilor se face independent una de cealalta. a a a at Solutie. Denim urmtorele evenimente: A-unitatea central functioneaz; Bi -unita a a a tea periferic i functioneaz, unde i = 1, 2, 3. Evenimentul F -dou sau mai multe uniti a a a at periferice functioneaz a nseamn c toate trei unitile periferice functioneaz sau exact a a at a dou uniti periferice functioneaz. Astfel: a at a F = (B1 B2 B3 ) (B1 B2 B3 ) (B1 B2 B3 ) (B1 B2 B3 ). Observm c evenimentele de mai sus din paranteze sunt indepandente a a ntre ele i deci s P (F ) = P (B1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 )+ +P (B1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 ) = = 3(1 a)2 a + (1 a)3 unde s-a presupus c ecare periferic se defecteaz cu probabilitatea egal cu a, astfel at a a a nc i ) = a. Evenimentul sistemul functioneaz la capacitate optim P (Bi ) = 1 a i P (B s a a este A F . Dac presupunem c unitatea central se defecteaz cu probabilitatea p, a a a a atunci: P (A F ) = P (A) P (F ) = (1 p)P (F ) = (1 p)3(1 a)2 a + (1 a)3 . Fie a = 10%, atunci toate cele trei periferice sunt functionale (1 a)3 = 72, 9% din timp 2 iar dou sunt functionale i una defect 3(1 a) a = 24, 3% din timp. Astfel dou sau a s a a
42
mai multe, periferice functtioneaz 97, 2% din timp. Presupunem c unitatea central nu a a a este foarte bun, i anume p = 20%, atunci sistemul functioneaz la capacitate optim a s a a numai 77, 8% din timp, aceasta datorit faptului c unitatea central se defecteaz. a a a a Presupunem c s-a introdus sistem o a doua unitate central identic cu prima, a n a a adic p = 20% i sistemul functioneaz la capacitate optim dac mcar una din cele dou a s a a a a a uniti centrale functioneaz. S calculm ct la sut din timp functioneaz sistemul at a a a a a a n acest caz. Denim evenimentele Ai -unitatea central i = 1, 2 functioneaz. Evenimentul a a sistemul functioneaz la capacitate optim este, acest caz, (A1 F )(A2 F ). Atunci a a n P [(A1 F ) (A2 F )] = P (A1 F ) + P (A2 F ) P [(A1 F ) (A2 F )] = P (A1 ) P (F ) + P (A2 ) P (F ) P (A1 A2 F ) = = P (A1 ) P (F ) + P (A2 ) P (F ) P (A1 ) P (A2 ) P (F ) = = 2(1 p)3(1 a)2 a + (1 a)3 (1 p)2 3(1 a)2 a + (1 a)3 = 93, 3% Aceasta a condus la o cretere de 15.5% a timpului de functionare fata de cazul care s n sistemul functiona cu o singur unitate central. a a Problema 1.14 Un sistem de comunicatie transmite informatie bimar pe un canal a care introduce la transmiterea unui bit erori aleatoare cu probabilitatea = 103 . Fiecare bit este transmis de trei ori i functie de semnalul majoritar receptionat se decide s n informatia ca ind cea transmis. S se calculeze probabilitatea ca decizia luat s e a a a a incorect. a Solutie. Cel ce receptioneaz va lua o decizie eronat dac canalul introduce dou a a a a sau mai multe erori. Dac privim ecare transmitere ca o experient Bernoulli care a a n realizarea evenimentului corespunde introducerii unei erori, atunci probabilitatea de a se produce dou sau mai multe erori trei experiente Bernoulli este a n P [k
2 3 2] = C3 (0, 001)2 (0, 999) + C3 (0, 001)3 3 106
Problema 1.15 O informatie telegrac const din semnale liniute i puncte. a a s medie se deformeaz 2/5 din semnalele cu puncte i liniute. Este cunoscut c In a s a semnalele puncte i liniute se alnesc raportul 5/3. s nt n S se determine probabilitatea ca: a a) primind un semnal consacrat, acesta s e punct i a s b) probabilitatea ca el s e liniut. a a Solutie. Notm cu A evenimentul de primire a semnalului punct, iar prin B eveni a mentul de primire a semnalului liniut. Se pot considera urmtoarele ipoteze: H1 este a a transmis semnalul punct, H2 este transmis semnalul liniuta. Avem 5 P (H1 ) = , P (H1 ) + P (H2 ) = 1. P (H2 ) 3 deci 3 5 P (H1 ) = , P (H2 ) = 8 8
Camp de probabilitate i s
43
3 1 2 2 P (A|H1 ) = , P (A|H2 ) = , P (B|H1 ) = , P (B|H2 ) = . 5 3 5 3 Folosind formula probabilitii totale obtinem: at P (A) = 53 31 1 52 32 1 + = , P (B) = + = . 85 83 2 85 83 2
Avem cele dou probabiliti: a at a) P (H1 |A) = b) P (H2 |B) = P (H1 )P (A|H1 ) 3 = , P (A) 4 P (H2 )P (B|H2 ) 1 = . P (B) 2
44
Capitolul 2 Variabile aleatoare discrete

2.1 Denitia i clasicarea variabilelor aleatoare s
Una din notiunile fundamentele ale teoriei probabilitilor este cea de variabil aleatoare. at a Teoria clasic a probabilitilor opereaz, principal, cu evenimente, iar teoria modern a at a n a prefer, unde este posibil, s studieze variabile aleatoare. a a Fie { E,K,P } un cmp borelian de probabilitate care a fost denit Capitolul 1.8. a n Denitia 2.1.1 Functia X:EI R se numete variabil aleatoare dac s a a x I R {e E | X(e) < x} K. (2.1)
Pentru simplitate, vom nota {e E | X(e) < x} = {X < x}. Observatia 2.1.1 Nu este obligatoriu X(E) = I deci X(E) I X(E) reprezint R, R; a multimea valorilor variabilei aleatoare. Dup proprietile multimii valorilor variabilei aleatoare, adic dup proprietile multia at a a at mii X(E), clasicm variabile aleatoare astfel: a variabile aleatoare de tip discret, dac X(E) este cel mult numrabil; dac X(E) a a a a este nit, variabila aleatoare se numete discret simpl, iar dac X(E) este ina s a a a nit, dar numrabil, variabila aleatoare se numete discret cu o innitate de a a a s a valori. a a variabile aleatoare de tip continuu, dac X(E) este o multime innit de numere reale. Exemple de variabile aleatoare discrete: variabile aleatoare ale crei valori reprezint numrul de apeluri zilnice primite la o a a a central telefonic, a a a a a s a variabila aleatoare ale crei valori reprezint numrul de ruperi de re la o main de cusut, 45
46
Variabile aleatoare discrete variabila aleatoare ale crei valori reprezint numrul de puncte aprute pe o fat a a a a a a zarului, la aruncarea unui zar.
Exemple de variabile aleatoare de tip continuu: timpul de functionare a unui aparat, pn la prima defectare, a a mrimile erorilor comise la efectuarea msurtorilor, a a a a n viteza unei particule, care se modic functie de ciocnirile cu alte particule. ecare din aceste exemple, unui fenomen, supus unor circumstante aleatoare, i se In asociaz un numr real, deci se stabilete o corespondenta a a s ntre spatiul de selectie E conve practic, de multe ori este dicil s gsim valorile acestor corespondente, nabil ales i I In s R. a a a dar e posibil s determinm ct de des sunt luate ele. Astfel, ultimul exemplu, putem a a a n aprecia cu ce probabilitate viteza X a particulei este mai mic dect 0,1, deci putem a a calcula P ({ e E | X(e) < 0, 1 }). Denitia 2.1.2 Functia F : I [0, 1] R denit prin a F (x) = P ({ e E | X(e) < x}) se numete functie de repartitie. s Determinarea pentru orice x I a probabilitii cu care X ia valori mai mici ca x, R at nseamn denirea functiei de repartitie. a (2.2)
2.2
Variabile aleatoare discrete simple
Conditia (2.1) din Denitia 2.1.2 are loc ntotdeauna cazul variabilelor aleatoare disn cest caz putem spune c: crete, alegnd eventual un cmp borelian convenabil. In a a a a a a Denitia 2.2.1 Fie { E, K, P } un cmp de probabilitate cu E cel mult numrabil. Se numete variabil aleatoare orice aplicatie X denit pe multimea evenimentelor eles a a mentare cu valori multimea numerelor reale I n R. Ilustrm trecerea de la eveniment la variabil aleatoare. a a Exemplul 2.2.1 Considerm o experienta i un eveniment A legat de aceasta. loc de a s In evenimentul A putem considera functia A care ia valoarea 1 dac s-a realizat A i 0 dac a s a s-a realizat A, adic dac A E, A K: a a A : E {0, 1} A (e) = 1, dac e A a 0, dac e A. a /
Functia A se numete indicatoarea evenimentului A (variabila aleatoare a evenimentului s A).
Variabile aleatoare discrete
47
Aceast idee poate extins sensul c putem considera o experienta i legat de a a n a s aceasta un sistem complet de evenimente (Ai )16i6n . Denim functia X pe acest sistem complet de evenimente convenind s-i atribuim valoarea n j cazul care s-a realizat a n n evenimentul Aj , j = 1, n. Astfel, variabila aleatoare X s-a denit prin relatia: X(e) = pentru j = 1, n. Fie tabelul X:
n
n j, 0,
dac e Aj a rest n
x 1 x2 . . . x n p1 p2 . . . pn
(2.3)
cu pi
0, i = 1, n,
i=1
pi = 1. Numerele xi se numesc valorile variabilei aleatoare,
iar pi probabilitile cu care variabila aleatoare ia aceste valori. Tabelul 2.3 se numete at s tabloul de repartitie al variabilei aleatoare X. Facem conventia ca tabloul de repartitie s se treac valorile variabilei aleatoare n a a distincte, iar valorile luate cu probabilitatea 0 s nu e trecute. a i n Observatia 2.2.1 Fie xk o valoare a variabilei aleatoare X. Valorii xk corespunde, general, o multime de evenimente elementare. Rezolvnd ecuatia xk = X(e) raport a n cu e obtinem e = X 1 (xk ), general, o functie multivoc, deci la un xk pot corespunde n a mai multe valori ale lui e. Reuniunea acestora formeaz un eveniment Ak al cmpului a a (k n). Deoarece valorile xk sunt diferite, evenimentele Ak sunt incompatibile dou cte a a dou i formeaz un sistem complet de evenimente. Observm c as a a a pk = P (Ak ) = P ({e E | X(e) = xk }) i s
n n n
pk =
k=1 k=1
P (Ak ) = P (
k=1
Ak ) = P (E) = 1.
Deci dat o variabil aleatoare, putem s-i ataam un sistem complet de evenimente. a a a s Reciproca armatiei este tocmai Exemplul 2.2.2. Exemplul 2.2.2 Considerm experienta care const aruncarea unui zar omogen. Fie a a n variabila aleatoare X care ia ca valori numrul de puncte aprute pe fata zarului. S se a a a scrie tabloul de repartitie al acestei variabile aleatoare. Multimea evenimentelor elementare este {1, 2, 3, 4, 5, 6} i ea coincide, acest caz, cu E s n X: 1 2 3 4 5 6 1 1 1 1 1 1 6 6 6 6 6 6 .
Dac considerm evenimentele A i B legate de aceeai experient i anume A evenimentul a a s s a s care const obtinerea unui numr par de puncte, iar B evenimentul care const a n a a n
48
obtinerea un numr impar de puncte i denim variabila aleatoare Y care ia valoarea a s 0 dac am obtinut un numr par de puncte i 1 dac am obtinut un numr impar de a a s a a puncte, atunci A i B formeaz un sistem complet de evenimente i putem deni variabila s a s aleatoare Y astfel: 0 1 1 1 . Y : 2 2 Exemplul 2.2.3 Considerm o experienta care const extragerea a trei bile, cte una a a n a din ecare din urnele U1 , U2 , U3 ce contin respectiv 2 bile albe i 3 negre, 3 bile albe i 5 s s negre, 8 bile albe i 2 negre. Denim variabila aleatoare X care ia ca valori numrul de s a de bile albe obtinute la o extragere. Se cere tabloul de reparitie a lui X. Notm cu Ai i Ai evenimentul de a extrage o bil alb, respectiv neagr din urna a s a a a Ui , i = 1, 3. Variabila aleatoare X poate lua valorile 0, 1, 2, 3 dup cum s-au extras respeca tiv 0, 1, 2, 3 bile albe. Observm c evenimentele Ai sunt independente i incompatibile a a s dou cte dou. Atunci putem calcula a a a
3 3
P ({X = 0}) = P (
i=1
Ai ) =
i=1
P (Ai ) = 0, 075,
P ({X = 1}) = P ((A1 A2 A3 ) (A1 A2 A3 ) (A1 A2 A3 )) = 79 = P (A1 )P (A2 )P (A3 ) + P (A1 )P (A2 )P (A2 ) + P (A1 )P (A2 )P (A3 ) = = 0, 395, 200 P ({X = 2}) = P ((A1 A2 A3 ) (A1 A2 A3 ) (A1 A2 A3 )) = = P (A1 )P (A2 )P (A3 ) + P (A1 )P (A2 )P (A2 ) + P (A1 )P (A2 )P (A3 ) = P ({X = 3}) = P (A1 A2 A3 ) = P (A1 )P (A2 )P (A3 ) = Tabloul de repartitie este X: 0 1 2 3 0, 075 0, 395 0, 41 0, 12 . 41 = 0, 41, 100
3 = 0, 12, 25
De cele mai multe ori calcule este sucient s cunoatem valorile pe care le ia o n a s variabil aleatoare i probabilitile respective. Dar, general, cunoaterea acestor date a s at n s nu este sucient pentru determinarea complet a variabilei aleatoare, aa cum se va a a s vedea exemplul urmtor. n a a a n Exemplul 2.2.4 Considerm experienta care const aruncarea unui zar. Legat de aceasta ne imaginm un joc: celui care arunc zarul i se acord 1 punct dac apare una a a a a din fetele cu 1 sau 2 puncte, 2 puncte dac apare una din fetele cu 3 sau 4 puncte, 3 a puncte dac apare una din fetele cu 5 sau 6 puncte. Dac notm cu X variabila aleatoare a a a
49
care ia ca valori numrul de puncte obtinute de juctor la o aruncare a zarului, obtinem a a o variabil aleatoare avnd repartitia: a a X: 1 2 3 1 1 1 3 3 3 .
Se consider alt joc care se acord 1 punct dac apare una din fetele cu 1 sau 6 puncte, a n a a 2 puncte dac apare una din fetele cu 2 sau 5 puncte, 3 puncte dac apare una din fetele a a cu 3 sau 4 puncte. Obtinem analog o variabil aleatoare Y cu repartitia a Y : 1 2 3 1 1 1 3 3 3 .
Variabilele aleatoare discrete simple X i Y denite acest exemplu nu sunt egale, dar au s n acelai tablou de repartitie. Intr-adevr, X(6) = 3 i Y (6) = 1. Experienta care const s a s a aruncarea zarului genereaz un cmp de probabilitate. Pe multimea evenimentelor n a a elementare ale lui E, X i Y sunt denite astfel: s X(1) = 1, X(2) = 1, X(3) = 2, X(4) = 2, X(5) = 3, X(6) = 3; Y (1) = 1, Y (2) = 2, Y (3) = 3, Y (4) = 3, Y (5) = 2, Y (6) = 1. S determinm sistemul complet de evenimente generat de ecare din cele dou varia a a abile aleatoare discrete simple. Variabila aleatoare discret simpl X determin a a a A1 = {1, 2}, A2 = {3, 4}, A3 = {5, 6}, iar variabila aleatoare discret simpl Y determin a a a B1 = {1, 6}, B2 = {2, 5}, B3 = {3, 4}. Rezult c cele dou sisteme complete de evenimente sunt diferite i deci numai aparent a a a s variabilele aleatoare discrete simple coincid. Orice variabil aleatoare simpl dat prin tabloul su de repartitie se poate reprezenta a a a a grac prin poligonul su de repartitie: pe axa absciselor se trec valorile variabilei aleatoare, a iar pe axa ordonatelor probabilitile. at Pentru o variabil aleatoare discret simpl se poate introduce functia de repartitie a a a care este o functie scar dat de relata: a a dac x x1 , a 0, p1 , dac x1 < x x2 , a p1 + p2 , dac x2 < x x3 , a F (x) = ... p1 + . . . + pn1 , dac xn1 < x xn , a 1, dac xn < x. a aceast denitie am presupus, pentru simplitate, x1 < x2 < . . . < xn . Gracul acestei In a functii este prezentat Figura 2.1. n
50
Vom insista mai mult asupra proprietilor functiei de repartitie Capitolul 3. S at n a studiem F unul din punctele de discontinuitate, e x = x2 . Pentru I + orict de n R a mic, avem F (x2 + ) = P ({X < x2 + }) = p1 + p2 astfel at lim F (x) = p1 + p2 . Mai mult nc
x x2
F (x2 ) = P ({X < x2 }) = p1 i s F (x2 ) = P ({X < x2 }) = p1 . Rezult c functia de repartitie este continu la stnga. Functia de repartitie poate a a a a scris restrns cu ajutorul functiei unitate (treapta unitate) a a u(x) = 0, dac x 0, a . 1, dac x > 0, a
Functia generalizat delta (t) (distributia Dirac) este denit cu ajutorul functiei unitate a a astfel: x u(x) = (t) dt
i deci s
n
F (x) = p1 u(x) + p2 u(x x1 ) + . . . + pn u(x xn ) =

k=1
pk u(x xk ),
unde pk = P ({X < xk }). Putem introduce i cazul discret (pentru cazul continuu se s n poate consulta Capitolul 3) functia densitate de probabilitate innd seama de legtura t a a dintre functia unitate i distributia Dirac. Astfel, innd seama de faptul c (vezi Capitolul s t a a 3.2, Formula (3.9)):
x
F (x) =
f (t) dt
obtinem densitatea de probabilitate pentru variabile aleatoare discrete

n
f (x) =
k=1
pk (x xk ).
Aceast densitate de probabilitate este o functie generalizat (o distributie). a a Operatii cu variabile aleatoare discrete simple. Deoarece variabila aleatoare discret simpl este o functie denit pe multimea evenia a a mentelor elementare cu valori reale, putem vorbi de suma i produsul a dou variabile s a aleatoare discrete simple ca i la functii. Astfel, dac e este un eveniment elementar i X s a s i Y sunt denite pe aceeai multime de evenimente elementare, avem s s (X + Y )(e) = X(e) + Y (e),
Variabile aleatoare discrete (XY )(e) = X(e)Y (e).
51
X este o nou variabil aleatoare denit a a a Dac Y (e) = 0 oricare ar evenimentul e, ctul a a Y prin relatia X X(e) ( )(e) = . Y Y (e) Produsul unei variabile aleatoare X cu o constant real c este o nou variabil aleatoare a a a a cX denit prin relatia a (cX)(e) = cX(e). Acest produs poate interpretat i ca produsul lui X cu variabila aleatoare constant s a identic egal cu c (Y (e) = c, e E). Dac X(e) 0, e E, iar I xat, denim a a R X ca o nou variabil aleatoare denit prin a a a (X (e) = (X(e)) . cazul care I se poate renunta la conditia X(e) 0, e E, variabila aleatoare In n N poate interpretat ca produsul lui X cu el si. Fie variabilele aleatoare X i Y avnd a nsu s a tabelele de repartitie x1 x2 . . . x m X: , p1 p2 . . . pm Y : y1 y2 . . . yn q1 q2 . . . qn .
Fie A1 , A2 , . . . , Am respectiv B1 , B2 , . . . , Bn sistemul complet de evenimente generat de variabila aleatoare X, respectiv Y . Avem, evident P (Ai ) = pi , i = 1, m, P (Bj ) = qj , j = 1, n. Variabila aleatoare X + Y ia valoarea xi + yj pe submultimea Ai Bj , dac aceast a a intersectie este nevid. Dac Ai Bj = , variabila aleatoare X + Y ia valoarea xi + yj cu a a probabilitatea zero i deci aceasta nu apare tabel. Dac notm P (Ai Bj ) = pij , i = s n a a 1, m, j = 1, n atunci tabelul de repartitie al variabilei aleatoare X + Y va X +Y : Pentru produs vom avea XY : x1 y1 x1 y2 . . . x1 yn . . . xm yn p11 p12 . . . p1n . . . pmn . x1 + y1 x1 + y2 . . . x1 + yn . . . xm + yn p11 p12 ... p1n ... pmn .
ambele cazuri tabelul de repartitie are cel mult mn coloane. In
52
Observatia 2.2.2 cazul particular Y = a = const.,deoarece In pij = P ({X = xi , Y = a}) = P ({(X = xi ) E}) = P ({X = xi }) = pi avem a+X : i la fel s aX : ax1 ax2 . . . axm p1 p2 . . . pm . a + x1 a + x2 . . . a + xm p1 p2 ... pm ,
Observatia 2.2.3 Denitia sumei de variabile aleatoare discrete simple se poate extinde la un numr nit de variabile aleatoare simple. De exemplu, dac a a X: atunci X +Y +Z : xi pi , i = 1, m, Y : yj qj , j = 1, n, Z: zk rk , k = 1, l,
xi + y j + z k pijk
, i = 1, m, j = 1, n, k = 1, l.
a a Exemplul 2.2.5 Probabilitatea extragerii unei bile albe dintr-o urn este p. Din aceast urn se fac dou extrageri, punndu-se bila a a a napoi urn dup extragere. Se consider n a a a variabilele aleatoare X1 i X2 , prima reprezentnd numrul de bile albe obtinute la prima s a a extragere i a doua numrul de bile albe de la a doua extragere. S se scrie tabloul de s a a repartitie al variabilelor aleatoare discrete simple X1 , X2 , X1 + X2 , X1 X2 . Dac a X1 : atunci X1 + X2 : deoarece P ({X1 + X2 = 0}) = P ({X1 = 0, X2 = 0}) = P ({X1 = 0})P ({X2 = 0}) = q 2 , P ({X1 + X2 = 1}) = P ({X1 = 1, X2 = 0} {X1 = 0, X2 = 1}) = 2pq, P ({X1 + X2 = 2}) = P ({X1 = 1, X2 = 1}) = P ({X1 = 1})P ({X2 = 2}) = p2 , P ({X1 + X2 = 0}) = P ({X1 = 0, X2 = 0}) = q 2 . La fel, X1 X2 : deoarece P ({X1 X2 = 0}) = P ({X1 = 0, X2 = 0} {X1 = 1, X2 = 0) {X1 = 0, X2 = 1}) = 2pq + q 2 , P ({X1 X2 = 1}) = P ({X1 = 1, X2 = 1}) = p2 . 0 1 2 2pq + q p2 , 0 1 q p , X2 : 0 1 q p , q = 1 p,
0 1 2 2 q 2pq p2
Variabile aleatoare discrete Propozitia 2.2.1 Fiind date variabilele aleatoare X: xi pi , i = 1, m; Y : yj qj , j = 1, n,
53
iar pij probabilitile denite de suma i produsul celor dou variabile aleatoare. Au loc at s a relatiile:
n m
pi =
j=1
pij , qj =
i=1
pij .
Demonstratie. Efectund experienta creia sunt asociate variabilele aleatoare, Y ia a a i n mod sigur una din valorile y1 , y2 , . . . , yn . Dac X ia valoarea xi , rezult c evenimentul a a a {X = xi } se realizeaz a mpreun cu unul din evenimentele {Y = y1 }, . . . , {Y = yn }. Deci a {X = xi } = {X = xi } ({Y = y1 } {Y = y2 } . . . {Y = yn }) = = ({X = xi } {Y = y1 }) ({X = xi } {Y = y2 }) . . . ({X = xi } {Y = yn }). De aici rezult c a a
n n
pi = P ({X = xi }) =
j=1
P ({X = xi , Y = yj }) =
j=1
pij .
La fel se demonstreaz cea de-a doua relatie. a Observatia 2.2.4 Dac considerm i variabila aleatoare discret simpl a a s a a Z: zk rk , k = 1, l,
atunci pentru probabilitile sumei (produsului) celor trei variabile aleatoare discrete simat ple au loc relatiile
l m n
pijk = pij ;
k=1 i=1
pijk = pjk ;
j=1
= pik ;
Independenta variabilelor aleatoare discrete simple. Denitia 2.2.2 Dou variabile aleatoare se numesc independente dac probabilitatea ca a a una din variabile s ia o valoare nu depinde de valoarea luat de cea de a doua variabil a a a aleatoare. a s a Observatia 2.2.5 Dac X i Y sunt astfel de variabile aleatoare atunci dou evenimente de forma {X = xi } i {Y = yj }, i = 1, m, j = 1, n, sunt independente. s general, putem da denitia: In
54
Denitia 2.2.3 Variabilele aleatoare discrete simple X, Y, Z, . . . sunt independente da c evenimentele {X = xi }, {Y = yj }, {Z = zk }, . . . i = 1, m, j = 1, n, k = 1, l sunt a independente totalitatea lor. n Observatia 2.2.6 Dac variabilele aleatoare a X: sunt independente, atunci pij = P ({X = xi , Y = yj }) = P ({X = xi })P ({Y = yj }) = pi qj . La fel pentru trei variabile aleatoare discrete simple. cazul acesta In X +Y : XY : xi + y j p i qj xi y j pi qj , i = 1, m, j = 1, n; , i = 1, m, j = 1, n. xi pi , i = 1, m, Y : yj qj , j = 1, n,
Exemplul 2.2.6 Suma a dou variabile aleatoare discrete simple independente X, Y, a Z = X + Y , poate obtinut astfel: a P ({Z = k}) = P ({X + Y = k}) = =
i
P ({X = i, Y = k i}) =
i
P ({X = i})P ({Y = k i}),
sumarea referindu-se la toate valorile ntregi ale lui X, mai mici dect k. Dac notm cu a a a p(i) = P ({X = i}), q(j) = P ({Y = j}), r(k) = P ({Z = k}), obtinem
k k
r(k) =
i=0
p(i)q(k i) =
j=0
p(k j)q(j),
acestea reprezentnd produsul de convolutie a lui p i q. a s Propozitia 2.2.2 Variabilele aleatoare simple X i Y sunt independente dac i numai s as dac evenimentele {x < X < x} i {y < Y < y} sunt independente, oricare ar a s R. x, x , y, y I Demonstratie.Presupunem c X i Y sunt independente. Deoarece a s {x < X < x, y < Y < y} =
x <xi <x, y <yj <y
{X = xi , Y = yj }
rezult, datorit independentei, a a P ({x < X < x, y < yj < y}) = P (

x <xi <x, y <yj <y
{X = xi , Y = yj }) =
Variabile aleatoare discrete =

x <xi <x;y <yj <y
55 P ({X = xi })
x <xi <x y <yj <y
P ({X = xi , Y = yj }) = {X = xi })P (
y <yj <y
P ({Y = yj }) =
= P(
{Y = yj }) = P ({x < X < x})P ({y < Y < y}).
x <xi <x
Reciproc, presupunem c evenimentele {x < X < x} i {y < Y < y} sunt independente, a s oricare ar x, x , y, y I Atunci R. {X = xi , Y = yj } = {xi1 < X < xi+1 , yj1 < Y < yj+1 }, i = 1, m, j = 1, n, unde x0 = y0 = , xn = yn = . Rezult c a a P ({X = xi , Y = yj }) = P ({xi1 < X < xi+1 , yj1 < Y < yj+1 }) = = P ({xi1 < X < xi+1 })P ({yj1 < Y < yj+1 }) = P ({X = xi })P ({Y = yj }).
Caracteristici numerice pentru variabile aleatoare discrete simple. a a Denitia 2.2.4 Fie variabila aleatoare discret simpl X: x1 x2 . . . x m p1 p2 . . . pm
m
, pi
0, i = 1, m,
i=1
pi = 1.
(2.4)
Vom numi media variabilei aleatoare discrete simple X numrul a

m
M [X] = x1 p1 + x2 p2 + . . . + xm pm =
i=1
xi p i .
Denumirea de medie este ndreptit dac inem seama de sensul ei practic. Presupunem at a at c am repetat de N ori o experienta care ne-a condus la variabila aleatoare X. Dac a a valoarea x1 este luat de n1 ori, valoarea x2 de n2 ori,. . ., valoarea xm de nm ori, unde a n1 + n2 + . . . + nm = N , atunci suma valorilor luate de variabila aleatoare X este n1 x1 + n2 x2 + . . . + nm xm , iar media aritmetic a valorilor luate de X va a n 1 x1 + n 2 x2 + . . . + n m xm n1 n2 nm = x1 + x2 + . . . + xm . N N N N n1 reprezint raportul dintre numrul cazurilor care s-a luat valoarea x1 i numrul a a n s a N n2 nm total de experimentri, adic p1 . La fel a a = p2 , . . . , = pm . N N Media aritmetic a valorilor luate de X poate aproximat cu p1 x1 +p2 x2 +. . .+pm xm , a a adic media lui X. Media lui X ne arat la ce valoare putem s ne ateptm pentru media a a a s a aritmetic a unui mare numr de valori ale lui X, obtinute urma repetrii experientei a a n a date. Dar
56
Exemplul 2.2.7 Variabilele aleatoare discrete simple din Exemplul 2.2.5, X1 i X2 , s avnd repartitiile: a 0 1 X 1 , X2 : , q p au valoarea medie M [Xi ] = 1p + 0q = p, i = 1, 2, iar X1 + X2 : are media M [X1 + X2 ] = 2pq + 2p2 = 2p. Denitia 2.2.5 Se numete moment initial de ordin k, k I , al variabilei aleatoare X s N k media lui X . Notm a k = Mk [X] = M [X k ]. Observatia 2.2.7 Momentul initial de ordin 1 al variabilei alearoare X este chiar media variabilei aleatoare. 0 1 2 2 q 2pq p2 ,
Proprieti ale mediei. at 1. Valoarea medie a unei constante este egal cu constanta, a X: c 1 , M [X] = c.
2. Dac X este o variabil aleatoare simpl i a I o constant, atunci au loc relatiile: a a as R a M [a + X] = a + M [X], M [aX] = aM [X], Intr-adevr, deoarece a a+X :
m
a + x1 a + x2 . . . a + xm p1 p2 ... pm
m m
M [a + X] =
i=1
(a + xi )pi = a
i=1
pi +
i=1
xi pi = a + M [X]; ,
aX :
m
ax1 ax2 . . . axm p1 p2 . . . pm

m
M [aX] =
i=1
(axi )pi = a
i=1
xi pi = aM [X].
57
3. Valoarea medie a unei variabile aleatoare este cuprins a ntre cea mai mic i cea mai as mare dintre valorile posibile ale variabilei aleatoare. Fie a = min xi i A = max xi . s
m m
M [X] =
i=1 m
xi p i > a
i=1 m
pi = a, pi = A,
a < M [X] < A.
M [X] =
i=1
xi p i < A
i=1
a 4. Valoarea medie a unei sume nite de variabile aleatoare este egal cu suma valorilor medii ale variabilelor aleatoare respective. Fie X: x1 x2 . . . x m p1 p2 . . . pm X +Y : Atunci M [X + Y ] =
i=1 j=1 m n n m m n
Y :
y1 y2 . . . yn q1 q2 . . . q n .
x1 + y1 x1 + y2 . . . xm + yn p11 p12 ... pmn

m n
(xi + yj )pij = xi pi +
i=1 j=1
=
i=1
xi (
j=1
pij ) +
j=1
yj (
i=1
pij ) =
yj qj = M [X] + M [Y ].
Demonstratia pentru suma unui numr nit de variabile aleatoare se face prin a inductie. 5. Valoarea medie a unui produs de variabile aleatoare independente este egal cu a produsul mediilor variabilelor considerate. X: x1 x2 . . . x m p1 p2 . . . pm XY : , Y : y1 y2 . . . yn q1 q2 . . . q n , ,
x1 y1 x1 y2 . . . xm yn p11 p12 . . . pmn

m n
M [XY ] =
i=1 j=1
xi yj pij .
Dac variabilele sunt independente, se produc simplicri importante deoarece putem a a scrie pij = pi qj i atunci s
n n n
M [XY ] =
j=1
x1 yj p1 qj +
j=1 m n
x2 yj p2 qj + . . . +
j=1
xm yj pm qj =
=(
i=1
xi pi )(
j=1
yj qj ) = M [X]M [Y ].
58
Variabile aleatoare discrete 6. Oricare ar variabila aleatoare X, are loc relatia M [X 2 ] |M [X]|.
Considerm variabila aleatoare X avnd tabloul (2.4) i e Y = (X + a)2 , a I a a s R. Deoarece valorile lui Y sunt pozitive, rezult c M [Y ] 0 i deci a a s
m m m
M [Y ] =
i=1
(xi + a) pi =
i=1
xi pi + 2a
i=1
xi pi + a2 =
= M [X 2 ] + 2aM [X] + a2 Rezult a 0 i cum s
0 a I R. 0
= (M [X])2 M [X 2 ] obtinem inegalitatea dorit. a
7. Inegalitatea lui Schwarz. Fie x i Y dou variabile aleatoare discrete simple. Are loc s a inegalitatea |M [XY ]| M [X 2 ]M [Y 2 ]. Demonstratia poate gsit Capitolul 3.4, Formula (3.42). a a n Denitia 2.2.6 Fie o variabil aleatoare X i o constant a I Numim abaterea de a s a R. la constanta a a variabilei aleatoare X variabila X a. s Denitia 2.2.7 Se numete moment centrat de ordin k raportat la constanta a a vari abilei aleatoare X media variabilei (X a)k . Observatia 2.2.8 Pentru a = 0 obtinem momentul initial de ordin k. Observatia 2.2.9 Pentru a = M [X] = m obtinem momentul centrat de ordin k al variabilei aleatoare X. Denitia 2.2.8 Variabila aleatoare X M [X] se numete abaterea de la medie a vari s abilei aleatoare X. Propozitia 2.2.3 Valoarea medie a abaterii oricrei variabile aleatoare este nul. a a M [X M [X]] = M [X] M [M [X]] = M [X] M [X] = 0. De multe ori la o variabil aleatoare ne intereseaz ct de mult se abat valorile variabilei a a a de la valoarea medie. Trebuie s stabilim un indicator numeric al a mprtierii valorilor as variabilei aleatoare jurul valorii medii. Valoarea medie a abaterii de la medie nu poate n caracteriza aceast a mprtiere deoarece este nul pentru orice variabil aleatoare. Abaas a a terile diferitelor valori, avnd semne diferite, se compenseaz. Este resc s caracterizm a a a a mprtierea variabilei aleatoare X prin valoarea medie a abaterilor absolute | X M [X] | as pe care o numim abatere medie. Dac X are tabloul de repartitie a X: x1 x 2 . . . x n p1 p2 . . . p n ,
Variabile aleatoare discrete atunci repartitia abaterii absolute este | x1 m | | x2 m | . . . | xn m | p1 p2 ... pn unde m = M [X], iar abaterea medie este p1 | x1 m | +p2 | x2 m | + . . . + pn | xn m | . ,
59
Se observ c semnul expresiilor xi m nu inuenteaz valoarea abaterii medii. Folosirea a a a abaterii medii este foarte incomod calcule. Foarte comod este schimb folosirea a n a n expresiei M [(X m)2 ]. Denitia 2.2.9 Se numete dispersie a variabilei aleatoare X momentul centrat de or s dinul al doilea al variabilei, notat 2 = D2 [X] = M [(X m)2 ], m = M [X]. Observatia 2.2.10 Demonstrm o formul util aplicatii i anume c dispersia unei a a a n s a variabile aleatoare este egal cu media ptratului variabilei aleatoare minus ptratul mea a a diei, adic a D2 [X] = M [X 2 ] (M [X])2 . Intr-adevr, a D [X] =
i=1 n n 2 n
pi (xi m)2 =
=
i=1
pi xi 2m
i=1
pi xi + m2 = M [X 2 ] 2m2 + m2 = M [X 2 ] (M [X])2 .
Artm c dispersia unei variabile aleatoare X este, aa a ntr-un anume sens, cea mai bun a valoare care caracterizeaz a mprtierea valorilor x1 , x2 , . . . , xn sau, cu alte cuvinte, M [X] as este punctul cel mai potrivit fat de care trebuie s msurm devierile acestor valori. Acest a a a a lucru rezult din urmtoarea propozitie. a a Propozitia 2.2.4 Dac X este o variabil aleatoare care ia valorile x1 , x2 , . . . , xn cu a a probabilitile p1 , p2 , . . . , pn , iar m este media, atunci at
n n
D [X] =
i=1
pi (xi m)
2 i=1
pi (xi x)2 ,
x I R.
Demonstratie. Putem scrie xi x = (xi m) + (m x), i = 1, n.

n n
pi (xi x) =
i=1 i=1
pi [(xi m) + (m x)]2 =
60
n n
Variabile aleatoare discrete =

i=1 n
pi (xi m) + 2(m x)
i=1
pi (xi m) + (m x)2 =
=
i=1
pi (xi m)2 + 2(m x)(m m) + (m x)2 = = D2 [X] + (m x)2 D2 [X].
Proprieti ale dispersiei. at a t a at 1. Dispersia unei constante este nul deoarece, innd seama de proprietile mediei, D2 [c] = M [c2 ] (M [c])2 = 0. 2. Dou variabile aleatoare care difer printr-o constant au dispersiile egale. a a a X: x1 x2 . . . x n p1 p2 . . . pn ,
Y =a+X :
a + x1 a + x2 . . . a + xn p1 p2 ... pn
n
M [Y ] = M [X + a] = M [X] + a, D [Y ] =
i=1 n n 2
(xi + a M [Y ])2 pi =
2
=
i=1
pi (xi + a M [X] a) =
i=1
pi (xi M [X])2 = D2 [X].
3. D2 [aX] = a2 D2 [X] deoarece

n n
D2 [aX] =
i=1
pi (axi am)2 =
i=1 n
pi a2 (xi m)2 =
=a
2 i=1
pi (xi m)2 = a2 D2 [X].
4. Dac variabilele aleatoare X1 , X2 , . . . , Xk sunt independente, atunci dispersia sumei a este egal cu suma dispersiilor. a D2 [X1 + X2 + . . . + Xk ] = D2 [X1 ] + D2 [X2 ] + . . . + D2 [Xk ]. Intr-adevr, e a Y = X1 + X2 + . . . + Xk
Variabile aleatoare discrete atunci D [Y ] = M [Y ] (M [Y ]) = M [(

i=1 2 2 2
61
Xi ) ] (M [
i=1
Xi ])2 =
2 M [X1
2 X2
+ ... +
2 Xk
+ 2X1 X2 + 2X1 X3 + . . . + 2Xk1 Xk ]
2 2 2 (M [X1 ] + M [X2 ] + . . . + M [Xk ])2 = M [X1 ] + M [X2 ] + . . . + M [Xk ]+
+2M [X1 X2 ] + 2M [X1 X3 ] + . . . + 2M [Xk1 Xk ] (M [X1 ])2 (M [X2 ])2 . . . (M [Xk ])2 2M [X1 ]M [X2 ] 2M [X1 ]M [X3 ] . . .
2 2 2M [Xk1 ]M [Xk ] = M [X1 ] (M [X1 ])2 + M [X2 ] (M [X2 ])2 + . . . + 2 +M [Xk ] (M [Xk ])2 = D2 [X1 ] + D2 [X2 ] + . . . + D2 [Xk ],
folosind Proprietatea 5 a mediei. Observatia 2.2.11 Proprietatea rmne adevrat conditii mai putin restrictive. a a a a n In cursul demonstratiei s-a folosit faptul c variabilele aleatoare Xi , i = 1, k sunt indepen a dente dou cte dou i nu totalitatea lor. a a as n Mai general, combinnd Proprietile 3 i 4, avem a at s
k k
D [
i=1
ai Xi ] =
i=1
a2 D2 [Xi ]
particular, In D2 [X Y ] = D2 [X] + D2 [Y ]. De obicei, gradul de mprtiere a valorilor unei variabile aleatoare X se exprim nu prin as a dispersie, ci prin abaterea medie ptratic, notat D[X] i denit prin relatia a a a s a = D[X] = D2 [X].
Aceasta are avantajul c se exprim prin aceleai uniti de msur ca i valorile variabilei a a s at a a s aleatoare X. Proprieti ale abaterii medii ptratice. at a 1. D[c] = 0, dac c = const., c I a R. 2. D[a + X] = D[X]. 3. D[aX] =| a | D[X]. Proprietile de mai sus rezult din proprietile dispersiei. at a at Teorema 2.2.1 (Inegalitatea lui Cebev). Fie X o variabil aleatoare care admite medie as a i dispersie nite. Atunci, oricare ar s 0, are loc inegalitatea P ({| X m |< }) 1 D2 [X]
2
, m = M [X].
(2.5)
62
Demonstratie. Facem observatia c aceast inegalitate d o margine inferioar pentru a a a a probabilitatea ca abaterea absolut a unei variabile aleatoare cu dispersia cunoscut s a a a e mai mic dect un numr dat. a a a Pentru demonstratie considerm repartitia variabilei aleatoare X, a X: x1 x 2 . . . x n p1 p2 . . . p n ,
care presupunem c am scris valorile ordine cresctoare, i deci aa vor scrise i n a n a s s s a valorile | xi m |, i = 1, n, adic |x1 m| |x2 m| ... |xn m|.
Dac lum un a a 0 oarecare, unele din valorile |xi m|, i = 1, n, vor mai mari sau egale cu , altele mai mici. Exist deci un l astfel at a nc |x1 m| |x2 m| ... |xl m| < |xl+1 m| ... |xn m|.
Aceste inegaliti se mai pot scrie at (x1 m)2 (x2 m)2 ... (xl m)2 <
2
(xl+1 m)2
...
(xn m)2 .
Variabila aleatoare |X m| are repartitia |x1 m| |x2 m| . . . |xl m| |xl+1 m| . . . |xn m| p1 p2 ... pl pl+1 ... pn i ia valoarea |xi m| atunci cnd X ia valoarea xi . Inegalitatea |X m| < este vericat s a a atunci cnd |X m| ia una din valorile |x1 m|, |x2 m|, . . . , |xl m| adic atunci i a a s numai atunci cnd X ia una din valorile x1 , x2 , . . . , xl . Putem scrie deci evenimentul a (|X m| < ) ca o reuniune nit de evenimente incompatibile a {|X m| < } = {X = x1 } {X = x2 } . . . {X = xl }. de unde P ({|X m| < }) =
i=1 l n
pi = 1
i=l+1
pi .
Scriem acum dispersia variabilei aleatoare X 2 = (x1 m)2 p1 + . . . + (xl m)2 pl + (xl+1 m)2 pl+1 + . . . + (xn m)2 pn . Vom transforma aceast egalitate inegalitate prin micorarea membrului drept. a n s 2 Aceast minorare o realizm astfel: valorile (xi m) care sunt mai mici ca 2 le a a nlocuim 2 2 cu 0, iar cele care sunt mai mari sau egale cu le nlocuim cu . Atunci
n
0p1 + . . . + 0pl +
pl+1 + . . . +
pn =
2 i=l+1
pi
Variabile aleatoare discrete i deci s 2

