Capitolul 4

LEGEA NUMERELOR MARI. LEGI LIMIT

Legtura ntre frecvena relativ de apariie a unui eveniment i probabilitate
constituie baza fundamental a aplicaiilor calculului probabilitilor la experiena practic.
Bernoulli a formulat aceast legtur prin legea numerelor mari, potrivit creia frecvena unui
fenomen cu probabilitate constant p tinde n probabilitate ctre p. Frecvena de apariie a
unui eveniment este, ns, o variabil aleatoare i drept urmare este necesar s se pun n
eviden tipuri de convergen specifice teoriei probabilitilor. Unele dintre acestea permit
tratarea riguros matematic a legii numerelor mari, a legii tare a numerelor mari, a legilor
limit i altele.
4.1. iruri de variabile aleatoare. Convergen
S considerm un cmp de probabilitate {,K,P} complet aditiv i (Xn)nN* un ir de
variabile aleatoare definite pe acest cmp de probabilitate; deci Xn:R, nN*,
X n1 ( B) K , ( )B B .
Definiie. Spunem c irul de variabile aleatoare (Xn)nN* converge n probabilitate ctre
variabila aleatoare X dac, pentru orice >0 i >0, exist un rang N(,) astfel nct:
P(: |Xn() - X()| ) ,

(1)

de ndat ce n N(,).
Se vede imediat c n locul condiiei (1) putem scrie:
P(: |Xn() - Xm()| < ) 1-
P
X .
(se scrie probabilitatea evenimentului complementar). Vom scrie n acest caz: Xn n

Definiie. Spunem c irul de variabile aleatoare (Xn)nN* este un ir Cauchy n probabilitate

dac, pentru orice >0 i >0, exist un N(,) astfel nct:
P(: |Xn() - Xm()| )
de ndat de n,m N(,). Vom scrie (Xn)n1 este un ir Cauchy.
Definiie. Spunem c irul de variabile aleatoare (Xn)nN* converge n repartiie (sau n sens
Bernoulli) ctre variabila aleatoare X, dac:
lim Fn( x ) = F ( x )

pentru orice x punct de continuitate al funciei F, unde Fn(x) = P(Xn < x), F(x) = P(X < x).
B
X .
Vom scrie Xn n

Observaie. Convergena n sens Bernoulli mai este cunoscut i sub numele de convergena
slab a irului de variabile aleatoare (Xn)nN*.
Definiie. irul de variabile aleatoare (Xn)nN* converge tare ctre variabila aleatoare X
dac, pentru orice >0 i >0, exist un rang N(,) astfel nct

P U { :| Xn( ) X ( ) }

n N ( , )
P
X .
Prescurtat, vom scrie Xn tare
n

Definiie. irul de variabile aleatoare (Xn)nN* converge aproape sigur ctre variabila
aleatoare X dac P( : lim Xn( ) exist i este egal cu X()) = 1. Pentru aceast
n

a .S
X .
convergen vom adopta scrierea prescurtat Xn n

Definiie. irul de variabile aleatoare (Xn)nN* converge n medie de ordinul r ctre variabila
aleatoare X (pentru care Mr(X) exist) dac lim M (| Xn X | r ) = 0 . n fine, n acest caz, vom
n

X .
scrie Xn n

Mr

Din definiia convergenei tare n probabilitate a unui ir de variabile aleatoare rezult

imediat c irul converge n probabilitate. Se arat, totodat, c un ir de variabile aleatoare
(Xn)nN* converge tare n probabilitate dac i numai dac converge aproape sigur. Noi o s
artm ns c este adevrat urmtoarea teorem.
Teorem. Dac irul de variabile aleatoare (Xn)nN* converge n probabilitate ctre variabila
aleatoare X, atunci lim FXn ( a ) = FX ( a ) n orice punct a de continuitate al funciei de
n

repartiie FX.
Demonstraie. Fie a un punct de continuitate al funciei FX i >0, >0 astfel nct
FX(a + ) - FX(a - ) <
Atunci,

FX ( a ) = P( : X ( ) < a ) = P[(: X ( ) < a ) ] =

= P ( : X ( ) < a ) {: X n ( ) < a} { : Xn( ) a} P( : Xn( ) < a ) +

+ P[( : X ( ) < a ) ( : Xn( ) a )] = FX n ( a ) + P ( : X ( ) < a ) ( : Xn( ) a )

FX n ( a ) + P( : Xn( ) X ( ) )
Deci,

F X ( a ) lim F X n ( a ) i, n acelai mod, FX ( a + ) lim FX n ( a ) .

n

Atunci,
lim F X n ( a ) lim FX n ( a ) F X ( a + ) F X ( a ) <
n

i cum > 0 este arbitrar, rezult c lim FXn ( a ) = FX ( a ) .

n

Observaie. Nu se poate face afirmaia c lim FXn ( a ) = FX ( a ) oricare ar fi a R.

n

ntr-adevr,

dac

lum

1
Xn( ) = , n N * i X ( ) = 0 , ,
n

atunci,

evident

Xn X . Totodat

0 , a n
0 , a 0
; FX n ( a ) =
FX n ( a ) =
1
1 , a > 0
1 , a >
n

0 , a < 0
Dar lim F X n ( a ) =
i de aici rezult c lim F X n ( 0) = 1 Fx( 0 ) = 0 din cauz c
n
n
1 , a 0
zero nu este punct de continuitate pentru FX.

