Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
atilor
si
Statistic
a Matematic
a
Sorin Nadaban
Cuprins
Mise en sc`
ene
1 Spatiu de probabilitate
1.1 Notiunea de eveniment . . . . .
1.2 Operatii cu evenimente . . . . .
1.3 C
amp de evenimente . . . . . .
1.4 Definitia clasic
a a probabilitatii
1.5 Spatiu cu m
asur
a . . . . . . . .
1.6 Prelungirea unei m
asuri . . . .
1.7 Modelul Kolmogorov . . . . . .
1.8 Probabilitatea conditionata . .
1.9 Formula probabilit
atii totale . .
1.10 Evenimente independente . . .
1.11 Probabilit
ati geometrice . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
16
20
24
27
30
46
48
49
52
54
2 Variabile aleatoare
2.1 Functii m
asurabile . . . . . . . . . . . . .
2.2 Operatii cu functii m
asurabile . . . . . . .
2.3 Distributia variabilelor aleatoare discrete .
2.4 Functia de repartitie . . . . . . . . . . . .
2.5 M
asura Borel-Stieltjes . . . . . . . . . . .
2.6 Variabile aleatoare independente . . . . .
2.7 Densitatea de repartitie . . . . . . . . . .
2.8 Distributia conditionat
a . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
59
59
63
65
67
71
76
82
89
.
.
.
.
95
95
98
102
107
3 Teoria integr
arii
3.1 Tipuri de convergent
a . . . . .
3.2 Functii etajate . . . . . . . . .
3.3 Integrarea functiilor m
asurabile
3.4 Definitia integralei Lebesgue . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
pozitive
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
CUPRINS
3.5
3.6
3.7
3.8
4 Caracteristici numerice
4.1 Valoarea medie . . . . . . .
4.2 Dispersia . . . . . . . . . .
4.3 Inegalit
ati remarcabile . . .
4.4 Momente de ordin superior
4.5 Median
a, cuantil
a, mod . .
4.6 Corelatia . . . . . . . . . .
4.7 Functia caracteristica . . . .
4.8 Media conditionata . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
. . . .
. . . .
. . . .
Euler
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
110
117
122
126
.
.
.
.
.
.
.
.
137
137
142
145
146
148
150
157
168
.
.
.
.
.
.
.
.
.
.
.
.
.
.
175
175
181
184
187
190
192
199
201
209
212
214
220
225
226
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
8 Teoria estimatiei
8.1 Consideratii generale . . . . . .
8.2 Metoda momentelor . . . . . .
8.3 Metoda verosimilit
atii maxime
8.4 Estimatii eficiente . . . . . . .
8.5 Intervale de ncredere . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
261
261
265
266
271
273
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
287
287
288
290
292
297
299
301
302
307
.
.
.
.
.
.
.
.
.
10 Corelatie si regresie
311
10.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
10.2 Corelatia simpl
a liniar
a . . . . . . . . . . . . . . . . . . . . . . . . 313
10.3 Corelatia simpl
a neliniar
a . . . . . . . . . . . . . . . . . . . . . . . 317
A Legea binomial
a
321
325
C Legea normal
a
329
D Legea 2
331
Legea Fisher-Sn
ed
ecor
335
Distributia t Student
341
Index
344
Bibliografie
349
Mise en sc`
ene
Elaborarea n secolul al XVII - lea a primelor principii ale teoriei
probabilitatilor a constituit un impuls pentru dezvoltarea puternica a teoriei
probabilitatilor n secolul al XVIII - lea. Astfel Abraham Moivre a dat n
1718 formula probabilitatii conditionate
PA (B) =
P (A B)
.
P (A)
`
MISE EN SCENE
10
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
11
acestuia, datorita faptului ca astazi ele si gasesc aplicabilitatea n domenii diverse, atat n informatica, n stiintele economice, cat si n stiintele ingineresti
si cele sociale.
In capitolul 1 se introduce notiunea de eveniment si se definesc operatiile
cu evenimente, punandu-se n evidenta principalele proprietati ale acestor
operatii. Apoi se prezinta notiunile de semi-algebra, algebra si - algebra,
semnalizandu-se faptul ca un camp de evenimente nu este altceva decat
ansamblul format din multimea evenimentelor elementare asociate unei
experiente si o - algebra P(). Modelul lui Laplace pentru probabilitate este prezentat n sectiunea a 4 - a. Pentru o buna aplicare a acestui
model se recapituleaza unele notiuni de analiza combinatorie. In sectiunea a
5 - a se introduc notiunile de semi - masura, masura pe o algebra si masura
pe o - algebra. O importanta deosebita o are teorema lui Caratheodory
de prelungire a unei masuri. In finalul acestui capitol se ajunge la modelul Kolmogorov pentru probabilitate. Probabilitatea nu este altceva decat
o masura P definita pe un camp de evenimente (, ) de masa totala unu,
adica P () = 1. Se defineste probabilitatea conditionata, demonstandu-se
ca aceasta este o probabilitate pe , se prezinta formula probabilitatii totale si formula lui Bayes. Nu putem ncheia acest capitol fara a vorbi de
independenta evenimentelor.
De multe ori, n urma efectuarii unei experiente, nu suntem interesati de
rezultatul direct al acesteia ci mai mult de unele din consecintele ei. Astfel
se ajunge la notiunea de variabila aleatoare care este studiata n capitolul 2.
Variabila aleatoare nu este altceva decat o functie masurabila definita pe un
spatiu de probabilitate. Prin urmare este firesc ca primele doua sectiuni sa
fie consacrate functiilor masurabile si operatiilor cu functii masurabile. Se
introduce notiunea de functie de repartitie. Se demonstreaza ca oricarei variabile aleatoare i se asociaza o functie de repartitie dar si afirmatia reciproca:
fiind data o functie de repartitie F , exista un spatiu de probabilitate si o
variabila aleatoare definita pe acest spatiu careia sa i se asocieze functia de
repartitie F . Un punct important al acestui capitol l reprezinta introducerea
masurii Borel - Stieltjes si demonstrarea faptului ca exista o corespondenta
bijectiva ntre masurile Borel - Stieltjes si functiile de repartitie extinse data
de formula ([a, b)) = F (b) F (a). Nu se poate ncheia acest capitol fara a
vorbi de independenta variabilelor aleatoare. In final se introduce notiunea
de densitate de repartitie.
12
`
MISE EN SCENE
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
13
l
aleatoare sa ia valori ntr-un interval I de lungime l fixata este ba
, indiferent care sunt extremitatile intervalului I n [a, b]. Daca variabila aleatoare
Poisson ne da numarul de realizari ale unui eveniment ntr-un interval de
timp, atunci variabila aleatoare exponentiala Exp() este cea care masoara
timpul dintre doua realizari succesive ale evenimentului. O generalizare
a repartitiei exponentiale este repartitia Weibull. O importanta deosebita
n teoria probabilitatilor si statistica matematica o are distributia normala
Gauss-Laplace. In mod succint mai sunt prezentate repartitii nrudite cu
cea normala precum: repartitia Gamma, repatitia 2 , repartitia Fisher Snedecor, repartitia Student, repartitia Beta, repartitia lognormala.
Justificarea teoretica ca n statistica matematica sa folosim frecventa
relativa n loc de probabilitate este furnizata de legea numerelor mari care
este studiata n prima sectiune a capitolului 6. Vom vorbi apoi de convergenta
n repartitie, demonstrand cateva rezultate importante precum teorema lui
Helly si teorema lui Levy. Teorema limita centrala, prezentata n sectiunea
a treia, ne arata rolul central jucat de repartitia normala.
Ultimile patru capitole sunt consacrate statisticii. Astfel, n capitolul
7 gasim notiuni importante precum: functie statistica, histograma, media
empirica, dispersia empirica, mediana empirica, modul empiric.
In teoria estimatiei utilizam datele obtinute pe un esantion pentru a face
estimari ale unui parametru al populatiei statistice. Proprietatile unui bun
estimator sunt: nedeplasat, consistent, eficient. Pentru a obtine estimatori
se pot utiliza: metoda momentelor, metoda verosimilitatii maxime. Una din
problemele cu estimatorii punctuali este ca acestia ne dau o singura valoare.
Daca dorim sa ne facem o idee asupra multimii valorilor bune ajungem la
notiunea de interval de ncredere. Importante sunt intervalele de ncredere
pentru parametrii m si ai unei legi normale si intervalul de ncredere pentru
probabilitatea unui eveniment.
Verificarea ipotezelor statistice se face n capitolul 9. Mai ntai se fixeaza
o probabilitate de eroare (nivel de semnificatie), notata . Apoi, se determina o regiune critica. T
inand cont de nivelul de semnificatie ales o ipoteza
poate fi acceptata sau respinsa. Acceptarea unei ipoteze nu nseamna ca
acea ipoteza este adevarata, iar respingerea ei nu nseasmna ca acea ipoteza
este falsa. Acceptarea sau respingerea ne arata doar daca datele observate
pe un esantion sunt n concordanta sau neconcordanta cu ipoteza facuta.
Sunt prezentate mai multe teste: testul Z, testul T, testul 2 , testul F, testul
asupra frecventei, testul de concordanta, testarea independentei. Importante
si frumoase sunt si exemplele prezentate.
14
`
MISE EN SCENE
Sorin Nadaban
Capitolul 1
Spatiu de probabilitate
1.1
Notiunea de eveniment
16
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
1.2
Operatii cu evenimente
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
17
iI
T S
S
2. A ( Ai ) = (A Ai );
iI
iI
18
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
3. A
S T
T
( Ai ) = (A Ai );
iI
iI
T T
T
4. A ( Ai ) = (A Ai ).
iI
iI
cand A se realizeaza si invers. Pentru el vom folosi notatia A sau CA. Astfel
A := { : 6 A} .
Teorema 1.2.7. (Propriet
ati ale diferentei si complementarei). Fie
A, B, C trei evenimente si {Ai }iI o familie de evenimente. Atunci:
1. A B se poate scrie ca reuniunea a trei evenimente A B, A\B si
B\A, incompatibile doua cate doua;
2. C(CA) = A , A CA = , A CA = , C = ;
S
T
T
S
3. A\( Ai ) = (A\Ai ) , A\( Ai ) = (A\Ai );
iI
4. C(
Ai ) =
iI
5. (
iI
C(Ai ) , C(
iI
Ai )\A =
iI
iI
Ai ) =
iI
(Ai \A) , (
iI
S
iI
iI
iI
Ai )\A =
(Ai \A).
iI
Demonstratie. 3)
A\(
S
iI
Ai ) [ A si 6
Ai ]
iI
[ A si 6 Ai : ()i I] [ A \ Ai , ()i I]
(A\Ai ) .
iI
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
19
20
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
1.3
C
amp de evenimente
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
21
n
S
Ai A ;
i=1
3. {Ai }ni=1 A
n
T
Ai A.
i=1
n
T
i=1
i=1
n
T
Ai A.
i=1
j=1
j=1
i=1 j=1
i=1
22
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
S
1.3.5). S nu este o -algebra caci An = [1/n, 1) S dar
An = (0, 1) 6 S.
n=2
T
iN
Ai ;
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
3. {Ai }ni=1
n
T
i=1
Ai si
n
S
23
Ai .
i=1
iN
iN
T
si aplicand nca o data axioma 2 deducem ca
Ai .
iN
3) Faptul ca
n
S
i=1
= si prin
Fie
si prin urmare
i }iN T , () I
S {Ai }iN . Atunci {AS
Ai , () I, de unde
Ai
= .
iN
iN
24
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
F1 = {(a, b] : a, b R } ,
F2 = {[a, b) : a, b R } ,
F3 = {[a, b] : a, b R } ,
F4 = {(, a) : a R} ,
F5 = {(, a] : a R} ,
F6 = {(a, ) : a R } ,
F7 = {[a, ] : a R }
genereaza tot Bor(R).
Observatia 1.3.14. Constructia de mai sus functioneaza si n Rn . Astfel,
alegand F familia tuturor intervalelor de forma
[a1 , b1 ) [an , bn ) ,
ea genereaza Bor(Rn ).
Definitia 1.3.15. Daca reprezinta multimea evenimentelor elementare si
F P(), vom numi c
amp de evenimente generat de F intersectia
tuturor campurilor de evenimente care contin F si va fi notat (F).
Exemplul 1.3.16. Sa consideram experienta aruncarii unui zar si sistemul
F = {{1 , 3 }, {2 , 4 , 5 }, {6 }} care formeaza o partitie a evenimentului
sigur. Campul de evenimente generat de acest sistem este format din evenimentele sistemului F si reuniunile posibile ale acestora la care se adaug
a
evenimentul imposibil . Astfel
(F) = {, {1 , 3 }, {2 , 4 , 5 }, {6 }, {1 , 3 , 2 , 4 , 5 }, {1 , 3 , 6 },
{2 , 4 , 5 , 6 }, } .
1.4
Definitia clasic
a a probabilit
atii
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
25
n!
= n(n 1) (n k + 1)
(n k)!
26
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
n!
k!(n k)!
2
C61 C10
C82
.
5
C24
2
5
4
3C12
C10
C55
3!C12
C84 C44
;
b)
P
=
.
5
5
5
5
C15
C10
C55
C15
C10
C55
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
27
1.5
A25 A120
.
A325
Spatiu cu m
asur
a
n
S
Ai S, atunci
i=1
(A) =
n
X
(Ai ) ;
i=1
3. Daca {Ai }
si A =
i=1 S : Ai Aj = , ()i 6= j
Ai S, atunci
i=1
(A)
(Ai ) .
i=1
S
i=1
[
i=1
!
Ai
X
i=1
(Ai ) .
Ai A, atunci
28
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
[
X
Ai =
(Ai ) .
i=1
i=1
S
ncat =
n si (n ) < , ()n N .
{n }
n=1 astfel
n=1
S
P
2.
Ai
(Ai ).
i=1
i=1
[
n=1
!
An
= lim (An ) .
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
29
!
An
= lim (An ) .
n
n=1
S
P
S
S
cate doua si vom avea
Bn =
(Bn ). Dar
Bn =
An si cum
n=1
n=1
n=1
n=1
S
P
An
(An ).
n=1
n=1
a cate
3) Fie B1 = A1 , Bn = An \ An1 . Atunci {Bn }
n=1 sunt disjuncte dou
S
S
doua si
Bn =
An .
n=1
n=1
!
An
n=1
= (A1 ) +
!
Bn
n=1
(Bn ) =
n=1
n=2
Bn = lim (Bn ) .
n=1
30
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
Dar
Bn = A1 \
n=1
n=1
(A1 )
!
An
n=1
T
An := {k N : k n}. Atunci (An ) = , ()n N . Dar
An = .
n=1
punand
Masura se poate prelungi pe
R+
(A N ) := (A) .
Aplicatia
este corect definita si este o masura completa, numindu-se com
pletata masurii . Spatiul (, ,
) se numeste completatul spatiului
(, , ).
1.6
Prelungirea unei m
asuri
n
X
(Ai ) ,
i=1
unde A =
n
S
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
31
Ai =
(Ai ) .
i=1
i=1
Ai atunci
i=1
(A)
n
X
(Ai ) .
i=1
5. este o masura pe S.
6. se prelungeste n mod unic la o masura pe S.
Demonstratie. (1) Presupunem ca A S se mai poate reprezenta si
m
S
A=
Bj , reuniunea fiind formata cu multimi din S, disjuncte doua cate
j=1
doua. Atunci
Ai = Ai A = Ai
m
[
!
Bj
j=1
Bj = Bj A = Bj
n
[
m
[
(Ai Bj ) ,
j=1
!
Ai
n
[
(Ai Bj ) ,
i=1
i=1
cele doua reuniuni de mai sus fiind formate cu multimi din S, disjuncte doua
cate doua. Folosind axioma 2 a unei semi-masuri deducem
(Ai ) =
m
X
(Ai Bj ) , (Bj ) =
j=1
n
X
(Ai Bj ) .
i=1
Prin urmare
n
X
i=1
(Ai ) =
n X
m
X
i=1 j=1
(Ai Bj ) =
m X
n
X
j=1 i=1
(Ai Bj ) =
m
X
j=1
(Bj ) .
32
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
din S disjuncte.
A =
n m
S
Si
Atunci (Ai ) =
mi
P
(Aik ).
Fie A =
n
S
Ai .
Atunci
i=1
k=1
i=1 k=1
mi
n X
X
(Aik ) =
i=1 k=1
n
X
(Ai ) .
i=1
i=1
pentru k = 2, n. Multimile {Bi }ni=1 sunt din S, disjuncte doua cate doua si
n
n
n
S
S
S
Bi =
Ai . Cum A
Ai , obtinem ca
i=1
i=1
i=1
A=A
n
[
!
Ai
=A
i=1
n
[
!
Bi
i=1
n
[
(A Bi ) .
i=1
n
X
(A Bi ) .
i=1
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
33
S
A=
Ai S. Avem de aratat ca
i=1
(A) =
(Ai ) .
i=1
m
Si
k=1
mi
[
[
i=1 k=1
A=
n
S
j=1
doua. Observam ca
!
[
Bj = Bj A = Bj
Aik
i,k
(Bj Aik ) .
i,k
Atunci
(A) =
n
X
j=1
Dar
n
[
(Bj )
n X
X
(Bj Aik ) =
j=1 i,k
j=1
n
XX
(Bj Aik ) .
i,k j=1
n
[
j=1
!
Bj
= Aik A = Aik .
34
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
j=1
Revenind, avem ca
(A)
(Aik ) .
i,k
Dar Ai =
m
Si
(Aik ). In concluzie
k=1
(A)
XX
i
(Aik ) =
(Ai ) .
n
S
Ai S.
i=1
(Ai ) (A) .
i=1
(Ai ) (A) .
i=1
(6) Preupunem ca
este o alta masura pe S ce prelungeste pe , adica
i=1
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
(A) =
n
[
!
Ai
i=1
n
X
(Ai ) =
i=1
n
X
35
(Ai ) .
i=1
Prin urmare
(A) = (A).
Definitia 1.6.2. O aplicatie : P() [0, ] se numeste m
asur
a exterioar
a daca satisface axiomele:
1. () = 0;
2. Daca A B atunci (A) (B);
S
P
Ai
(Ai ).
3. Daca {Ai }i=1 P() atunci
i=1
i=1
(A) =
,
0 , daca A =
este o masura exterioara dar nu este masura.
Definitia 1.6.4. Fie : P() R+ o masura exterioara. O multime
A se numeste m
asurabil
a n raport cu m
asura exterioar
a daca
(E) = (A E) + (CA E) , ()E .
Vom nota cu A familia multimilor masurabile n raport cu masura esterioara
.
Teorema 1.6.5. (Teorema Carath
eodory de prelungire a unei m
asuri).
Fie o masura -finita pe o algebra A. Pentru A P() definim
X
[
(A) := inf{
(Ai ) : {Ai }i=1 A , A
Ai } .
i=1
Atunci:
1. (A) = (A) , ()A A;
i=1
36
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
S
Ai . Fie B1 = A A1 si
Fie {Ai }
i=1 A : A
i=1
Bn = A (An \
n1
[
Ai ) , pentru n 2 .
i=1
[
X
Bn =
(Bn ) .
n=1
n=1
[
X
X
(A) =
Bn =
(Bn )
(An ) .
n=1
Cum (A)
n=1
n=1
n=1
X
n=1
(An ) : {An }
n=1 A , A
An } = (A) .
n=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
37
S
P
P()
s
i
A
=
A
.
Vom
ar
a
ta
c
a
(A)
(Ai ).
i
i=1
Daca
i=1
i=1
i=1
n care
i=1
X
[
A
,
A
Ain } ,
(Ai ) = inf{
(Ain ) : {Ain }
i
n=1
n=1
n=1
Ain si
n=1
(Ain ) (Ai ) +
n=1
Deci
(Ain )
i=1 n=1
X
i=1
Dar
A=
[
i=1
Prin urmare
(A)
, ()i N .
i
2
X
X
(Ai ) +
=
(Ai ) + .
i
2
i=1
i=1
Ai
Ain , {Ain } A .
i=1 n=1
(Ain )
i=1 n=1
(Ai ) + .
i=1
(Ai ) .
i=1
38
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
A
disjuncte.
Vom
ar
a
ta
c
a
A
=
Ai A .
i=1
n
S
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Deci
(E) (E Bn ) + (E CA) .
Cum An A , avem ca
(E) = (E An ) + (E CAn ) ,
egalitate valabila pentru orice E . Inlocuind E cu E Bn obtinem
(E Bn ) = (An Bn E) + (CAn Bn E) .
Deci
(E Bn ) = (An E) + (Bn1 E) .
De aici deducem
n
X
(E Bn ) =
(Ai E) .
i=1
Prin urmare
(E)
n
X
(Ai E) + (E CA) .
i=1
(E)
(Ai E) + (E CA) .
i=1
Dar
AE =
!
Ai
E =
i=1
(Ai E) .
i=1
(A E)
(Ai E) .
i=1
Revenind, avem ca
(E) (A E) + (E CA) .
Pe de alta parte
E = (E A) (E CA)
39
40
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
Observam ca {Bn }
si sunt disjuncte. Conform etapei precedente
n=1 A
S
S
S
S
avem
Bn A . Dar
Bn =
An si prin urmare
An A .
n=1
n=1
n=1
n=1
si A =
Ai . Am
verificam axioma a doua. Fie {Ai }
i=1 A disjuncte
i=1
(E Ai ) + (E CA) ,
i=1
(A)
(A Ai ) + (A CA) =
i=1
(Ai ) .
i=1
i=1
(A) =
(Ai ) .
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
41
(E) = inf{
{Ai }
i=1
(Ai ) :
A, E
i=1
Ai } ,
i=1
Ai si
i=1
(Ai ) (E) + .
i=1
Dar E A
S
Ai
A=
i=1
(E A)
i=1
!
(Ai A)
i=1
Cum
E CA
(Ai A) =
i=1
[
i=1
!
Ai
CA =
X
i=1
(Ai CA) ,
i=1
(Ai A) .
42
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
deducem ca
(E CA)
!
(Ai CA)
i=1
(Ai CA) =
i=1
(Ai CA) .
i=1
In concluzie
(E A) + (E CA)
(Ai A) +
i=1
(Ai CA) =
i=1
X
X
=
[(Ai A) + (Ai CA)] =
(Ai ) (E) + ,
i=1
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
43
Vom demonstra ca
(A) = (A) , ()A (A), ceea ce demonstreaza
unicitatea prelungirii lui la o masura pe (A).
Fie A (A) A . Atunci
(A) = inf{
(Ai ) :
{Ai }
i=1
A, A
i=1
Ai } .
i=1
Observam ca
(A)
Ai
i=1
(Ai ) =
i=1
(Ai ) ,
i=1
Ai . Prin urmare
i=1
(A) = inf{
(Ai ) :
{Ai }
i=1
A, A
i=1
Ai } ,
i=1
S
A
Ai , astfel ncat
i=1
(Ai ) (A) + .
i=1
Fie B =
S
i=1
Ai si Bn =
n
S
i=1
avem ca
!
= lim (Bn ) ,
Bn
n=1
!
Bn
n=1
= lim
(Bn ) .
n
[
X
X
(Ai ) =
(Ai ) (A) + .
(B) =
Ai
i=1
i=1
i=1
44
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
S
=
j , unde (j ) < si reuniunea este disjuncta. Prin urmare
j=1
A=
j=1
indusa de . Atunci
= .
S
P
(Ani ) (A) + n1 . Fie
ncat A
Ani si
exista {Ani }
i=1 astfel
Mn =
A
Ani
si M =
i=1
i=1
n=1
i=1
n=1
(Mn )
(Ani ) (A) +
i=1
Atunci
(M ) (Mn ) (A) +
1
, ()n 1 .
n
1
, ()n 1
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
45
A = (M \ B) N . Deci A .
:
A
=
An si
este o masura -finita si prin urmare (){An }
n=1
n=1
, ()n 1.
(An ) < . Conform celor de mai sus vom avea ca An
Astfel A .
Observatia 1.6.7. Consideram pe R familia S a intervalelor nchise la
stanga (vezi exemplul 1.3.2). Aceasta este o semi-algebra care, conform teoremei 1.3.5, genereaza algebra S.
Pentru fiecare interval I S vom nota cu l(I) lungimea acestui interval. Se
verifica usor ca l : S R+ este o semi-masura. In baza teoremei 1.6.1 ea se
prelungeste n mod unic la o masura -finita pe S, pe care o notam .
Conform teoremei 1.6.5.(7) se prelungeste n mod unic la o masura pe
asura Borel pe R.
(S) = Bor(R) numita m
Pe de alta parte, tot din teorema 1.6.5 stim ca masura induce o masura exterioara pe care o vom nota m si o vom numi m
asura exterioar
a Lebesgue
pe R. O multime A R masurabila n raport cu masura exterioara Lebesgue
va fi numita multime m
asurabil
a Lebesgue. -algebra multimilor masurabile Lebesgue va fi notata Leb(R). Masura m = m |Leb(R) , indusa de masura
exterioara Lebesgue m , se numeste m
asura Lebesgue pe R. Cum
plus, teorema
S Leb(R), vom avea ca (S) = Bor(R) Leb(R). In
1.6.6 ne spune ca masura Lebesgue este tocmai completata masurii Borel.
Observatia 1.6.8. O constructie asemanatoare functioneaza si n Rp . Astfel, vom numi interval (paralelipiped) n Rp o multime de forma
I = I1 I2 Ip , unde fiecare Ik este un interval din R ce poate fi
deschis, nchis, semi-deschis, marginit sau nemarginit. Vom nota cu S familia acestor intervale. Daca l(Ik ) desemneaza lungimea intervalului Ik atunci
p
Q
numarul v(I) :=
l(Ik ) se numeste volumul lui I. Aici facem conventia
k=1
46
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
1.7
Modelul Kolmogorov
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
47
P
proprietatea
() = 1 defineste o probabilitate P : P() R+ prin
P
P (A) =
().
A
48
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
() =
P () =
n
X
P (i ) = P (
i=1
n
[
wi ) = P () = 1 .
i=1
() =
AB
() +
() = P (A) + P (B) .
1
, () ,
n
X
A
() =
X1
1
k
=k =
n
n
n
A
1.8
Probabilitatea conditionat
a
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
49
Exemplul 1.8.3. Avem 3 discuri: unul cu ambele fete albe, unul cu o fata
alba si una neagra iar al treilea cu ambele fete negre. Se alege un disc la
ntamplare si se constata ca prima fata este alba. Care este probabilitatea ca
cealalta fata sa fie tot alba?
Solutie. Fie
A - evenimentul prima fata este alba;
B - evenimentul a doua fata este alba.
Ne intereseaza PA (B). Avem P (A B) =
PA (B) =
1
3
si P (A) =
P (A B)
=
P (A)
1
3
1
2
3
6
= 12 . Atunci
2
.
3
P ()
P (A )
=
=0
P (A)
P (A)
si
PA () =
P (A )
P (A)
=
=1.
P (A)
P (A)
[
i=1
i=1
PA
Ai =
=
=
P (A)
P (A)
i=1
1.9
P (A Ai )
i=1
P (A)
X
P (A Ai )
i=1
P (A)
PA (Ai ) .
i=1
Formula probabilit
atii totale
Fie (, , P ) un camp de probabilitate, {Ai }iI un sistem complet de evenimente (I fiind o multime de indici finita sau numarabila) cu
P (Ai ) 6= 0, () i I.
50
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
iI
P (AAi )
,
P (Ai )
de unde
P (A Ai ) =
iI
[
[
= P ( (A Ai )) = P (A ( Ai )) = P (A ) = P (A) .
iI
iI
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
51
1 3 1 3
39
+ =
.
2 8 2 5
80
1
2
39
80
3
8
5
.
13
5
8
2
2
1
; PA (A2 ) =
; PA1 A (B) = ; PA2 A (B) = = .
13
13
7
4
2
Atunci
8 1
76
5 2
+
=
.
13 7 13 2
182
Exemplul 1.9.4. Fie P o probabilitate pe un camp finit de evenimente si
A, B doua evenimente cu probabilitati nenule astfel ncat
P (B) =
52
1.10
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
Evenimente independente
11
1 1 1 1
+ =
.
6 6 6 6
36
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
53
1
1 1
= = P (A) P (B)
4
2 2
1
1
6= = P (A)P (B)P (C) .
4
8
Propozitia 1.10.7. Daca evenimentele {Ai }ni=1 sunt independente n ansamblul lor atunci
n
n
[
Y
P ( Ai ) = 1 (1 P (Ai )) .
i=1
i=1
Demonstratie.
P(
n
[
Ai ) = 1 P (C(
i=1
=1
n
[
Ai )) = 1 P (
i=1
n
Y
i=1
P (CAi ) = 1
n
\
CAi ) =
i=1
n
Y
(1 P (Ai )) .
i=1
Exemplul 1.10.8. Care este probabilitatea ca din 4 aruncari ale unui zar
sa obtinem cel putin o data fata cu 6 puncte?
