Cuprins

1 Analiz a combinatorial a 1.1 Mult imi . . . . . . . . . . . . . . . . . . . . 1.2 Funct ii . . . . . . . . . . . . . . . . . . . . . 1.3 Analiz a combinatoric a . . . . . . . . . . . . 1.3.1 Permut ari, aranjamente si combin ari 1.4 Exemple . . . . . . . . . . . . . . . . . . . . 2 Probabilitate 2.1 Evenimente. Spat iu de evenimente . . . . 2.2 Probabilitate. Spat iu de probabilitate . . . 2.3 Scheme probabilistice clasice . . . . . . . . 2.3.1 Schema bilei nerevenite . . . . . . . 2.3.2 Schema lui Poisson . . . . . . . . . 2.3.3 Schema bilei revenite (schema lui J. 2.4 Probabilitate condit ionat a . . . . . . . . . 3 Variabile aleatoare si repartit ii 3.1 Variabile aleatoare . . . . . . . . . 3.1.1 Variabile aleatoare discrete . 3.1.2 Variabile aleatoare continue 3.2 Repartit ii multivariate . . . . . . . 2 2 4 6 6 7 10 10 12 14 14 15 16 16 24 24 27 29 30

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bernoulli / schema . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . binomial a) . . . . . . .

. . . . . . .

. . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

Capitolul 1 Analiz a combinatorial a

1.1 Mult imi

Denit ia 1.1 (Cantor) Prin mult ime nt elegem o colect ie de obiecte bine determinate si distincte. Obiectele din care este constituit a mult imea se numesc elementele mult imii. Dou a mult imi sunt egale dac a ele sunt formate din exact acelea si elemente. Dac a x este un obiect si A este o mult ime, vom folosi urm atoarele notat ii: x A dac a x este element al lui A; x / A dac a x nu este element al lui A. Observat ia 1.1 Dou a mult imi sunt egale dac a si numai dac a are loc echivalent a x A x B. O mult ime poate denit a astfel: sintetic, prin enumerarea elementelor mult imii: A = {a, 3, b}; analitic, cu ajutorul unei propriet a ti ce caracterizeaz a elementele mult imii: A = {x| x are proprietatea P } De exemplu, A = {x| x N, x2 5x + 6 = 0}. Mult imi importante Mult imea numerelor naturale: N = {0, 1, 2, 3, . . . , n, n + 1, . . .} N = {1, 2, 3, . . . , n, n + 1, . . .} Mult imea numerelor ntregi: Z = {. . . , n 1, n, . . . , 2, 1, 0, 1, 2, . . . , n, n + 1, . . .} Mult imea numerelor rat ionale: a c a Q = { | a, b Z, b = 0, = ad = bc} b b d 2

 Mult imea numerelor reale: R Mult imea numerelor complexe: C = {a + ib| a, b R} Mult imea vid a: = {x| x = x} Incluziunea mult imilor Denit ia 1.2 Dac aA si B sunt mult imi, spunem c a A este submult ime a mult imii B dac a toate elementele lui A sunt si elemente ale lui B . Not am A B faptul c a mult imea A este submult ime a mult imii B sau mult imea A este parte a mult imii B . Dac a orice element al unei mult imi A apart ine si altei mult imi B ce are si alte elemente ce nu apart in lui A spunem c a mult imea A este inclus a strict n mult imea A: A B . Dac a ntre dou a mult imi A si B exist a relat ia de incluziune strict a, spunem c a A este o submult ime proprie a lui B . Oricare ar mult imile A, B si C , urm atoarele armat ii sunt adev arate: 1. A B (x A x B ); 2. A = B A B si B A (antisimetrie); 3. A B si B C A C ; 4. A A; (orice mult ime este inclus a n ea ns a si) 5. A (mult imea vid a este considerat a o submult ime proprie a oric arei mult imi nevide). Denit ia 1.3 Mult imea format a din toate p art ile unei mult imi A se nume ste mult imea p art ilor lui A si se noteaz a P (A). Exemplul 1.2 Pentru mult imea A = {a, b, c}, avem mult imea p art ilor lui A: P (A) = {, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}}. Operat ii cu mult imi intersect ia : A B = {x| x A si x B } Intersect ia dintre mult imea A si mult imea B (A B ) este mult imea format a din elementele x cu proprietatea c a x apart ine mult imii A si x apart ine mult imii B . Dac a A B = se spune c a mult imile A si B sunt disjuncte. reuniunea : A B = {x| x A sau x B } complementara : dac a A E , atunci CE (A) = A = {x| x / A}; diferent a : A \ B = {x| x A si x / B} Altfel, A \ B = CA (B ). Avem urm atoarele propriet a ti, A, B, C si E mult imi: 3

 AA=A si A A = A; A (B C ) = (A B ) C si A (B C ) = (A B ) C ; (asociativitatea operat iilor si ) AB =BA si A B = B A; (comutativitatea operat iilor si ) A (B C ) = (A B ) (A C ) si A (B C ) = (A B ) (A C ); (distributivitatea operat iei fat a de , respectiv a operat iei fat a de ) A=A si A E = E ; A= si A E = A; A CE (A) = E si A CE (A) = ; CE (CE (A)) = A, CE (E ) = , CE () = E ; A (A B ) = A, A (A B ) = A; (absorbt ia) CE (A B ) = CE (A) CE (B ), CE (A B ) = CE (A) CE (B ); (formulele lui de Morgan) Denit ia 1.4 O partit ie a unei mult imi A este o secvent a nit a de mult imi (submult imi) A1 , A2 , . . . , Am disjuncte dou a c ate dou a, cu proprietatea c a reuniunea acestora este chiar mult imea A (A = m A s i A A = , i, j = 1 , m, i = j ). i j i=1 i Produsul cartezian al dou a mult imi A si B se noteaz a A B: A B = {(a, b)| a A, b B } Dac a A = B , not am A A = A2 . Dac a A = B trebuie f acut a precizarea c a AB = B A. Analog, pentru mult imile A1 , A2 , . . . , An produsul cartezian A1 A2 . . . An se dene ste astfel: A1 A2 . . . An = {(a1 , . . . , an )| i = 1, n, ai Ai } Denit ia 1.5 Principiul lui Dirichlet Dac a n obiecte trebuie mp a tite n mai put in de n mult imi, atunci exist a cel put in o mult ime n care vor cel put in dou a obiecte. Acest principiu a fost formulat prima dat a de Dirichlet (1805 1859). O variant a mai general a a principiului lui Dirichlet se poate enunt a astfel: Denit ia 1.6 Fiind date m obiecte, ce trebuie mp art ite n n mult imi, si un num ar natural k astfel nc at m > kn, atunci, n cazul oric arei mp art iri, va exista cel put in o mult ime cu cel put in k + 1 obiecte.

1.2

Funct ii

Denit ia 1.7 Fie A si B dou a mult imi. Prin funct ie (aplicat ie) de domeniu A si codomeniu B (funct ie denit a pe mult imea A cu valori n mult imea B ) nt elegem o coresponent a f ce asociaz a ec arui element a A un singur element din B , notat f (a), numit valoarea lui f n punctul (argumentul) a.

Not am o funct ie de domeniu A si codomeniu B prin f : A B sau B sau A B . Legea de corespondent a se mai noteaz a a f (a). A Not am B = {f | f : A B } mult imea funct iilor f denite pe mult imea A cu valori n mult imea B . Observat ia 1.3 Fie f : A B si g : C D dou a funct ii. Are loc f = g A = C, B = D, si (a A, f (a) = g (a)). Denit ia 1.8 Fie A o mult ime C A. funct ia 1A : A A, a A, 1A (a) = a se nume ste funct ia identic a. dac a f : A B este o funct ie, atunci f|C : C B , f|C (c) = f (c), c C se nume ste restrict ia lui f la C . Denit ia 1.9 Fie f : A B o funct ie. 1. dac a X A. mult imea f (X ) = {f (x)| x X } = {y | x X a.i. f (x) = y } se nume ste imaginea lui X prin f . 2. Mult imea lui Im(f ) = f (A) se nume ste imaginea funct iei f . 3. Dac a Y B , mult imea f 1 (Y ) = {a A| f (a) Y }
not

se nume ste imaginea invers a (contraimaginea) lui Y prin f . Denit ia 1.10 Fie f : A B o funct ie. Spunem c a funct ia f este 1. injectiv a dac a are loc implicat ia a1 , a2 A, a1 = a2 f (a1 ) = f (a2 ); 2. surjectiv a dac a este adev arat a propozit ia b B, a A a.i. f (a) = b; 3. bijectiv a dac a f este injectiv a si surjectiv a. Mult imi nite, innite, num arabile O mult ime este nit a dac a este mult imea vid a sau cont ine un num ar nit de elemente. In caz contrar, mult imea este innit a. O mult ime innit a se nume ste num arabil a dac a ec arui element al mut imii i poate pus n corespondent a exact un singur num ar natural. O mult ime A este echipotent a cu o mult ime B dac a exist a o aplicat ie bijectiv af :A B. Spunem despre o mult ime A c a este nit a dac a ea este echipotent a cu o parte m arginit a a mult imii numerelor naturale. O mult ime A se nume ste num arabil a dac a este echipotent a cu mult imea numerelor naturale. Acest lucru se noteaz a prin card(A) = 0 (alef zero desemneaz a cardinalul numerelor naturale). 5

1.3

Analiz a combinatoric a

Analiza combinatoric a se ocup a, schematic vorbind, de enumerarea (contorizarea sau num ararea) unor anumite elemente apart in and unei mult imi nite de obiecte si care au o caracteristic a aparte. De exemplu, ne intereseaz a s a a am n c ate moduri diferite putem mp art i 5 c art i de joc sau c ate meniuri diferite putem face combin and sapte feluri de m ancare. Aceast a tehnic a a num ar arii a ap arut nc a din antichitate, put and ment iona c a, de exemplu, dac a 2 k formula pentru Cn era cunoscut a nc a din sec. III e.n., formula general a a combin arilor Cn este ment ionat a prima dat a de c atre matematicianul hindus Bhaskara de-abia n sec. XII . k In ne, s a mai amintim c a B. Pascal a remarcat pentru prima dat a leg atura dintre Cn si coecient ii din formula binomului lui Newton.

