You are on page 1of 174

Gabriel V.

ORMAN
Gabriel NEPOTU

2008 – 2009
REPROGRAFIA UNIVERSITĂŢII “TRANSILVANIA” DIN BRAŞOV

1

2

CUPRINS
Prefata ................ ………………………………………………...…………….… 2
Introducere ........................ ...............................................………… ......................3
1. Preliminarii de teoria multimilor ………………….............… ........................5
1.1. Elemente de teoria multimilor ..................................… .......................5
1.2. Elemente de teoria semigrupurilor ..........................… ........................13
2. Camp de Probabilitate …. .......... ...........................................… ......................17
2.1. Camp de evenimente ………………………………………...............17
2.2. Probabilitate pe campuri finite de evenimente ……… ........................28
2.3. Camp de probabilitate complet aditiv ………………………………...45
2.4. Metode clasice in teoria probabilitatilor ………… ...............................50
2.5. Formule utile in aplicatiile teoriei probabilitatilor. ……… .....................54
2.6. Independenta stochastica. Extractii repetate ………………………….61
2.7. Teorema Borel-Cantelli ………………………………………………69
2.8. Aplicatii ………………………………………………………………71
3. Variabile aleatoare. Caracteristici numerice. Functia de repartitie ...............80
3.1. Definitii. Exemple ……………………………………….…................80
3.2. Valori medii ……………………………………………….................87
3.3. Dispersia ……………………………………………………...............92
3.4. Corelatia ………………………………………………….…..............93
3.5. Inegalitatea lui Cebîsev …………………………………...................97
3.6. Inegalitatea lui Kolmogorov ……………………………...................98
3.7. Raport de corelatie ……………………………………….… ……….99
3.8. Variabile aleatoare pe un camp de probabilitate complet aditiv ……..100
3.9. Functia de probabilitate …………………………………….............103
3.10. Functia de repartitie ……………………………………….............104
4. Repartitia binomiala si repartitia Poisson …………………… ...................107
4.1. Repartitia binomiala ………………………………………...............107
4.2. Legea numerelor mari …… …………………………………............111
4.3. Repartitia Poisson ……………………………………… .................112
4.4. Repartitia multinomiala …………………………………….............121
4.5. Repartitia normala. Teorema limita DeMoivre-Laplace …..................122
5. Elemente de teoria selectiei ……………………….……………….................136
5.1. Selectie.Repartitie empirica…………………………………..............136
5.2. Valori tipice (empirice) de selectie………………………… ...............141
5.3. Aplicatii………….…………………………………………................145
6. Elemente de teoria estimatiei ……………………….……………..................151
6.1. Estimatii.Tipuri de estimatii…………………………………..............151
6.2. Metode de determinare a estimatiilor…………………………............156
6.3. Aplicatii……………………………………………………….............162
ANEXE …………………………………………………………………………...168
BIBLIOGRAFIE ……………………….……………………………...............172

3

Acest mod de abordare a teoriei s-a facut remarcat. Feller. ceea ce a impus o reconstructie a intregii structuri in al doilea sfert al secolului nostru. I. pe parcursul anilor. G. M. teoria probabilitatilor si statistica matematica sunt aplicate in atat de multe domenii diferite. Dar.teoria probabilitatilor . Modul in care sunt aplicate teoriile matematice nu depinde de idei preconcepute. una dintre notiunile fundamentale ale teoriei probabilitatilor. Asa a aparut o ramura noua a matematicilor .A. Astazi. atat in totalitatea lor cat si in interdependenta dintre ele. saltul calitativ inregistrat in chiar istoria dezvoltarii acestei teorii. Fara considerarea acestor trei aspecte. a fost dezvoltata. nu pot fi apreciate caracterul si armonia intregii structuri a domeniului. PREFATA Teoria probabilitatilor este o disciplina matematica avand scopuri asemenea acelora pe care le are geometria sau mecanica aplicata. ale caror rezultate au condus.interesata in construirea si studierea modelului matematic al intamplarii. o datoram lui R von Mises. si in cadrul teoriei probabilitatilor trei aspecte ale teoriei: continutul logico- formal. O teorie. Gihman. datorita influentei multor cercetatori. in acest fel. in directia probabilitatii.I. Skorohod. cu aproape sase decenii in urma. P.V. In aplicatii. dintre care mai amintim pe M. A. Fisher si R von Mises. modele diferite putand sa descrie aceeasi situatie empirica. spre exemplu. care depinde de experienta si se schimba odata cu ea. incat este necesara o teorie generala foarte flexibila pentru a putea prevedea instrumentele de lucru cele mai potrivite pentru o varietate atat de mare de cerinte. De aceea. de cercetarile si rezultatele obtinute mai ales de W. modelele matematice abstracte servesc ca instrumente. consistenta intrinseca a modelului fenomenelor aleatoare a devenit indoielnica. modelul matematic s-a dezvoltat. bazata pe teoria mas urii. Mihoc. in directia unei generalizari si abstractizari inalte. In acest context. in special. insa. aceea de camp de evenimente. Onicescu si Gh.P. Halmos. aceasta este o tehnica aplicata cu premeditare. Orientarea empirica sau statistica. De altfel. remarcam scoala ramaneasca de teoria probablitatilor si statistica matematica creata. care furnizeaza si o serie de exemple si aplicatii capabile sa intregeasca si sa completeze teoria. Loève. Gnedenko. Pe masura ce numarul fenomenelor. incepand cu o definitie axiomatica a insusi conceptului de probabilitate (datorata lui A. impreuna cu proprietatile lor cunoscute a crescut. in mod treptat. de R. Aceasta notiune a facut posibila constituirea unei teorii a probabilitatilor riguroasa din punct de vedere matematic. trebuiesc distinse. la fel ca oricare domeniu. la consacrarea unei teorii moderne a probabilitatilor. destul de repede. Este. Conceptul lui Kolmogorov a fost confirmat. In lucrarea de fata ne-am oprit doar la cateva dintre problemele fundamentale care trebuie sa intre in cultura unui intelectual.V. de la notiunile primare pe care s-a construit intuitia noastra. Rosenblatt. Kolmogorov).N. fundamentul intuitiv si aplicatiile. 4 . de O. fara doar si poate. devine matematica atunci cand ea poate furniza un model matematic al fenomenelor de care se ocupa.

chimice. adica de un timp relativ scurt. atat in procesul de instruire a studentilor. informatica. relatii internationale (profil economic) si autovehicule rutiere (profil mecanic). Vorbim si noi. bineinteles la fel de eficiente. cat si in cercetare si in specializarea de varf. Lucrarea este conceputa pe baza prelegerilor tinute de autor. se evidentiaza printre studiile privind ceea ce ne-am obisnuit sa numim. Situatia credem ca este comparabila cu ceea ce se intampla in cazul studiului sistemelor. cat si cercetari operationale. dupa parerea noastra depasit. cand vorbim de matematici aplicate intelegem atat cercetari de natura sistemica (inclusiv sisteme de decizie si sisteme informatice). modele matematice ca cele pe care le promovam aici. simulare si calcul. fiabilitate. in special din punct de vedere conceptual. sisteme expert si inteligenta artificiala. existand evenimente internationale. Autorul INTRODUCERE Matematicile aplicate au devenit. Desi la noi. handicapul fata de lumea “avansata”. 5 . tematici care se refera. de asemenea. se vorbeste de matematici aplicate. de exemplu. de mare prestigiu. instrument de lucru deosebit de fin care. este greu de spus. in tara. systems science si systems engineering. in studiile lor. proces economic. dintr-un anume domeniu de preocupari. in aceasta lucrare. optimizari. la management. Dar pana unde tine una dintre aceste directii si de unde incepe alta. un domeniu prioritar in intreaga lume. biologice (ca sa numin doar cateva) si al cercetatorilor interesati in asemenea studii. se vorbeste destul de des despre systems theory. fizice. insa. destul de mult. este o chestiune nu chiar atat de simpla. a fost. tehnice. deci. Dar cat de cuprinzator este acest domeniu. spre exemplu. grafuri. la cateva aspecte oferite de studiul unor elemente. fiabilitate. in mod clar. calculul probabilitatilor si statistica matematica. Nu ne-am propus. sau ca altele. mai ales dupa 1990. sa rezolvam problemele specifice. matematica- fizica. Nu ne referim. nu vor putea obtine rezultate riguros fundamentate stiintific fara a implica. dar. retele de comunicatii. acum. de baza. programare matematica. cum este doctoratul. combinatorica si operatori. Ne referim. din teoria probabilitatilor si statistica matematica. sau chiar create. Cert este ca ele pot fi privite atat din punct de vedere ingineresc (in sensul pe care îl da computing engineering). cat si din punctul de vedere al matematicianului interesat in cercetari de matematici aplicare. aceasta fiind exclusiv sarcina specialistilor din acel domeniu care. probleme de transport. ca cel economic sau social. mai ales. totusi. in literatura universala. ca profesor la Universitatea “Transilvania” din Brasov. consacrate acestora. structuri algebrice. Din toate aspectele ce pot fi luate in discutie se detasaza. In mod cert insa. de mai multi ani. matematice. De exemplu. despre matematici aplicate care au fost introduse ca domeniu prioritar chiar in specializarea de cel mai inalt nivel. modele in economie. ce directii de studiu si cercetare pot fi urmate. in mod cotidian. la elemente de analiza matematica domeniu in care exista o bogata literatura de specialitate si care consideram ca trebuie sa faca parte din “alfabetul” fiecarui student care se specializeaza in sistemele economice. studentilor de la specializarile matematica.

discutate in lucrare. multinomiala si normala. specializarile tehnice. Acestea sunt de un real folos in aplicatiile din informatica. reprezentand dezvoltarea moderna a teoriei probabilitatilor. 6 . capitolul preliminar fiind rezervat prezentarii catorva elemente de teoria multimilor si a semigrupurilor. cel putin partial. biologice. se cerceteaza functia de probabilitate si functia de repartitie a unei variabile aleatoare. Lucrarea se adreseaza mai ales studentilor de la I. lipsa unor cunostinte temeinice in aceasta directie.I. Multiplele exemple prezentate au menirea de a stimula interesul cititorului pentru chestiunile discutate. Prin acest capitol preliminar speram sa acoperim. Notiunea de variabila aleatoare este introdusa in capitolul 4 unde se definesc si caracteristicile sale numerice. sunt stabilite formule utile de calcul si se discuta unele probleme referitoare la independenta stochastica. etc. pe conceptul de algebra booleana ca model matematic adecvat studierii proprietatilor unui camp de evenimente. lingvistice. pentru diferite aspecte ale fenomenelor economice. Celelalte trei capitole sunt dedicate unor probleme be baza din teoria probabilitatilor si statistica matematica. dar trebuie inteles faptul ca probabilitatile numerice nu fac obiectul principal al teoriei. Astazi teoria probabilitatilor este aplicata in atat de multe domenii diferite incat este necesara o teorie generala foarte flexibila pentru a putea prevedea instrumentele de lucru cele mai potrivite pentru o varietate atat de mare de cerinte. pe care multi cititori o acuza.N. S-a pus accect. studiul limbajelor formale si al automatelor. Lucrarea este conceputa in patru capitole. Kolmogorov. fie ca este vorba de specializari economice. efortul principal fiind indreptat spre calcularea anumitor probabilitati. Desi este restrictiva ea poate fi folosita cu succes si de profesorii din invatamantul preuniversitar (inclusiv pentru pregatirea examenelor in vederea obtinerii gradelor didactice).D. culese cu deosebita grija. Pornind de la o serie de neclaritati privind fenomenul probabilistic. fizica. matematica-fizica. matematica si informatica. discipline care ofera modele eficiente. Scopul lor este de a scoate la iveala legi generale si de a constitui modele teoretice satisfacatoare. biologie. In capitolul 2 sunt introduse notiunile de camp de evenimente. Abia din deceniul al patrulea al secolului nostru putem vorbi de o tratare axiomatica. in acest capitol. Capitolul urmator este dedicat repartitiilor binomiala. constatate de autor din discutiile purtate cu diferite persoane. si usor de manevrat.. Poison. in lucrare au fost introduse multe si variate exemple. Aceasta linie este urmata si in lucrarea de fata. la randul lor. conduc la noi probleme si cercetari fructuoase. In final. probabilitate si camp de probabilitate. Istoria dezvoltarii teoriei probabilitatilor evidentiaza o armonioasa si stimulativa îmbinare intre teorie si aplicatii: progresul teoriei deschide noi campuri pentru aplicatii care. scopul teoriei probabilitatilor a fost de a descrie domeniul extrem de marginit al experientei legata de jocul intamplarii. inginerilor. si aceasta o datoram lui A. In acest fel se inlesneste intelegerea faptelor. sociologice. de catre o categorie foarte larga de cititori. La inceput. precum si discutarii unor aspecte privitoare la aproximarea normala a repartitiei binomiale.

Astfel.c. La sfarsitul acestui capitol..4. putem insira obiectele (elementele) multimii intre doua acolade. .. C..2. 7 . Acest capitol contine notiuni de baza si unele rezultate relevante din teoria multimilor si teoria semigrupurilor. x. Clasele se noteaza prin litere mari ronde A. El este introdus tinand seama de faptul ca nu toti cititorii poseda. Sa notam elementele multimii prin litere mici din alfabetul latin sau grec: a... prin notiunile si rezultatele prezentate. studentii trebuie sa-si insuseasca: .. de baza. CAPITOLUL 1 Preliminarii de teoria multimilor OBIECTIVE Elementele de teoria multimilor si teoria semigrupurior ancoreaza ulterioarele elemente probabiliste in cadrul matematicii de termininiste. .5. un fond matematic. Multimile vom fi notate prin litere mari A. de familie) are un caracter primitiv si nu se defineste.. in egala masura. De exemplu: 2. chestiunile fundamentale inlesnind. si sa fixam.. b .. y. se scrie aA. B. z.5.3. intelegerea multora dintre faptele discutate. Daca obiectul a este un element al multimii A. in timp ce daca acesta nu apartine multimii A. in acest domeniu.. O multime de multimi se numeste clasa sau familie. coexista si se completeaza reciproc. separandu-le prin virgula. . B. O multime poate fi pusa in evidenta in doua moduri diferite. cea probabilista si cea determinista. unei categorii foarte largi de cititori. . C.. precum si cercetatorilor interesati in utilizarea modelelor matematice bazate pe metode ale teoriei probabilitatilor si statisticii matematice. Indicatorul unei multimi. De exemplu : x  x este un numar intreg si x2. a. 1.. Mai putem indica o multime exprimand proprietatea care caracterizeaza elementele multimii. Astfel cele doua laturi. .b.n..d.. Speram ca.1 Elemente de teoria multimilor Notiunea de multime (sau de colectie. se scrie aA.  .e. . Operatiile cu multimi . 1.3. Ea se considera ca fiind deja cunoscuta. sa reamintim..economistilor. astfel.

. Acest fapt poate fi precizat prin notatia “AB si AB”. avem  Ai  {x xAi pentru toti iI}. daca AnxR. Daca A este o familie de multimi. deci cardinalul multimii. Daca AB si BA. Evident.. a2. nN*. rezulta ca a1. Se va scrie AB sau BA. Definitia 1. n 1 n N *  De exemplu. Fie A si B doua multimi. Reamintim ca x inseamna n 1 valoarea absoluta a lui x definita astfel : 8 . Pentru orice element a al multimii A.2. va fi notat prin card A.. Daca AB si AB. astfel ca ori de cate ori AB spunem ca A si B sunt legate prin relatia de incluziune. aA implica aB.. Definitia 1.. i I n 1 nN * Definitia 1. atunci AB .x1/n. Daca se considera o familie de multimi indexate dupa i. De exemplu x x este un numar real ai x20. adica multimea A este egala cu multimea B. In egala masura se poate utiliza exprimarea : A este o parte a lui B. In aceste cazuri se spune ca A este inclusa sau continuta in B (sau ca B include sau contine pe A). multimea a va insemna multimea care are un singur element a.. Daca o multimea A este finita. se spune ca A este o submultime proprie a lui B. a2.1.an si nu altele. Vom nota o multime care nu are nici un obiect prin  si o vom numi multime vida. atunci  An  {0} . card A este un numar intreg nenegativ. Multimea x  xA sau xB se numeste reuniunea multimilor A si B si se noteaza AB. Pentru o familie de multimi A se defineste A x xA pentru toate multimile AA . se scrie U A n . In cazul in care IN*. atunci se spune ca A este o submultime a lui B. daca IN*. AiiI. Dandu-se multimile A si B. In sensul notatiilor introduse mai inainte. se numeste intersectia lor multimea x  xA ¿i xB si se noteaza AB..3. Daca A si B sunt doua multimi astfel incat pentru orice obiect a. In caz contrar AB. atunci se defineste A x  xA pentru AA . Ne referim la  ca fiind o relatie de incluziune.an este multimea ale carei elemente sunt a1. pentru orice multime avem AA. n loc de U A n . numarul elementelor sale. . In particular. In mod analog se scrie i I   An in loc de  An . Pentru familia de multimi AiiI. atunci se utilizeaza notatia  U A i  x x  A i pentru un i  I  .

Fie multimile Aa. 9 . c si Bb.1. b) C(AB)CA  CB . Definitia 1. Atunci ABa. CBA fiind complementara multimii A in raport cu multimea B. Urmeaza.4. O vom nota A\B. E. d . d.  x . Au loc urmatoarele relatii intre multimi: a) C(AB)CA  CB . Multimile A si B se numesc disjuncte. Referitor la complementarele unor multimi sunt imediate relatiile din teorema urmatoare. au loc incluziunile : 1) CBACA . bine sa fie retinut. ale multimii universale E. Prin urmare. daca x 0. daca x  0.6. indexate dupa i. Urmatorul rezultat este. Definitia 1. atunci se spune ca A este o familie disjuncta (sau ca A este o familie de multimi disjuncte doua cate doua). de asemenea.  x . Operatiile definite pot fi exemplificate in felul urmator. ca pentru orice AE avem C(CA)A. deci. daca x 0. familia tuturor submultimilor lui A este o familie bine definita de multimi. CAB nu are sens. Aceasta va fi notata CA sau Ac. b.  x   0. multimea x  xA ¿i xB se numeste diferenta multimilor A si B. se numeste complementara multimii A (in raport cu E) multimea x  xE si xA. Din aceasta definitie se deduce imediat ca CE si CE. Definitia 1. astfel incat AB.2. este disjuncta daca AiAj pentru orice ij. Dandu-se multimile A si B. Sa convenim ca multimile considerate sa fie submultimi ale unei multimi “universale” care s-a fixat. Pentru orice submultimi A si B. A\Ba. ABb . b. Teorema 1.  Fiind data o multime A. c . Daca AE. daca AB.5. o familie de multimi AiiI . Teorema 1. Daca A este o familie de multimi astfel incat fiecare pereche de multimi distincte din A sunt disjuncte. numita familia partilor multimii A. 2) CBCA. c. (Relatiile lui De Morgan).

. Se numeste diferenta simetrica a multimilor A si B multimea xxA sau xB si xAB. Se noteaza astfel A x B. Deci.. O secventa de doua elemente se numeste pereche.AnA se scrie A1  A2  .. 10 . Definitia 1. produsul cartezian al multimilor A 1. (2. Este important de retinut ca in definitia produsului cartezian a doua multimi se tine seama de ordinea in care sunt date acestea..2). Fie A si B doua multimi. Definitia 1.b) daca si numai daca xa si yb. ca naturala urmatoarea definitie. Definitia 1.1 Definitia 1.y) cu x A si yB. un obiect x apartine diferentei simetrice a multimilor A si B daca x apartine in mod precis uneia dintre multimile A si B (vezi fig.  An(x1.A2..   c) C A i   CA i .9. Fig. in acest fel. de multimi.8.A n se defineste in felul urmator A1  A2  . Prin urmare. Se noteaza in felul urmator: A  B. Se intelege ca n nu poate fi zero si trebuie sa fie un numar finit. Daca A1A2. Rezulta de aici ca diferenta simetrica a multimilor A si B poate fi exprimata fie prin egalitatea A  B(A\B)(B\A). Apare.. o secventa de trei elemente se numeste triplet..5)(5. O secventa ordonata de n obiecte (sau simplu secventa sau n-uplu) consta dintr-un numar de n obiecte date intr-o anumita ordine.. 1 i  n. n 1. De exemplu.. Astfel. 1)..y)(a..  AnAn . poate fi extinsa la un numar arbitrar A n. etc. A B fie prin egalitatea A B A B(ACB)(CAB).7. Se numeste produsul cartezian al multimilor A si B multimea tuturor perechilor ordonate (x.8.  i I  i I   d) C A i   CA i .x2. se scrie (x..x n) xiAi pentru orice i.  i I  i I Cu ajutorul operatiilor de reuniune si intersectie se poate defini o noua operatie importanta cu multimi...

Definitia 1. atunci aceasta relatie este o operatie binara definita pe elementele multimii A cu valori in multimea B. Daca fiecare pereche ordonata (a1. Fie A si B doua multimi arbitrare si fie o relatie de la AB la B. o relatie este orice multime care este o submultime a produsului cartezian a doua multimi. de exemplu. Din aceasta definitie se deduce ca  este o relatie. Daca o relatie de ordine partiala satisface si conditia 11 . B este de asemenea. si acesta. sau scris in modul obisnuit v1 v2r. Un tip special de relatie deosebit de importanta este relatia de echivalenta.12. (Aici “binar” inseamna ca doua elemente din A produc un element din B.v3).13. Definitia 1. Daca. iar B este multimea tuturor numerelor reale. o relatie binara. in acest caz. in acest caz. 3) xy si yz implica xz (tranzitiva). este. definitia urmatoare are mare utilitate. atunci produsul vectorial ((v1. 2) x~y implica y~x (simetrie). v2).  sau alta operatie cunoscuta). multimea tuturor vectorilor tridimensionali. Fie X o multime. Cu alte cuvinte. O submultime R a produsului cartezian AB al multimilor A si B este o relatie de la A la B.y)f. 3) x~y si y~z implica x~z (tranzitivitate). r). de aici. ca o operatie definita pe elementele unei multimi poate duce la un rezultat din aceeasi multime sau dintr-o alta multime. b) a acestei relatii. Relatia f2 este o extensie a relatiei f1 daca f1f2. De asemenea. a2) AA apare numai intr-o singura pereche ((a1. insa. are proprietatile: 1) x~x (reflexivitate). Prin conventie vom utiliza notatia xfy pentru a indica faptul ca (x.10 Se numeste relatie orice multime de perechi. a2 ). A este multimea tuturor vectorilor din spatiul cu trei dimensiuni.) Se scrie. v2). ca este o restrictie a lui f2.yX. atunci o relatie binara este produsul scalar ((v1.11. Definitia 1. Despre f1 se spune. Se numeste ordine partiala definita pe o multime A o relatie  care este o submultime a produsului cartezian A  A si satisface conditiile: 1) xx (reflexiva). Definitia 1. a1a2 b (buneinteles ca operatia  poate fi inlocuita dupa caz cu . Daca. pentru orice x. Se numeste relatie de echivalenta definita pe X o relatie notata ~ care este o submultime a produsului cartezian X  X si care. Este util de retinut. scris in mod obisnuit v1v2v3 . 2) xy si yx implica xy (antisimetrica).

2.. iar daca yx.x2. prin definitie. ori de cate ori xB ...) cu  o relatie de buna ordonare pe A este o multime bine ordonata. atunci aceasta se numeste relatie de ordine liniara definita pe A (numita si simpla. nu este bine ordonata deoarece exista submultimi nevide ale lui A care nu contin un cel mai mic element.y)A.x2. insa. Atunci. multimea f(A)y (x. considerand multimea BxA  x 0 . Se scrie xy ori de cate ori xy si xy (xy inseamna yx. completa.).. este o multime liniar ordonata.  este o relatie de ordine liniara pe A si cel mai mic element al lui A este 0. Analog.. o multime liniar ordonata este o pereche ordonata (A.xn-1 ..x2. Daca relatia  satisface. Prin urmare .. N* este si o multime bine ordonata. ) este o multime partial ordonata. iar xy inseamna yx). atunci A este o multime bine ordonata.n. Daca f este o relatie si A o multime atunci. avem x/2B . Sa consideram multimea tuturor numerelor rationale nenegative AxxQ. iar  este o ordine liniara (sau simpla. Daca xy... Multimea A.i1. completa sau totala). In sensul definitiilor date rezulta ca relatia de incluziune  este o relatie de ordine partiala pe o familie A de multimi. 4) x. 2.. (A. Fie A o multime liniar ordonata si (x.xn. nu in mod necesar toate distincte) se defineste maxx1. unde A este o multime. maxx1. se defineste maxx.xn ca fiind maxxn.. In sfarsit.. ne vom exprima spunand ca familia A de multimi este partial ordonata prin relatia de incluziune. Multimea N* a tututor numerelor intregi pozitive.yy. x0 si fie  ordinea naturala definta pe A. 12 .yx.... iar perechea ordonata (A. cu aceasta ordine. si conditia 5) BA implica existenta unui element bB cu proprietatea ca bx pentru fiecare xB (adica b este cel mai mic element din B).. unde A este o multime. iar  este o ordine partiala pe A.x2..). o multime partial ordonata este o pereche ordonata (A.y si minx1. Exemple: 1. cu relatia de ordine naturala.. totala) pe A. De asemenea.. deci B nu contine un cel mai mic element. Ori de cate ori vom intalni asemenea situatii. de asemenea. Daca x1. atunci se defineste maxx. Astfel.y A implica xy sau yx.. In mod similar se definesc expresiile minx.y)f pentru xA poarta denumirea de imagine a lui A prin f.xn este o submultime finita a lui A (cu elemente xi.

iar.. Prin urmare.z)g.3..y)h si (x. Atunci exista f si g in F astfel incat (x. Sa presupunem ca fg. O secventa (xn) se spune ca este din X daca xnX pentru orice nN* 1) . 3) Fie x dom h  dom f  dom f... Revenind la definitia 1. Definitia 1. pentru ca g este o functie. Fie (x. -n. 3) x dom h implica h(x)f(x) pentru orice f  F astfel incat x dom f.. daca x  A  CA B 1) N*1.y)h pentru elemente y. Functia IB. 2) Aceasta rezulta din faptul ca urmatoarele afirmatii sunt doua cate doua echivalente: x dom h.. din iopteza..z)g .. atunci se spune ca f este o functie de la (pe) X in (la) Y.n.. adica F este ordonata liniar relativ la ... Fie A o multime si B o submultime a sa. x dom f pentru fF. Atunci: 1) h este o functie.1. deci. Se stie insa.. ori gf....g  F implica ori fg. Definitia 1. Fie F o familie de functii astfel incat f. 0.z)h. Z. Secventa x avand al n-lea termen xn se noteaza prin  x n  n1 sau simplu prin (xn). Daca f este o functie astfel incat dom fX si codom fY.n.. cu domeniul de definitie A si domeniul de valori continut in 0. Valoarea xn se  numeste al n-lea termen al secventei..f(x))fh si h este monovalenta asa ca h(x)f(x)..15..2.1 astfel incat 1..2.. h este o functie. Atunci..9..14. Atunci (x. de aratat ca h este monovalenta. Prin abuz de notatie se scrie (xn)X.-1. Daca codom f Y. (x.. ca fg sau gf. Ramane.. urmatoarea definitie introduce notiunea de functie caracteristica (sau indicatorul ) unei multimi. (x. avem yz.y)f si (x.y)f pentru fF. (x.0. N0. atunci se spune ca f este o functie pe Y.1. se poate spune ca o secventa este o functie al carei domeniu de definitie este N*.. 4) Are loc succesiunea de egalitati codom hh ( dom h)  h(  dom f  fF)  h (dom f)  fF f (dom f) fF  codom f fF.n.. 13 . 2) dom hdom f  f F .3. Se scrie f:XY..y)g si (x. daca xB IB(x) =  .. Demonstratie: 1) In mod clar h este o relatie deoarece este o reuniune de multimi de perechi ordonate. Teorema 1. 4) codom hcodom f  f F. Sa notam h  F. unde fF. Daca x este o secventa.3.. valoarea sa in n se noteaz xn sau x(n). In sfarsit..

se numeste functia caracteristica ( sau indicatorul ) a multimii B. IAn = I A1  (1  I A1 ) I A2  (1  I A1 )(1  I A2 ) I A3 .y) se noteaza prin xy si se numeste simbolul  al lui Kronecker.4. Amintim urmatoarele doua rezultate importante. IAIB  A B.. .  xy   0. atunci IAn = Ian . fiecare functie de x care ia valori 0 sau 1 este o functie caracteristica a multimii pentru punctele in care aceasta ia valoarea 1. dac \ x  y . In general. Reciproc.. de asemenea. Prin urmare. IAn  IAn . Cu alte cuvinte. Se spune ca multimea A este enumerabila recursiv daca ori are loc egalitatea A..2. oricare ar fi x. pentru punctele arbitrare x si y din A avem 1. In acest scop se defineste diagonala D a produsului cartezian A  A ca fiind multimea D(x.. daca x este sau nu un element al multimii A. Astfel. orice multime finita este recursiva. Teorema 1. 14 .x)xA. O procedura poate avea un numar arbitrar de intrari si iesiri. Ea defineste o aplicatie de la multimea tuturor intrarilor permise la o multime de iesiri. Valoarea functiei caracteristice a multimii D in (x. dac \ x  y. atunci xA implica f(x)1 si xCA implica f(x)0. Se verifica urmatoarele corespondente biunivoce si relatii ( va insemna corespondenta biunivoca): I0. Aplicatia definita de o procedura se numeste functie partial recursiva sau functie recursiva. IA  I A C 1. ori de cate ori exista un procedeu efectiv pentru a decide. Prin urmare. o multime este enumerabila recursiv daca exista un procedeu efectiv pentru inregistrarea elementelor multimii ( care se pot repeta).16. ea este o multime enumerabila recursiv. multimea numerelor intregi pozitive pare 0.17. datorita frecventei cu care este folosita.. o multime A este recursiva daca si numai daca exista o functie recursiva f astfel incat.. este recursiva. daca An sunt multimi disjuncte. IA  IB  AB. in general. O multime se numeste recursiva daca are o functie caracteristica recursiva . fixat. se va spune ca A este recursiva. De exemplu.. i s-a atribuit un simbol special.4. Daca A este o multime recursiva atunci.. dandu-se un x. Definitia 1.. ori exista o functie recursiva f astfel incat Acodom f. IAB0  AB. 2) Definitia 1. Exista o functie caracteristica particulara careia. 2) O procedura consta. IE. dintr-o multime finita de instructiuni care pot fi executate intr-un interval fixat de timp si cu un volum de munca.

Multimea A este recursiva daca si numai daca A si CA sunt ambele enumerabile recursiv. ceea ce dovedeste ca legea de compozitie data este asociativa. Se va spune despre o lege de compozitie . de elemente din A. cu legea de compozitie (f.2 Elemente de teoria semigrupurilor O lege interna de compozitie (sau lege de compozitie) pe o multime A este o aplicatie a produsului cartezian AA in A. In acest caz compusul elementelor a si b poate fi notat ab. atunci   f  g  h x   f  g h x  f  g h x  Si  f   g  h x  f   g  h x  f  g h x  . 1. oricare ar fi xS.g)  fg. Teorema 2. iar in celelalte doua cazuri compusul se numeste produsul elementelor a si b si se va spune ca legea de compozitie este multiplicativa. compusul elementelor a si b se noteaza ab sau ab sau ab. adica o aplicatie care asigura fiecarei perechi ordonate (a. insa. g si h sunt elemente din A. Exemplu. acesta putand fi ori suma ori produsul dintre a si b. ca este asociativa daca  abc  a bc pentru toate elementele a. situatii in care nu se face distinctie intre legea aditiva de compozitie si cea multiplicativa. in timp ce elementul neutru pentru o lege de compozitie multiplicativa se obisnuieste sa se noteze prin 1. In general. Exista un element neutru si numai unul singur pentru o lege de compozitie  pe A. numit compusul lor. Aceasta lege de compozitie este asociativa intrucat daca f. Fie S o multime arbitrara si A multimea tuturor aplicatiilor lui S in ea insasi.5.b). In primul caz compusul se numeste suma elementelor a si b si se va spune ca legea de compozitie este aditiva . Sa presupunem ca exista doua elemente neutre distincte e si e’ . daca ae  ea  a . de unde rezulta ee’ . Un element e se numeste element neutru. Atunci au loc egalitatile ee’e’ si ee’e . 15 . Elementul neutru pentru o lege de compozitie aditiva se noteaza. b si c din A. Exista.1. Teorema 1. pentru o lege de compozitie  din A. definita pe multimea A. de obicei. oricare ar fi aA. Demonstratie. prin 0. unde (f g)(x)f(g(x)) pentru orice xS. un element C din A.

3. Definitia 2. Prin urmare. Un semigrup A este comunicativ sau abelian daca si numai daca x1x2x2x1 pentru orice x1. Se va spune ca X genereaza multimea A daca si numai daca <X> A. se mai spune ca e este un zero stang (drept). Daca pentru orice xA are loc dubla egalitate xexex . Definitia 2. Atunci SA este un subsemigrup al lui A daca si numai daca S si. numit invers lui x .x2A . . Un monoid este un semigrup cu element unitate. Cu alte cuvinte. . x3. atunci x1x2 . atunci eA este un element unitate (daca xeeex. de asemenea. xn) este o secventa finita de elemente din A.. (xn-1xn) . Daca X este o submultime nevida a lui A atunci. . Elementul eA este un idempotent daca si numai daca e2e . atunci S V sau V S. adica cel mai mic subsemigrup al lui A care contine pe X. unde e este elementul unitate al lui A. atunci. multimea tuturor produselor finite x1x2 . orice element xA are cel mult un invers. Este evident ca <A>  A. atunci eA este un zero). Evident. atunci x1xxx2(x1x)x2ex2x2. Un grup este un monoid A astfel incat pentru fiecare xA exista un elemet x-1A . exx (xex) . Se va intelege prin ordinul semigrupului A cardinalul multimii A. . care va fi notat prin card A. 16 . . vom scrie x1x2 in loc de x1x2. . Prin urmare. are loc relatia (x. unde A este o multime nevida. Se va spune ca e este un element unitate stang (drept) daca si numai daca pentru orice xA. iar  o operatie binara asociativa (adica o aplicatie a produsului cartezian AA in A). Ori de cate ori nu exista pericolul unei confuzii. <X> este. ) . In particular. Se observa fara dificultate ca daca x1 si x2 ar fi doua inverse distincte ale elementului xA. s1s2S. Un semigrup este o pereche ordonata (A. . pentru orice s1. .1. .x2)x3x1(x2x3). ). daca exe (xee) . . xn  x1(x2 .2. Fie semigrupul A. Daca (x1. x2. Este vizibil ca intersectia subsemigrupurilor unui semigrup este vida sau este un alt subsemigrup. . se obisnuieste sa se noteze prin <X> subsemigrupul generat de X . sunt elemente arbitrare din A. . cu proprietatea ca xx- 1 ex-1x. ori de cate ori au loc incluziunile SVA cu V un semigrup al lui A. xn ale elementelor lui X.s2S. Definitia 2. orice element unitate (in particular zero) este idempotent. vom nota semigrupul prin A in loc de (A. Se spune ca S este un subsemigrup propriu maximal al lui A daca si numai daca SA si. subsemigrupul generat de X este intersectia tuturor subsemigrupurilor lui A care contin pe X. daca x1.).

(z. Atunci (RT)-1T-1  R-1 pentru toate relatiile T. un omomorfism care este injectiv se numeste monomorfism (adica daca pentru orice x1.y)  exista zX. Se poate defini pe X o relatie identica I(X)(x.z)R1. h este un izomorfism.y)R. ) are legea de compozitie R1  R2 (x.x2A1. ceea ce dovedeste ca h este o injectie.1. Daca h este un izomorfism. Atunci x1  (f  h)(x1)f(h(x1))f(h(x2))(f  h)(x2)x2. R definite pe X.10). Un omomorfism care este surjectiv se numeste epimorfism (adica daca h(A1)A2). Teorema 2.x2X se va scrie x1Rx2 sau x1x2 (mod R) daca si numai daca (x1.R2)R1  R2. in cazul in care acesta este un izomorfism al lui A cu el insusi. astfel: pentru fiecare xA2.). Fie pentru aceasta x1 si x2 elemente din A1 astfel incat h(x1)h(x2).x)  xX. Astfel.x2)R. Daca XA1. x1x2 implica h(x1)h(x2) ). Prin urmare. Atunci h(x)h(f(x3))(h  f)(x3)x3. iar M(R1.y)R2. Cum h-1 este un izomorfism. atunci se poate defini inversul lui h. aceasta ordine partiala formeaza o latice cand este limitata la relatii de echivalenta. se va nota prin h(X) multimea yA2  yh(x) pentru xX.2. Incluziunea este o relatie de ordine partiala pe multimea tuturor relatiilor definite pe X (conform cu 1. h-1(x) este unicul element din A1 astfel incat hh-1(x)  x. o latice este o relatie de ordine partiala pentru care orice pereche de elemente are o cea mai mica margine superioara (M) si o cea mai mare margine inferioara (m). Atunci aplicatia h:A1 A2 este un omomorfism daca si numai daca h(x1x2)h(x1)h(x2) pentru orice x1. notat h-1. Se va spune ca A1 este izomorf cu A2 (se scrie A1A2) daca si numai daca exista un izomorfism h al lui A1 cu A2. Atunci h este un izomorfism al lui A 1 cu A 2. (x. adica (2XX. Fie A1 si A2 doua semigrupuri. Definitia 2. Atunci semigrupul tuturor relatiilor definite pe X. Demonstatie. Daca R1 si R2 sunt relatii de echivalenta. 17 . Fie x3 un element oarecare din A2 astfel incat f(x3)x. Fie R o relatie si sa notam R-1(y. de unde rezulta ca h este o surjectie.4. Fie h un omomorfism al lui A1 in A2 si se presupune ca exista o aplicatie f a lui A2 in A1 cu urmatoarele proprietati: f  h este aplicatia identitate a lui A1 si h f este aplicatia identitate a lui A 2.x) (x. Printr-o relatie R definita pe X se intelege orice submultime RXX (conform definitiei 1. Fie X o multime data.R2)(R1  R2)n  1 n . se numeste un automorfism al lui A. se poate face o clasificare a omomorfismelor. m(R1. Un omomorfism al unui semigrup A in el insusi poarta denumirea de endomorfism al lui A. Exemple: 1. in acest caz se va spune despre A2 ca este imaginea omomorfa a lui A1. nu este greu de observat ca  este o relatie de echivalenta pe clasa semigrupurilor.x2A1. Astfel. Avand in vedere clasificarea aplicatiilor. Un omomorfism care este o bijectie poarta numele de izomorfism. Pentru x1.

unde oA. De asemenea...ym)(x1. Se defineste aplicatia S:FS(A1) prin S(x)(y)xy pentru xA si yA1.xny astfel incat xiR1xi1 sau xiR2xi1 pentru i0.B) multimea tuturor functiilor de la A la B... In particular. A0A0. A0 si AI... 18 . iar I actioneaza ca un element unitate pentru AI. S este un semigrup infinit.. Este bine de retinut ca FD(X) este izomorf cu subsemigrupul semigrupului (2 XX . 4.(xn). Analog.R2) daca si numai daca exista secventa xx0. B).. Elementul 1 din (A)1 va fi identificat cu multimea vida. adica (x1. ). deoarece orice aplicatie  a multimii S intr-un semigrup A are o extensie unica  la un omomorfism al lui S in A. care consta din toate relatiile R avand proprietatea ca. unde 1A... daca S este o multime de generatori ai lui A..) unde (fg)(a)f(g(a)) pentru aA... Monomorfismul S se numeste reprezentarea regulata stanga a lui A. 3. operatia de multiplicare in A ramane neschimbata.n-1. a) Se defineste semigrupul A1 dupa cum urmeaza.. In caz contrar. fiecare semigrup este izomorf cu un semigrup al lui FS(A) pentru o multime A...1..xn. pentru fiecare x. Fie A un semigrup. operatia de multiplicare in A ramane neschimbata si 1 opereaza ca un element unitate pentru A1.ym) .y1.. operatia de multiplicare in A ramane neschimbata.. Se spune ca S este semigrupul liber generat de S. De asemenea.. Daca R1 si R2 sunt relatii de echivalenta pentru care R1R2R2R1 atunci. 2. In mod similar FD(A) este semigrupul (F(a). definit prin relatia (x1. iar  aplicatia identica atunci. Aplicatia S este un omomorfism injectiv deoarece S(x1x2)(y)x1x2yS(x1)S(x2)(y)S(x1)S(x2)(y) si S(x)(1)x pentru orice x. Atunci semigrupul liber necomutativ fara element unitate generat de S.. Deci x este echivalent cu y in M(R1. b) Se defineste semigrupul A0 in felul urmator. c) Se defineste semigrupul AI ca fiind AI. y)R pentru un singur x.. A1A1. Fie S o multime nevida. > S A este un epimorfism astfel incat fiecare semigrup este o imagine omomorfa a unui semigrup liber. A0A.. Analog se defineste aplicatia D:AFD(A1) data prin (y)D(x)yx pentru yA1 si xA. x2A si yA1.xn)  (y1. Daca A nu este un monoid atunci. In cazul semigrupului FD(A) se mai obisnuieste sa de scrie (a)f in loc de f(a) . A este un subsemigrup al lui A1. Fie A un semigrup. D este un momomorfism numit reprezentarea regulata dreapta a lui A..). este multimea tuturor multimilor finite nevide ordonate de elemente ale lui S cu operatia de semigrup definita prin concatenare. Se scrie F(A) in loc de F(A. Vom utiliza pentru ( A)1 notatia A*. chiar daca A este un monoid. iar 0 actioneaza ca un zero pentru A0. x1...xn)(x1).2... notat S. unde IA. astfel ca (a)(f  g)(((a)f)g). A1A. se observa ca R1 R2 este o relatie de echivalenta si R1R2M(R1R2) de asemenea. Prin urmare. Daca A are un zero si card A1 atunci.. Fie A si B multimi nevide si F(A.inchiderea tranzitiva a lui R1R2.. (x. Daca A este monoid..x1. FS(X) este izomorf cu subsemigrupul care consta din toate relatiile R cu proprietatea ca. (x. De retinut ca AAI. pentru orice y. Se noteaza prin FS(A) semigrupul (F(A). unde (f  g)(a)g(f(a)).y)R pentru un singur y.

Rezultatul central este exprimat in teorema care afirma ca orice camp de evenimente finit. Definitia empirica a Probabilitatii . Aparitia fetei numerotata cu numarul natural i. de exemplu. este un eveniment si îl notam cu E i. experienta aruncarii. Se face trecerea spre abstract. scheme probabiliste) sunt de natura pragmatica. pe o suprafata plana. Ne vom exprima spunand ca evenimentul A si A este evenimentul imposibil si ca A sau A este evenimentul sigur. se pun in evidenta particularitatile care diferentiaza algebra Boole asociata unui camp de evenimente infinit si algebra Boole a multimii partilor unei multimi de cardinal transfinit (multime infinita). spunem ca evenimentul E2 implica evenimentul A si scriem E2  A. in care apar fenomene intamplatoare.. anume are o structura de algebra Boole. sa cerem ca declarat castigator sa fie cel care obtine o fata numerotata cu un numar par.1. are o structura algebrica asemanatoare cu structura algebrica a partilor unei multimi. De exemplu. el se va opri aratand una din fete. Sa indicam acest eveniment cu litera A. La sfarsitul acestui capitol. sau . camp de probabilitate. 1 i 6. Este facuta legatura intre multime si probabilitate. Probabilitate ca functie de multime si proprietatile ei . Probabilitati conditionate . Sa asociem experientei unele reguli de joc. Aruncandu-l pe suprafata considerata. Scheme de probabilitate 2.. 19 . caci putem fi in prezenta fetei 1. a unui zar.CAPITOLUL 2 CAMP DE PROBABILITATE OBIECTIVE Elementele de baza ale Teoriei Probabilitatii:(camp de evenimente. De asemenea. Observand ca aparitia fetei 2 atrage dupa sine realizarea evenimentului A. studentii trebuie sa-si insuseasca: . Daca apare o fata pe care figureaza un numar impar zicem ca suntem in prezenta evenimentului non A pe care îl indicam prin A (numit si eveniment comlementar sau contrar). Evident nu putem avea in acelasi timp A si A. a fetei 6. Camp de evenimente In acest paragraf se arata ca multimea evenimentelor asociata unei experiente provocate sau nu. sau 2. este izomorf cu algebra Boole a multimii partilor unei multimi finite. Acest obiect paralelipipedic regulat are fetele numerotate de la unu la sase. Sa efectuam. insa are loc cu siguranta evenimentul A sau evenimentulA. iar aparitia acesteia este un fapt intamplator.

observam ca implicatia “  “ este o relatie binara pe multimea P care are urmatoarele proprietati: 1.. Daca A  A1. A apartine lui P si A A E. Imaginand diverse reguli de joc se vede ca experientei aruncarii cu zarul îi putem asocia o multime de evenimente. De asemenea. f. m  m. A2  A atunci A1  A2  A. A1 A1  A2. A1  ( A2 A3)  (A1  A2 ) (A1  A3). ““ numite supremum si infimum. E4  A . Asociind jocului de fata si regula: jucatorul primeste dublul mizei daca are loc evenimentul Ei cu i 3. adica avem A  A. A2  A1  A2 . A2  P apartin multimii P si evenimentele A1 sau A2. Daca A1. Sa indicam aceasta multime prin litera P. Odata cu A P.n. d. fara dificultate ca : Oricare ar fi evenimentele A. A A   . Daca A1. b. Daca facem conventia. sa consideram ca doua evenimente sunt identice (egale) daca se implica reciproc. Punand ““ in loc de “ “. observand ca odata cu evenimentele A 1. Astfel. A 1. c. daca si numai daca au loc evenimentele A si B. insa E2 nu implica evenimentul A si scriem E2   A. A 2  A1 atunci A 1  A2. 20 .1 O multime L se numeste latice daca pe L s-a dat o relatie ““ numita relatie de ordine si doua operatii ““. eveniment pe care îl desemnam prin litera B. A3  P si A1  A2. Oricare ar fi elementele m. fapte care au loc pe multimea evenimentelor asociate oricarei experiente in care intervin fenomene intamplatoare. e. disjunctia “sau” si conjunctia “si”. A2. care satisfac urmatoarele axiome: L1. suntem in prezenta a doua legi de compozitie interne definite pe multimea P . E 2 A . A1  A2  A2. daca m  n si n  m atunci mn. se poate constata. A 2  P si A 1  A2. primul putand fi si evenimentul sigur pe care îl desemnam prin E. Orice AP se autoimplica.1. respectiv A1 si A2. A  A2 atunci A  A1 A2. Daca A1 A. A2  A3 atunci A1  A3 fapt care ne permite sa spunem ca implicatia este o relatie de ordine pe P. E3  A etc. “ “ in loc de “sau” si ““ in loc de “si”. 3. b. A 3  P avem : a.p  L avem : a. rezulta ca evenimentul E 2 este privilegiat si are loc. pe care îl desemnam prin simbolul  . c. daca m  n si n  p atunci m  p. ultimul putand fi si evenimentul imposibil. de altfel naturala. Pentru a fixa ideile introducem Definitia 2. 2. A 2. A1  A2  A1. E6  A .

evenimentul 21 . m  n  n. c. b. f. si se spune ca este infinit in cazul contrar. un element T numit element total cu proprietatea ca orice l L satisface conditia lT. p  n implica p  m n . elementul total fiind insasi multimea X.1. 15 evenimente de tipul E i1  E i 2  E i 3  E i 4 i1  i 2  i 3  i 4 .p  L avem : a.p L avem m  (n p)  (m  n ) (m  p). respectiv conjunctia evenimentelor considerate drept supremum si infimum.n. Astfel. Indicand. un element  numit element nul cu proprietatea ca orice l L satisface conditia   l si g. Campul de evenimente se spune ca este finit daca cardinalul multimii  este un numar natural. O latice L se zice ca este distributiva daca oricare ar fi m. in general. Oricare ar fi elementele m. in care intervin fenomene intamplatoare. algebra Boole apare ca un model matematic al notiunii noastre intuitive de camp de evenimente. pentru orice lL exista cel putin un l din L numit complementul elementului l.1. Un exemplu de camp de evenimente finit este campul P asociat experientei aruncarii cu zarul. Multimea  are o structura de algebra Boole in raport cu implicatia considerata drept relatie de ordine. disjunctia. avem Teorema 2. relatiile p  m. l  lT. m  n  m. iar cel al elementului nul de evenimentul imposibil. iar elementul nul multimea vida. cu  multimea evenimentelor asociate unei experiente. d. Incluziunea joaca rolul de relatie de ordine. n  m n. O latice L se zice ca este complementata daca in L exista : e.1.n. n  p implica m n  p. relatiile m  p. 15 evenimente de tipul E i1  E i 2 i1  i 2 . Algebra Boole  asociata unei experiente in care intervin fenomene aleatoare (intamplatoare) poarta numele de camp de evenimente. In adevar P este multimea alcatuita din 6 evenimente de tipul Ei. reuniunea rolul de supremum.L2. m  m  n. O latice L complementata si distributiva se numeste algebra Boole. rolul elementului total fiind jucat de evenimentul sigur. astfel incat sa avem l l   . Un exemplu tipic de algebra Boole îl constituie multimea partilor unei multimi finite sau infinite X notata de obicei cu P(X). Definitia 2. intersectia de infimum. 20 evenimente de tipul E i1  E i 2  E i 3 i1  i 2  i 3 . 6 evenimente de tipul E i1  E i 2  E i 3  E i 4  E i 5 i1  i 2  i 3  i 4  i 5 .2.

