
Probabilități și Statistică · Cursul 2
Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027
| Partea | Conținut |
|---|---|
| I | Probabilitate condiționată: motivație, definiție, exemple; regula înmulțirii și arbori de probabilitate |
| II | Formula probabilității totale; formula lui Bayes; teste de diagnostic, eroarea ratei de bază, eroarea procurorului |
| III | Independența evenimentelor; fiabilitatea sistemelor; independență condiționată |
| IV | Probleme clasice: problema lui Monty Hall, urna lui Pólya, ruina jucătorului |
| V | Exerciții rezolvate; recapitulare |
La finalul acestui curs, studenții ar trebui să poată:
Din Cursul 1 folosim:
În Cursul 1 am folosit „intuitiv” faptul că aruncările succesive ale unei monede sau ale unui zar „nu se influențează”. Astăzi dăm acestei idei un sens precis: independența.
În practică informația se acumulează treptat: un punct apare pe ecranul unui radar, un test medical iese pozitiv, primele cărți extrase dintr-un pachet sunt deja cunoscute. Întrebări tipice:
Probabilitățile condiționate modelează modul în care se schimbă probabilitatea unui eveniment de interes atunci când avem informații suplimentare despre experiment.
Aruncăm de trei ori o monedă echilibrată: \(\Omega=\{H,T\}^3\), \(|\Omega|=8\), \(\PP\) = echipartiția pe \(\Omega\):
| \(\mathbf{HHH}\) | \(HHT\) | \(THH\) | \(THT\) |
| \(HTH\) | \(HTT\) | \(TTH\) | \(TTT\) |
Informația „\(B\) s-a realizat” restrânge spațiul stărilor de la \(\Omega\) la \(B\); \(A\) „supraviețuiește” doar prin \(A\cap B\), iar probabilitățile se renormalizează: \(\PP(A\mid B)=\frac{|A\cap B|}{|B|}=\frac{\PP(A\cap B)}{\PP(B)}\).
Repetăm experimentul de \(N\) ori și notăm \(N(A)\), \(N(B)\), \(N(A\cap B)\) numărul de repetări în care s-a realizat \(A\), \(B\), respectiv ambele. Ne uităm doar la experimentele în care \(B\) s-a realizat: \[ \frac{N(A\cap B)}{N(B)} \quad\longleftarrow\quad \begin{aligned} &\text{numărul de experimente în care s-au realizat și } A \text{ și } B\\ &\text{numărul de realizări ale lui } B \end{aligned} \] Cum \(\PP(A)\approx N(A)/N\) pentru \(N\) mare, \[ \frac{N(A\cap B)}{N(B)}=\frac{N(A\cap B)/N}{N(B)/N}\approx\frac{\PP(A\cap B)}{\PP(B)} . \]

\(N=5000\) de repetări ale Exemplului 1: \(N(A)/N\to\PP(A)=1/8\), iar \(N(A\cap B)/N(B)\to\PP(A\mid B)=1/4\).
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(A,B\in\F\) cu \(\PP(B)>0\). Probabilitatea condiționată a lui \(A\) la \(B\) (probabilitatea lui \(A\) știind că \(B\) s-a realizat) se notează \(\PP(A\mid B)\) și este \[ \PP(A\mid B)=\frac{\PP(A\cap B)}{\PP(B)}. \]
Revenind la Exemplul 1: cum \(A\subseteq B\), \[ \PP(A\mid B)=\frac{\PP(A\cap B)}{\PP(B)}=\frac{\PP(A)}{\PP(B)}=\frac{1/8}{4/8}=\frac14 . \]
Din \(52\) de cărți extragem aleator, succesiv și fără întoarcere, două cărți. Fie \(A\) = „prima carte este de inimă roșie”, \(B\) = „a doua carte este de inimă roșie”, \(C\) = „a doua carte este de culoare roșie”. Calculăm \(\PP(B\mid A)\), \(\PP(C\mid A)\), \(\PP(A\mid B)\), \(\PP(A\mid C)\).
\(\PP(B\mid A)\). Dacă prima a fost inimă roșie, au rămas \(51\) de cărți, dintre care \(12\) inimi roșii: intuitiv \(\PP(B\mid A)=12/51\). Cu definiția: \(\PP(A)=13/52=1/4\), \(\PP(A\cap B)=\frac{13\cdot 12}{52\cdot 51}=\frac{3}{51}\) (perechi ordonate), deci \[ \PP(B\mid A)=\frac{\PP(A\cap B)}{\PP(A)}=\frac{3/51}{1/4}=\frac{12}{51}. \]
\(\PP(C\mid A)\). Rămân \(12\) inimi roșii și \(13\) romburi: \(25\) de cărți roșii din \(51\), deci \(\PP(C\mid A)=25/51\).
\(\PP(A\mid B)\). Fără informație despre prima carte, a doua este „la fel de aleatoare” ca prima: \(\PP(B)=1/4\) (justificare riguroasă în Exemplul 6). Atunci \[ \PP(A\mid B)=\frac{\PP(A\cap B)}{\PP(B)}=\frac{3/51}{1/4}=\frac{12}{51}=\PP(B\mid A). \] Deși \(A\) se referă la un moment anterior lui \(B\), \(\PP(A\mid B)\) are sens: condiționarea exprimă o relație informațională, nu una cauzală.
\(\PP(A\mid C)\). Avem \(\PP(C)=26/52=1/2\) și \(\PP(A\cap C)=\frac{13\cdot 25}{52\cdot 51}=\frac{25}{204}\), deci \[ \PP(A\mid C)=\frac{25/204}{1/2}=\frac{25}{102}\neq\frac{25}{51}=\PP(C\mid A). \]
O familie are doi copii. a) Care este probabilitatea ca ambii să fie fete, știind că cel mai mare este fată? b) Dar știind că cel puțin unul este fată?
Ipoteze: fiecare copil este, cu probabilitate \(1/2\), băiat (\(B\)) sau fată (\(F\)); sexul unui copil nu îl influențează pe al celuilalt. Notând întâi primul născut, \(\Omega=\{BB,BF,FB,FF\}\) cu echipartiția. Fie \[ A=\{FF\},\qquad E=\text{„cel mai mare este fată”}=\{FB,FF\},\qquad G=\text{„cel puțin o fată”}=\{BF,FB,FF\}. \]
\[ \PP(A\mid E)=\frac{\PP(A\cap E)}{\PP(E)}=\frac{1/4}{2/4}=\frac12,\qquad \PP(A\mid G)=\frac{\PP(A\cap G)}{\PP(G)}=\frac{1/4}{3/4}=\frac13 . \] Aparent paradoxal: informația din b) este mai slabă decât cea din a) (\(E\subset G\)), iar probabilitatea condiționată este mai mică. Intuitiv, \(G\) exclude doar \(BB\), lăsând trei cazuri egal probabile, dintre care unul favorabil.
#> P_FF_dat_E P_FF_dat_G
#> 0.4996 0.3335
Fixând evenimentul-informație, \(\PP(\cdot\mid A)\) moștenește toate proprietățile unei probabilități: orice rezultat demonstrat pentru probabilități rămâne adevărat pentru probabilități condiționate la un eveniment fixat.
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(A\in\F\) cu \(\PP(A)>0\). Atunci funcția \[ \mathbb{Q}:\F\to[0,1],\qquad \mathbb{Q}(B)=\PP(B\mid A), \] este o măsură de probabilitate pe \((\Omega,\F)\), concentrată pe \(A\) (adică \(\mathbb{Q}(A)=1\)).