1.3.1

Permut ari, aranjamente si combin ari

Vom ncepe prin a deni not iunea de cardinal. Astfel, prin cardinalul unei mult imi nite A = {a1 , a2 , . . . , an } nt elegem num arul n al elementelor sale si vom nota: card(A) = n. S a ment ion am c a pentru mult imea A av and card(A) = n, avem card(P (A)) = 2n (formula lui Cardan), unde mult imea P (A) reprezint a mult imea p art ilor sale. Pentru produsul cartezian a dou a mult imi nite A si B , avem relat ia card(A B ) = card(A) card(B ). Denit ia 1.11 Fie A o mult ime nit a. O permutare a lui A este o biject ie de la A la A. Num arul permut arilor (aplicat iilor bijective) lui A este dat de: An n = n (n 1) . . . 2 1 = n!, n 1(n factorial); 0! = 1. (1.1)

Exemplul 1.4 De exemplu, dac a A = {1, 2, 3}, atunci permut arile sale sunt 123, 132, 213, 231, 312, 321. De multe ori este util s a consider am submult imi ordonate ale unei mult imi date. Ajungem astfel la denirea aranjamentelor ordonate. Denit ia 1.12 Fie A = {a1 , a2 , . . . , an }. Orice submult ime ordonat a de k elemente a lui A, dat a de {aj1 , aj2 , . . . , ajk }, se nume ste un aranjament de ordin k . Num arul aranjamentelor de ordin k ale unei mult imi cu n elemente este dat de: Ak n = n! = n (n 1) . . . (n k + 1), (n k )!

reprezent and, de fapt, num arul aplicat iilor injective ale mult imii {1, 2, . . . , k } n A. Dac a k = n, atunci obt inem permut arile lui A. S a consider am acum submult imile de c ate k elemente ale lui A ce nu mai sunt ordonate ca n cazul aranjamentelor, numite si combin ari de ordin k . Num arul acestor combin ari este dat de: Ak n! k = n = (1.2) Cn k! k !(n k )!

Observat ia 1.5 n! apare deseori n multe formule, astfel c a apare nevoia unei estim ari a ei n situat ia n care n este sucient de mare si nu este necesar a valoarea exact a. Pentru aceasta se folose ste formula lui Stirling: n! nn en 2n (1.3) pentru calculul acestei valori exist and si programe. Principalele propriet a ti ale combin arilor sunt urm atoarele: n k n 1. k=0 Cn = 2 ;
k nk 2. Cn = Cn ; k 1 k k = Cn 3. Cn 1 + Cn1 , 1 k n 1 (formula lui Pascal) k k n k 4. (a + b)n = n (binomul lui Newton). k=0 Cn a b

Vom ment iona aici si formula coecientului multinomial:

n1 n2 ...nk Cn =

n! , n1 ! n2 ! . . . nk !

(1.4)

ce are urm atoarea interpretare: s a presupunem c a mult imea A cont ine n elemente si e n1 , n2 , . . . , nk k numere pozitive, astfel nc at n1 + n2 + . . . + nk = n. Atunci exist a partit ii ordonate diferite {A1 , A2 , . . . , Ak } ale lui A, ecare Ai cont in and ni elemente, i = 1, 2, . . . , k . n1 n2 ...nk Cn se nume ste coecient multinomial deoarece avem formula: n1 n2 n3 (a + b + c)n = Cn a n1 b n2 cn3 . (1.5) In ncheiere s a amintim principiul (regula) produsului: Dac a o operat ie O1 poate efectuat a n n1 moduri diferite, operat ia O2 n n2 moduri diferite etc., operat ia Ok poate efectuat a n nk moduri diferite, atunci cele k operat ii pot efectuate una dup a alta n n1 n2 . . . nk moduri diferite. Altfel spus Dac a un obiect O1 poate ales n n1 moduri diferite, obiectul O2 n n2 moduri diferite etc., obiectul Ok poate ales n nk moduri diferite, atunci cele k obiecte pot alese unul dup a altul n n1 n2 . . . nk moduri diferite, ce se poate demonstra folosind cardinalul produsului cartezian.

1.4

Exemple

1. Problema zilei de na stere. C ate persoane trebuie s a se ae ntr-o sal a, astfel nc at s a obt inem cu o anumit a probabilitate dat a ca dou a persoane din sal a s a nu aib a aceea si zi de na stere? S a presupunem c a n sal a sunt k persoane si c a ziua de na stere a ec arei persoane este egal probabil a cu a celorlalte. Presupun and c a anul calandaristic standard are 365 de zile, atunci vor exista 365k moduri posibile n care secvent a de k persoane poate face alegerea zilei de na stere. Pentru a argumenta, s a observ am c a pentru prima persoan a exist a 365 de posibilit a ti diferite si, pentru ecare astfel de alegere f acut a, pentru a doua persoan a vor exista tot 365 de posibilit a ti, s.a.m.d. a ti ca secvent a de k persoane s a aib a zile de na stere Pe de alt a parte exist a Ak 365 posibilit diferite, deoarece pentru prima persoan a se pot alege 365 de zile diferite, pentru a doua 7

mai r am an 364 de posibilit a ti, s.a.m.d., iar pentru a k -a mai r am an doar (365 k 1) posibilit a ti de alegere, adic a, n total, 365 364 . . . (365 k 1) posibilit a ti. Plec and de la denit ia empiric a a probabilit a tii, ce spune c a sansa de producere a unui fenomen este dat a de raportul dintre num arul cazurilor favorabile producerii si num arul cazurilor posibile, rezult a c a probabilitatea c autat a ca cele k persoane s a aib a zile de Ak 365 na stere diferite este P = 365k . De exemplu, pentru 15 persoane P = 0, 7471, pentru 20 de persoane P = 0, 5886 si pentru 25 de persoane P = 0, 4313. Dac a ns a num arul persoanelor cre ste la 50 obt inem P = 0, 02962, iar pentru 100 de persoane avem o probabilitate insigniant a P = 0, 0000003, deci exist a o descre stere neliniar a. S a ment ion am c a se pot face programe de calculator pentru a g asi aceste valori si a r aspunde la ntrebarea de la nceput. 2. Problema init ialelor. Exist a ntr-o facultate (cu peste 1000 student i) cel put in dou a persoane care s a aib a acelea si dou a init iale, presupun and c a ecare persoan a are dou a init iale (alfabet cu 26 litere)? Pentru a r aspunde la ntrebare s a observ am c a exist a 26 de posibilit a ti pentru alegerea primei init iale si alte 26 de posibilitt ti pentru alegerea celei de-a doua init iale, n total 676 seturi de init iale. Cum num arul student ilor dep a se ste 676, vor cel put in doi student i cu acelea si dou a init iale. 3. Graf arbore de num arare. S a presupunem c a o persoan a trebuie s a aleag a un meniu la un restaurant. Se stie c a pentru felul nt ai sunt dou a posibilit a ti: sup a sau ciorb a; pentru felul doi exist a trei posibilit a ti: friptur a, pe ste sau vegetale (legume); pentru desert exist a dou a posibilit a ti de alegere: pr ajitur a sau nghet at a. C ate meniuri posibile are de ales persoana respectiv a? In gura de mai jos prezent am sub forma unui graf de tip arbore modurile posibile de alegere.

Fig. 1.1:

A sa dup a cum se observ a, exist a 2 3 2 = 12 meniuri diferite posibile. Aceast a diagram a-arbore poate completat a dac a se adaug a pentru ecare ramur a a sa o anumit a probabilitate de alegere (evident, pentru ecare nivel suma acestora va egal a cu 1). Plec and de la date statistice privind estimarea acestor probabilit a ti, se ajunge n nal 8

la construirea unui arbore ce ajut a la nt elegerea mai bun a a modului cum se comport a client ii, obt in andu-se deci decizii optime de planicare a meniurilor. De exemplu, dac a 60% dintre client i aleg supa ca apoi 50% dintre ace stia s a aleag a 6 1 friptur a, atunci tragem concluzia c a 10 = 30% dintre client i aleg nt a i supa apoi 2 friptura, s.a.m.d., cre and astfel un anumit tip de prol de client. 4. Problema ierarhiz arii m ainii norocoase la poker. Se stie c a n jocul de poker o m an a ce cuprinde 4 c art i cu aceia si valoare (e.g. 4 valet i) bate un full, adic a trei c art i cu aceia si valoare plus altele dou a cu alt a valoare (e.g. 3 dame si dou a c art i cu valoarea 3). Intrebarea este: de ce este a sa? R aspunsul se bazeaz a pe a calcula sansa ec arei m aini si a considera mai valoroas a m ana mai rar a, deci cu sansa mai mic a de aparit ie. Pentru aceasta s a reamintim c a sunt 13 c art i cu valori diferite, ecare de patru tipuri distincte, n total 52 de c art i. Pentru a obt ine o m an a cu patru c art i de aceia si valoare s a observ am, mai nt ai, c a pentru alegerea acestora avem 13 posibilit a ti. Pentru ecare dintre cele 13 posibilit a ti, exist a 12 4 = 48 de posibilit a ti de alegere a celei de-a 5-a c art i. In total avem 13 48 = 624 de posibilit a ti de a obt ine 4 c art i cu aceia si valoare. 5 In total sunt C52 = 2.598.960 de m aini posibile, deci probabilitatea de o obt ine 4 c art i 5 cu aceia si valoare este egal a cu 624/C52 = 0, 00024. In ceea ce prive ste sansa de a obt ine un full, exist a 13 posibilit a ti de a alege num arul ce poate apare pe cele trei c art i de 3 acela si fel; pentru ecare dintre acestea, exist a C4 = 4 alegeri diferite ale tipului de carte. Odat a alese cele trei c art i cu aceia si valoare, avem 12 posibilit a ti pentru alegerea 2 valorii ce va ap area de dou a ori; pentru ecare astfel de alegere avem C4 = 6 posibilit a ti de alegere a c art ilor. Rezult a c a, n total, avem 13 4 12 6 = 3744 posibilit a ti de a obt ine un full, 5 deci probabilitatea corespunz atoare este egal a cu 3744/C52 = 0, 0014. Compar and cele dou a probabilit a ti nt elegem de ce 4 c art i cu aceia si valoare sunt mai valoroase dec at un full, probabilitatea lor ind de aproximativ 6 ori mai mic a.

