Capitolul 1

Variabile aleatoare discrete

1.1

Variabile aleatoare
si reparti
tia lor

Fie ( ;F; P) un cmp de probabilitate discret

a, adic
a = f! 1 , ! 2 , ... ,! n ,
...g, F = fA j A 2 g, iar P : F ! R este o probabilitate discret
a.
Studierea evenimentelor elementare ca atare prezint
a, de regul
a, mai
putin interes dect studierea unor m
arimi numerice care depind de aceste
evenimente elementare. Notiunea de variabil
a aleatoare vine s
a modeleze din
punct de vedere matematic notiunea de caracteristic
a (variabil
a) statistic
a
din statistica descriptiv
a.
Exemplul 1 Fie experimentul cu aruncarea a doua monede iar n legatura
cu el consideram urmatoarele marimi, ce depind de rezultatele posibile ale
experimentului: (1) numarul de steme aparute X si (2) marimea IA de tip
indicator a evenimentului A = fstema va apare cel putin o data} , care
ia valoarea 1 daca se produce evenimentul A sau valoarea 0 in caz contrar.
Aceste marimi (variabile) ca functii de evenimente elementare sunt redate n
tabelul urmator:
!i
SS SB BS BB
X(! i ) 2
1
1
1
.
IA (! i ) 1
1
1
0
Dealtfel, pentru orice A 2 F putem deni functia IA :
formulei
0; daca ! i 2 A;
IA (! i ) =
:
1; daca ! i 2 A:
1

! f0; 1g conform

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Aceasta se nume
ste indicator al evenimentului A.
Este resc sa consideram n exemplul nostru ca X, IA sunt varibile
aleatoare in sensul ca valorile lor depnd de evenimentele elementare corespunzatoare experimentului dat.
Deni
tia 2 Fie ( ; F) un spatiu masurabil discret, atunci vom numi variabil
a aleatoare (v.a) denit
a pe acest spatiu orice functie X : ! R.
Imaginea multimii
n raport cu functia X este multimea X( ) =
fX(! 1 ), X(! 2 ), ... ,X(! k ), ...g = fx1 , x2 , ... ,xn , ...g = X , unde x1 < x2 <
... < xn < ... . Atunci perechea (X , P(X )), unde X = fx1 , x2 , ... ,xn , ...g
iar P(X ) = fC j C X g, formez
a un nou spatiu m
asurabil numit spatiu masurabil de selectie al variabilei aleatoare X. Pentru orice C 2 P(X ) putem
deni probabilitatea PX (C) = P f! j X(!) 2 Cg. Aplicatia PX : P(X ) !
R denit
a pe (X , P(X )), este o probabilitate discret
a deoarece
PX (X ) = P f! j X(!) 2 X g = P ! j ! 2 X

(X ) = P( ) = 1:

Lund Ai = f! 2 j X(!) = xi g, observ

am c
a Ai \ Aj = ; deoarece
xi 6= xj , 8i 6= j; i; j 1 si c
a [ Ai = f! 2 j X(!) 2 X g = X 1 (X ) = .
i 1

Multimile (Ai )i 1 , cu proprietatea Ai \ Aj = ;, 8i 6= j, i; j

1 si
=
[ Ai poart
a denumirea de partitie a lui iar (X , P(X ), PX ) se numeste

i 1

cmp de probabilitate indus de v.a. X

Deni
tia 3 Setul f(xi ; PX (xi ))gi 1 , unde PX (xi )

0 si

PX (xi ) = 1, se

i 1

nume
ste repartitie a variabilei aleatoare X, unde
PX (xi ) = P f! j X(!) = xi g = pi ; i

1:

Repartitia a variabilei aleatoare X se mai scrie su forma de tabel:

X
x1 x2 ::: xn :::
X:
; pi 0;
pi = 1.
p1 p2 ::: pn :::
i 1

Exemplul 4 (Continuare) Fie experimentul cu aruncarea monedei de doua

ori, atunci, daca moneda este simetrica, toate evenimentele elementare ! i 2
fSS, SB, BS, BBg sunt echiprobabile, adica P f! i g = 1=4. Atunci variabilele aleatoare X si IA au, respectiv, repartitiile
X:

0 1 2
1
4

1
2

1
4

, IA :

0 1
1
4

3
4

1.2. FUNCTIA
DE REPARTITIE

Propozi
tia 5 Daca f(xi ; pi )gi

este o repartitie, adica pi

0 si

pi = 1

i 1

, atunci exista un cmp de probabilitate ( ; F; P) si o variabila aleatoare X

denita pe acest cmp, astfel nct repartitia variabilei aleatoare X coincide
cu repartitia data.
Demonstra
tie. Dac
a lu
am = fx1 , x2 , ... ,xn , ...g, F = fA j A 2 g
si denim P : F ! R astfel:
X
X
P(A) =
pi , considernd Pfxi g = pi , avem c
a,
pi = 1.
i:xi 2A

xi 2

Or, P este o probabilitate discret

a denit
a pe spatiul m
asurabil ( , F).
Variabila X o denim ca aplicatia identic
aX : !
R, care asociaz
a
ec
arui xi 2 valoarea X(xi ) = xi :
Observa
tia 1 Cele expuse mai sus ne conduc la concluzia
P ca modelele matematice (X, ( , F, P)) si f(xi ; pi )gi 1 , unde pi 0 si pi = 1, sunt echivai 1

lente n sensul ca, stiind un model putem restabili celalalt model.