Solutie. Fie Ai - aparitia fetei cu 6 puncte la aruncarea i , (i = 1, 4). Atunci
4
[
4
4
4
Y
Y
5
1
=1
.
P ( Ai ) = 1 (1 P (Ai )) = 1
1
6
6
i=1
i=1
i=1
Exemplul 1.10.9. Un student urmeaza sa fie examinat la trei discipline:
matematica, economie si contabilitate. Probabilitatea de a promova la matematica este 0,4, probabilitatea de a promova la economie este 0,7 si probabilitatea de a promova la contabilitate este 0,9. Sa se determine probabilitatile
urmatoarelor evenimente:
54
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
1.11
Probabilit
ati geometrice
m(A)
.
m()
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
55
Z lZsin
Z Z
aria(E) =
1dxd =
1dx d =
0
Z
=
0
[x]l0sin d
Z
=
0
l sin d = l ( cos )0 = 2l .
56
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
aria(E)
2l
=
.
aria()
d
0 x a , 0 y a} ,
aria(E)
.
aria()
Avem aria() = a2 . Pentru a calcula aria lui E vom scadea din aria
patratului aria celor doua triunghiuri ce lipsesc din E. Aria unuia din tri2
unghiuri este (ab)
si astfel
2
aria(E) = a2 (a b)2 .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Prin urmare
a2 (a b)2
P =
=1
a2
ab
a
2
57
58
CAPITOLUL 1. SPAT
IU DE PROBABILITATE
Capitolul 2
Variabile aleatoare
2.1
Functii m
asurabile
60
\
n=1
1
f <x+
n
= {f x} .
[
n=1
1
f >x+
n
= {f x} .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
61
< b} ;
< b} ;
b} ;
b} .
T
{f > n} .
Daca a = , atunci {f = } =
n=1
Daca a = , atunci {f = } =
{f < n} .
n=1
62
f () 10
2
2
3
5
4
2
5
5
6
,
2
1
g() 10
2
2
3
5
4
2
5
5
6
.
10
A3
Ax = { : f () < x} =
A2 A3
,
,
,
,
daca x (, 2]
daca x (2, 5]
daca x (5, 10]
daca x (10, )
, daca
{0, 1} T
,
dac
a
0
/ T si 1
/T
1
A (T ) =
A , daca 1 T si 0
/T
CA , daca 0 T si 1
/T
Prin urmare 1
a si numai daca A .
A (T ) dac
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
63
2.2
Operatii cu functii m
asurabile
Ar .
rQ
, daca x 0
a
{f3 < x} = {|f | < x} =
;
1/a
1/a
{x < f < x } , daca x > 0
{f4 < x} = {f + g < x} = {f < g + x} ;
unde am aplicat faptul ca g + x este o functie masurabila si lema precedenta.
Apoi
1
1
f g = (f + g)2 (f g)2 ,
2
2
64
1
1
max{f, g} = (f + g) + |f g| ,
2
2
1
1
min{f, g} = (f + g) |f g|
2
2
si aplicam afirmatiile deja demonstrate.
Corolarul 2.2.3. Functia f este o functie masurabila daca si numai daca
f + = max{f, 0} si f = min{f, 0}
sunt functii masurabile.
Demonstratie. Este furnizata de teorema precedenta.
Fie x R. Daca x 0, atunci
{f > x} = {f + > x} .
Daca x < 0, atunci
{f > x} = C{f x} = C{f x} .
Observatia 2.2.4. Sa mai notam ca
f = f + f , |f | = f + + f .
Observatia 2.2.5. Teorema precedenta ne spune ca daca f este o functie
masurabila, atunci si |f | este o functie masurabila. Reciproca nu este n
general adevarata asa cum arata exemplul urmator.
Exemplul 2.2.6. Fie f : R,
1 , daca x A
f (x) =
,
1 , daca x CA
unde A
/ .
Atunci, () T R deschisa, avem
, daca 1 T
1
|f | (T ) =
, daca 1
/T
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
2.3
65
!
1 = P () = P
[
iI
Ai
X
iI
P (Ai ) =
pi .
iI
66
f ()
1
3
2
2
3
2
4
2
5
1
6
1
7
1
8
0
si are distributia
0
1
2
3
1/8 3/8 3/8 1/8
.
Observat
ia 2.3.4. Fie f o variabila aleatoare discreta avand distributia
xi
si a R? . Atunci:
pi iI
xi + a
1. f + a are distributia
;
pi
iI
axi
;
2. af are distributia
pi iI
|xi |a
a
;
3. |f | are distributia
pi
iI
1/xi
4. Daca {f = 0} = , atunci 1/f are distributia
.
pi
iI
Exemplul 2.3.5. Fie f o variabila aleatoare discreta avand distributia
1 3
7
.
0, 2 0, 5 0, 3
Sa se determine distributia variabilelor aleatoare f + 4, 5f, f 3 , 1/f .
Solutie.
3
7
11
1. f + 4 are distributia
;
0, 2 0, 5 0, 3
5 15 35
;
2. 5f are distributia
0, 2 0, 5 0, 3
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
67
1 27 343
3. f are distributia
;
0, 2 0, 5 0, 3
1 1/3 1/7
4. 1/f are distributia
.
0, 2 0, 5 0, 3
3
2.4
Functia de repartitie
adica
A+B
=0, A+B
=1,
2
2
relatii care conduc la A = 1/2 si B = 1/.
Exemplul 2.4.3. Se considera functia F definita prin
0 , daca x < 0
Ax , daca x [0, 1) .
F (x) =
1 , daca x 1
Sa se determine constanta A stiind ca F este o functie de repartitie.
68
[
lim Ff (zn ) = lim P (f < zn ) = P
{f < zn } = P (f < x) = Ff (x) .
n
n=1
(3) Fie (xn )nN R un sir monoton descrescator astfel ncat lim xn = .
n
T
An = , caci xn .
Fie An = {f < xn }. Observam ca An+1 An si
n=1
Atunci
lim Ff (xn ) = lim P (f < xn ) = lim P (An ) = P
\
n=1
!
An
= P () = 0 .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
69
S
An = {f < xn }. Observam ca An An+1 si
An = . Obtinem ca
n=1
!
An
= P () = 1 ,
n=1
2/5
Ff (x) =
3/5
,
,
,
,
daca
x 1
daca x (1, 0]
.
daca x (0, 2]
daca
x>2
\
lim Ff (zn ) = lim P (f < zn ) = P
{f < zn } =
n
n=1
= P (f x) = P (f < x) + P (f = x) = Ff (x) + P (f = x) .
70
0
, daca
x < a
x
A + Barcsin a , daca x [a, a) ,
Ff (x) =
1
, daca
xa
unde a > 0. Sa se determine constantele A si B si sa se calculeze
a
a
P <f <
.
2
2
Solutie. Ff este continua la stanga n fiecare punct. Continuitatea la stanga
n punctul x0 = a conduce la 0 = A + Barcsin(1), adica
A+B
=0.
2
In mod similar, continuitatea la stanga n punctul x0 = a conduce la
A+B
=1.
2
Din aceste relatii obtinem A = 1/2 si B = 1/. Apoi
a
a
a
a
P <f <
= Ff
Ff + 0 =
2
2
2
2
1 1
1
1 1
1
1
=
+ arcsin
+ arcsin
= .
2
2
2
2
3
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
71
!
Ai
=P
i=1
!!
Ai
=P
i=1
X
i=1
P (f
(Ai )) =
!
f
(Ai )
i=1
f (Ai ) .
i=1
2.5
M
asura Borel-Stieltjes
72
An = lim (An ) .
n=1
Dar
n=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
73
semi-masura pe S.
Axioma 1. Fie (xn ) un sir monoton crescator convergent la a. Atunci
{An = [xn , a)} satisface An+1 An . Astfel
!
\
lim (An ) =
An .
n
Dar
n=1
An = . Deci
n=1
([ai , bi )) =
i=1
n
X
i=1
i=1
n=1
X
n=1
([an , an+1 )) =
X
n=1
[F (an+1 ) F (an )] =
74
X
([an , an+1 )) = F (b) F (a) = ([a, b)) ,
n=1
[
1
1
(a, b) =
[a + , b) = lim ([a + , b)) =
n
n
n
n=1
= lim [F (b) F (a +
n
1
)] = F (b) F (a + 0) .
n
(2)
1
1
({a}) =
[a , a + )
n
n
n=1
!
= lim ([a
n
1
1
, a + )) =
n
n
1
1
) F (a )] = F (a + 0) F (a) .
n
n
n
(3) Este o consecinta imediata a punctului precedent.
(4)
= lim [F (a +
([a, b]) = ([a, b))+({b}) = F (b)F (a)+F (b+0)F (b) = F (b+0)F (a) .
(5)
((a, b]) = ((a, b)) + ({b}) =
= F (b) F (a + 0) + F (b + 0) F (b) = F (b + 0) F (a + 0) .
(6) Fie (xn ) un sir monoton crescator convergent la infinit. Atunci
!
[
(R) =
[xn , xn ) = lim ([xn , xn )) =
n=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
75
(7) Daca F este o functie de repartitie, atunci din punctul precedent avem
ca (R) = 1 si astfel este o masura de probabilitate si reciproc.
Observatia 2.5.3. Daca F (x) = x, atunci masura corespunzatoare va fi
tocmai masura Borel pe R.
Teorema 2.5.4. Fie F o functie de repartitie. Atunci exista un spatiu de
probabilitate (, , P ) si f o variabila aleatoare pe acest spatiu astfel ncat
F = Ff .
Demonstratie. Fie = (0, 1), = Bor() si m masura Borel. Pentru fiecare
definim
f () = inf{y : F (y) > } .
Vom demonstra mai ntai ca
{ : f () < x} = { : < F (x)} .
Fie : < F (x). Cum F este continua la stanga n punctul x
obtinem ca exista x < x : < F (
x) < F (x). Cum F (
x) > rezulta ca
x {y : F (y) > }. Atunci
f () = inf{y : F (y) > } x < x .
Deci f () < x.
Pentru incluziunea inversa fie : f () < x. Presupunem ca F (x).
Rezulta ca x 6 {y : F (y) > } si astfel x f (), ceea ce este n contradictie
cu ipoteza.
Astfel am demonstrat egalitatea
{ : f () < x} = { : < F (x)} .
Prin urmare f este o variabila aleatoare, caci
{ : f () < x} = (0, F (x)) Bor()
si Ff (x) = m(f < x) = m(0, F (x)) = F (x).
76
2.6
i=1
pentru orice A1 1 , A2 2 , , An n .
Definitia 2.6.2. Variabilele aleatoare {fi }ni=1 , definite pe acelasi camp de
probabilitate (, , P ), se numesc independente daca -algebrele
fi := {fi1 (A) ; A Bor(R)}, generate de aceste variabile aleatoare, sunt
independente.
Definitia 2.6.3. Daca {fi }ni=1 sunt variabile aleatoare, definite pe acelasi
camp de probabilitate (, , P ), atunci aplicatia
V : Rn , V = (f1 , f2 , , fn )
va fi numita vector aleator sau variabil
a aleatoare n - dimensional
a.
Componentele fi (pentru i = 1, n) se numesc variabilele aleatoare marginale
ale lui V.
Daca toate componentele fi (pentru i = 1, n) sunt variabile aleatoare discrete
vom spune ca V este un vector aleator discret.
Definitia 2.6.4. Se numeste repartitia de probabilitate a vectorului
aleator V sau repartitia comun
a a variabilelor aleatoare {fi }ni=1 aplicatia
V : Bor(Rn ) [0, 1] , V (A) := P (V 1 (A)) .
Obsevatia 2.6.5. V este o masura de probabilitate pe (Rn , Bor(Rn )).
Definitia 2.6.6. Se numeste functie de repartitie a vectorului aleator V
sau functie de repartitie comun
a a variabilelor aleatoare {fi }ni=1 aplicatia
F (x1 , x2 , , xn ) = P
n
\
F : Rn [0, 1] ,
!
{fi < xi }
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
77
3. F (x1 , x2 , , xn ) =
n
Q
i=1
i=1
n
Demonstratie. (1) (2) Observam ca {fi }ni=1
nindependente
n {fi }i=1 inT 1
Q
fi (Ai ) =
P (fi1 (Ai )).
dependente (){Ai }ni=1 Bor(R) avem P
i=1
i=1
(2) (3) Fie {Ai = (, xi )}ni=1 Bor(R). Atunci fi1 (Ai ) = {fi < xi }.
Astfel
!
!
n
n
\
\
F (x1 , x2 , , xn ) = P
{fi < xi } = P
fi1 (Ai ) =
i=1
n
Y
P (fi1 (Ai ))
i=1
n
Y
i=1
i=1
P (fi < xi ) =
n
Y
Fi (xi ) .
i=1
(3) (2) De fapt (3) ne spune ca (2) are loc pentru multimi Ai de forma
(, xi ). Cum aceste intervale genereaza Bor(R), obtinem ca egalitatea de
la (2) are loc pentru orice familie {Ai }ni=1 Bor(R).
In continuare vom restrange discutia la cazul unui vector aleator bidimensional V = (f, g). Rezultatele obtinute se pot extinde cu usurinta la cazul
n-dimensional.
Propozitia 2.6.8. Daca F este functia de repartitie a vectorului aleator
V = (f, g), atunci
Ff (x) = lim F (x, y) si Fg (y) = lim F (x, y) .
y
78
Demonstratie.
Ff (x) = P (f < x) = lim P ({f < x} {g < y}) = lim F (x, y) .
y
y1 y2 yj
r11 r12 r1j
r21 r22 r2j
ri1 ri2 rij
P (g = yj )
q1 q2 qj
P (f = xi )
p1
p2
..
.
pi
..
.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
79
qj = P (g = yj ) =
rij , ()j J .
iI
pg (y) =
pV (x, y) , ()y Eg .
xEf
Demonstratie. Evenimentele
{f = xi } {g = y1 } ; {f = xi } {g = y2 } ; ; {f = xi } {g = yj } ;
sunt incompatibile doua cate doua si reuniunea lor este {f = xi }. Atunci
X
X
rij .
P ({f = xi } {g = yj }) =
P (f = xi ) =
jJ
jJ
rij = 1 .
iI jJ
xi y j
rij
.
iI,jJ
80
i
X
pk
j
X
k=1
i1
X
gl +
l=1
pk
j1
X
i1
X
pk
j1
X
k=1
gl + qj
i1
X
k=1
l=1
k=1
i1
X
j1
i1
X
pk
k=1
gl gj
l=1
gl
l=1
k=1
i1
X
pk
k=1
pk + p i
j1
X
j
X
gl
l=1
pk
gl + pi q j +
k=1
pk
i1
X
gl =
l=1
pk
j1
X
k=1
j1
pk
j1
X
k=1
l=1
i1
X
i
X
gl
l=1
j1
gl pi
l=1
gl = pi qj .
l=1
j
i X
X
k=1 l=1
rkl =
j
i X
X
k=1 l=1
pk gl =
i
X
k=1
pk
j
X
gl =
l=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
81
0
2/27
6/27
0
8/27
1
0
6/27
6/27
12/27
2
3
0
1/27
6/27
0
0
0
6/27
1/27
P (f = x)
3/27
18/27
6/27
82
(3)
f:
1
2
3
, g:
3/27 18/27 6/27
1
1
1/2
:
3/27 18/27
f
g
0
1/3 1/2
:
8/27 6/27 6/27
f
0
1
2
3
8/27 12/27 6/27 1/27
1/3
,
6/27
1
3
.
6/27 1/27
,
6
1.
27 27
2.7
1
4
5
7
8
0, 28 0, 19 0, 35 0, 03 0, 15
5 2
4
6
10
15
0, 12 0, 28 0, 07 0, 35 0, 03 0, 15
,
.
Densitatea de repartitie
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
83
Solutie.
Z
Z
(t)dt = 1
1
1
Ae3t dt = 1 Ae3t |
0 = 1 A = 1 A = 3 .
3
3
plus:
este o functie de repartitie. In
1. F este absolut continua.
2. Daca este continua n x0 , atunci F este derivabila n x0 si
F 0 (x0 ) = (x0 ).
Demonstratie. Etapa 1. Mai ntai verificam cele trei proprietati ale unei
functii de repartitie.
(1) F este monoton crescatoare. Intr-adevar, daca x1 < x2 atunci
Zx2
F (x2 ) =
Zx1
(t)dt =
Zx2
(t)dt +
Zx2
(t)dt F (x1 ) .
(t)dt = F (x1 ) +
x1
x1
(2) F este continua la stanga n fiecare punct. Vom demonstra mai mult decat
atat si anume faptul ca F este lipschitziana pe orice interval
I = [a, b]. In particular vom avea ca F este continua uniform, de unde
obtinem continuitatea punctuala. F este lipschitziana pe intervalul I = [a, b]
daca ()L > 0 astfel ncat pentru orice t0 , t00 I sa avem
| F (t0 ) F (t00 ) | L | t0 t00 | .
Fie L = sup | (t) |. Functia fiind integrabila pe [a, b], ea este marginita
t[a,b]
Zt00
t0
(t)dt | L(t00 t0 ) ,
84
Zx
lim F (x) = lim
(t)dt =
(t)dt = 1 .
i=1
Se poate arata ca orice functie lipschitziana este absolut continua. Intradevar, daca F este lipschitziana pe intervalul I = [a, b] atunci ()L > 0
astfel ncat
| F (t0 ) F (t00 ) | L | t0 t00 | ,
pentru orice t0 , t00 I. Atunci pentru > 0 alegem = /L. Consideram
familia de intervale deschise {(ai , bi )}ni=1 disjuncte doua cate doua cu pron
P
prietatea (bi ai ) < . Atunci
i=1
n
X
i=1
| F (bi ) F (ai ) |
n
X
L | bi ai |< L = .
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
85
Atunci
Zx
(t)dt ((x0 ) + )(x x0 ) ,
((x0 ) )(x x0 )
x0
adica
((x0 ) )(x x0 ) F (x) F (x0 ) ((x0 ) + )(x x0 ) .
Deci
F (x) F (x0 )
(x0 ) + .
x x0
F (x) F (x0 )
,
(x
)
0
x x0
(x0 )
Prin urmare
0
x>x0
F (x) F (x0 )
= (x0 ) ,
x x0
(t)dt .
86
Za
(t)dt
Zb
(t)dt =
(t)dt .
a
Observatia 2.7.7. Daca este continua (mai exact exista o versiune continua pentru ) atunci egalitatea din propozitia precedenta are loc indiferent
daca intervalul [a, b) este semi-deschis, de tipul [a, b) sau (a, b], deschis sau
nchis.
Exemplul 2.7.8. (Variabila aleatoare Cauchy). Fie
: R R , (x) =
A
,A R .
1 + x2
Z
(x)dx = 1 A
1
= 1 A arctg x |
= 1
2
1+x
1
= 1 A = 1 A = .
2
2
(2)
Zx
Ff (x) =
1
(t)dt =
Zx
1
dt =
1 + t2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
87
1
1
1
1
arctg t |x =
arctg x +
= arctg x + .
(3)
Z1
1
(x)dx =
P (0 f < 1) =
0
Z1
1
1
1
dx = arctg x |10 = .
2
1+x
Definitia 2.7.9. Un vector aleator V : Rn se numeste absolut continuu daca exista o functie masurabila V : Rn [0, ) cu proprietatea
Z
Zxn
(t1 , , tn )dt1 dtn .
n
\
Zb1
!
(ai fi < bi )
i=1
Zbn
=
a1
1) Sa se determine constanta A.
2) Sa se calculeze P (f 15, g < 1).
88
Solutie. 1)
Z20 Z3
10 0
Z20 2 3
y
Axydxdy = 1 A x
dx = 1
2 0
10
2 20
9
x
1
2700
A
A=1A=
.
=1
2
2 10
4
675
Z20 Z1
P (f 15, g < 1) =
2)
Axydxdy =
15 0
1
=
675
2 20
Z20 2 1
y
1
x
175
.
x
=
=
2 0 1350 2 15 2700
15
V (x, y)dy .
V (x, y)dx .
Ax , daca 0 x y 1
.
0 , n rest
1) Sa se determine constanta A.
2) Sa se determine densitatea de repartitie marginala a lui f.
3) Sa se determine densitatea de repartitie marginala a lui g.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
89
Solutie. 1)
Z Z
Z1
V (x, y)dxdy = 1
Z1
x
[Axy]10 dx = 1
x2 x3
(Ax Ax )dx = 1 A
2
3
Z1
Axdy dx = 1
Z1
1
=1A
1 1
2 3
=1A=6.
Z1
V (x, y)dy =
Z
g (y) =
V (x, y)dx =
x2
6xdx = 6
2
y
= 3y 2 .
Deci
g (y) =
2.8
3y 2 , daca y [0, 1]
.
0 , n rest
Distributia conditionat
a
90
pV (x, y)
P (f = x, g = y)
=
.
P (f = x)
pf (x)
pV (x, y)
pV (x, y)
; pf |g=y (x) =
.
pf (x)
pg (y)
1
0, 01
0, 07
0, 09
0, 03
0, 20
2
0, 20
0, 00
0, 05
0, 25
0, 50
3
pf (x)
0, 09 0, 30
0, 03 0, 10
0, 06 0, 20
0, 12 0, 40
0, 30
Sa se calculeze pf |g=2 .
Solutie.
0, 2/0, 5 = 0, 4
pV (x, 2)
pV (x, 2)
0/0, 5 = 0
pf |g=2 (x) =
=
=
0, 05/0, 5 = 0, 1
pg (2)
0, 5
0, 25/0, 5 = 0, 5
,
,
,
,
daca
daca
daca
daca
x=1
x=2
.
x=3
x=4
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
91
2. pg (y) =
xEf
2)
V (x, y)
.
g (y)
Sa
Sa
Sa
Sa
se
se
se
se
determine constanta A.
calculeze f si g .
determine g|f =1/2 .
determine g|f =x .
92
Solutie. 1)
Z Z
Z1
V (x, y)dxdy = 1
Z1
1
Z1
Ax ydy dx = 1 A
Z1
x2 y 2
2
x2
1
dx = 1
x2
1
A x3 x7
21
(x x )dx = 1
=1A=
.
2 3
7 1
4
2
Z1
1
21 x2 y 2
21 2
21
x ydy =
= x2 (1 x4 ) .
4
4
2 x2
8
V (x, y)dy =
x2
Zy
Z
g (y) =
V (x, y)dx =
y
21 yx3
21 2
7
x ydx =
= y 5/2 .
4
4
3 y 2
3)
g|f =1/2 (y) =
V ( 12 , y)
.
f (1/2)
Observam ca
V
Apoi, f (1/2) =
21
8
1
,y
2
1
4
=
1
16
21
y
16
, daca y
, n rest
0
21
32
15
.
16
1
4
,1
Atunci, pentru y
1
32
21 32 16
y
= y.
16 21 15
15
V (x, y)
=
f (x)
21 2
xy
4
21 2
x (1 x4 )
8
2y
.
1 x4
,
1
, avem
4
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
93
Z
2)
g (y) =
f (x)g|f =x (y)dx .
g|f =x (y) = R
2)
f |g=x (y) = R
f (x)g|f =x (y)
f (x)g|f =x (y)dx
94
Capitolul 3
Teoria integr
arii
3.1
Tipuri de convergent
a
a.p.
5. convergent n m
asur
a catre functia f si notam fn f daca
() > 0 : lim ({ : | fn () f () | }) = 0 .
n
95
CAPITOLUL 3. TEORIA INTEGRARII
96
nN
{fn x} ,
n=1
{g < x} =
{fn < x} .
n=1
Corolarul 3.1.5. Daca (fn )nN este un sir functii masurabile, atunci
limfn := inf {sup fm } ,
nN mn
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
97
Corolarul 3.1.6. Daca (fn )nN este un sir de functii masurabile convergent
simplu la f , atunci f este masurabila.
Demonstratie. Observam ca f = limfn = limfn .
Lema 3.1.7. Fie (, , ) un spatiu cu masura completa. Daca functia f
este masurabila si g=f a.p., atunci g este masurabila.
Demonstratie. Fie T o multime deschisa n R si
A = { : f () 6= g()}.
Atunci
g 1 (T ) = (g 1 (T ) A) (g 1 (T ) CA) .
Cum g 1 (T ) A A si masura este completa, obtinem ca g 1 (T ) A .
Apoi g 1 (T ) CA = f 1 (T ) CA . Atunci g 1 (T ) .
Teorema 3.1.8. Fie (, , ) un spatiu cu masura completa. Daca (fn ) este
a.p.
un sir de functii masurabile si fn f , atunci f este masurabila.
Demonstratie. Fie
A = { : fn () 6 f ()} ;
fn () , daca 6 A
;
0 , daca A
f () , daca 6 A
.
0 , daca A
gn () =
g() =
1. fn f ;
a.p.
2. fn f .
CAPITOLUL 3. TEORIA INTEGRARII
98
T
u
fn f pe CAn . Fie A =
An . Cum (A) (An ) < n1 , ()n N ,
n=1
3.2
Functii etajate
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
99
Observatia 3.2.3. Este usor de vazut ca suma a doua functii etajate este
tot etajata si clasa functiilor etajate este stabila la nmultirea cu scalari.
n
m
Intr-adevar, daca f = P xi A si g = P yj B atunci
i
j
i=1
j=1
f +g =
n X
m
X
(xi + yj )Ai Bj ,
i=1 j=1
n
X
xi Ai .
i=1
k+1
k
f
()
<
}.
2n
2n
Fie
Bn = { : f () n} .
Observam ca Ank si Bn sunt disjuncte, masurabile (caci f este masurabila) si
=
n 1
n2[
Ank Bn .
k=0
Fie
sn =
n 1
n2
X
k=0
k
An + nBn .
2n k
CAPITOLUL 3. TEORIA INTEGRARII
100
n
P
ai Ai
i=1
Z
sd =
A
sA d .
2.
asd = a sd;
3. s t
sd
4. A B
td;
sd
sd;
5. s = 0 a.p.
sd = 0;
6. aplicatia s : R+ s (A) :=
sd este o masura si
Z
tds =
Demonstratie. Fie s =
(1) Avem ca s + t =
n
P
ai Ai si t =
i=1
n P
m
P
tsd .
m
P
bj Bj .
j=1
i=1 j=1
Z
(s + t)d =
n X
m
n
m
X
X
X
(ai + bj )(Ai Bj ) =
ai
(Ai Bj )+
i=1 j=1
i=1
j=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
m
X
j=1
bj
n
X
(Ai Bj ) =
i=1
n
X
ai (Ai ) +
i=1
n
P
(2) Observam ca as =
m
X
101
bj (Bj ) =
j=1
sd +
td .
aai Ai , de unde
i=1
Z
asd =
n
X
aai (Ai ) = a
n
X
i=1
(3) Observam ca s =
n P
m
P
ai Ai Bj si t =
sd =
n X
m
X
n P
m
P
bj Ai Bj . Atunci
i=1 j=1
ai (Ai Bj )
i=1 j=1
sd .
ai (Ai ) = a
i=1
i=1 j=1
n X
m
X
Z
bj (Ai Bj ) =
i=1 j=1
td .
[
1
An ,
{ : s() } =
A = { : s() > 0} =
n
n=1
n=1
An
Pe de alta parte
Z
Z
sd
An
sd = 0
CAPITOLUL 3. TEORIA INTEGRARII
102
E=
Ek . Atunci
k=1
Z
sd =
s (E) =
ai
i=1
n
X
ai (Ai E) =
i=1
E
n
X
n
X
(Ai Ek ) =
ai
i=1
X
n
X
!
(Ai Ek )
k=1
ai (Ai Ek ) =
k=1 i=1
k=1
Z
X
sd =
k=1 E
s (Ek ) .
k=1
Apoi
Z
tds =
m
X
j=1
m
X
j=1
3.3
bj
n
X
bj s (Bj ) =
m
X
ai (Bj Ai ) =
i=1
j=1
m X
n
X
Z
sd =
bj
Bj
Z
ai bj (Bj Ai ) =
j=1 i=1
tsd .
Integrarea functiilor m
asurabile pozitive
Observatia 3.3.2. Existenta unui sir (sn ) crescator de functii etajate convergent la f este asigurata de teorema lui Borel.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
103
Observam ca An An+1 si
An = . Atunci
n=1
sn d c
sn d
An
An
tk d = ctk (An ) .
De aici
Z
Z
sn d ctk () = c
lim
tk d .
Pentru c 1 si k obtinem
Z
Z
lim
sn d lim
tk d .
n
af d = a
2.
f d;
(f + g)d =
3. f g
f d +
f d
gd;
4. A B
gd;
f d
5. f = 0 a.p.
f d;
f d = 0;
6. (A1 A2 ) = 0
R
A1 A2
f d =
R
A1
f d +
R
A2
f d.
CAPITOLUL 3. TEORIA INTEGRARII
104
(2) Fie (sn ) si (tn ) doua siruri crescatoare de functii etajate si pozitive convergente la f si respectiv g. Atunci (sn + tn ) este un sir crescator de functii
etajate si pozitive convergent la f + g. Prin urmare
Z
Z
(f + g)d = lim (sn + tn )d =
n
Z
= lim
tn d =
sn d +
Z
f d +
gd .
