Upload
mihai-honceriu
View
254
Download
0
Embed Size (px)
Citation preview
7/24/2019 ala bala portocalaala bala portocala
1/158
Probabilitati si statistica
Conf. dr. Cristian Niculescu,Facultatea de Matematica si Informatica,
Universitatea din Bucuresti
October 5, 2015
Part I
Probabilitati
1 Cmp de probabilitate. Operatii cu eveni-mente si formule de calcul pentruprobabilitatile acestora. Evenimente indepen-dente. Probabilitatea conditionata. Formula
lui Bayes
1.1 Cmp de probabilitaten teoria probabilitatilor consideram un experiment cu un rezultat dependentde sansa, care e numit experiment aleator. Se presupune ca toate rezultateleposibile ale unui experiment aleator sunt cunoscute si ele sunt elemente ale uneimultimi fundamentale denumita ca spatiul probelor. Fiecare rezultat posibil estenumitproba si un evenimenteste o submultime a spatiului probelor.
Notatii. Fie multime.P() := fAjA g :Fie A :A= CA:= fa 2 ja =2 Ag :Denitia 1.1. Fie multime. K P() se numeste corp borelian sau
-algebrape daca si numai daca
1)K 6= ;2) A 2 K =) A 2 K3) A1; A2;:::;An;::: 2 K =)
[n
An2 K.(; K)se numeste spatiu masurabilcndKeste corp borelian pe :Proprietati. Daca (; K)este spatiu masurabilatunci:
1
7/24/2019 ala bala portocalaala bala portocala
2/158
a) 2 Kb)
; 2 Kc)A1; A2;:::;An2 K =)
n[i=1
Ai2 K.d) Icel mult numarabila (i.e. nita sau numarabila), Ai2 K; 8i2 I =)\
i2IAi2 K
e)A; B2 K =) AnB2 K.Demonstratie. a)K 6= ; =) 9A 2 K =) A 2 K =) = A [ A [ A [
A [ ::: 2 K.b); = 2 K.c)
n[i=1
Ai =n[
i=1
Ai [ ; [ ; [ ::: 2 K.
d) \i2IAi= [i2IAi2 K.e)AnB= A \ B2 K.Consideram un corp borelian peKpe un spatiu de elemente a;b;c;:::cu
fag ; fbg ; fcg ;::: 2 K si cu submultimile A;B; C;::: 2 K. Unele dintre corespon-dentele dintre teoria multimilor si teoria probabilitatilor sunt date n urmatorultabel:
Teoria multimilor Teoria probabilitatilorSpatiu, Spatiul probelor, eveniment sigurMultimea vida,; Eveniment imposibilElementea; b;::: Probea; b;:::(sau evenimente simple)Multimi A;B;::: Evenimente A;B;:::A Evenimentul A apare
A Evenimentul A nu apareA [ B Cel putin unul dintre A si B apareA \ B AmbeleA si B aparA B Aeste un subeveniment al lui B (i.e. aparitia lui A implica aparitia lui B)A \ B= ; A si B sunt mutual exclusive (i.e. ele nu pot aparea simultan)
; este considerata un eveniment imposibil deoarece niciun rezultat posibilnu este element al ei. Prin "aparitia unui eveniment" ntelegem ca rezultatulobservat este un element al acelei multimi. Spunem ca mai multe evenimentesunt mutual exclusive daca multimile corespunzatoare sunt disjuncte doua ctedoua.
Exemplul 1.1. Consideram un experiment de calculare a numarului demasini care vireaza la stnga la o intersectie dintr-un grup de 100 de masini.Rezultatele posibile (numerele posibile de masini care vireaza la stnga) sunt0; 1; 2;:::; 100: Atunci, spatiul probelor este =f0; 1; 2; :::; 100g siK = P() :A= f0; 1; 2; :::; 50geste evenimentul "cel mult 50 de masini vireaza la stnga".B = f40; 41;:::; 60g este evenimentul "ntre40 si60 (inclusiv) de masini vireazala stnga". A [ B este evenimentul "cel mult 60 de masini vireaza la stnga".A \ B este evenimentul "ntre 40 si 50 (inclusiv) de masini vireaza la stnga".
2
7/24/2019 ala bala portocalaala bala portocala
3/158
Fie C= f81; 82; :::; 100g. Evenimentele A si Csunt mutual exclusive.Denitia 1.2. Fie(;
K)spatiu masurabil. Functia P :
K !Rse numeste
probabilitatepe (; K)daca si numai daca are urmatoarele proprietati (numiteaxiomele probabilitatii):
Axioma 1: P(A) 0; 8A 2 K(nenegativa).Axioma 2: P() = 1(normata).Axioma 3: pentru orice colectie numarabila de evenimente mutual exclusive
(multimi disjuncte doua cte doua)A1; A2;::: 2 K,
P
0@[j
Aj
1A = Xj
P(Aj )(numarabil aditiva).
(; K; P)se numeste cmp de probabilitatedaca si numai daca P esteprobabilitate pe spatiul masurabil(; K) :
1.2 Operatii cu evenimente si formule de calcul pentruprobabilitatile acestora
Proprietati. Daca (; K; P)este cmp de probabilitate, atunci:1) P(;) = 0:2) pentru orice colectie nita de evenimente mutual exclusive (multimi dis-
juncte doua cte doua)A1; A2;:::;An2 K,
P
0@ n[j=1
Aj
1A = nXj=1
P(Aj )(Peste aditiva).
3) A C; A; C2 K =) P(A) P(C) :4) A; B2 K =)
P(A [ B) = P(A) + P(B) P(A \ B) :5) (Formula lui Poincare) A1; A2;:::;An2 K =)
P
0@ n[j=1
Aj
1A = nXj=1
P(Aj)X
1i
7/24/2019 ala bala portocalaala bala portocala
4/158
:::1)=
n
Xj=1P(Aj ) + 0 + 0 + :::=
n
Xj=1P(Aj ) :
3) P(C) = P(A [ (CnA)) 2)=P(A) + P(CnA)| {z }0
=) P(C) P(A) :
4) P(A [ B) = P(A [ (BnA)) 2)= P(A) + P(BnA) 2)= P(A) + P(B)P(A \ B) :
5) Inductie.Pentru n = 1e evident.Presupunem adevarat pentrun:Fie A1; A2;:::;An; An+12 K.
P
0
@n+1[j=1
Aj
1
A=P
0
@n[
j=1
Aj[ An+11
A 4)=P
0
@n[
j=1
Aj
1
A+P(An+1)P
0
@
0
@n[
j=1
Aj
1
A\ An+1
1
Aip. ind.
=
nXj=1
P(Aj )X
1i
7/24/2019 ala bala portocalaala bala portocala
5/158
P(A [ C) = P(A) + P(C) :DarP(A [ B) = P(A) + P(B) P(A \ B) :Informatia data este insucienta pentru a determina P(A [ B) si avem
nevoie de informatia aditionala P(A \ B), care este probabilitatea ca ntre 40si 50 de masini sa vireze la stnga.
1.3 Evenimente independente
Denitia 1.3. Fie(; K; P)cmp de probabilitate. Doua evenimenteA; B2 Kse numesc independentedaca si numai daca
P(A \ B) = P(A) P(B) :Observatie. DacaA si B sunt evenimente independente, atunci:
PA \ B =P(A)PB ;P
A \ B =P AP(B) ;P
A \ B =P APB :Demonstratie. P(A) = P
(A \ B) [ A \ B =P(A \ B)+PA \ B =)
P
A \ B = P(A) P(A \ B) = P(A) P(A) P(B) = P(A) (1 P(B)) =P(A)P
B
:Analog pentru celelalte relatii.Exemplul 1.3. n lansarea unui satelit, probabilitatea unui insucces este q.
Care este probabilitatea ca doua lansari succesive sa esueze?Presupunnd ca lansarile satelitului sunt evenimente independente, raspun-
sul esteq2:Denitia 1.4. Fie(; K; P)cmp de probabilitate. Evenimentele A1; A2;:::;An2
Ksunt independentedaca si numai daca8m= 2; 3;:::;n; k1; k2;:::;km2N
a. .1 k1 < k2 < ::: < km n;
P(Ak1\ Ak2\ ::: \ Akm) = P(Ak1) P(Ak2) :::P(Akm) :n particular,A1; A2; A3 sunt independente daca si numai dacaP(Aj\ Ak) = P(Aj ) P(Ak) ; 8j < k;j; k= 1; 2; 3;siP(A1 \ A2 \ A3) = P(A1) P(A2) P(A3) :Observatii. 1) Numarul de egalitati din denitia independentei a n eveni-
mente este2n n 1:2) Independenta doua cte doua nu conduce n general la independenta.Contraexemplu.Fie 3 evenimente A1; A2; A3 denite deA1 = B1
[B2; A2 = B1
[B3; A3 = B2
[B3;
undeB1; B2 si B3 sunt mutual exclusive, ecare avnd probabilitatea 14 :P(A1) = P(B1 [ B2) = P(B1) + P(B2) = 12 :Analog P(A2) = P(A3) = 12 :P(A1 \ A2) = P((B1 [ B2) \ (B1 [ B3)) = P(B1 [ (B2 \ B3)) = P(B1 [ ;) =
P(B1) = 14 =
12 12 =P(A1) P(A2) :
5
7/24/2019 ala bala portocalaala bala portocala
6/158
Analog P(A1 \ A3) = P(A1) P(A3) ; P(A2 \ A3) = P(A2) P(A3) :P(A1
\A2
\A3) = P((B1
[B2)
\(B1
[B3)
\(B2
[B3)) = P((B1
[(B2
\B3))
\(B2
[B3)) =
P(B1 \ (B2 [ B3)) = P((B1 \ B2) [ (B1 \ B3)) = P(; [ ;) = P(;) = 0:P(A1) P(A2) P(A3) =
18 :
Deci P(A1 \ A2 \ A3) 6=P(A1) P(A2) P(A3) :Evenimentele A1; A2; A3 sunt independente doua cte doua, dar nu sunt
independente.3) Daca evenimenteleA1; A2;:::;Ansunt independente, atunci nlocuind ori-
care din Akj cu complementara Akj n ambii membri din relatiile din denitiaindependentei, relatiile obtinute ramn valabile.
Exemplul 1.4. Un sistem compus din 5 componente merge exact atuncicnd ecare componenta e buna. Fie Si; i= 1; :::; 5;evenimentul "componentaie buna" si presupunem P(Si) = pi. Care e probabilitatea qca sistemul sa numearga?
Presupunnd ca cele 5 componente merg ntr-o maniera independenta, epprobabilitatea de succes.
q= 1 p= 1 P
5\i=1
Si
!= 1
5Yi=1
P(Si) = 1 5Y
i=1
pi:
1.4 Probabilitatea conditionata
Denitia 1.5. Fie(; K; P)cmp de probabilitate siA; B2 K a. . P(B) 6= 0:Probabilitatea conditionatadeB a lui A este data de
P(AjB) = P(A \ B)P(B)
:
Observatie. n ipotezele denitiei 1.5, A si B sunt independente ()P(AjB) = P(A) :
Demonstratie. A si Bsunt independente() P(A \ B) = P(A) P(B)()P(A\B)
P(B) =P(A)() P(AjB) = P(A) :Propozitie. Fie (; K; P)cmp de probabilitate si B2 Ka. . P(B) 6= 0:
Atunci functia PB : K ! R; PB(A) = P(AjB)este probabilitate pe(; K) :Demonstratie. Vericam cele 3 axiome ale probabilitatii:1) PB(A) =
P(A\B)P(B) 0; 8A 2 K, deoareceP(A \ B) 0 si P(B)> 0:
2) PB() = P(\B)
P(B) = P(B)P(B) = 1:
3) A1; A2;:::2 Kcolectie numarabila de evenimente mutual exclusive =)A1\B; A2\B;::: 2 K mutual exclusive =) PB(A1 [ A2 [ :::) = P((A1[A2[:::)\B)P(B) =P((A1\B)[(A2\B)[:::)
P(B) = P(A1\B)+P((A2\B))+:::
P(B) = P(A1\B)
P(B) + P(A2\B)
P(B) + ::: =
PB(A1) + PB(A2) + ::::Exemplul 1.5. Reconsideram exemplul 1.4 presupunnd p1 > 0. Care este
probabilitatea conditionata ca primele doua componente sa e bune dat indca:
a) prima componenta este buna;
6
7/24/2019 ala bala portocalaala bala portocala
7/158
b) cel putin una dintre cele doua este buna?EvenimentulS1
\S2nseamna ca ambele componente sunt bune, iarS1
[S2
ca cel putin una e buna. Datorita independentei lui S1 si S2;avem:a) P(S1 \ S2jS1) = P(S1\S2\S1)P(S1) =
P(S1\S2)P(S1)
= P(S1)P(S2)P(S1) =P(S2) = p2.
b) P(S1 \ S2jS1 [ S2) = P(S1\S2\(S1[S2))P(S1[S2) = P(S1\S2)P(S1[S2) =
P(S1)P(S2)P(S1)+P(S2)P(S1\S2) =
p1p2p1+p2p1p2 :
Exemplul 1.6. Determinati probabilitatea de a trage, fara nlocuire, 2 asisuccesiv dintr-un pachet de carti de joc fara jokeri.
