Part I

Probabilit ati
1 Cmp de probabilitate.
Operatii cu evenimente si formule de calcul
pentru probabilit atile acestora.
Evenimente independente.
Probabilitatea conditionat a.
Formula lui Bayes
1.1 Cmp de probabilitate
n teoria probabilit atilor consider am un experiment cu un rezultat dependent
de sans a, care e numit experiment aleator. Se presupune c a toate rezultatele
posibile ale unui experiment aleator sunt cunoscute si ele sunt elemente ale unei
multimi fundamentale denumit a ca spa tiul probelor. Fiecare rezultat posibil este
numit proba si un eveniment este o submultime a spatiului probelor.
Notatii. Fie multime.
T () := [ _ .
Fie _ .
= ( := a [a , .
Denitia 1.1. Fie multime. / _ T () se numeste corp borelian sau
o-algebra pe dac a si numai dac a
1) / ,= O
2) / == /
3)
1
,
2
, ...,
n
, ... / ==
_
n

n
/.
(, /) se numeste spa tiu masurabil cnd / este corp borelian pe .
Propriet ati. Dac a (, /) este spa tiu masurabil atunci:
a) /
b) O /
c)
1
,
2
, ...,
n
/ ==
n
_
I=1

I
/.
d) 1 cel mult num arabil a (i.e. nit a sau num arabil a),
I
/, \i 1 ==

I1

I
/
e) , 1 / == 1 /.
Demonstratie. a) / ,= O == / == / == = ' ' '
' ... /.
b) O = /.
1
c)
n
_
I=1

I
=
n
_
I=1

I
' O ' O ' ... /.
d)

I1

I
=
_
I1

I
/.
e) 1 = 1 /.
Consider am un corp borelian pe / pe un spatiu de elemente a, /, c, ... cu
a , / , c , ... / si cu submultimile , 1, C, ... /. Unele dintre corespon-
dentele dintre teoria multimilor si teoria probabilit atilor sunt date n urm atorul
tabel:
Teoria multimilor Teoria probabilit atilor
Spatiu, Spatiul probelor, eveniment sigur
Multimea vid a, O Eveniment imposibil
Elemente a, /, ... Probe a, /, ... (sau evenimente simple)
Multimi , 1, ... Evenimente , 1, ...
Evenimentul apare
Evenimentul nu apare
' 1 Cel putin unul dintre si 1 apare
1 Ambele si 1 apar
_ 1 este un subeveniment al lui 1 (i.e. aparitia lui implic a aparitia lui 1)
1 = O si 1 sunt mutual exclusive (i.e. ele nu pot ap area simultan)
O este considerat a un eveniment imposibil deoarece niciun rezultat posibil
nu este element al ei. Prin "aparitia unui eveniment" ntelegem c a rezultatul
observat este un element al acelei multimi. Spunem c a mai multe evenimente
sunt mutual exclusive dac a multimile corespunz atoare sunt disjuncte dou a cte
dou a.
Exemplul 1.1. Consider am un experiment de calculare a num arului de
masini care vireaz a la stnga la o intersectie dintr-un grup de 100 de masini.
Rezultatele posibile (numerele posibile de masini care vireaz a la stnga) sunt
0, 1, 2, ..., 100. Atunci, spatiul probelor este = 0, 1, 2, ..., 100 si / = T () .
= 0, 1, 2, ..., 50 este evenimentul "cel mult 50 de masini vireaz a la stnga".
1 = 40, 41, ..., 60 este evenimentul "ntre 40 si 60 (inclusiv) de masini vireaz a
la stnga". ' 1 este evenimentul "cel mult 60 de masini vireaz a la stnga".
1 este evenimentul "ntre 40 si 50 (inclusiv) de masini vireaz a la stnga".
Fie C = 81, 82, ..., 100. Evenimentele si C sunt mutual exclusive.
Denitia 1.2. Fie (, /) spatiu m asurabil. Functia 1 : / R se numeste
probabilitate pe (, /) dac a si numai dac a are urm atoarele propriet ati (numite
axiomele probabilit atii):
Axioma 1: 1 () _ 0, \ / (nenegativ a).
Axioma 2: 1 () = 1 (normat a).
Axioma 3: pentru orice colectie num arabil a de evenimente mutual exclusive
(multimi disjuncte dou a cte dou a)
1
,
2
, ... /,
1
_
_
_

_
_
=

1 (

) (num arabil aditiv a).

2
(, /, 1) se numeste cmp de probabilitate dac a si numai dac a 1 este prob-
abilitate pe spatiul m asurabil (, /) .
1.2 Operatii cu evenimente si formule de calcul pentru
probabilit atile acestora
Propriet ati. Dac a (, /, 1) este cmp de probabilitate, atunci:
1) 1 (O) = 0.
2) pentru orice colectie nit a de evenimente mutual exclusive (multimi dis-
juncte dou a cte dou a)
1
,
2
, ...,
n
/,
1
_
_
n
_
=1

_
_
=
n

=1
1 (

) (1 este aditiv a).