Teorem. Dac P(:X() = k) = 1 unde k este o constant i dac lim F X n ( a ) = FX ( a ) n

n

orice punct a de continuitate pentru FX, atunci irul de variabile aleatoare (Xn)nN* converge
n probabilitate ctre k.

Demonstraie. n condiiile teoremei, funcia FX are expresia

0 , a k
FX (a ) =
1 , a > k

i, deci, singurul punct de discontinuitate al funciei de repartiie FX este punctul a = k. Putem

scrie succesiv:
0 1 P( :| Xn( ) k | ) = 1 P(: k Xn( ) k + ) =
= 1 [ P( : Xn( ) k + ) P( : Xn( ) < k )] =
= FX ( k + ) FX ( k ) FX n ( k + ) + FX n ( k )

De aici rezult c lim P( :| Xn( ) k | ) = 1 , adic Xn k .

P

Convergena n medie de ordinul r implic convergena n probabilitate. Invers nu este

totdeauna adevrat. Pentru aceasta, s considerm irul de variabile aleatoare (Xn)nN*

n
Xn: 1
2n 2

1
1 2
n

n
1 , nN*

2n 2

1
< ndat ce
n2
n > N(,), ceea ce dovedete faptul c irul (Xn)nN* converge n probabilitate ctre zero.
Atunci, oricare ar fi >0 i >0, exist N(,) astfel nct P(| Xn| > ) =

1
1
1

Dac acum vom calcula M (| Xn 0| 2 ) = M ( X n2 ) = 01 2 + n 2 2 + n 2 2 = 1 i,

n
2n
2n
deci, (Xn)nN* nu converge n medie de ordinul doi.
Aadar, schema de mai jos indic lanul de implicaii ntre tipurile de convergen pe
care le-am introdus mai sus:
a .s

tare P

Xn X Xn X

B
Xn
X Xn
X
P

Xn X
M

4.2. Legea numerelor mari

Experiena uman dobndit n procesul de producie a bunurilor materiale sau n
studiul fenomenelor naturale a dovedit c fenomenele ce au o probabilitate de realizare
apropiat de 1 se produc aproape sigur, iar cele cu probabilitatea apropiat de 0 apar destul de
rar. De aceea, evenimentele ce se produc cu probabiliti foarte mici sunt practic imposibile,
iar cele care se produc cu probabiliti mari sunt practic certe. Principala problem care se
ridic este de a stabili ct de mare sau ct de mic s fie o probabilitate pentru ca
evenimentele corespunztoare s poat fi considerate practic certe, respectiv practic
imposibile. Rspunsul nu este general valabil, ci depinde efectiv de fenomenul studiat,
aceeai probabilitate putnd s reflecte evenimente practic certe n anumite situaii, iar altele
nu. Deci, numai situaiile concrete, practice sunt n msur s stabileasc dac un eveniment
poate fi considerat ca neglijabil cu o probabilitate dat.
Totodat, dac avem un eveniment ce se realizeaz cu o probabilitate foarte mic i
dac numrul experienelor este foarte mare, atunci el se poate realiza cu o probabilitate orict
de apropiat de 1, cu toate c este greu s ne ateptm ca el s apar ntr-un numr de
experiene dinainte fixat. Drept urmare, se impune studiul unor legiti de apariie a unor
evenimente cu probabilitatea 0 sau 1 ntr-un numr foarte mare de experiene.
Tocmai acesta este obiectul legilor numerelor mari. Acest fapt se poate formula n
cadrul unor teoreme de tip lege a numerelor mari ntr-o form determinat, ceea ce vom face
n cele ce urmeaz.
S considerm un ir de variabile aleatoare (Xn)nN* i Yn = n(X1,X2,,Xn), nN*
funcii date, simetrice n primele n variabile ale irului (Xn)nN*.

Definiie. Dac exist un ir de numere reale (an)nN* astfel nct pentru orice >0 s avem
lim P(| Yn an| < ) = 1 , atunci spunem c irul (Xn)nN* se supune legii numerelor mari cu
n

funciile (n) nN*.

Se mai spune c irul (Xn)nN* este stabil cu funciile (n) nN*. n mod frecvent, n legea
1 n
numerelor mari ne limitm la cazul n care n(X1,X2,,Xn)= Xj , cnd se mai spune c
n j= 1
irul (Xn)nN* este normal stabil.

Din definiia dat rezult c irul (Xn)nN* se supune legii numerelor mari cu funciile
P
(n) nN*, dac exist irul de numere reale (an) nN* astfel nct Yn an 0 .
n

Dac an = a, nN*, atunci acest lucru revine la Yn a .

n

Teorema lui Cebev. Fie (Xn)nN* un ir de variabile aleatoare independente, cu dispersii

finite, uniform mrginite, D2(Xk) c, () k=1,2,. Atunci,
1 n

1 n
lim P Xk M ( Xk ) < = 1
n n
n k =1

k =1

(sau c irul (Xn)nN* se supune legii numerelor mari n varianta Cebev).

