CAPITOLUL IV

VARIABILE ALEATOARE
1. Ce este o variabil aleatoare ?
Am vzut c punctele mulimii rezultatelor posibile la efectuarea unei
experiene, , sunt elemente concrete cum ar fi punctele aprute pe faa
unui zar, moleculele dintr-un container sau oamenii dintr-o populaie. Aceste
elemente pot avea diverse caliti care se pot msura. De exemplu o
molecul are mas i vitez din care se poate calcula energia cinetic. Pentru
oameni se pot considera anumite caracteristici fiziologice ca vrsta,
nlimea sau greutatea, sau alte date numerice ca IQ, numrul de frai sau
venitul anual i altele.
Exemplul 1. Fie o mulime uman format din n indivizi
= {1 , 2 ,... n } .
(1.1)
Dac suntem interesai de vrsta lor, atunci fie X ( ) vrsta lui ,
adic fiecrui individ i se asociaz un numr X ( ) exprimat n uniti
de timp, cum ar fi anii, sau parcurgnd mulimea numerelor reale pozitive
R . Astfel aplicaia
X ( )

este o funcie avnd pe ca domeniu de definiie. Imaginea acestei funcii

(domeniul de valori) este mulimea numerelor ntregi pozitive Z (anii) sau
mulimea numerelor reale pozitive R (orice moment de timp). Vom spune
c X are valori ntregi pozitive sau reale pozitive n funcie de ceea ce ne
intereseaz.
n mod asemntor notm nlimea, greutatea i venitul ca fiind
funciile:
H ( )
G ( )
V ( )

Din considerente medicale se poate ca o caracteristic fiziologic s se poat

exprima ca o combinaie ntre nlime i greutate:
H ( ) G ( )
(1.2)

unde i
sunt dou numere. Se vede c aceasta este tot o funcie de .
Dac este un cap de familie i N( ) este numrul de membrii ai familiei
lui, atunci funcia
V ( )

(1.3)
N ( )
este venitul pe familie.

Vom introduce aici o convenie convenabil pentru scriere. De exemplu

dac dorim s exprimm mulimea acelor cu vrsta cuprins ntre 10 i 20 de
ani vom scrie
{10
sau
{

X ( ) 20}

10 X 20} .

Exemplul 2. Fie mulimea moleculelor de gaz dintr-un container. Putem

s reprezentm mulimea ca n (1.1) chiar dac n este un numr foarte mare,
practic n . Dac m este masa i v este viteza unei molecule , atunci se
pot defini funciile:
m( )
v ( )

iar energia cinetic va fi

E ( )

1
m( ) v 2 ( ) .
2

(1.4)

Dac folosim acum probabilitile evenimentelor ca o funcie definit ca mai

nainte (1.1)-(1.4) s ia o anumit valoare, atunci informaia este complet.
Considerm cteva exemple n acest sens:
Exemplul 3. La aruncarea unui zar, o persoan obine un numr de
puncte egal cu punctele de pe faa zarului. Probabilitatea oricrui eveniment
din cele 6 posibile este 1/6. Se poate atunci construi un tabel asociat acestui
joc, care s reprezinte rezultatul jocului, punnd pe prima linie numrul de
puncte obinut de juctor i pe linia a doua probabilitatea corespunztoare,
astfel:

1 2 3 4 5 6

1 1 1 1 1 1

6 6 6 6 6 6
Se observ c suma probabilitilor celor ase evenimente este egal cu 1.
Exemplul 4. La aruncarea unui zar, o persoan nu primete nici un punct
dac apar feele 1 sau 2, primete 1 punct dac apare una din feele 3 sau 4, 2
puncte dac apare faa 5 i 3 puncte dac apare faa 6. Primul eveniment are
probabilitatea 2/6 = 1/3, al doilea tot 2/6 = 1/3, iar ultimele dou evenimente
au fiecare probabilitatea 1/6.

Tabelul asociat acestui joc va fi:

0 1 2 3

1 1 1 1

3 3 6 6

La fel ca n primul caz, se vede c suma probabilitilor este egal cu 1.

Exemplul 5. S presupunem c se arunc o moned omogen pn la
prima apariie a stemei. Dac moneda se arunc de k ori am calculat n
Exemplul 2 din Cap. III &3 c probabilitatea de a apare stema la cea de a k
1
aruncare este k , k N . Atunci funcia ce va reprezenta numrul de aruncri
2
ale monedei pn la prima apariie a stemei va fi o v.a. X, ce va avea tabelul de

distribuie

1 2 .. k ..

X:
1 1 . . 1 . . .
2 k
2 2 2

Evenimentele considerate sunt, evident, dou cte dou incompatibile, iar

suma probabilitilor este egal cu l (fiind o serie geometric cu raia 1/2).

1.1.

Definiia variabilei aleatoare discrete

Se poate da acum o formulare general a noiunii de variabil aleatoare

discret.
Se presupune mai nti c este o mulime numrabil. Aceast
presupunere aduce o simplificare important, care se va dovedi aparent. (Alte
spaii vor fi discutate mai trziu.) Cum este domeniul de definiie a lui X ,
este limpede c imaginea lui X este finit cnd este finit i este cel mult
numrabil cnd este aa. Astfel, imaginea lui X este mulimea numerelor
reale

{ X ( )} {x , x

,...xn ,...}

(1.5)
irul valorilor lui X poate fi finit sau nu. Faptul c (1.5) reprezint mulimea
valorilor lui X conduce la exprimarea

 {X xi} Ai

i
i
unde am notat evenimentul c X ia valoarea xi cu Ai , i putnd lua un numr
finit sau infinit de valori din N. Valorile lui X fiind distincte, se observ c
mulimile Ai , i I N , formeaz un sistem complet de evenimente (Def.6.1,
Cap. III), adic evenimentele Ai K, i I N verific condiiile:

Ai A j , i j I

P( A) P( A ) 1
i

iI

iI

Definiia 1.1. Se numete variabil aleatoare (v.a.) discret o funcie

X = X(), definit pe mulimea evenimentelor cu valori reale, astfel nct
Ai = X() = xi K,
(1.6)
xi R, i I
Dac se noteaz probabilitile evenimentelor (1.6) cu
pi = P(Ai), i I
(1.7)
atunci orice variabil aleatoare discret se reprezint sub forma unui tabel,
numit i tabel de distribuie, avnd prima linie format din valorile xi R i
linia secund din probabilitile corespunztoare astfel:

xi pi ,0 i I
X : , i I, P 1
pi iI i

(1.8)

Dac v.a. X ia o singur valoare a, avem:

A = X() = a = i deci p = P(A) = 1.
n acest caz se spune c X este o variabil aleatoare constant i se scrie
a

X = a cu tabelul de distribuie X : .
1
Sistemul de numere reale pi, i I cu proprietile

pi 0, i I
P 1
iI

se numete distribuia de probabilitate a v.a. X sau repartiia acestei v.a.

discrete.

Definiia 1.2. Fie X i Y dou v.a. discrete definite prin X() = xi pentru
Ai , i I N i Y() = y j pentru Bj , j J N, unde Ai i
Bj sunt dou sisteme complete de evenimente. Se spune c v.a. X i Y sunt
independente dac sistemele complete corespunztoare sunt independente,
adic
P(Ai Bj) = P(Ai)P(Bj), i I, j J
Folosind notaia (1.7), relaia de mai nainte devine
P ( X xi , Y y j ) P ( X xi ) P (Y y j )
(1.9)
Definiia dat independenei a dou v.a. discrete se poate, atunci, extinde
conform formulei de nmulire (4.1) din Cap.III.
Definiia 1.3. Variabilele aleatoare X 1 , X 2 ,... X n cu valori numrabile se
spune c sunt independente dac i numai dac, pentru orice numere reale
x1 , x2 ,... xn , avem
P ( X 1 x1 , X 2 x2 ,... X n xn ) P ( X 1 x1 ) P ( X 2 x2 ) ...P ( X n xn )

Aceast formul poate fi, la rndul ei, generalizat prin nlocuirea

valorilor xi cu mulimi oarecare S i , i 1,2,...n.
Propoziia 1.1. Fie mulimile numrabile oarecare S1 ,...S n . Variabilele
aleatoare X 1 , X 2 ,... X n sunt independente dac i numai dac
P ( X 1 S1 ,... X n S n ) P( X 1 S1 ) ...P( X n S n )
(1.10)
X
,
X
,...
X
Presupunem acum c variabilele aleatoare
cu valori
1
2
n
numrabile sunt dependente pe mulimea , evident, numrabil. Atunci,
pentru valorile posibile oarecare x1 , x2 ,... xn , avem
P ( X 1 x1 , X 2 x2 ,... X n xn ) P ( X 1 x1 ) P ( X 2 x2

X 1 x1 )

P ( X 3 x3 X 1 x1 , X 2 x2 )...
P ( X n xn X 1 x1 , X 2 x2 ,... X n1 xn1 )

(1.11)
Primul termen al formulei exprim probabilitatea comun a v.a.
X 1 , X 2 ,... X n i este obinut din formula (4.2) Cap. III ca produs de
probabiliti condiionate.
Exemplul 6. Se consider experiena din Exemplul 3 Cap.III &3 n care
se folosete o moned asimetric. tiind c banul a aprut de trei ori, s se
gseasc probabilitatea ca stema s apar n una din urmtoarele dou
aruncri.
Aceast probabilitate este
P ( X 5 X 4)

P (4 X 5)
P ( X 4)

tim din exemplul amintit c

P ( X k ) pq k 1 , k=1,2,...

unde X reprezint numrul de aruncri ale monedei pn la prima apariie a stemei.

Atunci

P ( X 4) pq k 1
k 4

pq 3
q3 ,
1 q

iar
P( 4 X 5) pq 3 pq 4 .

