Curs Statistica 2011-2012 Sem I

Capitolul I: Camp nit de evenimente
Lect. dr. Lucian Maticiuc
Facultatea de Hidrotehnica,
Statistica n Geodezie,
Lector dr. Lucian MATICIUC
1
1.1
C
amp nit de evenimente
Evenimente
Prin experient
a aleatoare ntelegem acele experiente n care intervine ntamplarea.
Rezultatele posibile ale unei experienta aleatoare se numesc probe sau cazuri posibile
ale experientei. Numim eveniment aleator sau, mai simplu, eveniment (atasat unei
experiente) orice situatie care se poate realiza prin una sau mai multe probe si despre care
putem spune cu certitudine ca s-a produs sau nu. Evenimentul elementar este un eveniment care se realizeaza printr-o singura proba a experientei. Evenimentul compus este acel
eveniment care se realizeaza prin mai multe probe. Evenimentul sigur este acel eveniment
care se realizeaza cu certitudine la ecare efectuare a experientei, adica prin oricare dintre
probe. Evenimentul imposibil este evenimentul care nu se realizeaza prin nici o proba a
experientei. Evenimentul contrar unui eveniment dat este evenimentul care se realizeaza
atunci si numai atunci cand nu se realizeaza evenimentul dat.
Exemplul 1 Fie E experienta aruncarii simultane a doua zaruri. Probele experientei sunt
perechile
(1, 1) , . . . , (1, 6) ,
(2, 1) , . . . , (2, 6) ,
..
.
(6, 1) , . . . , (6, 6) .
Proba (i, j) reprezinta aparitia fetei cu numarul i de puncte de la primul zar si a fetei cu
numarul j de puncte de la al doilea zar. Numarul tuturor probelor (al cazurilor posibile)
este de 36.
Fie A evenimentul ca suma numerarului de puncte de pe cele doua fete sa e 5. Atunci
A se realizeaza prin probele (1, 4), (2, 3), (3, 2), (4, 1). Acesta este un eveniment compus.
Fie B evenimentul care consta n aparitia probei (3, 7). Acesta este un eveniment
imposibil.
Fie C evenimentul care consta n aparitia probei (6, 6). Acesta este un eveniment
elementar.
Fie D evenimentul care consta n aparitia oricarei perechi (i, j) cu i, j = 1, 6. Acesta
este un eveniment sigur.
Evenimentul contrar evenimentului C este evenimentul ce consta n aparitia perechilor
(i, j) cu i, j = 1, 6 si i + j < 12.
Evenimentele legate de o experienta E se noteaza cu litere mari A, B, C, D, . . .
Evenimentul sigur se noteaza cu , evenimentul imposibil cu , iar evenimentul contrar
Avem evident
= , = , A = A.
lui A se va nota cu A.
1
1.2
Relatii ntre evenimente si operatii cu evenimente
Doua evenimente se numesc echivalente daca ele se realizeaza prin aceleasi probe. Spunem ca evenimentul A implica evenimentul B (vom nota atunci A B) daca realizarea
evenimentului A implica realizarea evenimentului B. Deci orice proba care realizeaza evenimentul A, realizeaza si evenimentul B. Are loc evident A si A, A.
Evenimentele A si B se numesc compatibile daca se realizeaza simultan, adica daca
exista probe care realizeaza atat pe A cat si pe B. In caz contrar evenimentele se numesc
incompatibile.
Date doua evenimente A si B numim reuniunea lor (notata A B) evenimentul care se
realizeaza atunci cand se realizeaza cel putin unul dintre evenimentele A si B. Se numeste
intersectia evenimentelor A si B (notata A B) evenimentul care se realizeaza atunci cand
se realizeaza simultan evenimentele A si B. Vom numi diferenta a doua evenimente (notata
A r B) evenimentul dat de relatia A r B = A B.

Propozitia 2 (Propriet
ati ale operatiilor) Au loc urmatoarele
1. Daca A B, atunci A B = B si A B = A.
2. Au loc urmatoarele
A A = A, A = A, A A = , A = , = ,
A A = A, A = , A A = , A = A, = , A.
3. Daca A C si B C, atunci A B C si A B C.
4. Au loc urmatoarele
A B = B A, A (B C) = (A B) C,
A B = B A, A (B C) = (A B) C,
A (B C) = (A B) (A C) , A (B C) = (A B) (A C) , A, B, C.
1.3
C
amp nit de evenimente
Fie = {E1 , . . . , En } multimea tuturor evenimentelor elementare corespunzatoare unei

experiente aleatoare E.
Denitia 3 Se numeste camp finit de evenimente multimea tuturor submultimilor proprii
ale lui la care se adauga multimea si .
Daca notam cu K multimea tuturor submultimilor proprii ale lui , atunci campul
nit de evenimente este perechea {, K}. In mod evident {, K} este nchisa la operatii
de reuninune, intersectie si diferenta, adica A B, A B, A r B K, A, B K.
Exercitiul 4 Daca n este numarul de evenimente elementare, atunci campul de evenimente contine 2n evenimente. Mai precis daca = {E1 , . . . , En }, atunci K este formata
din
,
{E1 } , . . . , {En } n numar de n = Cn1
{Ei , Ej } , i, j = 1, n, i < j, n numar de Cn2 ,
..
.
{E1 , E2 , . . . , En } = , n numar de 1 = Cnn .
2
deci numarul total de evenimente este 1 + Cn1 + Cnn = (1 + 1)n = 2n .

Denitia 5 (Axiomatica) O multime de evenimente {, K} se numeste camp finit de
evenimente daca sunt satisfacute axiomele
(a) Daca A {, K} , atunci A {, K} ,
(b) Daca A, B {, K} , atunci A B {, K} ,
(c) Daca A, B {, K} , atunci A B {, K} .
Propozitia 6 Au loc urmatoarele
1. Daca A {, K}, atunci A A = {, K}.
{, K}.
2. Avem ca =
3. Daca Ai {, K}, i = 1, r, atunci ri=1 Ai {, K} si ri=1 Ai {, K}.
Se numeste eveniment elementar al lui {, K} orice element A {, K} care nu poate
scris ca o reuniune de elemente din {, K}, diferite de A.
Propozitia 7 Daca {, K} este un camp finit de evenimente, atunci au loc urmatoarele
1. {, K} admite evenimente elementare.
2. Pentru orice A {, K}, exista cel putin un eveniment elementar B astfel nc
at B A.
3. Orice element din {, K} se scrie ca o reuniune de evenimente elementare.
4. Reuniunea tuturor evenimentelor elementare ale lui {, K} este , evenimentul sigur.
Denitia 8 Se numeste sistem complet de evenimente o multime de evenimente {A1 , . . . , An }
ce satisfac conditiile
(i) Ai = , i = 1, n ,
(ii) Ai Aj = , i, j = 1, n, i = j,
(iii) ni=1 Ai = .
Evident multimea evenimentelor elementare corespunzatoare unei experiente formeaza
un sistem complet de evenimente.
Capitolul II: Camp nit de probabilitate
C
amp nit de probabilitate
Fie E o experienta si A un eveniment legat de E. Repetam experienta de n ori n conditii

identice. Notam cu s numarul de realizari ale evenimentului A. Numarul fn = ns se numeste
frecventa relativa a evenimentului A. Evident fn [0, 1]. Se observa ca fn depinde de
n, adica de numarul de efectuari ale experientei. Se cunoaste ca pe masura ce n creste
frecventa oscileaza n jurul unei anumite valori, apropriindu-se de aceasta valoare.
Vom da n continuare denitia clasica a probabilitatii. Pentru aceasta e E o experienta
si presupunem ca toate cazurile posibile sunt egal probabile (au aceasi sansa de a se realiza).
Denitia 9 Numarul P (A) = m
, unde m reprezint
a numarul cazurilor favorabile rean
liz
arii evenimentului A si n reprezint
a numarul cazurilor (egal) posibile ale experientei, se
numeste probabilitatea evenimentului A.
Propozitia 10 Au loc urmatoarele
(i) 0 P (A) 1,
(ii) P () = 1, P () = 0,
(iii) P (A B) = P (A) + P (B) P (A B) ,
deci P (A B) = P (A) + P (B) , dac
a A B = ,
( )
si evident P (A) + P A = 1,
(iv) P (ni=1 Ai ) = ni=1 P (Ai ) , unde Ai Aj = , i, j = 1, n, i = j,

(v) P (A r B) = P (A) P (B) , daca B A.
Propozitia 11 Fie {, K} un camp finit de evenimente si probabilitatea P : {, K}
[0, 1]. Atunci tripletul {, K, P} se numeste camp finit de probabilitate.
2.1
Probabilit
ati conditionate
Fie E o experienta cu n cazuri posibile (probe ale experientei) si A, B doua evenimente

legate de E.
Denitia 12 Probabilitatea evenimentului B n ipoteza ca evenimentul A s-a realizat, se
numeste probabilitatea lui B conditionat
a de A si va fi notata cu P (B|A).
Propozitia 13 Are loc urmatoarea formula a probabilit
atii conditionate
P (B|A) =
P (A B)
.
P (A)
(far
a demonstratie).
Formula de mai sus poate luata ca denitie a probabilitatii conditionate.
2.2
Evenimente independente
Fie E o experienta cu n cazuri posibile si A, B doua evenimente legate de E.

Denitia 14 Spunem ca evenimentele A, B sunt independente daca probabilitatea ca unul
dintre ele sa se realizeze nu depinde de realizarea celuilalt.
Propozitia 15 Evenimentele A si B sunt independente daca are loc oricare dintre urmatoarele
relatii
(i) P (A B) = P (A) P (B) ,
(ii) P (B|A) = P (B) ,
(iii) P (A|B) = P (A) .
(far
a demonstratie).
Formula (i) de mai sus se ia uneori ca denitie a independentei evenimentelor A si B.
In cazul unei familii {A1 , . . . , An } de evenimente spunem ca acestea sunt independente
daca probabilitatea oricarei intersectii de aceste evenimente este egal
a cu produsul probabilitatilor evenimentelor intersectate (deci are loc si P (ni=1 Ai ) = ni=1 P (Ai )).
Notiunea de probabilitate se poate introduce si pe cale axiomatica.
Denitia 16 (Kolmogorov) Se numeste probabilitate pe un camp finit de evenimente
{, K}, o functie P : {, K} R care satisface axiomele
(i) P (A) 0, A {, K} ,
(ii) P () = 1,
(iii) P (A B) = P (A) + P (B) , A, B {, K} , A B = .
Remarca 17 1. Axioma (iii) se poate extinde la orice numar finit (chiar numarabil) de
evenimente incompatibile doua cate doua
P (ni=1 Ai )
P (Ai ) , unde Ai Aj = , i, j = 1, n, i = j,
i=1
2. Daca A, B {, K} astfel ncat A B, atunci P (A) P (B).

Pentru a ilustra Propozitia 15 consideram urmatorul exemplu simplu.
Exemplul 18 Presupunem ca avem doua cutii cu bile rosii si albe. Prima cutie contine
o bila rosie si trei albe iar a doua cutie contine doua bile rosii si trei bile albe. Extragem
c
ate o bila din fiecare cutie. Care este probabilitatea ca sa extragem doua bile rosii?
Num
arul total de posibile perechi este de 4 5 = 20 (unei bile din prima cutie i
corespund cinci bile din a doua cutie pentru a face o pereche). Sunt doua posibilit
ati de a
extrage doua bile rosii: bila rosie din prima cutie (eveniment notat cu A) cuplata pe rand
cu cele doua bile rosii ale cutiei a doua (eveniment notat cu B). Deci probabilitatea de a
extrage doua bile rosii este de P (A B) = 2/20.
Pe de alta parte probabilitatea extragerii unei bile rosii din prima cutie este 1/4 iar
probabilitatea extragerii unei bile rosii din a doua cutie este 2/5, deci are loc
P (A B) = 1/4 2/5 = P (A) P (B) .
5
Similar se poate afla probabilitatea extragerii a doua bile albe care este de 3/4 3/5, si
deci probabilitatea de a extrage o bila rosie si una alba este complementara evenimentelor
de mai sus, deci are probabilitatea 1 (2/20 + 9/20) = 9/20.
Sa discutam acum proprietatile probabilitatii unor evenimente n termeni de aruncare
a unei monede.
acest caz putem reExemplul 19 Presupunem ca aruncam o moned
a de trei ori. In
prezenta rezultatele sub forma unei diagrame de tip arbore. O cale n arbore corespunde
unui posibil rezultat al experimentului. Deci daca aruncam o moned
a de trei ori vom
obtine opt posibile combinatii adica evenimentele elementare A1 , A2 , . . . , A8 si deci
= {A1 , . . . , A8 }. Vom presupune ca fiecare rezultat este egal n probabilitate, adica
fiecare are probabilitatea de 1/8.
Fie E evenimentul ca apare cel putin o data capul monedei. Atunci E nseamna nu
apare capul niciodata si deci E = {A8 }, unde A8 = PPP. Deci
( )
P E = P ({PPP}) = 1/8
si prin urmare
( )
P (E) = 1 P E = 8/9.
Remarc
am ca deseori este mult mai usor sa calcul
am probabilitatea ca un eveniment sa nu
se produca decat ca acesta sa se produc
a.
S
a notam cu A evenimentul ca primul rezultat sa fie capul monedei si B evenimentul
ca al doilea rezultat sa fie pajura monedei. Din diagram
a se vede ca P (A) = P (B) = 4/8.
De asemenea A B = {A3 , A4 } si prin urmare P (A B) = 1/4. Obtinem deci
P (A B) = P (A) + P (B) P (A B) = 1/2 + 1/2 1/4 = 3/4.
Evident se poate vedea din diagram
a ca A B = {CCC, CCP, CPC, CPP, PPC, PPP}
deci prin simpla enumerare se poate vedea ca P (A B) = 6/8.
Sa consideram acum experimentul aruncarii a doua zaruri.
Exemplul 20 Vom lua drept spatiul multimea tuturor perechilor ordonate (i, j) cu i, j =
1, 6, adica
{
}
= (i, j) : i, j = 1, 6 .
Av
and n vedere ca sunt sase posibilit
ati de alegere a lui i si fiec
arei alegeri a lui i i corespund sase alegeri pentru j, deducem ca sunt 36 de posibile rezultate (care vom presupune ca
sunt egale d.p.d.v. al probabilitatii obtinerii lor, deci P ((i, j)) = 1/36, pentru i, j = 1, 6).
Care este probabilitatea sa se obtin
a suma sapte la aruncarea celor doua zaruri? sau
suma unsprezece?
Primul eveniment, notat cu A, este multimea A = {(1, 6) , (2, 5) , (3, 4) , (4, 3) , (5, 2) , (6, 1)}
iar al doilea este B = {(5, 6) , (6, 5)}. Deci P (A) este probabilitatea reuniunii celor sase
evenimente elementare posibile care compun A adica este suma P ((1, 6))+P ((2, 5))+ =
6 1/36 = 1/6. De asemenea, P (B) = 1/36 + 1/36 = 1/18.
Evident probabilitatea obtinerii (a )unei duble de unu sau de sase este deci P (C) =
P ({(1, 1)} {(6, 6)}) = 1/18 iar P C = 1 1/18 = 17/18.
Urmatorul exemplu este legat de erorile aleatoare ce pot apare atunci cand se fac
masuratori.
6
Exemplul 21 Presupunem ca masur

am distanta dintre doua puncte si ca aceast
a masuratoare
contine o singura eroare aleatoare de marimea 1. Prin urmare valorile ce se pot obtine sunt
+1 si 1. Fie t numarul de aparitii ale unei erori si T num
arul total al posibilelor erori
care pot apare. Deci probabilitatea sa obtinem 1 este de 1/2 si probabilitatea sa obtinem 1
este tot de 1/2 (t = 1 si T = 2). Sa presupunem acum ca masur
am pe portiuni distanta
dat
a. Deci sunt posibile urmatoarele combinatii de erori +1 + 1, +1 1, 1 + 1, 1 1,
adica erorile posibile sunt +2, 0, 2 cu fecventele t egale cu 1, 2 respectiv 1, si cu T = 4.
general, daca avem o combinatie de n m
In
asuratori atunci T = 2n .
Rezultatele sunt sintetizate n tabelul de mai jos:
Nr. de masuratori combinate Valoarea erorii Frecventa Numarul T
1
+1
1
2
1
1
2
+2
1
4
0
2
2
1
3
+3
1
8
+1
3
1
3
3
1
4
+4
1
16
+2
4
0
6
2
4
4
1
5
+5
1
32
+3
5
+1
10
1
10
3
5
5
1
Probabilitatea
1/2
1/2
1/4
1/2
1/4
1/8
3/8
3/8
1/8
1/16
1/4
3/8
1/4
1/16
1/32
5/32
5/16
5/16
5/32
1/32
Se introduc datele ntr-o histogram

a, punand valoarea erorilor pe abscisa si probabilitatea
acestor erori pe ordonata. Marind numarul de masur
atori, se poate observa ca se obtine
astfel o aproximarea a unei curbe numite curba distributiei normale. Aceast
a curba este
de fapt graficul functiei numita densitatea de probabilitate a variabilei aleatoare normale.
De asemenea se mai poate remarca ca aria totala a dreptunghiurilor obtinute este 1, indiferent de numarul de masuratori (dreptunghiuri) obtinute. Mai general spus, aria regiunii
m
arginite de curba distributiei normale este egal
a cu 1. Adic
a evenimentul sigur are probabilitatea 1 si deci aria regiunii marginit
a de curba reprezint
a suma tuturor probabilitatilor
de aparitie ale erorii.
Capitolul III: Probabilitati geometrice
Probabilit
ati geometrice
Sa consideram n plan o parte masurabila a lui notata D si n ea o parte D masurabila.