Demonstrație. Pentru orice \(B\in\F\), \(0\le\PP(A\cap B)\le\PP(A)\), deci \(\mathbb{Q}(B)\in[0,1]\). Apoi \[ \mathbb{Q}(\Omega)=\frac{\PP(\Omega\cap A)}{\PP(A)}=1,\qquad \mathbb{Q}(A)=\frac{\PP(A\cap A)}{\PP(A)}=1,\qquad \mathbb{Q}(\emptyset)=\frac{\PP(\emptyset)}{\PP(A)}=0 . \] Fie \((A_i)_{i\ge1}\) disjuncte două câte două. Atunci \(\big(\bigcup_{i}A_i\big)\cap A=\bigcup_{i}(A_i\cap A)\), iar \((A_i\cap A)_{i}\) sunt tot disjuncte. Din \(\sigma\)-aditivitatea lui \(\PP\), \[ \mathbb{Q}\Big(\bigcup_{i\ge1}A_i\Big)=\frac{\PP\big(\bigcup_{i\ge1}(A_i\cap A)\big)}{\PP(A)}=\sum_{i\ge1}\frac{\PP(A_i\cap A)}{\PP(A)}=\sum_{i\ge1}\mathbb{Q}(A_i). \]■
Pentru \(\PP(A)>0\) au loc, de exemplu, \[ \PP(B^c\mid A)=1-\PP(B\mid A),\qquad \PP(B\cup C\mid A)=\PP(B\mid A)+\PP(C\mid A)-\PP(B\cap C\mid A). \] Putem condiționa în doi pași: dacă \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\) și \(\PP(B\cap C)>0\), atunci \[ \mathbb{Q}(A\mid B)=\frac{\mathbb{Q}(A\cap B)}{\mathbb{Q}(B)}=\frac{\PP(A\cap B\cap C)/\PP(C)}{\PP(B\cap C)/\PP(C)}=\PP(A\mid B\cap C). \] Notăm \(\PP(A\mid B,C):=\PP(A\mid B\cap C)\) — probabilitatea lui \(A\) știind că atât \(B\) cât și \(C\) s-au realizat.
Probabilitatea condiționată este o măsură de probabilitate în primul argument, nu în al doilea:
Exemplu: la aruncarea unui zar, \(A=\{6\}\), \(B=\{\text{par}\}\): \(\PP(A\mid B)=1/3\), \(\PP(A\mid B^c)=0\), suma este \(1/3\neq1\); în schimb \(\PP(A\mid B)+\PP(A^c\mid B)=1/3+2/3=1\).
Din definiție, dacă \(\PP(A)>0\) și \(\PP(B)>0\), \[ \PP(A\cap B)=\PP(A\mid B)\,\PP(B)=\PP(B\mid A)\,\PP(A). \] Probabilitatea ca ambele evenimente să se realizeze = probabilitatea primului × probabilitatea celui de-al doilea știind că primul s-a realizat.
Această formă este adesea mai naturală decât definiția: în multe modele probabilitățile condiționate sunt date (fac parte din descrierea experimentului), iar probabilitățile intersecțiilor se calculează din ele.
Pentru orice evenimente \(A_1,A_2,\dots,A_n\in\F\) cu \(\PP(A_1\cap A_2\cap\dots\cap A_{n-1})>0\), \[ \PP(A_1\cap\dots\cap A_n)=\PP(A_1)\,\PP(A_2\mid A_1)\,\PP(A_3\mid A_1\cap A_2)\cdots\PP(A_n\mid A_1\cap\dots\cap A_{n-1}). \]
Demonstrație. Cum \(A_1\supseteq A_1\cap A_2\supseteq\dots\supseteq A_1\cap\dots\cap A_{n-1}\), toți numitorii sunt pozitivi. Produsul este telescopic: \[ \PP(A_1)\cdot\frac{\PP(A_1\cap A_2)}{\PP(A_1)}\cdot\frac{\PP(A_1\cap A_2\cap A_3)}{\PP(A_1\cap A_2)}\cdots\frac{\PP(A_1\cap\dots\cap A_n)}{\PP(A_1\cap\dots\cap A_{n-1})}=\PP(A_1\cap\dots\cap A_n). \] Pentru \(n=3\), cu \(B=A_1\cap A_2\): \(\PP(A_1\cap A_2\cap A_3)=\PP(A_3\mid B)\PP(B)=\PP(A_3\mid A_1\cap A_2)\PP(A_2\mid A_1)\PP(A_1)\).■
Un experiment desfășurat în etape se reprezintă printr-un arbore:
Vom vedea că suma probabilităților frunzelor în care se realizează un eveniment dă probabilitatea acestuia (formula probabilității totale).
Dacă o aeronavă apare într-o anumită zonă, radarul declanșează alarma cu probabilitatea \(0.99\). Dacă nicio aeronavă nu este prezentă, radarul declanșează (fals) alarma cu probabilitatea \(0.10\). În zonă poate apărea o aeronavă cu probabilitatea \(0.05\).
Care este probabilitatea să nu avem aeronavă și să avem alarmă (falsă)?
Care este probabilitatea să avem aeronavă și aceasta să nu fie detectată?
Fie \(A\) = „aeronavă prezentă”, \(B\) = „radarul declanșează alarma”: \(\PP(A)=0.05\), \(\PP(B\mid A)=0.99\), \(\PP(B\mid A^c)=0.10\). Din regula înmulțirii: \[ \text{a)}\ \PP(A^c\cap B)=\PP(B\mid A^c)\,\PP(A^c)=0.10\times0.95=0.095,\qquad \text{b)}\ \PP(A\cap B^c)=0.01\times0.05=0.0005. \]
Pe ramuri: probabilitățile condiționate; probabilitatea unei frunze = produsul probabilităților de pe drum. Suma frunzelor: \(1\).
Într-un sertar sunt \(5\) șosete roșii și \(2\) negre. Extragem la întâmplare, una după alta, două șosete. Fie \(A_i\) = „a \(i\)-a șosetă extrasă este roșie”. Atunci \(\PP(A_1)=5/7\) și \(\PP(A_2\mid A_1)=4/6\). Din regula înmulțirii, \[ \PP(A_1\cap A_2)=\PP(A_1)\,\PP(A_2\mid A_1)=\frac57\cdot\frac46=\frac{10}{21}<\frac12 . \]
Problema inversă — câte șosete de fiecare culoare trebuie să fie în sertar pentru ca probabilitatea să fie exact \(1/2\) — este Exercițiul 2 (Partea V).
Verificare prin numărare (Cursul 1): \(\binom52/\binom72=10/21\).
Multe probabilități sunt greu de calculat direct, dar devin simple dacă împărțim problema pe cazuri („scenarii”) care se exclud reciproc și acoperă toate posibilitățile.
Evenimentele \(B_1,\dots,B_n\in\F\) formează o partiție a lui \(\Omega\) (sistem complet de evenimente) dacă \[ B_i\cap B_j=\emptyset\ \ (i\ne j)\qquad\text{și}\qquad B_1\cup B_2\cup\dots\cup B_n=\Omega . \] La fiecare efectuare a experimentului se realizează exact unul dintre \(B_i\). Definiția se extinde la familii numărabile \((B_i)_{i\ge1}\).
Exemple: \(\{B,B^c\}\); pentru un zar, \(B_1=\{1\}\), \(B_2=\{2,3\}\), \(B_3=\{4,5,6\}\).
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(B_1,\dots,B_n\) o partiție a lui \(\Omega\) cu \(\PP(B_i)>0\), \(i=1,\dots,n\). Atunci, pentru orice \(A\in\F\), \[ \PP(A)=\sum_{i=1}^n\PP(A\mid B_i)\,\PP(B_i). \] În particular, dacă \(\PP(B)\in(0,1)\): \(\PP(A)=\PP(A\mid B)\PP(B)+\PP(A\mid B^c)\PP(B^c)\). Formula rămâne adevărată pentru partiții numărabile \((B_i)_{i\ge1}\).
Interpretare: \(\PP(A)\) este o medie ponderată a valorilor \(\PP(A\mid B_i)\), cu ponderile \(\PP(B_i)\); deci se află între cea mai mică și cea mai mare dintre ele. În arborele de probabilitate: suma frunzelor în care se realizează \(A\).
Demonstrație. Deoarece \(B_1,\dots,B_n\) acoperă \(\Omega\), \[ A=A\cap\Omega=A\cap\Big(\bigcup_{i=1}^n B_i\Big)=\bigcup_{i=1}^n(A\cap B_i), \] iar evenimentele \(A\cap B_i\) sunt disjuncte două câte două. Din aditivitate și din regula înmulțirii, \[ \PP(A)=\sum_{i=1}^n\PP(A\cap B_i)=\sum_{i=1}^n\PP(A\mid B_i)\,\PP(B_i). \] Pentru partiții numărabile folosim \(\sigma\)-aditivitatea.■
Revenim la Exemplul 2. Cu partiția \(\{A,A^c\}\) („prima carte este sau nu inimă roșie”): \[ \PP(B)=\PP(B\mid A)\PP(A)+\PP(B\mid A^c)\PP(A^c)=\frac{12}{51}\cdot\frac14+\frac{13}{51}\cdot\frac34=\frac{12+3\cdot13}{4\cdot51}=\frac14 . \] Probabilitatea ca a doua carte să fie inimă roșie este egală cu cea pentru prima (explicație generală: Propoziția 12).
