Cursul 1. Câmp de probabilitate

Slide-urile cursului 1
Deschide slide-urile pe tot ecranul În prezentare: ← → navigare, F ecran complet, M meniu, O privire de ansamblu.
Planul cursului

Primul curs fixează limbajul întregii discipline: modelul matematic al unui experiment al cărui rezultat nu poate fi prezis. Pornim de la exemple (monede, zaruri, urne), construim câmpul de probabilitate \((\Omega,\F,\PP)\) și învățăm să calculăm probabilități atunci când toate rezultatele sunt egal probabile, caz în care calculul se reduce la numărare.

Obiective. La sfârșitul cursului studentul trebuie să poată:

  1. descrie un experiment aleator prin spațiul stărilor și exprima evenimentele prin operații cu mulțimi;
  2. explica de ce evenimentele formează o \(\sigma\)-algebră și enunța axiomele lui Kolmogorov;
  3. folosi regulile de calcul: evenimentul contrar, reuniunea, formula lui Poincaré, inegalitățile lui Boole și Bonferroni, continuitatea probabilității;
  4. calcula probabilități în modelul clasic cu regulile de numărare (regula sumei și a produsului, aranjamente, permutări, combinări, coeficientul multinomial, combinări cu repetiție);
  5. verifica un rezultat teoretic printr-o simulare în R.

Structura. Probabilități și statistică; experiment aleator, spațiul stărilor și evenimente; \(\sigma\)-algebre de evenimente; măsura de probabilitate; proprietăți ale probabilității; modelul clasic; elemente de combinatorică; problema potrivirilor; exerciții rezolvate și exerciții propuse. Pentru aprofundare: (Blitzstein and Hwang 2019, cap. 1), (Bertsekas and Tsitsiklis 2008, cap. 1).

Teoria probabilităților este ramura matematicii care studiază fenomenele al căror rezultat nu poate fi prezis cu certitudine, dar care, repetate de multe ori, manifestă regularități. Aruncarea unei monede, durata de funcționare a unui dispozitiv, numărul de accesări ale unui server într-un minut sau rezultatul unui sondaj de opinie sunt exemple de astfel de fenomene. În acest prim curs construim limbajul de bază al întregii discipline: vom formaliza noțiunile de experiment aleator, spațiul stărilor și eveniment, vom vedea de ce evenimentele trebuie să formeze o \(\sigma\)-algebră și vom introduce, prin axiomele lui Kolmogorov, noțiunea de măsură de probabilitate. Tripletul \((\Omega,\F,\PP)\) obținut, numit câmp de probabilitate, este cadrul în care se desfășoară tot ce urmează.

În a doua parte a cursului de astăzi ne concentrăm asupra modelului clasic (Laplace), în care toate rezultatele sunt egal probabile și calculul probabilităților se reduce la numărare. Din acest motiv vom trece în revistă principalele instrumente de combinatorică (regula sumei, regula produsului, aranjamente, permutări, combinări, partiții, combinări cu repetiție) și le vom aplica unor probleme clasice: mâinile de poker, problema lui Newton–Pepys, problema zilelor de naștere, problema cavalerului de Méré și problema potrivirilor. Pe parcurs, vom verifica rezultatele analitice prin simulări în R.

1 Probabilități și statistică

Teoria probabilităților și statistica sunt două discipline strâns legate, care privesc aceeași realitate din direcții opuse. Probabilitățile pornesc de la un model (cunoscut) al fenomenului și deduc consecințe asupra datelor pe care le vom observa; statistica pornește de la date (observate) și încearcă să reconstituie modelul care le-a generat. Schema de mai jos, discutată la curs, rezumă acest ciclu: datele din lumea reală sunt prelucrate cu metode statistice pentru a construi un model, modelul este analizat cu instrumentele teoriei probabilităților, iar concluziile (predicții, decizii) se întorc în lumea reală.

Notă istorică

Calculul probabilităților s-a născut, în forma sa modernă, în corespondența din 1654 dintre Blaise Pascal și Pierre de Fermat, pornind de la câteva probleme legate de jocurile de noroc propuse de cavalerul de Méré (vezi Exemplul 19). Fundamentarea axiomatică, pe care o prezentăm în acest curs, a fost dată abia în 1933 de A. N. Kolmogorov, în lucrarea Grundbegriffe der Wahrscheinlichkeitsrechnung.

Pentru a înțelege diferența dintre cele două puncte de vedere, considerăm exemplul următor, cu care vom lucra de-a lungul întregului curs.

Exemplul 1 (Urna cu bile roșii și verzi)

Avem o urnă cu bile roșii și verzi, în care proporția bilelor roșii este \(p\). Efectuăm \(n\) extrageri cu revenire (bila extrasă este pusă înapoi înainte de extragerea următoare) și notăm culorile bilelor obținute.

Problemă de probabilități. Știm că \(p=0.23\) (adică \(23\%\) dintre bile sunt roșii). Extragem cu revenire \(n=20\) de bile. Care este probabilitatea să obținem exact \(5\) bile roșii? Vom vedea în secțiunile următoare (și, sistematic, în Cursul 3, la repartiția binomială) că răspunsul este \[ \PP(\text{exact 5 bile roșii din 20}) = \binom{20}{5}\,(0.23)^5\,(0.77)^{15}\approx 0.1979 , \] unde \(\binom{20}{5}\) numără pozițiile (dintre cele \(20\)) pe care apar bilele roșii, \((0.23)^5\) este probabilitatea ca acele \(5\) extrageri să dea bile roșii, iar \((0.77)^{15}\) probabilitatea ca celelalte \(15\) să dea bile verzi.

Problemă de statistică. Nu cunoaștem \(p\). Am efectuat \(20\) de extrageri cu revenire și am observat \(5\) bile roșii. Ce putem spune despre \(p\)? Un răspuns natural este să estimăm proporția necunoscută prin proporția observată, \[ \hat p=\frac{5}{20}=0.25 . \] Întrebările firești care urmează (cât de precisă este această estimare? putem afirma, pe baza datelor, că \(p<0.3\)?) își vor primi răspunsul în partea a doua a semestrului, dedicată statisticii (începând cu Cursul 8).

set.seed(2026)                 # un eșantion simulat de 20 de extrageri
x <- sample(c("roșie", "verde"), 20, replace = TRUE, prob = c(0.23, 0.77))
c(prob_5_rosii = choose(20, 5) * 0.23^5 * 0.77^15,  # p cunoscut
  p_estimat    = mean(x == "roșie"))                # p estimat
#> prob_5_rosii    p_estimat 
#>       0.1979       0.1000

În limbajul statisticii, conținutul urnei este populația, iar bilele extrase formează un eșantion. Teoria probabilităților descrie ce eșantioane putem obține dintr-o populație cunoscută; statistica inferențială face drumul invers, de la eșantion la populație:

2 Experiment aleator, spațiul stărilor și evenimente

2.1 Experiment aleator și spațiul stărilor

Definiția 1 (Experiment aleator)

Se numește experiment aleator un experiment (sau fenomen) al cărui rezultat nu poate fi prezis cu exactitate (cu siguranță) înaintea realizării lui.

Definiția 2 (Spațiul stărilor)

Mulțimea tuturor rezultatelor posibile asociate unui experiment aleator se numește spațiul stărilor (sau spațiul probelor, spațiul eșantion) și se notează cu \(\Omega\). Elementele \(\omega\in\Omega\) se numesc evenimente elementare.

Alegerea lui \(\Omega\) face parte din modelare și nu este unică. Pentru a descrie corect un experiment, evenimentele elementare trebuie să fie:

  1. mutual exclusive (două rezultate distincte nu se pot produce simultan);
  2. colectiv exhaustive (în urma experimentului se realizează măcar unul dintre ele).

Altfel spus, în urma experimentului se realizează unul și numai unul dintre evenimentele elementare. În plus, \(\Omega\) trebuie să aibă o granularitate potrivită problemei studiate: suficient de fină pentru a descrie evenimentele care ne interesează, dar fără detalii inutile.

Exemplul 2 (Aruncarea unui ban)

La aruncarea unui ban, \(\Omega=\{H,T\}\), unde \(H\) (head) înseamnă „cap”, iar \(T\) (tail) înseamnă „pajură”. Am putea imagina și spațiul \[ \Omega'=\{(H,\text{plouă}),\ (H,\text{nu plouă}),\ (T,\text{plouă}),\ (T,\text{nu plouă})\}, \] care descrie și vremea de afară. Și \(\Omega'\) are elemente mutual exclusive și colectiv exhaustive, dar informația despre vreme este irelevantă: granularitatea lui \(\Omega'\) nu este potrivită.

Exemplul 3 (Aruncarea zarurilor)

La aruncarea unui zar, \(\Omega=\{1,2,3,4,5,6\}\); acesta este un spațiu al stărilor discret și finit. La aruncarea a două zaruri (distincte, de exemplu unul alb și unul negru), \[ \Omega=\{(x,y)\mid 1\le x\le 6,\ 1\le y\le 6,\ x,y\in\N\},\qquad |\Omega|=36, \] unde \(x\) este numărul de puncte de pe primul zar și \(y\) numărul de puncte de pe al doilea zar. Rezultatele pot fi reprezentate într-un tabel \(6\times 6\) (Figura 1) sau cu ajutorul unui arbore: din rădăcină pornesc \(6\) ramuri corespunzătoare primului zar, iar din fiecare dintre acestea încă \(6\) ramuri corespunzătoare celui de-al doilea zar; fiecare dintre cele \(36\) de drumuri de la rădăcină la frunze este un eveniment elementar. Observăm că \((4,5)\neq(5,4)\): sunt rezultate diferite ale experimentului.

Arată codul R
d <- expand.grid(x = 1:6, y = 1:6)
d$ev <- ifelse(d$x + d$y == 7, "suma = 7",
               ifelse(d$x + d$y >= 10, "suma ≥ 10", "alte rezultate"))
d$ev <- factor(d$ev, levels = c("suma = 7", "suma ≥ 10", "alte rezultate"))
ggplot(d, aes(x, y, fill = ev)) +
  geom_tile(colour = "white", linewidth = 1) +
  geom_text(aes(label = paste0("(", x, ",", y, ")")), size = 2.9, colour = "grey15") +
  scale_fill_manual(values = c("suma = 7" = "#F4C7A1", "suma ≥ 10" = "#B9D3EE",
                               "alte rezultate" = "grey93"), name = NULL) +
  scale_x_continuous(breaks = 1:6, expand = c(0, 0)) +
  scale_y_continuous(breaks = 1:6, expand = c(0, 0)) +
  coord_equal() +
  labs(x = "primul zar (x)", y = "al doilea zar (y)") +
  theme(legend.position = "right", panel.grid.major = element_blank())
Figura 1: Spațiul stărilor la aruncarea a două zaruri. Fiecare pătrat este un eveniment elementar \((x,y)\); sunt evidențiate evenimentele „suma este 7” (6 rezultate) și „suma este cel puțin 10” (6 rezultate).
Observație

O mulțime se numește discretă dacă este cel mult numărabilă (finită sau numărabilă). Spațiile stărilor din exemplele de mai sus sunt finite. Există însă experimente naturale cu un spațiu al stărilor numărabil sau chiar nenumărabil (continuu), ca în exemplele următoare.

Exemplul 4 (Spații ale stărilor infinite)

Considerăm câteva experimente pentru care \(\Omega\) nu este finit.

  1. Aruncăm o monedă până obținem pentru prima dată cap și ne interesează numărul de aruncări necesare. Atunci \(\Omega=\{1,2,3,\dots\}=\N^*\), unde \(1\leftrightarrow H\), \(2\leftrightarrow TH\), \(3\leftrightarrow TTH\) etc. Acesta este un spațiu discret, numărabil.
  2. Durata de viață a unui calculator: \(\Omega=[0,T]\), cu \(T>0\) o durată maximă (sau, mai simplu, \(\Omega=\R_+\)).
  3. Tragerea la țintă: dacă ținta este un disc de rază \(R\), rezultatul este punctul de impact, \(\Omega=\{(x,y)\mid x^2+y^2\le R^2\}\); pentru o țintă pătrată, \(\Omega=\{(x,y)\mid 0\le x,y\le R\}\).

În ultimele două cazuri \(\Omega\) este nenumărabil; astfel de spații vor fi tratate în cursurile despre variabile aleatoare continue (Cursul 4 și Cursul 5).

2.2 Evenimente

Intuitiv, un eveniment este o afirmație despre rezultatul experimentului, despre care, după efectuarea experimentului, putem spune dacă este adevărată sau falsă. Unei astfel de afirmații îi asociem mulțimea rezultatelor pentru care ea este adevărată.

Definiția 3 (Eveniment)

Se numește eveniment o submulțime \(A\subseteq\Omega\). Spunem că evenimentul \(A\) s-a realizat dacă, în urma desfășurării experimentului aleator, rezultatul \(\omega\) al experimentului aparține lui \(A\), adică \(\omega\in A\).

Exemplul 5 (Evenimente la aruncarea zarului)

Fie \(\Omega=\{1,2,3,4,5,6\}\). Atunci:

  1. „rezultatul este \(3\)”: \(A=\{3\}\) (un eveniment elementar);
  2. „rezultatul este impar”: \(A=\{1,3,5\}\);
  3. „rezultatul este un număr prim”: \(A=\{2,3,5\}\);
  4. „rezultatul este cel mult \(4\)”: \(A=\{1,2,3,4\}\).

Dacă la aruncare obținem \(\omega=3\), atunci s-au realizat toate cele patru evenimente; dacă obținem \(\omega=4\), s-a realizat doar ultimul.

2.3 Operații cu evenimente

Deoarece evenimentele sunt mulțimi, operațiile cu mulțimi (reuniune, intersecție, complementară etc.) au o interpretare naturală în termeni de evenimente. Tabelul 1 prezintă „dicționarul” dintre cele două limbaje, iar Figura 2 ilustrează operațiile prin diagrame Venn.