1 n
1 n
1
1 n
Demonstraie. ntruct M Xk = M ( Xk ) i D 2 Xk = 2
n k = 1 n k =1
n k =1 n

D
k =1

( Xk )

c
n

(variabilele irului sunt independente, iar dispersiile sunt uniform mrginite). Aplicnd
inegalitatea lui Cebev, obinem

1 n
D Xk
n k =1
2

1 n

1 n
1 P Xk M ( Xk ) < 1
n k =1
n k =1

c
n 2

1 n
1 n
Prin trecere la limit se obine lim P Xk M ( Xk ) < = 1 .
n n
n k =1

k =1

1 n
Observaie. Se constat c an = M ( Xk ) .
n k =1
Teorema lui Markov. Fie (Xn)nN* un ir de variabile aleatoare astfel nct

1 2 n
0

2 D Xk n
k =1
n
1 n

1 n
Atunci, lim P Xk M ( Xk ) < = 1 .
n n
n k =1

k =1

Demonstraie. Se aplic inegalitatea lui Cebev

i, prin trecere la limit, se obine:
1 n

1 n
lim P Xk M ( Xk ) < = 1
n n
n k =1

k =1


1 2 n
Observaie. Condiia 2 D Xk n
0 este cunoscut sub numele de condiia lui

k =1
n
Markov.
Dac variabilele irului (Xn)nN* sunt necorelate dou cte dou, atunci condiia lui
Markov devine:
1 n 2
0
D ( Xk ) n
n 2 k =1

ntr-adevr,
2
2
n
n

2
D Xk = M Xk M Xk = M Xk + 2 XkXl
k =1
k =1
k =1

k <l
k =1
2

n
n
M 2 ( Xn) + 2 M ( Xk ) M ( Xl ) = [ M ( X k2 ) M 2 ( Xk )] + 2 [ M ( XkXl ) M ( Xk ) M ( Xl )]
k =1
k =1
k <l
k <l
Cum variabilele sunt necorelate dou cte dou, avem M(XkXl) - M(Xk)M(Xl) = 0 oricare ar fi
k,lN*, kl.
n
n

Deci, D 2 Xk = D 2 ( Xk ) .
k =1 k =1

Teorema lui Hincin. Fie (Xn)nN* un ir de variabile aleatoare independente, identic

repartizate i cu valori medii finite: M(Xk) = a, k=1,2,. Atunci,
1 n

lim P Xk a < = 1
n n

k =1

Demonstraie. Definim irurile de variabile aleatoare (Yn)nN* i (Zn)nN* n modul urmtor:

fie > 0 fixat i pentru k = 1,2,,n punem
Yk = Xk, Zk = 0, dac |Xk|<n
Yk = 0, Zk = Xk, dac |Xk|n

Atunci, pentru orice k = 1,2,,n avem Xk = Yk + Zk.

S calculm media i dispersia variabilei Yk:
n

M (Yk ) =

xdF ( x ) = a

D (Yk ) =
2

n
2

dF ( x ) an
2

dF ( x ) n x dF ( x ) bn
n

Cu b =

| x| dF ( x ) (care este finit). Cum lim an = lim

n

xdF ( x ) = a

rezult c pentru orice

>0 exist N() cu proprietatea c pentru orice n N() avem |an - a| < . Cum

1 n 1 n
nan
M Yk = M (Yk ) =
= an
n k = 1 n k =1
n
1 n 1
D Yk = 2
n k =1 n
2

k =1

(Yk )

nbn
= b
n2

b
1 n
aplicm inegalitatea lui Cebev, obinem P Xk an 2 .

n k =1

1 n
1 n
Pe de alt parte, Yk an Yk a +| an a| .
n k =1
n k =1
Dac

1 n
1 n
Y
a
k

<

i
|a
a|<

atunci
n

Yk a < 2 . Deci,
n k =1
n k =1

1 n

1 n

Yk a < {| an a| < } Yk an < 2

n k =1

n k =1

care este echivalent cu

1 n
1 n

n
k

2
Y
a

Yk a {| an a| > }
n k =1
n k =1

i de aici

1 n

1 n
b
P Yk ak 2 P Yk a + P(| an a| > ) 2

n k =1

n k =1
a .s .

(deoarece an a ), dac n N() P( Zn 0) =

|x | n

k =1

k =1

dF ( x) n | x| dF ( x ) n .
|x | n

Dar P( Zk 0) P(Zk 0) i, de aici,

1 n

1 n
b
n
P Xk a 2 P Yk a 2 + P Zk 0 2 +

k =1

n k =1

n k =1
Cum i sunt arbitrari, urmeaz c

+ poate fi fcut orict de mic.

4.3. Teorema lui Bernoulli. Fie numrul de apariii ale evenimentului A n n probe
independente i p = P(A). Atunci oricare ar fi > 0, are loc relaia

lim P p < = 1
n n

1 0
Demonstraie. Asociem experimentului de rang j variabilele aleatoare Xj:
.
p q
Deci, variabila aleatoare Xj ia valoarea 1 dac s-a realizat evenimentul A i 0 n caz contrar,
j=1,2,. Am obinut un ir de variabile aleatoare independente (Xn)nN* identic repartizate i

M(Xn) = p, nN*
1
D 2 ( Xn ) = pq (dispersii uniform mrginite).
4
Cum

1 n
Xj , rezult c sunt ndeplinite condiiile teoremei lui Hincin i, deci,
n j =1

lim P p < = 1.
n n

Observaie. Din teorema lui Bernoulli rezult c frecvena relativ de apariie a

evenimentului A n n probe independente converge n probabilitate ctre p = P(A):

p
n

Acelai rezultat ar putea obine i ca urmare a faptului c sunt ndeplinite condiiile teoremei
1
lui Cebev, deoarece D 2 ( Xn ) = pq , nN* adic variabilele aleatoare Xn au dispersii
4
egale mrginite.
Teorema lui Poisson. Dac ntr-o succesiune de probe independente, probabilitatea de
apariie a evenimentului A n proba de rang k este pk, atunci
1 n

lim P pk < = 1
n n
n k =1

unde este numru lde apariii ale avenimentului A n primele n probe.