Rezult c probabilitatea cerut este p + pq.

Se poate vedea uor din exemplele considerate anterior c rezultatele
(1.2), (1.3) i (1.4) ale unor operaii efectuate cu v.a. discrete sunt, la rndul
lor, v.a. discrete. n general, acest lucru se enun prin urmtoarele propoziii:
Propoziia 1.2. Fie X o v.a. i k o constant real. Atunci X + k, k X, X,
X2,

1
, (X 0) sunt, de asemenea, variabile aleatoare.
X

Propoziia 1.3. Fie X i Y dou v.a. definite pe sistemele complete de

evenimente Ai i Bj, i I N, j J N i fie g(x, y) o funcie real
definit pe R2. Atunci Z = g(X, Y) este o variabil aleatoare.
Dem. Funcia Z ia valorile zij = g(xi, yj) cu probabilitile pij =P(Ai Bj),
i I, j J fiind definit pe sistemul de evenimente
Cij = X() = xi, Y() = yj = Ai Bj, i I, j J
(1.12)
Se observ c evenimentele (1.12) determin un sistem complet de
evenimente , adic ndeplinesc condiiile:
1. Cij Chk = (Ai Bj) (Ah Bk) ( Ai Ah ) ( B j Bk ) = ,
pentru i h, j k, i
2.

Cij = ( Ai) ( Bj) =

jJ
jJ

iI

iI

pentru c AiiI i BjjJ sunt sisteme complete de evenimente.

Exemplul 7. O companie de asigurri primete din timp n
timp cereri de plat a diverselor daune asigurate. Timpii de
sosire a acestor cereri, precum i sumele solicitate sunt
necunoscute dinainte, deci sunt aleatoare. Se noteaz cu S n
data la care este primit cererea n, de ex. : S 4 33 nseamn
c a 4-a cerere a fost nregistrat pe 2 februarie. Atunci irul
de v.a. va avea ordinea :
1 S1 S 2 ... S n ...

egalitatea avnd loc pentru cereri nscrise n aceeai zi.

Fie C n suma pltit pentru cererea n i fie N numrul de

cereri dintr-un an, adic

N max{n

S 365} .

Putem scrie acum suma total a cererilor din an ca C1 ... C N i putem

construi i alte v.a. privind aceast experien, ca de exemplu :
-

suma total a cererilor din ziua k notat cu Yk (ce poate fi i 0),

suma total a cererilor de la prima pn la cea de a n-a zi va fi

Z n Y1 ... Yn

suma total a unei perioade [s, t] va fi

Z t Z s 1 Ys Ys 1 ...Yt .

Exemplele de v.a. construite n acest caz pot continua aa cum vom

vedea n alte paragrafe.

1.2. Repartiii clasice discrete

1.2.1. Repartiia binominal
n experiena descris n schema bilei revenite sau a lui
Bernoulli (5 din Cap. III) se deducea c probabilitatea de a
extrage k bile albe i n - k bile negre, punnd napoi bila
extras, este dat de formula (5.1) pe care o vom nota
k
b k (n,p)= P(X=k)= C n pk qn-k ,
(1.13)
unde p este probabilitatea de a extrage o bil alb, deci p, q
0, p + q = 1.
Se spune atunci c v.a. X, ce reprezint numrul de bile
albe obinute n schema lui Bernoulli, are distribuie
binominal i se scrie X Bi(n,p). Ea va avea, deci, tabelul de
distribuie:
k
k 0,1,...n

X : k k nk ,
Cn p q p, q 0, p q 1
(1.14)
Probabilitile din tabel fiind termeni ai binomului (p +
n
q) , rezult c sunt ndeplinite condiiile (1.8), adic
b k (n,p) 0 , k=0,1,...n

k 0

b k (n,p) = (p + q)n = 1

Exemplul 1. Se extrag n bile conform schemei lui

Bernoulli i se noteaz cu X i rezultatul obinut n proba i,
i=1,n. Atunci tabelul de distribuie este :
1
X i :
p

, i 1,...n .

ceea ce nseamn X i Bi(1,p), i=1,n. Folosind operaiile cu

v.a. independente, se deduce c v.a. X Bi(n,p) se reprezint
sub forma
X X 1 X 2 ... X n .
Exemplul 2. O moned omogen se arunc de n ori. Fie
S n numrul de steme aprute. Atunci
1
P ( S n k ) C nk n , k=0,1,n
2
n

iar

P( S n k ) 1

Bi(n,

1
).
2

k 0

deoarece

C
k 0

k
n

2 n . Rezult c

Sn

1.2.2. Repartiia hipergeometric

Schema cu bila nerevenit (vezi paragraful 5 din Cap. III)
determin probabilitatea ca avnd a bile albe i N - a bile
negre s extragem k bile albe i n-k bile negre ( k a, n N ).
Se va spune c v.a. X, ce reprezint numrul de bile albe
obinute n schema bilei nerevenite, are distribuie
hipergeometric, deci are tabelul de distribuie:

k
C k C nk k 0,1,...a
a nN a , a n N
CN

(1.15)

Se demonstreaz simplu c probabilitile din (1.15)

determin un tabel de distribuie (condiiile din (1.8)).
Exemplul 3. (Controlul calitii). Schema bilei
nerevenite este principiul folosit n controlul calitii unor
produse prin verificare aleatoare. Cu notaiile anterioare
avem : a produse defecte ntr-un lot de N produse, din care
se gsesc k defecte atunci cnd se aleg n produse la
ntmplare. Probabilitatea acestui eveniment va fi cea din
8

tabelul (1.15), iar v.a. X, reprezentnd numrul produselor

defecte atunci cnd se controleaz n produse, are distribuia
hipergeometric.

1.2.3. Repartiia geometric

Se consider Exemplul 3 din Cap.III &3. Presupunnd c
moneda este neomogen, probabilitatea de a apare stema
este p, iar v.a. ce reprezint numrul probei n care va apare
stema are tabelul de distribuie
k
, k 1,2,... , p, q 0, p q 1 .
X :
k 1
pq

(1.16)

Condiiile (1.8) sunt respectate deoarece se obine seria

geometric de raie subunitar q, deci

pq
k 1

k 1

1
1.
1 q

V.a. X se mai poate interpreta ca timpul de ateptare

pn la apariia stemei, sau mai general, pn la apariia
unui succes , iar distribuia (1.16) se va numi repartiie
geometric cu probabilitatea p a unui succes.
Exemplul 4. n cazul unei monede omogene timpul de
ateptare pn la apariia stemei are repartiia geometric
cu p 1 / 2 .

1.2.4. Repartiia Poisson

Repartiia Poisson are o importan deosebit att n
teorie ct i n practic. Vom ncerca s artm acest lucru
n cele ce urmeaz i n exemplele prezentate.
Se consider o v.a. X determinat de probabilitile
pk ( ) = P(X=k)= e- k / k!, >0,

(1.17)

unde este un parametru real pozitiv oarecare. Atunci v.a.

cu tabelul de distribuie

k
X:

(1.18)

, k = 0, 1, 2, , > 0
e
k!
k

se va spune c are distribuie Poisson de parametru .

Se arat c probabiltile (1.17) verific condiiile (1.8),
adic
pk ( ) 0, k 0,1,...

)
e
e e 1
=
pk
k 0

k 0

k!

unde am folosit dezvoltarea n serie Taylor a funciei e .

Astfel (1.18) este un tabel de distribuie.
n cele ce urmeaz se va studia legtura dintre
repartiiile
binomial
i
Poisson,
considernd
comportamentul lor la limit, pentru a ajunge la un mod
simplificat de a demonstra teorema lui Poisson.
n probabilitile (1.13) ce definesc repartiia Bi(n,p) vom
alege

p= pn
n

considernd, astfel, un ir de repartiii binomiale pentru care

notm termenul general de ordin k fixat, k=0,1,...n, cu

k
b k (n) = C n ( ) k 1 n-k

(1.19)
n cele ce urmeaz vom calcula pentru fiecare k limita
irului (1.19) pentru n tinznd la infinit. Astfel, pentru k=0
obinem
n

lim b0 (n)
n

lim 1 e
n
n

(1.20)
Raportul a doi termeni consecutivi devine
1
bk 1 ( n)
nk

nk

1
=

bk ( n)
k 1 n
n
k 1 n
n
relaie care la limit conduce la rezultatul

10

bk 1 ( n)

=
n bk ( n)
k 1
Acesta se poate exprima sub forma
lim

lim bk1(n) lim bk (n)

k 1
n
n

din care se obine, dnd valori lui k:

lim
n

b1 ( n)
1

lim
n

............

lim b0 (n) e p1 ( )
n

lim 2
b2 (n) b1(n)
e
2
1

2
n

p 2 ( )

..........................................................................

lim
n

lim
k
bk (n) bk1(n) p ( )
e
k
1

.
.
k
n
k

...........................................................................
.............
Am demonstrat, aadar, teorema lui Poisson n forma ei
cea mai simpl, i anume:

bk (n, ) p k ( )
n
n
lim

(1.21)
Acest rezultat rmne valabil i n cazul general n care
este limita unui ir n . Atunci n loc de pn / n vom avea
pn n / n sau npn n i

11

lim npn lim n

n n
(1.22)
Cu aceast mbuntire, putem enuna teorema ntr-o
form mai general: probabilitile repartiiei binomiale b k
(n,p), cnd n este mare n comparaie cu np, care este
aproximativ egal cu , pot fi aproximate de cele ale
repartiiei Poisson pk ( ) pentru valori fixate ale lui k.
Justificarea matematic a repartiiei Poisson a fost fcut
prin aceast teorem, iar faptul c o important clas de
fenomene se potrivesc asocierii ei cu repartiia binomial,
ntr-o msur mai mic sau mai mare, este ilustrat prin
urmtoarele exemple:
Exemplul 5. Se consider un eveniment rar cum este
apariia unui numr la rulet pentru care p=1/37 0,027,
presupunnd c ruleta are un zero i c fiecare numr are
aceeai ans. Dac jucm de 37 de ori putem calcula
probabilitile de a ctiga de 0 ori, o dat, de 2 ori, etc.
folosind repartiia Bi(37,1/37):
37

c 1
0,363

37

36
1
1
37
1
C37

37
37
36
1

37

2
C37

37

35

37 1
c
36 2

.....................................................
Dac aproximm 37/36 cu 1 i pe e 1 cu 0,368, atunci
primele trei probabiliti ale repartiiei binomiale de mai sus
vor corespunde probabilitilor
e 1 , e 1 ,

1 1
e ...............
2

ale repartiiei Poisson de parametru 1.