3) _ C; , C / == 1 () _ 1 (C) .
4) , 1 / ==
1 (' 1) = 1 () +1 (1) 1 ( 1) .
5) (Formula lui Poincare)
1
,
2
, ...,
n
/ ==
1
_
_
n
_
=1

_
_
=
n

=1
1 (

)

1I<n
1 (
I

)+

1I<<|n
1 (
I

|
)...+(1)
n1
1
_
_
n

=1

_
_
.
n particular, , 1, C / ==
1('1'C) = 1() +1(1) +1(C) 1(1) 1(C) 1(1C) +
1( 1 C).
6) / == 1
_

_
= 1 1 () .
Demonstratie. 1) 1() = 1 ( ' O ' O ' ...)
.3
= 1 () + 1 (O) + 1 (O) +
...
.2
== 1 = 1 +1 (O) +1 (O) +... == 1 (O) +1 (O) +... = 0 == 1 (O) = 0.
2) 1
_
_
n
_
=1

_
_
= 1
_
_
n
_
=1

' O ' O ' ...

_
_
.3
=
n

=1
1 (

) + 1 (O) + 1 (O) +
...
1)
=
n

=1
1 (

) + 0 + 0 +... =
n

=1
1 (

) .
3) 1 (C) = 1(' (C))
2)
= 1 () +1 (C)
. .
0
== 1 (C) _ 1 () .
4) 1 (' 1) = 1 (' (1))
2)
= 1 () + 1 (1)
2)
= 1 () + 1 (1)
1 ( 1) .
5) Inductie.
Pentru : = 1 e evident.
Presupunem adev arat pentru :.
Fie
1
,
2
, ...,
n
,
n+1
/.
3
1
_
_
n+1
_
=1

_
_
= 1
_
_
n
_
=1

'
n+1
_
_
4)
= 1
_
_
n
_
=1

_
_
+1 (
n+1
)1
_
_
_
_
n
_
=1

_
_

n+1
_
_
ip. ind.
=
n

=1
1 (

)

1I<n
1 (
I

)+

1I<<|n
1 (
I

|
)...+(1)
n1
1
_
_
n

=1

_
_
+
1 (
n+1
) 1
_
_
n
_
=1
(

n+1
)
_
_
ip. ind.
=
n+1

=1
1 (

)

1I<n
1 (
I

)+

1I<<|n
1 (
I

|
)...+(1)
n1
1
_
_
n

=1

_
_

[
n

=1
1 (

n+1
)

1I<n
1 ((
I

n+1
) (

n+1
)) +

1I<<|n
1 ((
I

n+1
) (

n+1
) (
|

n+1
))...+(1)
n1
1
_
_
n

=1
(

n+1
)
_
_
] =
n+1

=1
1 (

)

1I<n
1 (
I

)
n

=1
1 (

n+1
)+

1I<<|n
1 (
I

|
)+

1I<n
1 (
I

n+1
) ... + (1)
n
1
_
_
n+1

=1

_
_
=
n+1

=1
1 (

)

1I<n+1
1 (
I

)+

1I<<|n+1
1 (
I

|
)...+(1)
n
1
_
_
n+1

=1

_
_
.
6) 1 = 1 () = 1
_
'
_
2)
= 1 () +1
_

_
.
Exemplul 1.2. n exemplul 1.1, presupunem c a probabilit atile 1 () , 1 (1)
si 1 (C) sunt cunoscute. Vrem s a calcul am 1('1) (probabilitatea ca cel mult
60 de masini s a vireze la stnga) si 1(' C) (probabilitatea ca cel mult 50 de
masini sau ntre 80 si 100 de masini s a vireze la stnga). Deoarece si C sunt
mutual exclusive avem
1(' C) = 1 () +1 (C) .
Dar
1 (' 1) = 1 () +1 (1) 1 ( 1) .
Informatia dat a este insucient a pentru a determina 1 (' 1) si avem
nevoie de informatia aditional a 1 ( 1), care este probabilitatea ca ntre 40
si 50 de masini s a vireze la stnga.
1.3 Evenimente independente
Denitia 1.3. Fie (, /, 1) cmp de probabilitate. Dou a evenimente , 1 /
se numesc independente dac a si numai dac a
4
1 ( 1) = 1 () 1 (1) .
Observatie. Dac a si 1 sunt evenimente independente, atunci:
1
_
1
_
= 1()1
_
1
_
,
1
_
1
_
= 1
_

_
1 (1) ,
1
_
1
_
= 1
_

_
1
_
1
_
.
Demonstratie. 1() = 1
_
( 1) '
_
1
__
= 1 ( 1)+1
_
1
_
==
1
_
1
_
= 1() 1 ( 1) = 1() 1 () 1 (1) = 1() (1 1 (1)) =
1()1
_
1
_
.
Analog pentru celelalte relatii.
Exemplul 1.3. n lansarea unui satelit, probabilitatea unui insucces este .
Care este probabilitatea ca dou a lans ari succesive s a esueze?
Presupunnd c a lans arile satelitului sunt evenimente independente, r aspun-
sul este
2
.
Denitia 1.4. Fie (, /, 1) cmp de probabilitate. Evenimentele
1
,
2
, ...,
n