2 n
63
pi ,
i=l+1
2
2
1
i=l+1
pi = P ({|X m|} < ),
care este echivalent cu Inegalitatea (2.5). a Dac lum = k aceast inegalitate se scrie a a a P ({|X m| < k}) sau P ({m k < X < m + k}) 1 1 1 k2
1 . De exemplu, pentru k = 3 obtinem k2 1 1 8 = . 9 9
P ({m 3 < X < m + 3}) Deci, cu o probabilitate cuprins a ntre (m 3, m + 3). Exemplul 2.2.8 Fie X:
8 i 1, orice variabil ia valori cuprinse intervalul s a n 9
0, 2 0, 3 0, 4 0, 5 0, 1 0, 2 0, 3 0, 4
S se estimeze probabilitatea P ({|X m| < 0, 2}). a Utilizm inegalitatea lui Cebev cu a as P ({|X m| < 0, 2}) 1 D2 [X] . 0, 22
M [X] = 0, 4, M [x2 ] = 0, D2 [X] = 0, 01. Inlocuim mai sus i obtinem: s P ({|X 0, 4| < 0, 2}) 0, 75.
2.3
Exemple de variabile aleatoare discrete simple
1. Repartitia Poisson. Fie X o variabil aleatoare care ia ca valori numrul de bile albe extrase din n urne a a n s Ui , i = 1, n, care contine ecare, proportii diferite, bile albe i negre. Probabilitatea de a extrage o bil alb din urna Ui este pi , iar o bil neagr este qi = 1 pi . Fie Xi , i = 1, n, a a a a variabilele aleatoare care iau valoarea 1 dac din urna Ui se extrage o bil alb i 0 dac a a as a din aceeai urn se extrage o bil neagr. s a a a Xi : 0 1 qi pi , i = 1, n,
64 M [Xi ] = pi . Cu notatiile introduse, putem scrie
X = X1 + X2 + . . . + Xn =
i=1 n n
Xi ,
n
M [X] = M [
i=1 2
Xi ] =
i=1 n 2
M [Xi ] =
i=1 n
pi ,
D [X] = D [
i=1
Xi ] =
i=1
D2 [Xi ],
deoarece variabilele aleatoare Xi , i = 1, n, sunt independente. Dar D2 [Xi ] = M [Xi2 ] (M [Xi ])2 . Deoarece Xi2 : avem M [Xi2 ] = pi , deci D [Xi ] = pi
2 n
0 1 qi pi
p2 i
= pi qi i D [X] = s
i=1
p i qi .
2. Repartitia Bernoulli. Este de fapt repartitia Poisson care structurile urnelor Ui , i = 1, n, sunt identice, n adic p1 = p2 = . . . = pn = p, q1 = q2 = . . . = qn = q. Variabila aleatoare corespunztoare a a este 0 1 2 ... k ... n X: . 0 0 n 1 1 n1 2 2 n2 k k nk n n 0 Cn p q Cn p q Cn p q . . . Cn p q . . . Cn p q Scriem, acest caz, X : Bi(n, p). Particulariznd schema lui Poisson, obtinem n a M [X] = np, D2 [X] = npq.
De fapt variabila aleatoare binomial descrie o experienta care un eveniment A se a n repet independent de n ori i intereseaz de cte ori s-a realizat decursul celor n a s a a n repetri. Fie X numrul de realizri ale evenimentului A cele n efecturi. Deci X va a a a n a k s lua valorile 1, 2, 3, . . . n cu probabilitile P ({X = k}) = Cn pk q nk . Figura 2.2 i 2.3 sunt at desenate densitile de probabilitate generalizate pentru variabila aleatoare binomial, at a pentru n = 24, (a) p = 0, 2 i respectiv (b) p = 0.5. s Remarcm c P ({X = k}) este maxim cnd kmax = (n + 1)p , unde x noteaz a a a a partea ntreag a lui x. Dac (n + 1)p este a a ntreg, atunci maximum este atins kmax i n s kmax 1.
65
Variabila aleatoare binomial apare aplicatii care sunt dou tipuri de situtii: a n n a realizri/nerealizri, bit corect/eronat, aparat bun/defect etc. a a 3. Repartitia hipergeometric. a Fie X variabila aleatoare care ia ca valori numrul de bile albe care se obtin extrgnd a a a n bile dintr-o urn care contine a bile albe i b bile negre (n a+b). Tabloul de repartitie a s al variabilei aleatoare X este 0 1 2 ... k ... min{n, a} min{n,a} nmin{n,a} 0 n 1 n1 2 n2 k nk X : Ca Cb Ca Cb . Ca Cb Ca Cb Ca Cb ... ... n n n n n Ca+b Ca+b Ca+b Ca+b Ca+b Calculm caracteristicile numerice ale variabilei aleatoare X. Avem a
min{a,n}
M [X] =
k=1
k a
n Ca+b
k nk Ca Cb 1 = n n Ca+b Ca+b
k nk kCa Cb = = k
1
n Ca+b k
k1 nk aCa1 Cb =
n1 Ca+b1 = a
n!(a + b n)! (a + b 1)! an = . (a + b)! (n 1)!(a + b n)! a+b
Pentru calculul dispersiei utilizm formula a D2 [X] = M [X 2 ] (M [X])2 . Calculm mai ai a nt M [X ] =

k 2 k nk 2 Ca Cb k n Ca+b
=
k
k nk Ca Cb k(k 1) + n Ca+b
k nk Ca Cb k ; n Ca+b
k(k 1)
k
k nk Ca Cb 1 = n n Ca+b Ca+b
k2 nk a(a 1)Ca2 Cb = k
a(a 1) n2 Ca+b2 = n Ca+b
= a(a 1) De aici rezult c a a M [X 2 ] =
a(a 1)n(n 1) n!(a + b n)!(a + b 2)! = . (a + b)!(n 2)!(a + b n)! (a + b)(a + b 1)
a(a 1)n(n 1) an an (a 1)(n 1) + = ( + 1), (a + b)(a + b 1) a + b a+b a+b1 an(an n + b) a2 n2 abn(a + b n) = . 2 (a + b)(a + b 1) (a + b) (a + b)2 (a + b 1)
D2 [X] =
i cazul schemei bilei ne s n ntoarse, variabila aleatoare hipergeometric poate scris sub a a forma unei sume de variabile aleatoare. S notm cu X1 numrul de bile albe obtinute la a a a prima extragere, cu X2 numrul de bile albe obtinute la a doua extragere etc. Tabloul de a repartitie al variabilei X1 este 0 1 X1 : . q p
66
Vom arta c i celelalte variabile aleatoare Xi , i = 2, n, au aceeai repartitie. Pentru a a s s aceasta calculm probabilitatea obtinerii unei bile albe la extractia de ordin k, atunci a cnd se fac extrageri fr a a a ntoarcerea bilei. Numrul cazurilor posibile Ak . Numrul a a a+b cazurilor favorabile coincide cu numrul de moduri care pot luate k bile astfel at a n nc pe locul k s e o bil alb. O bil alb poate luat a moduri. a a a a a a n Celelalte k1 locuri pot ocupate Ak1 moduri, total aAk1 cazuri favorabile. n a+b1 n a+b1 Probabilitatea ctat va deci a a aAk1 a a(a + b 1)(a + b 2) . . . (a + b k + 1) a+b1 = = p. = k (a + b)(a + b 1) . . . (a + b k + 1) a+b Aa+b Rezult c Xk are repartitia a a Xk : Din relatiile X = X1 + X2 + . . . + Xn i s M [X1 ] = M [X2 ] = . . . = M [Xn ] = p, rezult a M [X] = np. Ca i cazul repatitiei lui Bernoulli, X se scrie ca o sum de variabile aleatoare avnd s n a a aceeai repartitie s 0 1 . q p Deosebirea este esential: cazul repartitiei hipergeometrice, variabilele aleatoare nu a n sunt independente. Din aceast cauz nu putem calcula dispersia variabilei aleatoare X a a ca suma dispersiilor variabilelor aleatoare Xi . Teorema 2.3.1 Dac X este o variabil aleatoare repartizat hipergeometric cu paramea a a trii a + b, a, n, pentru care C k C nk P ({X = k}) = a nb , Ca+b atunci
k nk Ca Cb k = Cn pk q nk , a+b C n a+b
0 1 q p
lim
(2.6)
a , q = 1 p i deci pentru valori mari ale lui a + b, o variabil aleas a a+b toare repartizat hipergeometric poate aproximat cu o variabil repartizat binomial a a a a a a Bi(n, ). a+b unde p = Demonstratie.
k nk Ca Cb a(a 1) . . . (a k + 1) = n Ca+b k!
Variabile aleatoare discrete = b(b 1) . . . (b n + k 1) n! = (n k)! (a + b) . . . (a + b n + 1)
67
n! a(a 1) . . . (a k + 1)b(b 1) . . . (b n + k 1) = k!(n k)! (a + b) . . . (a + b n + 1) a a1 ak+1 b b1 bn+k1 ... ... a+ba+b a+b a+ba+b a+b 1 (a + b)n k1 k = Cn p(p ) . . . (p ) (a + b) . . . (a + b n + 1) a+b a+b
k = Cn
q(q
1 nk+1 (a + b)n ) . . . (q ) . a+b a+b (a + b) . . . (a + b n + 1)
Trecnd la limit obtinem (2.6). a a Exemplul 2.3.1 S se arate c dac X, Y sunt dou variabile aleatoare independente, a a a a X : Bi(n, p), Y : Bi(m, p) atunci X + Y : Bi(n + m, p).
k k
P ({X + Y = k}) =
l=0 k
P ({X = l, Y = k l}) =
l=0
l kl Cn pl q nl Cm pkl q mk+l =
=(
l=0
l kl k Cn Cm )pk q n+mk = Cm+n pk q n+mk .
2.4
Variabile aleatoare discrete simple bidimensionale
aplicatiile practice ale teoriei probabilitilor se alnesc adesea probleme care In at nt n rezultatele nu pot descrise de o variabil aleatoare, ci de dou sau mai multe, ele a a formnd un vector aleator. a De exemplu, ntr-un anumit experiment ne intereseaz s msurm att viteza ct i a a a a a a s directia particulelor atomice emise de o suprafata. Acestea sunt date de perechile (v, ), unde este mrimea unghiului orientat raport cu sistemul de referint i v viteza. a n a s Acestea pot studiate ca un vector aleator. Orice variabil aleatoare discret simpl bidimensional (X, Y ) se consider ca un a a a a a vector aleator de componente X i Y . s Dac vectorul aleator (X, Y ) ia un numr nit de valori, se poate obtine urmtoarul a a a tablou numit repartitia bidimensional sau tablou de repartitie bidimensional. a X\Y x1 x2 . . . xm y1 p11 p21 . . . pm1 p.1 y2 p12 p22 . . . pm2 p.2 ... ... ... . . . yn p1n p2n . . . p1 p2. . . . pm. 1
. . . pmn . . . p.n
68 Variabilele aleatoare : X: xi pi. , i = 1, m, Y :
yj p.j
, j = 1, n,
se numesc legi de probabilitate marginal pentru vectorul bidimensional (X, Y ). a Din faptul c evenimentele {e E | X(e) = xi , Y (e) = yj }, i = 1, m, j = 1, n, a formeaz un sistem complet de evenimente, rezult c a a a
m n
pij = 1,
i=1 j=1
unde pij = P ({e E | X(e) = xi , Y (e) = yj }). Am notat

n m
pik = pi. , i = 1, m,
k=1 k=1
pkj = p.j , j = 1, n,
cantiti care se numesc probabiliti marginale. Ca i cazul variabilelor aleatoare at at s n unidimensionale, rezult c a a
n
P ({X = xi }) =
j=1 m
pij = pi. ,
P ({Y = yj }) =
i=1
pij = p.j .
Notm cu P ({xi |yj }) probabilitatea conditionat: a a P ({xi |yj }) = P ({X = xi } | {Y = yj }) . i atunci avem s P ({xi |yj }) = Analog: P ({yj |xi }) = P ({X = xi }| {Y = yj }) pij = . P ({Y = yj }) p.j pij . pi. (2.7)
Dac a nmultim relatia (2.7) cu P ({Y = yj }) obtinem P ({X = xi } {Y = yj }) = P ({xi |yj })P ({Y = yj }), adic am exprimat pij ca un produs dintre o probabilitate conditionat i o probabilitate a as marginal. Analog se obtine a P ({X = xi } {Y = yj }) = P ({yj |xi })P ({X = xi }),
Variabile aleatoare discrete Presupunem c ne intereseaz ca Y s ia valori a a a ntr-o regiune A, P {Y A} =

xi yj A
69
P ({X = xi } {Y = yj }) = P {X = xi }
xi yj A
=
xi yj A
P ({yj |xi })P {X = xi } =
P ({yj |xi })
(2.8)
Dac evenimentele {X = xi } i {Y = yj } sunt independente, deci variabilele aleatoare a s X i Y sunt independente, atunci pij = pi. p.j i reciproc. s s Deoarece evenimentul ({Y = y1 }|{X = xi }) ({Y = y2 }|{X = xi }) . . . ({Y = yn }|{X = xi }) = = E|{X = xi } rezult c a a
n
P ({yj |xi ) = 1}.

j=1
La fel
P ({xi |yj ) = 1}.

i=1
Observatie. Putem ataa vectorului aleator (X, Y ) tabloul de repartitie dat de legile de s probabilitate conditionat : a X|{Y = yj } : i respectiv s Y |{X = xi } : y1 y2 . . . yi pi1 pi2 pij ... pi. pi. pi. . . . ym pin ... pi. . x1 p1j p.j x2 p2j p.j . . . xi pij ... p.j . . . xm pmj ... p.j ,
Deci avem n legi conditionate ale variabilei aleatoare X corespunztoare celor n valori a ale variabilei aleatoare Y i respectiv m legi de probabilitate ale variabilei aleatoare Y s conditionate de cele m valori ale lui X. Exemplul 2.4.1 Numrul bitilor, N , dintr-un mesaj transmii corect este o variabil a s a aleatoare care urmeaz o repartitie geometric cu parametrul p. Presupunem c mesaa a a jul este artit pachete de maximum M biti lungime. Fie Q numrul pachetelor mp n a complete formate cu bitii unui mesaj i R numrul bitilor rmai ultimul pachet care s a a s n poate incomplet. S se calculeze probabilitatea ca mesajul transmis s contin q pachete a a a complete, iar ultimul pachet s contin r biti. Notm cu Y variabila aleatoare care ia ca a a a valori numrul de pachete complete dintr-un mesaj i cu Z variabila aleatoare care ia ca a s valori numrul R de biti incompleti din ultimul pachet. a
70
Dac mesajul are N biti, atunci numrul pachetelor complete din mesaj este ctul a a a Q a artirii lui N la M , iar restul este numrul R al bitilor din ultimul pachet, N = mp a M Q + R. Variabila aleatoare Y ia valorile 0, 1, 2, . . . iar variabila aleatoare Z ia valorile 0, 1, 2, . . . , M 1. Asociat acestui eveniment considerm variabila aleatoare bidimensiona a a (Y, Z). Probabilitatea ca mesajul corect s contin q pachete complete i ultimul pachet a a s s contin r biti este dat de a a a P ({Y = q, Z = r}) = P ({X = N }) = pqM +r (1 p), unde N = qM + r. Probabilitatea ca mesajul transmis s contin q pachete complete a a P ({Y = q}) = P ({X {qM, qM + 1, . . . , qM + (M 1)}}) = M 1 1 pM = pqM +k (1 p) = (1 p)pqM = (1 pM )(pM )q , q = 0, 1, . . . . 1p k=0 Observm c variabila aleatoare Y urmeaz o repartitie geometric cu parametrul pM . a a a a Probabilitatea ca ultimul pachet s contin r biti este a a
P ({Z = r}) = P ({X {r, M + r, 2M + r, . . .}}) = 1p r p , r = 0, 1, 2, . . . , M 1 = 1 pM

q=0
(1 p)pqM +r =
Observm c variabila aleatoare Z urmeaz o repartitie geometric trunchiat. a a a a a Ne punem ntrebarea dac sunt variabilele aleatoare Y i Z independente. Avem: a s P ({Y = q})P ({Z = r}) = (1 pM )(pM )q = 1p r p = 1 pM
1p r p = P ({Y = q})P ({Z = r}), q = 0, 1, . . . , r = 0, 1, . . . , M 1. 1 pM
Variabilele aleatoare Y i Z sunt independente. s
2.5
Variabile aleatoare cu un numr innit numraa a bil de valori
Dac A1 , A2 , . . . , An , . . . constituie un sistem numrabil de evenimente care formeaz a a a domeniul de denitie al unei astfel de variabile aleatoare cu P (An ) = pn , n I , atunci N tabloul de repartitie al variabilei aleatoare este X: x1 x2 . . . x n . . . p1 p2 . . . pn . . . ,
Ai = {e E, X(e) = xi }.
Variabile aleatoare discrete Un astfel de tabel trebuie s aib proprietile: a a at
71
pi
0, i I ; N
i=1
pi = 1.
Operatiile cu variabile cu un numr innit numrabil de valori se denesc ca i cazul a a s n variabilelor aleatoare discrete simple. La fel se pune problema i cazul independentei s n variabilelor aleatoare cu un numr innit numrabil de valori. a a
72
Repartitia Poisson. Spunem c variabila aleatoare X este repartizat Poisson cu paramatru , I + , a a R dac tabloul su de repartitie este a a X: Folosim notatia P (k; ) = Evident P (k; ) > 0 i s

0 e
1
e 1!
2
2 e 2!
... ...
k
k e k!
... ...
k e . k!
k=0
k k e = e = e e = 1. k! k! k=0
Figura 2.4 desenm densitatea de probabilitate generalizat pentru valorea lui = 9. In a a Proprieti ale repartitiei Poisson. at P1. Media repartitiei Poisson este aceeai cu dispersia repartitiei i egal cu . s s a Intr-adevr, a k k1 k e = M [X] = k e = . k! (k 1)! k=0 k=1 Pentru calculul dispersiei folosim formula D2 [x] = M [x2 ] (M [X])2 .
k 2
M [X ] =
k=1
k!
2
k k (k k) e + k 2 e = = k! k! k=2 k=1
2
k2
k=2 2
k2 e + = 2 + (k 2)!
D [X] = 2 + = .
P2. Suma a dou variabile aleatoare independente repartizate Poisson de parametrii 1 a i respectiv 2 este o variabil aleatoare repartizat Poisson de parametru 1 + 2 . s a a Intr-adevr a {X1 + X2 = k} = = {X1 = 0, X2 = k} {X1 = 1, X2 = k 1} . . . {X1 = k, X2 = 0}, deci P ({X1 + X2 = k}) =
k1 =0 k k k
P ({X1 = k1 , X2 = k k1 }) = k1 1 kk1 2 1 2 e e = k1 ! (k k1 )!
P ({X1 = k1 })P ({X2 = k k1 }) =

k1 =0 k1
e(1 +2 ) k!
k1
e(1 +2 ) k! kk k1 2 1 = (1 + 2 )k . k1 !(k k1 )! 1 k! =0
73
P3. Repartitia Poisson se obtine ca un caz limit a repartitiei binomiale cnd n a a i p scade astfel at np = = const.( general, n > 30, p (0; 0, 1)). s nc n Repartitia Poisson a aprut odat cu studiul variabilelor aleatoare cu un numr a a a foarte mare de valori. Exemple clasice de astfel de variabile aleatoare sunt cele legate de evenimentele care apar rar ntr-un interval de timp, ca de exemplu: - numrul de particule emise de o suprafata radioactiv a a ntr-un interval de timp; - numrul accidentelor dintr-o fabric decurs de o sptmn; a a n a a a a - numrul mainilor care trec printr-un anumit loc a s ntr-un interval de timp; - numrul cererilor de I/O la o retea de calculatoare a ntr-un interval de timp. Toate aceste procese se numesc Poisson i ele vor studiate Capitolul 5. s n In aceste cazuri este proportional cu durata intervalului de timp (adic = tw, w a a coecient de proportionalitate). Parametrul w = se mai numete parametru de s t intensitate, reprezentnd media numrului de evenimente care se produc unitatea a a n de timp. nt s n nt a P4. Deoarece repartitia Poisson se alnete cazul evenimentelor care se mpl rar (n mare, np = constant, rezult p mic), ea mai poart denumirea de legea a a evenimentelor rare. Observatia 2.5.1 Repartitia Poisson permite calculul probabilitii ca un numr de par at a ticule s e emise de o mas radioactiv intr-un interval de timp. Presupunem c masa a a a a radioactiv contine n atomi. Intr-o perioada xat de timp ecare atom are o probaa a bilitate p foarte mic de dezintegrare i emitere a particulei radioctive. Dac atomii se a s a dezinegreaz independent unii de altii, atunci numrul emisiilor a a ntr-un interval de timp poate privit ca efectuarea repetat de n ori a unui acelai eveniment. De exemplu, un a s 16 microgram de radiu contine aproximativ n = 10 atomi i probabilitatea ca un atom s s a se dezintegreze ntr-un interval de timp de o milisecund este p = 1015 (Rozanov, 1969). a Astfel sunt ndeplinite conditiile din Proprietatea P3: n mare i p mic astfel at numrul s nc a emisiilor urmaez o variabil aleatoare repartizat Poisson. a a a Teorema 2.5.1 Dac X urmeaz o repartitie binomial, a a a
k P ({X = k}) = Cn pk q nk ,
atunci
n k lim Cn pk q nk =
k e , k!
unde np = = const. Demonstratie.

k lim Cn pk q nk = lim
n(n 1) . . . (n k + 1) k ( ) (1 )nk = n k! n n
74 =
Variabile aleatoare discrete k n(n 1) . . . (n k + 1) k lim (1 )nk = e . k! n nk n k!
Pentru calculul probabilitilor P (k, ) s-au at ntocmit tabele pentru cuprins ntre 0, 1, . . . , 20. Aceste tabele dau probabilitile ca evenimentele s se realizeze de cel putin at a m ori. k e . P ({X m}) = k! k=m Teorema 2.5.1 ne permite s aproximm probabilitile unei repartitii binomiale. a a at Exemplul 2.5.1 Probabilitatea de eroare la transmiterea unui bit printr-o linie de comunicatie 3 este de 10 . S se calculeze probabilitatea ca la transmiterea unui bloc de 1000 de biti a s avem cinci sau mai mult de cinci erori. a Transmiterea ecrui bit reprezint o experienta Bernoulli care se realizeaz dac s-a a a a a produs o eroare la transmiterea bitului. Probabilitatea ca s se produc k erori 1000 a a n de transmisii este dat de probabilitatea calculat cu legea binomial cu n = 1000 i a a a s 3 3 p = 10 . Legea Poisson cu parametrul = np = 1000 10 = 1 aproximeaz legea a binomial. Astfel a
4
P [N
5] = 1 P [N < 5] = 1
k=0
k 1 1 1 1 e = 1 e1 1 + + + + k! 1! 2! 3! 4!
= 0, 00366
Exemplul 2.5.2 O fabric produce becuri i d 2 % rebut. S se aproximeze probabilia s a a tatea ca ntr-o cutie de 100 de becuri s obtinem cel mult trei becuri defecte? a Presupunnd indepependenta, avem de-a face cu o variabil aleatoare repatizat binoa a a mial cu p = 0, 02 i n = 100. Dac dorim s calculm probabilitatea cu ajutorul schemei s a a a binomiale, dup calcule laborioase obtinem a
3 k C100 (0, 2)k (0, 98)100k = 0, 859. k=0
Dac aproximm X cu o variabil aleatoare repartizat Poisson, = 100 0, 02 = 2, a a a a

3
k=0
2k e2 = 0, 857. k!
Urmtorul exemplu justic trecerea la limit i alegerea parametrului . a a as Exemplul 2.5.3 Un generator de particule emite particule unitatea de timp. Care n este probabilitatea ca intervalul t s apar k impulsuri ? n a a t Pentru n sucient de mare artim [0, t] intervale de lungime , at ecare mp n nc n n interval s existe cel mult un impuls. Probabilitatea ca a ntr-un interval de timp de lungime t wt t s e a nregistrat un impuls este w = p (se observ c a a 0, pentru n , n n n
75
ceea ce justic a o dat denumirea de eveniment rar). Probabilitatea ca intervalul a nc a n [0, t] s e a nregistrate k impulsuri este dat de schema lui Bernoulli a
k Cn (
wt k wt nk (wt)k wt ) (1 ) e pentru n cu = wt. n n k!
Repartitia geometric. a Spre deosebire de variabila aleatoare binomial care apare cnd xm un numr de a a a a repetri ale unei experiente care poate consta realizarea sau nerealizarea evenimentului a n A i numrm numrul de realizri ale acestuia, cazul variabilei geometrice numrm s aa a a n aa numrul m de efecturi ale experientei (experiente de tip Bernoulli, adic independente a a a i repetate aceleai conditii) pn la prima realizare a evenimentului A. acest caz s n s a a In variabila aleatoare X ia valorile X = k, k = 1, 2, . . . , m, . . . i avem s P ({X = k}) = pq k1 , q = 1 p, k = 1, 2, 3, . . . , unde P (A) = p este probabilitatea de realizare a evenimentului A. acest caz In
k1 k2
F (k) = P ({X < k}) =

j=1
pq j1 = p
j =0
pq j = p
1 g k1 = 1 q k1 , 1q
unde q = 1 p. Uneori ne intereseaz M = M 1, numrul de repetri ale experientei pn la reuita a a a a a s ei: P [M = k] = P [M = k + 1] = (1 p)k p, k = 0, 1, 2, . . . Variabila aleatoare X va lua valoarea 1 dac evenimentul se realizeaz cadrul primei a a n experiente i deci P ({X = 1}) = p; X va lua valoarea 2 dac evenimentul A nu s-a realizat s a la prima experient, dar se realizeaz la a doua experient, P ({X = 2}) = P (A A) = a a a P (A)P (A) = (1p)p = qp. Analog, P ({X = 3}) = P (A AA) = P (A)P (A)P (A) = q 2 p etc. Avem, evident

P ({X = k}) =
k=1 k=1
pq k1 = p
1 = 1. 1q
Calculm media i dispersia variabilei aleatoare. a s

M [X] =
k=1
kpq
k1
=p
k=1
kq
k1
d qk ) = =p ( dq k=1
=p
d q p 1 [ ]= = , dq 1 q (1 q)2 p
innd seama de proprietile seriilor de puteri pentru |q| < 1. t a at D2 [X] = M [X 2 ] (M [X])2 ,
76

Variabile aleatoare discrete M [X ] =

k=1 2
k pq
k1
=p
k=1
k q
2 k1
d =p dq
kq k =
k=1
=p i deci s
d q 2p 2p [ ]=p 3 = , dq (1 q)2 p p2 D2 [X] = 2p 1 q 2 = 2. 2 p p p
Figura 2.5 a) i b) desenm densitatea de probabilitate generalizat pentru diferite In s a a valori ale lui p. Exemplul 2.5.4 Calculatorul A transmite un mesaj calculatorului B printr-o linie telefonic. Mesajul este codat astfel at B detecteaz cnd se produc erori cursul transmia nc a a n terii mesajului. Dac B detecteaz o eroare cere calculatorului A retransmiterea mesajua a lui. Dac probabilitatea ca transmiterea mesajului s e eronat este q = 0, 1, care este a a a probabilitatea ca mesajul s necesite mai mult de dou transmisii. a a Fiecare transmitere a mesajului urmeaz o repartitie binomial cu probabilitatea ca a a mesajul s e corect p = 1 q. Experientele se repet pn cnd prima transmisie este a a a a a corect. Probabilitatea ca mesajul s necesite mai mult de dou transmisii este a a a P ({X > 2}) = q 2 = 102 . Exemplul 2.5.5 Fie N numrul de apeluri pe care le face un calculator spre un terminal a pn cnd terminalul are un mesaj gata de a transmis. Dac presupunem c terminalul a a a a a produce mesaje care formeaz un ir de experiente care urmeaz legea binomial, atunci a s a a N are o repartitie geometric. Aati media variabilei aleatoare care ia ca valori numrul a a de apeluri. Presupunem p = 0, 4.
M [X = N ] =
k=1
kpq k1 =
1 = 2, 5 p
Aceasta nu este o valoare pe care o poate lua N . Armatia N este egal cu 2.5 medie a n nu are sens. Sensul armatiei este c media aritmetic a unui numr mare de experiente a a a va aproape de 2.5. Repartitia binomial cu exponent negativ. a Se spune c variabila aleatoare X are repartitie binomial cu exponent negativ, cu a a parametrii m i p, (m = 1, 2, . . . , 0 < p < 1), dac X poate lua valorile m, m + 1, m + 2, . . . s a iar m1 P ({X = k}) = Ck1 pm q km , q = 1 p. Acest repartitie apare modele de tipul urmtor: s presupunem c s-a efectuat a n a a a un numr de observatii independente, cursul ecrei observatii evenimentul A (de a n a exemplu nefunctionarea unui subansamblu al unui aparat) poate s se produc cu proba a a bilitatea p. Observatiile continu pn cnd evenimentul se produce de m ori i se caut a a a a s a probabilitatea pentru ca aceasta s se produc exact decursul a k observatii (k m). a a n
77
Evenimentul {X = k} se scrie ca intersectie a dou evenimente: primele k 1 observatii a n evenimentul A se produce de m 1 ori i observatia k se produce evenimentul A. Din s n m1 schema lui Bernoulli se deduce c probabilitatea primului eveniment este Ck1 pm q km a iar probabilitatea celui de-al doilea eveniment este egal cu p. Deci a
m1 m1 P ({X = k}) = pCk1 pm1 q km = Ck1 pm q km .
Numele acestei repartitii provine din faptul c probabilitatea cutat este coecient a a a dezvoltarea serie a lui n n 1 q m1 m1 ( )m = pm (1 q)m = pm Ck1 q km = Ck1 pm q km . p p k=m k=m Observm c denirea acestei variabile aleatoare este corect deoarece P ({X = k}) > a a a

0 i s
k=m
m1 Ck1 pm q km = 1. m m1 Ck1 xkm i deci s k=m
Pentru a calcula media inem seama c (1 x) t a
xm C m1 xk dac |x| < 1, a = (1 x)m k=m k1

m1 Ck1 xk1 = k=m
(2.9)
d xm mxm1 ( )= dac |x| < 1, a dx (1 x)m (1 x)m+1
adic a
M [X] =
k=m
m1 kCk1 pm q km
=p q
m m+1 k=m
m1 kCk1 q k1 = pm q m+1
mq m1 m = , m+1 p p
M [X] = Pentru calculul dispersiei folosim
m . p
M [X ] =
k=m
m1 Ck1 pm q km
=p q
m m+1 k=m
k 2 q k1 .
Pentru a calcula ultima sum a nmultim (2.9) cu x i derivm s a

m1 k 2 Ck1 xk1 = k=m
d mxm mxm1 (m + x) [ ]= , dx (1 x)m+1 (1 x)m+2 m(m + q) , p2 mq . p2
deci M [X 2 ] = iar
D2 [X] =
78
2.6
Functia generatoare
problemele care apar variabile aleatoare nenegative se utilizea functia generaIn n a toare a variabilei aleatoare X, GX (z) care se denete prin relatia s
GX (z) =
k=0
pk z k ,
(2.10)
unde P ({X = k}) = pk , k = 0, 1, 2, . . .. Deci cunoscnd probabilitile pk putem detera at
mina functia generatoare. Deoarece |z|

k=0
pk = 1, seria de puteri (2.10) converge pentru
1. Pentru |z| < 1 seria de puteri se poate deriva terman cu termen i obtinem: s
(j) GX (z)
=
k=j
n(n 1) . . . (n j + 1)pj z
(nk)
=
k=j
j Cn j!pj z (nk) .
Dac relatia de mai sus facem z = 0 obtinem a n GX (0) = j!pj sau pj =

(j)
1 (j) G (0). j! X
Aceasta ne arat c putem determina toate probabilitile pk cu ajutorul functiei generaa a at (j) particular, punnd z = 1 toare. Din acest cauz GX se numete functie generatoare. In a a s a GX i GX obtinem: n s n M [X] = GX (1), M [X 2 ] = GX (1) + GX (1). Exemplul 2.6.1 Functia generatoare pentru variabila aleatoare Poisson cu parametru este dat de a
GX (z) =
k=0
k k (z)k e z =e = e ez = e(z1) . k! k! k=0
Primele dou derivate ale lui GX (z) sunt date de a GX (z) = e(z1) ; GX (z) = 2 e(z1) . De aici rezult media i dispersia variabilei aletoare Poisson a s M [X] = D2 [X] = 2 + 2 = .
79
2.7
Probleme propuse
X: 1 0 1 1/3 1/3 1/3 .
Problema 2.1 Se denete variabila aleatoare s
S se scrie tabloul de repartitie al variabilelor aleatoare X 2 , X + X 2 , X + X 3 . a 2 Indicatie. P ({X = 0}) = P ({X = 0}) = 1/3, P ({X 2 = 1}) = P ({X = 1} {X = 1}) = 1/3 + 1/3 = 2/3. 0 1 X2 : . 1/3 2/3 X + X2 : X + X3 : Problema 2.2 Fie X: 0 1 2 3 4 0, 15 0, 45 0, 20 0, 15 0, 05 . 1 0 1 2 0 1/3 0 2/3 2 1 0 1 2 1/3 0 1/3 0 1/3 . .
S secalculeze: a a) valoarea medie a variabilei aleatoare X i momentul initial de ordin 2; s b) dispersia; c) momentul centrat de ordin 3. Indicatie.
5 5
a) M [X] =
1
xi pi = 1, 5, M [X ] =
1
x2 pi = 3, 4. i
b) Notm m = M [X] = 1, 5, D2 [X] = M [(X m)2 ]. a X m: 1, 5 0, 5 0, 5 1, 5 2, 5 0, 15 0, 45 0, 20 0, 15 0, 05 0, 25 2, 25 6, 25 0, 65 0, 30 0, 05 . .
X m:
5
D2 [X] = M [(X m)2 ] = 1, 15 sau D2 [X] = M [X 2 ] (M (X))2 . b) M [(X m)3 ] =

1
(xi m)3 pi , (1, 5)3 (0, 5)3 (0, 5)3 (1, 5)3 (2, 5)3 0, 15 0, 45 0, 20 0, 15 0, 05 .
(X m)3 :
astfel at M [(X m)3 ] = 0, 75. nc Problema 2.3 Fie X o variabil aleatoare repartizat binomial. a a
80 a. S se atate c a a
Variabile aleatoare discrete pk (n k + 1)p (n + 1)p k = =1+ pk1 kq kq
b. S se atate c a. implic:(1) P ({X = k}) este maxim pentru kmax = [(n+1)p], unde a a a a [x] este partea ntreag a lui x; (2) dac (n + 1)p este un a a ntreg, atunci maximum este atins kmax i kmax 1. n s Indicatie. b. Impunem conditiile pk /pk1 > 1, pk+1 /pk < 1. Problema 2.4 Fie X o variabil aleatoare repartizat geometric. S se calculeze a a a P ({X > k}) i P ({Xeste un numr par}). s a Indicatie. P ({X > k}) = 1 P ({X < k}) P ({X = k}) = 1 (1 q k1 )pq k1 = q k ; 1 p P {X = 2k} = = . P ({X = 2k}) = pq 2k1 = 1 q2 1+q k=1 k=1 k=1 Problema 2.5 S se arate c variabila aleatoare geometric are proprietatea de piera a a dere a memoriei P ({X k + j|X > j}) = P ({X P (X k}), j, k > 0
ce sens are loc pierdera memoriei? In k + j) (X j) = q k . Pierderea P ({X > j}) memoriei are loc sensul c probabilitatea realizrii unui eveniment, legat de o experin a a enta Bernoulli, dup k + j 1 nerealizri, tiind c nu s-a realizat dup j efecturi ale a a s a a a experientei, depinde numai de k. Indicatie. P ({X k + j}|{X j}) = Problema 2.6 Fie X o variabil aleatoare repartizat geometric. S se calculeze a a a P ({X = k | X m}). Indicatie. q k1 p/(1 q m ), 1 k m. Problema 2.7Fie X o variabil aleatoare repartizat binomial. a a a. S se atate c a a pk (n k + 1)p (n + 1)p k = =1+ pk1 kq kq
b. S se atate c a. implic:(1) P ({X = k}) este maxim pentru kmax = [(n+1)p], unde a a a a [x] este partea ntreag a lui x; (2) dac (n + 1)p este un a a ntreg, atunci maximum este atins kmax i kmax 1. n s Indicatie. b. Impunem conditiile pk /pk1 > 1, pk+1 /pk < 1. Problema 2.4 Fie X o variabil aleatoare repartizat geometric. S se calculeze a a a P ({X > k}) i P ({Xeste un numr par}). s a Indicatie. P ({X > k}) = 1 P ({X < k}) P ({X = k}) = 1 (1 q k1 )pq k1 = q k ; 1 p P = . {X = 2k} = P ({X = 2k}) = pq 2k1 = 2 1q 1+q k=1 k=1 k=1
81
Problema 2.8 Comparati aproximatia obtinut cu variabila Poisson cu probabilitatea a binomial pentru k = 0, 1, 2, 3 i n = 19, p = 0, 1; n = 20, p = 0, 05; n = 100, p = 0, 01. a s Problema 2.9 Fie X o variabil aleatoare repartizat Poisson. S se arate c pentru a a a a < 1, P ({X = k}) este maxim k = 0; pentru > 1, P ({X = k}) este maximum pentru n []; dac este a ntreg pozitiv, P ({X = k}) este maximum pentru = k i k = 1. s Problema 2.10 Calculati media i dispersia unei variabile aleatoare discrete care ia s valorile {1, 2, . . . , n} cu aceeai probabilitate. s 1 Indicatie. P ({X = k}) = , k = 1, 2, ..., n.. n Problema 2.11 S se calculeze probabilitile marginale pentru urmtorii vectori a at a aleatori bidimensionali: X \Y -1 0 1 X \Y -1 0 1 1 0 1/6 0 0 1/3 1/6 0 1 0 1/9 1/9 1/9 1/9 1/9 1/9 1 1/6 0 1/6 1 1/9 1/9 1/9 X \Y -1 0 1 1 0 0 0 0 1/3 1/3 0 1 1/3 0 0
S se calculeze probabilitile evenimentelor A = {X a at 0}, B = {x Y } i C = s {X = Y }. Indicatie. toate cazurile P ({X = 1}) = P ({X = 0}) = P ({X = 1}) = 1/3, In P ({Y = 1}) = P ({Y = 0}) = P ({Y = 1}) = 1/3. Problema 2.12 Un mesaj necesit X uniti de timp pentru a transmis, unde X a at este o variabil aleatoare repartizat geometric cu pj = (1 )j1 , j = 1, 2, . . .. Un a a singur nou mesaj este transmis ntr-o unitate de timp cu probabilitatea p i nici un mesaj s cu probabilitatea 1 p. Fie K numrul de mesaje noi care apar de-a lungul transmiterii a unui singur mesaj. S se calculeze probabilitatea P ({X = k}). S se calculeze M [X] i a a s D2 [X]. (1 ) p Indicatie. P ({X = k}) = ( )k . (1 (1 p)) 1 (1 p) Problema 2.13 Numrul total de defecte care apar la un circuit urmeaz o distributie a a Poisson cu parametrul . Presupunem c ecare defect apare a ntr-o anumit regiune R a cu probabilitatea p i c aparitia unui defect este independent de aparitia altor defecte. s a a S se determine probabilitatea ca numrul de defecte Y care apar regiunea R s e j. a a n a Indicatie. Folosind ecuatia (2.8) avem
P ({Y = j}) =
k=0
P ({Y = j/X = k})P ({X = k}).
82
Defectele care apar ecare moment pot considerate ca experiente Bernoulli care se n realizeaz cu succes dac defectul este regiunea R. Dac numrul total de defecte este a a n a a X = k, atunci numrul de defecte care apar regiunea R urmeaz o repartitie Bernoulli a n a de parametrii k i p: s
j P ({Y = j|X = k}) = Ck pj (1 p)kj , 0
k.
Atunci P ({Y = j}) = (p)j e = j!
k=j
k! k pj (1 p)kj e = j!(k j)! k!
k=j
((1 p))kj (p)j e (1p) (p)j p = e = e . (k j)! j! j!
Astfel Y este o variabil aleatoare repartizat Poisson cu media p. a a
Capitolul 3 Variabile aleatoare continue

3.1 Functia de repartitie a unei variabile aleatoare unidimensionale
cele ce urmeaz {E, K, P } este un cmp borelian de probabilitate, notiune care a In a a fost denit Capitolul 1.8. a n Denitia 3.1.1 Functia X : EI se numete variabil aleatoare dac R s a a x I R, {e E|X(e) < x} K. (3.1)
Pentru simplicare vom nota {X < x} = {e E|X(e) < x}. Aceast conditie are loc a totdeauna cazul unei variabile aleatoare discrete (alegnd eventual un cmp borelian n a a convenabil). Din denitie i din proprietile lui K (de a s at nchis la complementar, a reuniuni i intersectii numrabile), ecare din multimile s a {X {a < X x}, {X > x}, {X b}, {a < X < b}, {a x}, {a X X < b}, (3.2)
b}, x, a, b I R,
apartine lui K, dac (3.1) are loc i reciproc, apartenenta la K a oricrei multimi (3.2) a s a implic (3.1). Pentru exemplicare, s demonstrm c pentru orice x I urmtoarele a a a a R, a dou armatii sunt echivalente: a i. {X < x} K; ii.{X x} K. S demonstrm (i) (ii). Putem scrie a a
{X
x} =
{X < x + 1/n}.
n=1
Din (i) avem {X < x + 1/n} K i din faptul c familia K este s a nchis la intersectii a numrabile, rezult c {X x} K. a a a Pentru implicatia (ii) (i), observm c a a
{X < x} =
{X
n=1
x 1/n},
83
84
Variabile aleatoare continue
iar {X x 1/n} K. Echivalenta {X < x} K {X > x} K, x R, rezult a din faptul c {X x} = {X > x} i axioma a) din denitia cmpului borelian. a s a Exemplul 3.1.1 Dac E = I iar K este cel mai mic corp borelian ce contine toate a R, intervalele (a, b), a, b I elementele lui K se numesc multimi boreliene. Orice functie R, f : I I continu este o variabil aleatoare, deoarece contraimaginea unei multimi R R a a deschise este o multime deschis. Se poate demonstra c acest rezultat se pstreaz i a a a a s n cazul multimilor boreliene (contraimaginea unei multimi boreliene este borelian). a Urmtoarele propozitii ne arat c operatiile uzuale cu functii, aplicate variabilelor aleaa a a toare, au ca rezultat tot variabile aleatoare. Propozitia 3.1.1 Fie X o variabil aleatoare i c I atunci urmtoarele functii: a s R, a 1. X + c; 2. cX; 3. |X|; 4. X 2 ; 5. 1/X; sunt variabile aleatoare. Demonstratie. Vom transforma convenabil relatia (3.1) ecare caz i vom folosi faptul n s c X este variabil aleatoare. a a 1.{X + c < x} = {X < x c} K, x I R. {X > x/c}, dac c < 0 a K. 2.{cX < x} = {X < x/c}, dac c > 0 a Dac c = 0, armatia este imediat. a a 3.{|X| < x} = {X < x} {X > x} K. 4.{X 2 < x} = {|X| < x} K, x > 0. a {X < 0} {X > 1/x}, dac x < 0 1 {X < 0}, dac x = 0 K. a 5.{ < x} = X {X < 0} {X > 1/x}, dac x > 0 a Propozitia 3.1.2 Dac X i Y sunt variabile aleatoare, atunci: a s 1. X Y ; 2. X + Y ; 3. XY ; 4. X/Y ; 5. max(X, Y );
Variabile aleatoare continue 6. min(X, Y ); sunt variabile aleatoare.
85
Demonstratie. Toate armatiile 2-6, decurg din prima. S demonstrm 1. Folosind a a numrabilitatea multimii Q i faptul c a s a ntre dou numere reale exist cel putin un numr a a a rational putem scrie:
{X Y < x} = {X < Y + x} =
({X < rn } {rn x < Y })

n=1
K,
unde rn Q. Pentru 2, observm c X + Y = X (Y ), iar pentru XY , armatia rezult din a a a 1 identitatea XY = [(X + Y )2 (X Y )2 ]. 4 4 este o consecinta a armatiei precedente i a Propozitiei 3.1.1. s Ultimele dou armatii rezult din egalitile: a a at 1 max(X, Y ) = (X + Y + |X Y |), 2 1 min(X, Y ) = (X + Y |X Y |). 2 Denitia 3.1.2 {Xi }, i I este o familie de variabile aleatoare independente, dac a pentru orice J I, J nit i orice familie {Bj }, j J de multimi boreliene (vezi a s Exemplul 3.1.1) are loc: P ({
jJ 1 Xj (Bj )}) = jJ 1 P ({Xj (Bj )}).
Propozitia 3.1.3 Fie {Xi } , i I o familie de variabile aleatoare independente i s fi : I I o familie de functii continue. Atunci familia {fi Xi } constituie o familie de R R variabile aleatoare independente. Demonstratie. Pentru orice J I nit, are loc: a P ({
jJ
(fj Xj )1 (Bj )}) = P ({

jJ
1 Xj fj1 (Bj )}) = jJ
1 P ({Xj (fj1 (Bj ))}).
Deoarece fj este o functie continu, contraimaginea unei multimi boreliene este de aseme a nea borelian, iar armatia rezult din faptul c Xj este variabil aleatoare. a a a a Denitia 3.1.3 Functia F : I [0, 1], denit prin R a F (x) = P ({X < x}) se numete functia de repartitie a variabilei aleatoare X. s (3.3)
86
Dac se particularizeaz denitia cazul unei variabile aleatoare discrete, se obtine a a n functia scar dat Capitolul 2.2. n a a n Propozitia 3.1.4 Urmtoarele armatii sunt adevrate: a a 1. Dac x1 < x2 , atunci F (x1 ) a F (x2 ), x1 , x2 I R;
2. F (x 0) = F (x), x I (F este continu la stnga); R a a 3. lim F (x) = 0;

x
4. lim F (x) = 1;
x+
Demonstratie. 1. Observm c {X < x2 } = {X < x1 } {x1 a a X < x2 }, iar cele dou evenimente a sunt incompatibile. Aplicnd probabilitatea peste ultima relatie, gsim a a F (x2 ) = P ({X < x2 }) = F (x1 ) + P ({x1 deoarece din denitie, P ({x1 X < x2 }) 2. Fie xn un ir cresctor la x. Avem: s a 0.
X < x2 })
F (x1 ),
{X < x} = {X < x1 } ( Aplicnd probabilitatea, gsim a a
{xn
X < xn+1 }).
n=1
F (x) = F (x1 ) +
n=1
(F (xn+1 ) F (xn ))
deci seria precedent este convergent i are ca sum limita irului de sume partiale. a as a s F (x) = F (x1 ) + lim (F (x2 ) F (x1 ) + F (x3 ) F (x2 ) + . . . + F (xn+1 ) F (xn )) =
n
= lim F (xn+1 ) = F (x 0).

