x <- c(-1, 0, 1, 2) # valorile lui X
p <- (1:4) / 10 # probabilitățile lor: 0.1, ..., 0.4
x^2; x * p; seq(0, 1, by = 0.25); rep(c(0, 1), times = 3)
#> [1] 1 0 1 4
#> [1] -0.1 0.0 0.3 0.8
#> [1] 0.00 0.25 0.50 0.75 1.00
#> [1] 0 1 0 1 0 1
c(suma = sum(p), medie = sum(x * p), E_X2 = sum(x^2 * p))
#> suma medie E_X2
#> 1 1 2
cumsum(p) # F_X în punctele -1, 0, 1, 2
#> [1] 0.1 0.3 0.6 1.0Seminarul 1. Probabilități, variabile aleatoare și primii pași în R
Fișă de lucru (fără rezolvări)
Aceasta este fișa de lucru: enunțurile, exemplele rezolvate, scheletele de cod R și răspunsurile finale pentru exercițiile marcate „Dacă timpul permite” și „Pentru acasă”. Rezolvările complete vor fi publicate ulterior.
Statistica pe care o vom construi în acest semestru folosește la fiecare pas limbajul probabilităților: un eșantion este un vector de variabile aleatoare, o statistică este o variabilă aleatoare, iar proprietățile unui estimator sau ale unui test sunt proprietăți ale repartiției lui. Primele două ședințe reiau, prin exerciții rezolvate complet, noțiunile din Cursul 1: aceasta tratează câmpul de probabilitate, probabilitățile condiționate și variabilele aleatoare singure (repartiție, medie, varianță, transformări), iar Seminarul 2 funcția generatoare de momente, vectorii aleatori și teoremele limită. În paralel facem cunoștință cu limbajul R: fiecare exercițiu are o rezolvare matematică (Seminar) și una în R (Laborator), prin calcul numeric și prin simulare. Codul din rezolvări poate fi copiat și rulat ca atare, iar rezultatele afișate sunt cele obținute cu instrucțiunile din notă.
Obiective. La sfârșitul ședinței studentul trebuie să poată:
- modela un experiment printr-un câmp de probabilitate și calcula probabilități cu formula probabilității totale, formula lui Bayes și independența;
- calcula funcția de repartiție, probabilități, medii, varianțe și cuantile pentru variabile discrete, continue sau mixte;
- determina repartiția unei transformări \(Y=g(X)\): formula pentru \(g\) strict monotonă, metoda funcției de repartiție, formula cu ramuri pentru \(g\) neinjectivă, transformări care produc un atom;
- scrie în R cod vectorizat și funcții simple și folosi funcțiile
d/p/q/rale repartițiilor uzuale,integrateșiuniroot; - simula un experiment aleator (
sample,replicate,mean(conditie)) și verifica prin simulare o formulă teoretică: histogramă față de densitate, funcție de repartiție empirică față de cea teoretică.
Structura. Breviar; primii pași în R; câmp de probabilitate, condiționare și independență; variabile discrete, continue și mixte; transformări ale unei variabile aleatoare; exerciții suplimentare; temă. Pentru limbajul R recomandăm (Davies 2016, cap. 1–10) și (Verzani 2014, cap. 1–4), iar pentru alte exerciții de probabilități, culegerile din bibliografie.
De rezolvat la seminar (în această ordine):
- Exercițiul 2 — filtrul anti-spam: probabilitate totală, Bayes, independență condiționată;
- Exercițiul 5 — o densitate polinomială: funcția de repartiție, momente, cuantile cu
uniroot; - Exercițiul 7 (a), (b), (d), (e) — repartiția log-normală: o transformare monotonă;
- Exercițiul 8 (a)–(c), (e) — abaterea absolută: o transformare cu două ramuri.
Dacă timpul permite:
- Exercițiul 4 — suprarezervarea: repartiția binomială și aproximarea Poisson;
- Exercițiul 6 — timpul de funcționare cenzurat: o variabilă mixtă;
- Exercițiul 9 — limita de detecție: o transformare cu atom.
Pentru acasă:
- Exercițiile 1 (zilele de naștere) și 3 (sistemul în punte);
- exercițiile suplimentare 10, 11 și 12 (Secțiunea 6);
- enunțurile din Secțiunea 7.
Rezolvările complete vor fi publicate ulterior; scheletele de cod R se completează în locurile marcate cu ___. Exercițiile marcate „Dacă timpul permite” și „Pentru acasă” au, după enunț, răspunsurile finale, pentru verificare.
1 Breviar
Folosim rezultatele din prima parte a notei de curs (Cursul 1: câmpul de probabilitate, probabilitatea condiționată și independența, variabilele aleatoare și transformările lor, media și varianța), cu trimiteri precise; demonstrațiile lor sau trimiterile bibliografice se găsesc acolo.
- Probabilitate (Definiția 2 din Cursul 1, Propoziția 3 din Cursul 1): \(\PP(A^c)=1-\PP(A)\); dacă \(A\subseteq B\), atunci \(\PP(B\setminus A)=\PP(B)-\PP(A)\); \(\PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B)\); \(\sigma\)-aditivitatea. În modelul clasic (\(\Omega\) finit, rezultate egal probabile), \(\PP(A)=|A|/|\Omega|\) (Exemplul 1(a) din Cursul 1).
- Condiționare (Definiția 4 din Cursul 1): \(\PP(A\mid B)=\PP(A\cap B)/\PP(B)\), iar \(A\mapsto\PP(A\mid B)\) este o probabilitate (Propoziția 5 din Cursul 1). Pentru un sistem complet de evenimente \((B_i)_i\) cu \(\PP(B_i)>0\) (formula probabilității totale, Teorema 7 din Cursul 1, și formula lui Bayes, Teorema 8 din Cursul 1): \[ \PP(A)=\sum_i\PP(B_i)\,\PP(A\mid B_i),\qquad \PP(B_j\mid A)=\frac{\PP(B_j)\,\PP(A\mid B_j)}{\sum_i\PP(B_i)\,\PP(A\mid B_i)} . \]
- Independență (Definiția 9 din Cursul 1): \(A_1,\dots,A_n\) sunt independente dacă relația de produs \(\PP(A_{i_1}\cap\dots\cap A_{i_k})=\PP(A_{i_1})\cdots\PP(A_{i_k})\) are loc pentru orice subfamilie; independența a două evenimente se păstrează la trecerea la evenimentele contrare (Propoziția 10 din Cursul 1).
- Funcția de repartiție \(F_X(x)=\PP(X\le x)\) (Definiția 13 din Cursul 1) este crescătoare, continuă la dreapta, cu limitele \(0\) și \(1\), și (Propoziția 14 din Cursul 1) \(\PP(a<X\le b)=F_X(b)-F_X(a)\), \(\PP(X<b)=F_X(b-)\), \(\PP(X=b)=F_X(b)-F_X(b-)\). \(X\) este discretă (tabel de repartiție) sau continuă (densitate \(f_X\), cu \(F_X(x)=\int_{-\infty}^xf_X(t)\dd t\)), Definiția 15 din Cursul 1; repartițiile uzuale sunt în Secțiunea 4.3 din Cursul 1. Cuantila de ordin \(p\in(0,1)\) este cel mai mic \(x\) cu \(F_X(x)\ge p\); dacă \(F_X\) este continuă și strict crescătoare acolo unde ia valori în \((0,1)\), ea este unica soluție a ecuației \(F_X(x)=p\). Mediana este cuantila de ordin \(\frac12\).
- Medie și varianță (Definițiile 21 din Cursul 1 și 24 din Cursul 1): \(\E[X]=\sum_ix_ip_i\), respectiv \(\int_{\R}xf_X(x)\dd x\); formula de transport (Teorema 22 din Cursul 1): \(\E[g(X)]=\sum_ig(x_i)p_i\), respectiv \(\int_{\R}g(x)f_X(x)\dd x\), dacă seria sau integrala converge absolut; \(\E[\Ind_A]=\PP(A)\) (Propoziția 23 din Cursul 1); \(\Var(X)=\E[X^2]-(\E X)^2\) și \(\Var(aX+b)=a^2\Var(X)\) (Propoziția 25 din Cursul 1); valorile pentru repartițiile uzuale: Exemplul 16 din Cursul 1. Inegalitatea lui Cebîșev (Propoziția 26(b) din Cursul 1): \(\PP(|X-\E X|\ge\varepsilon)\le\Var(X)/\varepsilon^2\).
- Transformări \(Y=g(X)\) (Secțiunea 4.4 din Cursul 1). Dacă \(X\) este discretă, \(\PP(Y=y)=\sum_{i:\,g(x_i)=y}\PP(X=x_i)\). Metoda funcției de repartiție, pentru orice \(g\): \(F_Y(y)=\PP(X\in A_y)\), cu \(A_y=\{x:\ g(x)\le y\}\); dacă \(F_Y\) este continuă și are derivata continuă în afara unui număr finit de puncte, atunci \(Y\) are densitatea \(F_Y'\) (Lema 16 din Cursul 1). Transformări strict monotone (Teorema 17 din Cursul 1): dacă \(f_X\) este nulă în afara intervalului deschis \(I\), iar \(g\) este strict monotonă și derivabilă pe \(I\), cu \(g'\ne0\), atunci \(f_Y(y)=f_X\big(g^{-1}(y)\big)\,\big|(g^{-1})'(y)\big|\) pe \(g(I)\); în particular, dacă \(X\sim\Norm(\mu,\sigma^2)\), atunci \((X-\mu)/\sigma\sim\Norm(0,1)\) și \(F_X(x)=\Phi\big(\frac{x-\mu}{\sigma}\big)\) (Propoziția 18 din Cursul 1). Transformări neinjective (Teorema 19 din Cursul 1): dacă \(g\) este strict monotonă și derivabilă, cu \(g'\ne0\), pe fiecare dintre intervalele deschise disjuncte \(I_1,I_2,\dots\) (ramurile), cu \(\PP(X\in\bigcup_kI_k)=1\), atunci, notând \(J_k=g(I_k)\) și \(h_k:J_k\to I_k\) inversa lui \(g\) pe \(I_k\), \[ f_Y(y)=\sum_kf_X\big(h_k(y)\big)\,\big|h_k'(y)\big|\,\Ind_{J_k}(y) . \] Imaginile \(J_k\) pot fi diferite, deci numărul termenilor depinde de \(y\) (Exemplul 11 din Cursul 1). Dacă \(g\) este constantă pe o mulțime de probabilitate pozitivă pentru \(X\), atunci \(g(X)\) are un atom și nu are densitate (Exemplul 13 din Cursul 1).
c(),a:b,seq(),rep()— construirea vectorilor; operațiile aritmetice și funcțiile matematice se aplică element cu element;sum,prod,cumsum,mean,var;pmin,pmax— minimul și maximul element cu element.x[conditie]— indexare logică;mean(conditie)— proporția valorilorTRUE, adică o frecvență relativă;mean(A[B])estimează \(\PP(A\mid B)\).function(x) ...— definirea unei funcții;ifelse(cond, a, b)— funcții pe ramuri, vectorizat;sapply(v, f)— aplicăffiecărui element al luiv;tapply(p, g, sum)— sume pe grupe.set.seed(k)— fixează generatorul de numere aleatoare (rezultate reproductibile);sample(x, size, replace, prob)— extrageri dinx;replicate(m, expr)— evaluează demori o expresie aleatoare.table(v)— numără aparițiile fiecărei valori;any(cond)—TRUEdacă cel puțin un element esteTRUE;rbind(a, b)— așază vectorii ca linii ale unui tabel;matrix(v, ncol = k)— așază vectorulvpekcoloane.- prefixele
d,p,q,rurmate de numele repartiției (binom,pois,geom,unif,exp,norm,lnorm): funcția de masă sau densitatea, funcția de repartiție, cuantila, generarea de valori. integrate(f, a, b)$value— integrală numerică;uniroot(h, c(a, b))$root— o rădăcină a ecuației \(h(x)=0\) în \([a,b]\), când \(h(a)\) și \(h(b)\) au semne contrare.curve(expr, a, b)— graficul unei expresii înx;hist(y, freq = FALSE)— histograma normalizată (aria totală \(1\)), care se compară cu densitatea;ecdf(y)— funcția de repartiție empirică \(F_n(t)=\frac1n\#\{i:\ y_i\le t\}\);quantile(y, p)— cuantile empirice.