/ sunt independente dac a si numai dac a \: = 2, 3, ..., :; /
1
, /
2
, ..., /
n
N a. .
1 _ /
1
< /
2
< ... < /
n
_ :,
1 (
|1

|2
...
|m
) = 1 (
|1
) 1 (
|2
) ...1 (
|m
) .
n particular,
1
,
2
,
3
sunt independente dac a si numai dac a
1 (

|
) = 1 (

) 1 (
|
) , \, < /; ,, / = 1, 2, 3,
si
1(
1

2

3
) = 1 (
1
) 1 (
2
) 1 (
3
) .
Observatii. 1) Num arul de egalit ati din denitia independentei a : eveni-
mente este 2
n
: 1.
2) Independenta dou a cte dou a nu conduce n general la independent a.
Contraexemplu. Fie 3 evenimente
1
,
2
,
3
denite de

1
= 1
1
' 1
2
,
2
= 1
1
' 1
3
,
3
= 1
2
' 1
3
,
unde 1
1
, 1
2
si 1
3
sunt mutual exclusive, ecare avnd probabilitatea
1
4
.
1 (
1
) = 1 (1
1
' 1
2
) = 1 (1
1
) +1 (1
2
) =
1
2
.
Analog 1 (
2
) = 1 (
3
) =
1
2
.
1 (
1

2
) = 1 ((1
1
' 1
2
) (1
1
' 1
3
)) = 1 (1
1
' (1
2
1
3
)) = 1 (1
1
' O) =
1 (1
1
) =
1
4
=
1
2

1
2
= 1 (
1
) 1 (
2
) .
Analog 1 (
1

3
) = 1 (
1
) 1 (
3
) , 1 (
2

3
) = 1 (
2
) 1 (
3
) .
1 (
1

2

3
) = 1 ((1
1
' 1
2
) (1
1
' 1
3
) (1
2
' 1
3
)) = 1 ((1
1
' (1
2
1
3
)) (1
2
' 1
3
)) =
1 (1
1
(1
2
' 1
3
)) = 1 ((1
1
1
2
) ' (1
1
1
3
)) = 1 (O ' O) = 1 (O) = 0.
1 (
1
) 1 (
2
) 1 (
3
) =
1
8
.
Deci 1 (
1

2

3
) ,= 1 (
1
) 1 (
2
) 1 (
3
) .
Evenimentele
1
,
2
,
3
sunt independente dou a cte dou a, dar nu sunt
independente.
3) Dac a evenimentele
1
,
2
, ...,
n
sunt independente, atunci nlocuind ori-
care din
|j
cu complementara
|j
n ambii membri din relatiile din denitia
independentei, relatiile obtinute r amn valabile.
5
Exemplul 1.4. Un sistem compus din 5 componente merge exact atunci
cnd ecare component a e bun a. Fie o
I
, i = 1, ..., 5, evenimentul "componenta
i e bun a" si presupunem 1 (o
I
) = j
I
. Care e probabilitatea ca sistemul s a nu
mearg a?
Presupunnd c a cele 5 componente merg ntr-o manier a independent a, e j
probabilitatea de succes.
= 1 j = 1 1
_
5

I=1
o
I
_
= 1
5

I=1
1 (o
I
) = 1
5

I=1
j
I
.
1.4 Probabilitatea conditionat a
Denitia 1.5. Fie (, /, 1) cmp de probabilitate si , 1 / a. . 1 (1) ,= 0.
Probabilitatea condi tionata de 1 a lui este dat a de
1 ([1) =
1 ( 1)
1 (1)
.
Observatie. n ipotezele denitiei 1.5, si 1 sunt independente ==
1 ([1) = 1 () .
Demonstratie. si 1 sunt independente == 1 ( 1) = 1 () 1 (1) ==
1(.|1)
1(1)
= 1 () == 1 ([1) = 1 () .
Propozitie. Fie (, /, 1) cmp de probabilitate si 1 / a. . 1 (1) ,= 0.
Atunci functia 1
1
: / R, 1
1
() = 1 ([1) este probabilitate pe(, /) .
Demonstratie. Veric am cele 3 axiome ale probabilit atii:
1) 1
1
() =
1(.|1)
1(1)
_ 0, \ /, deoarece 1 ( 1) _ 0 si 1 (1) 0.
2) 1
1
() =
1(|1)
1(1)
=
1(1)
1(1)
= 1.
3)
1
,
2
, ... / colectie num arabil a de evenimente mutual exclusive ==