Dac alegem s jucm de 111 ori (3 37=111) acelai
numr i l schimbm din timp n timp, atunci probabilitie
se obin cu acelai tip de aproximri pentru c 3 , respectiv
pentru e 3 . Oricum se vede c o aproximare bun poate fi
gsit pentru valori ale lui n i p astfel nct np s fie relativ
mic n comparaie cu n, deci pentru p foarte mic, ceea ce
justific folosirea repartiiei Poisson pentru evenimente rare.
De fapt aceast repartiie a fost cunoscut un timp ca lege
a numerelor mici. Studii statistice foarte judicioase au
condus la considerarea numrului anual de accidente la
12

echitaie i a numrului anual de sinucideri n rndul copiilor

n Prusia ca v.a repartizate Poisson.
Exemplul 6. Numrul de particule coninute ntr-un
haos omogen este un exemplu tipic de variabil
repartizat Poisson. Presupunem c se determin numrul
de particule de virus folosind sub microscop o gril cu
N
ptrate i c numrul mediu n fiecare ptrat este . Astfel,
exist N particule i fiecare particul se mic liber n oricare ptrat cu
probabilitatea 1/N, independent una de alta. Atunci probabilitatea de a gsi
exact k particule ntr-un anumit ptrat este dat de repartiia binomial
b k ( N,1/N)= C

k
N

1
1

N k

Dac suprafaa examinat rmne aceeai dar numrul

ptratelor crete, este legitim s aproximm probabilitile de mai sus
cu cele ale rep. Poisson, N fiind foarte mare.
Un exemplu de schem spaial este cea folosit n timpul celui de al
doilea rzboi mondial pentru numrarea bombelor ce cdeau n sudul
Londrei. Astfel, aria a fost divizat n N=576 de ptrate , fiecare de mile
ptrate, cu calculat statistic egal cu 0,93. n urmtorul tabel se dau valorile
N k (numrul de ptrate n care cad k bombe) i aproximrile obinute cu
probabilitile Poisson pk de parametru =0,9323:
k
0
1
2
3
4
5
N k 229
211
93
35
7
Npk 226,74 211,39 98,54 30,62 7,14 1,59
Exemplul 7. ntr-o mare clas de aplicaii timpul joac
rolul spaiului din exemplul precedent. Dac apariiile
aleatoare sunt distribuite pe o perioad de timp astfel nct
numrul lor pe unitatea de timp poate fi presupus constant
pentru toat perioada, atunci se va folosi rep. Poisson.
Presupunem, de exemplu, c impactele cosmice sunt
nregistrate cu un contor Geiger cu o rat medie pe
secund. Dac divizm un interval de timp [0,t] n N
subintervale egale, atunci probabilitatea ca contorul s nregistreze un
impact n orice subinterval de timp este
t
t
N

unde al doilea termen reprezint eroarea care se consider

foarte mic.
Cum termenul t/N este mult mai mic dect 1 cnd t este fixat i N
este mare, vom presupune mai nti c probabilitatea de a nregistra mai
mult dect un impact n orice subinterval poate fi neglijat, deci c numrul
de impacte pe orice subinterval nu poate fi dect 0 sau 1. Aceste numere vor
fi, deci, variabile bernoulliene care iau valorile 0 sau 1 cu probabilitile 1t/N, respectiv t/N. n final mai presupunem c ele sunt independente unele
de altele. Cu aceste presupuneri este limpede c probabilitatea de a
nregistra k impacte n ntreaga perioad [0,t] se va gsi calculnd b k (N,
t/N). Numrul total nregistrat va fi suma celor N variabile descrise mai sus
13

(vezi Exemplul 1). Deoarece N poate fi fcut orict de mare, probabilitile

se vor calcula din rep.Poisson de parametru t. Apare, astfel, cazul n care
timpul se divide ntr-o infinitate de subintervale.
Exemplul 8. Se consider o v.a ce reprezint numrul
de sosiri ntr-un interval de timp fixat I (sau de repetri ale
unui fenomen) cnd se evalueaz cu numrul mediu de
sosiri. Formula (1.18) va da probabilitatea de a avea k astfel
de sosiri, dac sunt ndeplinite (la fel ca n exemplul
anterior) urmtoarele ipoteze:
a) numerele aleatoare de sosiri n subintervale
disjunctive din I sunt independente;
b) subintervalele de lungimi egale din I au probabiliti
egale de a conine acelai numr k de sosiri (k = 0, 1, 2, ...).
Exemplul 9. n Exemplul 7 din &1.1 v.a. S n reprezenta
data la care se nregistreaz cea de a n-a cerere de plat la
o companie de asigurri, ceea ce este echivalent cu timpul
de ateptare pn la sosirea celei de a n-a uniti (n cazul
exemplului-cerere). Dac se noteaz cu N(t) numrul de
sosiri nregistrate naintea momentului t, atunci are loc
urmtoarea echivalen a evenimentelor
{N (t ) n} {S n t}

ceea ce reprezint faptul c numrul de sosiri n intervalul [0, t] este cel

puin n are acelai neles cu a spune c cea de a n-a sosire apare naintea
sau la momentul t. De aici se obine c numrul de sosiri n [0, t]
este exact n dac i numai dac cea de a n-a sosire are loc nainte de t, iar a
n+1- a apare dup t, adic
{N (t ) n} {S n t} {S n1 t}

Din aceast reprezentare a v.a. N(t) se deduce un rezultat fundamental n

teoria proceselor Markov, i anume:
Numrul total de sosiri ntr-un interval [0, t] este o v.a. distribuit
Poisson pentru orice t >0.

2. Definiia general a unei variabile aleatoare

Am definit astfel variabilele aleatoare care iau o mulime numrabil de
valori, dar, chiar dac rmnem la un nivel elementar, ne dm seama c
exist multe probleme importante n care trebuie s considerm variabile
aleatoare care nu se supun acestei restricii. Acest lucru nseamn c
mulimea nu mai este numrabil. Problemele ce apar nu pot fi rezolvate
cu o matematic elementar, dar, fr a intra n amnunte, vom considera pe
aparinnd unei clase de mulimi Borel. Atunci definiia general a unei
variabile aleatoare este:
Definiia 1.4. Fie (, K, P) un cmp borelian de probabilitate. O funcie
real X = X() definit pentru orice se numete variabil aleatoare
(v.a.) dac pentru orice x R mulimea
Ax = X() < x
(1.13)
14

este un eveniment din corpul K.

Urmtoarea propoziie va da definiii echivalente cu aceasta.
Propoziia 1.5. Funcia real X = X() este o v.a. dac i numai dac
oricare din urmtoarele mulimi este un eveniment din K:
X() x K
(1.14)
sau
X() x K
(1.15)
sau
X() > x K, x R
(1.16)
Demonstraie. Se arat c mulimile din relaiile (1.14), (1.15), (1.16) se
pot exprima ca reuniuni sau intersecii de mulimi de forma (1.13), deci vor fi
evenimente din K i se folosesc rezultatele Propoziiei 1.1 Cap. I.
Pentru a defini operaiile cu v.a. n general sunt necesare rezultatele date
de :
Propoziia 1.6. Dac X i Y sunt v.a.,atunci
X() < Y() K
(1.17)
X() Y() K
(1.18)
X() = Y() K
(1.19)
Propoziia 1.7. Dac X i Y sunt v.a., atunci X - Y, X + Y, X Y,

X
, dac
Y

Y 0, sunt, de asemeni, v.a.

Demonstraie. Se poate scrie c
{ X() -Y() < x} = { X() < Y() + x }.
Aceast mulime este un eveniment din K deoarece X i Y sunt v.a. i are
loc relaia (1.17)). Deci X Y este v.a.
Scriind X + Y = X - (-Y), rezult c X + Y este , la rndul ei,v.a.
Egalitatea
1
(X + Y)2 - (X - Y)2
4
X
1
X
demonstreaz c X Y este v.a., iar din
=X
rezult c i
este
Y
Y
Y

XY=

v.a.
Se observ acum c rezultatele Prop. 1.2 i 1.3, privind operaiile cu v.a.
discrete, sunt cazuri particulare ale Prop. 1.7.
Noiunea de independen introdus pentru variabilele aleatoare discrete
se extinde pentru cazul general de variabile aleatoare, dac mulimile
S1 ,...S n . sunt convenabil alese, adic sunt boreliene. Atunci independena
variabilelor aleatoare X 1 , X 2 ,... X n are loc dac i numai dac este
adevrat relaia (1.11).