Prin denitie, probabilitatea ca un punct ales la ntamplare n D sa apartina partii D
(eveniment notat cu A) este data de
P (A) =
Aria (D )
.
Aria (D)
In acest caz, partile masurabile ale multimii D formeaza multimea de evenimente, D este
evenimentul sigur iar multimea vida este evenimentul imposibil. Probabilitatea denita
mai sus satisface denitia probabilitatii si se numeste probabilitate geometric
a.
and o coarda,
Exercitiul 22 (Paradoxul lui Bertrand) Care este probabilitatea ca aleg
la nt
amplare, n interiorul unui cerc, aceasta sa fie mai mare dec
at lungimea laturii triunghiului echilateral nscris n cerc?
Indicatie: Problema comporta mai multe rezolv
ari, n functie de modul n care ntelegem
alegerea la ntamplare a coardei.
a) Coarda dusa aleator n cerc este complet determinata, de exemplu, de urmatorii
doi parametrii: distanta de la centrul cercului la coard
a, notata d, si unghiul facut de
acest caz domeniul parametrilor,
perpendiculara cu un diametru fixat, unghi notat . In
n functie de pozitiile posibile ale corzii, este D : d [0, R) si [0, 2).
Conform desenului avem coarda P Q, cu mijlocul M si triunghiul echilateral ABC de
latur
a l, nscris n cercul de raz
a R.
Din calcule obtinem: l = R 3, |P Q| = 2 R2 d2 si deci

P (|P Q| l) = ... = P (d R/2) .
Domeniul situatiilor favorabile este atunci D : d [0, R/2), [0, 2).
Probabilitatea geometric
a este atunci P (|P Q| l) =
Aria (D )
2R/2
1
=
= .
Aria (D)
2R
2
b) Coarda dusa aleator n cerc este complet determinata, de exemplu, de urmatorii doi
parametrii: unghiul facut de raza OQ cu un diametru fixat, unghi notat , si unghiul
acest caz domeniul parametrilor, n functie de pozitiile posibile ale
[ , notat . In
OQP
corzii, este D : [0, 2) si [0, /2).
Din calcule obtinem: l = R 3, |P Q| = 2R cos si deciP (|P Q| l) = ... = P ( /6) .
Domeniul situatiilor favorabile este atunci D : [0, 2) si [0, /6).
2 /6
1
Aria (D )
=
= .
a este atunci P (|P Q| l) =
Aria (D)
2 /2
3
Exercitiul 23 (Tema) Care este probabilitatea ca aleg
and o coard
a, la nt
amplare, n interiorul unui cerc, aceasta sa fie cel mult R ?
Exercitiul 24 (Tema) Care este probabilitatea ca aleg
and o coard
a, la nt
amplare, n interiorul unui cerc, aceasta sa aiba lungimea cuprinsa ntre a si b ?
[
]
Indicatie: distanta d = R2 2 /4 si a b, deci d

R2 b2 /4, R2 a2 /4 .
8
Exercitiul 25 Un segment de lungime este rupt n trei segmente. Care este probabilitatea ca acestea sa poata fi laturile unui triunghi?
Indicatie: Fie segmentul AB, de lungime , rupt n punctele aleatoare P , Q. Notam
x = |AP |, y = |P Q|. Domeniul cazurilor posibile este dat atunci de D : x [0, ], y [0, ]
astfel ncat x + y , adica
D : x [0, ] , y [0, x]
Cele trei segmente formeaza un triunghi daca si numai daca au loc urmatoarele inegalitati
|AP | |P Q| + |QB| ,
x /2,
|P Q| |AP | + |QB| ,
y /2,
|QB| |AP | + |P Q| ,
x + y /2,
Domeniul cazurilor favorabile este dat atunci de D : x [0, /2], y [/2 x, /2].
a este atunci
Aria (D )
2 /8
1
= 2 = .
Aria (D)
/2
4
Observatie tem
a: rezolvati problema de mai sus cu notatiile x = |AP |, y = |AQ| .
interiorul unui triunghi echilateral se alege la nt
Exercitiul 26 (Tema) In
amplare (repartizat n mod uniform) un punct. Care este probabilitatea ca distantele la cele trei laturi
ale triunghiului considerat sa fie laturile unui triunghi?
Indicatie: Sa notam cu M punctul din interiorul triunghiului echilateral ABC si cu
P, Q, R picioarele perpendicularelor pe laturile BC, AC, AB. Deoarece AABC = AAM C +
AAM C + ABM C deducem ca
l 3
|M P | + |M Q| + |P Q| = (constant) = h =
2
Deci problema este similara cu problema 5 anterioar
a.
Incercat
i sa dati o interpretare geometric
a a rezultatului (unde se poate situa punctul
M astfel ncat sa aiba loc conditiile cerute n enunt ?).
Exercitiul 27 Doua semnale ajung la un dispozitiv captator uniform n intervalul de timp
[0, T ]. Aparatul se blocheaza daca semnalele sosesc la interval mai mic de a secunde unul
fat
a de celalalt (a < T ). Care este probabilitatea ca aparatul sa se blocheze?
Indicatie: Daca x, y noteaza timpul cand semnalul ajunge la aparat, atunci domeniul
parametrilor, n functie de situatiile posibile este D : x, y [0, T ]. Domeniul situatiilor
favorabile blocarii este atunci D : |x y| < a a x y a
a este atunci P (|x y| < a) =
Aria (D )
.
Aria (D)
Din desenul cu reperul xOy, Aria (D ) = Aria (D) AM N C AP AQ = T 2 (T a)2 ,

deci
T 2 (T a)2
.
P (|x y| < a) =
T2
9
Exercitiul 28 (Problema acului lui Buon) Pe un plan este trasat un fascicul de

drepte paralele, echidistante, avand distanta 2a ntre drepte. Se arunca pe acest fascicul un ac de lungime 2 (2 < 2a). Care este probabilitatea ca acul sa taie una dintre
dreptele fasciculului?
Indicatie: Se noteaza cu AB acul dat si cu M mijlocul lui. Se noteaz
a cu unghiul
f
acut de AB cu dreptele paralele si cu d distanta cea mai scurta de la M la o dreapta
din fascicul. Pozitia acului este atunci unic determinata de d si . Atunci domeniul
parametrilor este D : [0, ] , d [0, a].
acest caz situatiile favorabile
Din desen, avem n triunghiul ABC ca |BC| = 2 sin . In
ca acul sa atinga o dreapta este ca d |BC| /2 d sin .
Domeniul situatiilor favorabile este atunci D : [0, ] , d [0, sin ]
a este atunci
Dar Aria (D ) =
Aria (D )
.
Aria (D)
sin d = cos |0 = 2 probabilitatea este deci
2
.
a
Exercitiul 29 (Tema) Sa presupunem ca toate valorile |p| 1, |q| 1 sunt egal probabile
si singurele posibile. Sa se determine probabilitatea ca rad
acinile ecuatiei x2 + px + q = 0
s
a fie: a) reale, b) ambele pozitive.
Exercitiul 30 (Tema) Sa se determine masura multimii M a dreptelor din plan care
intersecteaza un segment de dreapt
a de lungime .
Exercitiul 31 (Tema) Sa se determine masura multimii dreptelor din plan care intersecteaz
a laturile unui triunghi de marimi a, b, c.
Exercitiul 32 (Tema). Pe segmentul OA de lungime situat pe axa Ox se alege la
nt
amplare un punct B. Sa se determine probabilitatea ca cel mai mic dintre segmentele
OB si OA sa aiba o lungime mai mare ca /3. (Raspuns: P = 1/3)
Exercitiul 33 (Tema). Pe segmentul AB de lungime se aleg la nt
amplare doua puncte
C si D. Sa se determine probabilitatea ca C s
a fie situat mai aproape de D dec
at de A.
Pozitiile punctelor C si D sunt egal posibile. (Raspuns: P = 3/4)
amplare doua numere pozitive x si y mai mici sau
Exercitiul 34 (Tema). Se aleg la nt
egale cu 2. Sa se determine probabilitatea ca produsul lor sa nu depaseasc
a 1, iar y/x sa
nu depaseasca pe 2. (Raspuns: P = (1 + 3 ln 2) /8)
Exercitiul 35 (Tema). Intr-un

cerc de raz
a R se marcheaz
a la nt
amplare un punct M .
S
a se determine probabilitatea ca punctul sa se gaseasc
a: a) n interiorul unui patrat nscris
n cerc; b) n interiorul unui triunghi echilateral
nscris n cerc. Pozitiile punctului M sunt
3 3
egal posibile. (Raspuns: P = 2/, P = 4 )
10
Capitolul IV: Formule si scheme probabilistice
4
4.1
Formule si scheme probabilistice

Formule probabilistice
In cele ce urmeaza, e {, K, P} un camp nit de evenimente.

Probabilitatea unei reuniuni de evenimente
Oricare ar A, B {, K, P} are loc relatia
P (A B) = P (A) + P (B) P (A B) .
(1)
Fie E o experienta cu n cazuri posibile. si A, B evenimente legate de aceasta experienta.

Presupunem ca m este numarul de cazuri favorabile realizarii lui A si s este numarul
de cazuri favorabile realizarii lui B. Presupunem ca din cele m cazuri, t sunt favorabile
realizarii lui A B. Atunci numarul de cazuri favorabile realizarii lui A B este m + s t.
Deci P (A) = m/n, P (B) = s/n si
P (A B) = (m + s t) /n = m/n + s/n t/n = P (A) + P (B) P (A B) .
Remarca 36 Formula (1) se poate demonstra si cu ajutorul axiomelor Kolmogorov din
Definitia 16: are loc
A B = A (B r A) si A (B r A) = .
Deci
P (A B) = P (A (B r A)) = P (A) + P (B r A) = P (A) + P (B) P (A B) .
Remarca 37 Formula (1) se poate generaliza la n evenimente.
Probabilitatea unei intersectii de evenimente
Oricare ar A, B {, K, P} are loc relatia cunoscuta de la probabilitati conditionate
P (B|A) =
P (A B)
P (A)
(2)
deci au loc formulele

P (A B) = P (A) P (B|A) ,
P (A B) = P (B) P (A|B) .
(3)
Remarca 38 Formula (3) se poate generaliza la n evenimente.

Remarca 39 Daca A si B sunt independente atunci (3) devine
P (A B) = P (A) P (B) ,
deoarece P (B|A) = P (B) .
Formula probabilit
atii totale (se aplica atunci cand Ai s-au realizat)
Fie {Ai }i=1,n un set complet de evenimente si X un eveniment oarecare. Presupunem
ca evenimentele Ai s-au realizat. Are loc atunci formula probabilitatii totale
P (X) = P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 ) + + P (An ) P (X|An ) .
11
(4)
Pentru demonstratie observam mai ntai ca ni=1 Ai = si deci

X = X = X (A1 . . . An ) = (X A1 ) (X A2 ) . . . (X An ) .
Deoarece Ai Aj = , i = j, rezulta ca (X Ai ) (X Aj ) = , i = j.
Aplicand (3) deducem ca
P (X) = P ((X A1 ) (X A2 ) . . . (X An ))
= P (X A1 ) + P (X A2 ) + + P (X An )
= P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 ) + + P (An ) P (X|An ) .
Formula lui Bayes (se aplica atunci cand X sa realizat)
Fie {Ai }i=1,n un set complet de evenimente si X un eveniment oarecare. Presupunem
ca X s-a realizat. Are loc atunci formula
P (Ai ) P (X|Ai )
.
P (Ai |X) = n
j=1 P (Aj ) P (X|Aj )
(5)
Pentru demonstratie observam ca P (Ai X) = P (Ai ) P (X|Ai ) = P (X) P (Ai |X) si deci
P (Ai |X) =
Dar, din (4) avem ca P (X) =
4.2
n
j=1
P (Ai ) P (X|Ai )
.
P (X)
P (Aj ) P (X|Aj ) .
Scheme probabilistice
Schema lui Poisson

Fie E o experienta care consta n efectuarea a n experiente independente E1 , . . . En , iar
Ai , i = 1, n, evenimente legate de experientele Ei respectiv. Fie X evenimentul care consta
n realizarea a k evenimente (0 k n) din cele n evenimente Ai , i = 1, n, cand se
efectueaza experienta E.
Atunci are loc
Propozitia 40 Probabilitatea P (X) este coeficientul lui xk din polinomul
Q (x) = (p1 x + q1 ) (p2 x + q2 ) (pn x + qn ) ,
( )
unde pi = P (Ai ) si qi = 1 pi = P Ai .
Remarca 41 Uneori se poate considera ca cele n evenimente Ai coincid ntre ele, Ai = A,
i = 1, n. Evenimentul X consta atunci n faptul ca evenimentul A se realizeaz
a de k ori si
de (n k) ori nu se realizeaza, atunci cand se efectueaz
a experienta E ce const
a n cele n
experiente Ei .
O varianta concreta si des ntalnita a schemei Poisson este urmatoarea: se dau n urne
U1 , ..., Un care contin bile albe si negre n proportii cunoscute (adica se cunosc probabilitatile pi de extragere a unei bile albe din urna Ui , cu i = 1, n). Fie E experienta extragerii
a catei unei bile din ecare urna Ui , i = 1, n. Daca X reprezinta evenimentul extragerii a
k bile albe (si deci a n k bile negre), cand din ecare urna se extrage cate o bila, atunci
P (X) este ak , unde ak este coecientul lui xk din polinomul
Q (x) = (p1 x + q1 ) (p2 x + q2 ) (pn x + qn ) .
12
Exemplul 42 Fie trei urne cu urmatoarele proportii de bile albe si negre: U1 : trei albe
si patru negre, U2 : patru albe si cinci negre, U3 : cinci albe si sase negre. daca din fiecare
urn
a se extrage cate o bila atunci care este probabilitatea ca bilele extrase sa fie albe? Care
este probabilitatea ca una sa fie albe si doua negre?
Fie Ai evenimentul extragerii unei bile albe din urna Ui . Deci pi = P (Ai ), adica
p1 = 3/7, p2 = 4/9, p3 = 5/11 si respectiv q1 = 1 p1 = 4/7, q2 = 5/9, q3 = 6/11. Atunci
probabilitatea ca cele trei bile extrase sa fie albe (adica k = 3 bile albe si 0 bile negre) este coeficientul a3 corespunzator lui x3 din polinomul Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 ) =
x3 p1 p2 p3 + (p1 p2 q3 + p1 p3 q2 + p2 p3 q1 ) x2 + (p1 q2 q3 + p2 q1 q3 + p3 q1 q2 ) x + q1 q2 q3 , adica a3 =
p1 p2 p3 .
De asemenea, probabilitatea ca sa extragem k = 1 bile albe si 2 bile negre este coeficientul
a1 corespunzator lui x1 din polinomul Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 ) adic
a a1 =
p1 q2 q3 + p2 q1 q3 + p3 q1 q2 .
Schema lui Bernoulli (schema bilei revenite)
Fie E o experienta si A un eveniment legat de experienta E. Notam cu p = P (A). Fie
X evenimentul care consta n realizarea lui A de k ori si n nerealizarea lui A de n k,
cand se efectueaza experienta E de n ori.
Atunci are loc
Propozitia 43 Probabilitatea P (X) = Cnk pk q nk , cu q = 1 p, unde Cnk =
n!
.
k!(nk)!
Se observa ca suntem ntr-un caz particular al schemei lui Poisson n care pentru i =
1, n, Ei = E, Ai = A, deci pi = p, qi = 1 p iar Q (x) = (px + q)n . prin urmare ak este
coecientul lui xk adica Cnk pk q nk .
O varianta concreta a schemei lui Bernoulli este urmatoarea: se da o urna U care contin
bile a albe si b bile negre (deci probabilitatea p de extragere a unei bile albe din urna U este
p = a/ (a + b) si evident q = b/ (a + b)). Fie E experienta extragerii unei bile din urna U ,
urmand ca bila sa e pusa napoi. Se efectueaza E de n ori. Daca X reprezinta evenimentul
( a )k ( b )nk
extragerii a k bile albe si a n k bile negre. Atunci P (X) = Cnk a+b
.
a+b
Exemplul 44 Se considera experienta aruncarii a doua zaruri de opt ori. care este probabilitatea obtinerii sumei 7 de trei ori?
Evenimentul A este aparitia sumei 7. Probabilitatea p = P (A) = 6/36 (sase perechi
sunt favorabile (1, 6), (2, 5) , . . . si 36 sunt perechile posibile). Avem k = 3 si n = 8. Atunci
( )3 ( 5 )5
.
P (X) = C83 61
6
Exemplul 45 Dintr-o urna U cu 14 de bile (8 albe, 6 negre) se extrag cu revenire 3 bile.
Care este probabilitatea ca cele 3 bile extrase sa fie 2 albe si una neagr
a?
Avem n = 3, k = 2, p = 8/14 = 4/7, q = 3/7.
Exercitiul 46 Presupunem ca randamentul unei masini este de 0.8. Intr-un

sector se afla
cinci masini. Sa se reprezinte variabila aleatoare (notata v.a.) X care reprezint
a numarul
de masini care lucreaza la un moment dat.
Probabilitatea ca sa lucreze k masini (1 k 5) este C5k (0.8)k (0.2)nk . Deci daca
scriem sub forma unui tablou atunci v.a. este data de
(
)
0
1
2
3
4
5
X:
0.0003 0.0064 0.0512 0.2048 0.4096 0.3277
13
deoarece P (X = 1) = C51 (0.8) (0.2)4 = 5 (0.8) (0.2)4 = 0.0064, P (X = 2) = C52 (0.8)2 (0.2)3 =
5!
(0.8)2 (0.2)3 = 10 (0.8)2 (0.2)3 = 0.0512, etc.
2!3!
Exercitiul 47 Sa se calculeze si media v.a. de mai sus.
Media unei v.a. discrete este prin definitie
E (X) =
xi pi ,
i=1
unde
X:
x1 x2
p1 p2
xn
pn
)
cu pi = P (X = xi )
si evident ni=1 pi = 1.
cazul nostru obtinem E (X) = 0 0.0003 + 1 0.0064 + 2 0.0512 + = 4.0001.
In
Schema bilei nerevenite
Consideram o urna U cu a bile albe si b bile negre. Experienta E consta n extragerea
a n bile fara a pune bila extrasa napoi (n a + b). Fie X evenimentul ca din cele n bile
extrase sa e albe si = n sa e negre ( a, b).
Atunci are loc
Ca Cbn
Propozitia 48 Probabilitatea P (X) =
.
n
Ca+b
Pentru deducerea acestei probabilitati se foloseste denitia clasica a probabilitatii.
n
Numarul cazurilor posibile este Ca+b
iar numarul cazurilor favorabile este Ca Cbn (ecare grupa de bile albe se poate grupa cu ecare grupa de bile negre).
Exemplul 49 La o extragere sunt 400 de bilete dintre care 4 sunt castig
atoare. O persoan
a
cump
ar
a 10 bilete. Care este probabilitatea ca sa nu aiba nici un bilet castig
ator?
Avem a = 4, b = 396, = 0, n = 10, n = 10. Deci probabilitatea sa obtinem k = 0
C 0 C 10
bilete castigatoare este 4 10396 = 0, 903.
C400
14
Capitolul V: Variabile aleatoare discrete
Variabile aleatoare discrete
5.1
Variabile aleatoare; denitie si clasicare
O marime legata de o experienta aleatoare E si care ia valori la ntamplare, n functie de

rezultatele experientei, se numeste variabila aleatoare.
Pentru o denitie mai riguroasa, e mai ntai {, K} un camp innit de evenimente pe
care denim o probabilitate P. Atunci, prin denitie {, K, P} se numeste camp borelian
(sau innit) de probabilitate.
Denitia 50 Functia
X:R
se numeste variabil
a aleatoare (pe scurt v.a.) daca
x R, { : X () < x} K.
Remarca 51 Pentru simplitate se mai noteaz
a { : X () < x} = {X < x}.
Multimea X () R este multimea valorilor v.a. Vom clasica o v.a. X astfel:
X este o v.a. de tip discret daca multimea X () este cel mult numarabila.
X este o v.a. de tip continuu daca multimea X () este o multime innita de numere
reale.
Exemple de v.a. discrete: v.a. ale carei valori reprezinta numarul de apeluri zilnice
primite la o centrala telefonica; v.a. ale carei valori reprezinta numarul de puncte aparute
pe o fata a zarului, la aruncarea unui zar.
Exemple de v.a. de tip continuu: v.a. ale carei valori reprezinta timpul de functionare
a unui aparat, pana la prima defectare; v.a. ale carei valori reprezinta marimile erorilor
comise la efectuarea masuratorilor.
In ecare din aceste exemple, unui fenomen supus aleatorului, i se asociaza un numar
real, deci se stabileste o corespondenta ntre spatiul de selectie convenabil ales si R.
In practica este deseori dicil sa gasim valorile acestor corespondente, dar este posibil sa
apreciem cat de des sunt luate aceste valori. In acest sens dam
Denitia 52 Functia
F : R [0, 1] ,
definit
a prin
F (x) = P ({ : X () x}) = P (X x)
se numeste functie de repartitie.
Determinarea pentru orice x a probabilitatii cu care X ia valori mai mici ca x nseamna
denirea functiei de repartitie.
15
5.2
Variabile aleatoare discrete cu un num

ar nit de valori
V.a. discreta X este bine determinata daca se cunosc probabilitatile cu care este luata
ecare valoare. Fie tabloul
(
)
x1 x2 xn
X:
(6)
p1 p2 pn
unde pi [0, 1], i = 1, n, si ni=1 pi = 1.