1
1,
2
1, ... / mutual exclusive == 1
1
(
1
'
2
' ...) =
1((.1|.2|...)|1)
1(1)
=
1((.1|1)|(.2|1)|...)
1(1)
=
1(.1|1)+1((.2|1))+...
1(1)
=
1(.1|1)
1(1)
+
1(.2|1)
1(1)
+ ... =
1
1
(
1
) +1
1
(
2
) +....
Exemplul 1.5. Reconsider am exemplul 1.4 presupunnd j
1
0. Care este
probabilitatea conditionat a ca primele dou a componente s a e bune dat ind
c a:
a) prima component a este bun a;
b) cel putin una dintre cele dou a este bun a?
Evenimentul o
1
o
2
nseamn a c a ambele componente sunt bune, iar o
1
'o
2
c a cel putin una e bun a. Datorit a independentei lui o
1
si o
2
, avem:
a) 1 (o
1
o
2
[o
1
) =
1(S1|S2|S1)
1(S1)
=
1(S1|S2)
1(S1)
=
1(S1)1(S2)
1(S1)
= 1 (o
2
) = j
2
.
b) 1 (o
1
o
2
[o
1
' o
2
) =
1(S1|S2|(S1|S2))
1(S1|S2)
=
1(S1|S2)
1(S1|S2)
=
1(S1)1(S2)
1(S1)+1(S2)1(S1|S2)
=
12
1+212
.
Exemplul 1.6. Determinati probabilitatea de a trage, f ar a nlocuire, 2 asi
succesiv dintr-un pachet de c arti de joc f ar a jokeri.
Fie
1
evenimentul "prima carte tras a este un as" si similar
2
. Se cere
1 (
1

2
).
6
1 (
1
) =
4
52
(sunt 4 asi n cele 52 de c arti din pachet).
1(
2
[
1
) =
3
51
(dac a prima carte tras a este un as, au r amas 51 de c arti
dintre care 3 sunt asi).
1(
2
[
1
) =
1(.1|.2)
1(.1)
== 1 (
1

2
) = 1 (
1
) 1(
2
[
1
) =
4
52

3
51
=
1
13

1
17
=
1
221
.
Propozitie. Fie (, /, 1) cmp de probabilitate si
1
,
2
, ...,
n
/ a. .
1 (
1

2
...
n1
) 0. Atunci
1 (
1

2
...
n
) = 1 (
1
) 1(
2
[
1
)1 (
3
[
1

2
) ...1 (
n
[
1

2
...
n1
) .
Demonstratie.
1
_
1

2
_ ... _
1

2
...
n1
== 1 (
1
) _
1 (
1

2
) _ ... _ 1 (
1

2
...
n1
) 0 == probabilit atile condition-
ate din membrul drept au sens.
1 (
1
) 1(
2
[
1
)1 (
3
[
1

2
) ...1 (
n
[
1

2
...
n1
) = 1 (
1
)
1(.1|.2)
1(.1)

1(.1|.2|.3)
1(.1|.2)
...
1(.1|.2|...|.n)
1(.1|.2|...|.n1)
= 1 (
1

2
...
n
) .
Denitia 1.6. Fie 1
I
_ , \i 1. (1
I
)
I1
se numeste parti tie a lui dac a
si numai dac a (1
I
)
I1
sunt disjuncte dou a cte dou a si
_
I1
1
I
= .
Teorema probabilit atii totale. Fie (, /, 1) cmp de probabilitate si
(1
I
)
I1
/ partitie cel mult num arabil a a lui a. . 1 (1
I
) 0, \i 1.
Atunci, \ /,
1 () =

I1
1 ([1
I
) 1 (1
I
) .
Demonstratie. (1
I
)
I1
mutual exclusive, 1
I
_ 1
I
, \i 1 ==
( 1
I
)
I1
mutual exclusive ==

I1
1 ([1
I
) 1 (1
I
) =

I1
1(.|1i)
1(1i)
1 (1
I
) =

I1
1 ( 1
I
) = 1
_
_
I1
( 1
I
)
_
= 1
_

_
_
I1
1
I
__
= 1 ( ) = 1 () .
Exemplul 1.7. S a se determine probabilitatea ca un nivel critic al curgerii
s a e atins n timpul furtunilor ntr-un sistem de canalizare pe baza m asur ato-
rilor meteorologice si hidrologice.
Fie 1
I
, i = 1, 2, 3 diferitele nivele (mic, mediu si mare) de precipitatii cauzate
de o furtun a si

, , = 1, 2 nivelele critic, respectiv necritic al curgerii. Prob-

abilit atile 1 (1
I
) pot estimate din nregistr arile meteorologice, iar 1 (

[1
I
)
din analiza curgerii. Presupunem c a:
1 (1
1
) = 0, 5; 1 (1
2
) = 0, 3; 1 (1
3
) = 0, 2;
1 (
1
[1
1
) = 0; 1 (
1
[1
2
) = 0, 2; 1 (
1
[1
3
) = 0, 6;
1 (
2
[1
1
) = 1; 1 (
2
[1
2
) = 0, 8; 1 (
2
[1
3
) = 0, 4.
Deoarece 1
1
, 1
2
, 1
3
constituie o partitie, din teorema probabilit atii totale
avem:
1(
1
) = 1 (
1
[1
1
) 1 (1
1
)+1 (
1
[1
2
) 1 (1
2
)+1 (
1
[1
3
) 1 (1
3
) = 00, 5+
0, 2 0, 3 + 0, 6 0, 2 = 0, 18.
7
1.5 Formula lui Bayes
Thomas Bayes a fost un lozof englez.
Teorema lui Bayes. Fie (, /, 1) cmp de probabilitate si , 1 / a. .
1 () ,= 0 si 1 (1) ,= 0. Atunci:
1 (1[) =
1 ([1) 1 (1)
1 ()
.
Demonstratie.
1(.]1)1(1)
1(.)
=
P(A\B)
P(B)
1(1)
1(.)
=
1(1|.)
1(.)
= 1 (1[) .
Formula lui Bayes. Fie (, /, 1) cmp de probabilitate si (1
I
)
I1
/
partitie cel mult num arabil a a lui a. . 1 (1
I
) 0, \i 1. Atunci, \ / a.
. 1 () ,= 0, \i 1,
1 (1
I
[) =
1(.]1i)1(1i)

