Repartiţii clasice Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete

Convergenţa variabilelor aleatoare Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue

Repartiţia discretă uniformă Repartiţia binomială

Definiţie
Definiţie
Metode numerice şi statistică Spunem că variabila aleatoare discretă X are o repartiţie uniformă dacă
Spunem că variabila aleatoare discretă X are o repartiţie binomială cu
parametrii n ∈ N şi p ∈ (0, 1) dacă ia valorile 0, 1, 2, . . . , n cu probabilităţile
distribuţia ei este
Curs 10
⎛ x1 xn ⎞ P (X = k) = Cnk pk q n−k , ∀k = 0, 1, 2, . . . , n,
X∶ , unde pk = , ∀k = 1, 2, . . . , n.
x2 ... 1
⎝ p1 pn ⎠
unde q = 1 − p.
p2 ... n
lect. Ciprian Deliu
B cdeliu@tuiasi.ro
m moodle.deliu.ro Teoremă Teoremă
Media şi dispersia unei variabile aleatoare discrete repartizate uniform Media şi dispersia unei variabile aleatoare discrete repartizate binomial sunt:
Universitatea Tehnică ”Gh. Asachi” Iaşi sunt:
Facultatea de Hidrotehnică, Geodezie şi Ingineria Mediului E(X) = np, V ar(X) = npq.
1 n
E(X) = ∑ xi Dacă A este un eveniment legat de o experienţă iar proabilitatea ca A să se
2019 n i=1
realizeze când efectuăm o singură dată experienţa este P (A) = p, atunci
2
1 n 2 1 n
= ∑x − ( ∑ xi )
variabila aleatoare care are ca valori numărul realizărilor lui A când efectuăm de
V ar(X)
n i=1 i n2 i=1 n ori experienţa are o repartiţie binomială cu parametrii n şi p.

Metode numerice şi statistică - Curs 10 1/15 Metode numerice şi statistică - Curs 10 2/15 Metode numerice şi statistică - Curs 10 3/15

Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete
Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue

Repartiţia Poisson Repartiţia continuă uniformă Repartiţia normală

Definiţie Definiţie Definiţie
Spunem că variabila aleatoare discretă X are o repartiţie Poisson cu parametrul λ > 0 Spunem că variabila aleatoare X are o repartiţie uniformă pe intervalul [a, b] Spunem că variabila aleatoare X are o repartiţie normală (gaussiană) de
dacă poate lua orice valoare ı̂ntreagă pozitivă cu probabilităţile dacă densitatea ei de repartiţie este parametri m şi σ dacă densitatea ei de repartiţie este
⎧
⎪
⎪ 1 , x ∈ [a, b]
λk −λ (x−m)2
−
P (X = k) = e , ∀k = 0, 1, 2, . . . . f (x) = √ e 2σ2 , m, x ∈ R, σ > 0.
1
f (x) = ⎨ b−a
k! ⎪
⎪ x ∈ (−∞, a) ∪ (b, ∞)
⎩0,
σ 2π

Teoremă Graficul densităţii unei v. a. repartizate N (m, σ 2 ) este

Media şi dispersia unei variabile aleatoare discrete repartizate Poisson sunt: Funcţia de repartiţie a unei variabile aleatoare uniforme este
⎧
⎪ x≤a dreapta x = m este axă de simetrie;
E(X) = λ, V ar(X) = λ. ⎪
⎪
⎪
0,
F (x) = ⎨ x−a a<x≤b. pentru x = m se atinge valoarea
⎪
,
⎪
⎪
⎪
b−a maximă a densităţii √1 ;
Dacă n este suficient de mare şi p suficient de mic (n ≥ 30 şi np < 5), atunci ⎩1, x>b σ 2π

putem aproxima repartiţia binomială cu parametrii n şi p prin repartiţia Poisson punctele x = m − σ şi x = m + σ
de parametru λ = np. Din acest motiv repartiţia Poisson se mai numeşte legea Media şi dispersia unei variabile aleatoare uniforme sunt sunt puncte de inflexiune.
evenimentelor rare. a+b
Exemple de variabile aleatoare care au repartiţii de tip Poisson: numărul erorilor E(X) = Pentru m = 0 şi σ = 1 se obţine repartiţia normală standard N (0, 1) având
2
(a − b)2
de pe o pagină (sau grup de pagini) dintr-o carte, numărul persoanelor dintr-o densitatea de repartiţie
comunitate care au peste 80 ani, numărul defectelor apărute la un dispozitiv V ar(X) = . f (x) = √ e− 2 .
1 x2
complex ı̂ntr-un interval de timp, numărul clienţilor unui magazin pe parcursul 12
unei zile, etc. 2π
Metode numerice şi statistică - Curs 10 4/15 Metode numerice şi statistică - Curs 10 5/15 Metode numerice şi statistică - Curs 10 6/15

Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete
Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue

Repartiţia normală Repartiţia normală Repartiţia exponenţială

Funcţia Φ ∶ R → R dată prin Teoremă Definiţie
Dacă variabila aleatoare X are o repartiţie normală cu parametrii m şi σ, atunci Spunem că variabila aleatoare X are o repartiţie exponenţială de parametru
Φ(x) = √ ∫ e− 2 dt
1 x t2
valoarea medie şi dispersia sa sunt λ > 0 dacă densitatea ei de repartiţie este
2π 0
E(X) = m, V ar(X) = σ 2 . ⎧
⎪ −λx
⎪λe , x≥0
f (x) = ⎨
se numeşte funcţia integrală a lui Laplace şi are proprietăţile
1 Φ(0) = 0, ⎪
⎪ x < 0.
⎩0,
2 Φ(∞) = 1 , Propoziţie
3 Φ(−x) = −Φ(x), ∀x > 0.
2
Dacă variabila aleatoare X are o repartiţie normală cu parametrii m şi σ, iar Funcţia de repartiţie este
a, b, k ∈ R, k > 0 atunci ⎧
Funcţia de repartiţie a unei variabile aleatoare N (0, 1) este a) P (a < X < b) = Φ ( b−m ) − Φ ( a−m );
⎪
⎪0, x≤0
F (x) = ⎨
⎪
⎩1 − e , x > 0.
−λx
⎪
σ σ
b) P (∣X − m∣ < kσ) = 2Φ(k).
F (x) = + Φ(x).
1
2 Media şi dispersia sunt:
Dacă variabila aleatoare X este repartizată N (m, σ 2 ), atunci
Folosind tabelele de valori ale funcţiei Φ găsim:
P (∣X − m∣ < σ) = 2Φ(1) = 0.6826, adică cel puţin 68% din valorile lui X se află E(X) =
1
, V ar(X) = 2 .
1
variabila aleatoare Y = σ1 (X − m) este repartizată N (0, 1) şi ı̂n intervalul (m − σ, m + σ). λ λ
obţinem pentru funcţia de repartiţie a lui X: P (∣X − m∣ < 2σ) = 2Φ(2) = 0.9544, adică cel puţin 95% din valorile lui X se află Dacă variabila aleatoare care dă numărul de apariţii ale unui eveniment ı̂n
x−m
ı̂n intervalul (m − 2σ, m + 2σ). intervalul [0, t] este repartizată Poisson de parametru λt, atunci variabila
F (x) = + Φ ( ).
1
P (∣X − m∣ < 3σ) = 2Φ(3) = 0.9974, adică cel puţin 99% din valorile lui X se află aleatoare care dă lungimea intervalului de timp dintre două apariţii
2 σ ı̂n intervalul (m − 3σ, m + 3σ). succesive ale evenimentului este repartizată exponenţial de parametru λ.
Metode numerice şi statistică - Curs 10 7/15 Metode numerice şi statistică - Curs 10 8/15 Metode numerice şi statistică - Curs 10 9/15
 Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete Repartiţii clasice Repartiţii discrete
Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Repartiţii continue

Repartiţia Gamma Repartiţia Gamma Repartiţia χ2

Definiţie Funcţia de repartiţie este Definiţie

⎧
Spunem că variabila aleatoare X are o repartiţie χ2 cu n grade de libertate
⎪ x≤0
Spunem că variabila aleatoare X are o repartiţie Gamma de
parametru a > 0 dacă densitatea ei de repartiţie este ⎪
⎪0, dacă densitatea ei de repartiţie este
F (x) = ⎨ 1
⎪ a a−1 −λt
x > 0. ⎧
x
⎪
⎪ ∫ λ t e dt, ⎪
⎪ x>0
n −1 − 1 x

⎧
⎪ ⎩ Γ(a) 0 ⎪ n n x2 e 2 ,
1

⎪
λa xa−1 e−λx
, x>0 f (x) = ⎨ 2 2 Γ( 2 )
⎪
f (x) = ⎨ Γ(a) ⎪
⎪0,
⎩ x ≤ 0.
⎪
⎪ x ≤ 0.
⎩0, Media şi dispersia sunt
Graficele densităţilor unor v. a. repartizate χ2 pentru diverse grade de libertate:
E(X) = , V ar(X) = 2 .
a a
∞
unde λ > 0, a > 0, iar Γ(a) = ∫0 xa−1 e−x dx. λ λ repartiţia χ2 este un caz particular
al repartiţiei Gamma pentru λ = 12
Γ(a) se numeşte integrala Gamma a lui Euler şi are Pentru a = 1 se obţine repartiţia exponenţială. şi a = n , n ∈ N;
Pentru a = 2, 3, . . . repartiţia Gamma corespunzătoare se
2
proprietăţile: media şi dispersia sunt