Tabelul 1: Corespondența dintre limbajul teoriei mulțimilor și cel al teoriei probabilităților.
Notație Denumirea în teoria mulțimilor Denumirea în teoria probabilităților
\(\Omega\) mulțimea \(\Omega\) spațiul stărilor; evenimentul sigur
\(\omega\) element al lui \(\Omega\) eveniment elementar
\(\emptyset\) mulțimea vidă evenimentul imposibil
\(A\) submulțimea \(A\subseteq\Omega\) evenimentul \(A\) se realizează
\(A^c\) (\(\complement_A\), \(\bar A\)) complementara lui \(A\) evenimentul contrar lui \(A\)
\(A\cup B\) reuniunea lui \(A\) cu \(B\) se realizează \(A\) sau \(B\) (cel puțin unul dintre ele)
\(A\cap B\) intersecția lui \(A\) cu \(B\) se realizează \(A\) și \(B\) (simultan)
\(A\setminus B\) diferența dintre \(A\) și \(B\) se realizează \(A\), dar nu și \(B\)
\(A\,\triangle\, B\) diferența simetrică se realizează \(A\) sau \(B\), dar nu amândouă
\(A\subseteq B\) incluziunea mulțimilor \(A\) implică \(B\) (\(\omega\in A\Rightarrow\omega\in B\))
\(A\cap B=\emptyset\) mulțimi disjuncte \(A\) și \(B\) sunt incompatibile
Arată codul R
venn <- function(regiune, titlu, incl = FALSE) {
  g <- expand.grid(x = seq(0, 3, by = 0.01), y = seq(0, 2, by = 0.01))
  if (!incl) { ca <- c(1.15, 1); ra <- 0.6; cb <- c(1.85, 1); rb <- 0.6
  } else     { ca <- c(1.30, 0.95); ra <- 0.38; cb <- c(1.5, 1); rb <- 0.78 }
  inA <- (g$x - ca[1])^2 + (g$y - ca[2])^2 <= ra^2
  inB <- (g$x - cb[1])^2 + (g$y - cb[2])^2 <= rb^2
  g <- g[regiune(inA, inB), ]
  t <- seq(0, 2 * pi, length.out = 300)
  cerc <- rbind(data.frame(x = ca[1] + ra * cos(t), y = ca[2] + ra * sin(t), c = "A"),
                data.frame(x = cb[1] + rb * cos(t), y = cb[2] + rb * sin(t), c = "B"))
  etA <- if (incl) c(1.30, 0.95) else c(0.80, 1)
  etB <- if (incl) c(1.95, 1.45) else c(2.20, 1)
  ggplot() +
    geom_raster(data = g, aes(x, y), fill = culori[["albastru"]], alpha = 0.40) +
    geom_path(data = cerc, aes(x, y, group = c), colour = culori[["bleumarin"]], linewidth = 0.6) +
    annotate("rect", xmin = 0, xmax = 3, ymin = 0, ymax = 2, fill = NA, colour = "grey30") +
    annotate("text", x = c(etA[1], etB[1], 0.2), y = c(etA[2], etB[2], 1.8),
             label = c("A", "B", "Ω"), fontface = "italic", size = 4) +
    coord_equal(expand = FALSE) + theme_void() +
    ggtitle(titlu) +
    theme(plot.title = element_text(hjust = 0.5, face = "bold", colour = culori[["bleumarin"]]),
          plot.margin = margin(3, 6, 3, 6))
}
(venn(function(a, b) a | b, "A ∪ B") + venn(function(a, b) a & b, "A ∩ B") +
  venn(function(a, b) a & !b, "A \\ B")) /
(venn(function(a, b) !a, bquote(bold(A^c))) + venn(function(a, b) xor(a, b), "A Δ B") +
  venn(function(a, b) a, "A ⊆ B", incl = TRUE))
Figura 2: Diagrame Venn pentru operațiile cu evenimente. Dreptunghiul reprezintă spațiul stărilor \(\Omega\), iar zona colorată evenimentul indicat deasupra fiecărui panou.

Diferența și diferența simetrică se pot exprima prin celelalte operații: \[ A\setminus B=A\cap B^c,\qquad A\,\triangle\,B=(A\setminus B)\cup(B\setminus A)=(A\cup B)\setminus(A\cap B). \] Reuniunea și intersecția sunt comutative, asociative și distributive una față de cealaltă: \[ A\cap(B\cup C)=(A\cap B)\cup(A\cap C),\qquad A\cup(B\cap C)=(A\cup B)\cap(A\cup C). \] Legătura dintre reuniune, intersecție și complementară este dată de relațiile lui De Morgan.

Propoziția 4 (Relațiile lui De Morgan)

Pentru orice familie de evenimente \((A_i)_{i\in I}\) (finită sau infinită) avem \[ \Big(\bigcup_{i\in I}A_i\Big)^c=\bigcap_{i\in I}A_i^c,\qquad \Big(\bigcap_{i\in I}A_i\Big)^c=\bigcup_{i\in I}A_i^c . \]

Demonstrație. Avem \(\omega\in\big(\bigcup_i A_i\big)^c\) dacă și numai dacă \(\omega\) nu aparține niciunui \(A_i\), adică \(\omega\in A_i^c\) pentru orice \(i\), ceea ce înseamnă \(\omega\in\bigcap_i A_i^c\). A doua relație se obține din prima aplicată evenimentelor \(A_i^c\) și trecând la complementară.■

În limbaj probabilist: „nu se realizează niciunul dintre evenimente” este același lucru cu „nu se realizează \(A_1\) și nu se realizează \(A_2\) și …”, iar „nu se realizează toate” înseamnă „cel puțin unul nu se realizează”.

Definiția 5 (Evenimente incompatibile. Sistem complet de evenimente)

Două evenimente \(A,B\) se numesc incompatibile (sau disjuncte, mutual exclusive) dacă \(A\cap B=\emptyset\), adică nu se pot realiza simultan. Evenimentele \((A_i)_{i\in I}\) se numesc incompatibile două câte două dacă \(A_i\cap A_j=\emptyset\) pentru orice \(i\neq j\). O familie de evenimente incompatibile două câte două a căror reuniune este \(\Omega\) se numește sistem complet de evenimente (sau partiție a lui \(\Omega\)).

De exemplu, \(A\) și \(A^c\) formează întotdeauna un sistem complet de evenimente, iar evenimentele elementare \(\{\omega\}\), \(\omega\in\Omega\), formează (pentru \(\Omega\) discret) un sistem complet de evenimente. Sistemele complete de evenimente vor juca un rol central în formula probabilității totale (Cursul 2).

Exemplul 6 (Aruncarea de 10 ori a unei monede)

Aruncăm o monedă de \(10\) ori. Spațiul stărilor este \[ \Omega=\{(x_1,x_2,\dots,x_{10})\mid x_i\in\{H,T\}\}=\{H,T\}^{10},\qquad |\Omega|=2^{10}=1024 . \] Fie \(A_j\) evenimentul „la aruncarea \(j\) am obținut cap”, adică \(A_j=\{(x_1,\dots,x_{10})\in\Omega\mid x_j=H\}\), \(j=1,\dots,10\). Cu ajutorul operațiilor cu evenimente putem descrie evenimente mai complicate:

  • \(E_1=A_1\cup A_2\cup\dots\cup A_{10}\) = „am obținut cel puțin un cap”;
  • \(E_2=A_1\cap A_2\cap\dots\cap A_{10}\) = „am obținut cap la toate cele 10 aruncări”;
  • \(E_3=\bigcup_{i=1}^{9}(A_i\cap A_{i+1})\) = „am obținut (cel puțin o dată) cap de două ori consecutiv”;
  • \(E_1^c=\bigcap_{j=1}^{10}A_j^c\) = „nu am obținut niciun cap” (relația lui De Morgan).

3 \(\sigma\)-algebre de evenimente

Vom nota cu \(\F\) mulțimea evenimentelor asociate unui experiment aleator. Aceasta este o mulțime de mulțimi, \(\F\subseteq\mathcal P(\Omega)\), unde \(\mathcal P(\Omega)\) este mulțimea părților lui \(\Omega\). Dacă \(\Omega\) este finit, putem lua pur și simplu \(\F=\mathcal P(\Omega)\); în general însă (și, după cum vom vedea, din motive tehnice profunde) \(\F\) poate fi mai mică decât \(\mathcal P(\Omega)\). Ce proprietăți minimale trebuie să aibă \(\F\)? Este natural să cerem ca \(\Omega\) să fie un eveniment, iar operațiile logice „nu”, „sau” (și, prin urmare, „și”) aplicate unor evenimente să producă tot evenimente.

Definiția 6 (Algebră de evenimente)

O colecție \(\F\subseteq\mathcal P(\Omega)\) care verifică proprietățile

  1. \(\Omega\in\F\);
  2. dacă \(A\in\F\), atunci \(A^c\in\F\) (închidere la complementară);
  3. dacă \(A,B\in\F\), atunci \(A\cup B\in\F\) (închidere la reuniuni finite)

se numește algebră (de evenimente) peste \(\Omega\).

Din a) și b) rezultă \(\emptyset=\Omega^c\in\F\) (de aceea, în unele texte, axioma a) este formulată ca \(\emptyset\in\F\)). Prin inducție, c) implică închiderea la reuniuni finite oarecare. Proprietatea c) nu este însă suficientă pentru toate evenimentele care ne interesează, după cum arată exemplul următor.

Exemplul 7 (Primul cap după un număr par de aruncări)

Aruncăm o monedă până când obținem pentru prima dată cap și ne interesează numărul de aruncări necesare; \(\Omega=\N^*\). Evenimentul \[ \begin{aligned} A&=\{\text{am obținut pentru prima dată cap după un număr par de aruncări}\}\\ &=\{2,4,6,\dots\}=\bigcup_{i\ge 1}\{2i\} \end{aligned} \] este o reuniune numărabilă de evenimente elementare. Dacă dorim ca toate evenimentele elementare \(\{2i\}\) să fie evenimente și ca \(A\) să fie, de asemenea, un eveniment, avem nevoie ca \(\F\) să fie închisă la reuniuni numărabile.

Definiția 7 (\(\sigma\)-algebră)

O colecție \(\F\subseteq\mathcal P(\Omega)\) care verifică proprietățile

  1. \(\Omega\in\F\);
  2. dacă \(A\in\F\), atunci \(A^c\in\F\);
  3. dacă \((A_n)_{n\ge1}\subseteq\F\), atunci \(\bigcup_{n=1}^{\infty}A_n\in\F\)

se numește \(\sigma\)-algebră (sau \(\sigma\)-corp) peste \(\Omega\). Elementele lui \(\F\) se numesc evenimente.

Orice \(\sigma\)-algebră este o algebră: dacă \(A,B\in\F\), alegem \(A_1=A\), \(A_2=B\) și \(A_n=\emptyset\) pentru \(n\ge3\) în axioma c). Reciproca este falsă pentru \(\Omega\) infinit (vezi Exercițiul propus 3), dar pentru \(\Omega\) finit cele două noțiuni coincid.

Propoziția 8 (Proprietăți ale unei \(\sigma\)-algebre)

Fie \(\F\) o \(\sigma\)-algebră peste \(\Omega\). Atunci:

  1. \(\emptyset\in\F\);
  2. dacă \(A_1,\dots,A_n\in\F\), atunci \(\bigcup_{i=1}^nA_i\in\F\) și \(\bigcap_{i=1}^nA_i\in\F\);
  3. dacă \((A_n)_{n\ge1}\subseteq\F\), atunci \(\bigcap_{n=1}^{\infty}A_n\in\F\);
  4. dacă \(A,B\in\F\), atunci \(A\setminus B\in\F\) și \(A\,\triangle\,B\in\F\).

Demonstrație.

  1. \(\emptyset=\Omega^c\in\F\). b) Reuniunea finită se obține din axioma c) completând șirul cu \(A_{n+1}=A_{n+2}=\dots=\emptyset\). c) Din axioma b), \(A_n^c\in\F\) pentru orice \(n\), deci \(\bigcup_nA_n^c\in\F\) și, conform relațiilor lui De Morgan, \(\bigcap_nA_n=\big(\bigcup_nA_n^c\big)^c\in\F\). Intersecția finită din b) se tratează la fel. d) \(A\setminus B=A\cap B^c\in\F\) și \(A\,\triangle\,B=(A\setminus B)\cup(B\setminus A)\in\F\).

■

Pe scurt: orice operație care folosește cel mult o infinitate numărabilă de reuniuni, intersecții și complementare, aplicată unor evenimente, produce tot un eveniment.

Exemplul 8 (Exemple de \(\sigma\)-algebre)

Fie \(\Omega\) o mulțime nevidă.

  1. \(\F_0=\{\emptyset,\Omega\}\) este o \(\sigma\)-algebră (cea mai mică posibilă, numită \(\sigma\)-algebra trivială).
  2. \(\mathcal P(\Omega)\) este o \(\sigma\)-algebră (cea mai mare posibilă).
  3. Dacă \(A\subseteq\Omega\), atunci \(\{\emptyset,A,A^c,\Omega\}\) este o \(\sigma\)-algebră: este cea mai mică \(\sigma\)-algebră care îl conține pe \(A\).
  4. Dacă \(\Omega=\{\omega_1,\dots,\omega_n\}\) este finit, atunci \(\mathcal P(\Omega)\) are \(2^n\) elemente. Într-adevăr, fiecărei submulțimi \(A\subseteq\Omega\) îi asociem șirul \((x_1,\dots,x_n)\in\{0,1\}^n\), cu \(x_i=1\) dacă \(\omega_i\in A\) și \(x_i=0\) altfel (de exemplu, \(A=\{\omega_1,\omega_3\}\mapsto(1,0,1,0,\dots,0)\)). Corespondența este bijectivă, deci \(|\mathcal P(\Omega)|=|\{0,1\}^n|=2^n\). De exemplu, la aruncarea unui zar, \(\F=\mathcal P(\Omega)\) conține \(2^6=64\) de evenimente.
Definiția 9 (\(\sigma\)-algebra generată)

Fie \(\mathcal C\subseteq\mathcal P(\Omega)\) o colecție de submulțimi ale lui \(\Omega\). Intersecția tuturor \(\sigma\)-algebrelor peste \(\Omega\) care conțin \(\mathcal C\) este o \(\sigma\)-algebră, notată \(\sigma(\mathcal C)\) și numită \(\sigma\)-algebra generată de \(\mathcal C\). Ea este cea mai mică \(\sigma\)-algebră care conține toate mulțimile din \(\mathcal C\).

Faptul că \(\sigma(\mathcal C)\) este o \(\sigma\)-algebră se verifică direct: fiecare axiomă, fiind adevărată pentru toate \(\sigma\)-algebrele din intersecție, rămâne adevărată și pentru intersecția lor (familia intersectată este nevidă, deoarece conține \(\mathcal P(\Omega)\)). De exemplu, \(\sigma(\{A\})=\{\emptyset,A,A^c,\Omega\}\). Mai general, dacă \(\{B_1,\dots,B_k\}\) este o partiție a lui \(\Omega\), atunci \(\sigma(\{B_1,\dots,B_k\})\) este formată din toate reuniunile de blocuri \(B_i\) și are \(2^k\) elemente (vezi Exercițiul 2). Cel mai important exemplu de \(\sigma\)-algebră generată este \(\sigma\)-algebra boreliană pe \(\R\), \(\B(\R)=\sigma(\{(a,b]\mid a<b\})\), generată de intervale; ea va fi folosită în cursurile despre variabile aleatoare continue (Cursul 4 și Cursul 5).

Observație

De ce nu lucrăm întotdeauna cu \(\F=\mathcal P(\Omega)\)? Pentru \(\Omega\) cel mult numărabil acest lucru este posibil și natural. Pentru \(\Omega=[0,1]\) se poate arăta însă că nu există nicio funcție definită pe toate submulțimile lui \([0,1]\) care să extindă noțiunea de lungime, să nu se modifice prin translații și să verifice axiomele din secțiunea următoare; de aceea ne restrângem la \(\sigma\)-algebra boreliană, suficient de bogată pentru aplicații.