2 Primii pași în R
R este un limbaj de programare și un mediu de lucru dedicat calculului statistic și graficii, liber și disponibil pe toate sistemele de operare. Îl folosim, de obicei, prin interfața RStudio: scriem codul într-un script (fișier .R) sau într-un document Quarto (ca aceste note), îl trimitem în consolă (Ctrl+Enter pentru linia curentă) și urmărim rezultatele. În blocurile de cod de mai jos, liniile care încep cu #> sunt rezultatele afișate de R; celelalte pot fi copiate și rulate ca atare. Comentariile încep cu #, atribuirea se face cu <-, mai multe instrucțiuni pe aceeași linie se separă prin ;, iar documentația unei funcții se deschide cu ?mean. Parcurgem aici strictul necesar pentru ședințele următoare.
Vectori și operații vectorizate. Vectorul este structura de bază a limbajului: chiar și un număr este un vector de lungime \(1\). Vectorii se construiesc cu c() (concatenare), cu operatorul :, cu seq() și cu rep(), iar operațiile se aplică element cu element, fără bucle. Ca exemplu, descriem o variabilă aleatoare discretă \(X\), cu valorile \(-1,0,1,2\) și probabilitățile \(0.1,0.2,0.3,0.4\), prin doi vectori.
Formulele \(\E[X]=\sum_ix_ip_i\) și \(\E[X^2]=\sum_ix_i^2p_i\) se transcriu direct: \(\E[X]=1\) și \(\E[X^2]=2\), deci \(\Var(X)=2-1^2=1\); sumele cumulate ale probabilităților sunt valorile funcției de repartiție în punctele de salt. Funcția c() poate da nume elementelor, ceea ce face rezultatele ușor de citit.
Cum citim rezultatele. O expresie scrisă fără atribuire își afișează, de regulă, valoarea. Cele patru instrucțiuni de pe linia a treia a blocului produc deci patru linii de rezultat, în ordine: pătratele valorilor (\(1,0,1,4\)), produsele \(x_ip_i\), vectorul \(0,0.25,\dots,1\) construit de seq și vectorul \(0,1,0,1,0,1\) construit de rep. Prefixul [1] este poziția primului element afișat pe linia respectivă: un vector lung continuă pe linia următoare, care începe, de exemplu, cu [14]. Un vector cu nume (linia a patra a blocului) este afișat pe două rânduri: numele și, sub ele, valorile. Operațiile dintre un vector și un număr, ca (1:4) / 10, se fac cu fiecare element, iar cele dintre doi vectori de aceeași lungime, ca x * p, se fac poziție cu poziție: de aceea sum(x * p) este chiar \(\sum_ix_ip_i\).
Indexarea logică. O comparație aplicată unui vector întoarce un vector logic (TRUE/FALSE), cu care putem selecta elemente. În calcule, TRUE și FALSE devin \(1\) și \(0\): suma unui vector logic este numărul valorilor TRUE, iar media lui este proporția acestora.
x >= 1 # vector logic
#> [1] FALSE FALSE TRUE TRUE
x[x >= 1]; sum(p[x >= 1]) # valorile selectate și P(X >= 1)
#> [1] 1 2
#> [1] 0.7
x[which(cumsum(p) >= 0.5)[1]] # mediana: cel mai mic x cu F(x) >= 1/2
#> [1] 1
tapply(p, x^2, sum) # repartiția lui X^2: sume pe grupe
#> 0 1 4
#> 0.2 0.4 0.4Funcția which întoarce pozițiile în care condiția este adevărată; prima dintre ele dă mediana, \(1\) (ecuația \(F_X(x)=\frac12\) nu are soluție: funcția de repartiție „sare” de la \(0.3\) la \(0.6\) în punctul \(1\)). Ultima linie adună probabilitățile \(p_i\) pe grupele de valori egale ale lui \(x_i^2\): este formula \(\PP(X^2=y)=\sum_{i:\,x_i^2=y}p_i\) pentru transformările discrete, deci \(X^2\) ia valorile \(0,1,4\) cu probabilitățile \(0.2,0.4,0.4\).
Funcții. O funcție se definește cu function(argumente) corp; rezultatul este valoarea ultimei expresii evaluate. Argumentele pot avea valori implicite și pot fi date, la apel, prin poziție sau prin nume.
momente <- function(x, p = rep(1 / length(x), length(x))) {
m <- sum(x * p) # media
c(medie = m, varianta = sum((x - m)^2 * p))
}
momente(x, p) # variabila X de mai sus
#> medie varianta
#> 1 1
momente(1:6) # implicit: uniformă pe valori (un zar)
#> medie varianta
#> 3.500 2.917
F_X <- function(t) sapply(t, function(u) sum(p[x <= u])) # P(X <= t)
F_X(c(-2, 0.5, 0.999, 1, 3))
#> [1] 0.0 0.3 0.3 0.6 1.0Pentru zar regăsim media \(3.5\) și varianța \(\frac{35}{12}\approx2.917\). sapply aplică funcția din al doilea argument fiecărui element al vectorului t, deci F_X acceptă un vector de puncte; valorile \(F_X(0.999)=0.3\) și \(F_X(1)=0.6\) arată saltul din \(x=1\), de mărime \(\PP(X=1)=0.3\). O funcție definită pe ramuri se scrie vectorizat cu ifelse(conditie, da, nu), pe care îl vom folosi des.
Simularea unui experiment. Calculatorul produce numere pseudo-aleatoare, care se comportă ca realizări ale unor variabile independente (algoritmii vor fi studiați în Cursul 4); set.seed fixează starea inițială a generatorului, deci rezultatele sunt reproductibile. Funcția sample(x, size, replace, prob) extrage size elemente din vectorul x, fără întoarcere (implicit) sau cu întoarcere (replace = TRUE), cu probabilitățile prob (implicit egale); dacă primul argument este un număr natural n, extragerea se face din 1:n.
set.seed(2026)
sample(1:6, size = 10, replace = TRUE) # 10 aruncări ale unui zar
#> [1] 5 1 1 6 5 3 4 4 5 4
val <- sample(x, size = 1e4, replace = TRUE, prob = p) # 10^4 valori
table(val) / length(val) # frecvențele relative
#> val
#> -1 0 1 2
#> 0.1031 0.1939 0.3009 0.4021
c(medie = mean(val), varianta = var(val), P_X_ge_1 = mean(val >= 1))
#> medie varianta P_X_ge_1
#> 1.002 1.008 0.703Funcția table numără aparițiile fiecărei valori; împărțind la numărul de valori obținem frecvențele relative. Acestea sunt apropiate de probabilitățile \(0.1,0.2,0.3,0.4\), media și varianța valorilor simulate de \(\E[X]=1\) și \(\Var(X)=1\), iar mean(val >= 1) de \(\PP(X\ge1)=0.7\): este interpretarea frecvențială a probabilității, justificată de legea numerelor mari (Teorema 61 din Cursul 1). (Funcția var împarte suma pătratelor abaterilor la \(n-1\), nu la \(n\); diferența va fi discutată la estimatori, în Cursul 7.)
Cum se citesc table și mean(conditie). Rezultatul lui table este afișat, sub numele vectorului (val), pe două rânduri: sus sunt valorile distincte întâlnite (în ordine crescătoare), iar jos numărul de apariții al fiecăreia; împărțirea la length(val) se face element cu element, deci rândul de jos devine rândul frecvențelor relative (mai sus: valoarea \(-1\) a apărut în \(10.31\%\) dintre extrageri, valoarea \(0\) în \(19.39\%\) ș.a.m.d.). O condiție aplicată unui vector dă un vector logic de aceeași lungime; sum numără valorile TRUE, iar mean împarte acest număr la lungimea vectorului. Dacă restrângem mai întâi vectorul la pozițiile care îndeplinesc o condiție B, media devine o frecvență condiționată: mean(A[B]) este proporția valorilor cu proprietatea A printre cele cu proprietatea B, adică o estimare a lui \(\PP(A\mid B)\).
v <- c(3, 8, 5, 1, 9) # un vector mic, ca să urmărim calculul
v > 4; sum(v > 4); mean(v > 4) # 3 valori din 5 sunt mai mari decât 4
#> [1] FALSE TRUE TRUE FALSE TRUE
#> [1] 3
#> [1] 0.6
tab <- table(val); tab # numărul de apariții al fiecărei valori
#> val
#> -1 0 1 2
#> 1031 1939 3009 4021
tab[["2"]] / length(val) # frecvența relativă a valorii 2
#> [1] 0.4021
c(cate = sum(val >= 1), proportie = mean(val >= 1)) # evenimentul X >= 1
#> cate proportie
#> 7030.000 0.703
mean(val[val >= 0] == 2) # frecvența lui X = 2 printre X >= 0
#> [1] 0.4483Vectorul v > 4 are trei valori TRUE, deci suma lui este \(3\), iar media \(\frac35=0.6\). În eșantionul simulat, valoarea \(2\) a apărut de \(4021\) de ori din \(10^4\) (frecvența \(0.4021\), de comparat cu \(\PP(X=2)=0.4\)), iar \(7030\) de valori sunt cel puțin \(1\), de unde proporția \(0.703\). Ultima linie păstrează întâi cele \(8969\) de valori nenegative (val[val >= 0]) și calculează apoi proporția celor egale cu \(2\): \(\frac{4021}{8969}\approx0.448\), o estimare a probabilității condiționate \(\PP(X=2\mid X\ge0)=\frac{0.4}{0.9}\approx0.444\). Vom folosi această construcție în toate simulările cu probabilități condiționate.
Schema generală pentru estimarea unei probabilități prin simulare: scriem o expresie care simulează o realizare a experimentului și întoarce TRUE sau FALSE, după cum s-a realizat evenimentul, o repetăm de \(m\) ori cu replicate și calculăm media. Exemplu (problema cavalerului de Méré): este mai probabil să obținem cel puțin un \(6\) în \(4\) aruncări ale unui zar (evenimentul \(A\)) sau cel puțin o dublă de \(6\) în \(24\) de aruncări ale unei perechi de zaruri (evenimentul \(B\))? Aruncările fiind independente, evenimentele contrare au probabilitățile \((5/6)^4\) și \((35/36)^{24}\), deci \(\PP(A)=1-(5/6)^4\approx0.5177\) și \(\PP(B)=1-(35/36)^{24}\approx0.4914\).
set.seed(1654)
m <- 1e5
A <- replicate(m, any(sample(6, 4, replace = TRUE) == 6))
B <- replicate(m, any(sample(6, 24, replace = TRUE) == 6 &
sample(6, 24, replace = TRUE) == 6))
rbind(simulare = c(A = mean(A), B = mean(B)),
exact = c(1 - (5/6)^4, 1 - (35/36)^24))
#> A B
#> simulare 0.5178 0.4943
#> exact 0.5177 0.4914Funcția any întoarce TRUE dacă cel puțin un element al vectorului logic este TRUE, iar rbind așază rezultatele pe linii, pentru comparație. Cele două probabilități diferă cu doar \(0.026\), dar \(10^5\) repetări sunt suficiente pentru a le distinge: eroarea tipică a unei frecvențe relative calculate din \(m\) repetări independente este \(\sqrt{p(1-p)/m}\approx0.0016\) (vom justifica formula în Seminarul 2).