j2I
[1(.]1j)1(1j)]
.
Demonstratie.
1(.]1i)1(1i)

j2I
[1(.]1j)1(1j)]
TPT
=
1(.]1i)1(1i)
1(.)
TB
= 1 (1
I
[) .
Exemplul 1.8. n exemplul 1.7, s a se determine 1 (1
2
[
2
), probabilitatea
ca, dat ind c a s-a atins un nivel necritic al curgerii, el s a fost datorat unei
furtuni de nivel mediu. Din formula lui Bayes rezult a
1 (1
2
[
2
) =
1(.2]12)1(12)
3

j=1
[1(.2]1j)1(1j)]
=
0,80,3
10,5+0,80,3+0,40,2
=
0,24
0,5+0,24+0,08
=
0,24
0,82
=
12
41
~
= 0, 293.
Exemplul 1.9. Un canal de comunicare binar simplu transmite mesaje
folosind doar 2 semnale, s a spunem 0 si 1. Presupunem c a, pentru un canal
binar dat, 40%din timp e transmis un 1; probabilitatea ca un 0 transmis s a
e corect receptionat este 0,9 si probabilitatea ca un 1 transmis s a e corect
receptionat este 0,95. Determinati:
a) probabilitatea ca un 1 s a e primit;
b) dat ind c a un 1 este primit, probabilitatea ca un 1 s a fost transmis.
Fie
= "1 este transmis"
= "0 este transmis"
1 = "1 este primit"
1 = "0 este primit".
Din ipoteze
1 () = 0, 4; 1
_

_
= 0, 6;
1 (1[) = 0, 95; 1
_
1[
_
= 0, 05;
1
_
1[
_
= 0, 9; 1
_
1[
_
= 0, 1.
a) Deoarece si formeaz a o partitie, din teorema probabilit atii totale
rezult a c a
1 (1) = 1 (1[) 1 () + 1
_
1[
_
1
_

_
= 0, 95 0, 4 + 0, 1 0, 6 = 0, 38 +
0, 06 = 0, 44.
8
b) Din teorema lui Bayes,
1 ([1) =
1(1].)1(.)
1(1)
=
0,950,4
0,44
=
0,38
0,44
=
19
22
~
= 0, 864.
9
2 Variabile aleatoare. Variabile aleatoare dis-
crete si variabile aleatoare continue, cu densi-
tate de repartitie. Functie de repartitie. Mo-
mentele unei variabile aleatoare
2.1 Variabile aleatoare
Consider am un experiment aleator ale c arui rezultate sunt elemente ale spatiului
probelor din cmpul de probabilitate (, /, 1) . Pentru a construi un model
pentru o variabil a aleatoare, presupunem c a e posibil s a asociem un num ar real
A (.) pentru ecare rezultat ., urmnd un anumit set de reguli.
Denitia 2.1. Functia A se numeste variabila aleatoare dac a si numai dac a
a) A : R, unde (, /, 1) este cmp de probabilitate si
b) \r R, . [A (.) _ r /.
Conditia b) din denitie e asa-numita "conditie de m asurabilitate". Ea ne
asigur a c a are sens s a consider am probabilitatea evenimentului . [A (.) _ r,
notat mai simplu A _ r pentru orice r R, sau, mai general, probabilitatea
oric arei combinatii nite sau num arabile de astfel de evenimente.
n continuare, dac a nu e specicat altfel, variabilele aleatoare sunt consider-
ate pe un cmp de probabilitate (, /, 1) .
2.2 Variabile aleatoare discrete si variabile aleatoare con-
tinue, cu densitate de repartitie
Denitia 2.2. O variabil a aleatoare se numeste discreta dac a si numai dac a
ia numai valori izolate. Multimea valorilor unei variabile aleatoare discrete este
cel mult num arabil a.
Denitia 2.3. O variabil a aleatoare se numeste continua dac a valorile ei
umplu un interval.
Denitia 2.4. Fie A, variabil a aleatoare continu a. O functie )

: R R
a. . )

(r) _ 0, \r R si 1 (A _ r) =
_
r
o
)

(n) dn, \r R se numeste

func tie densitate de reparti tie sau func tie densitate de probabilitate sau simplu
densitate a lui A.
2.3 Functie de repartitie
Denitia 2.5. Fie A variabil a aleatoare. Functia 1

: R R,
1

(r) = 1 (A _ r) ,
se numeste func tia de reparti tie de probabilitate sau simplu func tia de repar-
ti tie a lui A.
Indicele A identic a variabila aleatoare. Acest indice e uneori omis cnd nu
e pericol de confuzie.
10
Propriet ati ale functiei de repartitie. 1) Exist a si are valori ntre 0 si
1.
2) E continu a la dreapta si cresc atoare. Mai mult, avem:
1