(x a. cum recipientul are o infinitate de puncte. In adevar.1. m  (n  p)  (m  n )  p .  A este multimea tuturor atomilor care preced elementul p.E i1  E i 2  E i 3  E i 4  E i 5  E i 6 care este.4.. Daca elementul x1 nu are precedenti el este un atom. Fie a   A familia tuturor atomilor care preced elementul x. adica  a  x.. campul evenimentelor asociat experientei este infinit. Daca x1 are precedenti. anume daca x   L x   p.. Definitia 2. x2..1. . evenimentele E 1. putem presupune ca x 2 este unul dintre acestia.1 Orice algebra Boole finita este elementara. Aici A este o multime de indici care indexeaza atomi ce preced elementul p.  A Algebra partilor unei multimi este elementara. m  m  m . Campul de evenimente asociat experientei urmatoare nu este finit.. In acest recipient sa distingem unele portiuni delimitate prin membrane permeabile. Afirmam ca x   a  . iar cel imposibil este. formeaza un sistem complet de evenimente. E 1  E2 evenimentul total si E1  E2   evenimentul imposibil. m  (n  p)  (m  n )  (m  p) oricare ar fi m. avem p   x  . n. cum se constata imediat daca observam ca in orice algebra Boole L avem : m m  m . multimile x cu x X sunt atomi..1. Multimea A este o multime finita. Vom spune ca multimea P. (a  ).E 6 sunt atomi. renumerotand elementele xi cu i convenabil. campul de evenimente asociat experientei aruncarii cu banul este finit si este alcatuit din evenimentele: E1 (stema). SS deoarece particola nu poate fi in acelasi timp si in portiunea S si in afara ei. implica x  . putem proceda cu acesta asa cum am procedat cu x1.. exista un atom aL cu proprietatea a x.E2. Indicand cu  A  A 22 . m  (n  p)  (m  n ) p . In acest mod putem afirma ca oricare ar fi elementul xL. Sa presupunem contrarul. xa). In algebra Boole P(X) a partilor unei multimi X.3. Astfel. Evenimentul sigur este SS. Se considera un recipient umplut cu un fluid. De asemenea un alt exemplu este dat in Teorema 2. se numeste atom daca relatia x a . De asemenea. O algebra Boole se zice ca este elementara daca are atomi si daca orice element al algebrei se exprima ca supremul atomilor care îl preced. daca exista. p L. evenimentul total si evenimentul imposibil  . E 2 (banul). Sa numerotam elementele nenule ale lui L astfel x1. Daca are precedenti. xn. Numarul total de evenimente care alcatuiesc acest sistem este egal cu 26. in algebra Boole asociata experientei aruncarii cu zarul. considerata mai sus. fie L o algebra finita. Pozitia particolei intr-un punct oarecare din recipient este un eveniment si. de fapt. nenul. Fie L o algebra Boole. Definitia 2. Aparitia unei particole intr-o portiune S este un eveniment intamplator. Un element aL. Daca x2 nu are precedenti el este un atom. de exemplu.

Reciproc. Evident imaginea elementului nul este multimea vida. Ca urmare xxy de unde x y.2.1. Fie L o algebra Boole finita. Drept urmare (z)  (x  y). L2 sa fie izomorfe este sa existe o bijectie   L1 L2 astfel incat pentru orice x. Propozitia 2. Deoarece relatia xy este echivalenta cu xxy. avem (x)(x)(y). Orice algebra Boole finita este izomorfa cu algebra partilor unei multimi finite X. deci (x)(y). y L1. In plus (p q)  Xp  Xq. exista un atom a cu proprietatea a  x    a  . de unde rezulta (xy)  (x)  (y). iar imaginea elementului total T este X.1. (z)  (y) de unde z  x.1. Evident XpP(x). O consecinta importanta a rezultatului infatisat in teorema 2. (x)  (y)  (y). sa trecem la demonstratia teoremei 2. Insa (x)  (y)  (x). 23 .2. xy y rezulta (xy)  (x). Conditia necesara si suficienta ca doua algebre Boole L1. Spunem ca doua algebre Boole L1. (xy)  Xp  Xq. Deci (x)  (y)  (x  y). unde P(x) este multimea partilor lui X. fapt care ne spune ca z  xy. convenebil aleasa.1.1. Considerand aplicatia   L P(x) definita prin conditia (p)xp . Sa notam cu X multimea atomilor ei. Din xy x. y L1 sa avem xyxy xyxy. In adevar.1 privind izomorfismele algebrelor Boole. Cum (x)  (y)  L2 exista z  L1 astfel incat sa avem (z) (x)  (y). lasam in seama cititorului sa arate ca are loc si relatia (xy)  (x)  (y). z  y.  A De aici rezulta ca ax si contrazicem faptul ca familia a   A este alcatuita din toti atomii care-l preced pe x.  a complementul elementului  a trebuie sa avem x    a    . dupa cum am aratat. îl exprimam in Teorema 2. Deoarece relatia (x)(y) este echivalenta cu (x)(x)(y) si (x)(y)(xy) rezulta (x)(xy). Daca p L sa notam cu Xp multimea  x  X x  p .2 vom preciza termenii si vom da un rezultat exprimat in propozitia 2. sa aratam ca ansamblul implicatiilor ( x y implica (x) (y)) si ((x)(y) implica xy) implica calitatea bijectiei   L1 L2 de a fi un izomorfism. Conform celor de  A  A  A mai sus.1.1. (xy)  (y) de unde (xy)  (x)  (y). Procedand asemanator. Inainte de a da demonstratia teoremei 2. (xy)  (x)  (y).1. din x y sa rezulte x) (y) si din (x) (y) sa rezulte x y. suntem in prezenta unui izomorfism intre algebrele L si P(x). L2 sunt izomorfe daca pot fi puse in corespondenta bijectiva printr-o aplicatie   L1 L2 astfel incat pentru orice x. Dar. sa presupunem ca   L1 L2 este un izomorf. Acestea fiind spuse. Asadar (z)  (x).

2. sau punctuala daca vrem sa ne apropiem de limbajul geometric punand atom  punct. Din modul cum a fost definita pP() si p    p . Drept consecinte ale teoremelor 2. 2) Astfel daca X este o familie arbitrara de parti ale lui X. Un exemplu de algebra Boole infinita este algebra partilor unei multimi infinite 1) .1.2 avem Teorema 2.  P se defineste astfel: pentru orice A avem  P P si.1. In aceasta identificare atomii campului se identifica cu multimile alcatuite din cate un element. O algebra Boole infinita L se zice  . Definitia 2. Prin definitie o algebra Boole infinita L se zice ca este completa daca oricare ar fi familia PA cu PL elementele  P .4. cu P  L. atunci  P p . acum.  P .1.6} care joaca rolul evenimentului sigur. din consideratii de natura practica. X  si  A X  exista si apartin multimii P(x). 24 . 2)  P se defineste astfel: pentru orice A avem P  P si.1. de exemplu un camp de evenimente infinit. supremul cu reuniunea iar infimul cu intersectia. avem P  A  A p L. O alta particularitate a acestei algebre este aceea ca este o algebra completa. cel mult numerabila 3) . convenabil aleasa. implicatia se inlocuieste cu relatia de incluziune.5.  A  A Fie L o algebra elementara  . se identifica cu evenimentele elementare.3. Daca admitem ca atomii campului sunt evenimente elementare ale acestuia. vom lua in consideratie numai campuri de evenimente infinite care sunt algebre Boole elementare  . Multimile . 1) Amintim ca. Fie X o astfel de multime si P(x) algebra Boole a partilor ei. atunci p  P .6. Definitia 2.5. campul evenimentelor asociat experientei aruncarii cu zarul se identifica cu algebra Boole a partilor multimii E {1.complete. daca pentru  A  A  A orice A avem p P (pL).  P exista si apartin algebrei.3 Orice camp de evenimente poate fi identificat cu algebra Boole a partilor unei multimi finite. Sa cercetam acum cazul algebrelor Boole infinite.  P numite supremul si infimul familiei PA exista si  A  A apartin algebrei L. Daca p L.1. cardinalul multimii P(X) se calculeaza dupa formula P(X)=2card X . In general algebrele Boole infinite nu sunt elementare (punctuale) si nici complete.  A Fie. o latice infinita oarecare L. considerand aplicatia  L P() definita prin conditia p p (p)p. O particularitate deja semnalata a acestei algebre este aceea ca este o algebra elementara.1.completa daca odata cu orice familie PA . suntem in prezenta unei aplicatii injective a algebrei Boole L pe multimea (L)  P(). fie p     p multimea tuturor atomilor lui L care preced elementul p.completa si  multimea atomilor (punctelor) ei.  A 3) Adica multimea A este finita sau in corespondenta biunivica cu multimea numerelor naturale. daca indicam prin card X numarul elementelor unei multimi X.2. In cele ce urmeaza. daca pentru orice A.

 c  . Deci.1. 2. 11. bc a 8. ab  b  . ab c 5. cb a Tabelul 2.completa este izomorfa cu un corp  - complet (corp borelian) de parti ale unei multimi  convenabil aleasa. . orice familie K()  P() de parti ale lui  care satisface conditiile: a)   K() (  multimea vida ).  . in general un camp de evenimente nu este izomorf cu familia partilor unei multimi infinite.1. a  18. bc a  27.4. respectiv ( . Cum (L) este izomorfa cu L prin .  .4. (L) este o algebra  . Am  I demonstrat astfel Teorema 2.unde I este o multime cel mult numarabila. Orice algebra Boole L  . 20. ac b  26.7. Definitia 2.  I Rezultatele formulate in teoremele 2. ab  c  .  b  . ab c  25. 1.completa.complet (corp borelian) de parti ale unei multimi infinite . 19. bc  .. Intelegem prin corp  . c) oricare ar fi familia ce l mult numarabila XI cu X  K() avem X   K(). ne permit sa identificam campurile de evenimente cu care lucram fie cu algebra Boole a partilor unei multimi finite . a  bc  2.  c  ab  .  . P()). abc . . b  ac  3. Tabelul de mai jos infatiseaza toate situatiile posibile care apar in experimentul constand din asezarea a trei bile in trei urne. ab  . K()). K()) îl vom numi camp borelian de evenimente.1. Cuplul (.. de acum incolo vom desemna aceste campuri de evenimente prin (. acb  6. ca b 9. bc  22. 15. si ““ reuniunea de elemente care organizeaza multimea partilor lui  drept algebra Boole. De aceea. complementara multimii X apartine lui (L) si  X  ( L ) pentru orice I .  b  ac  . 14.1 25 . care este totodata evenimentul sigur.  .  .3. 10. b  17.  a  . punand in evidenta multimea  gandita ca ansamblul evenimentelor elementare. ac  23. abc . apartine lui K(). fie cu un corp borelian al unei multimi infinite . .1. bac  7. ac  . ab  24. Injectivitatea aplicatiei  confera multimii (L) o structura de algebra Boole in raport cu ““ incluziunea. Ca urmare (L) este o familie de parti ale multimii  care are proprietatile   ( L )  odata cu X (L).1. ““ intersectia.  . c  ab  4. complementara X a lui X. a  bc  . b) odata cu X  K(). . bc  a  . (Distributia a trei bile in trei urne). 13. Exemplul 2.1.abc 12. c  16. 21.

2. in care ele s-au produs. Atribuirea adecvata a probabilitatilor nu este aceeasi in toate cazurile. b. Un lift porneste cu r persoane si se opreste la n etaje. Evenimentul prima urna este goala iar in celelalte nu se afla vreun produs este imposibil (adica nu se realizeaza) deoarece nici un punct nu satisface aceste conditii. In experimentele cu raze cosmice particulele care lovesc contoarele Geiger reprezinta bilele. 26 . Pentru r3 bile si n4 urne. c. spatiul simplu contine deja 64 puncte. Iradiatia in biologie. Evenimentul D definit prin A nu se realizeaza consta din punctele 22-27 si poate fi descris prin conditia ca nici o urna nu ramane goala. Toate sunt. iar tintele urnelor. (Distribuirea a r bile in n urne). in timp ce contoarele functioneaza ca urne. In acest exemplu particular s-a intamplat ca fiecare din cele 27 de puncte sa apartina fie lui A. iar oamenii pe acela al bilelor. evenimentul B prima urna nu este goala este totalitatea punctelor 1. Utilizam limbajul pitoresc al bilelor si urnelor dar. atat pentru a clarifica acest aspect. de fapt. Diferitele aranjamente in care coboara persoanele corespunde diferitelor distribuiri a r bile in n urne. Fie un grup de oameni clasificati dupa profesia pe care o au. fie ambelor evenimente. Atunci cand celulele din retina ochiului sunt expuse luminii. insa. Exemplul 2. Cazul general al repartizarii a r bile in n urne poate fi studiat in acelasi mod. mai jos. in studiul efectului genetic al iradiatiei. d. Zile de nastere. dar aceasta chestiune o vom discuta mai tarziu. Evenimentul A intr-o urna se afla un produs este realizat in grupele 1-21 si exprimam acest fapt spunand ca evenimentul A este totalitatea punctelor 1-21. iar celulele sunt urnele modelului nostru. 4-15. In mod similar. In sfarsit. 4-15. Clasificarea a r accidente dupa zilele din saptamana. e. Configuratiile posibile ale zilelor de nastere a r oameni corespunde diferitelor aranjamente a r bile in n365 urne (presupunand ca anul are 365 zile). 22-27. evenimentul ori A ori B ori ambele se realizeaza este tot spatiul simplu si se realizeaza cu certitudine. fie lui B. prezentam.1. doar ca numarul aranjamentelor creste rapid împreuna cu r si n. De aceea. Clasele joaca rolul urnelor. iar pentru rn10 sunt 1010 puncte. prin abstractizare echivalente cu schema plasarii a r bile in n urne. cromozomii corespund urnelor din modelul discutat iar particulele  bilelor. Oameni si profesii. in sensul ca rezultatele difera numai prin descrierea lor verbala. Prin urmare. f. La noi spatiul simplu (împreuna cu probabilitatea de distributie definita in el) defineste experimentul idealizat. evenimentul C definit astfel evenimentele A si B se realizeaza simultan este totalitatea celor treisprezece puncte 1. Fiecare dintre aceste aranjamente reprezinta un eveniment simplu. a. g. particulele de lumina joaca rolul bilelor. un numar de situatii in care fundamentul intuitiv variaza. In tragerea asupra a n tinte loviturile corespund bilelor. acelasi spatiu simplu admite o mare varietate de interpretari practice diferite. Folosim acest exemplu pentru a ilustra faptul important ca natura punctelor este neesentiala din punct de vedere al teoriei. este echivalenta cu introducerea a r bile in n7 urne. adica un punct. cat si in vederea referirilor noastre ulterioare. Accidente. In mod similar.

Greseli de tipar.2.1 se reduce la urmatoru l 1.. tabelul 2. xx  . insa. xxx .  .  x  .xxx 8. Exemplul 2.1. h. Aici. in timp ce genotipurile A1. xx  3... j.1. molecule de oxigen. In aceasta situatie avem n2 urne si r bile.h pot fi colorate pentru a le face distincte dar. aceasta este numai o chestiune dependenta de scopul 27 . in practica nu este un fapt semnificativ din punctul de vedere al teoriei. i. 6. Colectie de timbre. Aceasta inseamna ca nu mai putem distinge intre trei aranjamente cum ar fi. Descendentii corespund bilelor. x  10. atunci descendentii pot fi clasificati dupa tipul de gena. m. Distribuirea dupa sex a r persoane... Sa ne intoarcem la exemnlul 2.. iar lanturile de polimeri rolul urnelor in care sunt puse bilele. . Un lant partal al acestuia poate reactiona cu 0. Un procedeu similar se aplica in cazul distribuirii a r bile in n urne. 2. Daca bilele pot sau nu pot fi distincte. cu conditia ca r sa fie mai mic decat numarul de litere pe pagina. De asemenea.6 din tabelul 2.3. n. x x  x Tabelul 2. Posibilitatile de ordonare a unei secvente de r cifre corespund distribuirii a r bile (corespunzatoare locurilor pe care le ocupa cifrele in secventa) in zece urne numite 0. l. xx  x  . planta sau animal) mosteneste de la stramosi anumite gene. folosim modelul bilelor distincte sau nedistincte. daca in discutarea unei probleme particulare. Chiar daca ele sunt distincte. Tabelul 2.1.2. xxx . 9. An corespund urnelor.1. (Cazul bilelor care nu se pot distinge). Distributia genelor. k. Cifre aleatoare.  .2.5. de exemplu.g) evident ca sunt distincte si totusi adesea este preferabil sa le tratam ca nedistincte.. x  xx  . Persoanele dintr-un lift (exemplul 2. .1. iar timbrele colectionate reprezinta bilele... Fiecare descendent dintr-un individ (persoana. xx  x  4. x  xx  5.1 si sa presupunem ca cele trei bile nu sunt distincte. Daca o gena particulara poate sa apara in n forme A1.  .2. moleculele de oxigen cu care se reactioneaza joaca rolul bilelor. zarurile din exemplul 2.2 defineste spatiul simplu al experimentului idealizat pe care îl numim plaseaza trei bile nedistincte in trei urne. 4. Chimie. .1. Zarul.. 7. Diferitele feluri de timbre reprezinta urnele. prin urmare.. Rezultatele posibile ale unei aruncari cu r zaruri corespund plasarii a r bile in n6 urne. An..1. . si. In cazul aruncarii unei monede. avem numai n2 urne.9. Presupunem ca un lung lant de polimeri reactioneaza cu oxigenul. . putem decide sa le tratam ca nedistincte si vice-versa.3. Distributiile posibile a r greseli de tipar in cele n pagini ale unei carti corespund tuturor distributiilor diferite a r bile in n urne..

1.. (Aruncarea monedei). de acum incolo. raman nedefinite in tratarea axiomatica a geometriei euclidiene. Considerand experimentul constand din aruncarea unei monede de trei ori. ca fiind date. Natura punctelor nu priveste teoria.. deci. Dupa cum s-a vazut.4. daca bilele si urnele sunt nedistincte . 1. vom folosi termenul de evenimente in loc de “proprietati” ale selectiei. Pentru uniformitate. in timp ce (0. In acest caz putem accepta ca spatiul nostru abstract consta din cele 101 puncte 0.  x  x  x . In mod similar fiecare proprietate a selectiei poate fi descrisa prin enumerarea cazurilor corespunzatoare sau a punctelor.. Spatiul abstract reprezinta un model de 28 . acuma. 2. . este numarul x de fumatori. BMB.. Exemplul 2. iar evenimentul C apare o singura data marca inseamna ori BBM ori BMB ori MBB. Fiecare selectie particulara sau observatie este descrisa complet prin indicarea punctului corespunzator x. asa cum notiunile de punct si dreapta. Bn.1. de la notiunea de spatiu abstract si puncte ale sale pe care le vom considera.. 49) nu o are.. MMB. Evenimentul A apare banul de cel putin doua ori este totalitatea primelor patru punte..1. Evenimentul formula t anterior poate fi descris in principiu prin enumerarea tuturor cvadruplelor avand proprietatea specificata. 8. deci A contine aceste trei puncte.5. MMM. acum. BMM. spatiul abstract consta din opt puncte care pot fi reprezentate astfel: BBB. MBM. In schema de mai sus am considerat bilele nedistincte. xx  x  . Putem lua ca puncte cvadruplele de intregi situati intre 0 si 100. Pornim. in aceasta ordine de idei. Evenimentul sunt mai multi fumatori barbati decat femei inseamna ca in modelul nostru raportul Bf / Bn este mai mare decat Ff / Fn. Matematic. Ff. Sa presupunem. dar tabelul 2. MBB. ordinea lor fiind esentiala. printr-un cvadruplu (Bf. in ordine.2 inca se mai refera la prima. 100.urmarit si de comoditate. mai departe si sa presupunem ca nici urnele nu sunt distincte ( adica urna poate fi alesa la intamplare fara a privi continutul ei). sunt posibile numai trei aranjamente diferite. Fn) de intregi reprezentand. de exemplu. Selectia poate fi caracterizata. Un exemplu de eveniment compus este realizarea evenimentului majoritatea oamenilor selectionati sunt fumatori. . nu ne referim la probabilitati decat in legatura cu un spatiu abstract dat. Atunci. Presupunem ca se ia o selectie de 100 oameni pentru a estima cati oameni fumeza. dar nu se precizeaza in care. 100. numarul de barbati si femei care fumeaza. Ele constituie notiuni primitive si nedefinite ale teoriei. Exemplul 2. BBM. Aceasta inseamna ca experimentul se realizeaza intr-unul din cele 50 de evenimente simple 51. barbati si femei care nu fumeaza. un eveniment este pur si simplu totalitatea punctelor corespunzatoare. Alegerea poate fi dictata de natura unei probleme concrete. . care poate fi orice intreg intre 0 si 100. Sa mergem. adica xxx . Acestea constituie spatiul abstract. 50. dar in toate împrejurarile teoria incepe numai dupa ce a fost ales modelul adecvat. Punctul (73. adica dupa ce a fost definit spatiul simplu. 17) are aceasta proprietate. (Selectia). a treia urna. a doua. ca cei 100 de oameni din selectia noastra sunt clasificati nu numai ca fumatori sau nefumatori dar si dupa sex. deci. Singura proprietate a selectiei care intereseaza..

Exemplul 2. ( K()) sa fie un eveniment elementar este ca.YP() sau X. K()) un camp de probabilitate finit. b sunt atomi si ab. Atunci. 7. In sfarsit . avem X  . Sa se arate ca. 18-20. Evenimentul U poate fi descris. sa avem: sau X  sau  X. 13. (XK()).1. dat fiind X P(). acest eveniment poate sau nu sa se realizeze dupa cum rezultatul experimentului este sau nu este reprezentat printr-un punct al colectiei A. 9-11. Asadar aba. 13. Invers.1 poate fi formulata si astfel: in orice camp de evenimente. daca a.1. Solutii.1. sau X  de unde urmeaza X.2. 2. Sa presupunem ca  este un eveniment elementar. Colectia tuturor acelor puncte care reprezinta rezultatele in care A s-a realizat descrie complet evenimentul. 30 bila b nu apare dupa c. (. 4. fapt care nu poate avea loc. 23. Fie (. orice doua evenimente elementare sunt incompatibile. In limbajul campurilor de evenimente aplicatia 2. atunci ab  . prin definitie. ca realizarea simultana a celor trei evenimente U1. definim cuvantul eveniment pentru a insemna acelasi lucru ca o totalitate de puncte.2. Evident aceasta este o definitie formala si simpla. evenimentul U3 definit prin conditia 30 contine punctele 1-4. 25. anume acelea care reprezinta rezultatele experimentului ideal in care se realizeaza A. Spunem ca doua evenimente X. Vom spune ca un eveniment A consta din anumite puncte. atunci ab. Fie L o algebra Boole elementara. 6. de asemenea. 24. 8. 3. In spatiul abstract din exemplul 2.1. 7. 22. 13. Prin urmare.1. dandu-se X arbitrar. sa consideram evenimentul U constand din punctele numerotate 1. 13-15. 7-9. deci ab  . Are sens sa se vorbeasca despre un eveniment A numai atunci cand este clar pentru fiecare rezultat al experimentului daca evenimentul A s-a realizat sau nu. Cum ab rezulta a  . Cu alte cuvinte doua evenimente sunt incompatibile daca realizarea unuia exclude posibilitatea realizarii celuilalt in aceeasi proba. U3. 20 bila a se gaseste in prima urna. 29 . 14. U2. 22. abb. De aici rezulta ca: X   .experiment ideal in sensul ca. 16. fiecare rezultat imaginabil al experimenului este complet descris printr-un punct si numai unul singur.6. P()). Aplicatii 2. Fiecare dintre aceste conditii descrie ea insasi un eveniment. 10. Daca am avea aba. orice colectie data A care contine unul sau mai multe puncte se poate numi un eveniment. 5. dar U poate fi descris in multe moduri echivalente. Evenimentul U2 definit numai prin conditia 20 consta din punctele 1. 7. 2. Evenimentul U1 definit prin conditia 10 consta din punctele 1. 2. Sa se arate ca o conditie necesara si suficienta ca un eveniment  P(). respectiv infinit.YK() sunt incompatibile daca XY   . De exemplu. U poate fi definit ca eveniment pentru care sunt satisfacute urmatoarele trei conditii: 10 urna a doua este goala. Evident aba.

rolul evenimentelor oarecare este jucat de partile lui . Cand aruncam o moneda “perfecta”. Observatie. sau compararea teoriei si observatiei. In mod frecvent s-a sustinut ca aceasta conventie este in mod logic inevitabila si singura posibila. un topograf. al disjunctiei evenimentelor de catre reuniune. Se poate face. servesc ca o baza temeinica pentru teorii fizice sau pentru aplicatii tehnice. Aceasta este echivalent cu a spune ca. tabelele privind procesul mortalitatii se intocmesc pe baza unor observatii neprelucrate. Probabilitatile diferitelor evenimente sunt numere de aceeasi natura ca si distantele in geometrie sau masele in mecanica. pentru orice X cu X rezulta X  si deci  este un eveniment elementar. In acest paragraf subiectul fundamental il constituie studiul campurilor finite de evenimente inzestrate cu o posibilitate de evaluare a sansei. obisnuim sa asociem probabilitatea ½ ori cu banul ori cu stema. spre exemplu. evaluare care sa dea o idee asupra realizarii sau nerealizarii intr-o experienta a unui eveniment dorit. la randul lor. drept consecinta a aplicatiei 2. avem X  X . o masurare directa fiind imposibila. rezulta X  . 2. insa. sunt putine elemente comune in practica masurarii distantelor de catre un tamplar. Spre exemplu. multime care este evenimentul sigur.1 avem o a doua clasificare a evenimentelor: compatibile si incompatibile. imposibile. necesita metode statistice mai rafinate care. De asemenea. Asadar. deci. putem considera gradul de difuzie constant. Daca X   . avem: sau X   sau X. luand ca punct de 30 . se bazeaza pe o teorie a probabilitatilor perfectionata. Concluziile generale ale teoriei sunt aplicate in multe moduri. dar nu presupune numic referitor la valoarea lor numerica reala sau la modul in care ele sunt masurate in practica. Amintim ca orice camp finit de evenimente se identifica cu algebra Boole a multimii partilor unei multimi finite . Teoria le presupune ca fiind date. atunci cand se arunca o moneda de n ori toate cele 2n rezultate posibile au aceeasI probabilitate. In aceasta identificare. metodele de procedura variaza la fel de mult ca si metodele de determinare a distantelor. iar cel al conjunctiei evenimentelor de intersectia lor. Din punct de vedere teoretic aceasta este o conventie. Probabilitate pe campuri finite de evenimente In paragraful precedent s-au introdus notiunile de camp de evenimente finit si infinit. In contextul nostru. In relativ putinele exemple unde sunt necesare valori numerice pentru probabilitati. rolul evenimentelor elementare este jucat de multimile alcatuite din cate un element din multimea . sa presupunem ca   si ca X fiind dat. intamplatoare. Luand X cu X. o prima clasificare a evenimentelor: sigure. Unele dintre cele mai importante aplicatii sunt de natura calitativa si nu depind de valorile numerice. Pentru a gasi valoarea sa numerica sunt necesare consideratii fizice care sa o lege cu alte teorii. care este o notiune a teoriei probabilitatilor. tot asa cum teoremele geometriei. desi unii statisticieni au desconsiderat aceasta conventie. iar daca X rezulta X  fapt care trebuie exclus. Din contra. rolul implicatiei de incluziune. Reciproc. un pilot sau un astronom.2. In cele mai multe aplicatii concrete determinarea probabilitatilor.

colectia de timbre).(g) . al repartizarii a trei bile nedistincte in trei urne. Sa ne intoarcem la exemplul 2.1. modelul nostru idealizat poate fi extrem de folositor chiar daca el nu se aplica niciodata exact. In unele aplicatii. Desi in multe aplicatii este suficienta o descriere exacta a realitatii. Sa consideram ca punct de pornire aceasta definitie si sa cercetam consecintele sale. Din punct de vedere istoric acest rationament a fost acceptat multa vreme fara rezerve si a servit in mecanica statistica drept baza pentru derivarea statisticii Maxwell-Boltzmann pentru repartizarea a r bile in 31 .2. in altele ea se introduce pentru a servi ca cel mai simplu model pentru o orientare generala chiar daca.2. in controlul statistic de calitate modern.1.2. (Bile care se pot distinge).2.1. apare cu totul natural sa se presupuna ca toate evenimentele elementare sunt egal probabile. Exemplul 2.2.(a) .(k) . Astfel ca vom mentine acest model nu numai pentru simplitatea sa logica ci. statistica Bose-Einstein). iar atribuirea probabilitatilor rezonabila. din punct de vedere fizic raman 27 de posibilitati diferite.1. 2.2. mai important este. rezultatul a fost invariabil pentru ca banul si stema nu sunt egal probabile . asociem modelului nostru o moneda ideala. ea reprezinta numai o prima aproximatie bruta (spre ilustrare pot fi considerate exemplele 2. De exemplu. chiar daca se pot distinge numai zece forme diferite. (Bile care nu se pot distinge.1.plecare presupuneri contradictorii (uniformitatea sau neuniformitatea din natura). modelele probabiliste idealizate sunt folosite pentru a descoperi cauzele plauzibile ale abaterilor flagrante de la aceste modele si.1. spre exemplu. in special pentru utilitatea si aplicabilitatea sa. chiar daca nu exista monede perfecte. presupunerea probabilitatilor egale este impusa de consideratii fizice.zilele de nastere. Si totusi. astfel. bazat pe metodele lui Shewhart. va depinde de tipul de fenomene la care el este aplicat. Aceasta consideratie ne conduce sa atribuim urmatoarele probabilitati celor zece puncte din tabelul 2. In exemplul 2. De fapt.1. ori de cate ori s-au folosit metode statistice rafinate pentru a descrie o aruncare reala a monedei. in mod cu totul evident.1. Daca modelul nostru va deveni sau nu suficient de adecvat unei experiente reale. acest rationament apare logic. Numarul de 1 2 3 4 5 6 7 8 9 10 ordine al punctului Probabilitatea 1/27 1/27 1/27 1/9 1/9 1/9 1/9 1/9 1/9 2/9 Trebuie remarcat ca pentru cele mai multe dintre aplicatiile care urmeaza exemplului 2. adica fiecare eveniment elementar are probabilitatea 1/27. a le reduce cat mai mult intr-o etapa urmatoare. 2. Se poate arata ca experimentul fazic real nu este afectat de neputinta noastra de a distinge bilele intre ele. s-a revendicat faptul ca probabilitatile ½ se datoresc experientei. Exemplul 2. insa. In acest mod.liftul.2.3. Observatii similare se pot face si in alte cazuri. De asemenea. faptul empiric ca abaterile de la schema noastra sunt totdeauna cuplate cu fenomene ca acela al pozitiei excentrice a centrului de gravitate.

3.4000 58 60 54 55 50 48 47 57 52 55 536 . in realitate. Dar. asupra acestei chestiuni. In particular. evident. (Aruncarea monedei).10000 47 41 51 48 59 51 52 55 39 41 484 Tabelul 2. 32 .3 Sa ne oprim.9000 45 47 46 52 47 48 59 57 45 48 494 .5000 48 51 51 49 44 52 50 46 53 41 485 . Exemplul 2. Numarul Numarul de ori in care a aparut banul Total probelor 0 . In acest context a fost. o teorie mai avansata pentru a judeca in ce masura asemenea date empirice concorda cu modelul nostru abstract? Vom reveni. el ne invata sa nu avem incredere prea mare in rationamente a priori.7000 47 47 41 51 49 59 50 55 53 50 500 .2. Tabelul de mai jos contine numarul de aparitii ale “banului”intr-o serie de 100 experiemente.n urne. deci. asupra definirii probabilitatii unui eveniment oarecare si sa stabilim cateva reguli importante de calcul. acum. Privind aceste rezultate este foarte probabil ca cititorul. o surpriza cand Bose si Einstein au aratat ca anumite particule se supun statisticii Bose-Einstein (vezi aplicatii). Totalul general este 4979. fiecare corespunzand unei secvente de 100 probe cu o moneda. prezentam rezultatele unui astfel de experiment simulat care corespunde unui numar de 10000 probe cu o moneda.8000 53 52 46 52 44 51 48 51 46 54 497 .. P un camp finit de evenimente asociat unei experiente.3000 43 52 58 51 51 50 52 50 53 49 509 . Acest exemplu arata ca atribuirea diferitelor probabilitati este compatibila cu aceeasi multime de evenimente elementare si ilustreaza complicata corelatie dintre teorie si experienta. cu rn3 modelul Bose-Einstein atribuie probabilitatea 1/10 fiecaruia dintre cele zece puncte. la prima vedere. fiecare moneda sufera influente si este posibil sa se conceapa experimente fizice care sa fie mult mai apropiate de modelul ideal al aruncarii monedei decat ar face-o monedele adevarate vreodata. ci sa fim pregatiti sa acceptam scheme noi si neprevazute. oare. In cazul nostru. Fie   . O frecventa interpretare a postulatului probabilitatilor egale necesita informatii cu privire la experiente reale. sa se intrebe: este necesara.1000 54 46 53 55 46 54 41 48 51 53 501 .6000 49 50 45 52 52 48 47 47 47 51 488 .2000 48 46 40 53 49 49 48 54 53 45 485 . Pentru a avea o idee asupra fluctuatiilor la care ne putem astepta.

Alegand evenimenul 1 . avem Ai  Aj   .. Definitia 2.2.1. Daca A1  P  .1. sau fetei pe care este marcata valoarea monedei. Definitia 2. sau a evenimentului 2 . cel chestionat.1. b) A  B   obtinem P    P      P    P    2 P   de unde rezulta (2. Kolmogorov) a evenimentului AP() o functie nenegativa P(A)0.B  P  si A  B   .A n din P  se spune ca sunt evenimente incompatibile daca oricare ar fi numerele i..2 . care satisface axiomele: a) P() = 1. iar {2} este evenimentul care marcheaza aparitia valorii.. 33 . . i 1 i 4) Unii autori utilizeaza notatia CA sau Ac pentru a desemna evenimentul contrar (numit si complementar) al evenimentului A. Proprietati ale probabilitatii.2. b) Daca A. aceasta sa prezinte fata marcata cu stema? Credem ca oricine va raspunde: sansele aparitiei stemei.2. prin inductie. fapt care ne spune ca evenimentul imposibil are probabilitatea nula. de exemplu.3 .1) P()0. se poate demonstra Teorema 2.j{1. n} in relatia ij.. i  1. experienta aruncarii cu banul. acum. . ..2.BP() care satisfac conditia A  B   se spune ca sunt evenimente incompatibile. gandeste sansa aparitiei evenimentului 1 . . la intrebarea: care este sansa ca aruncand moneda.2) P A  1  P A formula care exprima legatura intre probabilitatea evenimentului A si probabilitatea evenimentului contrar. Definitia 2.2.2 unde1 este evenimentul care marcheaza aparitia stemei. unde A este evenimentul contrar evenimentului A. evenimentul A va avea loc sau nu ? Care este sansa ca evenimentul A sa aiba loc ? Ce se intelege prin sansa si cum o evaluam ? Pentru a preciza ideile sa consideram.1.. In esenta.A. Se numeste probabilitate (dupa matematicianul A. ca numar. n sunt n evenimente incompatibile. obtinem relatia   (2. Campul asociat experientei in cauza este alcatuit din partile multimii   1.. Orice pereche de evenimente A. atunci n  n  PU Ai    i 1   P A  . b).2. . sunt egale. Fara dificultate. 4) Luand. atunci are loc relatia P A  B  P A  P B . in 2. Evenimentele A1.2. Fiind dat un eveniment AP() se ridica intrebarile: Efectuand experienta. Luand in definitia 2. B  A .

P(B).3) P1  P2 . Fie J multimea indicilor  pentru care evenimentul A nu se repeta. Sa ne reamintim ca. observand ca =A(BA)B si ca evenimentele A. Cum numerele P(A). x i p atunci (2. sunt incompatibile.2.   iar daca A P() este evenimentul A x i1 . cel putin unul dintre evenimentele A se repeta de mai multe ori. B  P  si AB atunci. P(A)  P(B) si exprimam acest fapt spunand ca probabilitatea este functie monotona peste P( ) . Atunci. x n . daca   I  J urmeaza ca A n si. P(B A ) sunt numere pozitive. iar evenimentele care nu se repeta sunt in numar finit.. . Atunci.. B  A  B  A  si cum A   B  A    obtinem P B  P A   P B  A  sau P B  A   P B  P A  . avem (2. Indicand prin x 1. campurile de evenimente luate in consideratie.2. rezulta P(A)  P(B) . xj. atunci. .1. . ..2. Sa observam ca aceasta egalitate ramane adevarata si in cazul cand se ia o multime de indici I infinita. . B sunt evenimente incompatibile.     P U A   P  A    P ( A )   P ( A ) . . B A .4) P(A) = Pi1 .   I    J    J  I Teorema 2. deoarece P  este o multime finita. Dar evenimentele care se repeta trebuie sa coincida cu evenimentul imposibil .. sunt campuri finite. prin urmare. adica   P U A    P A  . aplicand teorema 2. 34 . . ij. Pi p . punand P(x1)pi. B P () si A  B. Daca P este o probabilitate pe campul (.. Daca A. rezulta     P A   P B  A  P B  1 Dar   P B  1  P B astfel ca   P A   P B  A  P B .. x n elementele ei. evenimentele elementare x1. .   I   I Intr-adevar. In adevar.  x1. daca I este o multime infinita de indici... Fie A. in acest paragraf.P()) atunci. Pn  1 . Aceasta inseamna ca multimea  este o multime finita.

Dar. se poate vorbi despre o stabilitate a frecventelor relative. Exista situatii. Mai mult chiar. manifestand lipsuri care nu pot sa nu fie luate in seama. in care aceasta definitie clasica a probabilitatii se dovedeste insuficienta. fie neputinta de a determina. P()) ..  P x n   p..1. notiunea teoretica de probabilitate a unui eveniment neputand fi despartita de notiunea de frecventa relativa. pentru multe fenomene. (adica probabilitatile evenimentelor sunt egale intre ele) si cardA num \ rul elemntelor ml ]imii A (2. pe care obisnuim sa-l notam cu p. pe scurt. sunt egal probabile.3) si.P()). insa.  x1.4). probabilitatea ca la indeplinirea sistemului de conditii date sa se realizeze evenimentul A este egala cu p. Aceasta este definiia clasica a probabilitatii. p  0. . . . se poate spune ca teoria probabilitatilor se poate aplica numai acelor fenomene pentru care exista o stabilitate a frecventelor relative in jurul probabilitatii.5) P A    card num \ rul elemntelor ml ]imii  formula care poate fi luata drept definitie a probabilitatii unui eveniment oarecare A apartinand unui camp finit cu evenimente. Deci. raportul /n se numeste frecventa relativa a evenimentului considerat in seria de experiente efectuate. daca pentru orice A x i1 . calculam probabilitatea evenimentului A cu (2. 35 . astfel incat sa avem indeplinita conditia (2. cu indeplinirea de fiecare data a conditiilor date. x i p   P(). Dar. astfel. Acest fapt ne spune ca putem intotdeauna defini o probabilitate P peste un camp finit de evenimente (. deci daca luam P x1  P x 2 . p 0. se va observa o anumita legitate exprimata prin oscilarea frecventei relative in jurul unui numar reprezentand elementul stabil. daca presupunem ca evenimentele elementare ale campului de evenimente ( x1.1 . atunci se constata ca frecventele relative ale unor evenimente oscileaza in jurul unor anumite valori. Daca experienta se repeta de un numar mare de ori. cand se arunca zarul. la trei aspecte care vor evidentia fie imposibilitatea clasificarii evenimentelor in cazuri egal posibile. x n . daca luam P(xi)  pi. daca se repeta experienta de un numar de ori. . definita in modul urmator: Daca in n experiente un eveniment s-a produs de  ori. indeplinirea unui sistem de conditii nu conduce in mod necesar la un eveniment A. Aici este esenta legilor de probabilitate dupa care se desfasoara o multime de fenomene ale naturii si ale vietii sociale. atunci cand se aplica definitia clasica a probabilitatii. Ne referim la cardA ca fiind numarul rezultatelor favorabile realizarii evenumentului A. numarul cazurilor. iar la card ca fiind numarul rezultatelor incompatibile egal posibile ale experimentului in urma caruia se poate realiza evenimentul A (cardA  card). unde pi sunt numere reale arbitrare supuse conditiei pi0. pentru aceste fenomene. atunci np1 deci p1/n . . sa zicem de 100 de ori. In schimb. . Se va spune ca.. In particular. Ne vom referi aici. Suntem. xn . . se poate numara efectiv de cate ori a aparut fata sase. in prezenta unei noi notiuni numita frecventa relativa. in general.. . Am vazut ca notiunea de probabilitate apare in legatura cu procesul efectuarii unei experiente....

puternic ancorata in realitate si aplicabila fenomenelor care apar in natura si societate. Sa presupunem. apare deja o prima deficienta a definitiei clasice a probabilitatii anume. aceea de a fi rupta de realitate. in realitate nu poseda aceste calitati relative la perfectiunea sa. Kolmogorov 6) caruia i se datoreste definitia 2.1. Aceasta notiune a facut posibila construirea unei teorii a probabilitatilor riguroasa din punct de vedere matematic.2 din “Ergebnisse der Mathematic. 6) A. 1933.2. presupus ipotetic perfect construit si omogen. nici atunci cand se considera un numar finit de cazuri posibile. Dar. nu numai ca nu putem discrimina numarul cazurilor posibile. in plus. daca ne gandim nu la fenomene mai complexe. Asa cum s-a putut constata pana acum.. 1931 cu referiri la articolele sale originale datand din jurul anului 1921.5) se defineste probabilitatea unui eveniment A prin raportul dintre numarul cazurilor favorabile realizarii lui A si numarul cazurilor egal posibile. incercarile facute de-a lungul timpului pentru a da o definitie a probabilitatii care sa raspunda acestor cerinte si de construi o teorie a probabilitatilor bazata pe algebra si analiza moderna (ne gandim la cercetarile care au urmat orientarilor date de Banach si Lebesgue). De aceea. fasc. Berlin. vol. Iata doar cateva aspecte care justifica. Dar numai atat. O tratare axiomatizata. In sfarsit. reprezentand dezvoltarea moderna a teoriei probabilitatilor a fost realizata de A. al treilea aspect pe care-l discutam se refera la situatiile in care trebuie considerat un numar infinit de cazuri.Kolmogoroff . acest zar. ajungem la concluzia ca aceste neajunsuri ale definitiei clasice a probabilitatii trebuiesc inlaturate pentru a putea vorbi de o teorie a probabilitatii consistenta. Prin relatia (2. Deci in conditiile realitatii dispare chiar probabilitatea de clasificare a fetelor zarului in cazuri egal posibile astfel ca. Schimbarea acestor conditii implica schimbarea probabilitatii. ci doar la aceeasi experienta simpla care consta din aruncarea cu zarul. 36 . de cele mai multe ori nu se poate face discriminarea lor in cazuri egal posibile. pe deplin. ne gandim si la faptul ca definitia clasica a probabilitatii nu se poate aplica unei categorii largi de fenomene naturale si sociale. Prin urmare probabilitatea unui eveniment are sens numai atata timp cat nu se schimba conditiile in care are loc experienta respectiva.Grundhegriffe der Wahrscheinlichkeitsrechnung. bazata pe teoria masurii. si in expunerea de fata s-a preferat 5) Este vorba de cartea sa Wahrscheinlichkeitsrechnung. Or. o astfel de definitie are la baza tocmai posibilitatea de a discrimina aceste cazuri egal posibile. dar ne lovim de dificultatea determinarii chiar a numarului total de cazuri.3. In acest sens. Leipzig ind Wien . Este clar ca in acest caz. de exemplu. Acest mod de abordare a teoriei s-a facut remarcat in mod treptat datorita influentei multor autori. capabila sa elimine neajunsurile definitiei clasice a probabilitatii. N. tocmai din cauza imposibilitatii de a determina numarul cazurilor favorabile sau al tuturor cazurilor egal posibile. Daca. una din notiunile fundamentale ale teoriei probabilitatilor este aceea de camp de evenimente datorata initial lui von Mises 5) . ca vrem sa determinam probabilitatea de a obtine un numar prim luand la intamplare un numar din sirul numerelor naturale.

  2 .5. y m). in esenta la urmatoarea: Fie  1 . card 6 2 6 6 6 6 2 Definitia 2.2.2. in locul introducerii ei apriori. Lucrurile nu stau. 27) .1.5) ca o consecinta a definitiei axiomatice 2. sa presupunem ca 1  x1 . . chiar asa ea reducandu-se. P()). Revenind la cazul experientei aruncarii cu zarul “nefalsificat”.3. x n  . daca A  2. . (2. R n reperele din care este asamblata o masina M..3. jJ={1. ri% din piesele marcate Ri au defecte..obtinerea formulei (2. aceasta sa nu aiba nici un defect ? Luata ca atare... . Urmarind scopul propus. . P  i   pentru i  1. Un camp finit de evenimente  P inzestrat cu o probabilitate P poarta numele de camp finit de probabilitate si se noteaza astfel: (. y  x  X . In depozitul uzinei. un automobil etc. avem 1   1. R2. .. Indicand cu r% numarul masinilor M la care se constata greseli de montaj.2.. problema de mai sus pare dificil de rezolvat.. insa.5. intrebarea care se ridica este urmatoarea: care este probabilitatea ca luand la intamplare o masina M. P1    2 . de exemplu.. P) Tehnica prin care putem defini o probabilitate pe un camp finit de evenimente (. P(). poate fi utilizata cu succes intr -o gama de probleme cu caracter aplicativ. P1({x i})=pi . indicand probabilitatile evenimentelor elementare supuse conditiilor exprimate in formulele (2.Y este multimea X  Y    x.6 si.2.4). iI={1..6 ..3. m}. . adica P( A )      .. y  Y  37 .P 1   2  o probabilitate “intim” legata de probabilitatile P1. P2  doua campuri finite de probabilitate . De exemplu sa incercam sa rezolvam urmatoarea problema: Se stie ca un electromotor..3).P1   2  unde 1   2 este produsul cartezian al multimilor 1. P 2({yj})=qj . Sa indicam cu R 1. P1 . o masina unealta. atunci 6 card2. Observand ca 7) Produsul cartezian a doua multimi X.5 3 1 1 1 1 3 1 P( A )    . . Sa se defineasca pe campul  1   2 . P2.. 2 = {y1. P 2 .. P1  . Sa asociem campurilor de evenimente  1 .4....2. este un asamblaj de piese numit “repere” .. P 2  campul de evenimente  1   2 . n}. prin definitie.2.4 .

este probabilitate pe campul    1   2 . y j  i I jJ  si tinand seama de formula (2. y j i I i J   punand  (2.P1   2 . y   x   y  i j i j sunt evenimentele elementare ale campului  1    2 . Din aceste nm rezultate egal posibile se deduce. alcatuite din elemente distincte.1 definita mai sus.  1   2  x i . j  J.  i 1   j 1  b) Aratam ca. P2 .6) P x i . P 1   2  1   2  U U x i . y     p q i 1 j 1 i j i 1 j 1 i j    pi    q j   1 1  1 . rationand analog. ca sunt favorabile producerii simultane a evenimentelor xi si xj un numar de cardxi cardxj rezultate. y j   P x  P y   p q 1 i 2 j i j 8) si cerand sa avem   (2. Va fi notat P  P1  P2 . J ’J.5) avem cardx i  cardx i  pi  P1  x i    card1 m    cardy  card y j j q j  P2 j j     card 2 m Dar. functia P : P   1   2    0. daca 8) In virtutea relatiei (2. Prin urmare 38 . y j  i  I .7) P U U x i y j    pi q j  i I ' I jJ'  J    i I ' jJ' pentru orice I’I .7) avem n m n m  n  m  P 1   2     P x i . astfel ca numarul rezultatelor incompatibile egal posibile ale experimentului in care se produc xi si xj este egal cu nm . fiecare din cele n rezultate incompatibile egal posibille ale experimentului in care poate sa se produca xi poate fi asociat cu fiecare din cele m rezultate incompatibile egal posibile ale experimentului in care poate sa se produca xj. Verificarea ca functia P este o probabilitate se face fara dificultate astfel: a) Aratam ca P1   2   1 . y j i I jJ      Px . x .   numita produsul cartezian al pobabilitatilor P1. In adevar 1   2  U U x i .