1.2

Func
tia de reparti
tie

Notiunea de repartitie a variabilei aleatoare modeleaz

a din punct de vedere
matematic notiunea de distributie de selectie din statistica descriptiv
a. Prin
analogie, notiunea de functie de repartitie va servi drept model matematic
pentru notiunea de functie empiric
a de repartitie din statistica descriptiv
a.
Mai mult, vom ar
ata c
a aceast
a functie, n calitate de model matematic,
este echivalent
a (ntr-un anumit sens) cu repartitia variabilei aleatoare, prin
urmare si cu modelul (X; ( ; F; P)).
Fie ( ; F; P) un cmp de probabilitate discret si o variabil
a aleatoare
X : ! R.
Deni
tia 6 Functia FX (x) = P f! j X (!) xg, 8x 2 R se nume
ste functie
de repartitie (distributie) a variabilei aleatoare X.
Exemplul 7 (Continuare) n exemplul anterior functia de repartitie asociata variabilei IA este
8
pentru x < 0;
< 0;
1=4; pentru 0 x < 1
FIA (x) = P f!jIA (!) xg =
:
1;
pentru 1 x

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

iar cea asociata variabilei X este
8
0;
pentru x < 0;
>
>
<
1=4; pentru 0 x < 1;
FX (x) =
3=4; pentru 1 x < 2;
>
>
:
1;
pentru 2 1:

Gracele acestor functii arat

a c
a FIA (x), FX (x) sunt functii scarate.
!!!!!POZA1

Propozi
tia 8 Daca FX este functia de repartitie a variabilei aleatoare X
atunci:
1. P(X > a) = 1
2. P(a < X

FX (a), 8a 2 R;
FX (a), 8a,b 2 R, a < b;

b) = FX (b)

3. P(X < a) = FX (a

0) = lim FX (an ),8a 2 R;

an "a

4. P(X = a) = FX (a)

0),8a 2 R;

FX (a

5. P(a < X < b) = FX (b

0)

FX (a) , 8a,b 2 R, a < b;

6. P(a

X < b) = FX (b

0)

FX (a

7. P(a

b) = FX (b)

Demonstra
tie:
1. P(X > a) = 1
2.

P(X

f! 2

j X(!)

0), 8a,b 2 R, a < b.

FX (a
a) = 1

f! 2

FX (a),8a 2 R;

j X(!)

ag [ f! 2

0), 8a,b 2 R, a < b;

bg =

j a < X(!)

bg ; 8a; b 2 R; a < b:

Deci
P(X

b) = P(X

FX (b) = FX (a) + P(a < X

b) ,

a) + P(a < X

b) , P(a < X

b) = FX (b)

FX (a);

3. Fie sirul (an )n 1 , an " a, astfel nct a1 < a2 <...< an <...< a . Atunci
f! 2

j X(!) < ag = f! 2

jX (!)

a1 g[f! 2

j a1 < X(!)

a2 g[...

1.2. FUNCTIA
DE REPARTITIE

[ f! 2

j an

5
< X(!)

an g [ ... .

Rezult
a c
a
P(X < a) = P(X
= lim [P(X
n!1

=
=

a1 ) + P(a1 < X
a1 ) + P(a1 < X

lim [FX (a1 ) + FX (a2 )

n!1

lim FX (an ) = FX (a

n!1

a2 ) + ::: + P(an
a2 ) + ::: + P(an

FX (a1 ) + ::: + FX (an )

<X
1 < X

an ) + :::
an )]

FX (an 1 )]

0);

4. FX (a) = P(X a) = P(X < a) + P(X = a) = FX (a 0) + P(X = a).

Deci P(X = a) = FX (a) FX (a 0).
5. Analog P(X < b) = P(X < a) + P(a X < b):Cum P(X < a) =
FX (a 0), P(X < b) = FX (b 0), rezult
a c
a
P(a X < b) = FX (b 0) FX (a 0).
Problema 1 Demonstrati formulele 6-7 din Propozitia anterioara.
Teorema 9 (Propriet
a
tile caracteristice ale func
tiilor de reparti
tie).
Daca FX este functia de repartitie a variabilei aleatoare X, atunci sunt valabile urmatoarele proprietati:
1. FX este monoton crescatoare: FX (a)

FX (b),8a,b 2 R,a

b;

2. FX este continua la dreapta: lim FX (xn ) = FX (x + 0) = FX (x);

xn #x

3. FX (+1) = lim FX (x) = 1, FX ( 1) = lim FX (x) = 0.

x!+1

x! 1

Demonstra
tie:
1. Fie a,b 2 R, a b. Evident, f! 2 j X (!) ag f! 2 j X (!) bg.
Prin urmare FX (a) = P (X a) P (X b) = FX (b).
2. S
tim c
a P(X > x) = 1 FX (x). Consider
am sirul (xn )n 0 astfel nct
xn > x, xn # x, x <...< xn <...< x2 < x1 si lim xn = x:
n!1
Deci evenimentul
fX > xg = f!jX (!) > xg =
fX > x1 g [ fx1
Prin urmare

X < x2 g [ ::: [ fxn

X < xn g [ ::::

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

FX (x) = P(X > x) =

P(X > x1 ) + P(x1

X < x2 ) + ::: + P(xn

X < xn ) + :::

= lim [P(X > x1 ) + P(x1

X < x2 ) + ::: + P(xn

lim [1

FX (x1 ) + ::: + FX (xn+1 )

xn #x

xn #x

FX (x1 ) + FX (x2 )
lim [1

xn #x

FX (xn+1 )] = 1

X < xn )] =

FX (xn )] =

FX (x + 0):

Asa dar, FX (x + 0) = FX (x)

3. Vom demonstra, spre exemplu, doar egalitatea FX ( 1) = 0, demonstratia egalit
atii FX (+1) = 1 ind similar
a.
Consider
am sirul (xn )n 0 xn # 1, unde x1 > x2 >...> xn >...> 1:
Atunci, folosind faptul c
a P( ) = 1 si c
a poate partajat in felul urm
ator:
= X
X

(R) =X 1 ((x1 ; +1) [ (x2 ; x1 ] [ :::(xn ; xn 1 ] [ :::) =

1
(x1 ; +1)[X 1 (x2 ; x1 ] [ :::[X 1 (xn 1 ; xn ] [ :::;

rezult
a c
a
1 = P( ) = P(X > x1 ) + P(x2 < X
=1

FX (x1 ) + FX (x2 )
= lim [1

x1 ) + ::: + P(xn < X

FX (x3 ) + ::: + FX (xn )

FX (xn+1 )] = 1

xn 1 ) + :::

FX (xn+1 ) + :::