În Exemplul 4, probabilitatea ca radarul să declanșeze alarma este suma frunzelor \(A\cap B\) și \(A^c\cap B\): \[ \PP(B)=\PP(B\mid A)\PP(A)+\PP(B\mid A^c)\PP(A^c)=0.0495+0.095=0.1445 . \]
Aplicând Teorema 5 probabilității \(\mathbb{Q}=\PP(\cdot\mid C)\) (Propoziția 2) și folosind \(\mathbb{Q}(A\mid B_i)=\PP(A\mid B_i,C)\):
Fie \(B_1,\dots,B_n\) o partiție a lui \(\Omega\) și \(C\in\F\) cu \(\PP(B_i\cap C)>0\) pentru orice \(i\). Atunci, pentru orice \(A\in\F\), \[ \PP(A\mid C)=\sum_{i=1}^n\PP(A\mid B_i, C)\,\PP(B_i\mid C). \]
Vom folosi această formă la moneda trucată (Exemplul 9) și la urna lui Pólya.
Regula înmulțirii ne permite să inversăm condiționarea: dacă știm \(\PP(A\mid B)\), putem calcula \(\PP(B\mid A)\).
Exemple: boală → test pozitiv; aeronavă → alarmă radar; mesaj spam → cuvântul „gratuit”; mașina după ușa 2 → prezentatorul deschide ușa 3.
Fie \(A,B\in\F\) cu \(\PP(A)>0\) și \(\PP(B)\in(0,1)\). Atunci \[ \PP(B\mid A)=\frac{\PP(A\mid B)\,\PP(B)}{\PP(A)}=\frac{\PP(A\mid B)\,\PP(B)}{\PP(A\mid B)\,\PP(B)+\PP(A\mid B^c)\,\PP(B^c)}. \] Mai mult, dacă \(B_1,\dots,B_n\) este o partiție a lui \(\Omega\) cu \(\PP(B_i)>0\), atunci \[ \PP(B_i\mid A)=\frac{\PP(A\mid B_i)\,\PP(B_i)}{\sum_{j=1}^n\PP(A\mid B_j)\,\PP(B_j)},\qquad i=1,\dots,n. \]
Demonstrație. \(\PP(B\mid A)\PP(A)=\PP(A\cap B)=\PP(A\mid B)\PP(B)\); împărțim la \(\PP(A)>0\) și scriem numitorul cu formula probabilității totale pentru partiția \(\{B,B^c\}\), respectiv \(\{B_1,\dots,B_n\}\).■
Terminologie: \(\PP(B_i)\) = probabilitatea a priori a ipotezei \(B_i\); \(\PP(A\mid B_i)\) = verosimilitatea datelor \(A\) sub ipoteza \(B_i\); \(\PP(B_i\mid A)\) = probabilitatea a posteriori; numitorul \(\PP(A)=\sum_j\PP(A\mid B_j)\PP(B_j)\) este constanta de normalizare (formula probabilității totale).
Formula lui Bayes descrie modul în care actualizăm încrederea într-o ipoteză \(B_i\) după observarea datelor \(A\): \[ \underset{\text{a posteriori}}{\PP(B_i\mid A)}\;\propto\;\underset{\text{verosimilitate}}{\PP(A\mid B_i)}\times\underset{\text{a priori}}{\PP(B_i)}, \] unde constanta de normalizare \(\PP(A)\) nu depinde de \(i\). Această idee stă la baza statisticii bayesiene (Cursul 11).
Reverendul Thomas Bayes (c. 1701–1761) a considerat o formă particulară a formulei într-un eseu publicat postum (1763) de Richard Price. Laplace a redescoperit-o independent și a formulat-o în generalitate (1774), folosind-o în astronomie, demografie și drept.
Radarul a declanșat alarma. Care este probabilitatea ca în zonă să fie într-adevăr o aeronavă? Din formula lui Bayes și din \(\PP(B)=0.1445\): \[ \PP(A\mid B)=\frac{\PP(B\mid A)\,\PP(A)}{\PP(B)}=\frac{0.99\times0.05}{0.1445}=\frac{0.0495}{0.1445}\approx0.343 . \] Deși radarul detectează aproape orice aeronavă, doar aproximativ o alarmă din trei corespunde unei aeronave reale: aeronavele sunt rare (\(5\%\)), iar alarmele false sunt relativ frecvente (\(10\%\) din cazurile fără aeronavă).
Prevalența unei boli în populație este \(1\%\). Un test de detecție are acuratețea \(95\%\), adică:
Testul a ieșit pozitiv. Care este probabilitatea să avem boala?
\(D\) = „pacientul are boala”, \(T\) = „testul este pozitiv”: \(\PP(D)=0.01\), \(\PP(T\mid D)=0.95\), \(\PP(T^c\mid D^c)=0.95\); deci rata de fals pozitive \(\PP(T\mid D^c)=0.05\) și rata de fals negative \(\PP(T^c\mid D)=0.05\).
Din formula lui Bayes: \[ \begin{aligned} \PP(D\mid T)&=\frac{\PP(T\mid D)\PP(D)}{\PP(T\mid D)\PP(D)+\PP(T\mid D^c)\PP(D^c)}\\ &=\frac{0.95\times0.01}{0.95\times0.01+0.05\times0.99}=\frac{0.0095}{0.059}\approx0.161 . \end{aligned} \] Deși testul „greșește” doar în \(5\%\) din cazuri, un rezultat pozitiv înseamnă boală doar în aproximativ \(16\%\) din cazuri!
Frecvențe naturale: din \(10\,000\) de persoane, \(\approx100\) sunt bolnave și \(9\,900\) sănătoase. Dintre bolnavi, \(95\) au test pozitiv; dintre sănătoși, \(5\%\), adică \(495\), au tot test pozitiv. Printre cei \(590\) de pozitivi, doar \(95\) sunt bolnavi: \(95/590\approx0.16\).
Testele pozitive (colorate) provin în majoritate din grupul, mult mai numeros, al persoanelor sănătoase.
Eroarea ratei de bază (base rate fallacy): ignorarea probabilității a priori \(\PP(D)\) și confundarea lui \(\PP(D\mid T)\) cu \(\PP(T\mid D)\). Când boala este rară, chiar și o rată mică de fals pozitive, aplicată grupului imens al persoanelor sănătoase, produce mai multe rezultate pozitive decât boala însăși. Valoarea \(\PP(D\mid T)\) se numește în medicină valoare predictivă pozitivă și depinde esențial de prevalență.

Senzitivitate \(0.95\) și trei valori ale specificității; punctul marcat: Exemplul 7.
Un test rapid antigen are (valori ilustrative) senzitivitatea \(0.80\) și specificitatea \(0.99\). Cât ne putem baza pe un rezultat pozitiv? Depinde de contextul epidemiologic.
\[ \begin{aligned} \text{circulație redusă, prevalență } 0.5\%:&\quad \PP(D\mid T)=\frac{0.80\times0.005}{0.80\times0.005+0.01\times0.995}\approx0.287,\\ \text{simptome, val epidemic, prevalență } 10\%:&\quad \PP(D\mid T)=\frac{0.80\times0.1}{0.80\times0.1+0.01\times0.9}\approx0.899 . \end{aligned} \] În primul caz, aproape trei pozitivi din patru sunt fals pozitivi.
Același test, același rezultat, concluzii foarte diferite: probabilitatea a priori contează.
Aplicând formula lui Bayes măsurii \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\) și folosind \(\mathbb{Q}(A\mid B)=\PP(A\mid B,C)\), obținem, pentru \(\PP(A\cap C)>0\) și \(\PP(B\cap C)>0\), \[ \PP(A\mid B,C)=\frac{\PP(B\mid A,C)\,\PP(A\mid C)}{\PP(B\mid C)} . \]
Probabilitatea a posteriori obținută după o primă observație (\(C\)) devine probabilitatea a priori pentru următoarea observație (\(B\)): învățarea bayesiană este secvențială.