.. y .  x 21 .. In adevar.. y .... i’ I2... sau X 1  X 2  Y1  Y 2   .  x 21 .. y  11 11 11 12 11 1b1 12 11 12 1b1 1a1 11 1a1 1b1 X 2  Y2   x . Asadar X 1  Y1  x .. y ba1  . y . y ..  x11 . y  21 21 21 22 21 2b2 21 21 21 2b2 2a2 21 2a2 2b2  X 1  Y1 U  X 2  Y 2     x11 . y .  x 21 ...  x12 . y 2b2 ...x .. y  .  x .. X 2P(1) . y 1b . din  X 1  Y1    X 2  Y 2    rezulta ca (X1X2)  (Y 1Y2) =  si deci sau X 1  X 2   .  x 21 .. Y2P(2) rezulta P((X 1Y1)  (X 2Y2)) = P(X 1Y1) +P(X 2Y2). y 2b2 ... y 21 .x . y 2b2  . x 1i . sau Y1  Y 2   ... y 21 . y 11 . y 21 .... J1  1. y ...... y 11 ..  x . y 22 .. y .  x . y 22 ....  x .. y 12 ...  x1a ..... x .......  x 21 . a1  I X2  x 21 ..  x 21 .  x12 . din teoria multimilor se stie ca  X 1  Y1    X 2  Y 2    X 1  X 2    Y1  Y 2  si ca relatia XY implica X= sau Y= sau XY. y 1b ... I 1  1. I 2  1. b 2  J In virtutea ipotezei X 1X2 ..x .  x 2a2 ... 1 1 1 1 1  x 21 ..... y ...  x 2a2 . Aceste fapte amintite... x1a1  . y ......... y 1 j    cardx i card x j    cardx   cardy    P xi ... b1  J Y2  y 21 ...  x11 .. y 21  .y j   nm n i m j  cardx i  card y j     pi q j card1 card 2 39 .....x .. (X1Y1)(X2Y2) =  unde X 1. y 1j    x 1i .. x 2a2  . J2  1. y 1b . y ...  x1a . Pentru a face o alegere sa luam X 1X2 si sa punem  X 1  x11 . a2  I Y1  y 11 ....  x .. avem x 1ix2i’ oricare ar fi iI1 .  x . Y 1. y 11  ...... y 2b2  Or..x . y ...

 p 2a2 q 2b2 unde am pus P1  x1i   p1i . P(k).. Notand cu (0={E01.  n  . P  i1  campul de probabilitate asociat extragerii unei piese dintr-un numar de o suta piese purtand indicativul R i. i  I 1 .. luand P0  E02  E01   r / 100 P0  E01   1  r / 100 . y '  2i '' 2j'     2i 2j     ' ' . j  J2 . P( 0)) campul de evenimente corespunzator extragerii unei masini M luata la intamplare.... iar E i2 Ei1 evenimentul contrar. Observand ca notiunea de produs cartezian a doua campuri de probabilitate poate fi extins la un numar finit de campuri. P  P0  P1 . ... . j  J1 . y 1 j    x 2i ' . Fie   i  Ei1 . dintr-un lot de 100 bucati . unde E01 este evenimentul ca masina sa nu aiba vicii de montaj.unde i . daca i  i sau j  j  x . i '  I 2 . E02}. i '  I 2 . Asadar     P  X 1  Y1    X 2  Y 2      p1i q1j      p 2i ' q 2j '  P X 1  Y1    X 2  Y 2  ceea  i I1 jJ1   i 'I 2 j 'J2  ce era de aratat.. P X 1  Y1     p1i q1j i I1 jJ1 P X 2  Y 2     p 2i ' q 2j ' i 'I1 j 'J1 P X 1  Y1    X 2  Y 2   p11q11 .   Fie    0  1 . p1a1 q1b1 . unde i . daca i '  i sau j '  j x 1i . P0 este o probabilitate pe acest camp. y '     2j  pentru ca x1i  x oricare ar fi i  I 1 . .. probabilitatea ca masina M sa nu aiba nici un defect este 40 . 2i ' Ca urmare. Pk) k  0.. Sa luam Pi  Ei 2   ri / 100 si Pi  E1i   1  P Ei 2   1  ri / 100. Ei 2..  n  . raspunsul la problema pusa privind probabilitatea ca masina M sa nu aiba nici un defect poate fi dat in felul urmator. P2  x 2i '  p 2i ' . Ca urmare. unde Ei1 este evenimentul ca piesa extrasa sa fie fara defect. Pn  campul de   probabilitate produs cartezian al campurilor ( k. 1. . j.. P  0  1 . y    x ' .n . j..

En1   P E  0 01  r   r1 r  P1  E11 .1 posibilitati. dar cele n . Un asemenea simbol in mod necesar incepe si se termina cu o bara. . forma simpla a reprezentarii celor n urne prin spatii situate intre n1 bare. Pn  En1  1   1  .. r n) nu sunt identice.  n  r  1 adica   . 1  i  n . . 0. Exista   rezultate distincte ale unei aruncari cu r zaruri identice..  n  1 Demonstratie. . Cazul r  100. Lema 2.  P E0 . iar bilele prin asteriscuri . iar doua distributii se pot distinge numai daca n-uplele ordonate corespunzatoare (r 1. a fost folosit in partea a doua a exemplului 2. 1  i  n.8) este  n  r  1  n  r  1 A r . prin conditia ca nici o urna sa nu fie  r  vida. Pentru a doua parte a lemei se observa ca.1 bare care raman si cele r asteriscuri pot sa apara intr-o ordine arbitrara. . Atunci. 1.. E11.. Ne propunem.1. (Derivatii partiale). ca fiecare dintre cele nr distributii posibile au probabilitatea n-r .2.  100  100 100 Aplicatie la problema distributiei bilelor..4. se impune ca doua bare sa nu fie adiacente.. Astfel avem   posibilitati si lema este dovedita.n       r   n 1   r  1 Numarul de distributii distincte in care nici o urna nu ramane vida este   .. r n = r .8) r 1 + r2 + .1 indica larga aplicabilitate a modelului privind introducerea in mod aleator a r bile in n une. Astfel. o discutie pe baza acestui model presupunand. din care n-1  r  1 ar fi ocupate de bare. acuma. . n  4. acum. 0. 4. 0. Avem (2. 1  n  . distributia lor este complet descrisa de numerele de reprezentare ri . apare clar ca numarul de distributii distincte este egal cu numarul de moduri in care se pot selectiona r locuri din n  r .4. scrierea   este folosita in mod simbolic pentru o distributie a r  8 bile in n  6 urne cu numerele de reprezentare 3.. . Exemplele din paragraful 2. . In acest fel.. r n unde ri este numarul de bile din urna i.2.  5  Exemplul 2.2.  n  1  r  5 Exemplul 2.5. ri  0 . Numarul de distributii distincte (adica numarul de solutii diferite ale ecuatiei (2. .. Sa folosim. Cele r asteriscuri permit r-1 spatii. Un prim rezultat este continut in lema urmatoare. Convenim sa tratam bilele in ideea ca nu le putem distinge. fireste. Cele mai importante proprietati ale unei distributii particulare sunt exprimate prin numerele de reprezentare r 1.1.. 41 .

107098 3.2. [Urnele ar putea fi interpretate ca zile ale saptamanii.1.1. dar metoda prezentata furnizeaza cea mai simpla tehnica.1.1.0.2.  n  r  1 fiecare variabila corespunde unei urne si. obisnuita pentru o mare varietate de probleme. Astfel.9) r1 ! r2 !.1.107098 3. atat bilelor cat si urnelor.1.0 4!2! . 2! 0.0 5! . (Configuratiile a r7 bile in n 7 urne).. Numere de Numarul de aranjamente egale Probabilitatea (Numarul reprezentare cu 7! 7! impartite prin de aranjamente impartit prin 77) 1.2. deci. Aceate sapte numere de reprezentare indica o partitie a celor sapte urne in trei subpopulatii (categorii) constand respectiv din cele doua ocupate de cate doua bile. numarul total de distributii astfel incat 7! 7 numerele de reprezentare sa coincida cu 2.0.1.1.1. Bineinteles ca acelasi rezultat poate fi obtinut si scris in mai multe moduri. In consecinta. toate configuratiile posibile ale numerelor de reprezentare in cazul r  n  7 si probabilitatile corespunzatoare.0 3!3! . intr-o ordine este . accidente etc.1.1 7! .0.1. care apar intr-o ordine arbitrara . 1.. Sa consideram distributiile cu numerele de reprezentare 2.0 2!3! . iar bilele ca vizite.0.1! 0. Derivatiile partiale de ordinul r ale unei functii analitice f  x1 ..2.1.1.0...1. 2!3!2! 2!2! Este bine de retinut ca acest rezultat a fost obtinut printr -o dubla aplicare a formulei n! (2.2.3 si 2 se poate efectua in moduri.0. 2!2! 0. x n  de n variabile nu depinde de ordinea de derivare ci numai de numarul de ori in care apare fiecare variabila. Fiecarei atribuiri particulare a 2!3!2! 7! 7! numerelor de reprezentare celor sapte urne ii corespund  distributii 2!2!1!1!1!0! 0! 2!2! diferite ale celor r7 bile in cele sapte urne. De exemplu o functie de trei variabile are 15 derivate partiale de ordinul patru si 21 derivate partiale de ordinul cinci. 1. 0. 2. O asemenea partitie in trei 7! grupe de marimi 2. Exemplul urmator ilustreaza o metoda extrem de simpla si obisnuita in rezolvarea multor probleme de analiza combinatorie. 2!2!2! 0. rk ! adica. 0.0 2!3!2! .t. Pentru completa ilustrare a metodei dam. 3! 0.1. exista   derivate partiale diferite de  r  ordinul r. 1. scrisori. in tabelul de mai jos. 3!2! 0.1.6.2.1.321295 2.006120 2.1. Exemplul 2.1.128518 2.1. urmatoarele trei ocupate de cate o bila si ultimele doua urne goale.0.1..1.0.1.214197 42 .

4!3! 0. .035699 4. Extragand r elemente dintr-o populatie data cu n indivizi se formeaza o subpopulatie cu r indivizi.0. Am folosit mai sus termenul de populatie nu n indivizi pentru a semnifica o totalitate de n elemente fara a lua in consideratie ordinea lor.0. Numarul de moduri in care o populatie cu n indivizi poate fi impartita in k parti ordonate (adica partitionata in k subpopulatii) din care prima contine r1 elemente. 3. numite si coeficienti multinomiali si care se intalnesc frecvent in statistica matematica.2.0. . Se poate arata fara  n dificultate ca o populatie cu n indivizi poseda   subpopulatii diferite cu r  n indivizi.2.001071 6.2. Pentru moment.1.000357 7.1.0.0 2!4! . rk ! adica tocmai (2.0. Astfel.0.0.026775 4.0. rk  n .  r 20. etc. Referitor la numerele (2..0 5! . Este interesant ca faptele si experientele i-au constrans pe fizicieni sa abandoneze aceasta ipoteza si sa atribuie probabilitatile in diferite moduri.0. doua populatii sunt considerate diferite daca exista un element continut in una.0.0 2!4! .0. S-au 43 . dar nu si in cealalta.0 5! . 5!2! 0.000008 Tabelul 2. n.0.1. 3!3! 0.9).0 6! . .0 2!4! .0. 5! 0. 4! 0.0.rk intregi astfel incat r1  r2 . de regiuni mici sau celule astfel incat fiecare particula este repartizata intr-o celula.1.1. prima invocata deja la inceputul paragrafului.0..0.0.0. termenul statistica are aici un sens specific fizicii).005355 5. fizicienii vorbesc despre statistica Maxwell-Boltzmann (evident.0 4! . 3!2!2! 0. a doua r 2 elemente.0.3.0.0. 4!2! 0. In incheierea acestui paragraf vom da cateva detalii referitor la statisticile Bose-Einstein si Fermi-Dirac. Daca acest lucru este adevarat. 6! 0..0. .0 5! . este n! r1 ! r2 !.3. Sa consideram un sistem mecanic din r particule care nu se pot distinge intre ele. precizam ca acestea se leaga de urmatoarea teorema: fie r1.0.1.0.017850 4. s-ar parea (cel putin cu o definitie adecvat a celor n celule) ca toate cele nr aranjamente ar avea probabilitati egale. 7! 0. In acest mod. ca fiecare dintre cele n r distributii posibile are probabilitatea n -r. In mecanica statistica se obisnuieste sa se subimparta spatiul fazelor intr-un numar mare.0.001785 5..2. Am presupus mai sus.0.4 Distributiile aleatoare a 7 bile in 7 urne Observatii.0.026775 3.0. starea intregului sistem este descrisa in termenii unei distributii aleatoare a r particule in n celule.0.1.0.1.0 3!3! .2). 10.0.

2. 44 . Prima ipoteza cere ca r  n. dar teoriile moderne au aratat. rn ! in cazul statisticii Maxwell-Boltzmann (este bine de retinut ca statistica Maxwell-Boltzmann este. fiecare descriind in mod satisfacator comportarea unui tip de particule. celulele corespunzatoare pot fi alese in   moduri. Deci.. putem spune ca probabilitatea ca celulele cu numarul de ordine 1.. justificarea oricarui model depinde de succesul pe care-l are. Avem. Nici unul dintre ele nu are caracter universal si cum. Deci. .facut numeroase incercari pentru a dovedi ca particulele fizice se comporta potrivit statisticii Maxwell-Boltzmann. Acest model se aplica la electroni. intrucat exista r  n particule. .10) Din mecanica statistica se stie ca aceasta presupunere ramane adevarata pentru fotoni. 3 . Prin urmare.. nuclei si atomi care contin un numar par de particule elementare. Aceasta probabilitate este dat de (2. prin nici un rationament pur nu s-ar putea spune ca fotonii si protonii nu s-ar supune acelorasi legi de probabilitate.  r  r neutroni si protoni. In concluzie. Statistica Fermi-Dirac se bazeaza pe urmatoarele ipoteze: 10 este imposibil ca doua sau mai multe particule sa fie in aceeasi celula. in nici un caz. .. De fapt. . este posibil ca intr-o buna zi sa se introduca un al treilea model pentru anumite feluri de particule. fiecare avand probabilitatea   . termenul folosit de fizicieni pentru ceea ce noi numim introducerea in mod intamplator a bilelor in urne). de altfel. Au fost astfel introduse doua modele probabiliste diferite.. r n bile respectiv (unde r 1 r2 r3+ . n sa contina r 1. deci. . r3.  rn1) este egala cu r! nr r1 ! r2 !. nu ne putem astepta ca toate aranjamentele nr sa fie aproximativ egal probabile. r2. . fara indoiala ca aceasta statistica nu se aplica oricaror particule cunoscute. consideram r particule nedistincte intre ele si n celule. un exemplu instructiv privitor la imposibilitatea selectionarii sau justificarii modelelor probabilitate prin discutii purtate apriori in conditii cu totul generale. Prin statistica Bose- Einstein se intelege ca se considera numai aranjamente distincte si ca fiecaruia i se atribuie  n  r  1   1      r  probabilitatea (2. prin urmare.10) in cazul statisticii Bose- 1  n Einstein si este egala cu   din statistica Fermi-Dirac cu conditia ca fiecare rj sa fie egal cu 0  r sau 1. Un aranjament este atunci descris complet enuntand care dintre cele n celule contine o particula si. Pentru a descrie alte particule trebuie sa se introduca o noua posibilitate de atribuire a probabilitatilor. . exista in total  r 1  n  n   aranjamente posibile. 20 toate aranjamentele distincte care satisfac prima conditie au probabilitati egale.

Se arunca doua zaruri. Exemplul 2. P A     ..  4.. P. din care r sunt tiparite gresit. Se presupune ca numerele 1.3.4.6  P'  6  P'  6   . 1 1 1 Ca urmare. P'P' evenimentul care ne intereseaza este A’= ({2}{2})  ({2}{4})  ({2}{6})  . nici o urna necontinand mai mult de o bila. .6) ? Solutie.. evenimentul in cauza este A   2. Se putea proceda la rezolvarea acestei probleme considerand campul  '  1. statisticii Fermi-Dirac .. P' P' . .8. r3.  ({6}{2})  . Care este probabilitatea ca la o aruncare sa apara dubla (6.. normal sa presupunem ca.  ({6}{6}) Deci P’P’(A’) = P’P’({2}{2}) + . Se considera campul de evenimente   11.. Ca urmare... P'' . card 36 4 Daca consideram campurile  '.  6. Distribu tia greselilor de tipar corespunde unei distributii a r bile in n urne.6  36 . prin urmare..(1/6)) = 1/4 . Aplicatii 2.2. 1  P  6.2. asociat experientei aruncarii unui zar si campul produs  '' . P si se presupune ca evenimentele elementare sunt egal probabile. P' P'  6... Se arunca doua zaruri.. Care este probabilitatea ca la o aruncare ambele zaruri sa prezinte fete avand un numar par de puncte. 6 6 36 2.  4. .4. 2. P .7. aproximativ. cardA 9 1 Ca urmare..5. + P’P’({6}{6}) = 9((1/6).  2.2.6 . P'  '' .6. Este.4. O carte contine n simboluri (litere). Or.2.2. Atunci aranjamentul  *  * *   are probabilitatea ..  6.sau 125 35 10 dupa cum se considera statistica Maxwell-Boltzmann.. P' unde P' i  16 ..6. n sunt asezate la intamplare.Exemplul 2. . .  4.1. 2 sa fie asezate consecutiv in ordine crescatoare ? 45 . 6 1 1 Fie n5..4.. greselile de tipar se supun.  2. P'' . Care este probabilitatea ca numerele 1. . card   36. P'. In campul  .2.6 . .2.  6. . P considerat in problema precedenta. Bose-Einstein sau Fermi-Dirac respectiv.6.6 . Solutie....6.61.

Sa indicam cu  multimea tuturor numerelor de telefon.4 ..6. Fie  multimea tuturor opririlor posibile ale liftului dictate de cele k persoane. Sa observam. Un eveniment elementar este  1. de unde P C   95  10 6  0.5 . Cu liftul unei cladiri. en etajele si cu x1. x k personale. Sa se determine probabilitatea ca un numar ales la . n .  4.5.7. Evident... O carte de telefon contine toate numerele formate cu cate sase cifre dintre cifrele 0.(n-2)!  (n-1)!. adica cu numarul A 10  10. Sa notam cu e1.. Sa indicam cu  .6.3. 2. Numarul elementelor multimii C este egal cu numarul aranjamentelor cu repetitie a cifrelor 0...intamplare sa fie alcatuit: a) din cifre distincte. .6.059049 . . 2. Solutie. Sa notam acest numar prin simbolul (A 610). . . . . c) prima cifra sa fie 1. P B   6  10 5  0.  5. avand n etaje. cardA A6 Ca urmare. Solutie. deci card   cardN   n k . Fie B multimea numerelor de telefon alcatuita din sase cifre consecutive.1. k} in multimea N  1.  n unde  este o permutare a numerelor 1. . . Aceasta multime coincide cu multimea aplicatiilor multimii K = {1... 1.21 .8. n . Asadar indicand cu A evenimentul respectiv.7. 2..00001 . Pentru a da raspunsul la punctul a) trebuie sa determinam numarul elementelor multimii A alcatuita din toate numerele de telefon formate cu cate 6 cifre distincte din cele 10 numere. .4.. Ca urmare. avem cardA(n-1).8. P A    10  0. cardB 10 Asadar.4. .9.5. card 10 c)..0.  9. . ca perechea 1. cardC   A 59  95 .98 . Fie C multimea tuturor numerelor care incep cu cifra 1.P campul de evenimente asociat problemei... 2 poate ocupa n-1 locuri in sirul celor n numere si ca alaturi de numerele 1. in continuare. 2 celelalte numere pot fi asezate in (n-2)! moduri.4. b) din cifre consecutive. .7.3.1512 .2.7. . card 6 A 10  b).2.6.6. Solutie.3. Care este probabilitatea ca la fiecare etaj sa opreasca cel mult o persoana ?. k  n. card 2. 9.. urca k persoane.9 luate cate cinci.5.5. . Acest numar coincide cu numarul 6 aranjamentelor ce se pot forma cu 10 elemente luate cate 6. cardn! . Prin urmare.. 46 .Deci cardB10. . cardC Prin urmare..7. B   0.8. Numarul elementelor lui  este 106 si reprezinta numarul aranjamentelor cu repetitie care se pot forma cu 10 cifre luate cate 6. P(A) cardA / card  (n-1)! / n!  1/n. ...

Prin urmare. din  = rezulta  K() si ca  joaca rolul elementului total. in K() se gasesc si multimile   lim sup x   x    1      lim inf x   x   r 1  r daca {X}I este o familie cel mult numerabila de elemente din K(). Definitia 2.6). deci are proprietati mult mai tari decat cele cerute in definitia 2. o aplicatie P : K()  [0. K()) unde K() sunt corpuri complete de parti ale multimii P() a partilor multimii . poate fi aplicata izomorf pe un corp complet (corp borelian) de parti ale unei multimi infinite . Faptul este aparent deoarece se pote demonstra urmatorul rezultat pe care il formulam in Teorema 2. Un mijloc cu ajutorul caruia putem asocia la familii de parti ale unei multimi infinite .1. completa. p  nk .1. K() afortiori este ea insasi o algebra boole completa. “” . Cum intersectia unui numar oarecare de corpuri complete ale multimii  este un corp complet. campurile (. K()) este. Orice corp complet K() de parti ale unei multimi infinite este o algebra completa. in K().1. ( vezi definitia 2.7 observand ca avem x  x  pentru orice  I  I familie cel mult numerabila {X }I de elemente X K(). K()) un camp infinit de evenimente. ca urmare. algebra L se identifica cu K() si. De asemenea. distributivitatea operatiei “” fata de “” apare ca o proprietate naturala a operatiilor “”. prin izomorfismul de care este vorba in teorema invocata. 2.3. corpuri complete. Deoarece la fiecare etaj poate opri cel mult o persoana. in mod unic. Or. numarul opririlor este dat de A kn  A kn  . Faptul rezulta direct din definitia 2. Astfel. teorema 2. care sa descrie campurile de evenimente cu un numar infinit de stari. Camp de probabilitate complet aditiv In paragraful 2. familiei F este intersectia tuturor corpurilor multimii  care cuprind familia F.1. Acest corp complet este cunoscut sub numele de corpul generat de familia F. este urmatorul : Fie F o familie arbitrara de parti ale multimii  .3. prin definitie. 1] cu proprietatile a) P()1 47 .3. corpul pe care il asociem. In plus.7. O probabilitate pe campul (. convenabil aleasa.4 ne-a permis sa luam drept model.1 am aratat ca orice algebra Boole L.1.1. Fie (.

2  I . atunci N lim P( X  )  0 .K()). deci convergent.. Din P( X X )  P( X )  P( X )  1 rezulta 3). b) P ( x  )   P( x  )  I  I oricare ar fi familia {X }I cel mult numerabila de evenimente incompatibile din K() 9).3. sirul n Sn   P( X  )  P( X )  1  1  I este monoton si marginit. iar 2) urmeaza din observatia ca avem Y  X (Y X ) Y . seria  P( x  ) este convergenta.  I Proprietatile 1).. ca urmare.2.3. 10) N = {1. daca luam card I 0.. O proprietate importanta a probabilitatii P. avem P(X)P()1 si. cunoscuta sub numele de teorema de continuitate.3. Intr-adevar. 3) ale probabiltatii P rezulta imediat deoarece.1 rezulta ca aplicatia P : K()0. 2). Daca XN este un sir monoton descrescator de elemente apartinand campului (.. este lesne de vazut ca dandu-se nN avem X   (X  X  1 ) ( X  1 X   2 ) si. Daca in 2) luam Y.Y P(). X 1  (X 1 X 2 ) (X 2 X 3 ) 9 ) Familia {X }I se spune ca este alcatuita din evenimente incompatibile daca pentru orice 1. 4) are loc daca avem card I 0. atunci P(X)  P(Y) . 10) Teorema 2. pe (.  Demonstratie.3. In adevar. 1) P( )  0 .3.1 are urmatoarele proprietati : Teorema 2.. cu 1 2 avem X 1 X 2 = . 3) P( X )  1  P( X ) . atunci P(Y-X) P(Y)-P(X) .2. K()).} 48 . pentru orice numar natural n n X  X  1  I si. deci.3. si daca X    . Xn .3. 2) Daca XY si X. in particular.. 2’) Daca X Y si X. este exprimata in teorema 2. 4) Daca multimea I este numerabila. conform lui b) rezult a P( )  P(  )  2P( ) de unde P( )  0 . deci daca X1X2 . .Y P(). Direct din definitia 2. deci daca presupunem ca multimea I este finita.

Insa evenimentele {XX+1}N fiind incompatibile, avem

P( X 1 )   P( X i X i 1 )
i 1

ceea ce ne spune ca seria  P( X i X i 1 ) este convergenta. Drept urmare,
i 1

lim P( X  )  lim (  P( X  X  1 ))  0
    i  

ceea ce era de aratat.
Corolarul 2.3.1. Daca XN este un sir monoton descrescator, atunci
lim P( X  )  P( X ) .
   N
Pentru a verifica ca proprietatea exprimata in corolarul 2.3.1. este adevarata sa punem
X   X si sa observam ca sirul YN cu Y  X  X este un sir care indeplineste
N
conditiile teoremei 2.3.3. Drept urmare,
lim P( Y )  0 .

Insa
P( Y )  P( X  X )  P( X  )  P( X ) .
In adevar,
X   (X  X ) (X  X)
de unde P( X  )  P( X )  P( X  X ) pentru ca XX.
Asadar P( X  X )  P( X  )  P( X ) si trecand la limita obtinem
lim P( X  )  P( X )  0


adica lim P( X  )  P( X )  P( X ).
   N
Sa presupunem, acum, ca se da un sir monoton crescator, adica X X, N. Atunci,
sirul evenimentelor contrare ( X  )  K ( ) este monoton descrescator, adica

( X  1 )  X  ,  N . Deci , pentru acest sir, in virtutea corolarului 2.3.1. avem
lim P( X  )  P( X  ).
 N
Deoarece
X  X  ,  N
 N  N

si P( X  )  1  P( X  ),  N
rezulta ca P( X  )  P( X  )  1  P( X  ).
 N  N  N

49

Deci
lim P( XX  )  lim (1  P( X  ))  1  P( X )
  N
adica
lim P( X  )  P( X  ).
   N
Obtinem astfel
Corolarul 2.3.2. Daca XN este un sir monoton crescator, atunci
lim P( X  )  P( X  ).
   N
Corolarul 2.3.3. Daca XN este o multime cel mult numerabila de evenimente
apartinand campului de evenimente (K()), atunci P( X  )   P( X  ) .
 I  I
Demonstratie. Daca multimea I este finita, proprietatea este evidenta si ne convingem
imediat daca observam ca, in cazul a doua evenimente X1,X2 avem
P( X 1 )  P( X 1 ( X 1 X 2 ))  P( X 1 X 2 )
P( X 2 )  P( X 2 ( X 1 X 2 ))  P( X 1 X 2 )
P( X 1 X 2 )  P( X 1 ( X 1 X 2 ))  P( X 1 X 2 )  P( X 2 ( X 1 X 2 )) .
 n 
Daca IN, sirul  X  este un sir monoton crescator deci, conform corolarului 2.3.2. ,
1  nN
n 
lim P( X  )  P( X  ).
n  1  1
n n
Insa P( X  )   P( X  )
 1  1
 n n 
astfel ca P( X  )  lim P( X  )  lim  P( X  )   P( X  )
 1    1 n  1  1
ceea ce era de aratat.
Prin urmare, probabilitatea este o functie subaditiva daca evenimentele considerate sunt
oarecare si este complet aditiva in cazul evenimentelor incompatibile doua cate doua.
Definitia 2.3.2. Campurile de evenimente ( K()), pe care s-a definit o probabilitate P
in sensul definitiei 2.3.1, se noteaza ( K(), P) si se numesc campuri de probabilitate complet
aditive.

Exemple
2.3.1. Fie R multimea numerelor reale si fie B corpul borelian ( - corpul) generat de
multimea intervalelor deschise. (R, B) este un camp de evenimente. Daca X B si  este
indicatorul multimii, aplicatia
P:BR

50

1  x2
definita prin conditia P( X )    x ( x )e dx
R

 x2
este o probabilitate pe campul (R, B), deoarece  e dx   si  X     X  daca
  I  I
multimea I este cel mult numarabila, iar familia XI este alcatuita din evenimente
incompatibile .
2.3.2. Fie Rn = R ... Rn (n factori) spatiul euclidian n dimensional si fie Bn corpul
11)
borelian ( - corpul) generat de multimea intervalelor deschise din Rn. (Rn, Bn) este un camp
de evenimente. Daca f este o functie reala definita pe R n si, daca f este integrabila Riemann astfel
incat sa avem
1 n 1 n
(2.11)  f ( x ,..., x )dx ...dx  1
Rn
si daca punem
1 n 1 n 1 n
(2.12) P( X )   ( x ,..., x )f ( x ,..., x )dx ...dx
Rn
unde x este indicatorul multimii XBn atunci, P este o probabilitate pe (R n,Bn).
Daca E este o multime boreliana din Rn (adica daca EBn) si f este o functie reala
integrabila Reimann definita pe E, care satisface la conditia (2.11) definind P(X) conform
formulei (2.12), unde
XK{XBnXE}
atunci, E,K,P este un camp de probabilitate complet aditiv.
1 n
2.3.3. Daca E este o multime boreliana din R n si daca  dx ...dx este finita atunci, daca
E
1 n
x dx ... dx
punem P( x )  1 n
unde XK{XBnXE atunci, E,K,P este un camp de
E dx ... dx
probabilitate complet aditiv. Acest rezultat sta la baza teoriei probabilitatilor in geometrie.
[Integrala  dx 1 ... dx n este gandita, aici, ca integrala de volum in sensul analizei clasice. Anumite
E

considerente de natura generala au impus, drept instrument eficient de investigare in teoria
probabilitatilor, integrala in sensul lui Lebesgue.]
2.3.4. Fie EiiI o multime numerabila si piiI o multime de numere reale pozitive
cu proprietatea  pi  1. Daca, pentru orice XP(E), punem P( x )   p j unde
i I jJ

JI este multimea care indexeaza submultimea XE atunci, (E, P(E), P) este un camp de
probabilitate complet aditiv.

11 )
Un interval deschis este o multime I = {x1 ... xn : a1x1b1 , ..., anxnbn} unde a1 , ..., an , b1 , ..., bn sunt numere
reale

51

P( ) N 1 ) exista C N11 12) evenimente elementare de tipul indicat mai sus n si fie E multimea aceastora. Aceste modele cunoscute si sub numele de scheme clasice. x N 1 ) cuprinde n 1 bile albe. p)  C nN p n q N  n . PN 1 x1 . Modele clasice in teoria probabilitatilor In acest paragraf se considera unele modele din teoria probabilitatilor. repetand experienta in aceleasi conditii de N ori ( adica evenimentul A sa aiba loc de nN ori). drept urmare. P). Asociem problemei campul de probabilitate (A. modelul bilei neintoarse. In campul ( N 1 . Evenimentul contrar are deci N probabilitatea q1-p. avem n PN 1 ( E)  CN1 p n1 q N 1  n1 ceea ce constituie raspunsul la chestiunea pusa.2. P(A)  p. 12) n C N11 reprezinta numarul combinarilor ce se pot forma cu N1 obiecte luate cate n1N1 : n n1 AN11 N1 ! C N1   n1 ! n1 !( N 1  n1 )! 52 . P(). P(). Modelul lui Bernoulli consta dintr-o urna in care se afla N bile. printre cele N 1 bile extrase.. bilele neputandu-se distinge decat prin culoare. x N 1 ) unde xi este sau o bila alba sau o bila neagra si.p) probabilitatea evenimentului E avem (2.13) PN ( n. unde A este evenimentul bila extrasa este alba.p) este termenul n1 in dezvoltarea binomului (pq)N sau este tocmai coeficientul puterii a n-a a variabilei t in dezvoltarea binomului (ptq)N. Pentru a evalua probabilitatea evenimentului in cauza sa observam. Inainte de a trece la o generalizare a modelului lui Bernouli observam ca numarul P N(n. unde A si A sunt evenimente contrare. Notand cu P N(n. P N1 )unde N1      . E fiind evenimentul care ne intereseaza. din care n sunt de culoare alba. anume: Modelul lui Bernoulli. P( A )q. P(A)  p. impreuna cu problema determinarii probabilitatii evenimentului E. 1 In esenta modelul lui Bernoulli poate fi asimilat cu orice experienta careia ii corespunde un camp de probabilitate finit (A. apar frecvent in aplicatii. x N 1  p n1 q N 1  n1 daca extractia ( x1 .. A . A este evenimentul contrar. P () N1 . P). ca n probabilitatea de a extrage din urna bila alba este p  .   . modelul lui Poisson.  ( N 1 factori ) Un eveniment elementar apartinand acestui camp este de forma ( x1 .4. A . Se cere probabilitatea evenimentului ca. cu pq1.   . Se extrag succesiv din urna N1 bile punandu-se de fiecare data bila inapoi in urna. mai intai.   . n 1 sa fie de culoare alba. P( A )1-pq si consideram campul produs ( N1 . iar restul de culoare neagra.

Deci.1... x N coincid cu evenimentul A1..... Prin urmare. n2 coincid cu 53 . .p k=1).... x N) unde n1 dintre evenimentele x 1. adica npp. in aceeasi maniera. are cea mai mare valoare. Nn1.. P  Cn p q n [i P1  Cn 1 p1q n1 de unde se obtine P Cn p q n n! (  1)!( n    1)! n    1 p  1 1 n1  p 2q n    .. cu alte cuvinte evenimentul cu probabilitatea P are cea mai mare sansa de realizare.... p nk k ....nk. npp este un numar intreg. se cere probabilitatea ca.. .2. ... din acest motiv. Se gasesc doua valori numai intr-un singur caz. n2 bile sa aiba culoarea 2. anume cand npp este intreg.k este p i.. Deoarece P  este cea mai mare valoare din sirul (2. valoarea cea mai probabila. P) unde P(Ai)pi. P2... Stiind ca probabilitatea scoaterii bilei de culoarea i1.. rezulta ca  este numarul intreg cel mai apropiat de valoarea npp care indeplineate conditia   npp.. n1 !. Evident.. Numarul  se numeste. (p1.n.. din sirul precedent. P1 C n p q  !( n   )! n ! p1q n1  q Prin urmare.. Modelul general al lui Bernoulli priveste extractiile repetate dintr-o urna alcatuita din bile de diverse culori. adica se gaseste pentru  o valoare unica. npp. Dar.. daca P n   1 p  1 P1  q sirul initial de proba bilitati (2..n k) probabilitatea evenimentului in discutie avem N! (2. valoarea cea mai probabila se apropie foarte mult de valoarea medie np care.. Dar pq. P n   1 p  1 P1  q se obtine. P 1. in acest caz avem qnp-pp.15) PN ( n1 . Atunci.2... astfel ca (1-q)np-pp. caz in care sirul initial de probabilitati (2. n k bile sa aiba culoarea k.. Deci.14). n k )  p n1 . n k ! 1 Se obtine aceasta formula luand produsul cartezian de N ori al campului (A1. in general.A k P().. Indicand cu P N(n1. . P n si 0    n acel numar intreg pentru care P . Ne propunem sa cercetam cate valori corespund acesteia. Daca... insa. caz in care si np-q este numar intreg. nu corespunde unei proprietati generale a variabilelor aleatoare. cu reintroducerea bilei extrase.2. insa. n 1 bile sa aiba culoarea 1. Fie  un element din sirul 0.14) este descrescator. i1. avem np-q  npp.. in N extractii succesive..... Fie dat un sir cunoscut de probabilitati (2.14) P 0.14) este crescator.k si calculand probabilitatea evenimentului elementar de forma (x 1...

. avem P(E)p1p2q3q4p1p3q2q4p1p4q2q3p2p3q1q4p2p4q1q3p3p4q1q2 . Este sufucient sa asociem campurilor iAi..17) P( E)  ... din nou. A i  P(i)...16).U N identice. Modelul bilei neintoarse. de a extrage o bila alba din urna U i. Sa observam ca. Se considera N urne U1. P(1.N... etc.16) P( E)   pi1 .. extragand din cele N urne cate o bila. unde  este multimea tuturor n- plelor alcatuite cu cate n bile din cele N..evenimentul A2. q i N unde suma se ia dupa toate combinarile in ordine naturala ale numerelor 1. C nN 54 .. Indicand cu E evenimentul in cauza. Presupunand ca probabilitatea evenimentului A i.. sa ontinem n bile albe. Expresia din (2.N). . Numarul extragerilor a n bile din N este dat de C nN . C nN Justificarea acestei formule se poate face imediat daca apelam la calculul probabilitatilor in campuri de evenimente cu evenimente egal posibile. P(E) este coeficientul puterii a n-a a nedeterminatei t in produsul (p1t+q1)(p2t+q2) . De exemplu. +p k)N .. Altfel spus: se fac n extrageri. A a. B N.. . Pentru aceasta sa numerotam bilele punand A1. in formula (2.15) este tocmai termenul general din dezvoltarea polinomului (p 1+ .U N.. Asociind problemei campul de evenimente ( P()).. P 1.. pi n q i n1 . determinarea probabilitatii acestuia se obtine imediat aplicand.. tehnica produselor carteziene. este pi... obtinem Ca C nNa (2.. iar a evenimentului contrar A i este qi (pi qi1)... se cere probabilitatea evenimentului ca. n2. Se cere sa se calculeze probabilitatea ca printre cele n bile extrase  sa fie albe. dupa fiecare extragere neintroducandu-se bila inapoi in urna. P i(Ai)=qi  campul 1. (pNt+qN) si ca modelul lui Bernouli se obtine din cel al lui Poisson daca se considera urnele U 1..2.. Se considera o urna care contine N bile din care a sunt de culoare alba iar celelalte de culoare neagra. Indicand cu E acest eveniment.. Modelul lui Poisson. P i(Ai)pi. fiecare continand bile de doua culori.PN. Ba1. un eveniment elementar are drept probabilitate numarul 1 ... pentru N4. de exemplu albe si negre. N. Se constata ca (2... Din urna se extrag dintr-o data n bile...

Se aplica schema lui Bernoulli. avem P(A)=(35/36)15. este alcatuit dintr-o combinatie de  elemente din cele a bile albe urmata de o combinatie de n- bile din cele Ca C Nn a N-a bile negre. Ca urmare.kn). Probabilitatea ceruta este coeficientul puterii a 6- 8 6 4 1 1 1 1 a a nedeterminateei t in  t   . Se arunca o moneda de 8 ori. Schema lui Bernoulli ne da pentru p7/9. O urna contine 5 bile albe si 3 negre. (1. deoarece aruncarile sunt independente. Sa se determine probabilitatea evenimentului ca. sa obtinem doua bile albe si una neagra. dintr-o data. Daca A este evenimentul ca dubla 6 sa apara cel putin o data. 2. o alta urna 6 bile albe si 2 negre.10. N8 : p(7/9)8. deci un eveniment elementar apartinand evenimentului E. A .. Un tintas nimereste tinta de 7 ori din 9 trageri. Aceasta generalizare se refera la o urna alcatuita din bile de culorile 1. Solutie. . a n  N bile . iar A evenimentul ca dubla 6 sa nu apara niciodata atunci. C Nn ceea ce era de aratat. p  C86     . 2 de culoarea 2. 7 albe si una neagra. notand cu D evenimentul ca dubla 6 sa apara cel putin de doua ori rezulta. . Daca n i desemneaza numarul bilelor de culoarea i si n1.. P). Deoarece evenimentele E1 si A sunt incompatibile rezulta P(E)=P(E 1A)=P(E)+P(A). Un caz favorabil. Sa se determine si probabilitatea ca dubla 6 sa apara cel putin de doua ori...18) P( E)     k C n11 nk Aplicatii 2.11. Pentru a da raspunsul la cel de-al doilea punct fie E evenimentul ca dubla 6 sa apara cel mult o data si E1 evenimentul ca dubla 6 sa apara o singura data. Asadar card E  Ca CnNa si.. iar a treia. k de culoarea k. extragand din fiecare urna cate o bila.9.8. Care este probabilitatea ca stema sa apara de 6 ori? Solutie.. 1 bile sa fie de culoarea 1..k. Sa se calculeze probabilitatea ca dubla 6 sa apara cel putin o data. 15 14  35  1  35  P(D)1. Se considera campul de probabilitate (A. Se arunca doua zaruri de 15 ori.. q2/9. P(A)1-P(A)=1-(35/36)15. in fina l.2. Modelul bilei neintoarse se poate generaliza. Sa se calculeze probabilitatea ca el sa nimereasca tinta de 8 ori consecutiv. P(E) (card E)/(card ) = . drept urmare. se cere probabilitatea evenimentului ca intr-o extractie..  2 2  2  2 2. Procedand la fel ca in cazul precedent se constata ca probabilitatea evenimentului respectiv E este data de formula    C n11 C n22 C nkk (2.. 36  26  Asadar. 55 .nkN.   C151    36  36  36  2. Deci. obtinem P(E)(35/36) + 15 C115   . P(). 14 1  35  Prin urmare. Solutie.

2. Se introduc. (A i P()). n 24.15.. daca evenimentele A 1. q31/8 si se inlocuiesc in formula pp1p2q3p1p3q2p2p3q1 lucru echivalent cu determinarea coeficientului puterii a doua a variabilei t din produsul  5 3  6 2  7 1   t    t    t  .. n1 ! n 2 ! n 3 ! 2. Fie (. unde luam n.12. Din acest lot se iau.13. N90.  i 1  i 1 56 . Se ia in formula (2. iar restul fete. n 16. Se ia in formula (2. n2500. 11. p37/8. Se aplica schema lui Bernoulli. iar de la fabrica C 4200 bucati. n212. 1280 bucati. de evenimente independente si se da formula lui Bayes. Se aplica schema lui Poisson. Intr-o grupa de 30 studenti.19) P A i    P( A i ) ... Obtinem p   0. Solutie. cazul general (urna cu bile de mai multe culori).14. 2. Se aplica schema bilei neintoarse. n45. din N numere se extrag n. La loterie. la intamplare. k3. .18). cazul general. Marfa fiind de aceeasi calitate. n 3 )  . Un magazin vinde in cursul unei saptamani 2600 bucati dintr-o marfa primita de la fabricile A. sa se determine probabilitatea ca 820 bucati din marfa vanduta sa fie de la fabrica A. Care este probabilitatea de a obtine  numere stabilite dinainte? Solutie.  8 8  8 8   8 8 2. de la fabrica B 2000 bucati. La un examen sunt introdusi in sala loturi de cate 10 candidati. In cazul extragerii Loto. p26/8. C in urmatoarele cantitati. q13/8.Intr-un lot de 100 piese.A n sunt incompatibile.17). n1820. De la fabrica A 3600 bucati. avem  n  n (2. 3. notiunile de probabilitate conditionata. n31280 si se aplica formula N! PN ( n1 . 18 sunt baieti. C10 30 2. daca se participa la joc cu un bilet de trei numere. Probabilit ati conditionate. P) un camp finit de probabilitate si fie A 1. Se ia p15/8.18). 22. Se ia p13000/980015/49. de asemenea.A n un sistem de n evenimente din acest camp. 24. 6 4 C18 C12 16. Se stabileste. de la fabrica C. n390.. 37.5. patru piese sunt rebuturi.9 .. iar restul sunt piese bune. Se stie ca. Solutie.. B. In acest paragraf se prezinta situatii tipice care pot sa apara in aplicatii. Se aplica formula (2. P(). Care este probabilitatea ca intr-un lot sa fie 4 fete si restul baieti? Solutie. doua sa aiba defecte remarcabile si una sa fie rebut ? Solutie. inegalitatea lui Boole. unde Nn1n2n3... p34200/980021/49. n 2 . Care este probabilitatea ca din piesele extrase sapte sa fie bune. sase piese au defecte remarcabile. Se aplica schema bilei neintoarse. in continuare. 500 bucati de la fabrica B si restul de. 10 piese. n118. Formule utile in aplicatiile teoriei probabilitatilor. k2. p22600/980013/48.

24) P( A 1 A 2 )  P( A 1 )  P( A 2 )  P( A 1 A 2) si sa tinem seama ca 0P(A1A2)...23) P ( A1 I A2 I . . I An )   P ( Ai )  (n  1) i 1 cunoscuta sub numele de inegalitatea lui Boole. Problema care se pune este aceea de a vedea ce se intampla in cazul general..A n sunt luate dintr-un camp de probalibitate complet aditiv (vezi paragraful 2.. 57 . A 1A2.. A1A2..19’) P( A 1 )  P( A 1 A 2 )  P( A 1 A 2 ) (2... In cazul a trei evenimente avem (2.A n P() este data de inegalitatea n (2. in calculul evenimentului A i .19) avem (2. O margine inferioara a probabilitatii intersectiei a n evenimente A1. A 2... A n sunt oarecare. Ca urmare.P(A 1  A2) . probabilitatile evenimentelor A 1. intre ele. este necesara cunoasterea tuturor i 1 evenimentelor intersectiei. anume in cazul cand evenimentele A 1. Pentru a o obtine sa punem formula (2.25) P( A 1 A 2 )  P( A 1 )  P( A 2 )  1 .. Observam ca A 1  (A 1 A 2 ) (A 1 A 2) A 2  (A 2 A 1 ) (A 1 A 2) A1 A 2  (A 1 A 2 ) (A 2 A 1 ) (A 1 A 2) In virtutea formulei (2...22) poate fi utilizata si in cazul cand evenimentele A1.. I An ) n formula care arata ca. Atragem atentia ca formula (2. Pentru simplificare sa luam cazul a doua evenimente A 1. obtinem formula lui Poincaré  n  n  n n  P U Ai    P ( Ai )    P ( Ai1 I Ai2 )   P ( Ai1 I Ai2 I Ai3 )   (2.20) P( A 1 A 2 )  P( A 1 )  P( A 2 )  P( A 1 A 2) formula care leaga.19’”) P( A 1 A 2 )  P( A 1 A 2 )  P( A 2 A 1 )  P( A 1 A 2) deci (2. iar in cazul a n evenimente A 1......21) P(A 1  A2  A3) = P(A 1) + P(A 2) + P(A 3) - .19”) P( A 2 )  P( A 2 A 1 )  P( A 1 A 2) (2.P(A 1  A3) -P(A2  A3) + + P(A 1  A 2  A3) .A n .22)  i 1  i 1  i1  i2 i1  i2  i3   . A2 si fie A1A2 intersectia lor.3).  (1) n 1 P ( A1 I A2 I .20) sub forma (2.. prin recurenta. avem (2.

prin inductie. A n. I An )  1   P ( Ai ) . aplicand inegalitatea lui Boole.. acum..66 fapt care spune ca pregatirea sa nu este prea stralucita.23). .. rezulta inegalitatea (2. I An )  n   P ( Ai )  n  1  1   P ( Ai ) i 1 i 1 Prin urmare. Stiind ca sansa acestuia de a trece proba A este de 0. I An ) sumele fiind luate de la 2 la n.  (2. deci.C.19’) pe care sa o scriem astfel (2.. i 1 i 1 i 1 Atunci. Astfel . el constata ca p0.86 si proba C este de 0.98.92. Aplicatie. A 2. inegalitatea lui Boole se mai poate scrie in felul urmator n (2.. Avem. n n n  P( A i )   1  P( A i )  n   P( A i ) .. Pentru evaluarea sansei. este urmatorul. astfel..28) i 2 i1  i2 n 1  (1) P( A1 I A2 I .89-20.. U An ))  P( A1 )   P( A1 I Ai )   P( A1 I Ai1 I Ai2 )  . obtinem n P( A1 I ( A2 U . P(A i)  1  P( A i ) si.B.25) in cazul a trei evenimente A 1. in cazul n3.. gasim (2.. o formula care evalueaza probabilitatea ca. n n P ( A1 I A2 I . A2.. la formula (2. A 2. proba B este de 0.. La un examen un candidat trebuie sa treaca trei probe A. O forma echivalenta a inegalitatii lui Boole se obtine utilizand contrarele evenimentelor considerate. i 1 Sa revenim. probabilitatea ca dintre aceste evenimente sa aiba loc numai evenimentul A 1 este data de P( A1 I ( A2 U A3 ))  P( A1 )  P( A1 I ( A2 U A3 ))  P( A1 )  P( A1 I A2 ) U ( A1 I A3 )   P( A1 )  P( A1 I A2 )  P( A1 I A3 )  P( A1 I A2 I A3 )   P( A1 )  P( A1 I A2 )  P( A1 I A3 )  P( A1 I A2 I A3 ) iar. A 2. numai evenimentul A 1 sa aiba loc. Daca suntem in prezenta a trei evenimente A 1. A 3. Aplicand inegalitatea (2. 58 .26) P( A 1 A 2 A 3 )  P( A 1 )  P( A 2 )  P( A 3 )  2 si. candidatul se intreaba ce sansa globala are de a promova exemenul. A3.19 IV) P( A 1 A 2 )  P( A 1 )  P( A 1 A 2) . in cazul a n evenimente A 1.860.27) P ( A1 I A2 I . din ansamblul de evenimente A1.. Un exemplu de aplicare a acestei inegalitati.

j) probabilitatea ca.. dintre evenimentele A1. daca ne intereseaza probabilitatea ca din ansamblul evenimentelor A 1.  (1) n  r C nn1r Tn ..  i1 1 i1  i2 i1  i2  i3 ik i1  k i1  k  (i ) n 1 P ( A1 I A2 I ..A n..j.... pe cale directa....... etc. De exemplu. Inlocuind in (2. A j.. . problema se rezolva imediat si avem n P ( A1 I A2 ) I ( A3 I A4 I . U Ai 1 U Ai 1 U ....l). numarul P(2)  P(1.28’)   P ( Ak I Ai )   P ( Ak I Ai1 I Ai2 )   P ( Ak I Ai1 I Ai2 I Ai3 )  . etc.. 59 . si numai a acestuia.k).. .A n sa se realizeze evenimentul A 1 A2.. P(i. sa aiba loc numai evenimentul A i. din ansamblul evenimentelor A 1... fara ca acestea sa fie specificate in mod expres.. Astfel numarul (2. T 2.29) P (1)  P(1)  P(n) evalueaza probabilitatea ca. terne de evenimente. U Ak 1 U Ak 1 U . .. fara ca acesta sa fie explicitat in mod expres..... .... Daca ne intereseaza probabilitatea realizarii unui eveniment oarecare din cele n evenimente A1.. din ansamblul evenimentelor A1. sa se verifice unul si numai unul..A n.29) valorile probabilitatilor P (i).. U An ))  P ( Ak )  n (2..n) desemneaza probabilitatea ca numai doua dintre evenimentele A1. a acestei probabilitati este dificila si va fi data mai tarziu. Exprimarea ei ca functie de probabilitatile T 1... ...29’) P (1)  T1 ..2)  P(n-1.. Procedand la fel se pot introduce probabilitatile P(i.2T2  3T3 -4T4 .1)  P(1. Indicand cu P(i.30) P r P(r) P(r1)  .j. A n.... introduse mai sus... de exemplu a evenimentului Ak... sa se realizeze simultan numai evenimentele A i... P (4). obtinem (2. consideram formula P ( Ak I ( A1 U ..31) Pr  Tr  C r1Tr 1  .. Tn  P( A 1 A n ) si avem expresia i1  i 2 explicita a numarului P (1). Determinarea efectiva. I An ) 3 i1  i2 Notand cu P( i )  P ( Ai I ( A1 U . A2..(-1)n-1nTn unde T1   P( A i ). numarul (2. .P (3).... I An ) Rationamentele facute mai sus pot fi adaptate imediat la perechi de evenimente.A n sa se verifice. T2   P( A i1 A i 2 ).A n.. U An )) probabilitatea ca... I An 1 I An ))  P ( A1 I A2 )   P ( A1 I A2 I Ai )  i1  3   P ( A1 I A2 I Ai1 I Ai2 )  (1) n 1 P ( A1 I A2 I .A n sa se verifice simultan. T n....  P(n) evalueaza probabilitatea ca cel putin r dintre evenimentele A1.  (1) s C rs s 1  . este (2..k. I Ak I .