Numerele xi se numesc valorile v.a., pi sunt probabilitatile cu care v.a. ia aceste valori,
adica pi = P (X = xi ) iar (6) reprezinta tabloul de repartitie al v.a. X.
Remarca 53 Data o v.a., putem sa-i atas
am un sistem complet de evenimente. De asemenea are loc si reciproca: dat un sistem complet de evenimente {Ai }i=1,n se poate defini
o v.a. care are tabloul de repartitie (6), unde pi = P (Ai ) = P (X = xi ).
Exemplul 54 Sa consideram experienta care const
a n aruncarea unui zar. Fie X v.a.
ale carei valori reprezinta numarul de puncte aparute pe o fat
a a zarului, la aruncarea unui
zar. Sa se scrie tabloul de repartitie.
Multimea evenimentelor este {1, 2, 3, 4, 5, 6} si ea coincide cu . Atunci
)
(
1
2
3
4
5
6
.
X:
1/6 1/6 1/6 1/6 1/6 1/6
Orice v.a. discreta data prin tabloul sau de repartitie se poate reprezenta grac prin
poligonul sau de repartitie: pe axa absciselor se trec valorile v.a. iar pe axa coordonatelor
se trec probabilitatile.
Pentru o v.a. discreta cu un numar nit de valori se poate introduce functia de repartitie
care este o functie n scara data de relatia
0
, x < x1 ,
p1
, x1 x < x2 ,
p1 + p2
, x2 x < x3 ,
(7)
F (x) =
p1 + + pn1 , xn1 x < xn ,
1
, xn x
(am presupus fara a restrange generalitatea ca x1 < x2 < < xn ).
Gracul se poate reprezenta imediat.
Reamintim functia treapta unitate Heaviside
{
0 , x 0,
H (x) =
1 , x > 0,
si functia generalizata Dirac (distributia Dirac) data de
{
0
, t = 0,
(t) =
+ , t = 0,
astfel ncat satisface R (t) dt = 1.

16
Are loc legatura
H = H (x) =
(t) dt.
Deci functia de repartitie satisface egalitatea

F (x) = p1 H (x) + p2 H (x x1 ) + + pn H (x xn ) =
pi H (x xi ) ,
i=1
unde pi = P (X = xi ).
Putem introduce si n cazul discret (ca si n cazul continuu) functia densitate de
probabilitate f (t) astfel ncat
x
def
F (x) =
f (t) dt,
deci functia densitate de probabilitate este data de

f (t) =
pi (t xi ) .
i=1
5.3
Operatii cu variabile aleatoare
Avand n vedere ca v.a. sunt functii denite pe multimea evenimentelor elementare si cu

valori reale, putem deni suma si produsul a doua v.a (ca si la functii). Astfel, daca
este un eveniment elementar si X, Y au acelasi domeniu de denitie, atunci denim (suma,
produsul si produsul cu un scalar )
(X + Y ) () = X () + Y () ,
(X Y ) () = X () Y () ,
(X) () = X () .
Fie v.a. discrete X, Y cu tablourile
(
x1 x2
X:
p1 p2
xm
pm
(
,
Y :
y1 y2
q1 q2
yn
qn
)
,
unde pi , qj [0, 1], cu i = 1, m, j = 1, n, si m

j=1 qj = 1.
i=1 pi =
Sa notam cu pij = P ({X = xi } {Y = yj }) (= P (X = xi , Y = yj )) cu i = 1, m, j =
1, n. Atunci tabloul de repartitie al v.a. X + Y este dat de
)
(
x1 + y1 x1 + y2 x1 + yn xm + yn
,
X +Y :
p11
p12
p1n
pmn
iar pentru produsul X Y avem
(
x1 y1 x1 y2
X Y :
p11 p12
17
x1 yn
p1n
xm yn
pmn
)
.
In particular, daca Y = este o v.a. constanta, atunci

(
)
a + x1 a + x2 a + xm
a+X :
,
p1
p2
pm
(
)
ax1 ax2 axm
aX :
.
p1 p2 pm
De asemenea, daca luam X = Y atunci
2 def
X = X X :
x21 x22
p1 p2
x2m
pm
)
,
deoarece n acest caz X = Y , i = j deci pij = P (X = xi , X = xi ) = pi .

Propozitia 55 Au loc relatiile
n
pij = pi ,
j=1
pij = qj .
i=1
Demonstratie. Avem evident ca

{X = xi } = {X = xi } ({Y = y1 } {Y = y2 } {Y = yn })
= ({X = xi } {Y = y1 }) ({X = xi } {Y = y2 }) ({X = xi } {Y = yn })
deci
pi = P (X = xi ) = P
n
j=1
(X = xi , Y = yj ) = nj=1 P (X = xi , Y = yj ) = nj=1 pij .
Exemplul 56 Dintr-o urna se extrage o bila alba cu probabilitatea p. Se fac doua extrageri
pun
andu-se bila napoi dupa extragere. Fie X, Y v.a. ce reprezint
a numarul de bile albe
obtinute la prima extragere, respectiv la a doua extragere. Sa se scrie tabloul de repartitie
al v.a. X, Y, X + Y, XY .
Avem ca
(
)
(
)
0 1
0 1
X:
, Y :
, unde q = 1 p.
q p
q p
(
Deci
X +Y :
0+0 0+1 1+0 1+1

q2
pq
pq
p2
(
=
0
1
2
2
q 2pq p2
)
,
deoarece
P (X + Y = 0) = P (X = 0, Y = 0) = P (X = 0) P (Y = 0) = q 2 ,
P (X + Y = 1) = P ({X = 0, Y = 1} {X = 1, Y = 0})
= P (X = 0) P (Y = 1) + P (X = 1) P (Y = 0) = pq + pq = 2pq,
P (X + Y = 2) = P (X = 1, Y = 1) = P (X = 1) P (Y = 1) = p2 .
(
Similar
X Y :
00 01 10 11
q2
pq
pq
p2
18
(
=
0
1
2
q + 2pq p2
)
,
(8)
deoarece
P (XY = 0) =
=
=
P (XY = 1) =
5.4
P ({X = 0, Y = 0} {X = 0, Y = 1} {X = 1, Y = 0})
P (X = 0) P (Y = 0) + P (X = 0) P (Y = 1) + P (X = 1) P (Y = 0)
q 2 + 2pq,
P (X = 1, Y = 1) = P (X = 1) P (Y = 1) = p2 .
Caracteristici numerice pentru variabile aleatoare discrete
Fie v.a. X cu tabloul de repartitie

(
X:
unde pi [0, 1], cu i = 1, m si
m
i=1
x1 x2
p1 p2
xm
pm
)
,
pi = 1.
Denitia 57 Vom numi media variabilei aleatoare discrete X, numarul

E (X) = x1 p1 + x2 p2 + + xm pm =
xi pi .
i=1
Denumirea de medie este ndreptatita daca tinem seama de sensul ei practic. Presupunem ca am repetat de N ori o experient
ma care ne-a condus la v.a. X. Daca ecare valoare
xi este luata de ni ori astfel ncat i=1 ni = N . Atunci suma valorilor luate de v.a. X
este n1 x1 + + nm xm iar media aritmetica a valorilor luate de X va deci
n1 x1 + + nm xm
n1
n2
n3
nm
= x1 + x2 + x3 + +
xm .
N
N
N
N
N
Dar nNi reprezinta raportul dintre numarul cazurilor n care s-a luat valoarea xi si numarul
total de experimentari, adica pi .
Media aritmetica a valorilor luate de X poate aproximata cu p1 x1 + + pm xm , adica
media lui X. Media lui X ne arata la ce valoare putem sa ne asteptam pentru media
aritmetica a unui mare numar de valori ale lui X, obtinute n urma repetarii experientei
date.
Exemplul 58 Fie v.a.
(
X:
0 1
q p
(
, Y :
0 1
q p
)
, unde q = 1 p.
Valoarea medie este

E (X) = E (Y ) = 0q + 1p = p,
iar X + Y dat de (8)
(
X +Y :
0
1
2
q 2 2pq p2
are media E (X + Y ) = 0q 2 + 2pq + 2p2 = 2p (p + q) = 2p.
19
Denitia 59 Se numeste moment initial de ordin k N al v.a. X, media v.a. X k .

Vom nota
( )
def
k = E Xk .
Evident momentul initial de ordin 1 este exact media v.a. X.
ati ale mediei)
1. Valoarea medie a unei constante este egal
a cu constanta:
( )
c
X:
E (X) = c.
1
2.
E (a + X) = a + E (X) .
3.
E (aX) = aE (X) .
4.
E (X + Y ) = E (X) + E (Y ) .
5. Media produsului a doua v.a. independente este produsul mediilor variabilelor considerate
E (XY ) = E (X) E (Y ) .
Denitia 61 Se numeste moment centrat de ordin k N al v.a. X, media
[
]
[
]
def
E (X 1 )k = E (X E (X))k = k
Denitia 62 V.a. X E (X) se numeste abaterea de la medie a v.a. X.
Evident E (X E (X)) = E (X) E (X) = 0.
De multe ori la o v.a. ne intereseaza cat de mult se abat valorile variabilei de la valoarea
medie. Trebuie sa stabilim un indicator al mprastierii valorilor v.a. n jurul valorii medii.
Valoarea medie a abaterii este (zero deci nu
poate caracteriza aceasta mprastiere. Foarte
2)
utila va folosirea cantitatii E (X 1 ) .
Denitia 63 Se numeste dispersia v.a. X, momentul centrat de ordin 2 al v.a. X, adica
def
2 = D2 (X) = E (X 1 )2 , unde 1 = E (X) .

Remarca 64 Avand n vedere calculul
D (X) = E (X 1 ) =
2
pi (xi 1 ) =
2
i=1
i=1
pi x2i
2 1
i=1
pi x2i
i=1
pi xi +
21
pi =
i=1
i=1
pi x2i
2 1 1 +
i=1
obtinem o formula foarte utila n calcule:

( )
D2 (X) = E X 2 (E (X))2 .
20
pi xi 1 +
pi 21
i=1
21
1=
i=1
pi x2i 2 21 ,
Mentionam ca dispersia unei v.a. X este, ntr-un anume sens, cea mai buna valoare
care caracterizeaza mprastierea valorilor x1 , . . . , xn fata de medie.
ati ale dispersiei)
1. Dispersia unei constante este nula:
( )
D2 (c) = E c2 (E (c))2 = c2 c2 = 0.
2.
D2 (aX) = a2 D2 (X) ,
deoarece
2
D (aX) =
pi (axi a 1 ) = a
2
i=1
pi (xi 1 )2 = a2 D2 (X) .
i=1
3.Dispersia sumei a doua v.a. independente este suma dispersiei variabilelor considerate
D2 (X + Y ) = D2 (X) + D2 (Y ) .
Intr-adev
ar,
(
)
D2 (X + Y ) = E (X + Y )2 (E (X + Y ))2
( )
( )
= E X 2 + 2E (XY ) + E Y 2 (EX)2 2E (X) E (Y ) (EY )2
( )
( )
= E X 2 + E Y 2 (EX)2 (EY )2 = D2 (X) + D2 (Y ) .
De obicei gradul de mprastiere a valorilor unei v.a. X se exprima nu prin dispersie ci

def
prin abaterea medie p
atratic
a notata = D (X), si denita de
= D (X) = D2 (X).
Aceasta are avantajul ca se exprima prin aceleasi unitati de masura ca si valorile v.a. X.
ati ale abaterii medii p
atratice)
1. D (c) = 0.
2. D (aX) = |a| D (X) .
Exercitiul 67 Fie urmatoarele date 20.1, 20.5, 20.2, 21.7, 20.5, 21.8, 21.9, 20.5. Atunci
(
)
20.1 20.2 20.5 21.7 21.8 21.9
X:
1/8 1/8 3/8 1/8 1/8 1/8
Atunci media aritmetica este
167.2
8
= 20.9 iar media
1 20.1 + 1 20.2 + 3 20.5 + 1 21.7 + 1 21.8 + 1 21.9

= 20.9
8
Mediana este media aritmetica a valorilor 21.7 si 20.5 adica 21.1.
Moda este valoarea 20.5.
Pentru a calcula dispersia, calcul
am mai nt
ai
E (X) =
E X
deci
1 (20.1)2 + 1 (20.2)2 + 3 (20.5)2 + 1 (21.7)2 + 1 (21.8)2 + 1 (21.9)2

=
=
8
( )
D2 (X) = E X 2 [E (X)]2 =
21
Teorema 68 (Inegalitatea lui Ceb

asev) Fie X o v.a. care admite medie si dispersie
finit
a. Atunci oricare ar fi > 0, are loc inegalitatea
P (|X 1 | < ) 1
D2 (X)
, unde 1 = E (X) .
2
(f
ar
a demonstratie).
Exemplul 69 Fie v.a.
(
X:
0.2 0.3 0.4 0.5

0.1 0.2 0.3 0.4
)
.
Estimati probabilitatea P (|X 1 | < 0.2).

Media si dispersia sunt date de
( )
E (X) = . . . = 0.4, E X 2 = 0.17 D2 (X) = 0.17 0.16 = 0.01.
Avem deci din inegalitatea lui Cebasev
P (|X 0.4| < 0.2) 0.75.
5.5
Exemple de variabile aleatoare discrete
1. Repartitia Poisson
Fie X o v.a. care ia drept valori numarul de bile albe extrase din n urne Ui , i = 1, n,
care contine ecare n proportii diferite cunoscute bile albe si negre. Probabilitatea de a
extrage o bila alba din urna Ui este pi , iar o bila neagra qi = 1 pi . Fie Xi v.a. care ia
valoarea 1 daca din Ui se extrage o bila alba si 0 daca se extrage o bila neagra:
(
)
0 1
Xi :
, i = 1, n.
qi p i
Avem si
(
Xi2
0 1
qi pi
)
, i = 1, n,
deci media E (Xi ) = pi , E (Xi2 ) = pi si dispersia D2 (Xi ) = pi p2i = pi qi .

Atunci
X = X1 + X2 + + Xn = ni=1 Xi .
Deci
n
n
E (X) =
i=1 pi ,
i=1 E (Xi ) =
n
n
2
D2 (X) =
i=1 pi qi ,
i=1 D (Xi ) =
deoarece v.a. Xi sunt independente.
2. Repartitia Bernoulli
Consideram repartitia Poisson n cazul particular Ui = U si deci pi = p, qi = q. V.a.
X este deci data de
)
(
0
1
2
n
.
X:
Cn0 p0 q n Cn1 p1 q n1 Cn2 p2 q n2 Cnk pk q nk Cnn pn q 0
22
Avem ca
E (X) = np,
D2 (X) = npq.
De fapt, v.a. binomiala descrie o experienta n care un eveniment A se repeta independent
de n ori si intereseaza de cate ori s-a realizat n decursul celor n repetari. Fie X numarul
de realizari ale evenimentului A n cele n efectuari. Deci X va lua valorile 1, 2, 3, ..., n cu
P (X = k) = Cnk pk q nk . In gurile de mai jos putem vedea gracul tabloului de repartitie
al v.a. binomiale pentru n = 24 si p = 0.2 respectiv p = 0.5
3. Repartitia hipergeometric
a
5.6
Variabile aleatoare discrete cu un num

ar innit num
arabil
de valori
Daca {Ai }iN constituie un sistem numarabil de evenimente care formeaza domeniul de
denitie al unei v.a. cu P (An ) = pn , n N atunci
(
)
x1 x2 xn
X:
p1 p2 pn
iar Ai = { : X () = xi }. Trebuie evident sa avem ca
pi 0, i N ,
i=1 pi = 1.
Operatiile cu variabile cu un numar innit de valori se denesc ca si n cazul v.a. discrete
cu un numar nit de valori.
5.7
Exemple de variabile aleatoare discrete cu un num

ar innit
num
arabil de valori
1. Repartitia Poisson
Spunem ca X este o v.a. repartizata Poisson de parametru R+ , daca are tabloul
(
)
0
1
2
X:
.
2
k
e 1! e 2! e k! e
k
k
k

Evident pk = P (X = k) = k! e > 0 si
= e
e =
k=0 k! e
k=0 pk =
k=0 k! = e
1.
Calculam mediile
k
k1
E (X) = k=0 kpk = k=0 k e = e

= e e =
k=1
k!
(k 1)!
si
( )
2 k
2
k
k
p
=
k
e
=
e
E X2 =
k
k=0
k=0
k=1
k!
(k 1)!
k
k
k
= e
=e
+e
k=1 (k 1 + 1)
k=1 (k 1)
k=1
(k 1)!
(k 1)!
(k 1)!
k1
k2
+ e
= 2 e e + e e = 2 + ,
= 2 e
k=1
k=2
(k 2)!
(k 1)!
23
deci
( )
D2 (X) = E X 2 (E (X))2 = .
Suma a doua v.a. independente repartizate Poisson, de parametrii 1 si respectiv 2

este o v.a. repartizata Poisson de parametru 1 + 2 .
Repartitia Poisson reprezinta un caz limita a repartitiei binomiale cand n si p
scade astfel ncat np = = const., adica avem urmatoarea teorema
Teorema 70 Fie X o v.a. care urmeaz
a o repartitie binomiala P (X = k) = Cnk pk q nk .
Atunci
k
lim Cnk pk q nk = e ,
n
k!
unde np = = cont.
(f
ar
a demonstratie).
2. Repartitia geometric
a
3. Repartitia binomial
a cu exponent negativ
5.8
Variabile aleatoare discrete bidimensionale
24
Capitolul VI: Variabile aleatoare continue
Variabile aleatoare continue
Fie n continuare {, K, P}, un camp borelian (sau innit) de probabilitate.

