Seminarul 1. Evenimente, probabilități și numărare. Primii pași în R

Probabilități și Statistică · Seminarul 1 (seminar și laborator) · Fișă de lucru (fără rezolvări)

Alexandru Amărioarei

Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027

Planul seminarului și laboratorului

Fiecare problemă se lucrează întâi „cu creionul”, apoi pe calculator (Laborator), prin enumerarea spațiului stărilor sau prin simulare.

Tema Conținut
Breviar rezultatele din Cursul 1 folosite azi
Primii pași în R vectori, vectori logici, expand.grid, sample, replicate, funcții proprii, grafice
Evenimente și operații cu evenimente trei servere; două zaruri pe un spațiu enumerat
Reguli de calcul și formula lui Poincaré Python și Java; numere divizibile cu 2, 3 sau 5; margini pentru probabilități
Modelul clasic și numărare extrageri cu și fără revenire; parole și anagrame; cărți de joc; zile de naștere
Problema potrivirilor prin simulare cel puțin o potrivire, exact \(k\) potriviri, numărul mediu de potriviri
Studiu individual și temă exerciții suplimentare, cu răspunsuri în fișa de lucru; temă

Obiectivele ședinței

La sfârșitul ședinței studentul trebuie să poată:

  1. exprima evenimente compuse („exact unul”, „cel puțin două”, „niciunul”) prin reuniuni, intersecții și complementare și aplica relațiile lui De Morgan;
  2. folosi regulile de calcul: evenimentul contrar, reuniunea a două evenimente, formula lui Poincaré pentru trei evenimente, marginile lui Boole și Bonferroni;
  3. calcula probabilități în modelul clasic prin numărare (regula produsului, extrageri cu și fără revenire, combinări, anagrame);
  4. lucra în R cu vectori, vectori logici și funcții, enumera un spațiu al stărilor cu expand.grid și calcula probabilități cu mean(conditie);
  5. simula un experiment aleator cu sample și replicate și compara frecvența relativă cu probabilitatea teoretică;
  6. rezolva, exact și prin simulare, problema zilelor de naștere și problema potrivirilor.

Planul ședinței

De rezolvat la seminar (în această ordine):

  • Primii pași în R — vectori, vectori logici, expand.grid, sample, replicate, funcții proprii;
  • Exercițiul 1 — evenimente compuse și relațiile lui De Morgan; expand.grid;
  • Exercițiul 4 (a)–(c), (e) — formula lui Poincaré; vectori logici cu %%;
  • Exercițiul 6 (a)–(c), (e) — extrageri cu și fără revenire; p_cu, p_fara;
  • Exercițiul 9 (a)–(c) — zilele de naștere, exact (p_zile) și prin simulare;
  • Exercițiul 10 (a), (b), (d) — problema potrivirilor; potriviri, exact_k.

Dacă timpul permite: Exercițiul 3 (reuniunea și margini), Exercițiul 5 (Boole și Bonferroni), Exercițiul 7 (parole, coduri PIN, anagrame).

Pentru acasă: Exercițiile 2 și 8; exercițiile suplimentare 11, 12, 13, 14; tema.

Rezolvările complete vor fi publicate ulterior. Scheletele de cod R și răspunsurile: în fișa de lucru.

Breviar: evenimente și reguli de calcul

Evenimente și reguli de calcul

Din Cursul 1 folosim astăzi următoarele rezultate.

Evenimente. Un eveniment este o submulțime \(A\subseteq\Omega\) a spațiului stărilor (Definiția 3 din Cursul 1). Dicționar: \(A^c\) = „nu se realizează \(A\)”; \(A\cup B\) = „\(A\) sau \(B\)” (cel puțin unul); \(A\cap B\) = „\(A\) și \(B\)”; \(A\setminus B=A\cap B^c\) = „\(A\), dar nu \(B\)”; \(A\,\triangle\,B\) = „exact unul dintre \(A\) și \(B\)”. \(A\) și \(B\) sunt incompatibile dacă \(A\cap B=\emptyset\) (Definiția 5 din Cursul 1).

Relațiile lui De Morgan (Propoziția 4 din Cursul 1): \((A\cup B)^c=A^c\cap B^c\) și \((A\cap B)^c=A^c\cup B^c\); la fel pentru oricâte evenimente.

Reguli de calcul (Propoziția 14 din Cursul 1): \(\PP(A^c)=1-\PP(A)\); dacă \(A\cap B=\emptyset\), atunci \(\PP(A\cup B)=\PP(A)+\PP(B)\); dacă \(A\subseteq B\), atunci \(\PP(A)\le\PP(B)\); \[ \PP(A\setminus B)=\PP(A)-\PP(A\cap B),\qquad \PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B). \]

Breviar: Poincaré, margini, modelul clasic

Formula lui Poincaré, margini, modelul clasic

Formula lui Poincaré (Teorema 15 din Cursul 1), pentru trei evenimente: \[ \begin{aligned} \PP(A\cup B\cup C)&=\PP(A)+\PP(B)+\PP(C)\\ &\quad-\PP(A\cap B)-\PP(A\cap C)-\PP(B\cap C)+\PP(A\cap B\cap C). \end{aligned} \] Margini (Propozițiile 16 din Cursul 1 și 17 din Cursul 1): \[ \PP\Big(\bigcup_{i=1}^nA_i\Big)\le\sum_{i=1}^n\PP(A_i),\qquad \PP\Big(\bigcap_{i=1}^nA_i\Big)\ge\sum_{i=1}^n\PP(A_i)-(n-1). \] Modelul clasic (Definiția 19 din Cursul 1): dacă \(\Omega\) este finit și rezultatele sunt egal probabile, atunci \(\PP(A)=|A|/|\Omega|\) (cazuri favorabile supra cazuri posibile).