O persoană are două monede: una echilibrată (\(\PP(\text{cap})=1/2\)) și una trucată (\(\PP(\text{cap})=3/4\)). Alege la întâmplare (cu probabilitate \(1/2\)) o monedă și o aruncă de trei ori, obținând \(HHH\).
Care este probabilitatea să fi fost aleasă moneda echilibrată?
Persoana aruncă a patra oară aceeași monedă. Care este probabilitatea să obțină cap?
Soluție a). \(A\) = „am obținut \(HHH\)”, \(B\) = „moneda este echilibrată”: \(\PP(B)=1/2\), \(\PP(A\mid B)=(1/2)^3=1/8\), \(\PP(A\mid B^c)=(3/4)^3=27/64\). Din formula lui Bayes: \[ \PP(B\mid A)=\frac{\frac18\cdot\frac12}{\frac18\cdot\frac12+\frac{27}{64}\cdot\frac12}=\frac{8}{35}\approx0.229 . \]
Soluție b). \(C\) = „cap la a patra aruncare”. Aplicăm formula probabilității totale pentru \(\mathbb{Q}(\cdot)=\PP(\cdot\mid A)\) (Propoziția 6): \[ \begin{aligned} \PP(C\mid A)&=\PP(C\mid B,A)\,\PP(B\mid A)+\PP(C\mid B^c,A)\,\PP(B^c\mid A)\\ &=\frac12\cdot\frac{8}{35}+\frac34\cdot\frac{27}{35}=\frac{97}{140}\approx0.693 . \end{aligned} \] Odată cunoscută moneda, aruncările nu se influențează: \(\PP(C\mid B,A)=\PP(C\mid B)=1/2\).
\(\PP(C\mid A)\) este mai mare decât \(\PP(C)=\frac12\cdot\frac12+\frac12\cdot\frac34=\frac58\): cele trei capete observate fac moneda trucată mai probabilă.
Generăm multe repetări și păstrăm doar pe cele în care primele trei aruncări au dat cap — exact interpretarea frecvenționistă a condiționării:
set.seed(2026)
M <- 200000
echilibrata <- runif(M) < 0.5 # evenimentul B
p <- ifelse(echilibrata, 1/2, 3/4) # probabilitatea de cap
arunc <- matrix(runif(4 * M), ncol = 4) < p # 4 aruncări (TRUE = cap)
A <- rowSums(arunc[, 1:3]) == 3 # primele trei: cap
c(P_B_dat_A = mean(echilibrata[A]), exact = 8/35,
P_C_dat_A = mean(arunc[A, 4]), exact = 97/140)#> P_B_dat_A exact P_C_dat_A exact
#> 0.2258 0.2286 0.6931 0.6929
La locul unei infracțiuni se găsește o urmă de ADN. Probabilitatea ca ADN-ul unei persoane nevinovate alese la întâmplare să se potrivească (din coincidență) este \(10^{-6}\). Un suspect este identificat prin căutare într-o bază de date, iar profilul său se potrivește.
Procurorul: „Probabilitatea unei potriviri pentru un nevinovat este de unu la un milion, deci suspectul este vinovat cu probabilitatea \(0.999999\).”
Raționamentul confundă \(\PP(\text{potrivire}\mid\text{nevinovat})=10^{-6}\) cu \(\PP(\text{nevinovat}\mid\text{potrivire})\).
Presupunem că, în absența altor probe, făptuitorul poate fi oricare dintre cei \(5\cdot10^{6}\) locuitori ai regiunii, cu aceeași probabilitate. \(V\) = „suspectul este vinovat”, \(M\) = „ADN-ul suspectului se potrivește”: \(\PP(V)=1/(5\cdot10^6)\), \(\PP(M\mid V)=1\), \(\PP(M\mid V^c)=10^{-6}\) și \[ \PP(V\mid M)=\frac{1\cdot\PP(V)}{1\cdot\PP(V)+10^{-6}\,(1-\PP(V))}=\frac{1}{1+10^{-6}\,(5\cdot10^{6}-1)}\approx\frac16 . \] Pe lângă vinovat, ne așteptăm la aproximativ \(5\) alte persoane din regiune care se potrivesc întâmplător. Proba ADN a crescut enorm probabilitatea vinovăției (de la \(2\cdot10^{-7}\) la \(\approx0.17\)), dar, singură, nu dovedește vinovăția.
Cazul Sally Clark (Marea Britanie, 1999) a devenit un exemplu clasic. O mamă ai cărei doi copii muriseră subit a fost condamnată pe baza afirmației unui expert că probabilitatea a două decese subite într-o familie este de „unu la \(73\) de milioane”, obținută ridicând la pătrat valoarea \(1/8543\) pentru un singur deces — adică presupunând, nejustificat, independența celor două decese. În plus, cifra a fost interpretată drept probabilitatea nevinovăției (eroarea procurorului). Condamnarea a fost anulată în 2003.
Două greșeli: (1) independență presupusă fără justificare — următoarea parte a cursului; (2) confuzia \(\PP(\text{date}\mid\text{nevinovăție})\) vs. \(\PP(\text{nevinovăție}\mid\text{date})\).
Intuitiv, \(A\) și \(B\) sunt independente dacă realizarea unuia nu influențează în niciun mod realizarea celuilalt: informația „\(B\) s-a realizat” nu modifică probabilitatea lui \(A\): \[ \PP(A\mid B)=\PP(A)\iff\frac{\PP(A\cap B)}{\PP(B)}=\PP(A)\iff\PP(A\cap B)=\PP(A)\,\PP(B). \] Ultima formă este simetrică în \(A\) și \(B\) și nu cere \(\PP(B)>0\); o luăm ca definiție.
Două evenimente \(A,B\in\F\) sunt independente, notat \(A\indep B\), dacă \[ \PP(A\cap B)=\PP(A)\,\PP(B). \]
Independența este diferită de disjuncție! Dacă \(A\) și \(B\) sunt disjuncte și \(\PP(A)>0\), \(\PP(B)>0\), atunci \[ \PP(A\cap B)=0\ne\PP(A)\PP(B), \] deci \(A\) și \(B\) nu sunt independente: realizarea lui \(B\) ne spune cu certitudine că \(A\) nu s-a realizat — o informație cât se poate de puternică.
Independența este o proprietate a măsurii \(\PP\), nu doar a mulțimilor \(A\) și \(B\), și nu poate fi „văzută” într-o diagramă Venn.
Dacă \(A\) și \(B\) sunt independente, atunci sunt independente și perechile \(A\) și \(B^c\), \(A^c\) și \(B\), respectiv \(A^c\) și \(B^c\).
Demonstrație. Deoarece \(A=(A\cap B)\cup(A\cap B^c)\) (reuniune disjunctă), \[ \PP(A\cap B^c)=\PP(A)-\PP(A\cap B)=\PP(A)-\PP(A)\PP(B)=\PP(A)\big(1-\PP(B)\big)=\PP(A)\,\PP(B^c). \] Deci \(A\indep B^c\). Prin simetrie, \(A^c\indep B\), iar aplicând încă o dată rezultatul perechii \((A^c,B)\) obținem \(A^c\indep B^c\).■
Aruncăm o monedă echilibrată de două ori, cele \(4\) rezultate din \(\Omega=\{H,T\}^2\) fiind egal probabile. Fie \(A_1=\{HH,HT\}\) = „\(H\) la prima aruncare” și \(A_2=\{HH,TH\}\) = „\(H\) la a doua aruncare”. Atunci \(A_1\cap A_2=\{HH\}\) și \[ \PP(A_1\cap A_2)=\frac14=\frac12\cdot\frac12=\PP(A_1)\,\PP(A_2), \] deci \(A_1\indep A_2\). Modelul „echipartiție pe \(\{H,T\}^2\)” include, automat, independența aruncărilor.
Invers: dacă postulăm aruncări independente cu \(\PP(H)=p\), atunci \(\PP(\{\omega\})=p^{\#H}(1-p)^{\#T}\) — de aici \(\PP(A_n^c)=(1-p)^n\) din Exemplul 11 din Cursul 1 (capul apare aproape sigur).