Fie A1 evenimentul "prima carte trasa este un as" si similar A2. Se cereP(A1 \ A2).
P(A1) = 452 (sunt 4 asi n cele 52 de carti din pachet).
P(A2jA1) = 351 (daca prima carte trasa este un as, au ramas 51 de cartidintre care 3 sunt asi).
P(A2
jA1) =
P(A1\A2)P(A1)
=
) P(A1
\A2) = P(A1)
P(A2
jA1) =
452
351 =
113 117 = 1221 :
Propozitie. Fie (; K; P)cmp de probabilitate si A1; A2;:::;An2 Ka. .P(A1 \ A2 \ ::: \ An1)> 0. Atunci
P(A1 \ A2 \ ::: \ An) = P(A1) P(A2jA1)P(A3jA1 \ A2) :::P(AnjA1 \ A2 \ ::: \ An1) :Demonstratie. A1 A1 \ A2 ::: A1 \ A2 \ ::: \ An1 =) P(A1)
P(A1 \ A2) ::: P(A1 \ A2 \ ::: \ An1)> 0 =) probabilitatileconditionate din membrul drept au sens.
P(A1) P(A2jA1)P(A3jA1 \ A2) :::P(AnjA1 \ A2 \ ::: \ An1) = P(A1)P(A1\A2)P(A1) P(A1\A2\A3)
P(A1\A2) ::: P(A1\A2\:::\An)P(A1\A2\:::\An1) =P(A1 \ A2 \ ::: \ An) :
Denitia 1.6. Fie Bi ; 8i 2 I: (Bi)i2I se numeste partitiea lui dacasi numai daca (Bi)i2Isunt disjuncte doua cte doua si
[i2IBi= :
Teorema probabilitatii totale. Fie (; K; P) cmp de probabilitate si(Bi)i2I K partitie cel mult numarabila a lui a. . P(Bi) > 0; 8i2 I:Atunci,8A 2 K,
P(A) =Xi2I
P(AjBi) P(Bi) :
Demonstratie. (Bi)i2I mutual exclusive, A\ Bi Bi; 8i 2 I =)(A \ Bi)i2Imutual exclusive =)
Xi2I
P(AjBi) P(Bi) =Xi2I
P(A\Bi)P(Bi)
P(Bi) =
Xi2I
P(A \ Bi) = P[
i2I(A \ Bi)
!=P
A \
[i2I
Bi
!!=P(A \ ) = P(A) :
Exemplul 1.7.S
a se determine probabilitatea ca un nivel critic al curgerii
sa e atins n timpul furtunilor ntr-un sistem de canalizare pe baza masurato-rilor meteorologice si hidrologice.
FieBi; i= 1; 2; 3diferitele nivele (mic, mediu si mare) de precipitatii cauzatede o furtuna si Aj ; j = 1; 2nivelele critic, respectiv necritic al curgerii.
7
7/24/2019 ala bala portocalaala bala portocala
8/158
Probabilitatile P(Bi)pot estimate din nregistrarile meteorologice, iar P(Aj jBi)din analiza curgerii. Presupunem ca:
P(B1) = 0; 5; P(B2) = 0; 3; P(B3) = 0; 2;P(A1jB1) = 0; P(A1jB2) = 0; 2; P(A1jB3) = 0; 6;P(A2jB1) = 1; P(A2jB2) = 0; 8; P(A2jB3) = 0; 4:Deoarece B1; B2; B3 constituie o partitie, din teorema probabilitatii totale
avem:P(A1) = P(A1jB1) P(B1)+ P(A1jB2) P(B2)+ P(A1jB3) P(B3) = 00; 5+
0; 2 0; 3 + 0; 6 0; 2 = 0; 18:
1.5 Formula lui Bayes
Thomas Bayes a fost un lozof englez.Teorema lui Bayes. Fie (; K; P)cmp de probabilitate si A; B2 Ka. .
P(A)
6= 0 si P(B)
6= 0. Atunci:
P(BjA) = P(AjB) P(B)P(A)
:
Demonstratie. P(AjB)P(B)P(A) =P(A\B)P(B) P(B)
P(A) = P(B\A)
P(A) =P(BjA) :Formula lui Bayes. Fie (; K; P) cmp de probabilitate si (Bi)i2I K
partitie cel mult numarabila a lui a. . P(Bi)> 0; 8i 2 I: Atunci,8A 2 Ka.. P(A) 6= 0; 8i 2 I;
P(BijA) = P(AjBi)P(Bi)Xj2I
[P(AjBj)P(Bj)]:
Demonstratie. P(AjBi)P(Bi)
Xj2I [P(AjBj)P(Bj)]TP T
= P(AjBi)P(Bi)P(A)
TB= P(BijA) :
Exemplul 1.8. n exemplul 1.7, sa se determine P(B2jA2), probabilitateaca, dat ind ca s-a atins un nivel necritic al curgerii, el sa fost datorat uneifurtuni de nivel mediu. Din formula lui Bayes rezulta
P(B2jA2) = P(A2jB2)P(B2)3Xj=1
[P(A2jBj)P(Bj)]= 0;80;310;5+0;80;3+0;40;2 =
0;240;5+0;24+0;08 =
0;240;82 =
1241
=0; 293:Exemplul 1.9. Un canal de comunicare binar simplu transmite mesaje
folosind doar 2 semnale, sa spunem 0 si 1. Presupunem ca, pentru un canalbinar dat, 40%din timp e transmis un 1; probabilitatea ca un 0 transmis sae corect receptionat este 0,9 si probabilitatea ca un 1 transmis sa e corectreceptionat este 0,95. Determinati:
a) probabilitatea ca un 1 sa e primit;b) dat ind ca un 1 este primit, probabilitatea ca un 1 sa fost transmis.FieA= "1 este transmis"A= "0 este transmis"
8
7/24/2019 ala bala portocalaala bala portocala
9/158
B = "1 este primit"B = "0 este primit".
Din ipotezeP(A) = 0; 4; P
A
= 0; 6;
P(BjA) = 0; 95; PBjA = 0; 05;P
BjA = 0; 9; PBjA = 0; 1:a) Deoarece A si A formeaza o partitie, din teorema probabilitatii totale
rezulta caP(B) = P(BjA) P(A) + PBjAPA = 0; 95 0; 4 + 0; 1 0; 6 = 0; 38 +
0; 06 = 0; 44:b) Din teorema lui Bayes,P(AjB) = P(BjA)P(A)P(B) = 0;950;40;44 = 0;380;44 = 1922 =0; 864:
9
7/24/2019 ala bala portocalaala bala portocala
10/158
2 Variabile aleatoare. Variabile aleatoare dis-
crete si variabile aleatoare continue, cu densi-tate de repartitie. Functie de repartitie. Mo-mentele unei variabile aleatoare
2.1 Variabile aleatoare
Consideram un experiment aleator ale carui rezultate sunt elemente ale spatiuluiprobelor din cmpul de probabilitate (; K; P) :Pentru a construi un modelpentru o variabila aleatoare, presupunem ca e posibil sa asociem un numar realX(!)pentru ecare rezultat ! , urmnd un anumit set de reguli.
Denitia 2.1. FunctiaXse numeste variabila aleatoaredaca si numai dacaa) X: ! R, unde (; K; P)este cmp de probabilitate sib)
8x
2R;
f!2
jX(!)
xg 2 K
.Conditia b) din denitie e asa-numita "conditie de masurabilitate". Ea ne
asigura ca are sens sa consideram probabilitatea evenimentului f!2 jX(!) xg,notat mai simplu X x pentru orice x2 R, sau, mai general, probabilitateaoricarei combinatii nite sau numarabile de astfel de evenimente.
n continuare, daca nu e specicat altfel, variabilele aleatoare suntconsiderate pe un cmp de probabilitate (; K; P) :
2.2 Variabile aleatoare discrete si variabile aleatoare con-tinue, cu densitate de repartitie
Denitia 2.2. O variabila aleatoare se numeste discreta daca si numai dacaia numai valori izolate. Multimea valorilor unei variabile aleatoare discrete este
cel mult numarabila.Denitia 2.3. O variabila aleatoare se numeste continua daca valorile eiumplu un interval.
Denitia 2.4. Fie X, variabila aleatoare continua. O functie fX : R!Ra. . fX(x) 0; 8x2 R si P(X x) =
Z x1
fX(u) du; 8x2 R se numestefunctie densitate de repartitie sau functie densitate de probabilitatesau simpludensitatea lui X:
2.3 Functie de repartitie
Denitia 2.5. Fie X variabila aleatoare. Functia FX : R! R;
FX(x) = P(X x) ;se numeste functia de repartitie de probabilitatesau simplu functia de repar-
titiea lui X.IndiceleXidentica variabila aleatoare. Acest indice e uneori omis cnd nu
e pericol de confuzie.
10
7/24/2019 ala bala portocalaala bala portocala
11/158
Proprietati ale functiei de repartitie. 1) Exista si are valori ntre 0 si1:
2) E continua la dreapta si crescatoare. Mai mult, avem:FX(1) := lim
x!1FX(x) = 0 si FX(1) := lim
x!1FX(x) = 1:
3) Dacaa; b 2 Ra. . a < b, atunciP(a < X b) := P(f!2 ja < X(!) bg) = FX(b) FX(a) :Aceasta relatie rezulta dinP(X b) = P(X a) + P(a < X b) :Exemplul 2.1. Fie Xo variabila aleatoare discreta cu valorile1; 1; 2; 3
luate cu probabilitatile 14 ;18
; 18 , respectiv
12 . Pe scurt notam X
1 1 2 314
18
18
12
.
Avem
FX
(x) =
8>>>>>>>:
0, pentrux < 1;14 , pentru 1 x
7/24/2019 ala bala portocalaala bala portocala
12/158
Exemplul 2.2. O functie de repartitie tipica pentru o variabila aleatoarecontinua este reprezentata grac mai jos.
Ea nu are salturi sau discontinuitati ca n cazul unei variabile aleatoarediscrete. Probabilitatea ca X sa aiba o valoare ntr-un anumit interval estedata de proprietatea 3) a functiei de repartitie. Din grac
P(1< X 1) = FX(1) FX(1) = 0; 8 0; 4 = 0; 4:Avem P(X=a) = 0; 8a 2 R:Observatie. Se poate deni functia de repartitie si ca FX : R! R; FX(x) =
P(X < x). n acest caz proprietatile 1) si 2) ramn valabile cu exceptia faptuluica functia de repartitie este continua la stnga si nu la dreapta, iar proprietatea3) devine
3) Dacaa; b 2 Ra. . a < b, atunciP(a X < b) = FX(b) FX(a) :Proprietati ale densitatii. 1)fX(x) = F0X(x) ; 8xn care FX este
derivabila.2)
FX(x) =
Z x1
fX(u) du; 8x 2 R:
3) Z1
1fX(x) dx= 1:
4) Dacaa; b 2 Ra. . a < b, atunciP(a < X b) = FX(b) FX(a) =
Z ba
fX(x) dx:
Exemplul 2.3. Un exemplu de densitate e reprezentata grac mai jos.
12
7/24/2019 ala bala portocalaala bala portocala
13/158
Dupa cum indica proprietatile 3) si 4), aria totala de sub curba este 1 sisuprafata hasurata de la a la b e egala cu P(a < X b).
Observatie. Cunoasterea densitatii sau a functiei de repartitiecaracterizeaza complet o variabila aleatoare continua.
Exemplul 2.4. Fie a >0. O variabila aleatoareXa carei densitate este
fX(x) =
aeax, pentru x >0;0, altfel,
se numesterepartizata exponential(de parametrua). AvemfX(x) 0; 8x 2R siZ1
1fX(x) dx=
Z 01
0dx +
Z10
aeaxdx= 0 eaxj10 = 1;deci fX verica proprietatea 3).
Dacax
7/24/2019 ala bala portocalaala bala portocala
14/158
Calculam unele probabilitati folosind fX .P(0 < X 1)e egala cu aria de sub gracul lui fX de la x = 0 la x = 1,
dupa cum se arata n gura (a). Avem
P(0 < X 1) =Z 1
0
fX(x) dx= eaxj10 = 1 ea:
14
7/24/2019 ala bala portocalaala bala portocala
15/158
P(X >3) e obtinuta calculnd aria de sub gracul lui fX la dreapta luix= 3, deci
P(X >3) = Z13
fX(x) dx= eaxj13 =e3a:Aceleasi probabilitati pot obtinute din FX astfel:P(0 < X 1) = FX(1) FX(0) = 1 ea 0 = 1 ea;P(X >3) =FX(1) FX(3) = 1
1 e3a =e3a:
Mai observam caP(0 < X 1) = P(0 X 1)pentru variabile aleatoarecontinue, deoarece P(X= 0) = 0:
Denitia 2.6. Fie X variabila aleatoare discreta. Functia pX : R !R; pX(x) = P(X= x) := P(f!2 jX(!) = xg) se numeste functia masa deprobabilitatea lui X, sau, pe scurt, masa lui X.
Din nou indiceleXe folosit pentru a identica variabila aleatoare asociata.Exemplul 2.5. Functia masa de probabilitate a variabilei aleatoare X
1 1 2 314 18 18 12 din exemplul 2.1 e reprezentata mai jos.