Capitolul 2 Probabilitate
Teoria probabilit a tilor, n forma sa clasic a cunoscut a ast azi, s-a n ascut acum aproximativ patru secole. Ea are la baz a not iunea de nt amplare, incertitudine, hazard, termenul az-zahr, ce provine din limba arab a, nsemn and chiar joc de zaruri. Putem ment iona aici si termenul aleator, ce provine din latin a alea, desemn and tot aruncarea zarului. Dac a trecem pe scurt n revist a istoria calculului probabilit a tilor, trebuie neap arat s a-i amintim pe B. Pascal si P. de Fermat care au fost primii care au dat o argumentare matematic a jocurilor de noroc ce cuno steau o mare amploare la acea dat a (sec. XVII). Chestiunea de la care au plecat cei doi (ment ion am aici celebrele scrisori dintre ei) a fost problema lui M er e din anul 1654 (dup a numele cavalerului de M er e, cunoscut de Pascal prin anul 1652), care se referea la repartit ia mizei ntre doi juc atori care abandoneaz a o partid a nainte de sf ar situl acesteia. Primele tratate asupra teoriei probabilit a tilor au fost scrise de C. Huygens (1657) si J. Bernoulli (1713 Ars Conjectandi), ment ion and apoi pe Th. Bayes (1763 formula lui Bayes), P. S. de Laplace (1812 Trait e analytique des probabilit es), D. Poisson (1837 legea numerelor mari) si K. F. Gauss (1809 teoria erorilor). P an a n sec. XX , lucr arile ap arute au ncercat s a deta seze teoria probabilit a tilor de problema concret a a jocurilor de noroc, cea care, de fapt, d aduse na stere primelor dezbateri privind cuanticarea hazardului. Sf ar situl secolului XIX si, mai ales, secolul trecut au coincis cu o dezvoltare f ar a precedent a teoriei probabilit a tilor, not and aici pe A. Markov, P. L. Ceb a sev, A. M. Liapunov, A. Hincin, A. Kolmogorov, E. Borel, M. Fr echet, P. L evy, W. Feller etc. Sf ar situl secolului XX a dus, odat a cu aparit ia si dezvoltarea tehnologiei informat iei, la o explozie a dezvolt arii calculului probabilit a tilor, privit, mai ales, prin prisma aplicat iilor sale practice, amintind, n special, interfat a sa cea mai cunoscut a cu lumea real a dat a de statistic a.

2.1

Evenimente. Spat iu de evenimente

Denit ia 2.1 Prin experient a sau experiment (aleator) n teoria probabilit a tilor vom nt elege orice experiment al c arui rezultat nu are natur a determinist a, adic a nu este cunoscut a priori, depinz and de hazard. Un exemplu clasic de experiment aleator este aruncarea unui zar, al c arui rezultat nu este cunoscut dinainte, dar rezultatele posibile pot prezise. In urma realiz arii experimentului aleator se obt ine un rezultat sau altul, depinz and de natura experimentului. Denit ia 2.2 Vom desemna prin eveniment elementar rezultatul unui experiment. Vom numi spat iul evenimentelor elementare, notat cu , mult imea tuturor evenimentelor 10

elementare posibile (i.e. a tuturor rezultatelor posibile ale unui experiment aleator), iar prin eveniment vom nt elege o submult ime oarecare a acestui spat iu. Observat ia 2.1 Se observ a similitudinea ntre vocabularul probabilistic referitor la evenimente si vocabularul matematic referitor la teoria mult imilor. Astfel, un eveniment reprezint a, matematic vorbind, o submult ime a unei anumite mult imi. Folosind a sadar simbolistica adecvat a, vom nota cu evenimentul elementar (privit ca un element al mult imii de baz a - spat iul evenimentelor elementare) si cu A, B, . . . evenimentele din . Exemplul 2.2 1. La aruncarea unei monezi avem = {C, P }, i.e. cap si pajur a.

2. La aruncarea cu zarul avem = {1, 2, 3, 4, 5, 6}, adic a fet ele zarului ce pot s a apar a, iar ca evenimente putem ment iona, de exemplu A = {1, 3, 5}, adic a aparit ia doar a fet elor cu numere impare. 3. Un exemplu mai complex este reprezentat de aruncarea unei monezi de dou a ori. Aici = {(C, C ), (C, P ), (P, C ), (P, P )}, iar ca evenimente, putem exemplica prin A = {(C, C ), (C, P )} sau B = {(P, C ), (P, P )}. Denit ia 2.3 Fie evenimentul sigur. Presupunem c a mult imea este nit a, si e P () mult imea p art ilor lui . Atunci (, P ()) se nume ste c ampul de evenimente asociat experient ei aleatoare n studiu. Mai mult, ntreg spat iul se nume ste evenimentul sigur (total), iar se nume ste evenimentul imposibil (nul). Not am cu mult imea evenimentelor asociate unui experiment. Pe aceast a mult ime se pot introduce trei operat ii corespunz atoare operat iilor logice sau, si, non. Fie A si B din . 1. A sau B este evenimentul ce se realizeaz a dac a si numai dac a se realizeaz a cel put in unul dintre evenimentele A sau B . Acest eveniment se noteaza prin A B si se nume ste reuniunea sau disjunct ia evenimentelor A si B . 2. A si B este evenimentul ce se realizeaz a dac a si numai dac a se realizeaz a ambele evenimente A si B . Acest eveniment se noteaz a prin A B si se nume ste intersect ia sau conjunct ia evenimentelor A si B . 3. non A este evenimentul ce se realizeaz a dac a si numai dac a nu se realizeaz a A. Acest eveniment se nume ste contrarul sau complementul lui A si se noteaz a A sau C A. Dac a evenimentul A duce la realizarea evenimentului B , spunem c a A implic a B, si scriem A B . Dac aAB si B A spunem c a evenimentele A si B sunt echivalente (A = B ). Dac a A B = atunci evenimentele A si B nu se pot realiza simultan; vom spune c a evenimentele A si B sunt mutual exclusive sau incompatibile. Denit ia 2.4 Un eveniment A din se nume ste compus dac a exist a dou a evenimente B caz contrar, evenimentul se nume si C din , astfel nc at A = B C , A = B si A = C . In ste elementar.

11

Observat ia 2.3 Dac a este o mult ime nit a sau innit a num arabil a atunci orice submult ime a lui este un eveniment. Dac a este o mult ime innit a nenum arabil a atunci un eveniment este un interval sau o combinat ie de intervale. Fie o mult ime oarecare nevid a , n general innit a, ale c arei elemente reprezint a evenimente elementare. Vom considera o familie de submult imi ale sale, notat a , cu urm atoarele propriet a ti: 1. ; 2. A1 , A2 , . . . , An , . . . 3. A C A . O astfel de mult ime se nume ste algebr a de p art i ale lui . S a not am c a, n cazul particular n care este nit a, alegem = P (). Cuplul (, ) se nume ste spat iu (c amp) de evenimente. Denit ia 2.5 Se spune c a mult imea de evenimente {A1 , A2 , . . . , An } formeaz a o familie complet a (sistem complet de evenimente) dac a ea este o partit ie a spat iului cu propriet a tile: Ai Aj = , i = j si A1 A2 . . . An = . Vom ncheia, reamintind traducerea principalilor termeni ntre limbajul probabilist si limbajul teoriei mult imilor: 1. A A este un eveniment; 2. este mult imea vid a este evenimentul imposibil; 3. este mult imea total a este evenimentul sigur; 4. C A este complementara lui A A este evenimentul contrar lui A; 5. A B = A si B sunt evenimente incompatibile; 6. A B este reuniunea lui A si B A B este evenimentul compus; 7. A B evenimentul A implic a evenimentul B .

Ak ;

2.2

Probabilitate. Spat iu de probabilitate

Plec and de la not iunea de spat iu de evenimente, introdus a n paragraful anterior, vom deni acum not iunea fundamental a de probabilitate. Intuitiv, putem spune c a probabilitatea unui eveniment A este procentajul realiz arilor sale, aceasta exprim andu-se prin raportul: P (A) = num arul cazurilor favorabile lui A num arul cazurilor posibile (2.1)

Denit ia 2.6 (Kolmogorov) Numim probabilitate pe un c amp de evenimente (, ), o funct ie P : [0, ) cu propriet a tile: 1. A P (A) 0; 12

2. P () = 1; 3. pentru orice mult ime num arabil a de evenimente A1 , A2 , . . . , An , . . . din , incompatibile dou a c ate dou a, avem: ( ) P Ak = P (Ak ), (2.2)
k=1 k=1

Pentru orice eveniment A , probabilitatea P (A) a evenimentului A este un num ar real. Altfel spus, probabilitatea este o funct ie (m asur a) denit a pe algebra cu valori n [0, 1], iar tripletul (, , P ) poart a numele de spat iu (c amp) de probabilitate. cazul arunc Exemplul 2.4 1. In arii unei singure monede, probabilitatea aparit iei unei fet e este 1/2. cazul arunc 2. In arii unui zar, probabilitatea aparit iei oric arei fet e este 1/6. cazul arunc 3. In arii unui zar de dou a ori, probabilitatea aparit iei perechii (6, 6) este 1/36. Aplic and denit ia probabilit a tii, se obt ine urm atoarea teorem a ce descrie principalele propriet a ti ale probabilit a tii. Teorema 2.5 Pentru orice dou a evenimente A si B sunt valabile urm atoarele armat ii: 1. P (A) = 1 P (A), n particular, P () = 0; 2. P (A \ B ) = P (A) P (A B ); 3. Dac a A B , atunci P (A) P (B ); 4. P (A B ) = P (A) + P (B ) P (A B ). Demonstrat ie: 1. 1 = P () = P (A A) = P (A) + P (A) P (A) = 1 P (A) C = P () = 1 P () = 1 P () = 1 1 = 0; 2. Evenimentele A \ B si A B sunt incompatibile, iar (A \ B ) (A B ) = A. Rezult a: P (A) = P ((A \ B ) (A B )) = P (A \ B ) + P (A B ). 3. Din A B rezult a c a B = A (B \ A), de unde: P (B ) = P (A (B \ A)) = P (A) + P (B \ A) P (A). 4. Din A B = (A \ B ) B , obt inem: P (A B ) = P ((A \ B ) B ) = P (A \ B ) + P (B ) = P (A) P (A B ) + P (B ).