Aruncăm de două ori un zar cu \(4\) fețe; cele \(16\) rezultate din \(\Omega=\{1,2,3,4\}^2\) sunt egal probabile.
\(A\) = „primul zar are fața \(1\)”, \(B\) = „suma punctelor este \(5\)”. \(B=\{(1,4),(2,3),(3,2),(4,1)\}\), \(A\cap B=\{(1,4)\}\): \[ \PP(A\cap B)=\frac1{16}=\frac4{16}\cdot\frac4{16}=\PP(A)\,\PP(B), \] deci \(A\) și \(B\) sunt independente — deși suma pare să „depindă” de primul zar!
\(A\) = „maximul fețelor este \(2\)”, \(B\) = „minimul fețelor este \(2\)”. \(A=\{(1,2),(2,1),(2,2)\}\), \(B=\{(2,2),(2,3),(3,2),(2,4),(4,2)\}\), \(A\cap B=\{(2,2)\}\): \[ \PP(A\cap B)=\frac1{16}\ne\frac{3}{16}\cdot\frac{5}{16}=\PP(A)\,\PP(B), \] deci \(A\) și \(B\) nu sunt independente.
Evenimentele \(A_1,\dots,A_n\in\F\) sunt independente (mutual independente) dacă \[ \PP\Big(\bigcap_{i\in I}A_i\Big)=\prod_{i\in I}\PP(A_i)\qquad\text{pentru orice } I\subseteq\{1,2,\dots,n\}. \] O familie infinită este independentă dacă orice subfamilie finită a sa este independentă.
De exemplu, \(A\), \(B\), \(C\) sunt independente dacă \[ \PP(A\cap B)=\PP(A)\PP(B),\ \ \PP(A\cap C)=\PP(A)\PP(C),\ \ \PP(B\cap C)=\PP(B)\PP(C),\ \ \PP(A\cap B\cap C)=\PP(A)\PP(B)\PP(C). \] Primele trei: independente două câte două. Pentru \(n\) evenimente trebuie verificate \(C_n^2+\dots+C_n^n=2^n-n-1\) egalități.
În Exemplul 11, fie \(A_1\) = „\(H\) la prima”, \(A_2\) = „\(H\) la a doua” și \(B\) = „rezultate diferite” \(=\{HT,TH\}\). Avem \(\PP(A_1)=\PP(A_2)=\PP(B)=1/2\) și \[ \PP(A_1\cap B)=\PP(\{HT\})=\tfrac14,\quad \PP(A_1\cap A_2)=\PP(\{HH\})=\tfrac14,\quad \PP(A_2\cap B)=\PP(\{TH\})=\tfrac14, \] deci \(A_1\), \(A_2\), \(B\) sunt independente două câte două. Totuși \[ \PP(A_1\cap A_2\cap B)=\PP(\emptyset)=0\ne\frac18=\PP(A_1)\PP(A_2)\PP(B), \] deci nu sunt independente. Intuitiv, oricare două dintre ele îl determină complet pe al treilea.
Propoziția 9 se extinde: dacă \(A_1,\dots,A_n\) sunt independente, ele rămân independente după înlocuirea oricăror dintre ele cu complementarele lor. În particular, \[ \PP(\text{cel puțin unul dintre } A_i \text{ se realizează})=1-\PP\Big(\bigcap_{i=1}^n A_i^c\Big)=1-\prod_{i=1}^n\big(1-\PP(A_i)\big). \] Formula, aplicată repetărilor independente ale unui experiment, stă la baza problemelor lui de Méré (Exercițiul 1) și Newton–Pepys (Cursul 1).
Exemplu: un program are \(20\) de module care se defectează independent, fiecare cu probabilitatea \(0.01\). \(\PP(\text{cel puțin un defect})=1-0.99^{20}\approx0.182\).
Un sistem este format din componente care funcționează independent; componenta \(i\) funcționează cu probabilitatea \(p_i\).
Sistemele mai complexe se descompun adesea în subsisteme serie și paralel.
Fiecare legătură funcționează independent, cu probabilitatea indicată. Care este probabilitatea unei conexiuni de la \(A\) la \(B\)?
Între \(C\) și \(B\): două subsisteme serie în paralel: \[ \PP(C\to B)=1-(1-0.8\cdot0.9)(1-0.95\cdot0.85)=0.9461 . \] Apoi \(A\to C\to B\) și \(A\to D\to B\) în paralel: \[ \begin{aligned} \PP(A\to B)&=1-\big(1-0.9\cdot0.9461\big)\big(1-0.75\cdot0.95\big)\\ &\approx0.9573 . \end{aligned} \]
Generăm starea fiecărei legături (independent) și verificăm existența unui drum funcțional:
set.seed(1)
M <- 1e5
leg <- function(p) runif(M) < p # TRUE = legătura funcționează
AC <- leg(0.9); AD <- leg(0.75); CE <- leg(0.8); CF <- leg(0.95)
EB <- leg(0.9); FB <- leg(0.85); DB <- leg(0.95)
conex <- (AC & ((CE & EB) | (CF & FB))) | (AD & DB)
c(simulare = mean(conex), exact = 1 - (1 - 0.9 * 0.9461) * (1 - 0.75 * 0.95))#> simulare exact
#> 0.9579 0.9573
În contextul probabilităților condiționate definim independența relativ la \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\).
Fie \(A,B,C\in\F\) cu \(\PP(C)>0\). \(A\) și \(B\) sunt independente condiționat de \(C\) dacă \[ \PP(A\cap B\mid C)=\PP(A\mid C)\,\PP(B\mid C). \] Echivalent, \(A\) și \(B\) sunt independente în raport cu \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\): \(\mathbb{Q}(A\cap B)=\mathbb{Q}(A)\,\mathbb{Q}(B)\).
Independența condiționată și independența (necondiționată) sunt noțiuni logic independente: niciuna nu o implică pe cealaltă.
Revenim la Exemplul 13: \(A_1\) și \(A_2\) sunt independente. Condiționând de \(B\) = „rezultate diferite”, \[ \PP(A_1\mid B)=\frac{\PP(A_1\cap B)}{\PP(B)}=\frac{1/4}{1/2}=\frac12,\qquad \PP(A_2\mid B)=\frac12, \] \[ \PP(A_1\cap A_2\mid B)=\frac{\PP(A_1\cap A_2\cap B)}{\PP(B)}=0\ne\frac14=\PP(A_1\mid B)\,\PP(A_2\mid B). \] \(A_1\) și \(A_2\) nu sunt independente condiționat de \(B\): știind că rezultatele sunt diferite, prima aruncare o determină pe a doua.
În Exemplul 9, fie \(H_1\), \(H_2\) = „cap la prima”, respectiv „la a doua aruncare” și \(B\) = „moneda aleasă este echilibrată”. Știind moneda, aruncările sunt independente: \(\PP(H_1\cap H_2\mid B)=\frac14=\PP(H_1\mid B)\PP(H_2\mid B)\) și \(\PP(H_1\cap H_2\mid B^c)=\frac{9}{16}=\PP(H_1\mid B^c)\PP(H_2\mid B^c)\). Totuși, din formula probabilității totale, \[ \PP(H_1)=\PP(H_2)=\frac12\cdot\frac12+\frac12\cdot\frac34=\frac58,\qquad \PP(H_1\cap H_2)=\frac12\cdot\frac14+\frac12\cdot\frac{9}{16}=\frac{13}{32}\ne\frac{25}{64}. \] Un cap la prima aruncare face moneda trucată mai probabilă și, prin aceasta, un cap la a doua: \(\PP(H_2\mid H_1)=13/20=0.65>0.625\). Dependența „circulă” prin necunoscuta comună — moneda aleasă.
În scenariul din Exemplul 7 (\(\PP(D)=1\%\), senzitivitate = specificitate = \(95\%\)), \(\PP(D\mid T)\approx16\%\). Persoana efectuează un nou test, de aceeași acuratețe, independent de primul dat fiind statusul bolii, iar rezultatul este tot pozitiv. Care este acum probabilitatea bolii?