Denitia 71 Functia
X:R
se numeste variabil
a aleatoare (pe scurt v.a.) daca
x R, { : X () < x} K.
(9)
Remarca 72 Pentru simplitate se mai noteaz

a { : X () < x} = {X < x}.
Conditia (9) de mai sus are loc ntotdeauna n cazul unei v.a. discrete (alegand eventual
un camp borelian convenabil).
Din denitie si din proprietatile lui K se poate demonstra ca urmatoarele doua armatii
sunt echivalente:
(i) {X < x} K,
(ii) {X x} K.
Denitia 73 O v.a. continua este o v.a. X : R care poate lua orice valoare ntr-un
interval (a, b) R.
Remarca 74 La v.a. continue nu ne intereseaz
a probabilit
atile de forma P (X = a) ci doar
probabilitati de forma P (X < a) sau P (a < X < b), deoarece probabilitatea P (X = a) = 0
in cazul v.a. continue.
O v.a. continua este bine determinata daca se cunoaste cel putin una dintre functiile
legate de ea: functia de repartitie F sau densitatea de repartitie f .
6.1
Functia de repartitie
Denitia 75 Functia
F : R [0, 1] ,
definit
a prin
F (x) = P ({ : X () x}) = P (X x)
se numeste functie de repartitie.
Determinarea pentru orice x a probabilitatii cu care X ia valori mai mici ca x nseamna
denirea functiei de repartitie.
Functia de repartitie F este mai importanta pentru o v.a. continua, deoarece ea suplineste tabloul de repartitie al unei v.a. discrete.
Propozitia 76 Au loc urmatoarele propriet
ati:
1.
P (X = x) = F (x) F (x 0) .
2.
P (X < x) = F (x) P (X = x)
(evident din {X x} = {X < x} {X = x}).
25
3.
P (X > x) = 1 F (x)
(evident din {X x} {X > x} = ).
4. Dac
a x1 < x2 , atunci
P (x1 < X x2 ) = F (x2 ) F (x1 ) .
5. Functia F este continua daca si numai daca P (X = x) = 0.
6. Dac
a F este continua atunci, pentru x1 < x2 ,
P (x1 X x2 ) = P (x1 X < x2 ) = P (x1 < X x2 ) = P (x1 < X < x2 ) .
7. Functia F este monoton crescatoare.
def
8. Functia F este continua la dreapta, adica F (x) = F (x + 0) = yx
lim F (y).
y>x
9. F () = 1 si F () = 0.
Remarca 77 Daca X este o v.a. continu
a atunci F este functie continu
a si deci graficul
acestei functii este o curba plana continu
a (spre deosebire de v.a. discret
a cand F este o
functie discontinua, n scara).
6.2
Functia densitate de probabilitate
Denitia 78 Consideram o clasa de v.a. X pentru care exista o functie f : R R+ cu

un numar finit de puncte de discontinuitate de prima spet
a, astfel nc
at
x
F (x) =
f (t) dt,
(10)
unde F este functia de repartitie a variabilei X.

Functia f se numeste densitate de probabilitate.
Remarca 79 Daca f este continu
a n x R atunci F este derivabila n x si
F (x) = f (x) .
Daca a, b R si F este continua atunci
P (a < X b) =
f (t) dt.
a
Obtinem deci semnicatia geometrica a densitatii de probabilitate: f este acea functie

pozitiva cu proprietatea ca aria domeniului D din plan cuprinsntre dreptele x = a,
b
x = b, axa Ox si curba y = f (x) este egala numeric cu (integrala a f (t) dt deci egala cu)
P (a < X b).
a si numai
Remarca 80 O functie f este densitate de probabilitate pentru o v.a. X dac
daca

f (x) 0, x R si
f (t) dt = 1
(11)
Evident din (10), luand x obtinem 1 = F () =

Reciproc, daca f satisface (11) atunci functia F (x)
repartitie.
26
f (t) dt.
def x
=
f (t) dt este o functie de
Remarca 81 Pentru o v.a. discret

a rolul densitatii de probabilitate este jucat de functia
de frecventa, adica
f (x) =
pi (x xi ) , unde pi = P (X = xi ) ,
i=1
xi sunt valorile pe care le poate lua v.a. discret

a X iar este distributia Dirac.
Exercitiul 82 Se da functia
f (x) =
ex
a
, x R.
+ ex
a) Sa se determine a astfel nc
at f s
a fie o densitate de repartitie a unei variabile
aleatoare X.
b) Sa se calculeze P (X < 1, Y < 1) si P (X < 1, Y 1), unde X, Y sunt doua observatii
independente.
6.3
Variabile aleatoare continue bidimensionale
6.4
Operatii cu variabile aleatoare continue
suma, diferenta, produsul si catul a doua v.a.
27
Capitolul VII: Variabile de selectie
7
7.1
Elemente de statistic
a. Variabile de selectie (empirice)
Fundamentele teoriei selectiei
O multime de elemente ce poseda o trasatura comuna, si care se cerceteaza n statistica, poarta numele de populatie statistic
a (colectivitate statistica). Elementele care
alcatuiesc populatia statistica se numesc indivizi sau unit
ati statistice. Numarul de
indivizi care alcatuiesc populatia statistica determina volumul populatiei.
Caracteristica este o anumita proprietate urmarita la indivizii unei colectivitati statistice. Exista caracteristici cantitative (cele care se pot masura, ca varsta, greutatea, etc.)
si caracteristici calitative.
Se numeste selectie (esantion, sondaj) o colectivitate partiala de elemente extrase
la ntamplare. Notam aceste elemente ale colectivitatii partiale cu xi , i = 1, N , iar N este
volumul selectiei (numarul indivizilor din selectie).
Selectia spunem ca este repetata (cu ntoarcere) daca individul extras este reintrodus
n colectivitate nainte de a se extrage urmatorul; n caz contrar, selectia este nerepetata
(fara ntoarcere). Daca volumul selectiei este foarte mic n raport cu volumul populatiei
atunci nu se mai face distinctia ntre cele doua tipuri de selectie (aceasta se va considera
repetata).
Se numeste serie statistic
a, asociata unei selectii de volum N , un tablou de forma
(
X:
x1 x2
n1 n2
xk
nk
)
, cu
ni = N,
i=1
unde xi reprezinta valorile caracteristicii masurate (scrise n ordine crescatoare) iar ni

repezinta frecventele absolute corespunzatoare valorii xi (adica numarul care arata de cate
ori apare valoarea xi n timpul selectiei).
Numim variabil
a empiric
a (de selectie), notata pe scurt v.e., asociata unei selectii
de volum N , un tablou de forma
(
X :
x1 x2
f1 f2
xk
fk
)
, cu
fi = 1,
(12)
i=1
unde fi = nNi reprezinta frecventele relative, corespunzatoare valorii xi , ale variabilei empirice X , adica
fi = P (X = xi ) , i = 1, N .
Daca volumul selectiei nu este prea mare si ecare valoare xi apare o singura data n timpul
selectiei, atunci variabila empirica mai poate reprezentata astfel
)
(
x1
x2 xN
,
(13)
X :
1/N 1/N 1/N
unde xi reprezinta cele N valori distincte ale caracteristicii masurate.
In cazul n care caracteristicile pot lua orice valoare dintr-un interval (marginit) de
numere reale, iar volumul selectiei este mare, se va face o grupare a acesor valori pe
28
intervale disjuncte (sau clase), de obicei egale, intervale nchise la stanga si deschise la
dreapta:
(
)
[a0 , a1 ) [a1 , a2 ) [ak1 , ak ))
.
n1
n2
nk
Variabila empirica X se va reprezenta atunci
(
)
k
c1 c2 ck
X :
, cu
fi = 1,
f1 f2 fk
(14)
i=1
unde fi = nNi , ci = ai12+ai (valoarea centrala a clasei [ai1 , ai )), i = 1, k .

Se numeste frecvent
a absolut
a cumulat
a cresc
ator, respectiv descrescator, corespunzatoare valorii xi , valorile
ni =
nj , ni =
j=1
nj , i = 1, k ,
j=i
xj xi
xj xi
adica ni = n1 + n2 + + ni , ni = ni + ni+1 + + nk .
Se numeste frecvent
a relativ
a cumulat
a cresc
ator, respectiv descrescator, corespunzatoare valorii xi , valorile
fi =
ni
ni
, fi =
, i = 1, k .
N
N
Functia empiric
a de repartitie a v.e. X se noteaza cu Fn (x) si este denita astfel:
Daca X este data de (12) atunci
0
, x < x1 ,
0
, x < x1 ,
f1
, x1 x < x2 ,
i1
f1 + f2
, x2 x < x3 ,
fj , xi1 x < xi , i = 2, k , =
Fn (x) =
j=1
f1 + f2 + + fk1 , xk1 x < xk ,

1
, xk x.
1
, xk x.
0
, x < x1 ,
i1
Fn (x) =
, xi1 x < xi , i = 2, N ,
N
1
, xN x.
i1
fj +
Fn (x) =
j=1
, x < a0 ,
xai1
fi
h
, ai1 x < ai , i = 2, k ,
, ak x,
unde h = ai+1 ai este amplitudinea clasei (care de obicei este constanta).

29
7.2
Reprezentarea grac
a a variabilelor empirice
Gracul unei v.e. se numeste diagrama. Reprezentarea graca se poate face n trei moduri:
Reprezentarea n batoane. In planul xOy se trec pe axa absciselor valorile xi iar n
dreptul ecarei valori xi se ridica cate o perpendiculara de lungime egala cu valoare fi (sau
cu ni ) corespunzatoare lui xi . Mentionam ca daca unim varfurile acestor perpendiculare
prin segmente vom obtine poligonul frecventelor cumulate.
Histograma. Aceasta reprezentare se foloseste la o v.e. ale carei valori sunt grupate
sunt grupate pe clase. Pe axa absciselor se iau segmente egale cu amplitudinea claselor
(intervalelor). Pe ecare segment de acest fel, considerat ca baza, se ridica cate un dreptunghi a carui naltime este egala cu frecventa corespunzatoare (relativa sau absoluta) acelei
clase. Mentionam ca daca unim mijloacele laturilor superioare ale acestor dreptunghiuri
vom obtine poligonul frecventelor cumulate.
Poligonul frecventelor cumulate. Se masoara pe Ox valorile xi si pe Oy frecventelor
cumulate corespunzatoare valorilor xi . Unind aceste puncte rezultate vom obtine poligonul
frecventelor cumulate.
7.3
Valori caracteristice ale unei variabile empirice si ale unei

variabile aleatoare
Valorile caracteristice sunt niste date numerice care reprezinta del o v.a. sau o caracteristica avuta n vedere. Cunoasterea valorilor caracteristice este utila n practica la
compararea a doua v.a. sau a doua populatii statistice pe care este denita aceeasi caracteristica, precum si la deducerea legii teoretice urmata de o v.a. sau de caracteristica
considerata.
7.3.1
Caracteristici ale unei variabile empirice
Sa consideram o caracteristica cantitativa reprezentata de seria statistica

cu
x1 x2
n1 n2
xk
nk
ni = N (volumul selectiei). Acestei serii i asociem variabila empirica (de selectie)
i=1
X :
x1 x2
f1 f2
xk
fk
)
, cu
fi = 1,
i=1
unde fi = nNi (frecventele relative ale valorii xi ), i = 1, k

sau (daca datele sunt grupate n clase de forma [ai1 , ai ), de lungimi egale)
)
(
k
c1 c2 ck
, cu
fi = 1,
X :
f1 f2 fk
i=1
unde fi =
ni
N
iar ci =
ai1 +ai
2
(valoarea centrala a clasei [ai1 , ai )), i = 1, k .
Parametrii tendintei centrale: x, me , m0

Momentul empiric de ordin r este valoarea
mr
k
k
1
r
=
fi xri ,
ni xi =
N i=1
i=1
30
(15)
(16)
daca X este data de (15), respectiv

k
k
1 r r
ni ci =
fi c i ,
N i=1
i=1
mr =
daca X este data de (16).

In particular, pentru r = 1, obtinem
def
x = m1 =
respectiv
def
x =
m1
k
k
1
ni xi =
fi x i ,
N i=1
i=1
k
k
1
=
ni ci =
fi c i .
N i=1
i=1
Valoarea x se va numi media de selectie sau media aritmetica.

Mediana (notata cu me ) este valoarea caracteristicii X care mparte volumul selectiei
n doua parti egale. Daca N este par, N = 2k, atunci me = xk sau me = xk+1 sau
me = xk +x2 k+1 . Daca N este impar, N = 2k + 1, atunci me = xk+1 .
Moda (notata cu m0 ) este valoarea caracteristicii X careia i corespunde frecventa relativa
cea mai mare.
Parametrii variabilit
atii (ale mpr
astierii): R, S 2 , S, S
Amplitudinea v.e. (sau a seriei statistice) este numarul
R = xmax xmin .
Momentul central empiric de ordin r este
r =
k
k
1
ni (xi x)r =
fi (xi x)r .
N i=1
i=1
In particular, pentru r = 2 obtinem

Dispersia empiric
a (sau varianta):
2 def
S =
k
k
1
2
=
ni (xi x) =
fi (xi x)2 .
N i=1
i=1
(17)
Propozitia 83 Are loc urmatoarea relatie (care reprezint

a o formula utila de calcul) a
dispersiei:
S 2 = x2 x2 ,
unde x reprezinta media v.e. X iar x2 reprezint
a media v.e. (X )2 .
Demonstratie. Intr-adevar,
S
i=1
k
i=1
fi (xi x) =
2
fi x2i
i=1
fi x2i
2
x x + x =
2
fi xi x +
i=1
k
fi x =
i=1
fi x2i x2 = x2 x2 .
i=1
31
i=1
fi x2i
2
x
i=1
fi xi + x
i=1
fi
Marimea
S=
S2
se numeste abaterea medie p

atratic
a empiric
a.
Dispersia empiric
a modicat
a este numarul
(S )2 =
N
S 2,
N 1
(18)
unde cu N este notat volumul selectiei.

Avem deci si formula de calcul
k
ni x2i
N i=1N N x2
N x2 N x2
(S ) =
=
=
N 1
N 1
2
ni x2i N x2
i=1
N 1
(19)
Abaterea empiric
a modicat
a este
S = (S )2 .
def
O alta caracteristica importanta este ..............

S
def
Sx =
n
Caracteristicile formei
Aceste caracteristici se refera la forma poligonului frecventelor absolute si relative (sau
a curbei de repartitie n cazul v.a. continue).
Boltirea se masoara prin coecientul de exces
EX = 4 3, unde 4 =
4
.
S4
Acest coecient se mai noteaza si cu 1 si masoara gradul de turtire al poligonului frecventelor

relative sau al curbei repartitie fata de repartitia normala. Mentionam ca o v.a. redef
partizata normal X N (m, 2 ) are EX = 0. Intr-adevar, 4 = E [X E (X)]4 =
4
(f a
r
a demonstratie) = 3 4 iar dispersia este S 2 = 2 , deci EX = S44 3 = (32 )2 3 = 0
(am notat prin E (X) media v.a. X).
Din acest motiv gracul repartitiei normale este curba cu care se compara toate repartitiile.
Daca EX > 0 4 > 3 atunci curba este mai ascutita decat curba corespunzatoare
densitatii repartitiei normale.
Daca EX < 0 4 < 3 atunci curba este mai turtita decat curba corespunzatoare
densitatii repartitiei normale.
Asimetria se masoara prin coecientul de asimetrie
2 =
3
,
S3
adica 2 = 3 . Mentionam ca S este intotdeauna pozitiv (ind radical din dispersie) iar
3 poate pozitiv sau negativ dupa cum abaterile xi x care predomina sunt pozitive,
respectiv negative. Repartitia statistica normala are 2 = 0 3 = 0.
32
Daca 2 < 0 atunci repartitia este cu asimetrie negativa (curba prezinta asimetrie spre
stanga), iar daca 2 > 0 atunci repartitia este cu asimetrie pozitiva.
Evident simetria curbei este data de raportarea la dreapta x = x. Curba repartitiei
normale X N (m, 2 ) are drept axa de simetrie dreapta x = E (X) = m (media v.a.
normale X).
Exercitiul 84 Sa presupunem ca un aparat de masurare este utilizat pentru a citi o
distant
a de 12 de ori. Datele sunt colectate in tabelul de mai jos:
(
)
0.10 0.13 0.20 0.25 0.30 0.35
2
1
4
2
1
2
Obtinem deci
X :
0.10 0.13 0.20 0.25 0.30 0.35

2/12 1/12 4/12 2/12 1/12 2/12
Amplitudinea este 0.35 0.10 = 0.25. Mediana este o valoare situata ntre a sasea si a
saptea, adica media aritmetica 0.20+0.25
= 0.225. Moda este valoarea 0.20.
2
Frecventele cumulate sunt date n tabelul.....
Media de selectie sau media aritmetica este data de
x =
fi xi = = 0.22
i=1
sau echivalent
x =
ni xi
i=1
20
Dispersia empirica (sau varianta) este data de formula
6
6
1
2
S =
ni (xi x) =
fi (xi x)2 = = 0.00643 .
12 i=1
i=1
S = S 2 0.0802.
2 def
Pe de alta parte dispersia empirica modificat

a este numarul
(S )2 =
12 2 12
S = 0.00643 = 0.0070244 .
11
11
plus abaterea empirica modificat

In
a este
def
S = (S )2 0.083811
Mai trebuie facut graficul poligonului frecventelor relative.
Trebuie scrisa si functia empirica de repartitie F (x) = ....(este o functie n scar
a).
Exercitiul 85 Sa presupunem ca un aparat de masurare este utilizat pentru a citi o
distant
a de 20 de ori. Datele sunt colectate in tabelul de mai jos:
22.7
22.3
25.5
23.8
25.4
24.2
24.7
24.4
22.0
24.7
23.1
23.7
33
20.5
23.5
22.0
23.8
22.5
23.1
23.8
22.6
(20)
Aceste citiri reprezinta multimea de date. O prima analiza a lor din punct de vedere
numeric poate fi facuta calculand amplitudinea. Vedem din tabel ca amplitudinea este
25.5 20.5 = 5.0.
S
a consideram n continuare datele de mai sus puse n ordine cresc
atoare.
20.5
22.6
23.7
24.4
22.0
22.7
23.8
24.7
22.0
23.1
23.8
24.7
22.3
23.1
23.8
25.4
22.5
23.5
24.2
25.5
(21)
cazul nostru mediana este data de o valoare situata

Putem determina imediat mediana. In
ntre a zecea si a unsprezecea valoare, adica media aritmetica 23.5+23.7
(se poate considera
2
drept mediana si una dintre cele doua valori). Moda este valoarea 23.8 (valoarea cu
frecventa cea mai mare).
Variabila empirica (de selectie) X va avea tabloul
(
)
20.5 22.0 22.3 22.5 22.6 22.7 23.1 23.5 23.7 23.8 24.2 24.4 24.7 25.4 25.5
0.05 0.1 0.05 0.05 0.05 0.05 0.1 0.05 0.05 0.15 0.05 0.05 0.1 0.05 0.05
(22)
Momentul empiric de ordin 1 (sau media de selectie sau media aritmetica) este data de
x =
15
fi xi = 0.05 20.5 + 0.1 22.0 + 0.05 22.3 + 0.05 22.5 + 0.05 22.6 + 0.05 22.7
i=1
+0.1 23.1 + 0.05 23.5 + 0.05 23.7 + 0.15 23.8 + 0.05 24.2 + 0.05 24.4
+0.1 24.7 + 0.05 25.4 + 0.05 25.5
= 23.415
sau echivalent
15
ni xi
20.5 + 2 22.0 + 22.3 + 22.5 + 22.6 + 22.7 + 2 23.1 + 23.5 + 23.7 + 3 23.8
20
20
24.2 + 24.4 + 2 24.7 + 25.4 + 25.5
+
20
468.3
= 23.415
=
20
x =
i=1
unde xi sunt valorile citite n tabloul (22)

sau echivalent x este media aritmetic
a a tuturor valorilor citite (valori ce
20
xi
i=1
se pot repeta), x = 20 , unde xi sunt valorile citite n tabelul (20).