Bucle și condiții. for (k in v) {...} repetă un bloc de instrucțiuni pentru fiecare element al vectorului v, iar while (conditie) {...} îl repetă cât timp condiția este adevărată — potrivit când nu știm dinainte numărul de pași; if (conditie) {...} else {...} execută condiționat (aici condiția este un singur TRUE sau FALSE; varianta vectorizată este ifelse). Buclele explicite sunt mult mai lente decât operațiile vectorizate, deci le folosim numai când pașii depind unul de altul. Exemplu: aruncăm un zar până la primul \(6\); numărul \(X\) de aruncări are repartiția \(\Geom(1/6)\), cu \(\E[X]=6\) (Secțiunea 4.3 din Cursul 1) și \(\PP(X\le3)=1-(5/6)^3\approx0.4213\).
pana_la_6 <- function() { # numărul de aruncări până la primul 6
k <- 0; zar <- 0
while (zar != 6) {
zar <- sample(6, 1) # o aruncare a zarului
k <- k + 1
}
k
}
set.seed(3)
nr <- replicate(1e4, pana_la_6()) # 10^4 repetări ale experimentului
c(medie = mean(nr), P_cel_mult_3 = mean(nr <= 3), exact = 1 - (5/6)^3)
#> medie P_cel_mult_3 exact
#> 6.0354 0.4218 0.4213Media celor \(10^4\) valori simulate este apropiată de \(6\), iar frecvența relativă a evenimentului \(\{X\le3\}\) de \(0.4213\).
Repartițiile uzuale: funcțiile d, p, q, r. Pentru fiecare repartiție din Secțiunea 4.3 din Cursul 1, R are patru funcții, cu prefixele d (funcția de masă sau densitatea), p (funcția de repartiție), q (cuantila) și r (generarea de valori aleatoare), urmate de numele repartiției: binom, pois, geom, unif, exp, norm etc. Primul argument este punctul (sau vectorul de puncte) în care se face calculul — pentru q, ordinul cuantilei, iar pentru r, numărul de valori generate —, urmat de parametrii repartiției. Le încercăm întâi pe două repartiții simple: \(X\sim\Bin(4,\frac12)\), numărul de răspunsuri corecte ale unui student care răspunde la întâmplare la \(4\) întrebări cu câte două variante, și \(T\sim\Exp(2)\).
k <- 0:4 # valorile lui X ~ Bin(4, 1/2)
rbind(k = k, d = dbinom(k, 4, 0.5), p = pbinom(k, 4, 0.5))
#> [,1] [,2] [,3] [,4] [,5]
#> k 0.0000 1.0000 2.0000 3.0000 4.0000
#> d 0.0625 0.2500 0.3750 0.2500 0.0625
#> p 0.0625 0.3125 0.6875 0.9375 1.0000
qbinom(c(0.1, 0.5, 0.9), 4, 0.5) # cuantile: cel mai mic k cu F(k) >= p
#> [1] 1 2 3
set.seed(10); rbinom(12, 4, 0.5) # 12 valori simulate ale lui X
#> [1] 2 1 2 3 1 1 1 1 2 2 2 2
c(d = dexp(0.5, rate = 2), p = pexp(0.5, rate = 2), # T ~ Exp(2)
q = qexp(1 - exp(-1), rate = 2))
#> d p q
#> 0.7358 0.6321 0.5000Tabelul se citește pe coloane: pentru \(k=1\), rândul d dă \(\PP(X=1)=\binom41\frac1{16}=0.25\), iar rândul p dă \(\PP(X\le1)=0.0625+0.25=0.3125\); rândul p este suma cumulată a rândului d. Funcția q inversează funcția p: cuantila de ordin \(0.9\) este \(3\), deoarece \(F_X(2)=0.6875<0.9\le F_X(3)=0.9375\), iar cea de ordin \(0.1\) este \(1\), deoarece \(F_X(0)=0.0625<0.1\le F_X(1)\). Funcția r întoarce valori simulate — altele la fiecare apel, aceleași dacă fixăm sămânța. Pentru variabila continuă \(T\), dexp(0.5, rate = 2) este valoarea densității, \(2e^{-1}\approx0.736\) (nu o probabilitate), pexp dă \(\PP(T\le0.5)=1-e^{-1}\approx0.632\), iar qexp, aplicată tocmai acestei probabilități, întoarce punctul de plecare, \(0.5\).
Un exemplu cu repartiția normală. Notele la un examen sunt aproximativ repartizate \(\Norm(6.5,\,1.5^2)\). Ce proporție dintre studenți obțin peste \(8\)? Dar între \(5\) și \(9\)? Care este nota minimă a celor mai buni \(10\%\) dintre studenți? Prin standardizare (Propoziția 18(b) din Cursul 1), \(\PP(X>8)=1-\Phi(1)\) și \(\PP(5<X<9)=\Phi\big(\frac53\big)-\Phi(-1)\), iar nota căutată este cuantila de ordin \(0.9\), adică \(6.5+1.5\,z_{0.9}\), cu \(z_{0.9}=\Phi^{-1}(0.9)\).
c(peste_8 = 1 - pnorm(8, mean = 6.5, sd = 1.5),
intre_5_9 = pnorm(9, 6.5, 1.5) - pnorm(5, 6.5, 1.5),
top_10 = qnorm(0.9, 6.5, 1.5), formula = 6.5 + 1.5 * qnorm(0.9))
#> peste_8 intre_5_9 top_10 formula
#> 0.1587 0.7936 8.4223 8.4223
c(dbinom(2, 5, 0.1587), 1 - pbinom(1, 5, 0.1587)) # N ~ Bin(5, 0.1587)
#> [1] 0.150 0.181
c(E_Z2 = integrate(function(t) t^2 * dnorm(t), -Inf, Inf)$value,
z_0.975 = uniroot(function(t) pnorm(t) - 0.975, c(0, 5))$root)
#> E_Z2 z_0.975
#> 1.00 1.96Aproximativ \(15.9\%\) dintre studenți au peste \(8\), \(79.4\%\) au note între \(5\) și \(9\), iar cei mai buni \(10\%\) au cel puțin \(8.42\). Dacă alegem la întâmplare \(5\) studenți, numărul \(N\) al celor cu nota peste \(8\) are repartiția \(\Bin(5,0.1587)\): dbinom dă \(\PP(N=2)\approx0.150\), iar 1 - pbinom(1, ...) dă \(\PP(N\ge2)=1-\PP(N\le1)\approx0.181\). Funcțiile sunt obiecte ca oricare altele și pot fi transmise ca argumente: integrate calculează numeric \(\E[Z^2]=\int_{\R}z^2\phi(z)\dd z=1\) pentru \(Z\sim\Norm(0,1)\) (formula de transport), iar uniroot rezolvă ecuația \(\Phi(t)=0.975\), adică găsește cuantila \(z_{0.975}\approx1.96\) (pe care o dă direct și qnorm(0.975)).
- Repartiția normală se parametrizează în R prin abaterea standard (
sd), nu prin varianță, iar cea exponențială prin rată:pexp(x, rate = lambda). - Pentru o variabilă continuă, funcțiile
dîntorc valoarea densității, care nu este o probabilitate; probabilitățile se calculează cu funcțiilep. dgeomșirgeomnumără eșecurile dinaintea primului succes: pentru \(X\sim\Geom(p)\) (numărul încercării la care apare primul succes), \(\PP(X=k)\) estedgeom(k - 1, p).
Un grafic. Funcția curve desenează graficul unei expresii care depinde de x, iar hist(..., freq = FALSE) histograma normalizată a unui eșantion (aria totală a dreptunghiurilor este \(1\)), peste care se poate suprapune densitatea, cu add = TRUE; par(mfrow = c(1, 2)) împarte fereastra grafică în două panouri. Culorile sunt luate din vectorul culori, folosit în toate graficele din notă: înainte de a rula codul, definiți-l prin culori <- c(albastru = "#2B6CB0", rosu = "#9B2335") sau folosiți direct nume de culori (col = "blue").
par(mfrow = c(1, 2), mar = c(4, 4, 1.5, 1), cex = 0.75)
curve(pnorm(x, 6.5, 1.5), from = 2, to = 11, lwd = 2, ylab = "",
col = culori[["albastru"]], main = "pnorm și dnorm")
curve(dnorm(x, 6.5, 1.5), add = TRUE, lwd = 2, lty = 2,
col = culori[["rosu"]])
set.seed(3)
note <- rnorm(1000, 6.5, 1.5) # 1000 de note simulate
hist(note, breaks = 30, freq = FALSE, col = "grey88", border = "white",
main = "Histogramă și densitate", xlab = "x", ylab = "densitate")
curve(dnorm(x, 6.5, 1.5), add = TRUE, lwd = 2, col = culori[["rosu"]])În stânga sunt funcția de repartiție (linia continuă) și densitatea (linia întreruptă) ale repartiției \(\Norm(6.5,1.5^2)\); în dreapta, histograma celor \(1000\) de valori simulate urmează densitatea teoretică. Aceasta este verificarea grafică pe care o vom folosi în toată ședința pentru densitățile obținute prin calcul.
3 Câmp de probabilitate, condiționare și independență
Primul pas în rezolvarea oricărei probleme de probabilități este alegerea modelului: ce este \(\Omega\), care sunt evenimentele și cum atribuim probabilitățile. Primul exercițiu este un calcul clasic în modelul cu rezultate egal probabile, în care intuiția ne înșală; al doilea inversează o condiționare cu formula lui Bayes; al treilea folosește independența pentru a calcula fiabilitatea unui sistem. În toate trei, simularea repetă experimentul de multe ori și compară frecvențele relative cu probabilitățile calculate.
Începem cu un exemplu scurt, care arată pe un caz foarte simplu cei trei pași ai unui calcul cu probabilități condiționate — traducerea enunțului în evenimente, formula probabilității totale, formula lui Bayes — și verificarea lor prin simulare.
Într-o cutie sunt două monede: una corectă și una falsă, cu stema pe ambele fețe. Alegem la întâmplare o monedă și o aruncăm de două ori. Care este probabilitatea să obținem de două ori stema? Dacă am obținut de două ori stema, care este probabilitatea ca moneda aleasă să fie cea falsă? Sunt independente rezultatele celor două aruncări?
Seminar Traducerea enunțului. Fie \(H\) = „moneda aleasă este cea falsă” și \(S_i\) = „la aruncarea \(i\) apare stema”, \(i=1,2\). Enunțul dă probabilitățile „cauzelor”, \(\PP(H)=\PP(H^c)=\frac12\), și probabilități condiționate de cauză: \(\PP(S_i\mid H)=1\) și \(\PP(S_i\mid H^c)=\frac12\). Pentru o monedă dată, aruncările sunt independente, deci \[ \PP(S_1\cap S_2\mid H)=1\cdot1=1,\qquad \PP(S_1\cap S_2\mid H^c)=\frac12\cdot\frac12=\frac14 . \]
Probabilitatea totală. Nu știm ce monedă a fost aleasă, deci descompunem evenimentul \(S_1\cap S_2\) după cele două posibilități; \(\{H,H^c\}\) este un sistem complet de evenimente, cu probabilități pozitive, iar Teorema 7 din Cursul 1 dă \[ \PP(S_1\cap S_2)=\PP(H)\,\PP(S_1\cap S_2\mid H)+\PP(H^c)\,\PP(S_1\cap S_2\mid H^c)=\frac12\cdot1+\frac12\cdot\frac14=\frac58 . \] Deci \(\PP(S_1\cap S_2)=\frac58\).
Formula lui Bayes. Acum cunoaștem „efectul” \(S_1\cap S_2\) și întrebăm despre „cauza” \(H\). În Teorema 8 din Cursul 1, numărătorul este termenul lui \(H\) din suma de mai sus, iar numitorul este toată suma: \[ \PP(H\mid S_1\cap S_2)=\frac{\PP(H)\,\PP(S_1\cap S_2\mid H)}{\PP(S_1\cap S_2)}=\frac{1/2}{5/8}=\frac45 . \] Două steme la rând ridică probabilitatea monedei false de la \(0.5\) (a priori) la \(0.8\) (a posteriori).