n
3. Dac xn este un ir descresctor la , atunci a s a
{X < x} = {x1 Aplicnd probabilitatea, rezult a a
X < x} (
{Xn+1
X < xn }).
n=1
F (x) = F (x) F (x1 ) +

n=1
(F (xn ) F (xn+1 )),
de unde lim F (xn+1 ) = 0.

n
Variabile aleatoare continue 4. Se constat c a a
87
{X
} = {X < x1 } (
{xn
X < xn+1 }),
n=1
unde xn este un ir cresctor la +. Procednd ca mai sus, gsim 1 = lim F (xn ). s a a a

n
Observatie. Dac x1 < x2 , atunci a P ({x1 X < x2 }) = F (x2 ) F (x1 ).
Armatia rezult folosind demonstratia punctului 1. a Folosind relatia dintre probabilitatea unui eveniment i cea a evenimentului contrar, s mai rezult a P ({X x}) = 1 F (x). Observatie. Se poate demonstra c, reciproc, orice functie F : I I avnd proprietile a R R a at 1-4, este functia de repartitie a unei variabile aleatoare, pe un anumit cmp de pro a babilitate, de aceea vom spune c aceste proprieti reprezint o caracterizare a functiei a at a de repartitie. De exemplu putem lua E = (0, 1) i K corpul borelian generat de inter s valele deschise ale lui E, iar P msura Lebesgue [ 22 ] pentru care vom schita modul de a constructie. Notm cu a D={
iI
(ai , bi )|(ai , bi ) (aj , bj ) = , I I }, ai , bi (0, 1). N
Elementele lui D se numesc multimi deschise. Denim aplicatia P0 : D [0, 1], P0 (

iI
(ai , bi )) =
iI
(bi ai ), ai , bi (0, 1).
Se observ c dac I are un singur element, conditia de mai sus devine: a a a P0 (a, b) = b a, a, b (0, 1) formul care d lungimea intervalului (a, b); deci msura Lebesgue a unei reuniuni nua a a mrabile de intervale disjuncte este suma lungimilor lor. Seria din membrul al doilea are a irul sumelor partiale sn mrginit. s a Intr-adevr, ordonnd intervalele din irul sumelor a a s partiale, putem presupune 0 a1 < a2 < . . . an i bn 1. Atunci s
n n n1
sn =
i=1
(bi ai )
i=1
(bi ai ) +
i=1
(ai+1 bi ) = bn a1
1 0 = 1.
Fie K cel mai mic corp borelian (se poate arta c exist), care contine D, pe care a a a l notm K; aplicatia P0 poate prelungit la o probabilitate pe K, astfel at s aib loc a a nc a a D D, P (D) = P0 (D).
88
Fie F o functie care satisface conditiile propozitiei precedente; pentru simplicare s presupunem c F este strict monoton i continu (deci este inversabil) i notm a a a s a a s a X = F 1 . Atunci F este functia de repartitie a variabilei aleatoare X. Intr-adevr, a P ({y (0, 1)|X(y) < x}) = P ({y (0, 1)|F 1 (y) < x}) = = P0 ({y (0, 1)|y < F (x)}) = F (x) 0 = F (x), unde P este msura Lebesgue introdus anterior. a a Propozitia 3.1.5 Pentru orice variabil aleatoare X, are loc a P ({X = x}) = F (x + 0) F (x). Demonstratie. Fie x1 > x2 > . . . xn > xn+1 > . . . un ir convergent la x. Atunci are loc s
{X
x} = {X = x} {X
x1 } (
{xn+1
X < xn }).
n=1
Aplicnd probabilitatea, gsim a a 1 F (x) = P ({X = x}) + 1 F (x1 ) + lim (F (x1 ) F (x2 ) + . . . + F (xn ) F (xn+1 )) =
n
= P ({X = x}) + 1 lim F (xn ) = P ({X = x}) + 1 F (x + 0).

n
Deci armatia este adevrat. a a Din propozitia precedent deducem c urmtoarele armatii sunt echivalente: a a a i. P ({X = x}) = 0; ii. F este continu x. a n Propozitia 3.1.6 O functie de repartitie are o multime cel mult numrabil de puncte a a de discontinuitate de prima spet. a Demonstratie. Fiind monoton, functia de repartitie F nu poate avea dect discontinuiti a a at de prima speta (deci orice punct x R, exist F (x 0) = F (x) i F (x + 0) nite). n a s Deoarece 0 F (x) 1, F nu poate avea un salt mai mare ca 1/2, cel mult trei salturi 1 cuprinse ntre 1/4 i 1/2, iar general cel mult 2n 1 salturi cuprinse s n ntre 21 i 2n1 . n s Renumerotnd, obtinem multimea salturilor cel mult numrabil. a a a O variabil aleatoare cu functie de repartitie continu va numit variabil aleatoare a a a a continu. Dac X este o variabil aleatoare continu, iar A este o multime cel mult a a a a numrabil, atunci probabilitatea ca X s ia valori A este nul, adic a a a n a a P ({e E|X(e) A}) = P ({X 1 (A)}) = 0. Denitia 3.1.4 Fie X o variabil aleatoare cu functia de repartitie F i q I ; nu a s N merele ci , i = 1, . . . q 1 denite prin F (ci ) se numesc q-cvantile . i , F (ci + 0) q i q
89
q-cvantilele sunt unic determinate dac F este continu i strict cresctoare ca solutii ale a as a ecuatiei i F (ci ) = , i = 1 . . . q 1. q Pentru q = 2 se obtine mediana, pe care o vom nota me i care se caracterizeaz prin s a F (me ) iar cazul continuitii lui F , n at 1 , F (me + 0) 2 1 , 2 (3.4)
1 F (me ) = . 2 Pentru q = 4 se obtin cvartilele, pentru q = 10,decilele etc. Functia de repartitie conditionat. a cmpul de probabiliatate {E, K, P } considerm A K, cu proprietatea P (A) = 0. In a a Reamintim c Capitolul 1.2 s-a denit notiunea de probabilitate conditionat prin a n a formula P (A B) , B K. P (B|A) = PA (B) = P (A) Denitia 3.1.5 Dat o variabil aleatoare X, numim functie de repartitie conditionat a a a de evenimentul A, functia dat de a F (x|A) = P ({X < x}|A) = P ({X < x} A) . P (A)
Toate proprietile functiei de repartitie se pstreaz; mentionm at a a a F (+|A) = 1; F (|A) = 0. S demonstrm urmtoarea formul a a a a P ({a X < b}|A) = F (b|A) F (a|A). (3.5)
Intr-adevr, dac a < b avem {X < a} {X < b} i a a s P ({a X < b}|A) = = P ({a P (({X < b} A) \ ({X < a} A)) X < b} A) = = P (A) P (A)
P ({X < b} A) P ({X < a} A) = F (b|A) F (a|A). P (A) Ne intereseaz continuare, pentru numeroasele aplicatii practice, unele cazuri particua n lare ale evenimentului A. 1. Dac A = {X < a} i F (a) = P ({X < a}) = 0, atunci a s F (x) P ({X < x} {X < a}) , dac x a a = F (x|A) = F (a) P ({X < a}) 1, dac x > a. a
90 Deci obtinem F (x) , F (x|{X < a}) = F (a) 1,
dac x a
(3.6)
dac x > a. a
Figura 3.1 sunt ilustrate cele dou functii. In a 2. Fie A = {a X < b} astfel ca P (A) = F (b) F (a) = 0. Deducem imediat c a 0, dac x a, a F (x) F (a) , dac a < x b, a F (x|{a X < b}) = (3.7) F (b) F (a) 1, dac x > b. a
Demonstrm urmtoarea formul, care se dovedete util aplicatii. ipotezele precea a a s a n In dente are loc P (A|{a Aceasta rezult imediat a P (A|{a = P ({a X < b}) = P (A {a X < b}) = P ({a X < b}) X < b}) = (F (b|A) F (a|A))P (A) . F (b) F (a) (3.8)
X < b}|A)P (A) (F (b|A) F (a|A))P (A) = . F (b) F (a) F (b) F (a)
ultima relatie s-a folosit (3.5). In
3.2
Densitatea de probabilitate. Repartitia normal a
Fie {E, K, P } un cmp borelian de probabilitate. Considerm o clas de variabile a a a aleatoare X pentru care exist o functie f : I I + cu un numr nit de puncte de a R R a discontinuitate de prima speta, ce satisface relatia
x
F (x) =
f (t)dt,
(3.9)
unde F (x) este functia de repartitie a variabilei X. Functia f se numete densitate de probabilitate. s Dac f este continu x I atunci F este derivabil x i a a n R, a n s F (x) = f (x). Acest lucru rezult imediat dac se aplic teorema de medie integrala Riemann i a a a n s continuitatea lui f . Intr-adevr, a F (x + x) F (x) = lim lim x0 x0 x
x+x x
f (t)dt = f (x). x
Variabile aleatoare continue Dac a, b I i F este continu, atunci a Rs a P ({a X < b}) =
b a
91
f (x)dx.
Dac relatia (3.9) trecem la limit pentru x tinznd la i folosim faptul c lim F (x) = 1, a n a a s a x deducem
+
f (t)dt = 1.
(3.10)
Reciproc, dac o functie f : I I + , cu un numr nit de puncte de discontinuitate a R R a de prima speta, satisface (3.10), atunci ea este integrabil pe orice interval de forma a (, x), x I deoarece R,
x +
f (x)dt

f (t)dt = 1
i functia F : I I denit prin s R R, a

x
F (x) =
f (t)dt,
satisface conditiile propozitiei (3.1.4), deci este o functie de repartitie, dac inem cont at de observatia fcut dup aceast propozitie. a a a a Repartitia uniform. Vom nota cu X : U (a, b) o variabil aleatoare uniform repar a a tizat pe intervalul (a, b), a, b I dac densitatea de probabilitate este dat de a R, a a f (x) = 1 , dac a a ba 0, rest. n x b
Se constat imediat c este a a ndeplinit conditia (3.10). Functia de repartitie este dat de a a 0, xa x , F (x) = f (t)dt = ba 1, dac x a a, b,
dac a < x a dac x > b. a
Gracele celor dou functii sunt reprezentate gurile 3.2 i 3.3. a n s a a a a ntre Exemplul 3.2.1 Dac efectum msurtori de precizie, iar rezultatul este cuprins k i k + 1 uniti, convenind s-l aproximm cu k + 1/2, comitem o eroare care poate s at a a presupus uniform repartizat pe intervalul (1/2, 1/2), deci are densitatea a a f (x) = 1, 0, dac x [1/2, 1/2], a rest. n
92
Repartitia normal. Variabila aleatoare X este distribuit normal cu parametrii a a 2 m I > 0 i vom nota X : N (m, ), dac are densitatea de probabilitate R, s a
2 1 (xm) , x I 2 2 f (x) = e R. (3.11) 2 Observm c f (x) 0. Pentru calculul integralei din conditia (3.10) facem schimbarea a a xm de variabil y = a i obtinem s
1 f (x)dx = 2
2 (xm) dx = 1 2 2 e 2
y e 2 dy = 1.
Pentru calculul ultimei integrale vezi Anexa 3. Dac m = 0 i = 1, repartitia se mai numete normat i are densitatea a s s as
x2 1 e 2 . (3.12) f (x) = 2 Gracul este cunoscut sub numele de clopotul lui Gauss. Se constat c acesta este a a 1 simetric fata de dreapta x = m, pentru x = m functia f are maxim egal cu f (m) = 2 , iar punctele m sunt puncte de inexiune. Pentru constant i m variabil, gracul se s transleaz corespunztor. Dac m este constant, iar variabil se constat c punctul de a a a a a Figura 3.4 se poate constata cum maxim variaz invers proportional raport cu . In a n variaz densitatea functie de . Functia de repartitie F are gracul dat de Figura 3.5 a n
i se poate determina numeric, dac se cunosc valorile functiei lui Laplace , care se s a denete prin s z x2 1 e 2 dx, z I R. (z) = 2 0 Se veric uor c (z) = (z) , ceea ce permite tabelarea functiei doar pentru valori a s a pozitive. Mai observm c are loc relatia a a 1 lim z 2
z 0 x2 1 e 2 dx = . 2
(3.13)
S exprimm functia de repartitie cu ajutorul functiei lui Laplace. integrala F (x) = a a In tm x = u i obtinem s f (t)dt facem schimbarea de variabil a 1 F (x) = 2 1 = ( 2
0 u e 2 du + 0
2
xm
xm
u e 2 du =
e 2 du) =
u2
1 xm + ( ). 2
ultima egalitate s-a folosit relatia (3.13). Se obtine astfel formula In F (x) = xm 1 + ( ). 2 (3.14)
Variabile aleatoare continue Din (3.14), folosind faptul c P ({a a P ({a X < b}) = F (b) F (a), deducem am bm ) ( ).
93
X < b}) = (
Probabilitatea ca abaterea fata de m, notat |X m| s nu depeasc > 0, este dat a a as a a de P ({|X m| < }) = 2( ). Regula celor 3. O variabil normal repartizat X : N (m, 2 ) ia valori semnicative a a n intervalul (m 3, m + 3). Intr-adevr, P ({|X m| 3}) = 1 P ({|X m| < 3}) = a 1 2(3) = 0, 0027, valoare care unele situatii poate neglijat. n a Exemplul 3.2.2 Durata de functionare a unei baterii este o variabil aleatoare, no a 2 tat X, repartizat normal N (m, ), unde m = 120 zile reprezint timpul mediu de a a a functionare, iar = 10 zile reprezint abaterea fata de medie (aceste notiuni vor intro a duse i studiate i cazul continuu Capitolul 3.4). Determinati s s n n a. probabilitatea ca bateria s functioneze cel putin 100 de zile; a b. probabilitatea ca bateria s functioneze a ntre 100 i 150 de zile; s c. intervalul de timp care se poate presupune c bateria functioneaz aproape sigur. n a a 1 a. P ({X 100}) = 1 P ({X < 100}) = 1 F (100) = 1 ( 2 + ( 100120 )) = 10 1 + (2) = 0, 97725; 2 b. P ({100 X 150}) = ( 150120 ) ( 100120 ) = (3) + (2) = 0, 9759; 10 10 c. Aplic regula celor 3, gsim intervalul cutat de forma |X m| < 3, deci nd a a bateria functioneaz aproape sigur a ntre 90 i 150 zile. s Exemplul 3.2.3 Repartitia erorilor accidentale de msurare. Alte tipuri de erori dect cele a a datorate aproximrilor ( cazul msurtorilor de precizie) sunt cele accidentale. Notm cu a n a a a X eroarea comis la efectuarea unei msurtori, care este o variabil aleatoare. Dac vala a a a a oarea exact a mrimii este r, prin efectuarea a n msurtori obtinem valorile r1 , r2 , . . . , rn a a a a aproximative i erorilor ek = r rk , k = 1, . . . n. S determinm o functie derivabil, f , s a a a care s e densitatea de probabilitate a variabilei X. Probabilitatea ca eroarea s e a a cuprins intervalul [ek , ek + hk ], k = 1, . . . , n, cu hk sucient de mic poate aproximat a n a cu f (ek )hk , iar cele n msurtori independente este produsul n a a p(r) = h1 f (e1 )h2 f (e2 ) . . . hn f (hn ) = h1 h2 . . . hn f (r r1 ) . . . f (r rn ). Legea numerelor mari (care va studiat amnuntit Capitolul 4) ne permite s lum a a n a a ca valoare cea mai probabil media aritmetic, notat a a a r= 1 (r1 + . . . rn ). n
Deci r este un punct de maxim pentru p(r). Notm cu g(r) = f (r r1 ) . . . f (r rn ). Din a conditia p () = 0, rezult g () = 0. Are loc r a r
n
g (r) = g(r)
f (r r1 ) . . . f (r ri1 )f (r ri )f (r ri+1 ) . . . f (r rn )
i=1
f (r r1 ) . . . f (r rn )
94
n
Variabile aleatoare continue =

i=1
f (r ri ) . f (r ri )
n
Din denitia mediei, rezult ( r1 ) + . . . + ( rn ) = 0, deci a r r atunci scrie g (r) 0= = g(r)

n k=1 n n
( rk ) = 0. Putem r
k=1
f (r rk ) c (r rk ) = f (r rk ) k=1
k=1
f (r rk ) c(r rk ) . f (r rk )
Punem conditia ca termenul general al sumei s se anuleze. Aceasta conduce la ecuatia a diferential a f (x) = cx f (x) x2 cu solutia f (x) = ke 2 . S determinm constantele k i c, astfel ca f (x) s e o densitate a a s a 1 de probabilitate. Punnd conditia (3.10), gsim c < 0, k > 0. Dac notm 2 = , a a a a c 1 s gsim k = i a 2 x2 1 22 . f (x) = e 2 c Deci erorile accidentale de msurare se repartizeaz dup legea N (0, 2 ). Constanta a a a 1 h = 2 se numete precizia msurtorii. s a a Exemplul 3.2.4 O variabil aleatoare X este repartizat normal N (0, 2 ). Dat un a a interval (, ), cu < 0, > 0, s determinm valoarea , astfel ca probabilitatea a a P ({X (, )}) s e maxim. Are loc evident a a 1 P ({ < X < }) = ( ) ( ) = 2

t2
dt
0
e 2 dt .
t2
Anulm derivata raport cu a integralei cu parametru i gsim a n s a 1 2 Deducem = 2 2 . 2(ln ln ||) e 22 (

2 2 2 2 ) e 22 ( 2 ) 2 2
= 0.
practic apar des situatii care o variabil aleatoare continu este suma dintre In a n a a o variabil aleatoare discret i o variabil aleatoare continu. Ca aplicatie a formulei a a s a a probabilitii totale se poate deduce densitatea de probabilitate. at
Variabile aleatoare continue Exemplul 3.2.5 Fie X o variabil aleatoare discret care are repartitia: a a X: xi pi , i = 1, . . . n
95
i Y o variabil aleatoare continu care are densitatea de probabilitate f (x). S deters a a a minm densitatea de probabilitate a variabilei aleatoare Z = X + Y , dac X i Y sunt a a s independente. Considerm sistemul complet de evenimente Ai = {X = xi }, i = 1, . . . n a i s exprimm functia de repartitie a variabilei aleatoare Z. s a a
n
FZ (x) = P ({X + Y < x}) = P

n
({X + Y < x} Ai )
i=1 n
=
i=1
P ({Y + xi < x})P (Ai ) =

i=1 n
pi P ({Y < x xi }).
Prin derivare gsim a fZ (x) =
pi fY (x xi ).
i=1
Exemplul 3.2.6 O variabil aleatoare continu are densitatea de probabilitate f1 (x) cu a a probabilitatea p1 i densitatea de probabilitate f2 (x) cu probabilitatea p2 , cu p1 + p2 = s 1. Gsiti expresia densitii de probabilitate i a functiei de repartitie a variabilei X. a at s Considerm sistemul complet de evenimente Ai , i = 1, 2, unde evenimentul Ai reprezint a a faptul c X are densitatea de probabilitate fi . Atunci functia de repartitie este dat de a a F (x) = P ({X < x}) = P (A1 )P ({X < x}|A1 ) + P (A2 )P ({X < x}|A2 ) = = p1 F1 (x) + p2 F2 (x). Functia de densitate este atunci f (x) = p1 f1 (x) + p2 f2 (x). Densiti de probabilitate conditionate. Fie X o variabil aleatoare continu i at a as A K, cu probabilitatea P (A) = 0. Presupunem c X are densitatea de probabilitate f , a atunci densitatea de probabilitate a lui X, conditionat de A este dat punctele ei de a a n continuitate de derivata functiei de repartitie conditionat a f (x|A) = F (x|A). 1. Dac A = {X < a}, prin derivarea formulei (3.6) se obtine a f (x) , dac x a, a f (x|A) = F (a) 0, dac x > a. a 2. Dac A = {a a X < b} prin derivarea relatiei (3.7) gsim a f (x) , dac a < x a f (x|{a X < b} = F (b) F (a) 0, rest. n
(3.15)
b,
(3.16)
96
Exemplul 3.2.7 Fie X : N (m, 2 ). S determinm f (x|{|X m| k}). Observm c a a a a P ({|X m| k}) = 2(k) i s nlocuim (3.16). Deci n (x m)2 1 2 2 , dac |x m| k e a 22(k) f (x|{|X m| k}) = . 0, rest n Exemplul 3.2.8 Fie T variabila aleatoare care d timpul de functionare pn la prima a a a defectare. S determinm F (x|{T a a t}) i f (x|{T s t}). Observm c P ({T a a t}) = 1 F (t), probabilitate care va denit ca functie de abilitate Capitolul 3.7. Gsim a n a F (x) F (t) , dac x t, a 1 F (t) F (x|{T t}) = 0, dac x < t. a f (x|{T t}) = f (x) = 1 F (t)
t
f (x)
+
, x
t.
f (x)dx
Formula probabilitii totale. Formula lui Bayes. at Vom da versiunea continu a formulelor prezentate Capitolul 1.6. Considerm a n a evenimentul {X = x} unde X este o variabil aleatoare continu, deci admite functie de a a repartitie continu. Atunci avem P ({X = x}) = 0. unele situatii putem totui deni a In s P (A|{X = x}), sensul existentei urmtoarei limite n a P (A|{X = x}) = lim P (A|{x
x0
X < x + x}) =
= lim
x0
f (x|A)P (A) (F (x + x|A) F (x|A))P (A) = . F (x + x) F (x) f (x) P (A|{X = x})f (x) = f (x|A)P (A)
irul de egaliti s-a folosit formula (3.8). Dac integrm pe I relatia In s at a a R
obtinem
P (A|{X = x})f (x)dx =

f (x|A)P (A)dx =
= P (A)(F (+|A) F (|A)) = P (A). Relatia obtinut se numete formula probabilitii totale cazul continuu i este a s at n s
+
P (A) =
P (A|{X = x})f (x)dx.
(3.17)
Formula lui Bayes cazul continuu este n f (x|A) = P (A|{X = x})f (x)
+
P (A|{X = x})f (x)dx
97
Exemplul 3.2.9 Densitatea de probabilitate a defectrii unei valve radio momentul a n 2 deschiderii este q(v). Voltajul V este aleator i are repartitie N (m, ). S gsim pros a a babilitatea evenimentului A, care semnic faptul c la momentul deschiderii valva s-a a a defectat. Vom folosi formula (3.17)
+
P (A) =
q(v)f (v)dv =
1 2
q(v)e
(vm)2 2 2
dv.
3.3
Functia de repartitie multidimensional. Trans a formri a
Fie {E, K, P } un cmp borelian de probabilitate i X1 , . . . , Xn , variabile aleatoare. a s a R a Denitia 3.3.1 Functia notat (X1 , . . . , Xn ) : E I n , denit prin (X1 , . . . , Xn )(e) = (X1 (e), . . . , Xn (e)), se numete variabil aleatoare n-dimensional. s a a Pentru (x1 , . . . , xn ) I n , notm R a
n
{X1 < x1 , X2 < x2 , . . . , Xn < xn } = i observm c acesta este un element al lui K. s a a Denitia 3.3.2 Functia F : I n I denit prin R R, a
{Xi < xi }
i=1
F (x1 , x2 , . . . , xn ) = P ({X1 < x1 , . . . , Xn < xn }), se numete functie de repartitie n dimensional. s a Fr a intra detalii de demonstratie, amintim c pentru functia de repartitie n-dimenaa n a sional au loc proprietile: a at 1. F este nedescresctoare ecare argument; a n 2. F este continu la stnga ecare argument; a a n 3. F (+, . . . , +) = 1; 4. Pentru orice k = 1, . . . n, are loc
xk
lim F (x1 , . . . , xk , . . . , xn ) = 0, x1 . . . , xk1 , xk+1 . . . , xn I R.
Numai satisfacerea acestor proprieti, nu implic faptul c F este functie de repartitie, at a a pentru o variabil aleatoare n-dimensional. Pentru ai , bi i = 1, . . . n se poate arta c a a a a P ({a1 X 1 < b 1 , . . . , an Xn < bn }) =
98
n n n
Variabile aleatoare continue = F (b1 , . . . , bn )

i=1
pi +
i<j
pij
i<j<k
pijk + . . . + (1)n F (a1 , . . . an ),
(3.18)
unde pij...k = F (c1 , c2 , . . . , cn ) , ci = ai , cj = aj , . . . , ck = ak , restul valorilor ind cs = bs . S exemplicm cazul n = 2. Pentru aceasta evalum a a n a P ({a1 X1 < b1 , a2 X2 < b2 }) = P ({X1 < b1 , X2 < b2 })
P ({X1 < a1 , X2 < b2 }) P ({X1 < b1 , X2 < a2 }) + P ({X1 < a1 , X2 < a2 }) = = F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ), a cror justicare este uor de constatat Figura 3.6. a s n Vom da un exemplu de functie F care satisface proprietile 1-4, dar nu este functie at de repartitie. Exemplul 3.3.1 S denim a F (x1 , x2 ) = 0, 1, dac x1 a rest. n 0 sau x1 + x2 1 sau x2 0,
1 Aceasta va satisface conditiile 1-4, dar dac formula precedent lum a1 = a2 = 2 , b1 = a n a a 1 1 1 1 b2 = 1, gsim F (1, 1) F (1, 2 ) F ( 2 , 1) + F ( 2 , 2 ) < 0, care nu poate probabilitatea a unui eveniment.
Pentru ca F , o functie ce satisface conditiile 1-4, s e functie de repartitie mai trebuie a ndeplinit conditia ai , bi I a R, i = 1, . . . n, membrul al doilea al formulei (3.18) este pozitiv. La fel ca cazul unidimensional, vom considera o clas de variabile aleatoare penn a tru care exist o functie pozitiv i continu cu exceptia unui numr nit de puncte a a s a a f (x1 , . . . , xn ), astfel ca
x1 xn
F (x1 , . . . , xn ) =
...
f (y1 , . . . , yn )dy1 . . . dyn .
Vom numi aceast functie densitate de probabilitate n-dimensional. Dac functia de a a a repartitie este continu, variabila aleatoare va numit continu . Densitatea de proba a a a bilitate se caracterizeaz prin a

...

f (y1 , . . . , yn )dy1 . . . dyn = 1.
(3.19)
Mai observm c punctele de continuitate ale functiei f are loc a a n f (x1 , . . . , xn ) = n F (x1 , . . . , xn ) . x1 . . . xn
Dac variabila aleatoare n-dimensional are densitate de probabilitate, probabilitatea din a a formula (3.18) poate calculat astfel: a
b1 bn
P ({a1
X 1 < b 1 , . . . , an
Xn < bn }) =
a1
dx1 . . .
an
f (x1 , . . . , xn )dxn .
99
general, dac D I n este un domeniu arbitrar, probabilitatea ca variabila aleatoare In a R n-dimensional s ia valori D este dat de formula a a n a P ({(x1 , . . . , xn ) D}) = ...
D
f (x1 , . . . , xn )dx1 . . . dxn .
Denitia 3.3.3 Functiile denite de formulele

xi
FXi (xi ) =
du

...
f (x1 , . . . , xi1 , u, xi+1 , . . . , xn )dx1 . . . dxn
se numesc functii marginale de repartitie , iar derivatele lor, date de formulele fXi (xi ) = FXi (xi ) =

...
f (x1 , . . . , xi1 , xi , xi+1 , . . . , xn )dx1 . . . dxi1 dxi+1 . . . dxn
se numesc densiti marginale de probabilitate. at particular pentru n = 2, alegnd notatii mai convenabile, densitile marginale i In a at s functiile marginale de repartitie, sunt date de formulele:
x y
FX (x) =
du

f (u, v)dv, FY (y) =

dv
f (u, v)du,
fX (x) =
f (x, v)dv, fY (y) =
f (u, y)du.
Fie (X1 , . . . , Xn ) o variabil aleatoare continu. Variabilele aleatoare Xi sunt independente a a dac i numai dac xi1 , . . . , xik I k = 1, . . . , n, are loc as a R, P ({Xi1 < xi1 , . . . , Xik < xik }) = P ({Xi1 < xi1 }) . . . P ({Xik < xik }). Aceast armatie se deduce imediat din Propozitia 3.1.3. particular pentru n = 2, a In conditia revine la F (x, y) = FX (x)FY (y). Dac variabilele considerate au densiti de probabilitate, conditia de mai sus este echivaa at lent cu a f (x, y) = fX (x)fY (y). (3.20) Exemplul 3.3.2 Repartitia uniform n-dimensional are densitatea de probabilitate dat a a a de k, dac (x1 , . . . , xn ) D a f (x1 , . . . , xn ) = , 0, rest n unde D este un domeniu din I n , mrginit, iar k este astfel ales at s aib loc (3.19), R a nc a a deci 1 . k= . . . D dx1 . . . dxn
100
particular pentru n = 2 i D = [a, b] [c, d], avem In s 1 , dac (x, y) D, a f (x, y) = (b a)(d c) 0, rest. n S determinm densitile marginale. a a at
d
fX (x) =
f (x, v)dv =
c
1 dv = (b a)(d c) 1 , x [c, d], dc 0, rest n
1 , x [a, b] ba 0, rest n
i analog, s fY (y) =
Deci variabilele aleatoare marginale X i Y cu densitile marginale fX , respectiv fY sunt s at independente, deoarece este satisfcut (3.20). a a Transformri de variabile aleatoare. a Fie (X1 , . . . , Xn ) o variabil aleatoare pe cmpul borelian {E, K, P }. Considerm o a a a n transformare inversabil a ntre dou domenii , D I , deci o functie vectorial de mai a R a multe variabile x1 = 1 (y1 , . . . , yn ) . . (x1 , . . . , xn ) D, (y1 , . . . , yn ) . x = (y , . . . , y ) n n 1 n i care satisface conditiile: s 1. 1 , . . . , n sunt functii reale de clas C 1 (); a 1 1 ... y1 yn D(1 , . . . , n ) . . . . = 0 pe . 2. J(y1 , . . . , yn ) = = . ... . D(y1 , . . . , yn ) n n ... y1 yn aceste conditii, compunerea dintre (X1 , . . . , Xn ) i inversa transformrii este tot In s a o variabil aleatoare, pe care o notm (Y1 , . . . , Yn ). Presupunem c ambele variabile a a a aleatoare au densiti de probabilitate, pe care le notmfX1 ...Xn i fY1 ...Yn . Folosind schimat a s barea de variabile integrala multipl, obtinem n a ...
D
fX1 ...Xn (x1 , . . . , xn )dx1 . . . dxn = (3.21)
...
fX1 ...Xn (1 (y1 , . . . , yn ), . . . , n (y1 , . . . , yn )|J(y1 , . . . , yn )|dy1 . . . dyn ,
101
care se interpreteaz astfel: probabilitatea ca variabila aleatoare (X1 , . . . , Xn ) s ia valori a a domeniul D, coincide cu probabilitatea ca (Y1 , . . . , Yn ) s ia valori domeniul . n a n Atunci densitatea de probabilitate pentru variabila aleatoare (Y1 , . . . , Yn ) este dat de a fY1 ...Yn (y1 , . . . , yn ) = = fX1 ...Xn (1 (y1 , . . . , yn ), . . . , n (y1 , . . . , yn )|J(y1 , . . . , yn )|. (3.22)
Caz particular. Pentru n = 1, considerm transformarea x = (y) unde este de a clas C 1 (D), D I inversabil. Formula precedent devine a R, a a fY (y) = fX ((y)) d . dy (3.23)
Exemplul 3.3.3 Dac X este o variabil aleatoare i facem transformarea Y = aX + b, a a s unde a, b I a = 0, atunci folosind relatia (3.23) gsim R, a fY (y) = fX yb a 1 . |a|
particular, dac X : N (m, 2 ), s determinm densitatea de probabilitate a variabilei In a a a aleatoare Y = aX + b, a = 0, nlocuind mai sus fY (y) =
( 1 e 2
yb m)2 a 2 2
1 = |a|
2 1 (y(am+b)) . 2 2 2a = e 2|a|
deci Y este o variabil repartizat N (am + b, a2 2 ). Deci prin transformarea liniar a unei a a a variabile aleatoare normale se obtine tot o variabil normal. De aici se deduce imediat a a c, dac X : N (m, 2 ) a a X m : N (0, 1). Uneori este comod s gsim densitatea de probabilitate calculnd functia de repartitie a a a a variabilei aleatoare obtinute prin transformare, ca urmtorul exemplu. n a Exemplul 3.3.4 Dac X : N (m, 2 ) s determinm densitatea variabilei aleatoare eX . a a a X Notm Y = e . Pentru y > 0, s calculm a a a FY = P ({Y < y}) = P ({eX < y}) = P ({X < ln y}). Prin derivare gsim a
2 1 (ln ym) . 2 2 fY (y) = FY (y) = FX (ln y) = e 2
Aceast repartitie se numete lognormal. a s a
102
Exemplul 3.3.5 Erorile de msurare pentru dou mrimi sunt X, Y independente i a a a s repartizate uniform pe (0, 1). S determinm densitile marginale ale sumei i diferentei a a at s erorilor. Vom particulariza cazul general (fcnd o schimbare convenabil de notatii suma a a a i diferenta erorilor sunt variabile aleatoare denite prin s U =X +Y V = X Y. Inversa transformrii este a 1 x = 1 (u, v) = (u + v) 2 1 y = 2 (u, v) = (u v) 2 iar iacobianul J(u, v) = 1 ; reprezentm Figurile 3.7 i 3.8 domeniile D i . Din a n s s 2 ipoteza de independent rezult a a fXY (x, y) = fX (x)fY (y). Deci fU V (u, v) = 1| 1/2|, dac (u, v) i 0 rest. Densitatea marginal este dat a s n a a de fU (u) =
fU V (u, v)dv.
Pentru calculul ei distingem cazurile u dv 1. 0 u 1, fU (u) = = u; u 2 2u dv 2. 1 u 2, fU (u) = = 2 u. 2 u2 Deci dac 0 a u, 2 u, dac 1 a fU (u) = 0, rest. n i analog s v+1 2 , v + 1 fV (v) = , 0, 2 dac 1 a dac 0 a rest. n
u u
1, 2,
v v 1,
0,
Exemplul 3.3.6 Un dispozitiv are dou componete ale cror durate de viata sunt varia a abile aleatoare independente, notate X i Y , cu densitile s at 1 1 , dac y 1, a , dac x 1, a 2 fX (x) = fY (y) = y2 x 0, 0, rest n rest. n
103
O msur pentru calitatea functionrii dispozitivului este U = XY . S determinm a a a a a densitatea de probabilitate a lui U . Facem schimbarea de variabile U = XY V =X denit pe domeniul D cu inversa a x=v 2 y=u v denit pe domeniul i avnd iacobianul J(u, v) = a s a fXY (x, y) = iar fU V (u, v) = Reprezentm grac cele dou domenii. a a Densitatea marginal este a
u2 1 , x2 y 2
2u . Din conditia de independent a v 1,
0,
dac x, y a rest, n 2 . u3 v
fU (u) =
fU V (u, v)dv =
1
2 ln u dv = 4 3 , u 3v u u
1.
Exemplul 3.3.7 (Limitatorul). Fie functia a b, dac x b, x, dac b < x a g(x) = b, dac x > b. a
b,
S determinm functia de repartitie a variabilei aleatoare Y = g(X), unde X este o a a variabil aleatoare cu functia de repartitie FX . a Dac y b evenimentul g(X) < y nu se realizeaz pentru nici un x, deci FY (y) = 0. a a Dac b < y b, FY (y) = FX (y). a Dac b < y, FY (y) = 1. a Exemplul 3.3.8 Repartitia normal n-dimensional. Considerm functia denit de a a a a det A 1/2(XM )t A(XM ) e , (3.24) f (x1 , . . . , xn ) = (2)n/2 unde A = (aij )i,j=1...n este o matrice simetric, deci A = At i care are proprietatea c a s a forma ptratic a a (X M )t A(X M ) =
i j
aij (xi mi )(xj mj )
104 este pozitiv denit. X i M reprezint: a s a x1 . X = . , M = . xn
m1 . . . . mn
Presupunem pentru nceput c m1 = . . . = mn = 0. Reamintim c acest caz exist o a a n a matrice ortogonal H (cu proprietatea HH t = In , unde In este matricea unitate), pentru a care forma ptratic are forma canonic a a a
n
X t AX =
i=1
2 i yi ,
unde i sunt valorile proprii ale lui A, care cazul nostru sunt strict pozitive. Dup cum n a tim det A = 1 . . . n . S vericm satisfacerea conditiei (3.19). Facem schimbarea de s a a variabile X = HY i observm c determinantul functional s a a D(x1 , . . . , xn ) = det H = 1 D(y1 , . . . , yn ) deoarece H este o matrice ortogonal. Avem atunci a
n 1 2
aij xi xj
i=1
...
I n R n 1 2
e
2 i yi
dx1 . . . dxn =
...
I n R
i=1
det Hdy1 . . . dyn =

i=1 z i i
e 2 i yi dyi .
Facem ultima integral substitutia yi = n a

i gsim s a
e Efectund calculele obtinem a
2 1 i yi 2
1 dyi = i
2 zi 2
2 dzi = . i
i=1
(2) 2 2 (2) 2 = . = i 1 . . . l n det A
Dac revenim la cazul general, prin substitutia X M = Y , situatia se reduce la satisa facerea conditiei m1 = . . . = mn = 0. Semnicatia coecientilor matricei A i unele proprieti vor studiate Capitolul 3.5. s at n Vom da cazuri particulare ale legii normale. Variabila aleatoare normal bidimensional. a a
105
Dac variabilele marginale X, Y sunt independente, atunci densitatea de probabilitate a bidimensional are o form foarte simpl a a a
1 1 f (x, y) = e 2 2x y