Definiția 10 (Spațiu măsurabil)

Perechea \((\Omega,\F)\), unde \(\Omega\) este spațiul stărilor unui experiment aleator și \(\F\) este o \(\sigma\)-algebră peste \(\Omega\), se numește spațiu probabilizabil (sau spațiu măsurabil).

4 Măsura de probabilitate

Am descris ce evenimente pot apărea. Rămâne să asociem fiecărui eveniment \(A\in\F\) un număr \(\PP(A)\) care să măsoare „șansa” ca \(A\) să se realizeze. Pentru a vedea ce proprietăți trebuie să aibă o astfel de funcție, pornim de la interpretarea frecvenționistă.

4.1 Interpretarea frecvenționistă

Considerăm un experiment aleator și un eveniment de interes \(A\). Să presupunem că repetăm experimentul de un număr mare de ori \(N\), păstrând condițiile de desfășurare identice, și notăm cu \(N(A)\) numărul de realizări ale evenimentului \(A\). Raportul \(N(A)/N\) se numește frecvența relativă a lui \(A\). Experiența arată că, pe măsură ce \(N\) crește, frecvența relativă se stabilizează în jurul unei valori, pe care o putem interpreta drept probabilitatea lui \(A\): \[ \PP(A)=\lim_{N\to\infty}\frac{N(A)}{N}. \tag{1}\]

Figura 3 ilustrează acest fenomen de stabilizare pentru evenimentul \(A=\{H\}\) la aruncarea unei monede echilibrate: patru serii independente de câte \(5000\) de aruncări, pentru fiecare fiind reprezentată frecvența relativă a capetelor după primele \(N\) aruncări.

set.seed(1654)
N <- 5000
d <- do.call(rbind, lapply(1:4, function(j) {
  x <- sample(c(0, 1), N, replace = TRUE)          # 1 = cap (H), 0 = pajură (T)
  data.frame(n = 1:N, frecv = cumsum(x) / (1:N), serie = factor(j))
}))
ggplot(d, aes(n, frecv, colour = serie)) +
  geom_line(linewidth = 0.5) +
  geom_hline(yintercept = 0.5, linetype = 2, colour = "grey30") +
  scale_x_log10() + coord_cartesian(ylim = c(0, 1)) +
  labs(x = "numărul de aruncări N (scară logaritmică)", y = "N(A) / N", colour = "Seria")
Figura 3: Frecvența relativă \(N(A)/N\) a apariției capului în patru serii de aruncări ale unei monede echilibrate. Oscilațiile sunt mari pentru \(N\) mic, dar toate traiectoriile se stabilizează în jurul valorii \(0.5\).

Relația (1) nu poate servi drept definiție matematică (limita nu are un sens precis pentru un șir de rezultate „aleatoare”; vom reveni asupra acestui aspect în Cursul 7, la Legea Numerelor Mari). Ea ne sugerează însă proprietățile pe care trebuie să le aibă probabilitatea:

  1. \(0\le N(A)\le N\), deci \(\PP(A)\in[0,1]\);
  2. \(N(\emptyset)=0\) și \(N(\Omega)=N\), deci \(\PP(\emptyset)=0\) și \(\PP(\Omega)=1\);
  3. dacă \(A\cap B=\emptyset\), atunci \(N(A\cup B)=N(A)+N(B)\); împărțind la \(N\) și trecând la limită, \(\PP(A\cup B)=\PP(A)+\PP(B)\) (aditivitate finită).

Dacă extindem ultima proprietate la cazul numărabil, obținem proprietatea de \(\sigma\)-aditivitate: dacă \((A_n)_{n\ge1}\subseteq\F\) este un șir de evenimente incompatibile două câte două, atunci \[ \PP\Big(\bigcup_{n=1}^\infty A_n\Big)=\sum_{n=1}^\infty\PP(A_n). \]

4.2 Axiomele lui Kolmogorov

Proprietățile de mai sus devin axiome în definiția formală a probabilității.

Definiția 11 (Măsură de probabilitate)

Fie \((\Omega,\F)\) un spațiu probabilizabil. O funcție \(\PP:\F\to[0,1]\) care satisface proprietățile

  1. \(\PP(\emptyset)=0\) și \(\PP(\Omega)=1\);
  2. (\(\sigma\)-aditivitate) dacă \((A_n)_{n\ge1}\subseteq\F\) este un șir de evenimente incompatibile două câte două (\(A_i\cap A_j=\emptyset\) pentru \(i\neq j\)), atunci \[ \PP\Big(\bigcup_{n=1}^\infty A_n\Big)=\sum_{n=1}^\infty\PP(A_n) \]

se numește măsură de probabilitate (sau, simplu, probabilitate) pe \((\Omega,\F)\).

Definiția 12 (Câmp de probabilitate)

Tripletul \((\Omega,\F,\PP)\), unde \((\Omega,\F)\) este un spațiu probabilizabil și \(\PP\) este o măsură de probabilitate pe \((\Omega,\F)\), se numește câmp de probabilitate (sau spațiu de probabilitate).

Un experiment aleator este deci modelat prin trei obiecte: \(\Omega\) (mulțimea evenimentelor elementare), \(\F\) (mulțimea evenimentelor) și \(\PP\) (măsura de probabilitate).

Observație

Condiția \(\PP(\emptyset)=0\) din axioma 1 este, de fapt, o consecință a celorlalte. Într-adevăr, șirul \(A_n=\emptyset\), \(n\ge1\), este format din evenimente incompatibile două câte două, cu reuniunea \(\emptyset\). Din \(\sigma\)-aditivitate, \(\PP(\emptyset)=\sum_{n\ge1}\PP(\emptyset)\). Dacă am avea \(\PP(\emptyset)=c>0\), membrul drept ar fi \(+\infty\), contradicție. Deci \(\PP(\emptyset)=0\).

Exemplul 9 (Câmpul de probabilitate al aruncării unui ban)

Fie \(\Omega=\{H,T\}\) și \(\F=\mathcal P(\Omega)=\{\emptyset,\{H\},\{T\},\Omega\}\). Pentru a defini \(\PP\) este suficient să fixăm \(\PP(\{H\})=p\in[0,1]\). Atunci, din aditivitate, \(1=\PP(\Omega)=\PP(\{H\})+\PP(\{T\})\), deci \(\PP(\{T\})=1-p\), iar \(\PP(\emptyset)=0\). Dacă banul este corect (echilibrat), \(p=1/2\).

Exemplul 10 (Câmpul de probabilitate al aruncării unui zar)

Fie \(\Omega=\{1,2,\dots,6\}\) și \(\F=\mathcal P(\Omega)\) (echivalent cu \(\{0,1\}^\Omega\), conform Exemplului 8). Fixăm \(\PP(\{i\})=p_i\in[0,1]\), \(i=1,\dots,6\). Deoarece \(\Omega=\{1\}\cup\{2\}\cup\dots\cup\{6\}\) (reuniune disjunctă), trebuie ca \[ p_1+p_2+\dots+p_6=\sum_{i=1}^6\PP(\{i\})=\PP(\Omega)=1 . \] În general, pentru orice eveniment \(A\in\F\), \(\PP(A)=\sum_{i\in A}p_i\). Pentru un zar echilibrat \(p_i=1/6\) și, de exemplu, \(\PP(\text{rezultat prim})=\PP(\{2,3,5\})=3/6=1/2\). Pentru un zar „trucat” cu \(p_6=1/2\) și \(p_1=\dots=p_5=1/10\) obținem \(\PP(\{2,3,5\})=3/10\), iar \(\PP(\{4,5,6\})=1/10+1/10+1/2=7/10\).

Construcția din exemplul precedent funcționează pentru orice spațiu discret.

Propoziția 13 (Probabilități pe un spațiu discret)

Fie \(\Omega=\{\omega_1,\omega_2,\dots\}\) un spațiu finit sau numărabil și \((p_i)_{i\ge1}\) numere cu \(p_i\ge0\) și \(\sum_ip_i=1\). Atunci funcția \[ \PP(A)=\sum_{i:\ \omega_i\in A}p_i,\qquad A\in\mathcal P(\Omega), \] este o măsură de probabilitate pe \((\Omega,\mathcal P(\Omega))\), cu \(\PP(\{\omega_i\})=p_i\). Reciproc, orice probabilitate pe \((\Omega,\mathcal P(\Omega))\) este de această formă.

Demonstrație. Evident \(\PP(\emptyset)=0\) și \(\PP(\Omega)=\sum_ip_i=1\). Dacă \((A_n)_n\) sunt disjuncte două câte două, fiecare \(\omega_i\in\bigcup_nA_n\) aparține unui singur \(A_n\); cum seria are termeni nenegativi, o putem regrupa: \(\PP(\bigcup_nA_n)=\sum_n\sum_{i:\,\omega_i\in A_n}p_i=\sum_n\PP(A_n)\). Reciproc, dacă \(\PP\) este o probabilitate, notăm \(p_i=\PP(\{\omega_i\})\); cum \(A=\bigcup_{\omega_i\in A}\{\omega_i\}\) este o reuniune cel mult numărabilă de evenimente disjuncte, \(\sigma\)-aditivitatea dă \(\PP(A)=\sum_{\omega_i\in A}p_i\).■

5 Proprietăți ale probabilității

Din axiomele lui Kolmogorov decurg toate regulile de calcul cu probabilități. Le enunțăm și le demonstrăm pe cele mai importante.

Propoziția 14 (Reguli de calcul)

Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(A,B\in\F\). Atunci:

  1. (aditivitate finită) dacă \(A\cap B=\emptyset\), atunci \(\PP(A\cup B)=\PP(A)+\PP(B)\);
  2. (evenimentul contrar) \(\PP(A^c)=1-\PP(A)\);
  3. (monotonie) dacă \(A\subseteq B\), atunci \(\PP(B\setminus A)=\PP(B)-\PP(A)\) și \(\PP(A)\le\PP(B)\);
  4. (diferența) \(\PP(A\setminus B)=\PP(A)-\PP(A\cap B)\);
  5. (reuniunea a două evenimente) \(\PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B)\).

Demonstrație.

  1. Aplicăm \(\sigma\)-aditivitatea șirului \(A_1=A\), \(A_2=B\), \(A_n=\emptyset\) pentru \(n\ge3\): \(\PP(A\cup B)=\PP(A)+\PP(B)+\sum_{n\ge3}\PP(\emptyset)=\PP(A)+\PP(B)\).

  2. Avem \(\Omega=A\cup A^c\) și \(A\cap A^c=\emptyset\), deci \(1=\PP(\Omega)=\PP(A)+\PP(A^c)\).

  3. Dacă \(A\subseteq B\), atunci \(B=A\cup(B\setminus A)=A\cup(B\cap A^c)\), reuniune disjunctă. Din a), \(\PP(B)=\PP(A)+\PP(B\setminus A)\), iar cum \(\PP(B\setminus A)\ge0\), rezultă \(\PP(B)\ge\PP(A)\).

  4. \(A\setminus B=A\setminus(A\cap B)\) și \(A\cap B\subseteq A\); aplicăm c).

  5. Scriem \(A\cup B=(A\setminus B)\cup(A\cap B)\cup(B\setminus A)\), reuniune de trei evenimente disjuncte două câte două. Folosind a) și d), \[ \PP(A\cup B)=\big[\PP(A)-\PP(A\cap B)\big]+\PP(A\cap B)+\big[\PP(B)-\PP(A\cap B)\big]=\PP(A)+\PP(B)-\PP(A\cap B). \]

■

Formula e) are o interpretare vizuală simplă: adunând \(\PP(A)\) și \(\PP(B)\), „zona comună” \(A\cap B\) este numărată de două ori, deci trebuie scăzută o dată. Pentru trei evenimente, un raționament similar (aplicând e) de două ori) conduce la \[ \PP(A\cup B\cup C)=\PP(A)+\PP(B)+\PP(C)-\PP(A\cap B)-\PP(A\cap C)-\PP(B\cap C)+\PP(A\cap B\cap C). \] Aici, zona \(A\cap B\cap C\) este adunată de trei ori, scăzută de trei ori și, în final, adunată din nou o dată. Formula se generalizează la \(n\) evenimente.

Teorema 15 (Formula lui Poincaré (principiul includerii și excluderii))

Pentru orice evenimente \(A_1,A_2,\dots,A_n\in\F\), \[ \begin{aligned} \PP\Big(\bigcup_{i=1}^nA_i\Big)&=\sum_{i=1}^n\PP(A_i)-\sum_{1\le i<j\le n}\PP(A_i\cap A_j)+\sum_{1\le i<j<k\le n}\PP(A_i\cap A_j\cap A_k)-\dots\\ &\quad+(-1)^{n+1}\PP(A_1\cap A_2\cap\dots\cap A_n)\\ &=\sum_{k=1}^n(-1)^{k+1}\sum_{1\le i_1<\dots<i_k\le n}\PP(A_{i_1}\cap\dots\cap A_{i_k}). \end{aligned} \tag{2}\]

Demonstrație. Procedăm prin inducție după \(n\). Pentru \(n=1\) nu avem nimic de demonstrat, iar pentru \(n=2\) formula este Propoziția 14 e). Presupunem formula adevărată pentru orice \(n\) evenimente și fie \(A_1,\dots,A_{n+1}\in\F\). Notând \(B=\bigcup_{i=1}^nA_i\) și aplicând cazul \(n=2\), \[ \PP\Big(\bigcup_{i=1}^{n+1}A_i\Big)=\PP(B)+\PP(A_{n+1})-\PP(B\cap A_{n+1}),\qquad B\cap A_{n+1}=\bigcup_{i=1}^n(A_i\cap A_{n+1}). \] Aplicăm ipoteza de inducție atât pentru \(\PP(B)\), cât și pentru \(\PP\big(\bigcup_{i=1}^n(A_i\cap A_{n+1})\big)\). Primul termen furnizează toate intersecțiile de \(k\) evenimente dintre \(A_1,\dots,A_n\), cu semnul \((-1)^{k+1}\). Al doilea, luat cu semnul minus, furnizează toate intersecțiile de forma \(A_{i_1}\cap\dots\cap A_{i_{k}}\cap A_{n+1}\) (cu \(k+1\) evenimente, unul dintre ele fiind \(A_{n+1}\)), cu semnul \(-(-1)^{k+1}=(-1)^{(k+1)+1}\). Împreună cu termenul \(\PP(A_{n+1})\), obținem exact suma tuturor intersecțiilor de \(k\) evenimente dintre \(A_1,\dots,A_{n+1}\), cu semnul \((-1)^{k+1}\), adică formula (2) pentru \(n+1\) evenimente.■

Propoziția 16 (Inegalitățile lui Bonferroni)

Pentru orice \(A,B\in\F\), \[ \text{(i)}\ \ \PP(A\cup B)\le\PP(A)+\PP(B),\qquad \text{(ii)}\ \ \PP(A\cap B)\ge\PP(A)+\PP(B)-1 . \] Mai general, pentru \(A_1,\dots,A_n\in\F\), \[ \PP\Big(\bigcup_{i=1}^nA_i\Big)\le\sum_{i=1}^n\PP(A_i),\qquad \PP\Big(\bigcap_{i=1}^nA_i\Big)\ge\sum_{i=1}^n\PP(A_i)-(n-1). \]

Demonstrație.