(3) Fie (sn ) si (tn ) doua siruri crescatoare de functii etajate si pozitive convergente la f si respectiv g. Cum f g, obtinem ca ()N N astfel ncat
tn f , ()n N . Prin urmare sn tn , ()n N . Astfel
Z
Z
sn d tn d , ()n N .
(5) Evidenta.
Fie (sn ) un sir crescator de functii etajate si pozitive convergent la f .
Atunci
Z
Z
sn d f d = 0 , ()n N .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Prin urmare
105
sn d = 0
S
astfel A =
An are masura nula. Pentru CA avem sn () = 0 0 si
n=1
A1 A2
A1
A2
f d = 0. Prin urmare
A1 A2
Z
f d =
A1 A2
Z
f d +
A1
f d ,
A2
fn d .
Z
fn d
lim
f d .
CAPITOLUL 3. TEORIA INTEGRARII
106
S
Observam ca An An+1 si
An = . Conform teoremei 3.2.9 aplicatia
n=1
Z
sk : R+
c sk d
sk (A) :=
A
!
An
= lim sk (An ) =
n
n=1
= lim
n
An
Deci
Z
c sk d lim
n
An
fn d lim
fn d .
Z
c sk d lim
fn d .
Z
X
fn =
fn .
n=1
Demonstratie. Fie gn =
n
P
n=1
k=1
fk . Conform teoremei
k=1
k=1
k=1
k=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
107
Corolarul 3.3.7. (Lema Fatou). Daca (fn ) este un sir de functii masurabile
si pozitive, atunci
Z
Z
limfn d lim fn d .
Dar gn fn si astfel
gn d
fn d. Atunci
Z
lim
Z
gn d lim
gn d = lim
In concluzie
Z
limfn d lim
fn d .
3.4
fn d .
Daca
Z
| f | d =
f d +
A
f d <
CAPITOLUL 3. TEORIA INTEGRARII
108
Prin urmare f + g L1 .
(2) Fie a R si f L1 . Daca a = 0, atunci af L1 . Presupunem ca a 6= 0.
Atunci | af |=| a | | f |. Aceasta egalitate conduce la
Z
Z
Z
| af | d =
| a | | f | d =| a |
| f | d < ,
+
(f + g) d + f d + g d = (f + g) d + f d + g + d ,
adica
Z
Z
Z
Z
Z
Z
+
+
(f + g) d (f + g) d = f d f d + g d g d .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Deci
gd .
f d +
(f + g)d =
109
R
af d = a f d. Presupunem
Z
Z
Z
Z
Z
Z
+
+
f d f d = a f d .
af d = af d af d = a
Z
Z
Z
Z
Z
Z
+
+
af d = af d af d = a
f d f d = a f d .
R
A1 A2
f d =
R
A1
f d+
f d.
A2
R
Demonstratie. (1) f g a.p. (g f ) 0 a.p. (g f )d 0
R
R
f d gd .
CAPITOLUL 3. TEORIA INTEGRARII
110
Dar
(3) Observam ca h = (h f ) + f L1 si
Z
Z
Z
Z
hd = (h f )d + f d = f d .
(4)
si astfel
R Cum Rf | h | a.p. avem, n particular, ca f 0 a.p.
+
f d =
| f | d < . Pe de alta parte, cum | h |= h + h , vom
R
R
avea h+ f a.p. si h f a.p.. Atunci h+ d f d < si
R
R
h d f d < . Deci h L1 .
(5)
Z
Z
Z
Z
Z
Z
f d = f + d f d f + d + f d =
| f | d .
3.5
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
111
obtinut pentru functii etajate si pozitive, utilizand, atunci cand este nevoie,
si teorema convergentei monotone.
Pentru o functie masurabila arbitrara utilizam descompunerea f = f + f .
Etapa precedenta ne da relatiile dorite pentru f + si f si prin scadere se
obtine rezultatul pentru f . Dar, s-ar putea ca integrala functiei f sa nu poata
fi definita. Acest lucru se ntampla cand integralele lui f + si f sunt ambele
infinite. Intr-o astfel de situatie egalitatea obtinuta se va interpreta spunand
ca membrul stang si cel drept sunt nedefiniti n acelasi timp. Din acest motiv
si pentru claritatea expunerii, nu vom modifica ipotezele teoremelor pentru
a cere ca integrala functiei f sa existe.
Teorema 3.5.1. Daca f este o functie masurabila si pozitiva, atunci aplicatia
Z
f : R+ , f (A) := f d
A
este o masura si
Z
Z
gdf =
gf d ,
S
Fie {An }
An . Atunci
n=1 : An Am = , ()n 6= m. Fie A =
A =
avem
An si deci f A =
n=1
n=1
n=1
Z
f A =
Z
X
f An .
n=1
Atunci
Z
f (A) =
Z
f=
f A =
Z
X
n=1
f An =
Z
X
n=1
An
f=
f (An ) .
n=1
CAPITOLUL 3. TEORIA INTEGRARII
112
formeaza o partitie a lui . Avem
Z
gf d =
Z X
n
n
X
ai f (Ai ) =
i=1
ai Ai f d =
i=1
n
X
Z
ai
i=1
n
X
f Ai d =
Ai df =
ai
Z X
n
ai
f d =
Ai
Z
gdf .
ai Ai df =
i=1
i=1
i=1
n
X
Prin urmare
Z
Z
gf d = lim
sn f d = lim
Z
sn df =
gdf .
Etapa 4. Daca g este o functie masurabila arbitrara aplicam etapa precedenta pentru g + si g si scadem relatiile obtinute.
Teorema 3.5.2. (Formula schimb
arii de variabil
a). Fie (, , ) un
spatiu cu masura, (0 , T 0 ) un spatiu topologic, f : 0 functie masurabil
a
0
si g : R functie boreliana. Atunci
Z
Z
(g f )d = gd ,
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
113
n
X
ai f 1 (Ai ) .
i=1
Deci
Z
gd =
0
n
X
ai (f
Z X
n
0
i=1
(Ai )) =
ai Ai d =
i=1
n
X
n
X
Z
ai
i=1
Ai d =
ai
f 1 (Ai ) d =
ai (Ai ) =
i=1
i=1
n
X
Z X
n
Z
ai f 1 (Ai ) d =
i=1
(gf )d .
In concluzie
Z
Z
gd = lim
Z
(sn f )d =
sn d = lim
(g f )d .
CAPITOLUL 3. TEORIA INTEGRARII
114
Ak
limAn :=
n=1 k=n
Ak .
n=1 k=n
P
(An ) < , atunci (limAn ) = 0.
1) Daca {An }
n=1 :
n=1
P (An ) = ,
n=1
atunci P (limAn ) = 1.
Demonstratie. 1) Fie f =
n=1
Z
f d =
Z
X
An d =
n=1
(An ) < .
n=1
P (Ak )
P (Ak )
P
CAk =
P (CAk ) =
(1 P (Ak ))
.
e
= e k=n
k=n
k=n
k=n
k=n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
115
Trecand la
limita pentru
m , cummembrul
drept converge la zero,
T
S
obtinem P
CAk = 0 , adica P
Ak = 1, care conduce la
k=n
k=n
P (limAn ) = 1.
Teorema 3.5.7. (Teorema convergentei dominate a lui Lebesgue).
Fie (, , ) un spatiu cu masura completa si (fn ) un sir de functii masurabile
astfel ncat
a.p.
1. fn f ;
2. ()g L1 : | fn | g a.p..
plus
Atunci fn L1 , ()n N si f L1 . In
Z
lim
| fn f | d = 0 .
n
particular
In
Z
Z
fn d =
lim
f d .
a.p.
drept este
Z
Z
Z
Z
lim hn d = lim 2g | fn f | d = 2gd lim | fn f | d .
CAPITOLUL 3. TEORIA INTEGRARII
116
Astfel
Z
2gd lim
2gd
| fn f | d
si deci
Z
| fn f | d 0 ,
lim
adica
Z
| fn f | d = 0 .
lim
In final, cum
Z
Z
Z
fn d f d
| fn f | d ,
X
| fn | d < .
| fn | d =
n=1
n=1
Atunci
Z
X
fn d =
n=1
Z X
fn d .
n=1
Demonstratie. Fie
gn =
n
X
fk , g =
n=1
k=1
Observam ca
| gn |
n
X
k=1
fn , h =
| fn | .
n=1
| fk | h =| h | .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Conform ipotezei
117
n=1
fn este absolut
n=1
a.p.
Astfel
Z
X
fn d = lim
n=1
n Z
X
Z
gn d =
k=1
Z
= lim
fk d = lim
gd =
Z X
n
Z X
fk d =
k=1
fn d .
n=1
3.6
Integrabilitatea Riemann
CAPITOLUL 3. TEORIA INTEGRARII
118
2. Ai Aj = pentru i 6= j.
Numarul || ||= max{(A1 ), (A2 ), , (An )} se numeste norma diviziunii .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
119
xAj
:=
n
X
mj Aj , f :=
j=1
n
X
Mj Aj
j=1
n
X
mj m(Aj ) , S(f ; ) =
j=1
n
X
Mj m(Aj ) .
j=1
inf
sup f (x) ,
V V(x0 ) xV A
f (x0 ) = sup
inf f (x)
V V(x0 ) xV A
CAPITOLUL 3. TEORIA INTEGRARII
120
1. f
2. f
f;
a.p.t.
f.
m
Sn n
Aj . Vom demon-
j=1
a.p.t.
n
f , pentru
j=1
j=1
Anj
si toate multimile
sunt masurabile Jordan. Prin urmare F r Anj sunt de
masura Lebesgue nula, de unde m(B) = 0.
m
n
Sn n
Daca x
Aj , atunci ()j0 : x Aj0 . Rezulta ca ()rn > 0 astfel ncat
j=1
Anj0 .
D(x, rn )
Cum || n || 0, avem ca rn 0. Pe de alta parte, Anj0 fiind
marginita, ()tn > 0 astfel ncat Anj0 D(x, tn ). T
inand cont ca || n || 0,
putem alege tn > 0 astfel ncat tn 0. Fie
Mn0 =
sup
f (y) , Mn00 =
yD(x,rn )
sup
f (y) .
yD(x,tn )A
Cum
f n (x) = Mjn0 = sup f (y) ,
yAn
j
avem ca
Mn0 f n (x) Mn00 .
Dar
lim Mn0 = lim Mn00 = f (x) .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
121
Z
f dm = lim s(f ; n ) .
n
Demonstratie. Cum f
a.p.t.
n
Z
f dm
f dm =
A
(f f )dm = 0
A
CAPITOLUL 3. TEORIA INTEGRARII
122
3.7
Spatiile Lp
1/p
Z
.
k f kp := | f |p d
p
si deci af Lp .
Fie f, g Lp si A = { : | f () || g() |}. Atunci
Z
Z
Z
p
p
| f + g | d =
| f + g | d + | f + g |p d
CA
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
2p
| f |p d + 2p
Z
Z
| g |p d <
| g |p d 2p | f |p d +
CA
123
si deci f + g L .
p
ap b q
+ .
p
q
1
p
, x = ap , y = bq obtinem
1 p 1 q
1
1
a + b ln ap + ln bq = ln(ab) ,
ln
p
q
p
q
|f |
|g|
, b=
.
k f kp
k g kq
.
k f kp k g kq
p k f kpp q k g kqq
Folosind monotonia integralei obtinem
Z
Z
Z
1
1
1
p
| f g | d
| f | d +
| g |q d = 1 ,
k f kp k g kq
p k f kpp
q k g kqq
CAPITOLUL 3. TEORIA INTEGRARII
124
adica
Z
| f g | d k f kp k g kq .
Fie p
1 si
Atunci
In consecinta vom putea aplica fiecarei integrale din membrul drept inegalitatea lui Holder. Obtinem
Z
Z
p
| f + g | d k f kp
1/q
| f + g |p1
q
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
+ k g kp
125
1/q
1/q
Z
q
| f + g |p1 d = (k f kp + k g kp ) | f + g |p d
.
Astfel
1 1q
| f + g |p d
k f kp + k g kp ,
CAPITOLUL 3. TEORIA INTEGRARII
126
3.8
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
127
fx (y) := f (x, y) .
fy (x) := f (x, y) .
[
[
= (Ei )x .
Ei
i=1
i=1
CAPITOLUL 3. TEORIA INTEGRARII
128
(Ei )x B si deci
i=1
Ei .
i=1
Ai M .
i=1
2. Daca {Bi }
i=1 M : Bi+1 Bi , atunci
Bi M .
i=1
S
S
S
S
monotona obtinem ca
Mn A. Dar
Mn =
Ai . Deci
Ai A.
n=1
n=1
i=1
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
129
algebre.
Axioma 1. Daca E M0 , atunci CE M0 . Pentru aceasta, fie
= {E P(X) : CE M0 } .
Aratam ca este o clasa monotona.
T
S
Cum M0 este o clasa monotona, avem
CAi M0 , adica C
Ai M0 ,
ceea ce nseamna ca
i=1
i=1
Ai .
i=1
S
T
Cum M0 este o clasa monotona, avem
CBi M0 , adica C
Bi M0
si deci
i=1
i=1
Bi .
i=1
S
Ai A Ai+1 A. Cum M0 este o clasa monotona avem ca (Ai A) M0 ,
i=1
S
S
adica
Ai A M0 si astfel
Ai 1 .
i=1
i=1
T
T
T
ca (Bi A) M0 , adica
Bi A M0 si deci
Bi 1 .
i=1
i=1
i=1
CAPITOLUL 3. TEORIA INTEGRARII
130
gE (x) := (Ex ) ;
hE : Y R+
hE (y) := (Ey ) .
Atunci:
1. gE este masurabila n raport cu -algebra A;
2. hE este masurabila n raport cu -algebra B;
3.
Z
gE d =
hE d .
Y
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Astfel
gE (x) =
131
(B) , daca x A
,
0 , daca x
6 A
hE d =
Y
B (A)d = (A)
Y
B d = (A)(B) ,
Y
Ei . Observam ca {gEi }
i=1
i=1
CAPITOLUL 3. TEORIA INTEGRARII
132
si deci E M.
Ei . In aceasta
i=1
situatie {gEi }
sir descrescator de functii masurabile convergent la
i=1 este un
gE . Cum gEi (x) = ((Ei )x ) (Y ) < , avem ca acest sir este uniform
marginit. Aplicand teorema convergentei dominate obtinem ca
Z
Z
gEn d = gE d .
lim
n
In mod analog
lim
hEn d =
n
Y
Cum nsa
{Ei }
i=1
hE d .
Y
M, avem ca
Z
Z
gEn d = hEn d .
X
Prin urmare
Z
gE d =
hE d .
Y
si deci E M.
Cazul II. Daca si sunt masuri -finite, atunci exista partitiile
B pentru X si Y cu proprietatea
A si {Bn }
{An }
n=1
n=1
(An ) < , (Bn ) < , ()n N . Fie E A B. Atunci
S
S
E =
Emn unde Emn = E (Am Bn ). In baza cazului precedent
n=1 m=1
vom avea ca Emn satisfac concluziile teoremei (fiind elemente din produsul
-algebrelor lui Am si Bn care sunt privite ca spatii cu masura finita). Observam ca
!
!
[
[
gE (x) =
Emn =
(Em,n )x =
m,n
X
m,n
m,n
((Emn )x ) =
X
m,n
gEmn (x) ,
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
133
obtinem
Z X
Z
gE d =
XZ
gEmn d =
m,n
XZ
gEmn d =
m,n X
hEmn d =
m,n Y
Z X
Y
Z
hE d .
hEmn d =
m,n
( )(E) =
(Ex )d =
X
(Ey )d .
Y
[
[
[
Ei
d =
(Ei )x d =
( )
Ei =
i=1
Z X
i=1
(Ei )x d =
i=1
Z
X
((Ei )x )d =
i=1 X
1.
sx (y)d(y) =
R
XY
sd( ) =
ai gEi (x) ;
( )(Ei ) .
i=1
2.
n
P
i=1
n
P
X
i=1
i=1
sx (y)d(y) d(x) .
CAPITOLUL 3. TEORIA INTEGRARII
134
Demonstratie.
Z X
Z X
Z
n
n
ai (Ei )x d =
ai (Ei )x d =
(1) sx (y)d(y) =
Y
Y
n
X
i=1
Z
(Ei )x d =
ai
i=1
n
X
Z
sd( ) =
(2)
Z
ai
i=1
Z
=
((Ei )x )d =
Z X
n
ai gEi (x) ;
i=1
n
X
n
X
i=1
n
X
ai ( )(Ei ) =
i=1
XY
n
X
ai ((Ei )x ) =
i=1
i=1
Z
ai
X
Z
(Ei )x d d =
Y
ai (Ei )x d d =
i=1
Z
sx (y)d d .
Z
h(y) =
fy (x)d(x) .
X
Avem:
1. Daca f este pozitiva, atunci
(a) g este masurabila n raport cu -algebra A;
(b) h este masurabila n raport cu -algebra B;
R
R
R
(c)
f (x, y)d( ) = g(x)d(x) = h(y)d(y) .
XY
2. Daca f L1 ( ), atunci
(a) fx L1 (), a.p. x X;
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
135
Z
Z Z
Z
Z
gn d =
(sn )x (y)d(y) d(x) =
sn d( )
f d( ) .
X
XY
Z
f d( ) =
XY
XY
gd .
X
CAPITOLUL 3. TEORIA INTEGRARII
136
(2) Daca f L1 ( ) atunci
R
f + d( ) < si
f d( ) < .
XYR
XY
R
Din punctul (1) avem ca g1 (x) = fx+ d si g2 (x) = fx d sunt integrabile
R
XY
XY
fx+ d d
fx d d =
Z
g1 (x)d
Z
g2 (x)d =
gd .
X
Capitolul 4
Caracteristici numerice
4.1
Valoarea medie
convergenta, atunci
M (f ) =
xi p i .
iI
138
xi A i .
iI
n
P
xi Ai . Astfel
i=1
Z
f dP =
M (f ) =
n
X
Z
Ai dP =
xi
i=1
Z X
n
n
X
xi Ai dP =
i=1
xi P (Ai ) =
n
X
i=1
xi p i .
i=1
xi Ai . Fie fi = xi Ai . Ob-
i=1
servam ca
Z
X
| fi | dP =
i=1
Z
X
| xi | Ai dP =
i=1
| xi | p i < .
i=1
Pe de alta parte {| fi |}
sir de functii masurabile si pozitive.
i=1 este un
Aplicand teorema lui Beppo -Levi avem
Z X
| fi | dP =
Z
X
i=1
| fi | dP .
i=1
fi dP =
i=1
Atunci
Z
M (f ) =
f dP =
Z
X
i=1
Z X
Z X
xi Ai dP =
fi dP =
i=1
X
i=1
fi dP .
i=1
Z
X
fi dP =
i=1
Z
xi
Ai dP =
X
i=1
xi p i .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
139
este o masura si
Z
Z
gd =
g(x)(x)dx ,
R
(x)dx = 1, avem ca
Z
([a, b)) =
(t)dt =
a
[a,b)
140
x(x)dx .
1
x(x)dx =
2
Z0
1
xex dx +
2
xex dx .
Z0
(t)e (dt) =
xe dx =
tet dt .
Astfel M (f ) = 0.
Teorema 4.1.8. (Propriet
ati ale valorii medii).
1. Daca a f b, atunci a M (f ) b.
2. M (C) = C.
3. M (Cf ) = CM (f ).
n
n
P
P
4. M
fi =
M (fi ).
i=1
i=1
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
141
i=1
i=1
i=1
h(x1 , x2 , , xn ) = x1 x2 ... xn
Rn
Z
x1 df1
=
R
Z
xn dfn = M (f1 )M (f2 ) M (fn ) .
x2 df2 ...
R
Rn
142
4.2
Dispersia
X
(xi M (f ))2 pi .
iI
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
(f M (f )) :
4, 41 0, 81 15, 21
0, 4 0, 5
0, 1
143
.
(x M (f ))2 (x)dx =
1
x2 e|x| dx =
2
1
2
Z0
x2 ex dx +
x2 ex dx .
Deci
2
D (f ) =
0
x2 ex dx .
144
+2 xex |
0 +
x
+2 = 2 ,
ex dx = 2 lim xex 2ex |
0 = 2 lim e
x
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
4.3
145
Inegalit
ati remarcabile
M (f )
, ()a > 0 .
a
4
.
5
1
.
5
Prin urmare
P (f < 5) = 1 P (f 5) 1
1
4
= .
5
5
D2 (f )
, ()a > 0 .
a2
146
2
.
4
Astfel
P (48 < f < 52) = P (| f 50 |< 2) = 1 P (| f 50 | 2) 1
4.4
1
1
= .
2
2
Definitia 4.4.1.
1. Se numeste moment de ordin n N al variabilei
aleatoare n-sumabile f valoare medie a variabilei aleatoare f n , adica
Z
n
Mn (f ) := M (f ) = f n dP ;
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
147
Observatia 4.4.2. M1 (f ) = M (f ) , 2 (f ) = D2 (f ).
baza corolarului 3.5.3, notand M(f )=m, avem
Observatia 4.4.3. In
Z
Mn (f ) = xn df ,
R
| x |n df ,
Mn (| f |) =
R
Z
n (f ) =
(x m)n df ,
Z
x(x 1) (x n + 1)df .
[n] (f ) =
R
Mn (| f |) =
| xi |n pi ,
iI
n (f ) =
(xi m)n pi .
iI
xn (x)dx ,
Z
Mn (| f |) =
| x |n (x)dx ,
Z
n (f ) =
(x m)n (x)dx .
148
4.5
Median
a, cuantil
a, mod
1
1
si P (f x1/2 (f )) .
2
2
1
2
si astfel orice x
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
149
1
1
si F (x1/2 (f )) .
2
2
1
1
si P (f x1/2 (f )) .
2
2
Dar
P (f x1/2 (f )) = F (x1/2 (f ) + 0) .
Apoi
P (f x1/2 (f )) = 1 P (f < x1/2 (f )) = 1 F (x1/2 (f )) .
Deci
P (f x1/2 (f ))
1
1
1
1 F (x1/2 (f )) F (x1/2 (f )) .
2
2
2
R
x1/2 (f )
x1/2 (f )
(t)dt = 12 . Deci
(t)dt =
(t)dt.
x1/2 (f )
150
4.6
Corelatia
Definitia 4.6.1. Fie f,g doua variabile aleatoare definite pe spatiul de probabilitate (, , P ) si m, n N. Se numeste moment de ordin mn al vectorului aleator V = (f, g) valoarea medie, daca exista, a variabilei aleatoare
f m g n , adica
Mmn (V ) = M (f m g n ) .
Observatia 4.6.2.
Mm0 (V ) = M (f m ) = Mm (f ) ,
M0n (V ) = M (g n ) = Mn (g) ,
M11 (V ) = M (f g) .
Daca f si g sunt independente, atunci M11 (V ) = M (f )M (g).
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
151
Definitia 4.6.3. Fie f,g doua variabile aleatoare definite pe spatiul de probabilitate (, , P ). Se numeste moment centrat de ordin mn al vectorului aleator V = (f, g) valoarea medie, daca exista, a variabilei aleatoare
(f M (f ))m (g M (g))n , adica
mn (V ) := M [(f M (f ))m (g M (g))n ] .
Observatia 4.6.4.
20 (V ) = D2 (f ) , 02 (V ) = D2 (g) .
Definitia 4.6.5. Fie f,g doua variabile aleatoare definite pe spatiul de probabilitate (, , P ). Se numeste corelatia sau covarianta variabilelor aleatoare
f si g momentul centrat 11 (V ), adica
C(f, g) := M [(f M (f ))(g M (g))] .
Observatia 4.6.6. Altfel formulat, corelatia variabilelor aleatoare f si g este
valoarea medie a produsului celor doua abateri f M (f ) si g M (g).
Teorema 4.6.7. (Propriet
ati ale corelatiei)
1. C(f, g) = M (f g) M (f )M (g).
2. Daca f si g sunt independente, atunci C(f, g) = 0.
3. C(f, f ) = D2 (f ).
Demonstratie. 1)
C(f, g) = M [(f M (f ))(gM (g))] = M [f gf M (g)gM (f )+M (f )M (g)] =
= M (f g) M (f )M (g) M (g)M (f ) + M (f )M (g) = M (f g) M (f )M (g) .
2) Daca f si g sunt independente atunci M (f g) = M (f )M (g). Folosind
punctul precedent obtinem ca C(f, g) = 0.
3) Din punctul (1) avem C(f, f ) = M (f 2 ) [M (f )]2 = D2 (f ).
Definitia 4.6.8. Doua variabile aleatoare se numesc necorelate daca
C(f, g) = 0.
152
C(f, g)
.
D(f )D(g)
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
153
f
M (f )
+
+ M (g) a.s.
t0
t0
)
+ M (g), obtinem ca g = af + b a.s.
Notand a = t10 si b = Mt(f
0
Reciproc, daca g = af + b a.s. cu a 6= 0, avem ca M (g) = aM (f ) + b. Atunci
g M (g) = a(f M (f )) a.s. Prin urmare
aD2 (f )
C(f, g)
=
= 1 .
D(f )D(g)
| a | D2 (f )
1
2
1
1
3
3
+ 1 = , M (g) = 0 + 1 = .
3
3
3
4
4
4
154
Apoi
1
1
1
f :
=
.
1/3 2/3
1
0
1
2
2
Astfel M (f ) = 1. Cum g :
, avem M (g 2 ) = 34 . Deci
1/4 3/4
1
8
2
2
, D(f ) =
,
D2 (f ) = M (f 2 ) [M (f )]2 = 1 =
9
9
3
3
9
3
3
2
2
2
D (g) = M (g ) [M (g)] =
=
, D(g) =
.
4 16
16
4
Pentru a determina r(f, g) mai avem nevoie sa stim M (f g). Pentru aceasta
vom scrie mai ntai distributia vectorului aleator V = (f, g).
2
0
f \g
-1
A
1
1/4 A
P (g = y)
1/4
1
1/3 A
5/12 + A
3/4
P (f = x)
1/3
.
2/3
1
5
1
1
A +0 +1
+ A = 2A +
.
3
4
12
12
Atunci
C(f, g) = M (f g) M (f )M (g) = 2A +
1
1 3
1
= 2A .
12 3 4
6
In concluzie
r(f, g) =
2A 1
C(f, g)
12A 1
= 6 =
.
2 2
3
D(f )D(g)
6
3
4
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
155
n
X
!
fi
n
X
i=1
D2 (fi ) +
i=1
C(fi , fj ) .
i6=j
n
X
!
fi
i=1
n
X
D2 (fi ) .
i=1
Demonstratie.
D2
n
X
!
fi
=M
n
X
i=1
n
X
fi M
i=1
=M
n
X
!!2
fi
i=1
!2
(fi M (fi ))
i=1
"
=M
n
X
#
(fi M (fi ))2 +
i=1
i6=j
n
X
i=1
D2 (fi ) +
C(fi , fj ) .
i6=j
156
Observam ca f = f1 + f2 + + fn . Atunci
M (f ) =
n
X
M (fi ) =
i=1
n1
n
1
n
n
X
1
=1.
n
i=1
1
1
n1
2 =
.
n n
n2
1
.
n(n 1)
Deci
C(fi , fj ) = M (fi fj ) M (fi )M (fj ) =
1
1 1
1
= 2
.
n(n 1) n n
n (n 1)
Prin urmare
2
D (f ) = D
n
X
i=1
!
fi
n
X
i=1
D2 (fi ) +
X
i6=j
C(fi , fj ) =
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
n
X
n1
i=1
n2
X
i6=j
157
n1
1
1
=n
=1.
+ n(n 1) 2
2
1)
n
n (n 1)
n2 (n
4.7
ai aj C(fi , fj ) =
n
X
i,j=1
C(ai fi , aj fj ) = D2
i,j=1
n
X
!
ai f i
0.
i=1
Functia caracteristic
a
158
f (t) =
eitx df
eitxi pi =
iI
pi cos txi + i
iI
pi sin txi .
iI
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
159
fi
i=1
i=1
fi
i=1
160
Lema 4.7.10.
Z
(1)
sin x
dx =
x
2
(2)
Z
(3)
sin x
dx = sign() ;
x
2
1 cos x
dx =
2
x
2
(4)
1 cos x
dx = | | .
2
x
2
Astfel
Z
f (x, y)dxdy =
=
0
sin x
0
exy dy dx =
1 xy
sin x e
dx =
x
0
Z
1
sin x
dx .
sin x
dx =
x
x
Pe de alta parte
Z Z
f (x, y)dxdy = exy sin xdx dy .
Vom calcula I =
xy
1
cos xdx =
y
1 1 xy
1
e
cos x |
0
y
y
y
Astfel
1
I=
y
1 1
I
y y
I=
1
1
(1 I) I =
.