Observatii. 1) DacaXe variabila aleatoare discreta cu multimea cel mult
numarabila de valorifx1; x2;:::gluate cu probabilitati nenule, atunci:0< pX(xi) 1; 8i;Xi
pX(xi) = 1;
pX(x) = 0; 8x =2 fx1; x2;:::g :
15
7/24/2019 ala bala portocalaala bala portocala
16/158
2) Ca si FX , specicarea lui pX caracterizeaza complet variabila aleatoarediscretaX. Mai mult, presupunndx1 < x2 < :::, relatiile dintreFX sipX sunt
pX(x1) = FX(x1) ;
pX(xi) = FX(xi) FX(xi1) ; 8i > 1;FX(x) =
Xijxix
pX(xi) ; 8x 2 R:
3) Specicarea luipX se face de obicei dnd numai valorile pozitive, n restulpunctelor subntelegndu-se ca e0:
2.4 Momentele unei variabile aleatoare
Fie X variabila aleatoare discreta cu valorile x1; x2;::: si functia masa deprobabilitatepX sau continua cu densitatea fX .
Denitia 2.7. Numarul real
E(X) :=
8>>>:X
i
xipX(xi) , pentru Xdiscreta;Z11
xfX(x) dx, pentru Xcontinua,
daca exista, se numeste media lui X si se mai noteazamX sau simplu m:Denitia 2.8. Fie n 2 N. Numarul real
n:= E(Xn) =
8>>>:X
i
xnipX(xi) , pentru Xdiscreta;
Z11 xnfX(x) dx, pentruX continua,daca exista, se numeste momentul de ordinul nal lui X:Observatie. Media este momentul de ordinul 1.
Exemplul 2.6. Fie X1 1 2 3
14
18
18
12
din exemplul 2.1.
E(X) = (1) 14 + 1 18 + 2 18 + 3 12 = 14 + 18 + 14 + 32 = 18 + 32 = 138 :Exemplul 2.7. Timpul de asteptare X(n minute) al unui client la un
automat de bilete are densitatea
fX(x) =
2e2x, pentru x >0;0, altfel.
Determinati timpul mediu de asteptare.Integrnd prin parti avem
E(X) = Z11
xfX(x) dx= Z 01
0dx+Z10
x2e2xdx= 0Z10
x e2x0 dx=xe2xj10 +
Z10
e2xdx= 0 12e2xj10 = 12 minut.Proprietati ale mediei. Daca c2 R este o constanta si X si Y sunt
variabile aleatoare pe acelasi cmp de probabilitate(; K; P), atunci:
16
7/24/2019 ala bala portocalaala bala portocala
17/158
E(c) = c;E(cX) = cE(X) ;
E(X+ Y) = E(X) + E(Y),E(X) E(Y), daca X Y (i.e. X(!) Y (!) ; 8!2 ).Denitia 2.9. Fie X variabila aleatoare. Se numeste medianaa lui X o
valoare x0 a lui Xa. . P(X x0) = 12 sau, daca o astfel de valoare nu exista,valoarea x0 a lui Xa. . P(X < x0)< 12 si P(X x0)> 12 .
Media lui Xpoate sa nu existe, dar exista cel putin o mediana.n comparatie cu media, mediana e uneori preferata ca masura a tendintei
centrale cnd repartitia e asimetrica, n particular cnd sunt un numar mic devalori extreme n repartitie. De exemplu, vorbim de mediana veniturilor cao buna masura a tendintei centrale a venitului personal pentru o populatie.Aceasta e o masura mai buna dect media, deoarece mediana nu e asa sensibilala un numar mic de venituri extrem de mari sau venituri extrem de mici camedia.
Exemplul 2.8. Fie T timpul dintre emisiile de particule la un atom ra-dioactiv. Este stabilit ca Te o variabila aleatoare cu repartitie exponentiala,adica
fT(t) =
et, pentru t >0;0, altfel,
unde e o constanta pozitiva. Variabila aleatoare T se numeste timpul deviata al atomului si o masura medie a acestui timp de viata este timpul denjumatatire, denit ca mediana lui T. Astfel, timpul de njumatatire e gasitdin
P(T ) = 12 ()Z
1fT(t) dt =
12 () 1 e = 12 () e =
12 () = ln 2 :
Observam ca viata medie E(T)este
E(T) = Z11
tfT(t) dt= 1 (se calculeaza analog ca la exemplul 2.7).
Denitia 2.10. Fie X variabila aleatoare. Se numeste modul sau moda alui X
a) o valoare xi luata deX a. . pX(xi)> pX(xi+1) si pX(xi)> pX(xi1),daca Xe discreta cu valorile x1 < x2 < :::;
b) un punct de maxim local al lui fX , daca Xe continua.Un modul este astfel o valoare a lui Xcorespunzatoare unui vrf n functia
masa de probabilitate sau n densitate.Termenul distributie unimodala se refera la o functie de repartitie a unei
variabile aleatoare care are un modul unic.Media, mediana si modulul coincid atunci cnd o repartitie unimodala este
simetrica.Denitia 2.11. Fien 2 N siXvariabila aleatoare de medie m. Momentul
centrat de ordinul nal lui Xeste
17
7/24/2019 ala bala portocalaala bala portocala
18/158
n= E((X m)n) =8>>>:X
i(xi m)
n
pX(xi) , pentruXdiscreta;Z11
(x m)n fX(x) dx, pentru Xcontinua.
Denitia 2.12. FieXvariabila aleatoare.Variantasau dispersia luiXestemomentul centrat de ordinul 2 al lui X; 2. Se noteaza cu
2X sau simplu
2
sau var (X).Valori mari ale lui 2X implica o ntindere mare a valorilor lui X n jurul
mediei. Reciproc, valori mici ale lui 2X implica o concentrare a valorilor luiX n jurul mediei. n cazul extrem cnd2X = 0, X = m cu probabilitatea 1(ntreaga masa a distributiei e concentrata n medie).
Propozitie. Relatia dintre dispersia si momentele lui Xeste2 =2
m2:
Demonstratie. 2 = E(X m)2= EX2 2mX+ m2 = EX2 2mE(X) + m2 =2 2m2 + m2 =2 m2:
Alte proprietati ale dispersiei. var (X) 0;var (X+ c) = var (X) ; 8c 2 R;var (cX) = c2var (X) ; 8c 2 R:FieXvariabila aleatoare de mediem. Se numeste deviatie standarda luiX
X =
rE
(X m)2
:
Un avantaj al folosirii lui X n locul lui 2X este ca X are aceeasi unitatede masura ca media. De aceea poate comparata cu media pe aceeasi scalapentru a obtine o masura a gradului de mprastiere.
Un numar adimensional (fara unitate de masura) care caracterizeaza m-
prastierea relativ la medie si care faciliteaza compararea variabilelor aleatoarede unitati diferite este coecientul de variatiedenit de
vX = XmX
:
Exemplul 2.9. Fie X1 1 2 3
14
18
18
12
din exemplul 2.1. Sa deter-
minam2X .n exemplul 2.6 am vazut ca mX = 138 . AvemE
X2
= (1)2 14 + 12 18 + 22 18 + 32 12 = 14 + 18 + 12 + 92 = 38 + 5 = 438:2X =E
X2 m2X = 438 16964 = 34416964 = 17564:
Exemplul 2.10. Determinam dispersia lui Xcu fX(x) = 2e2x, pentru x 0;0, altfel.
:
n exemplul 2.7 am vazut ca mX = 12 :Avem, integrnd prin parti
E
X2
=
Z11
x2fX(x) dx=
Z 01
0dx+
Z10
x22e2xdx= 0Z1
0
x2
e2x0
dx=
x2e2xj10 +Z1
0
2xe2xdx= 0 + 12 = 12 , ultima integrala ind calculata la
18
7/24/2019 ala bala portocalaala bala portocala
19/158
exemplul 2.7.Deci2X =EX2 m2X = 12 14 = 14 :Coecientul de asimetriedenit de1 =
33
da o masura a simetriei unei distributii. Este pozitiv cnd o distributieunimodala are o coada dominanta la dreapta (adica modulul este la stngamediei) si negativ n caz contrar. Este 0 cnd o distributie e simetrica n jurulmediei. De fapt, o distributie simetrica n jurul mediei are toate momentelecentrate de ordin impar 0. n gurile (a), (b) si (c) sunt reprezentate densitaticu 1 > 0; 1 = 0;respectiv 1 < 0:
19
7/24/2019 ala bala portocalaala bala portocala
20/158
Gradul de aplatizare a distributiei lnga vrfuri poate masurat de coe-cientul de excesdenit de
2 = 44 3:
Un 2 >0 implica un vrf ascutit n vecinatatea modulului unei distributiiunimodale, iar
2< 0 implica, de regula, un vrf turtit.
2.4.1 Inegalitatea lui Cebsev
Teorema 2.1. (Inegalitatea lui Cebsev)FieXvariabila aleatoare cu mediamX si deviatia standard X6= 0. Atunci
20
7/24/2019 ala bala portocalaala bala portocala
21/158
P(jX
mX
j kX )
1
k2; (2.1)
pentru orice k >0:Demonstratie. Presupunem X continua. Din denitie avem
2X =
Z11
(x mX )2 fX(x) dxZ jxmX jkX
(x mX )2 fX(x) dx
k22X
Z jxmX jkX
fX(x) dx= k22X P(jX mX j kX ) :
Rezulta relatia (2.1). Demonstratia este similara cndXeste discreta.
21
7/24/2019 ala bala portocalaala bala portocala
22/158
3 Independenta variabilelor aleatoare. Densi-
tate de repartitie conditionata si formula luiBayes pentru densitati de repartitie. Covari-anta si corelatie
3.1 Independenta variabilelor aleatoare
Toate variabilele aleatoare sunt considerate pe acelasi cmp de probabilitate(; K; P), daca nu se specica altfel.
Denitia 3.1. a) Functia de repartitie comunaa variabilelor aleatoare Xsi Y este denita de
FXY(x; y) = P(X x \ Y y) :
b) Functia de repartitie comunaa variabilelor aleatoare X1; X2;:::;Xn estedenita de
FX1X2:::Xn(x1; x2;:::;xn) = P(X1 x1 \ X2 x2 \ ::: \ Xn xn) :
Proprietati 3.1. a)FXY(x; y) 0; 8x; y2 R:b) FXY e crescatoare n x si y .c)FXYe continua la dreapta n raport cu x si y .d) FXY (1; 1) = FXY (1; y) = FXY (x; 1) = 0; 8x; y2 R:e)FXY(1; 1) = 1:f)FXY (x; 1) = FX(x) ; 8x 2 R:g) FXY (1; y) = FY(y) ; 8y2 R:h)8x1; x2; y1; y22 Ra. . x1 < x2 si y1 < y2;P(x1 < X x2 \ y1 < Y y2) = FXY (x2; y2)FXY (x1; y2)FXY (x2; y1)+
FXY (x1; y1) :Demonstram de exemplu f):FXY (x; 1) = P(X x \ Y 1) = P(X x \ ) = P(X x) = FX(x) ; 8x 2
R:Proprietati similare se pot deduce pentruFX1X2:::Xn :Forma generala a lui FXYpoate vizualizata din proprietatile d)-g). n cazul
cnd X si Y sunt discrete FXY seamana cu un colt al unor trepte neregulate,ca n gura de mai jos.
22
7/24/2019 ala bala portocalaala bala portocala
23/158
Creste de la 0 la naltimea de 1 n directia dinspre cadranul 3 spre cadranul1. CndX siY sunt continueFXYeste o suprafata neteda cu aceleasi trasaturi.
Proprietatile f) si g) arata ca functiile de repartitie ale variabilelor aleatoareindividuale, numite functii de repartitie marginale, pot calculate din functiade repartitie comuna a lor. Reciproca nu este n general adevarata. O situatieimportanta cnd reciproca este adevarata este cnd X si Ysunt independente.
Denitia 3.2. a) Variabilele aleatoare X si Y sunt independente daca sinumai dacaP(X x \ Y y) = P(X x) P(Y y) ; 8x; y2 R:
b) Variabilele aleatoareX1; X2;:::;Xnsuntindependentedaca si numai dacaP(X1 x1 \ X2 x2 \ ::: \ Xn xn) = P(X1 x1) P(X2 x2) :::P(Xn xn) ; 8x1; x2;:::;xn2R:
c) Fie Imultime innita. Variabilele aleatoare (Xi)i2I sunt independente
() (Xi)
i2Jsunt independente,
8J
Inita.Observatii. a)X si Y sunt independente ()
FXY (x; y) = FX(x) FY (y) ; 8x; y2 R:b) X1; X2;:::;Xn sunt independente ()
FX1X2:::Xn(x1; x2;:::;xn) = FX1(x1) FX2(x2) :::FXn(xn) ; 8x1; x2;:::;xn2 R:c)X si Ysunt independente =)
23
7/24/2019 ala bala portocalaala bala portocala
24/158
P(x1 < X x2 \ y1 < Y y2) = P(x1 < X x2) P(y1 < Y y2) ; 8x1; x2; y1; y22Ra. . x1 < x2 si y1 < y2:
Demonstratie. a), b) Evident.c)P(x1 < X x2 \ y1 < Y y2) =
FXY (x2; y2) FXY(x1; y2) FXY(x2; y1) + FXY (x1; y1) =FX(x2) FY (y2) FX(x1) FY (y2) FX(x2) FY(y1) + FX(x1) FY (y1) =(FX(x2) FX(x1)) (FY (y2) FY (y1)) = P(x1 < X x2) P(y1 < Y y2) :
n general:
X1; X2;:::;Xnsunt independente() P
n\i=1
Xi2 Ai!
