I - notite de curs

I3: PROBABILITAT
Stefan Balint, Eva Kaslik, Simina Maris

Cuprins
1 Experient
a si evenimente aleatoare

2 Eveniment sigur. Eveniment imposibil

3 Evenimente contrare

4 Evenimente compatibile. Evenimente incompatibile

5 Eveniment implicat de alt eveniment

6 Operatii cu evenimente

7 Spatiul de selectie al unei experiente

8 Frecventa

9 Evenimente egal posibile

10 Probabilitatea unui eveniment

11 Spatiu de selectie finit. Eveniment elementar. Eveniment.

10

12 Definitia axiomatic
a a probabilit
atii

10

13 Evenimente independente si evenimente dependente

14

14 Probabilitate conditionat
a

16

15 Variabile aleatoare discrete unidimensionale

20

16 Functia de repartitie a unei variabile aleatoare discrete unidimensioanle 24

17 Variabile aleatoare discrete bidimensionale
(vectori aleatori)

27

18 Functia de repartitie a vectorului aleator (X, Y )

30

19 Valoare medie. Dispersie.

discrete unidimensionale)

31

Momente.

(pentru variabile aleatoare

20 Covariant
a. Coeficient de corelatie

35

21 Convergenta sirurilor de variabile aleatoare

38

22 Legi ale numerelor mari

39

23 Repartitia binomial
a

41

24 Repartitia Poisson ca aproximatie a repartitiei binomiale

43

25 Repartitia multinominal
a

47

26 Repartitia geometric
a. Repartitia binominal
a negativ
a

48

27 Variabile aleatoare continue

49

28 Functia de repartitie pentru variabile aleatoare continue. Densitatea de

probabilitate
50
29 Valorile medii si dispersia unei variabile aleatoare continue

52

30 Repartitia normal
a

53

Experient
a si evenimente aleatoare

teoria probabilit
Definitia 1.1. In
atilor prin experienta
se ntelege un act care, n
conditii date, poate fi repetat nelimitat.
Definitia 1.2. Acele experimente care n conditii date au un singur rezultat se numesc
deterministe, iar cele care n conditii date pot avea mai multe rezultate se numesc
experiente aleatoare.
Exemplul 1.1. Aruncarea unei monede, aruncarea unui zar, extragerea unei bile dintr-o
urna, tragerea cu arma ntr-o tinta sunt exemple de experiente aleatoare.
In urma aruncarii unei monede se obtine unul din urmatoarele rezultate elementare:
(stema), (valoare).
Daca notam cu (1) aparitia fetei cu un singur punct, cu (2) aparitia fetei cu doua puncte,
etc., atunci n urma experientei care consta n aruncarea unui zar se obtine unul din
urmatoarele rezultate elementare:
(1), (2), (3), (4), (5), (6).
Definitia 1.3. Orice rezultat legat de o experient
a aleatoare, despre care, dupa efectuarea
experientei, putem spune ca s-a produs sau nu, poart
a numele de eveniment aleator
asociat experientei.
Evenimentul (stema), n cazul aruncarii unei monede, poate sa se realizeze sau sa nu
se realizeze, motiv pentru care acest eveniment este numit eveniment aleator spre
deosebire de evenimentul (moneda cade pe pamant) care se realizeaza sigur datorita
gravitatiei.
Un eveniment aleator depinde de actiunea unor factori care nu au fost luati n consideratie
la fixarea conditiilor n care se efectueaza experienta. In experienta aruncarii monedei,
asemenea factori sunt: felul n care miscam mana, particularitatile monedei, pozitia n
care se gaseste moneda n momentul aruncarii.
Referitor la realizarea unui eveniment aleator la efectuarea unei singure experiente
aleatoare nu putem spune nimic, nainte de efectuarea experientei. Nu putem prevedea
daca la o singura aruncare a monedei va aparea fata cu stema. In teoria probabilitatilor
ne vom ocupa de asemenea experiente si evenimente, de evaluarea sansei de realizare a
unui eveniment aleator asociat experientei.

Eveniment sigur. Eveniment imposibil

Fiecarei experiente aleatoare i se pot atasa doua evenimente cu caracter special: evenimentul sigur si evenimentul imposibil.
Definitia 2.1. Evenimentul sigur (notat cu S) este un eveniment care se realizeaz
a
cu certitudine la fiecare efectuare a experientei aleatoare.
3

Exemplul 2.1. (Aparitia unei fete) n cazul aruncarii monedei este un eveniment sigur
al experientei. (Aparitia uneia din fete) n cazul aruncarii zarului este un eveniment sigur
al experientei.
Definitia 2.2. Evenimentul imposibil (notat cu ) este un eveniment care nu se
realizeaz
a niciodat
a la efectuarea experientei aleatoare.
Exemplul 2.2. Aparitia unei bile rosii n cazul experientei care consta n extragerea unei
bile dintr-o urna care contine doar bile albe este un eveniment imposibil.

