Capitolul

Breviar teoretic
. Noiuni de algebra mulimilor
Fie o mulime pe care o vom numi univers i A, B, C .
Negarea (deniie)
A A
Idempotena
A A = A A A = A
Comutativitatea
A B = B A A B = B A
Asociativitatea
A (B C) = (A B) C A (B C) = (A B) C
Distributivitatea
A (B C) = (A B) (A C) A (B C) = (A B) (A C)
Dubla negaie
A = A
Principiul terului exclus
A A =
Principiul non-contradiciei
A A =
Excluderea
(A B) (A B) = A (A B) (A B) = A
Teoremele lui De Morgan
A B = A B A B = A B
Legile identitii
A = A A = A
A = A =
Legile negaiei
= =
Absorbia

A (A B) = A A (A B) = A
Semiabsorbia

A (A B) = A B A (A B) = A B
. Analiz combinatoric
... Principiul multiplicrii. Dac o anumit procedur poate efectuat n n

moduri distincte, i dac

acesteia i urmeaz o a doua procedur, care poate efectuat la rndul ei n n

moduri distincte, iar acestei

proceduri i urmeaz o a treia care poate efectuat n n

moduri distincte, .a.m.d.; atunci numrul de

moduri n care succesiunea de proceduri poate efectuat este produsul n

. . ..
Exemplu. ntr-un anumit stat, numerele de nmatriculare constau n litere distincte urmate de cifre,
dintre care prima este nenul. Care este numrul N de vehicule ce pot nmatriculate?
Soluie. Prima liter poate aleas n n

= de moduri, a doua liter poate aleas n n

= de moduri
(deoarece trebuie s e distinct de prima), a treia liter poate aleas n n

= moduri (deoarece trebuie

s e distinct de primele dou), prima cifr poate aleas n n

= moduri (deoarece trebuie s e nenul),

iar urmtoarele dou cifre pot alese n n

= n

= moduri. Obinem N = n

= .

Teoremele notate cu

pot omise fr pierderea continuitii.

. Breviar teoretic
... Metode de selecie. Exist moduri importante prin care k elemente pot alese dintr-o mulime
A avnd card(A) = n.
Spunem c ordinea conteaz n selecie dac se consider diferite rezultatele formate din aceleai elemente,
dar n alt ordine (de ex., dac ab ba).
Spunem c se permit repetri dac un element din mulimea A, odat ales, poate ales din nou.
Conteaz
ordinea?
Se permit
repetri?
Denumire
Numr de alegeri
posibile
Nu Nu combinri de n luate cte k C
k
n
=
n!
k!(n k)!
Da Nu aranjamente de n luate cte k A
k
n
=
n!
(n k)!
Nu Da
combinri de n luate cte k
cu ntoarcere
C
k
n+k
=
(n + k )!
k!(n )!
Da Da
aranjamente de n luate cte k
cu ntoarcere
n
k
n particular, dac alegem aranjamentele tuturor elementelor mulimii (k = n), obinem permutrile aces-
tora, n numr de A
n
n
= P
n
= n!.
Amintim relaia de recuren C
k
n
= C
k
n+
+ C
k
n
i binomul lui Newton
(x + y)
n
=
n

k=
C
k
n
x
k
y
nk
.
n literatur mai este ntlnit notaia C
k
n
= {
n
k
).
Exemplu. Fie A = a, b, c. Vom alege cte k = elemente dintre cele n = , n toate cele moduri:
) C

= , mulimea combinrilor este ab, ac, bc;

) A

= , mulimea aranjamentelor este ab, ba, ac, ca, bc, cb;

) C

= , mulimea combinrilor cu ntoarcere este aa, bb, cc, ab, ac, bc;
)

= , mulimea aranjamentelor cu ntoarcere este aa, bb, cc, ab, ba, ac, ca, bc, cb.
... Coecientul multinomial. Dac avemun numr n de obiecte care pot grupate n r categorii avnd
cte n

, n

, . . ., n
r
obiecte ecare, atunci numrul de moduri n care pot permutate aceste obiecte este
n!
n

! n

! . . . n
r
!
.
Exemplul . Vasele din ota unui stat convin s i transmit mesaje printr-un cod. Fiecare mesaj const n
steaguri aezate vertical pe o sfoar, i poate format din steaguri albe, steaguri albastre i steag rou.
Cte mesaje sunt posibile n acest cod?
Soluie. Conform formulei anterioare, sunt posibile
!
! ! !
= mesaje.
Exemplul . n cte moduri pot mprite jucrii diferite la copii dac cel mai mic primete jucrii i
ceilali cte dou?
Soluie. Notm jucriile prin J
i
i copiii prin
k
, i considerm matricea de atribuire a jucriilor:
A = _
J