Fie \(T_1\), \(T_2\) = „primul”, respectiv „al doilea test este pozitiv”. Ipoteza de independență condiționată: \[ \PP(T_1\cap T_2\mid D)=\PP(T_1\mid D)\PP(T_2\mid D),\qquad \PP(T_1\cap T_2\mid D^c)=\PP(T_1\mid D^c)\PP(T_2\mid D^c). \]
Din formula lui Bayes și formula probabilității totale, \[ \PP(D\mid T_1\cap T_2)=\frac{0.95^2\times0.01}{0.95^2\times0.01+0.05^2\times0.99}\approx0.785 . \] Al doilea test pozitiv crește probabilitatea bolii de la \(16\%\) la aproximativ \(78\%\). Același rezultat se obține secvențial, folosind \(\PP(D\mid T_1)\approx0.161\) drept nouă probabilitate a priori. Testele nu sunt independente necondiționat: ambele tind să fie pozitive la bolnavi.
Într-un concurs televizat, în spatele uneia dintre trei uși se află o mașină, iar în spatele celorlalte două câte o capră. Concurentul alege o ușă, să zicem ușa \(1\). Prezentatorul, care știe unde este mașina, deschide întotdeauna una dintre celelalte două uși, în spatele căreia se află o capră (dacă are de ales, alege la întâmplare), și îi oferă concurentului posibilitatea de a-și schimba alegerea. Merită să schimbe?
Problema a fost formulată de statisticianul Steve Selvin în 1975 și a devenit celebră în 1990, când Marilyn vos Savant a publicat soluția corectă („schimbați!”) într-o revistă americană; mii de cititori, printre care numeroși matematicieni, i-au scris că greșește.
\(M_i\) = „mașina este în spatele ușii \(i\)”, \(\PP(M_i)=1/3\); \(U_3\) = „prezentatorul deschide ușa \(3\)”. Din regulile jocului, \[ \PP(U_3\mid M_1)=\frac12,\qquad \PP(U_3\mid M_2)=1,\qquad \PP(U_3\mid M_3)=0 . \] Din formula lui Bayes (varianta cu partiție): \[ \PP(M_1\mid U_3)=\frac{\frac12\cdot\frac13}{\frac12\cdot\frac13+1\cdot\frac13+0\cdot\frac13}=\frac13,\qquad \PP(M_2\mid U_3)=\frac{1\cdot\frac13}{\frac12}=\frac23 . \] Schimbarea alegerii dublează șansa de câștig. Intuitiv: strategia „schimb” câștigă exact când alegerea inițială a fost greșită (probabilitate \(2/3\)); prezentatorul nu aduce informație despre ușa aleasă, dar „concentrează” probabilitatea \(2/3\) pe ușa rămasă.

\(3000\) de jocuri simulate: frecvențele se stabilizează în jurul valorilor \(1/3\) (păstrez) și \(2/3\) (schimb).
Simulăm jocul pas cu pas, inclusiv alegerea aleatoare a ușii deschise de prezentator:
set.seed(3)
joc <- function() {
masina <- sample(3, 1); alegere <- 1
capre <- setdiff(1:3, c(alegere, masina)) # ușile cu capră disponibile
deschisa <- capre[sample(length(capre), 1)]
noua <- setdiff(1:3, c(alegere, deschisa)) # ușa după schimbare
c(pastrez = alegere == masina, schimb = noua == masina)
}
rowMeans(replicate(20000, joc()))#> pastrez schimb
#> 0.3349 0.6651
O urnă conține \(a\) bile albe și \(n\) bile negre. Extragem o bilă, îi notăm culoarea și o introducem înapoi împreună cu \(d\) bile de aceeași culoare; repetăm procedeul.
Fie \(A_k\) = „la a \(k\)-a extragere obținem o bilă albă”.
Exemplu (\(a=2\), \(n=1\), \(d=1\)): \(\PP(\text{alb, alb, negru})=\frac23\cdot\frac34\cdot\frac15=\frac1{10}\) și \(\PP(\text{negru, alb, alb})=\frac13\cdot\frac24\cdot\frac35=\frac1{10}\) — aceeași valoare!
Probabilitatea de a obține, în primele \(m\) extrageri, o succesiune fixată de culori cu \(w\) bile albe și \(b=m-w\) bile negre este \[ \frac{\prod_{i=0}^{w-1}(a+id)\;\prod_{j=0}^{b-1}(n+jd)}{\prod_{l=0}^{m-1}(a+n+ld)}, \] deci depinde doar de numărul bilelor de fiecare culoare, nu de ordinea lor. În particular, \(\PP(A_k)=\frac{a}{a+n}\) pentru orice \(k\ge1\).
Interschimbabilitate: vectorul culorilor extrase are aceeași repartiție după orice permutare a extragerilor. Pentru \(d=-1\) ea explică Exemplul 6 (a doua carte are aceeași probabilitate de a fi inimă roșie ca prima).
Demonstrație. Aplicăm regula înmulțirii (Teorema 3). Înaintea extragerii \(l+1\) (\(l=0,\dots,m-1\)) urna conține \(a+n+ld\) bile. Dacă până atunci s-au extras \(i\) bile albe și \(j\) negre, ea conține \(a+id\) albe și \(n+jd\) negre, deci probabilitatea condiționată de a extrage o bilă albă (neagră) este \(\frac{a+id}{a+n+ld}\) (respectiv \(\frac{n+jd}{a+n+ld}\)). Parcurgând succesiunea, \(i\) ia valorile \(0,\dots,w-1\) la extragerile albe, iar \(j\) valorile \(0,\dots,b-1\) la cele negre, indiferent de ordine; înmulțind obținem formula.
Pentru \(k\ge2\), prin formula probabilității totale, \(\PP(A_k)\) este suma probabilităților succesiunilor de lungime \(k\) care se termină cu alb. Permutând primul și ultimul termen (bijecție care păstrează numărul de bile de fiecare culoare, deci probabilitatea), obținem toate succesiunile care încep cu alb: \(\PP(A_k)=\PP(A_1)=\frac{a}{a+n}\).■
Un jucător pleacă cu \(k\) unități monetare și joacă repetat un joc în care, independent de rundele anterioare, câștigă o unitate cu probabilitatea \(p\) și pierde o unitate cu probabilitatea \(q=1-p\). Se oprește când ajunge la \(0\) (ruină) sau atinge capitalul-țintă \(N\) (\(0<k<N\)).
Fie \(p_k\) probabilitatea ca jucătorul să ajungă la ruină pornind cu capitalul \(k\), \(0\le k\le N\). Atunci \[ p_k=\begin{cases} 1-\dfrac{k}{N}, & p=q=\dfrac12,\\[3mm] \dfrac{r^k-r^N}{1-r^N}, & p\ne q,\ \ \text{unde } r=\dfrac{q}{p}. \end{cases} \]
Demonstrație. Fie \(R\) = „jucătorul ajunge la ruină”, \(C\) = „câștigă prima rundă”; \(\PP_k\) = probabilitatea când capitalul inițial este \(k\). Din formula probabilității totale, \[ p_k=\PP_k(R)=\PP_k(R\mid C)\,\PP(C)+\PP_k(R\mid C^c)\,\PP(C^c). \] Dacă prima rundă este câștigată, jocul continuă ca și cum ar fi pornit cu \(k+1\) (rundele sunt independente): \(\PP_k(R\mid C)=p_{k+1}\); analog \(\PP_k(R\mid C^c)=p_{k-1}\). Obținem relația de recurență \[ p_k=p\,p_{k+1}+q\,p_{k-1},\qquad 1\le k\le N-1,\qquad p_0=1,\quad p_N=0 . \] Scriind \(p_k=(p+q)p_k\): \(q\,(p_k-p_{k-1})=p\,(p_{k+1}-p_k)\). Cu \(u_k=p_k-p_{k-1}\): \(u_{k+1}=r\,u_k\), deci \(u_k=r^{k-1}u_1\).■
Demonstrație. Prin sumare telescopică, \[ p_k=p_0+u_1+u_2+\dots+u_k=1+u_1\,(1+r+\dots+r^{k-1}). \] Cazul \(p=q=1/2\) (\(r=1\)): \(p_k=1+k\,u_1\). Din \(p_N=1+N u_1=0\): \(u_1=-1/N\), deci \(p_k=1-k/N\).