Interpretarea frecvenționistă (Secțiunea 4 din Cursul 1): dacă în \(N\) repetări ale experimentului \(A\) se realizează de \(N(A)\) ori, atunci \(N(A)/N\approx\PP(A)\) pentru \(N\) mare. Pe această idee se bazează orice simulare.

Breviar: numărare și instrumentele R

Numărare, două probleme clasice, instrumente R

Numărare. Regula produsului (Propoziția 21 din Cursul 1); extrageri de \(k\) elemente din \(n\):

  • cu revenire și cu ordine: \(n^k\) (Propoziția 22 din Cursul 1);
  • fără revenire și cu ordine: \(A_n^k=n(n-1)\cdots(n-k+1)\), în particular \(n!\) permutări (Propoziția 23 din Cursul 1);
  • fără revenire și fără ordine: \(\binom nk=\frac{n!}{k!\,(n-k)!}\) (Propoziția 24 din Cursul 1);
  • șiruri cu \(n_1,\dots,n_k\) elemente identice: \(\frac{n!}{n_1!\cdots n_k!}\) (Propoziția 25 din Cursul 1).

Zile de naștere (Exemplul 16 din Cursul 1): \(\PP(\text{cel puțin o coincidență})=1-\frac{365\cdot364\cdots(365-n+1)}{365^n}\). Potriviri (Exemplul 22 din Cursul 1): \(p_n=\sum_{k=1}^n\frac{(-1)^{k+1}}{k!}\to1-\frac1e\approx0.632\).

Instrumente R: vectori logici și mean(conditie); expand.grid (enumerare); sample, replicate (simulare); funcții proprii; plot, barplot.

Primii pași în R

R și RStudio: consola și scriptul

R este un limbaj de programare și un mediu de lucru gratuit, dedicat calculului statistic și graficii. Îl folosim în fiecare săptămână ca să calculăm exact (formule, enumerarea tuturor rezultatelor) și ca să simulăm (repetăm experimentul de multe ori și numărăm).

  • Lucrăm în RStudio: editorul de scripturi (stânga sus), consola (stânga jos), lista obiectelor (Environment, dreapta sus), fișiere, grafice și ajutor (dreapta jos).
  • În consolă scriem o comandă după > și apăsăm Enter: potrivită pentru încercări rapide.
  • Într-un script (fișier .R; File → New File → R Script) păstrăm comenzile; linia curentă sau selecția se trimite în consolă cu Ctrl + Enter (Cmd + Enter pe macOS). Lucrați întotdeauna într-un script.
  • Tot ce urmează după # este un comentariu; pagina de ajutor a unei funcții: ?nume, de exemplu ?sample.
  • Rezultatele afișate de R sunt precedate, pe slide-uri și în note, de #>.

R ca un calculator. Obiecte

2 + 3 * 4         # prioritatea obișnuită
2^10              # ridicare la putere
17 %/% 5          # câtul împărțirii întregi
17 %% 5           # restul împărțirii
sqrt(2) * exp(1)  # sqrt, exp, log, abs, ...
#> [1] 14
#> [1] 1024
#> [1] 3
#> [1] 2
#> [1] 3.844
n <- 23           # atribuire cu <-
zile <- 365
n / zile          # obiecte în calcule
nume <- "Ana"     # un șir de caractere
adevarat <- 5 > 3 # o valoare logică
adevarat
#> [1] 0.06301
#> [1] TRUE
  • [1] din fața unui rezultat arată poziția primei valori afișate pe linie.
  • Un rezultat se păstrează într-un obiect cu operatorul <- (în RStudio: Alt + -). O atribuire nu afișează nimic; pentru a vedea valoarea unui obiect îi scriem numele. n și N sunt obiecte diferite.

Vectori

Obiectul de bază din R este vectorul: un șir de valori de același tip (numere, șiruri de caractere sau valori logice). Chiar și un număr este un vector de lungime \(1\).

x <- c(4, 8, 15, 16, 23, 42)       # c() combină valorile într-un vector
1:6                                # numerele întregi de la 1 la 6
seq(0, 1, by = 0.25)               # de la 0 la 1, cu pasul 0.25
rep(c("H", "T"), times = 3)        # repetă vectorul de 3 ori
rep(c("R", "A"), times = c(2, 3))  # de 2 ori "R", apoi de 3 ori "A"
#> [1] 1 2 3 4 5 6
#> [1] 0.00 0.25 0.50 0.75 1.00
#> [1] "H" "T" "H" "T" "H" "T"
#> [1] "R" "R" "A" "A" "A"

Cu rep vom construi urne („\(6\) bile roșii și \(4\) albastre”), iar cu 1:n spații ale stărilor.