13

Corolarul 2.6 (egalitatea lui Poincar e) Pentru orice trei evenimente A, B si C avem: P (A B C ) = P (A) + P (B ) + P (C ) P (A B ) P (A C ) P (B C ) + P (A B C ) general, pentru n evenimente oarecare A1 , A2 , . . . , An , avem: In (n ) n P Ai = (1)k1 Bk , unde Bk = P (Ai1 Ai2 . . . Aik ).
i=1 k=1 1i1 <i2 <...<ik n

Demonstrat ie: Prin recurent a, plec and de la relat ia A B C = (A B ) (A C ) si aplic and proprietatea (iv ) din teorem 2.5. P (A B C ) = P (A (B C ))) = P (A) + P (B C ) P (A (B C )) P (B C ) = P (B ) + P (C ) P (B C ) Din 2.3, 2.4 si 2.6 obt inem: P (A B C ) = P (A)+ P (B )+ P (C ) P (A B ) P (A C ) P (B C )+ P (A B C ) (2.6) (2.3) (2.4)

P (A (B C )) = P ((A B ) (A C )) = P (A B ) + P (A C ) P (A B C ) (2.5)

Exemplul 2.7 S a presupunem c a student ii pot trece la disciplinele A si B cu probabilit a tile: A 70%, B 40% si A B 35%. Care este probabilitatea ca s a treac a cel put in la o disciplin a? Dar probabilitatea ca s a treac a ori numai la disciplina A ori numai la disciplina B? Se observa c a: P (A B ) = 0.7 + 0.4 0.35 = 0.75, si P (A \ (A B )) = P (A) P (A B ) = 0.7 0.35 = 0.35 P (B \ (A B )) = P (B ) P (A B ) = 0.4 0.35 = 0.05.

2.3
2.3.1

Scheme probabilistice clasice

Schema bilei nerevenite

S a consider am o urn a ce cont ine m bile dintre care m1 bile albe si m2 bile negre. Din urn a se extrag succesiv n bile, una c ate una, f ar a a le introduce din nou n urn a (aceasta echivaleaz a cu a extrage n bile odat a). Care este probabilitatea Pn (k ) ca dintre cele n bile extrase, k bile s a e albe si (n k ) s a e negre? Avem m = m1 + m2 n, k m1 , n k m2 . Astfel: C k C n k num arul cazurilor favorabile lui A Pn (k ) = = m1 n m2 (2.7) num arul cazurilor posibile Cm Problema se poate generaliza astfel: e o urn a ce cont ine m bile de k culori, m = m1 + m2 + . . . + mk . Care este probabilitatea Pn (n1 , n2 , . . . , nk ) ca din n bile extrase s a avem n1 bile din primul tip (bile av and prima culoare), n2 din al doilea tip, etc.?
n1 n2 nk Cm Cm . . . Cm 1 2 k Pn (n1 , n2 , . . . , nk ) = n Cm k k unde m = i=1 mi , n = i=1 ni , ni mi , n m.

(2.8)

14

 Exemplul 2.8 Intro grup a de 26 student i sunt 10 b aiet i si 16 fete. Care este probabilitatea ca, form and la nt amplare un grup de 17 student i, acesta s a e format din 8 b aiet i si 9 fete? Aplic and formula 2.7 obt inem: Pn (x) =
8 9 C10 C16 = 17 C26 10! 16! 8!2! 9!7! 26! 17!9!

2.3.2

Schema lui Poisson

Se consider a n urne, U1 , U2 , . . . , Un . Urna Ui cont ine ai bile albe si bi bile negre (i = 1, n). Se extrage c ate o bil a din ecare urn a. Se cere probabilitatea ca din cele n bile extrase, k s a e albe si (n k ) negre. Dac a not am cu pi probabilitatea ca din urna Ui s a scoatem o bil a alb a si cu qi probabilitatea ca din Ui s a scoatem o bil a neagr a, avem: ai bi pi = , qi = = 1 pi , i = 1, n a i + bi ai + bi Fie Ai evenimentul extragerii unei bile albe din urna Ui si Bk evenimentul extragerii a k bile albe ( si implicit a n k bile negre). Atunci Bk poate descris astfel: Bk = (A1 A2 . . . Ak Ak+1 . . . An ) (A1 A2 . . . Ak Ak+1 . . . An ) . . . (A1 A2 . . . Ank Ank+1 . . . An )
k Exist a Cn posibilit a ti diferite de a obt ine k bile albe din n urne (de exemplu o combinat ie posibil a este A1 A2 . . . Ak Ak+1 . . . An . Probabilitatea unui eveniment Ai1 Ai2 . . . Aik Aik+1 . . . Ain , tin and cont c a evenimentele Aij sunt independente, se calculeaz a astfel:

P (Ai1 Ai2 . . . Aik Aik+1 . . . Ain ) = pi1 . . . pik qik+1 . . . qin unde i1 , i2 , . . . , in {1, 2, . . . , n}. Astfel o formul a de calcul pentru probabilitatea evenimentului Bk este: P (Bk ) = pi1 . . . pik qik+1 . . . qin
i1 ,i2 ,...,in {1,2,...,n}

(2.9)

(2.10)

Formula anterioar a (2.10) are aceea si structur a ca si coecientul termenului xk y nk din produsul: P (x, y ) = (p1 x + q1 y ) (p2 x + q2 y ) . . . (pn x + qn y ) (2.11) Exemplul 2.9 La o specializare n anul I sunt 22 studente si 20 student i, n anul II sunt 16 studente si 10 student i, iar n anul III sunt 20 de studente si 6 student i. Care este probabilitatea ca, dac a contabiliz am numai primul student din ecare an de studiu sosit la cursuri ntr-o zi, dintre cei trei student i unul singur s a e de sex feminin? Aplic and schema polinomial a, avem: 22 20 16 10 20 6 p1 = , q1 = ; p2 = , q2 = ; p3 = , q3 = 42 42 26 26 26 26 2 Probabilitatea cerut a este dat a de coecientul lui xy din produsul: 20 16 10 20 6 22 (p1 x + q1 y ) (p2 x + q2 y ) (p3 x + q3 y ) = ( x + y )( x + y )( x + y ) 42 42 26 26 26 26 Astfel: 20 16 6 20 20 10 22 10 6 + + . p= 42 26 26 42 26 26 42 26 26 15

2.3.3

Schema bilei revenite (schema lui J. Bernoulli / schema binomial a)

S a consider am o urn a ce cont ine bile av and dou a culori (albe si negre). Presupunem c a se cunoa ste probabilitatea p a evenimentului A de a extrage o bil a alb a: P (A) = p. Extragem din urn a c ate o bil a, de n ori, pun and de ecare dat a bila extras a napoi. Care este probabilitatea Pn (k ) ca din cele n bile extrase, de k ori s a obt inem o bil a alb a si de (n k ) ori o bil a neagr a? S a consider am n cazul schemei lui Poisson c a avem n urne identice (U1 = U2 = . . . = Un ). De aici rezult a c a: p1 = p2 = . . . = pn = p si q1 = q2 = . . . = qn = q. Conform formulei 2.11 probabilitatea Pn (k ) ca din cele n bile extrase, de k ori s a obt inem o bil a alb a corespunde valorii coecientului termenului xk y nk din polinomul P (x, y ) = (px + qy )n n! pk q nk (2.12) k !(n k )! Deoarece bila revine n urn a, ecare extragere se face din acela si cont inut, prin urmare experient a se repet a n acelea si condit ii. Cunoa sterea probabilit a tii P (A) = p, la o extragere poate nlocuit a cu situat ia de a cunoa ste cont inutul urnei. Schema lui Bernoulli se concretizeaz a n practic a printro select ie repetat a spre deosebire de schema bilei nerevenite, ce corespunde unei select ii nerepetate.
k k n k Pn (k ) = Cn p q =

adic a

Exemplul 2.10 Se arunc a o moned a de 15 ori. Care este probabilitatea de a obt ine de zece ori stema? Avem n = 15, x = 10, p = 1 ,q=1 . 2 2 1 1 10 P15 (10) = C15 ( )10 ( )5 2 2 Generalizarea problemei anterioare: dintr-o urn a n care se a a bile de m culori se extrag n bile cu revenirea acestora n urn a. Schema multinomial a: n! m Pn (k1 , k2 , . . . , km ) = pk1 . . . pk (2.13) m k1 ! . . . k m ! 1 unde k1 bile sunt de culoarea 1, . . ., km bile sunt de culoarea m.