.31’) P1  T1  T2  T3  . I An 1 )  0 implica P( A1 )  0.B P() si P(A) P(B)0............5........ P(A1A2)0.A n sa se realizeze... P ( A1 I A2 I . P(A1A2 .... I An )  P( A1 ) PA1 ( A2 ) PA1 I A2 ( A3 ). conditia P ( A1 I A2 I . Fie. I An 1 ) de unde prin simpla inmultire obtinem formula (2... P()..32) poarta numele de probabilitate a evenimentului B conditionata de evenimentul A......32) avem (2.. inseamna ca A1A2 .. ....1. I An 1 )  0 In adevar. asociat evenimentului B P(). I An ) / P ( A1 I . P()). P( A1 I A2 )  0.A n sunt n evenimente apartinand campului de evenimente (... Probabilitatea P A introdusa mai sus. 13) Daca P(A1A2 . P())..PA1 I..I An 1 ( An )  P ( A1 I ... An-1)0. Aceasta implica P(A1)0.. An-1)0. Sa revenim la campul de probabilitate (. iar (.. P) si fie A P() supus conditiei P(A) 0. P( A ) PA este o probabilitate pe campul de evenimente (.. P())...33) P(AB)P(A) P A(B)P(B) P B(A) daca A. An-2)0.. Definitia 2.. . P()). Numarul P A(B)....32) PA ( B)  . pe campul de evenimente (.34) dacaP( A1 I A2 I .... poarta numele de probabilitate indusa de evenimentul A.. Conform formulei (2.. P) si fie E1E2........ Daca indicam prin P A aplicatia PA : P()  R definita prin conditia P( A B) (2... PA) se numeste camp de probabilitate indus de evenimentul A P() pe campul de evenimente (..... iar........ daca A 1.. PA1 I. A2..... Deci P(A1) P(A1) PA1 ( A2 )  P ( A1 I A2 ) / P ( A1 ) PA1 I A2 ( A3 )  P ( A1 I A2 I A3 ) / P ( A1 I A2 ) . Aceasta formula mai este cunoscuta ca formula de inmultire a probabilitatilor. exprimat in formula (2..34). B  P() ..  (1) n 1 Tn formula care evalueaza probabilitatea ca cel putin unul dintre evenimentele A 1. printr-un calcul direct se poate arata ca avem P( A1 I ....I An 1 ( An ) (2.. P(). obtinem (2...... exista cel putin un eveniment  care apartine fiecaruia dintre evenimentele A1. din nou campul de probabilitate complet aditiv (.. An-1 si P()0... P(A1A2 ... P(). An-1 (adica nu este un eveniment imposibil)......... 60 . I An 1 )  0 13) . In particular..... pentru r=1. Deci..En o descompunere a evenimentului sigur in evenimente incompatibile..

. A(AE1)(AE2). probabilitatea evenimentului B conditionata de evenimentul A. in acest camp rolul evenimentului sigur este jucat de evenimentul P( A ) A. 61 . AB P() si PA(B)P A(AB).36’) PA ( Ei )  n  P( A Ei ) i 1 Sa revenim.36) sub forma P( A Ei ) (2. P(A).3). P(A)P(AE1). Aceasta interpretare este deosebit de utila in explicatii. evenimentele E1.36) PA ( E i )  n  P( Ei )PEi ( A ) i 1 egalitate care in literatura de specialitate este cunoscuta sub numele de formula lui Bayes.. Daca in (2... P().35) P( A )   P( E i )PEi ( A ) i 1 numita formula probabilitatii totale. P()). Cu alte cuvinte. (P(E i)0). In unele aplicatii este util sa punem formula (2.4. P( A A ) Cum.5. En alcatuiesc un sistem complet de evenimente daca un experiment pune in evidenta unul si numai unul dintre ele.. P().. Ca urmare. la campul de probabilitate (.P(AEn) si. Daca B P() atunci. Definitia 2.. si la campuri de probabilitate complet aditive.. Insa ABB. P).. din nou. Consideratiile facute mai sus pot fi adaptate. Drept urmare.E n  P(). Un sistem de n evenimente incompatibile E1. cu ajutorul careia se poate determina probabilitatea unui eveniment A daca se cunosc probabilitatile evenimentelor Ei.. PA ( A )   1. . P A). P) si fie AP() un eveniment supus conditiei P(A)0.. P A) sa consideram si campul (A .. AEn ( vezi definitia 2.33’) tinem seama de (2. prin care avem probabilitatile evenimentelor E i conditionate de evenimentul A. se spune ca constituie un sistem complet de evenimente in campul de probabilitate (. deci numarul P A(B) poate fi interpretat ca masurand sansa realizarii evenimentului B dupa ce evenimentul A a avut loc. Odata cu campul de probabilitate indus de evenimentul A peste (. adica odata cu campul (. cu unele modificari specifice. si probabilitatile evenimentului A conditionate de evenimentele E i. Daca AP() atunci.35) obtinem P( E i )PEi ( A ) (2.32’) P(AEi)P(A) P A(Ei)P(Ei) P Ei (A) rezulta formula n (2. deoarece (2.. care realizeaza o descompunere a evenimentului sigur. .2.(AEn) si suntem in prezenta descompunerii evenimentului A in evenimentele incompatibile AE1. P().

oricare ar fi  I aK() avem (2. de evenimente incompatibile. din P( A )PA ( B  )  P( B  )PB ( A ) . K().36’) daca observam ca A (A B )  I si. daca P(A)0 si P(B)0 pentru toti I. atunci. astfel. (. P) un astfel de camp si fie A K() un eveniment cu proprietatea P(A)0. Fie (.  P( B )PB ( A ) I 62 . pe care il vom numi. la fel cum am facut in cazul campurilor de probabilitate finite (definitia 2. conform formulei (2. realizeaza o descompunere a evenimentului sigur . Atunci fiecarui B K() i se poate asocia numarul P( A B) P( B / A )  PA ( B)  P( A ) care.1. formula lui Bayes are un corespondent in cazul campurilor de probabilitate complet aditive. P A). Presupunand ca o familie cel mult numerabila E  I . iar P A probabilitatea indusa de evenimentul A. daca   E atunci.35’) obtinem P( B )PB ( A ) (2. In adevar. Intr-adevar. K()).35’) P( A )   P( B  )PB ( A )  I si suntem in prezenta formulei totale adaptata cazului campurilor complet adtive.5. este un camp de probabilitate complet aditiv. poarta numele de probabilitatea evenimentului B conditionata de evenimentul A.36”) PA ( B )  . P(). Sa observam ca PA ( )  1 [ i PA ( B    PA ( B  ) oricare ar fi familia cel mult  I  I numerabila B   I de evenimente incompatibile din K(). si in acest caz. Ne dam seama de valabilitatea formulei (2. P ( A I ) P ( A) PA ()   1 P ( A) P ( A) si   P ( A I U B ) P U ( A I B   P( A I B ) PA (U B )   I   I   I   PA ( B )  I P ( A) P ( A) P ( A)  I Prin urmare . camp de probabilitate indus de evenimentul A pe campul borelian de evenimente (.).

Aceasta ecuatie este simetrica in A si H si arata ca.  I  I       Deci. sa pornim de la Definitia 2. Aceasta definitie este. caz in care P(A|H) nu este definita. acceptata daca P(H)0. daca H se realizeaza.  I   I Intr-adevar. Numai cand P(A|H)P(A) aceasta informatie nu permite nici o interpretare asupra aparitiei lui A. Exemplul 2. In termeni mai putin precisi se poate spune ca. K(). intalnit. se obtine   1  P X     P( X  )  I  I sau   P X    1   X  .3. atunci   P X    1   P( X  ) .32) se poate constata ca. Extractii repetate. Independenta stochastica. egala cu probabilitatea absoluta P(A). probabilitatea P(A|H) nu este. De asemenea. uneori. informatia obtinuta influenteaza felul in care privim evenimentul A.37). deci.37) P(AH)P(A)P(H) .6.  I   I   I  Dar.3. se stie ca X  X . de asemenea. in general.1. la fel este si H fata de A. vom spune ca A este independent stochastic de H. 1  P X    P X    P X   . Doua evenimente A si H se spune ca sunt stochastic independente ( pe scurt independente) daca are loc relatia (2.6.  I  I In felul acesta. Din motive de simetrie ne asteptam ca evenimentele “trefla” si “as” sa fie 63 . In acest caz. este sinonim cu independent stochastic. Este preferabil.1. avem   P X     P( X  ) . P). Se consideram un pachet cu carti de joc din care sa scoatem o carte la intamplare. daca A este independent stochastic de H. Putem scrie conditia P(A|H)P(A) in forma (2.  I   I 2. Din formula (2.6. dandu-se evenimentele A si H. se poate formula inegalitatea lui Boole intr-un camp de probabilitate complet aditiv dupa cum urmeaza: Daca {X}I este o familie numerabila de evenimente din campul de probabilitate complet aditiv (. Precizam ca termenul independent statistic. in virtutea corolarului 2. in literatura.

Se arunca doua zaruri identice. In ultima fiecare familie cu doi copii va fi reprezentata de doua ori. probabilitatile lor sunt 1/4 si 1/13.. Rezulta.. bf. cele doua evenimente sunt independente. deci.. bfb. Nu avem decat sa consideram o lista a familiilor si o lista a copiilor de sex masculuin.6. fiecare avand probabilitatea 1/4. considerand familiile care au exact doi copii.. Atunci. din realizarea evenimentului H. Sa consideram familiile care au trei copii si sa notam prin b si f un baiat si respectiv o fata. nu se poate trage nici o concluzie relativ la A. (Distributia sexelor). pentru ca A H’  A-(AH). Exista urmatoarele patru posibilitati bb. care constituie evenimente elementare. Este interesant faptul ca multi s-ar astepta ca raspunsul la intrebarea de mai sus sa fie 1/2. P(H)6/8 si P(A)4/8. De exemplu. P(AH)=1/4.38) P(AC)P(A) P(C) P(BC)P(B) P(C) 64 . in timp ce P(H)=3/4. Sa presupunem ca fiecare dintre cele 23 posibilitati bbb.3. adica 1/12. iar probabilitatea realizarii lor simultane este 1/52. Probabilitatea realizarii lor simultane este 3/36. si reprezinta produsul probabilitatilor acestor evenimente. din P(AH)=P(H)P(A|H) se obtine P(A|H)=1/3. Daca evenimentul H se realizeaza. Sa presupunem. la fel ca a evenimentelor A’ si H si a evenimentelor A’ si H’). Independenaa stochastica implica faptul ca. Atunci . Realizarea simultana a evenimentelor A si H inseamna una dintre posibilitatile bbf. fbb astfel ca P(HA)3/8P(H)P(A). Daca relatia (2.6. Cu alte cuvinte.bbf. in familiile cu trei copii. Prin urmare. Deci. diferenta dintre cele doua chestiuni este explicabila. acum.intr-adevar. Acesta este. care este probabilitatea ca celalat copil sa fie un baiat?” Acum. se obtine P(AH’)P(A)-P(AH)=P(A)-P(A)P(H)P(A)(1-P(H))P(A)P(H’). independenta stochastica a evenimentelor A si H ar insemna acelasi lucru ca si independenta lui A si H’ (in virtutea simetriei. un raspuns corect dar la alta intrebare.2. care este probabilitatea ca ambii copii sa fie baieti (evenimentul A)? Prin urmare. Aceasta rezulta cu usurinta folosind relatia P(H’)1-P(A). Stiind ca o familie are un baiat (evenimentul H). Este bine sa se retina ca aceasta concluzie nu mai ramane adevarata pentru familiile cu doi sau patru copii. Exemplul 2. iar evenimentul H inseamna bb sau bf sau fb. adica 1/6 si respectiv 3/6. De fapt. Exemplul 2. o treime dintre familiile cu caracteristica H se pot astepte ca si evenimentul A sa se realizeze.B si C sunt independente astfel incat P(AB)P(A) P(B) (2. ceeace explica diferenta dintre cele doua rezultate. nu totdeauna este evident daca avem sau nu independenta evenimentelor. Deci. cum era de asteptat. ff . Fie H evenimentul “familia are copii de ambe sexe” si A evenimentul “exista cel mult o fata”.37) se pastreaza atunci. evenimentul contrar H’ nu se realizeza si reciproc. ca trei evenimente A.fff are probabilitatea 1/8. sa presupunem ca prima litera indica copilul cel mai mare. evenimentul AH inseamna bb. anume “un baiat este ales la intamplare si se gaseste ca el provine dintr-o familie cu doi copii. Evenimentele “fata 1 la primul zar” si “fata cu un numar par la al doilea zar” sunt independente. fb.independente.

iar C inseamna “suma impara” ( adica o fata cu un numar par. 65 . si C. n-avem decat sa consideram relatia de baza cunoscuta P(A1A2)P(A1)P(A2)-P(A1A2) din care deducem P(AB)CP(AC)(BC)P(AC)P(BC)-P(ABC). B si C este imposibila. S-ar putea crede ca aceasta implica totdeauna independenta unor asemenea perechi de evenimente cum ar fi A. acuma se poate dovedi ca si evenimentele A B si C sunt independente. iar cealalta cu numar impar). suma lor nu poate fi tot un numar impar. Aplicand (2. Aceasta ecuatie asigura independenta evenimentelor A si BC. asigura realizarea lui C si rationamentul poate fi continuat pentru celelalte combinatii. considerand oricare doua evenimente dintre A. informatia ca “evenimentul A s-a realizat iar B nu s-a realizat”. Totusi. nu totdeauna se intampla astfel.38) sunt adevarate dar realizarea simultana a evenimentelor A. B si C ele vor fi independente pentru ca P(AB)1/4P(A) P(B) P(AC) 1/4P(A) P(C) P(BC) 1/4P(B) P(C) Prin urmare. Mai mult chiar. In cazul general a n evenimente. P(B)3/6=1/2. ca orice eveniment care se poate exprima in termeni ai lui A si B va fi independent de C. sa avem si (2. B. deci. astfel ca A . Se arunca doua zaruri si se definesc urmatoarele trei evenimente: A inseamna “fata cu un numar impar la primul zar”. Cu alte cuvinte. si P(C)3/6=1/2. B si C este egala cu ½. B inseamna “fata cu numar impar la al doilea zar”.4. Urmatorul exemplu va arata ca relatiile (2.6. se poate enunta urmatoarea definitie. presupunand ca s-a realizat unul dintre celelalte doua evenimente. probabilitatea conditionata a fiecaruia dintre evenimentele A. Este de dorit sa se rezerve termenul de independenta stochastica pentru cazul cand nu este posibila nici o implicatie. Pentru aceasta. Exemplul 2. a evenimentelor B si AB si a evenimentelor C si AB.39) P(ABC) P(A) P(B) P(C).38) si (2. In aceasta situatie nu este suficient sa se pastreze numai egalitatile (2.39) in partea dreapta acestei egalitati se obtine P(AB)CP(A)P(B)-P(A) P(B) P(C) adica P(AB)CP(AB) P(C) Se poate spune.38) ci trebuie. Din pacate . P(A)3/61/2. Deci. Daca fiecare dintre cele 36 de evenimente elementare are probabilitatea 1/36 atunci. cele trei evenimente nu pot sa se realizeze simultan pentru ca apaarand la primul zar un numar impar si la al doilea tot un numar impar. B si C nu pot fi independente. in plus.

.40) prin inlocuirea unui numar arbitrar de evenimente Aj cu evenimentele lor contrare A’j.6. Deosebirea intre independenta in totalitate si independenta doua cate doua a evenimentelor este de importanta mai mult teoretica decat practica. P(A)  P(B) P(C) 1/2 si P(AB) P(BC) P(CA) 1/4 (1/2)(1/2)... Bernstein si este ilustrata in exemplul de mai jos. B1.. P(ABC)1/4(1/2)3P(A) P(B) P(C) . ca urmare.39) nu poate avea loc. Evenimentele A1. . deci P(AB)0 si..... pentru i1.. se aplica regulile de inmultire urmatoare P ( Ai I A j )  P ( Ai ) P ( A j ) P ( Ai I A j I Ak )  P ( Ai ) P ( A j ) P ( Ak ) (2. prin inductie.B fiind evenimente incompatibile.. exista     .5 (S... nu sunt evenimente independente. C1....N.2. In adevar A...3. 66 . ne este deloc asa... Prin n 2 n 3 urmare.4 cu P(i)1/4. deci P(A) P(B)0 de unde avem P(A)=0 sau P(B)=0 sau P(A)=P(B)=0.4. AB implica P(AB)0..N. In adevar. a doua pentru   ecuatii etc.. B si C sunt independente doua cate doua.. sunt suficiente pentru a n 2 asigura independenta doua cate doua a evenimentelor.  n.... Posibilitatea unei astfel de aparitii a fost descoperita de S.... ca in definitia 2..... Se observa fara greutate. care satisfac conditiei P(A) P(B)0.. atunci...3...... A2. Intregul sistem (2.... Definitia 2.. Fie multimea de evenimente elementare 12. Pe de alta parte. B incompatibile... P ( A1 I A2 I K I An )  P ( A1 ) P ( A2 ).. B incompatibile sa fie independente trebuie sa avem (P(A))2(P(B))20..3.40) pare sa fie o multime complicata de conditii dar. A n se numesc independente in totalitate daca..6..2...40) este valabila pentru   ecuatti.. continute in prima linie..2.40) . Exemplul 2. pentru toate combinatiile 1 i j .   (1  1) n 2 n 3 n n n        2  n  1 conditii care trebuie sa fie n 1 n 0 n satisfacute. In schimb. (pornind de la n2 si P(AH’)P(A) P(H’)).. in mod aparent. nu sunt independente).40) poate fi inlocuit prin sistemul celor 2n ecuatii obtinute din ultima ecuatie a sistemului (2. Ezemple practice de evenimente independente doua cate doua care nu sunt independente in totalitate. ceeace conduce la (P(A)) 2(P(B))20.. avem AB.6.. cele   conditii.. nu exista. de fapt.. pe scurt. Sa consideram evenimentele A1.6.....4. Bernstein).. egalitatea (2..1 rezulta ca doua evenimente A. Avem. Din definitia 2. ceea ce arata ca evenimentele A.. Pentru ca doua evenimente A.P ( An ) Prima linie din (2. B si C nu sunt independente in totalitate (sau. de unde rezulta ca evenimentele A..2 sistemul (2.

T n si..2 avem Teorema 2.. conceptul intuitiv de experimente repetate in conditii identice.E2.. .. in mod analitic... . P n0. An) P(A 1) P(A2). daca P(A) P(B)0.. ... In particular. el implica independenta... a n sunt solutiile sistemului ar  1 C r11  a r 1  C r2 2  C r1 2 a r 1  a r  2  1 . In general. In acesta.. ca notiunea de independenta stochastica. A2.. conditia necesara si suficienta ca evenimentele A. Pr 2 . ne vom referi la problema extractiilor repetate. C nn  r  C nn  r 1 a r 1  C nn  r  2 a r  2  . acum. n-ar avea nici o influenta asupra celui de al doilea.. a n sunt constante. Sa stabilim.... in final.. care formeaza un nou camp de evenimente.... experimentatorul precizeaza ca doua masuratori sunt efectuate in conditii identice atunci..Pn0 obtinem 1= Crr k a r  Crrk1 a r 1 ... P (n) sunt functii liniare de T r. 67 .... .. Crrkk a r  k . Aceasta inseamna ca cele doua evenimente “primul rezultat este Ej” si “al doilea rezultat este E k” ar fi independente stochastic sau ca (2.. in n...Pr 1.Pn0 obtinem Pr  1  C1r 1 ar  ar 1 .41) P(A1A2.31).. A n P() sunt evenimente independente atunci. Sa observam.1 Daca A1.. daca P 1P2.. B sa fie independente este sa avem (folosind relatia (2. oricare ar fi subsirul 1  i1 i2 ..... Fie E1. formula (2....... P (r1). T r1..... . Direct din definitia 2... E k )  p j p k .6. obtinem Pr 1ar 1... .6...Pr Pr1.. Daca..... insa..... Daca luam P1P2.. evenimentele elementare ale campului si p1. In continuare..Pr Pr11...32)) PA(B)P(B) respectiv P B(A)P(A).. ... Pr k1 .. in acest scop..42) P( E j . primul rezultat.  a n  1 de unde rezulta ca ar  s  ( 1) s Csr  s1 si formula este dovedita. Pr 10. in aceasta situatie. deci....6.. probabilitatile pot fi atribuite in multe moduri.. A n sunt independente si ca P1P2 . invocand definitia 2...1 rezulta ca... P(A n).  anTn unde a r.. Continuand procesul constatam ca constantele a 1.p2.. Rezultatele posibile a doua experimente succesive sunt perechile (E j. De la inceput trebuie sa observam ca probabilitatiile P(r) .  Prk 1. Presupunand ca evenimentele A1.Ek).. deci ar1. are loc egelitatea (2. ne da posibilitatea sa formulam.. probabilitatile lor... Pr arTr ar1Tr+1 . . Fie  un camp de evenimente realizat de un anumit experiment.

Pentru scopurile pe care le urmareste teoria probabilitatilor aceasta descrie “experimente identice”. E jn ) cu probabilitatile (2.A n sunt independente in totalitate daca extragerile sunt independente.44) asociaza 68 .. Se vede ca (2. ..44) defineste extractii independente sau. .. E j2 . de puncte. astfel ca j k  p j k j p k  ( p1  p 2  . mai departe. Daca  contine un numar finit N.44). la r experimente succesive ceeace ne conduce la definitia urmatoare.. probabilitatile fiind definite prin relatia (2.A2.. E b2 .....43) P A . Deci..6.42) ca o definitie a probabilitatilor in noul camp de evenimente. Mai inainte. ca mai inainte.. intr-o forma mai generala.Ek).. Reamintim ca (2. E jn ) ] p j1 p j1 .B) este reuniunea tuturor perechilor ( E aj . ca A contine punctele E a1 .. Se intelege prin n extractii independente care corespund campului de evenimente respectiv. Atunci.6.. Pentru acestea n-avem decat sa observam ca in suma   p j p k fiecare termen apare odata si numai odata.. E j2 . Daca fiecare punct din  are probabilitatea 1/N atunci.. E jn ) . Sa presupunem.A n este astfel incat extragerea k decide singura daca evenimentul Ak se realizeaza sau nu... atunci evenimentele A1. p jn .. Definitia 2..42) ca o definitie a probabilitatilor mentionate.3. Sa notam prin A si B doua evenimente arbitrare ale campului initial de evenimente.. Abia apoi putem accepta (2.)( p1  p 2  .42).44) P[ ( E j1 . Fie  multimea evenimentelor elementare E1. acel camp de evenimente ale carui puncte sunt n- uplele ( E j1 . extractii repetate in conditii identice. (2. Aceasta egalitate atribuie o probabilitate fiecarei perechi (E j. in timp ce B contine punctele E b1 . (2. in alti termeni... E a2 .. evenimentul (A.B) evenimentul “A a aparut la prima extragere si B la a doua extragere”. acceptata ca definitie.1.. iar prin (A.. B    p aj p bk  ( p aj )(  p bk )  P( A )  P( B) . fiecare punct al noului camp este o selectie de volum n (cu posibile repetari) de puncte ale campului initial. desigur. adica daca (2. trebuie aratat ca suma cantitatilor pjpk este egala cu unitatea. E2. extractiile repetate nu sunt in mod necesar independente. E j2 . Adevarul stabilit in relatia (2... atunci exista N n evenimente elementare ( E j1 .44) ramane adevarata. E bk ) si.43) poate fi gasit. ale caror probabilitati corespunzatoare sunt p 1.... in urmatoarea teorema privitoare la extractii independente. Aceste consideratii se pot aplica. p2. impune ca toate evenimentele la a doua extragere sa fie independente de evenimentele la prima extragere.)  1 . Cu alte cuvinte. Cu alte cuvinte. j k j k Deci evenimetele A si B sunt independente. insa. Teorema 2. de a putea folosi relatia (2. Presupunem ca un sistem de evenimente A1. se observa ca (2..44) nu este singura definitie posibila a acestor probabilitati.

asa cum va reiesi din exemplele urmatoare. [ i E1" ...i) nu sunt permise totusi. Secventa   celor doua experimente este descrisa de campul ale carui puncte sunt E'j . Primul experiment consta in a-l pune pe a2 ori inainte. aceasta echivaleaza cu asocierea de  2 6 probabilitati egale tuturor celor douasprezece evenimente elementare dar..... notate in general E’ si E”. preferabila unei asocieri formale de probabilitati egale deoarece ea se aplica atat campurilor de evenimente cu probabilitati neegale cat si campurilor de evenimente infinite. un zar. E jn ) .j).a n. in general. In acest caz particular.E”) se numeste produsul cartezian al lui ‘ si “ si se noteaza prin ‘“. p"2 . secventa a doua evenimente independente este prescurtarea folosita pentru produsul cartezian al campurilor de evenimente corespunzatoare cu probabilitati definite de (2. [ i p1" .. Daca aruncam.. E'2 .45). perechi de forma (i. putem atribui fiecaruia probabilitatea 1/n!. spre exemplu. trebuie procedat conform cu (2. Astfel.. In discutia de mai sus..44). atunci... in selectia nerepetata.45)  P E 'j ...probabilitatea N-n cu fiecare punct ( E j1 .44)... in acelasi mod. ca cele doua experimente sunt independente..4.) de rezultate posibile.. A spune ca cele doua experiente succesive sunt independente insemna a defini probabilitatile prin (2. Relatia (2. Ea este indispensabila teoriei generale a probabilitatilor. unde se considera chiar si o singura extractie ca fiind prima intr-o secventa eventual infinita. se pot trata si secventele unor experimente diferite.6. s-su considerat numai repetari ale aceluiasi experiment. formeaza produsul multimii de intregi 1. Fie ‘ si “ doua multimi de evenimente E1' . in acest nou camp probabilitatile fiind definite in conformitate cu (2. insa... multimea tuturor perechilor (E’. Aceasta revine la asocierea probabilitatilor dupa regula produsului.unu)] =    . respectiv. in mod conceptural.. E j2 .. Am folosit in mod curent cuvantul experiment ca echivalentul unui camp de evenimente in care s-a definit o probabilitate.  1 1 P[(ban.. E"k   p p ' " j k. Metoda indicata mai sus se aplica si in cazuri ma i complicate.2.a2. de-a face numai cu secvente infinite (Ej1. Dar la acest aspect ne vom referi mai tarziu. Noua abordare este. Incepem prin a-l scrie de a1.. considera acelasi camp de evenimente ca reprezentand n-1 experimente succesive dupa cum urmeaza. Definitia 2.. E"k . In mod similar. Considerand n! permutari ale elementelor a 1. E"2 .6 (Permutari). dar..45) defineste ceeace in mod obisnuit se numeste masura produs a probabilitatilor evenimentelor din ‘ si “. Se noteaza probabilitatile corespunzatoare lor prin p1' . p '2 . Odata realizat acest 69 . alese ca puncte ale unui camp de evenimente. mai intai o moneda si. Dandu-se doua multimi de evenimente ‘ si “ cu punctele. Exemplul 2. Notiunile pe care le-am introdus nu sunt specifice teoriei probabilitatilor. in mod natural. Observatie. Avem.. apoi. . Ej2.n cu ea insasi . presupunem. Este bine de retinut si faptul ca reuniunea tuturor perechilor (i. Putem.. ori dupa a 1.6.. unde i si j sunt intregi pozitivi de la 1 pana la n. etc. De asemenea.

rezultatul experimentului al treilea depinzand de primele doua alegeri).. al treilea n-2 etc. fiecare avand probabilitatea 1/k.a40.... Sa presupunem.. Pentru a arata ca ea este si suficienta trebuie dovedit ca... adica se inmultesc.. a lui 39 si respevtiv 79. X 2A2.. pentru n evenimente X1.i2.. X2A2..a n)... Avem.a k sunt asezate intr-o ordine relativa.7 (Selectie nerepetata).. in concordanta cu definitia selectiilor aleatoare.a81) inseamna alegerea numarului 13....P ( Ai p )   P ( Aik ) k 1 Este clar ca aceasta relatie este necesara pentru independenta evenimentelor A 1.. dupa ce a1. XnAn. Experimentele sunt independente.6. notiunea de experimente independente repetate ne permite sa studiem selectia ca o secventa de operatii individuale.X nAn. deci.... Aceasta se rezuma la atribuirea 1 probabilitatii fiecarei selectii.. In selectia nerepetata fiecare alegere elimina un element.X2. Cu alte cuvinte... X n )  P( X 1 )P( X 2 ). A i  are loc egalitatea P( X 1X 2 ..a2. (Retinem ca ( n) r pentru n100 si r3.A n sunt independente daca oricare ar fi i 1...a2. Dupa k pasi mai raman n-k elemente si urmatoarea alegere poate fi descrisa prin specificarea numarului de locuri ale elementului ales (1... Atribuim probabilitati egale tuturor rezultatelor experimentelor individuale si admitem ca cele r experimente sunt independente.. K() sunt independente. daca P(AB)P(A) P(B) ..a2 si a3.lucru.ip n. Fie populatia (a1.. ca X 1A1. Generalizand. al doilea n-1.A2. P( X n ) . considerarea unei selectii nerepetate de volum r revine la o secventa de r experimente unde primul are n rezultate posibile.. In general. selectia (a13. X n-1An-1. Daca X1A1.n-k)... astfel: 70 . Fiecare permutare a 11 1 celor n elemente are probabilitatea . avem p  p  P I Aik    P( Aik )  k 1  k 1 n unde am pus P ( Ai1 ).2. unde x A i . in concordanta cu definitia de baza..B.. vom avea trei posibilitati pentru a 3 si al doilea experiment consta in a alege dintre acestea. se trece la experimentul numarul k constand din selectionarea unuia dintre cele k 1 locuri pentru ak1. celelalte cazuri dovedindu- se in acelasi fel.ip n.... vom spune ca evenimentele A. 23 n Exemplu 2. Dupa cum se vede. decizand asupra ordinei relative a lui a1.. La al treilea experiment a fost ales elementul 79 din populatia redusa de n-2 elemente.A n oricare ar fi 1i1i2. .. evenimentele A1. In cest mod.i p in relatia 1i1i2...X n. La fel ca in cazul finit. avem o succesiune de n-1 experiente din care experimentul numarul k poate avea drept rezultat k alegeri diferite (evenimente elementare)..... atunci aceasta egalitate rezulta din ipoteza.

Pe de alta parte ..   P( X i ) =  P( X i ) i 1 i 1 Demonstatie Acest rezultat este o consecinta imediata a corolarului 2..P ( An 1 )1  P ( An )  P ( A1 ).4. I An 1 I ( An U An ))   P ( A1 I A2 I . i 1 Conform definitiei 2. 2.. Vom spune ca familia numerabila de evenimente X  I este alcatuita dun evenimente independente...7.. daca oricare ar fi submultimea finita JI avem P(  J X ) =  P( X  )  J Teorema 2. K(). K(). avem n P(Yn) =  P( X i 1 i )..P ( A1 I A2 I .30) este dat.P ( An 1 ) P ( An )   P ( A1 ). I An 1 I An )  P ( A1 I A2 I .2. I An 1 I )  P ( A1 I A2 I . P).  (ii) Daca seria  P(X i ) nu este convergenta si daca evenimentele i 1 X i i N sunt independente atunci. P) complet aditiv.. I An 1 I An )   P ( A1 I A2 I . in cazul infinit....5. I An 1 I An )  P ( A1 I A2 I .1.. Daca {Xi}iN este un sir de evenimente independente atunci.1.6.  (i) Daca seria  P( X i ) este convergenta atunci.P ( An 1 )  P ( A1 ).P ( An 1 ) P ( An ) independenta a unei familii numerabile de evenimente X   I din (. I An 1 I A )  P ( A1 I A2 I . 71 ... este data in Definitie 2..... (Teorema Borel-Cantelli) Fie X i i N un sir de evenimente apartinand unui camp de probabilitate (. in teorema cunoscuta in literatura de specialitate sub numele de teorema Borel-Cantelli. sirul  Yi  i N fiind monoton descrescator. avem  lim P (Yn )  P ( Xi n  i 1 si teorema este demonstrata. I An 1 )  P ( A1 I A2 I . Teorema 2.. I An 1 I An )   P ( A1 I A2 I ... pe care o formulam mai jos. Teorema Borel-Cantelli Corespondentul proprietatii ascunsa in formula (2.. I An 1 I An )   P ( A1 ). I An 1 I An )  Notiunea de  P ( A1 I A2 I . probabilitatea realizarii unei i 1 infinitati de evenimente X i este zero. Pentru aceasta n sa punem Yn = Xi .6..7.... probabilitatea realizarii unei infinitati de evenimente Xi este egala cu unitatea..3.5..

Demonstatie. Sa observam, mai intai, ca realizarea unei infinitati de evenimente X i ,
i=1,2,3, ... , echivaleaza cu realizarea evenimentului
  
A= lim sup X i   Xj ,
i  i 1  j  i 
astfel ca, pentru a demonstra teorema, este suficient sa aratam ca P(A)=0 in primul caz si ca
P(A)=1 in al doilea caz .

(i) Cum A  X j pentru orice iN, conform corolarului 2.3.3, avem
j i

  
P(A)  P  X j    P ( X j ) .
 j i  j i
 
Seria  P( X i ) fiind presupusa convergenta, lim  P ( X j  0. Ca urmare, prin trecere la limita,
i  j i
i 1

rezulta P(A) = lim  P ( X j )  0
i  j  i

si prima parte a teoremei este dovedita.
(ii) In cazul al doilea avem succesiv
   s    s    s 
P(A)= lim P X j   lim lim P X j   lim lim1  P C X j   lim lim1  P CX j 
i   j  i  i  s   j  i  i  s   j  i  i  s   j i 
Dar, evenimentele X i i N fiind presupuse independente, vor fi independente si evenimentele
contrare astfel ca rezulta
s s s
P CX j   P ( CX j )   (1  P ( X j )) .
j i j i j i

Insa, din analiza matematica se stie ca, pentru orice 0 x1 avem 1-x e-x si, deoarece,
P(X ) satisface aceasta conditie, urmeaza ca 1-P(X )e P ( X j ) . Dar, atunci, vom avea
j j
s
s  P( X j )
 (1  P ( X
j i
j ) e j i
,


si, cum, prin ipoteza seria  P( X i ) nu este convergenta, avem
i 1
s
 P( X j )
lim lim e ji
0
i  s 

Asadar,
s
lim lim  (1  P ( X j ))  0
i  s  j  i

de unde rezulta
 s 
lim lim P CX j   0 .
i  s   j  i 
Dar, in acest caz, P(A)=1 si teorema este complet demonstrata.

72

Nota. Este important de retinut ca partea a doua a teoremei Borel-Cantelli are loc pentru
evenimente independente, ea putand sa nu fie adevarata pentru evenimente arbitrare. De
exemplu, daca Xi=Y pentru orice iN atunci, daca luam 0P(Y)1, rezulta 0P(A)1, caz in care
partea a doua a teoremei nu mai este adevarata.

2.8. Aplicatii
In paragraful de fata ne vom referi la unele aplicatii in teoria ereditatii, care furnizeaza
ilustrari instructive pentru aplicarea modelelor probabiliste simple. Tinand seama de scopul
urmarit, ne vom limita la acele aspecte susceptibile unei tratari din punct de vedere matematic.
Caracterele care se mostenesc depind de purtatori speciali numiti gene. Se impune o
succinta prezentare a unor aspecte legate de structura celulelor pentru a putea avea o privire clara
asupra genelor. celulele somatice sle corpului omenesc au in structura lor 44 de cromozomi
somatici (22 de perechi) si doi cromozomi sexuali: XX pentru femei si XY pentru barbati. Pe
cromozomi se gasesc structuri liniare numite gene. Genele, care sunt raspunzatoare de
transmiterea carcaterelor mostenite, se afla pe cromozomii somatici si pe cei doi cromozomi X.
Se pare ca pe cromozomul Y se gasesc foarte putine gene somatice (daca nu cumva nu se gasesc
de loc; s-ar putea sa se gaseasca o gena anormala care ar transmite caracterul de a vaea par in
cantitate mare in urechi). Astfel, pe cromozomii somatici si pe cei doi comozomi XX, genele
somatice apar perechi. In cel mai simplu caz, gena unei perechi particulare poate admite doua
forme A si a. Atunci, se pot forma trei perechi diferite si, in raport cu aceasta pereche particulara,
organismul apartine unuia dintre cele trei genotipuri AA, Aa, aa (nu exista distinctie, intre Aa si
aA). Fiecare pereche de gene determina un factor transmisibil dar, majoritatea proprietatilor
observabile ale organismelor depind de diversi factori. Pentru unele caracteristici (cum ar fi, spre
exemplu, “culoarea ochilor” si aceea de a fi “stangaci”) influenta unei perechi particulare de
gene este predominanta, in timp ce pentru altele, ca de exemplu inaltimea, efectul este cumulat
de la un numar foarte mare de gene. Ne vom margini, aici, la studiul genotipurilor si mostenirii
caracterelor numai pentru o pereche particulara de gene relativ la care avem trei genotipuri AA,
Aa, aa. In mod frecvent exista N forme diferite A 1,A2,...,A N pentru cele doua gene si,
 N  1
corespunzator   , genotipuri A 1A1, A 1A2, ..., A NAN. Bineinteles ca teoria se aplica, in acest
 2 
caz, cu unele modificari. Calculul urmator se va aplica, de asemenea, intr-un caz special, anume
cand forma A este predominanta si a este respinsa. Se intelege, deci, ca indivizii Aa au aceleasi
proprietati observabile ca si AA, astfel ca numai tipul pur aa prezinta o influenta observabila a
formei a. In natura apar toate nuantele de predominare partiala. Proprietati tipice numai partial
respinse sunt, spre exemplu, “ochi albastri”, “stangacia” etc.
Celulele reproductive, sau gametii, se formeza printr-un proces complex in urma caruia
numarul de cromozomi se va reduce la jumatate. Pentru ovule vom avea 22 de cromozomi
somatici si un cromozom sexual X, iar pentru spermatozoizi vom putea avea doua variante: 22
cromozomi somatici si un cromozom sexual X, sau 22 cromozomi somatici si un cromozom
sexual Y. Organismele de genotipurile pure AA si aa (sau homozigoti) produc, deci, gameti

73

numai de un singur fel, iar organismele de tipul Aa (hibrizi sau heterozigoti) produc gameti A si
a in numar egal. Organismele noi sunt derivate din doi gameti parinti de la care primesc genele.
Prin urmare, fiecare pereche include o gena paterna si una materna, si orice gena poate fi
observata la un stramos particular, in orice generatie, insa eventual mai putin accentuata.
Genotipurilor urmasilor sunt dependente de un proces aleator. In orice imprejurare,
fiecare gena parinteasca poate fi transmisa cu probabilitatea ½, si suntem in cazul cand mai
multe probe succesive sunt independente. Cu alte cuvinte, ne putem imagina genotipurile a n
urmasi ca rezultatul a n probe independente, fiecare dintre ele corespunzand cazului in care sunt
aruncate doua monede. Spre exemplu, genotipurile descendentilor unei imperecheri AaAa sunt
AA, Aa, aa cu probabilitatile respective ¼, ½, ¼. O unire de tipul AAaa poate avea numai Aa-
urmasi, etc.
Privind populatia ca un tot, ne putem imagina unirea partilor ca rezultatul unui al doilea
proces aleator. Ne vom referi aici numai la asa numita imperechere aleatoare definita prin
conditia urmatoare: daca se aleg la intamplare r descendenti din prima generatie filiala atunci,
parintii lor formeaza o selectie aleatoare de volum r, cu eventuale repetari, a populatiei tuturor
perechilor posibile de parinti. Cu alte cuvinte, fiecare descendent este privit ca fiind produsul
unei selectii aleatoare a parintilor, toate selectiile fiind independente in totalitate. Imperecherea
aleatoare este un model idealizat al situatiilor care se intalnesc in multe populatii naturale si in
campul experimental. Insa este de asteptat ca selectivitatea preferentiala (cum ar fi faptul ca
blondul prefera tot blond) este de asteptat sa violeze conditia imperecherii aleatoare. Si
bineinteles ca mai exista asemenea situatii, ele putand fi analizate matematic. Tinand seama de
scopul pe care ni l-am propus vom ramane, insa, in cadrul aspectului aleator.
Deci, genotipul unui urmas este rezultatul a patru alegeri aleatoare independente.
Genotipurile celor doi parinti pot fi selectionate in 33 moduri, iar genele lor in 22 moduri. Insa,
putem sa combinam doua selectii si sa descriem procesul drept unul dintr-o selectie dubla astfel:
genele paterne si materne sunt selectionate fiecare independent si la intamplare din populatia
tuturor genelor purtate de barbati si femei din populatia sursa.
Sa presupunem ca cele trei genotipuri AA, Aa, aa apar printre barbati si femei in aceeasi
proportie u:2v:w. Vom presupune ca u2vw1 si vom spune ca u, 2v, w sunt frecventele
genotip. Sa punem
(2.46) puv, qvw.
In acest fel, numarul genelor de formele A si a sunt ca p:q si, deoarece pq1, vom numi
p si q frecventele gena de forma A si respectiv a. In fiecare dintre cele doua selectii o gena de
forma A este selectata cu probabilitatea p si astfel, datorita presupunerii independentei,
probabilitatea ca un urmas sa fie AA este p2. Genotipul Aa poate sa apara in doua moduri si, prin
urmare, probabilitatea sa este 2pq. Astfel, sub conditia imperecherii aleatoare, un urmas va
apartine genotipurilor AA, Aa sau aa cu probabilitatile
(2.47) u 1p2, 2v 12pq si respectiv w 1q2.
Exemplul 2.8.1.
(i) Toti parintii sunt Aa (heterozigoti); atunci uw0, 2v1 si pq1/2.

74

v. Valorile lor reale vor varia de la generatie la generatie si formeaza un proces stochastic de tip Markov]. Intr-o populatie numeroasa trebuie sa ne asteptam ca frecventele genotip reale sa se apropie de distributia teoretica (o formulare precisa se da cu ajutorul legii numerelor mari si a teoremei limita centrala care permit sa se estimeze efectul fluctuatiei sansei). In formularea de mai sus.47) dau probabilitatile genotipurilor pentru un individ selectat aleator din generatia a doua. u 11/4. modelul simplificat la care s-a recurs pana acum. nu exista nici o tendinta spre schimbare sistematica de vreun fel. Chiar cu o distributie stationara trebuie sa ne asteptam la putine schimbari de la o generatie la alta.atunci se gaseste. uw1/2. din nou. De la a doua generatie. pentru probabilitatile genotipurilor din prima generatie. [G. v1v si w1w. urmeaza ca. Atunci. Din contra. w 11/4. 2v1/2 si iarasi pq1/2. pe baza conditiei de imperechere aleatoare.(ii) Parintii AA si aa sunt combinati in proportii egale. Oricare ar fi distributia u:2v:w in generatia parinteasca. frecventele celor trei genotipuri trebuie sa fie in proportia p 2:2pq:q2.47) definesc o distributie stationara. (iii) In sfarsit. pq1/2. 2v 11/2. 2v2pq. pentru generatia filiala. v0 si. astfel incat compozitia genetica va fi usor influentata. Pentru o mai buna intelegere a implicatiilor relatiilor (2. Pentru o distributie stationara.ca in cazul (iii) de mai sus . acum. imperecherea aleatoare tinde sa stabileasca distributia stationara (2.w din generatia initiala se afla in relatia particulara (2. Hardy a aratat ca frecventele celor trei genotipuri in a n-a generatie sunt trei variabile ale caror valori presupuse sunt date de (2.47) pentru prima generatie filiala. pentru care uvp si vwq. 2v. Prin urmare. Deci. relatiile (2. nu exista posibilitatea de restabilire a frecventelor initiale. vom spune ca distributiile genotip de forma (2. Fiecarui raport p:q ii corespunde o distributie stationara (sau un echilibru). H. in sens invers pentru verificarea presupunerii asupra imperecherii aleatoare. nu exista nici o tendinta catre o schimbare sistematica. un genotip Aa pana la urma piere.47) sa fixam frecventele gena p si q (pq 1) si sa consideram toate sistemele de frecvente genotip u. Aceasta poate fi folosita. Astfel.47) si nu depind de n. Printre ele exista distributia particulara (2. fapt care sugereaza urmatoarea imagine. Cu alte cuvinte. accentul trebuie pus pe cuvantul “aproximativ” (cum preciza Hardy). pentru populatii numeroase se poate spune ca oricare ar fi compozitia populatiei sursa realizarea imperecherii aleatoare intr-o generatie produce aproximativ o distributie genotip stationara cu frecvente gena neschimbate.48) sunt stationare.48) up2 . fluctuatiile sansei vor schimba frecventele gena p si q de la generatie la generatie. Pornind de la o populatie sursa.48) . prima generatie filiala ar avea o distributie genotip stationara care s-ar perpetua fara schimbare in toate generatiile care o succed. Insa. in toate cele trei cazuri se obtine. ne conduce la concluzia ca. Relatiile (2. In particular. w. in ea genele A si a apar cu frecventele u 1v1uvp si v1w1vwq (conform (2. pentru o populatie limitata ca marime. astfel ca populatia ar 75 . w q2. Toate conduc la acesleasi probabilitati (2. u1 u.46)). Daca frecventele u. daca frecventele observate coincid cu probabilitatile calculate atunci. uw1/4.48) intr-o generatie.

barbatii au numai cele doua genotipuri A si a. Este o eroare sa se creada ca legea numerelor mari actioneaza ca un dispozitiv inzestrat cu memorie care cauta sa se intoarca la starea initiala. Se manifesta inca o tendinta spre o distributie stationara. . el poate sa treaca de la tata la “fiica” si de la ea la nepot. 2v 1pq’qp’. In continuare. un cromozom X (ovulele sunt toate de forma 22+X) si sexul urmasului depinde de cromozomul transmis de tata. multe concluzii gresite putand sa se traga dintr-o asemenea presupunere (procesele biologice considerate aici sunt tipice unei clase importante de procese Markov la care. Atunci. sau semisuma dintre acelea ale populatiilor paterna si 76 . teoria difuziei). 2v. Aa. din nou. aa va fi notata prin u1. frecventele gena printre descendentii de sex feminin sunt aproximativ p1 si q1. Prin urmare (2.50) u 1pp’. sa generalizam analiza facuta in prima parte a acestui paragraf. Remarcam faptul ca legea lui Hardy nu se aplica distributiei a doua perechi de gene (spre exemplu “culoarea ochilor” si “a fi stangaci”) cu noua genotipuri AABB. Frecventele celor doua genotipuri masculine A si a sa le notam prin p’ si q’ (1p’q’). AABb. Acestea. qvw. p si p’ sunt frecventele genei de forma A in populatia feminina si respectiv masculina. w respectiv. w1. In natura aceasta situatie nu apare in mod necesar din cauza aparitiei de noi gene prin mutatii. Astfel. dar echilibrul nu este atins la prima generatie. insa. ca si mai inainte. aabb.49) p1/  p si q1/  q . Mama transmit. aceasta se explica prin variatia sanselor in perioada existentei prenatale. un urmas masculin primeste cromozomul X de la parintele de sex feminin si rezulta (2. Daca urmasul este baiat sau fata. Pentru cele trei genotipuri feminine se gaseste ca si in cazul genelor (2. acum. q 1 v1w1 (1/2)(q q’). Probabilitatea ca un descendent feminin sa fie din genotipul AA. 2v1.apartine eventual unuia dintre tipurile pure AA sau aa. Printre descendentii masculini genele A si a apar aproximativ cu frecventele p si q din populatia materna. probabilitatile analoage pentru tipurile masculine A si a sunt p1/ si q1/ . Cu privire la fiecare dintre ele. Sa presupunem. femeile pot fi inca clasificate in trei genotipui AA. Aa. iar barbatii XY. selectie si alte multe efecte. sexul este determinat de doi cromozomi: femeile sunt XX.51) p 1 u1v1 (1/2)(p p’).. Spermatozoizii se formeaza in numar egal 22+X sau 22+Y. frecventele genotipurilor AA. Notam ca un “fiu” are totdeauna cromozomul Y al tatalui asa incat caracterul de sex nu poate fi mostenit de la tata la fiu. nu ne vom referi aici). Sa presupunem.. w 1qq’. Deci.. S-a stabilit ca pe cromozomii X sunt situate gene care determina daltonismul si gene care determina hemofilia. la cromozomii sexualii X si Y. puw. insa la barbat. in mod necesar. Se stie ca genele somatice apar in perechi atat pe cromozomii somatici cat si pe cromozomii X. Insa. Aa. aa dar. aa in populatia feminina. pot fi studiate prin mijloace matematice mai rafinate ( ca lanturi Markov. care are un singur cromozom X. Sa ne referim. Acestea pot fi interpretate astfel. avand numai o gena. imperecherea aleatoare si fie u. genele somatice de pe acest cromozom apar singure.