Vectori: operații și indexare

Operațiile se aplică element cu element (sunt vectorizate); indicii încep de la 1, nu de la 0.

x + 1              # se adună 1 la fiecare element
x / sum(x)         # fiecare element împărțit la suma tuturor
x[2]               # al doilea element
x[c(1, 3)]         # primul și al treilea
x[-1]              # toate elementele, fără primul
x[x > 15]          # elementele mai mari decât 15
length(x)          # numărul de elemente
#> [1]  5  9 16 17 24 43
#> [1] 0.03704 0.07407 0.13889 0.14815 0.21296 0.38889
#> [1] 8
#> [1]  4 15
#> [1]  8 15 16 23 42
#> [1] 16 23 42
#> [1] 6

Vectori logici: numărare și proporții

O comparație (==, !=, <, <=, >, >=) produce un vector de valori TRUE/FALSE. În calcule TRUE valorează \(1\) și FALSE valorează \(0\): suma numără valorile TRUE, iar media este proporția lor.

zar <- c(3, 6, 1, 6, 2, 5, 6, 4)   # rezultatele a opt aruncări ale unui zar
zar == 6           # pentru fiecare aruncare: a ieșit 6?
sum(zar == 6)      # de câte ori a ieșit 6
mean(zar == 6)     # proporția aruncărilor cu 6, adică 3/8
#> [1] FALSE  TRUE FALSE  TRUE FALSE FALSE  TRUE FALSE
#> [1] 3
#> [1] 0.375
Eveniment \(A\cap B\) („și”) \(A\cup B\) („sau”) \(A^c\) („nu”) \(A\setminus B\) \(A\,\triangle\,B\) („exact unul”)
În R A & B A | B !A A & !B xor(A, B)

Evenimente ca vectori logici

Idiomul de bază al laboratorului

Dacă ev este vectorul logic al unui eveniment (câte o componentă pentru fiecare rezultat), atunci sum(ev) este numărul cazurilor favorabile, iar mean(ev) este proporția lor: probabilitatea, când componentele corespund tuturor rezultatelor egal probabile (enumerare), respectiv frecvența relativă, când corespund unor repetări simulate.

pare <- zar %% 2 == 0      # „număr par”
mari <- zar >= 5           # „cel puțin 5”
sum(pare & mari)           # câte aruncări sunt pare ȘI cel puțin 5
mean(pare | mari)          # proporția celor pare SAU cel puțin 5
mean(!pare)                # proporția celor impare
#> [1] 3
#> [1] 0.75
#> [1] 0.375

Funcții utile pentru numărare

sum(1:100)         # 1 + 2 + ... + 100
prod(1:5)          # 1 * 2 * 3 * 4 * 5
factorial(5)       # 5!, același rezultat
choose(5, 2)       # combinări de 5 câte 2
cumsum(1:6)        # sume parțiale
prod(10:8) / 10^3  # (10 * 9 * 8) / 10^3
#> [1] 5050
#> [1] 120
#> [1] 120
#> [1] 10
#> [1]  1  3  6 10 15 21
#> [1] 0.72
litere <- c("b", "a", "c", "a", "b", "a")
unique(litere)     # valorile distincte
table(litere)      # numără aparițiile
which(zar == 6)    # pozițiile lui 6
c(any(zar == 1), all(zar <= 5))
#> [1] "b" "a" "c"
#> litere
#> a b c 
#> 3 2 1 
#> [1] 2 4 7
#> [1]  TRUE FALSE

Stânga: formulele de numărare din Cursul 1. Dreapta: table numără aparițiile fiecărei valori (util la simulări); which dă pozițiile valorilor TRUE; any / all: există un TRUE? / sunt toate TRUE?

Mulțimi

Un eveniment poate fi reprezentat și ca mulțimea rezultatelor favorabile; R are funcții pentru operațiile cu mulțimi.

Omega <- 1:6             # aruncarea unui zar
A <- c(2, 4, 6)          # „număr par”
B <- c(4, 5, 6)          # „cel puțin 4”
union(A, B)              # reuniunea
intersect(A, B)          # intersecția
setdiff(A, B)            # diferența A \ B
setdiff(Omega, A)        # complementara lui A
c(3, 4) %in% A           # aparține 3 lui A? dar 4?
#> [1] 2 4 6 5
#> [1] 4 6
#> [1] 2
#> [1] 1 3 5
#> [1] FALSE  TRUE

Enumerarea spațiului stărilor: expand.grid

Pentru experimente cu mai multe etape (două zaruri, trei monede), expand.grid construiește un tabel (data frame) în care fiecare linie este un rezultat posibil; o coloană se extrage cu $.

zaruri <- expand.grid(z1 = 1:6, z2 = 1:6)   # toate perechile (z1, z2)
nrow(zaruri)                     # numărul de linii: 36 de rezultate
head(zaruri, 3)                  # primele 3 linii
suma <- zaruri$z1 + zaruri$z2    # suma, pentru fiecare linie
mean(suma == 7)                  # P(suma este 7) = 6/36
#> [1] 36
#>   z1 z2
#> 1  1  1
#> 2  2  1
#> 3  3  1
#> [1] 0.1667

Cel mai mare dintre două zaruri

Exemplul 1 (Cel mai mare dintre două zaruri)

Aruncăm două zaruri echilibrate; \(M\) = cel mai mare dintre cele două numere. \(\{M\le4\}\) înseamnă că ambele zaruri arată cel mult \(4\): \(4\cdot4=16\) cazuri favorabile, deci \(\PP(M\le4)=\frac{16}{36}\approx0.4444\). Apoi \(\{M=4\}=\{M\le4\}\setminus\{M\le3\}\), deci \(\PP(M=4)=\frac{16}{36}-\frac{9}{36}=\frac7{36}\approx0.1944\). În R numărăm pe tabelul celor \(36\) de rezultate.