Evenimente contrare

Notam cu A evenimentul aparitiei uneia din fetele 2, 5 si cu B aparitia uneia din fetele
1, 3, 4, 6 la aruncarea unui zar. Se observa ca daca nu se realizeaza evenimentul A (nu
apare una din fetele 2 sau 5) atunci se realizeaza evenimentul B (obtinem una din fetele
1, 3, 4, 6) si viceversa: daca nu se realizeaza B atunci se realizeaza A.
Definitia 3.1. Contrarul unui eveniment A asociat experientei este un eveniment
B asociat aceleasi experiente care are proprietatea ca, la orice repetare a experientei
aleatoare, daca se realizeaz
a A atunci nu se realizeaz
a B si daca nu se realizeaz
a A atunci
se realizeaz
a B.
Daca B este contrariul lui A atunci A este contrariul lui B.
Evenimentul contrar unui eveniment A (asociat experientei) l vom nota cu A sau {A.

Evenimente compatibile. Evenimente incompatibile

Fie A si B doua evenimente asociate unei experiente aleatoare.

Definitia 4.1. Evenimentele A si B sunt compatibile daca se pot realiza simultan n
cazul efectu
arii experientei aleatoare.
Exemplul 4.1. In experienta aleatoare de aruncare a zarului, evenimentul A, care consta
n aparitia uneia din fetele cu un numar par si evenimentul B, care consta n aparitia uneia
din fetele 2 sau 6 sunt compatibile, deoarece daca rezultatul experientei este aparitia fetei
2 atunci se realizeaza atat evenimentul A cat si evenimentul B.
Definitia 4.2. Evenimentele A si C asociate unei experiente aleatoare sunt incompatibile daca aceste evenimente nu se pot realiza simultan n cazul efectu
arii experiente.
Exemplul 4.2. In experienta aleatoare de aruncare a zarului, evenimentul A, care consta
n aparitia uneia din fetele cu un numar par si evenimentul C, care consta n aparitia uneia
din fetele cu un numar impar sunt incompatibile. Aceste evenimente nu se pot realiza
simultan. Se remarca n plus ca evenimentele A si C sunt contrare.
4

Exemplul 4.3. In experienta aleatoare de aruncare a zarului, evenimentul A, care consta

n aparitia uneia din fetele cu un numar par si evenimentul D, care consta n aparitia fetei
5 sunt incompatibile. Aceste evenimente nu sunt nsa contrare, deoarece nerealizarea
evenimentului A ntr-o experienta nu nseamna realizarea evenimentului D.
Definitia 4.3. Vom spune ca evenimentele A1 , A2 , ..., An asociate unei experiente
aleatoare sunt compatibile dac
a aceste evenimente se pot realiza simultan n cazul
efectu
arii experientei.
Exemplul 4.4. In experienta aleatoare de aruncare a zarului, evenimentele:
A1 care consta n aparitia uneia din fetele 2, 4
A2 care consta n aparitia uneia din fetele 2, 6
A3 care consta n aparitia uneia din fetele 2, 4, 6
sunt compatibile: realizarea fetei 2 nseamna realizarea tuturor acestor evenimente.

Eveniment implicat de alt eveniment

Fie A si B doua evenimente asociate unei experiente aleatoare.

Definitia 5.1. Vom spune ca evenimentul A implic
a evenimentul B (sau evenimentul B este implicat de evenimentul A) daca o data cu realizarea evenimentului
A se realizeaz
a si evenimentul B.
Exemplul 5.1. In experienta aleatoare de aruncare a zarului, evenimentul A, care consta
n aparitia uneia din fetele 1 sau 3 implica evenimentul B, care consta n aparitia uneia
din fetele 1, 2, 3 sau 5.
Orice eveniment asociat unei experiente aleatoare implica evenimentul sigur asociat
experientei.

Operatii cu evenimente

Atunci cand n cadrul unei experiente urmarim realizarea unui eveniment, urmarim de
fapt realizarea unei parti a multimii rezultatelor elementare ale experientei.
Exemplul 6.1. La aruncarea zarului, daca urmarim realizarea evenimentului A, constand
n aparitia uneia din fetele 1 sau 3, urmarim de fapt daca obtinem sau nu rezultatul (1)
sau (3) din multimea de rezultate elementare (1), (2), (3), (4), (5), (6). Evenimentul A
este perfect determinat de multimea formata din aceste doua rezultate elementare si l
putem identifica cu aceasta: A = {1, 3}.
Exemplul 6.2. La aruncarea a doua zaruri, daca ne intereseaza obtinerea sumei 7,
urmarim daca apare sau nu unul din rezultatele:
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)
5