Demonstraie. Dac introducem variabila aleatoare Xk cu numrul de apariii ale

evenimentului A n proba de rang k, atunci
1 0
Xk:
, pk + qk = 1, k=1,2,n,
pk qk

Rezult c am obinut irul de varianbile aleatoare independente (Xn)nN* astfel nct:

M(Xn) = pk; D 2(Xk)=pkqk

1
, k=1,2,...
4

1
. Sunt verificate
4
1 n
1 n
1 n
condiiile teoremei lui Cebev i, deci, cum = Xj i M Xk = pk , rezult
n k =1 n k =1
n n j =1

adic dispersiile variabilelor irului sunt uniform mrginite de c =

1 n
lim P pk < = 1 .
n n
n k =1

Exemplu. Se consider irul de variabile aleatoare independente (Xn)nN* cu repartiiile

n 0
n

2 1 , n = 2,3,4,, P(X1=0)=1. S se arate c irul (Xn)nN* se supune

Xn: 1

1
n
n n
legii numerelor mari.
Soluie:
M(Xk) = 0, k = 1,2,
D2(Xk) = 2, k = 2,3,
Atunci, fiind ndeplinite condiiile teoremei lui Cebev, rezult c irul dat se supune legii
numerelor mari n varianta lui Cebev.

Exemplu. Fie irul de variabile aleatoare independente (Xn)nN* cu repartiiile

- log k
0
log k
, k = 2,3, S se arate c irul dat se supune legii numerelor
X 1: , Xk:
1
1/ 2
1/ 2
mari n varianta lui Markov.
Soluie. Prin calcul direct rezult imediat c M(Xk) = 0, k = 1,2,
D2(X1) = 0;
D2(Xk) = log k, k=2,3,
atunci
1 n
1 n

1 n
1 n
M Xk 0 ; D 2 Xk = 2 D 2 ( Xk ) = 2 log k
n k =1
n k =1 n k =1
n k =1
ns
n

log k =
k =1

1 n
1
ln k <

ln 10 k =1
ln 10

n +1

ln xdx =
A

1
x ln x
ln 10

n +1
1

n +1

dx = ln 10 [( n + 1) ln( n + 1) n]
1

1
( n + 1) ln( n + 1) n
n
0 .
Deci, D 2 Xk <

n k =1
n 2 ln 10
n

Sunt ndeplinite condiiile teoremei lui Markov i, deci, irul (Xn)nN* se supune legii
numerelor mari.

Exemplu. S se arate c irul de variabile aleatoare independente (Xn)nN* unde Xn are

( x n ) 2

1
n
e
densitatea de repartiie f X n ( x ) =
, nN*, [0,1] se supune legii numerelor
4
n
mari.

M ( Xk ) =

Soluie. Prin calcul direct,

k
4

D ( Xk ) =
2

xe

( x k ) 2
k

( x )
k

4 k

dx = k , kN*;
2

( x k ) 2

dx =

k
, kN*.
2

De aici rezult c:
1 n
1 n
n +1
M Xk = k =
n k =1 n k =1
n(1 )

1 n
1
D 2 Xk = 2
n k =1 n

D 2 ( Xk ) =
k =1

1
n2

k =1

k n n
<

0
n
2
2n 2

Deci, irul (Xn)nN* se supune legii numerelor mari, unde irul de numere reale (an)nN* este
n +1
dat de an =
, nN*.
n(1 )

Exemplu. S se precizeze dac integrala I =

a

sin x
dx , a > 0 se poate calcula prin metoda
x

a
1
1
a
sin , dup efectuarea schimbrii de variabil y = i

n k =1 yk
yk
x
unde y1,y2,,yn sunt numere aleatoare repartizate uniform pe intervalul [0,1].
n

Monte-Carlo, cu formula In =

Soluie. Efectundu-se schimbarea de variabil menionat, se obine:

0

1
a
a
1
1
I = sin dy = sin dy
y
y
1 y
0 y

Valoarea In obinut din formula indicat poate fi considerat ca o valoare aproximativ a

P
integralei numai n cazul n care lim P(| In I | < ) = 1 deci, dac i numai dac In I .
n

Numerele aleatoare yk sunt identic repartizate (uniform repartizate) pe [0,1], deci i

a
1
sunt identic repartizate. Atunci, pentru a
funciile de variabile aleatoare k ( yk ) = sin
yk
yk
putea aplica teorema lui Hincin de la legea numerelor mari, trebuie s dovedim existena
a
1
valorii medii M sin cu Y variabil aleatoare uniform repartizat pe [0,1].
Y
Y

a
1
M sin exist dac i numai dac
Y
Y

y sin y dy este absolut convergent.

0

Fie s cel mai mic numr natural care satisface inegalitatea s

1

a
|sin x|
1
dx
sin dy =
y
y
x
k=s
a

( k +1)

. Atunci,

sin y
|sin x|
dy
dx =
x
k = s 0 y + k

ns

k =s 0

sin y
1
2 1
dy >
sin
ydy
=
=

y + k
k=s k +1
k = s ( k + 1) 0
1

De aici rezult c integrala

a
1
1
sin y dy este divergent i, deci, M sin nu exist.
Y
y
Y

n concluzie, nu se poate aplica teorema lui Hincin i, deci, nu poate fi calculat

integrala prin metoda Monte-Carlo.