(ymy ) (xmx )2 + 2 2 x y 2
(3.25)
Dac D = [a, b] [c, d] I 2 , atunci a R P ({(X, Y ) D}) = ( b mx a mx ) ( ) x x ( d my c my ) ( ) . y y
S considerm un domeniu Dk delimitat de elipsa de egal probabilitate, adic elipsa a a a a n ale crei puncte densitatea de probabilitate este constanta k > 0. Elipsa are ecuatia a (ymy )2 (xmx )2 2 + 2 = k . Observm c semiaxele elipsei sunt a = kx , b = ky . Atunci are a a 2 x y loc P ({(X, Y ) Dk }) = 1 e 2
k2
(3.26)
Aceasta rezult imediat dac facem integrala dubl schimbarea de variabile de forma a a n a x mx = x cos y my = y sin Dup efectuarea calculelor obtinem a x y f (x, y)dxdy = 2x y Dk de unde (3.26). a s Exemplul 3.3.9 Repartitia Rayleigh Dac x = y = i mx = my = 0, distanta R a unui punct aleator (X, Y ) la origine are repartitia Rayleigh. Inlocuind (3.25), n densitatea de probabilitate are forma f (x, y) = Facem schimbarea de variabile x = r cos y = r sin r > 0 [0, 2) 1 1 x2 +y2 e 2 2 . 2 2
2 k
0<
k, [0, 2).
d
0 0
e 2 d,
i densitatea de probabilitate a variabilei (R, ) este s fR (r, ) = iar densitatea marginal a variabilei R este a f (r) = r r22 e 2 . 2 r r22 e 2 , 2 2
106
Variabila aleatoare normal tridimensional. a a Dac variabilele marginale X, Y, Z sunt independente, densitatea de probabilitate este a f (x, y, z) = 1 (2) 2 x y z
3
1 2
(ymy )2 (xmx )2 (zmz )2 + + 2 2 2 x y z
La fel ca cazul bidimensional probabilitatea ca variabila (X, Y, Z) s ia valori n a ntrun elipsoid Dk , pe a crui suprafata densitatea ia valori constante, elipsoid de egal a a probabilitate, este 2 k2 P ({(X, Y, Z) DK }) = 2(k) ke 2 . Elipsoidul are semiaxele a = kx , b = ky c = kz . Operatii cu variabile aleatoare continue. Vom deduce formule de calcul pentru densitile de probabilitate ale sumei, difeat rentei, produsului i ctului de variabile aleatoare continue. Vom alege de ecare dat s a a transformri convenabile i vom utiliza formula (3.22). a s Suma de variabile aleatoare continue. Fie (X, Y ) o variabil aleatoare continu cu densitatea de probabilitate fXY . Cona a siderm transformarea: a u=x+y , v=x care admite inversa x=v y =uv
i iacobianul J(u, v) = 1. Din (3.22) deducem c densitatea de probabilitate a variabilei s a aleatoare (U, V ) este fU V (u, v) = fXY (v, u v)| 1|. Lund densitatea marginal, gsim a a a
fU (u) =
fXY (v, u v)dv.
(3.27)
Dac X i Y sunt independente fXY (v, u v) = fX (v)fY (u v) i densitatea sumei este a s s produsul de convolutie al densitilor fX , fY , adic at a
fU (u) =
fX (v)fY (u v)dv.
(3.28)
a a Exemplul 3.3.10 S determinm suma de variabile aleatoare independente repartizate 1 uniform pe intervalul (a, b). Densitatea de probabilitate are valoarea ba pe intervalul [a, b] i 0 rest. Vom folosi (3.28). s n
+
fX+Y (x) =
1 f (y)f (x y)dy = ba
xb
f (x y)dy.
xa
Variabile aleatoare continue In ultima integral facem schimbarea de variabil x y = t, i obtinem a a s fX+Y (x) = 1 ba
xa
107
f (t)dt.
xb
Compar x a i x b cu a i b obtinem nd s s 0, x2a , (ba)2 fX+Y = 2bx (ba)2 , 0,
x < 2a 2a x < a + b . a + b x < 2b x 2b
Gracul densitii de probabilitate este dat de Figura 3.11. at Diferent de variabile aleatoare continue. a Considerm transformarea a u=xy v=x x=v , y =vu
cu inversa
iar fU V (u, v) = fXY (v, v u). Densitatea marginal a diferentei este a fU (u) =
fXY (v, v u)dv,
iar caz de independent n a
fU (u) =
fX (v)fY (v u)dv.
(3.29)
Produs de variabile aleatoare. Considerm transformarea a u = xy , v=x x=v y=u v u 1 fU V (u, v) = fXY (v, ) . v |v| Deducem fU (u) = u dv fXY (v, ) , v |v|
cu inversa
1 i iacobianul J(u, v) = v . Densitatea de probabilitate este s
108 iar caz de independent n a
fU (u) =
fX (v)fV
u dv . v |v|
(3.30)
Ctul a dou variabile aleatoare continue. a a Considerm transformarea a u= x y v=y x = uv y=v
cu inversa
i iacobianul J(u, v) = v. Se obtine densitatea de probabilitate s
fU (u) =
fXY (uv, v)|v|dv,
care caz de independent devine n a
fU (u) =
fX (uv)fY (v)|v|dv.
(3.31)
Probabiliti i functii de repartitie conditionate. at s Dac X, Y sunt variabile aleatoare discrete, notiunile de probabiliti conditionate a at au fost denite prin Capitolul 2.4. Fie X este o variabil aleatoare discret, iar Y o n a a variabil aleatoare continu; denim functia de repartitie a lui Y conditionat de X prin a a a FY (y|xk ) = P ({Y < y, X = xk }) P ({X = xk })
dac P ({X = xk }) > 0. Dac functia de repartitie conditionat este derivabil, denim a a a a densitatea de probabilitate prin formula fY (y|xk ) = Pentru A K , are loc P ({Y A|X = xk }) =
A
d FY (y|xk ). dy
fY (y|xk )dy.
cazul care X, Y sunt independente, se obtin imediat In n FY (y|x) = FY (y); fY (y|x) = fY (y).
109
Exemplul 3.3.11 Intr-un canal de comunicatie intrarea este o variabil X, care poate a lua valorile +1 volt , 1 volt cu aceeai probabilitate. Ieirea Y = X + N unde N este s s zgomotul ce poate considerat o variabil aleatoare repartizat uniform pe intervalul a a (2, 2). S determinm probabilitatea P ({X = 1, Y < 0}). a a Folosind formula probabilitilor conditionate, avem at P ({X = 1, Y < y}) = P ({Y < y}|{X = 1})P ({X = 1}) = FY (y|1)P ({X = 1}). Functia de repartitie a lui Y conditionat de {X = 1} este a FY (y|1) = P ({N + 1 < y}) = P ({N < y 1}) = FN (y 1), unde FN este functia de repartitie a variabilei 0, x+2 , FN (x) = 4 1, uniforme, care are expresia x 2, 2 x 2 < x. y 2, 3, iar probabilitatea cutat este a a
Deci FY (y|1) = P ({Y < y|X = 1}) = y+1 , 1 4 1 astfel P ({X = 1}|{Y < 0)}) = 4 1 = 1 . 2 8
Fie (X, Y ) o variabil aleatoare bidimensional continu cu densitatea de probabilitate a a a fXY continu i fX = 0 densitatea marginal continu. Denim functia de repartitie a as a a variabilei Y conditionat de {X = x} prin limita urmtoare, dac exist a a a a P ({Y < y, x X < x + h}) FY (y|x) = lim = h0 P ({x X < x + h})
y x+h fXY (x x x+h fX (x x
, y )dx dy )dx
Folosind teoreme de medie pentru cele dou integrale, gsim a a FY (y|x) =

y
fXY (x, y )dy . fX (x)
Prin derivare obtinem densitatea de probabilitate fY (y|x) = Dac X, Y sunt independente, au loc a fY (y|x) = fY (y), FY (y|x) = FY (y). Analog se deduce FX (x|y) = fXY (x , y)dx . fY (y) Prin derivare obtinem densitatea de probabilitate conditionat a fX (x|y) = fXY (x, y) . fY (y)
x
fXY (x, y) . fX (x)
(3.32)
110
Exemplul 3.3.12 Fie variabila aleatoare (X, Y ) cu densitatea fXY (x, y) = 2ex ey , 0 y x < +, 0, rest. n
S determinm densitile de probabilitate conditionat. Pentru a a at a nceput am densitile a at marginale

x
fX (x) =
0
2ex ey dy = 2ex (1 ex ), 0
+
x < +
i s fY (y) =
y
2ex ey dx = 2e2y , 0
y < +.
Folosind formulele precedente, avem fX (x|y) = i s 2ex ey = e(xy) , y 2e2y x
2ex ey ey fY (y|x) = x = , 0 2e (1 ex ) 1 ex
x.
Formula probabilitii totale i formula lui Bayes se pot generaliza i acest caz. Relatia at s s n (3.32) poate scris sub forma a fXY (x, y) = fY (y|x)fX (x) i aplicnd denitia probabilitii marginale, obtinem formula probabilitii totale: s a at at
+
fY (y) =
fY (y|x)fX (x)dx fX (x|y)fY (y) . fX (x)
i formula lui Bayes s fY (y|x) =
practic intervin i alte tipuri de probabiliti conditionate. Lsm ca exercitii, In a s at aa stabilirea urmtoarelor formule. Dac evenimentul ce conditioneaz este {X < x} i a a a s FX (x) = 0 avem FY (y|{X < x}) = fY (y|{X < x}) = FXY (x, y) , FX (x) dy .
x f (x , y)dx XY + x f (x , y )dx XY
Dac evenimentul care conditioneaz este {x1 a a FY (y|{x1 X < x2 }) =
X < x2 } i FX (x1 ) = FX (x2 ) avem s
FXY (x2 , y) FXY (x1 , y) , FX (x2 ) FX (x1 )

x2 x1
fY (y|{x1
X < x2 }) =
fXY (x, y)dx
FX (x2 ) FX (x1 )
111
3.4
Valori caracteristice ale unei variabile aleatoare
Medii i momente. s Denitia 3.4.1 Dac X este o variabil aleatoare avnd functia de repartitie F (x), nu a a a mim medie, numrul dat de a
M [X] =
xdF (x).
(3.33)
Integrala din (3.33) este de tip Riemann-Stieltjes (vezi Anexa 1). Dac X are densitate de a probabilitate continu f (x), atunci integrala din denitie se reduce la o integral Riemann a a i avem s
M [X] =
xf (x)dx
(3.34)
S observm c integrala improprie din denitie s-ar putea s nu e convergent. De a a a a a exemplu, variabila aleatoare repartizat Cauchy, cu densitatea de probabilitate a f (x) = 1 , xI R (1 + x2 )
nu are medie, deoarece integrala (3.34) este divergent. Reamintim c o variabil aleatoare a a a este continu, dac are functia de repartitie continu. Mai general, dac F are c1 , . . . , cn a a a a puncte de discontinuitate (evident de prima speta), media se obtine exprimnd integrala a Stieltjes (vezi Anexa 1) ca o sum dintre o integral Riemann i o sum de salturi. a a s a
M [X] =
n
f (x)dF (x) = ck (F (ck + 0) F (ck 0)).
xf (x)dx +
k=1
Exemplul 3.4.1 S determinm media variabilei aleatoare repartizate normal N (m, 2). a a Facem integral schimbarea de variabil y = xm i obtinem n a a s 2
M [X] =
xf (x)dx =
1 2 2
(m +

2y)ey
2dy =
m 2 = ey dy + deoarece ultima integral este 0. a
1 2 ( ey ) dy = m, 2
Dac X are media m i admite densitate de probabilitate nesimetric, cele dou arii a s a a determinate de x = m pot neegale. Astfel dac X reprezint o caracteristic numeric a a a a studiat a ntr-o colectivitate statistic, are eles armatia c majoritatea indivizilor au a nt a caracteristica X mai mic dect media. a a Regsim i cazul continuu aceleai proprieti pentru medie, pe care le-am alnit a s n s at nt cazul discret. n
112
Propozitia 3.4.1 Dac X i Y sunt variabile aleatoare ce au medii, atunci X + Y are a s medie i s M [X + Y ] = M [X] + M [Y ]. (3.35) Demonstratie. Vom demonstra aceast propozitie cazul particular care X i Y au a n n s densiti de probabilitate fX , respectiv fY . Folosind densitatea de probabilitate a sumei, at (3.27), avem

M [X + Y ] =
xdx
fXY (y, x y)dy =
dy
xfXY (y, x y)dx.
Ultima egalitate se datoreaz posibilitii de a schimba ordinea de integrare. ultima a at In integral facem schimbarea de variabil x y = z i obtinem a a s

M [X + Y ] =

dy
(y + z)fXY (y, z)dz =

ydy
fXY (y, z)dz+
zdz
fXY (y, z)dy =
yfY (y)dy +
zfX (z)dz = M [X] + M [Y ].
Proprietatea se poate extinde pentru un numr nit de variabile aleatoare. a Propozitia 3.4.2 Dac X i Y sunt variabile aleatoare independente ce admit medii, a s atunci produsul XY are medie i s M [XY ] = M [X]M [Y ]. (3.36)
Demonstratie. Vom folosi formula care denete densitatea produsului de variabile alea s toare (3.30), presupunnd c X i Y au densiti de probabilitate fX , fY . a a s at

M [XY ]) =
xdx
fX (y)fY
x y
dy . |y|
ultima integral facem schimbarea x = yz i inversm ordinea de integrare. Gsim In a s a a

M [XY ] =
dy
xfX (y)fY
x y
dx = |y|
dy

yzfX (y)fY (z)dz =
= M [X]M [Y ]. Dac o variabil aleatoare nu are medie, alte caracteristici numerice care studiaz a a a tendinta central sunt modul i mediana. Mediana a fost denit de (3.4) i ea e a s a s xist pentru orice variabil aleatoare. De exemplu, cazul repartitiei Cauchy, datorit a a n a simetriei fata de axa Oy, mediana este me = 0, iar cazul repartitei normale este m. n s Denitia 3.4.2 mo se numete modul pentru variabila aleatoare X cu densitatea de pro babilitate f (x), dac este un punct de maxim pentru f (x). a
113
O variabil aleatoare poate unimodal, bimodal etc, dup cum densitatea de proa a a a babilitate are unul sau mai multe puncte de maxim local. Media unei transformri de variabil aleatoare. a a Dac X este o variabil aleatoare, iar y = (x) este o tansformare de clas C 1 , a a a inversabil, media variabilei Y = (X) dac exist, este dat de formula a a a a
+
M [Y ] =
(x)fX (x)dx.
(3.37)
Aceasta rezult dac facem integrala care denete media a a n s

+
M [Y ] =
yfY (y)dy
schimbarea de variabil i aplicm relatia (3.23), unde este transformarea invers. as a a a a a Exemplul 3.4.2 Dac X : U (0, 2), s determinm media variabilei Y = cos X. Aplicnd formula (3.37), avem a
2
M [Y ] =
0
cos x
1 dx = 0. 2
Reamintim c dac X este o variabil aleatoare, numrul k = M [X k ], k I (dac a a a a N a exist), se numete moment initial de ordin k. Momentul initial de ordin k se calculeaz a s a dup formula a
k =
xk f (x)dx,
(3.38)
dac variabila aleatoare X are densitatea de probabilitate f . Aceast formul rezult a a a a k dac aplicm (3.37) variabilei (x) = X . Observm c 1 = M [X]. a a a a Momentul centrat de ordin k se denete prin k = M [(X M [X])k ]. Dac X are s a densitatea de probabilitate f , atunci folosind din nou (3.37), momentul centrat are expresia
k =
(x 1 )k f (x)dx.
Intre momentele initiale i cele centrate au loc relatiile urmtoare, care se demonstreaz s a a fr dicultate: aa
k k
k =
i=0
(1)
i i Ck ki 1 ;
k =
i=0
i i Ck ki 1 .
(3.39)
Reamintim c 2 se numete dispersie sau variant i se noteaz D2 [X], iar D[X] se a s a s a numete abaterea medie ptratic. Aceste caracteristici au aceleai proprieti ca cazul s a a s at n discret, demonstratia lor neind dicil. a
114
Exemplul 3.4.3 S calculm momentele centrate ale repartitiei normale N (m, 2 ). Aa a vem (xm)2 1 k = (x m)k e 22 dx, 2 care facem schimbarea de variabil x m = 2y , deci n a ( 2)k k y2 k = y e dy. Dac integrm prin prti obtinem a a a ( 2)k 1 y2 k1 + k 1 k2 y2 k = e y y e dy + 2 2 (k 1)( 2)k k2 y2 = y e dy = (k 1) 2 k2 , 2
deoarece prima expresie se anuleaz la limit. Deducem din relatia de recurent precea a a dent a 2k+1 = 0 . 2k = (k 1)!! 2k particular, pentru k = 2, obtinem D2 [X] = 2 . Regsim, i cazul variabilelor In a s n aleatoare continue, inegalitatea lui Cebev, cu ajutorul creia putem aprecia gradul de as a mprtiere a valorilor variabilei; inegalitatea va constitui un important instrument de as lucru cazul Legii numerelor mari (Capitolul 4). n Propozitia 3.4.3 (Inegalitatea lui Cebev) Dac variabila aleatoare X este continu cu as a a media m i dispersia 2 , atunci are loc s P ({|X m| < }) sau echivalent P ({|X m| Demonstratie. Dispersia este dat de a 2 =

1 2
2
2
2
, > 0,
(3.40)
}) <
> 0.
(x m)2 f (x)dx =
m +
(x m)2 f (x)dx + (x m)2 f (x)dx.

2
m+ m
(x m)2 f (x)dx+
+
m+
Din faptul c x (m , m + ), rezult (x m)2 a a

2 2 m
i dispersia poate minorat prin s a =
f (x)dx +
m+
f (x)dx
Variabile aleatoare continue = deoarece

2 m+
115 1
m
f (x)dx ,
f (x)dx = 1. Ultima parantez se poate scrie a 2

2
(1 P ({|X m| < })), .
care este echivalent cu relatia (3.40). a
Exemplul 3.4.4 Timpul mediu de rspuns al unui calculator este de 15 secunde pentru a o anumit operatie, cu abaterea medie ptratic 3 secunde. Estimati probabilitatea ca a a a timpul de rspuns s se abat cu mai putin de 5 secunde fata de medie. Vom folosi a a a inegalitatea lui Cebev. Avem as P ({|X 15| 5}) 9 = 0, 36. 25
Reamintim c momentul absolut de ordin k pentru o variabil aleatoare se denete prin a a s k formula k = M [|X| ]. Dac X are densitatea de probabilitate f , atunci momentul a absolut este dat de formula k =
|x|k fX (x)dx.
Observm c existenta momentelor absolute de ordin k, antreneaz existenta momentelor a a a initiale de ordin k, deoarece

xk f (x)dx
|x|k f (x) < ,
iar din presupunerea fcut, a doua integral este convergent. De asemenea, dac exist a a a a a a moment absolut de ordin k, exist momente absolute de orice ordin l k. a Intr-adevr, a

|x|l f (x)dx =
|x| 1
|x|l f (x)dx +
|x|>1
|x|l f (x)dx
|x| 1
|x|l f (x)dx +
|x|>1
|x|k f (x)dx.
Prima integral este nit datorit domeniului de integrare, iar a doua din presupunerea a a a fcut. a a Inegalitatea lui Cebev poate generalizat pentru momente absolute de orice ordin as a k I , sensul urmtor: dac variabila aleatoare X are moment absolut de ordin k, N n a a atunci M [|X m|k ] , > 0, (3.41) P ({|X m| < }) 1 k sau echivalent P ({|X m| }) < M [|X m|k ]
k
116
Propozitia 3.4.4 (Inegalitatea lui Schwarz) Dac variabilele aleatoare X i Y au mo a s mente absolute de ordin 2, atunci XY are moment absolut de ordin 2 i s 2 (XY ) 2 (x)2 (y). (3.42) 0 este evident. a 0,
Demonstratie. Pentru orice I inegalitatea M [(|X| + |Y |)2 ] R, Efectund calculele avem a M [(X + Y )2 ] = 2 M [X 2 ] + 2M [|XY |] + M [Y 2 ]
i folosind semnul functiei de gradul al doilea, inegalitatea precedent este adevrat dac s a a a a discriminantul 0, ceea ce revine la M [|XY |2 ] M [X 2 ]M [Y 2 ].
De unde, dup extragerea radicalului gsim (3.42). a a Obserm c, aceleai ipoteze, rezult i a a n s as |M [XY ]| M [X 2 ]M [Y 2 ].
Denitia 3.4.3 Fie X i Y dou variabile aleatoare pentru care exist momentele ab s a a solute de ordinul al doilea. Numrul denit de a Cov[X, Y ] = M [(X M [X])(Y M [Y ])] se numete covarianta variabilelor X i Y , iar numrul dat de formula s s a [X, Y ] = Cov[X, Y ] , D[X]D[Y ] (3.43)
dac D[X] = 0, D[Y ] = 0, se numete coecient de corelatie. Variabilele aleatoare X i a s s Y se numesc necorelate dac a M [XY ] = M [X]M [Y ].
Observm c dac X i Y sunt independente, din Propozitia 3.4.2 rezult c sunt necorea a a s a a late. Se pot da exemple care s ilustreze c reciproca armatiei precedente nu este a a adevrat, adic pot exista variabile aleatoare necorelate fr ca ele s e independente. a a a aa a Dac X i Y sunt variabile aleatoare continue care admit momente absolute de ordinul al a s doilea, dispersia sumei se calculeaz dup formula a a D2 (X + Y ) = D2 (X) + D2 (Y ) + 2Cov[X, Y ]. Aceast formul se generalizeaz uor cazul a n variabile. Din formula (3.43) rezult a a a s n a imediat c a [X, X] = 1, iar [X, Y ] = 0 dac i numai dac X i Y sunt necorelate. as a s
117
Propozitia 3.4.5 Pentru oricare dou variabile X i Y , care admit coecient de corela a s ie, este satisfcut inegalitatea t a a |[X, Y ]| 1. (3.44) Demonstratie. Considerm variabilele aleatoare X = a inegalitatea lui Schwarz. Rezult a |M [X Y ]| Rmne s observm c a a a a a [X, Y ] = M [X , Y ] = i c M [X 2 ] = s a
D2 [X] D2 [X] XM [X] ,Y D[X]
Y M [Y ] D[Y ]
i le aplicm s a
M [X 2 ]M [Y 2 ].
M [(X M (X))(Y M (Y ))] D[X]D[Y ]
= 1. Dup efectuarea a nlocuirilor, se obtine formula(3.44).
Propozitia 3.4.6 Pentru oricare dou variabile aleatoare, ce admit coecient de corela a ie, urmtoarele armatii sunt echivalente: t a 1. |[X, Y ]| = 1; 2. exist a, b I nesimultan nule i c I , astfel at relatia aX + bY + c = 0 are a R, s R nc loc aproape sigur (adic P ({aX + bY + c = 0}) = 1). a Vom schita demonstratia. Intr-un sens armatia este imediat; anume dac are loc a a aX +bY +c = 0 aproape sigur i presupunem b = 0, gsim m, n I astfel ca Y = mX +n. s a R Observm imediat c a a 1, dac m > 0 a [X, Y ] = 1, dac m < 0. a Reciproc, dac X = a
XM [X] ,Y D[X]
[X, Y ] = M [X Y ] = 1 i M [(X Y ) ] = 0. Intr-un cadru mai general dect cel prezens a tat acest curs (vezi [22]), se poate arta c din ultima egalitate rezult c X Y = 0 n a a a a aproape sigur, deci: X M [X] Y M [Y ] = . D[X] D[Y ] Schimbnd eventual notatiile, din ultima egalitate deducem 2. a Notiunea de moment poate extins la variabile aleatoare multidimensionale. a Denitia 3.4.4 Dac (X1 , . . . , Xn ) este o variabil aleatoare n-dimensional cu densita a a a tea de probabilitate fX1 ...Xn , numim moment initial de ordinul (k1 . . . kn ) numrul a
k k k1 ...kn = M [X1 1 , . . . , Xnn ] =
Y M [Y ] , D[Y ] 2
atunci sunt evidente urmtoarele relatii a
...
I n R
xk1 . . . , xkn fX1 ...Xn (x1 , . . . xn )dx1 . . . dxn . 1 n
a s a Denitia 3.4.5 Dac X i Y sunt dou variabile aleatoare n-dimensionale, matricea de elemente Cov[Xi Yj ], i = 1, . . . n, j = 1, . . . n. se numete matricea de covarianta. s
118 Medii conditionate.
Dac X este o variabil aleatoare cu densitatea de probabilitate f i A K, denim a a s media lui X conditionat de A a
+
M [x|A] =
xf (x|A)dx
(3.45)
unde f (x|A) este densitatea de probabilitate a lui X conditionat de A. a Exemplul 3.4.5 Fie T variabila aleatoare care d timpul de functionare pn la prima a a a defectare. S determinm media lui T , conditionat de faptul c sistemul a functionat a a a a pn la momentul t. Folosind un rationament asemntor cu cel pentru deducerea formulei a a a a (3.15), deducem f (x|{T t}) = f (x)
+ t
f (x)dx
, x
t.
Atunci cu ajutorul relatiei (3.45), obtinem M [T |{T t}] =

+ xf (x)dx t . + f (x)dx t
Dac X i Y sunt dou variabile aleatoare cu densitile de probabilitate fX , fY denim a s a at mediile conditionate prin formulele
+
M [Y |x] =
+
yfY (y|x)dy xfX (x|y)dx,
M [X|y] =
dac exist. Se poate arata c mediile conditionate sunt de fapt variabile aleatoare, care a a a admit la rndul lor medie, ce se exprim prin formulele integrale ale mediei totale. a a
+
M [Y ] =
+
M [Y |x]fX (x)dx M [X|y]fY (y)dy.
M [X] = S deducem prima egalitate. a

+
M [Y |x]fX (x)dx =
+ +
fX (x)dx
yfY (y|x)dy =
ydy
fY (y|x)fX (x)dx.
Dac folosim (3.32) i densitatea de probabilitate marginal, deducem c ultima formul a s a a a reprezint chiar M [Y ]. a
119
Exemplul 3.4.6 Numrul de clienti care ajunge la o statie de deservire a ntr-un interval de timp t este o variabil aleatoare Poisson cu parametrul t. Timpul necesar a deservirii ecruia este o variabil exponential, T , cu parametrul , deci are densitatea a a a de probabilitate f (t) = et , 0, dac t 0 a dac t < 0 a ( > 0).
S determinm repartitia variabilei N , care d numrul de clienti ce ajung timpul T al a a a a n deservirii unui client, media i dispersia, ipoteza c sosirile clientilor sunt independente s n a de timpul de deservire. Aplicm formula probabilitii totale a at
+ +
P ({N = k}) =
P ({N = k}|{T = t})fT (t)dt =

0
(t)k t t e e dt = k!
k k!
+ 0
tk e(+)t dt.
Fcnd schimbarea de variabile r = ( + )t irul de egaliti poate continuat, a a s at k k!( + )k+1

+ 0
rk er dr =
k = ( + )k+1 +
Deci N este o variabil aleatoare geometric. Dac se produce {T = t}, variabila a a a conditionat este Poisson, cu paramertul t. Rezult c media i dispersia au aceeai a a a s s valoare i anume t. Pentru calculul mediei lui N putem folosi formula mediei totale s
+ +
M [N ] =
0
M [N |t]fT (t)dt =
0
tfT (t)dt = M [T ].
M [N 2 ] =
0
M [N 2 |t]fT (t)dt =
0
(t + 2 t2 )fT (t)dt = M [T ] + 2 M [T 2 ].
1 ,
S mai observm c T ind variabil exponential M [T ] = a a a a a 2 2 M [N ] = D [N ] = 2 + .
D2 [T ] =
1 . 2
Deci
3.5
Functia caracteristic a unei variabile aleatoare a
acest capitol am vzut c densitatea de probabilitate a sumei de variabile aleatoare In a a independente este produsul de convolutie al densitilor de probabilitate, dar analitic este at uneori dicil de aplicat acest rezultat. Un instrument mai comod este functia caracte ristic, pe care o vom utiliza i la determinarea momentelor unei variabile aleatoare. a s Fie X o variabil aleatoare continu avnd densitatea de probabilitate fX . a a a
120
Denitia 3.5.1 Numim functie caracteristic asociat variabilei aleatoare X, functia a a : I C, denit prin R a (t) = M [eitX ] =

eitx fX (x)dx.
Tinnd cont c eiy = cos y + i sin y cu y I , eitX reprezint o variabil aleatoare a a R a a bidimensional cu componentele (cos tX, sin tX). Deoarece |eitx | = 1, functia caracterisa tic exist pentru orice variabil aleatoare ce admite densitate de probabilitate. Vom a a a mai nota X (t), pentru a pune evidenta crei variabile aleatoare i se asociaz functia n a a caracteristic. Denitia functiei caracteristice reprezint transformata Fourier aplicat a a a functiei absolut integrabile fX ; o formul de inversare va formulat prezenta conditiei a a n suplimentare de absolut integrabilitate a functiei caracteristice, Teorema 5.3 din acest a n capitol. Propozitia 3.5.1 Urmtoarele armatii sunt adevrate : a a 1. (0) = 1; 2. |(t)| 1; 3. (t) = (t); 4. (t) este uniform continu pe I a R. Demonstratie. 1. i 2. sunt evidente. s 3. S calculm a a
(t) =
eitx (x)dx =
eitx f (x)dx =

eitx f (x)dx = (t).
4. Pentru a arta c este uniform continu, s calculm: a a a a a
|(t + h) (t)| =
eitx (eihx 1)f (x)dx
|eihx 1|f (x)dx.
Deoarece
f (x)dx = 1, pentru orice
> 0, exist A suficient de mare astfel at a nc f (x)dx < /4,
|x| A
>
iar din continuitatea exponentialei exist h sucient de mic at |eihx 1| < /2. Atunci a nc putem scrie
A
|(t + h) (t)|
A
|eihx 1|f (x)dx +
|x| A
>
f (x)dx < .
Observatie. Urmtoarele armatii sunt echivalente : o functie caracteristic este a a real; f (x) = f (x); F (x) = 1 F (x), unde F i f sunt functiile de repartitie, a s respectiv de densitate de probabilitate. Egalitile dintre functiile precedente au loc at n
121
cazul cel mai general cu exceptia unei multimi de probabilitate nul (deci aproape sigur). a Demonstrm armatia cazul care f este continu. Artm, mai ai, c ultimele a n n a aa nt a dou armatii sunt echivalente. Avem a F (x) = (1 F (x)) f (x) = f (x). Reciproc, dac f (x) = f (x) a F (x) = f (t)dt = 1 x f (t)dt = 1 + x = 1 f (u)du = 1 F (x).
x x
f (u)du =
ce privete echivalenta primelor dou relatii se observ imediat c In s a a a
f (x) = f (x) = (t) =
eitx f (x)dx =
eitx f (x)dx = (t) = (t).
Se poate arta, prezenta unor rezultate suplimentare i care nu sunt cuprinse acest a n s n curs, c din faptul c este real, rezult f (x) = f (x). a a a a Propozitia 3.5.2 1. Dac Y = aX + b, cu a, b I atunci Y (t) = eitb X (at); a R, 2. Dac X i Y sunt independente, atunci X+Y = X Y . a s Demonstratie. 1. Y (t) = M [eity ] = M eit(aX+b) = eitb M eitaX = eitb X (at). 2. X+Y (t) = M eit(X+Y ) = M eitX eitY = X (t)Y (t). Cunoaterea functiei caracteristice permite calculul momentelor initiale, dup cum s a rezult din urmtoarea teorem. a a a a a N Teorema 3.5.1 Dac o variabil aleatoare admite moment absolut de ordin n, n I , atunci functia caracteristic este de n ori derivabil i are loc : a as k = (k) (0) , k = 1, . . . n. ik
Demonstratie. Derivm formal de k ori sub integrala cu parametru din denitia functiei a caracteristice. Gsim dup majorri a a a (k) (t) = ik iar

xk eitx f (x)dx,
xk eitx f (x)dx
n , k = 1, . . . n,
deci derivatele exist. Dac formula de derivare lum t = 0, gsim a a n a a (k) (0) = ik k .
122
Teorema 3.5.2 Dac X este o variabil aleatoare continu care admite momente aba a a solute de orice ordin, atunci functia caracteristic admite dezvoltare serie de puteri de a n forma (it)k (t) = k . k! k=0 Demonstratie. Inlocuim denitia functiei caracteristice dezvoltatea serie a expon n nentialei i gsim s a
(t) =

eitx (x)dx =
1+
itx (itx)n1 (itx)n ix + ... + + e f (x)dx = 1! (n 1)! n! it (it)n1 1 + . . . + n1 + Rn . 1! (n 1)! |t|n n!

= 0 + Majornd restul obtinem a |Rn | =

n
(it)n n!
xn eit f (x)dx
|x|n f (x)dx < .
Se observ c lim Rn = 0, deci armatia este adevrat. a a a a Teorema 3.5.3 (Formula de inversiune) Fie X o variabil aleatoare avnd i F , resa a s pectiv, functia caracteristic i functia de repartitie. Dac x1 , x2 , cu x1 < x2 sunt puncte as a de continuitate ale lui F , atunci are loc F (x2 ) F (x1 ) = lim 1 c 2
c c
eitx1 eitx2 (t)dt. it
(3.46)
Demonstratie. Observm c pentru c I functia de sub integral este continu, dac o a a R, a a a denim t = 0 prin n eitx1 eitx2 lim = (x2 x1 )(0). t0 it De asemenea, functia are un majorant integrabil, deci integrala Ic = 1 2
c c
eitx1 eitx2 (t)dt it
este convergent. Considerm cazul particular care X are densitate de probabilitate f a a n i s nlocuim integrala precedent pe n a 1 Ic = 2
c c
eitx1 eitx2 itz e f (z)dzdt. it
Prin schimbarea ordinii de integrare (posibil deoarece raport cu z avem absolut a n a convergenta, iar raport cu t integrarea se face pe interval nit), gsim n a 1 Ic = 2
c c
eit(zx1 ) eit(zx2 ) dt f (z)dz = it
Variabile aleatoare continue 1 = 2

0 c
123
c 0
eit(zx1 ) eit(zx2 ) dt + it
eit(zx1 ) eit(zx2 ) dt f (z)dz. it
prima integral fcnd schimbarea t t, obtinem In a a a Ic = 1 2

0 c
eit(zx1 ) + eit(zx2 ) + eit(zx1 ) eit(zx2 ) dt f (z)dz = it

c 0
sin t(z x) sin t(z x2 t t
dtf (z)dz
Alegem un > 0 astfel at x1 + < x2 i descompunem integrala pe domeniile : nc s (, x1 ), (x1 , x1 + ), (x1 + , x2 ), (x2 , x2 + ), (x2 + , ). Reamintim formula lui Dirichlet [10] : 1 lim c
c 0
sin t dt = t
1/2, 1/2,
dac > 0 a dac < 0 a
unde limita este uniform raport cu . Pe intervalul (, x1 ), avem z x2 < a n z x1 < < 0, deci 1
c 0
sin t(z x1 ) sin t(z x2 ) t t
dt 0, dac c a
i cum integrala este uniform mrginit raport cu c, putem comuta integrala cu limita s a a n i obtinem s
x1
c 0
dtf (z)dz 0, dac c a
(3.47)
i analog s
x2 +
c 0
dtf (z)dz 0, pentru c .
(3.48)
Pe intervalul (x1 + , x2 ) folosind formula lui Dirichlet i convergenta uniform s a n raport cu , deducem
x2 c x2
lim
x1 +
c 0
dtf (z)dz = (3.49)
=
x1 +
dtf (z)dz = F (x2 ) F (x1 + ).
Pe intervalele (x1 , x1 + ) i (x2 , x2 + ), integralele pot majorate respectiv, dac s a folosim din nou formula lui Dirichlet, cu 2(F (x1 + ) F (x1 )), 2(F (x2 + ) F (x2 )). (3.50)
124
Pentru orice > 0, din (3.47) i (3.48) exist c astfel at c > c are loc s a nc 1
0 c
f (z)dz
/3 + /3 + F (x2 ) F (x1 + )/3 + 2(F (x1 + ) F (x1 ) + F (x2 + ) F (x2 )). inegalitatea de mai sus au intervenit i relatiile (3.49) i (3.50). Deoarece x1 i x2 sunt In s s s puncte de continuitate pentru F
0
lim(F (x1 + ) F (x1 )) = lim(F (x2 + ) F (x2 )) = 0.

0
Trecnd apoi la limit pentru c , gsim formula (3.46 ). a a a Aceast teorem ne permite s stabilim o corespondent biunivoc a a a a a ntre functiile de repartitie i cele caracteristice, dup cum rezult din urmtoarea teorem. s a a a a Teorema 3.5.4 (Teorema de unicitate) Functia de repartitie este unic determinat de a functia sa caracteristic. a Demonstratie. teorema precedent facem pe x1 s tind la , x1 rmnnd punct de In a a a a a a continuitate. Deoarece lim F (x1 ) = 0, gsim a
x1 c
F (x2 ) = lim
x1 c
lim
eitx1 eitx2 (t)dt it
x1 , x2 puncte de continuitate ale lui F . Teorema 3.5.5 Dac functia caracteristic este absolut integrabil pe I adic a a a R, a
|(t)|dt < ,
atunci F are derivat simetric pe I deci x I , exist a a R, R a F (x + h) F (x h) = Fs (x), h0 2h lim i s Fs (x) = f (x) orice punct de continuitate a lui f . n Demonstratie. Pentru orice dou puncte de continuitate ale lui F , are loc din formula de a inversiune itx1 e eitx2 1 (t)dt, F (x2 ) F (x1 ) = 2 it
125
deoarece folosind ipoteza, functia din membrul al doilea este integrabil. Presupunnd c a a a x1 = x h, x2 = x + h, atunci : 1 F (x + h) F (x h) = 2h 2 Deoarece sin th th eitx i s
h0
sin th itx e (t)dt. th
1,
avem
sin th (t) th lim eitx
|(t)|, h I R,
sin th = eitx . th
Intr-un cadru mult mai general dect cel prezent, se poate demonstra un criteriu de a convergenta dominat a lui Lebesgue [22], baza cruia putem trece la limit sub inte a n a a gral i gsim as a Fs = lim F (x + h) F (x h) 1 = h0 2h 2

eitx (t)dt.
(3.51)
S demonstrm c Fs este continu; a a a a ntr-adevr a |Fs (x + h) Fs (x)| = 1 sin 1 2
2 sin
th |(t)|dt = 2 sin th |(t)|dt. 2
|t| A
1 th |(t)|dt + 2
|t|>A
Pentru > 0 putem alege A sucient de mare at nc 1 |(t)dt < /2.

|t|>A
Prima integral poate fcut < /2, dac alegem h sucient de mic, deci a a a a |Fs (x + h) Fs (x)| < , de unde rezult continuitatea. Reamintim c orice punct de continuitate pentru f , a a n are loc F (x) = f (x), de unde armatia teoremei, deoarece derivata simetric coincide cu a derivata. Relatia (3.51) constituie formula de inversare, care exprim densitatea de probabilitate a cu ajutorul functiei caracteristice. Vom demonstra continuare teorema lui Bochner, n care d o descriere complet a functiilor caracteristice, acest rezultat indu-ne necesar la a a studiul proceselor stochastice stationare.
126
Denitia 3.5.2 Functia : I I continu, se numete pozitiv denit pe I dac R R, a s a R, a t1 , . . . , tn I i z1 , . . . , zn C, n I , are loc R s N
n n
(tj tk )zj zk
k=1 j=1
0.
Cteva proprieti decurg imediat din denitie. a at 1. (0) 0. Intr-adevr pentru n = 1, t1 = 0, z1 = 1, armatia este evident. a a 2. (t) = (t), t I R. Aceasta rezult dac lum n = 2, t1 = 0, t2 = t, z1 , z2 C. a a a
2 2
0
k=1 j=1
(tk tj )zk zj = (0 0)z1 z1 + (0 t)z1 z2 + (t 0)z2 z1 + (t t)z2 z2 = = (0)(|z1 |2 + |z2 |2 ) + (t)z1 z2 + (t)z1 z2 ,
i deci (t)z1 z2 + (t)z1 z2 I Dac lum s R. a a (t) = 1 + i1 , , z1 z2 = + i (t) = 2 + i2 , z1 z2 = i,
rezult 1 + 1 2 + 2 = 0, , , deci obtinem 1 = 2 i 1 + 2 = 0. a s 3. |(t)| (0). inegalitatea de la punctul precedent, e z1 = (t), z2 = |(t)|, atunci deducem In 2(0)|(t)|2 |(t)|2 |(t)| |(t)|2 |(t)| De unde, dac |(t)| = 0 rezult (0) a a deducem din nou armatia. 0,
|(t)|, iar dac |(t)| = 0, din prima proprietate a
Teorema 3.5.6 (Bochner-Hincin) O functie (t) continu, cu conditia a (0) = 1 este o functie caracteristic, dac i numai dac este pozitiv denit. a as a a Demonstratie. Dac este functie caracteristic pentru o variabil aleatoare cu densitatea a a a de probabilitate f , are loc
(t) =
eitx f (x)dx.
S demonstrm c este pozitiv denit. Avem a a a a

n n n n n n
(tj tk )zj zk =
k=1 j=1 n n k=1 j=1
eix(tk tj ) f (x)dxzk zj
=
k=1 j=1
eix(tk tj ) f (x)zk zj dx =
eitk x zk
k=1 j=1
eitj x zj
f (x)dx =

n 2 itk x
127
=
k=1
zk f (x)dx
0.
Reciproc. Pentru Z > 0, considerm functia a pZ (x) = 1 2Z

Z 0 0 Z
(u v)eiux eivx dudv.
Dac scriem integrala dubl ca limit a sumelor Riemann corespunztoare i folosim a a a a s pozitiva denire a lui , rezult c pZ a a 0. Facem integrala dubl schimbarea de n a variabile t=uv z=u cu inversa u=z v = z t.
Domeniul [0, Z] [0, Z] din Figura 3.12 este dus domeniul reprezentat gur 3.13. n n a Se obtine imediat Z 1 |t| pZ (x) = 1 (t)eitx dt. 2 Z Z S demonstrm c pZ (x) este integrabil pe R. Vom reface acest scop o demonstratie a a a a n datorat lui Yu Linnik, pe acest caz particular. Notm a a
x
G(x) =
x
pZ (z)dz
i s nlocuim pZ , dup care schimbm ordinea de integrare. Obtinem a a G(x) = Introducnd functia a p(t) = deducem G(x) = 1 2
Z
1 2
x x
1
Z
|t| Z
(t)eitz dtdz.
1 0,
x
|t| Z
(t),
|t| Z , |t| > Z 1

Z
p(t)
Z x
eitx dzdt =
p(t)
Z
sin tx dt. t
Datorit faptului c pZ 0, rezult c G este nedescresctoare. Pentru asigurarea intea a a a a grabilitii este sucient s artm c G este mrginit. Introducem functia auxiliar at a aa a a a a 1 G1 (u) = u i observm c s a a G1 (u) G(u) u
u 2u
G(x)dx
u
2u
dx = G(u).
128
Deoarece G1 majoreaz G, pentru mrginirea lui G este sucient s artm marginirea a a a aa lui G1 . S calculm a a 1 G1 (u) = u
2u u
sin tx 1 p(t) dtdx = t u Z 1 u

Z
p(t)
Z
cos tx t2
2u u dt
= = 2 u
1 p(t) 2 (cos ut cos2ut)dt = t Z 2 (sin ut)2 dt 2 t u

Z
p(t)
Z
p(t)
Z
(sin ut )2 2 dt. t2
Fie M = sup |p(t)|. Atunci 2 u iar 2 u

Z
p(t)
Z Z
(sin ut)2 dt t2 (sin ut )2 2 dt t2
2M

(sin ut)2 udt, u2 t 2 (sin v)2 dv. v2
p(t)
Z
Integralele din membrul al doilea sunt convergente. Deci mrginirea este asigurat. Se a a constat c a a 1 p(t)eitx dt pZ (x) = 2 adic 2 pZ este transformata Fourier a functiei p. Folosind formula de inversiune pentru a 1 functia p continu (vezi [10]), rezult c a a a 1 2 1 |t| Z (t) = 1 2

pZ (x)eitx dx, |t|
Z.
particular, pentru t = 0, In
pZ (x)dx = (0) = 1,
iar functia pZ ind continu i integrabil pe I constituie o densitate de probabilitate as a R, pentru o variabil aleatoare, care are functia caracteristic asociat p. Observm c a a a a a pentru Z , functia p(t) converge uniform la , pe ecare interval mrginit. De aici, a folosind convergenta repartitie Capitolul 4, rezult c este o functie caracteristic. n a a a
3.6
Variabile aleatoare continue clasice i legturile s a dintre ele
Vom enumera principalele repartitii continue i vom studia proprietile lor. Un s at instrument important pentru aceasta este functia caracteristic, ce a fost studiat anterior. a a Pentru nceput vom calcula functia caracteristic a repartitiei normale N (m, 2 ), dat de a a (3.11).
Variabile aleatoare continue Propozitia 3.6.1 Functia caracteristic a repartitiei normale este a (t) = eimt . Demonstratie. Reamintim c densitatea de probabilitate a repartitiei normale este a f (x) =
(xm)2 1 e 22 2 t2 2 2 .
129
(3.52)
pe care o n a nlocuim expresia functiei caracteristice. Facem schimbarea de variabil x m = 2y i obtinem s (t) = 1 2
(xm)2 1 eitx e 22 dx =
t2 2
eitmy
2 +ity
dy =
eitm 2 =
t 2 e(y 2 i) dy = eimt
t2 2 2 .
particular, dac X este o variabil repartizat N (0, 1), functia sa caracteristic este In a a a a (t) = e 2 . Folosind Propozitia 3.5.2 determinm comod repartitia sumei de variabile aleatoare nor a male.
2 a Teorema 3.6.1 Dac Xk : N (mk , k ), k = 1, . . . n, sunt variabile aleatoare independente, n n
t2
atunci variabila aleatoare X1 + . . . + Xn este repartizat N ( a

k=1
mk ,
k=1
2 k ).
Demonstratie. Functia caracteristic a sumei este produsul functiilor caracteristice a

n
X1 +...+Xn (t) =
k=1
eimk t
n
2 t 2 k 2
2 k
t2 mk k=1 it 2 k=1 =e
,
n
care corespunde mod unic variabilei repartizate N ( n

k=1
mk ,
k=1
2 k ).
130
Propozitia 3.6.2 Dac Xk , k = 1, . . . n, sunt variabile aleatoare independente repartizate a 2 normal N (m, ), atunci media lor aritmetic a 1 n este repartizat N (m, a 2 ). n
n
Xk
k=1
Demonstratie. Din Teorema 3.6.1 suma este repartizat N (nm, n 2 ). S calculm functia a a a de repartitie a variabilei aleatoare notat a 1 X= n Avem FX = P ({X < x}) = P ({
k=1 n
Xk .
k=1
Xk < nx}).
Prin derivare gsim densitatea de probabilitate a

(xm) 2 1 (nxnm) n = 1 e 2 n2 , 2 2n fX (x) = e 2n 2 n
2
de unde armatia propozitiei. S denim functia caracteristic cazul multidimensional. Dac variabila aleatoare a a n a n-dimensional are densitatea de probabilitate fX1 ...Xn , atunci functia caracteristic este a a
n i
t k xk
k=1
(t1 , . . . , tn ) = Relatia poate pus sub forma a (t1 , . . . , tn ) =
...
I n R
f (x1 , . . . , xn )dx1 . . . dxn .
...
I n R
eiT
tX
f (x1 , . . . , xn )dx1 . . . dxn ,
t1 x1 . . a a a s unde X = . i T = . . S determinm functia caracteristic pentru . . tn xn variabila aleatoare normal n-dimensional, mai ai pentru cazul m1 = . . . = mn = 0. a a nt Reamintim c densitatea de probabilitate este dat de (3.24) a a det A 1 X t AX 2 f (x) = . n e (2) 2
Variabile aleatoare continue Dac a nlocuim expresia functiei caracteristice, obtinem n 1 t det A t ... eiT X 2 X AX dx1 . . . dxn . (t1 , . . . , tn ) = 2 (2) n I n R
131
Facem transformarea ortogonal X = HY , pentru care forma ptratic de la exponent a a a 2 are forma canonic j=1 lj yj , cu lj > 0 (aceste transformri au fost explicate detaliu a a n 1 t la repartitia normal n-dimensional 3.3 ). Notm U = H T = H T . Atunci, se a a n a observ c a a T t X = (HU )t HY = U t H t HY = U t Y. Cu aceasta functia caracteristic devine a
n
(t1 , . . . , tn ) = =
det A
2 n
iU t Y
1 2 j=1
2 lj yj
(2)
2 n
e
I n R n
1
dy1 . . . yn =
det A
|l |
(2)
eiuj yj 2 j yj dyj .
j=1
j a a a Ultima integral a nmultit cu 2 reprezint functia caracteristic pentru o variabil a 1 aleatoare repartizat N (0, lj ), deci folosind (3.52), avem a
(t1 , . . . , tn ) = e
1 2
Pn
u2 j j=1 lj
Reamintim c matricea formei ptratice se modic a a a l1 0 . . . t 0 l2 . . . H AH = 0 0 ...
dup legea a 0 0 , ln
unde lj > 0, sunt valorile proprii ale matricei A. Prin inversare gsim a 1 0 ... 0 l1 H 1 A1 H = 0 l1 . . . 0 , 2 0 0 . . . l1 n deci ultima integral recunoatem c exponentul este urmtorul produs de matrice n a s a a
n
j=1
u2 j = U t (H 1 A1 H)U = lj
= T t H(H 1 A1 H)H 1 T = T t A1 T (s-a folosit faptul c U = H t T ). Gsim forma nal a a a (t1 , . . . , tn ) = e 2 T