FX ( 1);

adic
a FX ( 1) = 0.
Pentru a descrie comportamentul probabilist a unei variabile aleatoare X
n caz discret avem la dispozitie trei modele matematice:
X
(1) (X; ( ; F; P)); (2) Repartitia v.a. X , f(xi ; pi )gi 1 , pi 0,
pi = 1
i 1

si (3) Functia de repartitie FX a variabilei aleatoareX;

FX (x) = P f! 2 jX (!) < xg = P (X < x)

1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET7
n paragraful anterior am ar
atat c
a pentru v.a. discrete modelele (1) si
(2) sunt echivalente n sensul c
a, stiind un model putem restabili cel
alalt
model. Propozitia de mai jos arat
a c
a si modelele (2), (3) sunt echivalente,
prin urmare modelele (1) (3) sunt echivalente n sensul ar
atat mai sus.
Propozi
tia 10 a) Daca X este o variabila aleatoare cu repartitia f(xi ; pi )gi 1 ,
X
pi 0,
pi = 1, atunci pentru functia ei de repartitie are loc relatia
i 1

FX (x) =

pi .

i:xi x

b) Daca F este o functie scarata ce poseda proprietatile 1 3 caracteristice

functiilor de repartitie atunci F este f.r. a v.a. X cu repartitia f(xi ; pi )gi 1 ,
X
pi
0,
pi = 1, unde xi 2 X = fx 2 R j F (x) 6= F (x 0)g, iar pi =
i 1

FX (xi )

FX (xi

0) > 0.

Demonstra
tie. a) Deoarece f! 2
xi g, f! 2

jX (!) = xi g \ f! 2

FX (x) = P f! 2
=

i:xi x

j X (!)

P f! 2

j X (!)

xg = [f ! 2
i:xi x

jX (!) = xj g, 8i 6= j, i; j
xg = P( [f ! 2
i:xi x

j X (!) = xi g =

j X (!) =

1, rezul
a c
a

j X (!) = xi g)

pi .

i:xi x

b) Functia F ind o functie scarat

a ce poseda propriet
atile 1 3 caracteristice functiilor de repartitie, rezult
a c
a multimea X 2 fx 2 R j F (x) 6= F (x 0)g
este nit
a sau innit
a cel mult num
arabil
a, adic
a X =fx1 ,Px2 , ... , xn , ...g,
x1 < x2 < ... < xn < ... , iar pi = F (xi ) F (xi 0) > 0,
pi = F (+1) =
i 1

1.

1.3

Reparti
tii (modele probabiliste) uzuale n
caz discret

Reparti
tia uniform
a pe f0,1,: : : N g sau pe f1,2,: : : N g
Deni
tia 11 Vom spune ca variabila aleatoare X este repartizat
a uniform
pe f0,1,: : : N g sau pe f1,2,: : : N g (se noteaza X
U f0,1,: : : ,N g sau X

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

U f1,2,: : : ,N g) daca
X :
sau X :

1
N +1

1
N +1

1
N

1
N

:::
:::

:::
:::

N
1
N

N
1
N +1

Acest model descrie,din punct de vedere matematic, experimentul ce const

a n alegerea la ntmplare a unui num
ar din f0,1,: : : ,N g sau din f1,2,: : : ,N g.
Reparti
tia Bernoulli cu parametrul p, p 2 [0,1]
Deni
tia 12 Vom spune ca variabila aleatoare X este repartizat
a Bernoulli
cu parametrul p 2 [0,1] (se noteaza X Bernoulli(p)), daca
X:

1
p

Acest model descrie,din punct de vedere matematic, experimentul Bernoulli.

Deni
tia 13 Experimentul E se nume
ste experiment (proba) Bernoulli daca
acesta poseda urmatoarele proprietati:
1. multimea de rezultate posibile

= fsucces, insuccesg = f1,0g;

2. probabilitatea succesului p este aceea

si n ecare proba, p 2 [0; 1];
3. rezultatele unei probe nu inuenteaza rezultatele celorlalte probe.
Exemplul 14 n calitate de exemple de probe Bernoulli putem lua aruncarea
monedei o singura data, unde "succes" putem considera, de pilda, aparitia
stemei, deasemenea, aruncarea zarului o singura data, unde "succes" putem
considera, de pilda, aparitia unui numar par de puncte. n genere, orice
experiment aleator E poate considerat experiment Bernoulli daca ne intereseaza doar producerea sau nu a evenimentului A asociat experimentului E,
adica producerea evenimentului A o consideram succes iar producerea evenimentului A -insucces, cu conditia ca acest experiment sa poata repetat independendent unul de altul. ntr-adevar, lund = fA,Ag, p = P(A) 2 [0,1],
probele ind independente, vom aveea un experiment Bernoull.
Dac
a not
am cu X num
arul de succese ntr-o prob
a Bernoulli, obtinem
repartitia
0
1
X:
1 p p

1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET9
Reparti
tia binomial
a cu parametrii n
si p, n = 1,2,: : : ; p 2 [0,1]
Deni
tia 15 Vom spune ca variabila aleatoare X este repartizat
a binomial
cu parametrii n 2 f1,2,: : : g si p 2 [0,1] ( se noteaza X
Bi(n,p)) daca
repartitia ei este data de formula
P(X = k) = Ckn pk (1

p)n k ; k = 0; n:

Observa
tia 2 Denitia este corecta deoarece
n
X

P(X = k) =

k=0

n
X

Ckn pk (1

p)n

k=0

p))n = 1n = 1:

= (p + (1

Din punct de vedere teoretic, acest model descrie comportamentul probabilistic al num
arului de succese n n probe Bernoulli cu probabilitatea succesului p n ecare prob
a. Aceasta se vede din
Teorema 16 Daca X este numarul de succese n n probe Bernoulli cu probabilitatea succesului p 2 [0,1] n ecare proba, atunci X Bi(n,p).
Demonstra
tie. Spatiul de evenimente elementare corespunz
ator repet
arii
unui experiment Bernoulli de n ori este
= f(a1 ,a2 ,: : : ,an ) j ai = 0,1,
i = 1; ng. Asa dar, notnd cu 1 succesul si 0 insuccesul, orice rezultat poate
reprezentat ca o secventa de zerouri si unit
ati de forma a1 , a2 , : : : , an ,
evenimentele Ai = fproba i se va solda cu rezultatul ai g ind independente,
iar P(Ai ) = pai (1 p)1 ai , i = 1; n. Prin urmare
Pf(a1 ; a2 ; : : : ; an )g = P(A1 A2 : : : An ) =
p

a1

(1

1 a1

p)

a2

(1

1 a2

p)

an

Dar fX = kg = f(a1 ; a2 ; : : : ; an ) 2

n
P
j
ai = kg = Ckn . Prin urmare,

1 an

(1

p)

n
P

= pi=1

ai

i=1

P(X = k) =

a1 ;:::;an =0
a1 + +an =k

n
P

i=1

p)

nP

i=1

ai

n
P
ai = kg cu card f(a1 ; a2 ; : : : ; an ) 2

i=1

1
X

(1

ai

(1

p)

n
P

i=1

ai

10

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

X

pk (1

p)n

= pk (1

p)n

a1 ;:::;an =0;1:a1 + +an =k

1=

a1 ;:::;an =0;1:a1 + +an =k

cardf(a1 ; a2 ; : : : ; an ) 2

j a1 +

Ckn pk (1

+ an = kgpk (1

p)n

p)n k ; k = 0; n:

Exemplul 17 Consideram aruncarea unui zar perfect de n ori, iar evenimentul faparitia fetei 6 g drept succes , probabilitatea succesului n ecare
proba ind egala cu p = Pf6g = 16 . Daca X este numarul de aruncari n
care apare fata 6, atunci
P(X = k) = Ckn pk (1

p)n k ; k = 0; n.

Probabilitatea, spre exemplu, ca fata 6 nu apare niciodata

P(X = 0) =

Cn0

p (1

n 0

p)

5
6

Reparti
tia geometric
a cu parametrul p, p 2 [0,1]
Deni
tia 18 Vom spune ca variabila aleatoare X este repartizat
a geometric
cu parametrul p 2 [0,1] ( se noteaza X
Geom(p)) daca repartitia ei este
data de formula
P(X = k) = p(1 p)k ; k = 0; 1; : : :
sau
P(X = k) = p(1

p)k 1 ; k = 1; 2; : : : :

Observa
tia 3 Denitia este corecta deoarece
X
p(1 p)k = p(1 + (1 p) + (1

p)2 + : : : )

k>0

= p

1
(1

p)

=1

Propozi
tia 19 Daca X este numarul de probe Bernoulli, cu probabilitatea
succesului p 2 [0,1] n ecare proba, efectuate pna la nregistrarea primului
succes, atunci X~Geom(p).

1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET11
Demonstra
tie. Evenimentele Ai = fproba i se va solda cu succesg ind independente, iar P(Ai ) = p, i 1, avem ca P(X = k) = P(A1 A2 : : : Ak Ak
P(A1 )P(A2 ) : : : P(Ak )P(Ak +1 ) = p(1 p)k ; dac
a n num
arul X nu este inclus
a si proba n care s-a produs succesul, k > 0.
Teorema 20 (Proprietatea lipsei memoriei pentru reparti
tia geometric
a) Daca X~Geom(p), p 2 [0,1], adica P(X = k) = p(1 p)k ,
k = 0,1,: : : , atunci
P(X = n + m = x > m) = p(1

p)n , n = 0; 1; : : : si m = 0; 1; : : : :

Demonstra
tie.
P(X = n + m = x > m) =

P(fX = n + mg \ fX > mg)

=
P(X > m)

P(X = n + m)
=
P(X = m) + P(x = m + 1) + : : :
p(1
=

p(1

p(1
p)m [1 + (1
p(1

p)m+n
p) + (1

p(1 p)m+n
p)m + p(1 p)m+1 + : : :

p)2 + : : : ]

p(1 p)m+n
=
(1 p)m

p)n ; 8 n; m = 0; 1; : : : .

Exerci
tiul 1.3.1 Demonstrati ca are loc si reciproca acestei propozitii:
Daca v.a X 2 f0,1,: : : g si repartitia ei are proprietatea ca exista un numar
p 2 [0,1] astfel nct P(X = m + n = X > m) = p(1 p)n , atunci
X~Geom(p).
Reparti
tia Poisson cu parametrul ,

>0

Deni
tia 21 Vom spune ca variabila aleatoare X este repartizat
a Poisson
cu parametrul > 0 (se noteaza X
P oisson( )) daca repartitia sa este
data de formula
k

P(X = k) =

k!

; k = 0; 1; : : :

Observa
tia 4 Denitia este corecta deoarece
X
k>0

P(X = k) =

X
k>0

k!

=e

X
k>0

k!

=e

e = 1:

+1 )

12

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Din punct de vedere teoretic, acest model descrie:
num
arul de bacterii descoperite ntr-o pic
atur
a de ap
a;
num
arul de particule radioactive emise ntr-o unitate de timp de o
substanta radioactiv
a;
num
arul de erori comise de un programator ntr-un program de lungime
dat
a;
num
arul de erori de tipar descoperite ntr-o pagin
a de carte;
num
arul de bombe pe km2 cazute n orasul Londra n timpul celui de
al doilea R
azboi Mondial, s.a.

Repartitia Poisson poate folosit

a, n anumite conditii, la aproximarea
repartitiei binomiale. ntr-adev
ar are loc
Teorema 22 (Teorema limit
a a lui Poisson) Daca X
1, p ! 0, astfel nct np ! , > 0, atunci

Bi(n; p), n !

P(X = K) = Ckn pk (1

p)n

n!1

k!

; k = 1; 2; : : : :

Demonstra
tie. Din ipoteza rezult
a c
a p poate scris p =
pentru n sucient de mare. Deci
P(X = k) = Ckn pk (1
n!
k!(n k)!
n(n

1) : : : (n
k!

1
+ o( )
n
n

p)n

(1

nk

(1 + o(1)) 1

1
o( )
n

n!1

k!

, k = 0; 1; : : : .