_
i observm c numrul de moduri n care pot mprite jucriile reprezint numrul de permutri ale
liniei a matricei:
!
!!!!
= .
. Deniii ale probabilitii
... Noiuni de baz.
experien aleatoare experiena E al crei rezultat nu poate anticipat cu siguran.
spaiul evenimentelor mulimea a tuturor rezultatelor posibile ale experienei aleatoare E.
prob o efectuare a experienei aleatoare, avnd drept rezultat un element .
eveniment o submulime A .
.. Deniii ale probabilitii
eveniment elementar un eveniment Ase numete elementar dac pentru orice eveniment B este adevrat
una dintre propoziiile:
) A B = ;
) A B = A.
realizare pentru o prob oarecare, avnd drept rezultat , armm c un eveniment A s-a realizat
dac i numai dac A.
evenimentul sigur evenimentul care se realizeaz la ecare prob; acesta coincide cu spaiul evenimente-
lor, .
eveniment aproape sigur un eveniment A astfel nct A i P(A) = .
evenimentul imposibil evenimentul care nu se realizeaz la nicio prob, mulimea vid .
miracol (eveniment aproape imposibil) un eveniment A astfel nct A i P(A) = .
Exemplu. Considerm experiena E a aruncrii cu o moned.
Spaiul evenimentelor este = B, S, sau orice alt mod de a reprezenta cele dou evenimente posibile, B -
apare banul i S - apare stema.
O prob const n a arunca moneda i a observa faa care este deasupra (acesta ind rezultatul probei,
B, S).
Evenimentele sunt , B, S, B, S, iar evenimentele elementare sunt B i S.
Pentru o prob avnd drept rezultat B, s-au realizat evenimentele B i B, S.
... Operaii cu evenimente.
negare non A = A A
Evenimentul non A reprezint evenimentul a crui realizare const n nerealizarea evenimentului A.
conjuncie A i B A B
Evenimentul A i B reprezint evenimentul a crui realizare const n realizarea simultan a eveni-
mentelor A i B.
disjuncie A sau B A B
Evenimentul A sau B reprezint evenimentul a crui realizare const n realizarea a cel puin unuia
dintre evenimentele A i B.
... Relaii ntre evenimente.
implicaie A implic B A B
Spunem c evenimentul B este implicat de evenimentul A dac realizarea evenimentului A atrage dup
sine realizarea evenimentului B.
incompatibilitate A B =
Evenimentele A i B se numesc incompatibile dac nu se pot realiza simultan n nicio prob.
compatibilitate A B
Evenimentele A i B se numesc compatibile dac se pot realiza simultan n aceeai prob.
... Cmp de evenimente. Perechea (, K), avnd K P() se numete cmp de evenimente dac
sunt adevrate simultan urmtoarele propoziii:
) , K;
) ()A K A K;
) card(K) < (cmp nit) i ()A, B K A B K sau
card(K) = (cmp innit) i ()A
i
K

i=
A
i
K.
... Sistem complet de evenimente. Fie (, K) un cmp nit de evenimente i A

, A

, . . ., A
n
K o
familie de evenimente. Spunem c aceasta reprezint un sistem complet de evenimente dac sunt adevrate
simultan propoziiile:
) A
i
, pentru ()i = , n;
) A
i
A
j
= , pentru ()i j i i, j = , n;
)
n

i=
A
i
= .
. Breviar teoretic
... Deniia clasic. Asumpii:
) toate elementele lui sunt egal probabile;
) card() < .
P(A)
numrul de cazuri favorabile evenimentului A
numrul de cazuri posibile
=
card(A)
card()
.
... Deniia geometric. Se obine prin extinderea noiunii anterioare la cmpuri innite de eveni-
mente. Fie o mulime msurabil i A , de asemenea msurabil.
P(A)
(A)
()
.
Pentru A R, (A) are interpretarea de lungime, pentru A R

, (A) reprezint o arie, etc.

... Deniia statistic. Raportat la o anumit experien, considerm un numr de probe n i un eve-
niment A. Denim frecvena absolut f
n
(A) ca numrul de realizri ale evenimentului A n cele n probe
i frecvena relativ
n
(A) =
f
n
(A)
n
. Conform legii numerelor mari, n imensa majoritate a cazurilor,
P(A)
n
(A) pentru n sucient de mare.
... Deniia axiomatic. (Andrei N. Kolmogorov, ). Fie spaiul evenimentelor i K un cmp de
evenimente. Numim probabilitate o funcie P K R care ntrunete axiomele:
) nenegativitate: P(A) , ()A K;
) normare: P() = ;
) aditivitate: P(A B) = P(A) + P(B), pentru ()A, B K cu A B = .
Un cmp de evenimente (, K) cruia i se asociaz o probabilitate P K R se noteaz (, K, P) i se
numete cmp de probabilitate.
Experien

Ev. B
Ev. A
Evenimente
Probabilitate
A B
P(A)
p
ro
b

: P K
P(B)
Figura .: O posibil reprezentare a relaiilor existente ntre noiunile fundamentale ale teoriei probabili-
tilor.
... Proprieti ale probabilitii. Fie (, K, P) un cmp de probabilitate, i A, B K evenimente.
Atunci sunt valabile proprietile:
) P() = ;
) P(A) ;
) P(A) = P(A);
) P(A B) = P(A) + P(B) P(A B);
) dac A B, P(A) P(B);
) P(AB) = P(A) P(A B);
) P(A B) = P(A) + P(A B);
) P(A

. . . A
n
)
not.
= P_
n

i=
A
i
_ =
n

i=
P(A
i
), unde A
i
A
j
= , ()i j.
. Teoreme ale probabilitii
... Principiul includerii i excluderii (H. Poincar). Fie (, K, P) un cmp de probabilitate, i A, B,
C K evenimente. Atunci
P(A B C) = P(A) + P(B) + P(C) P(A B) P(B C) P(A C) + P(A B C).
Demonstraie. Conform proprietii P(X Y) = P(X) + P(Y) P(X Y), obinem:
P|A (B C)| = P(A) + P(B C) P|A (B C)| ,
distribuim intersecia n (B C)
.. Teoreme ale probabilitii
P(A B C) = P(A) + P(B C) P|(A B) (A C)| ,
aplicm proprietatea amintit n ultimul termen
P(A B C) = P(A) + P(B C) |P(A B) + P(A C) P(A B A C)|
= P(A) + P(B C) P(A B) P(A C) + P(A B C)
i din nou n al doilea termen
P(A B C) = P(A) + P(B) + P(C) P(B C) P(A B) P(A C) + P(A B C).
... Inegalitatea lui Boole. Fie (, K, P) un cmp de probabilitate, i A

, A

, . . ., A
n
K evenimente.
Atunci
P(A

. . . A
n
) P(A

) + P(A

) + . . . + P(A
n
) (n ).
Demonstraie. Pentru dou evenimente, avem
P(A B) = P(A) + P(B) P(A B)
P(A B)
_ P(A B) P(A) + P(B) .
Pentru n evenimente, vom folosi una din teoremele lui De Morgan:
P(A