2
y
1 + y2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Revenind
Z
f (x, y)dxdy =
161
.
dy = arctg y |
0 =
2
1+y
2
In concluzie
sin x
dx = .
x
2
sin x
dx =
x
sin x
dx =
x
sin u
du = .
u
2
sin x
dx =
x
sin x
dx = .
x
2
3) Consideram functia
1
sin y
x2
Rdefinita pe multimea A = {(x, y) (0, ) (0, ) : y < x}. Calculam
f (x, y)dxdy, aplicand teorema lui Fubini. Astfel
f (x, y) =
Z Zx
1
sin ydy dx =
f (x, y)dxdy =
x2
0
Z
=
1
( cos y) |x0 dx =
x2
1 cos x
dx .
x2
Pe de alta parte
Z
A
Z Z
1
f (x, y)dxdy =
sin ydx dy =
x2
0
162
Z
=
0
Z
sin y
1
sin y
dy =
dy = ,
x y
y
2
0
1 cos x
dx = .
2
x
2
1 cos x
dx =
x2
1 cos x
dx =
2 x2
1 cos u
du = .
2
u
2
1 cos x
dx =
x2
1 cos x
dx = = | | .
2
x
2
2
Teorema 4.7.11. (Teorema de inversiune a lui Fourier). Fie f o variabila aleatoare, F functia ei de repartitie si functia ei caracteristica. Dac
a
x1 < x2 , atunci
1
1
1
f (x1 , x2 ) + f ({x1 }) + f ({x2 }) = lim
T 2
2
2
ZT
eitx1 eitx2
(t)dt .
it
ZT
eitx1 eitx2
(t)dt .
it
Demonstratie. Fie
1
g(T, x1 , x2 ) =
2
ZT
T
eitx1 eitx2
(t)dt ,
it
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
1
h(T, x, x1 , x2 ) =
2
ZT
163
eit(xx1 ) eit(xx2 )
dt .
it
T
Z
Z
Z it(xx1 )
it(xx2 )
e
e
dt df (x) =
h(T, x, x1 , x2 )df (x) =
2it
R
ZT
=
it(xx1 )
it(xx2 )
e
2it
df (x) dt =
ZT
Z
Z
1 eitx eitx1 df (x) eitx eitx2 df (x) dt =
=
2it
T
ZT
=
1
(t)eitx2 (t)eitx2 dt =
2it
ZT
1
=
2
eitx1 eitx2
(t)dt = g(T, x1 , x2 ) .
it
Dar
1
h(T, x, x1 , x2 ) =
2i
ZT
eit(xx1 ) eit(xx2 )
dt =
t
1
=
2i
ZT
1
=
2i
ZT
1
cos t(x x1 )
dt +
t
2
2i
ZT
T
ZT
sin t(x x1 )
dt
t
cos t(x x2 )
1
dt
t
2
ZT
T
sin t(x x2 )
dt =
t
164
1
=
ZT
sin t(x x1 )
1
dt
t
ZT
sin t(x x2 )
dt ,
t
i)
unde, n ultima egalitate, am folosit faptul ca functia cos t(xx
este impara
t
sin t(xxi )
si
este o functie para. Acum vom trece la limita pentru T ,
t
aplicand lema precedenta. Obtinem
lim h(T, x, x1 , x2 ) =
1
1
sign(x x1 ) sign(x x2 ) =
2
2
1
= [sign(x x1 ) sign(x x2 )] .
2
0 , daca x < x1
1/2 , daca x = x1
1 , daca x (x1 , x2 )
lim h(T, x, x1 , x2 ) =
T
1/2
, daca x = x2
0 , daca x > x2
Deci
si atunci
Z
1
1
lim h(T, x, x1 , x2 )df (x) = f (x1 , x2 ) + f ({x1 }) + f ({x2 }) .
T
2
2
R
In concluzie
1
lim
T 2
ZT
eitx1 eitx2
(t)dt = lim g(T, x1 , x2 ) =
T
it
Z
= lim
Z
h(T, x, x1 , x2 )df (x) =
T
R
T
R
1
1
= f (x1 , x2 ) + f ({x1 }) + f ({x2 }) ,
2
2
unde intervertirea limitei cu integrala a fost permisa n baza teoremei convergentei dominate a lui Lebesque. In particular, cand x1 si x2 sunt puncte
de continuitate pentru F , vom avea ca f ({x1 }) = 0, f ({x2 }) = 0 si
f (x1 , x2 ) = F (x2 ) F (x1 ), relatii care conduc la egalitatea dorita.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
165
1
F (x) =
2
0
eitx (t)dt .
Dar
x+h
Z
1 ity x+h eitx eit(x+h)
ity
e dy = e
|x =
.
it
it
x
Deci
x+h
x+h
x+h
Z
itx
Z
Z
it(x+h)
e
e
ity
ity
=
e dy
|e
| dy =
1dy = h .
it
x
Atunci
Z itx
Z itx
it(x+h)
it(x+h)
1
e
1
e
e
dt
(t)dt
(t)
2
2
it
it
R
Z
R
Cum
h
h(t)dt =
2
Z
(t)dt .
R
obtinem
1
lim
h0 2
eitx eit(x+h)
(t)dt = 0 .
it
Astfel
1
1
lim f (x, x + h) + f ({x}) + f ({x + h}) = 0
h0
2
2
166
si deci f ({x}) = 0.
Cum F este continua peste tot, teorema precedenta ne ofera relatia
Z itx
1
e
eit(x+h)
F (x + h) F (x) =
(t)dt .
2
it
R
Atunci
1
F (x + h) F (x)
=
h
2
eitx (1 eith )
(t)dt .
ith
Z
R
Corolarul 4.7.13.
Daca f este o variabila aleatoare si functia ei caracterisR
tica satisface (t)dt < , atunci f este absolut continua avand densitatea
de repartitie
1
(x) =
2
eitx (t)dt .
tatea de repartitie
1
(y) = F (y) =
2
0
eity (t)dt .
Z
(t)dt =
R
e dt +
et dt = et |0 et |
0 = 2 .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
167
Deci
1
(x) =
2
Z
e
itx |t|
1
dt =
2
Z0
e
1
e dt +
2
itx t
eitx et dt .
eitx et dt =
Z0
eiux eu (du) =
eiux eu du =
eitx et dt .
Revenind obtinem
1
(x) =
2
Z
Z
1
itx t
itx t
(e e + e e )dt =
et (eitx + eitx )dt =
2
0
1
=
2
1
e 2 cos txdt =
Fie I =
et cos txdt .
Atunci
I = e
cos tx
|
0
Z
x
et sin txdt =
= 1 x et sin tx |
0 +x
et cos txdt .
Deci
I = 1 x2 I I =
1
.
1 + x2
168
In final avem
1
1
.
1 + x2
Astfel este densitatea de repartitie a variabilei aleatoare Cauchy (vezi
exemplul 2.7.8).
(x) =
pk z k ,
k=0
xi
Demonstratie. Daca f este o variabila aleatoare ce are distributia
,
pi iI
P itxi
atunci functia ei caracteristica este f (t) =
e pi . In cazul particular, n
iI
k=0
z k pk = Gf (z).
k=0
4.8
Media conditionat
a
Teorema 4.8.2.
1
M [f |A] =
P (A)
Z
f dP .
A
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
169
M [f |A] =
n
X
xi PA (Ai ) =
i=1
n
X
xi
i=1
P (A Ai )
=
P (A)
1 X
1
=
xi P (A Ai ) =
P (A) i=1
P (A)
Z
f dP .
A
1
= lim
n P (A)
1
lim
sn dP =
P (A) n
1
sn dP =
P (A)
Z
f dP .
A
Demonstratie. Avem
R
A
f dP =
PR
f dP . De aici rezulta ca
iI Ai
P (A) M [f |A] =
P (Ai )M [f |Ai ] .
iI
Deci
P
M [f |A] =
Cum P (A) =
P
iI
P (Ai )M [f |Ai ]
iI
P (A)
170
pV (x,y)
,
pg (y)
obtinem ca
1 X
pV (x, y) .
pg (y) xE
f
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
171
yj
Demonstratie. Fie
distributia variabilei aleatoare g. Aplicam
qj jJ
teorema 4.8.4 pentru Aj = {g = yj }.
Definitia 4.8.10. Se numeste media conditionat
a a variabilei aleatoare
f de variabila aleatoare g variabila aleatoare discreta, notata M [f |g],
avand distributia
M [f |g = yj ]
.
qj
jJ
Teorema 4.8.11. (Formula mediei totale)
M [f ] = M [M [f |g]] .
Definitia 4.8.12. Fie V = (f, g) un vector aleator absolut continuu. Definim
media conditionat
a a lui g de valoarea x luat
a de f prin
Z
M [g|f = x] :=
yg|f =x (y)dy .
xf |g=y (x)dx .
Z1
yg|f =x (y)dy =
x2
1
2y
2
y3
2 1 x6
y
dy
=
.
1 x4
1 x 4 3 x2
3 1 x4
172
M [f |g = y]g (y)dy =
Z Z
Z Z
xf |g=y (x)dx g (y)dy =
xf |g=y (x)g (y)dxdy =
=
Z
=
V (x, y)dy dx =
xf (x)dx = M [f ] .
Z1
yg (y)dy =
1
7
7 5/2
7 y 9/2
= .
y y dy =
2
2 9/2 0 9
Solutia 2.
Z
M [g|f = x]f (x)dx =
M [g] = M [M [g|f ]] =
Z1
=
1
2 1 x6 21 2
7
x (1 x4 )dx =
4
3 1x
8
4
Z1
1
1
7 x3 x9
7
(x x )dx =
= .
4 3
9 1 9
2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
173
174
Capitolul 5
Repartitii probabilistice clasice
5.1
Repartitia binomial
a
fiecare din
Teorema 5.1.1. Se efectueaza n experiente independente. In
ele un eveniment A se realizeaza cu probabilitatea p si nu se realizeaza cu
probabilitatea q = 1p. Atunci probabilitatea ca evenimentul A sa se realizeze
de exact k ori este
Pk,n = Cnk pk q nk .
Demonstratie. Fie Ai - evenimentul A se realizeaza n experienta i, i = 1, n.
Fie Bk - evenimentul A se realizeaza de exact k ori.
Observam ca
Bk = (A1 A2 Ak Ak+1 An )
(A1 A2 Ank Ank+1 An ) .
Cum numarul de variante n care pot fi alese cele k experiente n care se
realizeaza evenimentul A din cele n este Cnk , obtinem ca
P (Bk ) = Cnk P (A1 A2 Ak Ak+1 An ) .
Cum experientele sunt independente, avem
P (A1 A2 Ak Ak+1 An ) = pk q nk .
Deci P (Bk ) = Cnk pk q nk .
175
176
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
(p + q) =
n
X
Cnk pk q nk
k=0
k
n
.
q n Cn1 pq n1 Cn2 p2 q n2 Cnk pk q nk pn
Teorema 5.1.5.
M [Bi(n, p)] = np ;
D2 [Bi(n, p)] = npq .
Demonstratia I. Avem
n
(px + q) =
n
X
Cnk pk xk q nk .
k=0
n(px + q)
p=
n
X
kCnk pk xk1 q nk .
k=0
n
X
kCnk pk q nk .
k=0
Deci
M [Bi(n, p)] =
n
X
k=0
k Pk,n =
n
X
k=0
kCnk pk q nk = np .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
n
X
k 2 Cnk pk q nk .
k=0
(px + q) =
n
X
Cnk pk xk q nk .
k=0
n(px + q)
p=
n
X
kCnk pk xk1 q nk .
k=0
n
X
kCnk pk xk q nk .
k=0
n1
+ npx(n 1)(px + q)
n2
p=
n
X
k 2 Cnk pk xk1 q nk .
k=0
n
X
k 2 Cnk pk q nk .
k=0
Deci
M [Bi2 (n, p)] = np + np2 (n 1) .
In final
D2 [Bi(n, p)] = M [Bi2 (n, p)] (M [Bi(n, p)])2 =
177
178
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
n
X
k=0
eitk Cnk pk q nk =
n
X
k=0
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
179
b
q = a+b
. O generalizare a repartitiei binomiale va fi: se considera o urna
ce contine a1 bile de culoarea c1 , a2 bile de culoarea c2 s.a.m.d. am bile de
culoarea cm . Se extrag n bile din urna punand dupa fiecare extragere bila
extrasa napoi n urna. Atunci probabilitatea de a obtine k1 bile de culoarea
a1 , k2 bile de culoarea c2 s.a.m.d. km bile de culoarea cm este
n!
pk1 pk22 pkmm ,
k1 !k2 ! km ! 1
unde
ai
, i = 1, m .
a1 + a2 + + am
Aceste probabilitati sunt termenii din dezvoltarea polinomului
pi =
(p1 + p2 + pm )n .
Din acest motiv aceasta repartitie se numeste repartitia multinomial
a.
Exemplul 5.1.9. Se arunca un zar de 16 ori. Sa se determine probabilitatea
ca fata cu un punct sa apara de exact 4 ori si un numar par de puncte de
exact 5 ori.
Solutie. Daca se arunca un zar probabilitatea de a obtine fata cu un punct
este p1 = 61 . Probabilitatea de a obtine un numar par este p2 = 36 = 12 ,
iar probabilitatea de a obtine fata cu 3 puncte sau fata cu 5 puncte este
p3 = 26 = 13 . Astfel probabilitatea cautata este
16!
4!5!7!
4 5 7
1
1
1
.
6
2
3
180
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
181
5.2
Repartitia hipergeometric
a
182
Solutie.
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
C71 C42
3
C11
Cak CNnk
a
P (k, n) =
.
n
CN
Teorema 5.2.4.
M [H(n, N, a)] = np ,
D2 [H(n, N, a)] =
unde p =
a
N
N n
npq ,
N 1
si q = 1 p.
a!
(a 1)!a
k1
=
= Ca1
a.
k!(a k)!
(k 1)!(a k)!
Cum
(x + 1)a1 (x + 1)b = (x + 1)a+b1 ,
coeficientii lui xn1 din cei doi membri sunt egali si deci
n1
n1 0
1
0
Cb = Ca+b1
,
Ca1
Cbn1 + Ca1
Cbn2 + + Ca1
adica
n1
X
k=0
k
Ca1
Cbnk1 = CNn1
1 .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Atunci
M [H(n, N, a)] =
n
k1 nk
X
Ca1
C a
b
CNn
k=1
n1
X
k=0
183
k
CNn1
Cbnk1 a
Ca1
n
1
=
a=a
= np .
n
n
CN
CN
N
Apoi
D2 [H(n, N, a)] = M [H 2 (n, N, a)] (M [H(n, N, a)])2 =
= M [H 2 (n, N, a) H(n, N, a)] + M [H(n, N, a)] (M [H(n, N, a)])2 .
Dar
n
X
Cak CNnk
a
.
M [H (n, N, a) H(n, N, a)] =
(k k)
n
CN
k=0
2
Cum
(k 2 k)Cak = k(k 1)
a!
(a 2)!(a 1)a
k2
=
= Ca2
a(a 1) ,
k!(a k)!
(k 2)!(a k)!
obtinem
2
n
k2
X
Ca2
CNnk
a
k=2
CNn
a(a 1) =
n2
n(n 1)
a(a 1) X k
a(a 1) n2
Ca2 CNnk2
CN 2 = a(a 1)
.
=
=
a
n
n
CN
CN
N (N 1)
k=0
Revenind
D2 [H(n, N, a)] = a(a 1)
a
n(n 1)
a2
+ n n2 2 =
N (N 1)
N
N
a
1
[N (a 1)(n 1) + N (N 1) na(N 1)] =
N N (N 1)
a
1
=n
[N 2 N n N a + na] =
N N (N 1)
a
1
a
1
=n
[N (N a) n(N a)] = n
(N n)(N a) =
N N (N 1)
N N (N 1)
a N aN n
N n
=n
= npq
.
N N N 1
N 1
=n
184
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
2 C2C1
C10
8 12
5
C30
5.3
Repartitia Poisson
In aceasta sectiune vom introduce legea lui Poisson folosind o schema clasica.
Fie Bi(n, p) o variabila aleatoare binomiala, unde p reprezinta, de exemplu,
proportia bilelor albe ntr-o urna ce contine bile albe si negre. Dupa cum
stim deja, variabila aleatoare binomiala Bi(n, p) ne da numarul de bile albe
extrase din n extrageri succesive punand bila extrasa napoi n urna. Sa presupunem ca marim numarul de bile negre din urna (deci p 0) si numarul
extragerilor (adica n ) n asa fel ncat produsul np sa ramana constant
(np = ). Cum valoarea medie a variabilei aleatoare binomiale este tocmai
np, ipoteza ca produsul np sa ramana constant semnifica faptul ca evenimentul se produce cu intensitate constanta si deci n medie se produc
evenimente ntr-o perioada de timp. Ne intereseaza daca probabilitatile
Pk,n = Cnk pk q nk converg la o limita pentru fiecare k. Raspunsul este afirmativ si este furnizat de teorema urmatoare.
Teorema 5.3.1. (Teorema lui Poisson). Daca np = atunci pentru
fiecare k avem
k
lim Pk,n = e .
n
k!
Demonstratie. Observam ca
k
nk
n!
k k nk
Pk,n = Cn p q
=
1
=
k!(n k)! n
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
185
nk
1
=
n
nk
n(n 1) (n k + 1) k
1
.
=
nk
k!
n
n(n 1) (n k + 1) k
=
k
k!
n
Sa notam ca
n n1
nk+1
=1
n n
n
n
lim
si
nk
n
k
lim 1
1
= lim 1
=
n
n
n
n
n
"
n #
= e .
= lim
1
n
n
In concluzie
lim Pk,n =
k
e .
k!
k
e .
k!
k
e
k!
X
k=0
Pk =
x
x2
xn
+
+ +
+ .
1!
2!
n!
X
k
k=0
k=0
k!
=e
X
k
k=0
k!
= e e = 1 .
186
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Observatia 5.3.4. Legea Poisson mai este cunoscuta si sub numele de legea
evenimentelor rare deoarece se ntalneste n cazul unor evenimente care se
ntampla rar, cum ar fi numarul accidentelor, numarul defectelor de fabricatie,
numarul apelurilor telefonice primite de o centrala ntr-un interval de timp,
etc.
Observatia 5.3.5. Probabilitatile binomiale Pk,n = Cnk pk q nk se calculeaz
a
X
k
k1
M [P o()] =
k e = e
= e e = ;
k!
(k
1)!
k=0
k=1
M [P o2 ()] =
X
k=0
k2
X
k X 2
k
k
e =
(k k + k) e =
k(k 1) e +
k!
k!
k!
k=0
k=2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
187
X
k2
k
2
+
+ = 2 e e + = 2 + .
k e = e
k!
(k
2)!
k=2
k=0
Atunci
D2 [P o()] = M [P o2 ()] (M [P o()])2 = 2 + = .
Propozitia 5.3.8. Functia caracteristica a variabilei aleatoare Poisson este
it 1)
X
k=0
itk
e Pk =
X
k=0
itk
k!
=e
X
(eit )k
k=0
k!
it
= e ee
= e(e
it 1)
5.4
Repartitia uniform
a
188
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Zb
(x)dx =
1
1
1
dx =
x |ba =
(b a) = 1 .
ba
ba
ba
0 , daca x < a
xa
, daca x [a, b] .
F (x) =
ba
1 , daca x > b
Demonstratie. Cum F (x) =
Rx
Zx
(t)dt +
Zx
(t)dt =
1
1
1
dt =
t |xa =
(x a) .
ba
ba
ba
Zb
(t)dt +
Zx
(t)dt = 1 .
(t)dt +
a
Teorema 5.4.4.
M [U [a, b]] =
a+b
;
2
(a b)2
D [U [a, b]] =
.
12
2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
189
Demonstratie.
Z
M [U [a, b]] =
Zb
x(x)dx =
1
dx =
ba
2 b
1
x
b 2 a2
b+a
1
=
=
;
=
ba 2 a ba
2
2
Z
D [U [a, b]] =
2
Zb
a+b
1
(x m) (x)dx =
x
dx =
2
ba
2
1
1
=
ba 3
"
a+b
x
2
3 #b
a
"
1
=
3(b a)
ba
2
3
ab
2
3 #
=
(b a)3
(b a)2
1
=
.
=
3(b a)
4
12
Propozitia 5.4.5. Fie I = [c, d] [a, b] un interval de lungime l. Atunci
P (c U [a, b] d) =
l
.
ba
Demonstratie.
P (c U [a, b] d) = F (d) F (c) =
da ca
l
=
.
ba ba
ba
itx
Z1
e (x)dx =
R
e
0
itx
eitx
1dx =
it
1
=
0
eit 1
.
it
190
5.5
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Repartitia exponential
a
Z
(x)dx =
ex dx = ex |
0 = 1 .
Rx
Daca x 0, atunci
Zx
F (x) =
et dt = et |x0 = ex + 1 ,
1
;
1
D2 [Exp()] = 2 .
M [Exp()] =
Demonstratie.
Z
M [Exp()] =
Z
x(x)dx =
xex dx .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
191
xex |
0
Z
+
1
1
ex dx = ex |
.
0 =
2
Z
1
x
D [Exp()] =
ex dx =
Z
=
x2 ex dx 2
x2 ex |
0
xex dx +
Z
+2
xe
0
1 x
e dx =
Z
dx 2
xex dx
1 x 1
e
|0 = 2 .
2
192
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Deci
PExp()x (Exp() x + y) =
P (Exp() x + y)
.
P (Exp() x)
Dar
P (Exp() x) = 1P (Exp() < x) = 1FExp() (x) = 1(1ex ) = ex .
In mod similar
P (Exp() x + y) = e(x+y)
si
P (Exp() y) = ey .
Deci
PExp()x (Exp() x + y) =
e(x+y)
= ey = P (Exp() y) .
x
e
5.6
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
193
a > 0,
x<1
x>0
Z1/2
Z1
a1
b1
B(a, b) =
x (1 x) dx + xa1 (1 x)b1 dx ,
0
1/2
x
0
a1 x
e dx +
xa1 ex dx .
x>0
R1
0
xa1 ex dx
194
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
este convergenta.
Daca notam h(x) = xa1 ex , observam ca
lim x2 h(x) = lim xa+1 ex = 0
R M
1
R
x2
M
x2
()x [1, ) .
este convergenta.
Propozitia 5.6.3. Functiile Beta si Gamma au proprietatile:
1. (1) = 1;
2. (a + 1) = a(a);
()n N ;
3. (n + 1) = n!
b1
a+b1
6. B(m, n) =
B(a, b 1)
(m1)!(n1)!
(m+n1)!
Demonstratie. 1) (1) =
, pentru m, n N.
0
ex dx = ex |
0 = e = 1 .
a x
x e dx =
xa ex |
0
Z
+a
0
xa1 ex dx = a (a) .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
195
(1 t)
b1 a1
Z1
dt =
5) B(a, b) =
R1
xa1 (1 x)b1 dx .
b1
=
a
Z1
x (1 x)
b2
b1
dx =
a
b1
=
a
Z1
Z1
b1
xa1 (1 x)b2 dx
a
Z1
xa1 (1 x)b1 dx =
b1
b1
B(a, b 1)
B(a, b) .
a
a
Obtinem astfel ca
B(a, b) +
b1
b1
B(a, b) =
B(a, b 1) ,
a
a
de unde
b1
B(a, b 1) .
a+b1
n1
n1
n2
6)B(m, n) =
B(m, n 1) =
B(m, n 2) =
m+n1
m+n1 m+n2
(n 1)(n 2) 1
= =
B(m, 1) .
(m + n 1)(m + n 2) (m + 1)
Dar
Z1
xm 1 1
B(m, 1) = xm1 dx =
|=
m 0 m
B(a, b) =
196
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Teorema 5.6.4.
B(a, b) =
Demonstratie. Avem
(a) (b)
(a + b)
(a) =
()a, b > 0.
xa1 ex dx .
Deci
(a)
=
ta
y a1 ety dy .
y a+b1 e(t+1)y dy .
Astfel
ta1
=
(a + b)
(t + 1)a+b
a1
t
(t + 1)a+b
Z Z
dt = ta1 y a+b1 e(t+1)y dy dt .
0
ta1
dt =
(t + 1)a+b
Z1
0
xa1
1
a+b
(1
x)
dx =
(1 x)a1
(1 x)2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Z1
=
197
Z Z
Z Z
ta1 y a+b1 e(t+1)y dy dt = ta1 y a+b1 e(t+1)y dt dy =
0
Z
=
y a+b1 ey
ta1 ety dt dy =
y a+b1 ey
(a)
dy =
ya
Z
= (a)
y b1 ey dy = (a)(b) .
1. ( 21 ) = ;
2.
ex dx =
1 1
,
2 2
2
1
=
.
2
Dar (1) = 1 si
B
1 1
,
2 2
Z1
=
0
1/2
(1 x)
1/2
Z1
dx =
0
1
p
dx .
x(1 x)
198
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
1 1
,
2 2
Z/2
=
/2
2 sin t cos tdt
= 2t0 = .
sin t cos t
1 2
In final avem
2)
1
2
= 1 si deci
1
=
x1/2 ex dx =
Z
=
t e
t2
Z
2tdt = 2
t2
Z
dt
Atunci
t2
Z
dt = 2
t2
dt =
.
2
et dt =
1
=
2
Z1
x
0
a
1
2
(1 x)
b
1
2
1
dx = B
2
a b
,
2 2
.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
199
m ax2
x e
dx =
2a(m+1)/2
m+1
2
a > 0, m > 1 .
xm e
ax2
Z
dx =
t
1
dx = dt ,
a
2 ta
1
tm/2 am/2 et dt =
2 ta
2a(m+1)/2
(m1)/2 t
e dt =
1
2a(m+1)/2
m+1
2
.
5.7
Repartitia Weibull
x1 e(x)
, daca x > 0
(x, , ) =
.
0 , n rest
Observatia 5.7.2. este o densitate de repartitie.
Intr-adevar,
Z
(x, , )dx =
x1 e(x) dx .
Z
(x, , )dx =
ey dy = ey |
0 = 1 .
200
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Zx
Zx
(t, , )dt =
t1 e(t) dt .
e y dy = e
|x0 = 1 e
Cum am notat = , avem F (x) = 1ex . Evident ca, pentru x < 0 avem
F (x) = 0. Am regasit astfel functia de repartitie a variabilei exponentiale de
parametru (vezi teorema 5.5.3) si demonstratia este ncheiata.
Observatia 5.7.4.
W (, 1) = Exp() .
Teorema 5.7.5.
1
1
+1 ;
M [W (, )] =
"
2 #
1
2
1
D2 [W (, )] = 2
+1
+1
.
Demonstratie.
Z
M [W (, )] =
x x1 e(x) dx .
1 y
y e dy =
M [W (, )] =
0
Z
0
Atunci x1 dx = dy si
1
y ( +1)1 ey dy = 1
1
+1
.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Apoi
M [W (, )] =
201
x2 x1 e(x) dx .
M [W (, )] =
2 y
y e dy =
2
+1
.
Atunci
2
2
1
2
D [W (, )] =
+1
+1
=
"
2 #
2
1
1
+1
+1
.
= 2
5.8
Repartitia normal
a
202
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
(xm)2
1
e 22 dx
2
(x)dx =
xm
1
(x)dx =
= t. Atunci
dx
2
= dt si obtinem
1
2
et dt =
=1,
Teorema 5.8.5.
M [N (m, )] = m ;
D2 [N (m, )] = 2 .
Demonstratie.
Z
M [N (m, )] =
Z
x(x)dx =
xm
(t 2 + m)e
t2
(xm)2
1
xe 22 dx .
2
= t. Atunci
dx
2
= dt si obtinem
Z
Z
2
m
2
2
dt =
tet dt +
et dt .
(vezi corolar
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
203
t2
Z0
dt =
ue
u2
Z
du =
ueu du .
Prin urmare
Z
te
t2
Z
dt =
ue
Revenind avem
Z
du +
tet dt = 0 .
m
=m.
M [N (m, )] =
Apoi
D [N (m, )] =
u2
(xm)2
1
(x m)2 e 22 dx .
2
xm
= t. Obtinem
2 2 t2
2t e
2
dt =
(2t)et tdt
Z
2
2
2
t2
[ ] = 2 .
D2 [N (m, )] = tet |
e
dt
=
204
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
x > 0, avem ca
1
1
F (x) = +
2
2
Zx
t2
e 2 dt .
Zx
t2
e 2 dt ,
1
2
+ (x).
3. P (a N (m, ) < b) = F
Demonstratie. 1) F (x) =
bm
1
2
x
R
am
.
t2
u2
Zx
2
u2
1
du =
2
Z
x
1
du
2
Zx
u2
e 2 du = 1 F (x) .
2) Avem
1
F (x) =
2
u2
e 2 du =
Zx
(tm)2
2 2
dt .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
tm
205
xm
1
F (x) =
2
3)
u2
du = F
xm
.
bm
F
am
.
1)
P (480 N (500, 25) < 550) = F
F
=
25
25
1
1
+ (2) 1 + + (0, 8) =
2
2
= (2) + (0, 8) = 0, 4772 + 0, 2881 = 0, 7653 ;
450 500
2)
3)
206
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
x
x 1
=
.