M <- pmax(zaruri$z1, zaruri$z2)     # maximul de pe fiecare linie
c(cel_mult_4 = mean(M <= 4), egal_cu_4 = mean(M == 4))
table(M)                            # câte rezultate dau fiecare maxim
#> cel_mult_4  egal_cu_4 
#>     0.4444     0.1944 
#> M
#>  1  2  3  4  5  6 
#>  1  3  5  7  9 11

Valorile coincid cu cele calculate de mână; \(M=m\) are \(m^2-(m-1)^2=2m-1\) cazuri favorabile: \(1,3,5,7,9,11\).

Experimente aleatoare: sample și set.seed

set.seed(2026)                     # fixează „sămânța” generatorului
sample(1:6, 1)                     # o aruncare a unui zar
sample(1:6, 10, replace = TRUE)    # 10 aruncări (extrageri cu revenire)
sample(1:10, 3)                    # 3 bile din 10, fără revenire
sample(5)                          # o permutare aleatoare a lui 1, ..., 5
sample(c("H", "T"), 8, replace = TRUE, prob = c(0.8, 0.2))
#> [1] 5
#>  [1] 1 1 6 5 3 4 4 5 4 2
#> [1] 2 8 3
#> [1] 5 2 1 4 3
#> [1] "H" "H" "H" "H" "H" "H" "H" "T"
  • sample(x, size) este „urna” noastră: implicit fără revenire; cu replace = TRUE, cu revenire. sample(n) este o permutare aleatoare a lui 1:n; prob dă probabilitățile elementelor.
  • Numerele sunt pseudo-aleatoare: set.seed(numar) fixează generatorul (rezultate reproductibile).

Un zar aruncat de zece mii de ori

Exemplul 2 (Un zar aruncat de zece mii de ori)

Simulăm \(10^4\) aruncări ale unui zar echilibrat și calculăm frecvențele relative ale celor șase fețe și ale evenimentului „număr par”.

set.seed(6)
aruncari <- sample(1:6, 1e4, replace = TRUE)   # 1e4 înseamnă 10^4
frecv <- table(aruncari) / length(aruncari)    # frecvențe relative
round(frecv, 3)
mean(aruncari %% 2 == 0)                       # frecvența lui „număr par”
#> aruncari
#>     1     2     3     4     5     6 
#> 0.161 0.174 0.159 0.170 0.170 0.166 
#> [1] 0.5108

Frecvențele sunt apropiate de \(1/6\approx0.167\), respectiv de \(1/2\): este interpretarea frecvenționistă a probabilității.

Repetarea unui experiment: for și replicate

Un experiment mai complicat se repetă cu o buclă for sau, mai scurt, cu replicate. Estimăm probabilitatea ca suma a două zaruri să fie \(7\) (valoarea exactă: \(6/36\approx0.1667\)).

set.seed(2026)
B <- 1e4                             # numărul de repetări
sume <- numeric(B)                   # un vector cu B zerouri
for (i in 1:B) {                     # varianta cu bucla for
  sume[i] <- sum(sample(1:6, 2, replace = TRUE))
}
mean(sume == 7)
sume <- replicate(B, sum(sample(1:6, 2, replace = TRUE)))  # cu replicate
mean(sume == 7)
#> [1] 0.1654
#> [1] 0.1656

replicate(B, expresie) evaluează expresia de B ori și adună rezultatele într-un vector.

Funcții proprii

suma_zaruri <- function(k = 2) {     # k = numărul de zaruri (implicit 2)
  z <- sample(1:6, k, replace = TRUE)
  sum(z)                             # ultima expresie este valoarea întoarsă
}
suma_zaruri()                        # suma a două zaruri
suma_zaruri(5)                       # suma a cinci zaruri
mean(replicate(B, suma_zaruri(3)) >= 12)
sapply(1:3, function(k) mean(replicate(B, suma_zaruri(k)) >= 4 * k))
#> [1] 8
#> [1] 22
#> [1] 0.3797
#> [1] 0.4976 0.4230 0.3777

Un experiment folosit de mai multe ori se împachetează într-o funcție. A treia linie de rezultate estimează \(\PP(\text{suma a trei zaruri}\ge12)=81/216=0.375\). sapply(valori, f) aplică funcția f fiecărui element: ultima linie estimează \(\PP(\text{suma a }k\text{ zaruri}\ge4k)\), \(k=1,2,3\) (exact: \(0.5\), \(15/36\approx0.4167\), \(0.375\); erori sub \(0.01\)).