Γ(a) este convergentă pentru a > 0 şi divergentă pentru a ≤ 0; numeşte repartiţie Erlang. E(X) = n, V ar(X) = 2n;
Γ(a + 1) = aΓ(a); Dacă variabila aleatoare X este repartizată normal de
√ parametri m şi σ, atunci variabila aleatoare Y = 2σ1 2 (X − m)2
Γ(1) = 1 şi Γ ( 21 ) = π;
are multe aplicaţii ı̂n statistica

are o repartiţie Gamma cu parametrii λ = 1 şi a = 12 .

inferenţială, motiv pentru care
Γ(n) = (n − 1)!, ∀n ∈ N∗ . funcţia ei de repartiţie este tabelată
pentru diverse valori ale lui n.
Metode numerice şi statistică - Curs 10 10/15 Metode numerice şi statistică - Curs 10 11/15 Metode numerice şi statistică - Curs 10 12/15

Repartiţii clasice Repartiţii discrete Repartiţii clasice Legea numerelor mari Repartiţii clasice Legea numerelor mari
Convergenţa variabilelor aleatoare Repartiţii continue Convergenţa variabilelor aleatoare Teorema limită centrală Convergenţa variabilelor aleatoare Teorema limită centrală

Definiţie Legea numerelor mari Teorema limită centrală

Spunem că variabila aleatoare X are o repartiţie Student ( t) cu n grade de
libertate dacă densitatea ei de repartiţie este Definiţie
Spunem că şirul de variabile aleatoare (Xn )n∈N este convergent ı̂n
Γ ( n+1 ) − n+1 Teoremă
probabilitate la variabila aleatoare X dacă pentru orice ε > 0
2
f (x) = √ (1 + ) , n ∈ N, x ∈ R. Fie şirul de variabile aleatoare independente (Xn )n∈N cu aceeaşi
2 x 2

nπΓ ( n2 ) n
lim P (∣Xn − X∣ > ε) = 0.
n→∞ repartiţie, pentru care există E(Xn ) şi V ar(Xn ) ≠ 0, ∀n ∈ N.
Notăm cu
Yn − E(Yn )
Media şi dispersia unei variabile aleatoare repartizate Student sunt
1 n
E(X) = 0, V ar(X) =
n Teoremă
Yn = ∑ Xk , Zn = √
n−2 V ar(Yn )
.
Fie un şir de variabile aleatoare (Xn )n∈N independente şi identic repartizate cu n k=1
Pentru n → ∞ densitatea repartiţiei Student converge către densitatea
repartiţiei normale standard. E(Xn ) = m şi V ar(Xn ) = σ 2 , ∀n ∈ N. şi cu (Gn )n∈N şirul funcţiilor de repartiţie ale variabilelor aleatoare
Zn . În aceste condiţii şirul (Zn ) converge ı̂n repartiţie la o
Atunci variabila aleatoare Yn = ∑ Xk converge ı̂n probabilitate la m.
1 n
Definiţie
n k=1 variabilă aleatoare cu distribuţia N (0, 1), adică
Spunem că variabila aleatoare X are o repartiţie Fisher-Snedecor cu
parametrii n1 , n2 ∈ N dacă densitatea ei de repartiţie este
lim Gn (x) = √ ∫ e− 2 dt.
1 x t2
Legea numerelor mari este cunoscută şi sub denumirea de regularitate
⎧
⎪
n +n n +n
− 12 2 statistică. Termenul de regularitate statistică se motivează ı̂n felul următor: 2π −∞
⎪ Γ( 1 2 2 )
n1 n→∞
⎪( n1 ) −1
(1 + x>0
n1
2 n1
f (x) = ⎨ n2 Γ( 21 )Γ( 22 )
n n x 2 x) , dacă avem o caracteristică X şi se fac n determinări independente
⎪
n2
⎪
⎪0, x ≤ 0.
⎩
x1 , x2 , . . . , xn , apoi m determinări independente y1 , y2 , . . . , ym ale acesteia,
atunci pentru n, m mari avem n1 ∑n k=1 xk ≃ m ∑k=1 yk .
1 m

Metode numerice şi statistică - Curs 10 13/15 Metode numerice şi statistică - Curs 10 14/15 Metode numerice şi statistică - Curs 10 15/15