Pentru a doua generatie se va obtine. Prin urmare. unde . de la generatie la generatie. Practic.50) si (2. 2. Frecventele genotip in populatia feminina. putine fluctuatii se vor suprapune peste schimbarile descrise. sunt u n  p n1p 'n1 .57) u n  2 . q 'n  q n1 Deci (2.materna. prin acelasi procedeu. 2. Insa ea nu elimina diferentele. q1'  q1  ( q  q' ) . catre o situatie in care genotipurile A si a apar printre barbati cu frecventele  si  . p '2  p1 . Se simte o tendinta spre egalizarea frecventelor gena.49) si (2. . Concluzia principala este ca.53) 1 3 1 q 2  ( q1  q1' )  q  q' 2 4 4 si. 2. w n   2 .56) p n   . ca cele date prin (2. Aa.  = (1/3)(2q+q’) (retinem ca ). din (2. q '2  q1 . In contrast cu legea lui Hardy.52) p1'  p1  ( p  p' ) . Sa punem (2. ultima insa reprezinta tendinta predominanta. 2v n  p n1q 'n1  q n1p 'n1 . respectiv. genotipurile feminine AA. aa la femei sa apara aproximativ cu frecventele .51) se obtine 1 1 (2. q n   .51) cu frecventele corespunzatoare reale in prima generatie filiala. 2v n  2. in iopteza imperecherii aleatoare.50). 2 respectiv. p 'n   . q 'n   . Cu siguranta. ne putem astepta ca genotipurile de sex A si a la barbati si AA. 1 3 1 ( p1  p1' )  p  p' p2  2 4 4 (2.54)  = (1/3)(2p+p’) . aici nu se intalneste o situatie stationara dupa o generatie. bineinteles.54). 77 . Se pot urmari sistematic schimbarile de la generatie la generatie omitand fluctuatiile sansei si identificand probabilitatile teoretice (2. Aa. Un numar mai mare de probe ne va conduce la expresia generala a probabilitatilor pn si qn pentru cazul femeilor descendente din a n-a generatie. asa cum reiese si din (2. echilibrul va fi atins la a treia sau a patra generatie. aa avand probabilitatile 2. w n  q n1q 'n1 . De fapt. (2. Atunci p  p 'n1 p  p' p n  n1    ( 1) n 2 3  2n q n1  q 'n1 q  q' (2. 2. Aceste relatii arata ca exista o tendinta sistematica puternica. Convergenta este foarte rapida. ci subzista doar o tendinta spre o reducere urmatoare. 2 2 Aceasta inseamna ca imperecherea aleatoare determina intr-o generatie reducerea aproximativ cu jumatate a diferentelor intre frecventele gena dintre femei si barbati.55) q n     ( 1) n 2 3  2n [ i p 'n  p n1 .

60) p n  n . v2. w. spre exemplu. probabilitatile u 2. 1  w n1 1  q n Din (2. dar nu de tipul aa. v1. avem de inlocuit u.62) se poate calcula. w frecventele cu care apar genotipurile AA. Ca si mai inainte. Aceasta se intampla cand gena a este respinsa in asa fel incat indivizii aa se nasc dar nu pot supravietui. un barbat dintr-o suta este daltonist. v.62) q n1   . Atunci toate a-masculine si aa. Multe gene sunt respinse. Frecventele corespunzatoare pentru parinti sunt atunci (2. prin u 1. Avem 1 1  1 q n 1 qn de unde rezulta succesiv 2 1 1 1 1 1 1 q  q  1 . w1 obtinand. analog v n1 qn (2.59) p  .59) se obtine u  vn vn (2. ceea ce cauzeaza defecte. n sau q n  .60) si (2. pentru a studia schimbarile sistematice de la generatie la generatie. din nou. Sa presupunem ca are loc imperecherea aleatoare intre indivizii AA si Aa. 1 w 1 w Probabilitatile celor trei genotipuri in prima generatie filiala sunt.58) u *u/(1-w) . o femeie ar fi afectata din 10. 2v.Exemplul 2. Femeile de tipul Aa pot transmite defectul urmasului lor fara sa fie afectate ele insele. etc. astfel. 2v * 2v(1-w). . date de (2.8. Compararea relatiilor (2.46) se inlocuieste cu u v v (2. w n1  q 2n . w * 0. in mod explicit. aa in populatia totala. qn  1 wn 1 wn Si (2. Prin urmare.  2 . qn.47) sau u1p2. Deci este de asteptat ca un defect respins care apare printre barbati cu frecventa  sa apara printre femei cu frecventa 2.61) arata ca u  v n1 pn 1 p n1  n1   1  w n1 2 1  qn 1  qn si. Fie a o asemenea gena. Fie u. dar folosind relatiile (2. 2v. Se poate proceda ca in prima parte a acestui paragraf. din (2. w n1    .58) in loc de u. 2v n1  2p n q n .feminine fac sa apara defecte. (2. Un exemplu tipic de influenta a selectiei il constituie cazul in care indivizii aa nu pot reproduce. In general.2. Deci.61) u n1  p 2n . q1 q q2 q qn q 1  nq  1  nq  78 . w. 2v12pq. w2 pentru a doua generatie descendenta. q . Aa. w 1q2. daca.000.

..8.... A i k )  Ckn  ........ n pot fi extrase in (n -2)! moduri. Se observa ca. anume..2.... i2 -1.. deci. Solutie.....2.... n Observand ca P(Ai)n(1/n)1 1 1  P( A i1 i2 i1  Ai2 )  Cn2  ( n  1)  n 2 ! ...65..i-1.... genotipul neproductiv (sau nedorit) se elimina dar procesul este extrem de lent....i1. Cazurile favorabile evenimentului A i sunt in numar de (n-1)! deoarece bilele 1.. Cele n bile pot fi extrase in n moduri... ca cel putin o data......... rangul extractiei sa coincida cu numarul marcat pe bila... Din urna se extrag succesiv cele n bile... etc........ este indicat sa utilizam formula (2.. la o bila.. i1. 1 1  P( A i1 A i 2 . Lucrand in echipa ne intrebam: 79 ... i k ( n  k  1). n! ( n  1)n Procedand la fel. ... A n )  1    ...8. frecventa tipului aa se reduce..... avem ( n  k )! 1 P( A i1 A i 2 . p 20.... aproximativ de la 1 la ¼ la suta. Deci ( n  1)! 1 P( A i )   ..n pot fi extrase in (n-1) moduri..... Ca urmare ( n  2)! 1 P( A i1 A i2 )   . p30. A i k . necesar sa determinam probabilitatile evenimentelor A i. Calculul probabilitatii evenimentului Ai..40) si este... 1  i 1  i 2  n poate fi efectuat ovservand ca numarul cazurilor favorabile acestui eveniment este (n-2)! pentruca bilele 1.. ..4.... n! n Calculul probabilitatii evenimentului A i1 A i 2 ...i2 1. Se da o urna cu n bile numerotate de la 1 la n...... A 1 A 2 . Pentru q0 sunt necesare zece generatii pentru a reduce frecventa genelor a la jumatate. i1 . incetul cu incetul...3.. A i1 A i 2 .... Alte exemple 2.. Ca urmare. n k ! rezulta 1 1 1 P( A 1 A 2 .... in acest fel...70.n A i1 A i 2 ..... ( 1) n1 .. A k .......80.. Sa notam cu Ai evenimentul ca la extaractia de indice i sa obtinem bila marcata cu numarul i. Numerotand extractiile se cere probabilitatea ca in peocesul extractiei sa se obtina cel putin o concordanta. 2! 3! n! 2..i1 +1. A i k )   n! ( n  k  1). Evenimentul ca in procesul extractiei sa avem cel putin o concordanta este A1A2An..i 1-1 .. Trei muncitori depasesc norma de lucru cu probabilitatile p10.

utilizand formula (2.2. Trecerea la cazul general XI este imediat. da. Ca urmare. alegerea fiind facuta in toate modurile posibile. daca X i1 .029. adica Pp1-(p1p2p1p3) p1p2p30.. unde luam n3.3.. De exemplu 80 .56 si P(A1A2A3)p1p2p3=0.364. Rezulta direct din formula P( A  B )P( A ) P( B ) inlocuind A cu A si B cu B . ab.22) obtinem P(A 1A2A3)p1p2p3-(p1p2p1p3p2p3)p1p2p30..BP() sau A.31) unde luam r2. bc. P(A 2A3) p2p3=0.455. Se inlocuiesc A cu A si B cu B in formula P(A B )P(A) P(B). Din A(A B )(AB) rezulta P(A)P(A B )P(AB) P(A B )P(A)P(B). Solutie. a) Care este probabilitatea ca cel putin unul din muncitori sa depaseasca norma ? b) Care este probabilitatea ca cel putin doi dintre ei sa depaseasca norm a ? c) Care este probabilitatea ca numai primul sa depaseasca norma ? d) Care este probabilitatea ca echipa sa nu depaseasca norma ? Solutie. Se arata ca. Rezulta direct din formula P( A B)P( A ) P(B). n3. Pentru a raspunde la prima intrebare vom calcula probabilitatea evenimentului A1A2A3.28). obtinem raspunsul la intrebarea a treia. evenimentele ca fiecare muncitor sa depaseasca norma. obtinem P2p1p2p1p3p2p3. Sa se arate ca urmatoarele propozitii sunt echivalente a) Evenimentele A. In ce priveste raspunsul la ultima intrebare.52. c) Evenimentele A . B sunt independente. Fie A. b) Evenimentele A. Fie Ai. d) Evenimentele A . Utilizand formula (2. deci P(A1A2)  p1p2  0. X i p este un numar finit arbitrar de evenimente din familia XI . Utilizand formula (2.8. B sunt independente. Pentru solutionarea problemei adoptam ipoteza ca evenimentele Ai sunt independente. calculam probabilitatea evenimentului A1 A2 A 3 si avem P( A 1 A2 A 3 )1-P( A 1 A2 A 3 ) 0. independenta familiei XI implica independenta femiliei YI unde XY sau Y X  .. deci P(A i) pi. Sa se generalizeze problema la cazul a n evenimente si la cazul a unei infinitati numerabile de evenimente din K().C12 p1p2p30.5.BK().979. P(A 1A3) p1p30. 2. B sunt independente. i1. B sunt independente. P(A  B )P(A)(1-P(B)) P(A)P( B ).039. Pentru a raspunde la cea de a doua intrebare. cd. unde I este o multime cel mult numerabila.804.

P(E 3)0. PE2 ( A )  2 / 100.P( X i p )   (1  P( X i1 )) P( X i2 ).8. iar PE1 ( A )  3 / 100.. 2%. etc. C2. U 3 contine 10 bile albe si 12 negre iar U 4 contine 8 bile albe si 12 negre.6. pentru a obtine P A(E2).7. 2. P( X i1 I ..3. Se cere probabilitatea ca bila extrasa sa fie alba. P E2(A)=8/12. E2. 81 . P(A) se obtine aplicand formula probabilitatii totale. i1. E3 evenimentul ca piesa sa fie fabricata la centrul C 1.36). din stoc.P( X i p )  P( X i1 ) P( X i2 ). Trei centre de productie fabrica piese de acelasi tip cu rebuturi de 3%. unde P(E1) 0.7....P( X i p )  P( X i1 ) P( X i2 ). evenimentul ca bila extrasa sa fie din urna U i. P E3(A)=10/22. Se alege la intamplare o urna si se extrage o bila. Solutie. Solutie Fie A evenimentul ca bila extrasa sa fie alba si Ei. U 2 contine 8 bile albe si 4 negre. Se aplica formula lui Bayes (2. I X i p )  P( X i2 I .. Fie A evenimentul ca piesa sa fie un rebut si E1. In cazul de fata PE1(A)=7/9..8. Din datele problemei avem P(E1)P(E2) P(E3) P(E4)= 1/4.7. I X i p )  P( X i1 I X i2 I .P( X i p ) In acest calcul s-a utilizat formula P( A B)P(B)-P(AB). Evenimentele E 1.2. Se considera patru urne cu infatisari identice. I X i p )   P( X i2 ). 3%. Se stie ca urna U 1 contine 7 bile albe si 2 negre.. E2. E3 sunt incompatibile si formeza un sistem complet..1. iar de la cel de-al treilea centru cu probabilitatea 0.1. P E4(A)=8/20.. Piesele se depoziteaza in acelasi loc. C3 respectiv. Se ia o piesa la intamplare si se constata ca aceasta nu corespunde stasului. P(A) = P(E 1)PE1(A)+P(E 2)PE2(A)+P(E 3)PE#(A)+P(E 4)PE4(A) unde PE1(A) inseamna probabilitatea ca bila alba sa fie scoasa din urna U 1. Se intreaba care este probabilitatea ca piesa in cauza sa fi fost fabricata de cel de-al doilea centru stiind ca o piesa luata la intamplare.2.. PE3 ( A )  3 / 100 . provine de la primul centru cu probabilitatea de 0.4. de la al doilea centru cu probabilitatea 0.. 2.2. P(E 2) 0....

deci. CARACTERISTICI NUMERICE.1. este vida si avem P1 ( )   .1.1. eventual. FUNCTIA DE REPARTITIE. Media si dispersia unei variabile aleatoare sunt elemente centrale ce caracterizeaza o variabila aleatoare. Variabile aleatoare sunt numarul zilelor de nastere multiple 82 . numarul real P(X)0. Operatii cu variabile aleatoare . Sa ne amintim ca probabilitatea P este o aplicatie P: P() 0. f :   R. Valori medii. La sfarsitul acestui capitol. functia de repartitie ale variabilelor aleatoare reprezinta un puternic instrument de reprezentare a evenimentelor. Pe aceste campuri s-a introdus notiunea de probabilitate. Interesant de semnalat este faptul ca. dat fiind numarul real 0. Definitii. In capitolele precedente variabilele aleatoare au constituit o preocupare permanenta cu toate ca n-a fost folosit acest termen. O functie reala definita pe o multime de evenimente elementare se numeste variabila aleatoare.1. multimea f 1 ( )   x   f ( x )   este un element al multimii care. poate fi multimea vida si putem vorbi de probabilitatea evenimentului f 1 ( )  P( ) . Exemple. deci a unei functii de multime care asociaza unui xP().CAPITOLUL 3 VARIABILE ALEATOARE. Fie (.1 care satisface cerintele definitiei 2. Sa consideram acum functii reale definite pe multimea  a evenimentelor elementare. OBIECTIVE Variabilele aleatoare. In capitolul 2 s-au considerat campuri (finite . dispersii.2. studentii trebuie sa-si insuseasca: . Definitia 3. Desigur. corelatie . multimea P1 ( )   x   P( x )   are un numar finit de elemente sau. eventual. Gradul de abstractizare este mare. infinite) de evenimente asociate unor experiente a caror realizare are caracter aleator. P()) un camp finit de evenimente si P o probabilitate pe acest camp. Functia de repartitie 3.1.1 Este vorba. continue. daca  este un numar real oarecare (R). Variabile aleatoare: discrete. de o functie reala definita pe multimea partilor multimii . notiune care permite sa masoare numeric sansa de realizare a fenomentului dorit.

. fiecare variabila aleatoare poate fi interpretata ca un castig (sau reusita) al unui jucator real sau imaginar intr -un joc convenabil ales. apoi. valoarea corespunzatoare a lui X. In fiecare caz...1. Evident.. al seriilor de realizari in n probe Bernoulli etc.. termenul de functie aleatoare parand a fi adecvat intrucat variabila independenta este un punct in campul de evenimente.  f ( x j )  1 . Functia (3.1. putem spune ca.y2. j 1 Observatie...x2.2) f(x j)  0. Cu terminologia din definitia 3. si y1. exista o regula unica ce asociaza un numar x cu orice eveniment elementar.. Tot variabile aleatoare sunt. In multe din situatiile urmatoare x j vor fi intregi. spre exemplu. (3. Sa consideram. in timp ce numarul probelor pana la prima realizare inclusiv este o variabila aleatoare cu distribuaia (q k-1p). dar ele sunt definite in campuri de evenimente care nu mai sunt discrete. Pentru o variabila discreta X distributia probabilista este functia f(x j) definita pe reuniunea valorilor x j admise de X...p). care este din nou o variabila aleatoare. acum.. deoarece in literatura statistica acest termen este folosit pentru diferenta dintre maximum si minimum lui X). numarul de realizari S n este o variabila aleatoare cu distributia probabilista P(k.. temperatura etc.x2.2. In cazul unui camp de evenimente discret 1) se poate reprezenta orice variabila aleatoare X printr-un tablou in care se enumera intr-o anume ordine toate punctele campului si se asociaza. pozitia unei particule care difuzeaza energia. 83 .1) P (Xxj) f(x j).. j1.. Functia de repartitie F(x) a variabilei aleatoare X se defineste prin relatia F(x)P(X x)  f ( x j ) xj x suma extinzandu-se peste toti xj care nu-l depasesc pe x.. Atragem atentia asupra distinctiei care trebuie facuta intre aceasta notiune si notiunea de functie de repartitie care este rezervata functiilor nedescrescatoare care tind la 0 cand x - si la 1 cand x . Astfel. Definitia 3.x2.2. probabilitatea sa va fi notata prin P(Xxj). doua variabile aleatoare X si Y definite pe acelasi camp de evenimente si sa notam valorile pe care ele le admit respectiv prin x1.2. valorile sale posibile (evitam termenul de domeniu al lui X pentru multimea punctelor x 1.n. Reuniunea tuturor evenimentelor elementare pe care X admite valoarea fixata x j formeaza evenimentul care consta in faptul ca Xxj. fie f(x j) 1) Intelegem prin camp discret de evenimente un camp finit sau numerabil de evenimente. adica rezultat al unui experiment]. [Termenul de variabila aleatoare este putin confuz.. Teoria clasica a probabilitatilor s-a ocupat destul de mult cu studiul posibilitatilor de castig ale unui jucator la un anume joc.. in cazul cand se considera probe Bernoulli. se numeste distributia (probabilista) a variabilei aleatoare X..intr-o societate cu n indivizi. din sistemele fizice. functia de repartitie a unei variabile aleatoare poate fi calculata din distributia sa probabilista si reciproc. De altfel. cu fiecare. Fie X o variabila aleatoare si x 1.

3) P(Xxj . Cu alte cuvinte.1 si sa asociem fiecarui punct probabilitatea 1/27. In mod evident avem (3. Adjectivul marginal se refera la forma exterioara a tabelului cu doua intrari.si g(yk) distributiile probabiliste corespunzatoare.1 si 3.5) p(x j. P(N3) 2/3. (j.Y yk)p(xj .2 si convenim sa le numim distributii marginale. Formal. Reuniunea punctelor in care sunt satisfacute ambele conditii Xxj si Yyk formeaza un eveniment a carui probabilitate va fi notata prin P(Xxj.. pentru fiecare k fixat.1 Distributia comuna a lui N si X1 84 . adunand probabilitatile din linii si coloane separate se obtin distributiile probabiliste ale lui X si Y.1.y1) p(x j. iar valoarea 3 pentru punctele cu numerele 22-27.1.y3)P(Xxj)f(x j) si. (3. N este functia care admite valoarea 1 pentru punctele cu numerele de ordine 1-3. Prin urmare . y k )  1 j . Exemplul 3. Functia (3. Sa notam prin N numarul urnelor ocupate si pentru fiecare i 1. Sa consideram campul de evenimente compus din 27 de puncte definit formal in tabelul 2.1 si 3.4) p( x j .3.y2)p(x j. valoarea 2 pentru punctele cu numerele 4-21. dar el ne permite si o claritate de ordin stilistic atunci cand distributia comuna a doua variabile si distributiile individuale (marginale) ale lor apar in acelasi context.6) p(x 1. Notiunea de distributie comuna se extinde la sisteme cu mai mult decat doua variabile aleatoare. insa. Yyk). P(N3) 2/9.yk).yk) p(x 2.X 1) si ale lui (X 1.  p(( x j . (Distributia aleatoare a 3 bile in 3 urne). y k )  0..k  1.2. Ea este cel mai bine exprimata in forma unui tabel cu doua intrari asa cum sunt exemplificate din tabelele 3. Distributiile comune ale lui (N. Ele pot fi exprimate asa cum se arata in tabelele 3.2 de mai jos.. pentru fieacre j fixat (3. X1 0 1 2 3 Distributia lui N 1 2q 0 0 q 3q1/9 N 2 6q 6q 6q 0 18q2/3 3 0 6q 0 0 6q2/9 Distributia lui X 1 8q 12q 6q q Tabelul 3.k De altfel.) poarta numele de distributia probabilista comuna a variabilelor X si Y.1 si 3.2. X2) sunt date in tabelele 3.3 fie Xi numarul de bile din celula numarului i.yk)p(x 3.yk)P(Yyk)g(yk).2.. distributia probabilista a lui N este definita prin P(N1) 1/9. Avem astfel o prezenare descriptiva a problemei.

. p41/2. 2(X1)=2/3.1.3. adica repartitia binomiala cu p1/6.1.X3. respectiv.7) pentru valorile posibile k 30.. C(N.2.2. Aici Xi (i1. [Nu este greu de remarcat ca (3. k 3 )  3n k1  k 2  k 3 6 n ..X2. M(X 1) 1.k3) ca in urma celor n aruncari sa rezulte de k1 ori fata 1. rezulta distributia lui X1. M(N 2) 129/27. de k 2 ori fata doi.2) inseamna numarul de bile din celula i cand se distribuie aleator 3 bile . k 2 )  4 n  k 1  k 2 6 n k 1 ! k 2 ! n  k 1  k 2  ! Aceasta este distributia comuna a lui (X1. M(N. M(X 1 X2) 2/3. la intamplare.8) ar fi putut fi obtinuta direct din repartitia multinomiala].2 Distributia comuna a lui X 1 si X 2 Si din acest tabel rezulta urmatoarele valori caracteristice M(X 1) 1. M(X 22)45/27. adica n! (3. Pentru prescurtare q1/27.7) p( k 1 . k 1 ! k 2 ! k 3 ! n  k 1  k 2  k 3  ! Aceasta este distributia comuna a lui X1.n 3 urne.1. 2(X1) 2/3. se obtine. Pastrand k1. k2 fixati si insumand (3. Sumand (3. X1 numarul de bile din prima urna cand 3 bile sunt distribuite aleator in 3 urne.k2. k 2 . Sa presupunem ca se alege. folosind teorema binomului . Probabilitatea p(k 1.X3. n1np1.1 cateva dintre valorile caracteristice pe care le vom defini in acest capitol M(N) 19/9. n2np2 si n3np3 (unde p 1p2p31). M(X 21)45/27. Exemplul 3.. sa notam cu X1.. o selectie 85 .n-k1-k2. X3 respectiv.8) inca odata pentru toti k 2  0.. (Aruncarea cu zarul). Sa consideram o populatie de n elemente impartita in trei clase de volum. M(X 21)45/27. n-k1.X2) care acum apare ca distributie marginala pentru distributia tripletului X1. X2. In cazul aruncarii unui zar ideal de n ori. 2(X2) 2/3. X1 0 1 2 3 Distributia lui X 2 0 q 3q 3q q 8q 1 3q 6q 3q 0 12q X2 2 3q 3q 0 0 6q 3 q 0 0 0 q Distributia lui X 1 12q 8q 6q q Tabelul 3.X2. Pentru prescurtare q1/27.X 1) 0 unde N reprezinta numarul de urne ocupate. M(X 2) 1..8) p( k 1 . numarul de aparitii ale fetei unu. n! (3. C(X 1. Se obvserva din tabelul 3. Exemplul 3. doi si trei.X2) -1/3.1. de k 3 ori fata 3 si de n-k1-k2-k3 ori celelalte fete este data de repartitia multinomiala pentru p 1p2p31/6. 2(N) 26/81..X 1) 19/9.

selectia de volum r.9) f (k 1 . dandu-se selectia de volum r. din nou.X2k2) p(k1. atunci  f ( k1 . f (x j ) 86 . X 2k2) este data de repartitia multinomiala r! (3.10) e   k1 ! k 2 ! k 30 k 3 ! ( p1 ) k1 ( p 2 ) k 2  e  (1 p3 ) k1 ! k 2 ! Sau P(X1k1.p i). Daca selectia este nerepetata. Sumand dupa k2 se gaseste ca X1 are repartitia Poisson p(k. X 2  k 2 )  e   r  r  k1  k 2 r!  ( p1 ) k1 ( p 2 ) k 2  ( p3 ) k 3 (3. Repartitia comuna a lui (X1. X 2k2) este data de repartitia hipergeometrica dubla  n1   n 2   n  n1  n 2        k1  k 2  r  k1  k 2   n    r (unde k 1n1. P(X 1k1. a doua clasa.p1) si p(k.1. k 2n2.4.p2). Mai exact. Probabilitatea ca volumul n   selectiei sa fie r este p( r .  )  e si.p2). sa presupunem ca volumul selectiei depinde de o repartitie Poisson. k 2 )  p1k1 p k22 p r3 k1  k 2 k 1 ! k 2 ! r  k 1  k 2  ! (conform (3. depinde de rezultatul unui experiment aleator.r. atunci P(X 1k1. exemplul precedent dar sa presupunem ca. si sa notam prin X1 si X2 numarul reprezentantilor in selectie din prima si.p1). k 2 ) P( X 1  k 1 . y k ) (3. Sa consideram .X2) ia forma tablei inmultirii celor doua repartitii marginale p(k. respectiv. r-k1-k2 n-n1-n2) iar X1 are repartitia hipergeomatrica simpla  n1   n  n1       k rk  .3) probabilitatea evenimentului Yyk. conditionata de Xxj (cu f(x j)0) devine p( x j .9).X2) avem. Cu notatia (3. Pentru repartitia probabilista comuna a lui (X1.30)).11) P (Y  y k X  x j )  . in loc sa fie fixata apriori. probabilitatea n! (conditionata) ca X1k1 si X2k2 este f(k1.de volum r .k2) din (3. Exprimam acest fapt spunand ca X1 si X2 sunt independente.  n    r Exemplul 3.p1)p(k2. Daca selectia este repetata. Variabila Xi are repartitia binomiala P(k.

este natural sa se vorbeasca despre o variabila aleatoare X..12) se observa ca. sau un indicator al punctelor campului de evenimente.3) si atribuie probabilitati tuturor combinatiilor (x j. cu exceptia uneia.. deci.3. are loc relatia (3. In capitolul 2 am definit campul de evenimente care corespunde la n probe independente.yk) de valori admise de X si Y. definita de g(y k). Acaesta arata ca implicatia poate avea loc de la valorile lui X spre cele ale lui Y si vice versa. distributia lor comuna este data de (3.x2.X nxn) P(X1x1)P(X 2x2). fara 87 .2 au aceeasi distributie si sunt dependente. p(x j. legate de probe independente. iar X si Y reprezinta numarul de realizari ale valorii si respectiv pajurei... cele doua variabile X1 si X2 din tabelul 3. de exemplu.. In acest caz vorbin despre variabile aleatoare independente. x2. dar distributia comuna a lui X si Y nu poate fi calculata din distributiile lor marginale.. Daca doua variabile aleatoare X si Y sunt definite pe aceeasi multime de evenimente elementare.. Comparand aceasta cu (3. Daca. S- ar putea spune.. Ca ilustrare. iar o alta variabila V depinde numai de rezultatele ultimelor n-k probe. variabilele X1. in mod evident.. distributia comuna ia forma unui table a inmultiri. atunci Yn-X.. Acest concept se extinde. in general. atunci U si V sunt independente.Xn sunt independente in totalitate..1. Daca doua variabile aleatoare X si Y au aceeasi distributie.12) P(X 1x1.11) cum este P(YykX). ca o variabila aleatoare X este o aplicatie a multimii initiale de evenimente elementare pe o noua multime ale carei puncte sunt x1. sunt zero. Prin urmare. . Ne putem imagina o variabila aleatoare ca un marcaj.1 si 3.1). In termenii distributiei comune aceasta inseamna ca pe fiecare linie toate intrarile...x2. Evident. Ele apar..X2x2. Este bine de retinut ca distributia comuna a lui X si Y determina distributiile lui X si Y. Sa restrangem totul in definitia urmatoare Definitia 3.11) este.P(X nxn) .. .. Distributia probabilista a lui X este functia definita in (3. pentru orice combinatie a valorilor (x 1. Dependenta cea mai tare se realizeaza cand Y este functie de X..yk) f(x j)g(yk) pentru toate combinatiile dintre xj si yk. adica atunci cand valoarea lui X determina in mod unic pe Y. Acest procedeu este obisnuit in aruncarea cu zarul unde fetele sunt numerotate si se vorbeste despre numere ca fiind rezultatele posibile ale probelor individuale. la orice multime finita de variabile aleatoare X1. X n definite pe aceeasi multime de evenimente elementare.. daca se arunca o moneda de n ori.x n) admise de ele... Aceste variabile aleatoare se spune ca sunt independente in totalitate daca. cand YX2 se poate calcula Y cu ajutorul lui X. O variabila aleatoare X este o functie reala definita pe o multime de evenimente elementare data. cele doua variabile sunt dependente stochastic.2 se constata ca probabilitatea conditionata (3. pe de alta parte. aceasta defineste probabilitatea lui Y conditionata de X. atunci evenimentele Xxj si Yyk sunt independente. care admite valorile x 1.. ele pot sau nu pot sa fie independente. daca Xk depinde numai de rezultatul celei de a k probe atunci. numerele castigatoare in doua aruncari ale unui zar sunt independente. cu probabilitatile f(x 1)..2). X2... daca o variabila aleatoare U depinde numai de rezultatele primelor k probe. toate rationamentele facute raman valabile si in cazul mai multor variabile aleatoare. ori de cate ori f(xj) satisface conditiile (3. Spre exemplu.f(x 2).. Este convenabila o forma prescurtata a relatiei (3... Analog. Observand tabelele 3. Mai general. in special.

..x n) din spatiul n-dimensional avand probabilitatile asociate prin distributia lor comuna. iar a unei nerealizari I este qk1-pk .l 2... cu distributiile f(x j) si g(yk). face sa se realizeze valoarea (B) sau pajura (M). Z. In n probe castigurile se presupun a fi n variabile independente cu distributia comuna f(x j). In principiu..Y. (Probe Bernoulli cu probabilitati variabile). Exemplul 3. Pentru a obtine doua variabile cu o distributie comuna data. A preciza o distributie probabilista inseamna a preciza un camp de evenimente ale carui puncte sunt numere reale... X2. realizare) ai I (nerealizare.x2. se spune ca variabila aleatoare X admite valorile 0 si 1 cu probabilitatile ½... insucces). se imparte discul unei rulete in arcele l1. Modelul este atunci descris in intregime daca spunem ca avem n variabile aleatoare independente in totalitate Xk cu distributiile P(Xk1) pk.yk) f(x j)g(yk). sunt variabile aleatoare definite pe acelasi camp de evenimente.. fiecare dintre ele avand numai doua rezultate posibile S (succes. Insa.. aceasta schema se reduce la probe de tip Bernoulli. ale caror lungimi se raporta ca f(x 1):f(x 2): . p(x j.. variabila aleatoare X poate fi definita specificand ca este egala cu 0 sau 1 dupa cum a zecea aruncare a unei monede ( ca sa ne referim la experimentul constand din aruncarea monedei). Sa ne imaginam un jucator care primeste suma x j daca ruleta se opreste in dreptul unui punct al arcului lj. este alelasi lucru cu a face referire la un camp de evenimente ale carui puncte sunt perechi de numere (x j...Z.alte referiri la vechiul camp de evenimente.x2.. spre exemplu. .12). atunci orice functie F(X. Este clar ca aceeasi distributie poate sa apara in legatura cu diferite campuri de evenimente.. Probabilitatea unei realizari S la proba de rang k este pk.. Cel mai simplu mod de a o descrie este de a atribui valorile 1 si 0 lui S si respectiv I . Y. Reducerea teoriei probabilitatilor la astfel de studii ofera posibilitatea folosirii analizei matematice si simplificarea teoriei din multe puncte de vedere. inseamna ca se face referire tacita la un camp de evenimente care consta din doua puncte 0 si 1. Variabilele aleatoare sunt independente in totalitate daca distributia lor comuna este data de (3.yk) cu probabilitatile date de relatia P(x j. Fie X o variabila aleatoare cu valorile posibile x 1.. Spre exemplu. n-avem decat sa consideram ca la fiecare combinatie (x j.. Exemplul 3. A vorbi despre doua variabile aleatoare X si Y.... Xn) se poate lua o reuniune de puncte (x1. Aceasta schema este cunoscuta sub numele de probe de tip Poisson . P(Yk0) qk. si probabilitatile corespunzatoare f(x 1).) este. Daca... Sa consideram n probe independente.1. .) si avand 2 10 puncte. Distributia sa poate fi obtinuta 88 ..f(x 2).6. . Oricand ne putem imagina un experiment care sa conduca la X.. o variabila aleatoare. Atunci X reprezinta castigul jucatorului. pentru campul de evenimente care corespunde unei multimii de n variabile aleatoare (X1. In mod similar. in acest caz X este definita intr-un camp de evenimente constand din secvente (BBM..yk) corespunde un arc si sa ne gandim la doi jucatori care primesc sumele x j si respectiv yk.1. campul nou contine punctele x 1.5.yk). Daca X. de asemenea.x2. Daca pkp. exista posibilitatea de a restrange teoria probabilitatilor la campuri de evenimente definite in termeni ai distributiilor probabiliste de variabile aleatoare..

Daca  x k f ( x k ) este divergenta. Acelasi procedeu de selectionare a termenilor conduce la Teorema 3. selectionand termenii care corespund combinatiilor lui (X. In acest caz se spune ca X are o medie finita.2. in legatura cu unele probleme importante de recurenta din fizica apar variabile aleatoare care nu au medii finite. O astfel de functie este o noua variabila aleatoare care admite valorile x 2k .2. In exemplul ilustrat prin tabelul 3. Numarul mediu al copiilor per familie este m/n. si numarul total al copiilor mn12n23n3. de departe. cu ajutorul catorva valori tipice. Se intelege de la sine ca cele mai multe variabile aleatoare obisnuite au mediile finite Astfel conceptul n-ar fi practic..2. Cu alte cuvinte. Valori medii Pentru a simplifica in mod rezonabil lucrurile adesea este necesar sa se descrie distributiile probabiliste.2 cu probabilitatile 15q. 6q. Produsul X1X2 admite valorile 0.....1. Y.1.din distributia comuna a lui X. de asemenea..x2. acceptata in matematica si statistica. Insa. sa calculam mediile functiilor de tipul X 2. Daca intr-o anumita populatie nk familii au exact k copii.1) este aceea valoare admisa de X pentru care P(Xxm) ½ si P(Xxm) ½ . suma X1X2 este o variabila aleatoare care admite valorile 0. Z. 6q.. sa vorbim despre media unei repartitii in loc sa ne referim la o variabila aleatoare corespunzatoare...Z.1. care dau aceeasi valoare a lui F(X. Fie X o variabila aleatoare care admite valorile x 1.15) M(g(X))   g( x k )f ( x k ) . 6q. in general.1. 3. sunt oricat de apropiate de ½.. In fizica.... Valoarea medie (sau media) a lui X este definita prin M(X)   x k f ( x k ) cu conditia ca seria sa fie absolut convergenta. 8q (unde q1/27). atunci (3. Analogia intre probabilitati si frecvente sugereaza urmatoarea definitie Defintia 3. ea este mai suplinita prin notatiile X .14) M(X 2)   x 2k f ( x k ) admitand ca seria este convergenta. 89 .Y. cea mai importanta.. Exemplul 3. Totusi. f(x 2). notatia M(X) este .. numarul total al familiilor este nn0n1n2. Y. cu probabilitatile corespunzatoare f(x 1). x . acum. Orice functie g(x) defineste o noua variabila aleatoare g(X). Daca g(X) are media finita. De asemenea.. atunci se spune ca X nu are o medie finita.7. Vom obisnui.).2. In mod evident (3. de mai inainte. Z.. 12q. dintre valorile tipice media este.1. Sa ne propunem. Ea permite cea mai buna tratare din punct de vedere analitic si este preferata de statisticieni datorita proprietatilor sale. probabilitatea lui X 2=xk2 nu este f(x k) ci f(x k)+f(-xk) si M(X 2) este definita ca o suma de x 2k  f ( x k )  f (  x k ) pentru orice k astfel incat xk0..3 cu probabilitatile q. mai pe scurt. in general.2. Mediana xm a distributiei (3. xm este ales astfel incat probabilitatile lui X care depasesc pe xm sau sunt mai mici decat xm.

seria este absolut convergenta daca si numai daca M(g(X)) exista. Pentru orice constanta a
avem M(aX)aM(X).
Daca pe acelasi camp de evenimente sunt definite mai multe variabile aleatoare X1,...,X n,
atunci suma lor X1...Xn este o variabila aleatoare. Valorile posibile ale lor si probabilitatiile
corespunzatoare se pot gasi repede din distributia comuna a variabilelor aleatoare, astfel ca se
poate calcula si M(X 1...Xn). Un procedeu simplu este furnizat de urmatoarea teorema
Teorema 3.2.2. Daca X1, X2, ..., X n sunt variabile aleatoare cu mediile cunoscute , atunci
valoarea medie a sumei acestor variabile aleatoare exista si este egala cu suma valorilor medii,
(3.16) M(X 1...Xn) M(X1)...M(Xn) .
Demonstatie Este suficient sa se dovedeasca (3.16) pentru doua variabile aleatoare X si
Y, rezultatul general putand fi obtinut prin inductie pe n . Folosind notatia (3.3) putem scrie
M(X)M(Y)   x j p( x j , y k )   y k p( x j , y k )
j ,k j ,k

sumarea extinzandu-se peste toate valorile posibile xj, yk (care nu este necesar sa fie toate
diferite). Cele doua serii sunt convergente; prin urmare , suma lor poate fi rearanjata ca sa devina
 ( x j  y k )p( x j , y k ) care este , prin definitie, media variabilei XY, teorema fiind, astfel,
j ,k

dovedita.
In mod evident teorema nu mai este adevarata, in general, pentru produsul variabilelor
aleatoare. Spre exemplu, M(X 2) este, in general, diferita de (M(X)) 2. Astfel, daca se considera
experimentul constand din aruncarea unui zar perfect atunci, fie X variabila aleatoare care ia
valorile de la 1 la 6, fiecare valoare fiind luata cu probabilitatea 1/6. Valoarea medie a lui X este
M(X)(123456)/67/2
in timp ce
M(X2)(149162536)/691/6 .
Totusi, regula de inmultire se pastreaza pentru variabile aleatoare independente.
Teorema 3.2.3. Daca X si Y sunt variabile aleatoare independente cu mediile M(X) si
respectiv M(Y) atunci, produsul lor este o variabila aleatoare cu media finita si
(3.17) M(XY) M(X)M(Y) .
Demonstatie Pentru a calcula M(XY) vom inmulti fiecare valoare posibila x jyk cu
probabilitatea corespunzatoare. Am remarcat anterior faptul ca valorile x k din definitia (3.13) nu
sunt, in mod necesar, diferite. Deci
  
M ( XY )   x j y k f ( x j )g( y k )   x j f ( x j )  y k g( y k )
j,k  j   k 
rearanjarea dezvoltarii justificandu-se prin faptul ca seriile converg in mod absolut. Teorema este
astfel dovedita. Prin inductie, ea se poate dovedi pentru un numar arbitrar de variabile aleatoare
independente.

90

Desigur ca ar fi foarte util sa dispunem de o relatie care sa dea media unei distributii
probabilistice conditionate. Fie, in acest sens, X si Y doua variabile aleatoare cu distributia
comuna (3.3). Atunci, media conditionata M(Y X) a lui Y de catre X este functia
 y k p( x j , y k )
k
(3.18)  y k p( Y  y k X  x j ) 
k f (x j )
cu conditia ca seriile sa convearga in mod absolut si f(x j)0 pentru orice j.
Exemplul 3.2.1. (Distributia binomiala). Fie Sn numarul de realizari in n probe Bernoulli cu
probabilitatea p pentru o realizare. Se stie ca S n are distributia binomiala b(k;n,p), de unde
M(Sn)=  kb( k ; n, p)  np  b( k  1; n  1, p) . Ultima suma include toti termenii repartitiei
binomiale pentru n-1 si, deci, este egala cu 1. Prin urmare , media repartitiei binomiale este
(3.19) M(S n)np .
Acelasi rezultat ar fi putut fi gasit si printr-o alta metoda care de cele mai multe ori este
foarte comoda. Fie X k numarul de realizari obtinute in proba de rang k. Aceasta variabila
aleatoare admite numai valorile 0 si 1 cu probabilitatile corespunzatoare q si p. Deci
M(Xk)0q1pp, si, deci,
SnX1X2+ ... Xn.
Se regaseste (3.19) direct din (3.16).
Exemplul 3.2.2. (Repartitia Poisson).
k  
Daca variabila aleatoare X urmeaza repartitia Poisson p(k;) = e , ( unde
k!
k0,1,2,...) atunci,
M ( X )   kp( k ,  )    p( k  1,  ) .
Ultima suma contine toti termenii repartitiei si, prin urmare, este egala cu unitatea. Astfel,
repartitia Poisson are media .
Exemplul 3.2.3. (Repartitia binomiala negativa).
Fie X o variabila aleatoare cu repartitia geometrica P(Xk) qkp unde k0,1,2,... Atunci
M(X) qp(12q3q2...). Dar paranteza din membrul dreapt al acestei egalitati reprezinta
q
derivata progresiei geometrice qq2q3... a carei suma este . Deci, M(X)=qp(1-q)-2q/p.
1 q
Am vazut, insa, in capitolul precedent, ca putem interpreta X ca fiind numarul de nerealizari care
preced prima realizare intr-o secventa de probe Bernoulli. Mai general, s-a studiat campul de
evenimente corespunzator probelor Bernoulli care sunt continuate pana la a n-a realizare. Pentru
rn, fie X 1X si fie Xr numarul de nerealizari care urmeaza pe cea de a r-1 realizare si o precede
pe cea de a r-a realizare. Atunci, fiecare X  are repartitia geometrica q kp si M(X)q/p. Suma
YrX1Xr este numarul de nerealizari care preced cea de a r-a realizare. Cu alte cuvinte, Yr
este o variabila aleatoare care urmeaza repartitia binomiala negativa definita printr-una din cele
doua formule (3.24) sau (3.25). Urmeaza ca media acestei repartitii binomiale negative este rq/p.
Aceasta se poate verifica prin calcul direct. Din capitolul precedent se observa ca kf(k;r,p) 

91

rp-1qf(k-1;r1,p), iar suma termenilor repartitiei f(k-1;r+1,p) este egala cu unitatea. Si primul
rationament prezinta avantaj intrucat el conduce la rezultat fara sa necesite cunoasterea formei
explicite a distributiei variabilei aleatoare X1Xr.
Exemplul 3.2.4.
Sa consideram o selectie repetata a unei populatii cu N elemente distincte. Datorita
repetitiilor, o selectie aleatoare de volum r va contine, in general, mai putin decat r elemente
distincte. Pe masura ce volumul selectiei creste , elemente noi vor intra in selectie din ce in ce
mai rar. Sa ne indreptam atentia spre selectia de volum S r necesara pentru a dobandi r elemente
distincte. [Ca un caz special, se poate considera populatia a N365 zile de nastere posibile; aici
Sr reprezinta numarul de oameni selectionati pana in momentul cand selectia contine r zile de
nastere diferite. O interpretare similara este posibila cu introducerea aleatoare a bilelor in urne].
Primul element intra in selectie la prima extragere. Numarul extragerilor de la a doua
extragere pana la extragerea la care un nou element intra in selectie, inclusiv aceasta extragere,
este o variabila aleatoare X; in general, fie X r numarul extragerilor care urmeaza selectionarii
elementului de rang r pana la selectionarea urmatorului element nou, inclusiv. Atunci,
Sr1X1...Xr-1 este volumul selectiei la momentul cand elementul de rang r intra in selectie.
Odata ce selectia contine k elemente diferite, probabilitatea extragerii unuia nou este, la fiecare
Nk
extragere, p  . Numarul X k al extragerilor pana la extragerea unui nou element, inclusiv
N
aceasta extragere, este egal cu unu plus numarul nerealizarilor care preced prima realizare in
Nk 1 q N
probele Bernoulli cu p  . Prin urmare, M ( X k )   si, din teorema adunarii
N p Nk
(3.16), rezulta
1 1 1 1 
(3.20) M (S r )  N     ...  .
 N N 1 N  2 N  r  1
Pentru rN se obtine numarul mediu de extrageri necesar pentru a epuiza intreaga
populatie. Pentru N10 avem M(S10) 29,29,..., iar M(S 5) 6,46 ... . Aceasta inseamna ca ne
putem astepta sa acoperim jumatate din populatie in aproximativ sase sau sapte extrageri, in timp
ce pentru a doua jumatate sunt necesare ceva mai mult de 29 extrageri. O aproximare acceptabila
a relatiei (3.20), pentru un N suficient de ma re, este
N
(3.21) M (Sr )  N ln .
N  r 1
In particular, pentru orice raport 1 numarul mediu de extrageri necesare pentru a obtine o
selectie care contine aproximativ raportul  din intreaga populatie este, pentru N suficient de
1
mare, cu aproximatie, N ln ; numarul mediu de extrageri necesare pentru a avea toate
1 
cele N elemente incluse in selectie este, aproximativ, N lnN. Aceste rezultate, dupa cum se
observa, sunt obtinute fara folosirea repartitiei.
Exemplul 3.2.5. (O problema de estimatie).