Schema unei simulări

Schema unei simulări
  1. Scriem o funcție (sau o expresie) care efectuează o dată experimentul și întoarce mărimea care ne interesează (un număr sau TRUE/FALSE).
  2. Repetăm experimentul de B ori: rezultate <- replicate(B, experiment()).
  3. Estimăm probabilitatea prin frecvența relativă: mean(conditie).

Estimarea nu este exactă: pentru B = 1e4 eroarea este, de regulă, mai mică decât \(0.01\), iar pentru B = 1e5 mai mică decât \(0.003\) (vom vedea de ce în Cursul 7). De aceea comparăm doar primele două zecimale ale unei simulări cu valoarea teoretică.

Grafice simple

plot(x, y) reprezintă punctele (x[i], y[i]), barplot desenează bare; peste un grafic adăugăm lines, points, abline. Culorile notelor sunt păstrate într-un vector cu nume (un element se extrage cu [[ ]]).

culori <- c(albastru = "#2B6CB0", rosu = "#9B2335", verde = "#2F7D4A",
            portocaliu = "#C0661A", mov = "#7A3E8E", teal = "#1F7A7A",
            gri = "#6B7785", bleumarin = "#1B3A5C")
barplot(frecv, col = culori[["albastru"]],
        xlab = "fața zarului", ylab = "frecvența relativă")
abline(h = 1/6, lty = 2, col = culori[["rosu"]])   # dreapta y = 1/6

Stabilizarea frecvenței relative

Exemplul 3 (Stabilizarea frecvenței relative)

Aruncăm o monedă echilibrată de \(N=5000\) de ori și urmărim frecvența relativă a capului după primele \(1,2,\dots,N\) aruncări. Dacă moneda este vectorul rezultatelor (\(1\) = cap, \(0\) = pajură), cumsum(moneda) este numărul de capete obținute până la fiecare aruncare, iar împărțirea la 1:N dă frecvențele relative.

set.seed(1654)
N <- 5000
moneda <- sample(c(1, 0), N, replace = TRUE)    # 1 = cap, 0 = pajură
f <- cumsum(moneda) / (1:N)                     # frecvențele relative
round(f[c(10, 100, 1000, 5000)], 3)             # după 10, 100, ... aruncări
#> [1] 0.700 0.510 0.494 0.504

La început frecvența relativă oscilează mult, apoi se apropie de \(0.5\).

Stabilizarea frecvenței relative — graficul

plot(1:N, f, type = "l", log = "x", ylim = c(0, 1),
     col = culori[["albastru"]],
     xlab = "numărul de aruncări (scară logaritmică)",
     ylab = "frecvența relativă a capului")
moneda2 <- sample(c(1, 0), N, replace = TRUE)   # o a doua serie
lines(1:N, cumsum(moneda2) / (1:N), col = culori[["verde"]])
abline(h = 0.5, lty = 2, col = culori[["rosu"]])

Ambele serii se stabilizează în jurul valorii \(0.5\), ca în figura corespunzătoare din Secțiunea 4 din Cursul 1.

Evenimente și operații cu evenimente

Trei servere

Exercițiul 1 (Trei servere)

La seminar Un serviciu web rulează pe trei servere; la un moment dat, fiecare server fie funcționează, fie este căzut. Notăm cu \(A_i\) evenimentul „serverul \(i\) funcționează”, \(i=1,2,3\).

  1. Exprimați cu ajutorul evenimentelor \(A_1,A_2,A_3\): \(E_1\) = „toate cele trei servere funcționează”; \(E_2\) = „cel puțin un server funcționează”; \(E_3\) = „niciun server nu funcționează”; \(E_4\) = „funcționează exact un server”; \(E_5\) = „funcționează cel puțin două servere”; \(E_6\) = „funcționează cel mult un server”.
  2. Care dintre evenimentele de la (a) sunt contrare unul altuia? Justificați cu relațiile lui De Morgan.
  3. Serviciul este disponibil dacă funcționează serverul \(1\) (de aplicație) și cel puțin unul dintre serverele \(2\) și \(3\) (de date). Scrieți evenimentul \(S\) = „serviciul este disponibil” și contrarul \(S^c\).
  4. Descriem starea sistemului prin \((x_1,x_2,x_3)\), cu \(x_i=1\) dacă serverul \(i\) funcționează și \(x_i=0\) dacă este căzut. Presupunând că stările sunt egal probabile, calculați probabilitățile evenimentelor \(E_1,\dots,E_6\) și \(S\).
  5. Construiți în R spațiul stărilor și evenimentele; verificați răspunsurile de la (b), (c) și (d).

Două zaruri pe un spațiu enumerat

Exercițiul 2 (Două zaruri pe un spațiu enumerat)

Pentru acasă Aruncăm două zaruri echilibrate, unul roșu și unul albastru. Considerăm evenimentele \(A\) = „suma celor două numere este pară” și \(B\) = „cel puțin un zar arată \(6\)”.

  1. Descrieți spațiul stărilor și determinați numărul de elemente ale evenimentelor \(A\), \(B\) și \(A\cap B\).
  2. Calculați \(\PP(A)\), \(\PP(B)\), \(\PP(A\cap B)\) și \(\PP(A\cup B)\).
  3. Descrieți în cuvinte evenimentele \(A^c\cap B^c\), \(A\setminus B\) și \(A\,\triangle\,B\) și calculați-le probabilitățile.
  4. Sunt \(A\) și \(B\) incompatibile? Arătați că evenimentul \(C\) = „suma este cel mult \(6\)” este incompatibil cu \(B\) și calculați \(\PP(B\cup C)\).
  5. Verificați rezultatele în R, prin enumerare și printr-o simulare cu \(10^5\) aruncări.