. . . A
n
) = P(A

. . . A
n
)
= P(A

. . . A
n
)
P(A

) + P(A

) + . . . + P(A
n
)
| P(A

)| + | P(A

)| + . . . + | P(A
n
)|
n |P(A

) + P(A

) + . . . + P(A
n
)|
P(A

. . . A
n
) P(A

) + P(A

) + . . . + P(A
n
) (n )
n aceast demonstraie am folosit inegalitatea
P(A

. . . A
n
) P(A

) + P(A

) + . . . + P(A
n
),
care se poate demonstra inductiv. Pentru n = avem
P(A

) = P(A

) + P(A

) P(A

)
P(A

)
_ P(A

) P(A

) + P(A

).
Presupunnd c relaia este valabil pentru n, vom arta c este valabil i pentru n + :
P|(A

. . . A
n
) A
n+
| P(A

. . . A
n
) + P(A
n+
)
P(A

) + P(A

) + . . . + P(A
n
) + P(A
n+
).
... Probabiliti condiionate. Fie (, K, P) un cmp de probabilitate, i A, B K evenimente, cu
P(B) . Numimprobabilitatea evenimentului Acondiionat de evenimentul B, probabilitatea de realizare
a evenimentului A n ipoteza c evenimentul B s-a realizat:
P(A|B) =
P(A B)
P(B)
.
O alt notaie este P(A|B) = P
B
(A).
Putem exprima probabilitatea interseciei a dou evenimente:
P(A B) = P(B)P(A|B) = P(A)P(B|A).
... Regula de nmulire a probabilitilor. Fie (, K, P) un cmp de probabilitate, i A

, A

, . . ., A
n

K evenimente astfel nct P(A

. . . A
n
) . Atunci avem:
P(A

. . . A
n
) = P(A

) P(A

|A

) P(A

|A

) . . . P(A
n
|A

. . . A
n
).
... Evenimente independente. Evenimentele A i B se numesc independente dac producerea unuia
dintre ele nu afecteaz probabilitatea producerii celuilalt:
P(A) = P(A|B) =
P(A B)
P(B)
sau P(B) = P(B|A) =
P(A B)
P(A)

P(A B) = P(A) P(B).
... Independena a sau mai multe evenimente. Fie (, K, P) un cmp de probabilitate, i A

, A

, . . .,
A
n
Kevenimente. Evenimentele A

, A

, . . ., A
n
sunt independente dac probabilitatea oricrei intersecii
nite de evenimente este egal cu produsul probabilitilor evenimentelor intersectate:
. Breviar teoretic
P(A
i

A
i

. . . A
i
k
) = P(A
i

) P(A
i

) . . . P(A
i
k
) ,
()i
j
, i

< i

< . . . < i
k
n, k = , n.
Prin urmare, pentru a stabili independena a n evenimente, avem de vericat
n
(n + ) intersecii.
Observaie. Pentru ca n evenimente s e independente, nu este sucient ca acestea s e independente
dou cte dou.
Exemplul lui Sergei Bernstein. Considerm un zar cu fee (un tetraedru regulat), avnd feele colorate
astfel: una n alb, una n negru, una n rou i a patra n toate cele trei culori. La ecare aruncare, notm
culoarea feei inferioare (care se aeaz pe suprafaa orizontal). Considerm evenimentele:
A - observm o fa care conine alb;
B - observm o fa care conine negru;
C - observm o fa care conine rou.
Avem:
P(A) = P(B) = P(C) =

,
pentru ecare eveniment ind dou cazuri favorabile i posibile. Se constat c
P(A B) = P(B C) = P(A C) =

, dar
P(A B C) =

P(A)P(B)P(C) =

.
... Formula probabilitii totale. Fie (, K, P) un cmp de probabilitate, A

, A

, . . ., A
n
Kun sistem
complet de evenimente cu P(A
i
) , i = , m i X un eveniment oarecare. Atunci are loc egalitatea:
P(X) =
n

i=
P(A
i
)P(X|A
i
).
... Teorema lui Bayes. Fie (, K, P) un cmp de probabilitate, A

, A

, . . ., A
n
Kun sistem complet de
evenimente i X un eveniment oarecare, cu P(X) . Atunci, pentru ()i = , n, avem:
P(A
i
|X) =
P(A
i
)P(X|A
i
)
P(X)
,
sau substituind formula probabilitii totale la numitor:
P(A
i
|X) =
P(A
i
)P(X|A
i
)
P(A

)P(X|A

) + P(A

)P(X|A

) + . . . + P(A
n
)P(X|A
n
)
.
Observaie. P(A

), . . ., P(A
n
) se numesc probabiliti a priori, iar P(A

|X), . . ., P(A
n
|X) se numesc pro-
babiliti a posteriori.
. Scheme clasice de probabiliti
... Schema lui Bernoulli fr ntoarcere (schema hipergeometric, schema bilei nerevenite). Consi-
derm o urn cu bile de culori, precum cea din g. .. Din aceasta extragem n bile, n a + b + c, fr a
repune o bil extras napoi n urn. Notm cu Aevenimentul de a extrage bile albe, bile negre i bile
roii, + + = n. Atunci
P(A) =
C

a
C

b
C

c
C
++
a+b+c
.
Schema se poate aplica pentru oricte culori ale bilelor.
a bile albe
b bile negre
c bile roii
Figura .
... Schema lui Bernoulli cuntoarcere (schema binomial, schema bilei revenite). Considermo urn
cu bile de culori: a bile albe, b bile negre i c bile roii. Din aceasta extragem n bile, punnd la loc bila n
urn dup ecare extragere. Notm cu A evenimentul de a extrage bile albe, bile negre i bile roii,
+ + = n. Acestei experiene i atam polinomul lui Bernoulli
.. Variabile aleatoare
Q(x, y, z) = (p x + q y + r z)
n
, unde
p =
a
a + b + c
, q =
b
a + b + c
, r =
c
a + b + c
.
Atunci probabilitatea evenimentului A este
P(A) = coecientul lui x

din Q(x, y, z).