1 t A1 T
132
Se demonstreaz c dac vectorul M = 0, atunci printr-o schimbare de variabile, functia a a a caracteristic devine a 1 t 1 t (t1 , . . . , tn ) = eiT M 2 T A T . Generaliznd la cazul n-dimensional Teorema 3.5.1, se poate demonstra c derivatele a a partiale ale lui raport cu ti genereaz momentele variabilelor aleatoare marginale. n a Astfel 1 M [Xh ] = (0, . . . , 0), i th 1 M [Xh Xk ] = 2 i 2 th tk (0, . . . , 0).
S determinm momentele variabilei aleatoare normale n-dimensionale, mai ai cazul a a nt n m1 = . . . = mn = 0. 1 M [Xh ] = i th

n
(0, . . . , 0) = 1 i2
ie
1 T t A1 T 2 k=1
a1 tk hk
(0, . . . , 0) = 0,
M [Xh Xk ] =
n n
th tk
(0, . . . , 0) =
1 t A1 T
ie
1 2 2 T t A1 T
a1 th hk
h=1 k=1
a1 tk + a1 e 2 T hk hk
(0, . . . , 0) = a1 . hk
Dac (m1 , . . . , mn ) = (0, . . . , 0), a 1 M [Xh ] = i th

n
(0, . . . , 0) =
mh + i
k=1
a1 tk hk
(t1 , . . . , tn )(0, . . . , 0) = mh ,
M [Xh Xk ] =
n
1 i2
2 th tk
n
(0, . . . , 0) = a1 tk ) (t1 , . . . , tn )+ hk
(mh + i
k=1
a1 tk )(mk + i hk
h=1
+a1 (t1 , . . . , tn )(0, . . . , 0) = mh mk + a1 . hk hk Se obtin imediat egalitile at M [(Xh mh )] = 0,

2 M [(Xh mh )2 ] = M [(Xh )] m2 = a1 , h hh
Cov[Xh , Xk ] = M [(Xh mh )(Xk mk )] = M [Xh Xk ] mh mk = a1 . hk Deci A1 este matricea de covariant a variabilei normale n-dimensionale. Pe baza acestei a observatii cazul 2-dimensional, repartitia normal poate scris sub o form mai n a a a comod. Notm: a a M [X1 ] = m1 , M [X2 ] = m2 2 2 D2 (X2 ) = 2 D2 (X1 ) = 1 ,
Variabile aleatoare continue Cov[X1 , X2 ] = 1 2 i gsim s a A1 = de unde, prin inversare, gsim a A= 1 2 2 (1 2 )1 2

2 2 1 2 2 1 2 1 2 1 1 2 2 1 2 2 ,
133
De aceea densitatea de probabilitate se poate scrie: f (x1 , x2 ) = 1 21 2 1 2 e

1 2(12 ) (x1 m1 )2 2 1
2(x1 m1 )(x2 m2 ) 1 2
(x2 m2 )2 2 2
(3.53)
Exemplul 3.6.1 Variabila aleatoare (X, Y, Z) este normal repartizat i are matricea de as covariant a 1 0, 2 0, 3 0, 2 1 0, 4 . 0, 3 0, 4 1 S determinm densitatea de probabilitate a variabilei aleatoare marginale (X, Z). Oba a servm pentru aceasta c matricea de covarianta este a a 1 0, 3 0, 3 1 .
Deci mX = mZ = 0, = 0, 3, 1 = 2 = 1 i s nlocuind (3.53), obtinem densitatea de n probabilitate cutat. a a Vom enunta un rezultat care stabilete legtura dintre convergenta functiilor caracteristice s a i cele de repartitie, de mare utilitate practic. Demonstratia acestui rezultat se gsete s a a s de exemplu [10] i este fcut n s a a ntr-un cadru mai general. as Teorema 3.6.2 Dac irul de functii caracteristice n converge pentru orice t la (t) = e 2 , atunci irul functiilor de repartitie corespunztoare Fn satisface: s a
n
t2
lim Fn (x) =
1 2
u2 2
1 + (x). 2
Reamintim c a
1 2
+ (x) este functia de repartitie a variabilei aleatoare normale normate.
Repartitia 2 (hi ptrat). Functia f : I I denit prin a R R, a f (x) =

x n 1 x 2 1 e 22 , 0 n 2 n ( 2 ) n 2
x < , n I , > 0 N
134
x este o densitate de probabilitate. Prin substitutia y = 22 integrala 0 f (x)dx se reduce n n n la 2 2 ( 2 ). Pentru functia i proprietile ei, vezi Anexa 3. Aceast repartitie a fost s at a descoperit de Helmert i pus valoare de Pearson. n se numete numr de grade de a s a n s a libertate. Vom nota X : H(n, ). Functia caracteristic este dat de a a
(t) = (1 2 2 ti) 2 . Intr-adevr, calculm integrala (t) = a a (t) =

n 2
f (x)eitx dx i obtinem s
0
1 n ( n ) 2 2
0
eitx 22 x 2 1 dx =
x 2 ti)
1 = n n n 2 2 ( 2 )
x 2 1 e 22 (12
dx.
ultima integral facem schimbarea x2 (1 2 2 ti) = y; atunci integrala precedent a In a 2 devine n n 2 n 2 2 2 2 n n 1 y 2 y e dy = ), n ( 2 ti 2 ti) 2 1 2 2 (1 2 0 de unde se obtine imediat armatia. Pentru calculul momentelor, vom deriva functia caracteristic. Avem a n (t) = in 2 (1 2 2 ti) 2 1 , (t) = i2 n(n + 2) 4 (1 2 2 ti) 2 2 , . . . (k) (t) = ik n(n + 2) . . . (n + 2k 2) 2k (1 2 2 ti) 2 k . Folosind apoi Teorema 3.5.1, gsim a 1 1 = (0) = n 2 , i 2 = 1 (0) = n(n + 2) 4 , i2 . . .
n n
1 (k) (0) = n(n + 2) . . . (n + 2k 2) 2k . ik Urmtoarea teorem este un important instrument de lucru statistica matematic. a a n a k = a Teorema 3.6.3 Dac X1 , . . . , Xn sunt variabile aleatoare independente, repartizate 2 N (0, ), atunci variabila aleatoare
n 2 Xk k=1
este repartizat H(n, ). a
135
Demonstratie . S determinm pentru a a nceput functia caracteristic a variabilei aleatoare a 2 Xk , k = 1 . . . n. Pentru aceasta s-i determinm mai ai densitatea de probabilitate. a a nt Avem
2 FXk (x) =
2 P ({Xk
< x}) = P ({ x < Xk <
2 x}) = 2
e 22 dy, x
y2
0.
Prin derivare, gsim a

2 fXk (x) =
1 x e 22 , x 2 x
0,
care se constat a o densitate de probabilitate pentru o variabil aleatoare H(1, ), deci a a are functia caracteristic dat de a a k (t) = (1 2 2 ti) 2 . Folosind acum faptul c functia caracteristic a sumei este produsul functiilor caractea a ristice, obtinem
n
1
(t) =
(1 2 2 ti) 2 = (1 2 2 ti) 2 ,
k=1
care este functia caracteristic a unei variabile aleatoare H(n, ). a Folosind din nou functia caracteristic a sumei, se poate demonstra urmtoarea teo a a rem. a Teorema 3.6.4 Dac Xi : H(ni , ), i = 1, 2, atunci a X1 + X2 : H(n1 + n2 , ). practic intereseaz determinarea unor probabiliti de forma P ({X In a a at }), unde X : H(n, 1), deoarece se veric imediat c dac X : H(n, ), atunci variabila aleatoare a a a X : H(n, 1). 2 Exist tabele a ntocmite pentru diferite valori ale lui i ale numrului de grade de libertate s a n, care au ca rezultate ariile din Figura 3.14. Cnd numrul de grade de libertate este foarte mare, se folosete comportarea la limit a a s a 2 a irului de variabile aleatoare repartizate . s Teorema 3.6.5 Dac X : H(n, ), atunci variabila aleatoare a X n 2 2n 2 este asimptotic normal N (0, 1), pentru n . a
136 Demonstratie . Sirul functiilor caracteristice este
n n n t n (t) = eit 2 (1 2 2 i ) 2 = eit 2 (1 2 2

2 n
2 n it) 2 . n
t2
Calculm limita lui |n (t)| = (1+ 2t ) 2 , pentru n i gsim e 2 . Functia n (t) poate a s a n n n n n scris sub forma (cos t 2 i sin t 2 )(cos 2 n i sin 2 n )n , unde (cos n +i sin n )n = a 1
2 it. n
Pentru n sucient de mare, n = arctan 2 t. n
Deci argumentul numrului complex n (t) poate luat de forma a yn = t Notnd x = a

2 , n
n n + arctan t 2 2
2 . n
avem de calculat lim arctan tx tx x2
x0
care este 0. Deci lim n (t) = e 2 .

n
t2
Aceast teorem permite ca la un numr mare de grade de libertate s se foloseasc a a a a a tabelele functiei lui Laplace. teoria selectiei, ne intereseaz s determinm repartitia In a a a dispersiei (privit ca variabil aleatoare) a unei selectii provenind dintr-o colectivitate gua a acest scop sunt necesare urmtoarele rezultate. vernat de variabila aleatoare normal. In a a a Teorema 3.6.6 Fie Xk , k = 1, . . . n, variabile aleatoare independente repartizate N(0,1), iar
n
lj (X1 , . . . Xn ) =
k=1
ajk Xk , ajk I j = 1, . . . s, s I , s < n, R, N
variabile aleatoare independente de tip N (0, 1). Atunci variabila aleatoare

n s 2 Xk k=1
Q= este repartizat H(n s, 1). a
j=1
2 lj , s < n,
Demonstratie. Variabilele aleatoare li i lj cu i = j, sunt independente, deci s

n n
M [li lj ] = M [li ]M [lj ] = M [

k=1
aik Xk ]M [
k=1
ajk Xk ] = 0,
Variabile aleatoare continue deoarece media este aditiv i M [Xk ] = 0. Pe de alt parte as a
n n 2 aik ajk Xk k=1 n
137
M [li lj ] = M [
+
l,m=1 n
ail ajm Xm Xl ] =
=
k=1
2 aik ajk M [Xk ] = k=1
aik ajk ,
n 2 M [li ]
deoarece M [Xm Xl ] = M [Xm ]M [xl ] = 0. Analog,
=
k=1
a2 = 1, i = 1, . . . , s. ik
Sistemul celor s vectori (a11 , . . . , an1 ), . . . , (as1 , . . . , asn ) este ortogonal i poate deci s completat la o baz ortonormat. Notm matricea corespunztoare cu A = (aij ) i, j = a a a a 1, . . . , s, care este deci ortogonal i au loc prin urmare as
n n
a2 jk
k=1
= 1,
k=1
aik ajk = 0, i, j = 1, . . . , n.
Introducem notatiile
n
lr (x1 , . . . , xn ) =
k=1
ark xk , r = s + 1, . . . , n,
i e L matricea coloan cu componentele li , i = 1, . . . n. Atunci are loc s a L = AX, unde X este vectorul n-dimensional cu componentele xi . Un simplu calcul ne arat c a a
n 2 lk (x1 , . . . , xn ) k=1 n
=
k=1 n
2 Xk .
Deci Q=
n 2 Xk k=1
s 2 lj = j=1
2 lk (x1 , . . . , xn ). k=s+1
Mai observm c variabila aleatoare n-dimensional L obtinut printr-o transformare a a a a ortogonal asupra lui X, variabila aleatoare cu componentele Xi , i = 1 . . . n, indepena dente, are componentele independente; rezult c variabilele ls+1 , . . . , ln sunt indepena a dente, repartizate N (0, 1). Armatia rezult din Teorema 3.6.3. a Teorema 3.6.7 (Cochran) Dac Qi (x1 , . . . , xn ), i = 1, . . . s, sunt forme ptratice respeca a tiv de rangurile r1 , . . . , rs , i X1 , . . . , Xn sunt variabile aleatoare independente, repartizate s N (0, 1), astfel at nc
s n
Qi (X1 , . . . , Xn ) =
i=1 j=1
2 Xj ,
atunci conditia necesar i sucient ca Qi s e variabile aleatoare independente este ca as a a r1 + . . . + rs = n.
138
Demonstratie. Pentru nceput s presupunem c Qi sunt independente. Dac Qi este a a a o form ptratic de rang ri , atunci poate scris ca sum de ri ptrate de variabile a a a a a a aleatoare normale normate, deci din Teorema 3.6.3 ecare Qi este repartizat H(ri , 1), iar a s suma lor este repartizat H( i=1 ri , 1), deoarece din ipotez Qi sunt independente. Pe a a
n
de alt parte, a
j=1 s
2 Xj : H(n, 1). Rmne s observm c functia de repartitie este unic, a a a a a a
deci
j=1
rj = n.
Reciproc. Dac Qi (X1 , . . . , Xn ) sunt forme ptratice i r1 + . . . rn = n exist o matrice a a s a ortogonal A astfel at a nc
s n
Qi (x1 , . . . , xn ) =
i=1 k=1
2 lk ,
l1 . a a a a a unde L = . = AX. Fiecare form ptratic Qi este sum de ri ptrate li , reparti. ln zate N (0, 1) (obtinute printr-o transformare ortogonal de variabile normal repartizate), a deci Qi sunt repartizate H(ri , 1) . Se veric uor c sunt i independente. a s a s Repartitia Student. Spunem c variabila aleatoare X este repartizat Student cu a a n grade de libertate, dac are densitatea de probabilitate a ( n+1 ) f (x) = 2 n n( 2 ) x2 1+ n
n+1 2
, x I R
Vom nota X : S(n). S vericm mai ai c f este o densitate de probabilitate. Oba a nt a servm c din paritatea functiei a a

f (x)dx = 2
0
f (x)dx.
Facem schimbarea de variabil x = a

0
ny, dup care gsim a a dx =
x2 1+ n
y2 1+y 2
n+1 2
n
0
(1 + y 2 )
n+1 2
dy.
ultima integral substitutia In a dy = 1 t 2

1 2
= t, ne duce la functia Beta vezi Anexa 3. Intr-adevr, a
(1 t)
3 2
dt, i s
1
2( n+1 ) 2 f (x)dx = n n( n ) 2
(1 t)
0
n+1 2
3 1 1 t 2 (1 t) 2 dt = 2
( n+1 ) n 2 n B( , 1) = 1. 1 ( 2 )( 2 ) 2
139
Momentele repartitiei Student. Functia f ind par, media este 0, deci momentele a initiale coincid cu cele centrate, iar toate cele de ordin impar sunt nule.
2 ( n+1 ) x2 2k 2 2k = 2k = x f (x)dx = x 1+ dx. n n( n ) 2 Folosind substitutia x = ny, reducem, ca mai nainte, la o integral Beta i obtinem a s 2k
n+1
nk (k + 1 )( n k) n 2 2 2k = , dac k > 0. a n ( 2 ) 2 Folosind proprietile functiei at n n n n ( ) = ( 1) . . . ( k)( k), 2 2 2 2 1 1 1 1 (k + ) = (k ) . . . ( ), 2 2 2 2 Gsim a 2k = nk 1.3. . . . (2k + 1) . (n 2)(n 4) . . . (n 2k)
Un caz particular constituie n = 1, cnd regsim repartitia Cauchy. Urmtorul rezultat l a a a de comportare la limit a unui ir de variabile aleatoare repartizate Student este utilizat a s mult statistic. n a Teorema 3.6.8 Dac f este densitatea de probabilitate a variabilei aleatoare repartizate a Student, atunci x2 1 lim f (x) = e 2 . n 2 Demonstratie. Vom folosi formula lui Legendre (vezi [10]). Pentru orice a > 0 are loc 1 (a)(a + ) = 2a1 (2a). 2 2 Pentru a arta c a a ( n+1 ) 1 lim 2 n = , n n( 2 ) 2 22n (n!)4 . n n((2n)!)2
vom analiza separat cazurile n par i n impar. Reamintim formula lui Wallis s = lim
Dac n = 2k, lum formula lui Legendre a = k i obtinem a a n s 1 (k + 2 ) (2k) (2k 1)! = = = 2k(k) 22k+1 2 (k) 2k 22k1 2k((k 1)!)2
140 =
Variabile aleatoare continue (2k)!k 2 . 22k1 2k(k!)2 2k
Din formula lui Wallis, ultimul ir are aceeai comportare la limit cu irul s s a s 2k 2 2 k 2k1 2k k2k 2
1 care, pentru k , tinde evident la 2 . Dac n = 2k + 1, folosind din nou formula lui a Wallis, obtinem (k + 1) k!22k1 (k 1)! = = 2k + 1(k + 1 ) (2k + 1)(2k) 2
22k1 2k(k!)2
1 , pentru k . 2 (2k + 1)(2k)!
Deci pentru un numr mare de grade de libertate, se utilizeaz tabelele legii normale. a a Pentru repartitia Student exist tabele care determin, pentru n = 1, . . . 30, valorile a a P ({|X| > }) = , adic ariile haurate din gur 3.15. De asemenea exist tabele pentru a s a a calculul functiei de repartitie
x
F (x) =
f (t)dt,
adic de determinare a ariilor din Figura 3.16, pentru x > 0. Pentru x < 0, se folosesc a aceleai tabele, dar inem seama de s t
x x
F (x) =
f (t)dt =
f (t)dt =
x
f (t)dt = 1 F (x).
Teorema 3.6.9 Fie X i Y variabile aleatoare independente repartizate s 2 N (0, ) i H(n, ) respectiv; atunci variabila aleatoare s X Y n este repartizat S(n). a Demonstratie. Variabila aleatoare bidimensionl (X, Y ) are densitatea a f (x, y) = Facem schimbarea 1 2
n+1 2
n+1 ( n ) 2
y 2 1 e
x2 +y 2 2
< x < , 0
y < .
u(x, y) =
x s
y n .
v(x, y) = y
Variabile aleatoare continue Atunci densitatea de probabilitate a variabilei (U, V ) devine g(u, v) = Densitatea marginal a lui U este a
0
141
1 n2
n+1 2
n+1 ( n ) 2
n1 2
2 ( u +1)v n 2 2
1 g(u, v)dv = n+1 n n2 2 n+1 ( ) 2 (
n1 2 ( u +1)v n 2 v 2 e 2 dv =
n+1 n+1 ) ( ) 1 2 = 2 n n+1 n+1 n( ) n 2 2 2 n2 2 n+1 ( ) 1 + u 2 n 2 2
1+
u n
n+1 2
u2 ( + 1)v aceasta datorit schimbrii de variabil n 2 a a a = t. 2 Consecint. Dac variabilele aleatoare independente X1 , . . . , Xn+1 sunt repartizate a a 2 N (0, ), atunci variabila aleatoare Xn+1
2 2 X1 + . . . + Xn n
: S(n).
2 Demonstratia este imediat, dac se folosete faptul c X1 + . . . + Xn este repartizat a a s a 2 a H(n, ).
Teorema 3.6.10 Fie X1 , . . . , Xn variabile aleatoare independente repartizate X 1 + . . . Xn N (0, ) i X = s . Atunci variabila aleatoare n y= n(n + 1) X
n
(Xj X)2
j=1
este repartizat S(n 1). a Demonstratie. Alegem aij I astfel at matricea R nc a11 . . . a1n a21 . . . a2n ... A= a(n1)1 . . . a(n1)n 1 1 . . . n n
142 s e ortogonal i considerm transformarea a as a y1 y2 . = A . . yn
x1 x2 . . . xn
Dup cum am vzut mai a a nainte, variabilele aleatoare Yj , j = 1, . . . n, sunt independente i repartizate N (0, ). Avem de asemenea s
2 2 2 Y12 + . . . + Yn = X1 + . . . + Xn
i dac s a nmultim ultima linie a matricei A cu X yn X= . n Deci Y12 + ... +

2 Yn1 n 2 n
=
j=1
2 Xj
nX =
j=1
(Xj X)2 .
Atunci variabila aleatoare cutat poate scris sub forma a a a Y = n(n 1) X

n
=
2
Yn Y12
2 + . . . + Yn1 n1
(Xj X)
j=1
iar din consecinta precedent aceasta este repartizat S(n 1). a a Se poate arta c variabila aleatoare a a Xn
2 2 X1 + . . . + Xn n
este de asemenea repartizat S(n 1). a Repartitia Snedecor. Are densitatea de probabilitate dat de a f (x) = n1 n2
n1 2

n1 2
n1 +n2 2
n2 2
n1 1 2
n1 1+ x n2
n1 +n2 2
, 0
x < ,
unde n1 , n2 I se numesc grade de libertate. Vom nota o variabil aleatoare repartizat N a a Snedecor prin S(n1 , n2 ). Prin schimbarea de variabil a n1 x n2 n1 = y, 1+ x n2
143
integrala f (x)dx este redus la o integral Beta i folosind proprietile functiei Beta a a s at (Anexa 3) deducem imediat c functia de mai sus este o densitate de probabilitate. Moa mentele initiale ale repartitiei Snedecor se obtin prin calcul direct k = n1 n2
n1 2

n1 2
n1 +n2 2
n2 2 k 0
n2 n1
x x
n1 1 2
n1 1+ x n2
n1 +n2 2
dx =
(k + n1 )( n2 k) 2 2 , n1 n2 2 2 dac facem aceeai schimbare de variabil ca mai sus.Tinnd cont de proprietile functiei a s a a at Gama, gsim a k n1 (n1 + 2) . . . (n1 + 2k 2) n2 n2 k = , k< . n1 (n2 2)(n2 4) . . . (n2 2k) 2 particular gsim In a n2 1 = n2 2 = 2 = n1 + 2 n2 2 n1 (n2 2)(n2 4) (3.54)
n3 (n1 + 2)(n1 + 4 3 = 2 . n2 (n2 2)(n2 4)(n2 6) 1 Teorema 3.6.11 Fie X1 , X2 dou variabile aleatoare independente, care sunt repartizate a S(n1 , n2 ). Atunci variabila aleatoare n2 X1 : S(n1 , n2 ). n1 X2 Demonstratie. Notm cu U variabila din enunt i determinm functia de repartitie a s a FU (x) = P ({U < x}) = P iar prin derivare gsim a X1 n1 < x , X2 n2
n1 n1 fU ( x). n2 n2 Mai departe vom folosi formula care d densitatea ctului de variabile aleatoare (3.31) a a z n2 xz n1 1 1 1 e 2z 2 e 2 (xz) 2 zdz, fU (x) = n + n 1 2 0 n1 n2 2 2 2 2 z(1 + x) care prin substitutia = t, devine 2 n1 + n2 n1 1 1 t 1 2t 2 2 2 fU (x) = n + n x e dt = 1 2 1+x 1+x 0 n1 n2 2 2 2 2 fU (x) =
144
n1 + n2 n1 + n2 n1 1 2 2 . = (1 + x) n1 n2 x 2 2 2 n1 Dac facem schimbarea de variabil x = y, se obtine densitatea de probabilitate Snea a n2 decor. Consecint. Dac variabilele aleatoare independente Xj , j = 1, n1 , Yk , k = 1, n2 , a a sunt repartizate N (0, ), atunci variabile aleatoare
2 2 n2 X1 + . . . Xn1 2 n1 Y12 + . . . + Yn2
este repartizat S(n1 , n2 ). Dac variabila aleatoare X este repartizat S(n1 , n2 ), variabila a a a 1 aleatoare ln X are densitatea de probabilitate 2 f (x) = 2 n1 n2
n1 2

n1 2
n1 +n2 2
n2 2
en1 x
n1 1 + e2x n2
n1 +n2 2
(3.55)
O variabil aleatoare avnd aceast densitate se numete Fisher. a a a s Repartitia Gama. Se veric imediat c functia a a f (x) = 1 x m1 e x , x (m) 0, m > 0,
este o densitate de probabilitate. Momentele initiale de ordin k sunt 1 k = (m)

0
ex xm1+k dx =
(m + k) = m(m + 1) . . . (m + k 1). (m)
Momentele centrate, dup particularizarea formulelor (3.39), sunt a

2 2 = 2 1 = m(m + 1) m2 = m, 3 3 = 3 32 1 + 21 = 2m.
Functia caracteristic este dat de a a (t) = (1 it)m , care se obtine din (t) = 1 (m)
0
eitx ex xm1 dx =
1 (m)
e(it1)x xm1 dx,
prin substitutia (it 1)x = y. Folosind produsul functiilor caracteristice se deduce uor c dac Xi este repartizat s a a a Gama cu parametrul mi , i = 1, 2, atunci suma este repartizat Gama cu parametrul a m1 + m2 .
145
Exemplul 3.6.2 Repartitia Erlang S determinm repartitia sumei de n variabile alea a a toare independente, repartizate exponential, cu parametrul . Functia caracteristic a a repartitiei exponentiale este (t) = . it Sumei de variabile exponentiale corespunde functia caracteristic i a n (t) = it
n
iar aceasta corespunde variabilei aleatoare cu densitatea de probabilitate f (x) = ex (x)n1 , x > 0. (n 1)!
x 0
S determinm functia de repartictie a variabilei Erlang. a a F (x) = Integrm prin prti i avem a a s F (x) = n1 (n 1)! y n1 ey |x + 0
x 0 x 0
n1 (n 1)!
y n1 ey dy.
(n 1)y n2 ey dy y n2 ey dy.
(x)n1 x n2 = e + (n 1)! (n 2)! Repet integrarea prin prti, gsim nd a a

n1
F (x) = 1
k=0
(x)k x e . k!
Recunoatem suma precedent primii n termeni ai unei repartitii Poisson. Legtura s n a a dintre aceste dou repartitii va evidentiat la procese Poisson. a a Repartitia Beta. Este denit prin densitatea de probabilitate a f (x) = Momentele sunt date de k = particular avem In m(m + 1) . . . (m + k 1) . (m + n)(m + n + 1) . . . (m + n + k 1) xm1 (1 x)n1 , B(m, n) 0 x 1, m > 0, n > 0.
1 =
m(m + 1) m , 2 = , m+n (m + n)(m + n + 1) mn 2 2 = 2 1 = . 2 (m + n + 1) (m + n)
146
3.7
Fiabilitate
sensul cel mai larg , abilitatea reprezint proprietatea unui dispozitiv de a-i In a s ndeplini functia specic conditii de exploatare date. O analiz complet a abilitii a n a a at ne pune evidenta: n -abilitatea precalculat, care se evalueaz pornind de la conceptia dispozitivului i a a a s componentelor sale; -abilitate tehnic (nominal) determinat urma a a a n ncercrilor conditii de fabric; a n a -abilitate de exploatare, determinat de conditiile reale de exploatare, cu luarea a n considerare a actiunii complexe a tuturor factorilor ce inuenteaz functionarea. a Fiabilitatea poate exprimat cantitativ prin parametrii de abilitate. Determinarea a lor se face practic urma prelucrrii statistice a datelor. Cel mai frecvent utilizat n a n a a este probabilitatea functionrii fr defectiune a aa ntr-un interval de timp. Intervalul de timp care sistemul functioneaz fr defectiuni este o variabil aleatoare pe care o notm cu n a aa a a T. Denitia 3.7.1 Numim functie de abilitate sau reliabilitate functia R : I + [0, 1] R denit prin a R(t) = P ({T t}). Observm c 1 R(t) este functia de repartitie, care sensul abilitii msoar proa a n at a a babilitatea ca pn la momentul t s apar o defectiune. Functia F (t) = 1 R(t) se mai a a a a numete functie de nesigurant. strns legtur cu proprietile functiei F (t), putem s a In a a a a at enunta pe cele ale lui R. 1. R(0) = 1; 2. lim R(t) = 0; 3. t1 < t2 = R(t1 ) R(t2 ); 4. Dac f este densitatea de probabilitate pentru variabila T , a f (t) = R (t). Figura 3.17 sunt reprezentate cele dou functii. In a Observm c la momentul initial functia de abilitate este maxim, iar nesiguranta a a a minim i dac t se produce fenomenul invers. Vom presupune c se poate preciza o as a a functie, numit rat de defectare i notat r, cu proprietatea c r(t)t este probabilitatea a a s a a ca intervalul (t, t + t) s apar o defectiune, dac pn la momentul t, dispozitivul a n a a a a a functionat . Conditia din denitie este o probabilitate conditionat : a r(t)t = P ({t = T < t + }| {T t}) = P ({t T < t + t}) = P ({T t})
t
F (t + t) F (t) R(t + t) R(t) = . R(t) R(t)
ultima relatie artim prin t i trecem la limit pentru t 0. Dac aceast limit In mp s a a a a exist, gsim ecuatia diferential a a a R (t) = r(t), R(t)
Variabile aleatoare continue cu conditia initial a R(0) = 1, care are ca solutie R(t) = e
Rt
0
147
r(s)ds
(3.56)
Exemplul 3.7.1 Rata de defectare a unui utilaj este r(t) = 0, 1. Cu ce probabilitate dispozitivul functioneaz cel putin 10 ore ? a Inlocuim (3.56) r(t) = 0, 1 i observm c n s a a dispozitivul functioneaz cel putin 10 ore este evenimentul {T 10}, deci a
t
R(10) = e
0, 1ds
0
= e1 = 0, 368
practic sunt utilizate o parte din repartitiile continue prezentate anterior, dar i altele In a s specice. Repartitia exponential. are densitatea de probabilitate a t a e , dac t 0, f (t) = ( > 0). 0, dac t < 0, a Se veric imediat c f este o densitate de probabilitate. Functia de abilitate este a a
R(t) =
t
f (s)ds = et ,
iar rata de defectare r(t) =
R (t) = R(t)
este deci constant. Aceast repartitie este utilizat pentru dispozitive care nu aa a a mb trnesc. a Repartitia Weibull. Are densitatea de probabilitate a t1 et , dac t 0, (, R+ ). f (t) = 0, dac t < 0 a Functia de abilitate este iar rata de defectare r(t) = t1 . Pentru = 1 se regsete repartitia exponential, iar pentru = 2 se obtine repartitia a s a Rayleigh. Faptul c rata este o functie polinomial, face s modeleze mai bine diferitele a a a situatii practice; de aceea repartitia Weibull este des utilizat. a R(t) = et ,
148
Pentru diferite valori ale lui , Figura 3.18 sunt reprezentri grace ale densitii n a at de probabilitate, iar Figura 3.19 i 3.20 ale ratelor i functiilor de abilitate. n s s general variatia defectiunilor unui dispozitiv se poate arti trei perioade. In mp n 1. perioada initial care apar defectiuni datorate erorilor de fabricatie i se face a n s rodajul (copilria); a 2. perioada de functionare care ncepe dup rodaj, cnd numrul defectiunilor scade, a a a rmnnd practic constant (maturitatea), pentru care se poate utiliza distributia expoa a a nential; a 3. perioada n care intensitatea de defectare crete continuu, datorit uzurii (btrs a a a netea). Componentele unui dispozitiv pot legate serie, sau paralel. Vom analiza n n modul de determinare a abilitii pentru ecare situatie parte. at n Legare serie. Spunem c un dispozitiv are n componente legate serie, dac n a n a defectarea uneia, atrage nefunctionarea ntregului sistem. Convenim s vizualizm prin a a schema de la Figura 3.21. Presupunem c ecare component Ci , i = 1, . . . n, se poate defecta indiferent de a a celelalte, cu rata de defectare ri i functia de abilitate Ri . Dac T , respectiv Ti , i = s a 1, . . . , n semnic timpul de functionare pn la prima defectare a sistemului, respectiv a a a a componentei Ci , atunci evident
n
{T
t} =
{Ti
i=1
t}
i aplicnd probabilitatea pentru evenimente independente gsim s a a

t n n n
ri (s)ds
0 i=1
R(t) =
i=1
Ri (t) =
i=1 t n
=e Deci rata de defectare este
ri (s)ds
0 i=1
. ri (t).
r(t) =
i=1
Observm c T = min{T1 , . . . , Tn }. a a Legare paralel. Un dispozitiv are n componente legate paralel, dac acesta n n a poate functiona, chiar dac una din componente se defecteaz. a a Sistemul nu functioneaz dac ecare din componente nu functioneaz; presupunem a a a c acestea se pot defecta independent una de alta. Atunci obtinem a
n
{T < t} =
{Ti < t}
i=1
Variabile aleatoare continue i dac aplicm probabilitatea s a a

n
149
1 R(t) =
i=1
(1 Ri (t)) .
Observm c T = max{T1 , . . . , Tn }. acest caz nu putem gsi o expresie simpl a ratei a a In a a practic aceste moduri de alctuire apar combinat. de defectare a sistemului. In a a Reprezentm acest lucru Figura 3.22. a n Exemplul 3.7.2 schema alturat componentele Ci functioneaz independent, cu In a a a aceeai functie de abilitate. s S determinm functia de abilitate a sistemului. Dispozitivul functioneaz la moa a a mentul t, dac a {T > t} = ({T1 > t} {T3 > t}) ({T1 > t} {T4 > t}) ({T2 > t} {T4 > t}) . Calculm acum probabilitatea acestei reuniuni, folosind independenta a R(t) = R1 (t)R3 (t) + R1 R4 (t) + R2 (t)R4 (t) R1 (t)R3 (t)R4 (t) R1 (t)R2 (t)R4 (t) R1 (t)R2 (t)R3 (t)R4 (t) + R1 (t)R2 (t)R3 (t)R4 (t) =
2 3 = 3R1 (t) 2R1 (t).
150 PROBLEME PROPUSE
Problema 3.1 O variabil aleatoare X are repartitia dat de legea triunghiului a a dreptunghic pe intervalul (0, a), a > 0 (vezi Figura 3.24). Gsiti : a a. densitatea de probabilitate; b. functia de repartitie; c. probabilitatea ca variabila aleatoare X s ia valori intervalul (a/2, a); a n d. media i dispersia. s Solutie a. Scriem dreapta cu tieturile (a, 0) i (a/2, 0) i gsim a s s a 2 (1 x ), x (0, a), a a f (x) = 0, x (0, a) ; / x 0, 0, x x (2 ), 0 < x a, b. F (x) = a a 1, x > 0. a a 1 c. P ({X ( , a)}) = F (a) F ( ) = ; 2 2 4 a 2 a2 d. M [X] = , D [X] = . 3 18 Problema 3.2 Determinati functia de repartitie a variabilei aleatoare X, repartizat a 1 Cauchy, deci cu densitatea de probabilitate f (x) = (1+x2 ) , x I R. R: F (x) =
1
arctan x + 1 . 2
Problema 3.3 O variabil aleatoare X are repartitia Simpson sau legea triunghiului a isoscel pe un interval (a, a), a > 0. Gsiti a a. densitatea de probabilitate; b. functia de repartitie. R: Gracul este dat de Figura 3.25 1 (1 x ), 0 < x < a, a a 1 x ; a. f (x) = (1 + ), a < x < 0, a a 0, |x| a.
Variabile aleatoare continue x 0, 0, 1 (x + a) + 1 (x2 a2 ), a < x a 2a2 1 1 2 + (x x ), 2 a 2a 1, 0 x<a
151
0,
b. F (x) =
x > a.
Problema 3.4 Determinati media i dispersia variabilei aleatoare exponentiale, avnd s a densitatea de probabilitate x e , x 0, f (x) = 0, x < 0. 1 1 , D2 [X] = 2 . Problema 3.5 Determinati media i dispersia repartitiei Laplace, cu densitatea de s |x| probabilitate f (x) = e , > 0, x I R. 2 2 R: M [X] = 0, D2 [X] = 2 . Problema 3.6 Determinati media i dispersia variabilei aleatoare repartizat uniform s a pe intervalul (a, b). (a b)2 a+b , D2 [X] = . R: M [X] = 2 12 Problema 3.7 O variabil aleatoare este repartizat normal N (m, 2 ). S aproximm a a a a X pe un interval (, ) cu legea uniform, dac m, rmn constanti. a a a a Solutie. Folosim problema precedent i egalm mediile i abaterile medii ptratice as a s a R: M [X] = + = = m, 2 2 3 de unde = m 3, = m + 3. Problema 3.8 O variabil aleatoare X : N (m, 2 ) poate avea parametrii m = 2, = 2 a cu probabilitatea 0,4 sau m = 2, = 1 cu probabilitatea 0,6 determinati densitatea de probabilitate. Solutie . Folosim generalizarea formulei probabilitii totale, din 3.2. Avem at
(x2)2 0, 6 (x2)2 0, 4 f (x) = e 8 + e 2 . 2 2 2
Problema 3.9 Intr-o sectie se produc articole care corespund calitativ, dac satisfac o a anumit proprietate msurabil printr-o caracteristic numeric. Se observ unele deviatii a a a a a a
152
de la normele impuse, care sunt repartizate normal, cu media m = 0 i abaterea . La s controlul de calitate se elimin acele produse ale cror deviatii depesc mrimea . a a as a Determinati probabilitatea evenimentului A un articol este respins. R : P (A) = P ({|X| > }) = 1 2( ). Problema 3.10 Fie , a > 0 i n I . Determinati a i astfel ca functia s N s fn (x) = axn e
2 x2
, x>0
s e o densitate de probabilitate pentru o variabil aleatoare cu media m. a a Solutie. Punem conditiile

+ 0
ax e i gsim s a
n 2 x2
dx = 1,
0
axn+1 e
2 x2
dx = m
a=
2n+1 1 ( n+2 ) 2 , = . m ( n+1 ) ( n+1 ) 2 2
Problema 3.11 Un mesaj este ateptat printr-un canal de comunicatie. Momentul s T la care mesajul este primit este aleator i are functia de densitate f (t). La un moment s dat , se observ c mesajul nu a ajuns a. Determinati densitatea de probabilitate a a nc a timpului care rmne pn la receptionarea mesajului, . a a a a Solutie . Fie A evenimentul mesajul nu a fost receptionat pn la momentul . a a Folosind formula lui Bayes, gsim a f (t) , t > , f (t) 1 0 f (t)dt fA (t) = = P (A) 0, t < . Deoarece = T , rezult a (t) = f (t) , 1 0 f (t)dt 0, t > 0, t < 0.
Problema 3.12 Un sistem de comunicatie accept un voltaj pozitiv V la intrare, iar a la ieire un voltaj Y = V + N , unde = 102 , iar N este o variabil aleatoare normal s a a cu m = 0, = 2. Ce valoare trebuie s ia V , astfel ca la ieire voltajul s e pozitiv cu a s a siguranta 1 , = 106 . Solutie . Punem conditia ca P ({Y < 0}) = 106 i gsim s a P ({Y < 0}) = P ({V + N < 0}) = P ({N < V }) = 1 2 V .
Variabile aleatoare continue De aici gsim c V = 950, 6. a a
153
Problema 3.13 Legea evenimentelor rare plan. Un semnal luminos se poate produce n aleator cu densitatea , pe cadranul unui osciloscop. Gsiti repartitia R, care d distanta a a de la semnal, la cel mai apropiat vecin, media i dispersia. s Solutie . Evenimentul {R < r} nseamn c cel putin un semnal se produce ina a n 2 teriorul discului de raz r. Numrul mediu de aparitii acest disc este r , deci a a n r2 P ({R < r}) = 1 P ({R r}) = 1 e , r > 0, dac generalizm rationamentul de a a 2 la legea Poisson. Densitatea de probablitate, este f (r) = 2rer , r > 0. Aceast a repartitie este repartitia Rayleigh. (4 ) 1 M [R] = , D2 [R] = . 4 2 Analog se poate deduce repartitia evenimentelor rare spatiu, care are densitatea de n 4 r3 2 3 probabilitate f (r) = 4r e , r > 0, unde r este raza unei sfere alese convenabil. Problema 3.14 timpul functionrii unui calculator, defectiunile pot aprea la In a a momente aleatoare. Timpul T care acesta functioneaz fr defectiuni, urmeaz o lege n a aa a exponential cu parametru , adic (t) = et , > 0. Dac o defectiune apare este a a a imediat ndeprtat a a ntr-un interval de timp t0 , dup care calculatorul functioneaz din a a nou. Notm cu Z intervalul de timp a ntre dou defectiuni. Aati P ({Z > 2t0 }). a Solutie. Avem Z = T + t0 i functia de repartitie este s F (t) = P ({Z < t}) = P ({T < t t0 }) = FT (t t0 ). Prin derivare F (t) = fT (t t0 ) = Atunci P ({Z > 2t0 }) = et0 . Problema 3.15 Timpul T ntre dou defectiuni ale unui calculator, urmeaz o lege a a exponential cu parametru . Rezolvarea unei anumite probleme necesit functionarea a a fr defectiuni a componentelor pentru un timp ; dac o defectiune apare timpul aa a n rezolvrii, problema poate reluat. Fie variabila aleatoare care reprezint intervalul a a a de timp care problema va rezolvat. S determinm repartitia i media variabilei n a a a s aleatoare . Solutie. Dac problema a fost rezolvat intervalul , a a n nseamn c T > i R( ) = a a s P ({T > }) = e , pe care o notm p. Evenimentul contrar se produce cu probabilitatea a 1 p. Dac problema a fost rezolvat intervalul ((n 1), n ), aceasta a a n nseamn c au a a survenit defectiuni ale calculatorului intervalele (0, ), (, 2 ), . . . ((n 2), (n 1) ) n i aceasta se ampl cu probabilitatea p(1 p)n1 . Variabila cutat este s nt a a a : care are media n p(1 p)n1 e(tt0 ) , t > t0 . 0, t<0
. p Problema 3.16 Durata vietii unui circuit integrat normal este dat de o lege ex a ponential cu rata , iar a unui circuit rebut 1000. Probabilitatea de a extrage un a
154
circuit integrat normal dintr-un lot este p. Gsiti probabilitatea ca aleg un circuit la a nd amplare, acesta s functioneze dup t secunde. Presupunem c ecare este testat t nt a a a secunde. Pentru ce valoare a lui t, 99% dintre circuite sunt bune. Solutie . Fie B evenimentul de a alege un circuit normal, R de a alege un circuit rebut, iar C de a alege un circuit care s functioneze dup t secunde. Are loc, dac a a a folosim formula probabilitii totale at P (C) = pet + (1 p)e1000t . Calculm PC (B) cu formula lui Bayes i din conditia PC (B) a s 1 (1 p)99 t= ln . 999 p = 0, 99, avem
Problema 3.17 Variabila aleatoare (X, Y ) are densitatea de probabilitate f (x, y). Exprimati probabilitile urmtoarelor evenimente: 1.{X > Y }, at a 2.{X > |Y |} 3.{|X| > Y } 4.{Y X > 1}.
+ +
Solutie 1. P ({X > Y }) =