2.4

Probabilitate condit ionat a

Un concept deosebit de important n calculul probabilit a tilor este cel de probabilitate condit ionat a: probabilitatea lui A condit ionat a de B desemneaz a probabilitatea unui eveniment A n ipoteza c a un anumit eveniment B a avut loc. Denit ia 2.7 Fie A si B dou a evenimente din , cu P (B ) = 0. Vom deni prin: PB (A) = P (A|B ) = probabilitatea lui A condit ionat a de B . 16 P (A B ) , P (B )

Exemplul 2.11 S a consider am experimentul arunc arii a dou a zaruri. Fie A = {evenimentul ca cel put in una dintre cele dou a valori ale zarurilor s a e egal a cu 2} si B = {evenimentul ca suma valorilor celor dou a zaruri s a e 6}. A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (1, 2), (3, 2), (4, 2), (5, 2), (6, 2)} B = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} A B = {(2, 4), (4, 2)} P (A) =
11 , 36

P (B ) =

5 , 36

P (A B ) =

2 , 36

P (A|B ) =

2 5

P (AB ) . P (B )

Dac a P (A|B ) = P (A), nseamn a c a evenimentul A nu depinde de evenimentul B . In acest caz, avem: P (A B ) = P (A) P (B ), (2.14) relat ie ce dene ste independent a lui A si B . Vom spune c a A este independent (mutual) de B . Denit ia 2.8 Evenimentele A si B sunt independente ( n probabilitate) dac a probabilitatea ca unul s a se realizeze nu depinde de faptul c a cel alalt s-a realizat sau nu, altfel spus P (A B ) = P (A) P (B ). Exemplul 2.12 Dac a probabilitatea ca un automobil s a porneasc a ntro dimineat a friguroas a este de 0, 6 si dispunem de dou a automobile similare, care este probabilitatea ca cel put in unul din automobile s a plece n curs a ntro astfel de dimineat a? S a not am cu A1 si A2 evenimentele ca primul respectiv, al doilea automobil s a porneasc a si cu B evenimentul ca cel put in unul dintre automobile s a plece n curs a. Avem B = A1 A2 si P (B ) = P (A1 A2 ) = P (A1 ) + P (A2 ) P (A1 A2 ) (evenimentele A1 si A2 sunt compatibile deoarece cele dou a automobile pot s a plece n curs a simultan). Deoarece P (A1 ) = P (A2 ) = 0, 6 si evenimentele A1 si A2 sunt independente ntre ele (plecarea unui automobil nu depinde de plecarea sau neplecarea celuilalt), avem c a P (A1 A2 ) = P (A1 ) P (A2 ) = 0, 6 0, 6. Astfel se obt ine: P (B ) = 0, 6 + 0, 6 (0, 6)2 = 0, 84. In cazul a n evenimente, Ai , k = 1, n a. . P (A1 A2 . . . An1 ) > 0 avem urm atoarea relat ie (formula lant ului ): P (A1 A2 . . . An ) = P (A1 ) P (A2 |A1 ) . . . P (An |A1 A2 . . . An1 ), si, dac a are loc relat ia: P (Ai1 Ai2 . . . Aik ) = P (Ai1 ) P (Ai2 ) . . . P (Aik ), pentru orice 1 i1 < i2 < . . . < ik n, 2 k n, atunci evenimentele A1 , A2 , . . . , An sunt independente global (mutual, n totalitatea lor). Exemplul 2.13 S a consider am cele 26 de litere ale alfabetului latin, scrise ecare pe un cartona s si introduse ntro urn a. Se cere probabilitatea ca extr ag and la nt amplare de 5 ori c ate un cartona s si a sez andu-le n ordinea extragerii s a obt inem cuv antul M ARIN . 17 (2.15)

S a not am cu B evenimentul de a obt ine prin extrageri succesive cuv antul M ARIN . Fie A1 = evenimentul ca la prima extragere s a obt inem litera M; A2 = evenimentul ca la a doua extragere s a obt inem litera A; A3 = evenimentul ca la a treia extragere s a obt inem litera R; A4 = evenimentul ca la a patra extragere s a obt inem litera I; A5 = evenimentul ca la a cincea extragere s a obt inem litera N. Atunci evenimentul B are loc dac a avem: B = A1 A2 A3 A4 A5 . Aplic and formula lant ului obt inem: P (B ) = P (A1 ) P (A2 |A1 ) P (A3 |A1 A2 ) P (A4 |A1 A2 A3 ) P (A5 |A1 A2 A3 A4 ) Adic a P (B ) = 1 1 1 1 1 1 = . 26 25 24 23 22 22 23 24 25 26

Teorema 2.14 (formula probabilit a tii totale) Fie B un eveniment arbitrar si {A1 , A2 , . . . , An } o familie de evenimente, astfel nc at Ai Aj = , i = j si A1 A2 . . . An B . Atunci: P (B ) =
n i=1

P (B |Ai ) P (Ai ), unde P (Ai ) > 0.

(2.16)

Demonstrat ie: Pentru orice i = j avem:

n i=1

P (B |Ai ) P (Ai ) =

n i=1

P (B Ai )

= P ((B A1 ) . . . (B An )) = P (B (A1 . . . An )) = P (B ).

Se remarc a faptul c a, dac a {A1 , A2 , . . . , An } formeaz a o partit ie a lui , formula r am ane valabil a. Cu ajutorul formulei de mai sus putem demonstra celebrul rezultat datorat reverendului Thomas Bayes (1763). Teorema 2.15 (formula lui Bayes) Fie B un eveniment arbitrar si {A1 , A2 , . . . , An } o familie de evenimente, astfel nc at Ai Aj = , i = j si A1 A2 . . . An B . Atunci: P (B |Ai )P (Ai ) P (Ai |B ) = n , P (B ) > 0, P (Ai ) > 0, i = 1, 2, . . . , n. k=1 P (B |Ak )P (Ak ) Demonstrat ie: Din formula probabilit a tii condit ionate obt inem: P (Ai |B ) = P (B |Ai )P (Ai ) P (Ai B ) = , P (B ) P (B ) (2.18) (2.17)

si folosind formula probabilit a tii totale la numitor, obt inem rezultatul c autat. De obicei evenimentele Ai reprezint a ipoteze n care are loc evenimentul B sau cauze sub a c aror act iune are loc evenimentul B . Probabilit a tile P (Ai ) sunt numite probabilit a ti a priori, iar probabilit a tile P (Ai |B ) sunt numite probabilit a ti a posteriori. Exemplul 2.16 Plec and de la exemplul cu examenele la cele dou a discipline, vom r aspunde la urm atoarele trei chestiuni:

18

1. Care este probabilitatea condit ionat a ca student ii s a treac a cele dou a discipline A si B , dac a trec la A? R aspunsul este dat de: P (A B |A) = 2. Analog, cu condit ia s a treac a la B : P (A B |B ) = P (A B ) 0.35 35 7 = = = ; P (B ) 0.4 40 8 P (A B ) 0.35 35 1 = = = ; P (A) 0.7 70 2

3. Care este probabilitatea s a treac a at at la A c at si la B , condit ionat a de trecerea a cel put in unei discipline? P (A B |A B ) = P (A B ) 0.35 35 7 = = = ; P (A B ) 0.75 75 15

Exemplul 2.17 S a consider am experimentul arunc arii unui zar de dou a ori. Fie A evenimentul aparit iei mai nt ai a unui num ar impar, B evenimentul aparit iei a doua oar a a unui num ar impar si C evenimentul ca suma numerelor obt inute n cele dou a arunc ari s a e impar a. Mai nt ai s a observ am c a P (A) = P (B ) = P (C ) = 1/2. S a studiem independent a acestor trei evenimente. Avem:
1 P (A B ) =4 = P (A) P (B ), 1 P (B C ) = 4 = P (B ) P (C ), 1 P (A C ) =4 = P (A) P (C ), 1 3 P (A B C ) = 0, P (A) P (B ) P (C ) = ( 2 ).

Rezult a c a, luate dou a c ate dou a, evenimentele de mai sus sunt independente, dar nu sunt n totalitate independente. Exemplul 2.18 S a consider am dou a urne, prima cont in and 3 bile albe si 2 bile negre, iar a doua cont in and 2 bile albe si 3 bile negre. Se alege la nt amplare una din cele dou a urne, dup a care se extrag (f ar a returnare) dou a bile din urna aleas a. Care este probabilitatea ca s a obt inem 2 bile albe? Pentru a r aspunde la ntrebare vom folosi formula probabilit a tii totale. Mai nt ai, s a consider am evenimentele: A1 = [se alege prima urn a], A2 = [se alege urna a doua]. Avem P (A1 ) = P (A2 ) = 1 . Fie B evenimentul extragerii a dou a bile albe. Avem: 2 3 2 3 P (B |A1 ) = P (prima bil a este alb a)P (a doua bil a este alb a|prima bil a este alb a) = = . 5 4 10 Analog, 2 1 1 P (B |A2 ) = = . 5 4 10 Aplic and acum formula probabilit a tii totale, obt inem: 1 P (B ) = P (A1 ) P (B |A1 ) + P (A2 ) P (B |A2 ) = . 5 19

Exemplul 2.19 S a consider am c a ntro companie se produc acelea si produse n trei unit a ti B1 , B2 si B3 , av and capacit a tile de product ie de 60%, 30% si 10% (aceste procentaje reprezint a practic probabilit a tile ca un produs oarecare s a provin a de la una din cele trei unit a ti); ecare unitate are rata de a produce obiecte cu defect iuni de 6%, 3% si 5%. Care este probabilitatea ca un produs defect, ales la nt amplare, s a provin a de la una din unit a tile B1 , B2 sau B3 ? S a not am cu A evenimentul ca un produs, ales la nt amplare, s a e defect. Rezult a, conform formulei probabilit a tii totale, c a: P (A) =
3 i=1

P (A|Bi )P (Bi ) = 0.06 0.6 + 0.03 0.3 + 0.05 0.1 = 0.05 = 5%.