Exemplu. ntr-o cercetare tiinific se efectueaz n experiene, urmrindu-se apariia unei

anumite caracteristici. S se determine numrul minim de experiene astfel nct, cu o
probabilitate de cel puin 0.95, frecvena relativ de apariie s difere n valoare absolut de
probabilitatea p cu mai puin de 10-3.
Soluie. Aplicnd inegalitatea lui Cebev, se obine:
k
D2
n

p(1 p )
k

P p < 10 3 1
6 = 1
n

n 10
n 10 6

p(1 p )
p(1 p )10 6
0.95 rezult n
Din inegalitatea 1
= 2 p( p 1)10 7
6
0.05
n 10

Exemplu. Se efectueaz 800 de probe independente. n 200 din ele probabilitatea apariiei
unui rezultat ateptat a fost de 0.5; n 400 de probe aceast probabilitate a fost de 0.4, iar n
restul probelor a fost de 0.3. S se determine marginea inferioar a probabilitii n abaterea
absolut a frecvenei relative de apariie a evenimentului astfel nct media probabilitilor s
nu depeasc 0.04.
Soluie. Se aplic teorema lui Poisson i se obine:
1
k

P
( 200 0.5 + 400 0.4 + 200 0.3) < 0.04 0.817
n 800

4.4. Teoreme limit

Am folosit pn acum n mod deosebit convergena n probabilitate i cu ajutorul ei
am exprimat legea numerelor mari n diverse variante. Vom utiliza acum convergena n
repartiie i vom obine rezultate privind repartiia limit a unui ir de variabile aleatoare
constituit adecvat pornind de la un ir dat de variabile aleatoare (Xn)nN* presupus a ndeplini
anumite condiii.
Formularea general a legilor limit se pune n modul urmtor:
Fie (Xn)nN* un ir de variabile aleatoare. Dac exist dou iruri de numere reale (an)nN* i
Xn an B
X , unde X are o lege de repartiie determinat, atunci
(bn)nN* astfel nct
n
bn
repartiiile astfel obinute constituie o familie pe care o numim familia repartiiilor de tip L,
n care legea normal ocup un loc deosebit de important.

nainte de a pune n eviden legi limit normale N(m;), vom formula unele rezultate
importante fr a le demonstra - pe care apoi le vom utiliza.

Teorem. Fie (Xn)nN* un ir de variabile aleatoare. Dac lim FX n ( x ) = Fx ( x ) n orice xR

n

punct de continuitate al funciei de repartiie FX, atunci irul (Xn(t))nN* converge ctre X(t)
uniform, n orice interval (a,b]R.

Teorem. Dac (Xn(t))nN* este irul funciilor caracteristice, corespunztor irului de

funcii de repartiie (FXn(x))nN* i dac lim X n ( t ) = ( t ) , tR, (t) continu n t = 0, atunci
n

(t) este o funcie caracteristic i irul (FXn(x))nN* converge ctre F n orice punct de
continuitate al funciei F, funcia de repartiie corespunztoare funciei caracteristice (t).

Teorem. Fie (Xn)nN* un ir de variabile aleatoare care au momente de orice ordin. Dac
pentru orice kN Mk ( Xn ) n
Mk ( X ) , atunci lim P( Xn < x ) = P( X < x ) .

4.5. Teorema limit central (Lindeberg-Levy). Fie (Xn)nN* un ir de variabile aleatoare

independente, identic repartizate, care admit momente de ordinul unu i doi. Dac se
n
n

k
X

M
Xk

k =1
k =1
, nN*, atunci
consider irul de variabile aleatoare (Yn)nN* Yn =
n

D Xk
k =1
1
Yn
X N ( 0;1) , adic lim Fn( x ) = lim P( : Yn( ) < x ) =
n
n
n
2
B

y2
2

dy .

Demonstraie. Se constat imediat c

n
n

M Xk = M ( Xk ) = nm; m = M ( Xk ), k = 1,2,...
k =1 k =1
n
n

D 2 Xk = D 2 ( Xk ) = n 2 ; 2 = D 2 ( Xk ), k = 1,2,.. .
k =1 k =1

i, deci,
n

(X

Yn =

m)

k =1

Atunci,
k=1( Xk m )
n i
it n
= Me
= M e

k =1

( )

Y (t ) = M e
n

it Yn

t t
= ( Xk m )

=
n n
k =1
n

t
n

( Xk m )

n
i

= Me
k =1

t
n

( Xk m )

Cum pentru orice tR, dac n este suficent de mare,

< 1, atunci putem dezvolta

n serie n jurul originii funcia i obinem

t2
2 t2
t
1
1
1
=

+
=

+ 3/ 2
1

2
3/ 2
n
n
n
2n
2! n

t2
(1 + n ) , lim n = 0 i, de aici, lim Yn ( t ) = e 2 .
Urmeaz c Yn ( t ) = 1
n
n
2n

Din teorema de inversiune i unicitare rezult c lim FYn ( x ) =

y2
2

dy .

Teorema lui Liapunov. Fie (Xn)nN* un ir de variabile aleatoare idependente pentru care
exist M(Xk) = mk, D2(Xk) = D2k, M(|Xk - mk|3) = H3k, kN*.
n

Notm Sn = D k2 ; Kn = H k3
k =1

k =1

1/ 3

Kn
= 0 , atunci
n Sn

. Dac lim

k
X

M
Xk

k =1
k =1
n

Yn =

adic lim FYn ( x ) =

n

1
2

D Xk
k =1
n

y2
2

X N ( 0,1) ,
n

dy .