Reguli de calcul și formula lui Poincaré

Python și Java

Exercițiul 3 (Python și Java)

Dacă timpul permite Alegem la întâmplare un student al unei facultăți. Probabilitatea ca studentul să știe Python este \(0.70\), probabilitatea să știe Java este \(0.45\), iar probabilitatea să știe ambele limbaje este \(0.30\).

  1. Care este probabilitatea ca studentul să știe cel puțin unul dintre cele două limbaje?
  2. Care este probabilitatea să nu știe niciunul?
  3. Care este probabilitatea să știe Python, dar nu și Java?
  4. Care este probabilitatea să știe exact unul dintre cele două limbaje?
  5. Să presupunem că nu am cunoaște probabilitatea de a ști ambele limbaje. Între ce valori s-ar putea afla ea, dacă știm doar că \(70\%\) dintre studenți știu Python și \(45\%\) știu Java?
  6. În R: construiți o facultate cu \(200\) de studenți care respectă datele din enunț și verificați, prin numărare și prin simulare, răspunsurile de la (a)–(d).

Numere divizibile cu 2, 3 sau 5

Exercițiul 4 (Numere divizibile cu 2, 3 sau 5)

La seminar Alegem la întâmplare un număr din mulțimea \(\{1,2,\dots,1000\}\), toate numerele fiind egal probabile. Notăm cu \(D_k\) evenimentul „numărul ales este divizibil cu \(k\)”.

  1. Calculați \(\PP(D_2)\), \(\PP(D_3)\), \(\PP(D_5)\) și probabilitățile intersecțiilor \(D_2\cap D_3\), \(D_2\cap D_5\), \(D_3\cap D_5\) și \(D_2\cap D_3\cap D_5\).
  2. Care este probabilitatea ca numărul ales să fie divizibil cu cel puțin unul dintre numerele \(2\), \(3\) și \(5\)?
  3. Care este probabilitatea ca numărul să nu fie divizibil cu niciunul dintre ele?
  4. Care este probabilitatea ca numărul să fie divizibil cu exact unul dintre numerele \(2\), \(3\) și \(5\)?
  5. Verificați în R, folosind operatorul %% pe vectorul 1:1000. Cum se schimbă răspunsul de la (b) dacă alegem numărul din \(\{1,\dots,N\}\), pentru \(N=10\), \(100\), \(1000\) și \(10^6\)?

Teste automate: margini pentru probabilități

Exercițiul 5 (Teste automate: margini pentru probabilități)

Dacă timpul permite O aplicație este livrată numai dacă trece toate cele \(n=5\) teste automate. Din istoricul proiectului se știe că fiecare test, luat separat, este trecut cu probabilitatea \(0.98\); nu se știe însă nimic despre legătura dintre teste. Fie \(T_i\) evenimentul „testul \(i\) este trecut”, \(i=1,\dots,5\).

  1. Scrieți evenimentul \(L\) = „aplicația este livrată” și contrarul său cu ajutorul evenimentelor \(T_i\).
  2. Arătați că \(0.90\le\PP(L)\le0.98\).
  3. Cel mult câte teste de acest fel poate avea aplicația, astfel încât să putem garanta că este livrată cu probabilitate cel puțin \(1/2\)?
  4. Construiți în R, pe spațiul \(\Omega=\{1,2,\dots,100\}\) cu rezultate egal probabile, două situații în care marginile de la (b) sunt atinse. Estimați apoi \(\PP(L)\) prin simulare în cazul în care testele „nu se influențează” unul pe altul.

Modelul clasic și numărare

Extrageri cu și fără revenire

Exercițiul 6 (Extrageri cu și fără revenire)

La seminar O urnă conține \(10\) bile: \(6\) roșii și \(4\) albastre. Extragem la întâmplare \(3\) bile.

  1. Extragerea se face cu revenire. Calculați probabilitatea de a obține exact două bile roșii și probabilitatea de a obține cel puțin o bilă albastră.
  2. Aceleași întrebări dacă extragerea se face fără revenire. Numărați în două moduri: ținând cont de ordinea extragerii și fără a ține cont de ea.
  3. În care dintre cele două scheme este mai probabil ca toate cele trei bile să aibă aceeași culoare?
  4. Dintr-un grup de \(6\) fete și \(4\) băieți se alege la întâmplare o comisie de \(3\) persoane. Care este probabilitatea ca din comisie să facă parte exact două fete?
  5. Verificați rezultatele în R prin simulare și prin enumerare completă.