Aplic and acum formula lui Bayes, obt inem: P (B1 |A) = P (B2 |A) P (B3 |A)
P (A|B1 )P (B1 ) P (A)

0.060.6 0.05

36 , 50

9 = 50 , 5 = 50 .

Exemplul 2.20 Un student solicit a o burs a de studii la 3 universit a ti. Dup a trimiterea actelor necesare, acesta poate obt ine burs a de la universitatea i (Ui ) sau nu (Ui ), 1 i 3. Se cere s a se descrie evenimentele ce corespund urm atoarelor situat ii: 1. studentul prime ste o burs a; 2. prime ste cel mult o burs a; 3. prime ste cel put in o burs a; 4. prime ste cel put in dou a burse. 1. Bursa primit a poate de la prima universitate, iar celelalte nu i acord a burs a, sau de la a doua, iar prima si a treia nu i acord a burs a, sau de la a treia, iar primele dou a nu i acord a burs a. Avem astfel evenimentul A1 = (U1 U2 U3 ) (U1 U2 U3 ) (U1 U2 U3 ). 2. Pentru evenimentul studentul primet te cel mult o burs a avem dou a variante: studentul nu prime ste nici o burs a sau studentul prime ste o burs a. B = (U1 U2 U3 ) A1 . 3. Evenimentul poate scris ca reuniunea a trei evenimente: studentul prime ste o burs a, dou a burse, sau trei burse. Astfel C = A1 A2 A3 , unde A2 = (U1 U2 U3 ) (U1 U2 U3 ) (U1 U2 U3 ), iar A3 = U1 U2 U3 . a primeasc a cel put in dou a burse, avem 4. Dac a not am cu D = evenimentul ca studentul s D = A2 A3 . Altfel spus, evenimentul D este contrar evenimentului B : D = B = (U1 U2 U3 ) A1 . 20

Exemplul 2.21 S a consider am urm atoarele evenimente n leg atur a cu aplicarea unui test diagnostic: A evenimentul ca o persoan a luat a la nt amplare dintr-o populat ie s a aib a o anumit a afect iune A (TBC, HIV etc.) T evenimentul de obt inere a unui test pozitiv n cazul aplic arii unui test diagnostic T pentru detectarea afect iunii A la o persoan a. Prin non(A) = A (persoan a f ar a afect iunea A) si non(T ) = T (test negativ) not am evenimentele complementare evenimentelor A si respectiv T . general, din cauza imperfect In iunii testului, nu orice persoan a av and afect iunea A este detectat a la aplicarea testului A ca pozitiv a (fals negativ) si nu toate persoanele cu r aspuns pozitiv la testul T au neap arat afect iunea (fals pozitiv). Astfel, de regul a, prin aplicarea unui test diagnostic rezult a fal si pozitivi si fal si negativi. Ambele rezultate eronate ce rezult a prin aplicarea testului sunt de nedorit. S a presupunem c a din populat ia c areia i s-a aplicat testul este selectat un e santion reprezentativ de n persoane si s-au obt inut rezultatele din tabelul 2.1. Testul/Afect iunea A T pozitiv a (AP) non(T ) Negativ c (FN) Total a+c non(A) Total b (FP) a + b d (AN) c + d b+d n

Table 2.1: Tabel de contingent a Extr ag and la nt amplare o persoan a din populat ie, cu ajutorul rezultatelor prezentate n tabelul precedent se pot determina probabilit a tile diverselor evenimente ce pot avea loc. c d Astfel avem: P (A) = a+ , P (A) = b+ . n n P (A) se nume ste prevalent a afect iunii A. S a consider am urm atorul exemplu numeric: un num ar de 64.810 de femei cu v arste cuprinse ntre 40 si 64 de ani care f aceau parte dintr-un proiect de screening al cancerului mamar din cadrul unei organizat ii au fost monitorizate n urma mamograei si examin arii zice. Din 1.115 femei care au fost testate, 132 au fost diagnosticate cu cancer mamar. De-a lungul unei perioade de 5 ani de urm arire prin acest program, au fost detectate 45 de cazuri de cancer dintre femeile care avuseser a un rezultat negativ dup a screening (vezi tabelul 2.2). Cancer(+) Screening(+) 132 Screening() 45 Total 177 Cancer() Total 983 1115 63650 63.695 64.633 64.810

Table 2.2: Tabel de contingent a - valori numerice S a not am T = Screening(+) si A = Cancer(+). Care este probabilitatea ca o femeie care a f acut cancer s a avut un test pozitiv n urma screening-ului? 21

Formula probabilit a tii condit ionate este urm atoarea: P (A|T ) = P (A T ) . P (T ) (2.19)

Screening-ul unui test diagnostic se utilizeaz a pentru identicarea bolilor si pentru ajutorul pe care l ofer a n cazul stabilirii unui diagnostic. Este important s a cunoa stem probabilitatea ca testul aplicat s a ne dea un diagnostic corect (pozitiv sau negativ). Valoarea predictiv pozitiv a (V P P ) este probabilitatea ca o persoan a care are afect iunea s a obt in a un rezultat pozitiv n urma aplic arii testului. V P P = P (A|T ) = P (A T ) P (T ) (2.20)

Valoarea predictiv negativ a (V P N ) este probabilitatea ca o persoan a care nu are afect iunea s a obt in a un rezultat negativ n urma aplic arii testului. V P N = P (A|T ) = P (A T ) P (T ) (2.21)

Senzitivitatea este probabilitatea ca testul s a e pozitiv n timp ce afect iunea exist a. Se = P (T |A) = P (T A) P (A) (2.22)

Specicitatea este probabilitatea ca testul s a e negativ, n timp ce boala nu este prezent a. Sp = P (T |A) = P (T A) P (A) (2.23)

Senzitivitatea este probabilitatea ca prezent a bolii s a fost corect identicat a de test. Specicitatea este probabilitatea ca absent a bolii s a fost corect identicat a de test. Valoarea pozitiv predictiv a este probabilitatea ca un pacient care are un test pozitiv s a e corect diagnosticat cu boala. a Riscul bolii la expu si: p1 = a+ , b c Riscul bolii la neexpu si: p0 = c+ . d Riscul relativ (RR): de c ate ori este mai mare proport ia persoanelor bolnave n r andul celor expu si la factorul de risc fat a de proport ia bolnavilor n r andul celor neexpu si la factorul de risc. p1 P (B |A) RR = = p0 P (B |A) B+ B F+ AP FP F FN AN Total AP + FN AN+FP Total AP + FP FN + AN n = AP + F p + F N + AN

Table 2.3: Tabel de contingent a

22

Rata fal si pozitivi Rata fal si negativi Sensibilitate Specicitate Acuratete Valoarea predictiv pozitiv a Valoarea predictiv negativ a

= = = = = = =

FP (F P +AN ) FN (F N +AP ) AP (AP +F N ) AN (AN +F P ) (AP +AN ) n AP (AP +F P ) AN (AN +F N )

AP (F P +AN ) FN (AP +F P )

Riscul relativ = Rata sansei = Riscul atribuabil =

(AP AN ) (F N F P ) AP (AP +F P )

FN (F N +AN )

Un fals negativ este o persoan a pentru care testul este negativ, dar care de fapt are boala. Un fals pozitiv este o persoan a pentru care testul este pozitiv, dar care de fapt nu are boala. Este important ca at at senzitivitatea c at si specicitatea s a e ridicate (c at mai aproape de valoarea 1 sau 100%) pentru ca simptomul sau testul s a e predictiv pentru o boal a. Valorile predictive au doar o validitate limitat a deoarece n practica clinic a valorile predictive depind de prevalent a anomaliilor la pacient ii care sunt testat i. Astfel, acestea pot s a difere de prevalent a care apare n studii publicate care au fost f acute pe testul respectiv. Exercit iu In farmacii au fost introduse sisteme automate de determinare a bolii hipertensive. Un astfel de sistem clasic a 84% din hipertensivi si 23% din normotensivi ca av and HT A. Dac a 20% din populat ia adult a are HT A care sunt V P P si V P N pentru acest sistem automat? S a observ a c a sensibilitatea are valoarea 0, 84 (Se = 0, 84) iar specicitatea are valoarea Sp = 10, 23 = 0, 77. Pentru a calcula V P P si V P N vom folosi urm atoarele formule: V P P = P (A|B ), V P N = P (A|B ), Se = P (B |A), Sp = P (B |A). P (A|B ) = P (B |A)P (A) P (B |A)P (A) + P (B |A)P (A)