3. Funcia de repartiie
15

Definiia 3.1. Fie X o v.a. Se numete funcie de repartiie a v.a. X

funcia F : R R dat de
F(x) = P(X < x) ,
x X
(3.1)
n urmtoarele propoziii se vor enuna proprietile funciei de
repartiie a unei v.a.
Propoziia 3.1. Fie F(x) funcia de repartiie a unei v.a. X. Atunci
0 F(x) 1 , x R.
(3.2)
Dem. Acest lucru se deduce din definiia lui F(x) ca o probabilitate.
Propoziia 3.2. Fie a, b R, cu a < b. Dac F(x) este funcia de
repartiie a unei v.a. X , atunci au loc relaiile
P(a X < b) = F(b) - F(a)
(3.3)
P(a < x < b) = F(b) - F(a) - P(X = a)
(3.4)
P(a < X b) = F(b) - F(a) - P(X = a) + P(X = b)
(3.5)
P(a X b) = F(b) - F(a) + P(X = b)
(3.6)
Dem. Notm urmtoarele evenimente din K:
A = { X() < a};
B = { X() < b};
C = { X() = a};
D = { X() = b}.
Se observ c A B i c { a X() < b} = B A = B A. Atunci
se poate scrie, folosind proprietatea () Cap. I, c
P(a X < b) = P(B A) = P(B) - P(A) = F(b) F(a),
care reprezint relaia (3.3).
Din alegerea evenimentelor A, B, C i D se mai deduce c: A C B,
A C B D i A B D, deci
P(a < X < b) = P B ( A C ) = P(B) P(A C) =
= P(B) P(A) P(C) = F(b) F(a) P(X = a)
Am gsit astfel relaia (3.4). Apoi
P(a < X b) = P(B D) ( A C ) = P(B D) P(A C) =
= P(B) + P(D) P(A) P(C) = F(b) + P(X = b) F(a) P(X = a)
i pentru ultima relaie avem
P(a < X < b) = P(B D) A = P(B D) P(A) =
= P(B) + P(D) P(A) = F(b) + P(X = b) F(a).
Urmtoarele proprieti ale funciei de repartiie se enun fr
demonstraie n:
Propoziia 3.3. Funcia de repartiie a oricrei v.a. este o funcie nedescresctoare, continu la stnga i astfel nct
lim
lim
)=0,
)=1.
x F(x)= F(x F(x)= F(+
(3.7)
Propoziia 3.4. Orice funcie F(x) nedescresctoare, continu la stnga,
astfel ca F(- ) = 0, F(+) = 1 este o funcie de repartiie a unei v.a.
definit pe un cmp borelian de probabilitate convenabil ales.

16

Propoziia 3.5. Dac X este o v.a. i F(x) este funcia ei de repartiie,

atunci
P(X = x) = F(x + 0) F(x), x R.
(3.8)
unde s-a notat cu F(x + 0) limita la dreapta n punctul x.

3.1. Funcia de repartiie a unei variabile aleatoare

discrete
Se consider acum o v.a. discret X avnd tabelul de distribuie

X:

x1 x2 . . xn

p1 p2 . . pn

i se construiete funcia ei de repartiie folosind proprietile enunate n

Prop. 3.1-3.3. Se obine astfel

0,

p1 ,

x x1
x1 x x2

p1 p2 , x2 x x3
F(x)

k 1

pi ,

i 1

xk 1 x xk

..................................

x xn
1,
(3.9)
Valorile funciei de repartiie a v.a. discrete X se vor obine n urmtorul
mod:
- Dac x x1, atunci
F(x) = P(X < x) = P(X < x x1) = 0.
- Dac x1 < x < x2, avem
P(X < x)= P(X < x1) (x1 < X < x2) =
=P(X x1) + P(x1 < X < x2) = P(X = x1) = p1.
- Dac x1 < x x3, atunci
P(X < x)=P(x x1) (x1 < X < x2) (x2 < X < x3) = P(X x1) +
+ P(x1 < X x2 ) + P(x2 < X < x3) = P(X = x1) + P(X = x2) = p1 + p2,
i, n general, dac xk-1 < x < xk , atunci

17

P(X < x)= P(X x1) (x1 < X x2) (xk-1 < X < xk) =

k 1

pi
i 1

iar pentru x > xn avem P(X < x) =

pi
i 1

= 1.

Forma (3.9) a funciei de repartiie este dat n cazul unei v.a., discrete
cu un numr finit de valori. Dac X ia o mulime numrabil infinit de
valori, deci are tabelul de distribuie
x1 x2 ... xn ...
; n N,
X :
p1 p2 ... pn ...
cu pn 0 i

pn

nN

F(x) =

= 1 , atunci funcia ei de repartiie va fi

pn

(3.10)

xn x

Exemplul 1. S se afle funcia de repartiie a v.a. avnd tabelul de

repartiie

X:

1 2 3 4

0,2 0,1 0,3 0,4

i s se calculeze P (2 X 4) , P(2<X<4) i P(1<X<4X>2).

Funcia ei de repartiie v.a. discrete X va fi (dup (3.9))

x 1
0,
0,2, 1 x 2

F(x) = 0,3, 2 x 3
0,6, 3 x 4

1,
x4
Pentru a calcula probabilitile cerute , aplicm relaiile (3.6), respectiv
(3.4), i obinem
P ( 2 X 4) =F(4)-F(2)+P(X=4)=0,6-0,2+0,4=0,8
P(2<X<4)=F(4)-F(2)-P(X=2)=0,6-0,2-0,1=0,3
P(1<X<4X>2)=

P (1 X 4 X 2) P ( 2 X 4) F (4) F (2) P ( X 2) 0,6 0,2 0,1 3

P ( X 2)
1 P ( X 2)
1 F ( 2) P ( X 2)
1 0,2 0,1
7

Se poate verifica, de exemplu, primul rezultat prin urmtorul calcul

P ( 2 X 4) =P(X=2)+P(X=3)+P(X=4)=0,1+0,3+0,4=0,8

18

3.2. Variabile aleatoare continue

n paragraful precedent am considerat acele variabile aleatoare care luau
o mulime numrabil de valori- variabilele aleatoare discrete. Acum vom
considera o situaie particular, dar foarte important, ce acoper aria celor
mai multe aplicaii i care cere o matematic puin mai abstract. Acesta va
fi cazul variabilelor aleatoare cu densitate.
Defniia 3.2. Fie F(x) funcia de repartiie a unei v.a. X. Dac exist o
funcie integrabil f:R R astfel ca
F(x)

f (u )

du

(3.11)
atunci X se numete variabil aleatoare continu, iar f(x) se numete
densitate de probabilitate sau densitate de repartiie a v.a. X.
Din relaia (3.11) rezult c f(x) este densitate de probabilitate dac i
numai dac verific condiiile
f(x) 0,

f ( x)

dx

= 1

(3.12)
Consecine. 1. Folosind cunotinele din analiza matematic se deduce
din formula (3.11) c, dac f este continu, atunci ea este derivata lui F:
f(x) = F(x)
(3.13)
i cum
lim F ( x x) F ( x ) = lim P( x X x x ) ,
F (x) = x
0
x 0
x
x
aceast relaie va conduce la
P(x X < x + x) = f(x) x + 0(x)
ceea ce va nsemna c probabilitatea ca v.a. X s ia valori
ntr-un interval de lungime infinitesimal
x este
proporional cu f(x) i cu x, 0(x) reprezintnd o cantitate
care mprit la x tinde la 0 atunci cnd x 0.
2. n cazul v.a. continue, funcia de repartiie este o funcie continu,
deci probabilitatea (3.7) ca v.a. s ia o anumit valoare este 0, limitele
laterale ale lui F n orice punct fiind egale.
3. Rezult din consecina 2 c relaiile (3.3) - (3.6) vor avea n membrul
doi F(b) F(a).
4. Dac aceleai relaii (3.3)-(3.6) se exprim cu ajutorul densitii de
repartiie, atunci avem
b

P(a X < b) = F(b) - F(a) = f ( x ) dx - f ( x ) dx =

f ( x ) dx

(3.14)
5. Mai general dect relaia (2.13), dac A este o reuniune de intervale
nu neaprat disjuncte i care pot fi chiar infinite, atunci avem

19

P ( X A)

f ( x)dx
A

(3.15)
n cele ce urmeaz vom defini o mrime foarte utilizat n statistica
matematic.
Definiia 3.3. Fie X o v.a. i fie 0,1 . Numrul Q() care
satisface, pentru orice > 0, inegalitie
P ( X Q( ) ) , P( X Q( ) ) 1

se numete -quantila v.a. X.

Definiia 3.4. Numrul me = Q(1/2) se numete
mediana v.a. X.
Dac F(x) este funcia de repartiie a lui X, atunci inegalitile
corespunztoare medianei devin:
F[Q)1/2)] 1/2, F[Q)1/2)] 1/2.
n afar de = 1/2 care conduce la determinarea
medianei, pentru valorile particulare = 1/4 se obin
quantilele, pentru = 1/10 se obin decilele i pentru =
1/100 se gsesc centilele v.a. X.
Dac exist densitatea de probabilitate f(x), atunci quantilele se pot determina din ecuaia:
Q ( )
f ( x) dx =
sau

Q ( ) f ( x) dx = 1 -
Se vede c pentru = 1/2 mediana me verific ecuaiile
me

f ( x ) dx =

f ( x)

dx =

1
2

Definiia 3.5. Orice punct de maxim local al densitii

de probabilitate f(x) se numete punct modal (mod).
Dup numrul punctelor modale, repartiiile vor fi
unimodale, bimodale, n general, multimodale.
Dac v.a. X este discret, punctul modal se numete
valoarea cea mai probabil.
Astfel, dac v.a. X are valorile xi ordonate cresctor pe
care le ia cu probabilitile pi = P(X = xi), i = 1,2,n , atunci
valoarea cea mai probabil xi este cea pentru care
pi-1 pi pi+1, i = 1,2,n.
Exemplul 2. Fie funcia de repartiie

20

 0,
x
,
2
1
F(x) = ,
2
x
4,

1,

x0
0 x 1
0 x2
2 x4
x4

S se determine densitatea de repartiie corespunztoare i P(1 < X < 3).