Parole, coduri PIN și anagrame

Exercițiul 7 (Parole, coduri PIN și anagrame)

Dacă timpul permite (a) O parolă este formată din \(4\) litere mici ale alfabetului englez (\(26\) de litere). Câte parole există? Câte dintre ele au toate literele diferite? (b) Un cod PIN este format din \(4\) cifre alese la întâmplare (toate codurile de la \(0000\) la \(9999\) sunt egal probabile). Care este probabilitatea ca cifrele codului să fie toate diferite? Dar ca măcar o cifră să se repete? (c) Câte anagrame (cuvinte diferite, nu neapărat cu sens) are cuvântul ANANAS? (d) Cele șase litere ale cuvântului ANANAS sunt scrise pe șase cartonașe, care se amestecă și se așază în linie la întâmplare. Care este probabilitatea ca cele trei litere A să fie alăturate? Dar ca șirul obținut să înceapă cu A și să se termine cu S? (e) Verificați în R punctul (b) prin enumerare și punctele (c) și (d) prin simulare.

O mână de cinci cărți

Exercițiul 8 (O mână de cinci cărți)

Pentru acasă Dintr-un pachet bine amestecat de \(52\) de cărți (\(13\) figuri, fiecare în \(4\) culori) se extrag \(5\) cărți. Calculați probabilitatea ca mâna obținută:

  1. să conțină exact doi ași;
  2. să conțină cel puțin un as;
  3. să conțină cinci cărți de figuri diferite (nicio figură nu se repetă).
  4. Construiți pachetul în R cu expand.grid și verificați rezultatele prin simulare.

Zile de naștere

Exercițiul 9 (Zile de naștere)

La seminar Într-o grupă de laborator sunt \(n\) studenți. Ca în Exemplul 16 din Cursul 1, presupunem că anul are \(365\) de zile, la fel de probabile ca zi de naștere; \(q_n\) este probabilitatea ca cel puțin doi studenți să aibă aceeași zi de naștere.

  1. Scrieți formula lui \(q_n\) ca produs și calculați de mână \(q_4\).
  2. Scrieți în R o funcție p_zile(n, zile = 365) care calculează \(q_n\) cu ajutorul lui prod. Calculați \(q_{25}\) și cel mai mic \(n\) pentru care \(q_n\ge1/2\), respectiv \(q_n\ge0.99\).
  3. Estimați prin simulare \(q_{10}\), \(q_{25}\) și \(q_{40}\) și reprezentați grafic \(q_n\) pentru \(n=1,\dots,60\), împreună cu valorile simulate.
  4. Alt număr de „zile”. Care este probabilitatea ca, dintre \(5\) studenți, cel puțin doi să fie născuți în aceeași lună (\(12\) luni egal probabile)? Ce legătură are problema cu codul PIN din Exercițiul 7?
  5. Trei studenți. Estimați prin simulare probabilitatea ca cel puțin trei studenți să aibă aceeași zi de naștere, pentru \(n\in\{25,50,88,120\}\).

Problema potrivirilor prin simulare

Problema potrivirilor prin simulare

Exercițiul 10 (Problema potrivirilor prin simulare)

La seminar La intrarea într-un examen, cei \(n\) studenți își lasă telefoanele într-o cutie; la ieșire, telefoanele sunt împărțite la întâmplare, câte unul fiecărui student (cele \(n!\) împărțiri sunt egal probabile). Avem o potrivire când un student își primește propriul telefon; \(N\) = numărul de potriviri. Din Exemplul 22 din Cursul 1, \(\PP(N\ge1)=p_n=\sum_{k=1}^n\frac{(-1)^{k+1}}{k!}\).

  1. Pentru \(n=3\), enumerați toate împărțirile și numărul de potriviri al fiecăreia. Deduceți \(\PP(N\ge1)\) și \(\PP(N=k)\), \(k=0,1,2,3\), și comparați cu formula lui \(p_3\).
  2. Scrieți în R o funcție potriviri(n) care simulează o împărțire și întoarce numărul de potriviri. Estimați \(\PP(N\ge1)\) pentru \(n=10\) și comparați cu \(p_{10}\) și cu limita \(1-1/e\).
  3. Reprezentați grafic, pentru \(n=1,\dots,12\), valoarea exactă \(p_n\) și estimarea ei prin simulare.
  4. Pentru \(n=10\), determinați prin simulare frecvențele relative ale evenimentelor „exact \(k\) potriviri”, \(k=0,\dots,6\); comparați cu formula din Exercițiul 8 din Cursul 1 și cu valorile limită \(e^{-1}/k!\).
  5. Estimați numărul mediu de potriviri pentru \(n=5\), \(n=10\) și \(n=100\). Ce observați? Explicați.

Studiu individual și temă

Pentru studiul individual

Exercițiile suplimentare reiau, în ordine, temele ședinței; răspunsurile: în fișa de lucru; rezolvările complete vor fi publicate ulterior.

Exercițiul 11 (Șiruri de biți)

Pentru acasă Un generator produce un șir de \(n\) biți, toate cele \(2^n\) șiruri fiind egal probabile; \(A_j\) = „bitul de pe poziția \(j\) este \(1\)”. Pentru \(n=4\), scrieți cu ajutorul lui \(A_j\) și calculați probabilitățile evenimentelor \(U\) = „cel puțin un bit este \(1\)” și \(V\) = „există doi biți consecutivi egali cu \(1\)”. Pentru \(n\) oarecare: probabilitatea ca exact \(k\) biți să fie \(1\). În R, pentru \(n=10\): \(\PP(V)\) prin enumerare.