Cazul \(p\ne q\) (\(r\ne1\)): \(p_k=1+u_1\frac{1-r^k}{1-r}\); din \(p_N=0\): \(u_1=-\frac{1-r}{1-r^N}\). Atunci \[ p_k=1-\frac{1-r^k}{1-r^N}=\frac{r^k-r^N}{1-r^N}. \]■
Într-un joc echitabil, \(p_k=1-k/N\) scade liniar cu capitalul. Într-un joc ușor defavorabil (\(p<1/2\)) situația se schimbă dramatic: la ruleta europeană, pariind câte \(1\) leu pe „roșu” (\(p=18/37\)), cu \(50\) de lei și ținta \(100\) de lei, ruina are probabilitatea \(\approx0.937\). Dacă \(N\to\infty\), \(p_k\to1\) pentru \(p\le 1/2\) și \(p_k\to r^k\) pentru \(p>1/2\).

Simulăm jocul pentru \(k=10\), \(N=20\), \(p=0.45\):
#> simulare exact
#> 0.8821 0.8815
Deși jocul este doar puțin defavorabil (\(0.45\) vs. \(0.55\)), jucătorul se ruinează în \(\approx 88\%\) din cazuri.
Ce este mai probabil: să obținem cel puțin un \(6\) în \(4\) aruncări ale unui zar sau să obținem cel puțin o „dublă de \(6\)” în \(24\) de aruncări ale unei perechi de zaruri?
Aruncările sunt independente. \(A_i\) = „la aruncarea \(i\) nu obținem \(6\)”, \(\PP(A_i)=5/6\). „Cel puțin un \(6\) în \(4\) aruncări” este complementarul lui \(A_1\cap\dots\cap A_4\). Analog, la o aruncare a perechii de zaruri, probabilitatea de a nu obține \((6,6)\) este \(35/36\). Din independență: \[ p_1=1-\Big(\frac56\Big)^4\approx0.5177,\qquad p_2=1-\Big(\frac{35}{36}\Big)^{24}\approx0.4914 . \] \(p_1>1/2>p_2\), deși raționamentul naiv „\(4/6=24/36\)” sugerează egalitate.
Un sertar conține \(r\) șosete roșii și \(n\) negre. Extragem la întâmplare, fără întoarcere, două șosete.
Care este numărul minim de șosete din sertar pentru care probabilitatea ca ambele șosete să fie roșii este exact \(1/2\)?
Aceeași întrebare, dacă \(n\) este par.
\(A_i\) = „a \(i\)-a șosetă este roșie”. Din regula înmulțirii (Exemplul 5): \[ \PP(A_1\cap A_2)=\frac{r}{r+n}\cdot\frac{r-1}{r+n-1}=\frac12 . \] Evident \(n\ge 1\) (altfel probabilitatea este \(1\)).
Pentru \(n>0\), \(\frac{r}{r+n}>\frac{r-1}{r+n-1}\) (echivalent cu \(r^2+rn-r>r^2-r+nr-n\), adică \(n>0\)). Rezultă \[ \Big(\frac{r}{r+n}\Big)^2>\frac{r}{r+n}\cdot\frac{r-1}{r+n-1}=\frac12>\Big(\frac{r-1}{r+n-1}\Big)^2 \iff \frac{r}{r+n}>\frac{1}{\sqrt2}>\frac{r-1}{r+n-1}. \] Prima inegalitate: \(\sqrt2\,r>r+n\), adică \(r>\frac{n}{\sqrt2-1}=n(\sqrt2+1)\); a doua: \(\sqrt2\,(r-1)<r+n-1\), adică \(r<n(\sqrt2+1)+1\). Deci \[ n(\sqrt2+1)<r<n(\sqrt2+1)+1, \] iar singurul candidat este \(r=\lceil n(\sqrt2+1)\rceil\), de verificat în ecuația inițială.
\(n=1\): \(2.414<r<3.414\), deci \(r=3\) și \(\frac34\cdot\frac23=\frac12\). Numărul minim este \(r+n=4\) (\(3\) roșii, \(1\) neagră).
\(n=2\): \(r=\lceil 2+2\sqrt2\rceil=5\), dar \(\frac57\cdot\frac46=\frac{10}{21}\ne\frac12\). \(n=4\): \(r=\lceil4+4\sqrt2\rceil=10\), dar \(\frac{10}{14}\cdot\frac9{13}=\frac{45}{91}\ne\frac12\). \(n=6\): \(r=\lceil 6+6\sqrt2\rceil=15\) și \(\frac{15}{21}\cdot\frac{14}{20}=\frac12\). Numărul minim este \(21\) (\(15\) roșii, \(6\) negre).
O urnă conține \(a\) bile albe și \(n\) bile negre. Extragem succesiv, fără întoarcere, \(3\) bile. Care este probabilitatea ca bilele extrase să fie, în ordine,
Aplicație numerică: \(a=24\), \(n=9\).
Fie \(A_i\) = „la a \(i\)-a extragere obținem o bilă albă”.
Formulele exacte, numărarea și o simulare a \(10^5\) extrageri fără întoarcere a câte \(3\) bile (\(a=24\) albe, \(n=9\) negre):
#> P1 P3 numarare
#> 0.1518 0.4553 0.4553
#> [1] 0.4541
Trei mașini \(M_1\), \(M_2\), \(M_3\) produc \(50\%\), \(30\%\), respectiv \(20\%\) din piesele unei fabrici, cu proporții de piese defecte de \(2\%\), \(3\%\), respectiv \(5\%\).
Care este proporția pieselor defecte în producția totală?
O piesă aleasă la întâmplare este defectă. Care este probabilitatea să provină de la fiecare mașină?
\(B_i\) = „piesa provine de la \(M_i\)” (partiție), \(A\) = „piesa este defectă”: \(\PP(B_1)=0.5\), \(\PP(B_2)=0.3\), \(\PP(B_3)=0.2\); \(\PP(A\mid B_1)=0.02\), \(\PP(A\mid B_2)=0.03\), \(\PP(A\mid B_3)=0.05\).
Dintre mesajele primite de un server, \(40\%\) sunt spam. Cuvântul „gratuit” apare în \(25\%\) dintre mesajele spam și în \(2\%\) dintre cele legitime, iar cuvântul „câștig” apare în \(20\%\) dintre mesajele spam și în \(1\%\) dintre cele legitime.
Care este probabilitatea ca un mesaj care conține „gratuit” să fie spam?
Presupunând că aparițiile celor două cuvinte sunt independente condiționat de tipul mesajului, care este probabilitatea ca un mesaj care conține ambele cuvinte să fie spam?
\(S\) = „spam”, \(G\) = „conține «gratuit»”, \(C\) = „conține «câștig»”: \(\PP(S)=0.4\), \(\PP(G\mid S)=0.25\), \(\PP(G\mid S^c)=0.02\), \(\PP(C\mid S)=0.2\), \(\PP(C\mid S^c)=0.01\).
O urnă conține \(a\) bile albe și \(n\) bile negre. Extragem o bilă, îi notăm culoarea și o introducem înapoi împreună cu alte \(d\) bile de aceeași culoare; procedeul se repetă. Fie \(A_k\) = „la extragerea \(k\) obținem o bilă albă”.
Aplicație numerică: \(a=24\), \(n=9\), \(d=5\).
set.seed(5)
polya <- function(a, n, d, m) { x <- logical(m) # TRUE = neagră
for (k in 1:m) { x[k] <- runif(1) < n / (a + n)
if (x[k]) n <- n + d else a <- a + d }
x }
s <- t(replicate(20000, polya(24, 9, 5, 2)))
c(P_A2c = mean(s[, 2]), exact = 9/33,
P_A1c_dat_A2c = mean(s[s[, 2], 1]), exact = 14/38)#> P_A2c exact P_A1c_dat_A2c exact
#> 0.2723 0.2727 0.3743 0.3684
Aruncăm repetat, independent, o pereche de zaruri echilibrate. Care este probabilitatea ca suma \(5\) să apară înaintea sumei \(7\)?