=nY
i=1
P(Xi2 Ai) ; 8A1;:::;Anintervale sau multimi cu un singur element din R:
Aici Xi2 Ai = f!2 jXi(!) 2 Aig.Denitia 3.3. a) Functia masa de probabilitate comuna a variabilelor
aleatoare discrete X si Y este denita de
pXY (x; y) = P(X=x \ Y =y) ; 8x; y2 R:b) Fie n variabile aleatoare discrete X1; X2;:::;Xn: Functia masa de proba-
bilitate comunaa lor este denita de
pX1X2:::Xn(x1; x2; :::xn) = P(X1 = x1 \ X2 = x2 \ ::: \ Xn= xn) ; 8x1; x2;:::;xn2 R:Proprietati 3.2. FieX siY variabile aleatoare discrete care iau o multime
cel mult numarabila de perechi de valori (xi; yj ) ; i ; j = 1; 2;::: cu probabilitatinenule.
a) pXY(x; y) = 0peste tot, exceptnd punctele (xi; yj ) ; i ; j = 1; 2;::: undeia valori egale cu probabilitatea comuna P(X=xi
\Y =yj ) :
b) 0 < pXY (xi; yj) 1;c)X
i
Xj
pXY (xi; yj ) = 1;
d)X
i
pXY (xi; y) = pY(y) ;
e)X
j
pXY(x; yj ) = pX(x) ;
f)FXY (x; y) =X
ijxix
Xjjyjy
pXY(xi; yj ) ; 8x; y2 R:
Acum pX(x) si pY (y)sunt numite functii masa de probabilitate marginale.Proprietati similare pot scrise pentru pX1X2:::Xn :Denitia 3.4. a)Functia densitate de probabilitate comunaa doua variabile
aleatoare continueX si Y este o functie fXY :R2
!R
astfel nctfXY(x; y) 0; 8x; y2 R
si
P(X x \ Y y) =Z y
1
Z x1
fXY (u; v) dudv; 8x; y2 R:
24
7/24/2019 ala bala portocalaala bala portocala
25/158
b) Fievectorul aleatorX cu componente variabilele aleatoare continue X1; X2;:::;Xncare au functia de repartitie comuna
FX(x) = P(X1 x1 \ X2 x2 \ ::: \ Xn xn) ;unde xeste vectorul cu componentelex1; x2;:::;xn:Functia densitate comunacorespunzatoare este o functie
fX : Rn ! Rastfel nct
fX(x) 0; 8x 2 Rn
si
P(X1 x1 \ ::: \ Xn xn) =Z xn
1:::
Z x11
fX(u1;:::;un) du1:::dun;
8x 2 Rn:Proprietati 3.3. a) fXY(x; y) = @
2FXY@x@y (x; y) ; 8x; y 2 R pentru care
derivata partiala exista.b) Din denitie,
FXY (x; y) = P(X x \ Y y) =Z y
1
Z x1
fXY (u; v) dudv:
c) Daca x1< x2 si y1< y2, atunci
P(x1 < X x2 \ y1 < Y y2) =Z y2
y1
Z x2x1
fXY(x; y) dxdy:
d) fXY deneste o suprafata deasupra planului (x; y). Dupa cum indicaproprietatea 3.3 c), probabilitatea ca variabilele aleatoare X si Y sa se aentr-o anumita suprafataReste egala cu volumul de sub suprafatafXY marginitde acea regiune, ca n gura de mai jos.
25
7/24/2019 ala bala portocalaala bala portocala
26/158
e) Z1
1 Z1
1fXY (x; y) dxdy = 1:
Aceasta proprietate rezulta din proprietatea b) punnd x ! 1 si y! 1 siarata ca volumul total de sub suprafata fXY este1:
f)Z11
fXY(x; y) dy= fX(x) :
Aceasta rezulta din
FX(x) = FXY (x; 1) =Z11
Z x1
fXY (u; y) dudy;
derivnd n raport cu x:
g)Z1
1fXY (x; y) dx= fY (y) :
h) fX(x) = @nFX
@x1@x2:::@xn(x) ; 8x 2 Rn pentru care derivata partiala exista.
DensitatilefX si fY din proprietatile f) si g) se numesc densitati marginale
ale lui X, respectiv Y :
26
7/24/2019 ala bala portocalaala bala portocala
27/158
3.2 Densitate de repartitie conditionata si formula lui Bayespentru densitati de repartitie
Fie X si Y variabile aleatoare continue si y2 RcufY(y)6= 0. Functia densitate de repartitie conditionata (pe scurt densitateconditionata) a lui Xdat ind
Y =y;
notata cufXY (xjy) ;este denita de
fXY (xjy) = fXY (x; y)fY (y)
: (3.1)
n general
P(X2 AjY =y) =Z A
fXY(xjy) dx:
Cnd X si Ysunt independente avem
fXY (xjy) = fX(x)
sifXY (x; y) = fX(x) fY(y) ;
adica densitatea comuna e egala cu produsul densitatilor marginale cnd X siYsunt independente.
Exemplul 3.2.1. Fie variabilele aleatoare continue avand densitatea co-muna
fXY (x; y) =
k (x + y) ; daca (x; y) 2 (0; 3)2 ;0; altfel,
undek este o constanta ce trebuie determinata. Din proprietatea 3.1.3 e),
1 =
Z11
Z11
fXY (x; y) dxdy = k
Z 30
Z 30
(x + y) dxdy=
k
Z 10
x2
2 + xy
jx=3x=0dy = kZ 3
0
92 + 3y
dy= k
92y+ 3
y2
2
j30 =
k272 +
272
= 27k,
decik=
1
27:
Densitatea marginala a lui Xeste
fX(x) =
Z11
fXY(x; y) dy=
8
7/24/2019 ala bala portocalaala bala portocala
28/158
Datorita simetriei n x si y a densitatii comune, densitatea marginala a luiY este
fY (y) = 2y+318 , dacay2 (0; 3)0, altfel.Deoarece
fXY (1; 1) = 2
276= 25
324=fX(1) fY(1) ;
X si Ynu sunt independente.Densitatea conditionata a lui Xdat ind
Y =y
este
fXY (xjy) = fXY (x; y)fY (y)
=2
3 x + y
2y+ 3, daca (x; y) 2 (0; 3)2 .
Extinderile pentru mai multe variabile aleatoare sunt imediate.Plecnd de la
P(A \ B \ C) = P(AjB \ C) P(BjC) P(C)
pentru trei evenimente A; B si C, avem n cazul a trei variabile aleatoare con-tinueX; Y si Z;
fXY Z(x;y;z) = fXY Z(xjy; z) fY Z(yjz) fZ(z) :
Pentru cazul anvariabile aleatoare continueX1; X2;:::;Xn, componente ale
vectorului aleator X, putem scriefX(x) =fX1X2:::Xn(x1jx2;:::;xn) fX2:::Xn(x2jx3;:::;xn) :::fXn1Xn(xn1jxn)fXn(xn) :
DacaX1; X2;:::;Xn sunt independente, obtinem
fX(x) = fX1(x1) fX2(x2) :::fXn(xn) :
Formula lui Bayes pentru densitati de repartitie. Daca X si Y suntvariabile aleatoare continue, atuncifXY(xjy) = fYX(yjx)fX(x)fY(y) =
fY X(yjx)fX(x)Z 1
1
fYX(yj)fX()d;
daca
fY (y) 6= 0:
28
7/24/2019 ala bala portocalaala bala portocala
29/158
3.3 Covarianta si corelatie
Fie X si Y variabile aleatoare discrete care iau o multime cel mult numarabilade perechi de valori (xi; yj ) ; i ; j = 1; 2;::: cu probabilitati nenule sau variabilealeatoare continue.
Denitia 3.5. Fien; m 2 N:a) Momentele comune nm ale variabilelor aleatoare X si Y sunt date de,
daca exista,
nm= E(XnYm) =
8>>>:X
i
Xj
xmi ynjpXY(xi; yj ) , dacaX si Y sunt discrete,Z1
1
Z11
xnymfXY(x; y) dxdy, daca X si Ysunt continue.
b) Similar,momentele centrate comuneale luiX siY, cnd exista, sunt datede
nm= E((X
mX )
n (Y
mY)
m) :
Observatii. Cu notatiile folosite aici, mediile lui X siY sunt10, respectiv,01. De exemplu, folosind denitia 3.5 a) pentruX si Y continue, obtinem
10= E(X) =
Z11
Z11
xfXY (x; y) dxdy =
Z11
x
Z11
fXY (x; y) dydx=Z11
xfX(x) dx;
unde fX este densitatea marginala a lui X. Astfel vedem ca acest rezultate identic cu cel din cazul unei singure variabile aleatoare.
Aceasta observatie este adevarata si pentru dispersiile individuale. Ele sunt20, respectiv02; si pot gasite din denitia 3.5 b) cu nlocuiri corespunzatoarepentrun si m. Ca si n cazul unei singure variabile aleatoare avem
20= 20 210sau2X =20 m2X ;respectiv02= 02 201sau2Y =02 m2Y:Denitia 3.6. Se numeste covariantaa lui X si Y11= cov (X; Y) = E((X mX ) (Y mY)) :Covarianta e o marime a interdependentei lui X si Y :Proprietatea 3.4. Covarianta e legata denmprin11= 11 1001= 11 mX mY:Demonstratie. 11= E((X mX ) (Y mY)) = E(XY mYX mX Y + mX mY) =
E(XY) mYE(X) mX E(Y) + mX mY =11 1001 1001+ 1001 =11 1001:
Denitia 3.7. Coecientul de corelatieal lui X si Y este
= (X; Y) = 11p
2002=
11X Y
:
Proprietatea 3.5.jj 1:Demonstratie. [t (X mX ) + Y mY]2 0; 8t 2 R =) E
[t (X mX ) + Y mY]2
=
20t2 + 211t+ 02 0; 8t2 R =) = 4211 42002 0 =) 211
2002 =) jj 1:
29
7/24/2019 ala bala portocalaala bala portocala
30/158
Coecientul de corelatie este fara dimensiune. El este si independent deorigine, adica
8a1; a2; b1; b2
2Rcu a1; a2 > 0 se poate demonstra ca
(a1X+ b1; a2Y + b2) = (X; Y) :Proprietatea 3.6. DacaX si Ysunt independente, atunci11= 0 si = 0:Demonstratie. Fie X si Y continue.
11= E(XY) =
Z11
Z11
xyfXY(x; y) dxdy indep.
=
Z11
Z11
xyfX(x) fY(y) dxdy =Z11
xfX(x) dx
Z11
yfY (y) dy = mX mY =) 11= 11 mX mY = 0 =)= 0:
Similar se poate demonstra dacaX si Y sunt discrete.DacaX si Ysunt independente, atunci(3.2)E(g (X) h (Y)) = E(g (X)) E(h (Y)) ;daca mediile exista.Cnd coecientul de corelatie al doua variabile aleatoare se anuleaza, spunem
ca ele sunt necorelate.Observatii. 1) X si Y sunt necorelate () E(XY) = E(X) E(Y).
(Rezulta din denitii si proprietatea 3.4.)2) X, Y independente =) X, Y necorelate. (Rezulta din denitie si
proprietatea 3.6.)3) Reciproca nu e adevarata.
Exemplul 3.1. Fie X2 1 1 2
14
14
14
14
si Y =X2:
Avem Y
1 412
12
,
pXY (x; y) = 8>>>:14 , pentru (x; y) = (2; 4) ;14 , pentru (x; y) = (1; 1) ;14 , pentru (x; y) = (1; 1) ;14
, pentru (x; y) = (2; 4) ;mX = (2) 14 + (1) 14 + 1 14 + 2 14 = 0;mY = 1 12 + 4 12 = 52 ;11= (2) 4 14 + (1) 1 14 + 1 1 14 + 2 4 14 = 0:Deci11= 11 mX mY = 0 =) = 11XY = 0 =) X si Ysunt necorelate.Pe de alta parte,P(X 2 \ Y 1) = FXY(2; 1) = 0;iarP(X 2) P(Y 1) = FX(2) FY(1) = 14 12 = 18 ;deci
P(X 2 \ Y 1)6= P(X 2) P(Y 1) =) X si Ynu sunt inde-pendente.