Independența. La fel ca mai sus, \(\PP(S_1)=\PP(S_2)=\frac12\cdot1+\frac12\cdot\frac12=\frac34\), deci \(\PP(S_1)\PP(S_2)=\frac9{16}\ne\frac58=\PP(S_1\cap S_2)\): relația de produs din Definiția 9 din Cursul 1 nu are loc, deci cele două aruncări nu sunt independente, deși sunt independente pentru fiecare monedă în parte. Explicația: o stemă la prima aruncare face mai probabilă moneda falsă și, prin aceasta, o stemă la a doua: \(\PP(S_2\mid S_1)=\frac{5/8}{3/4}=\frac56>\frac34=\PP(S_2)\) (Definiția 4 din Cursul 1).
Laborator Simulăm \(10^5\) repetări ale experimentului, toate deodată. runif(M) < q este un vector logic ale cărui elemente sunt TRUE cu probabilitatea q, independent unele de altele; q poate fi și un vector, cu câte o probabilitate pentru fiecare repetare — aici pS, construit cu ifelse după moneda extrasă. Probabilitățile condiționate se estimează cu mean(A[B]).
set.seed(101); M <- 1e5
falsa <- runif(M) < 0.5 # moneda aleasă este cea falsă?
pS <- ifelse(falsa, 1, 0.5) # probabilitatea stemei, pe repetări
s1 <- runif(M) < pS; s2 <- runif(M) < pS # cele două aruncări
c(P_SS = mean(s1 & s2), P_falsa_dat_SS = mean(falsa[s1 & s2]),
P_S2_dat_S1 = mean(s2[s1]), P_S2 = mean(s2))
#> P_SS P_falsa_dat_SS P_S2_dat_S1 P_S2
#> 0.6253 0.8014 0.8344 0.7518Cele patru frecvențe sunt, în ordine, apropiate de valorile calculate: \(0.6253\) față de \(\frac58=0.625\); \(0.8014\) față de \(\frac45=0.8\); \(0.8344\) față de \(\frac56\approx0.8333\); \(0.7518\) față de \(\frac34=0.75\). Exercițiile care urmează repetă aceiași pași în situații mai bogate: mai multe observații (Exercițiul 2) sau un sistem cu mai multe componente (Exercițiul 3).
Pentru acasă Într-o grupă sunt \(n\) studenți. Presupunem că anul are \(365\) de zile (ignorăm \(29\) februarie), că fiecare student este născut în oricare dintre zile cu aceeași probabilitate și că zilele de naștere ale studenților sunt independente.
Calculați probabilitatea \(p_n\) ca cel puțin doi studenți să fie născuți în aceeași zi. Care este cel mai mic \(n\) pentru care \(p_n>1/2\)?
Arătați că \(p_n\ge1-\exp\big(-\frac{n(n-1)}{730}\big)\) și explicați, cu ajutorul acestei margini, ordinul de mărime al răspunsului de la (a).
Care este probabilitatea ca cel puțin unul dintre ceilalți \(n-1\) studenți să fie născut în aceeași zi cu un student fixat (de exemplu, cu dumneavoastră)? Câți colegi sunt necesari pentru ca această probabilitate să depășească \(1/2\)? Explicați diferența față de (a).
În R: calculați \(p_n\) pentru \(n=1,\dots,70\), comparați cu marginea de la (b) și estimați \(p_{23}\) prin simulare.
Laborator Schelet de cod pentru (d) — completați locurile marcate cu ___:
# p_n pentru n = 1, ..., 70: 1 minus produsul factorilor 1 - k/365
p_n <- sapply(1:70, function(n) ___)
which(p_n > 0.5)[1] # primul n cu p_n > 1/2
n <- c(10, 20, 22, 23, 30, 50, 57)
round(rbind(exact = p_n[n], aprox = ___), 4) # aprox: marginea de la (b)
set.seed(1)
coincid <- replicate(1e4, # o grupă de 23: coincidență?
___) # sample + anyDuplicated
c(simulare = mean(coincid), exact = p_n[23])\(p_{22}\approx0.4757<\frac12<p_{23}\approx0.5073\), deci \(\boxed{n_{\min}=23}\).
pragul este \(n\approx\sqrt{730\ln2}\approx22.5\).
\(\boxed{n-1\ge253}\) de colegi.
Frecvența relativă a grupelor cu cel puțin o coincidență, \(0.5026\), este apropiată de \(p_{23}\approx0.5073\).
Formula probabilității totale descompune un eveniment după „cauzele” posibile, iar formula lui Bayes inversează condiționarea: de la \(\PP(\text{efect}\mid\text{cauză})\) la \(\PP(\text{cauză}\mid\text{efect})\). Exemplul 3 din Cursul 1 a ilustrat acest mecanism pentru o singură observație; aici îl aplicăm unui clasificator care observă două cuvinte.
La seminar Dintre mesajele primite de un server, \(40\%\) sunt spam. Cuvântul „gratuit” apare în \(25\%\) dintre mesajele spam și în \(2\%\) dintre mesajele legitime, iar cuvântul „câștig” apare în \(20\%\) dintre mesajele spam și în \(1\%\) dintre cele legitime.
Ce proporție dintre mesaje conțin cuvântul „gratuit”? Care este probabilitatea ca un mesaj care conține acest cuvânt să fie spam?
Presupunem că aparițiile celor două cuvinte sunt independente condiționat de tipul mesajului (independente printre mesajele spam și independente printre cele legitime). Care este probabilitatea ca un mesaj care conține ambele cuvinte să fie spam? Dar a unui mesaj care conține „gratuit”, dar nu conține „câștig”?
Sunt evenimentele „mesajul conține «gratuit»” și „mesajul conține «câștig»” independente (necondiționat)?
În R: calculați probabilitățile de la (a) și (b) cu o funcție și verificați-le, împreună cu (c), simulând \(2\cdot10^5\) mesaje.
Laborator Schelet de cod pentru (d) — completați locurile marcate cu ___:
prior <- c(0.4, 0.6) # P(S), P(S^c)
pG <- c(0.25, 0.02); pC <- c(0.20, 0.01) # P(G | tip), P(C | tip)
bayes <- function(verosim) ___ # P(S | observație), cu formula lui Bayes
c(G = bayes(pG), GC = bayes(___), G_nonC = bayes(___))
set.seed(12); M <- 2e5 # simulare: 2 * 10^5 mesaje
S <- runif(M) < 0.4 # mesajul este spam?
G <- runif(M) < ___ # conține „gratuit”?
C <- runif(M) < ___ # conține „câștig”?
c(G = mean(___), GC = mean(___), G_nonC = mean(___), # P(S | ...) estimate
P_GC = mean(G & C), P_G_ori_P_C = mean(G) * mean(C))În exercițiul următor avem nevoie de extinderea Propoziției 10 din Cursul 1 la \(m\) evenimente: dacă \(A_1,\dots,A_m\) sunt independente și înlocuim oricâte dintre ele cu evenimentele contrare, obținem tot evenimente independente. Este suficient să înlocuim un singur eveniment, de exemplu \(A_1\) (ordinea nu contează în Definiția 9 din Cursul 1, iar înlocuirile se fac una câte una). Pentru subfamiliile care nu îl conțin pe \(A_1^c\), relația de produs este cea din ipoteză. Considerăm o subfamilie care îl conține; fie \(J\subseteq\{2,\dots,m\}\) mulțimea (nevidă) a celorlalți indici și \(D=\bigcap_{i\in J}A_i\). Din \(D=(A_1\cap D)\cup(A_1^c\cap D)\), reuniune disjunctă, și din relațiile de produs ale evenimentelor \(A_1,\dots,A_m\) pentru subfamiliile \(J\) și \(\{1\}\cup J\), \[ \PP(A_1^c\cap D)=\PP(D)-\PP(A_1\cap D)=\prod_{i\in J}\PP(A_i)-\PP(A_1)\prod_{i\in J}\PP(A_i)=\PP(A_1^c)\prod_{i\in J}\PP(A_i), \] adică relația de produs pentru subfamilia considerată. Două consecințe, pentru componente independente care funcționează cu probabilitățile \(p_1,\dots,p_m\): un sistem în serie (funcționează dacă toate componentele funcționează) are probabilitatea de funcționare \(p_1\cdots p_m\), iar unul în paralel (funcționează dacă cel puțin o componentă funcționează) cedează numai dacă toate componentele cedează, deci funcționează cu probabilitatea \(1-(1-p_1)\cdots(1-p_m)\).
Pentru acasă Un sistem este format din \(5\) componente, dispuse „în punte”: componentele \(1\) și \(2\) leagă, în această ordine, nodul \(S\) de nodul \(T\) prin nodul interior \(u\), componentele \(3\) și \(4\) leagă, tot în această ordine, \(S\) de \(T\) prin nodul interior \(v\), iar componenta \(5\) (puntea) leagă nodurile \(u\) și \(v\). Fiecare componentă funcționează cu probabilitatea \(p\in(0,1)\), independent de celelalte. Sistemul funcționează dacă există un drum de la \(S\) la \(T\) format numai din componente funcționale.
Calculați probabilitatea de funcționare \(R(p)\) a sistemului și evaluați-o pentru \(p=0.9\).
Știind că sistemul funcționează, care este probabilitatea ca puntea să funcționeze?
În R: verificați (a) și (b) simulând \(10^5\) sisteme cu \(p=0.9\).
Laborator Schelet de cod pentru (c) — completați locurile marcate cu ___:
R <- function(p) ___ # R(p), formula de la (a)
set.seed(4); p <- 0.9; M <- 1e5
x <- matrix(runif(5 * M) < p, ncol = 5) # stările celor 5 componente
fct <- (x[, 1] & x[, 2]) | (x[, 3] & x[, 4]) | # drumurile fără punte
___ # drumurile prin punte
c(simulare = mean(fct), exact = R(p),
P_K_dat_F = mean(___), exact_b = 0.9 * 0.9801 / R(0.9))\(R(p)=2p^2+2p^3-5p^4+2p^5\); \(R(0.9)=0.97848\).
probabilitatea ca puntea să funcționeze, știind că sistemul funcționează, este \(\frac{0.9\cdot0.9801}{0.97848}\approx0.9015\), puțin peste probabilitatea a priori \(0.9\).
proporția sistemelor simulate care funcționează este \(0.9779\), iar printre acestea puntea funcționează în proporție de \(0.9017\).
4 Variabile aleatoare discrete, continue și mixte
O variabilă aleatoare este descrisă complet de funcția ei de repartiție; din tabelul de repartiție sau din densitate obținem probabilități, medii (cu formula de transport), varianțe și cuantile. Cele trei exerciții parcurg cele trei situații posibile: o variabilă discretă (binomială), una continuă, dată prin densitate, și una mixtă, care nu este nici discretă, nici continuă. Pentru o variabilă discretă, calculele sunt cele făcute în Secțiunea 2 pe variabila cu valorile \(-1,0,1,2\); pentru una continuă, sumele devin integrale, ca în exemplul următor.
Fie \(X\) o variabilă aleatoare cu densitatea \(f(x)=2(1-x)\) pentru \(0\le x\le1\) și \(f(x)=0\) în rest. Determinăm funcția de repartiție, două probabilități, cuantilele, media și varianța lui \(X\).
Seminar Este \(f\) o densitate? Da: \(f\ge0\) și \(\int_0^12(1-x)\dd x=\big[2x-x^2\big]_0^1=1\) (Definiția 15(b) din Cursul 1).