92

1 =  1 . cu exceptia lui u0 si. Urmeaza ca pentru N suficient de mare n1 n M(X)  N. pe care o expunem. In prima suma apar toti ur.. Fie X cel mai mare numar extras in n extrageri cand se aplica o selectie repetata.23) avem 2N  1 m N m (1  u 0 )  2 2 2 N  1 2 N  Sau m = (2N+1)u 0 .22) N  m   ( N  r )u r   ( N  r )  .6. din (3. Folosind faptul ca suma valorilor ur este egala cu unitatea (care nu este prea usor de verificat). Reamintim ca in capitolul precedent s-a gasit distributia 2 N  r  1 ur =    N  2 2 N r pentru numarul X de chibrituri ramase in momentul cand fumatorul a constatat ca prima cutie este goala.22) si (3. r0 r0  N  r  22N  r Operand asupra coeficientilor binomiali. . (Problema lui Banach). Exemplul 3. Deci  N distributia probabilista a lui X este data prin pk = P(X=k) = P(Xk)-P(Xk-1) = [k n-(k-1)n]N-n . indirecta. N N  N  k 1 k 1   Rezulta M ( X )   kp k  N  n  k n1  ( k  1) n1  ( k  1) n  N  n  N n1   ( k  1) n  . r 0  N  r 1 2 2 r 0 2 r 0 Ultima suma este identica cu suma care definese M(X)m. ultima suma se transforma in N 1  2N  r  1 1 2N  1 N 1 1 N 1 (3. 22N  N  1 1 n Folosind formula lui Stirling ( n !  ( 2 ) n 2 e n ) se 2 obtine 1  N 2 m  2   1 . se aplica in multe cazuri similare. Astfel. n1 Dupa cum se vede aceasta metoda are mare utilitate practica.  k 1  Pentru N sufiicient de mare ultima suma este aproximativ aria marginita de curba yxn de la x0 N n1 la xN. termenii adunati dau 1-u0. P( X  k )    .2. Nu avem posibilitatea sa calculam media M(X)m in mod direct dar. prin urmare. urmatoarea cale. Evenimentul X k inseamna faptul ca fiecare dintre n  k cele n numere extrase este mai mic sau egal cu k si.   93 .23)  ( 2N  r )  2N  r   u r 1   ( r  1)u r 1 . adica . O urna contine bile numerotate de la 1 la N. se gaseste N 1 N 1  2N  r 1 (3. deci.

(ii) Daca X este numarul de puncte obtinute la aruncarea unui zar perfect. Este.)-22-2. si mediana 6.1. Daca media variabilei aleatoare Xr. abaterea sa de la medie. pentru N50. Dispersia Fie X o variabia aleatoare cu distributia f(x j).p)-(np)2npkb(k-1. Momentele joaca un rol important in teoria generala dar. natural sa se intrduca. atunci  (X)  1/6(1 2232. fiecare cu probabilitatea ½.n-1. atunci M((X-m)2) = (x 2 j  2mx j  m 2 ) f ( x j ) . 2 2 (iii) Pentru repartitia Poisson p(k. adica X-M(X)X-m. (i) Daca X admite valorile  c.3.)-2(k-1)p(k-1. vom vorbi deseori despre dispersia unei distributii fara a mentiona variabila aleatoare.62)-(7/2)235/12. Definitia 3. spunem ca momentul de ordin r nu exista.In particular. toate momentele precedente. se gaseste m7.. (iv) Pentru repartitia binomiala (conform exemplului 3..n. in cele ce urmeaza vom folosi numai momentul de ordinul al doilea. Fie X o variabila aleatoare cu momentul de ordinul al doilea M(X 2) si fie mM(X) media sa. Deoarece X  X  1. 94 . atunci ea se numeste momentul de ordin r al lui X in jurul originii. deci. un numar numit dispersia lui X prin (3.2. caz considerat cu ocazia discutiei problemei lui Banach in capitolul pecedent. Se defineste.)-2kp(k-1. atunci.04. urmeaza ca ori de cate ori exista momentul de ordin r. Din comoditate. in locul variabilei aleatoare..p)-(np)2np[(n-1)p1]-(np)2np[(n-1)p+1-np]=npq. Daca seria nu este r 1 r absolut convergenta. deci. Rezulta. 3. rezulta ca el este egal cu M(X 2)- 2mM(X)m2M(X2)-m2M(X2)-(M(X))2 .. atunci exista si media mM(X). atunci 2 2  (X)c . exista si cel de ordin r-1 si. Exemple . deci.2) si.3.2. Deoarece (x-m)22(x 2m2) se vede ca momentul de ordinul al doilea al variabilei aleatoare X-m exista ori de cate ori M(X 2) exista. Daca el exista.24) M ( X r )   x rj f ( x j ) exista. j Impartind membrul din dreapta in trei sume partiale. dispersia este k2p(k.)p(k-1.1) un calcul similar arata ca dispersia este k2b(k. si fie r0 un intreg. Radacina patrata pozitiva a sa (sau zero) se numeste abaterea patratica medie a lui X.) media este  (conform exemplului 3. In acest caz media si dispersia sunt egale. adica (3.25) 2(X)M((X-m)2)M(X2)-m2 .

27) X *   are media zero si dipersia 1. variabile aleatoare si distributiile lor se pot obtine printr-un rearanjament simplu al distributiei comune a lui X si Y. de la media m. media m este abcisa centrului de greutate. dar este bine cunoscut ca cele mai importante proprietati mecanice pot fi descrise in termeni ai acestor doua cantitati. atunci valorile sale numerice depind de origine si unitatea de masura. Sa presupunem ca o masa unitate este distribuita pe axa x astfel incat masa f(x j) sa fie concentrata in punctul xj. 95 . Atunci XY si XY sunt. sa aiba o probabilitate mica f(x j). Daca X reprezinta o cantitate masurabila. in cazul unor dispersii mici sunt improbabile deviatii mari. O valoare x j pentru care xj-m este mare trebuie. iar dispersia este momentul de inertie. In acest fel s-a procedat in capitolul precedent cand s-a introdus numarul normalizat de realizari Sn  np S*n  . fiecare termen al sumei este mic. unde a si b sunt constante. O schimbare a unitatii de masura inseamna trecerea de la X la o noua variabila aXb. media lui XY este data de relatia (3. deci. vom introduce notiunea de corelatie asupra careia vom reveni in acest capitol. Atunci. Deocamdata. Utilizarea notiunii de dispersie va apare treptat. in legatura cu teoremele limita din capitolul urmator. Corelatie Fie X si Y doua valiabile aleatoare definite pe acelasi camp de evenimente.26) 2(aXb) a22(X) . asemenea lungmii sau temperaturii. adica 2(XY). se poate constata ca dispersia este o masura mai putin fina a gradului de imprastiere. In general. daca 2(X) (x j-m)2f(xj) este mic atunci.yk) atunci. distributii diferite de masa pot avea acelasi centru de greutate si acelasi moment de inertie. astfel ca de multe ori este cel mai convenabil sa se ia media ca origine si abaterea patratica medie drept unitate.4. Evident ca 2(Xb) 2(X) si. in special. Ea poarta numele de variabila aleatoare normalizata corespunzatoare lui X. Urmatoarea interpretare din mecanica este folositoare pentru intelegerea conceptului. insa.28) M(XY)xjykp(x j. Daca distributia coumna a lui X si Y este p(x j. trecerea de la X la X * ar putea fi interpretata ca introducerea unor cantitati reduse. Ne propunem sa calculam dispersia sumei acestor variabile. de asemenea. Invers. In limbaj fizic. prin urmare. In mod clar. ale lui X. In acest scop. atunci X-m are media zero 1/ 2 ( npq) si dispersia 2 . daca X are media m si dispersia 2 (). (3. De altfel.yk). Alegerea originii si unitatii de masura este destul de arbitara . Cu alte cuvinte. o dispersie mare indica faptul ca nu toate valorile admise de X se gasesc in apropierea mediei. 3. Deci variabila aleatoare Xm (3.

2. o privire asupra tabelului 3.m (n))2 = ( X k  mk ) 2  2  ( X j  m j )( X k  mk ) .29) Teorema 3.2 ca. 2 M(XY) exista in mod sigur daca M(X 2) si M(Y2) exista.1 arata ca cele doua variabile sunt dependente. m yM(Y). 96 . insa. Definitia 3.4. Sa punem mkM(Xk) si m (n) m1mnM(Sn). Exemplul 3. Avem M( X 2k )02q2pp si M(Xk) p. iar variabilele X-mx si Y-my au mediile egale cu zero.30) 2(Sn) =  2 k  2 C( X j .31) se observa ca dispersia repartitiei binomiale este npq. si totusi corelatia lor tinde catre zero. Teorema 3. In exemplul 3.4.. Daca X si Y sunt variabile aleatoare independente atunci.  2n ..1. Demonstratie... Dar x j y k si.. Rezulta.1.Xk) cu jk.. Vom reveni asupra acestei chestiuni. (Repartitia binomiala b(k.p)). C(X. insa. Spre exemplu. (Probe Bernoulli cu probabilitati variabile).k  n ultima suma extinzandu-se peste fiecare dintre cele   perechi (Xj. x 2j  y 2k bineinteles cu conditia ca seria sa fie absolut convergenta.Y) M[(X-mx)(Y-m y)] M(XY)-mxm y .3. deci.1. Deci  2k  p  p 2  pq si din (3. Pentru produsul lor se obtine M[(X-mx)(Y-m y)] M(XY)-mxM(Y)-m yM(X)mxmyM(XY)-mxm y. Precizam.31) 2(Sn)  12   22  . Atunci S n . Acum vom da o teorema importanta care evidentiaza o regula de calcul pentru dispersia unei sume de variabile aleatoare independente.Y) 0.X n sunt variabile aleatoare cu dispersii finite  12 . cu mare aplicabilitate practica.. Se stie.1.m(n) = ( X k  mk ) k Si (Sn . din paragraful 3. de asemenea.4. are loc urmatoarea regula de adunare (3. pentru variabile independente..30).. se are M(XY)  M(X)M(Y). In particular. In acest caz exista.n. iar SnX1Xn . Corelatia variabilelor aleatoare X si Y se defineste prin relatia (3.  2n .29) C(X. atunci n (3.  2 daca variabilele X j sunt independente in totalitate atunci. variabilele X k sunt independente in totalitate.k Luand mediile si aplicand regula de adunare se obtine tocmai (3.2. mediile mxM(X). k j . Acelasi rezultat a fost obtinut prin calcul direct in exemplul (iv) din paragraful precedent. Aceasta definitie are sens ori de cate ori X si Y au dispersii finite. Atunci (3. ca reciproca teoremei nu este adevarata.1.2.4.4. Daca X1. X k ) k 1 j . Exemplul 3. prin urmare. din (3.31) urmeaza din teorema 3..

S nXnXn. rezultatul surprinzator ca variabilitatea lui pk. Exemplul 3. mai intai. deja. micsoreaza marimea fluctuatiilor sansei. S nX1Xn . Pentru a gasi 2(Sn) sa calculam. asa cum este calculata cu ajutorul dispersiei. deci.32) sub forma  2 (Sn )  np   p 2k . M(X k) 1/n si.33)  2k     n  n n2 97 . Apoi. Urmeaza ca.1. Atunci..32)  2 (Sn )   p k q k . Prin urmare . variabila S n poate fi interpretata ca numarul total al realizarilor din n probe independente. 2(Sn) admite valoarea minima cand p1 . fiecare dintre ele avand drept rezultat o realizare sau o nerealizare. Distributia sa probabilista a fost. este.1.. De exemplu. a n masini. Punand. astfel. Fie Xk o variabila aleatoare care ia valoarea 1 sau 0.2. apare ca naturala n compararea situatiei de fata cu aceea a probelor Bernoulli in care probabilitatea p a unei realizari ramane constanta. din ea rezulta atat media cat si dispersia acestei variabile.n. fiecare carte poate aparea pe locul k cu probabilitatea 1/n.. Un pachet cu n carti de joc numerotate se aseaza intr-o ordine la intamplare astfel incat toate cele n! aranjamente sa aiba probabilitati egale. sau lipsa uniformitatii.5. O astfel de comparatie conduce la un rezultat remarcabil. Se obtine. dintre toate combinatiile {pk} astfel incat pknp... variabilitatea este maxima daca toate gospodariile au aceeasi probabilitate de a fi cuprinse de incendiu.4.X n vairabile aleatoare independente in totalitate astfel incat Xk sa admita valorile 1 si 0 cu probabilitatile pk si qk1-pk respectiv. astfel ca P(X k1) 1/n si P(Xk0) (n-1)/n. p n Atunci p  1 este probabilitatea medie a realizarilor si . dupa cum cartea numarul k este sau nu este pe locul k.. pentru un numar mediu dat.3. deci. pe care o prezentam aici. urmeaza ca M(S n) 1. Dar. dandu - se o anumita calitate medie p. dispersia k a lui X k 2 1  1 n1 (3.31) n (3. randamentul va fi cel mai neuniform daca toate masinile sunt la fel.. media este o pereche per pachet. este usor de observat (prin calul elementar) ca. Numarul de perechi (cartile sa se gaseasca pe locul lor natural) este o variabila aleatoare S n care admite valorile 0. Fie X1. numarul anual al incendiilor intr-o comunitate de oameni poate fi tratat ca o variabila aleatoare. mai simpla si chiar mai instructiva. rezulta din (3.. Atunci M(X k) pk si  2 ( X k )  p k  p 2k  p k q k . din nou. suma  p k2 admite o valoare minima cand toti pk sunt egali. . p  . Sau. insa. Se poate rescrie (3. k 1 Ca si in exemplul 3. pnp. daca probabilitatea medie p a realizarilor este mentinuta constanta.. obtinuta anterior. Urmatoarea cale...

(Selectia nerepetata). Produsul X jXk este ori 0 ori 1. Desigur k poate sa fie orice intreg intre zero si n1 sau r. din aceasta populatie. Exemplul 3. rezulta n1  n 1  2 (Sn )  n  2  1 . ultima este adevarata daca atat cartea numarul j cat si cartea numarul k sunt pe locurile lor proprii. Se cere probabilitatea ca grupul de elemente astfel ales sa contina exact k elemente albe. astfel definit. se numeste repartitie hypergeometrica. Pentru a gasi qk.4. 98 . probabilitatea pentru acest caz fiind 1 . Se alege. care din ele este mai mic.4.  n    r Sistemul de probabilitati. Tinand seama de faptul ca  n n!    r  r !( n  r )! formula de mai sus se poate rescrie in forma  r n  r      k   n1  k  qk   n    n1  extrem de utila in practica].Apoi . se obtine  n1   n  n1      k  r  k  qk  . retinem ca grupul de elemente alese contine k elemente albe si r-k elemente negre. calculam M(XjXk). n( n  1) n 2 n 2 ( n  1) Astfel. Cele  n1  n  n1  albe pot fi alese in   moduri diferite.34) M ( X j X k )  iar C( X j . Deci n(n  1) 1 1 1 1 (3. un grup de elemente la intamplare. atat media cat si dispersia numarului de perechi sunt egale cu 1. Amintim ca repartitia hipergeometrica se obtine pornind de la o populatie de n elemente dintre care n1 sunt albe si n2n-n1 negre. iar cele negre in   moduri. prin caclul direct se pot obtine media si dispersia. 2 2  2 n ( n  1) n Dupa cum se vede. X k )    n( n  1). Deoarece orice  k  rk  alegere de k elemente albe poate fi combinata cu orice alegere a elementelor negre. in final. Sa presupunem ca dintr-o populatie care consta din a elemente albe si g elemente galbene se face o selectie aleatoare nerepatata de volum r. Numarul Sk de elemente albe din selectie este o variabila aleatoare care urmeaza repartitia hipergeometrica.

rus. 99 .38) P( X  m  t )  t2 Demonstratie. deci.1. ar M(Sr)  a g arg  r 1  Si  2 (Sr )  1  . si XjXk0 in a( a  1) caz contrar. deci.40)  2   * ( x j  m) 2 f ( x j ) ceea ce dovedeste teorema.5. Fie X o variabila aleatoare cu media mM(X) si dispersia 2. ( a  g)( a  g  1) a( a  1) (3. pentru orice t0 2 (3. care este extrem de folositaore si constituie un instrument usor de manuit. Apoi . ( a  g) 2 3. Probabilitatea ca X k1 este a/(ag) si. 1821-1894. Inegalitatea lui Cebîsev 2) S-a accentuat mai inainte ca dispersia mica conduce la concluzia ca sunt improbabile deviatii mari de la medie. aceasta nu poate mari valoarea seriei si. printr-o serie de termeni pozitivi (3. metoda urmatoare.37) C(Xj. Teorema 3. ( a  g) 2  a  g  1 Intr-o selectie repetata se gaseste aceeasi medie. daca jk atunci.3. prin urmare.36) M(XjXk)  ( a  g)( a  g  1)  ag Si (3. Aceasta concluzie este accentuata mai mult de inegalitatea lui Cebîsev. insa.39) M (( X  m) 2 )   ( x 2j  2mx j  m 2 )f ( x j ) . j Eliminam toti termenii pentru care xj-mt. asa cum am vazut in paragraful 3. . Aici.5. 2) Pafnutii L’vovici Cebîsev. XjXk1 daca elementele j si k ale selectiei sunt albe. 2(Xk) ag/(ag)2. Atunci. 2 (a  g) (a  g  1) Prin urmare. Sa definim variabila aleatoare X k despre care admitem ca ia valorile 1 sau 0 dupa cum elementul k din selectie este sau nu este alb (kr). preferam. arg adica . Probabilitatea lui X jXk 1 este si. Dispersia este definita. (3. dar dispersia va fi cu putin mai mare. (3.35) M(Xk) a/(ag).C k)  .

in acelasi fel.44) pentru prima data nu este satisfacuta. Inegalitatea lui Cebîsev afirma doar ca membrul stang este mai mic decat 1/x 2.. astfel ca inegalitatea lui Kolmogorov este considerabil mai tare. Inegalitatea lui Kolmogorov 3) In acest paragraf prezentam o teorema care scoate in evidenta o metoda mult mai rafinata de estimare in sensul discutat pana acum... Cu alte cuvinte. Exemplul 3.1. iar suma Y 1Y2Yn poate admite valorile 0 sau 1.44) sa nu aiba loc..41) P( Sn  np  x ( npq)1/ 2 )  1  N ( x )  N (  x ) .p) s-a obtinut (conform exemplului 3.6. rus.   1 Y0 pentru toate celelalte puncte. (3. dar nu ne putem astepta ca vreo formulare a sa.3. Pentru n1 aceasta teorema se reduce la inegalitatea lui Cebîsev. evident.. Trebuie sa estimam probabilitatea x ca cel putin una dintre inegalitatile (3. 1903-1987. ca un instrument teoretic decat ca o metoda practica de estimare.1) mnp si 2  npq...(41). probabilitatea unei singure inegalitati Sn-m(n)tsn . 3.6. mai degraba. Y este egala cu 1 in acele puncte in care cea de-a  inegalitate (3. k  1... oricat de generala ar fi. o estimare mai slaba decat 4. sa duca la rezultate rasunatoare in cazuri individuale.43) s2k   2 (Sk )  12 . 100 . Fie X1. in orice punct particular.5. Demonstratie.. Teorema 3. Se noteaza (3. Sa definim n variabile aleatoare Y k dupa cum urmeaza: Y  1 daca S  m (  )  tsn [i Sk  m ( k )  tsn pentruk  1.44) Sk  m ( k )  tsn . Inegalitatea lui Cebîsev trebuie privita. Atunci. deci. Pentru repartitia binomiala b(k. Pentru n1 inegalitatea lui Cebîsev margineste. n este cel putin 1-t-2. Pentru fiecare t0 probabilitatea realizarii simultane a urmatoarealor n inegalitati (3. Pentru n suficient de mare se stie ca (3..  2k . Teorema afirma ca xt-2.42) SkX1Xk si m(k) M(Sk) m1mk .n..2. ea 3) Andrei Ncolaevici Kolmogorov.X n variabile aleatoare inedependente cu mediile mkM(Xk) si dispersiile 2k.. Importanta acestei inegalitati se datoreste universalitatii sale.1. cel mult dintre variabilele Yk este 1.2.

Introducem variabilele aleatoare normalizate corespunzatoare X * si Y* definite prin (3. (3.45) xP[ Y1Y2Yn1] . Astfel.. Inmultind prin (S n-m(n))2 si luand mediile .48) se obtine s2n  t 2s2n M Y1  .27). k M  Y k U k  Sk  m      M  Y k  Sk  m     M U k   0 deoarece M(Uk)0. Y   (3.47) rezulta  2  2 (3. Y n  .Y). k 1 Pentru evaluarea termenilor din partea stanga sa punem n U k  (S n  m (n) )  (S k  m (k ) )   ( X   m )   k 1 Atunci.29) se gaseste C X . Cum Y1  . .. Deoarece Y1Y2Yn este 0 sau 1. .49)  X . folosind relatia (3. x2 si y2... Y   C X * . Uk depinde numai de Xk1.48) M  Y k  Sn  m     M  Y k  Sk  m    .. prin urmare (3. corelatia variabilelor X * si Y* poarta numele de raport de corelatie al variabilelor aleatoare X si Y si va fi notat prin (X. . urmeaza ca media membrului drept al inegalitatii este egala cu probabilitatea x definita in (3. prin urmare . Prin definitie. Y n este egala ori cu 0 ori cu 1. xt 21 asa cum s-a afirmat..7.46)  M (Y ( Sk n  m ( n ) ) 2 )  sn2 . .44) nu este satisfacuta si. Deci Uk este independenta de Y k  Sk  m   si. Astfel.45).46) si (3..este 1 daca si numai daca cel putin una dintre inegalitatile (3. 3. X k. Y *    z y . 101 . Astfel. astfel incat Y k  Sk  m    t 2s2n Y k .X n in timp ce Yk si Sk depind numai de X1. avem Yk1. se obtine n (3.47) M ( Y k (Sn  m ( n) ) 2 )  M ( Y k (Sk  m ( k ) ) 2 )  2M ( Y k U k (Sk  m ( k ) ))  M ( Y k U 2k ) Insa. din k k     (3. Raport de corelatie Fie X si Y doua variabile aleatoare oarecare cu mediile m x si my si dispersiile pozitive. k k Deci combinand (3. n k     2 Dar Y k0 numai daca Sk  m   tsn ..

Urmeaza ca raportul de corela]ie in nici un caz nu poate fi o masura generala a dependentei dintre X si Y. P) un camp de probabilitate complet aditiv si f : R o functie reala definita pe .Y)0 ori de cate ori sunt variabile aleatoare independente. Y   1 numai daca exista constantele a si b astfel incat YaXb. cu o probabilitate egala cu 1. adica pentru orice constante a 1. prin urmare. 1)  p(2. Dandu-se R sa consideram multimea f- 1 ()xf(x) P(). a valorilor lui X cu probabilitatea zero. raportul de corelatie (X.1). b2. Se observa ca acest raport de corelatie este independent atat de origine cat si de unitatile de masura. Spre exemplu. Demonstratie. 2(X *Y*) = *(X *)  2C(X*.1. In acest caz X *-Y*c. Fie YX2. Atunci X si Y sunt ori ambele impare ori ambele pare si. prin urmare. in acest caz. Se constata ca (X. 4)  p(-2. 1)  p(1. Deci. a2.Y) . (K() fiind un -corp de parti ale multimii P()). Atunci M(XY) M(U2)-M(V2) 0 si M(Y) 0.4 ca C(X. (X. Este totdeauna adevarata inegalitatea (X. (i) Fie X o variabila aleatoare care admite valorile 1.Y) se leaga de dependenta liniara a lui X si Y. in plus. unde y a . x 3. Variabile aleatoare peste un camp de probabilitate complet aditiv Problema care se pune este urmatoarea: Ce se intampla in cazul campurilor infinite. Y   1 este   necesar ca  2 X *  Y *  0 ceea ce inseamna ca. b1. (c . Se stie din paragraful 3. Teorema 3. dependente. K().Y) 0 de unde rezulta ca (X. De altfel. Y   1 . deci  X . se poate intampla sa avem sau f -1()K() sau 102 .Y)1.3.Y) poate sa tinda la zero chiar daca Y este o functie de X. Deci C(X. Insa. eventual. 2 fiecare cu probabilitatea ¼. YaXc. YU-V . a2Y  b 2    X . se are  a1X  b1 .Y*) + 2(Y *) = 2(1  (X. sau mai precis pe campuri de probabilitate complet aditive? (vezi definitia 2. cu exceptia. Pentru  X . a20.Y) 0. variabila X *- Y* admite numai o valoare. Y  . Atunci. Este deosebit de important sa se retina ca reciproca nu este adevarata. Partea stanga a egalitatii nu poate fi negativa. Fie X * si Y* variabilele normalizate.  X .Y) -1.8.Y) 0. se are si (X.7. Exemple.Y) 0 chiar daca exista o dependenta functionala directa a lui Y de X. Cum K() nu coincide cu P(). (ii) Fie U si V variabile aleatoare independente cu aceeasi distributie si fie XUV. X si Y pot fi suma si diferenta punctelor rezultate in cazul aruncarii a doua zaruri. Distributia comuna este data prin egalitatile p(-1. Fie (.constanta) si. cu a10. 4)1/4. Un rationament similar se aplica in cazul (X.

1. este o consecinta directa a definitiei 3. Teorema 3. si a proprietatilor cmpului K() si o propunem drept exercitiu. AK() daca si numai daca indicatorul multimii A este o variabila aleatoare . Fie . Fie (. f-1(I)K() deoarece f-1(X)f-1(I)f-1( I  ). mai sus.3.8. unde IxRx. Fie XR si X. Aceste observatii ne permit sa introducem Definitia 3. putem vorbi de probabilitatea evenimentului f-1(). Observatia 3.1. inchis. Daca (.8.P) este un camp de probabilitate finit.f-1()K() si acesta este cazul general. Fie A. variabilele aleatoare nu sunt toate aplicatiile f : R pentru care avem f-1(X)K() cu XR arbitrar. O aplicatie f : R se spune ca este o variabila aleatoare peste campul (.K().1.1.8.1. Atragem atentia ca in acceptia definitiei 3.8. I=xXx observam ca f-1(X)K() daca f-1(I)K(). 103 .8. Observatia 3.2.3). f-1(X)K() si cele care nu au aceasta proprietate.1. orice f : R se considera variabila aleatoare. ci numai acele functii reale definite pe  cu proprietatea ca avem f-1(X)K() numai daca XB1 unde B1 desemneaza corpul borelian pe R generat de intervalele deschise . Daca punem IxXx.R in relatia  .P) daca este satisfacuta una din conditiile urmatoare 1) f-1(xRx )K( ) 2) f-1(xRx )K() 3) f-1(xRx )K() 4) f-1(xRx )K() 5) f-1(xRx )K() 6) f-1(xRx)K() 7) f-1(xRx)K() Demonstratia teoremei 3. Din cele infatisate.K().P) daca pentru orice R avem f-1(I)K(). se vede ca functiile reale avand drept domeniu de definitie multimea  se impart in doua clase si anume: acelea care se bucura de proprietatea ca oricare ar fi XR. Observatia 3. Aplicatia f : R este o variabila aleatoare peste campul (. seminchis) sau este o multime oarecare a dreptei reale.8.P) un camp de probabilitate complet aditiv.K().8. avem sau f-1(I)xf(x) IK() sau f-1(I)K() si aceasta este cazul general. f-1(xRx) f() . etc.1. Daca insa f-1()K(). daca IR este un interval (deschis. La fel.K(). (vezi paragraful 2.

. 3). fg este o variabila aleatoare (unde fg desemneaza aplicatia fg : R) pentru care avem (fg)() f()g() pentru orice .g sunt doua variabile aleatoare. Prin urmare.v n si daca f()viK() oricare ar fi i1. daca fS atunci f va admite o reprezentare sub forma  v I   I unde K().2. Definitia 3. Intr-adevar. Se numeste variabila aleatoare simpla o variabila aleatoare care ia numai un numar finit de valori.. In sensul acestei definitii. De asemenea. Astfel. cel mai simplu exemplu de variabila aleatore simpla este indicatorul IA al evenimentului A.8. 104 . sa observam ca. iar I este o multime finita de indici..2.n. In particular. pentru orice R .. 2). m Z n N m m Celelalte doua afirmatii rezulta din faptul ca {f()g()} = C{g()f()}  K() Si {f()=g()} = {f()g()}{f()g()}  K() .. astfel o descriere completa a corpului K() prin variabile aleatoare.g sunt variabile aleatoare atunci..3. pentru n1. Este imediat rezultatul urmator Teorema 3. {f()=g()}K() .1. Daca f. Fie f si g doua variabile aleatoare. Daca Bn este corpul borelian generat de multimile deschise din R n. Daca valorile pe care le ia variabila aleatoare fS sunt (a)I si daca f()a. fg este variabila aleatoare pentru care avem (fg)()=f()f(). De asemenea.. ca deosebit de importante in teoria probabilitatilor.v2. pentru primul caz avem n n {f()g()} = { f ( ) } { g ( ) } K().1. inseamna ca aplicatia f : R este o variabila aleatoare simpla daca ia un numar finit de valori v 1. atunci f : Rn este o variabila aleatoare n-dimensiunala daca f-1(X)K() pentru orice parte boreliana XBn.8. { f()g()}K() . { f()g()}K() .2. atunci 1). Daca f. Convenim sa notam familia variabilelor aleatoare simple prin S. v sunt numere reale. se poate reformula definitia 3. in felul urmator Definitia 3. o astfel de reprezentare nu este unica. Desigur.1.. Avem. Are loc urmatorul rezultat Lema 3. variabilele aleatoare simple.8. vom spune ca f este o variabila aleatoare.8. Dintre variabilele aleatoare se disting.

Daca se noteaza prin K(f)(1) familia tuturor partilor A1 cu proprietatea ca f-1(A)K(). astfel ca (1. atunci este clar ca K(f)(1) este un corp borelian.0) si f  inf(f. de asemenea. I . K (f)(1). in mod unic. K(). f n()S si fn()0 pentru orice . 3. Deoarece sirul (fi)0i. P (f)) este un camp de probabilitate complet aditiv. acum. Oricare ar fi n1.  n daca f ( )  n Prin urmare. Fie.9.1. Intr-adevar.2.2.n se poate folosi simbolul v1. este crescator. variabile aleatoare simple. n propozitia este dovedita.50) este o probabilitate pe corpul borelian K(f)(1).”I. functia (3.8.. lim f n ( )  f ( ) . Functia de probabilitate Fie (. Se poate arata ca functia P(f)(A) definita in (3. Din aceste consideratii se deduce imediat ca suma .. Daca se noteza f  sup(f. produsul si puterea unor variabile aleatoare simple sunt. P (f)(A)0 pentru orice A K(f)(1). convergent catre f. v n. De asemenea P(f)(1)P(f-1 (1))1 deoarece P este o probabilitate pe corpul borelian K (f) prin ipoteza.50) P(f)(A)P(f-1(A)) . sa luam k 1 k 1 1  daca n  f ( ) n (k  1. fS. iar daca R atunci fS. v 2.        P(f) A   P f 1  A   P f 1 ( A )    P ( f 1 ( A ))  P (f) ( A )   I      I    I   I I 105 ... Daca f este o variabila aleatoare pozitiva.. iar daca I1. . de asemenea. (A )IK(f)(1) o familie numerabila de evenimente incompatibile doua cate doua.2. Demonstratie. atunci 1 f ( )  f n ( )  2n si. daca fS atunci. Are loc propozitia urmatoare Propozitia 3. in acest caz. In plus. de variabile aleatoare. Fie.... Pentru orice AK(f)() se poate acum defini. Daca f()n. Atunci. deoarece ff-(-f-). 1 o noua multime de evenimente elementare si sa consideram o aplicatie f : 1.2 n ) f n ( )   2 n 2 2 . adica A ’A” pentru ’” cu ’.atunci se poate nota f si in felul urmator v... rezulta ca orice variabila aleatoare este limita unui sir de variabile aleatoare simple...1. P) un camp de probabilitate complet aditiv. atunci exista un sir crescator (fi)0i< de variabile aleatoare simple.0) atunci.n.. pozitive.

.a)BK(f)(1) rezulta ca F(a) P(f(a) P(f-1(-.. pentru aR . (-. Functia de repartitie Fie f o variabila aleatoare definita pe campul de probabilitate complet aditiv (.. 3) F(a-0F(a) . an )  P( f )  (  .51) F(a)P(a)P(f(a) . un sir monoton descrescator de numere reale cu lim an   .an) (-. 2) F(-0 . in definirea functiei de repartitie a unei variabile aleatoare. af-1((-.51) se numeste functia de repartitie a variabilei aleatoare f. a1a2. (1.10.10. K(). Definitia 10. K (f)(1).. F ( )  lim F (a ) si F (a  0)  lim F ( x) ].b R. Proprietatile de baza ale functiei de repartitie sunt date in teorema urmatoare Teorema 3. nN In virtutea corolarului 2.a)) si sa notam (3. daca a b cu a.3. n Atunci. atunci f 1 ( A  ' ) f 1 ( A  " )  f 1 ( A  ' A  " )  f 1 (  )   . an )  P( f ) ( R)  1 . n n  nN  2) Fie. in acest fel. 3. (- n . Atunci. 4) F(a)F(b)...“I si ’”. Deoarece (-. Deci. [Aici s-au utilizat notatiile obisnuite F() lim F (a ).2 se obtine   F(  )  lim F( an )  lim P( f ) ((  . acum. Pentru orice numar aR sa punem af(a. Este clar ca. Functia de repartitie F a unei variabile aleatoare f are urmatoarele proprietati: 1) F( . un sir monoton crescator de numere reale cu lim an   . 1) Fie a1a2. an )   . Pentru orice aR si variabila aleatoare f. P (f)) este un camp de probabilitate complet aditiv. an )  R . avem (  .a)) in virtutea relatiei (3. P).. Functia P(f) definita de (3. pentru orice numar natural n. daca ‘. functia F(a) data in (3.an. a  a   xa xa Demonstratie.50).an. pentru orice numar natural n.1.an) si.50) se numeste functia lui Kolmogorov sau functia de probabilitate.an) (-. Ea va interveni. se are (  .a))Pf((-.an) si.1.deoarece. nN 106 . in continuare.

an )  P( f ) ( )   .an)). n 1 1 Dar (. a  )  (. se obtine de data aceasta   F(  )  lim F(an )  lim P( f ) ((  . nN Prin urmare.1 obtinem 1 P(f(a)P(f)((-. ca pentru orice aR se poate scrie (3. a )  P( f )   an .b).a)) si F(a n)P(f)((-.a) si.a)).a)) P(f)((-. In acest caz n F(a)P(f)((-. numai valorile variabilei aleatoare f strict mai mici decat a.1. Cu alte cuvinte.a)P(f)( (  .3. an )  P( f )  (  .a)an. a  ) n 1 n pentru orice numar natural n. sa consideram P(f(a). pentru fiecare numar real a s-au considerat.a I nN (. a  ) ) nN n 1 1 lim P( f ) (  . Deci F(a)P(f)((-.P(f)((-. daca a1. astfel ca. Iata.. Atunci (-a)(-. 4) Fie a. atunci P(a1f()a2)  F(a2) .. a  P( f ) ( )  0 n n  nN  de unde se deduce proprietatea. a  )  lim F(a  )  F(a  0)  n n n n . unde putem scrie intervalele de forma (-. astfel ca F(a)-F(an) P(f)((-.F(a1). Ne propunem sa vedem ce se intampla daca se vor lua in consideratie si valorile f()a.a)). in definitia functiei de repartitie.an)) P(f)([an.3. De asemenea. avem  an .bR cu ab. pentru fiecare numar natural n. deci. a  ) . in baza corolarului 2. a   . Sa observam ca. Din aceste consideratii rezulta imediat ca P(f()a)  F(a0)) .52) F(a0)P(f()a).a2R si a1a2.an. n n  nN  3) Fie sirul monoton crescator de numere reale a 1a2.. In acest caz P(f(a)P(f)((-.F(a-0) oricare ar fi aR. Insa an1. cu lim an  a .a astfel 1 (-. 107 . In baza corolarului 2.   lim ( F( a)  F( an ))  lim P( f ) ( an ..a).b))F(b) .

Se pot determina. 2 F este o functie continua pe a. atunci. numerele a.x2a. 108 .x2R si x2-x1min(.2. din proprietatiile functiei de repartitie rezulta ca 0  F(x)  1 pentru orice xR. cu ab astfel incat sa avem  0  F(x) . Dar. Teorema 3. Rezulta ca se poate determina un 0 astfel incat  F(x2)-F(x1)  2 daca x1. deci. F(x)  1 .bR. daca xa 2  1.b si x2-x1.10. atunci. Deoarece F(-)  F(x)  F(). este uniform continua. atunci ea este uniform continua pe R. b si. daca xb. urmeaza ca x1. Daca o functie de repartitie F este continua in fiecare punct xR. Demonstratie. (b-a)) implica F(x2)-F(x1)   ceea ce dovedeste teorema.

repartitie catre care converg si alte repartitii. fiecare punct reprezentand un rezultat posibil al experimentului compus. ca fiind o realizare “R”.) pq1 Campul de evenimente al fiecarei probe individuale este format din doua puncte R si I. 1) Jacques Bernoulli (1654-1705) Principala lucrare “Ars conjectandi” publicata postum in 1713. cu probabilitatea p. urmeaza ca probabilitatile se inmultesc. Probabilitatile celor trei repartitii: Binomiala. Campul de evenimente a n extractii Bernoulli contine 2n puncte sau succesiuni de n simboluri R si I. Cu alte cuvinte. 109 .1.. La sfarsitul acestui capitol. Evenimente de tip Binomila sau Poissonian sunt foarte des intalnite in viata de zi cu zi. Astfel P(RRIIRI. Caracteristicile numerice ale celor 3 “legi” . O repartitie fundamentala este cea normala.1.1..IRR)  ppqqpq. iar la celalalt ca fiind o nerealizare sau un insucces “I”. deci la fiecare extragere urna are aceeasi compozitie. Poisson. Puntea de legatura dintre Teoria probabilitatilor si statistica matematica este data de legea numerelor mari.. Repartitia binomiala Extractiile repetate independente se numesc extractii de tip Bernoulli 1) daca exista numai doua rezultate posibile pentru fiecare extragere. Legat de convergenta. posibilitatile lor ramanand aceleasi la toate extragerile.1. un rezultat deosebit de important. Legea numerelor mari . Interpretarea Teoremei Limita de MoivreLaplace 4.qpp Exemplul 4. Notand cele doua probabilitati prin p si q. studentii trebuie sa-si insuseasca: . ne vom referi la un rezultat. probabilitatea oricarei secvente specificate este produsul obtinut prin inlocuirea simbolurilor R si I cu p si q respectiv.CAPITOLUL 4 REPARTITII STATISTICE SI UNELE PROBLEME INRUDITE OBIECTIVE Capitolul poate fi considerat ca apartinand atat statisticii matematice cat si Teoriei probabilitatilor. Cum probele sunt independente.. In mod evident p si q trebuie sa fie nenegative si (4. Normala . Teorema Limita De Moivre La Place este esentiala. Fie o urna cu a bile albe si n bile negre si sa presupunem ca dupa fiecare extragere se reintroduce bila extrasa in urna.

Scopul controlului continuu este. in aceasta situatie.n. se poate face ca productia sa se comporte in acest mod. Masinile sunt supuse schimbarilor si. Deci exista multe motive pentru care productia nu se poate conforma schemei Bernoulli.4. Atunci. I. si nerealizarea ei. Spre exemplu. deci.1. De multe ori nu intereseaza sa se faca distinctie intre rezultate diferite si se prefera descrierea oricarui rezultat in mod simplu. din n probe Bernoulli cu probabilitatea p pentru realizare si q=1-p pentru nerealizare.. iar probabilitatea de a se produce cel putin o realizare este 1-qn.2) b(k. Numarul realizarilor poate fi 0. masinile spalat fabricate in productie de masa pot varia in marime dar. probabilitatea de a nu se produce nici o realizare este qn. la aruncarea unui zar perfect distinctia intre realizarea fetei unu. sunt mai probabile secventele lungi de derivatii de acelasi fel.p)P(Snk). fiecare punct are probabilitatea p kqn-k. Schema Bernoulli ramane. R. Aceasta schema se dovedeste a fi un model ideal chiar daca nu poate fi niciodata obtinut complet. aruncarile seccesive inca mai formeaza probe de tip Bernoulli.n. pe p ca o constanta si sa notam.p) probabilitatea ca. Insa.p)    p k q n k .4. extractii aleatoare repetate (care sunt deci independente). conduce la probe de tip Bernoulli cu p1/6. Atunci.Considerand.. in timp ce distinctia intre par si impar conduce la probe de tip Bernoulli cu p1/2. insa un model teoretic si numai experienta poate arata daca el este potrivit pentru descrierea diferitelor experimente. deci. probabilitatile nu raman constante. Cu alte cuvinte. dupa cum marimea se incadreaza sau nu in limitele prescrise. avem imaginea probelor de tip Bernoulli in care probabilitatea p a realizarii unei bile albe este p a/(an). la control. acest eveniment contine   puncte  k si. cum ar fi A sau non-A. Aceasta dovedeste Teorema 4. Fie b(k.n. acum. b(k. in anumite limite. Daca zarul nu este perfect (sa zicem neechilibrat). In terminologia obisnuita S n este o variabila aleatoare. Astfel. in aceasta situatie. dar probabilitatile corespunzatoare p sunt diferite. ele sunt clasificate drept corespunzatoare (R) sau necorespunzatoare (I). Sa privim. iar functia (4. 110 . din punct de vedere al controlului de calitate este de dorit ca procesul sa fie conform schemei lui Bernoulli si este foarte important ca.2) este repartitia acestei variabile aleatoare si ne vom referi la ea ca repartitie binomiala. decat ar fi fost daca probele erau cu adevarat independente. prin S n numarul realizarilor din n probe. prin urmare.  k In particular. exista o persistenta in mecanismul masinilor si.. prin definitie. sa rezulte k realizari si n-k nerealizari (0kn). De obicei.n si prima problema care se pune este sa se determine probabilitatile corespunzatoare.. intereseaza doar numarul total al realizarilor produse intr-o secventa de n extrageri Bernoulli si nu ordinea acestora. Atunci  n (4. de a descoperi cat mai devreme devierile flagrante de la schema ideala si a le folosi dretp indiciu al unor dificultati iminente. evenimentul din n extrageri rezulta k realizari si n-k nerealizari se poate produce in tot atatea moduri dupa  n cum pot fi distribuite k litere R pe n pozitii.

232418 0.99)log2.000052 12 0. cate probe sunt necesare pentru ca probabilitatea a cel putin unei realizari sa devina 1/2 sau mai mare ? In acest caz se cauta cel mai mic intreg n pentru care 1-(0.127171 0.) reprezinta termenul de rang k din dezvoltarea binomiala (qp)n.003312 0.p) (qp)n1.003650 10 0. k unitati 111 .p)b(1.01.238446 0.116589 0.a.016109 9 0.000558 11 0. probabilitatea ca.000532 0. Exemplul 4.000045 0.000000 0.047689 0.12.p)b(n.Atributul binomial se refera la faptul ca (4.043584 2 0.007707 0. In acest caz.1. Daca probabilitatea unei realizari este 0. Acasta remarca arata.014903 0.000497 0. probabilitatea de a avea o realizare este p=1/3.1.4. ceea ce este impus prin insasi notiunea de probabilitate. 0. da aceste probabilitati impreuna cu frecventele medii corespunzatoare observate in 26.207736 4 0.1.000002 Tabelul 4. de mai jos.122225 3 0.1 Ipoteza este buna dar pentru o experienta atat de vasta nu este tocmai potrivita. Deci n70.111275 0.238324 5 0.n.306 experiente reale. Daca zarurile sunt perfecte.1.124116 0.2. (Weldon) Sa consideram un experiment constand din aruncarea a douasprezece zaruri si sa privim ca realizari fetele 5 si 6.99)n  1/2.2.194429 6 0.115660 7 0. Exemplul 4.1/3) Frecvente b(k.007033 0.208127 0. Sa presupunem ca n10 unitati economice folosesc in mod intermitent energia electrica si sa cautam a estima ce sarcina totala ar fi de asteptat. k b(k. ca b(0.12.197445 0.3377) observate 0 0.3.046244 0.3377 ar fi mai potrivita cu observatiile.12. sau -nlog(0.003991 0. Este mai rezonabil sa se presupuna ca zarurile nu sunt perfecte.211952 0.n. Tabelul 4.050597 0.015320 0.000152 0. iar numarul realizarilor este dat de repartitia binomiala b(k. Exemplul 4. la acelasi moment.000002 0. Sa ne imaginam (vorbind destul de general) ca la orice moment fiecare unitate economica solicita o unitate de energie cu aceeasi probabilitate p.050549 8 0.1/3).190757 0. de asemenea.007123 1 0. o realizare cu probabilitatea p 0.043678 0. Daca ele lucreaza indepentent.

)   .n.. p)  b( r . p)  0 r  1  ( n  1)p care ne da probabilitatea de a avea cel putin r realizari.2.3. 0. cand m (n1)p.1. b( r .p) este aproximativ egala cu  2npq ). p) kq kq Prin urmare. iar apoi descresc monoton.p) termen central. ( r  1)q Conchidem.08. Cu alte cuvinte.) (n1)p-1m(n1)p si obtinem Teorema 4. n. n.n. n.)  b( r   . (in statistica matematica se 1/ 2 arata ca valoarea lui b(m. Se obtine  b( r   . p) ( n  k  1)p ( n  1)p  k (4.p) mai intai cresc monoton. raportul din (4.p) b(b(n-1.n.0008643584. atunci b(m. atunci vom pune p1/5.economice sa solocite energia electrica este b(k.5. termenii b(k. p)  ( r  1)q  Pentru rnp fractia din paranteza dreapta ramane mai mica decat unitatea si sumarea dupa  ( n  r )p conduce la o serie geometrica finita cu ratia . Pe masura ce k ia valori de la 0 la n.2. p) ( r  1)q Sa punem aici kr1.n.) descreste monoton pe masura ce creste k.r si sa inmultim cele  inegalitati. cand kr1 b( k . In mod evident. daca alimentarea este redusa la sase unitati de energie.2)  0.p).)  . Daca se intampla ca (n1)pm fie un intreg. ca pentru rnp n r ( r  1)q (4. o unitate economica foloseste energia electrica 12 minute pe ora. deci..p).p). Convenim sa numim b(m. 10. n. un singur intreg n astfel incat (4.. Exista.n. In mod similar rezulta ca. Deci probabilitatea ca sapte sau mai multe unitati economice sa solicite curent in acelasi timp este b(7. Prin urmare. Spre exemplu. Sa observam ca.7. atingand valoarea maxima cand k n cu exceptia cazului in care b(m-1..2)b(10. in cazul aruncarii unei monede valoarea cea mai probabila a realizarii banului este 50.n.0000779264 sau aproximativ de unsprezece ori mai mica..n. n.00086.)   1 b( k  1.p) b(m. b( k  1. p)  ( n  r )p  (4.p) sunt mici. dar probabilitatea sa este mai decat 0. 0. Daca.6.n. p) ( n  r )p (4.3. n. o supraincarcare are probabilitatea 0. Deseori m este numit valoarea cea mai probabilia a realizarilor insa trebuie inteles in sensul ca pentru valori mari ale lui n toti termenii b(k. n. pentru s np 112 .) urmeaza b( k . 10.p) este mai mare decat precedentul pentru k(n1)p si este mai mic pentru k(n1)p. deci.. termenul b(k. adica aproximativ un minut in douazeci de ore.n.4. din (4. n.n. in medie.. Probabilitatea ca opt sau mai multe unitati economice sa solicite curent in acelasi timp este numai 0.