Se vede c funcia de repartiie corespunde unei v.a. continue, deci
avem, conform cu (3.13), respectiv cu (3.14),

1
2,

x
f(x) = ,
4
0,

1 x 2
2 x4
`n rest

i P(1 < X < 3) = F(3) F(1) =

3
1
1
=
.
4
2
4

Din expunerea fcut n aceste dou paragrafe se poate concluziona c

variabilele aleatoare definite n cazul general prin Def. 1.4 se mpart n dou
categorii, sau c sunt de dou tipuri, discrete- Def. 1.1 i continue Def. 3.3.
Pentru fiecare dintre ele am definit distribuia sau repartiia prin tabelul de
repartiie

xi pi ,0 i I
X : , i I, P 1
pi iI i

cu pi = P(X=xi), i I , n cazul n care X este o v.a. discret, i prin

densitatea de probabilitate f(x) ce verific condiiile (3.12), n cazul n care X
este o v.a. continu.
Se observ analogia dintre condiiile ndeplinite de probabilitile pi,
i I i densitatea de probabilitate f(x).

4. Repartiii clasice continue

21

4.1. Repartiia uniform

Fie [a, b] un interval compact din R i fie densitatea de
probabilitate

f (x) =

1
, x a, b

ba
0
`n rest

(4.1)

Se spune c v.a. X cu aceast densitate de probabilitate

are repartiie uniform pe intervalul [a, b].
Dac X este o v.a. uniform pe a, b atunci funcia ei de
repartiie este

xa

0
xa

1,

F(x) =

a xb
xb

exprimare ce se obine din formula (3.11) astfel:

-dac x < a, f (x) = 0, deci F(x) = 0
-dac a x b, atunci
x

F(x) = f (u ) du +

xa

f (u ) du = a
du =
ba
ba

-dac x > b avem

x

F(x) = f (u ) du +

f (u ) du = b
du =1
ba
Exemplul 1. Se nvrtete un ac pe un cadran circular.
Cnd se oprete, el se situeaz la un unghi i este normal
s considerm c este distribuit uniform pe 0,360 0 . Atunci, pentru
1 2 , avem

P(1 2 )

f (u ) du +

360dx

2 1
360

Aceast formul arat c probabilitatea ca acul s se fixeze ntre cele

dou direcii este proporional cu unghiul dintre ele. Dac 2 1 devine
22

0, tot att va fi i probabilitatea, deci probabilitatea ca acul s se fixeze exact

la unghiul este egal cu 0. Din punct de vedere empiric acest eveniment
nu are sens deoarece acul nsui are o lime. Paradoxul este creat de
idealizarea matematic ce presupune c o linie nu are lime.

4.2. Repartiia normal

Cea mai important repartiie dintre toate repartiiile
numite clasice, datorit proprietilor pe care le vom studia
aproape n toate capitolele ce urmeaz, a fost determinat
de C.F. Gauss, unul dintre cei mai mari matematicieni ai
tuturor timpurilor.
Se spune c v.a. X are distribuia normal sau LaplaceGauss de parametrii m i i se noteaz X N(m, ) dac
are densitatea de probabilitate
1 x m

1
f(x) =
e 2
2

, x R; m R; > 0

(4.2)
Se demonstreaz c funcia (4.2) satisface condiiile
(3.12). Prima condiie (f (x) 0) este ndeplinit, iar pentru a
doua se face schimbarea de variabil
t=

xm

1
2

(4.3)

i se obine

f ( x ) dx

t2
2

dt =

1
2

=1

pentru c s-a ajuns la integrala Euler Poisson de valoare

2 .
Cazul particular m = 0, = 1 poart numele de
distribuie normal normat sau normal tip, deci spunem c
X N(0, 1) dac are densitatea de probabilitate
2

f (x) =

1
e 2 , xR
2

(4.4)

Un rol important n analiza acestei repartiii l are funcia

care se numete funcia Laplace i se definete ca fiind
(z) =

1
2

(4.5)

23

t2
2

dt, z R.

Densitatea de repartiie normal (4.4) are multe

proprieti analitice remarcabile Gauss a determinat-o prin
alegerea ctorva dintre ele drept caracteristici ale unei legi
a erorilor. Amintim aici cteva dintre aceste proprieti:
- funcia (4.4) este simetric ( f(x)=f(-x) ), iar de aici se
deduce urmtoarea proprietate:
z

f ( x)dx ( z ) ( z ) 2( z ) 1

(4.6)
- f(x) admite derivate de orice ordin i orice derivat
este egal cu produsul dintre f i un polinom numit polinom
Hermit;
- existena tuturor derivatelor face ca f(x) s se
reprezinte grafic ca o curb neted. Mai mult dect att,
funcia descrete rapid la 0 atunci cnd x tinde la . Din
cauza formei obinute curba se numete clopotul lui Gauss;
- v.a. normal cu densitatea (4.4) admite o funcie
generatoare de momente, care, aa cum se va arta n alt
capitol, rareori exist dac f este nlocuit cu o densitate
arbitrar. De aici rezult c v.a. normal admite momente
de orice ordin.
Legtura dintre repartiia normal N(m, ) i funcia
Laplace este dat de urmtoarele rezultate:
Propoziia 4.1. Funcia de repartiie a v.a. X N(m, ),
F(x) = (

xm
),

xR

(4.7)

unde este funcia Laplace (4.5).

Dem. n relaia (3.11), ce d funcia de repartiie cu
ajutorul densitii de probabilitate, se face schimbarea de
variabil (4.3).
Corolar. Dac X este o v.a N(0, 1), atunci funcia ei de
repartiie este
F(x) = (x)

(4.8)

Dem. Se particularizeaz m = 0, = 1 n (4.8).

Propoziia 4.2. Funcia Laplace are proprietatea
(-z) = 1 -(z)

(4.9)

Dem. n (-z) se face schimbarea de variabil t = -u i se

obine

24

(-z) = =

1
2

1
2

u2
2

u2
2

1
2

du =

1
2

du -

u2
2

u2
2

du =

du = 1 -(z)

Observaie. Valorile funciei de repartiie a unei v.a.

normale, (x) se gsesc n tabele care conin numai
argumente pozitive din cauza acestui rezultat.
Propoziia 4.3. Dac X este o v.a. N(m, ), atunci
bm

P(a X < b) =
(4.10)

am

Demonstraia rezult imediat din proprietile funciei de

repartiie i din formula (4.7).
Observaie. Funcia Laplace se mai reprezint ca
1
2

( z )

t 2

dt , z 0

(4.11)
Cu aceast definiie formulele (4.6) - (4.9) devin,
respectiv :
z

f ( x ) 2 ( z )

F(x) =

F(x) =

1
(x) ;
2

1
xm
(
);
2

( z ) ( z ) .

Formula (4.10) rmne la fel pentru ambele definiii ale

funciei Laplace.
4.3. Repartiia exponenial
Se spune c v.a. a crei densitate de probabilitate este
f (x) ={ e-x, x 0, > 0
(4.12)
0,

x<0

are distribuie exponenial de parametru .

Se verific uor faptul c
probabilitate ((3.11)).
25

f este o densitate de

Propoziia 4.4. Dac X este o v.a. exponenial de

parametru , atunci funcia ei de repartiie este
x0

F(x) = 1 - e-x,

Exemplul 2. S presupunem c urmrim trecerea

mainilor de pe o osea prin faa unui spot luminos. Timpul
msurat ntre trecerile a dou maini este o v.a. T cu
repartiie exponenial. Din Prop.4.4 deducem c
P (T x ) 1 F ( x ) e x ,

x 0

(4.13)
din care se vede c, pentru x fixat, aceast probabilitate
descrete cnd crete, ceea ce nseamn c timpul de
ateptare este mai scurt dac este mai mare. Astfel, pe o
osea aglomerat va fi mare.
Ne propunem s determinm urmtoarea probabilitate
P(T s t T s )

P (T s t ) e ( s t )

P (T s )
e s

e t P (T t )

(4.14)

pentru orice valori reale nenegative ale lui s i t.

Aceast relaie se poate interpreta n urmtorul mod: dac am petrecut
dj un timp n ateptare, distribuia timpului de ateptare viitor este aceeai
cu cea a timpului de ateptare iniial, adic am pierdut timpul degeaba ! Un
mod sugestiv de a spune acest lucru este c v.a. T nu are memorie . Aceasta
este o proprietate fundamental a repartiiei exponeniale pe care nu o are
nici o alt repartiie i care st la baza teoriei proceselor Markov.
Ne reamintim (&2.3) faptul c o v.a. X, reprezentnd timpul pn la
prima apariie a stemei, are o repartiie geometric (2.4) cu probabilitatea de
succes p 1 / 2 cnd moneda era neomogen. Atunci
P ( X n)

pq

k n 1

k 1

q n , n=0,1,

De aici putem calcula, pentru s i t numere ntregi nenegative,

probabilitatea din (4.14) care devine egal cu
q t P( X t )

obinnd astfel acelai rezultat ca n (4.14). Observm ns c, dei repartiia

geometric este corespondenta discret a repartiiei exponeniale, totui ea
nu are proprietatea de lips a memoriei pentru c relaia (4.14) nu are loc
cnd s i t nu sunt numere ntregi.
Exemplul 3. Distribuia exponenial este mult folosit
pentru tipurile de probleme n care se studiaz diferii timpi

26

de ateptare cum ar fi chemrile telefonice, timpii de

service, dezagregarea particulelor radioactive, etc.
n cele ce urmeaz vom arta cum se construiete n
domeniul asigurrilor o v.a. cu aceast distribuie i pentru
asta ne vom referi la Exemplul 7 din &1.1, unde notaserm
cu S n v.a. reprezentnd data la care este primit cererea n
de plat a unor daune asigurate.
Fie
T1 S1 , T2 S 2 S1 ,...Tn S n S n1 ,...