Funcția de repartiție se obține integrând densitatea până în \(x\). Pentru \(0\le x\le1\), \[ F_X(x)=\int_0^x2(1-t)\dd t=\big[2t-t^2\big]_0^x=2x-x^2=1-(1-x)^2 , \] iar \(F_X(x)=0\) pentru \(x<0\) și \(F_X(x)=1\) pentru \(x>1\). Probabilitățile sunt diferențe de valori ale lui \(F_X\) (Propoziția 14(a) din Cursul 1): \(\PP\big(X>\frac12\big)=1-F_X\big(\frac12\big)=\big(\frac12\big)^2=\frac14\) și \(\PP\big(\frac14<X\le\frac12\big)=F_X\big(\frac12\big)-F_X\big(\frac14\big)=\frac34-\frac7{16}=\frac5{16}\).
Cuantilele. \(F_X\) este continuă și strict crescătoare pe \([0,1]\), de la \(0\) la \(1\), deci cuantila de ordin \(p\in(0,1)\) este soluția din \((0,1)\) a ecuației \(F_X(x)=p\): \[ 1-(1-x)^2=p\iff(1-x)^2=1-p\iff x=1-\sqrt{1-p} \] (dintre cele două rădăcini am păstrat-o pe cea cu \(1-x>0\)). În particular, mediana este \(q_{1/2}=1-\frac1{\sqrt2}\approx0.2929\).
Media și varianța sunt integrale (Definiția 21 din Cursul 1 și formula de transport, Teorema 22 din Cursul 1): \[ \begin{aligned} \E[X]&=\int_0^1x\cdot2(1-x)\dd x=\int_0^1(2x-2x^2)\dd x=\Big[x^2-\frac{2x^3}3\Big]_0^1=1-\frac23=\frac13,\\ \E[X^2]&=\int_0^1x^2\cdot2(1-x)\dd x=\int_0^1(2x^2-2x^3)\dd x=\Big[\frac{2x^3}3-\frac{x^4}2\Big]_0^1=\frac23-\frac12=\frac16 , \end{aligned} \] deci \(\Var(X)=\E[X^2]-(\E X)^2=\frac16-\frac19=\frac1{18}\) (Propoziția 25(a) din Cursul 1). Media \(\frac13\) este mai mare decât mediana \(0.2929\), deoarece densitatea are o „coadă” spre dreapta.
Laborator Aceleași mărimi, numeric: integrate(f, a, b)$value este valoarea integralei \(\int_a^bf\), iar uniroot caută soluția ecuației \(F_X(x)-\frac12=0\) în intervalul \([0,1]\), la capetele căruia membrul stâng are semne contrare (\(-\frac12\) și \(\frac12\)).
f_l <- function(x) 2 * (1 - x) # densitatea, pe [0, 1]
F_l <- function(x) 2 * x - x^2 # funcția de repartiție, pe [0, 1]
c(arie = integrate(f_l, 0, 1)$value,
medie = integrate(function(x) x * f_l(x), 0, 1)$value,
E_X2 = integrate(function(x) x^2 * f_l(x), 0, 1)$value,
P = F_l(1/2) - F_l(1/4),
mediana = uniroot(function(x) F_l(x) - 0.5, c(0, 1), tol = 1e-10)$root)
#> arie medie E_X2 P mediana
#> 1.0000 0.3333 0.1667 0.3125 0.2929Regăsim, în ordine, aria \(1\), media \(\frac13\approx0.3333\), momentul \(\E[X^2]=\frac16\approx0.1667\), probabilitatea \(\frac5{16}=0.3125\) și mediana \(1-\frac1{\sqrt2}\approx0.2929\). Exercițiul 5 repetă acești pași pentru o densitate ale cărei cuantile nu mai au o formulă simplă.
Dacă timpul permite O companie aeriană vinde \(52\) de bilete pentru un avion cu \(50\) de locuri. Fiecare pasager se prezintă la îmbarcare cu probabilitatea \(0.95\), independent de ceilalți.
Care este repartiția numărului \(X\) de pasageri care se prezintă la îmbarcare? Calculați \(\E[X]\) și \(\Var(X)\).
Care este probabilitatea ca cel puțin un pasager prezent să nu aibă loc în avion? Comparați cu aproximarea Poisson a numărului de pasageri absenți.
Calculați numărul mediu de pasageri care rămân fără loc.
Care este cel mai mare număr \(m\) de bilete care pot fi vândute astfel încât probabilitatea ca un pasager prezent să rămână fără loc să nu depășească \(0.1\)?
În R: verificați (a)–(d) cu funcțiile
dbinom,pbinomșippoisși simulați \(10^5\) zboruri curbinom.
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___:
c(exact = ___, # P(X >= 51), cu pbinom
termeni = sum(dbinom(51:52, 52, 0.95)), # P(X = 51) + P(X = 52)
poisson = ___) # P(Y <= 1), Y ~ Pois(2.6)
k <- 0:52 # (c): E[(X - 50)^+]
sum(___ * dbinom(k, 52, 0.95))
m <- 50:55 # (d)
rbind(m = m, P_suprarez = round(___, 4)) # P(X >= 51) pentru m bilete
set.seed(52)
x <- rbinom(1e5, size = 52, prob = 0.95) # 10^5 zboruri
c(medie = mean(x), varianta = var(x), P_suprarez = ___,
fara_loc = ___) # pasageri fără loc\(X\sim\Bin(52,0.95)\), cu \(\E[X]=49.4\) și \(\Var(X)=2.47\).
în aproximativ un sfert dintre zboruri (\(\PP(X\ge51)\approx0.2595\)), cel puțin un pasager rămâne fără loc; o aproximare rezonabilă: eroarea relativă este \(\frac{0.2674-0.2595}{0.2595}\approx3\%\).
în medie, la fiecare trei zboruri rămâne fără loc aproximativ un pasager (\(\E[W]\approx0.3289\)).
\(\boxed{m=51}\).
În cele \(10^5\) zboruri simulate, numărul mediu de pasageri prezenți este \(49.39\) (teoretic \(49.4\)), varianța \(2.49\) (teoretic \(2.47\)), proporția zborurilor suprarezervate \(0.2588\) (teoretic \(0.2595\)), iar numărul mediu de pasageri fără loc \(0.3276\) (teoretic \(0.3289\)).
Pentru o variabilă continuă, probabilitățile sunt arii sub graficul densității, iar mediile sunt integrale. Când ecuația \(F_X(x)=p\) nu se poate rezolva ușor, cuantilele se calculează numeric.
La seminar Fie \(X\) o variabilă aleatoare cu densitatea \(f(x)=c\,x(2-x)\) pentru \(0\le x\le2\) și \(f(x)=0\) în rest.
Determinați \(c\) și funcția de repartiție \(F_X\).
Arătați că repartiția lui \(X\) este simetrică față de \(1\) și calculați \(\E[X]\) și \(\Var(X)\).
Determinați mediana și arătați că prima cuartilă \(q_{1/4}\) (cuantila de ordin \(\frac14\)) este soluția din \((0,2)\) a ecuației \(x^3-3x^2+1=0\), iar \(q_{3/4}=2-q_{1/4}\).
Comparați \(\PP(|X-\E X|\ge0.8)\) cu marginea dată de inegalitatea lui Cebîșev.
În R: verificați (a) și (b) prin integrare numerică, calculați cuartilele cu
uniroot, verificați (d) și reprezentați grafic \(f\) și \(F_X\).
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___:
f <- function(x) ___ # densitatea (pe [0, 2])
F_dens <- function(x) ifelse(x < 0, 0, ifelse(x < 2, ___, 1)) # F_X, (a)
m1 <- integrate(function(x) ___, 0, 2)$value # E[X]
m2 <- integrate(function(x) ___, 0, 2)$value # E[X^2]
c(arie = integrate(f, 0, 2)$value, medie = m1, varianta = m2 - m1^2)
q14 <- uniroot(function(x) ___, c(0, 2), tol = 1e-10)$root # F(x) = 1/4
c(q14 = q14, q34 = 2 - q14)
c(P_d = ___, Cebisev = 0.2 / 0.64) # (d): P(|X - 1| >= 0.8)
par(mfrow = c(1, 2), mar = c(4, 4, 0.5, 1), cex = 0.75)
curve(f(x), 0, 2, lwd = 2, ylab = "f(x)")
curve(F_dens(x), -0.5, 2.5, lwd = 2, ylab = "F(x)")Multe variabile întâlnite în aplicații nu sunt nici discrete, nici continue: de exemplu, un timp de funcționare observat doar până la un moment fixat (Exemplul 13 din Cursul 1). Pentru media unei astfel de variabile nenegative este utilă următoarea formulă, care folosește numai funcția de repartiție.
Fie \(X\ge0\) o variabilă aleatoare. Atunci \[ \E[X]=\int_0^\infty\PP(X>x)\dd x=\int_0^\infty\big(1-F_X(x)\big)\dd x, \qquad \E[X^2]=\int_0^\infty2x\,\PP(X>x)\dd x , \tag{1}\] egalitățile având loc în \([0,\infty]\) (ambii membri pot fi infiniți).
Demonstrație. Pentru orice \(\omega\in\Omega\), numărul \(X(\omega)\ge0\) este lungimea intervalului \([0,X(\omega))\), iar \(X(\omega)^2=\int_0^{X(\omega)}2x\dd x\); deci \[ X(\omega)=\int_0^\infty\Ind_{\{x<X(\omega)\}}\dd x ,\qquad X(\omega)^2=\int_0^\infty2x\,\Ind_{\{x<X(\omega)\}}\dd x . \] Funcția \((\omega,x)\mapsto\Ind_{\{x<X(\omega)\}}\) este nenegativă și măsurabilă pe \(\Omega\times[0,\infty)\): mulțimea \(\{(\omega,x):\ x<X(\omega)\}\) este reuniunea numărabilă a dreptunghiurilor măsurabile \(\{X>r\}\times[0,r)\), cu \(r>0\) rațional (dacă \(x<X(\omega)\), există un rațional \(r\) cu \(x<r<X(\omega)\)). Putem deci schimba ordinea de integrare (teorema lui Fubini pentru funcții nenegative, fără nicio condiție de integrabilitate (Billingsley 1995, sec. 18)): \[ \E[X]=\int_\Omega\Big(\int_0^\infty\Ind_{\{x<X(\omega)\}}\dd x\Big)\dd\PP(\omega) =\int_0^\infty\E\big[\Ind_{\{X>x\}}\big]\dd x=\int_0^\infty\PP(X>x)\dd x , \] unde am folosit \(\E[\Ind_A]=\PP(A)\) (Propoziția 23(a) din Cursul 1). La fel, pentru funcția \(2x\,\Ind_{\{x<X(\omega)\}}\) (factorul \(2x\) nu depinde de \(\omega\)), \(\E[X^2]=\int_0^\infty2x\,\PP(X>x)\dd x\).■
Geometric, (1) spune că media unei variabile nenegative este aria dintre graficul lui \(F_X\) și dreapta \(y=1\). De exemplu, pentru \(X\sim\Exp(\lambda)\), \(\PP(X>x)=e^{-\lambda x}\) pentru \(x\ge0\), deci \(\E[X]=\int_0^\infty e^{-\lambda x}\dd x=\big[-\frac{e^{-\lambda x}}{\lambda}\big]_0^\infty=\frac1\lambda\), fără nicio integrare prin părți. Formula este utilă mai ales atunci când funcția de repartiție este mai simplă decât densitatea sau când variabila nu are densitate, ca în exercițiul următor.
Dacă timpul permite Timpul de funcționare (în ani) al unui aparat este \(T\sim\Exp(\lambda)\). Aparatul este înlocuit fie la defectare, fie, preventiv, după \(c\) ani, dacă nu s-a defectat până atunci. Fie \(X=\min(T,c)\) timpul de utilizare a aparatului.