+ x
dy
y
f (x, y)dx;
2. P ({X > |Y |}) =

0 0
dx
x x
f (x, y)dy;
+ x
3. P ({|X| > Y }) =
dx
+
f (x, y)dy +
+ x+1 0
dx
f (x, y)dy;
4. P ({Y X > 1}) =
dx
f (x, y)dxdy.
Domeniile de integrare sunt reprezentate mai jos. Problema 3.18 Variabila aleatoare X are repartitia exponential cu densitatea f (x) = a e , x > 0. S determinm conditiile care variabila aleatoare Y = eX are medie i a a n s dispersie.
x +
Solutie. M [Y ] =
0
ex ex dx =
0
e(1)x dx. Pentru > 1, exist media a
egal cu a . Pentru 1, integrala din denitia mediei este divergent. Pentru a 1 > 2, M [Y 2 ] = i deci exist dispersie, iar dac 2 aceasta nu exist. s a a a 2 Problema 3.19 Variabila aleatoare X are densitatea de probabilitate f (x) = 1 cos x, x ( , ); 2 2 2
calculati media i dispersia variabilelor aleatoare X i Y = | sin X|. s s 2 1 2 1 1 2 Solutie. M [X] = 0, D [X] = 2, M [Y ] = | sin x| cos xdx = , D2 [Y ] = . 4 2 2 12 2 Problema 3.20 Variabilele aleatoare X i Y au repartitii exponentiale s f1 (x) = ex , x > 0; f2 (x) = ey , y > 0.
155
Determinati densitatea de probabilitate f (x, y) i functia de repartitie F (x, y) pentru s variabila aleatoare bidimensional (X, Y ), dac X, Y sunt independente. a a Solutie. f (x, y) = 0 x 0 sau y 0,
e(x+y) , x > 0 i y > 0; s x 0 sau y 0,
0, F (x, y) =
(1 ex )(1 ey) , x > 0 i y > 0. s
Problema 3.21 Variabila aleatoare (X, Y ) este repartizat constant ptratul de a n a latur a, pe care notm D i nul afar. Determinati f (x, y) i F (x, y), functiile de a l a s a n a s densitate marginale f1 (x), f2 (y). Stabiliti dac X i Y sunt independente. a s Solutie. 1 , (x, y) D, 2 a f (x, y) = 0, (x, y) D; / F (x, y) = 0, x 0 sau y x a, 0, i 0 s y a, a,
xy , 0 a2
y , a x , a 1,
x > a i 0 < y s 0<x
a i y > a, s
x > 0 i y > a; s 1 , y (0, a) a fY (y) = 0, y (0, a). /
1 , x (0, a), a fX (x) = 0, x (0, a); /
Problema 3.22 Functia f (x, y) este constant interiorul unui cerc de raz r i a n a s nul afar. Determinati raza r astfel ca f (x, y) s e o densitate de probabilitate pena n a a tru o variabil aleatoare bidimensional (X, Y ), fX (x), fY (y), fX (x|y), fY (y|x). Calculati a a Cov[X, Y ]. Solutie. Cutm densitatea de probabilitate de forma a a f (x, y) = h, x2 + y 2 < r2 , 0, x2 + y 2 r2 .
156 Punem conditia ca 1 = fX (x) =
Variabile aleatoare continue f (x, y)dxdy = hr2 . Deci r = fY (y) = 2h 0, |x| < |x| > |y| < |y| >
1 . h
2h r2 x2 , |x| < r, 0, |x| > r;
r2 y 2 , |y| < r, |y| r; r2 y 2 , r2 y 2 ; r 2 x2 , r 2 x2 . xyf (x, y)dxdy = 0.
1 , f (x, y) = fX (x|y) = 2 r2 y 2 fY (y) 0, 1 , f (x, y) 2 fY (y|x) = = 2 r x2 0, fX (x)
r Avem imediat M [X] = M [Y ] = 0, D[X] = D[Y ] = 2 . M [XY ] = Deci Cov[X, Y ] = 0.
Problema 3.23 O variabil aleatoare are densitatea de probabilitate constant a a n ptratul D din Figura 3.30. a Gsiti f (x, y), fX (x), fY (y), fX (x|y), fY (y|x) i stabiliti dac sunt independente; dar a s a corelate ? Solutie. f (x, y) = Analog fY (y) = care sunt repartizate Simpson. 1 f (x, y) , fX (x|y) = = 2(1 |y|) 0, fY (y) 1 f (x, y) , fX (x|y) = = 2(1 |x|) 0, fX (x) |x| < 1 |y| |x| > 1 |y|; |y| < 1 |x| |y| > 1 |x|. 1 |y|, |y| < 1, 0, |y| > 1, 1 , (x, y) D, 2 0, (x, y) D; / fX (x) = 1 |x|, |x| < 1, 0, |x| > 1.
X i Y nu sunt independente, dar nici corelate. M [X] = M [Y ] = 0, iar M [XY ] = s + + xyf (x, y)dxdy = 0. Cov[X, Y ] = 0. Problema 3.24 Variabila aleatoare (X, Y ) este uniform repartizat interiorul unui a n cerc de raz r = 1 cu interiorul D. Gsiti media i dispersia variabilei Z = XY . a a s 1 1 1 Solutie. M [XY ] = xydxdy = 0; D2 [XY ] = x2 y 2 dxdy = . 8 D D Problema 3.25 O variabil aleatoare (X, Y ) este uniform repartizat a a ntr-un ptrat a de latur 1. Gsiti media i dispersia variabilei XY . a a s
157
1 Solutie. Pentru c X i Y sunt independente M [XY ] = M (X)M (Y ) = ; D2 [XY ] = a s 4 1 . 144 2 Problema 3.26 Variabilele X i Y sunt legate prin Y = 2 3X i mx = 1, DX = 4. s s 2 Gsiti my , DY , Cov[X, Y ], [X, Y ]. a R: M [Y ] = M [2 3X] = 2 3(1) = 5;D2 [Y ] = (3)2 4 = 36. Din M [X 2 ] = D2 [X] + M 2 [X], deducem M [X 2 ] = 5 Cov[X, Y ] = M [X(2 3X]) + 1 5 = 12 12 = 1. [X, Y ] = D[X]D[Y ] Problema 3.27 Variabilele aleatoare X, Y, Z au mediile mx , my , mz i matricea de s covariant a D[ X] Cov[X, Y ] Cov[X, Z] Cov[X, Y ] D[ Y ] Cov[Y, Z] . [ Cov[X, Z] Cov[Y, Z] D Z] Gsiti media i dispersia variabilei U = aX bY + cZ d, a, b, c, d I a s R. 2 2 [ 2 R: M [U ] = a mx b my + c mz d, D [U ] = a D X] + b D[ Y ] + c2 D2 [Z] 2 a b Cov[X, Y ] + 2 a c Cov[X, Z] 2 b c Cov[Y, Z]. Problema 3.28 X, Y sunt variabile aleatoare independente X : N (1, 4), Y : U (0, 2). Gsiti M [X + Y ], M [XY ], M [X 2 ], M [X Y 2 ], D2 [X + Y ], D2 [X Y ]. a R: M [X + Y ] = 2, M [XY ] = M [X]M [Y ] = 1, M [X 2 ] = 5, M [X Y 2 ] = 1 13 , D2 [(X + Y )] = D2 [(X Y )] = . 3 3 Problema 3.29 Densitatea de probabilitate a unei variabile aleatoare bidimensionale normale este 1 1 1.28 ((x2)2 1,2(x2)(y+3)+(y+3)2 ) f (x, y) = e . 1, 6 Calculati covarianta variabilelor marginale. R: Cov[X, Y ] = 0, 6. Problema 3.30 Un voltmetru nregistreaz cea mai mare dintre dou tensiuni V1 , V2 . a a Variabilele V1 , V2 sunt independente i au aceeai densitate f (v). Gsiti media variabilei s s a V = max{V1 , V2 }.
+ v1 + v2
Solutie. m =
x1 dv1
f (v2 )dv2 +
v2 f (v2 )dv2
f (v1 )dx1 .
158
Capitolul 4 Probleme la limit teoria a n probabilitilor at

Baza teoretic a statisticii matematice, care confer garantii asupra valabilitii stua a at diului statistic al fenomenelor aleatoare, se sprijin pe proprietile de convergent ale a at a irurilor de variabile aleatoare. Prezentm principalele tipuri de convergent i unele s a a s proprieti ale irurilor de variabile aleatoare referitoare la acestea. at s
4.1
Convergenta probabilitate n
Fie { E, K, P } un cmp de probabilitate, {Xn }nIN un ir de variabile aleatoare, X a s o variabil aleatoare, toate denite pe {E, K, P }. a Denitia 4.1.1 Sirul {Xn }nIN converge probabilitate ctre X (vom folosi notatia n a {Xn } X) dac a > 0 : lim P ({e E | |Xn (e) X(e) | > }) = 0
n prob
(4.1)
sau, echivalent, > 0 : lim P ({e E | |Xn (e) X(e) |

n
}) = 1.
(4.2)
s n s Observatia 4.1.1 Se poate deni i convergenta probabilitate a irului de variabile aleatoare {Xn }nIN ctre constanta c deoarece orice constant este un caz particular de a a variabil aleatoare. a Proprieti ale convergentei probabilitate. at n Propozitia 4.1.1 Limita unui ir de variabile aleatoare convergent probabilitate este s n unic aproape sigur. a Demonstratie. Artm c dac exist dou variabile aleatoare X i Y astfel at {Xn } aa a a a a s nc X, {Xn } Y atunci P ({X = Y }) = 0. Fie < | X Y | = | X Xn + Xn Y | 159 | X Xn | + | Xn Y |
prob prob
160 de aici rezult a
Probleme la limita
{ | X Y | > } { | X Xn | > } { | Xn Y | > }, 2 2 deci P ({ | X Y | > } P ({ | X Xn | > })+ 2
+P ({ | Xn X | > }). 2 Deoarece {Xn } X i {Xn } Y rezult, trecnd la limit, s a a a 0 P ({ | X Y | > }) lim P ({ | X Xn | > })+ n 2
prob prob
+ lim P ({ | Xn Y | > }) = 0 n 2 deci P ({| X Y | > }) = 0.

prob prob prob
Propozitia 4.1.2 Dac {Xn } X, {Yn } Y i a, b I atunci {aXn + bYn } a s R aX + bY . Demonstratie. Fie > 0. Urmnd un rationament analog cu cel folosit proprietatea a n precedent, putem scrie a P ({|(aXn + bYn ) (aX + bY )| > }) = P ({|a(Xn X) + b(Yn Y )| > }) P ({|a||Xn X| > }) + P ({|b||Yn Y | > }). 2 2 Tinnd seama c {Xn } X i {Yn } Y i trecnd la limit obtinem a a s s a a
n prob prob prob
lim P ({|(aXn bYn ) (aX + bY )| > }) = 0
adic {aXn + bYn } aX + bY . a
4.2
Legea numerelor mari (forma slab) a
Un tip de probleme la limit, bazat pe notiunea de convergent probabilitate, cu a a n semnicatie de maxim importanta asupra legturii dintre conceptele de baz ale teoriei a a a probabilitii i notiunile empirice, este cel cunoscut sub denumirea de legea numerelor at s mari. Aceasta este un ansamblu de rezultate privind convergenta ctre 1 a probabilitilor a at unui ir de evenimente depinznd de un numr crescnd de factori aleatori. s a a a
Probleme la limita
161
Teorema 4.2.1 Fie (Yn )nIN un ir de variabile aleatoare admitnd valori medii i diss a s persii nite i e s 2 M [Yn ] = Mn < , D2 [Yn ] = n < . Dac exist o constant M astfel at a a a nc
n 2 lim Mn = M i lim n = 0, s n
(4.3)
atunci
{Yn } M. Demonstratie. Observm c pentru orice > 0 a a {|Yn M | > } {|Yn Mn | > } {|Mn M | > }. 2 2 Putem scrie P ({|Yn Mn | > }) + P ({|Mn M | > }). 2 2 Aplicnd inegalitatea lui Cebev variabilei aleatoare Yn obtinem a as P ({|Yn M | > }) P ({|Yn Mn | > })
2 D2 [Yn ] n = 2. 2
prob
(4.4)
(4.5) N () inegalitatea
Deorece lim Mn = M rezult c > 0, N () I astfel at n a a N nc n |Mn M | > devine imposibil, adic a a 2 n N () : P ({|Mn M | > }) = 0.
Trecnd la limit (4.4), innd seama de (4.5) i de ipotezele (4.3) rezult a a n t a s a

n
lim P ({|Yn M | > }) = 0.
Sn Prima formulare: Dac A un eveniment caracterizat prin P (A) = p = 0 i a s frecventa n relativ de realizare a evenimentului A primele n probe ale unui ir innit de probe a n s independente, atunci Sn > 0 : lim P ({| p| > }) = 0 n n sau, echivalent, Sn > 0 : lim P ({| p| }) = 1. n n A doua formulare: Dac {Xn }nIN un ir de variabile aleatoare independente astfel a s n 1 at Xn : Bi(n, p), n I , atunci irul de variabile aleatoare { nc N s Xk }nIN converge n n k=1 1 probabilitate ctre p, adic { a a n
n
Teorema 4.2.2 (forma slab a teoremei lui Jacob Bernoulli) a
Xk } p.
k=1
prob
162
Probleme la limita
Demonstratie. Demonstrm teorema lui Bernoulli sub cea de-a doua form. Notm a a a 1 Yn = n i inem seama c s t a M [Yn ] = 1 n
n n
Xk
k=1
M [Xk ] =
k=1
1 1 np = p, D2 [Yn ] = 2 n n
D2 [Xk ] =
k=1
npq pq = , n2 n
deci lim M [Yn ] = p i lim D2 [Yn ] = 0, ceea ce arat c ipotezele Teoremei 4.2.1 sunt s a a
n
1 satisfcute, deci { a n Observatii.
Xk } p.
k=1
prob
1. Prima formulare a teoremei lui Bernoulli constituie justicarea teoretic a apropierii a fcute a ntre conceptele de frecvent relativ i probabilitate a unui eveniment. Ea a as exprim faptul c pentru iruri foarte mari de probe orice diferent sensibil a a s a a ntre frecventa relativ a unui eveniment i probabilitatea sa devine foarte improbabil. a s a Deci convergenta frecventelor relative ctre probabilitatea evenimentului nu trebuie a eleas ca o convergent numeric obinuit; nu rezult din teorema de mai sus nt a a a s a a i nici nu este intuitiv acceptabil ideea c odat cu creterea numrului de probe s a a a s a valorile frecventelor relative sunt, obligatoriu, mai apropiate de probabilitate. a a a at a a 2. Cele dou formulri decurg una din cealalt dac inem seama c frecventa absolut de realizare a lui A n probe. Fie Xn o variabil aleatoare repartizat Bi(n, p). n a a n n Sn 1 Xk , atunci Dac notm Sn = a a Xk i deci s = n n k=1 k=1
n
lim P ({|
Sn p| > }) = 0 n
ceea ce nu nseamn altceva dect c a a a 1 { n

n
Xk } p.
k=1
prob
a 3. Rezultatul teoremei constituie justicarea teoretic a denitiei notiunii de estimaie a unui parametru al unei repartitii, notiune de mare important statistica t a n matematic. a as a s Teorema 4.2.3 (Cebev) Dac (Xn )nIN este un ir de variabile aleatoare independente dou cte dou, avnd dispersiile mrginite de o aceeai constant a a a a a s a D2 [Xn ] c2 , n I N,
Probleme la limita atunci > 0 : lim P ({|

n n n
163
1 n
Xk
k=1
1 n
M [Xk ]| > }) = 0
k=1
sau, echivalent, 1 > 0 : lim P ({| n n 1 Xk n k=1

n n
M [Xk ]|
k=1
}) = 1,
adic are loc convergenta probabilitate a irul de variabile aleatoare, a n s {

n
1 n
(Xk M [Xk ])} 0.

k=1
prob
1 Demonstratie. Dac Yn = a n 1 M [Yn ] = M [ n

n
(Xk M [Xk ]) atunci

k=1
1 (Xk M [Xk ])] = n k=1
1 M [Xk ] n k=1
M [Xk ] = 0
k=1
i deoarece variabilele aleatoare Xn sunt independente dou cte dou, rezult (Xk M [Xk ]) s a a a a sunt independente dou cte dou i deci a a as 1 n
n
D2 [Yn ] = D2 [
(Xk M [Xk ])] =

k=1
1 n2
D2 [Xk M [Xk ]] =
k=1
1 n
D2 [Xk ].
k=1
Aplicnd inegalitatea lui Cebev variabilei aleatoare Yn i innd seama de ipotezele a as s t a problemei, putem scrie P ({| i deci s
n
1 n
Xk
k=1
1 n
M [Xk ]| > })
k=1
1 2 2 n
D2 [Xk ] <
k=1
nc2 c2 = 2 n2 2 n
lim P ({|
1 n
Xk
k=1
1 n
M [Xk ]| > })
k=1
c2 = 0. n n2 lim
Teorema 4.2.4 (Markov) Dac variabilele aleatoare X1 , X2 , . . . , Xn , . . . au proprietatea a c: a

n
D [
i=1 n2
Xi ] 0, n ,
atunci are loc legea numerelor mari.
164
Probleme la limita
Demonstratie. Trebuie demonstrat c irul {Xn }nIN veric relatia: as a 1 > 0 : lim P ({| n n 1 Xk n k=1
n n n
M [Xk ]|
k=1
}) = 1.
Aplicm inegalitatea lui Cebev pentru variabilele aleatoare: a as

n
Y =
i=1
Xi /n, D2 [Y ] = D2 [
i=1
Xi /n] =
1 2 D [ Xi ] 0, n . n2 i=1
n
Deci D2 [Y ] < i atunci are loc inegalitatea lui Cebev: s as P (|Y M [Y ]|

n
1 1 2 D [ Xi ]. 2 n2 i=1
1 2 D [ Xi ] 0, dac n . Trecnd la limit inegalitatea precedent, a a a n a n2 i=1 obtinem armatia teoremei. Dar Observatia 4.2.1 cazul particular cnd variabilele aleatoare sunt independente, condi In a ia din enunt se scrie: t
n
D2 [Xi ] 0, n . n Teorema 4.2.5 (Hincin) Dac {Xn }nIN este un ir de variabile aleatoare independente a s dou cte dou urmnd aceeai repartitie i avnd dispersii nite, atunci a a a a s s a 1 Xk M | > }) = 0. lim P ({| n n k=1 unde M = M [Xn ], n I N. Demonstratie. Dac variabila aleatoare {Xn }nIN urmeaz aceeai repartitie, rezult a a s a D2 [Xn ] = 2 , n I , ceea ce implic satisfacerea ipotezelor Teoremei lui Cebev. N a as Observatie. Acest rezultat fundamenteaz teoretic procesul uzual de aproximare a a mediei caracteristicii studiate a unei populatii statistice prin media atitmetic a valorilor a observate. Intr-adevr, dac X1 , X2 , . . . Xn , . . . sunt privite ca valori potentiale ale unei a a variabile aleatoare X obtinute printr-un ir de probe independente, atunci teorema arat s a c media aritmetic a acestora converge ctre M = M [X]. a a a Ca un caz particular al teoremei lui Cebev se obtine teorema lui Poisson. as Teorema 4.2.6 (Poisson) Fie A un eveniment a crui probabilitate de realizare variaz a a pe parcursul unui ir de probe independente, astfel at la proba de rang k, P (A) = s nc Sn frecventa de realizare a evenimentului A primele n probe. n pk , k = 1, 2, . . . i e s n Atunci Sn p1 + p2 + . . . + pn lim P ({ | | > }) = 0. n n n
n i=1
Probleme la limita
165
Demonstratie. Denim, pentru ecare k = 1, 2, . . . n, . . . variabila aleatoare Xk ce ia valorile 1 sau 0 dup cum A se realizeaz sau nu proba de rang k. consecinta, Xk a a n In este denit a 0 1 Xk : . 1 pk pk Notnd cu Sn numrul de realizri ale lui A primele n probe, se constat a a a n a Sn 1 fn (A) = = n n
n
Xk .
k=1
Deoarece X1 , X2 , . . . Xn , . . . sunt variabile aleatoare independente i deoarece s

2 M [Xk ] = pk , D2 [Xk ] = M [Xk ] M [Xk ]2 = pk p2 = pk (1 pk ) k
1 , 4
rezult c irul {Xn }nIN veric ipotezele Teoremei lui Cebev i deci a as a as s
n
lim P ({ |
Sn p1 + p2 + . . . + pn | > }) = n n 1 Xk n k=1
n n
1 = lim P ({ | n n
M [Xk ] | > )} = 0.
k=1
4.3
Aproximri pentru repartitii discrete a
Reamintim c o variabil aleatoare binomial care ia n valori pote scris ca o sum a a a a a de n variabile aleatoare X1 , X2 , . . . Xn , Xk :
n
0 1 1p p
, k = 1, n.
Atunci Y =
k=1
Xk este o variabil aleatoare repartizat binomial, Bi(n; p). Am vzut c a a a a
o variabil aleatoare binomial, Bi(n; p), pentru valori mari ale lui n poate aproximat a a a cu o variabil aleatoare Poisson, dac p este sucient de mic astfel at np = = a a nc constant. Vom arta c o variabil aleatoare binomial, Bi(n; p) poate aproximat cu a a a a a o variabil aleatoare repartizat normal pentru orice valoare xat a lui p i pentru n a a a s sucient de mare. De exemplu, aruncm un ban de 100 de ori. Ne intereseaz probabilitatea ca s a a a obtinem fata care contine banul de 50 de ori. Rspunsul a
50 p = C100
1 2100
100! 1 50!50! 2100
este nesatisfctor deoarece nu ne d nici o idee asupra mrimii probabilitii. Nu putem a a a a at stabili dac aceast probabilitate este jurul lui 1/2 sau 1/10 sau 1/50. Dicultatea a a n apare calculul lui n! pentru n sucient de mare. n
166
Probleme la limita
Problema care se pune este de a gsi o alt functie h(n) care s constituie o bun a a a a aproximare pentru n! (o bun aproximare sensul c n! i h(n) s creasc aproape la n a n a s a a n! fel de repede odat cu n, sau |n! h(n)| s e mic cnd n crete sau lim a a a s = 1). n h(n) Denitia 4.3.1 Fie f, g : I I Spunem c f i g sunt asimptotic egale i notm R R. a s s a f g dac a f (n) lim = 1. n g(n) Relatia f i g sunt asimptotic egale este o relatie de echivalenta pe multimea functiilor s neidentic nule. Proprietile de reexivitate, simetrie i tranzitivitate rezult imediat. at s a De exemplu, un polinom variabila n este asimptotic egal cu termenul su dominant. n a cele ce urmeaz vom In a ncerca s gsim o functie h(n) astfel at a a nc n! = 1. n h(n) lim Expresia unei astfel de functii este sugerat de formula lui Stirling (vezi Anexa 2) a n h(n) = ( )n n 2. e Pare mai neplcut s calculm h(n) dect n!, dar este mult mai uor deoarece puterile a a a a s sunt mai lesne de calculat. S aplicm cazul exemplului dat a a n
50 p = C100
1 100! 1 = , 200 50!50! 2100
( 100 )100 100 2 1 100 100 10 1 2100 1 e p =( ) = = 2100 50 ( 50 )100 50 2 50 2 2100 5 2 2100 e 1 = = 0, 0797884 0, 08. 5 2 Teorema 4.3.1 (teorema local Moivre-Laplace). a Presupunem 0 < p < 1 i q = 1 p iar s k np , 0 xn,k = npq k n. (4.6)
Dac M o constant pozitiv arbitrar xat, atunci pentru acei k pentru care a a a a a |xn,k | avem
k Cn pk q nk
M
2
xn,k 1 e 2 . 2npq
(4.7)
(Convergenta este raport cu n i este uniform relativ la k.) n s a
Probleme la limita Demonstratie. Din
167
k np xn,k = npq rezult k = np + npq xn,k , adic n k = nq npqxn,k . Deoarece |xn,k | a a npq k =1+ xn,k 1 i deci k np, s np np npq nk =1 xn,k 1 i deci n k nq. s nq nq Folosind formula lui Stirling putem scrie ( n )n n 2 k k nk pk q nk Cn p q k e nk k k 2( nk n k 2 (e) ) e unde (n, k) =
M avem
(4.8)
1 n (n, k), k(n k) 2
np nq nk nn pk q nk = ( )k ( ) . n (n k)nk k k nk Deoarece k np i n k nq rezult c s a a

k Cn pk q nk
1 (n, k). 2npq

x2 n,k 2 .
Demonstrm continuare c a n a (n, k) e
Folosim dezvoltarea serie Taylor a lui ln(1 + x) n ln(1 + x) = x i obtinem s k npqxn,k npqxn,k np k np ln( ) = k ln( ) k ln( ) = k ln(1 )= k k k k npq npq = k( xn,k 2 x2 . . .), k 2k n,k n k + npqxn,k nq nk nq ln( ) = (n k) ln( ) (n k) ln( )= nk nk nk npqxn,k npq npq = (n k) ln(1 + ) = (n k)( xn,k x2 + . . .), nk nk 2(n k)2 n,k deoarece npq npq | xn,k | < 1 i | s xn,k | < 1 k nk sunt sasfcute pentru n sucient de mare pentru care |xn,k | < M . Deci a npq np k nq nk npq ln (n, k) = ln( ) + ln( ) k( xn,k 2 x2 . . .)+ k nq k 2k n,k x2 xn + . . . + (1)n1 + . . . 2 n pentru |x| < 1
(4.9)
168 +(n k)(
Probleme la limita npq npq xn,k x2 + . . .) = nk 2(n k)2 n,k npq 2 npq = ( npqxn,k xn,k . . .) + ( npqxn,k x2 + . . .) = 2k 2(n k) n,k = npq 2 1 1 n2 pq xn,k ( ) + ... = x2 + . . . 2 k nk 2k(n k) n,k
Justicm de ce neglijm termenii din dezvoltare de grad mai mare dect doi pentru a a a n . Cnd n este sucient de mare, cele dou cantiti din (4.9) sunt mai mici dect a a at a 2/3 i prin urmare Lema A2.1 din Anexa 2 este aplicabil i contributia acestora la cele s as dou serii este mrginit de a a a npq npq 3 k| xn,k | = (n k)| xn,k |3 . k (n k) Deoarece pq < 1 i |xk | s M aceasta nu depete as s n3 3 n2 M + M 3, 2 k (n k)2 care mod evident tinde la zero cnd n datorit relatiilor (4.8). Astfel, folosind n a a aceste relatii, rezult a x2 n2 pq n,k ln (n, k) xn,k = . 2npnq 2 Aceasta este echivalent cu a x2 n,k (n, k) e 2 i de aici rezult (4.7). s a Observatia 4.3.1 Aproximarea este utilizat dac n este sucient de mare astfel at a a nc np 5 i n(1 p) 5. s
2 3
4.4
Convergenta repartitie. Teorema limit cen n a tral a
Unele probleme teoria probabilitilor impun studierea unor sume cu un numr n at a foarte mare de variabile aleatoare. Teorema limit central stabilete conditiile care a a s n repartitia limit a sumelor considerate este normal. a a Teorema 4.4.1 (Moivre-Laplace) Fie A un eveniment care are probabilitatea de realizare p = P (A) ntr-un ir de probe independente. Dac Sn este numrul de realizri ale lui A s a a a n probe, atunci oricare ar a i b, a < b, n s lim P ({a Sn np npq 1 b}) = 2
b a x e 2 dx.
2
(4.10)
Probleme la limita Demonstratie. Fie k o valoare posibil a lui Sn astfel at Sn = k a nc nseamn a Sn np = xn,k npq
169
conform relatiei (4.6). Atunci probabilitatea evenimentului din dreapta formulei (4.10) este k P ({Sn = k}) = Cn pk q nk .
a<xn,k <b a<xn,k <b
Tinnd seama de faptul c a a xn,k+1 xn,k = obtinem

a<xn,k
k + 1 np k np 1 = , npq npq npq

x e 2 (xn,k+1 xn,k ).
2
1 P ({Sn = k}) K a<x <b
(4.11)
n,k <b
Corespondenta dintre k i xn,k este bijectiv i atunci cnd k variaz de la 0 la n, xn,k s as a a np nq 1 variaz intervalul [ a n , ], nu continuu, cu pasul xn,k+1 xn,k = . Pentru q p npq n sucient de mare intervalul va contine [a, b) iar punctele xn,k vor interiorul lui [a, b), n 1 . Presupunem c cea mai mic i a as artindu-l intervale echidistante de lungime mp n npq cea mai mare valoare a lui k ce satisfac conditiile a xn,k < b sunt, respectiv, j i l i s s deci vom avea xj1 < a < xj < xj+1 < . . . < xl1 < xl < b < xl+1 , i suma din (4.11) se poate scrie s
l
(xn,k )(xn,k+1 xn,k ),

k=j
unde (x) =
1 x2 e 2 K
b
Aceasta este suma Riemann pentru integrala denit a (x)dx. Fcnd n , dia a a vizarea devine din ce ce mai n i suma converge la integrala dat. Rmne de n a s a a a formula determinat constanta K. In
n
lim P ({a
Sn np npq
1 b}) = 2
b a
e 2 dx
x2
(4.12)
facem a = b i atunci s Sn np lim P (b < n npq b) = 1 K

b b x e 2 dx.
2
(4.13)
170 Dac notm a a Sn np X= , npq M [X] = 0, D2 [X] = 1 i obtinem s Sn np P (| | npq b) 1 1 . b2
Probleme la limita
atunci
(4.14)
Combinnd relatiile (4.13) i (4.14) obtinem relatia a s 1 i fcnd b obtinem s a a K=
1 b2
1 K
b b
e 2
x2
e 2 dx = 2.
x2
2,
deci constanta K din formula lui Stirling este
Inainte de a da o nou formulare teoremei Moivre-Laplace, introducem notiunea de a convergenta repartitie. n Denitia 4.4.1 Fie {Xn }nIN un ir de variabile aleatoare i {Fn }nIN irul functiilor s s s de repartitie corespunztoare. Dac irul functiilor de repartitie {Fn }nIN converge ctre a as a o functie de repartitie F ecare punct de continuitate x0 al functiei de repartitie F n corspunztoare variabilei aleatoare X, adic dac a a a
n
lim Fn (x0 ) = F (x0 )
aatunci spunem c irul {Xn }nIN converge repartitie ctre X i se noteaz as n a s a rep {Xn } X. Observatii. 1. Deoarece pot exista mai multe variabile aleatoare care au aceeai functie de repartitie, s rezult din denitie c limita unui ir de variabile aleatoare convergent repartitie a a s n nu este unic. a a a a s 2. Un exemplu de astfel de convergent este urmtorul: dac {Xn }nIN este un ir de variabile aleatoare repartizat Bi(n, n ), atunci {Xn }nIN converge repartitie a n ctre variabila aleatoare X repartizat Poisson de parametru . (Legtura a a a ntre repartitia binomial i repartitia Poisson). as Urmtoarele rezultate stabilesc legtura a a ntre cele dou moduri de convergent. a a a Teorema 4.4.2 Dac {Xn } X, atunci {Xn } X.
prob rep
Probleme la limita Demonstratie. Din denitia convergentei probabilitate, {Xn } X, rezult c n a a > 0 : lim P ({|Xn X|
n prob
171
}) = 0.
Fie Fn functia de repartitie a variabilei aleatoare Xn , F functia de repartitie a lui X i s x0 un punct de continuitate a lui F . Atunci > 0 > 0 : |F (x0 + ) F (x0 )| Din F (x0 ) = P ({X < x0 }) = P ({X < x0 } ({Xn < x0 } {Xn = P ({X < x0 } {Xn < x0 }) + P ({X < x0 } {Xn
prob
x0 })) =
x0 })
P ({Xn < x0 }) + P ({|Xn X| > }) = Fn (x0 ) + P ({|Xn X| > }) = 0, i innd seama c {Xn } X, adic s t a a a
n
lim P ({|Xn X| F (x0 )
}) = 0,
rezult a
n
lim Fn (x0 ). lim Fn (x).
Analog F (x0 + ) Rezult a

n n
lim Fn (x0 ) = F (x0 ).
Observatie. Reciproca acestei teoreme nu este adevrat. Ilustrm aceasta printr-un a a a exemplu. Fie variabila aleatoare 0 1 1 1 X: 2 2 i variabila aleatoare Y = 1 X. Variabilele aleatoare X i Y au aceeai functie de s s s repartitie. ntr-adevr, a 0 1 1 1 Y : 2 2 a 0 dac x 0 1 FX (x) = FY (x) = dac 0 < x 1 a 2 1 dac x > 1 a i |Y X| = |1 2X| = 1 indiferent de valoarea variabilei aleatoare X. Denim irul de s s variabile aleatoare {Xn }nIN unde Xn = Y . Rezult c {Xn }nIN converge repartitie a a n ctre X. Deoarece |Xn X| = 1 rezult c {Xn }nIN nu converge probabilitate ctre a a a n a X. Exist totui un caz particular care se poate stabili i legtura invers. a s n s a a
172
rep
Probleme la limita
prob
Teorema 4.4.3 Dac C este o constant real i dac {Xn } C, atunci {Xn } C. a a as a Demonstratie. Punnd X = C am denit o variabil aleatoare a crei repartitie este a a a C: c 1 .
Deci functia de repartite a variabilei aleatoare X este F (x) = Fie > 0. Atunci P ({| Xn c | }) = 1 P ({c < Xn < c + }) = 1 Fn (c + ) + Fn (c + 0) 0, dac x c, a 1, dac x > c. a
= 1 P ({Xn < c + }) + P ({Xn < c + 0})
Punctul x = c este punct de discontinuitate pentru F i s F (c + ) F (c ) = 1, deci P ({|Xn c| }) F (c + ) F (c ) Fn (c + ) + Fn (c + 0).

n
Dar c + i c + 0 sunt puncte de continuitate ale lui F i, prin ipotez, lim Fn (x) s s a = F (x) pentru orice punct de continuitate x a lui F , deci
n
lim Fn (c + ) = F (c + ),
lim Fn (c + 0) = F (c + 0) = F (c ), lim P ({|Xn C| }) = 0
i deci s
n
ceea ce exprim convergenta probabilitate a lui Xn ctre C. a n a Vom da acum o formulare mai general a teoremei Moivre-Laplace. Notm cu a a Sn = X1 + X2 + . . . + Xn , n 1,
unde Xj , j = 1, n, sunt variabile aleatoare independente Bernoulli. Stim c a M [Xj ] = p, D2 [Sn ] = npq, j = 1, n, i pentru orice n, s M [Sn ] = np, D2 [Sn ] = npq. Notm a
Xj =
Sn M [Sn ] 1 Xj M [Xj ] , Sn = = D[Xj ] D[Sn ] n
n Xj . j=1
(4.15)
Probleme la limita
173
Sn este o variabil aleatoare i se numete variabil aleatoare normalizat. Avem pentru a s s a a ecare j i n s M [Xj ] = 0, D2 [Xj ] = 1. M [Sn ] = 0, D2 [Sn ] = 1.
Transformarea liniar care duce Xj Xj sau Sn Sn are ca scop aducerea lor la o a n n variabil aleatoare cu media 0 i dispersia 1. Fiecare Sn este o variabil aleatoare care ia a s a ca valori k np . xn,k = npq Aceasta este tocmai xn,k din Teorema Moivre-Laplace i s
k P ({Sn = xn,k }) = Cn pk q nk , 0
n.
Dac utilizm functia de repartitie corespunztoare a a a

P ({Sn < x}) = Fn (x),
iar dac F este functia de repartitie normal standard, atunci teorema Moivre-Laplace se a a poate scrie sub o form mai elegant i anume a as
n
lim Fn (x) = F (x).
Observatie. Teorema poate extins urmtorul sens: e {Xn }nIN un ir de a n a s variabile aleatoare independente avnd aceeai repartitie care nu trebuie s e specicat. a s a a Trebuie, schimb, ca M [Xj ] = m < i D2 [Xj ] = 2 < . Teorema lui Laplace are n s loc i aceste conditii. s n Teorema 4.4.4 Pentru sumele Sn conditiile generalizate de mai sus i pentru a < b n s are loc b x2 Sn nm 1 lim P ({a < b}) = e 2 dx. (4.16) n n 2 a Exist a o situatie care teorema limit central are o demonstratie banal. Este a ns n a a a cazul care variabilele aleatoare {Xn }nIN sunt normale i independente. Atunci Sn = n s X1 + X2 + . . . + Xn este tot o variabil aleatoare normal cu media nm i dispersia n 2 a a s conform Teoremei 3.6.2. Exemplul 4.4.1 Determinarea volumului unei selectii bernoulliene care s permit apli a a carea legii numerelor mari. Legea numerelor mari (Teorema 4.2.2) arm c a a
n
lim P ({|fn (A) p| > }) = 0,
unde fn (A) este frecventa relativ de realizare a evenimentului A primele n probe a n independente. fn (A) = Sn k = unde Sn = X1 + X2 + . . . + Xn , Xi : Bi(n, p), i = 1, n, n n
174 M[ P ({| Sn Sn pq ] = p, D2 [ ] = , n n n 1 D2 [ Sn ] pq n = 1 2, 2 n
Probleme la limita
Sn p|}) n P ({|
Sn pq p| > }) < 2 < , n n ind dat, relatia ne permite s determinm o margine inferioar pentru volumul selectiei a a a n, deoarece pq pq pq 1 < implic n > 2 i max 2 = a s , 2 p n 42 adic a 1 . 42 Aceast margine inferioar este mai mult dect este necesar pentru a putea aplica Teorema a a a Moivre-Laplace. Sn Sn np P ({| p| > }) = P ({| | > }) = n n n> Sn np = P ({| |> npq = 1 [F ( n ) F ( pq n Sn np }) = 1 P ({| | pq npq n )] = 1 0, 5 ( pq = 1 2( Notm z = a n )< pq n }) = pq n ) pq
n ) + 0, 5 ( pq
n ; problema este s se determine z astfel at 1 2(z) < adica a nc pq 1 n 1 (z) = . Determinm z0 din relatia (z0 ) = a i n astfel at s nc = z. 2 2 pq z 2 pq z 2 pq z2 Rezult n = 2 i deci max 2 = 2 , adic a s a 4 n z2 . 42
Intr-adevr, dac lum = 0, 02 i = 0, 05 obtinem, conform Legii numerelor mari a a a s n> 1 = 125000. 4 0, 05 (0, 02)2 1 0, 05 = 0, 475, adic z a 2 1, 96 i deci s
Folosind Teorema lui Moivre-Laplace, (z) = n> (1, 96)2 = 2401. 4(0, 02)2
Probleme la limita
175
Exemplul 4.4.2 O tensiune constant, dar necunoscut, trebuie s e msurat. Fiecaa a a a a re msurtoare Xj se face cu o eroare Nj fata de valoarea exact v. Eroarea Nj are media a a a egal cu zero i dispersia egal cu 1 microvolt. a s a Xj = v + Nj Presupunem c eroarea este o variabil aleatoare independent. Cte msurtori sunt a a a a a a necesare ca media msurtorilor s e cu cel mult = 1 mai mare dect valoarea exact a a a a a cu o probabilitate de 0,99? Fiecare msurtoare Xj are v i dispersia 1, astfel at folosind legea numerelor mari a a s nc obtinem: 1 1 1 2 = 1 = 0, 99. n n Aceasta implic n = 100. Astfel dac repetm msurtorarea de 100 de ori i calculm a a a a a s a media mod normal 99% din situatii media obtinut va diferi cu cel mult 1 microvolt n n a de valoarea exact. a Exemplul 4.4.3 Pentru a estima probabilitatea unui eveniment A, se efectueaz un ir a s de experiente Bernoulli i se observ frecventa relativ a evenimentului A. De cte ori s a a a trebuie repetat evenimentul A astfel at cu o probabilitate de 0, 95 frecventa relativ s nc a a difere de p = P (A) cu 0, 01? Fiind experiente Bernoulli, media m = p i dispersia D2 [X] = p(1 p). Evident c s a p(1 p) 1/4 pentru 0 p 1. Atunci rezult a P (|fn (A) p| Pentru = 0, 01 obtinem ) D2 [X] n2 1 . 4n2
1 4n2 Rezolvm i obtinem n = 50000. Aceast evaluare s-a obtinut utiliznd inegalitatea lui a s a a Cebev care d nite evaluri destul de grosiere. Vom obtine o alt evaluare utiliznd as a s a a a Sn Teorema Moivre-Laplace. Deoarece fn (A) = obtinem: n 1 0, 95 = P ({| Sn np Sn p| < }) = P ({| | < }) = 1 2( n n n ) p(1 p)
Aceast probabilitate nu poate calculat deoarece p este necunoscut. Mai mult, deoarece a a p(1 p) 1/4pentru 0 p 1, avem p(1 p) 1/2, deci (x) descrete cnd s a argumentul crete. s P (|fn (A) p| ) < 1 2(2 n) Vrem ca probabilitatea de mai sus s e egal cu 0,95. Aceasta implic (2 n) = a a a (1 0, 95)/2 = 0, 25. Din tabele obtinem 2 n = 1, 95. Rezolvnd, obtinem n = a 2 2 (0, 98) / = 9506.
176
Probleme la limita
Exemplul 4.4.4 S se determine numrul minim de aruncri ale unei monede care s a a a a asigure cel putin cu o probabilitate de 0,9 ca diferenta dintre frecventa relativ obtinut a a i probabilitatea de aparitie a unei fete s e mai mic valoare absolut dect 0,2. s a a n a a Folosind Teorema 4.2.2 obtinem, 1 P ({|fn (A) | < 0, 2}) > 0, 9. 2 Conform Exemplului 4.4.4 avem = 0, 2, = 1 0, 9 = 0, 1 i deci s n> 1 1 = = 62, 5, n > 63. 2 4 4 0, 1 (0, 2)2 (4.17)
Cel putin 63 de aruncri asigur a a P ({| S63 1 | < 0, 2}) > 0, 9. 63 2
Putem determina intervalul care variaz frecventa relativ astfel at (4.17) s e n a a nc a satisfcut i deci frecventa absolut pentru un anumit n 63, a as a | k 1 k | < 0, 2 0, 3 < < 0, 7 n 0, 3 < k < n 0, 7. n 2 n
Dac n = 63 rezult 18 < k < 44. Deci din 63 aruncri, numrul aruncrilor reuite este a a a a a s cuprins ntre 18 i 44, atunci (4.17) este satisfcut, adic am determinat intervalul s a a a n care se situeaz numrul cazurilor favorabile aparitiei unei aceleiai fete, aceasta avnd a a s a loc cu probabilitatea de cel putin 0,9. Exemplul 4.4.5 Un zar se arunc de 1200 de ori. S se determine probabilitatea minim a a a ca numrul de aparitii ale fetei cu i puncte, i xat, s e cuprins a a ntre 150 i 250. Dar s ntre 100 i 250 ? s Constatm c p = a a | echivalent cu 200 1200 < k < 200 + 1200 . S cercetm dac aceast situatie este compatibil cu datele problemei, adic dac sisa a a a a a a temul 200 1200 = 150, 200 + 1200 = 250, are solutie. Se obtine = 1 50 = . al doilea caz, sistemul devine n 1200 24 200 1200 = 100, 200 + 1200 = 250, 1 i n = 1200. Deci s 6 1 1 k 1 k | < < < + 1200 6 6 1200 6
Probleme la limita
177
1 1 1 i este incompatibil, obtinnd, din ecare ecuatie, 1 = s a i 2 = s . Pentru 1 = 12 24 12 1 obtinem intervalul (150, 250). Cum obtinem intervalul (100, 300), iar pentru 2 = 24 P ({100 < alegem = 1 i deci s 24 = Sn Sn 1 < 250}) > P ({150 < < 250}) > 1 , 1200 1200 24
1 1 = 1 = 0.12. 2n 4 4 242 1200
Deci, cu probabilitatea de cel putin 0,88, numrul de aparitii ale unei fete a zarului cu a i puncte este intervalul (150, 250) dac aruncm zarul de 1200 ori. Pe de alt parte, n a a a innd seama de regula celor 3 de la repartitia normal, t a a Sn np P ({3 < npq 3}) = 0, 9973,
ceea ce nseamn c probabilitatea ca numrul de aparitii ale unei fete a zarului s e a a a a n intervalul (161, 239) este de 0.9973. Se poate calcula exact probabilitatea ca numrul de a aparitii ale unei fete s e cuprins a ntre 100 i 250. Deorece np = 200 i npq = 12, 91 s s obtinem P ({100 < Sn < 250}) = P ({100 < Sn np < 50}) = = P ({ 100 Sn np 50 < < }) = 12, 91 npq 12, 91
Sn np < 3, 873}) = F (3, 873) F (7, 75) = P ({7, 75 < npq i innd seama de Relatia (3.14) din Capitolul 3, s t a P ({100 < Sn < 250}) = (3, 873) + (7, 75) = = 0, 499946 + 0, 499997 = 0, 9999943, rezultat concordant cu cel anterior. n a Exemplul 4.4.6 S se calculeze probabilitatea opririi simultane a trei maini din zece a s care lucreaz independent a ntr-o fabric cazul care probabilitatea defectrii unei a n n a maini este p = 0, 2. s Numrul de maini defecte este o variabil aleatoare cu repartitie binomial: a s a a X: Se cere probabilitatea
3 P10,3 = C10 (0, 2)3 (0, 8)7 = 0, 2.
k
k Cn (0, 2)k (0, 8)10k
, k = 1, 10
178 Folosind Teorema 4.3.1 putem aproxima x10,3 = i obtinem s