Coecientul de corelatie masoara interdependenta liniara a variabilelor aleatoare,adica acuratetea cu care o variabila aleatoare poate aproximata printr-ofunctie liniara de cealalta. Pentru a vedea asta, consideram problema
30
7/24/2019 ala bala portocalaala bala portocala
31/158
aproximarii unei variabile aleatoare Xprintr-o functie liniara de o a doua vari-abila aleatoareY,aY+ b, undea sib sunt alese a. . eroarea medie patraticae
denita de(3.3)e = E
[X (aY + b)]2
este minima. Aveme = E
X2 + a2Y2 + b2 2aXY 2bX+ 2abY = EX2+ a2EY2 +
b2 2aE(XY) 2bmX+ 2abmY;@e@a = 2aE
Y2 2E(XY) + 2bmY;
@e@b = 2b 2mX+ 2amY:Rezolvnd sistemul
@e@a = 0;@e@b = 0;
obtinem ca minimul e atins cnda= XY
sib= mX amY:nlocuind aceste valori n relatia (3.3) obtinem eroarea medie patratica
minima 2X
1 2. Vedem ca o potrivire exacta n sensul mediei patratice eatinsa cndjj = 1 si aproximarea liniara este cea mai rea cnd = 0: Cnd= 1, X si Y se numesc pozitiv perfect corelate, n sensul ca valorile pe care leiau sunt pe o dreapta cu panta pozitiva; ele sunt negativ perfect corelatecnd= 1si valorile lor se aa pe o dreapta cu panta negativa. Aceste doua cazuriextreme sunt ilustrate n gura de mai jos.
Valoarea lui jj descreste cnd mprastierea valorilor n jurul dreptelor creste.n demonstratia faptului cajj 1;am obtinut
31
7/24/2019 ala bala portocalaala bala portocala
32/158
211 2002:Folosind un procedeu similar, putem arata de asemenea ca
E2 (XY) EX2EY2 :Ultimele doua relatii sunt inegalitatile lui Schwarz.Denitia 3.8. FieX un vector coloana aleator cu componentele X1; X2;:::;Xn
si mX vectorul coloana avnd componente mediile lui X1; X2;:::;Xn: Matriceade covariantaeste
=E
(XmX) (XmX)T
=
0BBB@var (X1) cov (X1; X2) : :: cov (X1; Xn)
cov (X2; X1) var (X2) ::: cov (X2; Xn)...
... . . .
...cov (Xn; X1) cov (Xn; X2) ::: var (Xn)
1CCCA :este o matricen ncu avnd pe diagonala variante si n afara diagonalei
covariante. Deoarece cov (Xi; Xj) = cov (Xj ; Xi), matricea de covarianta estesimetrica.
Urmatorul rezultat este o generalizare a relatiei (3.2).Teorema. Daca X1; X2;:::;Xn sunt independente, atunciE(g1(X1) g2(X2) :::gn(Xn)) = E(g1(X1)) E(g2(X2)) :::E(gn(Xn)) ;unde gj(Xj ) este o functie arbitrara de Xj . Se presupune ca toate mediile
care sunt scrise exista.
Propozitie. FieX1; X2;:::;Xn variabile aleatoare si Y =nX
i=1
Xi:Atunci
2Y =nX
i=1
2Xi + 2X
1i
7/24/2019 ala bala portocalaala bala portocala
33/158
4 Principalele repartitii discrete si proprietatile
lor4.1 Repartitia binomiala
O succesiune de probe e facuta astfel ncta) pentru ecare proba sunt doar doua rezultate posibile, sa spunem succes
si esec;b) probabilitatile aparitiei acestor rezultate ramn aceleasi pe durata pro-
belor;c) probele sunt independente.Probele facute n aceste conditii se numesc probe Bernoulli.Notam evenimentul "succes" cuS si evenimentul "esec" cu F. FieP(S) = p
si P(F) =q, unde p +q= 1:Rezultate posibile din efectuarea unei succesiunide probe Bernoulli pot reprezentate simbolic prin
S\ S\ F\ F\ S\ F\ S\ S\ S\ ::: \ F\ FF\ S\ F\ S\ S\ F\ F\ F\ S\ ::: \ S\ F...si, datorita independentei, probabilitatile acestor rezultate posibile sunt usor
de calculat. De exemplu,P(S\ S\ F\ F\ S\ F\ :::F\ F) = P(S) P(S) P(F) P(F) P(S) P(F) :::P(F) P(F) =
ppqqpq:::qq:Repartitia unei variabile aleatoare Xreprezentnd numarul de succese
dintr-o succesiune de n probe Bernoulli, indiferent de ordinea n care apar estefrecvent de interes considerabil. E clar ca X e o variabila aleatoare discretacare ia valorile 0; 1; 2;:::;n. Pentru a determina functia masa de probabilitate,consideram pX(k), probabilitatea de a avea exact k succese n n probe. Acest
eveniment poate aparea n la fel de multe moduri precum numarul de submultimide k elemente ale unei multimi de nelemente. De aici, numarul de moduri ncarek succese se pot ntmpla n n probe este
Ckn = n!
k!(nk)!si probabilitatea asociata cu ecare mod este pkqnk:Din acest motiv avem
pX(k) = Cknp
kqnk; k= 0; 1; 2;:::;n: (4.1)
Datorita similaritatii cu termenii binomului lui Newton
(a + b)n =nX
k=0
Cknakbnk;
repartitia denita de relatia (4.1) se numeste repartitie binomiala. Ea aredoi parametri, anumen sip. O variabila aleatoareXavnd repartitie binomialase noteaza X B (n; p).
Forma unei repartitii binomiale e determinata de valorile celor doi parametriai ei, n si p. n general, n se da ca o parte a problemei si p trebuie estimat dinobservatii.
33
7/24/2019 ala bala portocalaala bala portocala
34/158
O reprezentare a functiei masa de probabilitate pX(k) pentru n = 10 sip= 0; 2este n gura de mai jos.
Vrful repartitiei se va muta spre dreapta cndpcreste, atingnd o repartitiesimetrica cnd p = 0; 5. Consideram raportul
pX(k)pX(k
1) =
Cknpkqnk
C
k1
n pk1
qnk+1
=n!
k!(nk)!p
n!
(k1)!(nk+1)!q
= (nk+1)pkq = 1 + (nk+1)pkq
kq =
1 + (n+1)pk(p+q)kq = 1 + (n+1)pk
kq :
Observam capX(k)> pX(k 1)() k (n + 1)p:Deci, daca denim k2 Zprin
(n + 1)p 1< k (n + 1)p;valoarea lui pX(k) creste de la k = 0 si si atinge valoarea maxima cnd
k = k, apoi descreste. Daca (n + 1)p2 Z, valoarea maxima se atinge nambelepX(k 1) si pX(k). k este astfel un modul al acestei repartitii si senumeste adesea "cel mai probabil numar de succese".
pX(k) este tabelata ca o functie de n si p. Tabelul A.1 din gurile de maijos da valorile ei pentru n = 2; 3; :::; 10 si p = 0; 01;0; 05; :::; 0; 5:
34
7/24/2019 ala bala portocalaala bala portocala
35/158
35
7/24/2019 ala bala portocalaala bala portocala
36/158
Calculul luipX(k)devine greu cndndevine mare; se foloseste aproximareaPoisson a repartitiei binomiale.
Functia de repartitieFX(x)pentru o repartitie binomiala este data deFX(x) =
[x]Xk=0
Cknpkqnk;
unde[x]este partea ntreaga a lui x.Proprietati 4.1. Fie X B (n; p). Atuncia) mX =np;b) 2X =npq:
Demonstratie. a) mX =nX
k=0
kpX(k) =nX
k=1
kCknpkqnk =
nXk=1
k n!k!(nk)!pkqnk =nX
k=1
n (n1)!(k1)!(n1(k1))!pkqnk =npnX
k=1
Ck1n1pk1qn1(k1) k1=i= np
n1Xi=0
Cin1piqn1i =
np (p + q)n1
=np:
b) E
X2
=nX
k=0
k2pX(k) =nX
k=1
k2Cknpkqnk =np
nXk=1
kCk1n1pk1qn1(k1) =
np
" nX
k=1
(k 1) Ck1n1pk1qn1(k1) +nX
k=1
Ck1n1pk1qn1(k1)
#k1=i;a )
=
36
7/24/2019 ala bala portocalaala bala portocala
37/158
npn1
Xi=0 iCin1p
iqn1i + 1! =np (mY + 1)a )=np [(n 1)p + 1] ;
undeY B (n 1; p) :2X =E
X2 m2X =np [(n 1)p + 1] n2p2 =n2p2 np2 + np n2p2 =
np (1 p) = npq:Faptul ca mX = np sugereaza ca parametrul p poate estimat pe baza
valorii medii a datelor observate.O alta formulare care duce la repartitia binomiala este denirea variabilei
aleatoare Xj ; j = 1; 2;:::;n, reprezentnd rezultatul celei de-aj-a probe Bernoulli.Daca punem
Xj =
0, daca probaj este un esec,1; daca probaj este un succes,
atunciX= X1+ X2+ ::: + Xn
da numarul de succese nnprobe. Din denitie, X1; X2;:::;Xnsunt variabilealeatoare independente.DeoareceE(Xj ) = 0 q+ 1 p= p; j = 1; 2;:::;n;rezulta caE(X) = E(X1+ X2+ ::: + Xn) = E(X1)+E(X2)+:::+E(Xn) = p +p + ::: +p| {z }
n
=
np;ceea ce coincide cu proprietatea 4.1 a).Analog, deoareceE
X2j
= 02 q+ 12 p= p; j = 1; 2;:::;n;2Xj =E
X2j
[E(Xj )]2 =p p2 =p (1 p) = pq; j = 1; 2;:::;n;
din independenta lui X1; X2;:::;Xn rezulta ca
2X =nX
j=1
2Xj =pq+pq+ ::: +pq| {z }n
=npq;
ceea ce coincide cu proprietatea 4.1 b).Teorema 4.1. Fie X1 B (n1; p) si X2 B (n2; p) variabile aleatoare
independente si Y =X1+ X2:Atunci Y B (n1+ n2; p) :
4.2 Repartitia hipergeometrica
Fie Zvariabila aleatoare care da numarul de bile negre care sunt extrase cndun esantion de m bile este extras (fara revenire) dintr-un lot de n bile avndn1 bile negre si n2 bile albe (n1 + n2 = n). Functia masa de probabilitate avariabilei aleatoareZeste
pZ(k) = Ckn
1 Cmknn
1Cmn ; k= 0; 1; :::; min(n1; m) :Spunem ca Zare repartitie hipergeometrica.Se poate arata camZ=
mn1n ;
2Z= mn1(nn1)(nm)
n2(n1) :
37
7/24/2019 ala bala portocalaala bala portocala
38/158
4.3 Repartitia geometrica
FieXnumarul de probe Bernoulli pna la (si incluznd) prima aparitie a succe-sului. Xe variabila aleatoare discreta avnd ca valori toate numerele naturale.Functia ei masa de probabilitate este
pX(k) = P
0@F\ F\ ::: \ F| {z }k1
\ S1A =P(F) P(F) :::P(F)| {z }
k1
P(S) = qk1p; k=
1; 2; ::::Aceasta repartitie este cunoscuta ca repartitia geometricacu parametrul p,
unde numele provine de la similaritatea cu termenii progresiei geometrice. Oreprezentare a lui pX(k)e data mai jos.
Functia de repartitie corespunzatoare este
FX(x) =
[x]Xk=1
pX(k) =
[x]Xk=1
qk1p= p[x]X
k=1
qk1 = (1 q)[x]X
k=1
qk1 = 1 q[x],daca x 1
siFX(x) = 0;daca x
7/24/2019 ala bala portocalaala bala portocala
39/158
1p +pq
d2
dq2
1
Xk=2 qk
! = 1p +pq
d2
dq2 q1q q =
1p +pq
d2
dq2 q2
1q = 1p +pq
ddq h
2q(1q)+q2(1
q)2 i =
1p+pq
ddq
2qq2(1q)2
= 1p+pq
(22q)(1q)2+(2qq2)2(1q)(1q)4 =
1p+ q
2((1q)2+2qq2)(1q)2 =
1p +
2q(1q)2 :
2X =E
X2 [E(X)]2 = 1p+ 2qp2 1p2 = p+2q1p2 = qp2 = 1pp2 :
4.4 Repartitia binomiala negativa
O generalizare a repartitiei geometrice este repartitia variabilei aleatoare Xreprezentnd numarul de probe Bernoulli necesare pentru aparitia celui de-alr-lea succes, under 2 N este dat.
Pentru a determina pX(k)n acest caz, e A evenimentul ca primele k 1probe sa dea exact r
1succese, indiferent de ordinea lor, si B evenimentul ca
un succes sa apara la proba k . Atunci, datorita independentei,pX(k) = P(A \ B) = P(A) P(B) :AvemP(B) = psiP(A) = pZ(r 1) = Cr1k1pr1qkr;undeZ B (k 1; p) :Obtinem
pX(k) = Cr1k1p
rqkr; k= r; r+ 1;:::: (4.2)
Repartitia denita de relatia (4.2) se numeste repartitie binomiala negativasauPascal si are parametriir sip. Este adesea notata prinN B (r; p). Observam
ca ea se reduce la repartitia geometrica cnd r = 1:O varianta a acestei repartitii se obtine punnd Y = X r: Variabilaaleatoare Y este numarul de probe Bernoulli dincolo de r necesare pentru re-alizarea celui de-al r-lea succes, sau poate interpretata ca numarul de esecurinainte de cel de-al r-lea succes.