Dispersia empirica (sau varianta) este data de formula
1
ni (xi x)2 =
fi (xi x)2 .
20 i=1
i=1
15
def
S2 =
15
34
Este util sa scriem mai ntai un tabel cu diferentele xi x si (xi x)2 :

Frecventa rel. fi
xi x
(xi x)2
1
2
1
1
1
1
2
1
1
3
1
1
2
1
1
0.05 = 1/20
0.1 = 2/20
0.05 = 1/20
0.05 = 1/20
0.205 = 1/20
0.05 = 1/20
0.1 = 2/20
0.05 = 1/20
0.05 = 1/20
0.15 = 3/20
0.05 = 1/20
0.05 = 1/20
0.1 = 2/20
0.05 = 1/20
0.05 = 1/20
2.915
1.415
1.115
0.915
0.815
0.715
0.315
0.085
0.285
0.385
0.785
0.985
1.285
1.985
2.085
8.4972
2.0022
1.2432
0.8372
0.6642
0.5112
0.0992
0.0072
0.0812
0.1482
0.6162
1.97
1.6512
3.9402
4.3472
20
1 = 20/20
xi
Frecventa abs. ni
20.5
22.0
22.3
22.5
22.6
22.7
23.1
23.5
23.7
23.8
24.2
24.4
24.7
25.4
25.5
Deci, calculand obtinem valoarea dispersiei empirice

S 2 = 1.4832
iar abaterea medie patratica empirica este
S = S 2 = 1.4832 = 1, 2178 .
Pe de alta parte dispersia empiric
a modificat
a este numarul
(S )2 =
n
20
S 2 = 1.4832 = 1.5612 .
n1
19
plus abaterea empiric

In
a modificat
a este
def
S = (S )2 = 1.2494
toate tabele si formulele de mai sus putem lasa toate valorile xi chiar
Remarca 86 In
daca se repeta (deci n = 20 n acest caz). Atunci frecventa relativ
a a fiec
arei valori va fi
aceeasi fi = 1/20 = 0.05 si frecventa absoluta a fiec
arei valori va fi aceeasi ni = 1. Formula
pentru S 2 devine
n
20
1
2
2 def 1
S =
(xi x) =
(xi x)2
n i=1
20 i=1
35
iar
n
(S )2 =
i=1
n
(xi x)2
=
n1
x2i 2
xi x +
i=1
i=1
n1
i=1
i=1
=
20
n1
x2
n1
n
x2i n
x2
x2i 2n
x x + n
x2
i=1
x
x2i 2
xi + n
x2
i=1
i=1
n1
x2i 20
x2
i=1
n1
adic
a obtinem urmatoarea formul
a de calcul a dispersiei empirice modificate (vezi
si formula (19)):
n
x2i n
x2
(S )2 = i=1
.
(23)
n1
Dac
a grupam datele n clase de lungimi egale atunci lungimea clasei va fi amplitudinea
mp
artit
a la numarul claselor. Sa mp
artim datele n 5 clase. Atunci lungimea va fi de
5/5 = 1. deci vom avea intervalele
Clasa
Frecventa absoluta a clasei
[20.5; 21.5)
[21.5; 22.5)
[22.5; 23.5)
[23.5; 24.5)
[24.5; 25.5)
1
4
5
6
4
Frecventa relativ
a a clasei
0.05 = 1/20
0.2 = 4/20
0.25 = 5/20
0.3 = 6/20
0.25 = 4/20
1 = 20/20
Remarca 87 (Justificarea definirii dispersiei empirice modificate (vezi (19) si

(23) precum si Propozitia 152).
Sa notam cu valoarea exacta a cantitatii masurate (o valoare teoretica ce nu poate
n
determinata de fapt) iar dispersia ntregii populatii, adica =

Are loc evident
(xi )2
i=1
(xi )2 = (xi x)2 + 2 (xi x) (

x ) + (
x )2
deci
n
(xi )
i=1
=
=
i=1
n
i=1
n
(xi x) + 2
2
(xi x) (
x ) +
i=1
(xi x)2 + 2 (
x )
(xi x)2 + 2 (
x )
i=1
n
(
x )2
i=1
n
(xi x) + n (
x )2
i=1
(
n
i=1
xi
)
x
+ n (
x )2
i=1
(xi x) + 2 (
x ) (n
x n
x) + n (
x ) =
2
i=1
i=1
36
(xi x)2 + n (
x )2 .
Obtinem
(xi x)2 =
i=1
(xi )2 n (
x )2 .
i=1
n
Pe de o parte avem ca termenul
(xi )2 va , pentru n foarte mare, egal cu n 2 . Pe
i=1
2
de alta parte avem ca termenul n (

x )2 va , pentru n foarte mare, egal cu n n = 2 ,
n
def
Xi
= i=1 care este data de

deoarece (
x ) aproximeaza dispersia v.a. X
n
( n
)
( )
1 n
n 2
2
2
2
2
i=1 Xi
D X =D
= 2
D (Xi ) = 2 = .
i=1
n
n
n
n
2
Deci, pentru n foarte mare,

n
(S ) =
(xi x)2
n 2 2
= 2,
n1
i=1
n1
adica dispersia empiric

a modicat
a aproximeaz
a mai bine dispersia 2 a populatiei
(dec
at dispersia empiric
a S 2 dat
a de denitia (17)).
7.3.2
Caracteristici ale unei variabile aleatoare discrete: medii si momente
(vezi si sectiunea 5.4)

Fie X o v.a. discreta cu un numar nit de valori, avand tabloul de repartitie
(
)
x1 x2 xn
X:
p1 p2 pn
unde pi 0, i = 1, n, si
Numarul
n
i=1
pi = 1.
E (X) =
pi xi
i=1
este valoarea medie a v.a. X sau media v.a. X.

Daca X este o v.a. discreta cu un numar innit de valori, avand tabloul de repartitie
(
)
x1 x2 xn
X:
p1 p2 pn
a de
unde pi 0, i N ,
i=1 pi = 1, atunci media v.a. X este denit
E (X) =
i=1
Reamintim Propozitia 60 din sectiunea 5.4

ati ale mediei)
37
pi xi .
1. Valoarea medie a unei constante este egal

a cu constanta:
( )
c
X:
E (X) = c.
1
2.
E (a + X) = a + E (X) .
3.
E (aX) = aE (X) .
4.
E (X + Y ) = E (X) + E (Y ) .
5. Media produsului a doua v.a. independente este produsul mediilor variabilelor considerate
E (XY ) = E (X) E (Y ) .
Demonstratie. 5. Avem ca
E (XY ) =
xi yj pij =
xi yj P (X = xi , Y = yj )
i,j
i=1,n, j=1,m
xi yj P ({X = xi } {Y = yj }) = (deoarece X, Y independente)
i,j
xi yj P (X = xi ) P (Y = yj ) =
i,j
xi yj pi qj =
i,j
xi pi
y j qj
,j
= E (X) E (Y ) .
Se numeste moment initial de ordin r al v.a. X, media v.a. X r . Vom nota
def
r = E (X r ) =
pi xri .
i

Se numeste moment absolut de ordin r al v.a. X, media v.a. |X|r . Vom nota
def
r = E (|X|r ) =
pi |xi |r .
i
Se numeste valoarea medie de ordin r al v.a. X, numarul

mr = [E (X r )]1/r .
In particular, obtinem
(i) m1 = 1 = E (X) .
pi x2i =valoarea medie patratica a lui X.

(ii) m2 = 2 =
i
1
(iii) m1 = [E (X 1 )]
1 1
pi x
i
def
1pi
i
=media armonica.
xi
(iv) m0 = lim mr = lim [p1 xr1 + p2 x2r + + pn xrn ]1/r .

r0
r0
38
Remarca 89 Calculam valoarea ln m0 :

0
ln (p1 xr1 + p2 xr2 + + pn xrn )
= nedeterminarea , aplic LHospital
r0
r
0
r
r
r
r
[ln (p1 x1 + p2 x2 + + pn xn )]
[p1 x1 + p2 xr2 + + pn xrn ]
= lim
= lim
r0
r0 p1 xr1 + p2 xr2 + + pn xrn
1
p1 xr1 ln x1 + p2 xr2 ln x2 + + pn xrn ln xn
= lim
r0
p1 xr1 + p2 xr2 + + pn xrn
p1 ln x1 + p2 ln x2 + + pn ln xn
ln [(x1 )p1 (x2 )p2 (xn )pn ]
=
=
p1 + p2 + + pn
1
p1
p2
pn
= ln [(x1 ) (x2 ) (xn ) ] ,
(
(
)
r )
deoarece (xr1 )r = eln x1 r = er ln x1 r = er ln x1 ln x1 = xr1 ln x1 .
ln (m0 ) = lim
Se numeste momentul centrat de ordin r al v.a. X, media v.a. (X 1 )r . Vom

nota
def
r = E [(X 1 )r ] =
pi (xi 1 )r .
i
Se numeste dispersia v.a. X, momentul centrat de ordin 2 al v.a. X, adica

def
2 = D2 (X) = 2 = E (X 1 )2 , unde 1 = E (X) .

Mediana v.a. X este
me =
xk+1
xk sau xk+1 sau
, daca N = 2k + 1,
xk +xk+1
2
, daca N = 2k.
Moda este valoarea pe care o ia X cu probabilitatea cea mai mare.

7.3.3
Caracteristici ale unei variabile aleatoare continue: medii si momente
Fie X o v.a. continua cu densitatea de probabilitate f (x).

Numarul

E (X) =
xf (x) dx
este media v.a. X.

Proprietatile mediei sunt aceleasi din cazul discret (vezi Propozitia 88).
Se numeste moment initial de ordin r al v.a. X, media v.a. X r . Vom nota

def
r
r = E (X ) =
xr f (x) dx .

In particular,

( 2)
2 = E X =
x2 f (x) dx .
Se numeste momentul centrat de ordin r al v.a. X, media v.a. (X 1 )r . Vom nota

def
r
r = E [(X 1 ) ] =
(x 1 )r f (x) dx .
39

In particular,
[
]
2 = E (X 1 )2 =
(x 1 )2 f (x) dx .
Se numeste dispersia v.a. X, momentul centrat de ordin 2 al v.a. X, adica

def
2 = D2 (X) = 2 = E (X 1 )2 , unde 1 = E (X) .

Remarca 90 Avand n vedere calculul
( 2
)
2
2
2
D (X) = E (X 1 ) =
(x 1 ) f (x) dx =
x 2 1 x + 21 f (x) dx
R
R
x2 f (x) dx 2 1 xf (x) dx + 21 f (x) dx

=
R
R
R
2
2
=
x f (x) dx 2 1 xf (x) dx + 1 f (x) dx
R
R
R
( 2)
( 2)
2
= E X 2 1 E (X) + 1 = E X 21 ,
obtinem o formula foarte utila n calcule:
( )
D2 (X) = E X 2 (E (X))2 .
Reamintim Propozitia 65 din sectiunea 5.4
ati ale dispersiei)
1. Dispersia unei constante este nula:
( )
D2 (c) = E c2 (E (c))2 = c2 c2 = 0.
2.
D2 (aX) = a2 D2 (X) ,
deoarece
[ax E (aX)] f (x) dx = a

2
D (aX) =
R
2
R
[x E (X)]2 f (x) dx = a2 D2 (X) .
3.Dispersia sumei a doua v.a. independente este suma dispersiei variabilelor considerate
D2 (X + Y ) = D2 (X) + D2 (Y ) .
Intr-adev
ar,
(
)
D2 (X + Y ) = E (X + Y )2 (E (X + Y ))2
( )
( )
= E X 2 + 2E (XY ) + E Y 2 (EX)2 2E (X) E (Y ) (EY )2
( )
( )
= E X 2 + E Y 2 (EX)2 (EY )2 = D2 (X) + D2 (Y ) .
De obicei gradul de mprastiere a valorilor unei v.a. X se exprima nu prin dispersie ci
def
prin abaterea medie p
atratic
a notata = D (X), si denita de
= D (X) = D2 (X).
Aceasta are avantajul ca se exprima prin aceleasi unitati de masura ca si valorile v.a. X.
40
ati ale abaterii medii p
atratice)
1. D (c) = 0.
2. D (aX) = |a| D (X) .
Teorema 93 (Inegalitatea lui Ceb
asev) Fie X o v.a. care admite media m si disper2
sia finite. Atunci oricare ar fi > 0, are loc inegalitatea
P (|X m| < ) 1
2
, unde m = E (X) .
2
(f
ar
a demonstratie).
O forma des ntalnita n aplicatii este urmatoarea consecinta:
Corolarul 94 Fie X o v.a. care admite media m si dispersia 2 finite. Atunci luand n
inegalitatea lui Cebasev = k, obtinem inegalitatea
P (|X m| < k) 1
41
1
, k > 0.
k2
Capitolul VIII: Distributii clasice
8
8.1
8.1.1
Distributii clasice
Distributii clasice discrete
Distributia binomial
a B (n, p) (schema bilei revenite)
Variabila aleatoare X spunem ca urmeaza o ditributie binomiala daca tabloul de distributie

este dat de
)
(
k
X:
,
ak k=0,n
unde ak = Cnk pk q nk cu p, q 0 cu q = 1 p.
Avem deci ca P (X = k) = Cnk pk q nk 0 iar
n
n
P (X = k) =
Cnk pk q nk = (p + q)n = 1
k=0
k=0
(am folosit binomul lui Newton (q + p) =

+ Cnn1 qpn1 + pn ).
n
k=0
Cnk pk q nk = q n + Cn1 q n1 p + Cn2 q 2 pn2 +
Remarca 95 1. Parametrii n si p se numesc parametrii distributiei.

2. Semnificatia schemei este urmatoarea: fie E o experient
a si A un eveniment legat
de ea care se poate realiza cu probabilitatea p = P (A). Se repet
a E de n ori n aceleasi
conditii. Atunci X reprezinta v.a. care ia ca valori numarul de realiz
ari ale evenimentului
A c
and are loc experienta de n ori.
3. Daca luam n = 1 atunci obtinem n particular distributia Bernoulli:
)
(
0 1
.
X:
q p
Denitia 96 Spunem ca valoarea {0, 1, . . . , n} este moda pentru X daca P (X = )
are valoarea cea mai mare, adica daca Cn p q n are valoarea cea mai mare, pentru
{0, 1, . . . , n}.
Propozitia 97 (fara dem.) Moda a v.a. X satisface inegalitatea
np q np + p.
Remarca 98 Sa observam ca
np + p = (np q) + 1 = deoarece = (np q) + (p + q)
general, evident, np q
acest caz este acel
1) In
/ Z deci echivalent np + p
/ Z. In
num
ar natural ntre 0 si n care este situat ntre
(np q) (np q) + 1,
adic
a este partea ntreaga a lui (np q) + 1 = np + p
= [np + p] .
2) Dac
a avem ca np q Z atunci echivalent si np + p Z si, n acest caz, ia doua
valori 1 = np q si 2 = np + p, avand n vedere ca
P (X = np q) = P (X = np + p) .
42
Propozitia 99 Media
si dispersia v.a. binomiale X sunt date de
E (X) = np, 2 = D2 (X) = npq.
E (X) =
n
k=0
= np
k P (X = k) =
n
k=1
n
k=0
k Cnk pk q nk =
n
k=0
n!
pk q nk
k! (n k)!
(n 1)!
pk1 q nk = np (p + q)n1 = np,
(k 1)! (n k)!
iar
n
( )
E X2 =
k=0
=
=
=
=
=
Deci
k 2 P (X = k) =
n
k=0
k 2 Cnk pk q nk =
n
k=0
n!
pk q nk
(k 1)! (n k)!
n!
pk q nk
k=1
(k 1)! (n k)!
n
n
n!
n!
pk q nk +
pk q nk
k=2 (k 2)! (n k)!
k=1 (k 1)! (n k)!
n
n
(n 2)!
(n 1)!
n (n 1) p2
pk2 q nk + np
pk1 q nk
k=2 (k 2)! (n k)!
k=1 (k 1)! (n k)!
n (n 1) p2 (p + q)n2 + np (p + q)n1 = n (n 1) p2 + np
n2 p2 np2 + np = n2 p2 + np (1 p) = n2 p2 + npq.
(k 1 + 1)
( )
2 = E X 2 (E (X))2 = n2 p2 + npq n2 p2 = npq.
Teorema 100 (Moivre-Laplace) (far

a dem.) Pentru valori mari ale lui n are loc relatia
(knp)2
1
P (X = k)
e 2npq , k = 0, n
2npq
Remarca 101 Avand n vedere ca media m = E (X) = np iar dispersia 2 = D2 (X) =

npq, are loc ca
P (X = k) f (k) , k = 0, n,
(xm)2
1
unde f (x) = 2
e 22 este densitatea de repartitie a v.a. continue repartizate normal
de medie m si dispersie 2 .
Remarca 102 1) Calculand valorile P (X = k) = Cnk pk q nk pentru diferite valori ale lui
p si q = 1 p se constata ca ele sunt distribuite asimetric, cu exceptia cazului cand
p = q = 0.5. Asimetria este cu atat mai pronuntat
a cu cat p este mai mic.
2) Daca n creste, aimetria devine din ce n ce mai putin pronuntat
a astfel nc
at pentru
p = 0.1 si n 100 se ajunge la o distributie simetrica (confirm
and astfel teorema MoivreLaplace).
43
8.1.2
Distributia Poisson
Variabila aleatoare X spunem ca urmeaza o ditributie de tip Poisson daca tabloul de

distributie este dat de
(
)
k
X:
,
ak k=0,n
unde ak = P (X = k) este coecientul lui xk din polinomul Q (x) = (p1 x + q1 ) (p2 x + q2 ) (pn x + qn ),
iar pi , qi 0 cu qi = 1 pi , i = 1, n .
Se poate verica imediat ca ak 0 si ca nk=0 ak = 1, deoarece

n
k=0
ak xk =
n
k=0
x=1
(pk x + qk ) =
n
k=0
ak =
n
k=0
(pk + qk ) = 1.
a care const
a din
Remarca 103 Semnificatia schemei este urmatoarea: fie E o experient
n experiente independente E1 , . . . , En si A1 , . . . , An evenimente legate de fiecare experienta
n parte. Fie pi = P (Ai ), qi = 1 pi . Atunci X reprezint
a v.a. care ia ca valori numarul
de realiz
ari ale evenimentului Ai cand are loc experienta E.
Propozitia 104 Media
si dispersia v.a. distribuite Poisson X sunt date de
n
n
E (X) =
pk , 2 = D2 (X) =
p k qk .
k=0
8.1.3
k=0
Distributia hipergeometric
a (schema bilei nerevenite)
Variabila aleatoare X spunem ca urmeaza o ditributie de tip hipergeometric daca tabloul

de distributie este dat de
(
)
k
X:
,
ck k=0,n
unde
Cak Cbnk
P (X = k) = ck =
.
n
Ca+b
Se poate verica ca ck 0 si ca nk=0 ck = 1.