Pentru a calcula aceast probabilitate, aplicm multinomul lui Newton
(x

+ x

+ . . . + x
m
)
n
=
k

+ k

+ . . . + k
m
= n
k

, k

, . . . , k
m

n!
k

! k

! . . . k
m
!
x
k

x
k

. . . x
k
m
m
i obinem
P(A) =
n!
! ! !
p

.
Schema se poate aplica pentru oricte culori ale bilelor.
... Schema lui Poisson. Considerm urne cu bile de culori, precumn gura .. Extragemcte o bil
din ecare urn i considermevenimentul Ade a extrage bile albe, bile negre i bile roii. Experienei
i atam polinomul lui Poisson:
Q(x, y, z) = (p

x + q

y + r

z) (p

x + q

y + r

z) (p

x + q

y + r

z)
(p

x + q

y + r

z)
unde
p

=
a

+ b

+ c

, q

=
b

+ b

+ c

, r

=
c

+ b

+ c

, p

=
a

+ b

+ c

etc.
Atunci probabilitatea evenimentului A este
P(A) = coecientul lui x

din Q(x, y, z).

Schema se poate aplica pentru oricte urne i culori ale bilelor.
a
1
bile albe
b
1
bile negre
c
1
bile roii
a
2
bile albe
b
2
bile negre
c
2
bile roii
a
3
bile albe
b
3
bile negre
c
3
bile roii
U
3
U
2
U
1
a
4
bile albe
b
4
bile negre
c
4
bile roii
U
4
Figura .
. Variabile aleatoare
... Funcia caracteristic a unei mulimi. Fie i A . Funcia caracteristic a mulimii A este

A
, :

A
() =

, A
, A.
... Variabile aleatoare simple. Fie (, K, P) un cmp de probabilitate i A

, A

, . . ., A
n
K un sistem
complet de evenimente. Numim variabil aleatoare simpl funcia f R,
f () = x

() + x

() + . . . + x
n

A
n
(),
unde x
i
R, i = , n.
Observaia . Evenimentele A

, A

, . . ., A
n
se numesc evenimentele de nivel ale variabilei aleatoare f .
Observaia . f () = x
i
dac A
i
, adic f are ntotdeauna valoarea coecientului funciei caracteristice
evenimentului care se realizeaz.
Exemplu. Fie (, K, P) un cmp de probabilitate pentru experiena aruncrii cu zarul. Considerm varia-
bila aleatoare
f =

, faa aprut este ptrat perfect

, faa aprut nu este ptrat perfect.
. Breviar teoretic
Vom identica un sistem complet de evenimente i coecienii
i
corespunztori. Alegem A - evenimen-
tul de a apare o fa numerotat cu un ptrat perfect i B - evenimentul de a apare o fa care nu este
numerotat cu un ptrat perfect,
A = ,
B = , , ,
i observm c acestea formeaz un sistem complet de evenimente. Prin urmare, obinem
f () =
A
() +
B
().
... Matricea de repartiie. Fie (, K, P) un cmp de probabilitate i A

, A

, . . ., A
n
K un sistem
complet de evenimente. Considerm variabila aleatoare simpl f R, f () = x

() + x

() + . . . + x
n

A
n
(), unde x
i
R, ()i = , n. Numim tabelul de repartiie al variabilei aleatoare f
matricea:
X
f
= _
x

. . . x
n
p

. . . p
n
_,
unde p
i
= P(f = x
i
) = P(A
i
), ()i = , n.
Observaie. Deoarece evenimentele A

, A

, . . ., A
n
formeaz unsistemcomplet de evenimente i p
i
= P(A
i
),
avem
n

i=
p
i
= .
Exemplu. Pentru variabila aleatoare de la exemplul anterior,
f =

, faa aprut este ptrat perfect

, faa aprut nu este ptrat perfect,
matricea de repartiie este
X
f
=

.
... Independena variabilelor aleatoare simple. Fie (, K, P) un cmp de probabilitate, i A

, A

, . . .,
A
n
K i B

, B

, . . ., B
m
K dou sisteme complete de evenimente. Variabilele aleatoare
f R, f () = x

() + x

() + . . . + x
n

A
n
() i
R, () = y

() + y

() + . . . + y
m

B
m
()
se numesc independente dac evenimentele de nivel A
i
i B
j
sunt independente dou cte dou, i = , n,
j = , m.
... Variabile aleatoare. Fie (, K, P) un cmp de probabilitate. Funcia f Rse numete variabil
aleatoare dac x R, mulimea | f () x este un eveniment, adic | f () x K.
Pentru simplitate, vom nota | f () x = f x.
Observaia . Imaginea spaiului evenimentelor f () reprezint mulimea valorilor variabilei aleatoare.
Dup proprietile mulimii f (), clasicm variabilele aleatoare astfel:
) variabile aleatoare discrete simple, dac f () este o mulime nit;
Exemplu: numrul de bile albe extrase cu revenire dintr-o urn cu bile albe i negre, dup extrageri.
) variabile aleatoare discrete cu o innitate de valori, dac f () este o mulime numrabil;
Exemplu: numrul de extrageri cu revenire efectuate dintr-o urn cu bile albe i negre pn se extrage
o bil alb.
) variabile aleatoare de tip continuu, dac f () = I, unde I este un interval, o reuniune de intervale
sau I = R.
Exemplu: eroarea la msurarea unei diferene de potenial electric.
Observaia . Pentru variabile aleatoare discrete avnd o innitate de valori, matricea de repartiie are o
innitate de coloane:
X
f
= _
. . . x
i
. . .
. . . p
i
. . .
_,
unde indicii i sunt luai astfel nct x
i
s parcurg mulimea f ().
.. Variabile aleatoare
... Funcia de repartiie. Fie (, K, P) un cmp de probabilitate i f o variabil aleatoare denit pe
. Funcia F R |, |, denit

prin
F(x) = P(f x)
se numete funcia de repartiie a variabilei aleatoare f .
Proprieti.
) F() = ;
) F() = ;
) F este nedescresctoare: ()x