Functia masa de probabilitate a lui Y, pY (m), e obtinuta din relatia (4.2)nlocuind k prin m + r:
pY(m) = Cr1m+r1p
rqm =Cmm+r1prqm; m= 0; 1; 2; ::::
Variabila aleatoareYare p;roprietatea convenabila ca valorile ei ncep de la0 si nu de la r ca valorile lui X:
Reamintind o denitie mai generala a coecientului binomialCja =
a(a1):::(aj+1)j! ; 8a 2 R; j2 N;
avem
Cmm+r1 = (m+r
1)!
m!(r1)! = (m+r
1)(m+r
2):::r
m! = (1)m (
r)(
r1):::(
r
m+1)m! =
(1)m Cmr:De aici,
pY (m) = Cmrp
r (q)m ; m= 0; 1; 2;:::;
39
7/24/2019 ala bala portocalaala bala portocala
40/158
acesta ind motivul pentru numele "repartitie binomiala negativa".Media si dispersia variabilei aleatoare Xpot determinate observnd ca X
poate reprezentata prinX= X1+ X2+ ::: + Xr;unde Xj este numarul de probe dintre cel de-al (j 1)-lea si (inclusiv) cel
de-al j-lea succes. Aceste variabile aleatoare sunt independente, ecare avndrepartitie geometrica n care media este 1p si dispersia
1pp2 . De aceea media
sumei este suma mediilor si, din independenta, dispersia sumei este suma dis-persiilor, adica:
mX = rp ;
2X =
r(1p)p2 :
DeoareceY =X r, avem:mY =
rp r; 2Y = r(1p)p2 :
4.5 Repartitia multinomiala
O generalizare a probelor Bernoulli este sa relaxam cererea sa e doar douarezultate posibile pentru ecare proba. Fie r rezultate posibile pentru ecareproba, notate cuE1; E2;:::;Er si eP(Ei) = pi; i= 1; 2;:::;rcup1+p2+:::+pr =1:
Daca variabila aleatoare Xi; i = 1; 2;:::;r; reprezinta numarul de Ei ntr-osuccesiune denprobe, functia masa de probabilitate comuna a luiX1; X2;:::;Xreste data de
pX1X2:::Xr(k1; k2;:::;kr) = n!
k1!k2!:::kr!pk11 p
k22 :::p
krr ; (4.3)
undekj = 0; 1; 2;:::;j = 1; 2;:::;r; si k1+ k2+ ::: + kr = n:Demonstratia formulei 4.3. Consideram evenimentul de a avea exact k1
rezultate E1; k2 rezultate E2;:::;kr rezultate Er n n probe. Acest evenimentpoate aparea n la fel de multe moduri precum numarul de moduri de a plasak1 litere E1; k2 litere E2;:::;kr litere Er n n cutii a. . ecare cutie sa aibaexact o litera. De aici, numarul de moduri cautat este produsul dintre numarulde moduri de a plasa k1 litere E1 n n cutii, numarul de moduri de a plasa k2litere n cele n k1 cutii ramase neocupate, s.a.m.d., adica
Ck1n Ck2nk1 :::C
krnk1k2:::kr1 =
n!k1!(nk1)!
(nk1)!k2!(nk1k2)! :::
(nk1k2:::kr1)!kr !0!
=n!
k1!k2!:::kr!
si probabilitatea asociata cu ecare mod, datorita independentei, estepk11 pk22 :::p
krr :
Relatia (4.3) deneste functia masa de probabilitate comuna a repartitieimultinomiale, numita asa deoarece are forma temenului general din expansiuneamultinomiala a lui (p1+p2+ ::: +pr)
n. Repartitia multinomiala se reduce la
repartitia binomiala cnd r = 2, si cu p1 = p; p2 = q; k1 = k si k2 = n k:DeoareceXi B (n; pi), avemmXi =npi;
2Xi
=np1(1 pi) ;si se poate arata ca avemcov (Xi; Xj ) = npipj ; i; j = 1; 2; :::; r; i 6=j:
40
7/24/2019 ala bala portocalaala bala portocala
41/158
4.6 Repartitia Poisson
Aceasta repartitie este folosita n modelele matematice pentru a descrie, ntr-uninterval de timp specic, evenimente ca emisia de particule dintr-o substantaradioactiva, sosirile de pasageri la un aeroport, distributia particulelor de prafntr-un anumit spatiu, sosirile de masini la o intersectie, si alte fenomene simi-lare.
Pentru a xa ideile, consideram problema sosirii pasagerilor la o statie deautobuz ntr-un interval de timp specicat. Notam X(0; t) numarul de sosiridin intervalul de timp [0; t);X(0; t)e o variabila aleatoare discreta lund valoriposibile 0; 1; 2;:::, iar repartitia ei depinde det. Functia ei masa de probabilitatese scrie
pk(0; t) = P[X(0; t) = k] ; k= 0; 1; 2;:::; (4.4)
pentru a arata dependenta ei explicita det.Facem urmatoarele ipoteze de baza:1) Daca t1 < t2 < ::: < tn, atunci variabilele aleatoare X(t1; t2) ; X(t2; t3) ;:::;X(tn1; tn)
sunt independente, adica, numerele de pasageri care sosesc n intervale de timpcare nu se suprapun sunt independente unul de celalalt.
2) Pentrutsucient de mic,
p1(t; t + t) = t + o (t) ; (4.5)
undeo (t)este o functie a. .
limt!0
o (t)
t = 0: (4.6)
Aceasta ipoteza spune ca, pentru t sucient de mic, probabilitatea de a
avea exact o sosire este proportionala cu lungimeat. Parametruldin relatia(4.5) este numit densitatea mediesau rata medie a sosirilor.
3) Pentrutsucient de mic,
1Xk=2
pk(t; t + t) = o (t) : (4.7)
Aceasta conditie implica faptul ca probabilitatea de a avea doua sau maimulte sosiri ntr-un interval sucient de mic este neglijabila.
Din relatiile (4.5) si (4.7) rezulta
p0(t; t + t) = 1 1
Xk=1pk(t; t + t) = 1 t + o (t) : (4.8)
Determinam p0(0; t). Pentru a nu avea nicio sosire n intervalul [0; t + t),trebuie sa nu avem nicio sosire n ambele subintervale [0; t) si [t; t + t). Da-torita independentei sosirilor n intervale nesuprapuse avem
41
7/24/2019 ala bala portocalaala bala portocala
42/158
p0(0; t + t) = p0(0; t)p0(t; t + t) = p0(0; t) [1 t + o (t)] : (4.9)Rearanjnd relatia (4.9) si mpartind ambii membri prin tobtinemp0(0;t+t)p0(0;t)
t = p0(0; t)h
o(t)ti
:
Punndt ! 0, obtinem ecuatia diferentialadp0(0; t)
dt = p0(0; t) :
Solutia ei satisfacnd conditia initialap0(0; 0) = 1este
p0(0; t) = et: (4.10)
Determinarea luip1(0; t)este similara. O sosire n intervalul[0; t + t)poate
ndeplinita doar avnd 0sosiri n subintervalul [0; t) si o sosire n [t; t + t),sau o sosire n [0; t) si nicio sosire n [t; t + t). De aici avem
p1(0; t + t) = p0(0; t)p1(t; t + t) +p1(0; t)p0(t; t + t) : (4.11)
nlocuind relatiile (4.5), (4.8) si (4.10) n relatia (4.11) obtinemp1(0; t + t) = e
t (t + o (t))+p1(0; t) (1 t + o (t)) =) p1(0;t+t)p1(0;t)t =et
+ o(t)t
+p1(0; t)
+ o(t)t
:
Punndt ! 0, obtinemdp1(0; t)
dt =
p1(0; t) + e
t ; p1(0; 0) = 0; (4.12)
ceea ce conduce la
p1(0; t) = tet : (4.13)
Continund n acest fel, gasim pentru termenul general
pk(0; t) =(t)k et
k! ; k= 0; 1; 2; :::: (4.14)
Relatia (4.14) da functia masa de probabilitate a lui X(0; t), numarul desosiri n intervalul de timp [0; t)cu conditiile de mai sus si deneste o repartitiePoisson cu parametrii si t. Parametrii si t pot nlocuiti de un singurparametru = t si astfel putem scrie
pk(0; t) =ke
k! ; k= 0; 1; 2;:::: (4.15)
Media lui X(0; t)este
42
7/24/2019 ala bala portocalaala bala portocala
43/158
E(X(0; t)) = 1Xk=0
kpk(0; t) = e 1X
k=0
kk
k! =e 1X
k=1
k1
(k 1)! =ee =:
(4.16)Calculam si dispersia:
E
X2 (0; t)
=1X
k=0
k2pk(0; t) = e
1Xk=0
k2k
k! =e
1Xk=1
kk
(k1)! =e"1X
k=1
(k1)k(k1)! +
1Xk=1
k
(k1)!
#=
e"
21X
k=2
k2
(k2)!+ 1X
k=1
k1
(k1)!
#=e
2e + e
=2 + :
2X(0;t) = E
X2 (0; t) [E(X(0; t))]2 =: (4.17)
Din relatia (4.16) se vede ca parametrul este egal cu media numarului desosiri pe unitatea de timp; numele "rata medie a sosirilor" pentru
este astfel
justicat. n determinarea valorii acestui parametru ntr-o problema data, elpoate estimat din observatii prin m
n, unde m este numarul observat de sosiri
n n unitati de timp. Similar, deoarece = t, reprezinta numarul mediu desosiri n intervalul de timp [0; t) :
Din relatiile (4.16) si (4.17) se vede ca media si dispersia cresc cnd ratamedie creste. n gura alaturata e reprezentata functia masa de probabilitatepentru repartitia Poisson pentru
a) = 0; 5;b) = 1;c) = 4:
43
7/24/2019 ala bala portocalaala bala portocala
44/158
n general, daca examinam raportul pk(0;t)pk1(0;t) , cum am facut la repartitiabinomiala, se arata capk(0; t)creste si apoi descreste cnd k creste,
atingndu-si maximul cnd k = [] :
44
7/24/2019 ala bala portocalaala bala portocala
45/158
Tabelul A.2 din gurile de mai jos da functia masa de probabilitate a repar-titiei Poisson pentru anumite valori ale lui dintre 0; 1 si 10. Pentru = 10,
avem p23(0; t) = 0; 0002 si p24(0; t) = 0; 0001. n loc de "t" n tabelul A.2 seva citi "".
45
7/24/2019 ala bala portocalaala bala portocala
46/158
Teorema 4.2. Daca X si Y sunt variabile aleatoare independente avndrepartitii Poisson cu parametrii1, respectiv2, atunci variabila aleatoareY =X1+ X2 are repartitie Poisson cu parametrul 1+ 2.
Propozitie. Daca o variabila aleatoareXeste repartizata Poisson cu para-metrul , atunci o variabila aleatoare Y, care este obtinuta din X selectnddoar cu probabilitatea p ecare din itemii numarati de X, este de asemenearepartizata Poisson cu parametrul p:
Demonstratie. Dat ind ca X = r, repartitia lui Y este binomiala cuparametriir si p, deci:
P(Y =k
jX= r) = Ckrp
k (1
p)rk ; k= 0; 1; 2;:::;r:
Din teorema probabilitatii totale avem
P(Y =k) =1X
r=k
P(Y =kjX=r) P(X= r) =1X
r=k
Ckrpk(1p)rkre
r!
r=n+k=
1Xn=0
Ckn+kpk(1p)nn+ke
(n+k)! = (p)ke
k!
1Xn=0
[(1p)]nn! =
(p)kee(1p)
k! = (p)kep
k! ; k =
0; 1; 2;::::Aceasta propozitie poate folosita, de exemplu, pentru situatii n careY e
numarul de urmasi ai unei insecte cnd Xe numarul de oua depuse, sau Y enumarul de uragane dezastruoase cnd Xe numarul total de uragane care aparntr-un an dat, sau Y e numarul pasagerilor care nu pot urca la bordul unuizbor dat din cauza suprarezervarilor, cndXeste numarul de sosiri de pasageri.
4.6.1 Repartitii spatiale
Repartitia Poisson a fost data pe baza sosirilor n timp, dar acelasi argument seaplica la repartitia punctelor n spatiu. Consideram repartitia defectelorntr-un material. Numarul de defecte ntr-un anumit volum are o repartitiePoisson daca ipotezele 1-3 sunt valide, cu intervalele de timp nlocuite de volume,
46
7/24/2019 ala bala portocalaala bala portocala
47/158
sieste rezonabil sa presupunem ca probabilitatea de a gasi k defecte n oriceregiune depinde numai de volum si nu de forma regiunii.
Alte situatii zice n care repartitia Poisson e folosita includ numarul debacterii pe o placa Petri, repartitia fertilizatoarelor mprastiate cu avionul peun cmp si repartitia poluantilor industriali ntr-o regiune data.
4.6.2 Aproximarea Poisson a repartitiei binomiale
Fie X B (n; p).pX(k) = C
knp
k (1 p)nk ; k= 0; 1; 2;:::;n:Consideram cazul cnd n! 1 si p! 0 a. . np = ramne xat.