Remarca 105 Semnificatia schemei este urmatoarea: fie o urna cu a bile albe si b bile
negre din care se extrag pe rand, dar far
a a pune bila la loc, n bile (vom lua a + b n).
Atunci X reprezinta v.a. care ia ca valori numarul de bile albe extrase.
si dispersia v.a. distribuite hipergeoemtric X sunt date
de
a
a
b a+bn
E (X) = n
, 2 = D2 (X) = n
.
a+b
a+ba+ba+b1
Remarca 107 Dintr-o populatie statistica s-a facut o selectie de n indivizi, nerepetata
(individul extras nu se ntoarce n populatie) n vederea cercet
arii unei caracteristici A.
Dac
a presupunem ca o parte dintre indivizii populatiei posed
a caracteristica A iar restul
nu o poseda, atunci numaruld e indivizi cercetati posed
and proprietatea A urmeaz
a schema
bilei nerevenite.
44
8.1.4
Distributia Poisson cu o innitate num

arabil
a de valori P ()
Variabila aleatoare X spunem ca urmeaza o ditributie de tip Poisson cu o innitate

numarabila de valori daca tabloul de distributie este dat de
(
)
k
X:
,
ak kN
unde
k e
P (X = k) = ak =
.
k!
Se poate verica imediat ca ak 0 si ca nk=0 ak = 1, deoarece
k e
k
= e
= e e = 1
k=0
k=0
k=0 k!
k!
xk
(am folosit dezvoltarea n serie de puteri a exponentialei: ex =
k=0 k! = 1 +
n
+ xn! + ).
ak =
x
1!
x2
2!
Remarca 108 Distributia Poisson P () este un caz limit

a al distributiei binomiale B (n, p) c
and n
si p 0 astfel nc
at np = (constant), adica cand
n creste si p scade astfel ncat produsul np s
a ram
an
a constant.
Are deci loc limita (fara dem.)
lim Cnk pk q nk =
p=/n0
k e
.
k!
Remarca 109 Mai concret, putem preciza ca, pentru n 30 si = np < 5 avem ca
B (n, p) P () .
Propozitia 110 Daca avem doua v.a. independente X, Y repartizate Poisson de parametrii si (vom scrie X P () si Y P ()), atunci suma X + Y este o v.a. repartizate
Poisson de parametru + , adica X + Y P ( + ).
Remarca 111 Distributia Poisson se aplica atunci cand p este mic (p 0), adica n
cazul evenimentelor care se ntampl
a rar. De aceea ea mai poart
a numele de legea evenimentelor rare. Distributia Poisson se aplica deci cand avem un numar mare de obiecte
ce sunt repartizate uniform pe un domeniu mare.
8.2
8.2.1
Distributii clasice continue

Distributia uniform
a U [a, b]
O v.a. X spunem ca urmeaza distributia uniforma pe intervalul [a, b] daca are densitatea
de repartitie data de
{ 1
, daca a x b,
ba
f (x) =
0 , n rest.
45
Se verica imediat proprietatile unei densitati de repartitie

+
f 0,
f (x) dx = 1.
Intr-adevar,
+
f (x) dx =
f (x) dx =
a
1
1
dx =
ba
ba
dx =
a
1
x|x=b = 1.
b a x=a
Functia de repartitie corespunzatoare este atunci, conform denitiei,

x
def
F (x) =
f (t) dt.
Pentru x a obtinem ca
F (x) =
f (t) dt = 0.
Pentru a < x b obtinem ca

x
a
F (x) =
f (t) dt =
f (t) dt +
Pentru x > b obtinem ca

x
F (x) =
f (t) dt =
f (t) dt = 0 +
a
f (t) dt +
f (t) dt +
a
1
1
dt =
(x a) .
ba
ba
f (t) dt = 0 +
b
1
dt + 0
ba
1
=
(b a) = 1.
ba
Deci
F (x) =
, daca x a,
xa
ba
, daca a < x b,
, daca x > b.
Se pot desena imediat si gracele functiilor f si F .

si dispersia v.a. distribuite uniform X U [a, b] sunt
date de
(b a)2
a+b 2
, = D2 (X) =
.
E (X) =
2
12
Demonstratie. Intr-adevar, conform denitiei
def
E (X) =
xf (x) dx,
R
deci
E (X) =
a
1
1
x
dx =
ba
ba
x=b
b2 a 2
1 x2
a+b
=
xdx =
=
.

b a 2 x=a 2 (b a)
2
46
Pe de alta parte
deci
E X
) def
E X =
x2 f (x) dx,
R
x=b
1
1 x3
b3 a 3
a2 + ab + b2
dx =
=
=
x
ba
b a 3 x=a 3 (b a)
3
2
=
a
si
a2 + ab + b2
D (X) =
a+b
2
)2
4a2 + 4ab + 4b2 3a2 6ab 3b2

(b a)2
=
=
.
12
12
Denitia 113 Numarul xp pentru care F (xp ) = p se numeste cuantila corespunz

atoare
pragului de probabilitate p, cu p [0, 1].
(
)
particular x1/2 se numeste mediana repartitiei F x1/2 = 1/2. Conform definitiei
In
(
) def (
)
P X x1/2 = F x1/2
deci
iar
(
)
(
)
P X > x1/2 = 1 F x1/2
(
)
(
)
P X x1/2 = P X > x1/2 = 1/2,
adic
a x1/2 mparte volumul valorilor lui X n doua parti egale.
Valoarea x1/4 este cuantila inferioar
a iar x3/4 este cuantila superioar
a a repartitiei.
Remarca 114 V.a. X ale carei valori sunt erorile de rotunjire pan
a la cel mai apropiat
ntreg (obtinute atunci cand se masoar
a o anumita caracteristic
a) urmeaz
a o distributie
uniform
a.
8.2.2
Distributia normal
a N (m, 2 )
O v.a. X spunem ca urmeaza distributia normala de parametrii m si 2 daca are densitatea

(xm)2
1
f (x) =
e 22 , x R .
2
Densitatea v.a. distribuite normal Se verica imediat proprietatile unei densitati de
repartitie
+
f 0,
f (x) dx = 1.
Intr-adevar,
f (x) dx =
(xm)2
1
e 22 dx
2
Acum se va face schimbarea de variabila
xm
= x x = 2x + m dx = 2 dx
2
47
deci
1
f (x) dx =
2
x2
1
1
2
ex dx =
2 dx =
= 1,

deoarece avem formulele
et dt =
2
Integrala Gauss:
(ca o consecinta)
et dt =
Integrala Euler-Poisson:
t2
dt =
t2
e 2 dt.
Remarca 115 1) Graficul densitatii de probabilitate f este cunoscut sub numele de clopotul lui Gauss si este simetric fat
a de dreapta x = m.
2) Parametrul 2 da gradul de turtire al graficului densitatii de probabilitate f (sau
gradul de mprastiere al valorilor lui X fat
a de valoarea medie m)
(
)
1
3) Graficul densitatii de probabilitate f admite un maxim n punctul M m, 2 si

doua puncte de inflexiune (acolo unde si schimba convexitatea) date de m si m +
(deoarece n acele puncte derivata secund
a f si schimb
a semnul).
Intr-adev
ar, derivata
2
(xm)2
xm
xm
1
1 (xm)
2 2
(x m) =
f (x) =
e 22 ()
=
e
f (x) .
2
3
2
2
2
Punctele de extrem se gasesc printre solutiile ecuatiei

f (x) = 0 x = m.
Pe de alta parte
)
(
(xm)2
(xm)2
1
x
f (x) =
e 22 + (x m) e 22 ()
2
2 3
2
1 (xm)
2 (x m)2
2 (x m)2
=
e 22
=
f (x) .
2
4
2 3
Deci punctele de inflexiune (punctele unde si schimba convexitatea) sunt date de

f (x) = 0 x m = x = m .
Se poate scrie acum tabelul functiei si apoi graficul functiei f (x) (numit si clopotul lui
Gauss).
atoare la diferite
Remarca 116 Se pot desena imediat si graficele functiei f corespunz
valori ale lui m si 2 .
Remarca 117 Luand m = 0 si 2 = 1 se obtine N (0, 1) care este distributia normala
standard si are densitatea
x2
1
f (x) = e 2 , x R .
2
48
Evident graficul densitatii de probabilitate

a de dreapta x = 0 (axa Oy)
(
)f este simetric fat
1
si admite un maxim n punctul M 0, 2 .
De asemenea f (0) = 12 0.3989 si f (3.99) = f (3.99) 104 0. Deci valorile
f (x) pentru |x| > 4 sunt neglijabile, adica curba se apropie foarte repede de axa absciselor
Ox cand x creste.
Denitia 118 Functia
1
(x) =
2
se numeste functia lui Laplace.
def
t2
e 2 dt , x R
Remarca 119 Pentru valorile lui s-au ntocmit tabele. Evident (x) = (x), adica
este impara, ceea ce nseamna ca tabelele sunt date doar valorile lui cu argumente
pozitive.
Propozitia 120 Avem ca
1
lim (x) = .
x
2
Intr-adev
ar
1
lim (x) =
x
2
t2
e
0
1
dt =
e
0
t2
1
1
= .
dt =
2
2
Functia de repartitie a v.a. distribuite normal Conform denitiei,

x
def
F (x) =
f (t) dt.
atur
a ntre F
si functia
Propozitia 121 Fie X N (m, 2 ). Are loc urmatoarea leg
lui Laplace :
(
)
xm
1
F (x) = +
.
(24)
2
F (x) =
f (t) dt =
(tm)2
1
e 22 dt.
2

xm
= x x = x + m dx = dx
deci
0
xm
2
2
t2
1
1
t2
e
e dt =
e dt +
e 2 dt
2
2 0
(
)
xm
2
1
1
xm
t2
= vezi int. Euler-Poisson =
+
e dt = +
.
2
2 2
2 0
1
F (x) =
2
xm
t2
1
dt =
2
xm
49
t2
Propozitia 122 Fie X N (m, 2 ). Atunci

(
)
def
(i) P (X a) = F (a) = 12 + am
,
)
( am )
(
,
(ii) P (a < X b) = F (b) F (a) = bm
(iii) P (|X m| ) = P ( X m ) = P (m X m + )
( )
( )
( )
= F (m + ) F (m ) = = 2 ,
(iv) P (|X m| k) = 2 (k)
Remarca 123 Deoarece (0) = 0 obtinem ca
1
1
+ (0) = ,
2
2
(
)
deci m( = x1/2 este
mediana
repartit
iei,
adic
a
P
X
x
= F (m) iar P (X > m) =
1/2
)
1 P X x1/2 = 1/2.
F (m) =
Propozitia 124 Fie X N (m, 2 ). Atunci, folosind punctul (iv) din propozitia anterioar
a precum si valoarea din tabel
(3) 0.49865
obtinem ca
P (|X m| > 3) = 1 P (|X m| 3) = 1 2 (3) = 1 0.9973 = 0.0027.
Prin urmare, avand n vedere ca valoarea 0.0027 poate fi neglijat
a, putem spune ca o
2
v.a. repartizat
a normal X N (m, ) ia valori semnificative n intervalul
(m 3, m + 3) (regula celor 3).
Propozitia 125 Fie X N (0, 1). Atunci, folosind punctul (iii) din propozitia anterioara
obtinem ca aria regiunii cuprinsa ntre x = a si x = a este
a
a
A=
f (t) dt = 2
f (t) dt = 2 (a) ,
a
iar, pe de alta parte
f (t) dt = F (a) F (a) = P (a X a)
deci
A = P (|X| a) = 2 (a) .
Propozitia 126 Fie X N (0, 1). Atunci, folosind punctul (iii) din propozitia anterioara
obtinem ca aria regiunii cuprinsa ntre x = si x = a si x = a si x = este
a

a
A=
f (t) dt +
f (t) dt =
f (t) dt
f (t) dt = 1 2 (a) ,
iar, pe de alta parte

a

f (t) dt +
f (t) dt = F (a) + 1 F (a) = P ({X a} {X a}) = P (|X| a)
deci
A = P (|X| a) = 1 2 (a) .
50
Propozitia 127 Fie X N (0, 1). Atunci, evident, aria regiunii cuprinsa ntre x = a si
x = b este
b
A=
f (t) dt = P (a X b) = F (b) F (a) = (b) (a) .
a
def
Propozitia 128 Fie X N (m, 2 ). Atunci Y =
X m
N (0, 1).
Demonstratie. Avem ca
(
FY (y) = P (Y y) = P
X m
y
)
= P (X y + m) = FX (y + m) .
Deci
fY (y) = (FY (y)) = (FX (y + m)) = FX (y + m) (y + m)
1
= fX (y + m) = 2
e
(y)2
2 2
y
1 e 2
2
adica Y corespunde unei v.a. distribuite normal standard.

def
Propozitia 129 Fie X N (m, 2 ). Atunci Y = aX + b N (am + b, a2 2 ).

Propozitia 130
1) Daca X B (n, p) (distributia binomiala de parametrii n si p), atunci, pentru n mare,
v.a.
def X np
Y =
npq
este o v.a. repartizata normal standard N (0, 1).
2) Deci, utilizand rezultatele de mai sus,
(
)
X np
P a
b (b) (a)
npq
3) Regula practica este urmatoarea:
daca n 30 si min (np, nq) 10, atunci aproximarea este foarte buna;
daca n 30 si min (np, nq) (5, 10), atunci aproximarea este buna dar far
a mare
precizie;
daca n 30 si min (np, nq) 5, atunci aproximarea nu este buna si n acest caz se
foloseste distributia Poisson P () cu parametrul = np (vezi si Observatiile 108 si
109).
a cercetat
a si x1 , . . . , xn este o selectie de volum
Remarca 131 Daca X este o caracteristic
def x1 ++xn
n, atunci, pentru n suficient de
urmeaza o
n
( mare
) (n 30), media de selectie x =
2
distributie normala de tip N 0, n , oricare ar fi legea de repartitie a lui X.
51
Problema erorilor. Erori accidentale (aleatoare) Fie a o marime zica si {ai }i=1,n
def
n masuratori ale ei. Denim erorile de masurare i = a ai , i = 1, n. Problema este

de a determina o valoare aproximativa pentru a (cu o eroare minima). Ne intereseaza
erorile accidentale, care apar datorita unor factori aleatori, neidenticabili. Nu exista
posibilitatea depistarii si eliminarii lor (ele nu sunt erori grosolane sau sistematice). Aceste
erori pot vazute ca valori ale unei v.a. Se poate demonstra ca erorile accidentale au
o repartitie de tipul N (0, 2 ).
Distributia 2 (hi p
atrat) 2 (n, )
8.2.3
O v.a. X spunem ca urmeaza distributia 2 de parametrii n si daca are densitatea de

repartitie data de
f (x) =
x
n
1
( n ) x 2 1 e 22 , x 0, n N, > 0,
2 n 2
(25)
n
2
unde este functia Gamma

def
() =
x1 ex dx, > 0.
Proprietati utile ale functiei Gamma sunt

a) ( + 1) = () , > 0,
b) (1) = 1, (n + 1) = n! , n N,
( )
c) 12 = .
Se verica imediat proprietatile unei densitati de repartitie
+
f 0,
f (x) dx = 1.
Intr-adevar,
+
f (x) dx =
x
n
1
1
( n ) x 2 1 e 22 dx = n
( )
n
n
n
22 2
2 2 n2
x 2 1 e 22 dx.
n

x
= x x = 2 2 x dx = 2 2 dx
2
2
deci
+
+
+
( 2 ) n2 1 n 1 x ( 2 )
n
1
1
1 x
2
2
(n)
(n)
f (x) dx =
x
2
x
e
2
dx
=
e dx
n
2 0
2 2 n 2 0
( )
1
( n ) n2 = 1.
=
2
Remarca 132 Parametrul n d

a num
arul gradelor de libertate ale distributiei si
de obicei este un numar natural.
52
Vom prezenta n continuare gracul densitatii de repartitie (25). Pentru simplitatea

prezentarii vom considera doar cazul = 1.
Cazul n < 2 1 n/2 > 0. Functia f (x) devine
f (x) =
1
1
, x > 0,
1n/2
C x
ex/2
unde C = 2n/2 (n/2) .

Au loc limitele
lim f (x) = + , lim f (x) = 0.
x0+
Se calculeaza derivata si se obtine ca

f (x) =
1 n/22 x/2 n 2 x
x
e
< 0, x > 0 > n 2
C
2
deci f descreste de la f (0+ ) = + la f () = 0 pentru x (0, ) .