3 C10 (0, 2)3 (0, 8)7
Probleme la limita
10 3
10 1 1 22 1
= 0, 21
2 1 1 10 22
(0,21)2 2
0, 246.
Diferenta 0,246-0,2=0,046 este considerat ca o aproximatie cu eroare mare. (Am vzut a a c aplicm formula dac np 5 i nq 5, dar cazul acesta np = 10 0, 2 = 2 < 5.) a a a s n Dac am avea 25 de maini i calculam probabilitatea opririi simultane a opt maini a s s s (observm c np = 25 0, 2 = 5 i nq = 25 0.8 = 20 > 5), atunci a a s
8 P25,8 = C25 (0, 2)8 (0, 8)17 = 0, 06234.
Conform Teoremei 4.3.1 x25,8 =

8 C25 (0, 2)8 (0, 8)17
8 25 0, 2 = 1, 5, 25 0, 2 0, 8
(1,5)2 1 e 2 = 0, 06475. 2 0, 2 0, 8
Diferenta 0, 06475 0, 06234 = 0, 00241 de ordinul miimilor este considerat satisfctoare din punct de vedere practic. a a a Exemplul 4.4.7 O central electric trebuie s deserveasc o retea de 10000 de becuri a a a a medii. Probabilitatea aprinderii unui bec ntr-o noapte de iarn, care constituie perioada a de vrf a consumului de energie electric, este de 0,7. S se fac analiza economic a a a a a necesar proiectrii centralei. a a Pentru a determina capacitatea centralei pot adoptate criterii diferite: s construim centrala astfel at orice moment cele 10000 de becuri s functioa nc n a neze; s se determine capacitatea centralei astfel at cu o probabilitate sucient de mare, a nc consumul obinuit s e asigurat cu energia necesar bunei functionri. s a a a Fie X o variabil aleatoare care ia ca valori numrul de becuri care pot aprinse a a ntr-o noapte. Aceast variabil aleatoare are o repartitie binomial cu a a a n = 10000, p = 0, 7, M [X] = np = 7000, D2 [X] = npq = 2100, D[X] = 45, 83 46,
Probleme la limita P ({|X M [X]| Pentru k = 2 obtinem k 46}) 1 2100 1 k2 1 =1 2 = . k 2 2100 k k2
179
3 = 0, 75. 4 Dac centrala se construiete pentru o capacitate de 7092 becuri atunci, cu o probabilitate a s de cel putin 0,75, functionarea ei este normal. Rezultatul nu este convenabil. La fel, a P ({|X 700| }) k = 3, P ({|X 7000| k = 4, P ({|X 7000| 138}) 184}) 8 = 0, 89; 9
15 = 0, 94. 16 Dac construim centrala pentru o capacitate de 7184 becuri medii atunci, cu probabilitatea a de cel putin 0,94, functionarea va normal. a S determinm capacitatea centralei astfel at cu o probabilitate de a a nc 0,99 functionarea s e normal. Folosim Teorema Moivre-Laplace cu a = . a a Sn np P ({ npq b}) = 0, 999 = F (b) = 0, 5 + (b)
0, 5 + (b) = 0, 999 (b) = 0, 499 b = 3, 09 S 10000 0, 7 n 10000 0, 7 0, 3 3, 09
Sn = 7142 se numete coecient de simultaneitate i este indicat s se fac constructia s s a a centralei pentru el. Dac centrala se construiete pentru 10000 de becuri medii, cu o a s probabilitate de 0.99, un numr de 10000-7142=2858 becuri rmn nefolosite. a a a Exemplul 4.4.8 O fabric are stoc 1660 tone dintr-o materie prim. tiind c zilnic se a n a s a consum medie 13,33 t cu abaterea 1,2 t, cu ce probabilitate aceast cantitate ajunge a n a pentru 4 luni. Notm cu Xi variabila aleatoare care ia ca valori consumul zilei i, i = 1, 120. Avem a M [Xi ] = 13, 33, D[Xi ] = 1, 2.
120
120 de zile se consum X = In a

i1
Xi . Ne am cazul general care nu se cunoate a n n s
repartitia variabilei aleatoare Xi . S determinm P ({X < 1660}). a a M [X] = nm = 120 13, 33 = 1599, 6, D[X] = n 2 = n = 13, 1, P ({X < 1660}) = P ({ X 1599, 6 1660 1599, 6 < }) = 0, 5 + (4, 6) = 0, 999. 13, 1 13, 1
Se poate deci presupune c aproape sigur cantitatea de materie prim este sucient. a a a
180
Probleme la limita
Exemplul 4.4.9 O surs radioactiv este modelat dup o lege Poisson i emite 30 a a a a s particule/or. Care este probabilitatea ca 10 minute s e emise cel mult 10 particule a n a ?
10
Notm X = a
i=1
Xi , unde Xi sunt variabile aleatoare repartizate Poisson i indepens

10
dente. Din conditiile = M [X] =

i=1
M [Xi ] = nM [Xi ]
i deci M [Xi ] = s
i s n = D2 [X] =
10
D2 [Xi ] = nD2 [Xi ],

i=1
, unde este parametrul repartitiei Poisson ce trebuie determinat din n 1 conditia = 30 6 = 5 particule/10 minute. Dup (4.16) a adic D2 [Xi ] = a P ({X
X nn 10}) = P ({ n n
10 5 10 }) = 0, 5 + ( ) = 0, 98713. 5
Exemplul 4.4.10 Fie {Xn }nIN un ir de variabile aleatoare independente s 0 n n 1 2 1 , P ({X1 = 0}) = 1, n = 2, 3 . . . . Xn : 1 n n n S se arate c {Xn }nIN se supune Legii numerelor mari. a a Vericm conditiile Teoremei 4.2.1. a
2 M [Xn ] = 0, D2 [Xn ] = M [Xn ] (M [Xn ])2 , 2 Xn :
2 1 n
prob
1 2 n
2 M [Xn ] = 2,
D2 [Xn ] = 2
Conform Teoremei 4.2.1, {Xn } 0. Dac notm a a 1 Yn = n atunci 1 M [Yn ] = 0, D [Yn ] = 2 n

2 n n
Xk ,
k=1
D2 [Xk ] =
k=1
2(n 1) 1 2n 1 + 2 = 0 2 n n n2 {Yn } 0.
prob
deci
n
lim P ({|Yn M [Yn ]| < }) = 1
Probleme la limita
181
4.5
Legtura dintre convergenta irurilor functiilor a s de repartitie i convergenta irurilor functiilor ca s s racteristice
Teorema 4.5.1 Fie Fn un ir de functii de repartitie i F o functie de repartitie. Dac s s a Fn F orice punct de continuitate a lui F , rezult c pentru orice f : I I n a a R R continu i mrginit are loc as a a
n
lim
f (x)dFn (x) =
I R I R
f (x)dF (x)
Demonstratie. Fie M = sup |f (x)| i e a, b puncte de continuitate ale lui F at s nc

xI R
F (a)
i 1 F (b) s
Deoarece pe un interval nchis [a, b] orice functie continu este i uniform continu, alegem a s a punctele de continuitate ale lui F , xk cu 0 k s astfel at nc a = x0 < x 1 < . . . < x s = b i s |f (x) f (xk )| , x [xk , xk+1 ], 0 k s 1. Introducem functia auxiliar de salturi f denit astfel: a a f (x) = Are loc, evident, |f (x) f (x)| < , x [a, b]. Pentru orice functie de repartitie G are loc
s1
f (xk ), 0,
dac a dac a
xk x < xk+1 , x < x 0 , x xs ,
s 1.
f (x)dg(x) =
I R k=0
f (xk )(G(xk+1 ) G(xk )).
Deoarece x = xk , 0 n lim
s, F este continu, lim Fn (x) = F (x) i deci a s

n s1
f (x)dFn (x) = lim

I R s1
f (xk )(Fn (xk+1 ) F (xk )) =

k=0
=
k=0
f (xk )(F (xk+1 ) F (xk )) =

I R
f (x)dF (x),
deci
n
lim
f (x)dFn (x) =
I R I R
f dF (x).
(4.18)
182 De asemenea avem

a
Probleme la limita
|f (x) f (x)|dF (x) =

I R b
|f (x) f (x)|dF (x)+
+
a a
|f (x) f (x)|dF (x) +

b b
|f (x) f (x)|dF (x)
|f (x)|dF (x) +
a a b
|f (x) f (x)|dF (x) +

b
|f (x)|dF (x)
dF (x) +
a
|f (x) f (x)|dF (x) + M

b
dF (x) =
= M F (a) + (F (b) F (a)) + M (1 F (b)). Dac inem seama de (4.18), gsim at a |f (x) f (x)|dF (x)
I R
(2M + 1).
(4.19)
Din convergenta repartitie, pentru n sucient de mare, avem n |Fn (a) F (a)| < i |Fn (b) F (b)| < s . 2M 2M
Fcnd acelai rationament ca mai sus gsim evaluarea a a s a |f (x) f (x)|dFn (x)
I R
(2M + 1).
(4.20)
Din (4.18), (4.19) i (4.20) avem s |

I R
f (x)dFn (x)
I R
f (x)dF (x)|
I R
|f (x) f (x)|dFn (x) +

I R
|f (x)
f (x)|dF (x) + |
I R
f (x)dFn (x)
I R
f (x)dF (x)|
(4M + 3).
Deoarece este arbitrar, rezult teorema. a Mentionm c i implicatia invers este adevrat. a as a a a Teorema 4.5.2 Dac Fn este un ir de functii de repartitie, atunci exist un subir Fnk a s a s convergent la o functie nedescresctoare punctele sale de continuitate. a n Demonstratie. Fie (xn )nIN o multime numrabil arbitrar de numere reale, dens a a a a n I de exemplu multimea numerelor rationale. Deoarece irul {Fn (x1 }nIN [0, 1] (ind R, s 1 mrginit), din teorema lui Bolzano- Weierstrass exist un subir convergent {Fn (x1 }nIN . a a s 2 2 s Analog, din irul mrginit {Fn (x2 )} extragem un subir convergent {Fn (x2 )}nIN etc. s a n a Rezult c irul diagonal {Fn }nIN ) (cu exceptia eventual a unui numr nit de tera as k s meni) este continut toate subirurile {Fn }nIN ,kIN i deci converge , oricare ar n s x Q. Introducem def F (x) = lim Fnk (x).
k
Probleme la limita
183
F este, evident, nedescresctoare i mrginit pe Q i poate extins la I cu pstrarea a s a a s a R a proprietilor at F (x) = sup F (y).
y<x,yQ
S demonstrm c {Fnk } F punctele sale de continuitate. Fie x0 un punct de a a a n continuitate a lui F i s alegem > 0 at pentru |x x0 | < s avem s a nc a |F (x) F (x0 )| < . Introducem functiile auxiliare dac x x0 , a 1, x x 0 , dac x0 x x0 , a f1 (x) = 0, dac x x0 , a dac x x0 , a 1, x0 x 1 , dac x0 x x0 + , a f2 (x) = 0, dac x x0 + . a Avem, evident,
x0
f1 (x)dF (x)
I R x0 +
dF (x) = F (x0 ) dF (x) = F (x0 + )
F (x0 ) , F (x0 ) + ,
f2 (x)dF (x)
I R
i analog pentru Fnk s

x I R
f1 (x)dFnk (x) f2 (x)dFnk (x)
dFnk (x) = Fnk (x0 ), dFnk (x) = Fnk (x0 ).
I R
Pentru n sucient de mare, conform teoremei 4.4.1, |

I R
f1 (x)dFnk (x) f2 (x)dFnk (x)
f1 (x)dF (x)| < ,

I R
|
I R
f2 (x)dF (x)| < .

I R
Din ultimele ase relatii deducem s F (x0 ) 2 Deoarece > 0 este arbitrar rezult a a
n
Fnk (x0 )
F (x0 ) + 2.
lim Fn (x0 ) = F (x0 ).
184
Probleme la limita
Teorema 4.5.3 Dac irul {Fn } de functii de repartitie converge repartitie ctre funcas n a ia F n toate punctele de continuitate ale lui F , atunci irul {n } al functiilor caracterist s tice corespunztoare converge (uniform pe orice interval mrginit) la functia caracteristic a a a corespunztoare lui F . a Demonstratie. Deoarece n (t) =
I R
eitx dFn (x) i (t) = s

I R
eitx dF (x)
i functia eitx este continu i mrginit pe I Conform Teoremei 4.5.2 rezult s as a a R. a

n
lim n (t) = (t)
(se poate demonstra i convergenta uniform). s a Teorema 4.5.4 Dac irul {n }nIN de functii caracteristice converge pentru orice t I as R a la continu pe I atunci irul {Fn }nN de functii de repartitie corespunztoare cona R, s verge ctre o functie de repartitie F ; plus, este functia caracteristic corespunztoare a n a a lui F . Demonstratie. Din Teorema 4.5.1 exist un subir {Fnk }kIN care converge la o functie a s F nedescresctoare, continu la stnga toate punctele de continuitate ale lui F . S a a a n a demonstrm c F este o functie de repartitie. Presupunem, prin absurd, c a a a F () > 0 F (+) < 1 i s = F (+) F () < 1. Fie > 0 ales arbitrar astfel at < 1 . Deoarece n i n (0) = 1, rezult c nc s a a (0) = 1 i deoarece este continu pe I putem lua > 0 sucient de mic at s a R nc 1 | 2 De asemenea putem alege x0 >
(t)dt| > 1
4
>+ . 2 2
(4.21)
dac K > 0 sucient de mare, at a nc dFnk (x) < + , dac k > K a 4 |x|<x0
k = Fnk (x0 ) Fnk (x0 ) =
ceea ce este posibil deoarece Fnk este o functie de repartitie. Deoarece nk este o functie caracteristic, a [ eitx dt]dF (x). (t)dt =
nk I R nk
Dar |
eitx dt|
2 deoarece |eitx | = 1, iar pe de alt parte, calculnd efectiv aceast a a a 1 1 2 eitx = eitx | = [ei x ei x ] = sin( x). ix ix x
integral, a
Probleme la limita
185 1 avem

Deci, pentru |x| > x0 , innd seama de faptul c | sin( x) t a a Deci |
eitx dt <
2 . x0
nk x(t)dt|
|x| x0
eitx dt]dFnk (x)|+
+|
x>x0
2 eitx dt]dFnk (x)| < 2 k + . x0
artind prin 2 Imp 1 | 2

nk (t)dt| < k +
1 1 <+ + <+ , x0 4 4 2
ceea ce contrazice (4.21). Din teorema 4.5.3,

k
lim
I R
eitx dFnk (x) =
eitx dF (x) = (t).

I R
Rmne s demonstrm c {Fn } converge repartitie ctre F . S presupunem contrariul; a a a a a n a a atunci exist un subir {Fnk } care converge repartitie ctre F = F , dar F este a s n a o functie de repartitie cu aceeai functie caracteristic, deci din Teorema de unicitate s a Cap.III, Teorema 3.5.4 rezult F F . a
4.6
Convergenta aproape sigur a
Deoarece variabilele aleatoare sunt functii denite pe spatiul de selectie (cu proprieti at suplimentare) putem vorbi de covergenta punctual a unui ir de variabile aleatoare a s {Xn }nIN ctre variabila aleatoare X, elegnd prin aceasta c irul numeric de variabile a nt a as aleatoare {Xn (e)}nIN , e E converge ctre X(e). a Denitia 4.6.1 Sirul de variabile aleatoare {Xn }nIN converge aproape sigur ctre vari a a.s. abila aleatoare X (notat {Xn }nIN X) dac multimea evenimentelor care {Xn }nIN a n converge punctual la X formeaz un eveniment de probabilitate 1, a P ({Xn X}) = 1, echivalent cu P ({Xn X}) = 0. Observatia 4.6.1 Convergenta aproape sigur se mai numete convergent tare. a s a Teorema 4.6.1 Dac pentru orice r I are loc a N
(4.22)
P ({|Xn X|
n=1
1 }) < r
(4.23)
atunci {Xn }nIN X.
a.s.
186
Probleme la limita Ar n = {e E, |Xn X|

r P (Bn ) k=1 1 } r
Demonstratie. Fie
i s
r Bn
=
k=1
Ar . Din faptul c a n+k 1 }) r
P (Ar ) = n+k
l=n+1
P ({|Xl X|
i cum seria din (4.23) este convergent, rezult c restul seriei converge la zero i deci s a a a s
n r lim P (Bn ) = 0.
(4.24)
Fie B r = B 1
B2
B3
. . . i cum P (B) s
r=1
P (B r ) rezult, conform (4.24) c P (B) = a a
0, unde de fapt B este multimea evenimentelor pentru care Xn nu converge la X. Se poate demonstra c dac {Xn }nIN X atunci {Xn }nIN X i deci a a s rep {Xn }nIN X. Un alt rezultat, datorat lui E. Borel, face parte din legea numerelor mari (forma tare) i reformuleaz, s a ntr-o manier arit, armatia continut teorema lui Bernoulli. a nt a a n Teorema 4.6.2 (Borel) Fie A un eveniment care are probabilitatea de realizare p = P (A) Sn ntr-un ir de probe independente i e s s frecventa relativ de realizare a evenimentului a n A din n probe. Atunci are loc convergenta aproape sigur a irului frecventelor relative a s Sn ctre p. a n Sn a.s. p. n Demonstratie. Conform Teoremei 4.5.1 este sucient s artm c seria a aa a
a.s. prob
P ({|
n=1
Sn p| n
1 }) r
(4.25)
este convergent, oricare ar r I . Pentru aceasta vom observa, ca i la inegalitatea a N s lui Cebev, c putem stabili urmtoarea inegalitate pentru orice variabil aleatoare X as a a a pentru care exist M [(X M [X])4 ] a P ({|X M [X]| }) 1 M [(X M [X])4 ]. 4
4.7
Convergenta medie n
Denitia 4.7.1 Sirul de variabile aleatoare {Xn }nIN converge medie de ordinul r n r ctre variabila aleatoare X dac exist momente absolute M [|Xn | ], n I i M [|X|r ] i a a a N s s dac a lim M [|Xn X|r ] = 0,
n
i scriem {Xn }nIN X s
Probleme la limita
187
Teorema 4.7.1 Dac irul de variabile aleatoare {Xn }nIN converge medie de ordinul as n r ctre variabila aeatoare X atunci converge probabilitate ctre X. a n a Demonstrate. Folosim inegalitatea analog inegalitii lui Cebev, dar pentru momentul a at as centrat de ordin r, Relatia (3.41): P ({|Xn X| rezult c deoarece are loc (4.22) atunci a a
n
})
M [|Xn X|r ] r
lim P ({|Xn X|
}) = 0.
Observatie. Dac r = 2 convergenta medie de ordinul doi se numete convergent a n s a medie ptratic. n a a Concluzie. {Xn }nIN X prob rep = {Xn }nIN X = {Xn }nIN X . r {Xn }nIN X
a.s.
188
Probleme la limita
4.8
Probleme propuse
Problema 4.1 Se dau variabilele aleatoare independente X1 , X2 , . . . , Xn , . . ., unde Xn ia valorile na, 0, na, a I + cu probabilitile: R at 2 2 a) p1 = 1/2n , p2 = 1 1/n , p3 = 1/2n2 , b) p1 = 1/2n , p2 = 1 1/2n1 , p3 = 1/2n . Satisfac aceste iruri {Xn }nIN legea numerelor mari? s Solutie. a) na 0 na Xn : , n = 1, 2, . . . , 2 2 1/2n 1 1/n 1/2n2 M [Xn ] = 0, M [X 2 ] = a2 , D2 [X] = M [X 2 ] = a2 < . Sirul {Xn }nIN satisface legea numerelor mari, folosind Teorema lui Cebev. as b) na 0 na Xn : , n = 1, 2, . . . , 1/2n 1 1/2n1 1/2n M [Xn ] = 0, M [X 2 ] = n2 a2 /2n1 , D2 [X] = M [X 2 ] (M [X])2 = n2 a2 /2n1 < . Intruct D2 [Xn ] nu este constant nu se poate aplica Teorema lui Cebev. Se aplic a a as a Teorema lui Hincin. Problema 4.2 Fie irul de variabile aleatoare independente {Xn }nnn . Xn ia valorile: s n, (n 1), . . . , 1, 0, 1, . . . , n 1, n cu probabilitile: at P (|Xn | = k) = 1 2 1 1 1 , k = 1, n, P (Xn = 0) = 1 (1 + 3 + 3 + . . . + 3 ). 3 3k 3 2 3 n
Se aplic irului {Xn }nnn legea numerelor mari? as Solutie. Tabloul de repartitie al variabilei aleatoare Xn este: Xn : n . . . 1 1 . . . 1 1 2 (1 + 3n3 3 3
n 2 D2 [Xn ] = M [Xn ] = k=1 1 23
0 + 313 + . . . +
n
1
1 ) n3 1 3
2
1 323
... ...
n
1 3n3
M [Xn ] = 0, n = 1, n k2 1 2 1 2 = < (1 + ln n). 3k 3 3 k=1 k 3
Pentru majorare am utilizat egalitatea: 1+ 1 1 1 + + . . . + = ln n + C + n , lim n = 0 n 2 3 n
iar C este constanta lui Euler cu C 0.577. Vom aplica Teorema lui Markov:
n
1 2 D [ Xi ] = n2 i=1
D2 [Xi ]
i=1
n2
<
1 2n (1 + ln n), n2 3
Probleme la limita 1 2 2 D [ Xi ] < (1 + lnn) 0, n . 2 n 3n i=1 Deci irului {Xn }nIN i se poate aplica legea numerelor mari. s
n
189
Problema 4.3 Se d irul de variabile aletoare independente {Xn }nIN cu M [X] = as 2 a 0, D [X] = n , a =const., a < 1. Se aplic irului dat legea numerelor mari? as Indicatie. Se aplic Teorema lui Markov. a Problema 4.4 Se d irul de variabile aleatoare {Xn }nIN independente: Xn ia a s valorile n, 0, n cu probabilitile 1/n, 1 2/n, 1/n respectiv. Se aplic acestui ir at a s legea numerelor mari? Indicatie. Da, ntruct se poate aplica teorema lui Cebev. Trebuie vericat conditia a as a 2 D [Xn ] < c. Problema 4.5 Probabilitatea ca o diod s se defecteze a a nainte de 1000 ore de functionare este de 0,45. Dac 1000 de diode sunt testate, care este probabilitatea ca a s se defecteze un numr de diode cuprins a a ntre 4450 i 4515 s nainte de a functiona 1000 de ore? Indicatie. p = 0, 45, q = 0, 55, n = 104 , np = 4500, 2 = npq = 2475, a = 0, 4020, b = 0, 3015. Utiliznd (4.12) i legtura cu functia lui Laplace, obtinem a s a P ({0, 4020 Sn 4500 2475 0, 3015}) = (0, 3015) + (0, 4020) = 0, 275.
Problema 4.6 Probabiliatea ca un rezistor s nu e la limita de tolerant este 0,1. a a S-au cumparat 1000 de rezistoare. Care este probabilitatea ca mai mult de 100 rezistoare a s nu e la limita de toleranta? a Sn 100 Indicatie. P ({1, 0541 94, 9}) = 0, 0778 90 Problema 4.7 cazul unui semnal luminos dirijat spre un detector fotoelectric, In numrul k de electroni emisi urmeaz o repartitie Poisson cu media = 150. Un semnal a a este detectat dac emite mai mult de 140 de electroni. Care este probabilitatea ca semnalul a s e pierdut? a (150)k ek . Fie X variabila aleatoare care k! k=0 ia ca valori numrul de electroni emisi. Calculm a a Indicatie. Aceast probabilitate este p = a P ({X X 150 140}) = P ({ 150 140 150 }) = 0, 5 (0, 8165) = 0, 209. 150
140
Problema 4.8 Presupunem c numrul particulelor emise de o mas t secunde este a a a n o variabil aleatoare Poisson cu media t. Folosind inegalitatea lui Cebev s se obtin a as a a o margine pentru probabilitatea ca |N (t)/t | s nu depeasc . a as a Indicatie. P (|N (t)/t | ) t 2
190
Probleme la limita
Problema 4.9 Numrul mesajelor care sosesc la un canal de comunicatie este o a variabil aleatoare Poisson cu media de 10 mesaje/secund. Folosind teorema limit a a a central s se estimeze probabilitatea ca mai mult de 650 de mesaje s ajung a a a a ntr-un minut. Indicatie. Se utilizeaz Exercitiul 4.4.9. a
Capitolul 5 Procese stochastice

In studiul unor probleme zice sau tehnologice apar fenomene care se desfoar as a n timp i care se numesc procese. S dm cteva exemple. s a a a 1. modelul atomului de hidrogen, datorat lui Bohr, electronul se poate plasa pe In una din orbitele admisibile; la un moment dat t, denim variabila aleatoare X(t), care ia valoarea i, dac electronul se gsete pe orbita i. a a s 2. Numrul de impulsuri care se produc intervalul (0, t) la o central telefonic este a n a a o variabil aleatoare pe care o notm X(t). a a 3. Dac micarea unei particule depinde de circumstante ampltoare, de exemplu a s nt a de ciocnirea cu alte particule, atunci ecare moment t, viteza V (t) sau pozitia X(t) n sunt variabile aleatoare. 4. Un semnal aleator este o und electric, sonor etc. ce traverseaz un anumit mediu a a a a la un moment dat i pe care notm cu X(t). Un semnal poate conditional determinist s l a dac se cunoate expresia analitic a undei; de exemplu X(t) = sin(t + ) , unde este a s a o variabil aleatoare. a ecare din exemplele precedente se pune evidenta o familie de variabile aleatoare In n {X(t)}, cu t T, T I care denete un proces stochastic. R, s
5.1
Lanturi Markov
Fie {E, K, P } un cmp borelian de probabilitate. a R, R, Denitia 5.1.1 Familia de variabile aleatoare X(t) : E I unde t T I se numete proces stochastic. Dac T = I procesul se numete lant. s a N s Ne ocupm detaliu de lanturi cu un numr nit de valori. Fie S o multime nit, a n a a ale crei elemente le numim stri, numerotate a a ntr-un mod bine-denit i care reprezint s a multimea tuturor valorilor pe care le pot lua variabilele aleatoare X(n). Vom nota X(n) = Xn . Presupunem cunoscute probabilitile at pi = P ({X0 = i}), i S, 191
192 pe care le vom numi probabiliti initiale ale lantului. Evident at pi = 1.

iS
Procese stochastice
Denitia 5.1.2 Lantul {Xn }, n I se numete lant Markov dac are loc N s a P ({Xn+1 = in+1 }|{Xn = in , . . . , X0 = i0 }) = P ({Xn+1 = in+1 }|{Xn = in }). (5.1)
Egalitatea (5.1) este cunoscut sub numele de proprietatea Markov i se interpreteaz a s a intuitiv prin aceea c lantul pstreaz asupra trecutului amintirea cea mai recent, deci a a a a trecutul este n ntregime rezumat starea din ultimul moment cunoscut. n Se poate demonstra echivalenta dintre conditia (5.1) i relatia : s t0 < t1 < . . . tn < tn+1 I R, P ({Xtn+1 = in+1 }|{Xtn = in , . . . , Xt0 = i0 }) = P ({Xtn+1 = in+1 }|{Xtn = in }). (5.2)
Relatia (5.2) corespunde situatiei care schimbarea strilor nu se face la momente echidis n a tante de timp. Propozitia 5.1.1 Dac {Xn }, n I este un lant Markov, are loc urmtoarea formul a N a a de calcul:
n
P ({Xn = in , . . . , X0 = i0 }) = pi0
t=1
P ({Xt = it }|{Xt1 = it1 }).
(5.3)
Demonstratie. Vom folosi probabilitatea unei intersectii. P ({Xn = in , . . . , X0 = i0 }) = P ({X0 = i0 } {X1 = i1 } . . . {Xn = in }) = = P ({X0 = i0 })P ({X1 = i1 }|{X0 = i0 })P ({X2 = i2 }|{X1 = i1 , X0 = i0 }) . . . P ({Xn = in }|{Xn1 = in1 , . . . , X0 = i0 }) = = P ({X0 = i0 })P ({X1 = i1 }|{X0 = i0 })P ({X2 = i2 }|{X1 = i1 }) . . . . . . P ({Xn = in }|{Xn1 = in1 }). Ultima relatie s-a obtinut folosind proprietatea Markov; scris condensat este de fapt a relatia (5.3). Denitia 5.1.3 Probabilitile date de formula at p(t, it1 , it ) = P ({Xt = it }|{Xt1 = it1 }), t = 1, . . . n, se numesc probabiliti de trecere. at Denitia 5.1.4 Un lant Markov se numete omogen dac p(t, it1 , it ) nu depinde explicit s a de t, deci are loc p(t, it1 , it ) = p(it1 , it ) In caz contrar, procesul se numete neomogen. s
Procese stochastice
193
Vom nota aceste probabiliti cu pit1 ,it . Pentru un lant Markov omogen, relatia (5.3) at devine
n
P ({Xt = it , . . . X0 = i0 }) = pi0
t=1
pit1 ,it .
(5.4)
In cazul unui lant Markov omogen, vom introduce notatia pij = P ({Xt+1 = j}|{Xt = i}), i, j S. Matricea P = (pi,j ) se numete matrice de trecere. s Propozitia 5.1.2 Matricea de trecere a unui lant Markov omogen satisface relatiile : i, j S pij 0, . pij = 1, i S
jS
(5.5)
Demonstratie. Prima armatie este evident. Pentru a doua s observm c evenimentul a a a a sigur E = {Xt+1 = j} i c s a
jS
1=P
jS
{Xt+1 = j} |{Xt = i}
=
jS
P ({Xt+1 = j}|{Xt = i}) =

jS
pij .
O matrice ce satisface aceste dou proprieti se numete stochastic. Se poate uor a at s a s demonstra c produsul a dou matrice stochastice este o matrice stochastic. Un lant a a a Markov este caracterizat de probabilitile initiale i de trecere. Am vzut c dac se at s a a a cunosc probabilitile initiale i de trecere se pot determina pentru orice n, probabilitile at s at care caracterizeaz un lant stochastic, adic a a P ({Xt = it , Xt1 = it1 , . . . , X0 = i0 }), t = 0, 1, . . . , n. Reciproc, se poate demonstra c dac pi , i S, este un ir cu proprietile a a s at pi 0 ,
iS
pi = 1
i (pij ), i, j S, este o matrice cu proprietile : s at pij 0 ,

jS
pij = 1,
atunci exist un corp borelian i un lant Markov omogen, cu multimea strilor S, cu pi a s a probabiliti initiale i pij probabiliti de trecere. at s at
194 Exemplul 5.1.1 Dou urne au urmtoarea componenta : a a Ua are 4 bile albe i 6 bile negre s Un are 5 bile albe i 5 bile negre s
Procese stochastice
Alegem la amplare o urn i din ea o bil, pe care o punem nt as a napoi urn; dac bila este n a a alb extragem urmtoarea bil din Ua , iar dac e neagr din Un i continum procedeul. a a a a a s a Este un exemplu de lant Markov omogen, cu probabilitile initiale p1 = p2 = 1 , deoarece at 2 alegerea urnelor este egal probabil; denim strile a a S1 se extrage o bil din urna Ua a S2 se extrage o bil din urna Un a i ilustrm prin urmtoarea diagram: s a a a Matricea de trecere este P = 0, 4 0, 6 0, 5 0, 5 .
Exemplul 5.1.2 Intr-o urn sunt a bile albe i b bile negre. Se efectueaz un ir innit a s a s de extrageri astfel at dup ecare extragere se pun nc a napoi dou bile de aceeai culoare a s cu cea extras. Fie Xk numrul de bile la momentul k. Denim probabilitile de trecere a a at i 1 , dac j = i, a a+b+k i P ({Xk+1 = j}|{Xk = i}) = dac j = i + 1, a a + b + k, 0, dac j = i, i + 1. a Numrul de bile din urn la momentul k+1 depinde numai de numrul de bile din urn a a a a aate la momentul k, neind necesar ntreg istoricul. Probabilitile de trecere depind at efectiv de momentul care s-a desfurat extractia, deci e un lant Markov neomogen. n as Dat un lant Markov omogen, ne propunem s determinm probabilitile a a at P ({Xn+m = j}|{Xm = i}), n I , N a pe care le numim probabiliti de trecere dup n pai. Denim prin recurenta pij , dup at a s formulele (1) pij = pij (n+1) (n) (1) (5.6) = pik pkj n I . N pij
kS (n)
Sub form matriceal, relatiile (5.6) devin: a a P (n) = P . . . P = P n .
Procese stochastice Propozitia 5.1.3 Pentru orice n I are loc N pij = P ({Xn+m = j}|{Xm = i}), m I . N
(n)
195
(5.7)
Demonstratie. Vom demonstra prin inductie. Observm c pentru n = 1, gsim denitia a a a probabilitilor de trecere date de (5.5). Presupunem c (5.7) are loc pentru n I i s at a N s a determinm a P ({Xn+1+m = j}|{Xm = i}) =
kS
P ({Xn+m+1 = j, Xn+m = k}|{Xm = i}),
aceasta deoarece {Xn+m = k}, k S, formeaz un sistem complet de evenimente i are a s loc formula probabilitii totale (vezi Exemplul 6.6, Capitolul 1). Aplicnd continuare at a n formula probabilitii conditionate i proprietatea Markov, ultimul membru este at s P ({Xn+1+m = j, Xn+m = k}|{Xm = i}) =
kS
=
kS
P ({Xn+m+1 = j} {Xn+m = k} {Xm = i}) = P ({Xm = i}) P ({Xn+m+1 = j} {Xn+m = k} {Xm = i}) P ({Xn+m = k} {Xm = i}) P ({Xn+m = k} {Xm = i}) = P ({Xm = i})
=
kS
=
kS
P ({Xn+m+1 = j}|{Xn+m = k, Xm = i})P ({Xn+m = k}|{Xm = i}) =

kS
P ({Xn+m+1 = j}|{Xn+m = k})P ({Xn+m = k}|{Xm = i}) = =

kS
p1 P ({Xn+m = k}|{Xm = i}). kj
Folosind ipoteza inductiv ultimul membru este a pik pkj = pij

kS (n) (1) (n+1)
Deci armatia este dovedit. a Dac a ntr-un lant Markov omogen se cunosc probabilitile initiale i matricea de at s trecere, atunci probabilitatea ca la momentul n I sistemul s se ae starea i, i S, N a n probabilitate pe care o vom nota pi (n), este dat de formula a pi (n) =
jS
pj (n 1)pji .
(5.8)
196 Intr-adevr, la momentul n a pi (n) = P ({Xn = i}) = P {Xn = i}

jS
Procese stochastice
{Xn1 = j}
=P
jS
({Xn = i} {Xn1 = j}) =
=
jS
P ({Xn1 = j})P ({Xn = i}|{Xn1 = j})
pj (n 1)pji .
jS
Exemplul 5.1.3 Un calculator poate privit ca un sistem S care se poate aa ntr-una din urmtoarele stri: a a S1 calculatorul functioneaz normal; a S2 calculatorul prezint unele dereglri, dar poate executa programe; a a S3 calculatorul prezint unele dereglri i rezolv un numr limitat de probleme; a a s a a S4 calculatorul nu functioneaz. a La momentul initial calculatorul functioneaz, deci se a starea S1 cu probabili a a n tatea 1 i se poate presupune c el trece celelalte stri cu probabilitile indicate de s a n a at urmtoarea schem a a Deci matricea de trecere este 0, 3 0, 4 0, 1 0, 2 0 0, 2 0, 5 0, 3 . P = 0 0 0, 4 0, 6 0 0 0 1 S determinm probabilitile strilor la momentul n = 2. Deoarece la momentul initial a a at a calculatorul functioneaz, probabilitile initiale sunt a at p1 = 1, p2 = p3 = p4 = 0. Folosind (5.8) gsim a p1 (1) = 0, 3; p2 (1) = 0, 4; p3 (1) = 0, 1; p4 (1) = 0, 2 i s p1 (2) = 0, 09; p2 (2) = 0, 2; p3 (2) = 0, 27; p4 (2) = 0, 44. Propozitia 5.1.4 Pentru orice m, n I are loc N pij
(m+n)
=
kS
pik pkj .
(n) (m)
(5.9)
Procese stochastice
197
Demonstratie. Demonstrm prin inductie dup m. Pentru m = 1 regsim (5.7). Inlocuind a a a m cu m + 1, s evalum a a pij
(n+m+1)
=
kS
pik pil
(n)
(n+m) (1) pkj
=
kS lS
pil plk pil plj

lS
(n) (m)
pkj = .
(1)
=
lS
plk pkj =
kS
(m) (1)
(n) (m+1)
Relatia (5.9) se numete relatia Chapman-Kolmogorov. Matriceal ea se scrie s P (m+n) = P (m) P (n) . Cu ajutorul matricei de trecere putem exprima probabilitatea aparitiei unor stri la a momente nesuccesive. Exemplul 5.1.4 Dac avem un lant Markov omogen cu matricea de trecere P , s detera a minm a P ({X10 = l, X8 = k, X5 = j}|{X1 = i}). Folosind formula probabilitii unei intersectii i proprietatea Markov, avem at s P ({X10 = l, X8 = k, X5 = j, X1 = i}) = P ({X1 = i}) = P ({X1 = i})P ({X5 = j}|{X1 = i})P ({X8 = k}|{X5 = j})P ({X10 = l}|{X8 = k}) = P ({X1 = i}) = pij pjk pkl .
(4) (3) (2)
198 Exemple de lanturi Markov omogene. Exemplul 5.1.5 Mers la amplare pe segmentul [0, l] [11]. nt
Procese stochastice
a. cu bariere absorbante; o particul se deplaseaz pe o ax orientat ocupnd doar a a a a a punctele de abscis 0, 1, . . . l. La ecare moment particula rmne imobil dac se a a a a a a a ntr-unul din punctele 0 sau l i face un pas la dreapta cu probabilitatea p sau la stnga s a cu probabilitatea q. Matricea de trecere este 1 0 0 ... 0 0 0 q 0 p ... 0 0 0 P = ... ... ... ... ... ... ... . 0 0 0 ... q 0 p 0 0 0 ... 0 0 1 b. cu bariere reectante; dac particula ajunge a respectiv l 1. Matricea de trecere este 0 1 0 ... 0 q 0 p ... 0 ... ... ... ... ... P = 0 0 0 ... q 0 0 0 ... 0 0 sau l, este reectat 1, n a n 0 0 ... 0 1 0 0 ... p 0 .
s a Exemplul 5.1.6 Un model din teoria ateptrii [11]. O statie de deservire poate servi clientii la momentele 0, 1, 2, . . .. Numrul de clienti a care sosesc intervalul (n, n + 1) este o variabil aleatoare notat Xn . Presupunem c n a a a Xn sunt variabile aleatoare independente i identic repartizate s Xn : k pk
+
,
k=0 k=0
pk = 1
i c exist un loc de ateptare pentru cel mult m clienti, numr care se include i s a a s a n s clientul care este servit. Clientii care ajung statie i gsesc m clienti, pleac fr a n s a a aa serviti. Fie Yn numrul de clienti prezenti la momentul n, care se include i clientul care este a n s servit. Yn este un lant Markov cu strile 0, 1, . . . m. Yn+1 este egal cu numrul clientilor a a la momentul n, mai putin cel servit la momentul n (dac exist) plus numrul clientilor a a a care sosesc intervalul (n, n + 1), dac rezultatul nu depete m i este egal cu m caz n a as s s n contrar. Deci a 1 Yn m, 0 Xn m + 1 Yn , Yn 1 + Xn , dac Xn , dac a Yn = 0, 0 Xn m 1, Yn+1 = m, rest. n
Procese stochastice
199
Deoarece Yn+1 depinde doar de Yn , iar variabilele aleatoare Xn i Yn sunt independente, s rezult c Yn este un lant Markov. S determinm matricea de trecere. Notm cu pm = a a a a a pm + pm1 + . . . p0j = P ({Yn+1 = j}|{Yn = 0)} = P ({Xn = j}) = pj , P ({Xn m}) = pm , dac a dac a 0 j m 1, j = m;
pij = P ({Yn+1 = j}|{Yn = i}) = dac a i1 j P ({Xn = j + 1 i}) = pji+1 , P ({Xn m + 1 i}) = pm+1i , dac a j = m, = 0, rest. n Rezult matricea a p0 p1 p2 . . . pm1 pm p0 p1 p2 . . . pm1 pm 0 p0 p1 . . . pm2 pm1 . . . . . . . . . . . . . . . . . . . 0 0 0 . . . p1 p2 0 0 0 . . . p0 p1 Exemplul 5.1.7 Un model din teoria stocurilor. [11]
m 1,
O marf este stocat pentru a putea satisface cererile ampltoare. Completarea a a nt a eventual a stocului se face la momentele 0, 1, 2, . . ., iar cererea intervalul (n, n + 1) a n este o variabil aleatoare Xn , cu repartitia a Xn : k pk

,
k=0 k=0
pk = 1.
Presupunem c Xn sunt independente. Dac la un moment oarecare n a a 0 cantitatea de marf stocat nu este mai mare dect m uniti, atunci se procur instantaneu o a a a at a cantitate de marf care ridic stocul la M uniti, M I . Dac a cantitatea de a a at N a ns marf depete m uniti, atunci nu se a as s at ntreprinde nimic. Fie Yn stocul imediat nainte de re mprosptarea eventual de la momentul n. Observm c a a a a Yn+1 = Se arat c Yn este un a a pM pM . . . pM pm+1 pm+2 . . . pM max{Yn Xn , 0}, max{M Xn , 0}, dac a dac a m < Yn Yn m. M,
lant Markov cu matricea de trecere pM 1 . . . pM m pM 1 . . . pM m . . . . . . . . . pM 1 . . . pM m pm . . . p1 pm+1 . . . p2 . . . . . . . . . pM 1 . . . pM m
pM m1 pM m2 . . . p0 pM m1 pM m2 . . . p0 . . . . . . . . . . . . pM m1 pM m2 . . . p0 . p0 0 ... 0 p1 p0 ... 0 . . . . . . . . . . . . pM m1 pM m2 . . . p0
200
Procese stochastice
(Matricea are primele m linii identice). S-a folosit notatia pl = pl + pl+1 + . . . , dac a m < l M. Dat un lant Markov omogen ne intereseaz comportarea la limit a probabilitilor de a a at (n) trecere peste n pai pij . s Denitia 5.1.5 Dac pentru orice i, j S irul pij n I este convergent independent a s N de i, lantul Xn se numete ergodic. s Teorema 5.1.1 (Teorem de ergodicitate). Fie (Xn ), n I , un lant Markov cu maa N tricea de trecere P = (pij ), i, j S. Urmtoarele armatii sunt echivalente: a (s) 1. exist s I i o stare j0 S astfel at pij0 > 0 i S; a N s nc 2. exist lim pij = p , j S, i S. a j
n (n) (n)
Demonstratie. 2. = 1. Armatia este imediat; observm c a a a p = lim j

jS n
pij = 1.
jS
(n)
Exist deci j0 S astfel at p > 0, deci de la un rang s termenii irului a nc j0 s pij0 > 0, i S. 1. = 2. Pentru orice j S s considerm irurile a a s pj Artm c pj aa a
(n) (n) (s)
= max pij ,
iS
(n)
(n) pj = min pij . iS
(n)
(5.10)
este necresctor; a ntr-adevr folosind (5.6) a pij