() := lim
ro
1

(r) = 0 si 1

() := lim
ro
1

(r) = 1.
3) Dac a a, / R a. . a < /, atunci
1 (a < A _ /) := 1 (. [a < A (.) _ /) = 1

(/) 1

(a) .
Aceast a relatie rezult a din
1 (A _ /) = 1 (A _ a) +1 (a < A _ /) .
Exemplul 2.1. Fie A o variabil a aleatoare discret a cu valorile 1, 1, 2, 3 lu-
ate cu probabilit atile
1
4
,
1
8
,
1
8
, respectiv
1
2
. Pe scurt not amA ~
_
1 1 2 3
1
4
1
8
1
8
1
2
_
.
Avem
1

(r) =
_

_
0, pentru r < 1;
1
4
, pentru 1 _ r < 1;
3
8
, pentru 1 _ r < 2;
1
2
, pentru 2 _ r < 3;
1, pentru r _ 3.
Gracul lui 1

este dat mai sus.

Este tipic pentru functia de repartitie a unei variabile aleatoare discrete s a
11
creasc a de la 0 la 1 "n trepte".
Exemplul 2.2. O functie de repartitie tipic a pentru o variabil a aleatoare
continu a este reprezentat a grac mai sus.
Ea nu are salturi sau discontinuit ati ca n cazul unei variabile aleatoare
discrete. Probabilitatea ca A s a aib a o valoare ntr-un anumit interval este
dat a de proprietatea 3) a functiei de repartitie. Din grac
1 (1 < A _ 1) = 1

(1) 1

(1) = 0, 8 0, 4 = 0, 4.
Avem 1 (A = a) = 0, \a R.
Observatie. Se poate deni functia de repartitie si ca 1

: R R, 1

(r) =
1 (A < r). n acest caz propriet atile 1) si 2) r amn valabile cu exceptia faptului
c a functia de repartitie este continu a la stnga si nu la dreapta, iar proprietatea
3) devine
3) Dac a a, / R a. . a < /, atunci
1 (a _ A < /) = 1

(/) 1

(a) .
Propriet ati ale densit atii. 1) )

(r) = 1
t

(r) , \r n care 1

este
derivabil a.
2)
1

(r) =
_
r
o
)

(n) dn.
3)
_
o
o
)

(r) dr = 1.
4) Dac a a, / R a. . a < /, atunci
1 (a < A _ /) = 1

(/) 1

(a) =
_
b
o
)

(r) dr.
Exemplul 2.3. Un exemplu de densitate e reprezentat a grac mai jos.
12
Dup a cum indic a propriet atile 3) si 4), aria total a de sub curb a este 1 si
suprafata hasurat a de la a la / e egal a cu 1 (a < A _ /).
Observatie. Cunoasterea densit atii sau a functiei de repartitie
caracterizeaz a complet o variabil a aleatoare continu a.
Exemplul 2.4. Fie a 0. O variabil a aleatoare A a c arei densitate este
)

(r) =
_
ac
or
, pentru r _ 0;
0, altfel,
se numeste repartizata exponen tial (de parametru a). Avem )

(r) _ 0, \r
R si
_
o
o
)

(r) dr =
_
0
o
0dr +
_
o
0
ac
or
dr = 0 c
or
[
o
0
= 1,
deci )

veric a proprietatea 3).

Dac a r < 0, atunci
_
r
o
)

(n) dn =
_
r
o
0dn = 0.
Dac a r _ 0, atunci
_
r
o
)

(n) dn =
_
0
o
0dn +
_
r
0
ac
ou
dn = 0 c
ou
[
r
0
= 1 c
or
.
Deci, din proprietatea 2) avem
1

(r) =
_
0, pentru r < 0;
1 c
or
, pentru r _ 0.
Gracul densit atii e dat n gura (a), iar al functiei de repartitie n gura
(b) de mai jos.
Calcul am unele probabilit ati folosind )

.
1 (0 < A _ 1) e egal a cu aria de sub gracul lui )

de la r = 0 la r = 1,
dup a cum se arat a n gura (a). Avem
1 (0 < A _ 1) =
_
1
0
)

(r) dr = c
or
[
1
0
= 1 c
o
.
13
14
1 (A 3) e obtinut a calculnd aria de sub gracul lui )

la dreapta lui
r = 3, deci
1 (A 3) =
_
o
3
)

(r) dr = c
or
[
o
3
= c
3o
.
Aceleasi probabilit ati pot obtinute din 1

astfel:
1 (0 < A _ 1) = 1

(1) 1

(0) = 1 c
o
0 = 1 c
o
,
1 (A 3) = 1

() 1

(3) = 1
_
1 c
3o
_
= c
3o
.
Mai observ am c a 1 (0 < A _ 1) = 1 (0 _ A _ 1) pentru variabile aleatoare
continue, deoarece 1 (A = 0) = 0.
Denitia 2.6. Fie A variabil a aleatoare discret a. Functia j