  1. rezultă din Propoziția 14 e), deoarece \(\PP(A\cap B)\ge0\). (ii) rezultă din aceeași formulă, deoarece \(\PP(A\cup B)\le1\): \(\PP(A\cap B)=\PP(A)+\PP(B)-\PP(A\cup B)\ge\PP(A)+\PP(B)-1\). Prima inegalitate generală se obține prin inducție din (i). Pentru a doua, aplicăm prima inegalitate evenimentelor \(A_i^c\) și folosim relațiile lui De Morgan: \[ \PP\Big(\bigcap_{i=1}^nA_i\Big)=1-\PP\Big(\bigcup_{i=1}^nA_i^c\Big)\ge1-\sum_{i=1}^n\big(1-\PP(A_i)\big)=\sum_{i=1}^n\PP(A_i)-(n-1). \]

■

Inegalitatea (i) este utilă atunci când \(\PP(A)\) și \(\PP(B)\) sunt mici, iar (ii) atunci când \(\PP(A)\) și \(\PP(B)\) sunt mari. De exemplu, dacă \(90\%\) dintre studenții unei facultăți au laptop (\(A\)) și \(95\%\) au telefon mobil (\(B\)), atunci, fără alte informații, putem afirma că cel puțin \(0.90+0.95-1=85\%\) dintre studenți au ambele dispozitive.

Prima inegalitate a lui Bonferroni se extinde la un număr numărabil de evenimente.

Propoziția 17 (Inegalitatea lui Boole)

Pentru orice șir de evenimente \((A_n)_{n\ge1}\subseteq\F\), \[ \PP\Big(\bigcup_{n=1}^\infty A_n\Big)\le\sum_{n=1}^\infty\PP(A_n). \]

Demonstrație. „Disjunctăm” șirul: fie \(B_1=A_1\) și \(B_n=A_n\setminus(A_1\cup\dots\cup A_{n-1})\) pentru \(n\ge2\). Evenimentele \(B_n\) sunt incompatibile două câte două, \(B_n\subseteq A_n\) și \(\bigcup_nB_n=\bigcup_nA_n\) (un \(\omega\) din reuniune aparține lui \(B_n\) pentru cel mai mic \(n\) cu \(\omega\in A_n\)). Din \(\sigma\)-aditivitate și monotonie, \(\PP\big(\bigcup_nA_n\big)=\sum_n\PP(B_n)\le\sum_n\PP(A_n)\).■

Ultima proprietate importantă arată că probabilitatea „comută” cu limitele șirurilor monotone de evenimente.

Teorema 18 (Continuitatea probabilității)

Fie \((A_n)_{n\ge1}\subseteq\F\).

  1. Dacă șirul este crescător (\(A_1\subseteq A_2\subseteq\dots\)), atunci \(\PP\big(\bigcup_{n=1}^\infty A_n\big)=\lim_{n\to\infty}\PP(A_n)\).

  2. Dacă șirul este descrescător (\(A_1\supseteq A_2\supseteq\dots\)), atunci \(\PP\big(\bigcap_{n=1}^\infty A_n\big)=\lim_{n\to\infty}\PP(A_n)\).

Demonstrație.

  1. Fie \(B_1=A_1\) și \(B_n=A_n\setminus A_{n-1}\), \(n\ge2\). Evenimentele \(B_n\) sunt incompatibile două câte două, \(A_n=B_1\cup\dots\cup B_n\) și \(\bigcup_nA_n=\bigcup_nB_n\). Atunci \[ \PP\Big(\bigcup_{n=1}^\infty A_n\Big)=\sum_{k=1}^\infty\PP(B_k)=\lim_{n\to\infty}\sum_{k=1}^n\PP(B_k)=\lim_{n\to\infty}\PP(A_n). \]
  2. Șirul \((A_n^c)_n\) este crescător, iar \(\big(\bigcap_nA_n\big)^c=\bigcup_nA_n^c\). Din a), \(1-\PP\big(\bigcap_nA_n\big)=\lim_n\PP(A_n^c)=1-\lim_n\PP(A_n)\).

■

Exemplul 11 (Mai devreme sau mai târziu apare capul)

Aruncăm o monedă de o infinitate de ori; probabilitatea de a obține cap la o aruncare este \(p\in(0,1)\). Spațiul stărilor este \(\Omega=\{H,T\}^{\N^*}=\{(\omega_k)_{k\ge1}\mid\omega_k\in\{H,T\}\}\). Fie \[ \begin{aligned} A&=\{\text{capul apare mai devreme sau mai târziu}\},\\ A_n&=\{(\omega_k)_k\in\Omega\mid\exists\,i\in\{1,\dots,n\}\text{ cu }\omega_i=H\}, \end{aligned} \] adică \(A_n\) = „am obținut cap în primele \(n\) aruncări”. Avem \(A_1\subseteq A_2\subseteq\dots\) și \(A=\bigcup_nA_n\). Evenimentul contrar lui \(A_n\) este „primele \(n\) aruncări au dat pajură”; vom vedea în Cursul 2 (independența aruncărilor) că \(\PP(A_n^c)=(1-p)^n\) (pentru \(p=1/2\) acest lucru rezultă și din modelul clasic al secțiunii următoare: un singur rezultat favorabil din \(2^n\)). Din Teorema 18, \[ \PP(A)=\lim_{n\to\infty}\PP(A_n)=\lim_{n\to\infty}\big(1-(1-p)^n\big)=1 . \] Deci, oricât de mică ar fi \(p>0\), capul apare aproape sigur. Observăm că \(A\neq\Omega\) (șirul \(TTT\dots\) nu aparține lui \(A\)), dar \(\PP(A)=1\): un eveniment de probabilitate \(1\) nu este neapărat evenimentul sigur.

6 Modelul clasic de probabilitate

Cel mai vechi (și, în multe aplicații, cel mai natural) model probabilist este cel în care experimentul are un număr finit de rezultate, toate la fel de probabile: aruncarea unui ban sau a unui zar echilibrat, extragerea unei cărți dintr-un pachet bine amestecat, extragerea numerelor la loterie.

Definiția 19 (Câmpul de probabilitate al lui Laplace)

Fie \(N\ge1\) un număr natural și un experiment aleator cu \(N\) rezultate posibile, \(\Omega=\{\omega_1,\omega_2,\dots,\omega_N\}\). Considerăm \(\F=\mathcal P(\Omega)\) (cu \(2^N\) elemente) și măsura de probabilitate \(\PP:\F\to[0,1]\) definită prin \[ \PP(\{\omega_i\})=\frac1N,\qquad i=1,\dots,N, \] numită echirepartiție (sau repartiția uniformă discretă). Tripletul \((\Omega,\F,\PP)\) se numește câmpul de probabilitate al lui Laplace (sau modelul clasic).

În acest caz, pentru orice \(A\in\F\), \[ \PP(A)=\PP\Big(\bigcup_{\omega_i\in A}\{\omega_i\}\Big)=\sum_{\omega_i\in A}\PP(\{\omega_i\})=\sum_{\omega_i\in A}\frac1N=\frac{|A|}{N}, \] adică \[ \PP(A)=\frac{|A|}{|\Omega|}=\frac{\text{numărul cazurilor favorabile}}{\text{numărul cazurilor posibile}}. \tag{3}\] Așadar, în modelul clasic calculul probabilităților se reduce la numărarea elementelor unor mulțimi finite: aceasta este motivația pentru secțiunea următoare.

Exemplul 12 (Suma a două zaruri)

Aruncăm două zaruri echilibrate. Considerăm \(\Omega=\{1,\dots,6\}^2\) cu echirepartiția (\(|\Omega|=36\), vezi Figura 1). Evenimentul „suma este \(7\)” este \(\{(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)\}\), deci are probabilitatea \(6/36=1/6\). Evenimentul „suma este cel puțin \(10\)” are \(3+2+1=6\) elemente și probabilitatea tot \(1/6\), iar „dublă” (ambele zaruri arată același număr) are probabilitatea \(6/36=1/6\). Repartiția completă a sumei se obține în R numărând cazurile favorabile (probabilitățile se obțin împărțind la \(36\)):

s <- outer(1:6, 1:6, "+")      # tabelul 6 x 6 al sumelor x + y
table(s)                       # cazurile favorabile pentru fiecare sumă
#> s
#>  2  3  4  5  6  7  8  9 10 11 12 
#>  1  2  3  4  5  6  5  4  3  2  1
Atenție!

Formula (3) se aplică doar atunci când rezultatele din \(\Omega\) sunt egal probabile, iar alegerea lui \(\Omega\) contează. Dacă, la aruncarea a două zaruri, am lua drept spațiu al stărilor mulțimea sumelor \(\{2,3,\dots,12\}\) și am presupune echirepartiția, am obține greșit \(\PP(\text{suma}=7)=1/11\). Similar, d’Alembert a susținut că la aruncarea a două monede probabilitatea de a obține „un cap și o pajură” este \(1/3\) (considerând rezultatele „două capete”, „două pajuri”, „un cap și o pajură” egal probabile); corect, rezultatele egal probabile sunt \(HH,HT,TH,TT\), iar probabilitatea este \(2/4=1/2\). Regula practică: considerați obiectele (zaruri, monede, persoane) distincte, chiar dacă par identice.

7 Elemente de combinatorică

În această secțiune notăm cu \(|A|\) cardinalul (numărul de elemente al) unei mulțimi finite \(A\).

7.1 Regula sumei

Propoziția 20 (Regula sumei)

Dacă \(A\) și \(B\) sunt două mulțimi finite și disjuncte (\(A\cap B=\emptyset\)), atunci \[ |A\cup B|=|A|+|B|. \] Reformulare: dacă un obiect \(a\) poate fi ales în \(n\) moduri și un obiect \(b\) poate fi ales în \(m\) moduri (fără moduri comune), atunci există \(n+m\) moduri de a alege \(a\) sau \(b\).

Mai mult, dacă \(A\) și \(B\) sunt finite, dar nu neapărat disjuncte, atunci \(|A\cup B|=|A|+|B|-|A\cap B|\). Această relație (și generalizarea ei de mai jos) poate fi obținută direct din proprietățile probabilității: în câmpul lui Laplace pe o mulțime finită \(\Omega\) care conține \(A\) și \(B\), avem \(|A|=\PP(A)\cdot|\Omega|\), cu \(|\Omega|\) constant, deci formula \(\PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B)\), înmulțită cu \(|\Omega|\), devine exact relația dintre cardinale. La fel, formula lui Poincaré (Teorema 15) conduce la principiul includerii și excluderii: pentru \(A_1,\dots,A_n\) mulțimi finite, \[ \begin{aligned} |A_1\cup A_2\cup\dots\cup A_n|={}&\sum_{i=1}^n|A_i|-\sum_{i<j}|A_i\cap A_j|+\sum_{i<j<k}|A_i\cap A_j\cap A_k|\\ &-\dots+(-1)^{n+1}|A_1\cap A_2\cap\dots\cap A_n| . \end{aligned} \tag{4}\]

Observație

Relația (4) are și o demonstrație directă, prin numărare. Un element care aparține exact la \(m\ge1\) dintre mulțimile \(A_i\) este numărat în membrul drept de \(\binom{m}{1}-\binom{m}{2}+\binom m3-\dots+(-1)^{m+1}\binom mm=1-(1-1)^m=1\) ori (am folosit binomul lui Newton), adică exact o dată, ca în membrul stâng.

Exemplul 13 (Funcția lui Euler)

Pentru \(n\ge2\), fie \(\varphi(n)\) numărul numerelor din \(\{1,2,\dots,n\}\) prime cu \(n\). Dacă \(p_1,\dots,p_r\) sunt divizorii primi distincți ai lui \(n\), atunci \[ \varphi(n)=n\prod_{p\mid n,\ p\text{ prim}}\Big(1-\frac1p\Big). \] Într-adevăr, fie \(A_i\) mulțimea numerelor din \(\{1,\dots,n\}\) divizibile cu \(p_i\). Un număr nu este prim cu \(n\) exact când aparține lui \(A_1\cup\dots\cup A_r\). Cum \(|A_{i_1}\cap\dots\cap A_{i_k}|=n/(p_{i_1}\cdots p_{i_k})\), din (4) rezultă \[ \varphi(n)=n-\sum_i\frac n{p_i}+\sum_{i<j}\frac n{p_ip_j}-\dots=n\Big(1-\frac1{p_1}\Big)\cdots\Big(1-\frac1{p_r}\Big). \] De exemplu, \(360=2^3\cdot3^2\cdot5\), deci \(\varphi(360)=360\cdot\frac12\cdot\frac23\cdot\frac45=96\). Echivalent: dacă alegem la întâmplare un număr din \(\{1,\dots,360\}\), probabilitatea ca el să fie prim cu \(360\) este \(96/360\approx0.267\).

7.2 Regula produsului

Propoziția 21 (Regula produsului)

Fie \(A\) și \(B\) două mulțimi finite și produsul lor cartezian \(A\times B=\{(a,b)\mid a\in A,\ b\in B\}\). Atunci \(A\times B\) este finită și \[ |A\times B|=|A|\cdot|B| . \] Reformulare: dacă un obiect \(a\) poate fi ales în \(n\) moduri și apoi un obiect \(b\) poate fi ales în \(m\) moduri, atunci perechea \((a,b)\), aleasă în această ordine, poate fi aleasă în \(n\times m\) moduri.

Mai general, \(|A_1\times A_2\times\dots\times A_n|=|A_1|\cdot|A_2|\cdots|A_n|\), iar dacă \(A_1=\dots=A_n=A\), atunci \(A^n=\{(a_1,\dots,a_n)\mid a_j\in A\}\) și \(|A^n|=|A|^n\). Regula produsului rămâne valabilă și atunci când mulțimea de opțiuni de la o etapă depinde de alegerile anterioare, cu condiția ca numărul de opțiuni să nu depindă de acestea. Un instrument util pentru vizualizare este arborele alegerilor: fiecare nivel corespunde unei etape, iar numărul de frunze este produsul numerelor de ramificații.

Exemplul 14 (Înghețată și podium)

a) Cumpărăm o înghețată: putem alege recipientul (cornet de hârtie sau vafă) și aroma (ciocolată, vanilie sau fructe). Există \(2\times3=6\) variante; arborele de mai jos le enumeră. Putem începe la fel de bine cu alegerea aromei: \(3\times2=6\).

b) La o cursă participă \(10\) alergători. Câte posibilități există pentru ocuparea locurilor \(1\), \(2\) și \(3\)? Locul \(1\) poate fi ocupat în \(10\) moduri, apoi locul \(2\) în \(9\) moduri, apoi locul \(3\) în \(8\) moduri; în total \(10\times9\times8=720\) posibilități.

c) La aruncarea unei monede de \(n\) ori, \(\Omega=\{H,T\}^n\) și \(|\Omega|=2^n\).