+ o( n1 )

1
o( ))n
n

k + 1)

1
(1

o( n1 ))k

1.3. REPARTITII
(MODELE PROBABILISTE) UZUALE N CAZ DISCRET13
Exemplul 23 Presupunem ca pentru producerea a 1000 de cozonaci au fost
prevazute 10000 de stade. n presupunerea ca tehnologia este respectata ntocmai (aluatul si stadele sunt bine amestecate), care este probabilitatea ca,
alegnd la ntmplare un cozonac acesta nu va avea nici o stada ?
Fie un cozonac ales la ntmplare dintre cei 1000 de cozonaci. Pentru ecare
stada, din totalul de 10000 mii stade, consideram succes evenimentul fstada
1
va nimeri n cozonacul alesg. Probabilitatea succesului este p = 1000
, ntruct pentru ecare stada n parte exista 1000 de posibilitati echiprobabile
de a nimeri ntr-unul din cei 1000 de cozonaci. Prin urmare daca X este
1
numarul de stade nimerite n cozonacul ales, atunci X
Bi(10000, 1000
).
Probabilitatea ca ntr-un cozonac ales la ntmplare sa nu nimereasca nici o
stada este:
P(X = 0) = C010000

1
1000

1
1000

10000

= 0; 99910000 ;

1
n = 10000 ind sucient de mare, iar p = 1000
sucient de mic, din Teorema
0
0
limita a lui Poissson rezulta ca P(X = k) = 0; 99910000 ' (np)
e np = 100! e 10
0!
' 0.

Pentru a ilustra ecienta nlocuirii repartitiei binomiale prin repartitia lui

Poisson consider
am
Exemplul 2.9.2. (Problema despre zilele de na
stere). Cu ce este egal
a
probabilitatea c
a din 500 oameni luati la ntmplare, i persoane vor avea n
calitate de zi de nastere ziua de Anul Nou (1 ianuarie).
Solu
tie. Dac
a vom considera succesc
a ziua de nastere a unei persoane
luate la ntmplare este 1 ianuarie atunci probabilitatea succesului este
egal
a cu p = 1=365 (socotind c
a anul are 365 de zile). Atunci probabilitatea
c
a din 500 de persoane luate la ntmplare i persoane s-au n
ascut la 1 ianuarie
este egal
a cu
Pi (500; 1=365) = Ci500 (1=365)i (364=365)500 i ; i = 0; 500:
Num
arul de probe ind mare iar probabilitatea succesului mic
a,
aceeasi probabilitate poate calculat
a dup
a formula lui Poisson cu parametrul = np = 500=365 = 1; 3699:::; adic
a
Pi (500; 1=365)

pi =

(1;3699)i
e 1;3699 :
i!

n tabelul de mai jos sunt expuse pentru comparare valorile Pi (500; 1=365)
si pi pentru i = 0; 6:

14

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

i
0
1
2
3
4
5
6
Pi (500; 1=365) 0; 2537 0; 3484 0; 2388 0; 1089 0; 0372 0; 0101 0; 0023
pi
0; 2541 0; 3481 0; 2385 0; 1089 0; 0373 0; 0102 0; 0023
Din tabel avem c
a rezultatele calculelor bazate pe diferite modele (repartitii) probabiliste n cazul nostru nu difer
a esential.
Reparti
tia hipergeometric
a cu parametrii N , M
si n
Deni
tia 24 Vom spune ca variabila aleatoare X este repartizat
a hipergeometric cu parametrii N , M , n (se noteaza X~Hipergeom(N ,M ,n)) ,
M; n N daca repartitia ei este data de formula
P(X = k) =

CkM CnN
CnN

k
M

; k = 0; min(n; M ):

Din punct de vedere teoretic, acest model modeleaz

a experimentul n care
dispunem de o urn
a n care se aa N bile, dintre care M bile albe si N M
bile rosii si din care extragem la ntmplare far
a repetare n bile. Dac
aX
este num
arul de bile albe printre n bile extrase;atunci variabila X are (vezi
exempul ?? ) distributia
CkM CnN
P(X = k) =
CnN

1.4

k
M

; k = 0; min(n; M ):

Variabile aleatoare bi(multi)dimensionale

Vectori sau variabile aleatoare bidimensionale

Fie ( ; F; P) un cmp de probabilitate discret.
Deni
tia 25 Functia vectoriala (X; Y ) :
sau variabil
a aleatoare bidimensional
a.

! R2 se nume
ste vector aleator

Prin urmare, dac

a (X; Y ) este o variabil
a aleatoare bidimensional
a, atunci
si X si Y sunt variabile aleatoare.
Dac
a X 2 X = fx1 , x2 , ... , xn , ...g cu x1 < x2 <...< xn <... , iar Y 2
Y = fy1 , y2 , ... , yn , ...gcu y1 < y2 <...< yn <..., rezult
a c
a (X,Y ) 2 X Y
si P ((X; Y ) 2 X Y) = 1.

1.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE

Pentru orice pereche (xi ,yj ) 2 X
Aij = f! 2

15

Y putem evidentia multimile

j X (!) = xi , Y (!) = yj g ; i; j

1.

Aceste multimi au propriet

atile: Aij \ Akl = ;,8(i,j) 6= (k,l), i; j; k; l
[ Aij = .

1 si

i;j 1

Prin urmare, avnd o variabil

a bidimensional
a (X,Y ) putem scrie setul de
perechi de forma f((xP
;
y
)
;
P
(x
;
y
))g
,
i j
X;Y
i j P
i;j 1 unde PX;Y (xi ; yj ) = P(X =
xi ,Y = yj ) = P(Aij );
PX;Y (xi ; yj ) =
P(Aij ) = P( ) = 1.
i;j 1

i;j 1

Prin urmare, dac

a (X,Y ) este o variabil
a bidimensional
a (X,Y ) :
! R,
atunci modelului ((X; Y ); ( ; F; P)) i putem pune n corespondenta repartitia vectorului aleator (X,Y ) care prin denitie este:
X
f((xi ; yj ) ; PX;Y (xi ; yj ))gi;j 1 ; unde PX;Y (xi ; yj ) 0 si
P(xi ; yj ) = 1
i;j 1

Acest model poate reprezentat sub form

a de tabel ntr-o manier
a asem
an
atoare cu reprezentarea tabelelor de contingenta n statistica descriptiv
a:
xi n

yj

y1
p11
p21
...
pn1
...

x1
x2
...
xn
...

unde pij

0,

y2
p12
p22
...
pn2
...