un nou ir de v.a. ce reprezint timpul dintre sosiri. Aceste

v.a. sunt importante nu numai n asigurri, dar i pentru alte
modele, cum sunt cele cu perioade inutile ale mainilor
ce lucreaz sporadic, sau cele cu bree n trafic n cazul
n care T-urile msoar distane nu timpi. S-a demonstrat
c :
V.a. Tn sunt repartizate exponenial pentru orice n
natural, iar parametrul de care depinde repartiia acestor
v.a. este interpretat ca intensitate a traficului.
4.4. Repartiiile gamma, beta, 2
Dac v.a. X are densitatea de probabilitate

f (x) =

1 p1 x
x , e , x 0, p 0

( p )
0
,x 0

(4.15)
se spune c are repartiia gamma de parametru p. Vom nota
acest lucru prin X (p).
V.a. X are repartiia beta de parametrii p i q i scriem X
(p,q), dac densitatea ei de probabilitate este

1 r11
x , (1 x) 2 1 , x 0, 1
f (x) = ( 1 , 2 )
0
`nrest
, 1 , 2 0

(4.16)

27

V.a. X cu densitatea de probabilitate

f (x) =

(4.17)

n
1
2

x , e 2a , x 0

n
2 n

2 a (n / 2)

0
, x 0, n N , a 0

se spune c are repartiie 2 cu n grade de libertate i

parametru a (repartiia Helmert -Pearson).
Se demonstreaz c (4.17) este densitate de
probabilitate fcnd substituia x / 2a2 = t.
4.5. Repartiia Student
V.a. X care are densitatea de probabilitate dat de
funcia
n 1
(
)
n 1

1
2
2

(1 x / n) 2 , x R, n N
f (x) =
n
n
( )
2
(4.18)
se numete v.a. repartizat Student cu n grade de libertate.
Se demonstreaz c (4.18) este o densitate de
probabilitate cu ajutorul substituiei x2 / n = y
4.6. Repartiia Behrens -Fisher -Snedecor
V.a. X care are densitatea de probabilitate

n1 n2
)
n1 n21 n21 1
n1 n1 2n2
2
( ) x
(1
x)
f (x) =
,x>0
n1
n2
n
n
2
2
( ) ( )
2
2
(

(4.19)
se numete v.a. repartizat Behrens -Fisher -Snedecor cu
(n1, n2) grade de libertate (n1, n2 N).
Cu schimbarea de variabil
xn1 / n2 = y
se gsete c (4.19) este o densitate de probabilitate.

28

5. Variabile aleatoare bidimensionale

Pentru simplificarea notaiilor vom considera numai cazul variabilelor
aleatoare cu dou componente, dup care extensia la un numr finit de
componente se va putea face cu uurin.
Dac X i Y sunt variabile aleatoare, atunci vectorul (X, Y) este o v.a.
bidimensional sau un vector aleator bidimensional.
Definiia 5.1. Dac (X, Y) este o v.a. bidimensional,
atunci
funcia
2
F : R R dat de
F(x, y) = P(X < x, Y < y)
se numete funcia de repartiie a vectorului aleator (X, Y).
Propoziia 5.1. Funcia de repartiie a unei v.a.
bidimensionale (X, Y) are urmtoarele proprieti:
1. este nedescresctoare n raport cu fiecare variabil;
2. este continu la stnga n raport cu fecare variabil;
3. lim F(x , x ,) = 0, pentru orice i = 1, 2;
xi

4. F(+, +) = 1.
5. probabilitatea ca v.a. (X, Y) s se gseasc n
ptratul [a, b) [c, d) este:
P(a X < b, c Y < d) = F(b, d) - F(a, d) F(b,c) + F(a, c)

5.1. Variabile aleatoare bidimensionale discrete

Fie X i Y dou variabile aleatoare discrete, care pot lua valorile xiiI i
respectiv xjjJ, definite corespunztor urmtoarelor sisteme complete de
evenimente (Def.6.1 Cap.3):
Ai = X() = xi}, i I ;
Bj = X() = yj}, j J,
unde I i J sunt mulimi numrabile.
Dac notm evenimentele:
Cij = Ai Bj = X() = xi, Y() = yj}, i I, j J
(5.1)
atunci se tie din Prop.1.2 c ele determin un sistem complet de
evenimente.
Fie
pij = P(Cij) = P(X = xi, Y = yj), i I, j J
(5.2)
atunci aceste probabiliti verific condiiile:

29

 pij 0, i I , j J

p 1
ij

(5.3)

iI jJ

deoarece evenimentele (5.1) formeaz un sistem complet. Astfel, mulimea

probabilitilor { pij }, i I , j J , determin repartiia sau distribuia
vectorului aleator discret (X, Y).
Se observ c condiiile (5.3) sunt similare condiiilor (1.8) ale cazului
unidimensional.
Se poate determina doar distribuia lui X, cnd Y parcurge mulimea
valorilor posibile lui, astfel:
(X = xi, Y = yj) =
pi* = P(X = xi) = P j
J

pij
jJ

(5.4)

Probabilitile (5.4) se vor numi probabilitile marginale ale variabilei

aleatoare X i, cnd X ia valorile posibile {xi }, i I , atunci ele definesc
repartiia marginal a lui X, adic

xi
X : , i I .
pi*
n mod asemntor
(X = xi, Y = yj) =
p *j = P(Y = yj) = P i
I

pij
iI

(5.5)
va fi probabilitatea marginal a variabilei aleatoare Y.
n mod evident au loc relaiile

pi* 0, i I

p* j 0, j J

p 1
i*
iI

p* j 1
jJ

Conform Definiiei 1.2 a independenei variabilelor aleatoare vom spune

c variabilele aleatoare X i Y sunt independente dac
pij = pi* p*j , i I, j J
(5.6)
n cazul n care v.a. X i Y sunt dependente, se pot determina
probabilitile condiionate ale unor evenimente legate de realizarea
anumitor valori.
Propoziia 5.2. Dac pi* > 0, p*j > 0, i I, j J, atunci
P(X = xi Y = yj) = pij / p*j
(5.7)
P(Y = yj X = xi) = pij / pi*
(5.8)

30

Demonstraia folosete definiia probabilitii condiionate, precum i

definiiile probabilitilor din (5.2), (5.4) i (5.5).
Propoziia 5.3. Probabilitile (5.7) i (5.8) definesc repartiiile variabilei
aleatoare X Y = yj , j J i respectiv ale variabilei aleatoare Y X = xi , i
I.
Demonstraie. Se observ c
P(X = xi Y = yi) 0, i I, j J
i c

P (X = xi Y = yi) =
iI

iI

pij
p* j

1
p* j

pij = 1.
iI

deci c probabilitile (5.7) cu i I verifc condiiile (1.8) ale unui tabel de

distribuie. La fel se demonstraz pentru probabilitile (5.8) cu j J.
Exemplu. Se consider vectorul aleator (X, Y) care are urmtorul tabel
de distribuie:
X

0,1

0,1

0,2

0,3

0,2

0,1

/Y
1
a) S se determine repartiiile marginale ale v.a. X i Y;
b) S se verifice dac X i Y sunt independente;
c) S se gseasc repartiia v.a. XY = 2.
Rezolvare. a) Conform relaiilor (5.4) i (5.5) avem:
P(X = -1) = 0,1 + 0,1 + 0,2 = 0,4
P(X = 1) = 0,3 + 0,2 + 0,1 = 0,6
P(Y = 1) = 0,1 + 0,3 = 0,4
P(Y = 2) = 0,1 + 0,2 = 0,3
P(Y = 3) = 0,2 + 0,1 = 0,3
b) Se verific relaia (5.6) lund de exemplu i = 1, j = 2. Atunci
p12 = 0,1 p1* p*2 = 0,4 0,3,
prin urmare X i Y sunt v.a. dependente.
c) Din (5.7) avem
P(X = -1Y = 2) = 0,1/0,3 = 1/3
P(X = 1Y = 2) = 0,2/0,3 = 2/3

31

Deci XY = 2 :

5.2. Variabile
continue

aleatoare

bidimensionale

Definiia 5.2. Fie F(x,y) funcia de repartiie a v.a. (X, Y).

Vom spune c (X., Y) este o v.a. bidimensional continu
dac exist o funcie nenegativ integrabil f(x, y) astfel ca
x

F(x, y)

f (u , v ) dudv ,

(x, y) R2

(5.9)
n acest caz, funcia f(x,y) se numete densitatea de
probabilitate
a
v.a.
bidimensionale (X, Y).
La fel ca n cazul unidimensional, se deduce din (5.9) c
funcia f(x,y) va satisface condiiile:
f ( x, y ) 0, ( x, y ) R 2

(5.10)
pentru a fi densitate de probabilitate.
Tot din relaia (5.9) se gsete c

f ( x, y ) dxdy 1

f(x,y) =

2 F ( x, y )
xy

(5.11)
Propoziia 5.4. Funcia F( x, +) este funcia de
repartiie a v.a. X.
Dem. Avem
F(x, +) = P(X < x, Y < ) = P(X < x) .
Defniia 5.3. Funcia de repartiie F( x, +) se numete
funcia de repartiie marginal a v.a. X i se noteaz F1(x). n
mod asemntor, funcia F(+,y) va fi funcia de repartiie
marginal a v.a. Y i se va nota cu F2(y).