< x

, F(x

) F(x

).
) F este continu la dreapta: lim
xa
F(x)
not.
= F(a + ) = F(a);
) P(a < f b) = F(b) F(a).
De asemenea, se poate arta c:
) P(a f b) = F(b) F(a );
) P(a < f < b) = F(b ) F(a);
) P(a f < b) = F(b ) F(a ).
Exemplu. Variabila aleatoare cu matricea de repartiie X
f
= _
x

. . . x
n
p

. . . p
n
_ are funcia de repartiie:
F(x) =

, x < x

, x

x < x

+ p

, x

x < x

+ p

+ . . . + p
n
, x
n
x < x
n
p

+ p

+ . . . + p
n
+ p
n
, x
n
x < x
n
x x
n
.
... Operaii cu variabile aleatoare simple. Fie f i dou variabile aleatoare simple independente,
avnd matricele de repartiie
X
f
= _
x

. . . x
n
p

. . . p
n
_, X

= _
y

. . . y
m
q

. . . q
m
_.
Adunarea cu o constant. Matricea de repartiie a variabilei aleatoare + f , unde R este
X
+f
= _
x

+ x

+ . . . x
n
+
p

. . . p
n
_.
nmulirea cu o constant. Matricea de repartiie a variabilei aleatoare f , unde R

este
X
f
= _
x

. . . x
n
p

. . . p
n
_.
Adunarea a dou variabile aleatoare. Matricea de repartiie a variabilei f + este:
X
f +
= _
. . . x
i
+ y
j
. . .
. . . P(f + = x
i
+ y
j
) . . .
_, i = , n, j = , m.
Exemplu. Fie X
f
=

i X

. Atunci mulimea valorilor posibile este (f + )() =

, , , , , . Obinem matricea de repartiie
X
f +
= _
. . .
P(f + = ) P(f + = ) . . . P(f + = )
_.
Vom evalua probabilitile:
P(f + = ) = P(f = = )
indep.
= P(f = )P( = ) =

n anumite lucrri este folosit convenia F(x) = P(f < x); n acest caz proprietile de continuitate i ale
limitelor laterale iau alte forme.
. Breviar teoretic
P(f + = ) = P(f = = ) + P(f = = ) =

P(f + = ) = P(f = = ) + P(f = = ) + P(f = = ) =

P(f + = ) = P(f = = ) + P(f = = ) + P(f = = ) =

P(f + = ) = P(f = = ) + P(f = = ) =

P(f + = ) = P(f = = ) =

.
Ca vericare, putem calcula

= .
n concluzie, matricea de repartiie a variabilei aleatoare f + este:
X
f +
=

.
nmulirea a dou variabile aleatoare. Matricea de repartiie a variabilei f este:
X
f
= _
. . . x
i
y
j
. . .
. . . P(f = x
i
y
j
) . . .
_, i = , n, j = , m.
Exemplu. Fie X
f
=

i X

. Atunci mulimea valorilor posibile este (f )() =

, , , , , . Obinem matricea de repartiie
X
f
= _
. . .
P(f = ) P(f = ) . . . P(f = ) P(f = )
_.
Vom evalua probabilitile:
P(f = ) = P(f = = ) + P(f = = ) + P(f = = ) = P(f = ) =

P(f = ) = P(f = = ) =

P(f = ) = P(f = = ) + P(f = = ) =

P(f = ) = P(f = = ) =

P(f = ) = P(f = = ) =

P(f = ) = P(f = = ) =

.
Ca vericare, putem calcula

= .
n concluzie, matricea de repartiie a variabilei aleatoare f este:
X
f
=

.
... Densitate de probabilitate. Pentruovariabil aleatoare continu f avndfuncia de repartiie F(x) =
P(f x), numim densitate de probabilitate funcia
p(x) =
d
dx
F(x).
Interpretare. Pentru x sucient de mic, P(x < f x + x) p(x) x.
Proprieti.
) p(x) , ()x R;
) p(x) are cel mult un numr nit de puncte de discontinuitate;
) p(x) este mrginit;
)
+

p(t) dt = ;
.. Variabile aleatoare
)
x

p(t) dt = F(x);
) P(a < f b) =
b

a
p(t) dt.
... Medie, dispersie, abatere ptratic medie (v.a. discrete). Fie (, K, P) un cmp de probabilitate i
f o variabil aleatoare discret denit pe , cu matricea de repartiie X
f
= _
. . . x
i
. . .
. . . p
i
. . .
_. Numim media
variabilei aleatoare f seria (sau suma, n cazul v.a. simple):
M| f | =
i
x
i
p
i
.
Mai general,
M| f
n
| =
i
x
n
i
p
i
se numete momentul de ordin n al variabilei aleatoare f .
Numim dispersia variabilei aleatoare f , notat D
2
| f |, media M[(f M| f |)

:
D
2
| f | = M[(f M| f |)

=
i
(x
i
M| f |)

p
i
.
Mai general,
M[(f M| f |)
n
=
i
(x
i
M| f |)
n
p
i
se numete momentul centrat de ordin n al variabilei aleatoare f .
... Medie, dispersie, abatere ptratic medie (v.a. continue). Fie (, K, P) un cmp de probabilitate
i f o variabil aleatoare continu denit pe , avnd densitatea de probabilitate p(x).
Numim media variabilei aleatoare f :
M| f | =

x p(x) dx.
Mai general,
M| f
n
| =

x
n
p(x) dx
se numete momentul de ordin n al variabilei aleatoare f .
Numim dispersia variabilei aleatoare f , notat D
2
| f |, media M[(f M| f |)

:
D
2
| f | = M[(f M| f |)

(x M| f |)

p(x) dx.
Mai general,
M[(f M| f |)
n
=

(x M| f |)
n
p(x) dx
se numete momentul centrat de ordin n al variabilei aleatoare f .
... Media unei funcii de o variabil aleatoare. Fie f o variabil aleatoare i R R o funcie
oarecare. Atunci media variabilei aleatoare = (f ) este:
M|(f )| =

i
(x
i
) p
i
, dac f este o v.a. discret

(x) p(x) dx, dac f este o v.a. continu.