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

ym
p1m
p2m
...
pnm
...

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

pij = 1.

i;j 1

Dat ind faptul c

a
Ai = f! 2
= [ f! 2
j 1

j X (!) = xi g = [ Aij
j 1

j X (!) = xi , Y (!) = yj g ; 8i

si
A j = f! 2
[ f! 2

i 1

j Y (!) = yj g = [ Aij =
i 1

j X (!) = xi , Y (!) = yj g ; 8j

1,

16

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

rezult
a c
a, stiind repartitia v.a. (X; Y ), putem restabili asa numitele repartitii marginale f(xi ; pi )gi 1 ale v.a. X si f(yj ; p j )gj 1 conform formulelor
pi =

pij ; p j =

j 1

pij .

i 1

ntr-adev
ar,
pi = P(Ai ) = P f! 2
P( [ Aij ) = P( [ f! 2
j 1

X
j 1

j 1

P( f! 2

j X (!) = xi , Y (!) = yj g)

j X (!) = xi , Y (!) = yj g) =

p j = P(A j ) = P f! 2
P( [ Aij ) = P( [ f! 2
i 1

X
i 1

P( f! 2

j X (!) = xi g =

i 1

X
j 1

pij ; 8i

1;

j Y (!) = yj g =

j X (!) = xi , Y (!) = yj g)

j X (!) = xi , Y (!) = yj g) =

X
i 1

pij ; 8j

1:

Exemplul 26 Consideram un experiment cu aruncarea unei monede perfecte si a unui zar perfect simultan. Fie variabilele aleatoare X = f numarul
de steme aparute la aruncarea monedeig si X = f numarul de puncte aparute
la aruncarea zarului g.
Evident (X,Y ) 2 f0; 1g f1; 2; :::; 6g. ntruct zarul si moneda sunt perfecte
rezulta ca
P(X = xi ; Y = yj ) =

1
:
12

Repartitia vectorului aleator (X,Y ) este

(i; j) ;

1
2

j i = 0; 1; j = 1; 6)

Deni
tia 27 Vom numi functie de repartitie a vectorului aleator (X,Y )
functia de doua variabile
FX;Y (x; y) = P f! 2

j X (!)

x; Y (!)

yg 8x; y 2 R2

1.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE

17

Ca si n cazul unidimensional se arat

a c
a, avnd repartitia variabilei
aleatoare, putem restabili functia de repartitie conform formulei
X X
FX;Y (x; y) =
P(X = xi ; Y = yj ), 8(x; y) 2 R2 .
i:xi xj:yj y

Propozi
tia 28 Daca FX;Y (x,y) este functia de repartitie a vecorului aleator
(X,Y ) atunci
1. P(X < x,Y < y) = FX;Y (x
2. P(a1 < X

b1 ,a2 < Y

0,y

0);

b2 ) =

FX;Y (b1 ; b2 ) + FX;Y (a1 ; a2 )

1
X

FX;Y (a1 ; b2 )

( 1)"1 +"2 FX;Y ("1 b1 + (1

FX;Y (a2 ; b1)

"2 ) a1 ; "1 b1 + (1

" 2 ) a1 ) ;

"1 ;"2 =0

3. P (X = a; Y = b) = FX;Y (a,b) FX;Y (a 0,b) FX;Y (a,b 0)+FX;Y (a

0,b 0).
Demonstratia se realizeaz
a prin analogie cu cazul unidimensional.
Problema 2 Demonstrati Propozitia anterioara.
ntroducnd operatorii
n felul urm
ator

si
a1 ;b1

a2 b2

care actioneaz
a asupra functiei FX;Y

a1 b1 FX;Y

(x; y) = FX;Y (b1 ; y)

FX;Y (a1 ; y) ;

a2 b2 FX;Y

(x; y) = FX;Y (x; b2 )

FX;Y (x; a2 ) ;

observam c
a aplicarea lor succesiv
a are drept rezultat
a1 ;b1
1
X

a2 b2 FX;Y

( 1)"1 +"2 FX;Y ("1 b1 + (1

(x; y) =
"1 ) a1 ; "2 b1 + (1

"1 ;"2 =0

P(a1 < X

b1 ; a2 < Y

b2 ).

" 2 ) a2 ) =

18

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Vectori sau variabile aleatoare multidimensionale

Fie ( ; F; P) un cmp de probabilitate discret. Analog cu cazul bidimensional putem formula urm
atoarele denitii si rezultate.
! Rn se nume
ste vector

Deni
tia 29 Functia vector (X1 ,X2 ,: : : ,Xn ) :
aleator sau variabil
a aleatoare n dimensional
a.

Or, in caz discret, dac

a (X1 ,X2 ,: : : ,Xn ) este un vector aleator denit pe
( ; F; P), atunci ecare component
a Xi este o variabil
a aleatoare cu valori
(i) (i)
(i)
n Xi 2 Xi = fx1 ,x2 ,: : : ,xn ,:::g, i = 1; n, prin urmare (X1 ,X2 ,: : : ,Xn ) 2
X1 X2
Xn .
Deni
tia 30 Vom numi repartitie a vectorului aleator X = (x1 ,x2 ,: : : ,xn )
setul
(1) (2)
(k)
(1) (2)
f((x1 ,x2 , : : : ,xk , : : : ,x(n)
n ); Px1 ,:::,xn (x1 ,x2 ,
: : : ; x(n)
n ))g(x(1) ,x(2) ,:::,x(n)
n )2X1
1

X2

Xn

unde
(1)

(1)

(2)

(2)

Px1 ;:::;xn (x1 ; x2 ; : : : ; x(n)

0;
n )
X
(1)
(2)
Px1 ;:::;xn (x1 ; x2 ; : : : ; x(n)
n ) = 1:

(n)