10) P n  p     1  n  ceeace inseamna ca daca n este suficient de mare probabilitatea ca. acum. atunci /n se apropie oricat de mult de probabilitatea p a evenimentului A.10. in acelasi fel. p)  b( s. spre exemplu. in timp ce b(r. p) ( n  1) p  s 0 S-a dovedit. Sn/n este frecventa relativa a realizarilor si ar fi apropiata de p. abaterea frecventei relative a realizarilor fata de p. Se poate da. s ( n  s  1) p (4. Obisnuim sa ne referim la (4. Se obisnuieste sa se citeasca in legea numerelor mari obiecte pe care ea nu le implica in mod explicit. o consecinta a acesteia. mai precisa si mai folositoare. Folosind. 113 . Legea numerelor mari Asa cum am mai precizat in cateva randuri. Prin urmare a rezultat ca S  (4. notiunea noastra intuitiva de probabilitate se bazeaza pe urmatoarea presupunere. in timp de n creste. Sa consideram. p) n  q Pe masura ce n creste fractia din membrul al doilea al inegalitatii ramane marginita.). Daca rnp. Aceasta este o forma de prezentare a legii numerelor mari. Daca indivizii X si Y arunca o moneda perfecta de 10.10) fiind. o asemenea estimare este furnizata de aproximarea normala a repartitiei binomiale. Daca Sn este numarul de realizari din n extrageri atunci. acum. Atunci (4.p)0 deoarece b(r. aici. insa.7. unde 0 este fixat si arbitrar de mic. Ea. (4. n.) PSn  n( p   ) b( r .8. 4. probabilitatea obtinerii a cel mult s realizari satisface inegalitatea (4. probabilitatea ca Sn/n sa depaseasca p.) se constata.n.n. sa fie in valoare absoluta mai mare decat  tinde la zero. astfel Teorema 4.n.10). Cum o teorie matematica formala cauta totdeauna sa prezinte cat mai exact fenomenele reale pe care le studiaza.2. astfel ca ea este inlocuita prin legea tare a numerelor mari. Observatie.p) pentru fiecare k astfel incat (n1)pkr si exista aproximativ n astfel de termeni. un sens precis acestui fapt.7) implica n( p   )  q (4.1. Aceasta probabilitate este aceeasi ca si PSnn(p) si egala cu membrul stang al inegalitatii (4. n. ca P Snn(p-)0. de fapt. la care ne vom referi in cap 12. prezinta un interes destul de limitat.8)  b(  . “extragerile identice” ca “extrageri de tip Bernoulli” cu p probabilitatea unei realizari.9. inegalitatea (4. probabilitatea obtinerii a cel putin r realizari satisface inegalitatea (4. Urmeaza ca. daca s np.) ca fiind legea clasica a numerelor mari. Pentru aplicatii practice ea trebuie completata printr-o estimare mai precisa a probabilitatii situata in partea stanga din (4. ce serveste ca baza pentru notiunea intuitiva de probabilitate ca masura a frecventelor relative.3.). Daca in n probe identice evenimentul A apare de  ori.8. si daca n este suficient de mare. n. PSnn(p)0.p)b(k.7) cand r este cel mai mic intreg care depaseste n(p). vom interpreta si noi.000 ori se crede.

n. aproximativ.p)e-.p) datorata lui Poisson. ca X va avea un avans de jumatate de timp.17. Avem.12.) b(0. Deoarece este de dorit sa existe un simbol pentru membrul drept din (4. acum. p )  n ln1       2  .p) e < iar.13. este convenabil sa se foloseasca o formula de aproximare pentru b(k.15.3.) P(k. pentru k2 rezulta 2   b(2.). pentru orice k fixat si n suficient de mare.n.15.p)(1-(/n))n Trecand.. din (4. n. n. frecventa acelora in care se realizeaza banul. nu este adevarat. In plus. deci. in timp ce produsul (4. avem b( k . in general. la logaritmi si folosind dezvoltarea Taylor a logaritmului natural (4. p) kq k Pentru k1 se obtine.n.11) (4. (4. prin inductie se gaseste 2 k   (4. Aceasta.) 1 1 1 ln(1  t )  t  t 2  t 3  t 4  .rezulta 2 3     ln b(0..) reiese ca. de aici si din (4. Repartitia Poisson 2) Multe aplicatii conduc la probe de tip Bernoulli unde. n.17. insa.3. sa punem 2) Siméon Denis Poisson (1781-1840) 114 .) b(0.p) e k! Aceasta este cunoscuta aproximatie Poisson a distributiei binomiale. la orice moment dat. tinand seama de (4. n este mare si p este mic. 4.p)e-.16.).n.p)(1-p)n sau.  n 2n 3n astfel ca pentru un n suficient de mare (4. In aceste cazuri. p)   ( k  1)p  (4. Legea numerelor mari nu afirma ca frecventa relativa ar fi egala cu probabilitatea ci numai ca. de exemplu. ca b(1.din obisnuinta.. 2 3 4 cu  1t 1. (semnul  inseamna egalitate aproximativa).11.)   b( k  1.. comparativ vorbind.14. Probabilitatea ca X sa conduca in mai putin de 20 probe este mai mare decat probabilitatea ca numarul probelor in care el conduce sa se gaseasca intre 4990 si 5010. Pentru precizare se obisnuieste sa se spuna ca frecventa relativa tinde in probabilitatea catre p.n.n.) np este de marime moderata.) b(0. pentru un numar mare de probe. Analog. se apropie oricat de mult de 1/2. pe care o vom stabili in cele ce urmeaza.n.

(Aici primele coloane ilustreaza aproximarea Poisson a distributiei binomiale.100.1/100 ) p(k..1) Nk 0 0.000463 0.003066 1 6 0.015328 0 5 0. se vede fara greutate ca.p)  k 1    k  1   k! n  n n k!  n Prin urmare. k! Cu aceasta notatie.100.7) aparand exact de k ori) Deci.000001 0 Tabel 4.n.367879 34 2 0.1.7) in 100 perechi de cifre aleatoare.n. De fapt.) este o aproximatie pentru b(k. b(k.184865 0. Atunci. n.060999 0. k b(k.p)  e . care au distributia binomiala b(k.2 Tabelul arata ca aproximarea este satisfacuta pentru multe situatii.( n  k  1) k   b(k.000073 0 8 0.061313 8 4 0.2.000001 0.1/100).) pentru orice k. daca n si p0 astfel incat np r\m=ne constant atunci. p1/100.014942 0.p) tinde uniform la P(k.3.( n  k  1) k   n( n  1).n. Am vazut ca distributia binomiala este definita prin relatia  n b(k. de mai jos. n k k   lim b( k . In tabelul 4.000511 0 7 0.. ca ilustrare.1) cu repartitia binomiala pentru n 100. k   (4./n) cand n este suficient de mare. se compara P(k.p)   p k q n k  k de unde punand p/n rezulta n k n k n( n  1).000009 0 9 0. sa luam aparitia combinatiei (7.) P(k. Observatie.n.002898 0.367879 41 1 0.n.000007 0.. k! Exemplul 4.. Ultima coloana contine numarul grupelor de 100 perechi de cifre aleatoare.000063 0. in fiecare din ele combinatia (7. ultima coloana a tabelului de mai sus da rezultatul 115 . p)  lim  1   n k ! n n adica k   lim b(k.18.) e . P(k.183940 16 3 0.366032 0.369730 0.

epidemiilor.3.)0. calculate din formula binomiala.2537. Notam..1089. p20.0023. 1.3.. Aceste frecvente corespund. probabilitatilor teoretice.. ne putem imagina un experiment ideal in care P(k. Ne referim in acest exemplu la persoanele centenare. ca adunand ecuatiile (4..2541 care implica o eroare numai la nivelul zecimilor de miimi. ..3484... dar ca o prima aproximatie putem compara n zile de nastere cu n probe Bernoulli. etc.. intr-o comunitate numeroasa.18) numai ca o aproximare convenabila a distributiei binomiale in cazul cand n este suficient de mare si p este mic. cum sunt repartitia binomiala. in mod acceptabil.)0. Adevarata natura a repartitiei Poisson va aparea numai in legatura cu teoria proceselor stochastice la care nu ne vom referi in cele de fata.2385. repartitia normala (asupra careia nu insistam aici) si repartitia Poisson data de (4. diferite fiinte u mane nu sunt independente stochastic.0373.. p30. intr-o societate de 500 oameni.)0. Care este probabilitatea pk ca.. Exemplul 4. 2. P(5. acum.3 valorile corecte ale lui pk.3481..)0. Sa reprezentam 116 .0372. Deci P(0.. Sa consideram o secventa de evenimente aleatoare care apar in timp.) au suma egala cu unitatea si. putem aplica schema a 500 probe Bernoulli. asa cum sunt dezintegrarea radioactiva sau apelurile care sosesc la o centrala telefonica. Toate erorile sunt de ordinul zecimilor de miimi. mai intai.0023. Exemplul 4. de ce multe experiente fizice si observatii statistice. P(4.2388... ... ). in mod natural......calculului in 100 grupe de cate 100 cifre aleatoare fiecare..18) asupra careia vom mai insista inca. Deci pentru orice k fixat cantitatile P(k. p60. accidentelor..)0. Atunci p0(364/365)5000... Intr-o comunitate stabila unde nici volumul comunitatii nici coeficientul de mortalitate nu sufera schimbari considerabile. probabilitatea unei realizari fiind p 1/365. numarul zilelor de nastere este mare.. p50.. 3... sunt p10. se obtine in membrul drept de e- ori seria Taylor pentru e  . este normal sa ne asteptam ca frecventa anilor in care mor exact k centenari sa fie aproximativ P(k. unde  depinde de volumul comunitatii si de gradul de sanatate al acesteia...)0. k dintre ei sa fie nascuti in ziua de Anul Nou ? Daca cei 500 de oameni sunt alesi la intamplare. Vom arata..2. este probabilitatea a avea k realizari. P(3...1089.0101.. La nastere fiecare persoana are o sansa mica de a trai 100 ani si. considerand ca avem o realizare daca moartea survine dupa 100 ani.3. Aproximarile Poisson corespunzatoare sunt P(1..)0. P(2. ..18) pentru k1. Pentru k1.0102.2.. Pentru a obtine frecventele relative trebuiesc impartiti toti intregii din ultima coloana la 100. Pana acum am folosit expresia Poisson (4. prin urmare. P(6. conduc la o astfel de interpretare a relatiei (4. Pentru aproximarea Poisson punem 500/3651. Avem de-a face aici cu un caz special al faptului remarcabil ca exista cateva distributii deosebit de importante care apar intr-o varietate surprinzator de mare de probleme cu implicatii in teoria probabilitatilor..3699. p40..18). Datorita razboiului..

n. ne vom unele conditii fizice care conduc la P(k. Presupunerea npn. atunci. atunci avem de-a face cu probe de tip Bernoulli. este necesar sa se excluda posibilitatea ca evenimentele sa apara in dubleti.) ca probabilitatea de a gasi k puncte (evenimente) intr-un interval fixat de lungime stabilita. un accident este de natura sa implice doua masini si. Asemenea supozitii fizice pe care dorim sa le exprimam matematic se refera la faptul ca conditiile in care se desfasoara experimentul raman constante in timp si ca intervalele de timp care nu se suprapun sunt independente stochastic in sensul ca informatia privitoare la numarul de evenimente dintr-un interval nu dezvaluie nimic cu privire la alt interval. avand aceesi probabilitate pn a realizarii. aceasta relatte exprima faptul ca realizarea intr-un interval de lungime 1/n inseamna ori realizarea in jumatatea stanga ori realizarea in jumatatea dreapta. dar cum aici ne referim la o repartitie discreta de probabilitati. Spre exemplu. Insa. Pe de alta parte. [Aceasta presupunere apare implicit in descrierea intuitiva a punctelor aleatoare izolate. n. In acest caz. independenta pe care am presupus-o relativ la intervalele care nu se suprapun implica faptul ca avem n probe de tip Bernoulli. de lungime egala. p n  . deoarece un subinterval poate contine diferite puncte aleatoare. Insa. 117 . Impartind fiecare subinterval in doua parti.) ca probabilitatea sa existe un total de k puncte aleatoare continute in intervalul unitate. este normal sa se introduca presupunerea suplimentara ca probabilitatea a doua sau mai multor puncte aleatoare. numarul probelor fiind un intreg mai apropiat de nt decat de n. ori in ambele. Se intelege ca numarul realizarilor nu este in mod necesar acelasi cu numarul punctelor aleatoare.p n) ~ b(k. daca evenimentele sunt accidente de automobil atunci. Daca in locul intervalului unitate se ia un interval arbitrar de lungime t si se foloseste din nou o subdivizare in intervale de lungime 1/n. Intr-o teorie caracterizata prin repartitia continua de probabilitati aceste formulari se pot da direct./n)P(k. daca evenimentele inseamna “o masina lovita”. vom folosi un model finit aproximativ trecand apoi la limita. probabilitatea de a gasi k puncte aleatoare in intervalul de timp unitate este data de limita lim b k . astfel. Urmeaza ca pn 2p2n . nu conduce la vreun rezultat apreciabil.p n).18. ceea ce sugereaza ca npn este monoton crescator. fiecare avand lungimea 1/n. b(k. aici. de-a lungul unui interval de timp foarte scurt.) si se gaseste. atunci ele au sansa sa apara in perechi si presupunerea facut nu se apli cat. Exista multe tipuri diferite de asemenea repartitii. insa. Atunci.n. probabilitatea de a obtine k realizari fiind data de b(k. (4. sa fie neglijabila la limita. Sa ne imaginam intervalul de timp unitate impartit intr-un numar mare de intervale. Probabilitatea pn a realizarii trebuie sa fie aceeasi pentru toate cele n subintervale. desi ae implica o infinitate de puncte aleatoare chiar in cel mai mic interval. studiul lor apartinand domeniului probabilitatilor continue. ori este vid ori contine cel putin unul dintre punctele noastre aleatoare (sau evenimente) si convenim sa consideram aceste doua posibilitati ca nerealizare si respectiv realizare. deoarece ele au aceeasi lungime. Daca npn atunci.n. Un subinterval particular este. se n obtine pn=2p2n-p22n.fiecare eveniment printr-un punct pe axa timpului si sa urmarim repartitia aleatoare a punctelor. probabilitatea sa apara doua evenimente intr-un interval scurt de timp este neglijabila in comparatie cu probabilitatea unui eveniment.

Sa presupunem ca un experiment fizic este repetat de un numar mare N. Numarul total de puncte observate in cele N experimente este N1 2N2 3N3. t   2 P 2. Parametrul  este o constanta fizica ce determina densitatea punctelor pe axa t. . impartim domeniul in n subdomenii si aproximam probabilitatea ceruta prin probabilitatea a k realizari in n probe. ne asteptam ca N Nk  NP(k. Observatie. si ca. Atunci N0 N1 N2. probabilitatea de a gasi mai mult decat un punct intr-un domeniu de volum t este mica in comparatie cu t. t   e (4. . probabilitatea de a gasi k puncte in orice domeniu stabilit sa depinda numai de aria sau volumul domeniului si nu de configuratia sa.) k! ca probabilitatea obtinerii a exact k puncte intr-un inteval fixat de lungime t.. Trecerea la limita se face la fel doar ca se obtine t in loc de .23.19. N. Omitand posibilitatea de a gasi mai mult decat un punct in 118 .  Ne  t t 1    . Daca N este mare. deci. probabilitatea de a nu avea nici un punct intr-un interval de lungime t este P 0. . S-a considerat pana acum repartitia evenimentelor aleatoare sau punctelor de-a lungul axei t.20) de a nu gasi nici un punct intr-un interval de lungime t. iar ipoteza fundamentala va fi ca.) gasim  t t 2  T  N P 1.21.  Nt  1 2!  si deci T t  (4. In particular. t) (4. de ori. Fie Nk numarul de repetari a experimentului in urma caruia s -au observat k evenimente. In locul intervalelor de lungime t vom avea domenii de arie sau volum t. [Aceasta sta la baza tuturor aplicatiilor probabilitatii si ii vom da o justificare mai precisa intr-un cap. Substituind (4.20. In caz contrar se va rationa in aceleasi ipoteze ca mai inainte: 10 daca t este mic.22.) astfel ca probabilitatea de a avea unul sau mai multe puncte este.. t   . socotim numarul evenimentelor dintr-un interval de lungime fixata t.21. 1 -e-t. Pentru a gasi probabilitatea ca un domeniu de volum t sa contina k puncte aleatoare.). de fiecare data. Cu cat  este mai mare cu atat este mai mica probabilitatea (4..t   e t (4. 12.) N Aceasta relatie da o semnificatie a estimarii lui  din observatii si a compararii teoriei cu experimentele.) in (4. .) T fiind valoarea medie.. dar acelasi rationament se aplica repartitiei punctelor in plan sau in spatiu. 20 domeniile care nu se suprapun sunt in mod reciproc independente.22. T (4. t   3P 3. Aceasta ne conduce la a considera  t  t  k P k .

pentru fiecare perioada. Se stie probabil ca repartitia Poisson a devenit cunoscuta ca “legea numerelor mici” sau a “evenimentelor rare”.870 . Intr-un renumit experiment3) a fost observata o substanta radioactiva pe parcursul a N2608 intervale de timp de 7.870) N k Kn Np(k.4. astfel ca pentru perioade relativ scurte conditiile pot fi considerate constante si putem spune ca avem o realizare ideala a ipotezelor care conduc la repartitia Poisson. In continuare. densitatea -particulelor va scadea.“Radiations from radioactive substances”. sunt interpretari gresite care s-au dovedit daunatoare realizarii rolului fundamental al repartitiei Poisson. Exemplele urmatoare vor arata cat de inselatoare sunt cele doua denumiri.325 8 45 67. numarul particulelor care au ajuns la un contor.418 5 408 393.075 Total 2608 2608.3. repartitia Poisson (4. stelele in spatiul cosmic. p. De fapt.515 6 273 253.3. Numarul total al particulelor este T T = kNk = 10. (Dezintegrarea radioactiva). cu timpul. Tabelul de mai jos prezinta rezultatele cu privire la numarul Nk de perioade cu k particule. Exemplul 4. Valorile teoretice N p(k.19).3 3) Rutherford.496 4 532 508.acelasi subdomeniu.094. numarul particulelor care ajung intr-o portiune data a spatiului in timpul t este cel mai bine cunoscut exemplu de evenimente aleatoare care se supun legii lui Poisson.000 Tabel 4. toate se distribuie in concordanta cu legea lui Poisson.523 2 383 407. La limita se obtine.3. iar media = 3. defectele intr-o stofa. Insa. 119 .189 k10 16 17.5 secunde fiecare si s-a stabilit. din nou. Acestea insa. presupunerea 1 0 implica faptul ca eroarea tinde la zero cand n. vom prezenta cateva exemple relative la repartitia Poisson. Bineinteles ca substanta continua sa se descompuna si.882 9 27 29. in ceea ce priveste radiul trebuie sa treaca cativa ani pentru a putea detecta o reducere a substantei. cirezile de animale pe camp. 1920. stafidele in cozonac.172. Chadwich si Ellis .817 7 139 140. Cambridge. semintele de buruiana printre semintele de iarba.399 1 203 210.870) 0 57 54.361 3 525 525. O substanta radioactiva emite  particule.

. astfel incat k  4) R.3.9323) Tabel 4.9323. K 0 1 2 3 4 5 si mai multe Nk 229 211 93 35 7 1 Np(k. p.2. Cat de lunga trebuie sa fie pentru a depinde de a r-a realizare ? (r este un intreg pozitiv fixat). Clarke . Acest eveniment apare daca si numai daca printre cele rk-1 probe exista k nerealizari.4 indica un caracter aleator si omogenitate perfecta a suprafetelor. Pentru a aprecia densitatea fluxului de particule. Este interesant de retinut ca s-a crezut ca exista o tendinta a punctelor de ciocnire de a se ingramadi. Sa consideram. el constituind o ilustrare instructiva a faptului bine cunoscut ca. numarul Nk al suprafetelor lovite de k bombe. Journal of the Institute of Actuaries. cam de 17 dintr -o 100 de cazuri comparabile. acum. inregistrandu-se intr-un tabel.se vede ca sunt apropiate de valorile observate Nk.39 98. ca cel de mai jos.14 1. r este preferabil sa se scrie =k+r. de ingramadire. iar urmatoarea proba sau cea de-a rk-a.r. pentru un ochi neexperimentat..5. (1946).62 7. 72.57 0. independenta de n.3. depinzand numai de . in mod clar. cu succes. Ca exemplu de distributie spatiala a punctelor aleatoare vom considera datele statistice privind bombardarea cu bombe dirijate ( bombe cu autonomie de deplasare) a zonei sudice a Londrei in timpul celui de-al doilea razboi mondial 4) . o secventa de n probe Bernoulli. . r si p. Tabelul 4. Ea este egala cu probabilitatea ca exact k nerealizari sa preceada cea de-a r-a realizare. Probabilitatea ca a r-a realizare sa se produca la proba rk (unde k0. in conditii ideale. in mod necesar. 226. Numarul total de realizari in n probe poate fi. Exemplul 4. Probabilitatile corespunzatoare sunt  r  k  1 r 1 k   p q si p.1.“An application of the Poisson distribution”.4 Numarul total al loviturilor de bombe este T   kN k  537 . Deoarece. atunci ar fi existat o frecventa mai mare a suprafetelor avand ori multe lovituri ori nici una si o diminuare a claselor intermediare. dar probabilitatea. ) va fi notata prin f(k. deci. ca cea de-a r-a realizare sa se produca la proba n este.54 30. Intreaga suprafata a fost impartita in N576 arii mici de cate t1/4 km2 fiecare. cu media tT/N0. pentru aprecierea densitatii fluxului se foloseste criteriul 2 (studiat in statistica matematica drept un criteriu de baza pentru verificarea ipotezelor statistice) cu ajutorul caruia se constata o abatere fata de tabelul 4.p).74 211. duce la o realizare. mai mic decat r. bineinteles. vol... Daca acest lucru ar fi fost adevarat. De obicei. caracterul aleator apare ca o regularitate sau ca o tendinta de aglomerare.D. Aplicarea repartitiei Poisson se face. este necesara o estimare a marimii probabile a fluctuatiei sansei.48 120 .

au fost N bete de chibrit si sa consideram momentul in care matematicianul respectiv descopera. p ) poarta numele de repartitie binominala negativa.27. . acum. el alege o cutie la intamplare.) sau (4. 1 alegerile succesive constituind. Cand vrea sa aprinda un chibrit.3.6. .r.) cu pr rezulta tocmai (4. in fiecare cutie. N chibrituri si fie ur probabilitatile corespunzatoare. iar (4. Un punct caracteristic este reprezentat printr-o secventa care contine un numar arbitrar. (4.p)    p r   q . insa.24. In acel moment. astfel. Sa identificam “o realizare” cu o alegere a cutiei din buzunarul stang. (4. sa ne punem intrebarea daca este posibil ca extragerile sa nu se sfarseasca niciodata. ca o cutie este goala. de litere N si exact r litere R. p rqk .26. 2. f ( k.) k0 Pentru a dovedi ca (4. r.) Inmultind. secventa f ( k. comunicata de H.) are loc este suficient sa se observe ca  r   k ( q ) k 0 k = (1-q)k = p-r (4. Sa presupunem ca la 2 inceput. In consecinta.26. probabilitatea unui asemenea punct este. pentru prima oara. r . Exemplul 4.  f ( k .2.27. Trebuie.) este nenegativa. (4. k. k0.) k  Tinand seama de faptul ca pentru orice a0   a k  a  k  1     1   obtinem din (4. Steinhaus ). . secventa terminandu-se printr-un R. p)  1. mai departe.26. Pentru r1 se reduce la repartitia geometrica pqk. Ea mai este numita deseori si repartitie Pascal. r . (Problema lui Banach. (4. Pentru r 0 arbitrar si 0 p1.25. prin definitie. p) este probabilitatea ca a r-a realizare sa se produca dupa un numar finit de k0 extrageri. Dupa cum se vede. .) k  k    r k f(k.p)   p q . . Un anume matematician poarta totdeauna o cutie cu chibrite in buzunarul din dreapta al hainei si una in cel din stanga. r. ca extragerile de tip Bernoulli sunt continuate atat cat este necesar pentru ca sa depinda de r realizari. Matematicianul va descoperi 121 . 1.  Atunci.26.  r  k  1 r k f(k. Cand r este un intreg pozitiv.25.24. .). . p ) poate fi interpretata ca reapartitia probabilista a timpului de asteptare pentru producerea celei de a r-a realizari.) k  Sa presupunem. extrageri de tip Bernoulli cu p  . marimea definita de relatiile (4.r. adica daca o secventa infinita de extrageri poate produce mai putin de r realizari.1. cealalta cutie poate contine 0.) are loc pentru orice r pozitiv. se poate nesocoti posibilitatea de a avea o secventa infinita cu mai putin de r realizari daca si numai daca   f ( k .24.

015447 0. Probabilitatea acestui eveniment este f(N-r.389931 6 0.037676 0.048363 0.834555 13 0.000379 0.000928 0.074790 0.987180 22 0.315140 5 0.952469 18 0.ca in buzunarul stang are o cutie goala intr-un moment cand cutia din buzunarul drept contine exact r bete daca si numai daca realizarea N1 este precedata de N-r nerealizari. )   2 (4.077177 0.937022 17 0.753890 11 0.974338 20 0.) 2  N  Valorile numerice pentru cazul N50 sunt date in tabelul urmator r ur Ur 0 0.005504 0.012283 0.058783 9.078785 0.998475 27 0.529506 7 0.009587 0.032538 0.002034 0.28.994121 24 0.042989 0.N+1. N+1.705527 10 0. rezulta ca probabilitatea cautata este 1  2 N  r  -2N+r ur = 2f(N-r.002901 0.593073 8 0.027676 0.996155 25 0.867094 14 0.000232 0.004041 0.063568 0.999077 28 0.964752 19 0.001392 0. 1/2).019081 0.079589 0.999456 29 0.894770 15 0.007338 0.651855 9 0.023171 0. Cum acelasi rationament se aplica pentru cutia din buzunarul drept.981676 21 0.000602 0.159178 3 0.067902 0.079589 0.053671 0.917941 16 0.997547 26 0.796879 12 0.991220 23 0.079589 2 0.999688 122 .237963 4 0.

. egali cu 2.).. Principala sa aplicatie se intalneste la modelele bazate pe schema bilei intoarse cand elementele se clasifica in mai mult decat doua categorii ( de exemplu. k4 sunt patru intregi de suma n. . . E r de volum. .0034. adica combinatiile (R.31. Rezulta. k r  n (4. N p1. fara greutate . k3. este n! p1k1 p 2k 2 p 3k3 .30. deci.. pot fi considerate ca un experiment compus cu patru rezultate posibile. Exemplul 4. p1q2. . (Probe Bernoulli multiple).. N pr. k2. . pr  . ..k r ! Aici ki sunt intregi arbitrari nenegativi care satisfac conditia k1  k 2. ( Selectie) . probabilitatea ca in n probe (RR) sa apara de k 1 ori . Repartitia multinomiala Repartitia binomiala poate fi generalizata.4.. Daca k1. q2 pentru nerealizari (sau insuccese). Repartitia multinominala da probabilitatile diferitelor combinatii posibile a unei selectii repetate de volum n luata din aceasta populatie.4. (RI) de k 2 ori. .) k1!k 2 !.R). . care este posibilitatea de a obtine fiecare fata de doua ori? Evenimentele E1. Relatia (4.) poarta numele de repartitie multinominala deoarece membrul drept este n termenul general al dezvoltarii multinominale a polinomului  p1. . Rezultatul a n probe este o secventa de tipul E2E1E3 . . . . Exemplul 4. Daca r  2... r ). Sa notam prin E1. . . 6 Exemplul 4.4.. . . q1 pentru realizari si p 2. .). in general. (R. Pentru r  2 avem probe Bernoulli. unde fiecare proba poate avea unul sau mai multe rezultate. Er rezultatele posibile ale fiecarei probe si sa presupunem ca probabilitatea realizarii lui Ei in fiecare proba este pi ( i  1. (I. k2n-k. q1p2.I). k1k.  pr  1..) se reduce la repartitia binominala cu p1p.. poate fi exprimata in felul urmator: probabilitatile celor patru rezultate sunt p1p2.I). ki sunt. in fiecare proba.. . etc. .. pi  0 (4. E r reprezinta cele sase fete .1.29. .3. Aruncand 12 zaruri. fiecare. . respectiv. iar fiecare p i este 1 6 12 egal cu .4.30. (I. etc. numerele pi nu sunt supuse decat conditiei p1  .3 ! k 4 ! 123 .4. p2q. Presupunerea ca cele doua secvente initiale sunt independente. Probabliltatea ca in n probe E1 sa apara de k1 ori. p rk r (4. Doua secvente de probe Bernoulli cu probabilitatile p 1.R).. clasificarea indivizilor dupa profesii). si q1q2 respectiv..2. la cazul a n probe repetate in mod independent. . E 2 sa apara de k 2 ori. atunci (4. 12! 2  6  0. este n! k k k k k k k k p1 1 2 q1 3 4 p21 3 q 2 2 4 k1 ! k 2 ! k..30. Fie o populatie cu N elemente impartita in subclasele E 1. .

33.5 φ(x) 0.6% din arie 99.5.2 0. avand forma de clopot.399 0. Graficul functiei g(x) este o curba descrescatoare. 4.3 0.1 Precizam ca s-au folosit unitati de masura diferite pe cele doua axe: maximum functiei g(x) este 1  aproximativ  2 2  0. asa cum se observa in figura 4. astfel ca intr-un sistem cartezian obisnuit curba yg(x) va fi mai turtita. 124 .)   2 2 poarta numele de functie de repartitie normala. simetrica fata de axa coordonatelor.4.67 0.)  2 2 se numeste functia densitate normala.3% din arie 95. iar integrala sa 1 2 1 x  2y N x  1  e dy (4. vom introduce doua functii deosebit de importante.7 % din arie Fig. Repartitia normala. In acest paragraf.4 0.399 .67 1 2 3 x 50% din arie 68.1 0 0. Teorema limita D e Moivre-Laplace. Definitia 4. 4.242 -3 -2 -1 –0. Functia definita prin 1 1  x2 g x  1 e 2 (4.32.5.1.1 0.

4.     Dar aceasta integrala dubla poate fi exprimata in coordonate polare astfel 1 2 1 2 1 2 1 2   2r   r  r  d  e r dr   e 2 r dr   e 2  0 1 .8 0.2 0.7 0.5 0.67 1 2 3 x Fig. 125 . Din definitia 4.5. Se observa ca 2 1       g( x )dx    g( x )g( y )dxdy  2 1    2 x  y 2     e 2   dxdy .34. Lema 4.4.1 -3 -2 -1 -0.6 0.1. 2 0 0 0 ceeace dovedeste lema.9 0.2.) este o curba in form de S cu N(-x)1-N(x) (4.5.1 si lema 4.2. Graficul ei (figura 4.1 rezulta ca N(x) creste tot timpul de la 0 la 1.67 0 0.35) N(x) 1 0.5.3 0. (4.4 0.)  Demonstratie. Domeniul marginit de graficul functiei g(x) si axa xx’ are aria egala cu unitatea. adica   g( x )dx  1 .

35.964070 1.2 0.7 0.0 0.368270 0.4 0. valori ale lui N(x) pentru x pozitiv.9 0.149727 0.017528 0.5 0.129518 0.2 0.333225 0.4 0.500000 0.971283 2.0 0.884930 1.0 0.999312 126 .7 0.999032 3.194186 0.352065 0.986097 2.289692 0.691462 0.078950 0.919243 1.815940 1.Prezentam in tabelul 4. t g(t) N(t) 0.6 0.6 0.110921 0.004432 0.977250 2. N(-x) obtinandu-se din (4.094049 0.312254 0.007915 0.539828 0.171369 0.996533 2.933193 1.998134 3.998650 3.003267 0.841345 1.955435 1.1 0.864334 1.8 0.5 0.391043 0.6 0.398942 0.013583 0.579260 0.995339 2.9 0.241971 0. doar ca orientare.1 0.2 0.035475 0.3 0.991802 2.005953 0.0 0.217852 0.4 0.8 0.3 0.1 0.381388 0.989276 2.993790 2.7 0.9 0.022395 0.655422 0.043984 0.758036 0.617911 0.1 0.788145 0.903200 1.2 0.725747 0.396952 0.053991 0.065616 0.997445 2.982136 2.002384 0.3 0.266085 0.028327 0.010421 0.8 0.).6 de mai jos.5 0.945201 1.

7 0.001723 0.000199 0.999841 3. Termenul functie de repartitie este folosit in literatura matematica pentru functii nedescrescatoare de variabila x care tind la 0 cand x- si la 1 cand x .5 0.37.6 0.000612 0. In statistica 127 . ca 1  1 1  x2 1 1  y2 1 e 2 x  1  e 2  1  y 2 dy  2  2 2  2 x iar integrantul din membrul drept este mai mare decat integrantul din 1  1y2 1  N (x)  e 2 dy 1  x  2 2 ceeace dovedeste a doua inegalitate din (4.4 0.000059 0. Cand x 1 1  x2 2 1-N(x)  1 e .000292 0.3 0.000089 0.3 0.2 0.999928 3.000025 0.5 0.000039 0.6 In multe situatii este convenabil sa se cunoasca o estimare elementara pentru 1-N(x) cand x este suficient de mare.001232 0.1 0.999952 4. Se poate verifica.4 0.9 0. pentru fiecare x 0 are loc dubla inegalitate 1 1 1  x2 1 1  1  x2 1 1 e 2   x x 3   1  N  x   1 e 2 (4. folosind 1 1 2  y2 3  y drept un nou integrant e 2 [1  4 ] care este mai mic decat e 2 .999767 3. 3.36. Prima inegalitate urmeaza in acelasi fel. (4.) 2  2 2  2 x Demonstratie.999663 3.999892 3.).000425 0.000134 0.000873 0. Are loc astfel Lema 4.999995 4.999991 4.999517 3.999987 4.000016 0.999968 4.2.5.) ( 2 ) x2 mai exact.37.0 0. y Observatie.999997 Tabelul 4.8 0.999979 4. prin diferentiere.

n.n.38. iar probabilitatea sa este P  Sn    b . Daca probabilitatea de aparitie a unui eveniment E in n probe independente este constanta si este egala cu p (0<p<1) atunci.p).39. evenimentul E sa apara de k ori satisface relatia 2 x 1  b(k. Integarala de la - la x a oricarei functii densitate este functie de repartitie. Functia de repartitie normala este numita adesea repartitie gaussiana . importanta sa depaseste domeniul calculului numeric. astfel. p . Daca se schimba originea si  x  a unitatea de masura. atunci N(x) se transforma in N   . aceasta functie se numeste functie  b  de repartitie normala cu media a si dispersia b2 .). b . probabilitatea evenimentului ca numarul realizarilor sa se gaseasca intre doua limite fixate initial  si  . uniform in m. n.) 2npq cand n. In practica intereseaza. probabilitatea b(k. (4. ca in fiecare dintre probe. The doctrine of chance (1718). Atunci.39. p (4. in mod obisnuit. urmatoarea teorema limita. Sa notam prin Sn numarul realizarilor in n probe Bernoulli. Scopul principal pe care-l urmarim este de a obtine o formula asimptotica pentru termenul general n! b( k . o realizare avand probabilitatea p. de DeMoivre si Laplace. 5) Abraham DeMoivre (1667-1754). Din fericire.p) din formula (4. n. n.. nu este posibila.p) este probabilitatea evenimentului ca Snk. Daca  si  sunt intregi si   . Aceasta descoperire se datoreste lui DeMoivre 5) si Laplace6) . Laplace a generalizat acest rezultat pentru p arbitrar diferit de 0 si 1. b(k. O astfel de formula a fost gasita.n. mai intai. Functia densitate este o functie nenegativa f(x) a carei integrala extinsa peste intreaga axa a x-ilor este egala cu unitatea.np): e 2 1 (4. p)  pk q n  k . astfel ca o evaluare directa. in mod obisnuit. p  b  1. Ulterior. dar ea a fost folosita in teoria probabilitatilor.). Se obtine. unde x=(k -np)(npq)-1/2. 128 .) Aceasta suma poate sa aiba multi termeni. de DeMoivre (in 1730) pentru cazul special cand p=q=1/2. cand x variaza intr-un interval finit. mai intai.) k !( n  k )! Aceasta necesitate se impune datorita dificultatilor considerabile pe care le ridica calculul lui b(k. dar adjectivul “cumulativ” este abuziv. ori de cate ori n este mai mare.38.se mai intalneste si termenul functie de repartitie cumulativa. n. Dupa cum se va vedea. se poate folosi functia de repartitie normala pentru a obtine aproximari simple ale probabilitatii (4.40. Teorema limita DeMoivre-Laplace.. atunci acest eveniment este definit prin egalitatea   Sn   .

tinem seama ca 1 k  np  x (npq ) 2 si (4.) 1 n  k  nq  x (npq ) 2 Din formulele (4. (4.) n n p k q n k  np  k  nq  n  k   np  k  nq  n k ln k  ln        ln   ln   k (n  k ) n  k  k   n  k    k  n k k nk   k ln  (n  k ) ln  np nq 1 1 1   1      q  2    p  2   np  x (npq ) 2  ln 1  x     nq  x (npq ) 2  ln 1  x        np       nq       1 1  q 2  p 2 Dar. pentru calculul factorialilor din (4.39. Revenind la (4.40. 129 . in conditiile impuse. daca x ramane marginit de doua constante arbitrare a si b atunci. din expresia lui x. Théorie analytique des probabilités (1812).)  2k (n  k )  k (n  k ) Sa consideram. Apoi.) obtinem succesiv 1 1 n n!  (2) 2 n 2 e n 1 1 k k!  (2) 2 k 2 e k 1 1 (n k ) (n  k )!  (2) 2 (n  k ) 2 e ( n k ) de unde rezulta 1 n!  n 2 nn  .) vom folosi formula lui Stirling n!(2)1/2nn+1/2e-n (unde am folosit semnul “” pentru a indica faptul ca raportul celor doi membri tinde la 1 cand n). k! (n  k )!  2k (n  k )  k k (n  k ) n  k Astfel.n. atat k cat si n-k tind la infinit cand n. p)    k n k . cantitatile x   si x   pot fi arbitrar de mici pentru n  np   nq  suficient de mare.41.42. probabilitatea b(k. astfel ca pentru cei doi logaritmi se poate folosi dezvoltarea in serie Taylor a logaritmului natural 6) Pierre Simon de Laplace (1749-1827).42. Mai intai.41.41. al doilea factor din (4.) pe care il vom calcula trecand la logaritmi si tinand seama de formulele (4.Demonstratie.p) devine 1  n  2 n n p k q n k b( k. n .) urmeaza ca. acum.

k k (n  k ) n  k Mai ramane de calculat primul factor din (4. ..) obtinem 1  1  2    n  2  n    2k (n  k )    (4. (1  t  1). in final n n p k q n k 1  1  ln k n k   x 2  O 1 / 2 . cum am mai precizat.   nq    nq  2 nq n    1 1 n n p k q n k  q  2 1 qx 2 2 1  q 2 1 1 qx 2 ln k   xnp   np   np  x ( npq ) 2    np   x ( npq ) 2  k (n  k ) n  k   2 np   2 np 1 1  p  2 1 px 2 1  p 2 1 1 px 2  1  Atunci  xnq   nq  x 2 (npq ) 2    x (npq ) 2  O 3 / 2    nq  2 nq  nq  2 nq n  1 1 1 1  q 2 1  p 2  1   x 2  x 2  qx 3    px 3    O 3 / 2 .43)    1  1   np  x (npq )  nq  x (npq )   2 2    130 . din nou. 2 2  np  2  nq  n  1 1  q 2  p 2 Dar. Revenind.. urmatoarea relatie se pastreaza uniform in x in orice interval finit de variatie a lui x 2 n n p k q n k  x k n k  e 2 k (n  k ) sau 2 n n p k q n k  x : e 2  1.42. 1 1 1 ln(1  t )  t  t 2  t 3  t 4  . k (n  k ) 2 n  Prin urmare.. la formulele (4. cantitatile   si   pot fi arbitrar de mici pentru n suficient de  np   nq  mare. 2 3 4 Marginandu-ne la primii doi termeni obtinem 1 1    q  2  q 2 1 qx 2   1  ln 1  x     x     O 3 / 2    np    np  2 np n    1 1    p  2  p  2 1 px 2  1  Si ln 1  x      x     O 3 / 2 .41. astfel ca.).

n . k=40.05 iar k  np 1  1.005. 1  2     1  1   1  1 1  .42 . (npq ) 2 Prin urmare. cand n rezulta x2 1  b( k. in mod uniform. p) : 1 e 2 1 2npq  2 ceea ce dovedeste teorema.n. Prin urmare. p)  1 e 2 2npq  2 x2 1  Sau b( k. 7.1. n .42 ) 2 1  b( k. p=0. n . p)  1 e 2 . Din teorema DeMoivre- Laplace avem 2   1  k  np     1 2 1   npq  2   b( k. Sa se determine b(k.) tinde la 1 cand n.    (npq )   2  q   2  p   2  1  x    1  x        np   nq     Al doilea factor din (4. in final.5.p) pentru n=10000. p)  1 e . Exemplul 4.05  2  2 Din tabele rezulta pentru functia 131 . 1  n 2 1  2k (n  k )   1 . n .43.   (npq ) 2 si. (1.75) 2  7. in fiecare interval finit de variatie al lui x. 2npq  2 In cazul de fata 1 1 (npq ) 2  (49.

44.05 Pe de alta parte. deci. respectiv.024207 0.014234 0. 595. Este normal sa ne intrebam.04839 0. p)  (npq ) 2  ( x k ) (4.p) cu formula (4. cat de buna este aproximarea probabilitatii b(k. Spre exemplu. p) : 1 e 2 1 2npq  2 cand n . p)   0.000002 1.014236 0.1456.39. Fie. p=q=1/2 si sa luam acele valori ale lui n pentru care este posibil sa avem xnk=1. Dupa cum se vede aproximarea data de teorema limita DeMoivre-Laplace este.n. Pentru simplificarea scrierii notam impartitorul de mai sus prin ( x nk ) 1 . Vom raspunde la aceasta intrebare prin exemplul urmator.000013 1.024194 0. n . n .0001 Tabelul 4. n .n.00008 1. In tabelul de mai jos sunt prezentate rezultatele calculului.2. Exemplul 4.04847 0.n. inca. se obtine pentru b(k. adica p=q=1/2.0065 100 0. putem spune.n. 55.p) in cazul datorat lui DeMoivre. 7.n. Conform teoremei limita DeMoivre-Laplace raportul x 2nk 1  b( k.0030 400 0. se obtine x nk=1 daca m=15.p).n.0004 1156 0.p) ( x nk ) ( x nk ) ( x nk ) 1 b(k.09676 0.p)0.1456 b( k. surprinzator de buna.) 132 .0206 .0197. asa incat 0. 1 b(k.5.09742 0. Cu notatia din exemplul de mai sus pentru (x).n.7. x2 1  ( x )  1 e 2 ( 2 ) 2 valoarea 0.p): 1 npq  2 npq  2 npq  2 25 0.00063 1. pentru n=25 sau 100 sau 400 sau 1156.) da valoarea (cu patru zecimale exacte) b(k. 210 sau. calculul probabilitatii b(k.p) aproximarea de forma urmatoare 1  b(k. npq  2 n b(k. In acelasi timp diferenta celor doua expresii tinde la 0 cand n.

2 si unde npq este doar 1.38.5.45.1. 4.2013. In mod evident.44. 133 .).0189.1. Cu n 2 alte cuvinte. [In figura 4. 0. Daca 1 1   (npq ) 2 x 3  0 si (npq ) 2 x 3  0 . se da o ilustrare a teoremei 4.3 Chiar si in acest caz extrem de nefavorabil aproximatia este surprinzator de buna. iar aproximatiile corespunzatoare (npq ) 2  ( x k ) sunt: 0. aproximatia normala corespunzatoare] . teorema 4.3154.n.0.6 sunt. Daca n si k in asa fel incat 1  0 atunci.5..2684. conduce la aproximatii simple pentru suma (4. pentru fiecare intreg k. respectiv.2 F F 0.0264. 0.0055.1 F F 0 1 2 3 4 5 6 Fig.0021.3020.1. Avem astfel n 2 xk3 Teorema 4.2307. 0. 0. sa presupunem ca n si k in asa fel incat  0 si n 3 k  0 . 0.5.6 F F F F 0. (4.3. 0. ultima conditie o implica pe prima si este similara cu conditia n2 x 3k 1  0 .3.5.  n (npq) (xk ) 2 n2 In figura 4.38.3 F F 0. p=0.2307.5. In mod direct.0904.1. are loc (4..p) A B xk 1 1 1   1 . pentru cazul n=4.) atunci (4.. Curba continua da.0880.44.10..2) pentru k=0.. Astfel. exista doua constante A si B astfel incat 3 b(k. k Introducand notatia k=k-np. 0. 1  0.1/5) a k realizari in 10 probe Bernoulli cu p=1/5. 0.10.0904. valorile probabilitatii b(k. 0. 0. prin urmare. functia in scara da probabilitatile b(k. 0. 0.) si.1074.).) ramane neschimbata pentru toti termenii din (4.

iar (npq ) 2 ( x k ) reprezinta aria dreptunghiului cu aceeasi baza].)   k 2   k  2    k 2   k  2      Sumand dupa k. Daca  si  variaza astfel incat conditiile (4. pentru orice k si n suficient de mare.  ( x  )] . se obtine 1 1 1 2 2 1   1   t k  x k  t k  x k t k  x k  (npq )  x k  (npq ) 2  2 2 2  4  de unde rezulta       1      e    N x 1   N x 1   (npq ) 2 ( x k )  e   N x 1   N x 1  (4. acum. (A doua varianta a teoremei limita DeMoivre-Laplace).   2  2  Fie.. In virtutea teoremei valorii medii exista o valoare t k astfel incat 1  N x k 1   N x k 1   (npq ) 2 ( t k ). Este interesant. Daca conditiile (4.48.) se realizeaza.45.46.  1 1 t 2 k  x 2k      (npq ) 2 ( x k )  e 2  N x k  1   N x k  1  . 2 (4. 1  P[  S n  ]  (npq ) [( x  )  ( x  1 )  .49. 1 1 1  1  xk  (npq ) 2  t k  x k  (npq ) 2 .47.. 134 . atunci     P[  Sn  ]  N x 1   N  x 1  (4. (4. S-a obtinut.)   2    2  unde xk=(k-np)(npq)-1/2. de cercetat cat de buna este a ceasta aproximare.)     Partea dreapta este o suma Riemann care aproximeaza o integrala [deoarece N x 1   N x 1   k 2   k2  reprezinta aria triunghiului cu baza 1 1 1  1  xk  (npq ) 2  x  x k  (npq ) 2 2 2 1  si marginit in partea superioara de tangenta la curba y=(x) in x=xk.) au loc atunci.5. un >0 arbitrar.2. deci. se gaseste ca raportul dintre membrul drept din (4. Teorema 4.) 2 2 Atunci.) si N x 1   N x 1    2    2  tinde la 1. astfel.45.46. o noua varianta a teoremei limita DeMo ivre-Laplace.

Omiterea lui 1  (npq ) 2 in relatia (4.)  2   2      Dar (npq)-1/20 cand n. Pentru fiecare < fixati P[a Sn  b]  Nb  Na .).) este prima teorema limita in teoria probabilitatilor. ambii membrii din (4. adesea este necesar sa se foloseasca (4. diferenta relativa dintre cei doi membrii ai expresiei (4.5.49. Cantitatea np se numeste media lui Sn. fixati si arbitrari. O forma mai simpla a teoremei limita 4.49. (4. se obtine daca. In statistica. [ Nu insistam aici asupra acestei chestiuni].51.52. acum. (4.) exprima faptul ca. In asemenea cazuri. dar care are. Ne vom referi ulterior la cazul in care  si  sunt atat de mari incat conditiile (4. Aceasta ne permite sa comparam fluctuatiile in serii diferite de probe Bernoulli simple.49.52. iar diferenta lor tinde la zero. Se foloseste (4.50. x  S n x.49.2.) este folosita ca o 135 . Din punct de vedere modern.) nu sunt indeplinite.49.) se pastreaza daca  si  sunt marginiti de valori pentru care x  si x raman intr-un interval fixat. [Aceasta vor fi introduse in capitolul 11 ].51. abaterea patratica medie a sa.) tinde la zero 1 1   odata cu x 3 (npq ) 2 si x3 (npq ) 2 . (4.) este ca.) pentru intervale (.) Relatia (4.) introduce o eroare care tinde la zero cand n. (4.45. Principalul fapt evidentiat de (4.). In aplicatii teoretice. Din punct de vedere istoric.) pentru care atat x  cat si x sunt mari. in 2 schimb.49. Inegalitatea Sn inseamna. In particular.5.52. pentru un n mare.) (npq ) 2 Aceasta se reduce la masurarea abaterilor lui S n fata de np in unitati de (npq)1/2. iar (npq)1/2. Altfel spus.1.52.) sunt mici si este important sa se stie ca raportul lor este apropiat de 1. ea este numai un caz extrem de special al teoremei limita centrala. Observatie. o influenta considerabila cand npq are o valoare potrivita. 1 1        ( npq ) 2   (npq ) 2  P[ x   Sn  x  ]  N x     N x   .) reprezinta forma clasica a teoremei limita a lui Laplace. (4. in aplicatii statistice. Corolarul 4.52.49. probabilitatea din partea stanga este in mod practic independenta de p. pentru x <x . in timp ce (4. astfel ca membrul drept tinde la N(x  )-N(x). uzand d e unitatile la care ne-am referit mai inainte. in mod obisnuit intr-un interval in care |x| si |x | nu sunt mai mari de 3 sau 4. (4. in loc de S n se introduce numarul redus de realizari definit prin S n  np S n  1 . Am ajuns astfel la urmatoarea varianta mai slaba a relatiei (4.