23

Capitolul 3 Variabile aleatoare si repartit ii

3.1 Variabile aleatoare

In cadrul unei cercet ari experimentale se constat a c a ntre valorile numerice m asurate exist a diferent e chiar dac a condit iile de desf a surare ale experimentului r am an neschimbate. Dac a ne referim la o singur a m asur atoare, variabila aleatoare este acea m arime care n cadrul unui experiment poate lua o valoare necunoscut a aprioric. Pentru un sir de m asur atori, variabila aleatoare este o not iune ce l caracterizeaz a din dou a puncte de vedere: caracterizare din punct de vedere cantitativ - variabila ne ofer a informat ii privind valoarea numeric a a m arimii m asurate; caracterizare din punct de vedere calitativ - variabila aleatoare ne d a informat ii privind frecvent a de aparit ie a unei valori numerice ntrun sir. La fel cum se dene ste o funct ie real a f pe un spat iu arbitrar E , s a consider am acum cazul unei funct ii denite pe spat iul , al evenimentelor elementare, si av and valori reale. Denit ia 3.1 O funct ie real a X denit a pe (X : R) se nume ste variabil a aleatoare (real a) dac a imaginea invers a prin X a oric arui interval din R este un eveniment din ; X se mai zice variabil a aleatoare pe spat iul (c ampul) de probabilitate (, , P ). Prin urmare din punct de vedere intuitiv, o variabil a aleatoare este o expresie a c arei valoare este rezultatul unui experiment aleator. Observat ia 3.1 Evenimentul constituit din toate rezultatele ale experimentului a. . X ( ) = a se noteaz a [X ( ) = a] sau prescurtat X = a. Evenimentul constituit din toate rezultatele ale experimentului a. . a X ( ) b se noteaz a [a X ( ) b] sau prescurtat a X b. Variabilele aleatoare se pot clasica astfel: dac a valorile funct iei sunt numerice (variabile cantitative ): Variabilele aleatoare discrete : o variabil a aleatoare pentru care mult imea valorilor este cel mult num arabil a este o variabil a discret a. Un astfel de exemplu poate num arul rebuturilor produse de o anumit a ma sin a. Variabilele aleatoare continue : dac a valorile unei variabile aleatoare reprezint a un interval (sau reuniune de intervale) m arginit sau nu din R, vom spune c a variabila respectiv a este continu a. Un exemplu de astfel de variabil a l constituie variabila denit a de valorile pe care le poate lua n alt imea persoanelor dintr-o anumit a comunitate sucient de mare pentru a le considera ca apart in and unui anumit interval real. 24

 dac a valorile funct iei nu sunt numerice (variabile calitative): Variabilele aleatoare ordinale : valorile sunt ordonate. Variabilele aleatoare nominale. Exemplul 3.2 S a presupunem c a se arunc a simultan dou a zaruri si se noteaz a cu X suma punctelor obt inute. Dac a consider am = { = (i, j ), 1 i, j 6}, atunci putem deni variabila aleatoare X : R, dat a de: X ( ) = i + j, ale c arei valori reprezint a suma punctelor obt inute la aruncarea celor dou a zaruri. Exemplul 3.3 S a presupunem c a n fat a unui ghi seu se creeaz a un r and de client i a stept and s a e servit i. Se noteaz a timpii ntre sosirile a doi client i consecutivi, timpi ce iau ni ste valori aleatoare ( nt ampl atoare). Aceste valori denesc o variabil a aleatoare ce descrie timpii inter sosire ai client ilor. Exemplul 3.4 O persoan a arunc a un zar o dat a, si c a stig a 1 RON dac a apare o fat a cu un num ar par de puncte, pierz and 1 RON dac a apare un num ar impar de puncte. Atunci funct ia g denit a astfel { 1 , {2, 4, 6} g : R, g ( ) = 1 , {1, 3, 5} reprezint a o variabil a aleatoare discret a. Exemplul 3.5 S a consider am experimentul n care o persoan a arunc a un zar o dat a. Aceasta c a stig a 1 RON dac a apare fat a cu un punct si pierde 1 RON dac a apare o alt a fat a. Funct ia h denit a prin { 1 , = 1 h : R, h( ) = 1 , {2, 3, 4, 5, 6} reprezint a o variabil a aleatoare discret a. Dac a X si Y sunt dou a v.a. (X, Y : R), R o constant a, atunci funct iile urm atoare sunt tot v.a.: (X + Y )( ) = X ( ) + Y ( ); (X + )( ) = X ( ) + ; (X )( ) = X ( ); (XY )( ) = X ( ) Y ( ). Dac a specic am un interval oarecare [a, b) din R, putem calcula probabilitatea ca variabila aleatoare X s a ia valori n intervalul respectiv, adic a: P (a X < b) = P ({ ; X ( ) [a, b)}). Plec and de la probabilitatea de mai sus, putem introduce urm atoarea denit ie. 25 (3.1)

Denit ia 3.2 Vom spune c a funct ia FX : R [0, 1], dat a de: FX (x) = P (X < x) = P ({ ; X ( ) (, x)}), se nume ste funct ia de repartit ie (repartit ia de probabilitate) a variabilei X . Dac a avem de-a face cu o singur a variabil a aleatoare, neind pericolul unei confuzii, vom nota funct ia de repartit ie, mai simplu, prin F (x). Propriet a tile funct iei de repartit ie sunt cuprinse n teorema urm atoare. Teorema 3.6 Funct ia de repartit ie F (x) are urm atoarele propriet a ti: 1. F (x) este monoton cresc atoare si 0 F (x) 1; 2. F (x) este continu a la st anga, i.e. limh0 F (x h) = F (x) ;
h>0

(3.2)

3. limx F (x) = 0, limx F (x) = 1. Invers, orice funct ie F cu propriet a tile de mai sus este funct ia de repartit ie a unei variabile aleatoare denit a pe un anumit spat iu de probabilitate. Demonstrat ie: (1), (2) si (3) rezult a direct din denit ia lui F . Pentru a demonstra armat ia invers a, vom aminti aici de teorema de corespondent a din cadrul Teoriei m asurii, care arm a c a unei m asuri nite P ( n cazul de fat a, probabilitatea P) i corespunde biunivoc o funct ie de interval F [a, b), astfel nc at F [a, b) = P (a X < b). Mai departe, funct iei de interval F i corespunde, tot biunivoc, funct ia de repartit ie F (am p astrat aceia si notat ie, f ar a pericolul vreunei confuzii), astfel nc at F [a, b) = F (b) F (a). In concluzie, consider and spat iul de probabilitate (R, B, P ), unde B este familia mult imilor Borel pe R iar P este denit a ca mai sus, n funct ie de F , rezult a c a F reprezint a funct ia de repartit ie a variabilei aleatoare X , denit a pe acest spat iu prin X (x) = x, x R. Corolarul 3.7 Din cele de mai sus rezult a c a P (a X < b) = F (b) F (a). Prezent am alte c ateva propriet a ti ale funct iei de repartit ie a unei v.a.: i) P (X x) = 1 FX (x); ii) P (X x) = FX (x + 0); iii) P (X = x) = FX (x + 0) FX (x). Relat ia prin care se dene ste funct ia de repartit ie mai are si varianta: FX (x) = P (X x), (3.3)

caz n care se poate ar ata c a F este, de aceast a dat a, continu a la dreapta, restul asert iunilor r am an and neschimbate. Exemplul 3.8 Funct ia dat a de: 0 F (x) = (x 2)2 1

,x 2 ,2 < x 3 ,x > 3

(3.4)

dene ste o funct ie de repartit ie. Probabilitatea ca variabila aleatoare corespunz atoare X s a ia valori n intervalul [1, 2.5) este dat a de F (2, 5) F (1) = 1 . 4 26

Exemplul 3.9 S a consider am o urn a ce cont ine 5 bile albe si 25 bile negre si din care se extrage o bil a. Dac a desemn am prin X variabila aleatoare ale c arei valori reprezint a num arul de bile albe extrase, atunci funct ia ei de repartit ie este: 0 , x 0 F (x) = 5 (3.5) ,0 < x 1 6 1 ,x > 1 Denit ia 3.3 Dou a variabile aleatoare se numesc independente dac a probabilitatea ca una din variabile s a ia o valoare nu depinde de valoarea luat a de cea de a doua variabil a aleatoare.

3.1.1

Variabile aleatoare discrete

Am v azut c a n funct ie de valorile pe care le pot lua, variabilele aleatoare se pot mp art i n dou a tipuri: discrete si continue. Variabilele aleatoare discrete se pot mp art i n: v.a. discret a simpl a dac a are un num ar nit de valori; v.a. discret a num arabil a dac a are o innitate num arabil a de valori. Fie X o variabil a aleatoare discret a si s a consider am probabilitatea: P (X = xi ) = pX (xi ) = P ( ; X ( ) = xi ), numit a probabilitate elementar a. Funct ia pX astfel construit a se nume ste repartit ia variabilei X , ea put and reprezentat a prin intermediul unui tablou de repartit ie: ( ) ( ) xi x1 x2 x3 . . . xn , X: ,X = p1 p2 p3 . . . pn pi i=1,n dac a X este v.a. discret a simpl a, respectiv ) ( ) ( xi x1 x2 x3 . . . xn . . . X: ,X = , p1 p2 p3 . . . pn . . . pi iN dac a X este v.a. discret a num arabil a. Dac a not am Ai = { |X ( ) = xi }, atunci P (Ai ) = pi . n Repartit ia p are proprietatea c a este nenegativ a ( p ( x ) = p 0), X X i i i=1 pX (xi ) = 1 atura sa cu funct ia de repartit ie corespunz atoare ind dat a de relat ia: ( i=1 pX (xi ) = 1), leg P (X < x) = FX (x) = pX (y ). (3.6)
y<x

Exemplul 3.10 S a consider am experimentul arunc arii a dou a zaruri. Fie Ai evenimentul ce arat a c a la aruncarea celor dou a zaruri s-au obt inut puncte a c aror sum a este i. a un sistem complet de evenimente. Denim v.a.d. X astfel nc at {Ai }i=2,12 formeaz X (Ai ) = i, i = 2, 12. Tabloul de repartit ie corespunz ator este: ( ) 2 3 4 5 6 7 8 9 10 11 12 X: 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36

27

Exemplul 3.11 O urn a cont ine 4 bile numerotate de la 1 la 4. Se extrag 2 bile si se desemneaz a prin X variabila ce reprezint a suma cifrelor de pe cele dou a bile extrase. Atunci repartit ia ei este dat a de tabelul: xi pi 3
1 6