32

Calculul funciilor de repartiie marginal se va face

pornind de la definiia lor i a funciei de repartiie a
vectorului (X,Y) (Def. 5.2), astfel:
x

F1(x) = F(x, +) = P(X < x) = f (u , v)dv du

(5.12)
F2(y) = F(+, y) = P(Y < y) =
y

f (u , v )dv du

Corespunztor
acestor
repartiii,
densitile
de
probabilitate ale v.a. X i Y se vor numi densiti marginale
i vor fi :

f1(x) = F1(x) =

(5.13)

f (u , v )dv

f2(y) = F2(y) =

f (u , y )dv

Propoziia 5.5. Dac v.a. continue X i Y au

densitile de repartiie f1(x) i f2(y), respectiv, atunci ele
sunt independente dac i numai dac
f(x,y) = f1(x) f2(y)
(5.14)
unde f(x, y) este densitatea de probabilitate a vectorului
aleator (X, Y).
Dem. Pornind de la Def. 5.1 a funciei de repartiie a v.a.
bidimensionale (X,Y) i folosind Prop. 5.4, avem
F(x,y) = P(X < x, Y < y) = P(X < x) P(Y < y) =
F1(x)F2(y)
(5.15)
Derivnd aceast relaie n raport cu x i y se obine
(5.14) cu ajutorul relaiei (5.11).
Reciproc, integrnd relaia (5.15) se obine (5.14).
S notm cu F(yx) funcia de repartiie a v.a. Y
condiionat de X = x i cu f(yx) densitatea ei de
probabilitate.
Propoziia 5.6. Dac f1(x) > 0, f2(y) > 0, atunci
densitile de probabilitate condiionate sunt:
f ( x, y )
f ( x, y )
f(yx) =
,
f(xy) =
.
f1 ( x )
f 2 ( y)
(5.16)
Dem. Din definiia funciei de repartiie i din condiia c
v.a. X i Y sunt continue putem scrie
F(yx) = P(Y < yX = x) = lim P(Y < yx < X < x + x)
x

Folosind proprietatea 5 din Prop. 5.1 se obine

33

P(Y y, x X x x
P( x X x x)
F ( x x, y ) F ( x, y )
=
F ( x x,) F ( x,)

P(Y < y x < X < x + x) =

i atunci
F(yx) = lim
x

F ( x x, y ) F ( x, y )
=
F ( x x,) F ( x,)

F ( x x, y ) F ( x, y ) / x
F ( x x,) F ( x,) / x

Fx ( x, y )
.
F1( x)
Pentru
determinarea
densitii
de
probabilitate
condiionat se va deriva n raport cu y funcia de repartiie
exprimat mai nainte i vom obine c
1
f ( x, y )
Fxy ( x, y )
f(yx) = Fy(yx) =
,
F1( x)
f1 ( x )
relaie n care am inut seama de formula (5.11). Permutnd
literele x i y se gsete a doua relaie din (5.16).
Exemplu. V.a. bidimensional (X, Y) care are densitatea de
probabilitate
=

f(x, y) = 1/ [21 2

1 2

]exp

2(1 2 )

( x m1 ) 2
( x m1 )( y m2 ) ( y m2 ) 2

, (x, y) R2
2
2

1 2
1
2

(5.7.)
se spune c are repartiie normal bidimensional, unde
parametrii au valorile: m1 , m2 R , 1, 2 > 0, iar < 1.
1) S se arate c
f(x, y) este o densitate de
probabilitate.
2) S se determine densitile marginale ale v.a. X i Y.
Rezolvare. 1) Se vede c f(x, y) 0, (x, y) R2, i apoi
se face schimbarea de variabile

x m1 y m2
2

2
(
1

) u

2
1

y m2 2 v
2
1 2 pentru a
avnd determinantul funcional J = 2 12
calcula
R 2 f ( x, y ) dx dy = R 2 f (u, v) J du dv =

34

1 u
e

v 2

du dv =

=1

u
e

(din calculul integralei Euler-Poisson care este e u du =

).
2) Densitatea marginal a v.a. Y este

f2(y) =

f (u , y )

du =

( y m2 ) 2

= exp
2 22 12
2

u m1
y m2

2
2

1
exp 2(1 2 )

1 2

du

Se efectueaz schimbarea de variabil

u m1
y m2

2
2

2(1 2 ) t

i se obine
f2(y) =

1
2 2

( x m1 ) 2
2 12

dt =

1
2 2

( y m2 ) 2
2 22

Cum funcia f(x, y) este simetric n variabilele x i y, se

deduce c
f1(x) =

1
1 2

( x m1 ) 2
2 12

Se vede c v.a. X N (m1, 1) i v.a. Y N (m2, 2).

6. Funcii de variabile aleatoare continue

Propoziia 6.1. Fie X o v.a. continu cu densitatea de
probabilitate f(x) i fie : R R o funcie strict monoton cu
inversa -1 derivabil. Atunci Y = (X) este o v.a. continu
avnd densitatea de probabilitate
g(y) = f(-1(y)) (-1)(y), y R
(6.1)
Dem. Notm cu F(x) i G(y) funciile de repartiie ale v.a.
X, respectiv Y = (X) i presupunem c funcia este strict
cresctoare pe R. Atunci
G(y) = P[(X) < y] = P[X < -1(y)] = F(-1(y))
35

de unde se obine densitatea de probabilitate a v.a. Y

g(y) = [F(-1(y))] = f(-1(y)) (y-1)(y), y R
n mod asemntor, dac este o funcie strict
descresctoare, avem
G(y) = P[X > -1(y) = 1 - F(-1(y))
iar densitatea devine
g(y) = -f(-1(y)) (-1)(y), y R.
ceea ce corespunde formulei (6.1).
Aplicarea Prop. 6.1 pentru o v.a. normal conduce la
rezultate ce vor fi mult folosite mai ales n statistica
matematic:
Propoziia 6.2. Dac X este o v.a. N(m, ), atunci v.a.
Z=

X m

are o distribuie N(0, 1).

Dem. Pentru a demonstra acest rezultat se folosete
formula (6.1) , n care
Z= (X) = (X -m) / , deci -1(z) =
z + m. Atunci
2

1
g(z) = f (( )(z)) =
e 2
2
care este densitatea de probabilitate a unei v.a. N(0, 1).

-1

Propoziia 6.3. Dac v.a. Y N(0, ), atunci X = Y2 are

repartiia 12 ().
Dem. Fie F(x) i G(y) funciile de repartiie ale variabilelor
aleatoare X, respectiv Y. Avem
F(x) = P(X < x) = P(Y2 < x) = P(G(- x ).

<Y<

) = G(

)-

Atunci densitatea de repartiie a variabilei aleatoare X va

fi
f(x) = F (x) =

1
2 x

(g

) + g(-

)) =

2
2
e 2 =
2 x 2

2
2
x 2 e 2
2

care reprezint densitatea de probabilitate a repartiiei 12

de parametru a = i un grad de libertate.

36

Propoziia 6.4. Dac Y 2 (), atunci v.a. X = Y /2 are

repartiia 2 .
Dem. Fie F i G sunt, la fel ca nainte, funciile de
repartiie ale variabilei aleatoare X respectiv Y. Avem
F(x) = P(X < x) = P(Y /2 < x) = P(Y < x2 ) = G(x2 )
Atunci obinem din formula (6.1) c densitatea de
probabilitate a v.a. X este
x 2

2
1
f(x) = g(x )= / 2
( x 2 ) / 21 e 2 =
2 ( / 2)
2

/2

1
x / 21e x / 2
( / 2)

ceea ce reprezint densitatea unei repartiii 2 care nu

depinde de nici un parametru.
Propoziia 6.5. Fie X = (X1 Xn) o v.a. n-dimensional
cu densitatea de probabilitate f(x1 xn) i T : Rn Rn o
aplicaie bijectiv definit de ecuaiile:
yj = j(x1 xn), j = 1, n.
Dac aplicaia invers este dat de ecuaiile
xi = i(y1 yn), i = 1, n,
unde i sunt funcii derivabile cu derivate pariale continue,
atunci densitatea de probabilitate a v.a. n-dimensionale
Y = (1(X1 Xn), n(X1 ... Xn))
este
g(y1 yn) = f(1(y1 yn), n(y1 yn)) J
(6.2)

, i, j = 1

i
unde J este jacobianul transformrii T-1, J = det

y
j

n.
Propoziia 6.6. Dac X i Y sunt v.a. independente,
avnd
repartiiile
2
X N(0, ) i Y n (), atunci v.a.
T=X/

Y
n

(6.3)
este repartizat Student cu n grade de libertate.
Dem. Densitatea de probabilitate a vectorului aleator (X,
Y) este, din condiiile enunate, produsul densitilor
corespunztoare acestor repartiii :

37

y
n
x
1

1
1
2
y 2 e 2 ,
f(x, y) =
e 2
( n / 2)
2

x R, y > 0

Se efectueaz o schimbare de variabile

y
, t R
n

t x/

u y / n, u 0

Jacobianul acestei transformri fiind

D ( x, y )

J = D(t , u ) 2nu2
se obine, nlocuind n formula (6.2), c densitatea de
probabilitate a vectorului aleator (T, U) este
n

n2

g(t, u) =

n 1
2

u e

u21
2 2

(t 2 n)

n1( n / 2)

Densitatea de probabilitate a v.a. T va fi o densitate

marginal, adic

g1(t) = g (t , u )du
0

care se calculeaz fcnd schimbarea de variabil =

(t2 + n). Atunci
g1(t) = C

n 1
2

n 1

1
2

2 2
2

t n

n
2

(n / 2)

1
2

n 1
2

n 1
2

u2
2 2

e v g (t , u )du =

n 1
2

n1

(t n)
2

t2

1
n

n 1
2

n 1

n 1

2
n ( n / 2)

n 1
2

care este densitatea de probabilitate a repartiiei Student cu

n grade de libertate.
Propoziia 6.7. Fie (X, Y) o v.a. bidimensional continu
cu densitatea de probabilitate f(x, y). Atunci v.a. Z = X + Y
are densitatea de probabilitate

gz(z) =

f ( z y, y )

dy =

f ( x, z z )

dx

(6.4)
38

Dem. Pentru a aplica Prop. 6.5 se face transformarea

z x y
T:
uy

din care se obine

-1

x z u
:
uy

cu

D ( x, y )
= 1.
D( z, u )