: R
R, j

(r) = 1 (A = r) := 1 (. [A (.) = r) se numeste func tia masa de

probabilitate a lui A.
Din nou indicele A e folosit pentru a identica variabila aleatoare asociat a.
Exemplul 2.5. Functia mas a de probabilitate a variabilei aleatoare A ~
_
1 1 2 3
1
4
1
8
1
8
1
2
_
din exemplul 2.1 e reprezentat a mai sus.
Observatii. 1) Dac a A e variabil a aleatoare discret a cu multimea cel mult
num arabil a de valori r
1
, r
2
, ... luate cu probabilit ati nenule, atunci:
0 < j

(r
I
) _ 1, \i;

I
j

(r
I
) = 1;
j

(r) = 0, \r , r
1
, r
2
, ... .
15
2) Ca si 1

, specicarea lui j

caracterizeaz a complet variabila aleatoare

discret a A. Mai mult, presupunnd r
1
< r
2
< ..., relatiile dintre 1

si j

sunt
j

(r
1
) = 1

(r
1
) ,
j

(r
I
) = 1

(r
I
) 1

(r
I1
) , \i 1,
1

(r) =

I]rir
j

(r
I
) , \r R.
3) Specicarea lui j

se face de obicei dnd numai valorile pozitive, n restul

punctelor subntelegndu-se c a e 0.
2.4 Momentele unei variabile aleatoare
Fie A variabil a aleatoare discret a cu valorile r
1
, r
2
, ... si functia mas a de
probabilitate j

sau continu a cu densitatea )

.
Denitia 2.7. Num arul real
1 (A) :=
_

I
r
I
j

(r
I
) , pentru A discret a;
_
o
o
r)

(r) dr, pentru A continu a,

dac a exist a, se numeste media lui A si se mai noteaz a :

sau simplu :.
Denitia 2.8. Fie : N
+
. Num arul real
c
n
:= 1 (A
n
) =
_

I
r
n
I
j

(r
I
) , pentru A discret a;
_
o
o
r
n
)

(r) dr, pentru A continu a,

dac a exist a, se numeste momentul de ordinul : al lui A.
Observatie. Media este momentul de ordinul 1.
Exemplul 2.6. Fie A ~
_
1 1 2 3
1
4
1
8
1
8
1
2
_
din exemplul 2.1.
1 (A) = (1)
1
4
+ 1
1
8
+ 2
1
8
+ 3
1
2
=
1
4
+
1
8
+
1
4
+
3
2
=
1
8
+
3
2
=
13
8
.
Exemplul 2.7. Timpul de asteptare A (n minute) al unui client la un
automat de bilete are densitatea
)

(r) =
_
2c
2r
, pentru r _ 0;
0, altfel.
Determinati timpul mediu de asteptare.
Integrnd prin p arti avem
1 (A) =
_
o
o
r)

(r) dr =
_
0
o
0dr+
_
o
0
r2c
2r
dr = 0
_
o
0
r
_
c
2r
_
t
dr =
rc
2r
[
o
0
+
_
o
0
c
2r
dr = 0
1
2
c
2r
[
o
0
=
1
2
minut.
Propriet ati ale mediei. Dac a c R este o constant a si A si 1 sunt
variabile aleatoare pe acelasi cmp de probabilitate (, /, 1), atunci:
16
1 (c) = c,
1 (cA) = c1 (A) ,
1 (A +1 ) = 1 (A) +1 (1 ),
1 (A) _ 1 (1 ), dac a A _ 1 (i.e. A (.) _ 1 (.) , \. ).
Denitia 2.9. Fie A variabil a aleatoare. Se numeste mediana a lui A o
valoare r
0
a lui A a. . 1 (A _ r
0
) =
1
2
sau, dac a o astfel de valoare nu exist a,
valoarea r
0
a lui A a. . 1 (A < r
0
) <
1
2
si 1 (A _ r
0
)
1
2
.
Media lui A poate s a nu existe, dar exist a cel putin o median a.
n comparatie cu media, mediana e uneori preferat a ca m asur a a tendintei
centrale cnd repartitia e asimetric a, n particular cnd sunt un num ar mic de
valori extreme n repartitie. De exemplu, vorbim de mediana veniturilor ca
o bun a m asur a a tendintei centrale a venitului personal pentru o populatie.
Aceasta e o m asur a mai bun a dect media, deoarece mediana nu e asa sensibil a
la un num ar mic de venituri extrem de mari sau venituri extrem de mici ca
media.
Exemplul 2.8. Fie T timpul dintre emisiile de particule la un atom ra-
dioactiv. Este stabilit c a T e o variabil a aleatoare cu repartitie exponential a,
adic a
)
T
(t) =
_
`c
X|
, pentru t _ 0;
0, altfel,
unde ` e o constant a pozitiv a. Variabila aleatoare T se numeste timpul de
viat a al atomului si o m asur a medie a acestui timp de viat a este timpul de
njum at atire, denit ca mediana lui T. Astfel, timpul de njum at atire t e g asit
din
1 (T _ t) =
1
2
==
_
r
o
)
T
(t) dt =
1
2
== 1 c
Xr
=
1
2
== c
Xr
=
1
2
== t =
ln 2
X
.
Observ am c a viata medie 1 (T) este
1 (T) =
_
o
o
t)
T
(t) dt =
1
X
(se calculeaz a analog ca la exemplul 2.7).
Denitia 2.10. Fie A variabil a aleatoare. Se numeste modul sau moda a
lui A
a) o valoare r
I
luat a de A a. . j