... Media i dispersia unei funcii liniare de o variabil aleatoare. Fie f o variabil aleatoare i e
= a f + b, unde a, b R. Atunci media i dispersia v.a. sunt:
M|| = a M| f | + b,
D
2
|| = a

D
2
| f |.
. Breviar teoretic
... Media unei combinaii liniare de variabile aleatoare. Fie f i variabile aleatoare i e h = a f +
b + c, unde a, b, c R. Atunci media v.a. h este:
M|h| = a M| f | + b M|| + c.
... Proprieti ale momentelor v.a. independente. Fie f i variabile aleatoare independente i e
funciile f () R i () R. Sunt adevrate propoziiile:
) M| f | = M| f | M||;
) M|(f ) ()| = M|(f )| M|()|;
) D
2
| f + | = D
2
| f | + D
2
||.
... Exprimarea dispersiei n funcie de momente.
D
2
| f | = M[ f

(M| f |)

.
... Abaterea medie ptratic. Fie f o variabil aleatoare. Numimabatere medie ptratic
f
=
_
D
2
| f |.
Observaie. Ca i dispersia,
f
reprezint o msur a mprtierii variabilei aleatoare f ; ns abaterea
medie ptratic
f
este mai uor de interpretat deoarece are aceeai unitate de msur ca f .
. Repartiii discrete importante
... Repartiia uniform discret. Spunem c f este o variabil aleatoare repartizat uniform discret cu
parametrii m, n Z, cu m n i scriem
f uniform
d
(m, n)
dac
X
f
=

m m+ . . . n n

n m+

n m+
. . .

n m+

n m+

,
sau, echivalent,
P(f = k) =

n m+
, k = m, n.
Media i dispersia acestei v.a. sunt:
M| f | =
m+ n

, D
2
| f | =
(n m)(n m+ )

.
... Repartiia Bernoulli. Spunem c f este o variabil aleatoare repartizat Bernoulli cu parametrul
p |, | i scriem
f Bernoulli(p)
dac
X
f
= _

p p
_.
Media i dispersia acestei v.a. sunt:
M| f | = p, D
2
| f | = p( p).
Interpretare. Variabila aleatoare Bernoulli cu parametrul p = P(A) este variabila aleatoare care indic prin
valoarea dac evenimentul A s-a realizat, dac A i A sunt evenimentele de nivel ale v.a. f :
f =
A
+
A
.
... Repartiia binomial (repartiia bilei revenite). Spunem c f este o variabil aleatoare repartizat
binomial cu parametrii n N i p (, ), i scriem
f binomial(n, p)
dac
X
f
= _
. . . k . . . n
( p)
n
n p ( p)
n
. . . C
k
n
p
k
( p)
nk
. . . p
n
_,
sau, echivalent,
P(f = k) = C
k
n
p
k
( p)
nk
, k = , n.
.. Repartiii continue importante
Media i dispersia acestei v.a. sunt:
M| f | = n p, D
2
| f | = n p ( p).
Interpretare. Repartiia binomial este repartiia numrului de bile albe extrase dup n extrageri cu revenire
dintr-o urn n care bilele albe se gsesc n proporia p.
Proprietate. Fie variabilele aleatoare independente

, . . .,
n
, repartizate
k
Bernoulli(p), k = , n.
Atunci variabila aleatoare f =

+ . . . +
n
este repartizat f binomial(n, p).
... Repartiia Poisson (repartiia evenimentelor rare). Spunem c f este o variabil aleatoare reparti-
zat Poisson cu parametrul > i scriem
f Poisson()
dac
X
f
=

. . . k . . .
e

. . .

k
k!
e

. . .

,
sau, echivalent,
P(f = k) =

k
k!
e

, k N.
Media i dispersia acestei v.a. sunt:
M| f | = , D
2
| f | = .
Interpretare. Repartiia Poisson() cu = n p este o aproximare a repartiiei binomial(n, p) dac p este
mic i n este mare.
... Repartiia Pascal (repartiia geometric, repartiia primului succes). Spunem c f este o variabil
aleatoare repartizat Pascal cu parametrul p (, ) i scriem
f Pascal(p)
dac
X
f
= _
. . . k . . .
p p( p) . . . p( p)
k
. . .
_,
sau, echivalent,
P(f = k) = p( p)
k
, k N

.
Media i dispersia acestei v.a. sunt:
M| f | =

p
, D
2
| f | =
p
p

.
Interpretare. Repartiia Pascal(p) reprezint repartiia numrului de ncercri pn la prima reuit, dac
probabilitatea reuitei este p la ecare ncercare.
... Repartiia hipergeometric (repartiia bilei nerevenite). Spunem c f este o variabil aleatoare re-
partizat hipergeometric cu parametrii n, m, N N, n N, m N dac
P(f = k) =
C
k
m
C
nk
Nm
C
n
N
, k = , min(m, n).
Media i dispersia acestei v.a. sunt:
M| f | = n
m
N
, D
2
| f | = n
m(N m) (N n)
N

(N )
.
Interpretare. Repartiia hipergeometric este repartiia numrului de bile albe extrase dup n extrageri fr
revenire dintr-o urn cu N bile, dintre care m sunt albe.
. Repartiii continue importante
... Repartiia uniform continu. Spunem c f este o variabil aleatoare repartizat uniform continuu
cu parametrii a, b R, cu a < b i scriem
f uniform(a, b)
dac f are densitatea de probabilitate
. Breviar teoretic
p(x) =

b a
, x |a, b|
, n rest.
Media i dispersia acestei v.a. sunt:
M| f | =
a + b

, D
2
| f | =
(b a)