(x1 ;x2 ;:::;xn )2X1 X2

Xn

Deni
tia 31 Vom numi functie de repartitie a vectorului aleator (X1 ,: : : ,Xn )
functia FX (x) = FX1 ;:::;Xn (x1 ,: : : ,xn ) = Pf! 2 j X1 (!) x1 ,:::,Xn (!)
xn g = P(X x1 ,:::,X xn ), 8x = (x1 ,: : : ,xn ) 2 Rn .
ntroducnd operatorii
urm
ator
ai ;bi FX1 ;X2 ;:::;Xn

ai ;bi ,

care actioneaz
a asupra functiei FX n felul

(x1 ; x2 ; :::; xn ) = FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::xi 1 ; bi ; xi+1 ; :::; xn )

FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::xi 1 ; ai ; xi+1 ; :::; xn ) =
P(X

x1 ; :::; ai < Xi

8a1 ; b1 ; a2 ; b2 ; :::; an ; bn 2 R; a1

bi ; :::; X

b1 ; a2

xn );

b2 ; :::; an

prin analogie cu cazul bidimensional, se poate ar

ata c
a

bn , i = 1; n ,

1.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE

a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn
a2 ;b2 ...

a1 ;b1
1
X

19

(x1 ; x2 ; :::; xn ) =

an ;bn FX1 ;X2 ;:::;Xn

( 1)"1 +"2 +:::+"n "n FX;Y ("1 b1 + (1

(x1 ; x2 ; :::; xn ) =
"1 ) a1 , "2 b2 + (1

" 2 ) a2 ,

"1 ;"2 :::"n =0

..., "n bn + (1
P(a1 < X

b1 ; :::; ai < Xi

" n ) an ) =
bi ; :::; an < X

bn )

0.

Teorema 32 (Propriet
a
tile caracteristice ale func
tiei de reparti
tie
multidimensionale) Daca FX este functia de repartitie a variabilei aleatoare
X = (X1 ; X2 ; :::; Xn ) atunci:
1.

a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn

a1

b1 ,a2

b2 ,...,an

(x1 ; x2 ; :::; xn )
bn ;

0,8a1 ,b1 ,a2 ,b2 ,...,an ,bn 2 R,

2. FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) este continua la dreapta n raport cu ecare
variabila xi , adica
FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi + 0; :::; xn ) = FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi ; :::; xn )
3. FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi 1 ; 1; xi+1 ; :::; xn ) = 0 si
FX1 ;X2 ;:::;Xn (+1; +1; :::; +1) = 1.

Demonstra
tie. Proprietatea 1 rezult
a din faptul c
a
a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn

P(a1 < X

b1 ; :::; ai < Xi

(x1 ; x2 ; :::; xn ) =

bi ; :::; an < X

bn )

0.

Propriet
atea 2 se demonstreaz
a ca si n cazul unidimensional, deoarece
ne raport
am la ecare variabil
a n parte.
Pentru demonstratia propriet
atii 3 se aplic
a, cu modic
ari neesentiale,
aceeasi metod
a ca si n cazul unidimensional.
Observa
tia 5 n caz multidimensional proprietatea 1 atrage dupa sine monotonia nedescrescatoare a functiei de repartitie FX n raport cu ecare variabila,
dar reciproca nu este adevarata. ntr-adevar putem aduce urmatorul

20

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Exemplul 33 (Contraexemplu) Consideram functia

1; daca x + y 0;
0; daca x + y < 0:

FX;Y (x; y) =

Evident, F (x; y) poseda proprietatile 2 3; este monoton nedescrescatoare in

raport cu ecare variabila, dar nu este f.r. ntr-adevar, daca a1 = 0; b1 = 1;
a2 = 0; b2 = 1; atunci
=

1
X

( 1)"1 +"2 F ("1 a1 + (1

"1 ) b1 ; a2 "2 + (1

"2 ) b 2 ) =

"1 ;"2 =0

= F (1; 1)

1.5

F (1; 0)

F (0; 1) + F (0; 0) =

1:

Independen
ta variabilelor aleatoare

Fie ( ,F,P) un cmp de probabilitate discret iar X,Y variabile aleatoare

denite pe el , adic
a X,Y
( ,F,P), unde X 2 fx1 ,x2 ,: : : g, x1 < x2 < : : : ,
Y 2 fy1 ,y2 ,: : : g, y1 < y2 < : : : si e c
a vectorul aleator (X,Y ) are repartitia
f((xi ; yj ); Px;y (xi ; yj ))gi;j 1 , PX;Y (xi ; yj ) =
X
P(X = xi ; Y = yj ) 0,
PX;Y (xi ; yj ) = 1:
i;j 1

Deni
tia 34 Vom spune ca variabilele X si Y sunt independente daca
P(X = xi ; Y = yj ) = P(X = xi )P(Y = yj ); 8i; j

n caz contrar, spunem ca X si Y sunt variabile aleatoare dependente.

Exemplul 35 Consideram v.a. X , Y cu repartitia f((i,j),1=12)gi=0;1;j=1;6 ,
adica PX;Y (i,j) = P(X = i; Y = j) = 1=12, 8i = 0; 1, j = 1; 6. Or,
P(X = i) = 12 , 8i = 0,1 si P(Y = j) = 16 , 8j = 1; 6, PX;Y (i,j) = P(X =
i,Y = j) = P(X = i)P(Y = j), 8i = 0,1, j = 1; 6. Prin urmare X si Y sunt
independente.
n general, asa cum se vede din paragraful anterior, avnd repartitia variabilei aleatoare f(xi ,yj ),PX;Y (xi ,yj )g putem restabili repartitiile marginale,
adic
a repartitiile ec
arei variabile X,Y n parte:
fxi ; PX (xi )gi

si fyj ; PY (yj )gj 1 :

1.6. FORMULA CONVOLUTIEI

21

Din denitie rezult

a c
a, dac
a X si Y sunt variabile aleatoare independente,
atunci este valabil
a si reciproca acestei armatii.
Propozi
tia 36 Variabilele aleatoare X si Y sunt independente daca si numai daca FX;Y (x; y) = FX (x)FY (y), 8(x; y) 2 R2 .
Demonstra
tie. Presupunem c
a v.a X si Y sunt independente. Atunci
X X
FX;Y (x; y) =
P(X = xi ; Y = yj ) =
i:xi xj:yj y

X X

P(X = xi )P(Y = yj ) =

i:xi xj:yj y
i:xi x

P(X = xi )

P(Y = yj )

j:yj y

= FX (x)FY (y), 8(x; y) 2 R2 .