25
2
25
x 1 0, 95
1
=
.
2
25
2
Atunci
adica
x 0, 95
=
,
25
2
x 1 0, 05
=
.
25
2
= 1, 96. In concluzie x = 49 si intervalul cautat este [451, 549).
Obtinem ca
x
25
=F
= +
.
P (N (m, ) 30) = 1F
Deci
Daca
1
2
m 30
= 0, 35 .
Apoi
P (N (m, ) 90) = 1 F
90 m
1
=
2
90 m
.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Deci
1
2
Daca
90 m
207
= 0, 48 .
1
e (x)dx =
2
itx
x2
eitx e 2 dx .
Apoi
1
(t) =
2
0
x2
x sin(tx)e
1
dx =
2
1
=
2
x2 0
sin(tx) e 2 dx =
x2
t cos(tx)e 2 dx = t(t) .
R
0 (t)
(t)
t2
de unde (t) = e 2 .
Teorema 5.8.13. Functia caracteristica a unei variabile normale N (m, )
este
t2 2
(t) = eimt 2 .
208
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
= y. Atunci 1 dx = dy si astfel
Facem schimbarea de variabila xm
Z
y2
1
(t) = eit(y+m) e 2 dy =
2
R
=e
itm
y2
2 t2
2
= eimt
t2 2
2
21
(xi mi )ij
1
p
e i,j=1
(x1 , , xn ) =
(2)n/2 det()
(xj mj )
1
unde 1
ij sunt elementele matricei .
x1 m1
x2 m2
xm=
..
.
xn mn
si notam cu (x m)0 transpusul lui, obtinem ca
(x1 , , xn ) =
(2)n/2
1
p
det()
0 1 (xm)
e 2 (xm)
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
209
n
Y
0
0
n2
i 2
i=1
(xmi )2
2 2
i
t1
t2
t = .. .
.
tn
Se poate arata ca
1 0
(t) = eit m 2 t t .
5.9
Repartitia Gamma
R
0
210
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Z
(x, , )dx =
1 x
x e dx =
()
()
x1 ex dx .
(x, , )dx =
()
Z 1
u
1
eu du =
1
=
()
u1 eu du =
1
() = 1 .
()
x
1 e 2
2x
, daca x > 0
.
0 , daca x 0
Zx 2
Zx 2
u
u
1
2
1
= 2 +
e 2 du 1 =
e 2 du .
2
2
2
0
Zx
2t
e
0
t. Atunci du =
1
dt =
t
Zx
0
dt.
2 t
1 t
e 2 dt =
2t
Deci
Zx
(t)dt ,
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
unde (x) =
x
1 e 2
2x
211
(1/2)1/2 1/2 x/2
1 1
=
x
e
.
x, ,
2 2
(1/2)
Cum (1/2) =
Teorema 5.9.5.
M [(, )] =
D2 [(, )] =
.
2
Demonstratie.
Z
M [(, )] =
Z
x(x, , )dx =
1 x
x e dx =
x
()
()
x ex dx .
M [(, )] =
()
1
1 y 1
y e
dy =
()
y ey dy =
1
( + 1) .
()
().
x2 (x, , )dx =
Z
=
0
1 x
x
x e dx =
()
()
2
Z
0
x+1 ex dx .
Deci
212
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
M [ (, )] =
()
2
1
+1
1
dy = 2
()
+1 y 1
1
2 ()
(+2) =
1
2 ()
y +1 ey dy =
(+1)(+1) =
1
2 ()
(+1)() =
( + 1)
.
2
Revenind, obtinem ca
D2 [(, )] =
5.10
( + 1) 2
2 = 2 .
2
Repartitia 2
(t)
.
Z1
2
i=1
Zi
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
213
Dar
Z
Z12 (t) = 2 (1) (t) =
1
=
2
Z
x
1/2 x2 (12it)
1
eitx x1/2 ex/2 dx =
2
1
dx =
2
2
1 2it
1/2
(1/2) = (1 2it)1/2 .
Deci
n
P
i=1
Zi2
(t) = (1 2it)n/2 .
In mod asemanator
Z
2 (n) (t) =
itx
n
x
1
1
x 2 1 e 2 dx = n/2
n/2
2 (n/2)
2 (n/2)
x 2 1 e 2 (12it) dx =
1
= n/2
2 (n/2)
2
1 2it
n/2
(n/2) = (1 2it)n/2 ,
D2 [2 (n)] = 2n .
214
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
5.11
Repartitia Fisher - Sn
ed
ecor
( m+n
2 )
(
m
2
m2
m
n
n
2
)( )
x 2 1 1 +
m+n
m
2
x
n
, daca x > 0
0 , daca x 0
Observatia 5.11.2. m,n este o densitate de repartitie.
Intr-adevar,
Z
Z
m,n (x)dx =
m
2
m+n
2
m
m m+n
2
x 2 1 1 + x
dx .
n
m m2
n
2
m
2
m+n
2
(a)(b)
.
(a + b)
n
2
=
1
B
m n
,
2 2
.
Revenind, obtinem:
Z
m,n (x)dx =
m m2 Z
1
B
m n
,
2 2
nt
1 mt
x 2 1 (n + mx)
m+n
2
m+n
2
0
x
n+mx
= t. Atunci
dx =
Apoi
(n + mx)t = x n + mx =
n
dt .
(1 mt)2
x
n
n + mx =
.
t
1 mt
dx .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
m,n (x)dx =
m n
,
2 2
1
.
m
215
Deci
mm/2 nm/2
1/m
Z
m+n
m+n
m+n
m
m
m
1
m n
,
2 2
mm/2
1
B
Z1
1
B
m
,
2 2
n
m n
,
2 2
m
1
2
1/m
Z
n
m
t 2 1 (1 mt) 2 1 dt .
y
.
m
mm/2
Atunci dt =
Z1
1
dy.
m
Daca t = 0 y = 0
y 2 1 m 2 +1 (1 y) 2 1 m1 dy =
(1 y)
n
1
2
dy =
1
B
B
n
m
,
2 2
m n
,
=1.
2 2
Teorema 5.11.3.
M [F (m, n)] =
D2 [F (m, n)] =
n
, pentru n > 2 ;
n2
2n2 (m + n 2)
, pentru n > 4 .
m(n 4)(n 2)2
Demonstratie.
Z
M [F (m, n)] =
xm,n (x)dx =
Z
=
x
0
m
2
m+n
2
n
2
m m2
n
m
m m+n
2
x 2 1 1 + x
dx .
n
216
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
x
n+mx
= t.
1/m
Z
m+n
m+n
m+n
m
m m
1/m
Z
m
n
mm/2 n
t 2 (1 mt) 2 2 dt .
n
m
,
2 2
M [F (m, n)] =
n
=
m n
B 2,2 m
1
Z1
m/2
m
n
m
,
2 2
m
2
y (1 y)
Z1
n
y 2 m 2 (1 y) 2 2
1
dy =
m
n
2
2
dy =
1
B
n
m
,
2 2
n m
n
B
+ 1, 1 =
m
2
2
m+n
n m
n n m
n m2 + n2
1
B
+
1,
=
B
,
+
1
=
2
2 n2 1
2 2
n2
B m2 , 2 m
B m2 , n2 m
n
1
n m + n n m m2
n m+n m
B
,
=
,
=
n
m =
m n
2 2 2+ 2
m n2 n+m
n2
B 2, 2 m n2
1
n
b1
B(a, b 1) ,
a+b1
M [F (m, n)] =
x
0
m
2
m+n
2
n
2
m m2
n
m
m m+n
2
x 2 1 1 + x
dx =
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
m/2 m/2
m n
,
2 2
m
m
+1
2
217
m m+n
2
dx .
1+ x
n
x
n+mx
M [F 2 (m, n)] =
m n
,
2 2
= t. Atunci
mm/2 nm/2
1/m
Z
m+n
m+n
m+n
m
m
m
1
m n
,
2 2
1/m
Z
m
n
n
t 2 +1 (1 mt) 2 3 dt .
m/2 2
m
M [F (m, n)] =
n2
=
B m2 , n2 m2
1
Z1
=
=
=
1
B
n
m
,
2 2
1
B
n
m
,
2 2
1
m
,
2 2
n
n
m
,
2 2
m
,
2 2
n
y 2 +1 m 2 1 (1 y) 2 3 m1 dy =
y 2 +1 (1 y) 2 3 dy =
1
B
m
,
2 2
1
B
m
n
Z1
n
m
,
2 2
=
=
m/2 2
n2
m2
m
2
n
2
n2 m
n
B
+
2,
2
=
m2
2
2
+ n2 m
n
+ 2, 1 =
B
2
2
2
n2 m + n
m2 n 4
m
2
+
n
2
n
2
+ 1 m
n
B
+ 2,
=
1
2
2
n2 m + n m + n + 2 n m
B
,
+
2
=
m2 n 4
n2
2 2
n2 m + n m + n + 2
m2 n 4
n2
m
2
n
2
n m
+1
,
+
1
=
B
+ m2 + 1
2 2
n2 m + n m + n + 2
m+2
2
m n4
n2
n+m+2
m
2
n
2
mB
2
n m
,
=
2 2
218
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
n2 m + n m + 2
m
n2 (m + 2)
=
.
m2 n 4 n 2 n + m
m(n 4)(n 2)
Revenind, obtinem:
n2
n2 (m + 2)
=
m(n 4)(n 2) (n 2)2
D2 [F (m, n)] =
2n2 (m + n 2)
n2 (n 2)(m + 2) n2 m(n 4)
=
.
=
m(n 4)(n 2)2
m(n 4)(n 2)2
Teorema 5.11.4. Consideram m + n variabile aleatoare independente normale standard {Zi }m
si {Tj }nj=1 . Fie
i=1
Z=
m
X
Zi2
si
T =
i=1
n
X
Tj2 .
j=1
1
Z
m
1
T
n
Fm,n (x) = P
nZ
m
< x = P Z < Tx .
mT
n
Z Zn tx
Fm,n (x) =
1
2n/2 (n/2)
t 2 1 e 2
1
2
n+m
2
(n/2)(m/2)
Z Zn tx
t+z
n
m
t 2 1 z 2 1 e 2 dzdt .
0
z 2 1 e 2 dzdt
0
m
1
2m/2 (m/2)
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
219
z = vu
m
.
n
m
m
m
tx vu < ux v < x .
n
n
n
Revenind, obtinem:
1
Fm,n (x) =
Z Zx
(n/2)(m/2)
m m2 1
n
u+vu m
n
2
m
dvdu =
n
Zx Z
(n/2)(m/2)
u
0
n+m
1
2
(n/2)(m/2)
m m2
n
v 2 1 e 2 (1+v n ) dudv =
m m2 Zx
1
n+m
2
u 2 1 v 2 1 u 2 1
1
n+m
2
n+m
2
Z
n+m
m
u
m
v 2 1 u 2 1 e 2 (1+v n ) du dv .
n+m
1
2
e 2 (1+v n ) du ,
m 1
du = 2 1 + v
dw .
n
Astfel
Z
I(v) =
2
0
n+m
1
2
n+m
1
2
1+v
+1
m n+m
m 1
2
dw =
ew 1 + v
n
n
220
=2
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
n+m
2
m n+m
2
1+v
n
Z
w
n+m
1
2
dw = 2
n+m
2
m n+m
2
1+v
n+m
2
Prin urmare
Fm,n (x) =
Zx
v 2 1 2
n+m
2
m m2
(n/2)(m/2) n
m n+m
n+m
2
1+v
dv =
n
2
2
n+m
2
n
2
n+m
2
m m2 Zx
m
2
m
1
2
m n+m
2
1+v
dv =
n
Zx
m,n (v)dv ,
0
5.12
Repartitia Student
Z
n+1
2
x2
1 n+1
2
1
+
(x)dx =
dx =
n
n n2
Z
n+1
2
x2
2 n+1
2
1
+
dx .
=
n
n n2
0
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
x2
n
= t. Atunci x =
nt si dx =
221
n
dt
2 t
si deci
Z
n
2 n+1
n+1
2
(1 + t) 2 dt =
(x)dx =
n
n 2
2 t
0
Z
n+1
1 n+1
2
=
(1 + t) 2 t1/2 dt .
n
2
0
y
1
Facem acum schimbarea de variabila t = 1y
. Atunci 1 + t = 1y
si
1
dt = (1y)2 dy. Daca t = 0 atunci y = 0, iar pentru t avem y 1.
Astfel
Z1
n+1
1 n+1
2
(1 y) 2 y 1/2 (1 y)1/2 (1 y)2 dy =
(x)dx =
n
2
0
Z1
n+1
n
1
1 n+1
1 n
1
1 2 1
2
2
2
=
(1 y)
B
,
=
y dy =
2 2
n2
n2
0
1
n
1 n+1
1
1
1
2
2
2
=
=
= =1.
n
n+1
2
2
2
Observatia 5.12.3. Pentru n = 1 se obtine
1 (1)
1
1
(x) =
(1 + x2 )1 =
,
1 + x2
(1/2)
adica tocmai densitatea de repartitie a variabilei aleatoare Cauchy.
Teorema 5.12.4. Daca Z este o variabila aleatoare normala standard si
2 (n) este variabila aleatoare Hi-patrat cu n grade de libertate, atunci variabila aleatoare
Z
q
2 (n)
n
222
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
F (x) = P q
t
Z Z n x
=
0
< x = P
2 (n)
n
Z<
2 (n)
x
n
!
=
t
z2
n
1
1
e 2 n/2
t 2 1 e 2 dzdt =
2 (n/2)
2
1
22n/2 (n/2)
t
Z Z n x
t+z 2
n
t 2 1 e 2 dzdt .
0
z=v
u
.
n
p
Iacobianul acestei transformari este nu . Apoi
r
r
r
t
u
u
z<
xv
<
xv<x.
n
n
n
Astfel
F (x) =
Zx Z
1
22n/2 (n/2)
n2
Pentru a calcula
u
u+v 2 n
2
n
n+1
1
2
v2
e 2 (1+ n ) dudv .
2 0
Z
I(v) =
u
dudv =
n
Zx Z
1
n+1
2
n
1
2
n+1
1
2
v2
e 2 (1+ n ) du ,
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Atunci
v2
u=2 1+
n
1
v2
y si du = 2 1 +
n
223
1
dy .
Deci
Z
I(v) =
n1
2
n+1
1
2
n+1
v2
v2
1 y
2
1+
y
e 2 1+
dy =
n
n
=2
n+1
2
n+1
n+1
Z
2
2
n+1
n+1
v2
v2
n+1
1
y
1+
y 2 e dy = 2 2 1 +
.
n
n
2
0
Prin urmare
F (x) =
Zx
1
n2
n+1
2
n
2
n+1
2
n+1
2
v2
n+1
1+
dv =
n
2
Zx
n+1
Zx
2 2
1 n+1
v
2
=
dv =
(v)dv ,
1+
n
n n2
unde
n+1
2
1 n+1
v2
2
(v) =
,
1
+
n
n n2
Z
p
2
F (x) = P ( F (1, n) < x) = P (F (1, n) < x ) = 1,n (t)dt =
0
224
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Zx2
=
n+1
1/2
2
1
1
12
1
+
t
t
dt =
n
n
n2
n+1
2
1
2
Zx2
n+1
2
n+1
1
1 1
2
2
1
+
t
t
dt .
n
n
n2
=
0
Zx
=
0
n+1
2
n+1
y2
1
2
y
1
+
2ydy =
n
n n2
n+1
2
2 n+1
y2
2
1+
dy .
n
n
n 2
p
Prin urmare densitatea de repartitie a variabilei aleatoare F (1, n) este
n+1
2( n+1
2
x2
2 )
1+ n
, daca x > 0
n( n
.
(x) =
2)
0 , daca x 0
Vom extinde aceasta densitate de repartitie la axa reala negativa. In acest
R
scop o vom multiplica cu 21 pentru ca
(x)dx = 1. Am obtinut tocmai
D2 [t(n)] =
n
.
n2
M [t (n)] =
x (x)dx = 2
x2 (x)dx .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Z
0
t. Atunci dx =
si deci
n+1
2
t
1
1 n+1
2
dt =
1
+
t
n
n
n 2
2 t
Z
=
dt
2 t
225
n
,
n2
5.13
Repartitia Beta
R1
1
(x, a, b)dx =
B(a, b)
Z1
0
xa1 (1 x)b1 dx =
1
B(a, b) = 1 .
B(a, b)
226
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Teorema 5.13.3.
M [(a, b)] =
a
a+b
D2 [(a, b)] =
ab
(a +
b)2 (a
+ b + 1)
Demonstratie.
Z1
M [(a, b)] =
1
1
xa1 (1 x)b1 dx =
B(a + 1, b) =
B(a, b)
B(a, b)
1
a
a
B(a, b) =
,
B(a, b) a + b
a+b
unde am folosit propozitia 5.6.3. Apoi
=
Z1
M [ (a, b)] =
x2
1
1
xa1 (1 x)b1 dx =
B(a + 2, b) =
B(a, b)
B(a, b)
a+1
1
a+1
a
1
B(a + 1, b) =
B(a, b) =
B(a, b) a + b + 1
B(a, b) a + b + 1 a + b
a(a + 1)
=
.
(a + b)(a + b + 1)
Atunci
D2 [(a, b)] = M [ 2 (a, b)] (M [(a, b)])2 =
a(a + 1)
a2
ab
=
=
.
(a + b)(a + b + 1) (a + b)2
(a + b)2 (a + b + 1)
Observatia 5.13.4. Distributia Beta este utila n multe probleme din inginerie si din economie. Astfel, variabila aleatoare ce masoara timpul necesar realizarii unei sarcini, a unui proiect complex, este o variabila ce are
distributia Beta.
=
5.14
Repartitia lognormal
a
2 2
e
, daca x > 0 .
x 2
(x) =
0 , n rest
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
227
Teorema 5.14.2. Daca o variabila aleatoare f satisface distributia lognormala de parametri m R si > 0, atunci variabila aleatoare ln(f ) urmeaza
legea normala N (m, ).
Demonstratie. Calculam functia de repartitie a variabilei aleatoare ln(f ).
Fie x > 0. Atunci
F (x) = P (ln(f ) < x) = P (f < ex ) =
Zex
(ln tm)2
1
e 22 dt .
t 2
(ym)2
1
e 22 dy .
2
p
p
228
CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
Capitolul 6
Teoreme clasice de convergent
a
Justificarea teoretica pentru ca n statistica matematica sa folosim frecventa
relativa n loc de probabilitate este furnizata de legea numerelor mari care
este studiata n prima sectiune a acestui capitol. Teorema limita centrala,
prezentata n sectiunea a treia, ne arata rolul central jucat de repartitia
normala.
6.1
229
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
230
0 1
Observam ca distributia variabilei aleatoare hk este
. Atunci
q p
M (hk ) = p si D2 (hk ) = M (h2k ) [M (hk )]2 = p p2 = p(1 p) = pq.
Prin urmare
n
1X
1
M (fn ) =
M (hk ) = np = p ;
n k=1
n
n
1 X 2
1
pq
D (fn ) = 2
D (hk ) = 2 npq =
.
n k=1
n
n
2
pq
D2 (fn )
P (| fn p | ) 2 .
2
n
pq
=0
n n 2
lim P (| fn p | ) lim
si deci lim P (| fn p | ) = 0.
n
1X
1
M (fn ) =
M (hk ) = nm = m ;
n k=1
n
D2 (fn ) =
n
1 X 2
1
2
2
D
(h
)
=
n
=
.
k
n2 k=1
n2
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
231
P
(|
f
m
|
)
,
n
2
n 2
P (| fn M (fn ) | )
Observatia 6.1.3. Evident, legea numerelor mari sub forma lui Cebasev
reprezinta o generalizare a legii numerelor mari sub forma lui Bernoulli.
Urmatoare teorema reprezinta o generalizare a teoremei lui Cebasev.
Teorema 6.1.4. (Legea numerelor mari). Fie (hn )nN un sir de variabile aleatoare necorelate doua cate doua astfel ncat:
1. M (hk ) = m , ()k N ;
2. exista o constanta C cu proprietatea D2 (hk ) C , ()k N .
Atunci variabila aleatoare
fn =
h1 + h2 + + hn
n
1X
1
M (fn ) =
M (hk ) = nm = m .
n k=1
n
Din teorema 4.6.13, avem ca
D
n
X
k=1
Atunci
!
hk
n
X
D2 (hk ) .
k=1
n
1 X 2
1
C
D (fn ) = 2
D (hk ) 2 nC =
.
n k=1
n
n
2
D2 (fn )
C
P (| fn m | ) 2
2
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
232
1/2
Z
lim | fn m |2 dP = 0 ,
C
.
n
L2
6.2
Convergenta n repartitie
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
233
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
234
1
limFn (a) .
F a
k
Pe de alta parte
1
Fn (a) = P (fn < a) = P (fn < a) f < a +
+
k
1
1
1
+P (fn < a) f a +
P f <a+
+ P f fn >
.
k
k
k
Prin trecere la limita pentru n , obtinem:
1
limFn (a) F a +
.
k
Atunci
1
1
0 limFn (a) limFn (a) F a +
F a
<.
k
k
Cum > 0 este arbitrar, obtinem ca exista lim Fn (a) = l. Atunci
n
1
F a
l , ()k k0
k
si prin trecere la limita pentru k , tinand cont ca F este
continua n
1
punctul a, obtinem F (a) l. Apoi, inegalitatea l F a + k conduce, prin
trecere la limita pentru k , la l F (a) si deci l = F (a). In concluzie
lim Fn (a) = F (a), ceea ce trebuia demonstrat.
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
235
si variabila aleatoare
f () =
1 , daca [0, 12 ]
.
0 , daca ( 12 , 1]
Sa se arate ca fn 6 f , dar fn f .
Solutie. Observam ca
P ({ [0, 1] : | fn () f () |= 1}) = P ([0, 1]) = 1
P
0 , daca x 0
1
, daca x (0, 1]
Fn (x) =
2
1 , daca x > 1
si
0 , daca x 0
1
, daca x (0, 1]
F (x) =
2
1 , daca x > 1
si prin urmare lim Fn (x) = F (x) , ()x R, adica fn f .
n
Teorema 6.2.7. (Teorema lui Skorhod). Daca fn f , atunci exista variabilele aleatoare hn care au aceeasi functie de repartitie ca si fn si
variabila aleatoare h cu aceeasi functie de repartitie ca si f cu proprietatea
a.s.
hn h.
Demonstratie. Fie Fn functia de repartitie a variabilei aleatoare fn si F
functia de repartitie a variabilei aleatoare f . Am vazut n demonstratia
teoremei 2.5.4 ca, alegand = (0, 1), = Bor() si m masura Borel, atunci
hn () := inf{y : Fn (y) > } ,
h() := inf{y : F (y) > }
sunt variabile aleatoare si Fhn = Fn , Fh = F . Ramane sa verificam ca
a.s.
hn h. Vom demonstra ca hn () h() n toate punctele de continuitate
ale lui h. Din propozitia 2.4.4 stim ca multimea punctelor de discontinuitate ale unei functii de repartitie este cel mult numarabila. T
inand cont de
236
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
237
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
238
Observatia 6.2.10. Se pune ntrebarea fireasca daca F din teorema precedenta nu este cumva chiar o functie de repartitie, adica lim F (x) = 0 si
x
1 , daca x n
0, 7 , daca x [0, n)
Fn (x) =
.
0, 2 , daca x [n, 0)
0 , daca x < n
Atunci Fn F , unde
F (x) =
0, 7 , daca x 0
,
0, 2 , daca x < 0
lim F (x) = 0, 2 6= 0.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
239
ZT
itx
(1e )dt = 2T
T
[cos(tx)+i sin(tx)]dt = 2T
2 sin T x
sin(tx) T
|T = 2T
.
x
x
Prin urmare
1
T
Z ZT
1
(1 e )dtdf =
T
itx
R T
Z
2 sin T x
2T
x
Z
df = 2
2 sin T x
df .
Tx
Pe de alta parte
Z ZT
1
T
R T
ZT
1
=
T
ZT Z
1
(1 eitx )dtdf (x) =
T
T R
1
[1 (t)]dt = 2T
T
ZT
1
(t)dt = 2
T
ZT
(t)dt .
T
In concluzie
1
T
ZT
Z
(t)dt =
2 sin T x
df (x) .
Tx
sin T x
Tx < 1 ,
2a
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
240
Z
+
|x|>2a
Z2a
Z
sin T x
1
df (x)
1df (x) +
df (x) = f [2a, 2a]+
Tx
2aT
2a
|x|>2a
1
+
[1 f [2a, 2a]] =
2aT
1
1
2aT
f [2a, 2a] +
1
.
2aT
Deci
ZT
1
1
1
(t)dt 1
f [2a, 2a] +
.
2T
2aT
2aT
T
2. Daca
(a) lim n (t) = (t) , () t R,
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
241
adica
n (t) (t) .
(2) Fie > 0 arbitrar. Cum functia este continua n origine, avem ca
Z
1
lim
(t)dt =| (0) |= 1 .
0 2
2 (t)dt > 1 2 .
Z
| n (t) (t) | dt = 0
Z
| n (t) (t) | dt <
, ()n n0 .
2
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
242
Z
Z
Z
1
1
1
n (t)dt +
| n (t) (t) | dt <
n (t)dt + .
2
2
2
2
Deci
Z
1
1 <
n (t)dt + ,
2 2
2
adica
Z
1
> 2(1 ) , ()n n0 .
(t)dt
n
2
2
2
2 2
= lim Fnk
Fnk
= lim fnk ,
> 1 2 .
nk
nk
Cum > 0 a fost ales arbitrar, avem
lim F (x) lim F (x) 1 .
Cum inegalitatea inversa lim F (x) lim F (x) 1 este evidenta, avem ca
x
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
243
6.3
Teorema limit
a central
a
Z
=
itx
eihx 1
df =
lim
h0
h
eitx ixdf .
n
X
ik tk M (f k )
k=0
k!
+ Rn (t) ,
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
244
unde Rn (t) satisface
Rn (t)
=0.
t0
tn
lim
Rn (t)
=0.
t0
tn
Conform teoremei precedente, avem ca
Z
(k)
(0) = (ix)k df = ik M (f k ) , ()k n .
lim
t2 2
( + m2 ) + R2 (t) ,
2
Demonstratie. Rezultatul este imediat din corolarul precedent daca mai observam ca M (f 2 ) = D2 (f ) + [M (f )]2 = 2 + m2 .
Teorema 6.3.4. (Teorema limit
a central
a). Fie {fn }nN un sir de variabile aleatoare i.i.d. astfel ncat
M (fk ) = m ; D2 (fk ) = 2 , ()k N .
Atunci variabila aleatoare Sn =
n
P
fk satisface
k=1
Sn nm
N (0, 1) .
n
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
245
Demonstratie. Cazul I. Presupunem mai ntai ca m = 0. Conform corolarului precedent, functia caracteristica a variabilei aleatoare f1 este
(t) = 1
t2 2
+ R2 (t) .
2
n
t2 2
1 + R2 (t)
.
2
S
n
n
(t) = Sn
1
t
n
si deci
S
n
n
(t) = 1
1 2 2
t + R2
2 2 n
n
n
t
t2
+ R2
.
= 1
2n
n
Pe de alta parte, cum lim R2t2(t) = 0, vom avea ca, pentru t fixat,
t0
R2
lim
2 = 0 ,
adica
lim nR2
Fie
t2
Cn = + nR2
2
=0.
; C=
t2
.
2
n
Cn
lim 1 +
= eC .
n
n
Deci
n
t2
t2
t
lim 1
+ R2
= e 2 .
n
2n
n
CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A
246
In concluzie
lim
t2
S
n
n
(t) = e 2 .
S
n
n
(t) = (t) .
(fk m)
N (0, 1) ,
n
k=1
adica
Sn nm
N (0, 1) ,
n
1 1
1
1
si D2 (fi ) = M (fi2 ) [M (fi )]2 = = .
2
2 4
4
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
247
n
2
Pentru n = 250.000 avem
P
n
n < Sn < + n ' 0, 95 .
2
Cum Sn = f1 + f2 + + fn , avem
P (Sn 0) = P
Sn nm
nm
n
n
1
n 19
= P N (0, 1) q .
360
n
361
Atunci
P (S1440 0) = P (N (0, 1) 2) = 1 F (2) = 0, 5 (2) = 0, 0228 .
Deci, dupa 1440 de jocuri, probabilitatea ca jucatorul sa iasa n castig este
de 2, 28%. Tu decizi daca vrei sa joci!
248
Capitolul 7
Teoria selectiei
7.1
Introducere
250
Nk
.
N
n
P
k=1
Nk = N ;
n
P
k=1
k = 1.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
251
4
5
6
7
8
9
10
3/20 5/20 2/20 1/20 4/20 3/20 2/20
;
2)
Nk 6
5
4
3
2
1
---------------------------------------------------------------------------------------------------------------------------------
4 5 6 7 8 9 10
ak
252
,
x
sunt
datele
de
select
ie
alegand 1 + 10
1
2
N
3
(N mare sau majoritatea datelor de selectie sunt distincte) vom nota
xmax = max{xk ; k = 1, N } ,
xmin = min{xk ; k = 1, N } .