(n+1)
=
lS
pil plj
(1) (n)
pj
(n) lS
pil = pj
(1)
(n)
, i S,
deci
pj
(n+1)
pj .
(n)
Analog rezult c pj este nedescresctor, deci a a (n) a p(n+1) j Deoarece cele dou iruri sunt i mrginite (1 as s a notm a
(n) n
p(n) . j pj
(n)
p(n) j
0) ele sunt convergente; s a
p = lim pj , p = lim p(n) . j j j

n
Procese stochastice Rmne s mai artm c p = p . Pentru aceasta s demonstrm c a a a aa a j a a a j

n i,lS
201
lim max |pij plj | = 0.
(n)
(n)
Folosind relatia (5.6), pentru n > s, cu s dat din ipoteza 1 pij =

rS (n)
pir prj
(s) (ns)
rezult a
pij plj =
rS
(n)
(n)
(pir plr )prj

(s) pir (s) plr .
(s)
(s)
(ns)
=
rS
uil (r)prj
(ns)
unde am introdus notatia uil = S notm cu S + multimea acelor stri din S a a a pentru care uil (r) > 0 i cu S multimea acelor stri din S pentru care uil (r) < 0. Avem s a evident S = S + S . Deoarece pir =
rS rS (s)
plr = 1,
(s)
rezult c a a uil (r) =

rS rS +
uil (r) +
rS
uil (r) = 0,
deci uil =
rS + rS
|uil (r)|.
S demonstrm c are loc a a a uil (r) < 1.

rS +
(5.11)
Presupunem c starea j0 din ipoteza 1 apartine lui S + ; atunci a uil (r) =

rS + rS +
(pir plr ) =
rS +
(s)
(s)
pir
rS + (s)
(s)
plr
(s)
1
rS +
plr
(s)
1 plj0 < 1
deoarece 0 < plj0
(s) rS +
plr . Aceeai evaluare se obtine dup un rationament analog s a n
(s)
cazul care j0 S . Deoarece (5.11) are loc pentru orice i, l S, rezult n a u = sup
i,lS rS +
uil (r) < 1.
Revenim la suma ce trebuia majorat i folosim (5.10) as pij plj =

rS + (n) (n)
uil (r)prj
(ns)
rS
|uil (r)|prj
(ns)
202 uil (r)pj

rS + (ns)
Procese stochastice
rS
uil (r)p(ns) j
u(pj
(ns)
p(ns) ). j
Cum inegalitatea are loc pentru orice i, l S, rezult c a a pj p(n) j

(n)
u(pj
(ns)
p(ns) ). j
a ntreag a numrului n , a a Aplicnd aceast inegalitate de [ n ] ori, unde [ ], semnic partea a a s s deducem c a n (n) (n) sup |pij plj | = |pj pj | u[ s ]
i,lS
iar De aici rezult c a a
n lim u[ s ] = 0.
pj = pj = lim pij
n
(n)
i aceast limit o notm p . s a a a j Importanta acestei teoreme este nsemnat, deoarece pe baza ei putem analiza stabia litatea timp a unor procese aleatoare. n a a a Exemplul 5.1.8 Considerm urmtorul proces Markov: multimea strilor are 3 elemente i dac la un moment dat este luat o anumit stare, la momentul urmtor se trece s a a a a n oricare din celelalte dou cu aceeai probabilitate. Matricea de trecere este evident a s 1 0 2 1 2 1 1 P = 2 0 2 . 1 1 0 2 2 Observm c a a
2
P =
1 2 1 4 1 4
1 4 1 2 1 4
1 4 1 4 1 2
satisface conditia 1 din teorema precedent, pe care o vom numi conditie de ergodicitate. a Fiind matrice simetric ea admite valorile proprii reale 1 = 1, 2,3 = 1 i forma a s 2 diagonal a 1 0 0 1 D = 0 2 0 . 1 0 0 2 Fie S matricea ortogonal de schimbare de baz, care are forma a a 1 1 1
S=
1 3 1 3
1 2
1 6 2 6
Procese stochastice Ridicnd la puterea n matricea P = SDS t , rezult a a 1 1 n lim P = n

3 1 3 1 3 3 1 3 1 3
203
1 3 1 3 1 3
Mai sus s-a folosit faptul c Dn are pe diagonal puterea a n -a a elementelor de pe a a diagonala lui D. Deci dup un numr foarte mare de pai se poate presupune c ecare a a s a stare este luat cu aceleai anse. a s s Exemplul 5.1.9 Fie un lant Markov cu dou stri i diagrama asociat Figura 5.3. a a s a n Obsevm c matricea de tranzitie este de forma a a 1 1 .
S studiem comportarea la limit a matricei de tranzitie. Putem scrie a a P = Se constat uor c a s a Pn = 1 + + (1 )n + . 1 + + 1 + .
Matricea de tranzitie dup n pai tinde pentru n + la a s 1 + .
Dac cele dou stri sunt luate initial cu probabilitile p0 , 1 p0 , se constat c pentru a a a at a a a a s n + probabilitile de stare sunt + , + . Deci dup un numr foarte mare de pai at probabilitile nu depind de starea initial. at a Dac analizm mersul la amplare cu bariere absorbante, pentru l = 2, gsim a a nt a 1 0 0 P = q 0 p 0 0 1 iar P n = P, n I . Observm c nu este deplinit conditia de ergodicitate; se N a a n a poate totui aprecia c la un numr foarte mare de pai particula rmne imobil, ind s a a s a a a absorbit de bariere. a
204
Procese stochastice
5.2
Procese Markov continue. Procese Poisson
Procese Poisson. unele situatii practice, fcnd observatii asupra unui eveniment aleator ne poate In a a interesa de cte ori s-a produs acesta a ntr-un interval de timp ; de exemplu numrul de a impulsuri care apar la o central telefonic a a ntr-un interval de timp, numrul de clienti a care solicit un produs a ntr-o statie de deservire, numrul de vehicule care traverseaz a a un pod, etc. Pentru orice t I notm cu X(t) numrul de produceri ale evenimentului R, a a intervalul (0, t); evident variabila aleatoare X(t) ia valori I . Facem urmtoarele n n N a presupuneri: 1. observatiile ncep la momentul initial t = 0, deci X(0) = 0; 2. pentru orice momente de timp 0 < t1 < t2 < t3 < t4 , variabilele aleatoare X(t2 ) X(t1 ) i X(t4 ) X(t3 ) sunt independente (proces cu creteri independente); s s 3. repartitia variabilei aleatoare X(t + s) X(t), t > 0, s > 0, depinde doar de s, lungimea intervalului i nu de t; s 4. probabilitatea ca un singur eveniment s se produc intervalul (t, t + t), pentru a a n t sucient de mic este aproximativ proportional cu lungimea intervalului, deci de forma a t + o(t). Probabilitatea ca mai mult de un eveniment s se produc intervalul a a n (t, t + t) este o(t).(Prin o(t)s-a notat o cantitate ce depinde doar de t ce satisface o(t) lim = 0.) Notm pk (t) = P ({X(t) = k}). Fie t sucient de mic; la momentul a t0 t t + t, X(t) ia valoarea k urmtoarele dou moduri: n a a a. X(t) = k i nici un eveniment nu se produce intervalul (t, t + t); s n b. X(t) = k 1 i un eveniment se produce (t, t + t). s n Deoarece din ipoteza 2, variabilele aleatoare X(t + t) X(t) i X(t) sunt indepens dente, probabilitatea evenimentului dat de a este pk (t)(1 t), iar cea a evenimentului dat de b este pk1 (t)t i cum evenimentele de la a i b sunt independente s s pk (t + t) = pk (t)(1 t) + pk1 (t)t. Relatia se scrie sub forma echivalent a pk (t + t) pk (t) = pk (t) + pk1 (t) k = 1, 2, 3 . . . t Cnd t 0, gsim ecuatia diferential a a a pk (t) = pk (t) + pk1 (t). Pentru k = 0, p1 (t) = 0 i ecuatia (5.12) devine s p0 (t) = p0 (t) cu solutia evident p0 (t) = Aet . Din ipoteza 1 avem conditia initial X(0) = 0, care a a determin mod unic solutia a n p0 (t) = et . (5.12)
Procese stochastice Pentru k = 1, ecuatia (5.12) devine p1 (t) = p1 (t) + et , care este o ecuatie liniar cu solutia a p1 (t) = tet . Procednd recursiv acest mod, gsim a n a
205
(t)k t e , k = 0, 1, 2. . . . k! Constatm c pentru ecare t I a a R, X(t) este o variabil aleatoare repartizat Poisson a a cu parametru t. pk (t) = Matricea de tranzitie cu un pas. (t)ji t e , j pij (t) = P ({j i evenimente au loc t secunde}) = n (j i)! Matricea P este 2 et et tet (t)2! ... . P (t) = t t 0 e te ... ... ... ... ... i.
Intervalul aleator dintre dou evenimente succesive a ntr-un proces Poisson. Dac cadrul unui proces Poisson un eveniment se produce la momentul t, iar a n urmtorul la momentul t + , este o variabil aleatoare. S-i determinm densitatea de a a a a probabilitate. Pentru aceasta determinm mai ai functia de repartitie. Avem a nt P ({ x}) = ex .
{ x} exprim faptul c nici un eveniment nu are loc intervalul (t, t+x). Deci functia a a n de repartitie este 1 ex , x 0, iar prin derivare gsim f (x) = ex , x 0, care a este repartitia exponential. Aceast densitate caracterizeaz intervalul aleator de timp a a a dintre dou produceri succesive de evenimente ale unui proces Poisson. S observm c a a a a P ({ t + t0 }|{
t0 }) =
P ({ t0 + t}) = P ({ t0 })
=
t0 t0 +t
es ds = et = P ({ t}), es ds
ceea ce semnic faptul c procesul Poisson este un proces Markov. Observm c proa a a a babilitatea ca intervalul (0, t) s se produc exact un eveniment este tet , deoarece n a a este urmat o lege Poisson cu parametrul t. a
206
Procese stochastice
Exemplul 5.2.1 Impulsurile care se receptioneaz la o statie se primesc cu rata de 15 a pe minut. S determinm probabilitatea ca a a ntr-un minut s se receptioneze 5 impulsuri a astfel: 3 impulsuri s ajung primele 10 secunde i 2 impulsuri ultimile 15 secunde. a a n s n 15 Obtinem = 60 = 1 i s 4 P ({X(10) = 3, X(60) X(45) = 2}) = P ({X(10) = 3})P ({X(60) X(45) = 2}) = = P ({X(10) = 3})P ({X(60 45) = 2}) =
10 3 10 15 2 15 e 4 4 e 4 4
3!
2!
Momentul de producere al unui eveniment ntr-un proces Poisson. Ne intereseaz, pe de alt parte, urmtorul eveniment: tiind c intervalul (0, t) s-a a a a s a n produs exact un eveniment, ce densitate de probabilitate are momentul de producere, pe care notm cu s, 0 s t. s este o variabil aleatoare continu a crei densitate de l a a a a probabilitate o notm cu g. S determinm functia de repartitie. a a a F (s) = P ({X(s) = 1}|{X(t) = 1}) = P ({X(s) = 1, X(t) = 1}) = P ({X(t) = 1})
P ({X(s) = 1, X(t) X(s) = 0}) P ({X(s) = 1, X(t s) = 0} es se(ts) s = = = . t (t) P ({X(t) = 1}) P {X(t) = 1}) e t Densitatea de probabilitate este atunci g(s) = 1 ,0 t s t,
care este densitatea de probabilitate a repartitiei uniforme; deci producerea intervalul n (0, t) a unui singur eveniment se face dup legea uniform. a a Exemplul 5.2.2 Doi clienti ajung la o statie ntr-o perioad de dou minute. S dea a a terminm probabilitatea ca ambii s ajung primul minut. Timpii ind repartizati a a a n 1 uniform i independent, rezult c probabilitatea este 4 . s a a Timpul la care s-a produs evenimentul n ntr-un proces Poisson. Aparitia unui client la o statie de deservire este supus legii Poisson cu parametrul . Dac statia se a nchide dup aparitia clientului n s determinm densitatea de proa a a babilitate pentru timpul T care statia rmne deschis. Fie Ti timpul dintre sosirea n a a a clientului i 1 i a clientului i (T1 este timpul de la deschidere pn la sosirea primului s a a client). Avem deci T = T1 + . . . + Tn , unde {T < t} semnic faptul c statia s-a a a nchis pn la momentul t, deci au aprut cel a a a putin n clienti, iar probabilitatea este dat de legea Poisson cu parametrul t a
P ({T < t}) =

k=n
(t)k t e . k!
Procese stochastice Prin derivare gsim a
207
fT (t) =
k=n
(t)k1 (t)k k! k!
et =
(t)n1 t e (n 1)!
care este o densitate de probabilitate pentru variabila numit repartitia Erlang. a a Exemplul 5.2.3 Numrul de semnale emise de un radar este un proces Poisson cu parametrul . Dac n semnale au fost observate intervalul (0, t) s determinm proa n a a babilitatea evenimentului {k particule au fost emise (0, )} cu < t. n P ({k semnale emise (0, ) | n semnale emise (0, t)}) = n n = P ({k semnale emise (0, ) i n k semnale emise (, t)}) n s n = P ({n semnale emise (0, t)}) n =
e ( )k e(t ) ((t ))nk k! (nk)! n t (t) e n! k = Cn
nk
Exemplul 5.2.4 Semnalul telegrac aleator. Fie T (t) un proces care ia strile 1 cu aceeai probabilitate la momentul initial. T (t) a s si schimb polaritatea odat cu sosirea unui semnal dintr-un proces Poisson cu parametrul a a . Reprezentm o traiectorie Figura 5.4. a n S calculm probabilitile evenimentelor {T (t) = 1}. a a at Ne ocupm pentru a nceput de evenimentul {T (t) = 1}. Folosind formula probabilitii at totale avem P ({T (t) = 1}) = P ({T (t) = 1}|{T (0) = 1})P ({T (0) = 1})+ +P ({T (t) = 1}|{T (0) = 1})P ({T (0) = 1}). Calculm probabilitile conditionate. Notm cu A = { intervalul (0, t) se produce un a at a n numr par de schimbri } i cu B = { intervalul (0, t) se produce un numr impar de a a s n a schimbri } a
+
P ({T (t) = 1}|{T (0) = 1}) = P (A) =

j=0
(t)2j t et t e = (e + et ) = (2j)! 2
1 = (1 + e2t ). 2 1 P ({T (t) = 1}|{T (0) = 1}) = P (B) = (1 e2t ). 2 1 Deoarece P ({T (0) = 1}) = P ({T (0) = 1}) = 2 , rezult dup a a nlocuiri c evenimentele a 1 {T (t) = 1} au probabilitatea 2 .
208 Procese de natere-moarte. s
Procese stochastice
Vom modela continuare urmtoarea situatie practic ce apare teoria ateptrii. n a a n s a Considerm un sistem format dintr-un r de ateptare format din n clienti i o a s a s persoan care servete. Spunem c sistemul se a starea Sn dac sunt n clienti la a s a a n a coad, inclusiv cel servit (dac exist). Din starea Sn sunt posibile doar dou tranzitii: a a a a - la starea Sn1 dac un client a fost servit i prsete coada; a s aa s - la starea Sn+1 dac un client este a servit timp ce un nou client se aeaz la a nc n s a coad. a Considerm un proces care descrie comportarea cozii timp. La momentul t, dac a n a sistemul precedent se a starea Sn , vom nota X(t) = n. Se obtine astfel un proces a n Markov. Facem urmtoarele ipoteze: a 1. Dac sistemul este starea Sn , poate realiza tranzitii la Sn1 sau la Sn+1 , n 1 a n (de la S0 este posibil doar S1 ). a 2. Probabilitatea unei tranzitii Sn Sn+1 ntr-un interval scurt t este n t parametrul n se numete parametru de naterei facem ipoteza c depinde de starea s s s a Sn . 3. Probabilitatea unei tranzitii Sn Sn1 ntr-un interval de lungime t este n t parametru n se numete parametru de moarte. s Probabilitatea ca intervalul (t, t + t) s aib loc mai mult de o tranzitie este 0. n a a Sistemul se a starea Sn la momentul t + t urmtoarele situatii: a n n a a. La momentul t se a starea Sn i nici o tranzitie nu are loc intervalul (t, t+t) a n s n cu probabilitatea (1 n t)(1 n t), care poate aproximat cu 1 n t n t. a b. Fiind starea Sn1 la momentul t are loc o tranzitie la starea Sn intervalul n n (t, t + t) cu probabilitatea n1 t. c. La momentul t sistemul se a starea Sn+1 i o tranzitie la starea Sn are loc a n s n (t, t + t) cu probabilitatea n+1 t. Notm Pn (t) = P ({ X(t) se a starea Sn }) i facem ipoteza c c Pn (t) este o a a n s a a functie derivabil cu derivat continu. Atunci a a a Pn (t + t) = Pn (t)(1 n t n t) + n1 tPn1 (t) + n+1 tPn+1 (t), n P0 (t + t) = P0 (t)(1 0 t) + 1 tP1 (t). Imprtind prin t a Pn (t + t) Pn (t) = (n + n )Pn (t) + n1 Pn1 (t) + n+1 Pn+1 (t), n t P0 (t + t) P0 t = 0 P0 (t) + 1 P1 (t). t Dac t 0, obtinem a Pn (t) = (n + n )Pn (t) + n1 Pn1 (t) + n+1 Pn+1 (t), P0 (t) = 0 P0 (t) + 1 P1 (t). n 1, 1, 1,
Procese stochastice
209
Vom da solutii pentru aceste ecuatii diferentiale cazul care Pn (t) nu depinde de t; n n n acest caz sistemul precedent devine (n + n )Pn = n1 Pn1 + n+1 Pn+1 , n 0 P0 = 1 P1 , i se rezolv prin recurenta. Se obtine solutia s a P1 = 0 P0 1 0 1 = P0 1 2 1,
P2 . . . . 0 1 . . . n1 P0 Pn = 1 2 . . . n Deoarece sistemul trebuie s se ae a ntr-o stare, suma probabilitilor precedente trebuie at s e 1, deci a 0 0 1 P0 1 + + + . . . = 1. 1 1 2 Exemplul 5.2.5 Intr-o statie sosesc clienti dup legea Poisson cu parametrul , iar a timpul de servire este o lege exponential cu parametrul pozitiv , 0 < < . Dac este a a aglomeratie se formeaz o coad, iar starea sistemului la momentul X(t) este un proces a a de natere -moarte cu parametrii n = i n = . Particulariznd ecuatiile precedente s s a i notnd = gsim s a a P1 = P0 2 P0 = 2 P0 P2 = . . . . n Pn = P0 = n P0 Punem conditia 1 = 1, < 1. 1 De aici rezult P0 = 1 . Deducem Pn = (1 )n , pentru n = 0, 1, . . ., care este rea partitia geometric.S particularizm aceast situatie. Pentru a evita aglomeratia dintr-o a a a a statie de deservire, clientii aezati la coad ar trebui s nu depeasc numrul 5, cu s a a as a a probabilitatea 0,99. Sosirile au loc dup o lege Poisson cu parametrul = 1, 5 clienti pe a minut. Dac deservirea se face dup o lege exponential, ct de repede trebuiesc acetia a a a a s serviti ? S determinm deci . a a Probabilitatea ca cel putin 5 clienti s e la coad este a a P0 (1 + + 2 + . . .) = P0
p=
n=5
(1 )n = 5 ; =
210
Procese stochastice
Pentru ca aceast probabilitate s e 1-0,99 =0,01, punem conditia a a 5 0, 1
de unde gsim > 9, 12. Deci ar trebui serviti cel putin 10 clienti medie pe minut a n pentru a evita aglomeratia.
5.3
Procese stochastice stationare
unele situatii strile precedente ale unui sistem exercit un puternic efect asupra In a a general dac procesele au fost considerate fr postactiune (procese strilor viitoare. In a a aa Markov), se pot face unele corectri alegerea strilor. De exemplu, dac considerm a n a a a o schimbare pozitia unei particule procesul de difuzie, considerat ca proces fr n n aa postactiune, aceasta nseamn c se neglijeaz inertia particulei. Situatia se poate corecta a a a introducnd conceptul de stare i viteza particulei, alturi de coordonatele pozitiei. a n s a cazul cel mai general Hincin a izolat o clas important de procese stochastice cu In a a postactiune, numite procese stationare. Acestea se alnesc fenomenele acustice, teoria nt n semnalelor etc. Fie {X(t)}, t 0, un proces stochastic. Denitia 5.3.1 Numim functie de repartitie ndimensional functia dat prin formula a a F (x1 , . . . , xn , t1 , . . . , tn ) = P ({X(t1 ) < x1 , . . . , X(tn ) < xn }) pentru orice t1 , . . . , tn , n I . N Presupunem c functia de repartitie n-dimensional satisface urmtoarele dou conditii: a a a a -conditia de simetrie F (xi1 , . . . , xin , ti1 , . . . , tin ) = F (x1 , . . . , xn , t1 , . . . , tn ), pentru orice permutare i1 , . . . , in a multimii 1, . . . , n, -conditia de compatibilitate; dac m < n a F (x1 , . . . , xm , t1 , t2 , . . . , tm ) = = F (x1 , . . . , xm , , . . . , , t1 , . . . , tm , tm+1 , . . . , tn ), m + 1 j n. (5.14) (5.13)
Kolmogorov a demonstrat c aceste functii de repartitie caracterizeaz complet un proces a a stochastic, sensul c dat o familie de functii ce veric conditiile 1-4, din Capitolul 3.3 n a a a i satisface (5.13), (5.14), exist un cmp borelian de probabilitate i un proces stochastic s a a s care admite aceste functii, ca functii de repartitie n-dimensionale (vezi [9]). Prin analogie cu cazul variabilelor aleatoare n-dimensionale, se poate introduce notiunea de densitate de probabilitate, care se va nota f (x1 , . . . , xm , t1 , t2 , . . . , tm ). Dac procesul este cu valori a discrete, analogul constituie l p(x1 , . . . , xm , t1 , t2 , . . . , tm ) = P ({X1 (t1 ) = x1 , X2 (t2 ) = x2 , . . . , Xn (tn ) = xn })
Procese stochastice
211
Exemplul 5.3.1 Fie Xn un lant de variabile aleatoare identic, independent repartizate, 1 cu p = 2 , atunci P ({X1 (t1 ) = x1 , X2 (t2 ) = x2 , . . . , Xn (tn ) = xn }) = 2n . Valori caracteristice ale unui proces. Fie X(t) un proces aleator. Media mX (t) este denit prin a
+
mX (t) = M [X(t)] =
xf (x, t)dx,
unde f (x, t) este densitatea de probabilitate a variabilei X(t). Autocorelatia RX (t1 , t2 ) este denit prin a
+ +
RX (t1 , t2 ) = M [X(t1 )X(t2 )] =

xyf (x, y, t1 , t2 )dxdy,
unde f (x, y, t1 , t2 ) este densitatea de probabilitate de dimensiune doi a procesului. Autocovarianta CovX (t1 , t2 ) este denit drept covarianta variabilelor X(t1 ) i X(t2 ), a s CovX (t1 , t2 ) = M [(X(t1 ) mX (t1 ))(X(t2 ) mX (t2 ))]. Legtura dintre cele dou functii este imediat i const a a as a n CovX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 ). Dispersia (varianta) lui X(t) este dat de formula a D2 [X(t)] = M [(X(t) mX (t))2 ] = CovX (t, t). Coecientul de corelatie este denit de X (t1 , t2 ) = CovX (t1 , t2 ) CovX (t1 , t1 ) CovX (t2 , t2 ) .
Exemplul 5.3.2 Fie X(t) = A cos 2t, unde A este o variabil aleatoare. S determinm a a a valorile caracteristice. mX (t) = M [A cos 2t] = M [A] cos 2t; RX (t1 , t2 ) = M [A cos 2t1 A cos 2t2 ] = M [A2 ] cos 2t1 cos 2t2 ; CovX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 ) = (M [A2 ] M 2 [A]) cos 2t1 cos 2t2 = = D2 [A] cos 2t1 cos 2t2 .
212 Procese multiple.
Procese stochastice
Dou procese X(t), Y (t) se numesc independente dac k, j i orice alegere t1 , . . . , tk i a a s s t1 , . . . tj , variabilele aleatoare multidimensionale (X(t1 ), . . . , X(tk )) i s (Y (t1 ), . . . Y (tj )) sunt independente. Corelatia ncruciat RXY (t1 , t2 ) este denit prin s a a RXY (t1 , t2 ) = M [X(t1 )Y (t2 )]. Procesele X(t) i Y (t) se numesc ortogonale dac s a RXY (t1 , t2 ) = 0, t1 , t2 . Covarianta ncruciat CovXY (t1 , t2 ) este denit prin s a a CovXY (t1 , t2 ) = M [(X(t1 ) mX (t1 ))(Y (t2 ) mY (t2 ))] = RXY (t1 , t2 ) mX (t1 )mY (t2 ). Procesele se numesc necorelate dac a CovXY (t1 , t2 ) = 0, t1 , t2 . Exemplul 5.3.3 Fie X(t) = cos(t + ) i Y (t) = sin(t + ) unde este o variabil s a aleatoare repartizat uniform pe [, +]. S determinm covarianta a a a ncruciat. Artm s a aa c media procesului X(t) este 0. a 1 mX (t) = M [cos(t + )] = 2 Analog rezult c media procesului Y (t) este 0. a a RXY (t1 , t2 ) = M [cos(t1 + ) sin(t2 + )] = 1 1 1 = M [ sin((t1 t2 )) + sin((t1 + t2 ) + 2)] = sin((t1 t2 )) 2 2 2 deoarece M [sin((t1 + t2 ) + 2)] = 0. Denitia 5.3.2 Procesul X(t) se numete stationar sens restrns dac t1 , . . . , tn s n a a I + , n I , u I + are loc R N R F (x1 , . . . xn , t1 + u, . . . , tn + u) = F (x1 , . . . , xn , t1 , . . . , tn ). (5.15)
cos(t + x)dx = 0.
Relatia (5.15) se interpreteaz astfel: functiile de repartitie n-dimensionale nu depind de a creterea timpului. Dac (5.15) dm lui n valoarea 2, gsim c functiile de repartitie s a n a a a bidimensionale depind numai de diferenta t2 t1 . Deoarece practic lucrul cu functiile n a de repartitie este dicil se pune problema nlocuirii lor cu alte caracteristici i anume cu s momentele. Dac X(t) are dispersie nit i X(t) este stationar sens restrns gsim: a as n a a 1.M [X(t + u)] = M [X(t)] = M [X(0 + t)] = M [X(0)] = m; 2.D2 [X(t + u)] = D2 [X(t)] = D2 [X(0)] = 2 ; 3.M [(X(t + u)X(t))] = M [(X(u)X(0))]. Ca o prim consecint a acestor proprieti, observm c cazul proceselor stationare a a at a a n putem presupune m = 0 i = 1, ceea ce revine la considerarea procesului normalizat, s X(t) m . adic a
Procese stochastice Denitia 5.3.3 Procesul X(t) este stationar sens larg dac au loc conditiile 1-3. n a
213
Denitia 5.3.4 Numim functie de corelatie a unui proces stationar sens larg coe n cientul de corelatie al variabilelor aleatoare X(t) i X(t + u). s Deci functia de corelatie are expresia R(u) = M [X(t + u) M [X(t + u)]]M [X(t) M [X(t)]] D2 [X(t)]D2 [X(t + u)] .
Dac facem ipoteza m = 0 i = 1 din conditia de a stationar rezult c functia de a s a a corelatie depinde doar de u i are expresia s R(u) = M [(X(u)X(0))]. Denitia 5.3.5 Un proces stationar se numete continuu dac are loc s a M (X(t + u) X(t))2 0, pentru u 0. Propozitia 5.3.1 Dac X(t) este un proces continuu, atunci au loc: a 1. P ({ |X(t + u) X(t) | }) 0, dac u 0; a 2. lim R(u) = 1; 3. R(u) este continu. a Demonstratie. 1. Din inegalitatea lui Cebev , rezult as a P ({|X(t + u) X(t)| }) = P ({|X(t + u) X(t) M [(X(t + u) X(t))]| })
u0
D2 [(X(t + u) X(t))] , care din denitia continuitii tinde la 0, dac u 0. at a 2. Se observ imediat c a a M (X(t + u) X(t))2 = 2(1 R(u)) 0, dac u 0, a de unde armatia 2. 3. Folosind inegalitatea lui Cauchy are loc |R(u + u) R(u)| = |M [(X(u + u)X(0))] M [(X(u)X(0))]| = = |M [(X(0)(X(u + u) X(u))]| dac u 0. a Teorema 5.3.1 (Teorema lui Hincin) Functia real R(u) este o functie de corelatie pentru a un proces stationar continuu dac i numai dac exist o functie de repartitie F (x) astfel as a a at nc R(u) = cosux dF (x).
M [X 2 (0)]M [(X(u + u) X(u))2 ] 0,
214
Procese stochastice
Demonstratie. S presupunem mai ai c R(u) este o functie de corelatie pentru un proces a nt a stationar continuu. Din proprietatea precedent R(u) rezult continu i mrginit. S a a as a a a artm c este i pozitiv denit. Pentru orice numere reale u1 , u2 , . . . , un din I i aa a s a R s 1 , . . . , n C unde n I , are loc N
n n n
M|
k=1
k X 2 (uk )| = M
i=1 j=1 n n
i j X(ui )X(uj )
=
i=1 j=1
R(ui uj )i j .
Deoarece R(0) = 1 din teorema Bochner-Hincin are loc reprezentarea
R(u) =
eiux dF (x),
unde F este o functie de repartitie. Deoarece R este o functie real, rezult armatia. a a Reciproc, s artm c dac a aa a a
R(u) =
cosux dF (x),
exist un proces stationar X(t) cu functia de corelatie R(u). Fie n I , t1 , t2 , . . . , tn i a N s variabila aleatoare n-dimensional normal repartizat X(t1 ), . . . X(tn ) cu a a M [X(t1 )] = . . . = M [X(tn )] = 0, D2 [(X(t1 ))] = . . . = D2 [(X(tn ))] = 1, avnd functiile de corelatie a R(ti tj ) = M [X(ti )X(tj )]. Deoarece forma ptratic a a
n n
R(ti tj )ui uj
i=1 j=1
este pozitiv denit, se pot deni functiile de densitate a

n n
fn (u1 , . . . , un , t1 , . . . , tn ) = An e
R(ti tj )ui uj
i=1 j=1
, An I R.
Se veric uor c functiile de repartitie asociate satisfac conditiile de simetrie i compaa s a s tibilitate, deci denesc un proces stochastic, care rezult stationar. a
Procese stochastice Exemplul 5.3.4 Considerm procesul de forma a Z(t) = X(t) cos t + Y (t) sin t, I R, unde X(t), Y (t) sunt procese necorelate, deci M [XY ] = M [X)M [Y ] ce satisfac M [X] = M [Y ] = 0, D2 [X] = D2 [Y ] = 1.
215
S artm c Z(t) este un proces stationar. Pentru aceasta s calculm functia de corelatie a aa a a a R(u) = M [X(t + u)X(t)] = = M [X cos (t + u) + Y sin (t + u))(X cos t + Y sin t)] = = M [(X 2 cos t cos (t + u) + XY (sin (t + u) cos t + cos (t + u) sin t)+ +Y 2 sin t sin (t + u)] = cos (t + u) cos t + sin t sin (t + u) = cos u. Alegem 0, 1 , f (x) = 2 1,
x < x x>
Avem atunci cos u =
cos uxdF (x) =

cos uxdF (x),
de unde virtutea teoremei rezult c procesul este stationar. n a a Exemplul 5.3.5 Considerm procesul a
n
X(t) =
k=1 n
bk Zk (t),
unde
k=1
b2 = 1, iar Zk (t) = Xk (t) cos k t+Yk sin k t, k I Xk (t), Yk (t) sunt preocese R. k M [Xk ] = M [Yk ] = 0, D2 [Xk ] = D2 [Yk ] = 1, k = 1, n M [Xi Xj ] = M [Yi Yj ] = 0, i = j, M [Xi Yj ] = 0, i, j = 1, n.
ce satisfac
Calculnd functia de corelatie, gsim a a

n
R(u) =
k=1
b2 cos k u, k
de unde rezult c procesul este stationar, asociat functiei de repartitie F care are salturi a a 1 2 n de mrimea 2 bk punctele k . a In literatura de specialitate F se numete spectru; dac F este functie de salturi, procesul s a se numete cu spectru discret. Slutsky a demonstrat c orice proces cu spectru discret s a este reprezentabil sub forma celui din exemplul precedent.
216 PROBLEME PROPUSE
Procese stochastice
Problema 4.1 Fie In procesul Bernoulli identic i independent repartizat. Calculati s P ({I1 = 1, I2 = 0, I3 = 0, I4 = 1}). R: p2 (1 p)2 . Problema 4.2 Fie Dn = 2In 1 unde In este procesul din problema precedent. a Calculati media i dispersia. s Solutie mX (n) = M [2In 1] = 2M [In ]1 = 2p1 D2 [Dn ] = D2 [2In 1] = 22 D2 [In ] = 4p(1 p). Procesul reprezint de fapt schimbarea pozitiei unei particule care se mic a s a n linie dreapt fc salturi de 1 la ecare unitate de timp. a a nd Problema 4.3 Fie X un numr ales la mplare din [0, 1] i e dezvoltarea lui a nt s n
+
baza 2, x =
n=1
bn 2n , bn {0, 1}. Denim Xn = bn , n I . Calculati P ({X1 = 0}) i N s

1 , 2
P ({X1 = 0, X2 = 1}). Solutie. X1 = 0, dac 0 X a 1 1 1 este 4 , deoarece 4 X . 2
deci cu probabilitatea 1 . Iar P ({X1 = 0, X2 = 1}) 2
Problema 4.4 Un calculator este inspectat la momentele t1 , t2 , t3 i se poate aa s n una din urmtoarele stri: a a s1 functioneaz normal; a s2 are un numr neglijabil de erori, care nu impiedic calculatorul s functioneze; a a a s3 are erori considerabile, dar rezolv limitat probleme; a s4 nu functioneaz. a La momentul initial calculatorul este starea s1 iar matricea de tranzitie este n 0, 5 0, 3 0, 2 0 0 0, 4 0, 4 0, 2 . P = 0 0 0, 3 0, 7 0 0 0 1 Asociati diagrama i aati probabilitile de stare dup ecare din cele trei inspectii. s at a Solutie. Probabilitile de stare initial sunt (1, 0, 0, 0), deoarece initial calculatorul at a functioneaz. Apoi a p1 (1) = 0, 5, p2 (1) = 0, 3, p3 (1) = 0, 2, p4 (1) = 0 p1 (2) = 0, 25, p2 (2) = 0, 27, p3 (2) = 0, 28, p4 (2) = 0, 2 p1 (3) = 0, 125, p2 (3) = 0, 183, p3 (3) = 0, 242, p4 (3) = 0, 450.
Procese stochastice Diagrama este urmtoare a
217
Problema 4.5 O particul se deplaseaz aleator, srind cte o unitate la dreapta sau a a a a stnga, dup diagrama de mai jos. Gsiti probabilitatea ca dup patru pai particula s a a a a s a nu e mai deprtat cu o unitate fat de origine. Initial particula se a origine. a a a a n R: Insumm probabilitile, ca la momentul 4, particula s se ae strile S1 , S0 , a at a n a sau S1 i gsim 0,693. s a Problema 4.6 Fie X(t) = cos(t + ) unde este repartizat uniform pe (, +). a S determinm media, autocorelatia i autovarianta. a a s + 1 Solutie mX (t) = M [cos(t + )] = 2 cos(t + x)dx = 0; CovX (t1 , t2 ) = RX (t1 , t2 ) = M [cos(t1 + ) cos(t2 + )] = + 1 1 (cos((t1 t2 )) + cos((t1 + t2 ) + 2x)) dx = 1 cos((t1 t2 )). 2 2 2 Problema 4.7 Fie Xn un lant de variabile normale independente, identic repartizate, 2 cu media m i dispersia . Determinati matricea de covariant la momentele t1 , . . . , tk s a i densitatea de probabilitate. s 1 i=j Solutie CX (ti , tj ) = 2 ij unde ij = 0 i=j f (x1 , . . . , xk , X1 , . . . , Xk ) = fX (x1 )fX (x2 ) . . . fX (xk ) =
k
(xi m)2 =
i=1 1 e (2 2 )k/2
2 2
Problema 4.8 Un proces Y (t) const dintr-un semnal dorit X(t) la care se adaug a a zgomotul N (t), deci Y (t) = X(t) + N (t). Gsiti corelatia a ncruciat dintre cele dou s a a procese, presupun c X(t), N (t) sunt independente. nd a Solutie Folosind independenta variabilelor X(t) i N (t), gsim s a RXY (t1 , t2 ) = M [X(t1 )Y (t2 )] = M [X(t1 )(X(t2 ) + N (t2 ))] = = M [X(t1 )X(t2 )] + M [X(t1 )N (t2 )] = = RXY (t1 , t2 ) + M [X(t1 )]M [N (t2 )] = RXY (t1 , t2 ) + mX (t1 )mN (t2 ). Problema 4.9 ziua 0 exist 2 becuri noi de rezerv. Probabilitatea de a schimba In a a un bec este p, iar probabilitatea de a nu schimba este q = 1 p. Fie Yn numrul de becuri a necesar la sfritul zilei n. Determinati matricea de tranzitie dup un pas i dup n pai, as a s a s probabilitile de stare la momentul n i comportarea lor la limit. at s a Solutie Strile procesului sunt 2,1,0, iar diagrama corespunztoare este a a Matricea de tranzitie cu un pas este 1 0 0 0 P = p 1p 0 p 1p iar probabilitile de stare la momentul initial sunt 0, 0, 1. Dup n pai at a s
218 p22 (n) = P ({ nici un bec nou nu e necesar n zile}) = q n ; n 1 p21 (n) = P ({ un bec nou este necesar n zile}) = Cn pq n1 ; n p20 (n) = 1 p22 (n) p21 (n); Matricea de tranzitie dup n pai este a s 1 0 0 1 qn qn 0 . Pn = n n1 n1 1 q npq npq qn Trec la limit pe ecare element al matricei gsim matricea nd a a 1 0 0 1 0 0 . 1 0 0 Probabilitile de stare la momentul n sunt date de produsul at 1 0 0 1 qn qn 0 (0 0 1) n n1 n1 1 q npq npq qn
Index
iar la limit se obtine (1 0 0). Interpretarea evident este c dup un numr foarte mare a a a a a de pai procesul devine stationar i rmn 0 becuri de rezerv. s s a a a
Index
Index
matricea de covariant, 121 a repartitia Fisher , 148 coecient de corelatie, 119 corelatia variabilelor, 119 momentele initiale, 147 momentele initiale ale repartitiei Gama, 149 momentele repartitiei Beta, 150 momentele repartitiei Student, 142 momentele variabilei aleatoare normale ndimensionale, 135
densitate de probabilitate, 91 densitate de probabilitate n-dimensional, a normal normat, 93 a a 100 densitate marginal de probabilitate, 101 a q-cvantile, 88 densitatea de probabilitate conditionat, 97 a Repartitia Beta, 150 formula de inversiune, 125 repartitia Erlang, 149 formula lui Bayes, 98, 113 repartitia exponential, 152 a formula probabilitii totale, 113 at repartitia lognormal, 104 a formula probabilitatii totale, 98 repartitia normal, 93 a formulele integrale ale mediei totale, 121 repartitia normal n-dimensional, 106 a a functia caracteristic a repartitiei Gama, 149 repartitia Rayleigh, 108 a functia caracteristic a repartitiei normale , repartitia Snedecor, 147 a 132 repartitia Student , 142 functia de repartitie, 85 repartitia uniform, 92 a functie caracteristic, 123 a repartitia uniform n-dimensional, 102 a a functie de abilitate, 150 repartitia Weibull, 152 functie de repartitie n dimensional, 99 a functie de repartitie conditionat, 89 a teorema Bochner-Hincin, 129 functie marginal de repartitie, 101 a teorema lui Bochner, 128 functie pozitiv denit, 129 a teorema lui Cochran, 141 functiei lui Laplace, 94 variabil aleatoare, 83 a legare paralel, 154 n variabil aleatoare n-dimensional, 99 a a legare serie, 153 n variabil aleatoare continu, 88 a a variabile aleatoare independente, 85 media, 114 variabile necorelate, 119 media conditionat, 121 a mediana, 89 medii conditionate, 121 modul, 115 moment centrat de ordin k, 116 moment pentru variabil aleatoare multidia mensional, 120 a 219

Curs TP

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curs TP

Uploaded by

Copyright:

Available Formats

Ariadna Lucia Pletea

UNIVERSITATEA TEHNICA GH. ASACHI, IASI 1999

. 164 . . . . 177 181 182 184

Capitolul 1 Cmp de probabilitate a

n 6. Din Consecinta 4 rezult: a

Cmp nit de probabilitate a

16 Reciproc, dac P (A B) = P (A)P (B) i deoarece a s P (B|A) =

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

Moduri de selectare a elementelor

Denitia axiomatic a probabilitii a at

b) P (E) = 1; c) P (A B) = P (A) + P (B) A, B K, A B = .

P (A1 ) + P (A2 ) + . . . + P (An ) = P (E) = 1.

P (Ai Aj An+1 ) + . . . +(1)n P (

Formula se poate extinde i cazul a n evenimente A1 , A2 , . . ., An , cu P ( s n

Ai ) = P (A1 )P (A2 |A1 )P (A3 |(A1 A2 )) . . . P (An |(A1 A2 . . . An1 )).

unde pi = P (Ai ), i = 1, n, p12...n = P (

i cum pentru i = j, Ai Aj = atunci avem s

Camp de probabilitate La fel

(Ai A)) P (A)

i innd seama de s t a (Ai A) (Aj A) = , i, j I, i = j, obtinem P (Ai A) P ((

P (Ai |A)P (A) =

P (A|(Ai B))P (Ai |B)

Folosim formula (1.14) obtinem P (A Ai B) P(

P (A|(Ai B))P (Ai B) =

P (A|(Ai B))P (Ai |B)P (B) =

P (A|(Ai B))P (Ai |B).

Scheme clasice de probabilitate

Acest eveniment se produce cu probabilitatea p1 . . . p1 p2 . . . p2 . . . pm . . . pm .

n! (n n1 . . . nm1 )! (n n1 )! ... = n1 ! (n n1 )! n2 ! (n n1 n2 )! nm ! (n n1 . . . nnm )! = n! . n1 ! . . . nm !

Cmp innit de probabilitate a

lim An = lim inf An = lim sup An K.

m(A) pentru (Ai )iI K cu Ai Aj = i = j i, j I, iar I o

vorbi numai cazul care cmpul de evenimente este innit. Introducem n n a

Ai const realizarea tuturor evenimentelor A1 , A2 , . . . , An . . .. a n

Fie K = P(E) i A o submultime a lui E. Denim s P (A) =

Constatm imediat c { E, K, P } este un cmp innit de probabilitate. a a a Dm un exemplu de cmp de probabilitate. a a

f (x)A (x)dx 1, 0, dac e A, a dac e A, a /

pentru A K, unde A (e) =

particular, dac f este continu, punem In a a P (A) =

P (Ai )P (A|Ai ) P (Aj )P (A|Aj )

Demonstratie. Introducem un ir de evenimente din K felul urmtor: s n a A1 = A1 A2 = A2 \ A1 An+1 = An+1 \ (

An . An i n0 cel mai mic numr natural s a

adic ceea ce trebuia de demonstrat. De aici rezult c a a a P(

Demonstratie. Din relatiile lui De Morgan avem Ai = (

Demonstratie. a) Considerm cazul care A = . Trebuie s artm c a n a aa a

(P (Ai ) P (Ai+1 )),

P (Ai \ Ai+1 ) = P (A1 )

Cn = , rezult, conform cazului a) c a a

Dar P (Cn ) = P (An \ A) = P (An ) P (A) i deci s

lim P (An ) = P (A).

iar probabilitatea acestui eveniment este

Capitolul 2 Variabile aleatoare discrete

Variabile aleatoare discrete simple

Functia A se numete indicatoarea evenimentului A (variabila aleatoare a evenimentului s A).

Variabile aleatoare discrete

pi = 1. Numerele xi se numesc valorile variabilei aleatoare,

Variabile aleatoare discrete

Variabile aleatoare discrete

Variabile aleatoare discrete

F (x) = p1 u(x) + p2 u(x x1 ) + . . . + pn u(x xn ) =

obtinem densitatea de probabilitate pentru variabile aleatoare discrete

Variabile aleatoare discrete (XY )(e) = X(e)Y (e).

ambele cazuri tabelul de repartitie are cel mult mn coloane. In