Observam ca este media lui X, care e presupusa a ramne constanta. AtuncipX(k) = C
kn
n
k 1 n
nk; k= 0; 1; 2;:::;n:
Deoarecen ! 1, factorialelen! si(n k)!care apar n Ckn = n!k!(nk)! pot
aproximate prin formula lui Stirlingn! =(2) 12 ennn+ 12 :Obtinem
pX(k) = (2)12 ennn+
12
k!(2)12 en+k(nk)nk+12
n
k 1 n
nk=
k
k!ek
nnk
nk+ 121 n
nk:
Deoarecelim
n!1
1 + cnn
=ec;avem
limn!1
nnk
nk+12= 1
limn!1
(1 kn )nk+1
2= 1
limn!1
(1 kn)n limn!1
nk+12
n
= 1ek
;
limn!1
1 n
nk=
hlimn!1
1 n
n
i limn!1
nkn
=e:
ObtinempX(k) = kek! ; k= 0; 1; ::::Aceasta aproximare Poisson a repartitiei binomiale usureaza calculele si se
foloseste n practica atunci cnd n > 10 si p < 0; 1. Repartitia Poisson sigaseste aplicabilitate n acest caz n probleme n care probabilitatea aparitieiunui eveniment este mica. De aceea, repartitia Poisson se mai numeste adesearepartitia evenimentelor rare.
47
7/24/2019 ala bala portocalaala bala portocala
48/158
5 Principalele repartitii continue, cu densitati
de repartitie si proprietatile lor5.1 Repartitia uniforma
O variabila aleatoare continua X are repartitie uniformape un interval de laa la b (b > a) daca este egal probabil sa ia orice valoare din acest interval.Densitatea lui Xeste constanta pe intervalul [a; b] si are forma
fX(x) =
c; daca x 2 [a; b] ;0; altfel.
DeoareceZ11
fX(x) dx=
Z a1
0dx +
Z ba
cdx +
Z1b
0dx= 0 + cxjba+ 0 = c (b a) ;din conditia
Z1
1 fX(x) dx= 1obtinemc= 1ba :Deci
fX(x) =
1ba ; dacax 2 [a; b] ;0; altfel.
(5.1)
Dupa cum vedem din gura de mai jos, este constant a pe [a; b] si naltimeatrebuie sa e 1ba pentru ca aria de sub densitate sa e1:
Functia de repartitie a lui Xeste
48
7/24/2019 ala bala portocalaala bala portocala
49/158
FX(x) =Z x1
fX(u) du=8>>>>>>>>>>>:Z
x
1
0du= 0; daca x < a;
Z a1
0du + Z xa
1ba du= 0 +
uba jxa = xaba , dacax 2 [a; b] ;Z a
10du +
Z ba
1ba du +
Z xb
0du= 0 + 1 + 0 = 1, daca x > b:
Deci
FX(x) =
8 b;
(5.2)
ceea ce este prezentat grac n gura urmatoare.
Media si dispersia lui X sunt
mX =
Z11
xfX(x) dx=
Z a1
0dx +
Z ba
xba dx +
Z1b
0dx= 0 + x2
2(ba) jba +0 = b
2a22(ba) =
a+b2 :
2X =
Z11
(x mX )2 fX(x) dx =Z a1
0dx + 1ba
Z ba
(x mX )2 dx +Z1b
0dx= 0+ 1ba (xmX)3
3 jba+0 = (bmX)3(amX)3
3(ba) = (ba)[(bmX)2+(bmX)(amX)+(amX)2]
3(ba) =
13
hba2
2
ba2
2
+
ba2
2
i= (ba)
2
12 :
Repartitia uniforma e una dintre cele mai simple repartitii si e folosita deobicei n situatii unde nu este niciun motiv de a da probabilitati inegale la valoriposibile luate de variabila aleatoare pe un interval dat. De exemplu, timpul desosire a unui zbor poate considerat uniform repartizat pe un anumit intervalde timp, sau repartitia distantei de la locul ncarcaturilor vii pe un pod laun suport terminal poate reprezentata adecvat printr-o repartitie uniforma
49
7/24/2019 ala bala portocalaala bala portocala
50/158
pe ntinderea podului. Adesea se ataseaza o repartitie uniforma unei anumitevariabile aleatoare din cauza unei lipse de informatie, dincolo de cunoasterea
intervalului de valori.
5.1.1 Repartitia uniforma bivariata
Fie variabila aleatoareXrepartizata uniform pe un interval [a1; b1] si variabilaaleatoareY repartizata uniform pe un interval [a2; b2]. Mai mult, presupunemca sunt independente. Atunci densitatea comuna a lui X si Y este
fXY(x; y) = fX(x) fY (y) =
1(b1a1)(b2a2) , pentrux 2 [a1; b1] si y2 [a2; b2] ;0, altfel.
(5.3)Ia forma unei suprafete plate marginita de [a1; b1] de-a lungul axei Ox si
[a2; b2]de-a lungul axei Oy.
5.2 Repartitia Gaussiana sau normala
Cea mai importanta repartitie n teorie ca si n aplicatii este repartitia Gaussianasau normala. O variabila aleatoare X este Gaussiana sau normala daca aredensitatea de forma
fX(x) = 1
p
2exp
"(x m)
2
22
#; 1 < x < 1; (5.4)
unde m si sunt doi parametri, cu > 0. Alegerea acestor simboluriparticulare ca parametri va deveni clara imediat.
Functia de repartitie corespunzatoare este
FX(x) = 1
p
2
Z x1
exp
"(u m)
2
22
#du; 1 < x < 1: (5.5)
Ea nu poate exprimata analitic, dar poate evaluata numeric pentru oricex.
Densitatea si functia de repartitie din relatiile (5.4) si (5.5) sunt reprezentategrac n gurile (a), respectiv (b) urmatoare, pentru m = 0 si = 1:
50
7/24/2019 ala bala portocalaala bala portocala
51/158
Gracul densitatiifX n acest caz particular este o curba n forma de clopot,simetrica n jurul originii.
Calculam media si dispersia lui X.
E(X) =Z11
xfX(x) dx= 1p2
Z11
x exph (xm)222 i dx xm =u=
1p2
Z11
(u + m)expu2
2
du = 1p
2
26664Z1
1u exp
u
2
2
| {z }
impara
du + m
Z11
expu2
2
du
37775 =1p2
0 + mp2 =m:
var (X) =
Z11
[x E(X)]2 fX(x) dx= 1p2Z11
(x m)2 exph (xm)222
idx
xm =u=
1p2
Z11
2u2 exp
u22
du = 2p
2
Z11
u2 exp
u22
du= 2p
2
Z11
u
exp
u22
0
du=
2p2u expu22 j11 Z11 expu22 du = 2p2 0 p2 =2:
Vedem astfel ca cei doi parametri m si din repartitie sunt media si re-spectiv deviatia standard a lui X. Aceasta observatie justica alegerea noastraa acestor simboluri speciale pentru ei si de asemenea pune n evidenta o pro-prietate importanta a repartitiei normale - cunoasterea mediei si dispersiei ei
51
7/24/2019 ala bala portocalaala bala portocala
52/158
caracterizeaza complet repartitia normala. Deoarece ne vom referi frecvent larepartitia normala, o notam cuNm; 2 :De exemplu,X N(0; 9)nseamnacaXare densitatea data de relatia (5.4) cu m = 0 si = 3.
Se poate arata ca momentele centrate ale lui X Nm; 2suntn=
0, daca n e impar,1 3 ::: (n 1) n, dacan e par. (5.6)
Coecientul de exces 2 = 4
4 3 este 0 pentru o repartitie normala. Deaceea ea este folosita ca repartitie de referinta pentru 2.
5.2.1 Teorema limita centrala
Marea importanta practica a repartitiei normale provine din teorema limitacentrala.
Teorema 5.1 (Teorema limita centrala) (Lindberg 1922). Fief
Xngun sir de variabile aleatoare independente si identic repartizate cu mediilem si
dispersiile 2. Fie
Y =nX
j=1
Xj ;
si e variabila aleatoare normalizata Zdenita ca
Z=Y nm
p
n :
Atunci functia de repartitie a luiZ,FZ(z), converge laN(0; 1)cndn ! 1pentru orice z xat.
Acest rezultat poate extins n cteva directii, incluznd cazurile n careYeste o suma de variabile aleatoare dependente si neidentic repartizate.Teorema limita centrala descrie o clasa foarte generala de fenomene aleatoare
pentru care repartitiile pot aproximate cu repartitia normala. Cnd pro-prietatea de a aleator a unui fenomen zic este cumularea a multor efectealeatoare aditive mici, el tinde la o repartitie normala, indiferent de repartitiileefectelor individuale. De exemplu, consumul de combustibil la toate automo-bilele unei anumite marci, presupus fabricate prin procese identice, difera dela un automobil la altul. Aceasta proprietate de a aleator provine de la olarga varietate de surse, incluznd, printre alte lucruri: inexactitatile inerenten procesele de fabricare, neuniformitatile n materialele folosite, diferentele ngreutate si alte specicatii, diferente n calitatea combustibilului si diferenten comportamentul soferilor. Daca se accepta faptul ca ecare dintre aceste
diferente contribuie la proprietatea de a aleator a consumului de combustibil,teorema limita centrala ne spune ca el tinde la o repartitie normala. Din acelasimotiv, variatiile de temperatura dintr-o camera, erorile de citire asociate cu uninstrument, erorile de tintire ale unei anumite arme, s.a.m.d. pot aproximaterezonabil prin repartitii normale.
52
7/24/2019 ala bala portocalaala bala portocala
53/158
5.2.2 Tabele de probabilitati
Datorita importantei sale, suntem adesea pusi n situatia sa evaluam probabil-itatile asociate cu o variabila aleatoare normalaX Nm; 2, caP(a < X b) = 1
p
2
Z ba
exp
"(x m)
2
22
#dx: (5.7)
Integrala de mai sus nu poate calculata analitic si este n general calcu-lata numeric. Pentru comoditate sunt date tabele care ne permit sa calculamprobabilitati ca cea din relatia (5.7).
Tabelarea functiei de repartitie pentru repartitia normala cu m = 0si = 1este data n tabelul A.3 din gura urmatoare.
O variabila aleatoare cu repartitia N(0; 1) se numeste variabila aleatoare
normala standardizata si o vom nota cu U. Tabelul alaturat da FU(u) doarpentru punctele din partea dreapta a repartitiei (adica pentru u 0). Valorilecorespunzatoare pentru u < 0 sunt obtinute din proprietatea de simetrie arepartitiei normale standardizate, din relatia
FU(u) = 1 FU(u) : (5.8)
53
7/24/2019 ala bala portocalaala bala portocala
54/158
Mai nti, tabelul mpreuna cu relatia (5.8) pot folosite pentru a determinaP(a < U
b)pentru orice a si b. De exemplu,
P(1; 5< U 2; 5) = FU(2; 5)FU(1; 5)(5.8)= FU(2; 5)[1 FU(1; 5)]tabel=0; 9938 1 + 0; 9332 = 0; 927:
Mai important, tabelul si relatia (5.8) sunt de asemenea suciente pentru adetermina probabilitatile asociate cu variabilele aleatoare normale cu medii sidispersii arbitrare.
Teorema 5.2. Fie X Nm; 2. Atunci Xm N(0; 1), adicaU=
X m
: (5.9)
Teorema 5.2 implica faptul ca, dacaX Nm; 2, atunciP(a < X b) = P(a < U+ m b) = Pa m < U b m : (5.10)Valoarea din membrul drept poate gasita acum din tabel cu ajutorul re-
latiei (5.8), daca este necesar.Exemplul 5.1. Sa calculam P(m k < X m + k), unde X Nm; 2.
P(m k < X m + k) (5.10)= P(k < U k) = FU(k)FU(k) (5.8)= 2FU(k)1:(5.11)
Observam ca rezultatul din exemplul 5.1 este independent de m si sieste functie doar de k. Astfel, probabilitatea caX sa ia valori ntre k deviatiistandard n jurul mediei sale depinde numai de k si este data de ecuatia (5.11).Se vede din tabel ca aproximativ 68; 3%; 95; 5% si 99; 7% din aria de sub odensitate normala se aa n zonele m ; m 2, respectiv m 3, dupa cumse vede din gurile (a)-(c) urmatoare.
54
7/24/2019 ala bala portocalaala bala portocala
55/158
De exemplu, sansele sunt de aproximativ99; 7%ca o mostra selectata aleatordintr-o repartitie normala sa e n regiuneam 3(gura (c)).
5.2.3 Repartitia normala multivariata
Doua variabile aleatoare X si Y se numesc comun normale daca densitateacomuna a lor are forma
fXY(x; y) = 1
2X Yp
1 2 exp(
12 (1 2)
"x mX
X
2 2 (x mX ) (y mY)
X Y+
y mY
Y
(5.12)unde (1; 1) < (x; y) < (1; 1). Relatia (5.12) descrie repartitia nor-
mala bivariata. Sunt cinci parametri asociati cu ea: mX ; mY; X(>0) ; Y(>0) ; si (jj 1). O reprezentare graca tipica a acestei densitati, pentrumX =mY = 0 si X =Yeste n gura urmatoare.
55
7/24/2019 ala bala portocalaala bala portocala
56/158
Densitatea marginala a variabilei aleatoare Xeste
fX(x) =Z1
1fXY(x; y) dy=
1
Xp
2exp
"(x mX )222X
#; 1 < x < 1:
Astfel, X NmX ; 2X. Similar, Y NmY; 2Y si = XYXY estecoecientul de corelatie al lui X si Y. Vedem astfel ca cei cinci parametricontinuti n densitatea bivariatafXY (x; y)reprezinta cinci momente importanteasociate cu variabilele aleatoare. De asemenea observam ca repartitia normalabivariata este complet caracterizata de momentele comune de ordinul 1 si 2 alelui X si Y.