=95.337 n 2 este aproape ½.. Fie p=1/10. Exemplul 4.1490712. se obtine aceeasi probabilitate ca in n aruncari ale unui zar.. Daca la un joc de noroc un jucator se opreste la un moment care-i este favorabil..56325. Probabilitatea ca S n sa se gaseasca intre limitele 6 1 np  2(npq ) 2 este aproape N(2)-N(-2)=0.6745(npq)1/2 sunt aproape egal probabile.6745 si.).46.3235. Fie p=1/2.. probabilitatea ca. se obtine aproximarea N(5. Eroarea este neinsemnat de mica. eroarea din (4.).) prin integrala. in 200 de aruncari ale unei monede. Valoarea corecta este P[50Sn55]=0. independent de rezultatul probelor. dar aceasta numai datorita faptului ca in intervalul in discutie integrala supraestimeaza suma din (4. 136 . Cum (npq) =(45)-1/2=0. si -x-1/2=x+1/2=(5.5)(npq) -1/2=0. Sa se gaseasca un numar a astfel incat. durata jocului depinde de sansa.56331 .5(npq) -1/2)=0.5.3. Exemplul 4.141421. inegalitatea | S n |>a sa aiba o probabilitate apropiata de ½.aproximatie chiar cand npq este relativ mic. iar ca sa se gaseasca intre limitele 1 np  3(npq ) 2 este 0.46. cele doua inegalitati |Sn-np|<0. De asemenea.4.. Aici P[95Sn105] poate sa fie interpretata ca probabilitatea ca. acum..5.5.44. =105.49..) subestimeaza fiecare termen.. ultimul sau castig nu poate fi apreciat dupa aproximarea normala pentru ca. n=200. pentru un n mare. 1 n numarul de aparitii ale valorii sa fie situat intre limitele  0.251n 2 ..9545. =55. -1/2 Eroarea este de aproape 2%.) este mica in comparatie cu eroarea comisa inlocuind suma din (4.. Din tabelele care dau repartitia normala se obtine ca a=0.. numarul de aparitii ale valorii are o abatere de cel mult 5 fata de 100.7778. De fapt.. Serge Bernstein a consacrat o serie de articole cercetarii erorii in cazul general si a discutat modul in care sa se modifice definitia lui x t pentru a imbunatati convergenta in (4..317573.. [Aceasta eroare poate fi evitata prin folosirea formulei Euler- MacLaurin]. intr-o serie lunga de probe chiar cel mai improbabil lucru nu poate sa nu se produca. in timp ce aproximarea (4.5(npq) -1/2)-N(0. in n aruncari ale unei monede. Exemplul 4. din tabele) este 0. este important de retinut ca teoremele de aproximare sunt valabile numai daca numarul n de probe este fixat anterior.. Valoarea adevarata (obtinuta.6745(npq)1/2 si |Sn-np|>0. deci.44.. cazuri in care este necesara o estimare a erorii.9973. n=500.5. astfel ca intr-un joc continuu este practic sigur ca S n are o secventa maxima ca ordin de marime. Se are h=(50) -1/2=0.. de   2    2  asemenea. in multe cazuri. =50. Pentru aceasta este necesar ca N(a)-N(-a)=1/2 sau N(a)=3/4. numarul de aparitii ale fetei 1 1 n sa fie situat in intervalul  0.. In mod 2 similar.. Insa. Pentru fiecare n fixat este foarte improbabil ca S n sa fie mare.     Din tabele se obtine N x 1   N x 1   0. In particular.

adevarata.) ramane. In mod frecvent este de dorit ca numarul redus de realizari S n (conform 4. (4. in timp ce 1-N(x )1-N(x ). in continuare.53. Deci P[  Sn  ]  1-N(x) .   np x  npq pqx  Dar 1/(pq) fiind o constanta. rezulta ca 1-N(x ) este de un ordin de marime mai mic decat 1-N(x ).) se obtine n 1 n 1 P[ S n   ]  b(  .) Tinand seama de (4.) aceasta este echivalenta cu 1 P[Sn*  x]   ( x) (4.44.50.) x Demonstratie.3. din (4.) astfel incat x sa fie intre x  si x+1. x urmeaza ca membrul drept tinde la zero mai repede decat 1-N(x). Daca n si t variaza ca o functie de n in asa fel incat x.5. Dar.54. n. Acest rezultat. Atunci x 3 (npq ) 2  0 si (4.). iar 1  x x+lnx. In final. ceea ce necesita un rationament special pentru a arata ca teorema limita inca se aplica. ceea ce inseamna ca P[S n  ] este de un ordin de marime mai mic decat 1-N(x). iar 1 ( x  )  1  N( x  ) .54. p )    ( x )   ( x ) .) si din faptul ca x  x+ln x .[1-N(x )] .) Pe de alta parte. conduce la concluzia ca P[S n  ]  1  N( x ) ceea ce dovedeste teorema.36. ne vom referi la cazul cand abaterile sunt mari. asociat cu (4. Sa alegem intregii  si  in (4. 137 .49.) si (4.36. Prin urmare. din (4. Deci limita superioara a intervalului este infinita. iar 1  x 3 (npq ) 2  0 . Teorema 4.49.7.) sa depaseasca un numar dat x.54. atunci P[Sn*  x]  1-N(x) (4. P[  Sn  ]  [1-N(x )] .

.. Variabilele : X 1 . Reprezentari grafice 5.. valorile : observate (masurate) pe indivizii selectiei pot fi considerate ca valori a n variabile aleatoare independente : X 1 ... X 2 .. X n avand aceiasi repartitie teoretica cu cea a caracteristicii X studiate. Functia de repartitie de selectie . X n se numesc variabile de selectie..Daca volumul n al selectiei este foarte mic in raport cu volumul populatiei aflat in studiu nu se mai fac distinctii intre cele doua tipuri de x1 .. h istograma). Selectia repetata – individul extras din populatie si supus masurarii din punct de vedere al caracteristicii studiate se reintroduce in colectivitate inainte de a se extrage urmatorul.CAPITOLUL 5 Elemente de teoria selectiei OBIECTIVE Notiunile de baza ale statisticii matematice (populatie. Caracteristici numerice de selectie . selectie. x n selectie. Caracteristica unei populatii statistice este proprietatea.. Repartitie empirica. Datele statistice vor fi caracterizate cu ajutorul reprezentarilor grafice (poligonul frecventelor. valorile tipice ale caracteristicii X se numesc legi de repartitie teoretice respectiv valorile tipice teoretice.. studentii trebuie sa-si insuseasca: . sondaj) este o colectivitate partiala obtinuta prin extragerea la intamplare din populatia statistica a unui numar n limitat de indivizi si masurarea lor din punctul de vedere al caracteristicii studiate. Caracteristica se asimileaza cu o variabila aleatoare numita teoretica si notata X. La sfarsitul acestui capitol. Intr-o selectie realizata. Selectia nerepetata – cazul contrar selectiei repetate. valori tipice(empirice) de selectie) sunt prezentate impreuna ca exemple de natura practica. Legile de repartitie. x 2 . o trasatura. 138 . Colectivitate (populatie) statistica – o multime de elemente (indivizi) ce au in comun o proprietate. X 2 .. trasatura care se studiaza din punct de vedere statistic la populatia aflata in studiu. Numarul n reprezinta volumul selectiei.1 Selectie.. Selectia (esantion.

reprezinta raportul dintre frecventa absoluta v i corespunzatoare valorii x i si volumul n al selectiei. obtinuta intr-o selectie realizata de volum n.Frecventa absoluta vi a valorii xi ... Frecventa relativa fi a valorii xi. k 139 .  k k  f1 f 2 f n  i  1. k f i 1 i 1 υ i 1 i n cu i fi  n[a . fiecare avand aceiasi frecventa relativa ii) *  x1 x 2 xn  X  . x j  x i j Descrierea si sistematizarea datelor de selectie se face prin asa zisa repartitie a selectiei numita repartitie empirica a variabilei de selectie sau a variabilei empirice notata cu X* Se disting urmatoarele modalitati de definire a repartitiei empirice :   x x x  * 1 2 n X . x j  x i j respectiv f j.   1 1 1  n n n i) daca volumul n al selectiei nu este prea mare si toate valorile xi ale variabilei de selectie sunt distincte. respectiv relative corespunzatoare valorilor x j  xi deci υ j.. obtinuta intr-o selectie realizata de volum n. a ]  X *  i 1 i   υi  i 1.. i fi  n Frecventa absoluta respectiv relativa cumulata a valorii x i obtinuta intr-o selectie de volum n reprezinta suma frecventelor absolute. reprezinta numarul de aparitie a valorii x i in cadrul selectiei realizate.

b] in r subintervale de lungime egala cu h.sunt situate intr-un interval [a.. b) a 1  a  a 2  a 3  .. [a.iii) in cazul in care valorile rezultate in urma unei selectii realizate. k i fi  n Functia empirica de repartitie * Fn (x) se defineste pentru fiecare x  ca raportul ν n (x) νn (x) n dintre numarul 140 . a 3 ) [a k -1 . a i ) O reprezentare mai putin exacta a repartitiei empirice X* in acest caz.b] al axei reale. a 1 ) [a 1 .  b  a k 1  h iar frecventa absoluta reprezinta in acest caz numarul valorilor xi ale variabilelor de selectie ce cad in [a i1 . a 2 ) [a 2 . In acest caz se considera o impartire a intervalului [a. k unde : a i 1  a i ci  2 sau c  X *  i   υ i  i 1. poate fi si : c  X *  i   υ i  i 1.

xi 1  x  xi . x  xi  i 1  Fn*   f j . k avem 141 .. n  n 1. i  2. i  2. Functia empirica de repartitie reprezinta suma frecventelor relative a valorilor xi care cad la stanga lui x.   f1 f 2 fn  k k i i  1. k  υi  n f i 1 fi  i 1 i 1 n cu avem 0. adica frecventa relativa a evenimentului X*  x * ν n (x) Fn (x)  n -pentru   x x x  * 1 2 n X  .. x  x n -pentru *  x1 x 2 xn  X  . a i ]  X    υi i  1. 1 1 1   n n n avem 0. de valori xi din selectie mai mici decat x si volumul n al selectiei. x  xi i  1  Fn*   .. k  j 1 1. xi 1  x  xi . x  x  n -pentru *  [a i -1 ..

x  a  b  k avem Reprezentarea grafica 1. x  a  a 0  i 1 *  x  a i 1 Fn   f j  f i . Pe axa absciselor se considera subintervale (a i-1 . cuh  a i  a i 1  j 1 h 1.k ci  a i 1  a i fi  0. k  j 1 1. x  b  a  k -pentru i X*  cfi i1. a i 1  x  a i . Poligonul frecventelor absolute (respectiv relative) Pe axa absciselor se masoara valorile xi . cand se impune gruparea valorilor xi obtinute pe subintervale (clase) [a i-1 . iar in dreptul fiecarei v alori xi se ridica cate o perpendiculara de lungime egala cu fi (respectiv vi) corespunzatoare valorii xi. a i ) de lungimi egale.vi ) (respectiv (xi.b].vi )) se obtine poligonul frecventelor. Histograma Se utilizeaza in cazul in care valorile de selectie obtinute sunt situate intr-un interval [a. Unind punctele (xi. iar pe axa ordonatelor valorile frecventelor absolute vi (respectiv relative fi). 3. a i 1  x  a i . 0. a i ] considerat ca baza. x  a  i 1 2 n *  Fn   f j . Reprezentarea in batoane Se masoara pe axa absciselor valorile xi ale variabilelor de selectie. se ridica un dreptunghi a carui latura (inaltime) este egala cu υi h respectiv 142 . i  2. a i ] de lungimi egale cu h. 2. k . Pe fiecare subinterval (a i-1 . i  2.

conturul superior al histogramei.(corespunzator cu repartitia empirica a lui X* (1) 1 n r m *r   Xi n i 1 (2) 1 k k m *r   υ i X ir   f i X ir n i 1 i 1 (3) 1 k k m *r   υ c i i r   f i c ir n i 1 i 1 Media (empirica) de selectie (4) 1 n m *  m 1*  X   Xi n i 1 (5) n m *  m 1*  X   f i X i i 1 (6) 1 n m *  m 1*  X   fici n i 1 143 . Pentru o selectie de volum mare. Momentul initial (empiric) de selectie de ordin r.2 Valori tipice (empirice) de selectie. fi h In acest fel. ne ofera o imagine suficient de exacta a graficului densitatii de repartitie teoretice ρ(x) a variabilei aleatoare (caracteristicii) teoretice X. 5. aria unui dreptunghi va fi vi respectiv fi .

Mediana Este valoarea caracteristicii care imparte volumul n al selectiei in doua parti egale si se noteaza cu m *e Daca n=2k+1 atunci m *e  x k 1 iar daca n=2k atunci m *e  x k sau x k+1 sau x k 1  x k 2 Modul sau moda Este valoarea caracteristicii pentru care frecventa corespunzatoare este maxim a si se noteaza cu m *0 Momentul centrat (empiric) de selectie de ordinul r. r  Ν* (corespunzator cu repartitia empirica a lui X *) (7) 1 n μ   (X i  X ) r r * n i 1 (8) 1 n n μ *r   υ i (X i  X ) r   f i (X i  X ) r n i 1 i 1 (9) 1 n n μ *r   υ i (c i  X ) r  f i (c i  X ) r n i 1 i 1 Dispersia de selectie (10) 144 .

1 i 1 pentru selectii de volum n<=50. Raportul n n -1 se numeste corectia lui Bessel si avem 145 . (16) 1 n S2   (X i  X ) 2 n . 1 n μ *2  S 2   (X i  X) 2 n i 1 (11) n μ *2  S 2   f i (X i  X ) 2 i 1 (12) n μ *2  S 2   f i (c i  X ) 2 i 1 Exista si alte moduri de a defini dispersia de selectie si anume (13) 1 n S*2   (X i  m) 2 n i 1 (14) k S*2   f i (X i  m) 2 i 1 (15) k S*2   f i (c i  m) 2 i 1 daca media teoretica m=M(X) este cunoscuta.

(4). 146 . n 2 s2  S n -1 din relatiile (10) si (16).(10) avem urmatoarele propri etati: M(m r )  m r * 2) m n .  n n2 n 1 n S2   (X i  X ) 2  (X  m) 2  S*2  (X  m) n i 1 Asimetria Se noteaza A*cu si se defineste prin: *μ *3 n A  3  (X i  X) 3 nS i 1 Excesul: Se noteaza cu E * si are formula: μ *4 1 n E*  4 3  (X i  X) 4  3 S nS 4 i 1 Excesul masoara gradul de turtire al poligonului frecventelor relative. Proprietati: Pentru valorile empirice (1).1 22r 2r  m M(S 2 D (m r )   σ nn M(X )  m 1 2 σ2 D 2 (X)  D (X)  n n μ 4  μ 22 2(μ 41  2μ 22 ) μ 4  3μ 22 D 2 (S 2 )  .

Intr-un studiu statistic al rezultatelor obtinute la examenul de matematica de studentii anului I ai unei Facultati de Stiinte Economice.10  0 0   35 35 35 35 35 35 35 35 35  147 .3 Aplicatii. d) poligonul frecventelor relative. e) media si dispersia de selectie.5. 3 0 0 2 5 3 5 5 6 3 3 Studenti(vi) Sa se determine: a) frecventa relativa a fiecarei note. Solutie : a) i fi  i  0. situatia notelor obtinute la examenul de matematica este prezentata in tabelul de mai jos: Nota(xi) 0 1 2 3 4 5 6 7 8 9 10 Nr. b) repartitia variabilei empirice. Mentionand ca pentru cei absenti de la examen. 1. s-a convenit nota 0. s-a ales o grupa formata din 35 de studenti.10 n n=35 ν1 ν2 ν3 2 f1  0 f2  0 f3   n n n 35 ν0 3 f0   n 35 ν 54 35 ν6 5 ν7 5 f 54   f6   f7   n 35 n 35 n 35 b) ν8 6 ν9 3 ν 10 3 f8   f 9   f 10   n 35 n 35 n 35 x   0 1 2 3 4 5 6 7 8 9 10  X *  i  X*  3 2 5 3 5 5 6 3 3  f i  i 1. c) functia empirica de repartitie si graficul sau.

x  x  k 0.0  x  1  3 / 35. xi 1  x  xi .2  x  3 5 / 35.6  x  7  23 / 35.5  x  6 18 / 35. x  x1  i 1 *  Fn   f j .1  x  2  3 / 35.4  x  5 Fn   13 / 35. x  10  Fn* xi 0 10 148 .c) 0. x  0 3 / 35. i  2. k  j 1 1.9  x  10 1.3  x  4  * 10 / 35.7  x  8 29 / 35.8  x  9  32 / 35.

03) 2  6(8  6. b) Functia empirica de repartitie. s -au extras la intamplare 200 de becuri.20 0. care au fost testate pentru a afla numarul de ore de functionare. Solutie: a) Datele de selectie fiind grupate pe intervala de lungime 20 de ore repartitia variabilei de selectie X* o vom da sub forma 149 .03) 2  3(9  6.03) 2 ] 2.03) 2  5(7  6.03) 2  3(5  6. c) Histograma si poligonul frecventelor relative.03 1 n 1 S2   ν i (x i  X )  [3(0  6. 0.03) 2  5(4  6.03) 2  3(10  6.03) 2  2(3  6.00 11 d) 1 10 10 1 211 X  n i 0 ν x i i   i 0 f i x i  (3  2  4  5  5  3  6  5  7  5  8  6  9  3  10  3)  35 35  6. Din productia de becuri a unei intreprinderi. ti) Nr de 3 17 30 35 50 24 18 15 7 1 becuri ( vi) Sa se determine: a) Repartitia variabilei empirice . Datele obtinute au fost grupate pe intervale de timp de cate 20 de ore si sunt date in tabelul urmator : Timp de 1340 1360 1380 1400 1420 1440 1460 1480 1500 1520 functionare 1360 1380 1400 1420 1440 1460 1480 1500 1520 1540 ( ti-1.03) 2  n i 0 35  5(6  6.

1490  x  1510  1999 / 200.1510  x  1530  1. x  1350 3 / 200. x  1530 Graficul lui Fn* ( x) 150 . functia de repartitie este: 0.1370  x  1390  50 / 200. x  X *  i   f i  i 1. x  c1  i 1 *  Fn   f j . i  2.1390  x  1410 85 / 200. x  c  10 0.1350  x  1370  20 / 200.1430  x  1450 159 / 200.1470  x  1490 192 / 200.10  j1 1.1410  x  1430  Fn*  135 / 200.10 unde t i 1  t i ci  2 este mijlocul intervalului [t i1 . c i 1  x  c i . t i ] 1350 1370 1390 1410 1430 1450 1470 1490 1510 1530  X*  3 17 30 35 50 24 18 15 7 1     200 200 200 200 200 200 200 200 200 200  b) Pentru repartitia data anterior.1450  x  1470  177 / 200.

a  X *  i i   νi  caz in care avem: 0. Fn* este o functie in scara: xi O reprezentare mai exacta a lui 1350 1510 Fn* ( x) se poate obtine considerand repartitia  [a . a i 1  x  a i .1460  x  1480  (177 / 200)  (15 / 200)  (( x  1480) / 20).1420  x  1440 Fn   (135 / 200)  (24 / 200)  (( x  1440) / 20). x  b 0. x  a  i 1 *  x .1480  x  1500 (192 / 200)  (7 / 200)  (( x  1500) / 20). x  1540  151 .1520  x  1540 1.1380  x  1400 (50 / 200)  (35 / 200)  (( x  1400) / 20).1360  x  1380  (20 / 200)  (30 / 200)  (( x  1380) / 20).a i-1 Fn   f j  f i .1440  x  1460 (159 / 200)  (18 / 200)  (( x  1460) / 20). i  2.1400  x  1420  * (85 / 200)  (50 / 200)  (( x  1420) / 20).1500  x  1520  (199 / 200)  (1 / 200)  (( x  1520) / 20).1340  x  1360  (3 / 200)  (17 / 200)  (( x  1360) / 20). x  1340 (3 / 200)  (( x  1340) / 20).10  j1 h 1.

c) 0.30 0.Graficul acestei functii de repartitie se obtine din graficul frecventelor relative cumulate printr-o translatie. 152 .10 de la punctul a).00 1340 1520 Unind mijloacele laturilor de sus dreptunghiurilor se obtine poligonul frecventelor relative fata de repartitia c  X *  i   f i  i 1.

1 Estimatii. Operatia prin care se evalueaza parametrii necunoscutii ai legii de repartee teoretice se numeste estimarea parametriilor si ea se face pe baza unei selectii de volum n efectuata din populatie pe care este considerate variabila X cu legea specifcara care contine parametrul ce trebuie estimat. Consideram o populatie de volum mare si o caracteristica asociata populatiei aflatain studiu static... Tn (X1 .CAPITOLUL 6 Elemente de teoria estimatiei OBIECTIVE Estimarea parametrilor teoretici ca apar in diverse tipuri de repartitii statistice se face prin trei metode fundamentale: a momentelor.. studentii trebuie sa-si insuseasca: ... θ) a populatiei generale . X n ) reprezinta o aproximatie a valorii parametrului ø din legea de repartitie teoretica F(x.. In multele situatii legea de repartie teoretica se intuieste cu ajutorul reprezantariilor grafice atasate variabile de selectie X * si depinde de anumiti parametrii a caror valori sunt necu noscute..Tipuri de estimatii.se numeste estimatia punctuala a parametrului ø. Tipuri de estimatii Estimatie nedeplasata  θ Tn (X 1 . X 2 . a verosimilitatii maxime. Metode de estimare ale parametrilor 6..Valoriile caracteristicii X sunt repartizate dupa legea unei variabile aleatoare teoreticii necunoscute si pe care incercam sa la cunoastem prin folosirea unei variabile de selectie(empirice ) X *. Tipuri de estimatii ale parametrilor .. X n ) 153 . La sfarsitul acestui capitol.. X 2 .. X 2 . X n ) Statistica definita univoc de variabilele de selectie a carei valoare ptr o selectie efectuata  θ Tn (X 1 . Aceste estimari vor fi facute pe baza datelor de selectie obtinute in urma studiului caracteristicilor populatiei date.. a intervalelor de incredere.

. X 2 ....este o estimatie nedeplasata a parametrului ø din repartitia teoretica daca :  ()M(θ)Tn  M(Tn (X 1 ..atunci θ este negativ deplasata fata de θ Estimatia absoluta corecta 1)   ()M(θ).. X n ))   1) 2) Estimatia deplasata 1)  ()M(θ)   2)  M(θ)  θ 3)  B n  M(θ)  θ (deplasarea estimatiei). X 2 .  Daca Bn>0. n   Estimatie corecta 1)   ()M(θ).atunci θ este pozitiv deplasata fata de θ  Daca Bn <0... D 2 (θ)   154 . D 2 (θ)   2)  M(θ)  θ (nedeplasata) 3)  D 2 (θ)  D 2 (Tn (X 1 . X n ))  .

X n ) este o estimatie a parametrului θ nedeplasata sau deplasata cu  lim B n  lim M((θ) . Teorema 1 (Rao-Cramer) Daca  θ  Tn (X 1 ... 2)  M(θ)  M(Tn (X 1 ... X 2 .. Propozitia 1: Daca statistica  θ  Tn (X 1 .. θ)  I( θ )  M     M   2      se numeste cantitatea de informatie pe o observatie... θ)    2 lnρ (x.. n   3)  D 2 (θ)  0... X 2 ... X 2 .. n   Estimatie consistenta ()ε  0 Avem lim P( Tn (X 1 .θ)  0 n  n  si daca  lim D 2 (θ)  0 n  atunci estimatia θ este o estimatie consistenta. 155 .. X n ) converge in probabilitatea catre θ . X 2 .... 1 D 2 (Tn )  n  I( ) unde 2  lnρ (x.. X n ) este o estimatie nedeplasata a parametrului θ din repartitia teoretica a variabilei X atunci.. X n )  θ  ε)  1 n  adica  θ  Tn (X 1 . X 2 . X n ))  θ  α n ( θ ) cu α n ( θ)  0.

. b) θ 3)  dFθ  dFθ   .Conditiile de regularitate necesare aplicarii inegalitatii lui Rao-Cramer sunt: 1)multimea valorilor lui θ formeaza un interval ( a..θ)   A( θ )  N(x) Estimatia eficienta sau de minima dispersie este o estimatie nedeplasata θ *  Tn* (X1 . X n ) a lui θ este raportul. θ)   . X 2 . 156 . 2)  ρ(x.... ()θ  (a.b ) al axei reale .. b)  θ  Egalitatea in inegalitatea Rao-Cramer are loc in cazul in care ρ (x. X n ) a lui θ pentru care * 2 1 D (θ )  nI(θ) si 1 n θ*   L(x i ) n i?1 Eficienta estimatiei  θ  Tn (X 1 . θ)  . b) θ θ 4)  () θ o estimatie nedeplasata a lui θ avem :     θ dF   θ θ dFθ  1 θ  θ 5) 2   M  lnρ (x. X 2 . ()θ  (a.. θ) verifica ecuatia lnρ (x. θ  (a.. θ)  A / ( ) L (x) .

Estimatia suficienta  θ  Tn (X1 .. (1) Media de selectie 157 . X 2 . X n ) a lui θ se numeste asimptotic eficienta.. n   n  I( θ ) Propozitia 2. α n ( θ )  0.. α n ( θ )  0.. 1 2 *  D (θ ) n  I(θ( e n (θ)  e n (Tn )    2 D 2 (θ) D (Tm ) unde θ* este estimatia eficienta a lui θ si avem 0  e n (Tn )  1 Daca e n (Tn )  1 n atunci estimatia  θ  Tn (X1 . n    ( θ este estimatia corecta) 2)  (1  α m/ ( θ )) 2 D 2 (θ)  D 2 (Tn )  . Proprietate Orice estimatie eficienta este si consistenta.. X n ))  θ  α n ( θ )..... X 2 .. X n ) este o estimatie suficienta a parametrului θ daca 1)  M(θ )  M(Tn (X1 ... X 2 .

Metoda momentelor Consideram ca pentru caracteristica X aflata sub cercetare statistica. .dintr-o populatie cu caracteristica X este o estimatie nedeplasata a dispersiei teoretice 6.2 Metode de determinare a estimatiilor. (2) Dispersia de selectie 1 n s2   ( xi .x )2 n i 1 obtinuta printr-o selectie de volum n. Bn  - n n (3) Dispersia de selectie 1 n s2   ( xi . functia de frecventa (in cazul discret) respectiv densitatea de repartitie (in cazul continuu) este 158 .m) 2 n i 1 2 σ M ( s *2 )  σ 2 obtinuta printr-o selectie de volum n.x )2 n i 1 obtinuta printr-o selectie de volum n.dintr-o populatie cu caracteristica X este o estimatie deplasata a dispersiei teoretice σ 2  D 2 (X) σ2 σ2 M ( s2 )  σ2 . dintr-o populatie cu caracteristica X este o estimati nedeplasata a dispersiei teoretice σ 2  D 2 (X) M ( s2 )  σ2 (4) Daca media teoretica m=M(X) a caracteristicii X este cunoscuta atunci dispersia de selectie 1 n s*2   ( x i . 1 n x  xi n i 1 obtinuta printr-o selectie de volum n dintr-o populatie cu caracteristica X este o estimatie nedeplasata a mediei teoretice m=M(X) a caracteristicii.

. f ( X .. .. θ s )  m *r  m *r (x 1 ...... X n ). ... r  1.. X n ))   r (X 1 . r  1.. θ 2 . metoda momentelor consta in urmatoarele: (1)Se calculeaza primele s momente de selectie: 1 n r m *r   xi n i 1 sau 1 k k m   νi  xi   fi  x r * r r n i 1 i 1 sau 1 k k m *r   f i  c r i   f i  c ir . s ce constituie estimatii ale parametrilor θ 1 . r  1.. .... m *s (X 1 . X 2 . θ 2 .. x n ). .. X 2 ... s (3)Daca ecuatiile sistemului sunt independente functional.. Presupunand ca exista si sunt finite momentele initiale pana la ordinul s ale variabilei teoretice X... atunci rezolvand sistemul in raport cu θ 1 . .. x 2 . θ 1 . θ s ) si depinde de s parametrii θ 1 . θ s 159 .. . θ s ce trebuiesc estimati... θ s se obtin solutiile:     r   r (m1* (X 1 .. θ 2 . X n ). θ 2 .. θ 2 .. X 2 ... s n i 1 i 1 (2)Se considera sistemul de s ecuatii: m r  M(x r )  m r (θ1 .

X n deci θ *  θ * ( X 1 . x n ... . x 2 . X n corespunzator unei selectii de volum n. . Valoarea lui θ* depinde de valorile variabilelor de selectie X 1 ... . Valoarea θ* a parametrului θ care se obtine se numeste estimatie de verosimilitate maxima a parametrului θ din legea teoretica. .. x n .. x 2 . . x n . pentru caracteristica X asociata unei populatii aflata in studiu statistic.. X 2 . θ) i 1 unde  (x . θ) Deci estimatia de verosimilitate maxima se obtine ca solutie a ecuatiei: n  ln P ( x 1 . X 2 . θ) reprezinta densitatea de probabilitate in cazul continuu sau functia de frecventa in cazul discret. X n ) Maximul functiei P ( x 1 ... .. x 2 . θ)  0 θ i 1 θ Ecuatia de mai sus se numeste ecuatie de verosimilitate maxima. .. θ)   σ(x i . . . Etape : (1) Se construieste functia de verosimilitate: 160 ...Metoda verosimilitatii maxime Functia de verosimilitate n P (x 1 .. . θ) are loc pentru aceiasi valoare a lui θ care asigura maximul functiei ln P ( x 1 ... Functia de verosimilitate reprezinta densitatea de repartitie respectiv functia de frecventa pentru vectorul aleator X 1 . . x n . x 2 . θ)  ln P ( x 1 . . X 2 .

. . Daca densitatea de probabilitate sau functia de frecventa σ(x. θ s ) i 1 2 s   0...... x n . x n .. Solutia θ *  θ * (X 1 . x 2 . .. X 2 . . θ s )   ln ρ (x i .. X 2 . x n ... . . . n P ( x 1 . θ *2 . x n .. . .... θ ) ln P ( x 1 . x n .... θ 1 . x n .. ..... ..1  j  s(**) θ j i 1 θ j (4)Se rezolva sistemul de la punctul (3) si se obtin solutiile θ 1* ... θ) i 1 (3) Se considera ecuatia de verosimilitate maxima n ln ρ (x ... θ 2 . x 2 . (*) θ i 1 θ (4)Se rezolva ecuatia de la punctul (3) in raport cu θ . θ 1 .... . θ) i 1 (2)Se calculeaza: n ln P ( x 1 .. θ .. x 2 . θ)   ln ρ (x i . θ)   ρ i (x i . θ 1 . θ 1 ...... θ 2 . θ s )   ρ (x i . x 2 . θ 1 .. θ s ) i 1 (3)Se considera sistemul de s ecuatii: n lnρ (x . θ 2 . (5)Se verifica daca d 2 P(X 1 . X n ) obtinuta este o estimatie de verosimilitate maxima. metoda verosimilitatii consta in urmatoarele: (1)Se construieste functia de verosimilitate: n P ( x 1 . θ 1 . Orice estimatie eficienta verifica ecuatia verosimilitatii maxime. θ 2 ... Teorema2. θ s ) depinde de s parametrii.. θ 1 ... θ *s care sunt estimatii asimptotic eficiente ale parametrilor 161 .. θ)  ln P ( x 1 . x 2 . . θ s ) i 1 (2)Se logaritmeaza functia de verosimilitate: n ln P ( x 1 . θ) i   0.. x 2 ... θ * )  0 (conditia de maxim). X n . θ . ... θ 2 . .

. θ)  n  M   θ  (b) Sistemul de ecuatii (**) are o solutie (θ 1* . cov( X ... ... θ *2 ....... X ). da posibilitatea de a indica un interval despre care se poate afirma cu o probabilitate cunoscuta ca acopera valoarea parametrului  estimat... X ) c   1 2 2 2 n .D (X ) .. θ1 . m 2 .......... θ s Teorema3. X n ) care pentru valori mai mari ale lui n...... X 2 ).... X 2 ).. X n )   2  cov(X .... Sa presupunem ca efectuand o selectie 162 ...... θ s ) si o matrice de covarianta: 1   2 lnρ   n  M( ) ............. j  s  θ i θ j  Matricea de covarianta a unui vector aleator se defineste astfel: D 2 (X1 ).... este repartizata normal cu media m = θ si dispersia 1 1 σ2   2 n  I(θ(   ln ρ(x..... X 2 ......... (a) Ecuatia de verosimilitate maxima ( * ) are o solutie θ*  θ* (X1 ...... cov(X1 .. X 2 ).. θ 2 ... cov( X n ...1  i...   2  cov(X n .. cov( X 1 ... θ 2 ..D (X n )  Metoda intervalelor de incredere Metoda intervalelor de incredere de estimare a parametrului dintr-o repartitie teoretica a caracteristicii X.... θ *s ) care pentru valori mari ale lui n este repartizata normal cu media (m 1 .... m s )  (θ 1 ... ........... ....

Daca  si  sunt asfel incat pentru un  dat cu 0<  < 1 sa avem:  P ( (X1 ... unde  nu depinde de  . X n )  ( X1 ..... X 2 . θ) este o marime constanta dar necunoscuta.. se numeste coeficient de incredere.. X n )  cu    astfel incat probabilitatea inegalitatii     sa nu depinda de  . Valoarea  = 1.. X n  de volum n din populatia a carei lege de repartitie teoretica este ρ (x. Pentru o selectie realizata  si  au valori bine determinate iar pentru foarte apropiat de 1  intervalul (  .. in timp ce parametrul  din repartitia teoretica ρ (x... X 2 .. X 2 . X n )     (X1 . X n ))    ...... iar marimea 163 . X 2 .  ) acopera parametrul necunoscut  . X n )     (X1 ..  X1 . θ) .. X 2 . exista doua functii de selectie  ( X1 . X n ))  1    Se numeste interval de incredere pentru parametrul  ...  Cu cat intervalul (  ... adica P ( (X1 .  ) este mai mic si probabilitatea  este mai aproape de 1 cu atat avem o  indicatie mai precisa cu privire la valoarea constanta a lui  .. X 2 ... Intervalul de incredere este un interval aleator ale carui limite depind de datele selectiei. X 2 ..

estimeaza cu precizie valoarea necunoscuta a parametrului  .3 Aplicatii. Un interval de incredere de lungime mica construit cu un coeficient de incredere mare.5 22 22. θ1  θ 2 ρ( x.5 24 24.5 1. 6.5 25 xk) υk 91 76 75 74 92 83 79 73 80 77 Presupunand ca variabila teoretica X ce reprezinta greutatea in grame a bilelor de otel cantarite are o repartitie uniforma cu densitatea: 1 x  [ θ1 .5 21 21.5 23 23.5 21 21. 20 20.    se numeste lungimea intervalului de incredere. θ 2 )]. θ 2 )  θ 2  θ1 sa se estimeze prin metoda momentelor parametrii θ1 . θ 2 . Valoarea  = 1-α se numeste prag de semnificatie.5 24 24. Solutie: θ1  θ 2 θ12  θ1  θ 2  θ12 M(x)  m1  2 M(x )  2 3 Estimatiile   θ1 .5 23 23. θ1 . 20. pe baza rezultatelor celor 800 de cantariri. θ 2 164 . 1.5 22 22. Repartitia de selectie obtinuta ca rezultat a cantaririi a 800 de bile de otel este data in tabele de mai jos: (Xk.

4 x  3m*2  x  3(m1*  m*2 ) Luand dispersia nedeplasata θ1  2 x .2 3(n  1) θ2  x s n avem 165 .2 3(n  1) θ 1  xs n  1.se obtin rezolvand sistemul:  θ1  θ 2  2  m1*  x  2 2  θ1  θ1  θ 2  θ 2  m *  3 2  1.2 2 2 θ 2  x  x .θ 2  (2 x .θ 2 )  θ 22  3m*2  2  θ 22  2 xθ 2  4 x  3m*2  0 21 n S   (x i  x ) 2 n  1 i1 * s 2 (n  1)*2 m m  2 1 n  1.θ 2 ) 2  (2 x .

parametrii m si ai repartitiei σ2 normale pentru o selectie oarecare de volum n....96) 0. x n .... σ)  e . x 2 . stiind ca: 1 1 (x  m) 2 2σ 2 ρ(x. σ 2 )   ln σ 2  ln(2 )  2  (x i  m) 2 2 2 2σ i1 166 .2 2.. x 2 . σ 2 )  n e i 1 σ ( 2π ) Logaritmam: n n 1 n ln P(x 1 . rezulta x  22. . . m.Avem   3(n  1) 3(n  1) θ2  x  s θ1  x  s n n Din datele problemei prezentate in tabel.96 iar legea de repartitie va fi 1 ρ(x)  x  (19. σ  0 σ 2π Solutie: Functia de verosimilitate este: n 1 1 2σ 2  (xi m)2 P(x1 . m.. m  . x n . Sa se estimeze folosind metoda verosimilitatii maxime. Obtinem astfel   1  19.47 Iar s=1. m.24.98  2  24.44.98.

caci 2 σ2 2 M(σ )  σ  n cu σ2 α n (σ )   0.Sistemul ecuatiilor de verosimilitate va fi:  ln P 1 n  m  σ 2  i 1 (x i  m)  0   ln P   n  1  1  (x  m)  0 n  σ 2 2  2 2 4 i1 i Rezolvand sistemul in raport cu m si σ2 obtinem:  1 n m   xi  x n i1 2 1 n  1 n    (x i  m) 2   (x i  x ) 2  s 2 n i1 n i1 Avem  1 n 1 M(m)  M(  (x i )   n  m  m n i1 n  1 n  1n n 1 2 M(σ )  M(  (x i . n   n 167 .x) 2 )  M(s2 )  2 σ n i1 n i1 n 2  este o estimatie corecta dar nu absolut corecta.m) 2  M(  (x i .

b).(1-α=0. 3.99. 2..47 Deci m Є (2.0318  2.831 Intervalul de incredere va fi: s 0.0318  2.0318  2.0.8.99.2.3.0303 x  t 0. 2.0303 x  t0. 2.pentru media m a populatiei. 3.2.7. 3.9838 0.1.9.831  22 22 0. Sa se determine intervalul de incredere pentru dispersia σ2 Solutie a). 2. 168 .n1  t0. 3. 3.3. X 2 .3.9.0318 22 i 1 2 1 22 1 22 s   ( xi  x)   ( xi  x) 2  0.98. 3. 2. 2. 3.0798) cu o probabilitate de 0.9.0.2.831  22 22 0.99.1.0..0798 0. 3. 2. Se cunosc rezultatele X 1 .0318  2.1. 3. sa se determine un interval de incredere 98%.4. 2. X 22  a n=22 masuratori ale unui unghi oarecare in grade:3. 1 22 x  xi  3.1. 21  2.831  4.1...9838 . 3.47 s 0.2.0303 2 n  1 i 1 21 i 1 Din tabela corespunzatoare functiei de repartitie a repartitiei Student cu n-1=21 grade de libertate deducem conform cu t1 / 2. 21  3.174  3.9. 3.831  2. 21  3. a).8.98). 3. 3.Presupunand ca rezultatele masuratorilor urmeaza o lege normala.9.174  3.

b). Din tabela corespunzatoare a repartitiei χ 2 (anexa 4) cu n-1=21 grade de libertate si in baza
intervalului de incredere avem:

χ 12-/2;n -1  χ 0,99;21
2
 8,897

χ 2 /2;n -1  χ 0,01;21
2
 38,932

Deci

21  0,0303 21  0,0303
 2 ( ; )
38,932 8,897

 2  (0,01634;0,07151)

169

ANEXA 1

REPARTITIA NORMALA

Z 0,00 0,01 0,02 0,03 0,04
0,0 0,00000 0,00399 0,00798 0,01197 0,01595
0,1 0,03983 0,04380 0,04776 0,05172 0,05567
0,2 0,07926 0,08317 0,08706 0,08095 0,09483
0,3 0,11791 0,12172 0,12552 0,12930 0,13307
0,4 0,15542 0,15910 0,16276 0,16640 0,17003
0,5 0,19146 0,19497 0,19847 0,20194 0,20540
0,6 0,22575 0,22907 0,23237 0,23565 0,23891
0,7 0,25804 0,26115 0,26424 0,26730 0,27035
0,8 0,28814 0,29103 0,29673 0,29673 0,29955
0,9 0,31594 0,31859 0,32381 0,32381 0,32639
1,0 0,34134 0,34357 0,33614 0,34849 0,35083
1,1 0,36433 0,36650 0,36864 0,37076 0,37286
1,2 0,38493 0,38686 0,38877 0,39065 0,39251
1,3 0,40320 0,40490 0,40658 0,40824 0,40988
1,4 0,41924 0,42073 0,42220 0,42364 0,42507
1,5 0,43319 0,43448 0,43574 0,43699 0,43822
1,6 0,44520 0,44630 0,44738 0,44845 0,44950
1,7 0,45543 0,45637 0,45728 0,45818 0,45907
1,8 0,46407 0,46485 0,46562 0,46638 0,46712
1,9 0,47128 0,47193 0,47257 0,47320 0,47381
2,0 0,47725 0,47784 0,47831 0,47882 0,47932
2,1 0,48214 0,48257 0,48300 0,48341 0,48382
2,2 0,48610 0,48645 0,48679 0,48713 0,48745
2,3 0,48928 0,48956 0,48983 0,49010 0,49036
2,4 0,49180 0,49202 0,49224 0,49245 0,49266
2,5 0,49379 0,49306 0,49413 0,49430 0,49446
2,6 0,49534 0,49547 0,49560 0,49573 0,49585
2,7 0,49653 0,49664 0,49674 0,49683 0,49693

170

ANEXA 2

FUNCTIA DE REPARTITIE STUDENT CU N GRADE DE LIBERTATE

F n 0,70 0,80 0,90 0,95 0,99 0,999
1 1,963 3,074 6,314 12,706 63,657 636,619
2 1,380 1,886 2,920 4,303 9,925 31,598
3 1,250 1,638 2,359 3,182 5,841 12,941
4 1,190 1,533 2,132 2,776 4,604 8,610
5 1,156 1,476 2,015 2,571 4,032 6,859
6 1,134 1,440 1,943 2,447 3,707 5,959
7 1,119 1,415 1,895 2,365 3,499 5,405
8 1,108 1,397 1,860 2,306 3,355 5,041
9 1,100 1,383 1,833 2,262 3,250 4,781
10 1,093 1,372 1,812 2,228 3,169 4,587
11 1,088 1,363 1,796 2,201 3,106 4,437
12 1,083 1,356 1,782 2,179 3,055 4,318
13 1,079 1,350 1,771 2,160 3,012 4,221
14 1,070 1,345 1,761 2,145 2,977 4,140
15 1,074 1,341 1,753 2,131 2,947 4,073
16 1,071 1,337 1,746 2,120 2,921 4,015
17 1,069 1,333 1,740 2,110 2,898 3,965
18 1,067 1,330 1,734 2,101 2,978 3,992
19 1,066 1,328 1,729 2,093 2,861 3,883
20 1,064 1,325 1,725 2,086 2,845 3,850
21 1,063 1,323 1,721 2,080 2,831 3,819
22 1,061 1,321 1,717 2,074 2,819 3,792
23 1,060 1,319 1,714 2,069 2,807 3,767
24 1,059 1,318 1,711 2,064 2,797 3,745
25 1,058 1,316 1,708 2,060 2,787 3,725
26 1,058 1,315 1,706 2,056 2,779 3,707
27 1,057 1,314 1,703 2,052 2,771 3,690
28 1,056 1,313 1,701 2,048 2,763 3,674
29 1,055 1,311 1,699 2,045 2,756 3,659
30 1,055 1,310 1,697 2,042 2,750 3,646
40 1,050 1,303 1,684 2,021 2,704 3,551
60 1,046 1,296 1,617 2,000 2,660 3,460
120 1,041 1,289 1,658 1,980 2,617 3,373
1,046 1,282 1,645 1,960 2,576 3,291

171

9 18.99 7.01 8.56 3.7 1 0 16 5.025 0.12 0.0 18.3 6 9 7 172 .5 20.950 0.65 2.1 29.56 8.81 6.09 26.87 1.67 10.10 0.71 3.40 5.23 6.58 6.24 16.3 26.47 24.3 25.0 16.82 3 0.21 29.00 39.9 28.43 0.96 9.5 23.5 21.57 7.3 28.23 6.69 34.72 31.6 1 6 14 4.30 0.71 1.38 9.41 40.27 4 0.010 0.28 18.21 4.25 7.0 16.0 23.61 9.06 7.9 8 2 10 2.7 27.30 18.0398 0.23 9.63 6.0 12.49 13.5 30.01 5.18 2.3 7 7 12 3.0 27.09 20.3 2 7 8 1.05 0.26 8.24 1.55 0.84 5.3 24.1 6 1 9 2.0 23.31 23.0 24.8 25.17 14.3 20.02 0.55 22.5 26.8 15.2 33.33 4.40 42.57 5.25 3.8 8 7 9 18 7.05 0.6 9 1 11 3.17 2.78 9.58 37.94 4.5 7 6 0.35 0.5 4 9 7 1.39 10.1 13.86 15.20 10.21 13.5 17.46 5 0.5 30.9 24.05 3.57 4.24 11.ANEXA 3 REPARTITIA HI-PATRAT n/α 0.63 10.9 19.01 2.83 9 58 2 0.9 5 3 13 4.023 0.81 9.0 14.04 19.24 1.2 19.975 0.83 12.990 0.14 36.81 7.69 2.8 22.11 5.3 15.10 0.89 7.22 32.8 31.15 1.5 14.1 6 8 15 5.70 3.83 1.3 34.73 3.90 0.41 7.79 21.0 21.3 4 0 17 6.66 27.09 2.49 11.58 17.35 11.0316 0.02 6.22 0.001 0 0 0 1 0.6 12.60 5.26 7.64 2.82 4.7 27.6 16.8 32.6 26.66 5.81 22.6 21.

4 13.1 14.59 58.5 48.3 16.9 12.9 14.2 30.0 30.9 18.6 14.7 47.9 4 2 4 29 14.93 468 4 1 7 22 9.2 11.2 46.1 43.3 14.9 41.2 18.7 13.8 18.3 4 1 1 21 8.64 54.5 1 4 1 28 13.57 54.7 39.5 38.2 6 0 1 25 11.3 16.6 44.3 44.0 35.8 15.2 35.91 10.4 28.3 7 9 6 30 15.6 40.26 9.89 59.6 27.2 13.5 20.2 43.5 13.8 41.29 48.4 34.5 38.9 37.54 11.9 36.3 11.0 12.8 40.8 15.64 49.90 10.98 51.6 7 8 5 26 12.28 56.6 40.6 16.6 16.4 34.8 5 0 4 20 8.1 36.7 0 6 7 173 .9 12.19 7.63 8.5 45.7 40.0 50.0 42.1 14.2 36.2 37.6 32.7 5 1 7 24 10.19 43.7 19.1 41.7 49.6 13.31 52.1 11.4 17.0 17.59 10.2 29.4 39.6 33.1 9 6 8 27 12.0 16.6 35.4 42.96 55.1 38.8 33.9 45.3 4 1 2 23 10.4 31.9 36.1 32.8 32.3 37.

Elemente de teoria multimilor si a structurilor algebrice. de l’Academie de la Roumanie. Berlin. 3. New York.. FELLER. R. The Theory of Probability. 1976... Principes de logique et de philosophie mathématique. Probabilitati si Procese Stochastice.. IOSIFESCU. CUCULESCU. ROSENBLATT. 1977.G. New-York.. Ed. TUDOR. London. 1976. SIMIONESCU. 1967. O. 9. 11. 14. I.. 2. W. Vol. HALMOS. 1998. GIHMAN. COCAN. 16. Ed. SPITZER. Albastra. MIHOC. 1976. 12. M. 15. Academiei R. ORMAN.R. 1956. Teoria Probabilitatilor. KEMENY.V.. M. New York. Universitatii Brasov. Heidelberg Berlin. Ed. GIHMAN . A. Éléments de théorie moderne des probabilités.V. Berlin. 1966. II. 1982.. J.. 1978. 1960.. A.. GNEDENKO. G. Ed.T.Bibliografie 1. Springer-Verlag. FELLER. C. G. Ed. 22. Vol.. I. Dunod.. Tehnica. C. ONICESCU. SKOROHOD. Universitatii Brasov. IONESCU TULCEA C. LOÈVE.. Measure Theory.P. 4. CIUCU. PRESTON. 19. S. 1974. Probability Theory. W. A.P. Elementary Probability Theory with Stochastic Processes Springer-Verlag... Elemente de teoria probabilitatilor si statistica matematica. Bucuresti.V.. 1966. New York Heidelberg Berlin.. Academiei Romane. Springer-Verlag. 7. Cluj-Napoca. Springer-Verlag.. M. Berlin. 1977. Springer-Verlag. Inc. Paris. Springer-Verlag. Springer-Verlag. GH. C. 174 .. GH. Academiei Romane. Inc. Teoria probabilittilor si statistica matematica. Vol II. Springer-Verlag. Mir Publishers. An Introduction to Probability Theory and its Applications. ORMAN. Probability Theory. 20. 1979. VASILACHE. Teoria Probabilitatilor. Principles of Random Walk. M. I. 21. John Wiley&Sons. Springer-Verlag.. HÉRAULT. Calculul probabilitatilor si aplicatii. London. Berlin. Random Processes. THEODORESCU. Ed. All.. ONICESCU..L. John Wiley&Sons. G.. ORMAN. I.. I. The Theory of Stochastic Processes I.V.... 1956.. 10.. CHUNG. 1974. G. Berlin. LOÈVE. B. 1975.V. 1999. Ed.... Finite Markov Chains. 1974. K.. SKOROHOD. Capitole de Matematici Aplicate.V. SNELL. Vol. I. 8. Vol.I. 1971. MIHOC. 5. II. Ed. 13. F. Random Fields.I.. 18. J. 1975. Bucuresti. Berlin.. An Introduction to Probability Theory and its Applications. The Theory of Stochastic Processes II. Bucuresti. P. Moscow..L. 6. 17. O. 23. D. Berlin. Springer-Verlag. 1974. Ed.