7.3 Scheme de extragere

Multe probleme de numărare pot fi reformulate ca extrageri de bile dintr-o urnă. Presupunem că avem o urnă cu \(n\) bile numerotate de la \(1\) la \(n\) (populația) și extragem \(k\) bile (eșantionul). Există două modalități de extragere a eșantionului din populație: cu revenire (bila extrasă este pusă înapoi) și fără revenire; în plus, putem ține cont sau nu de ordinea în care apar bilele.

Propoziția 22 (Schema cu revenire, ordinea contează)

Numărul de șiruri \((x_1,x_2,\dots,x_k)\) de lungime \(k\) cu termeni oarecare din \(\{1,2,\dots,n\}\) (rezultatele a \(k\) extrageri cu revenire dintr-o urnă cu \(n\) bile) este \[ n^k . \]

Aceasta este regula produsului pentru \(A=\{1,\dots,n\}\): fiecare dintre cele \(k\) extrageri are \(n\) rezultate posibile. De exemplu, pentru \(n=3\) și \(k=4\), un rezultat posibil este \(1133\). O reformulare utilă: avem \(k\) bile numerotate de la \(1\) la \(k\) și \(n\) urne numerotate de la \(1\) la \(n\); distribuim fiecare bilă într-o urnă, iar \(x_i\) este numărul urnei în care a fost plasată bila \(i\). Numărul de distribuiri este \(n^k\) (de exemplu, pentru \(n=3\) urne și \(k=7\) bile, șirul \(1131221\) descrie o distribuire).

Propoziția 23 (Schema fără revenire, ordinea contează)

Numărul de șiruri \((x_1,\dots,x_k)\) de lungime \(k\) cu termeni distincți din \(\{1,2,\dots,n\}\) (\(0\le k\le n\)), adică numărul aranjamentelor de \(n\) elemente luate câte \(k\), este \[ A_n^k=n(n-1)(n-2)\cdots(n-k+1)=\frac{n!}{(n-k)!}. \] În particular, pentru \(k=n\), numărul permutărilor unei mulțimi cu \(n\) elemente este \(n!\).

Din nou, este regula produsului: prima bilă poate fi oricare dintre cele \(n\), a doua oricare dintre cele \(n-1\) rămase etc. De exemplu, pentru \(n=4\) și \(k=2\) avem \(4\times3=12\) șiruri \((x_1,x_2)\).

Exemplul 15 (Cuvinte și CD-uri)

a) Câte „cuvinte” (șiruri de litere, nu neapărat cu sens) de \(4\) litere se pot forma cu literele \(M,A,T,E\)? Dacă literele se pot repeta (cu revenire): \(4^4=256\). Dacă fiecare literă este folosită exact o dată (fără revenire): \(4!=24\).

b) Ionel are \(10\) CD-uri: \(4\) de muzică rock, \(3\) de muzică clasică, \(2\) de muzică pop și \(1\) de muzică electronică. În câte moduri le poate așeza pe un raft astfel încât CD-urile de același gen să rămână grupate? Cele \(4\) genuri pot fi ordonate pe raft în \(4!\) moduri; apoi, în interiorul grupelor, CD-urile pot fi permutate în \(4!\), \(3!\), \(2!\), respectiv \(1!\) moduri. Din regula produsului, numărul total este \[ 4!\cdot\big(4!\cdot3!\cdot2!\cdot1!\big)=24\cdot288=6912 . \]

Aranjamentele apar în una dintre cele mai cunoscute probleme ale teoriei probabilităților, a cărei concluzie contrazice adesea intuiția.

Exemplul 16 (Problema zilelor de naștere)

Într-o încăpere se află \(n\) persoane. Care este probabilitatea ca cel puțin două dintre ele să fie născute în aceeași zi a anului? Facem ipotezele: anul are \(365\) de zile (ignorăm \(29\) februarie); șansa ca o persoană să se nască într-o zi dată este \(1/365\); ziua de naștere a unei persoane nu influențează în niciun fel ziua de naștere a celorlalte.

Formalizare. \(\Omega=\{(x_1,\dots,x_n)\mid x_i\in\{1,2,\dots,365\}\}\), unde \(x_i\) este ziua de naștere a persoanei \(i\); \(|\Omega|=365^n\), \(\F=\mathcal P(\Omega)\), iar \(\PP\) este echirepartiția, \(\PP(\{\omega\})=1/365^n\). Evenimentul de interes este \[ A=\{(x_1,\dots,x_n)\in\Omega\mid\exists\,i\neq j\text{ cu }x_i=x_j\}. \] Suntem în câmpul lui Laplace, deci \(\PP(A)=|A|/|\Omega|\). Este mai ușor să numărăm elementele lui \(A^c\) = „nicio pereche de persoane nu este născută în aceeași zi”, care sunt șiruri cu termeni distincți (aranjamente): \[ \PP(A)=1-\PP(A^c)=1-\frac{365\cdot364\cdot363\cdots(365-n+1)}{365^n}=1-\frac{A_{365}^n}{365^n}. \] Câteva valori (vezi și Figura 4):

\(n\) 10 15 22 23 30 40 50 55 57
\(\PP(A)\) 0.117 0.253 0.476 0.507 0.706 0.891 0.970 0.986 0.990

Pentru doar \(23\) de persoane probabilitatea depășește \(1/2\), iar pentru \(57\) de persoane depășește \(0.99\). Explicația intuitivă: contează numărul de perechi de persoane, care este \(\binom{23}{2}=253\) pentru \(n=23\), și fiecare pereche are șansa \(1/365\) de a avea aceeași zi de naștere.

set.seed(23)
coincidenta <- function(n) any(duplicated(sample(365, n, replace = TRUE)))
c(simulare = mean(replicate(1e5, coincidenta(23))),
  exact    = 1 - prod((365 - 0:22) / 365))
#> simulare    exact 
#>   0.5072   0.5073
Arată codul R
n <- 1:80
p1 <- sapply(n, function(k) 1 - prod((365 - 0:(k - 1)) / 365))
p2 <- 1 - (364 / 365)^n
d <- rbind(data.frame(n, p = p1, tip = "cel puțin două persoane cu aceeași zi"),
           data.frame(n, p = p2, tip = "cel puțin o persoană născută într-o zi fixată"))
ggplot(d, aes(n, p, colour = tip)) +
  geom_line() +
  geom_hline(yintercept = 0.5, linetype = 2, colour = "grey40") +
  annotate("segment", x = 23, xend = 23, y = 0, yend = p1[23], linetype = 3) +
  annotate("point", x = 23, y = p1[23], colour = culori[["albastru"]], size = 2.2) +
  annotate("text", x = 25, y = 0.43, label = "n = 23: 0.507", hjust = 0, size = 3.4) +
  scale_colour_manual(values = unname(culori[c("albastru", "rosu")])) +
  scale_y_continuous(breaks = seq(0, 1, 0.25)) +
  labs(x = "numărul de persoane n", y = "probabilitate", colour = NULL)
Figura 4: Problema zilelor de naștere: probabilitatea ca, dintre \(n\) persoane, cel puțin două să aibă aceeași zi de naștere (curba albastră), comparată cu probabilitatea ca cel puțin una dintre ele să fie născută într-o zi fixată dinainte (curba roșie, \(1-(364/365)^n\)).

7.4 Combinări

Să presupunem că avem \(n\) persoane și vrem să formăm comisii de \(k\) persoane. Câte astfel de comisii există? Altfel spus, câte submulțimi cu \(k\) elemente are o mulțime cu \(n\) elemente? De data aceasta nu ne interesează ordinea.

Propoziția 24 (Combinări)

Fie \(0\le k\le n\). Numărul submulțimilor cu \(k\) elemente ale unei mulțimi cu \(n\) elemente (numărul combinărilor de \(n\) luate câte \(k\)) este \[ \binom nk=C_n^k=\frac{n!}{k!\,(n-k)!}. \]

Demonstrație. Numărăm în două moduri șirurile de lungime \(k\) cu termeni distincți din \(\{1,\dots,n\}\). Pe de o parte, numărul lor este \(A_n^k=n!/(n-k)!\). Pe de altă parte, putem alege întâi mulțimea celor \(k\) termeni (în \(C_n^k\) moduri) și apoi ordinea lor (în \(k!\) moduri). Din regula produsului, \(A_n^k=C_n^k\cdot k!\), de unde rezultă formula.■

Combinările sunt instrumentul principal pentru probleme în care se extrag simultan mai multe obiecte, cum ar fi împărțirea cărților de joc.

Exemplul 17 (Mâini de poker)

Un pachet de \(52\) de cărți are \(4\) culori (inimă roșie, romb, inimă neagră, treflă) și \(13\) figuri (\(2,3,\dots,10,J,Q,K,A\)); fiecare carte este o pereche (culoare, figură). O mână de poker este o submulțime de \(5\) cărți; considerăm \(\Omega\) = mulțimea tuturor mâinilor, \(\F=\mathcal P(\Omega)\) și \(\PP\) echirepartiția (pachetul este bine amestecat).

  1. Numărul de mâini este \(|\Omega|=\binom{52}{5}=2\,598\,960\).
  2. Mâini cu exact 2 ași, 2 popi și o damă: alegem cei doi ași în \(\binom42\) moduri, cei doi popi în \(\binom42\) moduri și dama în \(\binom41\) moduri: \(\binom42\binom42\binom41=6\cdot6\cdot4=144\).
  3. Full house (trei cărți de o figură și două de altă figură, de exemplu \((K,K,10,10,10)\) sau \((Q,Q,7,7,7)\)). Alegem figura celor trei cărți în \(\binom{13}1\) moduri și culorile lor în \(\binom43\) moduri; apoi, dintre cele \(12\) figuri rămase, alegem figura perechii în \(\binom{12}1\) moduri și culorile ei în \(\binom42\) moduri: \[ \PP(\text{full house})=\frac{\binom{13}{1}\binom43\binom{12}{1}\binom42}{\binom{52}5}=\frac{3744}{2\,598\,960}\approx0.00144 . \]
  4. Exact o pereche (două cărți de aceeași figură, celelalte trei cu figuri diferite între ele și de figura perechii). Alegem figura perechii (\(\binom{13}1\)), culorile celor două cărți din pereche (\(\binom42\)), figurile celorlalte trei cărți (\(\binom{12}3\)) și culoarea fiecăreia dintre ele (\(\binom41^3\)): \[ \PP(\text{o pereche})=\frac{\binom{13}1\binom42\binom{12}3\binom41^3}{\binom{52}5}=\frac{1\,098\,240}{2\,598\,960}\approx0.4226 . \]

O mână conține exact o pereche dacă și numai dacă printre cele \(5\) cărți apar exact \(4\) figuri distincte, ceea ce permite o verificare simplă prin simulare:

set.seed(52)
pachet <- rep(1:13, times = 4)          # figurile celor 52 de cărți
o_pereche <- function(mana) length(unique(mana)) == 4
c(simulare = mean(replicate(1e5, o_pereche(sample(pachet, 5)))),
  exact = 13 * choose(4, 2) * choose(12, 3) * 4^3 / choose(52, 5))
#> simulare    exact 
#>   0.4234   0.4226
Exemplul 18 (Problema lui Newton–Pepys)

Care dintre următoarele evenimente are probabilitatea cea mai mare?

  1. Cel puțin un \(6\) apare atunci când aruncăm \(6\) zaruri (echilibrate).
  2. Cel puțin două valori de \(6\) apar atunci când aruncăm \(12\) zaruri.
  3. Cel puțin trei valori de \(6\) apar atunci când aruncăm \(18\) zaruri.

a) \(\Omega=\{1,\dots,6\}^6\), \(|\Omega|=6^6\), \(\F=\mathcal P(\Omega)\), \(\PP\) echirepartiția. Fie \(A\) = „cel puțin un \(6\) în \(6\) aruncări”. Evenimentul contrar, „niciun \(6\)”, conține șirurile cu termeni din \(\{1,\dots,5\}\), deci \[ \PP(A)=1-\PP(A^c)=1-\frac{5^6}{6^6}\approx0.6651 . \] b) \(\Omega=\{1,\dots,6\}^{12}\). Fie \(B\) = „cel puțin două valori de \(6\)”. Contrarul său este „cel mult un \(6\)” = „niciun \(6\)” \(\cup\) „exact un \(6\)” (evenimente incompatibile). Pentru „exact un \(6\)” alegem poziția lui în \(\binom{12}1\) moduri, iar celelalte \(11\) poziții au valori din \(\{1,\dots,5\}\): \[ \PP(B)=1-\frac{5^{12}}{6^{12}}-\frac{\binom{12}{1}5^{11}}{6^{12}}\approx0.6187<0.6651 . \] c) \(\Omega=\{1,\dots,6\}^{18}\). Fie \(C\) = „cel puțin trei valori de \(6\)”; contrarul său este „niciun \(6\), exact un \(6\) sau exact doi de \(6\)”: \[ \PP(C)=1-\frac{5^{18}+\binom{18}{1}5^{17}+\binom{18}25^{16}}{6^{18}}\approx0.5973 . \] Așadar \(\PP(A)>\PP(B)>\PP(C)\): varianta a) este cea mai avantajoasă, deși în toate cele trei cazuri numărul „așteptat” de valori de \(6\) este proporțional cu numărul de zaruri.

p_cel_putin <- function(m, zaruri) {  # P(cel puțin m valori de 6)
  j <- 0:(m - 1)                      # contrar: exact j valori de 6
  1 - sum(choose(zaruri, j) * 5^(zaruri - j)) / 6^zaruri
}
set.seed(1693)                           # simulare pentru varianta b)
sim_b <- mean(replicate(1e5, sum(sample(6, 12, TRUE) == 6) >= 2))
c(a = p_cel_putin(1, 6), b = p_cel_putin(2, 12), c = p_cel_putin(3, 18),
  b_simulat = sim_b)
#>         a         b         c b_simulat 
#>    0.6651    0.6187    0.5973    0.6176
Notă istorică

În 1693, Samuel Pepys (celebru pentru jurnalul său) i-a adresat lui Isaac Newton întrebarea de mai sus, fiind interesat de un pariu. Pepys credea că varianta c) este cea mai avantajoasă; Newton a răspuns corect că varianta a) are cea mai mare probabilitate.

O problemă înrudită, cu care, după tradiție, a început teoria probabilităților, este următoarea.