.
Funcia de repartiie a v.a. f este
F(x) =

, x < a
x a
b a
, x |a, b)
, x b.
... Repartiia exponenial. Spunem c f este o variabil aleatoare repartizat exponenial cu parame-
trul > i scriem
f exp()
dac f are densitatea de probabilitate
p(x) =

e
x
, x
, x < .
Media i dispersia acestei v.a. sunt:
M| f | =

, D
2
| f | =

.
Funcia de repartiie a v.a. f este
F(x) =

, x <
e
x
, x .
... Repartiia Cauchy(-Lorentz). Spunem c f este o variabil aleatoare repartizat Cauchy cu parame-
trii x

R i > , i scriem
f Cauchy (x

, )
dac f are densitatea de probabilitate
p(x) =

+ _
x x

.
Funcia de repartiie a v.a. f este
F(x) =

arctg _
x x

_
Media i dispersia acestei v.a. nu exist.
Caz particular. Dac x

= i = , spunem c f este repartizat Cauchy standard i omitem scrierea

parametrului: f Cauchy. n acest caz densitatea v.a. este p(x) =

(x

+ )
, iar funcia de repartiie
F(x) =

arctg(x).
... Repartiia normal (gaussian). Spunem c f este o variabil aleatoare repartizat normal cu para-
metrii m R i > , i scriem
f N (m, )
dac f are densitatea de probabilitate
p(x) =

(x m)

.
Media i dispersia acestei v.a. sunt:
M| f | = m, D
2
| f | =

.
.. Teoreme de limit
Caz particular. Dac m = i = , spunem c f este repartizat normal standard. n acest caz densitatea
v.a. este p(x) =

.
... Funcia lui Laplace (funcia erorilor

). Funcia lui Laplace este funcia de repartiie a unei variabile

aleatoare repartizate normal standard, f N(, ):
(x) =

dt.
Proprieti:
) () = ;
) () = ;
) () =

;
) (x) = (x).
Teorem. Dac f este o variabil aleatoare normal distribuit, f N(m, ), atunci
) funcia de repartiie a v.a. f este F(x) = _
x m

_;
) P(a f b) = _
b m

_ _
a m

_.
Demonstraie. Funcia de repartiie a v.a. f N(m, ) este
F(x) =

tm

dt.
Efectund schimbarea de variabil =
t m

, d =

dt, obinem
F(x) =

xm

d
= _
x m

_ .
. Teoreme de limit
... Inegalitatea lui Cebev. Fie f o variabil aleatoare de medie m = M| f | i abatere medie ptratic

f
=
_
D
2
| f |. Atunci, > avem:
P(| f m| )

.
Interpretare. Abaterea medie ptratic indic ct de improbabile sunt abaterile de la medie.
... Inegalitatea lui Markov

. Fie f o variabil aleatoare care poate lua numai valori nenegative, de medie
m = M| f |. Atunci
P(f a)
m
a
, ()a > .
... Teorema celor . Fie f o variabil aleatoare de medie m = M| f | i abatere medie ptratic
f
=
_
D
2
| f |. Atunci
P{| f m| <
f
)

.
Demonstraie. Teorema reprezint un caz particular al inegalitii lui Cebev. Substituind =
f
, obinem:

Exist i alte deniii ale funciei erorilor, de ex.

(x) =

dt sau erf (x) =

e
t

dt. Acestea
ntrunesc (x) =

(x), respectiv (x) =

+ erf {
x

)_.
. Breviar teoretic
P{| f m|
f
)

f
{
f
)

f
=

P{| f m| <
f
) >

.
... Teorema celor pentru v.a. normale. Fie f o variabil aleatoare normal, f N(m, ). Atunci
P(| f m| < ) , .
Demonstraie.
P(| f m| < ) = P( < f m < )
= P(m < f < m+ )
= _
m+ m

_ _
m m

_
= () ()
= () | ()|
= ()
, .
... Convergena n probabilitate. Fie (, K, P) un cmp de probabilitate, f
n

nN
un ir de v.a. i f o
variabil aleatoare, toate denite pe cmpul considerat. Spunem c irul f
n

nN
converge n probabilitate
ctre f i scriem f
n
P
f dac
> , lim
n
P(| f
n
f | > ) =
sau, echivalent,
> , lim
n
P(| f
n
f | ) = .
Observaie. Se poate deni i convergena n probabilitate ctre o constant, deoarece o constant c R
poate considerat o variabil aleatoare avnd matricea de repartiie
X
c
= _
c

_.
... Legea numerelor mari sub forma Cebev. Dac f
n

nN
este un ir de variabile aleatoare indepen-
dente dou cte dou, avnd dispersiile mrginite de o aceeai constant
D
2
| f
n
| c

, ()n N,
atunci, () > este adevrat egalitatea
lim
n
P__
f

+ f

+ . . . + f
n
n

M| f

| + M| f

| + . . . + M| f
n
|
n
_ > _ = .
... Legea numerelor mari sub forma Bernoulli. Fie A un eveniment din cmpul de probabilitate
(, K, P), avnd probabilitatea P(A) = p. Notm q = p i considerm
n

nN

un ir de variabile
aleatoare independente i identic repartizate, avnd matricea de repartiie
X

i
= _

q p
_, ()i N

,
i proprietatea c
i
indic prin valoarea sa realizarea evenimentului A la proba cu numrul i:

i
=

, dac evenimentul A nu s-a realizat la proba cu numrul i

, dac evenimentul A s-a realizat la proba cu numrul i.
Putem exprima frecvena absolut a evenimentului A dup n probe prin variabila aleatoare
f
n
=

+ . . . +
n
.
Aceste v.a. au matricele de repartiie
.. Teoreme de limit
X
f

= _

q p
_
X
f

= _

q

pq p

_
X
f

= _

q

pq

q p

X
f
n
= _
. . . k . . . n n
q
n
npq
n
. . . C
k
n
p
k
q
nk
. . . np
n
q p
n
_.
Frecvena relativ a realizrii evenimentului A dup n probe este variabila aleatoare
n
=
f
n
n
:

=
f

=
f

n
=
f
n
n
.
Atunci

n
P
_
P(A)