Determinați funcția de repartiție a lui \(X\). Este \(X\) discretă? Este \(X\) continuă?
Calculați \(\E[X]\), \(\E[X^2]\) și \(\Var(X)\) cu Lema 1; verificați media cu formula de transport aplicată lui \(T\).
Aplicație numerică: \(\lambda=0.5\) (timp mediu de funcționare de \(2\) ani) și \(c=2\).
În R: simulați \(10^5\) valori ale lui \(X\) și comparați media, momentul de ordin doi, varianța, proporția valorilor egale cu \(c\) și funcția de repartiție empirică cu rezultatele de la (a)–(c).
Laborator Schelet de cod pentru (d) — completați locurile marcate cu ___:
set.seed(123)
n <- 1e5; l <- 0.5; c0 <- 2
X <- ___ # X = min(T, c), T ~ Exp(l)
a <- exp(-l * c0)
teoretic <- c(medie = ___, mom2 = ___, # formulele de la (b)
varianta = ___, P_atom = a)
empiric <- c(mean(X), mean(X^2), var(X), ___) # ultima: frecvența X = c
round(rbind(teoretic, empiric), 4)
Fn <- ecdf(X); t0 <- c(0.5, 1, 1.5, 1.999, 2) # F empirică, F teoretică
rbind(t = t0, empiric = Fn(t0), teoretic = ___)\(X\) nu este discretă (singurul ei atom este \(c\), de probabilitate \(e^{-\lambda c}<1\)) și nu este continuă.
\(\E[X]=\frac{1-e^{-\lambda c}}{\lambda}\), \(\E[X^2]=\frac{2}{\lambda^2}\big(1-e^{-\lambda c}(1+\lambda c)\big)\), \(\Var(X)=\frac{1-2\lambda c\,e^{-\lambda c}-e^{-2\lambda c}}{\lambda^2}\).
Aproximativ \(37\%\) dintre aparate sunt înlocuite preventiv, iar timpul mediu de utilizare scade de la \(2\) ani la aproximativ \(1.26\) ani.
mărimile simulate diferă de valorile teoretice cel mult la a treia zecimală (\(2.112\) față de \(2.114\); \(0.3661\) față de \(0.3679\)).
5 Transformări ale unei variabile aleatoare
Repartiția unei transformări \(Y=g(X)\) se determină pornind de la funcția de repartiție, \(F_Y(y)=\PP(g(X)\le y)\). Când \(g\) este strict monotonă, rezultatul este formula din Teorema 17 din Cursul 1; când nu este, împărțim domeniul în ramuri de monotonie și adunăm contribuțiile lor, ținând seama de imaginile ramurilor (Teorema 19 din Cursul 1); când \(g\) este constantă pe un interval, rezultatul are un atom. Fiecare formulă obținută este verificată prin simulare: dacă \(x_1,\dots,x_n\) sunt valori simulate ale lui \(X\), atunci \(g(x_1),\dots,g(x_n)\) sunt valori simulate ale lui \(Y\), oricât de complicată ar fi funcția \(g\); histograma lor trebuie să urmeze densitatea calculată, iar funcția de repartiție empirică, funcția de repartiție calculată. Începem cu cel mai simplu caz, în care ambele metode se scriu pe două rânduri.
Fie \(X\sim\Exp(1)\). Determinăm repartiția lui \(Y=\sqrt X\) prin metoda funcției de repartiție și cu Teorema 17 din Cursul 1, apoi repartiția lui \(W=1/X\), o transformare descrescătoare.
Seminar \(X\) are densitatea \(f_X(x)=e^{-x}\) pe \(I=(0,\infty)\) și funcția de repartiție \(F_X(x)=1-e^{-x}\), \(x\ge0\).
Metoda funcției de repartiție. \(Y>0\), deci \(F_Y(y)=0\) pentru \(y\le0\). Pentru \(y>0\) rezolvăm inegalitatea \(\sqrt X\le y\) în raport cu \(X\): ridicarea la pătrat păstrează sensul inegalității între numere pozitive, deci \(\sqrt X\le y\iff X\le y^2\) și \[ F_Y(y)=\PP(X\le y^2)=F_X(y^2)=1-e^{-y^2},\qquad f_Y(y)=F_Y'(y)=2y\,e^{-y^2},\qquad y>0 \] (Lema 16 din Cursul 1: \(F_Y\) este continuă și are derivata continuă pe \((-\infty,0)\) și pe \((0,\infty)\)).
Cu teorema. \(g(x)=\sqrt x\) este strict crescătoare și derivabilă pe \(I\), cu \(g'(x)=\frac1{2\sqrt x}\ne0\) și \(g(I)=(0,\infty)\); inversa este \(g^{-1}(y)=y^2\), cu derivata \(2y\). Deci \(f_Y(y)=f_X(y^2)\cdot|2y|=2y\,e^{-y^2}\) pentru \(y>0\), același rezultat. Din \(1-e^{-y^2}=p\) rezultă cuantila \(q_p=\sqrt{-\ln(1-p)}\); mediana, \(\sqrt{\ln2}\approx0.8326\), este rădăcina pătrată a medianei \(\ln2\) a lui \(X\).
O transformare descrescătoare. \(W=1/X>0\), deci \(F_W(w)=0\) pentru \(w\le0\). Pentru \(w>0\), trecerea la inverse schimbă sensul inegalității: \(\frac1X\le w\iff X\ge\frac1w\). Deci, \(X\) fiind continuă, \[ F_W(w)=\PP\Big(X\ge\frac1w\Big)=1-F_X\Big(\frac1w\Big)=e^{-1/w},\qquad f_W(w)=F_W'(w)=\frac{1}{w^2}\,e^{-1/w},\qquad w>0 , \] deci \(f_W(w)=\frac{1}{w^2}\,e^{-1/w}\) pentru \(w>0\), în acord cu teorema: \(g^{-1}(w)=\frac1w\) și \(\big|(g^{-1})'(w)\big|=\frac1{w^2}\). Dacă am păstra sensul inegalității, am obține funcția descrescătoare \(1-e^{-1/w}\), care nu este o funcție de repartiție; modulul din formula teoremei ține seama tocmai de această schimbare de sens.
Laborator Valorile simulate ale lui \(Y\) și \(W\) se obțin aplicând transformările unor valori simulate ale lui \(X\). Comparăm frecvențe relative și mediane empirice cu valorile calculate, iar media lui \(Y\) cu integrala \(\int_0^\infty y\,f_Y(y)\dd y\), evaluată numeric.
set.seed(7); xe <- rexp(1e5) # 10^5 valori ale lui X ~ Exp(1)
ye <- sqrt(xe); we <- 1 / xe # valorile lui Y și ale lui W
rbind(simulare = c(P_Y_le_1 = mean(ye <= 1), med_Y = median(ye),
medie_Y = mean(ye), P_W_le_1 = mean(we <= 1),
med_W = median(we)),
exact = c(1 - exp(-1), sqrt(log(2)),
integrate(function(y) 2 * y^2 * exp(-y^2), 0, Inf)$value,
exp(-1), 1 / log(2)))
#> P_Y_le_1 med_Y medie_Y P_W_le_1 med_W
#> simulare 0.6326 0.8328 0.8866 0.3674 1.442
#> exact 0.6321 0.8326 0.8862 0.3679 1.443Pe coloane: \(\PP(Y\le1)=1-e^{-1}\approx0.6321\) (în simulare, \(0.6326\)); mediana lui \(Y\), \(0.8326\) (\(0.8328\)); media lui \(Y\), \(\E\big[\sqrt X\big]\approx0.8862\) (\(0.8866\)); \(\PP(W\le1)=e^{-1}\approx0.3679\) (\(0.3674\)); mediana lui \(W\), \(\frac1{\ln2}\approx1.443\) (\(1.442\)). Ambele formule sunt confirmate.
La seminar Fie \(Y\sim\Norm(\mu,\sigma^2)\) și \(X=e^Y\) (repartiția log-normală, \(X\sim\mathcal{LN}(\mu,\sigma^2)\)), folosită pentru mărimi pozitive și asimetrice: venituri, prețuri, concentrații, factori de creștere.
Determinați densitatea lui \(X\).
Calculați momentele \(\E[X^k]\), \(k\in\N\), apoi media și varianța lui \(X\).
Determinați mediana și modul (punctul de maxim al densității) lui \(X\) și comparați-le cu media.
Aplicație: factorul anual de creștere al unei investiții este \(X=e^Y\), cu \(Y\sim\Norm(0,1)\). Calculați \(\PP(X>2)\), mediana și media lui \(X\).
În R: simulați \(10^5\) valori ale lui \(X\), verificați (d) și comparați histograma valorilor simulate cu densitatea de la (a).
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___ (funcția verif_dens compară histograma unor valori simulate cu o densitate și va fi folosită și în exercițiile următoare):
set.seed(5); x <- ___ # 10^5 valori LN(0, 1)
rbind(exact = c(P2 = ___, mediana = 1, medie = ___, varianta = ___),
simulare = c(mean(x > 2), median(x), mean(x), var(x)))
verif_dens <- function(y, f, a, b, pas = 0.1, ...) {
cap <- seq(a, b, length.out = round((b - a) / pas) + 1) # capete de clase
h <- hist(y[y > a & y < b], breaks = cap, plot = FALSE)
h$density <- ___ # frecvența relativă / lățimea clasei
plot(h, freq = FALSE, col = "grey88", border = "white", main = "", ...)
curve(f(x), from = a, to = b, n = 1001, add = TRUE, lwd = 2)
}
verif_dens(x, ___, 0, 6) # a doua: densitatea de la (a)În exercițiul următor transformarea nu mai este injectivă, iar cele două ramuri ale ei au imagini diferite, ca în Exemplul 11 din Cursul 1; densitatea lui \(X\) nu mai este însă constantă, iar expresia densității lui \(g(X)\) se schimbă în punctul în care una dintre ramuri „se termină”.
La seminar Timpul de funcționare (în ani) al unei componente este \(X\sim\Exp(1)\), deci \(\E[X]=1\); o revizie este programată la momentul \(1\). Fie \(D=|X-1|\) decalajul dintre momentul defectării și cel al reviziei, adică abaterea absolută a lui \(X\) de la medie.
Determinați densitatea lui \(D\) cu Teorema 19 din Cursul 1, precizând ramurile, inversele și imaginile lor. Verificați că integrala densității este \(1\).
Regăsiți rezultatul prin metoda funcției de repartiție.
Calculați \(\E[D]\) (abaterea medie absolută) și comparați-o cu abaterea standard a lui \(X\). Calculați \(\PP(D\le1)\) și mediana lui \(D\).
Deduceți densitatea abaterii pătratice \(Q=(X-1)^2\) și calculați \(\E[Q]\) și \(\Var(D)\).
În R: simulați \(10^5\) valori ale lui \(D\) și verificați (a)–(d), comparând histograma cu densitatea și funcția de repartiție empirică cu cea teoretică. Ce integrală are formula obținută dacă se „uită” o ramură?
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___ (funcția verif_dens este cea din Exercițiul 7):
set.seed(2027); n <- 1e5
d <- ___ # n valori ale lui D = |X - 1|, X ~ Exp(1)
f_D <- function(y) (y > 0) * ifelse(y < 1, ___, ___) # densitatea, (a)
F_D <- function(y) (y > 0) * ifelse(y < 1, ___, ___) # f. de repartiție
c(integrala = integrate(f_D, 0, 1)$value + integrate(f_D, 1, Inf)$value,
o_ramura = integrate(function(y) ___, 0, Inf)$value) # o singură ramură
rbind(simulare = c(medie = mean(d), mediana = median(d),
P_D_le_1 = mean(d <= 1), E_Q = mean(d^2), Var_D = var(d)),
exact = c(___)) # cele cinci valori de la (c) și (d)
Fn <- ecdf(d); grila <- seq(0, 8, by = 0.01)
max(abs(Fn(grila) - F_D(grila))) # abaterea maximă dintre F_n și F_D
verif_dens(d, f_D, 0, 4)Ultimul exercițiu al secțiunii arată ce se întâmplă când ipoteza \(g'\ne0\) nu este îndeplinită pe o mulțime de probabilitate pozitivă: transformarea este constantă pe un interval, iar repartiția obținută nu este nici discretă, nici continuă. Spre deosebire de cenzurarea din Exercițiul 6, aici \(g\) are și două ramuri strict monotone, simetrice, iar atomul apare la capătul din stânga al valorilor.