Invers, presupunem c
a FX;Y (x; y) = FX (x)FY (y), 8(x; y) 2 R2 . Atunci
P(X = xi ; Y = yj ) =
FX;Y (xi ; yj )
FX (xi )FY (yj )
= [FX (xi )

FX;Y (xi
FX (xi
FX (xi

0; yj )
0)FY (yj )

0)][FY (yj )

FX;Y (xi ; yj

0) + FX;Y (xi

FX (xi )FY (yj

FY (yj

0) + FX (xi

0; yj

0) =

0)FY (yj

0)

0)] = P(X = xi )P(Y = yj ):

Observa
tia 6 Notiunea de independenta, dar si conditia necesara si sucienta de independenta din propozitia anterioara se extind, n mod resc,
asupra variabilelor aleatoare multidimensionale.

1.6

Formula convolu
tiei

Fie ( ; F; P) un cmp de probabilitate discret si variabilele X1 ,X2 ,...,Xn

( ; F; P), ne punem problema determin
arii repartitiei variabilei sum
aZ =
X1 + X2 +...+Xn :
Vom considera mai nti cazul n = 2.
Fie variabilele aleatoare X,Y ( ; F; P) si e X 2 X = fx1 ; x2 ; :::; xn ; :::g,
x1 < x2 <...< xn <... si Y 2 Y = fy1 ; y2 ; :::; ym ; :::g, y1 < y2 <...< ym <... ,
atunci v.a. Z 2 Z = fz j z = xi + yj ; xi 2 X ; yj 2 Y; i; j 1g.

22

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Teorema 37 (Formula convolu

tiei) a) Repartitia variabilei aleatoare Z =
X + Y este data de formulele

P(Z = z) =

P (X = xi ; Y = z

xi ) =

P (X = z

yj ; Y = yj ) ;

j 1

i 1

Teorema 38 b) Daca X,Y sunt v.a. independente, atunci repartitia variabilei aleatoare Z = X + Y este data de formulele

P(Z = z) =

P (X = xi )P(Y = z

xi ) =

i 1

P (X = z

yj )P(Y = yj ) :

j 1

Demonstra
tie. a) Plec
am de la faptul c
a
fZ = zg = f! 2
Not
am Aij = f! 2

j Z(!) = zg = f! 2

j X(!) + Y (!) = zg .

j X(!) = xi ; Y (!) = yj g. Evident [ Aij =

i;j 1

Akl = ;, 8(i; j) 6= (k; l), 8i; j; k:l

1. Atunci:

fZ = zg = fZ = zg \ = f! 2 j Z(!) = zg \
= f! 2 j X(!) + Y (!) = zg \
= f! 2 jX(!) + Y (!) = zg \ ( [ Aij )
i;j 1

i;j:xi +yj =z

f! 2 jX(!) = xi ; Y (!) = yj g .

Atunci:
P fZ = zg = P
=

i;j:xi +yj =z

f! 2 jX(!) = xi ; Y (!) = yj g

P (X = xi ; Y = yj ) =

i;j 1:xi +yj =z

P (X = xi ; Y = z

i 1

X
j 1

P (X = z

yj ; Y = yj )

xi )

; Aij \

1.6. FORMULA CONVOLUTIEI

23

b) este consecinta din punctul anterior.

X,Y sunt independente atunci

ntr-adev
ar, dac
a variabilele

P (X = xi ; Y = yj ) = P (X = xi )P(Y = yj ) , 8i; j

1,

prin urmare
P(Z = z) =

P (X = xi ; Y = z

xi ) =

i 1

P (X = xi )P(Y = z

xi )

i 1

P (X = z

yj ; Y = yj ) =

j 1

yj )P(Y = yj ) .

P (X = z

j 1

Or, pentru a aa repartitia unei sume de v.a. Z = X1 + X2 +...+Xn

putem aplica succesiv formula convolutiei.:
Exemplul 39 Fie X, Y variabile aleatoare independente repartizate , respectiv P oisson( i ), i > 0, i = 1; 2. Vom determina repartitia variabilei
X +Y.
Cunoa
stem repartitiile variabilelor X,Y :
P (X = i) =
P (X = j) =

i
1

i!
j
2

j!

; i = 0; 1; 2; :::

; j = 0; 1; 2; :::

Evident, Z = X + Y 2 Z = f0; 1; 2; :::g Atunci din independenta v.a. X; Y

si formula convolutiei rezulta
X
P (Z = k) = P (X + Y = k) =
P (X = i)P(Y = k i)
i 0

k
X
i=0
(

i
1

i!

k i
1

(k

i)!

1+ 2)

k!

k
2)

Or, suma X +Y este repartizata P oisson(

atica putem demonstra urmatoarea

=
(

1+ 2)

k!

Cik

i k i
1 1

i=0

+ 2)
e
k!

1 + 2 ).

k
X
(

1+ 2)

,k

Folosind inductia matem-

24

CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Propozi
tia 40 Multimea variabilelor aleatoare independente repartizate Poisson este nchisa n raport cu operatia convolutiei (data de formula conn
P
volutiei) aplicata asupra repartitiilor, adica X1 +X2 +...+Xn P oisson(
i ),
i=1

daca Xi sunt v.a. independente si Xi

P oisson( i ),

> 0, i = 1; n.

Problema 3 Fie X, Y variabile aleatoare independente identic repartizate

Bernoulli(p), p 2 [0; 1] : Aratati ca suma lor are repartitie binomiala, mai
exact X + Y
Bi (2; p). Folosind indunctia matematica, aratati ca, daca
X1 ,X2 ,...,Xn sunt v.a.i.i.r. Bernoulli(p), p 2 [0; 1], atunci suma lor X1 +
X2 +...+Xn Bi(n,p).