_.
Observaie. Este un caz particular al legii numerelor mari n forma Cebev.
... Teorema limitei centrale sub forma Liapunov (teorema fundamental a statisticii). Fie f
n

nN

unir de variabile aleatoare independente i identic repartizate, denite pe cmpul de probabilitate (, K, P),
de medie m = M| f
i
| i abatere medie ptratic =
_
D
2
| f
i
|, ()i. Atunci, pentru n sucient de mare,
avem aproximaia
P( f

+ f

+ . . . + f
n
) _
mn

n
_ _
mn

n
_.
Interpretare. Suma a sucient de multe variabile aleatoare f
i
independente i identic repartizate, de medie
m = M| f
i
| i abatere medie ptratic =
_
D
2
| f
i
|, este repartizat aproximativ N {mn,

n) .
Consecin. n aceleai condiii, se poate deduce o aproximaie similar pentru media v.a. considerate
P( f

+ f

+ . . . + f
n
) = P_

n

f

+ f

+ . . . + f
n
n


n
_
P_

n

f

+ f

+ . . . + f
n
n


n
_ _
mn

n
_ _
mn

n
_.
n argumentele funciei , mprim numitorii i numrtorii prin n i notm a =

n
i b =

n
:
P_

n

f

+ f

+ . . . + f
n
n


n
_

n
m

n
n

n
m

n
n

P_a
f

+ f

+ . . . + f
n
n
b_ _
b m

n
_ _
a m

n
_.
Interpretare. Media aritmetic a sucient de multe variabile aleatoare f
i
independente i identic repartizate,
de medie m = M| f
i
| i abatere medie ptratic =
_
D
2
| f
i
|, este repartizat aproximativ N _m,

n
_.
... Teorema Moivre-Laplace. Fie (, K, P) un cmp de probabilitate i A K un eveniment avnd
probabilitatea de realizare p = P(A). Considerm f
n

nN

un ir de variabile aleatoare independente i

identic repartizate, avnd matricea de repartiie bernoullian
. Breviar teoretic
X
f
i
= _

p p
_, ()i N

,
cu proprietatea
f
i
=

, dac evenimentul A nu s-a realizat la proba cu numrul i

, dac evenimentul A s-a realizat la proba cu numrul i.
Atunci pentru repartiia frecvenei absolute a evenimentului A n n probe, f

+ f

+ . . . + f
n
este valabil
aproximaia
P( f

+ f

+ . . . + f
n
)

n p
_
np( p)

n p
_
np( p)

.
Interpretare. Frecvena absolut a realizrilor evenimentului A de probabilitate p = P(A) este repartizat
aproximativ N {np,
_
np( p)).
Consecin. n aceleai condiii, pentru repartiia frecvenei relative a evenimentului A n n probe,
n
=
f

+ f

+ . . . + f
n
n
este valabil aproximaia
P_a
f

+ f

+ . . . + f
n
n
b_

(b p)

n
_
p( p)

(a p)

n
_
p( p)

.
Interpretare. Frecvena relativ a realizrilor evenimentului A de probabilitate p = P(A) este repartizat
aproximativ N

p,

p( p)
n

.
Observaie. Teorema reprezint un caz particular al teoremei limit central sub forma Liapunov. Dac
substituim n aceasta media i abaterea ptratic medie variabilei aleatoare Bernoulli(p)
X
f
i
= _

p p
_,
i anume
M| f
i
| = p,
f
i
=
_
p( p).
obinem teorema Moivre-Laplace.
... Corecia de continuitate pentruteorema Moivre-Laplace

. ncondiiile teoremei Moivre-Laplace,

o aproximaie mai bun pentru repartiia frecvenei absolute a evenimentului A n n probe este
P( f

+ f

+ . . . + f
n
)

n p
_
np( p)

n p
_
np( p)

.

(a)

(b)
Figura .
Justicare. Teorema Moivre-Laplace aproximeaz repartiia unei variabile aleatoare binomiale,
n
= f

+
f

+ . . . + f
n
, de medie M|
n
| = np i dispersie D
2
|
n
| = np( p) prin repartiia unei variabile alea-
toare normale cu aceiai parametri. Figura . prezint n acelai sistem de referin probabilitile din
repartiia binomial i densitatea repartiiei normale prin care acestea sunt aproximate. n (.a) o prim
aproximare a probabilitii P( f

+ f

+ . . . + f
n
) se obine integrnd densitatea normal ntre i
, valoarea acestei integrale reprezentnd aria haurat. Cu aceast abordare, dac avem = , obinem
P(f

+ f

+ . . . + f
n
= ) . n (.b) se propune o posibil mbuntire a acestei aproximaii, integrnd
densitatea normal ntre

i +

pentru a aproxima P(f

+ f

+ . . . + f
n
= ). Extinznd aceast idee
i pentru , putem aproxima P( f

+ f

+ . . . + f
n
) prin integrala densitii normale ntre

i +

.
.. Teoreme de limit
Aplicnd relaia de corecie i pentru frecvena relativ
n
=
f

+ f

+ . . . + f
n
n
, obinem
P(a
n
b) _(b +

n
p)

n
p( p)
_ _(a

n
p)

n
p( p)
_ ,
o corecie relevant numai pentru valori mici ale lui n.
Exemplu. Se arunc cu o moned cu fee echiprobabile de de ori. Estimai probabilitatea de a obine cel
mult de apariii ale stemei, cu i fr corecia de continuitate. Comparai acest rezultat cu valoarea exact
P( f

+ f

+ . . . + f
n
) =

k=
C
k

)
k
{

)
k
= , , obinut din repartiia binomial.
Folosind aproximarea fr corecia de continuitate, obinem
P( f

+ f

+ . . . + f
n
) _
,

, ,
_ _
,

, ,
_
() ()
()
, .
Dac folosim corecia de continuitate, obinem
P( f

+ f

+ . . . + f
n
) _
, ,

, ,
_ _
, ,

, ,
_
(, ) (, )
(, )
, ,
o aproximare considerabil mai bun.