Demonstraie.
n
n

Vom folosi tot metoda funciei caracteristice; cum D Xk = D 2 ( Xk ) = S n2 ,

k = 1 k =1
2

(X

variabila aleatoare Yn mai poate fi scris sub foma Yn =

mk )

k =1

Sn

i, cu aceasta,

i t n ( Xk mk )
n i t ( Xk mk ) n
i t ( Xk mk )
Sn k =1
Sn
S
Yn (t ) = M e
= M e
= M e
= M e n

k =1
k =1

n
t
Deci, Yn ( t ) = Xk mk . Dar, X k mk ( t ) = e itmk X k ( t ) = ak ( t ) + ibk ( t ) .
Sn
k =1

it Yn

Dac notm cu Gk(x) funcia de repartiie a variabilei aleatoare Xk = mk, rezult c:

Dk2 t 2 t 3
ak (t ) = cos txdGk (x ) = 1
+
2
6

t3
bk (t ) = sin txdGk (x ) =
6

Atunci, X k mk ( t ) = 1

dGk (x )

, cu |j| < 1, j=1,2

x dGk (x )

Dk2 t 2
+ t 3 Rk , unde
2

1
| Rk| =
6

H k3
1
3
(1 x 2 x ) dGk( x ) 6 | x ||1 2 | dGk( x ) 3

Dk2 t 2
t3
t
+
i, de aici, X k mk = 1
, iar
Sn
2S n2 3S n3
n

ln Yn ( t ) = ln X k mk (
k =1

D 2 t 2 t 3 Rk
t
) = ln 1 k 2 +
.
Sn
2S n
3S n3

k =1

Kn
0 cnd n, rezult c oricare ar fi > 0, exist un rang N() astfel
Sn
H k3 3
Kn
nct pentru orice n > N() s avem
< , t 0 . De aici rezult c 3 < 3 , dac
S n | t|
Sn | t |
n > N().
Deoarece

Din inegalitatea lui Liapunov (monotonia momentelor absolute) avem Dk Hk, kN* i, deci,
Dk2 H k2 H k3
2 = 3
S n2
Sn Sn

2/3

H n2 2
2 2 , k = 1,2, ... , n . Atunci, pentru orice > 0,
Sn
t

t 2 D k2 t 3 Rk 2 3
+
<
+
<2
2
3
2 S n2
3S n3

D 2 t 2 t 3 Rk
sub forma:
S punem ln Yn ( t ) = ln1 k 2 +
2S n
3S n3

k =1

D k2 t 2 t 3 Rk D k2 t 2
t2
ln Yn ( t ) +
= ln 1
+
+

2 k =1
2 S k2
3S n3 2 S n2

t 2 Dk2
1
t 3 Rk
, Bk =
, putem scrie
Cum |ln(1 + x ) x| | x | dac | x| , cu notaia Ak =
2
2 S n2
3S n3
2

ln Yn ( t ) +

t2
=
2

k =1

k =1

k =1

ln(1 + Ak + Bk ) ( Ak + Bk ) + Bk | Ak + Bk| 2 + | Bk|

Dar

| Bk|
k =1

| t|3 K n3 3

, iar
3
3S n3

Deci, lim Yn ( t ) = e

k =1

k =1

| Ak + Bk| 2 2 (| Ak|+| Bk|) 2

ln Yn ( t ) +

Urmeaz, de aici, c

t2
2

t 2 2 | t| 2 5 3
1

+
+
< , dac <
.
2
2
3
3
3| t| 2

i, din teorema de convergen a funciilor caracteristice, rezult c

lim FYn ( x ) =
n

Observaie.

Dac

| t| 2 5
+
.
2
3

variabilele

irului

Dk2 = 2 ; H k3 = H 3 , kN* i Sn = Dk2

k =1
n

1/ 2

e
2
(Xn)nN*

y2
2

dy

sunt

identic

= n ; Kn = H k3
k =1

repartizate,

atunci

1/ 3

= H 3 n . Urmeaz c

Kn H 16
= n
0 adic este ndeplinit condiia lui Liapunov.
n
Sn
Observaie. Dac variabilele sirului (Xn)nN* satisfac proprietile: |Xk - mk| A, k=1,2, i
2
lim Sn = + ,
atunci
i
H k3 = M ( Xk mk 3) A M Xk mk = A D k2
n

n
n
3
3
Kn = H k A Dk2 = A1/ 3 S n2 / 3 .
k =1

k =1

Kn A1/ 3 S n2 / 3

= A1/ 3 S n1/ 3
0 i, deci, n acest caz, condiia lui Liapunov
n
Sn
Sn
este ndeplinit.