Exemplul 19 (Problema cavalerului de Méré)

Cavalerul de Méré observase, jucând frecvent, că pariul „cel puțin un \(6\) în \(4\) aruncări ale unui zar” este avantajos, și presupunea că pariul „cel puțin o dublă de \(6\) în \(24\) de aruncări a două zaruri” ar trebui să fie la fel de avantajos (raționamentul său: \(4/6=24/36\)). Experiența îl contrazicea. Cu formula evenimentului contrar și modelul clasic: \[ \begin{aligned} \PP(\text{cel puțin un 6 în 4 aruncări})&=1-\Big(\frac56\Big)^4\approx0.5177,\\ \PP(\text{cel puțin o dublă de 6 în 24 de aruncări})&=1-\Big(\frac{35}{36}\Big)^{24}\approx0.4914 . \end{aligned} \] Primul pariu este favorabil (\(>1/2\)), al doilea nu. Diferența este mică (\(\approx0.026\)), ceea ce arată cât de atent observa cavalerul frecvențele relative.

set.seed(1654)
sim1 <- mean(replicate(1e5, any(sample(6, 4, TRUE) == 6)))
sim2 <- mean(replicate(1e5, any(sample(6, 24, TRUE) == 6 &
                                sample(6, 24, TRUE) == 6)))
rbind(exact    = c(unu_din_4 = 1 - (5/6)^4, dubla_din_24 = 1 - (35/36)^24),
      simulare = c(sim1, sim2))
#>          unu_din_4 dubla_din_24
#> exact       0.5177       0.4914
#> simulare    0.5178       0.4943

Cele patru situații studiate până acum (extrageri cu sau fără revenire, cu sau fără ordine) sunt rezumate în Tabelul 2. Căsuța „cu revenire, ordinea nu contează” va fi justificată în Propoziția 26.

Tabelul 2: Numărul de moduri de a extrage \(k\) bile dintr-o urnă cu \(n\) bile (metode de numărare).
ordinea contează ordinea nu contează
cu revenire \(n^k\) \(\binom{n+k-1}{k}\)
fără revenire \(A_n^k=\dfrac{n!}{(n-k)!}\) \(C_n^k=\dbinom nk\)

7.5 Partiții și coeficientul multinomial

Fie \(A\) o mulțime cu \(n\) elemente și \(n_1,n_2,\dots,n_k\in\N\) cu \(n_1+n_2+\dots+n_k=n\). Considerăm partiții ale lui \(A\) în \(k\) submulțimi disjuncte (numerotate) \(A_1,\dots,A_k\), astfel încât submulțimea \(A_i\) să conțină \(n_i\) elemente. În câte moduri putem partiționa mulțimea astfel încât să obținem o partiție de tip \((n_1,\dots,n_k)\)?

Problema este echivalentă cu numărarea șirurilor de lungime \(n\) care conțin \(n_1\) elemente de tipul \(1\), \(n_2\) elemente de tipul \(2\), …, \(n_k\) elemente de tipul \(k\), elementele de același tip fiind identice (poziția \(j\) a șirului indică submulțimea în care este plasat elementul \(j\) al lui \(A\)).

Propoziția 25 (Coeficientul multinomial)

Numărul partițiilor unei mulțimi cu \(n\) elemente în \(k\) submulțimi (numerotate) cu \(n_1,\dots,n_k\) elemente, \(n_1+\dots+n_k=n\), este \[ \binom{n}{n_1,n_2,\dots,n_k}=\frac{n!}{n_1!\,n_2!\cdots n_k!}, \] numit coeficient multinomial. Pentru \(k=2\) regăsim coeficientul binomial: \(\binom{n}{n_1,\,n-n_1}=\binom{n}{n_1}\).

Demonstrație. Avem \(\binom n{n_1}\) moduri de formare a primei submulțimi, apoi \(\binom{n-n_1}{n_2}\) moduri de formare a celei de-a doua (din elementele rămase) ș.a.m.d. Din regula produsului, numărul total este \[ \begin{aligned} \binom n{n_1}\binom{n-n_1}{n_2}\cdots\binom{n-n_1-\dots-n_{k-1}}{n_k} &=\frac{n!}{n_1!\,(n-n_1)!}\cdot\frac{(n-n_1)!}{n_2!\,(n-n_1-n_2)!}\\ &\qquad\cdots\frac{(n-n_1-\dots-n_{k-1})!}{n_k!\,0!}\\ &=\frac{n!}{n_1!\,n_2!\cdots n_k!}, \end{aligned} \] deoarece produsul este „telescopic”.■

Exemplul 20 (Anagramele cuvântului MATEMATICA)

Câte cuvinte diferite putem obține rearanjând literele cuvântului MATEMATICA? Cuvântul are \(10\) litere: \(M\) apare de \(2\) ori, \(A\) de \(3\) ori, \(T\) de \(2\) ori, iar \(E\), \(I\), \(C\) câte o dată. Un cuvânt este determinat de pozițiile pe care apare fiecare literă, adică de o partiție a mulțimii pozițiilor \(\{1,\dots,10\}\) de tip \((2,3,2,1,1,1)\): \[ \binom{10}{2,3,2,1,1,1}=\frac{10!}{2!\,3!\,2!\,1!\,1!\,1!}=151\,200 . \]

Exemplul 21 (Împărțirea aleatoare în grupe)

Într-o grupă de laborator sunt \(4\) băieți și \(12\) fete, iar profesorul îi împarte în mod aleator în \(4\) grupe (numerotate) de câte \(4\) studenți. Care este probabilitatea ca fiecare grupă să conțină exact un băiat? Prin „mod aleator” înțelegem că fiecare partiție este egal probabilă.

Fie \(\Omega\) mulțimea tuturor partițiilor celor \(16\) studenți în grupe de câte \(4\); \(|\Omega|=\binom{16}{4,4,4,4}=\frac{16!}{(4!)^4}\). Fie \(A\) = „fiecare grupă conține un băiat”. Băieții pot fi distribuiți câte unul în fiecare grupă în \(4!\) moduri; mai rămân \(12\) fete, care se distribuie câte \(3\) în fiecare grupă în \(\binom{12}{3,3,3,3}\) moduri. Deci \[ \PP(A)=\frac{4!\binom{12}{3,3,3,3}}{\binom{16}{4,4,4,4}}=\frac{4!\,12!}{(3!)^4}\Big/\frac{16!}{(4!)^4}=\frac{4\cdot8\cdot12}{13\cdot14\cdot15}=\frac{64}{455}\approx0.1407 . \] Rezultatul poate fi verificat prin simulare, observând că o permutare aleatoare a celor \(16\) studenți, tăiată în patru blocuri consecutive de câte \(4\), produce o partiție aleatoare uniformă (de exemplu, matrix(sample(studenti), nrow = 4) în R).

7.6 Combinări cu repetiție: modelul Bose-Einstein

Rămâne de completat căsuța din Tabelul 2 corespunzătoare extragerilor cu revenire în care ordinea nu contează: în câte moduri putem alege \(k\) obiecte dintr-o mulțime cu \(n\) obiecte, atunci când extragerea se face cu revenire și ordinea nu contează? Un astfel de rezultat este determinat de numărul de apariții \(x_i\) ale fiecărui obiect \(i\), deci problema revine la a determina numărul de moduri în care putem distribui \(k\) obiecte care nu se pot diferenția (bile identice) în \(n\) urne distincte. De exemplu, pentru \(n=5\) urne și \(k=7\) bile, o distribuire posibilă este: \(1\) bilă în prima urnă, \(2\) în a doua, niciuna în a treia, \(3\) în a patra și \(1\) în a cincea. Problema este echivalentă cu determinarea numărului de soluții naturale ale ecuației \[ x_1+x_2+x_3+x_4+x_5=7,\qquad x_i\in\N . \]

Propoziția 26 (Combinări cu repetiție)

Numărul de moduri de a distribui \(k\) bile identice în \(n\) urne distincte, egal cu numărul soluțiilor naturale ale ecuației \(x_1+x_2+\dots+x_n=k\), este \[ \binom{n+k-1}{k}=\binom{n+k-1}{n-1}. \]

Demonstrație. Folosim metoda „bilelor și barelor”. Reprezentăm bilele prin simbolul \(\bullet\) și separăm conținutul urnelor prin \(n-1\) bare verticale. Distribuirea din exemplul de mai sus (\(n=5\), \(k=7\)) devine \[ \begin{array}{ccccccccc} \bullet & \Big| & \bullet\ \bullet & \Big| & \phantom{\bullet} & \Big| & \bullet\ \bullet\ \bullet & \Big| & \bullet\\[-2pt] \scriptstyle x_1=1 & & \scriptstyle x_2=2 & & \scriptstyle x_3=0 & & \scriptstyle x_4=3 & & \scriptstyle x_5=1 \end{array} \] Orice distribuire corespunde unui șir de \(k+(n-1)\) simboluri, dintre care \(k\) bile și \(n-1\) bare, și reciproc: un astfel de șir determină unic numărul de bile din fiecare urnă (numărul de bile dinaintea primei bare, dintre prima și a doua bară etc.). Un șir este determinat de alegerea pozițiilor celor \(k\) bile dintre cele \(n+k-1\) poziții, deci numărul căutat este \(\binom{n+k-1}{k}\).■

Pentru \(n=5\) și \(k=7\) obținem \(\binom{11}{7}=330\) distribuiri (o enumerare în R a tuturor celor \(8^5\) vectori \((x_1,\dots,x_5)\in\{0,\dots,7\}^5\) confirmă că exact \(330\) dintre ei au suma \(7\)).

Atenție!

Numărarea combinărilor cu repetiție este corectă, dar cele \(\binom{n+k-1}{k}\) rezultate nu sunt egal probabile atunci când extragem efectiv \(k\) bile cu revenire dintr-o urnă cu \(n\) bile. De exemplu, la aruncarea a două zaruri, rezultatele neordonate sunt \(\binom{6+2-1}{2}=21\), dar „\(\{1,2\}\)” are probabilitatea \(2/36\) (poate apărea ca \((1,2)\) sau \((2,1)\)), în timp ce „\(\{1,1\}\)” are probabilitatea \(1/36\). Formula lui Laplace se aplică spațiului ordonat \(\{1,\dots,6\}^2\), nu celui neordonat. Modelul în care toate cele \(\binom{n+k-1}{k}\) configurații sunt egal probabile se numește statistica Bose–Einstein și descrie comportamentul unor particule elementare (bozonii) — un exemplu remarcabil în care natura nu urmează intuiția „bilelor distincte”.

8 Problema potrivirilor

Încheiem partea teoretică a cursului cu o problemă celebră, care ilustrează forța formulei lui Poincaré.

Exemplul 22 (Problema potrivirilor (problema lui Montmort))

O persoană distrată a scris \(n\) scrisori către \(n\) destinatari diferiți și a pregătit \(n\) plicuri cu adresele acestora. Apoi introduce scrisorile în plicuri în mod aleator (câte o scrisoare în fiecare plic). Care este probabilitatea ca cel puțin un destinatar să primească scrisoarea corectă?

Formalizare. Numerotăm plicurile și scrisorile cu \(1,\dots,n\) (scrisoarea \(i\) este destinată plicului \(i\)). O introducere a scrisorilor în plicuri este o permutare \[ \sigma=\begin{pmatrix}1 & 2 & 3 & \cdots & n\\ \sigma_1 & \sigma_2 & \sigma_3 & \cdots & \sigma_n\end{pmatrix},\qquad \sigma:\{1,\dots,n\}\to\{1,\dots,n\}\ \text{bijectivă}, \] unde \(\sigma_i\) este numărul scrisorii din plicul \(i\). Deci \(\Omega\) este mulțimea permutărilor lui \(\{1,\dots,n\}\), \(|\Omega|=n!\), iar \(\PP\) este echirepartiția.

Fie \(A_i=\{\sigma\in\Omega\mid\sigma_i=i\}\) evenimentul „plicul \(i\) conține scrisoarea corectă” și \(A=A_1\cup\dots\cup A_n\) evenimentul „cel puțin un destinatar primește scrisoarea corectă”. Pentru indici distincți \(i_1<\dots<i_k\), evenimentul \(A_{i_1}\cap\dots\cap A_{i_k}\) fixează \(k\) valori ale permutării, iar celelalte \(n-k\) pot fi permutate arbitrar: \[ \PP(A_{i_1}\cap\dots\cap A_{i_k})=\frac{(n-k)!}{n!}. \] Suma interioară din formula lui Poincaré are \(\binom nk\) termeni egali, deci \[ \sum_{i_1<\dots<i_k}\PP(A_{i_1}\cap\dots\cap A_{i_k})=\binom nk\frac{(n-k)!}{n!}=\frac1{k!} \] și, din (2), \[ p_n=\PP(A)=\sum_{k=1}^n\frac{(-1)^{k+1}}{k!}=1-\frac1{2!}+\frac1{3!}-\dots+\frac{(-1)^{n+1}}{n!}. \] Recunoaștem suma parțială a seriei \(e^{-1}=\sum_{k\ge0}(-1)^k/k!\), deci \[ \lim_{n\to\infty}p_n=1-\frac1e\approx0.6321 . \] Convergența este foarte rapidă (Figura 5): deja pentru \(n=7\), \(p_n\) coincide cu limita până la a patra zecimală. Surprinzător, probabilitatea ca măcar o scrisoare să ajungă la destinatarul corect este practic aceeași pentru \(10\) scrisori și pentru un milion de scrisori.

set.seed(7)
n <- 10
c(simulare = mean(replicate(1e5, any(sample(n) == 1:n))),
  exact    = sum((-1)^(0:(n - 1)) / factorial(1:n)),    # p_n
  limita   = 1 - exp(-1))
#> simulare    exact   limita 
#>   0.6348   0.6321   0.6321
Arată codul R
set.seed(11)
nn <- 1:12
pex <- sapply(nn, function(n) sum((-1)^(0:(n - 1)) / factorial(1:n)))
psim <- sapply(nn, function(n) mean(replicate(2e4, any(sample(n) == 1:n))))
d1 <- data.frame(n = nn, exact = pex, sim = psim)
g1 <- ggplot(d1, aes(n)) +
  geom_hline(yintercept = 1 - exp(-1), linetype = 2, colour = culori[["rosu"]]) +
  geom_line(aes(y = exact), colour = culori[["albastru"]], linewidth = 0.5) +
  geom_point(aes(y = exact), colour = culori[["albastru"]], size = 2) +
  geom_point(aes(y = sim), shape = 21, colour = culori[["portocaliu"]], size = 3, stroke = 0.9) +
  annotate("text", x = 12, y = 0.60, label = "1 - 1/e", colour = culori[["rosu"]], hjust = 1, size = 3.4) +
  scale_x_continuous(breaks = seq(2, 12, 2)) +
  labs(x = "n", y = expression(p[n]), title = "Cel puțin o potrivire")
em <- function(n, k) sum((-1)^(0:(n - k)) / factorial(0:(n - k))) / factorial(k)
nr <- replicate(2e4, sum(sample(10) == 1:10))
d2 <- data.frame(k = 0:6, sim = sapply(0:6, function(k) mean(nr == k)),
                 exact = sapply(0:6, function(k) em(10, k)))
g2 <- ggplot(d2, aes(k)) +
  geom_col(aes(y = sim), fill = culori[["albastru"]], alpha = 0.45, width = 0.6) +
  geom_point(aes(y = exact), colour = culori[["rosu"]], size = 2.2) +
  scale_x_continuous(breaks = 0:6) +
  labs(x = "numărul de potriviri k", y = "probabilitate", title = "Numărul de potriviri, n = 10")
g1 + g2
Figura 5: Problema potrivirilor. Stânga: probabilitatea exactă \(p_n\) de a avea cel puțin o potrivire (puncte pline) și frecvența relativă din \(20\,000\) de simulări (puncte goale); linia punctată este limita \(1-1/e\). Dreapta: repartiția numărului de potriviri pentru \(n=10\), simulată (bare) și exactă (puncte), vezi Exercițiul 8.
Notă istorică

Problema a fost formulată și rezolvată de Pierre Rémond de Montmort în 1708, sub forma unui joc de cărți numit treize („treisprezece”): se întorc una câte una cele \(13\) cărți ale unei culori, numărând „unu, doi, …, treisprezece”, iar jucătorul câștigă dacă măcar o dată numărul rostit coincide cu valoarea cărții întoarse.