si evenimentul A l vom considera ca fiind multimea ale carei elemente sunt perechile de
numere:
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}.
Evenimentul imposibil, care nu se realieaza niciodata la efectuarea experientei, este
multimea vida, . Evenimentul sigur este reprezentat de multimea tuturor evenimentelor
elementare.
Intr-o asemenea viziune daca A este multimea rezultatelor elementare care reprezinta
un eveniment atunci multimea {A (complementara lui A) este multimea rezultatelor
elementare care reprezinta evenimentul contrar.
Am vazut ca evenimentul A0 implica evenimentul B 0 , nseamna ca ori de cate ori se
realizeaza A0 se realizeaza si B 0 ; rezulta ca multimea A a rezultatelor elementare care
reprezinta evenimentul A0 este inclusa n multimea B a rezultatelor elementare care
reprezinta evenimentul B 0 , adica
A B.
Multimile care reprezinta doua evenimente incompatibile sunt disjuncte.
Definitia 6.1. Fiind date doua evenimente A0 si B 0 asociate unei experiente aleatoare,
numim reuniunea lor si o notam cu A0 B 0 , evenimentul care se realizeaz
a daca cel
0
0
putin unul din evenimentele A sau B se realizeaz
a.
Rezulta ca daca A este multimea rezultatelor elementare care reprezinta evenimentul A0 si
B este multimea rezultatelor elementare care reprezinta evenimentul B 0 atunci multimea
A B reprezinta evenimentul A0 B 0 .
Exemplul 6.3. In cazul experientei de aruncare a zarului, sa consideram evenimentele
reprezentate prin urmatoarele multimi:
A = {1, 2, 5}, B = {3, 4, 5}.
Evenimentul A0 se realizeaza daca se obtine unul din rezultatele {1}, {2} sau {5}, iar B 0
se realizeaza daca se obtine unul din rezultatele {3} sau {4} sau {5}. Pentru a realiza cel
putin unul din evenimentele A0 sau B 0 trebuie sa obtinem unul din rezultatele {1}, {2},
{3}, {4}, {5} si deci evenimentele A0 B 0 este reprezentat de multimea:
A B = {1, 2, 3, 4, 5}.
Definitia 6.2. Intersectia evenimentelor A0 si B 0 asociate unei experiente aleatoare,
notata cu A0 B 0 , este evenimentul care se realizeaz
a daca se realizeaz
a ambele evenimente.
Rezulta ca daca A, respectiv B sunt multimile care reprezinta evenimentele A0 , respectiv
B 0 , atunci multimea A B reprezinta evenimentul A0 B 0 .
Exemplul 6.4. In conditiile din exemplul precedent A B = {5}.

Spatiul de selectie al unei experiente

Pentru a introduce notiunea de spatiu de selectie al unei experiente, sa consideram

urmatorul exemplu:
Exemplul 7.1. Experienta consta din aruncarea a doua monede. Modurile n care pot
aparea cele doua fete pe fiecare moneda, n urma acestei experiente, constituie multimea:
{(B, B), (B, S), (S, B), (S, S)} = A1 .
Prima litera corespunde fetei care apare la prima moneda, iar a doua litera la cea de-a
doua moneda; (S, S) nseamna ca pe ambele monede a aparut stema.
Daca un rezultat elementar este un mod de aparitie a celor doua fete pe fiecare moneda
atunci orice rezultat elementar al experientei este un element al multimii A1 .
Daca un rezultat elementar al experientei nseamna de cate ori a aparut banul si de cate
ori a aparut stema atunci multimea rezultatelor elementare ale experientei este:
{(2, 0), (1, 1), (0, 2)} = A2 .
In acest caz prima cifra arata de cate ori apare banul iar a doua de cate ori apare stema.
Si n acest caz fiecare rezultat elementar al experientei este un element al multimii A2 .
Daca un rezultat elementar al experientei nseamna ca cele doua simboluri (banul si stema)
sunt aceleasi sau diferite pe cele doua monede, atunci multimea rezultatelor elementare
ale experientei este:
{aceleasi, diferite} = A3 .
Si aici fiecare rezultat elementar al experientei este un element al multimii A3 .
Fiecare din multimile A1 , A2 , A3 este un set de rezultate elementare ale acestei experiente.
In fiecare caz n parte conceptul de rezultat elementar al experientei este specific (nseamna
altceva) iar multimile A1 , A2 , A3 se numesc spatii de selectie.
Spatiul de selectie A1 ofera mai multe informatii decat spatiile A2 si A3 . Daca cunoastem
ce rezultat al spatiului A1 s-a realizat putem indica ce rezultat al spatiului A2 sau A3 s-a
realizat.
Definitia 7.1. Un spatiu de selectie al unei experiente este o multime de rezultate
elementare cu proprietatea ca orice rezultat elementar al experientei apartine multimii.