Rezult c

4.6. Teorema Moivre-Laplace. Fie un experiment n care poate s apar evenimentul A cu

probabilitatea p sau contrariul lui A cu probabilitatea q, p+q=1. Dac se repet de n ori
experimentul n aceleai condiii i dac se noteaz cu k numrul de realizri ale
evenimentului A n cele n experimente independente, atunci:
x
k np

2
1
< x =
lim P
e y / 2 dy

n
2
npq

Demonstraie.
1 0
Asociem experimentului de rang j, variabila aleatoare Xj:
.
p q
n
n
n
Atunci, K = Xj; M Xj = np; D 2 Xj = npq . Cum variabilele Xj, j=1,2, sunt
j =1
j =1
j =1
independente, se poate aplica teorema limit central Lindeberg-Lvy i, deci,
n

n
j

X
M
Xj

2
k np

j =1
1 x y2
j =1

< x = lim P
lim P
<x =
e dy
n
n

2
npq
n
D Xj

j =1

Observaie. n condiiile teoremei de mai sus,

 k np

lim P
< x
n
npq

p
n

= lim P
< x =

n
pq

1
2

y2
2

dy

p
n

< ( ) ( ) .
De aici rezult, dac n este suficient de mare, P

pq

n
De asemenea, pentru n suficient de mare,

p
k
k
a p n
b p
b p
a p

P a b = P a p p b p = P

pq
pq
pq

n
n
pq
pq

n
n
n
n
n
Exemplu. Cu ce probabilitate putem afirma c din 100 de aruncri a unei monede, stema
apare de un numr de ori cuprins ntre 40 i 60?
Soluie. Aplicm teorema Moivre-Laplace, tiind c p = q = 1/2, n = 100.

40 50
60 50
40 np k np 60 np

= (2 ) (2 ) =
P (40 k 60) = P

npq
npq
npq
100
100

4
4
= 2(2 ) 1 = 0,9544
Exemplu. S considerm irul de variabile aleatoare independente (Xn)nN*, cu repartiiile:
1
1
1 1
0
, p ( 0,1), ,
X n: n
, nN*. S se arate c irului (Xn)nN* i se
n

3 2
1 2 p p
p
poate aplica teorema lui Liapunov.
Soluie. Cutm s vedem dac sunt ndeplinite condiiile teoremei lui Liapunov.

M ( Xk ) = 0, M ( X k2 ) = D k2 =
3

M ( Xk ) = H k3 =

2p
, kN*
k 3

De aici urmeaz c:

ntruct

2p
, kN*
k 2

k =1

2
k

S = D = 2 p
2
n

k =1

k =1

k 3

; K = H = 2 p
3
n

k =1

3
k

n
n
1
1
3
1
1
< , rezult c 1 < 3 i, de aici, lim 3 = 3 convergent.
n
2
3
2
k =1 k
k =1 k

Pe de alt parte,

k >k
2

k =1

k =1

1
= + .
n
k =1 k

i lim

Kn
= 0 i, fiind ndeplinite condiiile teoremei lui Liapunov, afirmaia
n Sn

De aici urmeaz c lim

este dovedit.

Exemplu. Se consider irul de variabile aleatoare independente (Xn)nN* identic repartizate,

1, x (0,1)
f X n (x) =
0, x (0,1)
S se aplice teorema lui Liapunov irului dat i s se deduc de aici un mod de generare a
valorilor unei variabile repartizat normal N(0;1).
Soluie.
Am vzut c n cazul variabilelor aleatoare identic repartizate, pentru care exist
momentele de primele trei ordine, condiia lui Liapunov este ndeplinit i, deci,
n

Xk M Xk

k =1
k =1

< x =
lim P
n
n

D Xk
k =1

k =1

Prin umare, variabila aleatoare

n
M Xk
k =1

n
D Xk
k =1

1
2

y2
2

dy

urmeaz aproximativ o lege normal

N(0;1), dac n este suficient de mare.

n

Dar M ( Xk ) =

1
1
, D 2 (Xk) = , k = 1,2,... i atunci
2
12

X
k =1

n
2

pentru n suficient de
n
12
mare, este aproximativ normal N(0;1). Pentru n=12 se obine o aproximaie destul de bun i
12

atunci

6 este aproximativ normal N(0;1). Se alege un set de 12 numere aleatoare

k =1

uniform repartizate pe intervalul (0,1): r1,r2,,r12. Cu acestea se obine o valoare 1 a unei

variabile aleatoare normal N(0;1). Se repet procedeul lund un alt set de 12 numere
uniforme pe (0,1) .a.m.d., pn se obine numrul dorit de valori ale variabilei normale
N(0;1).
Se constat c procedeul este destul de simplu, dar cum pentru un set de 12 numere
uniform repartizate pe (0,1) se obine un numr repartizat N(0;1) - procedeul este ineficient
cnd avem nevoie s obinem un numr destul de mare de astfel de valori.
Exemplu. Dac numrul n de grade de libertate al unei repartiii (2n ) tinde ctre , atunci
F 2 ( x ) n
( x ) =

(n)

Demonstraie.

1
2

y2
2

dy .

S scriem funcia caracteristic a variabilei aleatoare

it ( n ) n
it
n( t ) = M e 2 n = e

n
2

i
M e

t
2

(2n )

(2n ) M ( (2n ) )
D( (2n ) )

it
it
t
2
=e
= e (2n )
2n

n
2

(2n ) n

2
1 i
t
n

2n

n
2

Logaritmnd (lum determinarea principal a funciei logaritm) se obine:

ln n ( t ) =

n
n
ti ln1
2
2

2
ti
n

ntruct trebuie s facem n, rezult c pentru n suficient de mare, oricare ar fi tR,

3
n
n 2 2 t2
2
t <1
tii,
deci,
ln n (t) =
ti +
+ n 2
adic
2
2 n n 2
n

12
12
t2
ln n ( t ) = + n = 0; lim n = 0 .
n
2

t2
Trecnd la limit,
i, deci , lim n ( t ) = e 2 care este tocmai
lim ln n ( t ) =
n
n
2
funcia caracteristic a legii normale N(0;1). De aici rezult afirmaia.