Cazul n = 2 1 n/2 = 0. Functia f (x) devine
f (x) =
1 1
, x 0,
2 ex/2
deoarece C = 2 (1) = 2.
Au loc limitele
lim f (x) = + , lim f (x) = 0.
x0+

f (x) =
1 x/2 1
e
< 0, x > 0
2
2
deci f descreste de la f (0+ ) = 1/2 la f () = 0 pentru x (0, ) .

Cazul n > 2 n/2 1 > 0. Functia f (x) devine
1 xn/21
f (x) =
, x 0,
C ex/2
unde C = 2n/2 (n/2) .
Au loc limitele
lim f (x) = 0 , lim f (x) = 0.
x0+

f (x) =
1 n/22 x/2 n 2 x
x
e
C
2
deci f (x) < 0 , x (n 2, ) si f (x) > 0 , x (0, n 2), adica f creste de la

f (0+ ) = 0 la f (n 2) si descreste de la f (n 2) la f () .
53
Remarca 133 Pentru distributia X 2 (n, 1) exist

a tabele de valori care dau probabilit
ati de forma
(
)
P X > 2 = .
De fapt P (X > 2 ) = 2 f (x) dx adic

a P (X > 2 ) este aria domeniului cuprins ntre
dreapta x = 2 si (si marginit de graficul functiei f si axa Ox).

Exercitiul 134 Daca dorim sa obtinem 98% din aria totala astfel nc
at ariile domeniilor
r
amase la stanga si la dreapta sa fie egale fiecare cu 1%, atunci trebuie sa determinam din
tabel numerele 20.99 si 20.01 . Aria cautat
a va fi atunci
(
)
(
)
(
)
A = P 20.99 < X < 20.01 = P X > 20.99 P X < 20.01 = 0.99 0.01 = 0.98
Dati (numarul gradelor de libertate) si obtinem 2 .
Invers, dati si numarul 2 obtinem valoarea = P (X > 2 ) .
Propozitia 135 Se poate demonstra ca
( )
2
(, 1) N , 2 , pentru .
Practic, pentru > 30, calcularea probabilit
atilor se face utilizand tabelul distributiei
2
normale( cumedia
) si dispersia 2, adica pentru > 30, daca X (, 1), atunci
X N , 2 si deci (vezi (24))
( 2
)
(
)
(
)
( 2)
1

2
2
= P X > = 1 P X < = 1 F = 1
.
2
2
Propozitia 136 Se poate demonstra ca daca Ai sunt v.a. normale de tip N (0, 2 ) atunci
n
A2i 2 (n, )
(26)
i=1
adic
a este distribuita 2 (hi patrat) de parametrii n si .
particular avem
In
(
)
X N 0, 2 X 2 2 (1, )
(
)
(
)
X, Y N 0, 2 X 2 + Y 2 2 (2, )
Propozitia 137 Se poate demonstra ca
( )
X 2 (n, ) aX 2 n, a
(27)
adic
Propozitia 138 Se poate demonstra ca daca
X 2 (n, ) si Y 2 (m, ) (X + Y ) 2 (n + m, ) .
54
(28)

n
Xi
def
Propozitia 139 Fie acum v.a. Xi N (m, 2 ) si X
= i=1
. Atunci
n
n (
)
2 2 (n 1, ) .
Xi X
i=1
este o v.a. distribuita tot normal

Intr-adev
ar, mai ntai avem ca media aritmetica notata X
(vezi demonstratia Propozitiei 152)
(
)
N m, 2 /n
X
Aplic
and Propozitia 129 (adica relatia (26)), deducem ca
(
)
(
)
Xi N m, 2 (Xi m) N 0, 2 ,
iar
(
)
(
)
(
)
N m, 2 /n X
m N 0, 2 /n .
X
Obtinem, aplicand (26) si (27),

(
)
(
(
)
(
)
)
m 2 2 1, / n n X
m 2 2 1, n/ n = 2 (1, ) .
X
Pe de alta parte avem ca
n (
n [
)
(
)]
2 =
m 2
Xi X
(Xi m) X
i=1
i=1
n [
(
) (
)]
m + X
m 2
(Xi m)2 2 (Xi m) X
=
i=1
n
n (
(
) n
)
m
m 2
=
(Xi m)2 2 X
(Xi m) +
X
i=1
i=1
i=1
)
n
(
) ( n
(
)
2
m 2
(Xi m) 2 X m
Xi nm + n X
=
i=1
i=1
n
(
)2
(
)
2
m +n X
m 2
(Xi m) 2n X
=
i=1
deci, aplicand (26) si (28),

n (
n
)
(
)
2=
m 2 2 (n, ) 2 (1, ) = 2 (n 1, ) .
Xi X
(Xi m)2 n X
i=1
8.2.4
i=1
Distributia Student t (n)
O v.a. X spunem ca urmeaza distributia Student t (n) de parametru n daca are densitatea
precum si legatura dintre distributia normala, distributia 2 si distributia Student

Propozitia 140 Daca X N (0, 2 ), Y 2 (a, ), atunci distributia
def X
T = S (a) ,
Y
a
adic
a T este distribuita Student de parametru a.
55
8.2.5
Distributia Fisher-Snedecor F (a, b)
O v.a. X spunem ca urmeaza distributia F (a, b) de parametrii a si b daca are densitatea

precum si legatura dintre distributia Student si distributia Fisher-Snedecor
Propozitia 141 Daca X 2 (a, 1) si Y 2 (b, 1) atunci distributia
def
T =
8.2.6
X
a
Y
b
F (a, b) ,
Relatii ntre distributii
@@@@@@@@@@@@
56
Capitolul IX: Elemente de teoria estimatiei
Elemente de teoria selectiei si a estimatiei
Presupunem ca o populatie discreta contine 100 de valori. Fie astfel tabelul

18.2 26.4 20.1 29.9 29.8 26.6 26.2 25.7 25.2 26.3
26.7 30.6 22.6 22.3 30.0 26.5 28.1 25.6 20.3 35.5
22.9 30.7 32.2 22.2 29.2 26.1 26.8 25.3 24.3 24.4
29.0
26.7
Media (notata m) si dispersia (notata 2 ) acestei populatii sunt 26.1 respectiv 17.5.
Alegand la ntamplare 10 valori din tabelul de mai sus putem obtine o estimare a mediei si dispersiei (adica media si dispersia empirica, notate x si S 2 ). Evident aceste valori
vor estimatori ale valorilor teoretice m si 2 (nu vor coincide cu acestea). De asemenea, prin selectarea altor 10 valori vom obtine alta medie si dispersie x, S 2 . Daca volumul
selectiei creste atunci este de asteptat ca x, S 2 sa se apropie de valorile teoretice m si 2 (cu
cat volumul se apropie mai mult de 100, cu atat x si S 2 se apropie mai mult de m = 26.1 si
2 = 17.5). In tabelul de mai jos putem vedea acest lucru (s-au luat la ntamplare selectii
de volum 10, 20, etc. iar aceste selectii de diverse volume nu mai sunt mentionate):
No.
10
20
30
40
50
60
70
80
90
100
x
26.9
25.9
25.9
26.5
26.6
26.4
26.3
26.3
26.2
26.1
S2
28.1
21.9
20.0
18.6
20.0
17.6
17.1
18.4
17.8
17.5
n
i
Avand n vedere ca x si S 2 sunt calculate plecand de la niste v.a. (deoarece x = i=1
n
iar xi sunt alese aleator), obtinem ca x si S 2 sunt si ele, la randul lor, niste v.a. Deci chiar
daca volumul n este mentinut constant pot exista variatii ale mediei si dispersiei empirice.
Pentru aceasta vezi tabelul de mai jos
Primul
Al doilea
Al treilea
Al patrulea
set: 29.9 18.2 30.7 24.4

set: 26.9 28.1 29.2 26.2
set: 32.2 22.2
set: 24.2 36.0
36.0 25.6
30.0 27.1
26.5 29.9
26.5 30.6
19.6 27.9
28.5 25.5
x = 26.9
x = 27.9
x = 26.9
x = 27.2
Fluctuatiile care se vad n tabelul de mai sus ridica urmatoarea problema: n ce masura
valorile x si S 2 estimeaza corect valorile reale ale mediei si dispersiei? Remarcam ca n
57
S2
S2
S2
S2
primul si al treilea set media este mai apropiata de 26.1 dar dispersia este mare. In setul
al doilea dipsersia este mai mica dar n schimb media de 27.9 este destul de departe de
valoarea 26.1. Evident sunt de preferat datele obtinute n urma unei selectii de volum cat
mai mare posibil.
Important n acest sens vor estimatorii (vezi si Denitia (29)), adica functii care sa
depinda de ecare selectie n parte. In cadrul teoriei estimatiei foarte importante vor
trei distributii/repartitii: distributia hi patrat de parametrii n si (notata 2 (n, )),
distributia Student de parametru n (notata t (n)), si distributia Fisher-Snedecor de parametrii a si b (notata F (a, b)). Pentru acestea (denitii si legaturi) vezi Sectiunile 8.2.3,
8.2.4 si 8.2.5.
In general vorbind, e P o populatie si statistica si X o caracteristica cantitativa relativa la P. In cele mai multe cazuri repartitia teoretica a lui X nu este cunoscuta. Scopul
statisticii este acela de a determina pe baza experientelor cu elemente din P (selectiilor
din P) a legii de repartitie a lui X precum si a anumitor caracteristici ale lui X (media si dispersia, de exemplu). Acest lucru este posibil aplicand metoda selectiei sau a
esantioanelor.
Daca numarul de elemente al multimii P este notat N , atunci n urma a n experiente
obtinem rezultatele x1 , . . . , xn , unde n este mult mai mic decat N reprezinta volumul
selectiei.
O selectie poate repetata (cu ntoarcere) sau fara ntoarcere (adica daca elementul
cercetat se pune la loc n populatie sau nu).
Pentru a reecta del proprietatile ntregii populatii, o selectie trebuie sa ndeplineasca
urmatoarele conditii: P sa e cat mai omogena; n sa e cat mai mare; unitatile selectiei
sa e extrase la ntamplare; ecare unitate din P sa aiba aceasi probabilitate (sansa) de a
face parte din selectie.
Tipuri de variabile pe o populatie P : v.a. teoretica X, necercetata direct, care se refera
la P n totalitate; v.a. empirica (de selectie) X , ce ia valorile x1 , . . . , xn , adica
(
)
x1 x2 xn
X =
.
1/n 1/n 1/n
Valorile x1 , . . . , xn se pot considera ca valori pe care le iau n v.a. independente X1 , . . . , Xn ,
ce au aceeasi repartitie si anume repartitia lui X.
Atunci valorile x1 , . . . , xn , observate n urma selectiei, constitue valoarea observata a
v.a. n-dimensionale (X1 , . . . , Xn ). Repetand selectia vom obtine diferite valori ale variabilei n-dimensionale (X1 , . . . , Xn ).
a empirica obtinut
a pe baza selectiei este valoarea unei
Remarca 142 Fiecare carateristic
anumite v.a. teoretice, valoare care variaza odat
a cu selectia.
def x1 ++xn
n
def
De exemplu media de selectie x =
reprezint
a valoarea v.a. X
= X1 ++X
, si de
n
n
aceea putem vorbi de x ca de o v.a.
De asemenea dispersia empirica
1
(xi x)2
n i=1
n
def
S2 =
este valoarea v.a.
1
n
n (
Xi X
)2
i=1
58
Problema esentiala este urmatoarea: n ce masura anumite caracteristici ale lui X

(media, dispersia, momentele, etc.) pot reprezenta caracteristici corespunzatoare pentru
v.a. X. Astfel putem vorbi de doua directii de studiu: determinarea tipului de repartitie
teoretica si a parametrilor corespunzatori; si de determinarea unor indicatori numerici
pentru v.a. teoretica X.
Sa mentionam ca uneori tipul de repartitie teoretica se cunoaste din experientele anterioare. Alteori tipul de repartitie teoretica se intuieste din reprezentarea graca a lui X ,
dupa care se face o ipoteza asupra legii, lucrand n aceasta ipoteza (se vor verica ipotezele
statistice).
9.1
Problema estimatiei
Sa presupunem n continuare ca legea de repartitie teoretica este cunoscuta si e un

parametru legat de ea. Presupunem ca f (x, ) este legea de repartitie teoretica.
Denitia 143 A estima parametrul nseamn
a a determina o functie de selectie
n = (x1 , . . . , xn )
astfel ncat
(29)
n diferite sensuri.
Denitia 144 n se numeste estimator consistent pentru dac
a
lim P (|n | ) = 1, > 0.
Denitia 145 n se numeste estimator corect pentru daca

lim E (n ) = si
lim D2 (n ) = 0.
Denitia 146 Diferenta =

n .
E (n )
se numeste distorsiunea (deplasarea) estimatorului
Denitia 147 Daca = 0 spunem ca estimatorul este deplasat. Estimatorul corect este
un estimator deplasat.
Denitia 148 n se numeste estimator absolut corect pentru daca
E (n ) = si
lim D2 (n ) = 0.
Deci = 0 si estimatorul absolut corect este nedeplasat.

Denitia 149 n se numeste estimator eficient pentru daca = 0 si D2 (n ) este
minim.
Teorema 150 (Rao-Cramer) Numim expresia
def
E (n ) =
D2
(n )
1
[
]2
n E [ln (f (x, ))]
eficienta estimatorului n . Daca eficienta estimatorului n este E (n ) = 1 atunci estimatorul nedeplasat n este eficient (adica D2 (n ) este minim).
59
Remarca 151 Din inegalitatea lui Cebasev se deduce imediat ca un estimator absolut
corect este un estimator consistent.
Se cunosc doua cai de estimare: estimari punctuale si estimari prin intervale de ncredere.
9.1.1
Estim
ari punctuale ale valorilor caracteristice teoretice
Se demonstreaza ca au loc urmatoarele estimari:

Propozitia 152
este un estimator absolut corect pentru media teoretic
1) Media de selectie X
a E (X).
2) Dispersia empirica modificata (S )2 este un estimator absolut corect al dispersiei teoretice 2 = D2 (X).
3) Momentul empiric de ordin r (notat mr ) este un estimator absolut corect pentru momentul initial de ordin r al colectivit
atii P.
4) Pentru un x fixat, functia empirica de repartitie Fn (x) este un estimator absolut corect
pentru functia de repartitie F (x).
n
def
Demonstratie. 1) Fie X
= X1 ++X
. Dar Xi sunt independente si au aceeasi distributie
n
cu X, deci
not
not
E (Xi ) = E (X) = m si D2 (Xi ) = D2 (X) = 2 .
Atunci
( )
=
E X
E (Xi )
nE (X)
=
= m,
n
n n 2
( )
nD2 (X)
2
i=1 D (Xi )
=
D2 X
=
=
0, pentru n .
n2
n2
n
2) Fie
i=1
)
1 (
2 = X2 X
2 = 1
2.
S =
Xi X
Xi2 X
n i=1
n i=1
n
2 def
Dar Xi sunt independente si au aceeasi distributie cu X, deci

E (Xi ) = E (X) = m si D2 (Xi ) = D2 (X) = 2 .
Se poate arata ca
( )
D2 S 2 0, pentru n .
Pe de alta parte, utilizand relatia

( )
( )
D2 (X) = E X 2 [E (X)]2 E X 2 = D2 (X) + [E (X)]2 ,
obtinem ca
n
n
( )
( 2) 1
[ 2
] [ ( ) [ ( )]2 ]
1 ( 2)
=
+ E X
E S2 =
E Xi E X
D (Xi ) + [E (Xi )]2 D2 X
n i=1
n i=1
[ 2
]
n
]
1 [ 2
2
2
+m
=
+m
n i=1
n
[ 2
]
[ 2
]
n1 2
2
2
2
= +m
+ m = 2
=
=
n
n
n
n1 2
D (X) .
=
n
60
Se poate justica acum de ce s-a denit si disperia empirica modicata

def
(S )2 =
Astfel
[
]
E (S )2 =
n
S 2.
n1
( )
n
n n1 2
E S2 =
= 2,
n1
n1 n
adica S 2 nu este un estimator absolut corect al dispersiei teoretice D2 (X), pe cand (S )2

este un estimator absolut corect al dispersiei teoretice D2 (X).
9.1.2
Estim
ari punctuale ale parametrilor unei repartitii teoretice
Presupunem ca repartitia teoretica este cunoscuta (din cunoasterea n ansamblu a fenomenului studiat sau n urma unei ipoteze sugerata de grace). Pentru ca repartitia teoretica sa
e complet determinata este necesar sa cunoastem si valorile parametrilor de care depinde
(de exemplu media m si dispersia 2 din repartitia normala). Pentru estimarea acestor
parametri avem la dispozitie doua metode.
Metoda verosimilit
atii maxime Fie f (x, 1 , . . . , k ) functia de frecventa (n cazul v.a.
discrete) sau densitatea de probabilitate (n cazul v.a. continue) si x1 , . . . , xn observatiile
n urma selectiei de volum n.
Denitia 153 Functia
def
V (1 , . . . , k ) =
n
i=1
f (xi , 1 , . . . , k ) ,
unde xi sunt variabilele de selectie, se numeste functia de verosimilitate.