De reținut

Câmp de probabilitate. \((\Omega,\F,\PP)\): \(\Omega\) = spațiul stărilor (evenimentele elementare); \(\F\subseteq\mathcal P(\Omega)\) = \(\sigma\)-algebra evenimentelor (\(\Omega\in\F\); \(A\in\F\Rightarrow A^c\in\F\); \(A_n\in\F\Rightarrow\bigcup_nA_n\in\F\)); \(\PP:\F\to[0,1]\) cu \(\PP(\Omega)=1\) și \(\PP\big(\bigcup_nA_n\big)=\sum_n\PP(A_n)\) pentru \(A_n\) disjuncte două câte două.

Reguli de calcul. \(\PP(A^c)=1-\PP(A)\); \(A\subseteq B\Rightarrow\PP(A)\le\PP(B)\) și \(\PP(B\setminus A)=\PP(B)-\PP(A)\); \(\PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B)\); \(\PP\big(\bigcup_{i=1}^nA_i\big)=\sum_{k=1}^n(-1)^{k+1}\sum_{i_1<\dots<i_k}\PP(A_{i_1}\cap\dots\cap A_{i_k})\) (Poincaré); \(\PP\big(\bigcup_nA_n\big)\le\sum_n\PP(A_n)\) (Boole); \(\PP(A\cap B)\ge\PP(A)+\PP(B)-1\) (Bonferroni); \(A_n\uparrow A\Rightarrow\PP(A_n)\to\PP(A)\), \(A_n\downarrow A\Rightarrow\PP(A_n)\to\PP(A)\) (continuitate).

Modelul clasic (Laplace). \(\PP(A)=\dfrac{|A|}{|\Omega|}=\dfrac{\text{nr. cazuri favorabile}}{\text{nr. cazuri posibile}}\), doar pentru rezultate egal probabile.

Numărare. \(|A\times B|=|A|\,|B|\); extrageri de \(k\) din \(n\): cu revenire și ordonat \(n^k\); fără revenire și ordonat \(A_n^k=\frac{n!}{(n-k)!}\); fără revenire și neordonat \(C_n^k=\binom nk\); cu revenire și neordonat \(\binom{n+k-1}{k}\); partiții de tip \((n_1,\dots,n_k)\): \(\frac{n!}{n_1!\cdots n_k!}\).

Rezultate clasice. Zile de naștere: \(1-A_{365}^n/365^n\) (\(>1/2\) pentru \(n\ge23\)). Potriviri: \(p_n=\sum_{k=1}^n\frac{(-1)^{k+1}}{k!}\to1-\frac1e\approx0.632\).

Legătura cu cursurile următoare. În Cursul 2 vom vedea cum se modifică probabilitatea unui eveniment atunci când primim o informație suplimentară (probabilitatea condiționată) și vom da un sens precis ideii că două evenimente „nu se influențează” (independența). Regulile de numărare și formula lui Poincaré vor reapărea în Cursul 3, la repartițiile binomială și hipergeometrică și la numărul mediu de potriviri.

9 Exerciții rezolvate

Exercițiul 1 (Utilizatorii a două platforme)

Într-o școală, \(60\%\) dintre elevi nu folosesc nici platforma \(F\), nici platforma \(T\), \(20\%\) folosesc platforma \(F\), iar \(30\%\) folosesc platforma \(T\). Se alege un elev la întâmplare. Care este probabilitatea ca elevul: a) să folosească \(F\) sau \(T\); b) să folosească atât \(F\), cât și \(T\); c) să folosească o singură platformă; d) să folosească doar platforma \(F\)?

Soluție

Fie \(A\) = „elevul folosește \(F\)” și \(B\) = „elevul folosește \(T\)”. Datele problemei sunt \(\PP(A)=0.2\), \(\PP(B)=0.3\) și \(\PP(A^c\cap B^c)=0.6\). Din relațiile lui De Morgan, \(A^c\cap B^c=(A\cup B)^c\) (elevii care nu folosesc nicio platformă sunt în afara reuniunii).

  1. \(\PP(A\cup B)=1-\PP\big((A\cup B)^c\big)=1-0.6=0.4\).

  2. Din formula reuniunii, \(\PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B)\), deci \(\PP(A\cap B)=0.2+0.3-0.4=0.1\).

  3. „O singură platformă” înseamnă \(A\,\triangle\,B=(A\setminus B)\cup(B\setminus A)\), reuniune disjunctă. Avem \(\PP(A\setminus B)=\PP(A)-\PP(A\cap B)=0.2-0.1=0.1\) și \(\PP(B\setminus A)=0.3-0.1=0.2\), deci \(\PP(A\,\triangle\,B)=0.1+0.2=0.3\). Verificare: \(A\,\triangle\,B=(A\cup B)\setminus(A\cap B)\), deci \(\PP(A\,\triangle\,B)=0.4-0.1=0.3\).

  4. \(\PP(A\cap B^c)=\PP(A\setminus B)=0.1\).

Exercițiul 2 (O \(\sigma\)-algebră generată)

Fie \(\Omega=\{1,2,3,4,5,6\}\) și \(\mathcal C=\{\{1,2\},\{3\}\}\). Determinați \(\sigma(\mathcal C)\). Este \(\{1,3\}\) un eveniment în această \(\sigma\)-algebră?

Soluție

Orice \(\sigma\)-algebră care conține \(\{1,2\}\) și \(\{3\}\) conține și complementara reuniunii lor, \(B_3=\{4,5,6\}\). Mulțimile \(B_1=\{1,2\}\), \(B_2=\{3\}\), \(B_3=\{4,5,6\}\) formează o partiție a lui \(\Omega\), deci \(\sigma(\mathcal C)\) conține toate reuniunile de blocuri: \[ \sigma(\mathcal C)=\big\{\emptyset,\ \{1,2\},\ \{3\},\ \{4,5,6\},\ \{1,2,3\},\ \{1,2,4,5,6\},\ \{3,4,5,6\},\ \Omega\big\}. \] Această colecție de \(2^3=8\) mulțimi este închisă la complementară și la reuniuni (complementara unei reuniuni de blocuri este reuniunea blocurilor rămase, iar o reuniune de reuniuni de blocuri este tot o reuniune de blocuri), deci este o \(\sigma\)-algebră; fiind conținută în orice \(\sigma\)-algebră care conține \(\mathcal C\), ea este \(\sigma(\mathcal C)\). Mulțimea \(\{1,3\}\) nu este reuniune de blocuri, deci \(\{1,3\}\notin\sigma(\mathcal C)\). Intuitiv, \(\sigma(\mathcal C)\) descrie informația unui observator care poate distinge doar între „\(1\) sau \(2\)”, „\(3\)” și „\(4\), \(5\) sau \(6\)”: el nu poate decide dacă s-a realizat \(\{1,3\}\) atunci când rezultatul este \(1\) sau \(2\).

Exercițiul 3 (Primul cap la o aruncare pară)

Aruncăm o monedă echilibrată până obținem pentru prima dată cap. Care este probabilitatea ca numărul de aruncări necesare să fie par?

Soluție

Fie \(\Omega=\N^*\) ca în Exemplul 7. Evenimentul elementar \(\{k\}\) înseamnă că primele \(k\) aruncări au dat \(T\dots TH\) (\(k-1\) pajuri urmate de un cap). Dintre cele \(2^k\) rezultate egal probabile ale primelor \(k\) aruncări, doar unul este favorabil, deci \(\PP(\{k\})=1/2^k\) (observăm că \(\sum_{k\ge1}2^{-k}=1\), deci am definit o probabilitate pe \(\N^*\), conform Propoziției 13). Evenimentul căutat este \(A=\bigcup_{i\ge1}\{2i\}\), reuniune de evenimente incompatibile. Din \(\sigma\)-aditivitate, \[ \PP(A)=\sum_{i=1}^\infty\PP(\{2i\})=\sum_{i=1}^\infty\frac1{4^i}=\frac{1/4}{1-1/4}=\frac13 . \] Deci probabilitatea ca primul cap să apară la o aruncare impară este \(2/3\): este de două ori mai probabil. Remarcăm că aici \(\sigma\)-aditivitatea (nu doar aditivitatea finită) este indispensabilă.

Exercițiul 4 (Două cărți vecine)

Un pachet de \(100\) de cărți numerotate de la \(1\) la \(100\) este amestecat aleator (toate cele \(100!\) ordini sunt egal probabile). a) Care este probabilitatea ca imediat după cartea \(1\) să urmeze cartea \(2\)? b) Care este probabilitatea ca în pachet cărțile \(1\) și \(2\) să fie vecine?

Soluție

Lucrăm, mai general, cu \(n\) cărți; \(|\Omega|=n!\).

  1. Lipim cărțile \(1\) și \(2\), în această ordine, într-un „bloc” \([1\,2]\). Ordinile favorabile corespund permutărilor celor \(n-1\) obiecte (blocul și celelalte \(n-2\) cărți): \((n-1)!\). Echivalent, blocul poate ocupa una dintre cele \(n-1\) perechi de poziții consecutive, iar celelalte \(n-2\) cărți se permută în \((n-2)!\) moduri: \((n-1)(n-2)!=(n-1)!\). Deci \[ \PP=\frac{(n-1)!}{n!}=\frac1n,\qquad\text{pentru } n=100:\ \frac{99\cdot98!}{100!}=\frac1{100}. \]
  2. Cărțile pot fi vecine în ordinea \(1,2\) sau \(2,1\) (evenimente incompatibile, cu aceeași probabilitate), deci \(\PP=2/n=0.02\).
Exercițiul 5 (Loteria 6 din 49)

La loteria „6 din 49” se extrag, fără revenire, \(6\) numere din \(\{1,\dots,49\}\). Un jucător a completat un bilet cu \(6\) numere. Care este probabilitatea ca exact \(k\) dintre numerele sale să fie extrase, \(k=0,1,\dots,6\)?

Soluție

Ordinea extragerii nu contează, deci \(\Omega\) este mulțimea submulțimilor cu \(6\) elemente ale lui \(\{1,\dots,49\}\), \(|\Omega|=\binom{49}6=13\,983\,816\), cu echirepartiția. Pentru a avea exact \(k\) numere câștigătoare, extragerea trebuie să conțină \(k\) dintre cele \(6\) numere ale jucătorului (\(\binom6k\) moduri) și \(6-k\) dintre cele \(43\) de numere necompletate (\(\binom{43}{6-k}\) moduri). Deci \[ \PP(\text{exact }k\text{ numere})=\frac{\binom6k\binom{43}{6-k}}{\binom{49}6}. \] De exemplu, \(\PP(\text{exact }3)=\frac{20\cdot12\,341}{13\,983\,816}\approx0.01765\), iar \(\PP(\text{exact }6)=1/13\,983\,816\approx7.15\cdot10^{-8}\). (Vom regăsi această formulă în Cursul 3, la repartiția hipergeometrică.)

k <- 0:6
round(choose(6, k) * choose(43, 6 - k) / choose(49, 6), 6)
#> [1] 0.435965 0.413019 0.132378 0.017650 0.000969 0.000018 0.000000
Exercițiul 6 (Numere divizibile cu 495)

Se formează aleator un număr \(N=\overline{abcde}\) din \(5\) cifre distincte (toate cele \(10\cdot9\cdot8\cdot7\cdot6\) șiruri de cifre distincte sunt egal probabile; prima cifră poate fi \(0\)). Care este probabilitatea ca \(N\) să fie divizibil cu \(495\)?

Soluție

Avem \(|\Omega|=A_{10}^5=10\cdot9\cdot8\cdot7\cdot6=30\,240\). Cum \(495=5\cdot9\cdot11\) (factori primi între ei), \(N\) este divizibil cu \(495\) dacă și numai dacă este divizibil cu \(5\), \(9\) și \(11\).

  • Divizibilitatea cu 5: \(N=10(1000a+100b+10c+d)+e\), deci \(e\in\{0,5\}\).
  • Divizibilitatea cu 9: \(N=(9999a+999b+99c+9d)+(a+b+c+d+e)\), deci \(9\mid a+b+c+d+e\).
  • Divizibilitatea cu 11: \(N=(9999a+1001b+99c+11d)+(a-b+c-d+e)\), deci \(11\mid a-b+c-d+e\).

Cifrele fiind distincte, \(10=0+1+2+3+4\le a+b+c+d+e\le9+8+7+6+5=35\), deci \(a+b+c+d+e\in\{18,27\}\). Notăm \(S=a+b+c+d+e\) și observăm că \(a-b+c-d+e=S-2(b+d)\) are aceeași paritate ca \(S\) și este mai mic decât \(S\).

Cazul 1: \(S=18\). Atunci \(a-b+c-d+e\) este un multiplu par de \(11\), mai mic decât \(18\) și cel puțin \(18-2\cdot17=-16\), deci egal cu \(0\). Rezultă \(a+c+e=b+d=9\).

  1. \(e=0\): \(a+c=9\) și \(b+d=9\), cu \(a,c,b,d\) nenule (cifra \(0\) este deja folosită). Perechea ordonată \((a,c)\) poate fi aleasă dintre \((1,8),(2,7),\dots,(8,1)\): \(8\) moduri; apoi \((b,d)\) este o pereche ordonată cu suma \(9\) disjunctă de \(\{a,c\}\) și fără \(0\) sau \(9\): \(6\) moduri. Total \(8\cdot6=48\).

  2. \(e=5\): \(a+c=4\) și \(b+d=9\). Dacă \((a,c)\in\{(0,4),(4,0)\}\), atunci \((b,d)\in\{(1,8),(8,1),(2,7),(7,2),(3,6),(6,3)\}\): \(2\cdot6=12\) numere. Dacă \((a,c)\in\{(1,3),(3,1)\}\), atunci \((b,d)\in\{(0,9),(9,0),(2,7),(7,2)\}\): \(2\cdot4=8\) numere. Total \(20\).