Dacă timpul permite Abaterea (în microni) a diametrului unei piese față de cota nominală este \(X\sim\Norm(0,\sigma^2)\). Aparatul de control nu distinge abaterile mai mici, în valoare absolută, decât limita de detecție \(a>0\): pentru acestea înregistrează valoarea \(a\), iar pentru celelalte înregistrează \(|X|\). Valoarea înregistrată este deci \(Y=\max(|X|,a)\).
Descrieți transformarea \(g(x)=\max(|x|,a)\), explicați de ce Teorema 19 din Cursul 1 nu se aplică și determinați funcția de repartiție a lui \(Y\).
Arătați că \(Y\) nu este nici discretă, nici continuă și descrieți cele două componente ale repartiției ei.
Calculați \(\E[Y]\) cu formula de transport aplicată lui \(X\). Ce se obține dacă se „uită” atomul? Comparați cu \(\E|X|\).
Determinați cuantila de ordin \(p\in(0,1)\) a lui \(Y\). Aplicație numerică: \(\sigma=2\), \(a=1\); calculați \(\PP(Y=a)\), \(\E[Y]\), mediana și cuantila de ordin \(0.9\).
În R: verificați (d) prin simulare, regăsiți \(\E[Y]\) cu Lema 1 și comparați funcția de repartiție empirică cu cea de la (a).
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___:
set.seed(65)
s <- 2; a <- 1; k <- a / s
x <- rnorm(1e5, sd = s) # abaterile X ~ N(0, 4)
y <- ___ # valorile înregistrate
p0 <- ___ # masa atomului din a
rbind(simulare = c(atom = mean(y == a), medie = mean(y),
mediana = median(y), q90 = unname(quantile(y, 0.9))),
exact = c(p0, ___, ___, ___)) # E[Y], q_0.5, q_0.9, de la (d)
integrate(function(t) ___, 0, Inf)$value # P(Y > t), pe ramuri
plot(ecdf(y[1:300]), do.points = FALSE, verticals = TRUE, xlim = c(0, 6))
curve(___, from = a, to = 6, add = TRUE, lty = 2) # F_Y de la (a)Ipotezele Teoremei 19 din Cursul 1 nu sunt deci îndeplinite; \(F_Y(y)=2\Phi(y/\sigma)-1\) pentru \(y\ge a\) și \(F_Y(y)=0\) pentru \(y<a\).
\(Y\) nu este continuă (o variabilă cu densitate nu are atomi) și nu este discretă (suma probabilităților tuturor valorilor ei este \(p_0<1\)).
\(\E[Y]=a\,p_0+2\sigma\phi(a/\sigma)=a\cdot\PP(Y=a)+\int_a^\infty y\cdot\frac2\sigma\phi\big(\frac y\sigma\big)\dd y\); se obține numai \(2\sigma\phi(k)\), o valoare prea mică, diferența fiind \(a\,p_0\); \(\E[Y]\ge\E|X|=\sigma\sqrt{2/\pi}\).
\(p_0\approx0.3829\), \(\E[Y]\approx1.7912\), \(q_{0.5}\approx1.3490\), \(q_{0.9}\approx3.2897\).
masa atomului (\(0.3826\) și \(0.3829\)), media (\(1.788\) și \(1.791\)), mediana (\(1.349\) în ambele), cuantila de ordin \(0.9\) (\(3.283\) și \(3.290\)); integrala cozii dă aceeași medie, \(1.791\), ca formula de transport. Funcția de repartiție empirică are în \(y=1\) un salt de mărime apropiată de \(p_0\approx0.383\) — atomul —, apoi oscilează în jurul lui \(F_Y\).
6 Exerciții suplimentare
Trei exerciții pentru studiul individual, care completează tema transformărilor: o transformare discretă în care fiecare valoare are o infinitate de preimagini; o transformare al cărei rezultat nu are medie; o transformare periodică, cu o infinitate de ramuri, ale căror contribuții formează serii geometrice.
Pentru acasă (a) Trei jucători, \(J_1\), \(J_2\), \(J_3\), aruncă pe rând un zar echilibrat, în această ordine (\(J_1,J_2,J_3,J_1,J_2,\dots\)), până când apare prima dată fața \(6\); câștigă jucătorul care o obține. Fie \(X\) numărul aruncării la care apare primul \(6\) și \(Y\in\{1,2,3\}\) indicele câștigătorului. Scrieți \(Y\) ca funcție de \(X\) și determinați repartiția lui \(Y\). Generalizați la \(m\ge2\) jucători și la o probabilitate de succes \(p\in(0,1)\) la fiecare încercare.
Numărul \(N\) de particule înregistrate de un detector într-o secundă are repartiția \(\Pois(\lambda)\). Determinați repartiția variabilei \(S=(-1)^N\), care reține numai paritatea lui \(N\), și calculați \(\E[S]\) în două moduri. Este mai probabil un număr par sau un număr impar de particule?
În R: verificați (a) și (b) prin simulare (cu
rgeom,rpoisși operatorul%%, restul împărțirii) și regăsiți repartiția lui \(Y\) adunând probabilitățile preimaginilor cutapply.
Laborator Schelet de cod pentru (c) — completați locurile marcate cu ___:
set.seed(61)
x <- rgeom(1e5, prob = 1 / 6) + 1 # X ~ Geom(1/6)
y <- ___ # Y = g(X), cu operatorul %%
rbind(simulare = table(y) / length(y), exact = c(36, 30, 25) / 91)
k <- 1:400 # sume pe preimagini
tapply(dgeom(k - 1, 1 / 6), ___, sum) # al doilea argument: g(k)
n <- rpois(1e5, lambda = 1) # (b), cu lambda = 1
c(par_sim = mean(___), par_exact = (1 + exp(-2)) / 2,
medie_sim = mean(___), medie_exact = exp(-2))\(\PP(Y=1)=\frac16\cdot\frac{216}{91}=\frac{36}{91}\), \(\PP(Y=2)=\frac16\cdot\frac56\cdot\frac{216}{91}=\frac{30}{91}\) și \(\PP(Y=3)=\frac16\cdot\frac{25}{36}\cdot\frac{216}{91}=\frac{25}{91}\); repartiția lui \(Y\) este repartiția geometrică „trunchiată” la \(\{1,\dots,m\}\) și renormalizată, \(\PP(Y=r)=\frac{p\,q^{r-1}}{1-q^m}\).
\(\PP(S=1)=\frac{1+e^{-2\lambda}}{2}\): un număr par de particule este mai probabil decât unul impar, oricare ar fi \(\lambda\); \(\E[S]=1\cdot\PP(S=1)+(-1)\cdot\PP(S=-1)=\frac{1+e^{-2\lambda}}2-\frac{1-e^{-2\lambda}}2=e^{-2\lambda}\).
frecvențele câștigătorilor (\(0.3971\), \(0.3311\), \(0.2718\)) sunt apropiate de \(\frac{36}{91}\approx0.3956\), \(\frac{30}{91}\approx0.3297\) și \(\frac{25}{91}\approx0.2747\); proporția valorilor pare ale lui \(N\) este \(0.5677\), ca valoarea exactă \(\frac{1+e^{-2}}2\), iar media valorilor \((-1)^N\) este \(0.1355\), față de \(e^{-2}\approx0.1353\).
În exercițiul următor mulțimea \(A_y\) din metoda funcției de repartiție este reuniunea a două semidrepte, iar rezultatul este o repartiție fără medie: media valorilor simulate nu se mai stabilizează, oricât de multe valori am genera.
Pentru acasă O particulă se deplasează de-a lungul unei axe cu viteza constantă \(V\sim\Norm(0,\sigma^2)\) (semnul lui \(V\) indică sensul deplasării). Fie \(d>0\) și \(T=d/|V|\) timpul în care particula parcurge distanța \(d\).
Pentru \(t>0\), descrieți mulțimea \(A_t=\{v\ne0:\ d/|v|\le t\}\) și determinați funcția de repartiție a lui \(T\) prin metoda funcției de repartiție.
Deduceți densitatea lui \(T\) și regăsiți-o cu Teorema 19 din Cursul 1.
Determinați cuantila de ordin \(p\in(0,1)\) a lui \(T\); în particular, mediana și cuartilele. Arătați că \(\E[T]=\infty\).
Aplicație numerică: \(d=1\), \(\sigma=1\). Calculați \(\PP(T\le1)\), \(\PP(T>10)\) și mediana.
În R: verificați (a)–(d) prin simulare și comparați mediile și medianele a cinci eșantioane de câte \(10^5\) valori.
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___:
set.seed(62)
timp <- ___ # T = d/|V|, cu d = sigma = 1
F_T <- function(t) ___ # funcția de repartiție, t > 0
f_T <- function(t) ___ # densitatea
rbind(simulare = c(P_T_le_1 = mean(timp <= 1), P_T_gt_10 = mean(timp > 10),
q = unname(quantile(timp, c(0.25, 0.5, 0.75)))),
exact = c(F_T(1), 1 - F_T(10), ___)) # cele trei cuartile, de la (c)
integrate(f_T, 0, Inf)$value # integrala densității
set.seed(1) # cinci eșantioane de 10^5 valori
esant <- replicate(5, ___)
round(rbind(medie = colMeans(esant), mediana = apply(esant, 2, median),
maxim = apply(esant, 2, max)), 2)reuniunea a două semidrepte disjuncte, nu un interval; \(F_T(t)=2\big(1-\Phi\big(\frac{d}{\sigma t}\big)\big)\) pentru \(t>0\) și \(F_T(t)=0\) pentru \(t\le0\).
aceeași densitate, \(f_T(t)=\frac{2d}{\sigma t^2}\,\phi\big(\frac{d}{\sigma t}\big)\) pentru \(t>0\).
cuartilele sunt \(t_{1/4}\approx0.8693\,\frac d\sigma\), \(t_{1/2}\approx1.4826\,\frac d\sigma\) (mediana) și \(t_{3/4}\approx3.1383\,\frac d\sigma\); \(\boxed{\E[T]=\infty}\).
\(\PP(T\le1)=F_T(1)=2\big(1-\Phi(1)\big)\approx2(1-0.84134)\approx\boxed{0.3173}\); \(\PP(T>10)=1-F_T(10)=2\Phi(0.1)-1\approx2\cdot0.53983-1\approx\boxed{0.0797}\); mediana este \(\frac1{z_{0.75}}\approx\frac1{0.6745}\approx\boxed{1.4826}\).
Mediile celor cinci eșantioane diferă însă între ele cu mai mult de două unități (de la \(8.75\) la \(11.21\)), deși fiecare este calculată din \(10^5\) valori, pe când medianele coincid până la a doua zecimală și sunt apropiate de \(1.4826\).
Funcțiile periodice au o infinitate de ramuri. În exercițiul următor folosim funcțiile hiperbolice \(\cosh x=\frac{e^x+e^{-x}}2\) și \(\sinh x=\frac{e^x-e^{-x}}2\), cu \((\sinh x)'=\cosh x\) și \(\sinh(2x)=2\sinh x\cosh x\).
Pentru acasă Un semnal \(s(t)=\cos t\) este citit la un moment aleator \(T\sim\Exp(\lambda)\), \(\lambda>0\). Fie \(Y=\cos T\) valoarea citită.