J=

Notnd cu g(z, u) densitatea de probabilitate a vectorului

aleator (Z, U), obinem din formula (6.2):
g(z, u) = f(z - u, u),
care integrat n raport cu u conduce la densitatea de
probabilitate (marginal) a v.a. Z. Rezult atunci prima
egalitate din formula (6.4). A doua egalitate se obine dac
n transformarea T se alege Z = x + y i u = x.
Corolar 6.1. n condiiile Prop. 6.7, dac v.a. X i Y sunt
independente, atunci

gz(z) =

f1 ( z y ) f 2 ( y )

dy =

f 1 ( x ) f 2 ( z x ) dx

Propoziia 6.8. n condiiile Prop. 6.7, v.a. Z = X Y are

densitatea de probabilitate

gz(z) =

f(

z
1
, y)
y
y

dy =

f ( x,

z
1
)
x
x

dx

(6.5)

Dem. Se face transformarea T :

jacobianul transformrii va fi J =

1
u
0

z xy
. Atunci

uy

z
2
u =
1

formula (6.2) c
g(z, u) = f(

1
z
, u) u .
u

39

z
u,
y u
x

iar

1
. Rezult din
u

Dac n transformarea T se nlocuiete u = x, atunci se

obine a doua egalitate din formula (6.5).
Corolar 6.2. Dac X i Y sunt v.a. independente, atunci
(6.5) devine

gz(z) =

f1 (

z
1
) f 2 ( y )
y
y

dy =

f 1 ( x ) f 2 (

z
1
)
x
x

dx
X
,
Y

Propoziia 6.9. n condiiile Propoziiei 6.7, v.a. Z =

Y 0, are densitatea de probabilitate

gz(z) =

dy

f ( zy , y ) y

(6.6)
x

Dem. n transformarea T se alege z = y i y = u.

Corolar 6.3. Dac X i Y sunt v.a. independente, atunci
(6.6) devine

gz(z) =

f 1 ( zy ) f 2 ( y ) y

dy

Propoziia 6.10. Dac X i Y sunt dou

independente
cu
repartiiile
2
2
X n1 () i Y n2 (), atunci v.a.
F=

X / n1 n2 X

Y / n2
n1Y

v.a.

(6.7)

are repartiia Behrens-Fisher-Snedecor cu perechea de grade

de libertate (n1,n2).
Dem. Densitatea de probabilitate a vectorului aleator (X,
Y) va fi
f(x, y) =

1
n1
2

2 ( n1 / 2) x
n1

n1
1
2

1
2

n1 n2
2

n1 n2

x
2 2

n2
2

2 ( n2 / 2)
n1

( n1 / 2) ( n2 / 2)

x2 y

Se efectueaz substituia

n2 x
u

n y, u0

v n2 y, v 0
n1
cu jacobianul
40

n2

n2
1
2

x y
22

n2
1
2

y
2 2

; x, y > 0

J=

D ( x , y ) n2

v
D (u , v)
n1

iar funcia f(x,y) devine

n2
2

(n1 / n2 ) u

n1 n2
2

n1 n2

n1
n n
1 1 2
2
2

(n1 / 2)(n2 / 2)

n2

2 2 n1

n
(1 1 u ) v
n2

; x, y > 0

cu u, v > 0. Atunci densitatea de probabilitate a variabilei F

din (6.7) este densitatea marginal

f1(u) = f (u , v )dv n
0

care se face schimbarea de variabil

n2
n
1 1 u v = t
2
2 n1
n2

i se obine densitatea de probabilitate a repartiiei F(n1,

n2).
Propoziia 6.11. Dac X este o v.a. repartizat F(n1, n2),
atunci v.a. 1 / X are o repartiie F(n2, n1).
Dem. Notnd v.a. 1 / X = Y i folosind definiia i
proprietile funciei de repartiie, se obine
1

G(y) = P(Y > y ) = 1 - F(1 /y)

de unde g(y) = G(y) = 1 / y2 f(1 / y). nlocuind densitatea de
probabilitate corespunztoare repartiiei F(n1, n2), a v.a. X,
avem
n1 n2

2
g(y) =

( n1 / 2)( n2 / 2)

n1

n2

n2
2

n2
1
2

n
1 y 1
n
2

n1 n2
2

care este densitatea de probabilitate a unei repartiii F(n2,

n1).
Propoziia 6.12. Dac X este o v.a. repartizat Student
cu n grade de libertate, atunci v.a. X2 este repartizat F(1, n).
Demonstraia se face asemntor propoziiei anterioare.
Deci fie v.a
Y = X 2. Atunci funcia de repartiie este
G(y) = P(Y < y) = P(-

<X<

) = F(

iar densitatea de probabilitate este

g(y) =

1
y

f (

adic
41

) + f (-

),

) - F (-

g(y) =

1
2

n 1

y n1
2

y 2 (1 ) 2
(1 / 2) ( n / 2)
n

ceea ce demonstreaz propoziia.

Aplicaii
1. La o agenie de nchiriere de maini a fost nregistrat numrul de autoturisme cerut zilnic pe o perioad de 50 zile, obinndu-se valorile:
Cererea
zilnic
numrul
zile

de 3

12

14

10

a) S se scrie tabelul de distribuie a v.a. reprezentnd cererea zilnic de

autoturisme;
b) S se determine funcia de repartiie corespunztoare;
c) Care este probabilitatea ca numrul cererilor s fie cuprins ntre 4 i 7,
putnd fi chiar 4 sau 7?
d) Dar s fie mai mare dect 6?
e) Dac numrul cererilor este mai mare dect 6, care este probabilitatea
ca el s fie ntre 5 i 8?
2. S se determine x R astfel nct v.a. X s aib repartiia

X:
x2 x x 1 .

4 8
3. Se d funcia

42

 k,
f(x) =

x 3, k R

81
2 , x 3
8x

a) S se determine constanta k astfel nct f(x) s fie densitatea de

probabilitate a unei v.a. X.
b) S se determine funcia de repartiie a lui X.
c) S se calculeze P(X < 2) i P(1 < X < 4 X > 3).
4. O urn conine 4 bile numerotate de la 1 la 4. Se extrag 2 bile fr
ntoarcere. Fie X i Y v.a. ce reprezint rezultatele obinute la prima,
respectiv a doua extragere. S se determine repartiia vectorului aleator
(X, Y), precum i repartiiile marginale ale v.a. X i Y. S se scrie repartiia
v.a. X Y = 2.
5. S se afle valoarea cea mai probabil pentru repartiiile:

a) X :

k k 0,1,. n
k k n k
C p q p, q 0, pq 1
n

k k N
b) X :
.
e 0
k!
6. Fie X o v.a. binominal. Dac se noteaz
Pk = P(X = k) = Cnk pkqn-k, k =

0, n

, p, q 0, p + q = 1

s se calculeze Pk +1 n funcie de Pk.

7. La o societate comercial se constat c din cauza
taxelor de dobnd mari nu au fost achitate datoriile ctre 3
parteneri de afaceri din cei 10 pe care i are societatea.
43

Dac contabilul i allege la ntmplare 5 dosare ale

creditelor, care este probabilitatea ca:
a) toate s corespund unor datorii achitate;
b) 2 corespund unor datorii restante;
c) cea mai mare parte a dosarelor reprezint datorii
achitate.
8. ntr-o clas cu 20 de studenti, 8 sunt nemulumii de
rezultatele obinute la testul de probabiliti. Alegnd la
ntmplare 5 studeni din grup, s se afle probabilitatea ca:
a) 3 studeni s fie nemulumii;
b) cel puin 3 studeni s fie nemulumii.
9. Durata de funcionare a unei componente electronice
este repartizat normal cu parametrii m = 2 000h i = 200
h. Care este probabilitatea ca durate s fie:
a) cuprins ntre 2 000 i 2 400 h?
b) cel puin de 2 200 h?
10. Notele obinute la un examen de ctre un grup mare
de studeni sunt distribuite normal cu media m = 7,8 i
abaterea medie ptratic = 0,8. Profesorul vrea s atribuie
calificativul foarte bine la 10% dintre studeni. Care este
nota minim de la examen care se poate echivala cu acest
calificativ?
11. Se tie c 1% din tranzistorii lucrai de un furnizor
sunt defeci. Se aleg la ntmplare 30 de tranzistori (punnd
napoi tranzistorul ales). S se afle probabilitatea ca 2 sau
mai muli s fie defeci.
12. Se consider v.a. bidimensional (X, Y) cu densitatea
de probabilitate f(x,y). S se determine densitatea de
probabilitate a v.a.
Z = min(X, Y), T = max(X, Y).
13. Fie X i Y dou v.a. independente avnd densitile
de probabilitate f1(x) i f2(y), respectiv. S se determine
densitile de probabilitate ale v.a.
Z = XY, T =

X
.
Y

14. Fie (X,Y) o v.a. bidimensional i fie funcia

f(x, y) =

k
, x, y R, k R.
(1 x )(1 y 2 )
2

44

a) S se determine constanta k astfel nct f(x, y) s fie

densitatea de probabilitate a vectorului aleator (X, Y).
b) S se afle funcia de repartiie a v.a. (X, Y).
c) S se calculeze P(X, Y) D, unde D = 0, 1 0, 1.
15. Fie (X, Y) o v.a. bidimensional cu densitatea
probabilitate

f(x, y) =

1
x p1 ( y x) q1 e y , 0 x y
( p )(q )
0, `nrest

cu p, q > 0. S se determine densitile marginale.

45

de