4
1 6

5
1 3

6
1 6

7
1 6

Fie X si Y dou a v.a. discrete simple, specicate prin urm atoarele tabele de repartit ie: ( ) ( ) x1 x2 . . . xn y y . . . ym X: ,Y : 1 2 . p1 p2 . . . pn q1 q2 . . . q m A1 , . . . , An este un sistem complet de evenimente generat de v.a. X iar B1 , . . . , Bm este un sistem complet de evenimente generat de v.a. Y : P (Ai ) = pi , i = 1, n, P (Bj ) = qj , j = 1, m. Denit ia 3.4 Dou a variabile aleatoare discrete simple X si Y sunt independente dac a evenimentele Ai , Bj , i = 1, n, j = 1, n, sunt independente n totalitatea lor. X + Y este o v.a. discret a simpl a denit a astfel: X + Y ia valoarea xi + yj pe mult imea Ai Bj . Tabelul de repartit ie al v.a. X + Y va : ( ) x1 + y1 x1 + y2 . . . x1 + ym . . . xn + ym X +Y : , p11 p12 ... p1m ... pnm unde pij = P (Ai Bj ). V.a. X + k , unde k R este o constant a, poate considerat a ca un caz particular de v.a. X + Y unde Y ( ) = k : pij = P (Ai Bj ) = P (Ai ) = P (Ai ) = P (X = xi ) = pi . Astfel tabelul de repartit ie pentru v.a. X + k va : ( ) k + x1 k + x2 . . . k + xn k+X : . p1 p2 ... pn Tabelul de repartit ie pentru v.a. XY unde X si Y sunt dou a v.a. discrete simple, va : ( ) x1 y1 x1 y2 . . . x1 ym . . . xn ym XY : . p11 p12 . . . p1m . . . pnm si asem an ator ca n cazul sumei, tabelul de repartit ie pentru kX se obt ine din cel al v.a. XY pentru Y = k : ) ( kx1 kx2 . . . kxn . kX : p1 p2 . . . pn Funct ia de repartit ie asociat a unei v.a. discrete 0 p1 p + p 1 2 F (X ) = ... p1 + . . . + pn1 1 28 simple X este: , x x1 , x1 < x x 2 , x2 < x x 3 , xn1 < x xn , x < xn

Exemplul 3.12 Fie dou a variabile independente X si Y date prin repartit iile lor: ( ) ( ) 0 1 2 1 2 X: si Y : 0 , 2 0, 4 0, 4 0, 6 0, 4 S a se calculeze repartit iile variabilelor X + Y , XY , 3 + X , X 2 si 2Y . Fie A0 , A1 , A2 si B1 , B2 sisteme complete de evenimente (Ai = {X = i} respectiv Bj = {Y = j }). P (X + Y = 1) = P (A0 B1 ) = P (A0 ) P (B1 ) P (X + Y = 2) = P ((A0 B2 ) (A1 B1 )) = P (A0 B2 ) + P (A1 B1 ) = P (A0 ) P (B2 ) + P (A1 ) P (B1 ) P (X + Y = 3) = P ((A1 B2 ) (A2 B1 )) = P (A1 B2 ) + P (A2 B1 ) = P (A1 ) P (B2 ) + P (A2 ) P (B1 ) P (X + Y = 4) = P (A2 B2 ) = P (A2 ) P (B2 ) urma calculelor rezult In a urm atorul tabel de repartit ie: ) ( 1 2 3 4 X +Y : 0, 12 0, 32, 0, 4 0, 16 Variabilele 3 + X , 2Y si X 2 au repartit iile: ) ) ( ) ( ( 0 1 4 2 4 3 4 5 2 . ,X : , 2Y : 3+X : 0 , 2 0, 4 0, 4 0, 6 0, 4 0, 2 0, 4 0, 4 Pentru determinarea repartit iei v.a. XY este necesar s a calcul am probabilit a tile: P (XY = 0) = = P (XY = 1) = P (XY = 2) = = P (XY = 4) = ((A0 B1 ) (A0 B2 )) = P (A0 B1 ) + P (A0 B2 ) P (A0 ) P (B1 ) + P (A0 ) P (B2 ) P (A1 B1 ) = P (A1 ) P (B1 ) P ((A1 B2 ) (A2 B1 )) = P (A1 B2 ) + P (A2 B1 ) P (A1 ) P (B2 ) + P (A2 ) P (B1 ) P (A2 B2 ) = P (A2 ) P (B2 )

Obt inem: XY :

) 0 1 2 4 . 0, 2 0, 24 0, 4 0, 6

3.1.2

Variabile aleatoare continue

In cazul variabilelor continue, not iunea de repartit ie este nlocuit a cu cea de densitate de repartit ie. Astfel, dac a X este o variabil a aleatoare continu a, atunci exist a o funct ie (integrabil a) nenegativ a fX , denit a pe R, numit a densitate (de repartit ie), cu proprietatea c a: x FX (x) = P (X < x) = fX (y ) dy.

29

Uneori se dene ste variabila aleatoare continu a ca ind variabila X , astfel nc at exist ao funct ie fX cu proprietatea de mai sus. Este clar c a dac a fX este continu a rezult a c a FX este derivabil a si avem: fX = dFX . dx

Teorema 3.13 Dac a f este densitatea variabilei aleatoare X , atunci: b P (a < X < b) = a fX (x) dx, a, b R, b a fX (x) dx = 1. Exemplul 3.14 Funct ia: ,x 0 2 F (x) = 9 (3x x2 ) , 0 < x 3 0 ,x > 3 reprezint a o densitate de probabilitate. 0

(3.7)

3.2

Repartit ii multivariate

In paragraful anterior am introdus not iunea de variabil a aleatoare unidimensional a. Totu si, n realitate ne nt alnim cel mai des cu situat ii n care este nevoie s a consider am mai multe caracteristici numerice n acela si timp. De exemplu, dac a consider am caracteristicile unei persoane dintr-o comunitate, suntem interesat i de mai multe valori numerice, ca: n alt ime, greutate, v arsta, num arul copiilor, contul bancar etc., ce vor reprezentate de o variabil a aleatoare multidimensional a. Dac a n cazul unei variabile aleatoare unidimensionale era vorba de o funct ie care f acea s a-i corespund a ec arui eveniment un singur num ar real, de aceast a dat a extindem not iunea la dou a sau mai multe dimensiuni. Pentru simplitate, vom considera aici doar cazul bidimensional. Fie X si Y dou a variabile aleatoare (unidimensionale) si s a consider am cuplul de variabile aleatoare (X, Y ) pe acela si spat iu de probabilitate. Funct ia dat a de: FXY (x, y ) = P (X < x, Y < y ), (3.8)

reprezint a funct ia de repartit ie (bidimensional a) comun a asociat a cuplului (X, Y ). Prin repartit ia marginal a a variabilei X , nt elegem funct ia: FX (x) = P (X < x) = FXY (x, ). Similar se dene ste si repartit ia marginal a a variabilei Y , adic a: FX (x) = FXY (, y ). (3.10) (3.9)

Vom deni conceptul de variabile aleatoare independente n termeni de repartit ie asociat a cuplului de variabile aleatoare. Variabilele X si Y se numesc independente dac a: FXY (x, y ) = FX (x)FY (y ), x, y. (3.11)

30

S a consider am, mai nt ai, X si Y dou a variabile discrete. Atunci repartit ia comun a a celor dou a variabile este denit a de: pX,Y (x, y ) = P (X = x, Y = y ), iar funct ia de repartit ie comun a va dat a de: FXY (x, y ) = pXY (x, y ),
a<x b<y

(3.12)

(3.13)

Consider and repartit iile marginale ale celor dou a variabile, date de: pX (x) =
y =0

pXY (x, y ), pY (y ) =

x=0

pXY (x, y )

(3.14)

rezult a c a variabilele X si Y sunt independente dac a: pX,Y (x, y ) = pX (x)pY (y ). (3.15)

Plec and de la not iunea de probabilitate condit ionat a, putem deni repartit iile condit ionate n acest caz. Astfel, pXY (x, y ) pX |Y (x|y ) = , (3.16) pY (y ) se nume ste repartit ia condit ionat a a lui X , dat ind Y = y , si: FX |Y (x|y ) = pXY (a, y )
a x

pY (y )

, pY (y ) > 0,

(3.17)

se nume ste funct ia de repartit ie a lui X condit ionat a de Y = y . Din legea probabilit a tii totale rezult a c a: pX (x) = pX |Y (x|y )pY (y ). (3.18)
y =0

X \Y x1 x2 ... xn
x

y1 px1 ,y1 px2 ,y1 ... pxn ,y1 py1

y2 px1 ,y2 px2 ,y2 ... pxn ,y2 py2

... ... ... ... ... ...

ym px1 ,ym px2 ,ym ... pxn ,ym pym

px1 px2 ... pxn 1

Table 3.1: Tabelul de repartit ie pentru repartit ia comun a (X, Y ) In tabelul 3.1 este reprezentat a repartit ia comun a a dou a v.a. simple X si Y . Dac a not a m p = p = P ( A B ) = P ( X = x Y = y ), p = p , xi ,yj i j i j i xi qj = pyj atunci m ij n si qj = i=1 pij . avem pi = j =1 pij

31

Bibliograe
[1] S. Breaz, Curs Algebr a, http://math.ubbcluj.ro/~bodo/ [2] M. Gorunescu, F. Gorunescu, A. Prodan, Matematici superioare, Biostatistic a si Informatic a, vol. I, Ed. Albastr a Microinformatica, Cluj-Napoca, 2002. [3] Gh. Mihoc, N. Micu, Teoria probabilit a tilor si statistic a matematic a, Bucure sti, Editura Didactic a si Pedagogic a, 1980. [4] Probabilit es et Biostatistique, Facult e de m edecine Pierre et Marie CURIE, Universit e Pierre et Marie Curie, http://www.chups.jussieu.fr/en-ligne/choix.php?dispg= biostat [5] V. Demichelis, A. Ziggioto, Lezioni di Biostatistica, Universit` a di Torino, http: //www.dm.unito.it/quadernididattici/biostatistica/biostatistical.pdf, http://www.dm.unito.it/quadernididattici/biostatistica/biostatistica2. pdf [6] C. Popp, N. Gillich, V. I. Praisach, Elemente de teoria probabilit a tilor si statistic a matematic a, Ed. Eftimie Murgu, 1998. [7] A. L. Pletea, L. Popa, Teoria probabilit a tilor, Ia si, 1999.

32