Denitia 154 Valorile i = i (x1 , . . . , xn ), i = 1, k asociate lui i pentru care V este
maxim
a se numesc estimatori de maxima verosimilitate.
Remarca 155 Cum V (1 , . . . , k ) > 0 iar maximele functiei V coincid cu maximele
functiei ln V (deoarece ln este crescatoare) metoda va consta n determinarea punctelor de
maxim pentru ln V .
Etapele sunt urmatoarele:
1. calculam V (1 , . . . , k ) si ln V (1 , . . . , k ) cu ajutorul variabilelor de selectie
2. rezolvam sistemul de k ecuatii si k necunoscute
[ln V (1 , . . . , k )] = 0, i = 1, k .
i
(
)
3. pentru solutia 01 , . . . , 0k gasit
a mai sus verificam conditia suficienta de extrem
[
(
)]
d2 ln V 01 , . . . , 0k < 0.
Remarca 156 Cand avem mai multe puncte de maxim se ia cel mai mare dintre maxime.
Remarca 157 Se poate demonstra ca, n conditii destul de generale, estimatorii i sunt
consistenti pentru i , i = 1, k.
Exercitiul 158 f (x) = ex , n = 5 , xi = 6.5, 6.9, ....
61
Metoda momentelor Fie f (x, 1 , . . . , k ) densitatea de probabilitate (sau functia de

frecventa n cazul unei v.a. discrete) pentru caracteristica X relativa la ntreaga populatie
si 1 , . . . , k parametrii necunoscuti. Presupunem ca exista si sunt nite momentele de
ordin 1, 2, . . . , k (notate mr ). Daca avem o selectie x1 , . . . , xn din populatie, din faptul
ca momentele empirice de ordin r (notate mr ) sunt estimatori absoluti corecti pentru
momentele teoretice de ordin r, putem scrie ca
mr (1 , . . . , k ) mr , r = 1, k.
Deoarece momentele teoretice depind de parametrii 1 , . . . , k , se pot gasi estimatori pentru
acestia rezolvand sistemul
mr (1 , . . . , k ) = mr , r = 1, k.
Acesta este un sistem de k ecuatii cu k necunoscute: 1 , . . . , k .
Se arata ca solutia sistemului (1 , . . . , k ) este un estimator consistent pentru (1 , . . . , k ).
a pentru estimarea puncRemarca 159 Si metoda celor mai mici patrate este tot o metod
tuala a parametrilor unei repartitii.
9.1.3
Estim
ari prin intervale de ncredere ale valorilor caracteristice teoretice
A estima prin intervale de ncredere nseamna a determina un interval (si nu o valoare) n

care se gaseste valoarea teoretica exprimata cu o probabilitate data.
Fie valoarea teoretica ce dorim sa o estimam prin aceasta metoda si x1 , . . . , xn
observatiile n urma unei selectii de volum n.
Denitia 160 Intervalul de ncredere (1 , 2 ) unde i = i (x1 , . . . , xn ), i = 1, 2, cu
proprietatea
P (1 < < 2 ) = 1
se numeste interval de ncredere pentru .
Numarul se va numi nivel de ncredere sau siguranta estimatiei. De obicei = 0.95,
0.98, 0.99.
Numarul = 1 se numeste prag de semnicatie.
Interval de ncredere pentru media teoretic
a Fie X o caracteristica considerata
asociata unei populatii si consideram ca X N (m, 2 ). Deci media E (X) = m si
D2 (X) = 2 . Presupunem ca 2 este cunoscut.
Variabila
( )
m
)
X
n(
def X E X
( ) =
X
m
Y =
=
D X
n
va atunci repartizata normal standard Y N (0, 1).
N (m, 2 /n).
Stim ca X
Pentru a determina intervalul de ncredere pentru m punem conditia

)
(
X m
P (|Y | < t) = P < t =
/ n
62
(30)
cu cunoscut, adica vom obtine ca

2 (t) = .
Din tabele vom obtine valoarea t . Deci

Xm

m <
|Y | < t / n < t X
m<
n t < X
t
n
t
n
adica intervalul de ncredere pentru medie este dat de

t < m < X
+ t .
X
n
n
(31)
Din gracul repartitiei normale standard se poate gasi interpretarea lui t . Astfel
t
(xm)2
1
P (|Y | < t ) =
e 22 dx = .
2
t
acest caz m = E (a) = a si a
Remarca 161 Fie a valoarea exacta a unei marimi. In
valoarea aproximativa a acestei marimi (obtinut

a cu ajutorul unui aparat). Faptul ca este
cunoscut reprezinta precizia masur
atorilor (siguranta aparatului). Intervalul de ncredere
pentru a este
a
t < a < a
+ t
n
n
deoarece
a
a
N (0, 1) .
O problema comuna care intervine n practica este aceea de a determina num

arul
minim de observatii necesare pentru a obtine o anumit
a precizie a rezultatelor.
In acest sens utilizam tot relatia (30). Presupunem ca sunt date , siguranta estimatiei, si
(eroarea absoluta). Atunci
|
a a| < .
Deci din
obtinem
|
a a| < t
n
( )2
t n t n
t ,
adica n este primul numar natural care verica inegalitatea de mai sus.
Remarc
) a reprezinta si jumatate din lungimea intervalului de
(am ca eroarea absolut
+ n t .
ncredere a
n t , a
Exemplul 162 Care este numarul de masur
atori necesare pentru a obtine un interval de
n credere de 95% cu o eroare absoluta de 2, stiind ca dispersia empirica modificat
a a fost
obtinut
a si este de 2.6 ?
cazul v.a. normale se stie ca (vezi aplicatiile din Capitolul 8.2.2) valoarea E95 =
In
1.960 (adica acea cantitate pentru care P (|X| < E ) = , unde X N (0, 2 )).
63
Obtinem ca n N trebuie sa verifice

n
)2
t
2.6
1.960
2
)2
= 6.49.
Prin urmare vom lua n = 8 (vom lua de fapt un numar par de masur
atori, iar primul
num
ar par care verifica inegalitatea de mai sus este 8).
Remarca 163 Cazul cand volumul selectiei n > 30, X repartitie oarecare si cunoscut.
Conform teoremei lui Liapunov avem ca
( )
E X
)
X
n(
( ) =
Y =
X m N (0, 1) .
D X
acest caz intervalul de ncredere este dat de relatia (31).
In
Remarca 164 Cazul cand volumul selectiei n > 30, X repartitie oarecare si necunoscut.
Avem ca
2 (S )2
unde
(S )2 =
Relatie (31) devine
t
n
n
S 2.
n1
+
<m<X
S
t
n1
t
n
+
<m<X
S
t.
n1
(32)
Remarca 165 Cazul cand volumul selectiei n 30, X este repartizat

a N (m, 2 ) si
necunoscut.
Reamintim acum Propozitia 136 (leg
atura dintre distributia normala si distributia 2 ):
Propozitia 166 Daca Ai sunt v.a. normale de tip N (0, 2 ) atunci
n
A2i 2 (n, )
i=1
(33)
adic
precum si Propozitia 140 (legatura dintre distributia normala, distributia 2 si distributia
Student):
Propozitia 167 Daca X N (0, 2 ), Y 2 (a, ), atunci distributia
def X
T = S (a) ,
Y
a
adic
a T este distribuita Student de parametru a.
64
Pe de alta parte, aplicand Propozitia 129 si Propozitia 140, deducem ca

(
)
(
)
Xi N m, 2 (Xi m) N 0, 2 ,
iar
(
)
)
(
(
)
2
(
)
(
)2
2
2
m N 0,
m 1,
X N m,
X
X
.
n
n
n
Obtinem, aplicand (27), ca

(
)
(
)
(
)2
(
)2

2
2
X m 1,
n X m 1, n
= 2 (1, ) .
n
n
(34)
Pe de alta parte avem ca

n (
n [
)
(
)]
2=
m 2
nS 2 =
Xi X
(Xi m) X
i=1
i=1
n [
(
) (
)]
2
m + X
m 2
=
(Xi m) 2 (Xi m) X
i=1
n (
n
(
) n
)
m
m 2
(Xi m)2 2 X
(Xi m) +
X
=
i=1
i=1
i=1
)
n
(
) ( n
(
)
2
m
m 2
(Xi m) 2 X
Xi nm + n X
=
i=1
i=1
n
(
)2
(
)
2
m +n X
m 2
=
(Xi m) 2n X
i=1
deci, utilizand (33) si (34),

n
(
)
m 2 2 (n, ) 2 (1, ) = 2 (n 1, ) .
nS 2 =
(Xi m)2 n X
i=1
(35)
Pe de alta parte
(
)
m N
X
(
)
)
(
)
(
2
m N 0, 2 .
0,
n X
n
Vom obtinem, aplicand Propozitia 140, ca variabila

)
(
)
n X m
n(
Y = X m =
t (n 1)
S
nS 2
(36)
n1
este distribuita Student de parametru n 1, notat t (n 1) .

Acum avem din (30) si (36)

)
(
n(
)

P X m < t = P (|Y | < t) =
S
iar acum (spre deosebire de cazurile precedente n care Y N (0, 1)) valoarea
t se va citi din tabelul distributiei Student de parametru n 1 (avand n vedere
c
a acum Y t (n 1)).
Acum, similar, intervalul de ncredere pentru medie este dat de
S
S
+
X
t/2 < m < X
t/2 ,
n
n
unde valoarea t/2 este citita din tabelul distributiei Student de parametru n 1.
65
(37)
Interval de ncredere pentru dispersia teoretic

a Fie X o caracteristica considerata
asociata unei populatii si consideram ca X N (m, 2 ). Deci media E (X) = m si
D2 (X) = 2 . Consideram statistica, sau functia de estimatie,
Y =
nS 2
.
2
Din proprietatea (35) deducem ca nS 2 2 (n 1, ), deci Y va repartizata atunci

Y 2 (n 1, 1) .
Din conditia
)
(
nS 2
2
2
P 1 < 2 < 2 =
(38)
se vor putea determina, utilizand tabelul distributiei 2 , valorile 21 si 22 .

def
Cantitatea = 1 se numeste prag de semnicatie.
Avem evident ca
)
( 2
)
( 2
)
(
nS
nS
nS 2
2
2
2
2
> 1 P
> 2 ,
= P 1 < 2 < 2 = P
2
2
care va reprezenta o ecuatie cu doua necunoscute.
Cantitatea 21 se va determina din relatia
)
( 2
nS
1
2
> 1 = q1 = 1 = 1
P
2
2
2
iar
cantitatea 22 se va determina din relatia
)
( 2
nS
1
2
>
=
q
=
=
.
P
2
2
2
2
2
21
Reamintim ca n tabelul distributiei se pot citi valorile arieie portiunii de grac de la

la , adica

(
)
2
P Y > 1 =
f (x) dx ,
21
unde f (x) reprezinta densitatea de repartitie a unei v.a. Y repartizata 2 (n 1, 1) de

parametrii n 1 si 1.
Acum avand cunoscute valorile 21 si 22 deducem din (38) ca
21 <
nS 2
1
2
1
2
<
<
<
2
2
2
2
nS 2
21
adica obtinem intervalul de ncredere pentru dispersia 2

nS 2
nS 2
2
<
<
22
21
sau
(n 1) (S )2
(n 1) (S )2
2
<
<
,
22
21
66
(39)
n
deoarece (S )2 = n1
S 2.
Pentru abaterea medie p
atratic
a , intervalul de ncredere este dat de
S n
S n
<<
(40)
2
1
S n 1
S n 1
<<
.
2
1
sau
Remarca 168 Formulele (39) si (40) se folosesc n general cand n 30 si X N (m, 2 )

Remarca 169 Cand n > 30 folosim faptul ca
( )
2
(, 1) N , 2 , pentru .
cazul nostru deci, pentru n suficient de mare,
In
(
)
2 (n 1, 1) N n 1, 2 (n 1) .
Atunci
vom putea folosi
(
) functia lui Laplace si deducem, avand n vedere ca
N n 1, 2 (n 1)
nS 2
2
)
(
)
(
(
)
2
2
2
nS
(n
1)
(n
1)
1
2

.
= P 21 < 2 < 22 =
2 (n 1)
2 (n 1)
(
Reamintim ca graficul repartitiei normale N n 1, 2 (n 1) este simetric fat

a de media n 1 deci
21 + 22
= n 1 21 = 2 (n 1) 22
2
si atunci
(
)
22 (n 1)
= 2
.
2 (n 1)
Folosind tabelul functiei lui Laplace vom obtine atunci valoarea 22 .
Interval de ncredere pentru raportul a dou
a dispersii teoretice Luand
n1 S12
n2 S22
X = 2 si Y = 2
1
2
vom obtine ca
X 2 (n1 1, 1) si Y 2 (n2 1, 1) ,
deci X are (n1 1) grade de libertate si Y are (n2 1) grade de libertate.
Dar
ni
S 2 , i = 1, 2,
(Si )2 =
ni 1 i
67
deci
X=
(n1 1) (S1 )2
(n2 1) (S2 )2
2
(n
1,
1)
s
i
Y
=
2 (n2 1, 1) .
1
21
22
Consideram statistica, sau functia de estimatie,

T
X
def n1 1
= Y
n2 1
Reamintim Propozitia 141

Propozitia 170 Daca X 2 (a, 1) si Y 2 (b, 1) atunci v.a.
def
T =
adic
a fractia
X/a
F (a, b) ,
Y /b
X/a
este distribuita Fisher-Snedecor de parametrii a si b.
Y /b
In cazul nostru,
2
T =
deci
X
n1 1
Y
n2 1
X
n1 1
Y
n2 1
(n1 1)(S1 )
(S1 )
(n1 1) 21
21
(n2 1) 22
22
(S1 )2 22
=
2 =
2 =
(n2 1)(S2 )
(S2 )
(S2 )2 21
(S1 )2 22
F (n1 1, n2 1) 2 2 F (n1 1, n2 1) .
(S2 ) 1
Din conditia
P (F1 < T < F2 ) =
se vor putea determina, utilizand tabelul distributiei Fisher-Snedecor F (a, b), valorile F1
si F2 .
def
Cantitatea = 1 se numeste prag de semnicatie.
Avem evident ca
(
)
(
)
(
)
(S1 )2 22
(S1 )2 22
(S1 )2 22
= P F1 < 2 2 < F 2 = P
> F1 P
> F2 ,
(S2 ) 1
(S2 )2 21
(S2 )2 21
care va reprezenta o ecuatie cu doua necunoscute.
Cantitatea F1 se va determina din relatia
(
)
2 2
(S1 ) 2
1
P
> F 1 = q1 = 1 = 1
2 2
2
2
(S2 ) 1
iar
cantitatea F2 se va determina din relatia
(
)
(S1 )2 22
1
P
>
F
=
q
=
=
.
2
2
2
2
2
2
(S2 ) 1
68
Reamintim ca din tabel se pot citi valorile ariei portiunii de grac de la F1 la , adica

P (Y > F1 ) =
f (x) dx ,
F1
unde f (x) reprezinta densitatea de repartitie a unei v.a. Y repartizata F (n1 1, n2 1)

de parametrii n1 1 si n2 1.
Acum avand cunoscute valorile F1 si F2 deducem din (38) ca
(
)
(
)
(S1 )2 22
(S2 )2
22
(S2 )2
= P F1 < 2 2 < F2 = P F1 2 < 2 < F2 2
1
(S2 ) 1
(S1 )
(S1 )
)
(
1 (S1 )2
21
1 (S1 )2
=P
<
<
,
F2 (S2 )2
22
F1 (S2 )2
adica obtinem intervalul de ncredere pentru raportul a dou
a dispersii
1 (S1 )2
21
1 (S1 )2
<
<
F2 (S2 )2
22
F1 (S2 )2
(41)
Pe de alta parte are loc urm

atoarea relatie ntre valori
F1,a,b =
1
F,b,a
De exemplu luam a = 5 si b = 15 si = 0.01. Atunci din tabel putem citi valoarea ariei
corespunzatoare distributiei F (5, 15)
F,5,15 = 4.36
precum si valoarea ariei corespunzatoare distributiei F (15, 5)
F,15,5 = 9.72.
Deci valoarea F1,5,15 este calculata folosind valoarea F,15,5 , conform formulei
F1,5,15 =
1
F,15,5
1
= 0.1029
9.72
Obtinem astfel intervalul de ncredere pentru raportul a dou

a dispersii sub forma
(S1 )2
(S1 )2
21
<
F
<
/2,b,a
F/2,a,b (S2 )2
22
(S2 )2
1
10
Vericarea ipotezelor statistice
69
(42)

Curs Statistica 2011-2012 Sem I

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs Statistica 2011-2012 Sem I

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul I: Camp nit de evenimente

Lect. dr. Lucian Maticiuc

Capitolul I: Camp nit de evenimente

Lect. dr. Lucian Maticiuc

Relatii ntre evenimente si operatii cu evenimente

A r B) evenimentul dat de relatia A r B = A B.

Fie = {E1 , . . . , En } multimea tuturor evenimentelor elementare corespunzatoare unei

Capitolul I: Camp nit de evenimente

Lect. dr. Lucian Maticiuc

deci numarul total de evenimente este 1 + Cn1 + Cnn = (1 + 1)n = 2n .

Capitolul II: Camp nit de probabilitate

Lect. dr. Lucian Maticiuc

Fie E o experienta si A un eveniment legat de E. Repetam experienta de n ori n conditii

(iv) P (ni=1 Ai ) = ni=1 P (Ai ) , unde Ai Aj = , i, j = 1, n, i = j,

Fie E o experienta cu n cazuri posibile (probe ale experientei) si A, B doua evenimente

Capitolul II: Camp nit de probabilitate

Lect. dr. Lucian Maticiuc

Fie E o experienta cu n cazuri posibile si A, B doua evenimente legate de E.

2. Daca A, B {, K} astfel ncat A B, atunci P (A) P (B).

Capitolul II: Camp nit de probabilitate

Lect. dr. Lucian Maticiuc

Capitolul II: Camp nit de probabilitate

Lect. dr. Lucian Maticiuc

Exemplul 21 Presupunem ca masur

Se introduc datele ntr-o histogram

Capitolul III: Probabilitati geometrice

Lect. dr. Lucian Maticiuc

Sa consideram n plan o parte masurabila a lui notata D si n ea o parte D masurabila.

Din calcule obtinem: l = R 3, |P Q| = 2 R2 d2 si deci

Indicatie: distanta d = R2 2 /4 si a b, deci d

Capitolul III: Probabilitati geometrice

Lect. dr. Lucian Maticiuc

Din desenul cu reperul xOy, Aria (D ) = Aria (D) AM N C AP AQ = T 2 (T a)2 ,

Capitolul III: Probabilitati geometrice

Lect. dr. Lucian Maticiuc

Exercitiul 28 (Problema acului lui Buon) Pe un plan este trasat un fascicul de

sin d = cos |0 = 2 probabilitatea este deci

Exercitiul 35 (Tema). Intr-un

Capitolul IV: Formule si scheme probabilistice

Lect. dr. Lucian Maticiuc

Formule si scheme probabilistice

In cele ce urmeaza, e {, K, P} un camp nit de evenimente.

Fie E o experienta cu n cazuri posibile. si A, B evenimente legate de aceasta experienta.

deci au loc formulele

Remarca 38 Formula (3) se poate generaliza la n evenimente.

Capitolul IV: Formule si scheme probabilistice

Lect. dr. Lucian Maticiuc

Pentru demonstratie observam mai ntai ca ni=1 Ai = si deci

Schema lui Poisson

Capitolul IV: Formule si scheme probabilistice

Lect. dr. Lucian Maticiuc

Exercitiul 46 Presupunem ca randamentul unei masini este de 0.8. Intr-un

Capitolul IV: Formule si scheme probabilistice

Lect. dr. Lucian Maticiuc

Capitolul V: Variabile aleatoare discrete

Lect. dr. Lucian Maticiuc

Variabile aleatoare discrete

Variabile aleatoare; denitie si clasicare

O marime legata de o experienta aleatoare E si care ia valori la ntamplare, n functie de

Capitolul V: Variabile aleatoare discrete

Lect. dr. Lucian Maticiuc

Variabile aleatoare discrete cu un num

unde pi [0, 1], i = 1, n, si ni=1 pi = 1.

p1 + + pn1 , xn1 x < xn ,