Exercițiul 12 (Două zaruri contra unui zar cu 12 fețe)

Pentru acasă Ana aruncă două zaruri obișnuite și adună punctele; Barbu aruncă un zar cu \(12\) fețe. Câștigă cel cu punctajul mai mare; la egalitate este remiză. Calculați probabilitățile celor trei rezultate. Este jocul echitabil? Dar dacă Ana aruncă trei zaruri, iar Barbu un zar cu \(20\) de fețe (în R, prin enumerare)?

Pentru studiul individual: pasageri și vagoane

Exercițiul 13 (Pasageri și vagoane)

Pentru acasă Nouă pasageri urcă într-un tren cu trei vagoane; fiecare alege la întâmplare unul dintre vagoane (toate cele \(3^9\) moduri de alegere sunt egal probabile). Calculați probabilitatea ca:

  1. în primul vagon să urce exact trei pasageri;
  2. în fiecare vagon să urce câte trei pasageri;
  3. într-un vagon să urce doi pasageri, în altul trei și în cel rămas patru;
  4. niciun vagon să nu rămână gol.
  5. Verificați în R prin enumerarea tuturor celor \(3^9\) rezultate.

Răspunsurile: în fișa de lucru; rezolvarea completă va fi publicată ulterior.

Pentru studiul individual: punctele fixe ale permutărilor

Exercițiul 14 (Punctele fixe ale permutărilor prin enumerare)

Pentru acasă În problema potrivirilor (Exercițiul 10) numărul de potriviri este numărul de puncte fixe ale unei permutări alese la întâmplare.

  1. Pentru \(n=4\), determinați prin numărare câte dintre cele \(24\) de permutări au exact \(0\), \(1\), \(2\), \(3\) și \(4\) puncte fixe.
  2. Scrieți în R o funcție permutari(n) care întoarce toate permutările lui \(\{1,\dots,n\}\) (pentru \(n\le6\)) și verificați punctul (a).
  3. Pentru \(n=6\), comparați probabilitățile exacte obținute prin enumerare cu formula exact_k și calculați numărul mediu de puncte fixe.

Răspunsurile: în fișa de lucru; rezolvarea completă va fi publicată ulterior.

Temă (răspunsuri: în fișa de lucru)

  1. Fie \(A\), \(B\), \(C\) trei evenimente. Exprimați cu ajutorul operațiilor cu evenimente: „se realizează exact două dintre ele”, „se realizează cel mult două dintre ele” și „se realizează \(A\) sau \(B\), dar nu \(C\)”.
  2. Fie \(A\) și \(B\) două evenimente cu \(\PP(A)=0.6\) și \(\PP(B)=0.7\). Arătați că \(0.3\le\PP(A\cap B)\le0.6\). Dacă \(\PP(A\cap B)=0.4\), calculați probabilitatea să se realizeze cel puțin unul, exact unul, respectiv niciunul dintre cele două evenimente.
  3. Câte numere din mulțimea \(\{1,\dots,500\}\) sunt divizibile cu \(3\) sau cu \(7\)? Care este probabilitatea ca un număr ales la întâmplare din această mulțime să nu fie divizibil nici cu \(3\), nici cu \(7\)? Verificați în R cu operatorul %%.
  4. Dintr-un grup format din \(8\) programatori și \(5\) testeri se alege la întâmplare o echipă de \(4\) persoane. Care este probabilitatea ca echipa să conțină exact \(2\) testeri? Dar cel puțin un tester?

Temă (continuare)

  1. Câte anagrame are cuvântul PROBABILITATE? Dacă literele lui sunt amestecate la întâmplare, care este probabilitatea ca șirul obținut să înceapă cu o vocală?
  2. Aruncăm trei zaruri echilibrate. Calculați probabilitatea ca suma lor să fie cel puțin \(15\), enumerând în R cele \(216\) rezultate cu expand.grid, apoi estimați aceeași probabilitate printr-o simulare cu \(10^5\) repetări.
  3. Pe câte persoane trebuie să întrebați pentru ca, cu probabilitate cel puțin \(1/2\), măcar una dintre ele să fie născută în aceeași zi cu dumneavoastră? Comparați cu pragul \(n=23\) din problema zilelor de naștere și explicați diferența. (Indicație: probabilitatea este \(1-(364/365)^n\).)
  4. Doisprezece colegi organizează un schimb de cadouri: fiecare extrage la întâmplare un bilet cu numele unui coleg. Estimați prin simulare, cu funcția potriviri din Exercițiul 10, probabilitatea ca nimeni să nu își extragă propriul nume și probabilitatea ca exact două persoane să își extragă propriul nume; comparați cu valorile date de exact_k.

Bibliografie

Lecturi recomandate: (Blitzstein and Hwang 2019, cap. 1), (Bertsekas and Tsitsiklis 2008, cap. 1); pentru simulări în R: (Wagaman and Dobrow 2021, cap. 1); pentru o introducere pe îndelete în R: (Davies 2016), (Verzani 2014).

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.
Davies, Tilman M. 2016. The Book of R: A First Course in Programming and Statistics. No Starch Press.
Verzani, John. 2014. Using R for Introductory Statistics. 2nd ed. CRC Press.
Wagaman, Amy S., and Robert P. Dobrow. 2021. Probability with Applications and R. 2nd ed. Wiley.