Pentru \(y\in(-1,1)\), determinați toate soluțiile \(t>0\) ale ecuației \(\cos t=y\), ramurile de monotonie ale funcției \(g(t)=\cos t\) pe \((0,\infty)\) și inversele lor.
Determinați densitatea lui \(Y\) cu Teorema 19 din Cursul 1.
Determinați funcția de repartiție a lui \(Y\) prin metoda funcției de repartiție și verificați că derivata ei este densitatea de la (b).
Calculați \(\PP(Y>0)\) și \(\E[Y]\), cu valorile numerice pentru \(\lambda=1\). Ce devine densitatea lui \(Y\) când \(\lambda\to0\)?
În R: verificați (b)–(d) prin simulare, pentru \(\lambda=1\).
Laborator Schelet de cod pentru (e) — completați locurile marcate cu ___ (funcția verif_dens este cea din Exercițiul 7):
set.seed(264)
y <- ___ # Y = cos T, T ~ Exp(1)
F_Y <- function(y, l = 1) ___ # funcția de repartiție, (c)
f_Y <- function(y, l = 1) ___ # densitatea, (b)
rbind(simulare = c(P_Y_poz = mean(y > 0), medie = mean(y),
F_0.5 = mean(y <= 0.5), F_m0.5 = mean(y <= -0.5)),
exact = c(___, 1 / 2, F_Y(0.5), F_Y(-0.5))) # P(Y > 0), de la (d)
verif_dens(y, f_Y, -1, 1, pas = 0.05, ylim = c(0, 2.5))Soluțiile pozitive sunt \(a+2k\pi\) cu \(k\ge0\) și \(-a+2k\pi\) cu \(k\ge1\). Toate ramurile au aceeași imagine, \((-1,1)\).
\(f_Y(y)=\frac{\lambda\cosh(\lambda(\pi-\arccos y))}{\sinh(\lambda\pi)\sqrt{1-y^2}}\) pe \((-1,1)\) și \(0\) în rest.
\(F_Y(y)=\frac{\sinh(\lambda(\pi-\arccos y))}{\sinh(\lambda\pi)}\) pe \([-1,1]\), iar \(F_Y'=f_Y\).
\(\PP(Y>0)\approx1-0.1993=0.8007\); \(\E[Y]=\frac{\lambda^2}{1+\lambda^2}\), iar pentru \(\lambda=1\), \(\E[Y]=\frac12\); \(f_Y(y)\to\frac{1}{\pi\sqrt{1-y^2}}\), densitatea legii arcsinus pe \((-1,1)\).
\(\PP(Y>0)\) (\(0.8019\) și \(0.8007\)), media (\(0.5016\) și \(0.5\)), \(F_Y(0.5)\) (\(0.3467\) și \(0.3462\)) și \(F_Y(-0.5)\) (\(0.1075\) și \(0.1082\)).
7 Temă
(R) O monedă echilibrată este aruncată de \(n\ge2\) ori. Fie \(A\) = „apar cel puțin un cap și cel puțin o pajură” și \(B\) = „apare cel mult o pajură”. Pentru ce \(n\) sunt \(A\) și \(B\) independente? Verificați în R, enumerând cele \(2^n\) rezultate cu
expand.grid. (Răspuns: \(\PP(A)=1-2^{1-n}\), \(\PP(B)=(n+1)2^{-n}\), \(\PP(A\cap B)=n2^{-n}\) (exact o pajură); independența revine la \(2^{n-1}=n+1\), adevărată doar pentru \(n=3\).)Trei mașini produc \(50\%\), \(30\%\), respectiv \(20\%\) din piesele unei fabrici, cu proporții de piese defecte de \(2\%\), \(3\%\), respectiv \(5\%\). Ce proporție din producția totală este defectă? O piesă aleasă la întâmplare este defectă; care este probabilitatea să provină de la fiecare mașină? (Răspuns: \(0.029\); \(\frac{10}{29}\approx0.345\), \(\frac{9}{29}\approx0.310\), \(\frac{10}{29}\approx0.345\).)
(R) Masa (în grame) a unor pachete este \(X\sim\Norm(\mu,\sigma^2)\), cu parametri necunoscuți. Se știe că \(10\%\) dintre pachete au sub \(490\) g și \(5\%\) au peste \(520\) g. Determinați \(\mu\) și \(\sigma\) și verificați rezultatul cu
qnormșipnorm. (Răspuns: din \(\frac{490-\mu}{\sigma}=z_{0.1}\approx-1.2816\) și \(\frac{520-\mu}{\sigma}=z_{0.95}\approx1.6449\) rezultă \(\sigma=\frac{30}{z_{0.95}-z_{0.1}}\approx10.25\) g și \(\mu=490-\sigma z_{0.1}\approx503.14\) g; în general, două cuantile determină parametrii unei repartiții normale.)Fie \(f(x)=2/x^3\) pentru \(x\ge1\) și \(f(x)=0\) în rest (o repartiție Pareto). Arătați că \(f\) este o densitate, determinați funcția de repartiție și mediana, arătați că \(\E[X]<\infty\), dar \(\E[X^2]=\infty\). Determinați repartiția lui \(Y=\ln X\). (Răspuns: \(F(x)=1-x^{-2}\), \(x\ge1\); mediana \(\sqrt2\); \(\E X=2\), \(\E X^2=\int_1^\infty2x^{-1}\dd x=\infty\); \(\PP(Y>y)=\PP(X>e^y)=e^{-2y}\), deci \(Y\sim\Exp(2)\) și \(\E[\ln X]=\frac12\).)
- Arătați că inegalitatea lui Cebîșev nu poate fi îmbunătățită: pentru orice \(k>1\) există \(X\) cu \(\PP(|X-\E X|\ge k\sigma_X)=1/k^2\). (b) Fie \(X\sim\Exp(1)\). Aplicând inegalitatea lui Markov variabilei \(X^p\), obțineți marginile \(\PP(X\ge3)\le p!/3^p\), \(p=1,\dots,5\); care este cea mai bună? (Răspuns: (a) \(X\in\{-k,0,k\}\) cu probabilitățile \(\frac1{2k^2}\), \(1-\frac1{k^2}\), \(\frac1{2k^2}\); (b) \(0.333,\ 0.222,\ 0.222,\ 0.296,\ 0.494\) — cele mai bune pentru \(p=2,3\); valoarea exactă este \(e^{-3}\approx0.0498\); în R:
factorial(1:5) / 3^(1:5).)
- Arătați că inegalitatea lui Cebîșev nu poate fi îmbunătățită: pentru orice \(k>1\) există \(X\) cu \(\PP(|X-\E X|\ge k\sigma_X)=1/k^2\). (b) Fie \(X\sim\Exp(1)\). Aplicând inegalitatea lui Markov variabilei \(X^p\), obțineți marginile \(\PP(X\ge3)\le p!/3^p\), \(p=1,\dots,5\); care este cea mai bună? (Răspuns: (a) \(X\in\{-k,0,k\}\) cu probabilitățile \(\frac1{2k^2}\), \(1-\frac1{k^2}\), \(\frac1{2k^2}\); (b) \(0.333,\ 0.222,\ 0.222,\ 0.296,\ 0.494\) — cele mai bune pentru \(p=2,3\); valoarea exactă este \(e^{-3}\approx0.0498\); în R:
Fie \(X\) o variabilă cu densitatea \(f(x)=\frac29(x+1)\) pentru \(-1<x<2\) (\(f=0\) în rest) și \(Y=X^2\). Determinați densitatea lui \(Y\) cu Teorema 19 din Cursul 1, precizând ramurile și imaginile lor, și regăsiți-o prin metoda funcției de repartiție. (Răspuns: ramurile \((-1,0)\) și \((0,2)\) au imaginile \((0,1)\) și \((0,4)\); \(f_Y(y)=\frac{2}{9\sqrt y}\) pentru \(0<y<1\) și \(f_Y(y)=\frac19\big(1+\frac{1}{\sqrt y}\big)\) pentru \(1<y<4\); \(F_Y(y)=\frac49\sqrt y\) pe \([0,1]\) și \(F_Y(y)=\frac19\big(1+\sqrt y\big)^2\) pe \([1,4]\); verificare: \(\frac49+\frac59=1\).)
(R) Un semnal \(X\sim\Norm(0,1)\) trece printr-un limitator, care înlocuiește valorile din afara intervalului \([-1,1]\) cu capătul cel mai apropiat: \(Y=\max\big(-1,\min(X,1)\big)\). Determinați funcția de repartiție a lui \(Y\), atomii și masele lor; arătați că \(Y\) nu este nici discretă, nici continuă; calculați \(\E[Y]\) și \(\Var(Y)\) și verificați prin simulare (
pmin,pmax). (Răspuns: \(F_Y(y)=0\) pentru \(y<-1\), \(\Phi(y)\) pentru \(-1\le y<1\) și \(1\) pentru \(y\ge1\); atomi în \(\pm1\), fiecare de masă \(1-\Phi(1)\approx0.1587\); \(\E[Y]=0\), din simetrie; \(\Var(Y)=\E[Y^2]=\int_{-1}^1x^2\phi(x)\dd x+2\big(1-\Phi(1)\big)=1-2\phi(1)\approx0.5161\); dacă se uită atomii, se obține numai \(2\Phi(1)-1-2\phi(1)\approx0.1988\).)(R) Scrieți o funcție
serie_maxima(n, p)care simulează \(n\) aruncări ale unei monede cu probabilitatea stemei \(p\) și întoarce lungimea celei mai lungi serii consecutive de steme (indicație: funcțiarle). Cureplicate, estimați media acestei lungimi pentru \(n=100\), \(p=0.5\) și probabilitatea ca ea să fie cel puțin \(6\). (Răspuns orientativ: media \(\approx6.0\), probabilitatea \(\approx0.55\) — serii lungi apar mult mai des decât ne-ar spune intuiția.)(R) Într-un concurs, în spatele uneia dintre trei uși se află o mașină (plasată la întâmplare), iar în spatele celorlalte două câte o capră. Concurentul alege ușa \(1\); prezentatorul, care știe unde este mașina, deschide 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. Știind că a fost deschisă ușa \(3\), calculați cu formula lui Bayes probabilitatea de câștig pentru fiecare dintre strategiile „păstrez” și „schimb”, apoi estimați-le din \(10^5\) jocuri simulate. (Răspuns: cu \(M_i\) = „mașina este în spatele ușii \(i\)” și \(H_3\) = „este deschisă ușa \(3\)”: \(\PP(H_3\mid M_1)=\frac12\), \(\PP(H_3\mid M_2)=1\), \(\PP(H_3\mid M_3)=0\), deci \(\PP(H_3)=\frac12\), \(\PP(M_1\mid H_3)=\frac13\) și \(\PP(M_2\mid H_3)=\frac23\): schimbarea dublează șansa de câștig. Indicație pentru simulare:
sample(k, 1), cuknumăr natural, extrage din1:k, deci extrageți o poziție din vectorul ușilor pe care prezentatorul le poate deschide.)Fie \(X\sim\Exp(\lambda)\) și \(Y=e^X\). Determinați densitatea lui \(Y\), prin metoda funcției de repartiție și cu Teorema 17 din Cursul 1, și valorile lui \(\lambda\) pentru care \(\E[Y]<\infty\); calculați atunci \(\E[Y]\). (Răspuns: \(F_Y(y)=\PP(X\le\ln y)=1-y^{-\lambda}\) și \(f_Y(y)=\lambda y^{-\lambda-1}\) pentru \(y>1\) (o repartiție Pareto; pentru \(\lambda=2\), cea din enunțul 4); \(\E[Y]=\int_1^\infty\lambda y^{-\lambda}\dd y=\frac{\lambda}{\lambda-1}\) pentru \(\lambda>1\) și \(\E[Y]=\infty\) pentru \(\lambda\le1\).)