Exemplu. Dac n, numrul gradelor de libertate, tinde la infinit, atunci repartiia Student cu
n grade de libertate tinde ctre repartiia normal N(0;1).
Demonstraie. Este suficient s artm c irul momentelor Mr(T(n)) cu r = 0,1,2, tinde
ctre Mr(X) unde XN(0;1).
n r 1 3...( 2r 3)( 2r 1)
.
Am vzut c M2r+1(T(n)) = 0; M2r+1(X) = 0, iar M 2r (T ( n )) =
( n 2)( n 4)...( n 2r )
De aici,
n r 1 3...( 2r 3)( 2r 1)
= 1 3 5...( 2r 1)
lim M 2 r (T ( n )) = lim
n
n ( n 2 )( n 4 )...( n 2r )

Cum M2r(X) = 135(2r-1), rezult afirmaia.

Vom pune n eviden teorema limit central a calculului probabilitilor n
formularea J.W.Lindeberg i W.Feller i vor rezulta ca simple consecine teoremele limit
demonstrate de noi direct, n paginile anterioare.
Demonstraia nu o vom da, dat fiind faptul c este laborioas, iar cei interesai o pot
gsi n cursul de "Teoria probabilitilor i statistic matematic" de M.Iosifescu, Gh.Mihoc,
R.Theodorescu, aprut n Editura Tehnic, 1966.
Considerm un ir de variabile aleatoare independente (Xn)nN* care admit dispersii
finite. Vom nota
M ( Xk ) = mk , D 2 (Xk) = k2 , kN*
n
n
1 n
mn = mk i S n2 = k2 , Yn = ( Xk mk )
Sn k =1
k =1
k =1

Definiie. Spunem c irul de variabile aleatoare independente (Xn)nN* verific condiia L

(condiia Lindeberg) dac, pentru orice > 0, are loc relaia:
1
(L) lim n ( ) = lim 2
n
n S
n

( x mk )

dFk ( x ) = 0 ,

k =1 {x ;|x mk |> S n }

unde Fk(x) = P({; Xk( < x}).

4.7. Teorema Lindeberg-Feller. Fie (Xn)nN* un ir de variabile aleatoare independente. Atunci,
lim FYn ( x ) = ( x ),

xR

1
n S 2
n

lim

( x mk )

lim max

n 1 k n

k2
S n2

=0

dac

numai

dac

dFk ( x ) = 0 (este satisfcut condiia (L)).

k =1 { x ;| x mk | > S n }

S punem n eviden unele consecine directe ale teoremei Lindeberg-Feller.

Consecin. Dac variabilele aleatoare ce compun irul de variabile independente (Xn)nN*
sunt identic repartizate, atunci
lim FYn ( x ) = ( x ), () xR
n

Demonstraie.
n acest caz, M ( Xk ) = m, D 2 (Xk) = 2 , kN* i, deci, Sn = n .

Cu acestea, condiia lui Lindeberg devine

n

n ( ) =

k =1 n

i, deci

( x m)

dF ( x ) =

{ x ;| x m|> n }

1
n 2

( x m)

dF ( x )

{ x ;| x m| > n }

lim n ( ) = 0 , adic este ndeplinit condiia lui Lindeberg.

n

Consecin. Dac irul de variabile aleatoare indpendente (Xn)nN* are proprietatea c

variabilele aleatoare Xn sunt uniform mrginite, admit dispersii finite i lim Sn = + atunci
n

lim FYn ( x ) = ( x ) .
n

Demonstraie. Dat fiind c variabilele aleatoare Xk, kN* sunt uniform mrginite, rezult c
() A > 0 astfel nct Xk - mk A, kN*. De aici rezult c:

(x m )
k

{| x mk |> S n }

dF ( x ) =

( X ( ) m )

dP( ) A 2 P({ ;| Xk ( ) mk| Sn})

{ ;| x k ( ) mk |> S n }

ntruct lim Sn = + , putem lua n suficient de mare astfel nct Sn > A, i, n acest caz,
n

P({;|Xk() - mk| > Sn}) = 0

 (x m )

i, deci,

dF ( x ) = 0 , kN*, ceea ce implic verificarea condiiei (L).

{| x mk |> S n }

Bazai pe teorema limit central Lindeberg-Feller putem demonstra uor teorema lui
Leapunov, pe care am demonstrat-o anterior independent.
Teorema Leapunov. Fie irul de variabile aleatoare independente (Xn)nN* . Dac exist >0
astfel nct:
lim n ( ) = lim

1
S

M( x

2+
n

mk

k =1

2 +

) = 0,

atunci lim FYn ( x ) = ( x ), () xR.

n

Demonstraie. Vom cuta s vedem dac este ndeplinit condiia (L):

n ( ) =

1
S n2

( x mk )2

k =1 {| x mk |> S n }

Trecnd la limit, 0 lim n ( )

S n
1
dFk ( x ) = 2+
Sn
Sn

k =1

x m

2+

dFk ( x )

{|x m|> S n }

n ( )

lim ( ) = 0 , adic este satisfcut condiia "L".

n n
Pentru = 1 se obine exact formularea teoremei Leapunov, pe care am demonstrat-o direct
anterior.
Dac pentru irul de variabile aleatoare independente (Xn)nN* exist
n

H k3 = M xk mk

n 33
Kn
H k , atunci
K
lim
=
0
,
unde
=
k
N
*
i
dac
,
n
n Sn
k =1

lim FYn ( x ) = ( x ), () xR.