\(A_i\) = „suma la aruncarea \(i\) este \(5\)”, \(B_i\) = „suma la aruncarea \(i\) este \(7\)”. Pentru \(n\ge1\), \(E_n\) = „în primele \(n-1\) aruncări nu a apărut nici \(5\), nici \(7\), iar la a \(n\)-a a apărut \(5\)”: \[ E_n=(A_1^c\cap B_1^c)\cap(A_2^c\cap B_2^c)\cap\dots\cap(A_{n-1}^c\cap B_{n-1}^c)\cap A_n . \] \(A\) = „suma \(5\) apare înaintea sumei \(7\)” \(=\bigcup_{n\ge1}E_n\), cu \(E_i\cap E_j=\emptyset\) (\(i\ne j\)). Din \(\sigma\)-aditivitate, \(\PP(A)=\sum_{n\ge1}\PP(E_n)\).
Aruncările sunt independente și identic repartizate: \[ \PP(E_n)=\PP(A_1^c\cap B_1^c)^{n-1}\,\PP(A_1). \] Pe \(\Omega=\{1,\dots,6\}^2\), suma \(5\) apare în \(4\) moduri, suma \(7\) în \(6\) moduri: \(\PP(A_1)=4/36\), \(\PP(A_1^c\cap B_1^c)=26/36\). Atunci \[ \PP(A)=\sum_{n\ge1}\Big(\frac{26}{36}\Big)^{n-1}\frac{4}{36}=\frac19\sum_{n\ge0}\Big(\frac{13}{18}\Big)^{n}=\frac19\cdot\frac{1}{1-\frac{13}{18}}=\frac25 . \] Observație. În general, pentru \(A\), \(B\) disjuncte cu probabilitățile \(a\), \(b\) la fiecare repetare: \(\PP(A\text{ înaintea lui }B)=\sum_{n\ge1}(1-a-b)^{n-1}a=\frac{a}{a+b}\) — ignorăm aruncările „neutre”: la prima aruncare decisivă, \(A\) are probabilitatea condiționată \(\frac{4}{10}\).
#> simulare exact
#> 0.4005 0.4000
Aceeași idee rezolvă jocul de craps: după o primă aruncare cu suma \(x\in\{4,5,6,8,9,10\}\), jucătorul câștigă dacă suma \(x\) reapare înaintea sumei \(7\).
Un sistem este format din \(5\) componente dispuse „în punte”, fiecare funcționând independent cu probabilitatea \(p\). Sistemul funcționează dacă există un drum de la \(S\) la \(T\) format din componente funcționale. Calculați probabilitatea de funcționare a sistemului și evaluați-o pentru \(p=0.9\).
Sistemul nu este de tip serie–paralel, din cauza componentei \(5\) („puntea”). Condiționăm după starea ei (formula probabilității totale): \(F\) = „sistemul funcționează”, \(K\) = „componenta \(5\) funcționează”.
Dacă \(K\) se realizează, nodurile interioare sunt practic unite: serie de două blocuri paralele, \(\{1,3\}\) și \(\{2,4\}\): \(\ \PP(F\mid K)=\big(1-(1-p)^2\big)^2 .\)
Dacă \(K\) nu se realizează: paralelul a două ramuri serie, \(1\text{–}2\) și \(3\text{–}4\): \(\ \PP(F\mid K^c)=1-(1-p^2)^2 .\)
(Componentele \(1\)–\(4\) sunt independente de componenta \(5\).) Din Teorema 5, \[ \PP(F)=p\,\big(1-(1-p)^2\big)^2+(1-p)\,\big(1-(1-p^2)^2\big). \] Pentru \(p=0.9\): \(\PP(F)=0.9\times0.99^2+0.1\times(1-0.19^2)=0.88209+0.09639=0.97848\).
Simulăm stările celor \(5\) componente; sistemul funcționează dacă funcționează măcar unul dintre cele \(4\) drumuri minimale (\(1\)–\(2\), \(3\)–\(4\), \(1\)–\(5\)–\(4\), \(3\)–\(5\)–\(2\)):
set.seed(4); p <- 0.9; M <- 1e5
x <- matrix(runif(5 * M) < p, ncol = 5) # stările celor 5 componente
F <- (x[,1] & x[,2]) | (x[,3] & x[,4]) | # cele 4 drumuri minimale
(x[,1] & x[,5] & x[,4]) | (x[,3] & x[,5] & x[,2])
exact <- p * (1 - (1-p)^2)^2 + (1-p) * (1 - (1-p^2)^2)
c(simulare = mean(F), exact = exact)#> simulare exact
#> 0.9779 0.9785
La ruleta europeană (\(37\) de numere, dintre care \(18\) roșii), un jucător pariază de fiecare dată pe „roșu”, câștigând sau pierzând miza. El pleacă cu \(50\) de lei și se oprește când ajunge la \(100\) de lei sau pierde tot.
\(p=18/37\), \(q=19/37\), \(r=q/p=19/18\); aplicăm Propoziția 13.
Unitatea monetară \(1\) leu: \(k=50\), \(N=100\): \(\ p_{50}=\frac{r^{50}-r^{100}}{1-r^{100}}\approx0.937\).
Unitatea monetară \(10\) lei: \(k=5\), \(N=10\): \(\ p_5=\frac{r^5-r^{10}}{1-r^{10}}\approx0.567\).
Pariul unic: \(k=1\), \(N=2\): \(p_1=q=19/37\approx0.514\).
Pentru \(p=1/2\): \(p_k=1-k/N=1/2\) în toate cazurile.
Într-un joc defavorabil, cine vrea să-și dubleze capitalul are cele mai mari șanse jucând „îndrăzneț” (mize mari, puține runde): la fiecare rundă avantajul cazinoului acționează din nou. Într-un joc echitabil, strategia nu contează.
În contextul Exemplului 17, o persoană efectuează repetat testul (testele fiind independente condiționat de statusul bolii).
\(\PP(D\mid E_k)>0.99\) \(\iff\) \(99\cdot19^{-k}<\frac{1}{99}\) \(\iff\) \(19^k>9801\) \(\iff\) \(k>\frac{\ln 9801}{\ln 19}\approx3.12\). Sunt necesare \(k=4\) teste pozitive (\(\PP(D\mid E_3)\approx0.9858\), \(\PP(D\mid E_4)\approx0.9992\)).
\(\PP(T_1\cap T_2^c\mid D)=0.95\times0.05\) și \(\PP(T_1\cap T_2^c\mid D^c)=0.05\times0.95\) sunt egale, deci \[ \PP(D\mid T_1\cap T_2^c)=\frac{0.0475\times0.01}{0.0475\times0.01+0.0475\times0.99}=0.01=\PP(D). \] Cum senzitivitatea și specificitatea sunt egale, un rezultat pozitiv și unul negativ se anulează reciproc.
Reluăm jocul din Exemplul 18, dar presupunem că prezentatorul nu știe unde este mașina: după ce concurentul alege ușa \(1\), el deschide la întâmplare una dintre ușile \(2\) și \(3\). Prezentatorul a deschis ușa \(3\) și în spatele ei este o capră. Merită să schimbăm?
\(M_i\) = „mașina este după ușa \(i\)”, \(G\) = „prezentatorul deschide ușa \(3\) și aceasta ascunde o capră”. Acum prezentatorul alege ușa \(3\) cu probabilitatea \(1/2\) indiferent de poziția mașinii: \[ \PP(G\mid M_1)=\frac12,\qquad \PP(G\mid M_2)=\frac12,\qquad \PP(G\mid M_3)=0 . \] Din formula lui Bayes, \[ \PP(M_1\mid G)=\frac{\frac12\cdot\frac13}{\frac12\cdot\frac13+\frac12\cdot\frac13+0}=\frac12=\PP(M_2\mid G). \]
Schimbarea nu aduce niciun avantaj! Informația observată este aceeași (o capră după ușa \(3\)), dar mecanismul prin care a fost obținută diferă: un prezentator neinformat ar fi putut dezvălui mașina, iar faptul că nu a făcut-o favorizează în egală măsură ușile \(1\) și \(2\). Lecția: trebuie modelat nu doar ce observăm, ci și cum ajungem să observăm.
Pentru evenimente de probabilitate pozitivă acolo unde se condiționează:
Probabilități și Statistică · Cursul 2 — Probabilitate condiționată și independență