Intervalul [xmin , xmax ] se mparte n n subintervale de aceeasi lungime
xmax xmin
h=
.
n
Vom nota cu ak mijlocul intervalului
Ik = [xmin + (k 1)h, xmin + kh) , pentru k = 1, n .
Vom nota cu Nk numarul datelor de selectie situate n intervalul Ik , pentru
k = 1, n. Numarul Nk se va numi frecventa absolut
a a clasei k. Vom
obtine seria de frecvente absolute
a1 a2 an
.
N1 N2 Nn
Numarul k = NNk va fi numit frecventa relativ
a a clasei k. Obtinem
distributia empirica
a1 a2 an
.
1 2 n
Histograma distributiei empirice va fi acum o familie de dreptunghiuri de
altimea a fost aleasa n asa fel ncat fiecare
baza Ik si de naltime k /h. In
dreptunghi sa aiba aria egala cu frecventa relativa a clasei respective.
urma unei selectii de volum 100 privind cheltuielile
Exemplul 7.1.6. In
(exprimate n Euro) pentru cadouri n luna decembrie a anului 2005 efectuate
de persoane adulte din judetul Arad se obtin datele de selectie:
37, 18, 49, 55, 70, 21, 85, 33, 77, 19, 25, 66, 77, 33, 68, 69, 28, 34, 47, 45,
53, 64, 71, 84, 38, 27, 19, 29, 36, 59, 47, 68, 65, 62, 61, 63, 44, 48, 47, 50,
20, 30, 70, 75, 85, 65, 35, 40, 45, 20, 35, 85, 44, 69, 71, 30, 32, 49, 53, 61,
47, 45, 57, 61, 33, 32, 49, 50, 19, 18, 22, 26, 31, 49, 19, 56, 57, 63, 23, 61,
77, 80, 81, 85, 81, 77, 70, 39, 42, 41, 30, 33, 38, 41, 43, 80, 70, 35, 34, 54.
Sa se reprezinte histograma distributiei empirice.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
253
h=
85 18
xmax xmin
=
= 9, 57 .
n
7
Alegem h = 10.
I1
I2
I3
I4
I5
I6
I7
Clasa
Frecventa absoluta Nk
= [18, 28)
14
= [28, 38)
19
= [38, 48)
17
= [48, 58)
14
= [58, 68)
12
= [68, 78)
15
= [78, 88)
9
Frecventa relativa k
0,14
0,19
0,17
0,14
0,12
0,15
0,09
k /h
0,019-6
0,0170,0150,0140,012-
0,009-
18
28
38
48
58
68
78
88
xk
k /h
0,014
0,019
0,017
0,014
0,012
0,015
0,009
254
7.2
an
Nn
si distributia
xi
i=1
x=
s =
(xi x)2
i=1
(xi x)2
i=1
N 1
x=
ak Nk
k=1
n
X
ak k .
k=1
s2 =
(ak x)2 Nk
k=1
n
X
k=1
(ak x)2 k .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
255
Apoi
n
P
(ak x)2 Nk
k=1
N 1
N
s2 .
N 1
Definit
ia 7.2.4. Se numeste abaterea standard de selectie numarul
s = s2 . Se numeste abaterea standard de selectie corectat
a numarul
s = s2 .
Definitia 7.2.5. Se numeste modul empiric acea valoare din selectie cu
frecventa cea mai mare.
Definitia 7.2.6. Presupunem ca datele de selectie sunt asezate n ordine
crescatoare
x1 x2 xN .
Vom numi mediana empiric
a numarul
xp+1 daca N = 2p + 1
.
x1/2 =
1
(xp + xp+1 ) daca N = 2p
2
Exemplul 7.2.7. Se fac 5 masuratori cu un cantar asupra greutatii unor
pungi de zahar si se gasesc urmatoarele rezultate exprimate n grame: 895,
907, 903, 897, 903. Sa se determine:
a) media empirica;
b) dispersia empirica;
c) dispersia empirica corectata;
d) abaterea standard de selectie;
e) abaterea standard de selectie corectata;
f ) modul empiric;
g) mediana empirica.
= 901;
Solutie. a) x = 895+907+903+897+903
5
(6)2 +62 +22 +(4)2 +22
2
b) s =
= 19, 2;
5
N
5
2
2
c) s = N 1 s = 4 19, 2 = 24;
d) s = 19, 2 = 4, 38;
e) s = 24 = 4, 89;
f) 903;
g) Asezam valorile de selectie n ordine crescatoare 895, 897, 903, 903, 907.
Cum N = 2 2 + 1, avem p = 2 si astfel x1/2 = x3 = 903.
256
D2 (x) =
2
.
N
Demonstratie.
M (x) = M
D (x) = D
N
1 X
xi
N i=1
N
1 X
xi
N i=1
N
N
1 X
1 X
=
M (xi ) =
m=m;
N i=1
N i=1
N
N
1 X 2
1 X 2 2
= 2
D (xi ) = 2
=
.
N i=1
N i=1
N
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
257
D2 (x)
.
a2
2
.
N a2
P
M (s ) = 2 .
M (s2 ) =
s2 =
N
N
1 X
1 X
(xi x)2 =
[(xi m) (x m)]2 =
N i=1
N i=1
#
" N
N
X
1 X
=
(xi m)2 2(x m)
(xi m) + N (x m)2 =
N i=1
i=1
1
=
N
N
X
N
P
2
(xi m) 2(x m)
xi mN
i=1
i=1
+ (x m)2 =
N
N
1 X
1 X
2
2
2
(xi m) 2(x m) + (x m) =
(xi m)2 (x m)2 .
=
N i=1
N i=1
Atunci
N
N
1 X
1 X 2
2
2
M [(xi m) ] M [(x m) ] =
D (xi ) D2 (x) =
M (s ) =
N i=1
N i=1
2
N
1 X 2 2
2
N 1 2
= 2
=
.
N i=1
N
N
N
Apoi
2
M (s ) = M
N
s2
N 1
=
N
M (s2 ) = 2 .
N 1
258
7.3
Functia empiric
a de repartitie
FN (x) :=
k .
k:ak <x
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
259
Solutie.
0, 2
0, 35
0, 43
FN (x) =
0, 73
0, 98
,
,
,
,
,
,
,
daca
daca
daca
daca
daca
daca
daca
x5
x (5, 6]
x (6, 7]
x (7, 8] .
x (8, 9]
x (9, 10]
x > 10
260
Capitolul 8
Teoria estimatiei
8.1
Consideratii generale
262
Propozitia 8.1.5. Dispersia empirica corectata s este o estimare nedeplasata pentru dispersia teoretica 2 .
2
avem
N
P
(xi x)2
i=1
N 1
Propozitia 8.1.9. Dispersia empirica s2 este o estimare asimptotic nedeplasata pentru dispersia teoretica 2 .
Demonstratie. Din teorema 7.2.11 avem M (s2 ) =
N 1 2
= 2 .
N
N
N 1 2
.
N
Atunci
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
263
D2 (N )
, () > 0 ,
2
avem
D2 (N )
, () > 0 .
P (| N | )
2
Prin urmare vom alege acel estimator N care are dispersia minima.
Exemplul 8.1.11. Se considera variabila aleatoare continua f cu densitatea
de repartitie
1 x
e , daca x 0
(x) =
.
0 , daca x < 0
urma unei selectii de volum N = 2 se obtin pentru variabila aleatoare f
In
valorile x1 si x2 . Se considera trei estimatori pentru :
1 = x1
2 =
x1 + x2
2
3 =
x1 + x2
.
3
1
= ;
D2 (f ) =
1
= 2 .
2
Mai ntai vrem sa vedem care dintre cei trei estimatori este nedeplasat. Observam ca
M (
1 ) = M (x1 ) = M (f ) =
si deci
1 este nedeplasat. Apoi
M (
2 ) =
M (x1 ) + M (x2 )
M (f ) + M (f )
=
=
2
2
si astfel
2 este un estimator nedeplasat. Dar
M (
3 ) =
M (x1 ) + M (x2 )
M (f ) + M (f )
2
=
=
3
3
3
264
si deci
3 nu este un estimator nedeplasat. Prin urmare ramane sa decidem
care dintre estimatorii
1 si
2 este mai eficient, altfel spus, care are dispersia
minima. Avem
D2 (
1 ) = D2 (x1 ) = D2 (f ) = 2 ,
x1 + x2
D2 (x1 ) + D2 (x2 )
22
2
2
2
D (
2 ) = D
=
=
=
.
2
4
4
2
Deci
2 este estimatorul mai eficient.
Definitia 8.1.12. O estimatie nedeplasata N care are dispersia minima se
numeste estimatie eficient
a.
Definitia 8.1.13. Estimatia N se numeste absolut corect
a daca este nedeplasata si
lim D2 (N ) = 0 .
N
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
8.2
265
Metoda momentelor
1
N
N
P
i=1
M [(, )] =
; D2 [(, )] = 2 .
Deci M1 = . Cum
D2 [(, )] = M [2 (, )] (M [(, )])2 ,
obtinem ca
2
+ 2
M2 = M [ (, )] = D [(, )] + (M [(, )]) = 2 + 2 =
.
2
Prin urmare avem ecuatiile
=x,
N
+ 2
1 X 2
=
x .
2
N i=1 i
2
De aici obtinem ca
x2
=
1
N
N
P
i=1
x2i
;
x
=
1
N
N
P
i=1
x2i
.
x
266
8.3
Metoda verosimilit
atii maxime
Definitia 8.3.1. Daca o caracteristica X a populatiei statistice este o variabila aleatoare discreta ce depinde de un parametru , atunci vom numi
functie de verosimilitate asociata unei selectii x1 , x2 , , xN de volum
N aplicatia
N
Y
L(x1 , x2 , , xN ; ) =
P (X = xj ) .
j=1
N
Y
(xj , ) .
j=1
lnL = 0 ,
lnL (N ) < 0 ,
2
atunci solutia gasita este un punct de maxim si deci o estimatie de verosimilitate maxima.
Exemplul 8.3.4. Sa se determine o estimatie de verosimilitate maxima pentru parametrul m al unei legi normale N (m, ).
Solutie. Reamintim ca legea normala este caracterizata de densitatea de
repartitie
(xm)2
1
(x, m) = e 22 .
2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Atunci
L(x1 , x2 , , xN ; m) =
N
Y
267
(xj , m) =
j=1
N
Y
(xj m)2
1
e 22 =
=
2
j=1
2
N
P
1
lnL = N ln
2
N
e
N
P
(xj m)2
j=1
2 2
(xj m)2
j=1
2 2
N
N
1 X
1 X
1
lnL = 2
2(xj m)(1) = 2
(xj m) = 2
m
2 j=1
j=1
N
X
!
xj N m
j=1
Atunci
N
P
lnL = 0
xj N m = 0 m =
m
j=1
xj
j=1
m=x.
Cum
2
1
lnL = 2 (N ) < 0 ,
2
m
N
Y
N
P
xj
xj
j=1
L(x1 , x2 , , xN ; ) =
P (P o() = xj ) =
e = eN N
;
Q
x
!
j
j=1
j=1
xj !
j=1
lnL = N +
N
X
j=1
!
xj
ln
N
X
j=1
ln xj ! ;
268
lnL = N +
Atunci
Cum
2
lnL =
2
N
X
xj
j=1
N
P
lnL = 0 =
1
.
xj
j=1
=x.
N
!
1
2
xj
j=1
<0,
N
Y
xj
N
P
= e
j=1
xj
j=1
ln L = N ln
N
X
xj ;
j=1
N
N X
lnL =
xj .
j=1
Atunci
N
1
lnL = 0 = N
= .
P
x
xj
j=1
Cum
1
x
2
N
lnL = 2 < 0 ,
2
Exemplul 8.3.7. Sa se determine o estimatie de verosimilitate maxima pentru parametrii m si ai unei legi normale N (m, ).
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
269
Atunci
N
Y
L(x1 , x2 , , xN ; m; ) =
(xj , m, ) =
j=1
N
Y
(xj m)2
1
e 22 =
=
2
j=1
N
P
1
lnL = N ln
2
(xj m)2
j=1
2 2
N
e
N
P
(xj m)2
j=1
2 2
N
1 X
= N ln 2 2
(xj m)2 .
2 j=1
lnL
=0
Observam ca
" N
#
N
N
1 X
1 X
1 X
lnL = 2
2(xj m)(1) = 2
(xj m) = 2
xj N m .
m
2 j=1
j=1
j=1
Atunci
N
P
lnL = 0 m =
m
xj
j=1
m=x.
Apoi
"
#
N
N
X
N
1 X
1
lnL = + 3
(xj m)2 = 3 N 2 +
(xj m)2 .
j=1
j=1
Atunci
N
P
lnL = 0 2 =
N
P
(xj m)2
j=1
2 =
(xj x)2
j=1
2 = s2 = s .
270
lnL
=
|
;
(x,s)
m2
2
s2
" N
#
2 X
2
2
lnL = 3
xj N m = 3 [N x N m] |(x,s) = 0 ;
m
j=1
N
2
N
3 X
lnL = 2 4
(xj m)2 |(x,s) =
2
j=1
N
3 X
3
2N
N
N
2
2
N
s
=
.
(x
x)
=
j
s2 s4 j=1
s2 s4
s2
Obtinem matricea
sN2
0
0 2N
s2
.
N
2N 2
<
0
,
=
>0
2
s2
s4
N
Y
j=1
P (X = xj ) =
N
Y
j=1
N
P
xj N
N
P
j=1
xj
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
N
X
lnL =
!
xj
lnp +
j=1
lnL =
p
Cum
N
P
N
X
N
X
271
!
ln(1 p) ;
xj
j=1
!
xj
j=1
1
+
p
N
X
j=1
!
xj
1
(1) .
1p
xj = N x, obtinem
j=1
Nx N Nx
Nx
1x
lnL =
=
N
.
p
p
1p
p
1p
Atunci
Cum
x
1x
lnL = 0 =
p=x.
p
p
1p
Nx
1x
2
lnL = 2 N
<0,
2
p
p
(1 p)2
8.4
Estimatii eficiente
D2 (N )
N
.
2
ln (x, ) (x, )d
272
N =
L(xi )
i=1
xm
m2
x2
(x m)2
ln = ln 2
=
ln
2 .
2 2
2
2 2 2 2
Daca
ln = A0 (m)L(x) mA0 (m) + A(m) + B(x) ,
prin identificare obtinem
L(x) = x ; A0 (m) =
m2
m
A(m)
=
.
2
2 2
Apoi
m2
m2
m2
A(m) mA0 (m) = 2 2 = 2
2
2
x
si B(x) = 2
2. Conform punctului (3) din teorema lui Rao2 ln
Cramer estimatia eficienta are expresia
N
P
N =
N
P
L(xi )
i=1
xi
i=1
=x.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
273
Atunci
Apoi
L(x1 , , xn ; ) =
N
Y
(xj , ) .
j=1
Astfel
ln L =
N
X
ln (xj , ) .
j=1
Atunci
" N
#
N
N
X
X
X
ln L =
ln (xj , ) =
A00 ()[L(xj )] = A00 ()
L(xj ) N .
j=1
j=1
j=1
Daca N este o estimatie de verosimilitate maxima pentru parametrul
N
P
N
P
L(xj ) N N = 0 si deci N =
j=1
L(xi )
i=1
. Aplicand
8.5
Intervale de ncredere
274
.
2
Intervalul (1 , 2 ) se numeste interval de ncredere, iar = 1 se numeste
prag de ncredere. Precizam ca valorile cele mai frecvente pentru sunt
0,1; 0,05; 0,01, iar este dat de multe ori n procente 90%; 95%; 99%.
Pentru a determina un interval de ncredere este necesar sa gasim o functie
statistica Z = Z(x1 , x2 , , xN ; ) care sa ndeplineasca conditiile:
P ( 1 ) = P ( 2 ) =
5. C =
6. T =
xm
2
xm
1
2
N
P
i=1
N s2
2
xm
s
1
2
N
P
i=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Demonstratie.
N
P
275
Cum
xj
t2 2
2
Deci
x (t) =
N
Y
2 2
2N 2
t
t
im N
N
2 2
t
t2 2
t 2
im N
2N
= e
= eimt 2N ,
j=1
i=1
N
2
N
1 X
(xi m)2 (x m)2 .
N i=1
si obtinem
N
N s2
1 X
N
= 2
(xi m)2 2 (x m)2 ,
2
i=1
adica
N s2
+
2
xm
!2
=
N
1 X
(xi m)2 .
2 i=1
276
2 (N ) (t) = (1 2it) 2 .
Deci
C (t)(1 2it)1/2 = (1 2it)N/2 .
N 1
C
N 1
Atunci
T =
xm
xm
= s .
s
N
m x , x +
,
N
N
unde se determina din relatia ( ) =
Laplace.
1
,
2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
277
xm
care satisface o lege normala standard si prin urmare are functia de repartitie
1
F (z) =
2
Zz
t2
e 2 dt .
xm
< ,
adica
x < m < x + .
N
N
2) Vom considera functia statistica
T =
xm
s
N
278
xm
s
N
< t,N 1
s
s
x t,N 1 < m < x + t,N 1 .
N
N
Apoi
2, 9 + 3 + 2, 8 + 2, 4 + 2, 2 + 3, 1 + 2, 7 + 2, 5 + 2, 8 + 2, 7
= 2, 71 .
10
Deci
m
0, 5
0, 5
2, 71 1, 96
; 2, 71 + 1, 96
3, 16
3, 16
= (2, 40 ; 3, 02) .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
279
s =
25
N
s2 =
0, 82 = 0, 666
N 1
24
= 8, 16 si astfel N = 67.
N astfel ncat N > 2, 000 0,816
0,2
practica ntalnim multe variabile aleatoare care nu
Observatia 8.5.5. In
satisfac o lege normala. Astfel, daca presupunem ca datele de selectie
x1 , x2 , , xN sunt distribuite dupa o lege arbitrara cu media m si dispersia 2 atunci conform teoremei limita centrala
xm
N (0, 1) .
sN , x
sN
280
Exemplul 8.5.6. Salariul mediu a 400 de angajati selectati aleator din sectorul bancar este de 1220 lei iar abaterea standard de selectie corectata este
de 350 lei. Sa se determine intervalul n care se afla salariul mediu din sectorul bancar la nivelul de semnificatie:
a) = 0, 01;
b) = 0, 1.
Solutie. Intervalul cautat este
s
s
x , x +
,
N
N
350
350
1220 2, 5758
; 1220 + 2, 5758
20
20
= (1174, 93 ; 1265, 07) .
350
350
; 1220 + 1, 6449
1220 1, 6449
20
20
= (1191, 22 ; 1248, 78) .
2 (N )
v
uP
uN
u (xi m)2
t i=1
,
1 (N )
, P (2 (N ) > 1 (N )) = 1 .
2
2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
281
(N 1)s
(N 1)s2
;
,
2 (N 1)
1 (N 1)
unde 1 (N 1) si 2 (N 1) sunt cuantilele distributiei 2 (N 1)
determinate din relatiile
P (2 (N 1) > 2 (N 1)) =
, P (2 (N 1) > 1 (N 1)) = 1 .
2
2
, P (2 (N ) < 1 (N )) =
2
2
=1.
2
2
Dar
1 (N ) < B < 2 (N )
1 (N ) <
N
P
N
1 X
(xi m)2 < 2 (N )
2 i=1
N
P
(xi m)2
i=1
2 (N )
< 2 <
(xi m)2
i=1
1 (N )
282
N s2
(N 1)s
C= 2 =
despre care stim, din teorema 8.5.1, ca satisface repartitia 2 (N 1). Determinam 1 (N 1) si 2 (N 1) astfel ncat
P (2 (N 1) > 2 (N 1)) =
, P (2 (N 1) < 1 (N 1)) =
2
2
=1.
2
2
Dar
1 (N 1) < C < 2 (N 1)
2
(N 1)s
1 (N 1) <
< 2 (N 1)
2
2
(N 1)s
(N 1)s
< 2 <
2 (N 1)
1 (N 1)
de unde se obtine intervalul cautat pentru .
Exemplul 8.5.8. Cererea lunara pentru un anumit tip de autoturism satisface o lege normala N (m, ). O analiza statistica asupra anului precedent a
condus la rezultatele
Luna
Nr. de comenzi
1
44
2
3
54 76
4
5 6
62 70 56
7 8
48 34
9 10 11
78 50 62
12
54
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
Solutie. 1) Avem
12
P
283
i=1
0, 05
= 0, 025 2 (12) = 23, 34 ;
2
0, 05
= 0, 975 1 (12) = 4, 40 .
2
1952
;
23, 34
1952
4, 40
= (9, 14 ; 21, 06) .
2) Avem
N
P
x=
N
P
N 1
(xi x)2
i=1
xi
i=1
688
= 53, 33 ;
12
1866, 56
2
(N 1)s = 1866, 56 .
11
0, 05
= 0, 025 2 (11) = 21, 92 ;
2
0, 05
= 0, 975 1 (11) = 3, 82 .
2
Deci
r
1866, 56
;
21, 92
1866, 56
3, 82
= (9, 22 ; 22, 10) .
p f N
, f N +
,
N
N
unde se determina din relatia ( ) =
1
,
2
284
p
Cum fN =
SN
,
N
SN N p
N (0, 1) .
p(1 p) N
obtinem ca
f p
N
N (0, 1) .
p(1p)
fN p
Np
p(1 p)
1
.
2
Dar
(fN p)2
< 2
p(1 p)
N fN2 2N fN p + N p2 < 2 p 2 p2
(N + 2 )p2 (2N fN + 2 )p + N fN2 < 0 .
Avem
= (2N fN + 2 )2 4(N + 2 )N fN2 = 4N fN 2 + 4 4N 2 fN2 .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
285
Atunci
p
(2N fN + 2 ) 4N fN + 2 4N fN2
p1,2 =
.
2(N + 2 )
Simplificam fractia cu 2N . Obtinem
q
2
2
fN + 2N
fN + 4N
N
fN2
p1,2 =
.
2
1 + N
Pentru N suficient de mare
p1,2
2
N
' 0. Astfel
q
= fN
fN fN2 .
N
, f N +
.
p f N
N
N
Exemplul 8.5.10. Suntem interesati de opinia persoanelor adulte din judetul
Arad privind adoptarea cotei unice de impozitare de 16%. Se alege un esantion
format cu 1000 de persoane si se constata ca 350 din numarul celor interogati
aproba aceasta masura. Sa se determine limitele n care se afla ponderea persoanelor care aproba acesta masura:
1. cu o probabilitate de 99,6 %;
2. cu o probabilitate de 90%.
Solutie.
350
fN =
= 0, 35 ,
1000
286
2
=
0,
52
,
f
f
=
0,
5
s
i
N = 17, 32. Folosind
Solutie. 1) fN = 156
N
N
300
anexa C, pentru = 0, 05 gasim = 1, 96. Atunci
0, 5
0, 5
p 0, 52 1, 96
; 0, 52 + 1, 96
= (0, 4635 ; 0, 5765) .
17, 32
17, 32
2) Se impune conditia
p
fN fN2
< 0, 01 .
N
Deci
1, 96 0, 5
0, 5
1, 96 < 0, 01 N >
N > 98 N > 9604 .
0, 01
N
Capitolul 9
Verificarea ipotezelor statistice
9.1
Introducere
288
9.2
Testul Z
z=
/ N
si determinat de relatia ( ) = 1
, unde este functia lui Laplace.
2
Daca | z |< atunci ipoteza nula H0 : m = m0 se accepta, iar n caz
contrar ipoteza se respinge.
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
289
xm
/ N
care, din teorema 8.5.1, satisface o lege normala standard. Atunci putem
determina astfel ncat P ( < Z < ) = 1 . Intr-adevar
P ( < Z < ) = F ( ) F ( ) = 2F ( ) 1 = 2( )
si determinam astfel ncat ( ) = 1
.
2
Definim regiunea critica
u m0
N
U := (u1 , , uN ) R : > .
/ N
Atunci
x m0
P ((X1 , , XN ) U | H0 ) = P > | H0 = P (| Z |> ) = .
/ N
Folosind regiunea critica U, vom
accepta ipoteza nula H0 : m = m0 daca
xm
0
x m0
1, 23 1, 2
=
= 1, 90 .
0, 063/ 16
/ N
x m0
1, 23 1, 2
=
= 4, 51 .
0, 063/ 90
/ N
290
poate fi
30) caci, din teorema limita centrala, variabila aleatoare Z = /
N
aproximata cu o lege normala standard.
Exemplul 9.2.4. Timpul mediu de functionare a unui anumit aparat, dintrun lot mare, este de 1200 h cu abaterea standard de 150 h. Pe un esantion
de 100 bucati se gaseste media timpilor de functionare de 1180 h. Putem
considera ca lotul respecta prevederile la nivelul de semnificatie:
1. = 0, 3?
2. = 0, 15?
Solutie. m0 = 1200 ; = 150 ; N = 100 ; x = 1180. Atunci
z=
1180 1200
x m0
=
= 1, 3333 .
150/ 100
/ N
9.3
Testul T
x m0
s / N
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
291
xm
s / N
satisface repartitia Student t(N 1). Atunci, din anexa F, se poate determina
t,N 1 astfel ncat
P (t,N 1 < t(N 1) < t,N 1 ) = 1 .
Definim regiunea critica
u m0
N
> t,N 1 ,
U := (u1 , , uN ) R :
su / N
unde u =
1
N
N
P
ui , iar su =
i=1
1
N 1
N
P
i=1
x m0
P ((X1 , , XN ) U | H0 ) = P > t,N 1 | H0 =
s / N
= P (| T |> t,N 1 ) = .
Folosind regiunea critica U , vom
accepta ipoteza nula H0 : m = m0 daca
xm
(x1 , , xN ) 6 U , adica s /N0 < t,N 1 .
Exemplul 9.3.2. Caracteristica X ce reprezinta masa neta a unor borcane
umplute de o masina automata urmeaza legea normala N (m, ). Pe un
esantion de 20 borcane alese la ntamplare se gaseste o masa medie de 183g si
o abatere standard de selectie corectata de 4g. Masina a fost reglata sa umple
borcanele cu 185g. Putem considera ca masina este dereglata la nivelul de
semnificatie = 0, 05?
Solutie. Avem de verificat ipoteza nula H0 : m = 185. Cum m0 = 185,
x = 183, s = 4, N = 20, obtinem
t=
x m0
183 185
=
= 2, 236 .
4/ 20
s/ N
Pentru = 0, 95, din anexa F, gasim t,N 1 = 2, 093. Deci | t |> t,N 1 si
ipoteza se respinge, adica diferenta constatata ntre valoarea teoretica si cea
observata este semnificativa, nu este cauzata de alti factori ci de un dereglaj
al masinii.
292
pentru valori mari ale volumului esantionului (N > 30), t,N 1 ' . In
xm
1
0
concluzie, calculam t = s /N , determinam astfel ncat ( ) = 2 si
pentru | t |< ipoteza se accepta, iar n caz contrar ipoteza se respinge.
Exemplul 9.3.4. Se cerceteaza caracteristica X ce reprezinta media obtinut
a
de un student la terminarea facultatii. Sa se verifice, la nivelul de semnificatie
= 0, 01, ipoteza ca media teoretica este 8,50, stiind ca pe baza unei selectii
de volum 50 s-a obtinut x = 8, 26 si s = 1.
Solutie.
t=
x m0
8, 26 8, 50
=
= 1, 69 .
1/ 50
s / N
9.4
Compararea a dou
a medii
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
293
12
2
+ 2 .
N1 N2
294
este un estimator nedeplasat pentru dispersia teoretica 2 . Consideram variabila aleatoare E = x1 x2 . Avem M (E) = 0 si
2
2
1
1
2
2
2
2
D (E) = D (x1 ) + D (x2 ) =
+
=
+
.
N1 N2
N1 N2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
295
care satisface repartitia t(N1 + N2 2). Intr-adevar, din teorema 8.5.1, vari2
abila aleatoare
2
(N2 1)s2
2
(N1 1)s1
2
(N2 1)s2
(N1 1)s1
+
2
2
x1 x2
2
(N1 1)s
1
2
N1 N2
N1 +N2
2
(N 1)s
2
+ 2 2
N1 +N2 2
N1
X
(xi x1 )2 = 394.235, 6 ;
i=1
296
N2
X
(yi x2 )2 = 635.271, 8 ;
i=1
1498, 57 1495, 62
t=
394.235, 6 + 635.271, 8
7+82
= 0, 02 .
1
+ 81
7
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
297
Solutie.
x 1 x2
2800 3000
t= q 2
=q
= 4, 11 .
2
136.900
122.500
s1
s2
+ 120
+ N2
100
N1
Pentru = 0, 02, din anexa C, gasim = 2, 33. Cum | t |> , ipoteza se
respinge. Prin urmare diferenta | x1 x2 |= 200 este semnificativa, datorata
unor cauze sistematice cum este noul regim alimentar care s-a dovedit mai
eficient.