(r
I
) j

(r
I+1
) si j

(r
I
) j

(r
I1
),
dac a A e discret a cu valorile r
1
< r
2
< ...;
b) un punct de maxim local al lui )

, dac a A e continu a.
Un modul este astfel o valoare a lui A corespunz atoare unui vrf n functia
mas a de probabilitate sau n densitate.
Termenul distribu tie unimodala se refer a la o functie de repartitie a unei
variabile aleatoare care are un modul unic.
Media, mediana si modulul coincid atunci cnd o repartitie unimodal a este
simetric a.
Denitia 2.11. Fie : N
+
si A variabil a aleatoare de medie :. Momentul
centrat de ordinul : al lui A este
17
j
n
= 1 ((A :)
n
) =
_

I
(r
I
:)
n
j

(r
I
) , pentru A discret a;
_
o
o
(r :)
n
)

(r) dr, pentru A continu a.

Denitia 2.12. Fie A variabil a aleatoare.Varian ta sau dispersia lui A este
momentul centrat de ordinul 2 al lui A, j
2
. Se noteaz a cu o
2

sau simplu o
2
sau ar (A).
Valori mari ale lui o
2

implic a o ntindere mare a valorilor lui A n jurul

mediei. Reciproc, valori mici ale lui o
2

implic a o concentrare a valorilor lui

A n jurul mediei. n cazul extrem cnd o
2

= 0, A = : cu probabilitatea 1
(ntreaga mas a a distributiei e concentrat a n medie).
Propozitie. Relatia dintre dispersia si momentele lui A este
o
2
= c
2
:
2
.
Demonstratie. o
2
= 1
_
(A :)
2
_
= 1
_
A
2
2:A +:
2
_
= 1
_
A
2
_

2:1 (A) +:
2
= c
2
2:
2
+:
2
= c
2
:
2
.
Alte propriet ati ale dispersiei. ar (A) _ 0,
ar (A +c) = ar (A) , \c R,
ar (cA) = c
2
ar (A) , \c R.
Fie A variabil a aleatoare de medie :. Se numeste devia tie standard a lui A
o

=
_
1
_
(A :)
2
_
.
Un avantaj al folosirii lui o

n locul lui o
2

este c a o

are aceeasi unitate

de m asur a ca media. De aceea poate comparat a cu media pe aceeasi scal a
pentru a obtine o m asur a a gradului de mpr astiere.
Un num ar adimensional (f ar a unitate de m asur a) care caracterizeaz a m-
pr astierea relativ la medie si care faciliteaz a compararea variabilelor aleatoare
de unit ati diferite este coecientul de varia tie denit de

=
o

.
Exemplul 2.9. Fie A ~
_
1 1 2 3
1
4
1
8
1
8
1
2
_
din exemplul 2.1. S a deter-
min am o
2

.
n exemplul 2.6 am v azut c a :

=
13
8
. Avem
1
_
A
2
_
= (1)
2

1
4
+ 1
2

1
8
+ 2
2

1
8
+ 3
2

1
2
=
1
4
+
1
8
+
1
2
+
9
2
=
3
8
+ 5 =
43
8
.
o
2

= 1
_
A
2
_
:
2

=
43
8

169
64
=
344169
64
=
175
64
.
Exemplul 2.10. Determin am dispersia lui A cu )

(r) =
_
2c
2r
, pentru r _ 0;
0, altfel.
.
n exemplul 2.7 am v azut c a :

=
1
2
. Avem, integrnd prin p arti
1
_
A
2
_
=
_
o
o
r
2
)

(r) dr =
_
0
o
0dr+
_
o
0
r
2
2c
2r
dr = 0
_
o
0
r
2
_
c
2r
_
t
dr =
r
2
c
2r
[
o
0
+
_
o
0
2rc
2r
dr = 0 +
1
2
=
1
2
, ultima integral a ind calculat a la
18
exemplul 2.7.
Deci
o
2

= 1
_
A
2
_
:
2

=
1
2

1
4
=
1
4
.
Coecientul de asimetrie denit de

1
=

3
c
3
d a o m asur a a simetriei unei distributii. Este pozitiv cnd o distributie
unimodal a are o coad a dominant a la dreapta (adic a modulul este la stnga
mediei) si negativ n caz contrar. Este 0 cnd o distributie e simetric a n jurul
mediei. De fapt, o distributie simetric a n jurul mediei are toate momentele
centrate de ordin impar 0. n gurile (a), (b) si (c) sunt reprezentate densit ati
cu
1
0,
1
= 0, respectiv
1
< 0.
Gradul de aplatizare a distributiei lng a vrfuri poate m asurat de coe-
cientul de exces denit de

2
=

4
c
4
3.
Un
2
0 implic a un vrf ascutit n vecin atatea modulului unei distributii
unimodale, iar
2
< 0 implic a, de regul a, un vrf turtit.
19
20