Teorema 5.3. Corelatie zero implica independenta cnd variabilele aleatoaresunt comun normale.
Demonstratie. Punnd = 0n relatia (5.12), obtinem
fXY(x; y) =
( 1
Xp
2exp
"(x mX )
2
22X
#)( 1
Yp
2exp
"(x mY)
2
22Y
#)=fX(x) fY(y) ;
adicaX si Ysunt independente.
56
7/24/2019 ala bala portocalaala bala portocala
57/158
Aceasta proprietate nu este valabila n general.Avem repartitie normala multivariatacnd cazul a doua variabile aleatoare
e extins la cel implicnd n variabile aleatoare.Fienvariabile aleatoare,X1; X2;:::;Xn. Ele se numesccomun normaledaca
densitatea lor comuna e de forma
fX1X2:::Xn(x1; x2;:::;xn) = fX(x) = (2)n2 jj 12 exp
1
2(xm)T 1 (xm)
; 1 < x 0;
0, altfel. (5.15)
Relatia (5.15) arata ca Y are o repartitie unilaterala (adica ia valori numai
n zona pozitiva a lui y). Aceasta proprietate o face atractiva pentru cantitatizice care sunt restrictionate sa aiba doar valori pozitive. n plus,fY (y)ia multeforme diferite pentru valori diferite ale lui mX si X (X > 0). Dupa cum sevede din gura urmatoare, care da gracele lui fY pentru mX = 0 si 3 valoriale lui 2X , densitatea lui Y este asimetrica spre dreapta, aceasta caracteristicadevenind mai pronuntata cnd X creste.
58
7/24/2019 ala bala portocalaala bala portocala
59/158
ParametriimX si X care apar n densitatea lui Y sunt media si deviatiastandard a lui X, sau ln Y, dar nu ale lui Y. Pentru a obtine o pereche mainaturala de parametri pentru fY(y), observam ca, daca medianele lui X si Ysunt notate cu X , respectiv Y, denitia medianei unei variabile aleatoare da
12 =P(Y Y) = P(X ln Y) = P(X X ) ;de unde
ln Y =X :
Deoarece, datorita simetriei repartitiei normale,X =mX ;
putem scrie
mX = ln Y:
Scriind X =lnY, densitatea lui Ypoate scrisa
59
7/24/2019 ala bala portocalaala bala portocala
60/158
fY(y) = ( 1yln Yp2exp h 122lnY ln2 yY i , pentruy >0;0, altfel.n termeni de Y si lnY, media si dispersia lui Y sunt
mY =Y exp
2lnY2
;
2Y =m2Y
exp
2lnY
1 :5.3.1 Tabele de probabilitati
Datorita legaturii dintre repartitia normala si repartitia lognormala prin re-latia (5.14), calculele de probabilitati implicnd o variabila aleatoare repartizatalognormal pot facute cu ajutorul tabelului de probabilitati pentru variabilealeatoare normale.
Consideram functia de repartitie a lui Y . Avem
FY (y) = P(Y y) = P(X ln y) = FX(ln y) ; y >0:Deoarece media lui Xesteln Y si dispersia lui Xeste2lnY, avem
FY (y) = FU
ln y ln Y
ln Y
=FU
1
lnYln
y
Y
; y >0: (5.16)
DeoareceFU este tabelata, relatia (5.16) poate folosita pentru calcule deprobabilitati asociate cu Y, cu ajutorul tabelului probabilitatii normale.
5.4 Repartitia gamma si repartitii n legatura cu aceastaRepartitia gamma este unilaterala si densitatea asociata cu ea este
fX(x) =
()x1ex, pentrux >0;
0, altfel, (5.17)
unde ()este functia gamma:
() =
Z10
u1eudu;
care este tabelata, si
(n) = (n
1)!;
8n
2N:
Parametrii distributiei gamma sunt si ; ambii sunt pozitivi. Deoarecerepartitia gamma este unilaterala, cantitatile zice care pot lua doar valori poz-itive sunt frecvent modelate de ea, servind ca model util datorit a versatilitatiiei n sensul ca o varietate larga de forme ale densitatii gamma poate obtinutavariind valorile lui si , dupa cum arata gurile (a) si (b) urmatoare.
60
7/24/2019 ala bala portocalaala bala portocala
61/158
Observam din aceste guri ca determina forma repartitiei n timp ce este un parametru de scara pentru repartitie. n general, densitatea gammaeste unimodala, cu vrful n x = 0pentru
1 si nx = 1
pentru >1:
Se poate arata ca repartitia gamma este un model pentru timpul cerut pen-tru un total de exact sosiri Poisson. Datorita largii aplicabilitati a sosirilorPoisson, repartitia gamma are de asemenea numeroase aplicatii.
Functia de repartitie a variabilei aleatoare Xavnd repartitia gamma este
FX(x) =
80;
0, altfel.(5.18)
(; u)este functia gamma incompleta,
(; u) = Z u
0
x1exdx;
care este de asemenea tabelata.Media si dispersia variabilei aleatoare gamma repartizateX sunt
mX =
; 2X =
2: (5.19)
61
7/24/2019 ala bala portocalaala bala portocala
62/158
5.4.1 Repartitia exponentiala
Cnd = 1, densitatea gamma data de relatia (5.17) se reduce la forma expo-nentiala
fX(x) =
ex, pentrux >0;0, altfel,
(5.20)
unde > 0 este parametrul repartitiei. Functia de repartitie, media sidispersia ei se obtin din relatiile (5.18) si (5.19) punnd = 1:
FX(x) =
1 ex, pentru x 0;0, altfel,
(5.21)
mX = 1
; 2X =
1
2: (5.22)
Timpul ntre sosiri Fie variabila aleatoare X(0; t), numarul de sosiri nintervalul de timp [0; t) si presupunem ca este repartizata Poisson. Fie T vari-abila aleatoare care da intervalul de timp dintre 2 sosiri succesive. Functia eide repartitie este, din denitie
FT(t) = P(T t) =
1 P(T > t) , pentrut 0;0, altfel.
EvenimentulT > t e echivalent cu evenimentul ca nu e nicio sosire n inter-valul de timp[0; t), sau X(0; t) = 0. Deoarece, din relatia (4.10),P(X(0; t) = 0) =et , avem
FT
(t) = 1 et , pentrut
0;
0, altfel.Comparnd aceasta expresie cu relatia (5.21), putem stabili ca timpul ntre 2
sosiri Poisson succesive are o repartitie exponentiala; parametruldin repartitialui Teste rata medie a sosirilor Poisson.
Deoarece timpurile ntre sosiri Poisson sunt independente, timpul cerut pen-tru un total densosiri Poisson este o suma denvariabile aleatoare independentesi repartizate exponential. Fie Tj ; j = 1; 2;:::;n, timpul ntre sosirile j 1 si j .Timpul cerut pentru un total de n sosiri, notat cu Xn este
Xn= T1+ T2+ ::: + Tn;
unde Tj ; j = 1; 2;:::;n, sunt independente si repartizate exponential cu ace-lasi parametru . Se poate arata ca Xn este gamma repartizata cu = n si = . Astfel, repartitia gamma este potrivita pentru a descrie timpul cerutpentru un total de sosiri Poisson.
62
7/24/2019 ala bala portocalaala bala portocala
63/158
Fiabilitatea si legea de defectare exponentiala n studiile de abilitate,timpul pna la defectarea unui component zic sau un sistem este repartizat
exponential, daca unitatea se defecteaza imediat ce un singur eveniment, ca de-fectarea unui component, apare, presupunnd ca astfel de fenomene se ntmplaindependent.
Fie variabila aleatoare T, timpul pna la defectarea unui component sausistem. Functia care da probabilitatea de defectiune n timpul unei cresteri micide timp, presupunnd ca nicio defectiune nu a aparut nainte de acel timp enotata cu h (t) si se numeste functia hazard sau rata defectarii si este denitade
h (t) dt= P(t < T t + dtjT t) ;ceea ce da
h (t) = fT(t)1 FT(t) : (5.23)n studiile de abilitate, o functie hazard potrivita pentru multe fenomene
ia asa numita "forma de cada", aratata n gura urmatoare.
Portiunea initiala a curbei reprezinta "mortalitatea infantila", atribuibiladefectelor componente si imperfectiunilor de fabricare. Portiunea relativ con-stanta a curbei h (t) reprezinta perioada "n uz", n care defectiunea este n-tmplatoare. Defectiunea din uzura de lnga sfrsitul vietii componentului estearatata ca portiunea crescatoare a curbei h (t). Fiabilitatea sistemului poate
63
7/24/2019 ala bala portocalaala bala portocala
64/158
optimizata prin testarea initiala a defectelor, nainte punerea n functiune, pnala timpul t1, pentru a evita defectarea prematura, si prin nlocuirea partiala la
timpul t2 pentru a evita uzura.Aratam ca legea de defectare exponentiala este potrivita n timpul perioadei
"n uz" a vietii normale a unui sistem. nlocuindfT(t) = e
t
siFT(t) = 1 etn relatia (5.23) avem
h (t) = :
Observam ca parametrul din repartitia exponentiala joaca rolul unei ratede defectare constante.
Am vazut ca repartitia gamma este potrivita pentru a descrie timpul pentru
un total de sosiri Poisson. n contextul legilor de defectare, repartitia gammapoate gndita ca o generalizare a legii de defectare exponentiala pentru sistemece se defecteaza imediat de evenimente esueaza, presupunnd ca evenimenteleau loc n concordanta cu legea Poisson. Astfel, repartitia gamma este potrivitaca model al timpului pna la defectare pentru sisteme care au o unitate carefunctioneaza si 1unitati n standby; aceste unitati intra n functionare pernd, pe masura ce se defecteaza celelalte si ecare are o repartitie exponentialaa timpului pna la defectare.
5.4.2 Repartitia chi-patrat
Alt caz special important al repartitiei gamma este repartitia chi-patrat (2),obtinuta punnd = 12 si =
n2 n relatia (5.17), unde n2N. Repartitia 2
contine astfel un parametru n si are densitatea de forma
fX(x) =
( 1
2n2(n2 )
xn21e
x2 , pentru x >0;
0, altfel. (5.24)
Parametruln este numarul degrade de libertate. Utilitatea acestei repartitiiprovine din faptul ca o suma de patrate de n variabile aleatoare normale stan-dardizate are o repartitie 2 cu n grade de libertate; adica, daca U1; U2;:::;Unsunt independente si repartizate N(0; 1), atunci suma
X=U21 + U22 + ::: + U
2n (5.25)
are o repartitie 2 cun grade de libertate.Datorita acestei relatii, repartitia 2 este una dintre principalele unelte n
inferenta statistica si testarea ipotezelor.Densitatea din relatia (5.24) este reprezentata n gura urmatoare pentru
cteva valori ale lui n:
64
7/24/2019 ala bala portocalaala bala portocala
65/158
Se observa ca, cnd n creste, forma lui fX(x) devine mai simetrica. Dinrelatia (5.25), deoarece Xpoate exprimata ca o suma de variabile aleatoare
identic repartizate, ne asteptam ca repartitia 2
sa tinda la o repartitie normalacndn ! 1pe baza teoremei limita centrala.Media si dispersia unei variabile aleatoareXavnd o repartitie2 cungrade
de libertate se obtin din relatia (5.19):
mX =n; 2X = 2n:
5.5 Repartitia beta si repartitii n legatura cu aceasta
Repartitia beta este caracterizata de densitatea
fX(x) = ( (+)()()x
1 (1 x)1 , pentru 0 < x < 1;0, altfel,
(5.26)
unde parametrii si sunt pozitivi. Numele repartitiei vine de la functiabeta denita prin
B (; ) = () ()
( + ) :
65
7/24/2019 ala bala portocalaala bala portocala
66/158
Ambii parametri sidau forma repartitiei; diferite combinatii ale valorilorlor permit densitatii sa ia o larga varietate de forme. Cnd ; >1, repartitia
este unimodala, cu vrful n x = 1+2 :Devine n forma de U cnd ; < 1;este n forma de J cnd 1 si < 1; ia forma unui J ntors cnd < 1si 1. n sfrsit, ca un caz special, repartitia uniforma pe intervalul (0; 1)rezulta cnd = = 1. Unele din aceste forme posibile sunt n gurile (a),pentru= 2, si (b) urmatoare.
Media si dispersia unei variabile aleatoare beta repartizateXsunt
mX = + ;
2X =
(+)2(++1):
(5.27)
Datorita versatilitatii ei ca o repartitie pe un interval nit, repartitia betaeste folosita pentru a reprezenta un mare numar de cantitati zice pentru carevalorile sunt restrictionate la un interval identicabil. Cteva din ariile de apli-
care sunt limitele de toleranta, controlul calitatii si abilitatea.Presupunem ca un fenomen aleator Ypoate observat independent de nori si dupa ce aceste n observatii independente sunt ordonate crescator, ey1 y2 ::: ynvalorile lor. Daca variabila aleatoareXeste folosita pentru anota proportia din Ycare ia valori ntre yr si yns+1, se poate arata ca Xareo repartitie beta cu = n r s + 1 si = r+ s, adica
66
7/24/20