9.5
Testul 2
Consideram o caracteristica X a unei populatii statistice despre care presupunem ca urmeaza o lege normala N (m, ) cu parametrii necunoscuti.
Relativ la dispersia teoretica se face ipoteza nula H0 : 2 = 02 . Testul
poate fi folosit atunci cand dorim sa studiem precizia unei masini, gradul
de regularitate al vanzarilor dintr-un magazin, fiabilitatea unui aparat etc.
Pentru testarea acestei ipoteze se considera o selectie de volum N ce conduce
la datele de selectie x1 , x2 , , xN . Fie (0, 1) nivelul de semnificatie ales.
Teorema 9.5.1. (Testarea ipotezei nule H0 : 2 = 02 ). Fie
N
N s2
1 X
(xi x)2 = 2
h = 2
0 i=1
0
2
, P (2 (N 1) > 1 (N 1)) = 1 .
2
2
N
N s2
1 X
=
(xi x)2
2
2 i=1
298
, P (2 (N 1) < 1 (N 1)) =
2
2
unde u =
1
N
N
P
N
1 X
(ui u)2 6 (1 (N 1), 2 (N 1))} ,
2
0 i=1
ui . Atunci
i=1
P ((X1 , X2 , , XN ) U | H0 ) =
=P
!
N
1 X
(xi x)2 6 (1 (N 1), 2 (N 1)) =
2 i=1
= P (C 6 (1 (N 1), 2 (N 1))) = .
2
271
3
377
4
310
5
355
6
278
Luna
7
Nr. comenzi 337
8
324
9
293
10
251
11
309
12
345
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
299
Solutie.
12
P
x=
i=1
xi
=
3672
= 306 ;
12
12
12
1 X
2
(xi x)2 = 36, 05 .
h = 2
0 i=1
Folosind anexa D, din P (2 (11) > 1 (11)) = 1 2 = 0, 9 obtinem
1 (11) = 5, 58 si din P (2 (11) > 2 (11)) = 2 = 0, 1 obtinem 2 (11) = 17, 28.
Cum nsa h2 6 (5, 58; 17, 28) ipoteza se respinge.
9.6
Testul F
Se considera doua populatii independente si f, g doua variabile aleatoare asociate aceleasi caracteristici ale celor doua populatii, despre care se presupune
ca urmeaza o distributie normala de parametri m1 , 1 si respectiv m2 , 2 .
Se cere verificarea ipotezei nule H0 : 12 = 22 . Pentru aceasta se extrage
din fiecare populatie cate un esantion de volum N1 si respectiv N2 . Notam
2
datele de selectie x1 , x2 , , xN1 si respectiv y1 , y2 , , yN2 . Fie x1 , s1 media
2
empirica si dispersia empirica corectata a primului esantion si x2 , s2 media
empirica si dispersia empirica corectata a esantionului al doilea.
Teorema 9.6.1. (Verificarea ipotezei nule H0 : 12 = 22 ). Fie
2
s1
F0 = 2
s2
si F1 , F2 cuantilele repartitiei Fisher-Snedecor determinate de relatiile
x
)
2
i
1
N
1
N
1
1
1
s
i=1
i=1
=
.
F = 12 =
N2
N2
P
P
s2
yi x2 2
1
1
2
(yi x2 )
N2 1
N2 1
i=1
i=1
Atunci
300
1
F
, P (F < F1 ) = .
2
2
Dar
1
P (F < F1 ) = P
= P F (N2 1, N1 1) >
.
F1
Atunci P (F < F1 ) = 2 revine la P F (N2 1, N1 1) > F11 = 2 . Cu
F1 , F2 astfel determinati avem P (F1 < F < F2 ) = 1 . Definim regiunea
critica U := {F 6 (F1 , F2 )}. Atunci, daca valoarea lui F obtinuta din
selectie si notata F0 se afla n afara intervalului (F1 , F2 ), ipoteza cu privire
la egalitatea dispersiilor trebuie respinsa.
1
1
>
F
F1
Exemplul 9.6.2. Doua masini produc piese de acelasi tip. Fie f dimensiunea pieselor, exprimata n mm, produse de prima masina si g dimensiunea
pieselor produse de a doua masina, fiecare satisfacand o lege normala. Se aleg
doua esantioane din piesele fabricate de cele doua masini si se obtin datele:
x1 = 50, 02 , x2 = 49, 98 , x3 = 49, 99 , x4 = 50, 00 , x5 = 50, 01 ,
x6 = 50, 01 , x7 = 50, 03 , y1 = 50, 05 , y2 = 50, 08 , y3 = 50, 09 ,
y4 = 50, 07 , y5 = 50, 06 , y6 = 50, 08.
a
La nivelul de semnificatie = 0, 1, putem admite ca 12 = 22 , adica o masin
nu este mai precisa ca cealalta.
Solutie.
x1 =
350, 04
300, 43
= 50, 0057 ; x2 =
= 50, 0716 ;
7
6
1
2
s1 = (2044 + 6604 + 2464 + 324 + 184 + 184 + 5904) 107 = 2951, 3 107 ;
6
1
2
s2 = (4665 + 705 + 3385 + 25 + 1345 + 705) 107 = 2166 107 ;
5
2
s
F0 = 12 = 1, 362 .
s2
Pentru = 0, 1, din anexa E, determinam F2 astfel ncat
P (F (6, 5) > F2 ) =
0, 1
= 0, 05 .
2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
301
9.7
1
F1
fN
, fN +
,
N
N
unde se determina din relatia ( ) = 1
, iar este functia lui Laplace.
2
Astfel, vom accepta ipoteza nula H0 : p = p0 daca
!
p
p
fN fN2
fN fN2
p0 fN
, f N +
N
N
si o vom respinge n caz contrar.
Exemplul 9.7.1. Rezultatele statistice disponibile ne arata ca 4% din populatia Romaniei practica un sport n timpul liber. Dintr-un esantion de 200
persoane interogate telefonic, 18 au declarat ca practica un sport. Este
esantionul reprezentativ la nivelul de semnificatie = 0, 05?
18
= 0, 09 ;
N = 200 =
Solutie. p0 = 0, 04 ; N = 200 ; fN = 200
p
= 14, 142 ;
fN fN2 = 0, 09 0, 081 = 0, 286. Daca = 0, 05 atunci,
din anexa C, gasim = 1, 96. Intervalul de ncredere cautat este
0, 286
0, 286
0, 09 1, 96
; 0, 09 + 1, 96
= (0, 0504; 0, 1296) .
14, 142
14, 142
Cum p0 6 (0, 0504; 0, 1296) ipoteza se respinge, adica esantionul nu este
reprezentativ. Cauzele pot fi diverse si pleaca de la o pondere incorecta
302
=
0,
517
;
N
=
700 =
Solutie. p0 = 0, 515 ; N = 700 ; fN = 362
700
p
2
= 26, 45 ; fN fN = 0, 517 0, 267 = 0, 5. Pentru = 0, 06, din anexa
C, gasim = 1, 88. Intervalul de ncredere este
0, 5
0, 5
0, 517 1, 88
; 0, 517 + 1, 88
= (0, 482; 0, 552) .
26, 45
26, 45
Cum p0 = 0, 515 (0, 482; 0, 552) ipoteza p = p0 se accepta. Prin urmare
nu avem nici un motiv sa credem ca tratamentul exercita o influenta asupra
sexului noilor nascuti.
9.8
Testul de concordant
a 2
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
303
admise prin ipoteza si frecventele relative NNi sau estimarea apropierii dintre
Ni si N pi . Ca masura a abaterii vom considera functia statistica
2
h =
n
X
(Ni N pi )2
i=1
N pi
6
X
(Ni N pi )2
i=1
N pi
6
X
(Ni 10)2
i=1
10
304
Exemplul 9.8.2. S-a nregistrat numarul X de clienti ce intra ntr-un magazin n timp de 1 minut si s-au obtinut datele
Nr. de clienti
Nr. de minute
0 1
23 75
2
3 4
68 51 30
5 >5
10
7
h20
6
X
(Nk N pk )2
k=0
N pk
(7 4, 38)2
(23 35, 71)2
+ +
= 8, 41 .
35, 71
4, 38
h =
n
X
(Ni N pi )2
i=1
N pi
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
305
x=
10
P
ak Nk
k=1
(ak x)2 Nk
k=1
6 2 + 7 3 + + 15 2
= 10, 038 ,
103
N 1
Deci s = 1, 78.
Avem de calculat probabilitatile pk asociate fiecarei clase. Pentru a putea
aplica
anexa C va trebui sa normalizam aceste clase. In plus, pentru ca
P
pk = 1 va trebui ca cele doua clase extreme sa fie extinse. Astfel, prima
clasa va fi I10 , formata cu magazinele a caror cifra de afaceri este mai mica
0
ca 6,5, iar ultima clasa I10
va fi formata din magazinele cu o cifra de afaceri
mai mare decat 14,5. O limita de clasa l va fi normalizata punand n locul
. Astfel
ei lx
s
1. l1 = 6, 5 devine l10 =
6,510,038
1,78
= 1, 99;
306
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
307
10
X
(Ni N pi )2
i=1
N pi
(2 2, 3999)2
(2 0, 618)2
+ +
= 8, 668 .
2, 3999
0, 618
9.9
Testarea independentei
y1 y2 ym
N11 N12 N1m
N21 N22 N2m
Nn1 Nn2 Nnm
K1 K 2 Km
Total
N1
N2
..
.
Nn
N
unde Nij reprezinta numarul de indivizi din esantion pentru care prima caracteristica ia valoarea xi , iar cea de-a doua valoarea yj . Fie
eij =
Ni Kj
, i = 1, n , j = 1, m .
N
308
y1 y2 y3
Total Ni
53 14 6
73
15 58 8
81
7 10 29
46
75 82 43
200
7573 2
200
7573
200
53
8273 2
200
8273
200
14
+ +
4346 2
200
4346
200
29
= 117 .
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
309
310
Capitolul 10
Corelatie si regresie
10.1
Introducere
312
N
X
(f (xk ) yk )2
k=1
N
X
(f (xk ) yk )2
k=1
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
10.2
313
Corelatia simpl
a liniar
a
sa ia valoarea minima n (
a, b).
Teorema 10.2.1. Fie x, sX valoarea medie si abaterea standard de selectie
ale variabilei aleatoare X si y, sY valoarea medie si abaterea standard de
selectie ale variabilei aleatoare Y. Fie
1
N
r=
N
P
x i yi x y
i=1
sX sy
sY
sY
, b = y x r
.
sX
sX
Demonstratie. Vom determina mai ntai punctele critice ale lui rezolvand
sistemul
a = 0
.
=0
b
Acesta revine la
N
P
2(axi + b yi )xi = 0
i=1
N
P
i=1
2(axi + b yi ) = 0
314
adica
N
N
N
P
P
P 2
+
b
x
=
xi y i
a
x
i=1 i
i=1
i=1
N
P
xi + N b =
i=1
N
P
yi
i=1
Atunci
N
N
P 2 P
N
x
x
i
i
X
i=1
i=1
x2i
= N
=N
P
i=1
xi
N
N
X
!2
xi
i=1
i=1
N
N
P
P
N
x
y
x
i
i
i
X
i=1
i=1
=N
1 =
xi y i
N
P yi
i=1
N
N
X
N
X
xi
i=1
!
yi
i=1
i=1
N
N
P 2 P
x
xi yi
i
i=1
i=1
2 = N
N
P xi P y i
i=1
i=1
N
X
!
x2i
N
X
i=1
!
yi
N
X
i=1
N
X
xi y i
i=1
i=1
N
P
N
xi y i
xi
yi
1
i=1
i=1
i=1
a
=
=
,
N 2
N
P
P
N
x2i
xi
N
P
i=1
N
P
b = 2 =
i=1
x2i
i=1
N N
N
P
P
P
yi
xi y i
xi
i=1
i=1
i=1
.
N 2
N
P
P
N
x2i
xi
i=1
i=1
Observam ca
N
1 X
1
s2X =
(xi x)2 =
N i=1
N
N
X
i=1
x2i 2x
N
X
i=1
!
xi + N x2
!
xi
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
315
N
N
1 X 2
1 X 2
xi 2x2 + x2 =
x x2 .
N i=1
N i=1 i
Atunci a
, prin simplificare cu N 2 , devine
1
N
a
=
N
P
1
N
xi y i x y
i=1
N
P
1
x2i
N
i=1
N
P
xi y i x y
i=1
=r
s2X
x2
sY
.
sX
b =
Cum s2X =
1
N
N
P
1
y
N
N
P
x2i
i=1
i=1
b =
1
x
N
N
P
xi y i
i=1
s2X
x2i x2 , obtinem ca
y(s2X + x2 )
1
x
N
N
P
xi yi
1
N
N
P
i=1
x
=y 2
sX
i=1
s2X
"
#
N
1 X
xi y i x y =
N i=1
sY
x
.
rsx sy = y x r
2
sX
sX
Ramane sa verificam ca punctul (
a, b) este un punct de minim. Avem
=y
X
X
2
2
2
2
=
2
x
,
=
2
x
,
= 2N .
i
i
2
a2
ab
b
i=1
i=1
Obtinem matricea
N
P
N
P
x2i
2 xi
2
i=1
i=1
,
N
P
2 xi
2N
i=1
N
X
i=1
x2i > 0 ,
316
2 = 4N
N
X
x2i 4
N
X
i=1
!2
"
= 4N 2
xi
i=1
#
N
1 X 2
x x2 = 4N 2 s2X > 0 .
N i=1 i
8 11
46 60
20 22
82 86
24 25
89 95
N
1 X 2
=
x x2 = 335, 86 172 = 46, 86 ;
N i=1 i
N
1 X 2
=
y y 2 = 5570, 14 72, 142 = 365, 96 .
N i=1 i
s2Y
1
N
r=
N
P
xi y i x y
i=1
sX sy
1356, 28 17 72, 14
= 0, 9927 .
6, 84 19, 13
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
317
Apoi
sY
19, 13
= 0, 9927
= 2, 776 ;
sX
6, 84
b = y x r sY = 72, 14 17 0, 9927 19, 13 = 24, 94 .
sX
6, 84
Astfel, ecuatia dreptei de regresie este y = 2, 776x + 24, 94.
a
=r
xi x0
yi y0
, vi =
,
t0
s0
cu x0 , y0 , t0 , v0 alesi convenabil.
10.3
Corelatia simpl
a neliniar
a
318
si determinam a
, b, c, estimatii ale coeficientilor a, b, c, astfel ncat functia
eroare sa ia valoarea minima n (
a, b, c). Prin urmare avem de rezolvat
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
sistemul
adica
=0
=0 ,
=0
319
N
P
i=1
P
N
2(ax2i + bxi + c yi )xi = 0 .
i=1
2(ax2i + bxi + c yi ) = 0
i=1
3
2
a
x
+
b
x
+
c
x
=
x2i yi
i
i
i
i=1
i=1
i=1
i=1
P
N
N
N
N
P
P
P
xi yi
a x3i + b x2i + c xi =
i=1
i=1
i=1
i=1
N
N
N
P
P
P
yi
a x2i + b xi + c N =
i=1
i=1
i=1
320
Anexa A
Legea binomial
a
Probabilitatile binomiale P (k, n) = Cnk pk (1 p)nk pentru n = 5
k\p
0
1
2
3
4
1%
0,9510
0,0480
0,0010
2%
0,9039
0,0922
0,0038
3%
0,8587
0,1328
0,0082
0,0003
4%
0,8153
0,1699
0,0142
0,0006
5%
0,7738
0,2036
0,0214
0,0011
6%
0,7339
0,2342
0,0299
0,0019
7%
0,6957
0,2618
0,0394
0,0030
0,0001
8%
0,6591
0,2865
0,0498
0,0043
0,0002
9%
0,6240
0,3086
0,0610
0,0060
0,0003
k\p
0
1
2
3
4
5
10%
0,9505
0,3280
0,0729
0,0081
0,0004
15%
0,4437
0,3915
0,1382
0,0244
0,0022
0,0001
20%
0,3277
0,4096
0,2048
0,0512
0,0064
0,0003
25%
0,2373
0,3955
0,2637
0,0879
0,0146
0,0010
30%
0,1681
0,3601
0,3087
0,1323
0,0383
0,0024
35%
0,1160
0,3124
0,3364
0,1811
0,0488
0,0053
40%
0,0778
0,2592
0,3456
0,2304
0,0768
0,0102
45%
0,0503
0,2059
0,3369
0,2757
0,1128
0,0185
50%
0,0312
0,1562
0,3125
0,3125
0,1563
0,0313
1%
0,9044
0,0914
0,0042
0,0001
2%
0,8171
0,1667
0,0153
0,0008
3%
0,7374
0,2281
0,0317
0,0026
0,0001
4%
0,6648
0,2770
0,0519
0,0058
0,0004
5%
0,5987
0,3151
0,0746
0,0105
0,0010
321
6%
0,5386
0,3438
0,0988
0,0168
0,0019
7%
0,4840
0,3643
0,1234
0,0248
0,0033
8%
0,4344
0,3777
0,1478
0,0343
0,0052
9%
0,3894
0,3851
0,1714
0,0452
0,0078
ANEXA A. LEGEA BINOMIALA
322
k\p
0
1
2
3
4
5
6
7
8
9
10%
0,3487
0,3874
0,1937
0,0574
0,0112
0,0015
0,0001
15%
0,1969
0,3474
0,2759
0,1298
0,0401
0,0085
0,0012
0,0001
20%
0,1074
0,2684
0,3020
0,2013
0,0881
0,0264
0,0055
0,0008
0,0001
25%
0,0563
0,1877
0,2816
0,2503
0,1460
0,0584
0,0162
0,0031
0,0004
30%
0,0282
0,1211
0,2335
0,2668
0,2001
0,1029
0,0368
0,0090
0,0014
0,0001
35%
0,0135
0,0725
0,1757
0,2522
0,2377
0,1536
0,0689
0,0212
0,0043
0,0005
40%
0,0060
0,0403
0,1209
0,2150
0,2508
0,2007
0,1115
0,0425
0,0106
0,0016
45%
0,0025
0,0207
0,0763
0,1665
0,2384
0,2340
0,1596
0,0746
0,0229
0,0042
50%
0,0010
0,0098
0,0439
0,1172
0,2051
0,2461
0,2051
0,1172
0,0439
0,0098
1%
0,8601
0,1303
0,0092
0,0004
2%
0,7386
0,2261
0,0323
0,0029
0,0002
3%
0,6333
0,2938
0,0636
0,0085
0,0008
0,0001
4%
0,5421
0,3388
0,0986
0,0178
0,0022
0,0002
5%
0,4633
0,3658
0,1348
0,0307
0,0049
0,0006
6%
0,3953
0,3785
0,1691
0,0468
0,0090
0,0013
0,0001
7%
0,3367
0,3801
0,2003
0,0653
0,0148
0,0024
0,0003
k\p
0
1
2
3
4
5
6
7
8
9
10
11
12
10%
0,2059
0,3431
0,2669
0,1285
0,0429
0,0105
0,0019
0,0003
20%
0,0352
0,1319
0,2309
0,2502
0,1876
0,1041
0,0430
0,0139
0,0034
0,0001
30%
0,0047
0,0306
0,0915
0,1701
0,2186
0,2061
0,1473
0,0811
0,0348
0,0115
0,0030
0,0006
0,0001
40%
0,0005
0,0047
0,0219
0,0634
0,1268
0,1859
0,0266
0,1771
0,1181
0,0612
0,0245
0,0074
0,0016
50%
0,0005
0,0032
0,0139
0,0416
0,0917
0,1527
0,1964
0,1964
0,1527
0,0917
0,0416
0,0139
8%
0,2863
0,3734
0,2273
0,0857
0,0223
0,0043
0,0006
9%
0,2430
0,3605
0,2496
0,1070
0,0317
0,0069
0,0011
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
323
1%
0,8179
0,1652
0,0159
0,0010
2%
0,6676
0,2725
0,0528
0,0065
0,0006
3%
0,5438
0,3364
0,0988
0,0183
0,0024
0,0002
4%
0,4420
0,3683
0,1458
0,0364
0,0065
0,0009
0,0001
5%
0,3585
0,3774
0,1887
0,0596
0,0133
0,0022
0,0003
6%
0,2901
0,3703
0,2246
0,0860
0,0233
0,0048
0,0008
7%
0,2342
0,3526
0,2521
0,1139
0,0364
0,0088
0,0017
k\p
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
10%
0,1216
0,2701
0,2852
0,1901
0,0898
0,0319
0,0089
0,0020
0,0003
0,0001
20%
0,0115
0,0577
0,1369
0,2053
0,2182
0,1746
0,1091
0,0546
0,0221
0,0074
0,0020
0,0005
0,0001
30%
0,0008
0,0068
0,0279
0,0716
0,1304
0,1789
0,1916
0,1643
0,1144
0,0653
0,0309
0,0120
0,0038
0,0010
0,0003
40%
50%
0,0005
0,0031
0,0124
0,0350
0,0746
0,1244
0,1659
0,1797
0,1597
0,1172
0,0710
0,0355
0,0145
0,0049
0,0013
0,0002
0,0011
0,0046
0,0148
0,0370
0,0739
0,1201
0,1602
0,1762
0,1602
0,1201
0,0739
0,0370
0,0148
8%
0,1887
0,3282
0,2711
0,1414
0,0523
0,0145
0,0032
9%
0,1516
0,3000
0,2818
0,1672
0,0703
0,0222
0,0055
ANEXA A. LEGEA BINOMIALA
324
1%
0,7397
0,2242
0,0328
0,0031
0,0002
2%
0,5455
0,3340
0,0988
0,0188
0,0026
0,0003
3%
0,4010
0,3721
0,1669
0,0482
0,0101
0,0016
0,0002
4%
0,2939
0,3673
0,2219
0,0863
0,0243
0,0053
0,0009
0,0001
5%
0,2146
0,3389
0,2586
0,1270
0,0451
0,0124
0,0027
0,0005
0,0001
6%
0,1563
0,2992
0,2769
0,1650
0,0711
0,0236
0,0063
0,0014
0,0003
7%
0,1134
0,2560
0,2794
0,1963
0,0997
0,0390
0,0122
0,0032
0,0007
k\p
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
10%
0,0424
0,1413
0,2277
0,2360
0,1771
0,1023
0,0474
0,0180
0,0058
0,0015
0,0004
0,0001
20%
0,0012
0,0093
0,0337
0,0785
0,1325
0,1723
0,1795
0,1538
0,1105
0,0676
0,0355
0,0161
0,0064
0,0022
0,0007
0,0002
30%
40%
50%
0,0003
0,0012
0,0042
0,0115
0,0263
0,0505
0,0823
0,1152
0,1396
0,1474
0,1360
0,1101
0,0783
0,0490
0,0279
0,0119
0,0054
0,0020
0,0002
0,0005
0,0019
0,0055
0,0133
0,0280
0,0508
0,0806
0,1115
0,1355
0,1444
0,1355
0,1115
0,0806
0,0508
0,0280
0,0003
0,0018
0,0072
0,0209
0,0464
0,0829
0,1219
0,1501
0,1573
0,1416
0,1103
0,0748
0,0444
0,0232
0,0105
0,0043
0,0015
0,0004
0,0002
8%
0,0820
0,2138
0,2696
0,2188
0,1284
0,0581
0,0210
0,0063
0,0016
9%
0,0591
0,1752
0,2513
0,2319
0,1548
0,0796
0,0328
0,0111
0,0032
Anexa B
Legea lui Poisson
Probabilitatile Pk =
k
e
k!