Cazul 1 dă \(48+20=68\) de numere.

Cazul 2: \(S=27\). Acum \(a-b+c-d+e\) este un multiplu impar de \(11\), mai mic decât \(27\) și cel puțin \(27-2\cdot17=-7\), deci egal cu \(11\). Rezultă \(b+d=8\) și \(a+c+e=19\). Dacă \(e=0\), ar trebui \(a+c=19\), imposibil; deci \(e=5\), \(a+c=14\), adică \((a,c)\in\{(8,6),(6,8)\}\) (cifrele \(9+5\) și \(7+7\) fiind excluse), iar \((b,d)\in\{(1,7),(7,1)\}\) (\((0,8)\), \((2,6)\), \((3,5)\) și \((4,4)\) sunt excluse). Total \(2\cdot2=4\) numere.

În total sunt \(68+4=72\) de cazuri favorabile, deci \[ \PP(495\mid N)=\frac{72}{30\,240}=\frac1{420}\approx0.00238 . \] Verificăm prin enumerarea tuturor șirurilor de cifre distincte:

cifre <- expand.grid(rep(list(0:9), 5))
cifre <- cifre[apply(cifre, 1, function(r) length(unique(r)) == 5), ]
N <- as.matrix(cifre) %*% 10^(4:0)       # valoarea numărului abcde
c(favorabile = sum(N %% 495 == 0), posibile = length(N))
#> favorabile   posibile 
#>         72      30240

Dacă am impune \(a\neq0\) (numere propriu-zise de \(5\) cifre), am elimina cele \(6\) numere favorabile cu \(a=0\), obținând \(66/27\,216\approx0.00243\).

Exercițiul 7 (Două bile roșii cu probabilitatea 1/2)

O urnă conține \(r\) bile roșii și \(n\) bile negre, \(r,n\ge1\). Se extrag, fără revenire, două bile. a) Determinați compoziția urnei cu cel mai mic număr total de bile pentru care probabilitatea ca ambele bile să fie roșii este \(1/2\). b) Aceeași întrebare, dacă \(n\) este par.

Soluție

Extragerea simultană a două bile: \(|\Omega|=\binom{r+n}2\), iar cazurile favorabile sunt \(\binom r2\). Condiția devine \[ \frac{\binom r2}{\binom{r+n}2}=\frac{r}{r+n}\cdot\frac{r-1}{r+n-1}=\frac12 . \] Pentru \(n\ge1\) avem \(\frac r{r+n}>\frac{r-1}{r+n-1}\) (echivalent cu \(n>0\)), deci \[ \Big(\frac r{r+n}\Big)^2>\frac r{r+n}\cdot\frac{r-1}{r+n-1}=\frac12>\Big(\frac{r-1}{r+n-1}\Big)^2 \ \Longrightarrow\ \frac r{r+n}>\frac1{\sqrt2}>\frac{r-1}{r+n-1}. \] Prima inegalitate dă \(r(\sqrt2-1)>n\), adică \(r>n(\sqrt2+1)\), iar a doua dă \(r(\sqrt2-1)<n+\sqrt2-1\), adică \(r<n(\sqrt2+1)+1\). Deci, pentru \(n\) fixat, singurul candidat este \[ n(\sqrt2+1)<r<n(\sqrt2+1)+1,\qquad\text{adică } r=\big\lceil n(\sqrt2+1)\big\rceil , \] care trebuie apoi verificat în ecuație.

  1. Pentru \(n=1\): \(2.414<r<3.414\), deci \(r=3\) și, într-adevăr, \(\frac34\cdot\frac23=\frac12\). Urna cu \(3\) bile roșii și \(1\) neagră (\(4\) bile) este soluția cu număr minim de bile (pentru orice \(n\ge2\) ar rezulta \(r\ge5\), deci un total mai mare).

  2. \(n=2\): \(r=\lceil2+2\sqrt2\rceil=5\), dar \(\frac57\cdot\frac46=\frac{10}{21}\neq\frac12\). \(n=4\): \(r=10\), dar \(\frac{10}{14}\cdot\frac9{13}=\frac{45}{91}\neq\frac12\). \(n=6\): \(r=15\) și \(\frac{15}{21}\cdot\frac{14}{20}=\frac12\). Deci răspunsul este \(r=15\), \(n=6\) (\(21\) de bile).

n <- 1:6                         # candidatul r pentru fiecare n
r <- ceiling(n * (sqrt(2) + 1))
data.frame(n, r, P = round(choose(r, 2) / choose(r + n, 2), 4))
#>   n  r      P
#> 1 1  3 0.5000
#> 2 2  5 0.4762
#> 3 3  8 0.5091
#> 4 4 10 0.4945
#> 5 5 13 0.5098
#> 6 6 15 0.5000
Exercițiul 8 (Exact k potriviri)

În contextul problemei potrivirilor (Exemplul 22), arătați că probabilitatea ca exact \(k\) destinatari să primească scrisoarea corectă este \[ \PP(\text{exact }k\text{ potriviri})=\frac1{k!}\sum_{j=0}^{n-k}\frac{(-1)^j}{j!},\qquad k=0,1,\dots,n, \] și calculați-o pentru \(n=5\). Ce se întâmplă când \(n\to\infty\)?

Soluție

Notăm cu \(D_m\) numărul permutărilor de \(m\) elemente fără puncte fixe („deranjamente”). Din Exemplul 22, probabilitatea ca o permutare aleatoare de \(m\) elemente să nu aibă nicio potrivire este \(1-p_m=\sum_{j=0}^m\frac{(-1)^j}{j!}\), deci \(D_m=m!\sum_{j=0}^m\frac{(-1)^j}{j!}\) (cu \(D_0=1\)).

O permutare cu exact \(k\) puncte fixe se construiește alegând mulțimea punctelor fixe (\(\binom nk\) moduri) și apoi o permutare fără puncte fixe a celorlalte \(n-k\) elemente (\(D_{n-k}\) moduri). Deci \[ \PP(\text{exact }k)=\frac{\binom nkD_{n-k}}{n!}=\frac{n!}{k!\,(n-k)!}\cdot\frac{(n-k)!}{n!}\sum_{j=0}^{n-k}\frac{(-1)^j}{j!}=\frac1{k!}\sum_{j=0}^{n-k}\frac{(-1)^j}{j!}. \] Pentru \(n=5\) obținem \[ \begin{aligned} &\PP(0)=\tfrac{44}{120}\approx0.3667, && \PP(1)=\tfrac{45}{120}=0.375, && \PP(2)=\tfrac{20}{120}\approx0.1667,\\ &\PP(3)=\tfrac{10}{120}\approx0.0833, && \PP(4)=0, && \PP(5)=\tfrac1{120}\approx0.0083 . \end{aligned} \] Observăm că \(\PP(4)=0\): dacă patru scrisori sunt în plicurile corecte, și a cincea este. Suma probabilităților este \(1\), cum era de așteptat. Când \(n\to\infty\), suma tinde la \(e^{-1}\), deci \[ \PP(\text{exact }k\text{ potriviri})\xrightarrow[n\to\infty]{}\frac{e^{-1}}{k!}, \] adică repartiția Poisson de parametru \(1\) (Cursul 3); vezi panoul din dreapta al Figura 5.

exact_k <- function(n, k) {
  j <- 0:(n - k)
  sum((-1)^j / factorial(j)) / factorial(k)
}
set.seed(5)
sim <- replicate(1e5, sum(sample(5) == 1:5))  # numărul de potriviri
m <- rbind(exact    = sapply(0:5, function(k) exact_k(5, k)),
           simulare = sapply(0:5, function(k) mean(sim == k)))
colnames(m) <- 0:5
round(m, 4)
#>               0      1      2      3 4      5
#> exact    0.3667 0.3750 0.1667 0.0833 0 0.0083
#> simulare 0.3674 0.3739 0.1667 0.0839 0 0.0080
Exercițiul 9 (Combinări cu repetiție)
  1. Câte soluții are ecuația \(x_1+x_2+x_3+x_4=10\) în numere naturale nenule? b) Aruncăm simultan trei zaruri identice (nu le putem distinge). Câte rezultate diferite putem observa? Care este probabilitatea ca toate cele trei zaruri să arate aceeași valoare?
Soluție
  1. Substituția \(y_i=x_i-1\ge0\) transformă ecuația în \(y_1+y_2+y_3+y_4=6\), \(y_i\in\N\), care, conform Propoziției 26 (cu \(n=4\) urne și \(k=6\) bile), are \(\binom{4+6-1}{6}=\binom96=84\) de soluții. (Direct: plasăm \(3\) bare în cele \(9\) spații dintre cele \(10\) bile, \(\binom93=84\).)

  2. Un rezultat observabil este o mulțime cu repetiție de \(3\) valori din \(\{1,\dots,6\}\), adică o soluție a ecuației \(x_1+\dots+x_6=3\) (\(x_i\) = numărul de zaruri care arată \(i\)): \(\binom{6+3-1}{3}=\binom83=56\) de rezultate. Acestea nu sunt egal probabile, deci nu putem răspunde cu \(6/56\). Zarurile sunt, fizic, distincte, iar rezultatele egal probabile sunt cele \(6^3=216\) triplete ordonate; dintre ele, \(6\) au toate valorile egale. Deci probabilitatea căutată este \(6/216=1/36\approx0.0278\) (și nu \(6/56\approx0.107\)).

Exercițiul 10 (Două perechi la poker)

Calculați probabilitatea ca o mână de poker (\(5\) cărți din \(52\)) să conțină exact două perechi (două cărți de o figură, două cărți de altă figură și o a cincea carte de o a treia figură). Explicați de ce raționamentul „\(13\binom42\cdot12\binom42\cdot44\) cazuri favorabile” este greșit.

Soluție

Alegem mulțimea celor două figuri care formează perechi (\(\binom{13}2\) moduri), culorile fiecărei perechi (\(\binom42^2\) moduri) și a cincea carte, care trebuie să aibă o figură diferită de cele două: \(52-8=44\) de moduri. Deci \[ \PP(\text{două perechi})=\frac{\binom{13}2\binom42^2\cdot44}{\binom{52}5}=\frac{78\cdot36\cdot44}{2\,598\,960}=\frac{123\,552}{2\,598\,960}\approx0.0475 . \] Raționamentul greșit alege figurile perechilor pe rând („prima pereche”, apoi „a doua pereche”), ca și cum ordinea lor ar conta. Dar mâna \(\{K\heartsuit,K\spadesuit,7\diamondsuit,7\clubsuit,2\heartsuit\}\) se obține atât alegând întâi perechea de popi și apoi pe cea de șeptari, cât și invers: fiecare mână este numărată de două ori, iar rezultatul greșit este \(2\cdot123\,552=247\,104\).

set.seed(2)
pachet <- rep(1:13, times = 4)
doua_perechi <- function(m)             # figuri cu multiplicități 1, 2, 2
  identical(sort(as.vector(table(m))), c(1L, 2L, 2L))
c(simulare = mean(replicate(1e5, doua_perechi(sample(pachet, 5)))),
  exact = choose(13, 2) * choose(4, 2)^2 * 44 / choose(52, 5))
#> simulare    exact 
#>  0.04805  0.04754

10 Exerciții propuse

  1. Fie \(A,B\) evenimente cu \(\PP(A)=1/3\) și \(\PP(B)=1/2\). Calculați \(\PP(A^c\cap B)\) în fiecare dintre cazurile: a) \(A\) și \(B\) incompatibile; b) \(A\subseteq B\); c) \(\PP(A\cap B)=1/8\). (Răspuns: \(1/2\); \(1/6\); \(3/8\).)

  2. Arătați că pentru orice evenimente \(A,B\): a) \(\PP(A\,\triangle\,B)=\PP(A)+\PP(B)-2\PP(A\cap B)\); b) \(\PP(A\cap B)-\PP(A)\PP(B)=\PP(A^c\cap B^c)-\PP(A^c)\PP(B^c)\); c) probabilitatea ca exact unul dintre evenimentele \(A,B,C\) să se realizeze este \(\PP(A)+\PP(B)+\PP(C)-2\big[\PP(A\cap B)+\PP(A\cap C)+\PP(B\cap C)\big]+3\PP(A\cap B\cap C)\).

    1. Arătați că intersecția a două \(\sigma\)-algebre peste \(\Omega\) este o \(\sigma\)-algebră, dar reuniunea lor nu este neapărat o \(\sigma\)-algebră (considerați \(\Omega=\{1,2,3\}\)). b) Fie \(\Omega=\N\) și \(\F\) colecția submulțimilor \(A\subseteq\N\) pentru care \(A\) sau \(A^c\) este finită. Arătați că \(\F\) este o algebră, dar nu este o \(\sigma\)-algebră.
  3. Care este probabilitatea ca o mână de poker să conțină cinci cărți de aceeași culoare (flush, inclusiv chinta de culoare)? Dar trei cărți de aceeași figură și celelalte două de figuri diferite între ele și de prima (trei de un fel)? (Răspuns: \(4\binom{13}5/\binom{52}5\approx0.00198\); \(13\binom43\binom{12}2\cdot4^2/\binom{52}5\approx0.0211\).)

  4. \(n\) cupluri se așază aleator pe \(2n\) scaune așezate în linie. Care este probabilitatea ca fiecare persoană să stea lângă partenerul său? Calculați valoarea pentru \(n=4\). (Răspuns: \(n!\,2^n/(2n)!\); pentru \(n=4\), \(384/40\,320\approx0.0095\).)

  5. Care este numărul minim de persoane dintr-un grup pentru care probabilitatea ca cel puțin două dintre ele să fie născute în aceeași lună a anului depășește \(1/2\)? (Presupunem că cele \(12\) luni sunt egal probabile.) Verificați răspunsul printr-o simulare în R. (Răspuns: \(n=5\), cu probabilitatea \(1-\frac{12\cdot11\cdot10\cdot9\cdot8}{12^5}\approx0.618\).)

  6. Patru persoane își lasă pălăriile la garderobă, iar la plecare pălăriile le sunt înmânate aleator. Care este probabilitatea ca nicio persoană să nu primească propria pălărie? Dar ca exact două persoane să primească propria pălărie? (Răspuns: \(9/24=0.375\); \(6/24=0.25\).)

  7. În câte moduri pot fi împărțite \(10\) bomboane identice la \(4\) copii? Dar dacă fiecare copil trebuie să primească cel puțin o bomboană? Dar dacă cele \(10\) bomboane sunt distincte? (Răspuns: \(\binom{13}3=286\); \(\binom93=84\); \(4^{10}=1\,048\,576\).)

Bibliografie

Bertsekas, Dimitri P., and John N. Tsitsiklis. 2008. Introduction to Probability. 2nd ed. Athena Scientific.
Blitzstein, Joseph K., and Jessica Hwang. 2019. Introduction to Probability. 2nd ed. CRC Press.