k\
0
1
2
3
4
5
0,1
0,9048
0,0905
0,0045
0,0002
0,2
0,8187
0,1637
0,0164
0,0011
0,0001
0,3
0,7408
0,2222
0,0333
0,0033
0,0003
0,4
0,6703
0,2681
0,0536
0,0072
0,0007
0,0001
0,5
0,6065
0,3033
0,0758
0,0126
0,0016
0,0002
0,6
0,5488
0,3293
0,0988
0,0198
0,0030
0,0004
0,7
0,4966
0,3476
0,1217
0,0284
0,0050
0,0007
0,8
0,4493
0,3595
0,1438
0,0383
0,0077
0,0012
0,9
0,4066
0,3659
0,1647
0,0494
0,0111
0,0020
k\
0
1
2
3
4
5
6
7
8
9
10
11
1
0,3679
0,3679
0,1839
0,0613
0,0153
0,0031
0,0005
0,0001
1,5
0,2231
0,3347
0,2510
0,1255
0,0471
0,0141
0,0035
0,0008
0,0001
2
0,1353
0,2707
0,2707
0,1804
0,0902
0,0361
0,0120
0,0034
0,0009
0,0002
2,5
0,0821
0,2052
0,2565
0,2138
0,1336
0,0668
0,0278
0,0099
0,0031
0,0009
0,0002
3
0,0498
0,1494
0,2240
0,2240
0,1680
0,1008
0,0504
0,0216
0,0081
0,0027
0,0008
0,0002
3,5
0,0302
0,1057
0,1850
0,2158
0,1888
0,1322
0,0771
0,0385
0,0169
0,0066
0,0023
0,0007
4
0,0183
0,0733
0,1465
0,1954
0,1954
0,1563
0,1042
0,0595
0,0298
0,0132
0,0053
0,0019
4,5
0,0111
0,0500
0,1125
0,1687
0,1898
0,1708
0,1281
0,0824
0,0463
0,0232
0,0104
0,0043
5
0,0067
0,0337
0,0842
0,1404
0,1755
0,1755
0,1462
0,1044
0,0653
0,0363
0,0181
0,0082
325
326
k\
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
5,5
0,0041
0,0225
0,0618
0,1133
0,1558
0,1714
0,1571
0,1234
0,0849
0,0519
0,0285
0,0143
0,0065
0,0028
0,0011
0,0004
0,0001
6
0,0025
0,0149
0,0446
0,0892
0,1339
0,1606
0,1606
0,1377
0,1033
0,0688
0,0413
0,0225
0,0113
0,0052
0,0022
0,0009
0,0003
0,0001
6,5
0,0015
0,0098
0,0318
0,0688
0,1118
0,1454
0,1575
0,1462
0,1188
0,0858
0,0558
0,0330
0,0179
0,0089
0,0041
0,0018
0,0007
0,0003
0,0001
7
0,0009
0,0064
0,0223
0,0521
0,0912
0,1277
0,1490
0,1490
0,1304
0,1014
0,0710
0,0452
0,0264
0,0142
0,0071
0,0033
0,0014
0,0006
0,0002
0,0001
7,5
0,0006
0,0041
0,0156
0,0389
0,0729
0,1094
0,1367
0,1465
0,1373
0,1144
0,0858
0,0585
0,0366
0,0211
0,0113
0,0057
0,0026
0,0012
0,0005
0,0002
0,0001
8
0,0003
0,0027
0,0107
0,0286
0,0573
0,0916
0,1221
0,1396
0,1396
0,1241
0,0993
0,0722
0,0481
0,0296
0,0169
0,0090
0,0045
0,0021
0,0009
0,0004
0,0002
8,5
0,0002
0,0017
0,0074
0,0208
0,0443
0,0752
0,1066
0,1294
0,1375
0,1299
0,1104
0,0853
0,0604
0,0395
0,0240
0,0136
0,0072
0,0036
0,0017
0,0008
0,0003
9
0,0001
0,0011
0,0050
0,0150
0,0337
0,0607
0,0911
0,1171
0,1318
0,1318
0,1186
0,0970
0,0728
0,0504
0,0324
0,0194
0,0109
0,0058
0,0029
0,0014
0,0006
9,5
0,0001
0,0007
0,0034
0,0107
0,0254
0,0483
0,0764
0,1037
0,1232
0,1300
0,1235
0,1067
0,0844
0,0617
0,0419
0,0265
0,0157
0,0088
0,0046
0,0023
0,0011
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
k\
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
10
0,0189
0,0378
0,0631
0,0901
0,1126
0,1251
0,1251
0,1137
0,0948
0,0729
0,0521
0,0347
0,0216
0,0128
0,0071
0,0037
0,0019
0,0009
0,0004
0,0002
0,0001
11
0,0102
0,0224
0,0411
0,0646
0,0888
0,1085
0,1194
0,1194
0,1094
0,0926
0,0728
0,0534
0,0367
0,0237
0,0145
0,0084
0,0046
0,0024
0,0012
0,0006
0,0003
0,0001
12
0,0053
0,0127
0,0255
0,0437
0,0655
0,0874
0,1048
0,1144
0,1144
0,1056
0,0905
0,0724
0,0543
0,0383
0,0255
0,0161
0,0097
0,0055
0,0030
0,0016
0,0008
0,0004
0,0002
0.0001
13
0,0027
0,0070
0,0152
0,0281
0,0457
0,0661
0,0859
0,1015
0,1099
0,1099
0,1021
0,0885
0,0719
0,0550
0,0397
0,0272
0,0177
0,0109
0,0065
0,0037
0,0020
0,0010
0,0005
0,0002
0,0001
14
0,0013
0,0037
0,0087
0,0174
0,0304
0,0473
0,0663
0,0844
0,0984
0,1060
0,1060
0,0989
0,0866
0,0713
0,0554
0,0409
0,0286
0,0191
0,0121
0,0074
0,0043
0,0024
0,0013
0,0007
0,0003
15
0,0007
0,0019
0,0048
0,0104
0,0194
0,0324
0,0486
0,0663
0,0829
0,0956
0,1024
0,1024
0,0960
0,0847
0,0706
0,0558
0,0418
0,0299
0,0204
0,0133
0,0083
0,0050
0,0029
0,0016
0,0009
16
0,0003
0,0010
0,0026
0,0060
0,0120
0,0213
0,0341
0,0496
0,0661
0,0814
0,0930
0,0992
0,0992
0,0934
0,0830
0,0699
0,0559
0,0426
0,0310
0,0216
0,0144
0,0092
0,0057
0,0034
0,0019
327
17
0,0002
0,0005
0,0014
0,0034
0,0072
0,0135
0,0230
0,0356
0,0504
0,0658
0,0700
0,0906
0,0963
0,0963
0,0909
0,0814
0,0692
0,0560
0,0433
0,0320
0,0227
0,0154
0,0101
0,0063
0,0039
18
0,0001
0,0002
0,0007
0,0019
0,0042
0,0083
0,0150
0,0245
0,0368
0,0509
0,0655
0,0786
0,0884
0,0936
0,0936
0,0887
0,0798
0,0684
0,0560
0,0438
0,0329
0,0237
0,0164
0,0109
0,0070
328
Anexa C
Legea normal
a
Valorile functie lui Laplace (x) =
x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
+0,00
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
+0,01
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
+0,02
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4046
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4983
+0,03
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3228
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
+0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
329
+0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
1
2
+0,06
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
Rx
t2
e 2 dt
+0,07
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
+0,08
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
+0,09
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
ANEXA C. LEGEA NORMALA
330
x
(x)
x
(x)
3,0
0,49865
3,6
0,499841
3,1
0,49904
3,7
0,499889
3,2
0,49931
3,3
0,49952
3,8
0,499928
3,9
0,499951
3,4
0,49966
4,0
0,499968
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
+0,00
1,6449
1,2816
1,0364
0,8416
0,6745
0,5244
0,3853
0,2533
0,1257
+0,01
2,5758
1,5982
1,2536
1,0152
0,8239
0,6588
0,5101
0,3719
0,2404
0,1130
103
3,2905
+0,02
2,3263
1,5548
1,2265
0,9945
0,8064
0,6433
0,4959
0,3585
0,2275
0,1004
104
3,8906
+0,03
2,1701
1,5141
1,2004
0,9741
0,7892
0,6280
0,4817
0,3451
0,2147
0,0878
+0,04
2,0537
1,4758
1,1750
0,9542
0,7722
0,6128
0,4677
0,3319
0,2019
0,0753
105
3,4172
+0,05
1,9600
1,4395
1,1503
0,9346
0,7554
0,5978
0,4538
0,3186
0,1891
0,0627
106
4,4916
+0,06
1,8808
1,4051
1,1264
0,9154
0,7388
0,5828
0,4399
0,3055
0,1764
0,0502
107
5,3267
3,5
0,49976
4,5
0,499997
1
2
+0,07
1,8119
1,3722
1,1031
0,8965
0,7225
0,5681
0,4261
0,2924
0,1637
0,0376
108
5,7307
+0,08
1,7507
1,3408
1,0803
0,8779
0,7063
0,5534
0,4125
0,2753
0,1510
0,0251
109
6,1094
+0,09
1,6954
1,3106
1,0581
0,8596
0,6903
0,5388
0,3989
0,2663
0,1383
0,0125
Anexa D
Legea 2
Valorea lui x pentru care P (2 (n) > x) =
n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0,999
0,000
0,002
0,024
0,091
0,210
0,381
0,598
0,857
1,15
1,48
1,83
2,21
2,62
3,04
3,48
3,94
4,42
4,90
5,41
5,92
0,995
0,000
0,010
0,072
0,207
0,412
0,676
0,989
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43
0,99
0,000
0,020
0,115
0,297
0,554
0,872
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,01
7,63
8,26
0,975
0,001
0,051
0,216
0,484
0,831
1,24
1,69
2,18
2,70
3,25
3,82
4,40
5,01
5,63
6,26
6,91
7,56
8,23
8,91
9,59
331
0,95
0,004
0,103
0,352
0,711
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
0,9
0,016
0,211
0,584
1,064
1,61
2,20
2,83
3,49
4,17
4,87
5,58
6,30
7,04
7,79
8,55
9,31
10,08
10,87
11,65
12,44
0,75
0,102
0,575
1,21
1,92
2,67
3,45
4,25
5,07
5,90
6,73
7,58
8,43
9,30
10,16
11,03
11,91
12,79
13,67
14,56
15,45
0,5
0,455
1,386
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,34
11,34
12,34
13,34
14,34
15,34
16,34
17,34
18,34
19,34
ANEXA D. LEGEA 2
332
n\
21
22
23
24
25
26
27
28
29
30
0,999
6,45
6,98
7,53
8,08
8,65
9,22
9,80
10,40
11,02
11,61
0,995
8,03
8,64
9,26
9,89
10,56
11,20
11,84
12,49
13,15
13,82
0,99
8,90
9,54
10,20
10,86
11,52
12,20
12,88
13,56
14,26
14,95
0,975
10,28
10,98
11,69
12,40
13,12
13,84
14,57
15,31
16,05
16,79
0,95
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
0,9
13,24
14,04
14,85
15,66
16,47
17,29
18,11
18,94
19,77
20,60
0,75
16,34
17,24
18,13
19,03
19,94
20,84
21,57
22,66
23,56
24,48
0,5
20,34
21,34
22,34
23,34
24,34
25,34
26,34
27,34
28,34
29,34
n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0,3
1,07
2,41
3,67
4,88
6,06
7,23
8,38
9,52
10,66
11,78
12,90
14,01
15,12
16,22
17,32
18,42
19,51
20,60
21,69
22,78
0,25
1,32
2,77
4,11
5,39
6,63
7,84
9,04
10,22
11,39
12,55
13,70
14,85
15,98
17,12
18,25
19,37
20,49
21,60
22,72
23,83
0,1
2,71
4,61
6,25
7,78
9,24
10,65
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
0,05
3,84
5,99
7,82
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,69
25,00
26,30
27,59
28,87
30,14
31,41
0,025
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
0,01
6,64
9,21
11,35
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
0,005
7,88
10,60
13,00
15,00
16,86
18,65
20,37
22,03
23,66
25,25
26,82
28,35
29,87
31,37
32,85
34,31
35,76
37,19
38,62
40,03
0,001
10,83
13,82
16,27
18,47
20,52
22,46
24,32
26,13
27,88
29,59
31,26
32,91
34,53
36,12
37,70
39,25
40,79
42,31
43,82
45,32
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
n\
21
22
23
24
25
26
27
28
29
30
0,3
23,86
24,94
26,02
27,10
28,17
29,25
30,32
31,39
32,46
33,53
0,25
24,93
26,04
27,14
28,24
29,34
30,43
31,53
32,62
33,71
34,80
0,1
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
0,05
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
0,025
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
0,01
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,29
49,59
50,89
0,005
41,43
42,83
44,21
45,59
46,96
48,32
49,67
51,02
52,36
53,70
333
0,001
46,78
48,27
49,73
51,18
52,62
54,05
55,48
56,89
58,30
59,70
334
ANEXA D. LEGEA 2
Anexa E
Legea Fisher-Sn
ed
ecor
Valorea lui F0 cu proprietatea P (F (m, n) > F0 ) =
= 0, 05
n\m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
161
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
2
200
19,00
9,55
6,94
5,79
5,14
7,74
4,46
4,26
4,10
3,98
3,88
3,80
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3
216
19,25
9,28
6,59
5,41
4,76
4,34
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
4
225
19,28
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
5
230
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,02
2,96
2,90
2,85
2,81
2,77
2,74
2,71
335
6
234
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
7
237
19,36
8,88
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,92
2,84
2,77
2,70
2,66
2,62
2,58
2,55
2,52
8
239
19,37
8,84
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
9
241
19,38
8,81
6,00
4,78
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,72
2,65
2,59
2,54
2,50
2,46
2,43
2,40
10
242
19,39
8,78
5,96
4,74
4,06
3,63
3,34
3,13
2,97
2,86
2,76
2,67
2,60
2,55
2,49
2,45
2,41
2,38
2,35
336
ECOR
LEGEA FISHER-SNED
ANEXA E.
n\m
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100
n\m
1
2
3
4
5
6
7
8
9
10
1
4,32
4,30
4,18
4,26
4,24
4,22
4,21
4,20
4,18
4,17
4,15
4,13
4,11
4,10
4,08
4,07
4,06
4,05
4,04
4,03
4,00
3,98
3,96
3,94
3,84
11
243
19,40
8,76
5,93
4,70
4,03
3,60
3,31
3,10
2,94
2
3,47
3,44
3,42
3,40
3,38
3,37
3,35
3,34
3,33
3,32
3,30
3,28
3,26
3,25
3,23
3,22
3,21
3,20
3,19
3,18
3,15
3,13
3,11
3,09
2,99
12
244
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
3
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,90
2,88
2,86
2,85
2,84
2,83
2,82
2,81
2,80
2,79
2,76
2,74
2,72
2,70
2,60
14
245
19,42
8,71
5,87
4,64
3,96
3,52
3,23
3,02
2,86
4
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,67
2,65
2,63
2,62
2,61
2,59
2,58
2,57
2,56
2,56
2,52
2,50
2,48
2,46
2,37
16
246
19,43
8,69
5,84
4,60
3,92
3,49
3,20
2,98
2,82
5
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,54
2,53
2,51
2,49
2,48
2,46
2,45
2,44
2,43
2,42
2,41
2,40
2,37
2,35
2,33
2,30
2,21
20
248
19,44
8,66
5,80
4,56
3,87
3,44
3,15
2,93
2,77
6
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,44
2,43
2,42
2,40
2,38
2,36
2,35
2,34
2,32
2,31
2,30
2,30
2,29
2,25
2,23
2,21
2,19
2,09
24
249
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
7
2,49
2,47
2,45
2,43
2,41
2,39
2,37
2,36
2,35
2,34
2,32
2,30
2,28
2,26
2,25
2,24
2,23
2,22
2,21
2,20
2,17
2,14
2,12
2,10
2,01
30
250
19,46
8,62
5,74
4,50
3,81
3,38
3,08
2,86
2,70
8
2,42
2,40
2,38
2,36
2,34
2,32
2,30
2,29
2,28
2,27
2,25
2,23
2,21
2,19
2,18
2,17
2,16
2,14
2,14
2,13
2,10
2,07
2,05
2,03
1,94
40
251
19,47
8,60
5,71
4,46
3,77
3,34
3,05
2,82
2,67
9
2,37
2,35
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,19
2,17
2,15
2,14
2,12
2,11
2,10
2,09
2,08
2,07
2,04
2,01
1,99
1,97
1,88
50
252
19,48
8,58
5,70
4,44
3,75
3,32
3,03
2,80
2,64
10
2,32
2,30
2,28
2,26
2,24
2,22
2,20
2,19
2,18
2,16
2,14
2,12
2,10
2,09
2,07
2,06
2,05
2,04
2,03
2,02
1,99
1,97
1,95
1,92
1,83
100
253
19,49
8,56
5,66
4,40
3,71
3,28
2,98
2,76
2,59
254
19,50
8,53
5,63
4,36
3,67
3,23
2,93
2,71
2,54
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
n\m
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100
11
2,82
2,72
2,63
2,56
2,51
2,45
2,41
2,37
2,34
2,31
2,28
2,26
2,24
2,22
2,20
2,18
2,16
2,15
2,14
2,12
2,10
2,08
2,06
2,05
2,04
2,02
2,01
2,00
1,99
1,98
1,95
1,93
1,91
1,88
1,79
12
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,07
2,05
2,03
2,02
2,00
1,99
1,98
1,97
1,96
1,95
1,92
1,89
1,88
1,85
1,75
14
2,74
2,64
2,55
2,48
2,43
2,37
2,33
2,29
2,26
2,23
2,20
2,18
2,14
2,13
2,11
2,10
2,08
2,06
2,05
2,04
2,02
2,00
1,98
1,96
1,95
1,94
1,92
1,91
1,90
1,90
1,86
1,84
1,82
1,79
1,69
16
2,70
2,60
2,51
2,44
2,39
2,33
2,29
2,25
2,21
2,18
2,15
2,13
2,10
2,09
2,06
2,05
2,03
2,02
2,00
1,99
1,97
1,95
1,93
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,81
1,79
1,77
1,75
1,64
20
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,15
2,12
2,09
2,07
2,04
2,02
2,00
1,99
1,97
1,96
1,94
1,93
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,80
1,79
1,78
1,75
1,72
1,70
1,68
1,57
24
2,61
2,50
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,00
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,86
1,84
1,82
1,80
1,79
1,78
1,76
1,75
1,74
1,74
1,70
1,67
1,65
1,63
1,52
30
2,57
2,46
2,38
2,31
2,25
2,20
2,15
2,11
2,07
2,04
2,00
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,82
1,80
1,78
1,76
1,74
1,73
1,72
1,71
1,70
1,69
1,65
1,62
1,60
1,57
1,46
40
2,53
2,42
2,34
2,27
2,21
2,16
2,11
2,07
2,02
1,99
1,96
1,93
1,91
1,89
1,87
1,85
1,84
1,81
1,80
1,79
1,76
1,74
1,72
1,71
1,69
1,68
1,66
1,65
1,64
1,63
1,59
1,56
1,54
1,51
1,40
50
2,50
2,40
2,32
2,24
2,18
2,13
2,08
2,04
2,00
1,96
1,93
1,91
1,88
1,86
1,84
1,82
1,80
1,78
1,77
1,76
1,74
1,71
1,69
1,67
1,66
1,64
1,63
1,62
1,61
1,60
1,56
1,53
1,51
1,48
1,35
337
100
2,45
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,90
1,87
1,84
1,82
1,80
1,77
1,76
1,74
1,72
1,71
1,69
1,67
1,64
1,62
1,60
1,59
1,57
1,56
1,54
1,53
1,52
1,48
1,45
1,42
1,39
1,24
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,59
1,57
1,55
1,53
1,51
1,49
1,48
1,46
1,45
1,44
1,39
1,35
1,32
1,28
1,00
= 0, 01
n\m
1
2
3
4
5
6
7
8
1
4052
98,49
34,12
21,20
16,26
13,74
12,25
11,26
2
4999
99,00
30,82
18,00
13,27
10,92
9,55
8,65
3
5403
99,17
29,46
16,69
12,06
9,78
8,45
7,59
4
5625
99,25
28,71
15,98
11,39
9,15
7,85
7,01
5
5764
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37
7
5928
99,36
27,67
14,98
10,45
8,26
7,00
6,19
8
5981
99,37
27,49
14,80
10,29
8,10
6,84
6,03
9
6022
99,39
27,34
14,66
10,15
7,98
6,71
5,91
10
6056
99,40
27,23
14,54
10,05
7,87
6,62
5,82
338
ANEXA E.
n\m
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100
1
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,28
8,18
8,10
8,02
7,94
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,50
7,44
7,39
7,35
7,31
7,27
7,24
7,21
7,19
7,17
7,08
7,01
6,96
6,90
6,64
2
8,02
7,56
7,20
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,34
5,29
5,25
5,21
5,18
5,15
5,12
5,10
5,08
5,06
4,98
4,92
4,88
4,82
4,60
3
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,61
4,69
4,57
4,54
4,51
4,46
4,42
4,38
4,34
4,31
4,29
4,26
4,24
4,22
4,20
4,13
4,08
4,04
3,98
3,78
4
6,42
5,99
5,67
5,41
5,20
5,03
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,97
3,93
3,89
3,86
3,83
3,80
3,78
3,76
3,74
3,72
3,65
3,60
3,56
3,51
3,32
5
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,86
3,82
3,79
3,76
3,73
3,70
3,66
3,61
3,58
3,54
3,51
3,49
3,46
3,44
3,42
3,41
3,34
3,29
3,25
3,20
3,02
6
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,42
3,38
3,35
3,32
3,29
3,26
3,24
3,22
3,20
3,18
3,12
3,07
3,04
2,99
2,80
ECOR
LEGEA FISHER-SNED
7
5,62
5,21
4,88
4,65
4,44
4,28
4,14
4,03
3,93
3,85
3,77
3,71
3,65
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,25
3,21
3,18
3,15
3,12
3,10
3,07
3,05
3,04
3,02
2,95
2,91
2,87
2,82
2,64
8
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
3,12
3,08
3,04
3,02
2,99
2,96
2,94
2,92
2,90
2,88
2,82
2,77
2,74
2,69
2,51
9
5,35
4,95
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,45
3,40
3,35
3,30
3,25
3,21
3,17
3,14
3,11
3,08
3,06
3,01
2,97
2,94
2,91
2,88
2,86
2,84
2,82
2,80
2,78
2,72
2,67
2,64
2,59
2,41
10
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,94
2,89
2,86
2,82
2,80
2,77
2,75
2,73
2,71
2,70
2,63
2,59
2,55
2,51
2,32
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
n\m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100
11
6082
99,41
27,13
14,45
9,96
7,79
6,54
5,74
5,18
4,78
4,46
4,22
4,02
3,86
3,73
3,61
3,52
3,44
3,36
3,30
3,24
3,18
3,14
3,09
3,05
3,02
2,98
2,95
2,92
2,90
2,86
2,82
2,78
2,75
2,73
2,70
2,68
2,66
2,64
2,62
2,56
2,51
2,48
2,43
2,24
12
6106
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,45
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,80
2,76
2,72
2,69
2,66
2,64
2,62
2,60
2,58
2,56
2,50
2,45
2,41
2,36
2,18
14
6142
99,43
26,92
14,24
9,77
7,60
6,35
5,56
5,00
4,60
4,29
4,05
3,85
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,83
2,80
2,77
2,74
2,70
2,66
2,62
2,59
2,56
2,54
2,52
2,50
2,48
2,46
2,40
2,35
2,32
2,26
2,07
16
6169
99,44
26,83
14,15
9,68
7,52
6,27
5,48
4,92
4,52
4,21
3,98
3,78
3,62
3,48
3,37
3,27
3,19
3,12
3,05
2,99
2,94
2,89
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,62
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,32
2,28
2,24
2,19
1,99
20
6208
99,45
26,69
14,02
9,55
7,39
6,15
5,36
4,80
4,41
4,10
3,86
3,67
3,51
3,36
3,25
3,16
3,07
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,51
2,47
2,43
2,40
2,37
2,35
2,32
2,30
2,28
2,26
2,20
2,15
2,11
2,06
1,87
24
6234
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,42
2,38
2,35
2,32
2,29
2,26
2,24
2,22
2,20
2,18
2,12
2,07
2,03
1,98
1,79
30
6261
99,47
26,50
13,83
9,38
7,23
5,98
5,20
4,64
4,25
3,94
3,70
3,51
3,34
3,20
3,10
3,00
2,91
2,84
2,77
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,38
2,34
2,30
2,26
2,22
2,20
2,17
2,15
2,13
2,11
2,10
2,03
1,98
1,94
1,89
1,69
40
6286
99,48
26,41
13,74
9,29
7,14
5,90
5,11
4,56
4,17
3,86
3,61
3,42
3,26
3,12
3,01
2,92
2,83
2,76
2,69
2,63
2,58
2,53
2,49
2,45
2,41
2,38
2,35
2,32
2,29
2,25
2,21
2,17
2,14
2,11
2,08
2,06
2,04
2,02
2,00
1,93
1,88
1,84
1,79
1,59
50
6302
99,48
26,35
13,69
9,24
7,09
5,85
5,06
4,51
4,12
3,80
3,56
3,37
3,21
3,07
2,96
2,86
2,78
2,70
2,63
2,58
2,53
2,48
2,44
2,40
2,36
2,33
2,30
2,27
2,24
2,20
2,15
2,12
2,08
2,05
2,02
2,00
1,98
1,96
1,94
1,87
1,82
1,78
1,73
1,52
339
100
6323
99,49
26,23
13,57
9,13
6,99
5,75
4,96
4,41
4,01
3,70
3,46
3,27
3,11
2,97
2,86
2,76
2,68
2,60
2,53
2,47
2,42
2,37
2,33
2,29
2,25
2,21
2,18
2,15
2,13
2,08
2,04
2,00
1,97
1,94
1,91
1,88
1,86
1,84
1,82
1,74
1,69
1,65
1,59
1,36
6366
99,50
26,12
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,16
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,96
1,91
1,87
1,84
1,81
1,78
1,75
1,72
1,70
1,68
1,60
1,53
1,49
1,43
1,00
340
ANEXA E.
ECOR
LEGEA FISHER-SNED
Anexa F
Distributia t Student
Valorea lui t,n cu proprietatea P (t,n < t(n) < t,n ) =
n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0,1
0,158
0,142
0,137
0,134
0,132
0,131
0,130
0,130
0,129
0,129
0,129
0,128
0,128
0,128
0,128
0,128
0,128
0,127
0,127
0,127
0,2
0,325
0,289
0,277
0,271
0,267
0,265
0,263
0,262
0,261
0,260
0,260
0,259
0,259
0,258
0,258
0,258
0,257
0,257
0,257
0,257
0,3
0,510
0,445
0,424
0,414
0,408
0,404
0,402
0,399
0,398
0,397
0,396
0,395
0,394
0,393
0,393
0,392
0,392
0,392
0,391
0,391
0,4
0,727
0,617
0,584
0,569
0,559
0,553
0,549
0,546
0,543
0,542
0,540
0,539
0,538
0,537
0,536
0,535
0,534
0,534
0,533
0,533
341
0,5
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,6
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,7
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
342
ANEXA F.
n\
21
22
23
24
25
26
27
28
29
30
40
60
120
n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0,1
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,126
0,126
0,126
0,126
0,8
3,078
1,886
1,638
1,553
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
0,2
0,257
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,255
0,254
0,254
0,253
0,9
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
0,3
0,391
0,390
0,390
0,390
0,390
0,390
0,389
0,389
0,389
0,389
0,388
0,387
0,386
0,385
0,95
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
DISTRIBUT
IA T STUDENT
0,4
0,532
0,532
0,532
0,531
0,531
0,531
0,530
0,530
0,530
0,530
0,529
0,527
0,526
0,524
0,5
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,677
0,676
0,6
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,848
0,845
0,842
0,7
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,046
1,041
1,036
0,98
31,821
6,995
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
0,99
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
0,998
318,3
22,33
10,22
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,611
3,579
3,552
0,999
636,619
31,598
12,929
8,610
6,859
5,959
5,405
5,041
4,781
4,587
4,437
4,438
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
n\
20
21
22
23
24
25
26
27
28
29
30
40
60
120
0,8
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,289
1,282
0,9
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,671
1,658
1,645
0,95
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,000
1,980
1,960
0,98
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,390
2,358
2,326
0,99
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,660
2,617
2,576
0,998
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,232
3,165
3,090
343
0,999
3,850
3,819
3,792
3,767
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,460
3,373
3,291
Index
abaterea; 142
standard; 142
de selectie; 250
de selectie corectata; 250
algebra; 20
generata; 21,23
independente; 75
-algebra; 22
Bernstein; 52
Buffon; 55
camp
de evenimente; 22
generat; 24
de probabilitate; 46
clasa monotona; 126
clase de selectie; 247
convergent
a.p.; 93
aproape uniform; 93
aproape sigur; 94
n media de ordin p; 124
n masura; 93
n probabilitate; 94
n repartitie; 229
simplu(punctual); 93
uniform; 93
coeficient
de corelatie; 150
empiric de corelatie; 306
completata unei masuri; 30
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
eveniment; 15
imposibil; 16
incompatibile; 17
independente; 52
sigur; 16
experienta; 15
formula
de descompunere a dispersiei; 171
lui Bayes; 50, 90, 92
mediei totale; 168, 169, 170
probabilitatii totale; 50, 90, 92
schimbarii de variabila; 110
frecventa; 225, 245, 247
functie
absolut continua; 83
Baire; 117
Beta a lui Euler; 190
boreliana; 58
caracteristica; 156
Darboux; 117
de probabilitate; 64, 77
conditionata; 89
marginala; 77
de regresie; 304
de repartitie; 66, 67, 75
marginala; 75
de verosimilitate; 260
empirica de repartitie; 253
esential marginita; 123
etajata; 96
Gamma a lui Euler; 190
generatoare; 166
lipschitziana; 82
masurabila; 58
statistica; 245
sumabila; 120
histograma; 246, 247
inegalitatea lui
345
346
momentelor; 259
verosimilitatii maxime; 260
modul; 148
empiric; 250
moment
absolut; 144
centrat de ordin n; 144
centrat de ordin mn; 149
de selectie; 253
de ordin n; 144
de ordin mn; 148
factorial; 144
multime
elementara; 124
masurabila; 35
Lebesgue; 45, 46
Jordan; 115
nivel de semnificatie; 268
norma diviziunii; 116
populatie statistica; 244
prag de ncredere; 268
probabilitate; 25, 46
conditionata; 48
produsul
-algebrelor; 124
masurilor; 131
regiune critica; 281
regresia; 304
exponentiala; 310
hiperbolica; 311
liniara; 306
logaritmica; 311
parabolica; 311
relatia lui Sturges; 247
repartitia
Beta; 222
2 , Helmert-Pearson; 209
de probabilitate; 70, 75
INDEX
exponentiala; 187
F, Fisher-Snedecor; 211
Gamma; 206
hipergeometrica; 179
lognormala; 223
multinomiala; 176
normala Gauss-Laplace; 198
normala n-dimensionala; 205
normala standard; 200
t, Student; 217
Weibull; 196
schema
bilei nerevenite; 178
urnelor lui Poisson; 176
serie
de frecvente absolute; 245
statistica; 244
semi-algebra; 20
semi-masura; 27
sistem complet de evenimente; 19
spatiu
cu masura; 28
de probabilitate; 46
masurabil; 22
suma Darboux; 117
tabel de contingenta; 301
teorema
clasei monotone; 126
convergentei dominate
a lui Lebesgue; 113
convergentei monotone; 103
de inversiune a lui Fourier; 160
de prelungire a unei
semi-masuri; 30
limita centrala; 240
lui Beppo-Levi; 104, 114
lui Borel; 97
lui Caratheodory; 35
ILOR S
MATEMATICA
TEORIA PROBABILITAT
I STATISTICA
lui Egorov; 96
lui Fubini; 132
lui Glivenko; 254
lui Helly; 233
lui Levy; 236
lui Poisson; 181
lui Rao-Cramer; 265
lui Riesz; 96
lui Skorhod; 231
transformata Fourier; 156
valoarea medie; 135, 138, 140, 155
variabila aleatoare; 59
absolut continua; 84
binomiala; 173
Cauchy; 85
complexa; 155
continua; 62
discreta; 62
etajata; 62
n-dimensionala; 75
Poisson; 182
simpla; 62
uniforma; 185
variabile aleatoare
identic distribuite; 156
i.i.d.; 156
independente; 75
marginale; 75
necorelate; 149
vector aleator; 75
absolut continuu; 86
discret; 75
volumul selectiei; 244
347
348
INDEX
Bibliografie
[1] R.Ba
nuelos, Lecture Notes in Measure Theory and Probability, 2003.
[2] P.Blaga, A.S. Muresan, Matematici aplicate n economie, Casa de Editura Transilvania Press, Cluj-Napoca, 1996.
[3] G.Bocsan, Estimarea parametrilor modelelor statistice, Tip. Univ. de
Vest din Timisoara, 1995.
[4] G.Bocsan, E.Topuzu, Modelare stochastica: idei si concepte fundamentale, Editura Orizonturi Universitare, Timisoara, 2005.
[5] G.Ciucu,Elemente de teoria probabilitatilor si statistica matematica,
Editura Didactica si Pedagogica, Bucuresti, 1963.
[6] G.Constantin, Curs de teoria probabilitatilor si statistica matematica,
Editura Univ. din Timisoara, 1977.
[7] V.Craiu, Teoria Probabilitatilor, Editura Fundatiei Romania de Maine,
Bucuresti, 1997.
[8] C.Dochitoiu, A.Matei, Matematici economice generale, Editura Economica, Bucuresti, 1995.
[9] C.Goffman, G.Pedrick, First Course in Functional Analysis, PrenticeHall, Inc., Englewood Cliffs, N.J., 1965.
[10] D.Gaspar, Analiza functionala, Editura Facla, Timisoara, 1981.
[11] P.Hammad, Course de Probabilites, Cujas, Paris, 1987.
[12] E.Kovacs, Calculul probabilitatilor si statistica matematica, Indrumator
de seminar, Editura Universitatii Aurel Vlaicu din Arad, 1996.
349
350
BIBLIOGRAFIE