Frecventa

Consideram o experienta aleatoare si un eveniment A asociat acestei experiente. Repetam

experienta de n ori (n conditii date) si notam cu numarul de realizari ale evenimentului
A. Numarul de realizari ale evenimentului A va fi n .

a a evenimentului A.
Definitia 8.1. Numarul fn (A) = se numeste frecventa relativ
n
7

Numarul , numit frecventa absolut

a a evenimentului A, poate varia de la 0 la n; = 0
daca n n repetari ale experientei evenimentul A nu se realizeaza niciodata; = n daca
evenimentul A se realizeaza n toate cele n repetari ale experientei. Prin urmare
0n

si

0 fn (A) 1,

n N?

Propozitia 8.1 (Poprietatile frecventei relative).

1. fn (S) = 1, unde S este evenimentul sigur;
2. Daca A B = atunci fn (A B) = fn (A) + fn (B).

Evenimente egal posibile

Exemplul 9.1. Consideram experienta care consta n aruncarea unei monede. Dupa
efectuarea acestei experiente poate sa apara fie fata cu banul, fie fata cu stema si nu se
poate sti dinainte care va fi rezultatul. Daca nu exista nici un motiv sa presupunem ca
realizarea unuia din evenimente este favorizata, spunem ca evenimentele sunt egal posibile.
Exemplul 9.2. Cand se arunca un zar, poate sa apara oricare din cele sase fete ale
zarului. Daca nu exista nici un motiv sa presupunem ca aparitia unei fete este favorizata,
spunem ca cele sase evenimente (1), (2), (3), (4), (5), (6) sunt egal posibile. In cadrul
acestei experiente, evenimentele A = {1, 2} si B = {3, 4} sunt si ele egal posibile, iar
evenimentele C = {1, 2, 3} si D = {3} nu sunt egal posibile.
Definitia 9.1. Fie A si B doua evenimente asociate unei experiente aleatoare. Daca
nu exista nici un motiv sa presupunem ca realizarea unuia este favorizata prin raport cu
cel
alalt atunci spunem ca cele doua evenimente sunt egal posibile.
Daca o experienta aleatoare se repeta de multe ori evenimentele elementare egal posibile
au aceeasi frecventa.

10

Probabilitatea unui eveniment

Exemplul 10.1. Consideram experienta care consta din aruncarea unei monede si spatiul
de selectie asociat A format din cele doua rezultate elementare posibile ale acestei
experiente:
B=fata cu banul
S=fata cu stema
A = {B, S}.
Pentru ca cele doua evenimente B si S sunt egal posibile, este natural sa evaluam (sa
masuram) sansa producerii fiecaruia cu frecventa relativa. Intrucat 2 = n rezulta
1
1

= . Rezulta astfel ca sansa producerii fiecarui eveniment este = inversul numarului

n
2
2
de evenimente posibile din A.
8

Exemplul 10.2. Consideram experienta care consta din aruncarea zarului si spatiul de
selectie asociat A = {(1), (2), (3), (4), (5), (6)}. Pentru ca cele sase evenimente sunt egal
posibile, este natural sa evaluam (masuram) sansa fiecaruia de a se produce cu frecventa

1
relativa. Intrucat 6 = n rezulta
= . Rezulta astfel ca sansa producerii fiecarui
n
6
1
eveniment este = inversul numarului de evenimente posibile din A.
6
Exemplul 10.3. Consideram experienta care consta din aruncarea a doua monede si
spatiul de selectie asociat A = {(B, B), (B, S), (S, B), (S, S)}. Pentru ca cele patru
evenimente sunt egal posibile, evaluam (masuram) sansa fiecaruia de a se produce

1
frecventa relativa. Intrucat 4 = n rezulta
= . Rezulta astfel ca sansa producerii
n
4
1
fiecarui eveniment este = inversul numarului de evenimente posibile din A.
4
Exemplul 10.4. In cazul aruncarii a doua monede si a spatiului de selectie asociat
A = {(acelasi simbol), (simboluri diferite)}, evenimentele fiind egal posibile, evaluam

1
sansa fiecaruia frecventa relativa. Intrucat 2 = n rezulta
= . Rezulta astfel ca
n
2
1
sansa producerii fiecarui eveniment este = inversul numarului de evenimente posibile
2
din A.
Definitia 10.1. Dac
a evenimentele din spatiul de selectie A asociat unei experiente sunt
egal posibile, vom spune ca sunt egal probabile si probabilitatea fiec
aruia este egal
a
cu inversul num
arului de evenimente din spatiul de selectie.
In continuare vom extinde definitia probabilitatii unui eveniment din spatiul de selectie
la evenimente care nu mai sunt elemente ale spatiului de selectie A asociat experientei,
ci sunt parti ale lui A, adica apartin la P(A) (multimea partilor lui A). Incepem cu un
exemplu.
Exemplul 10.5. Consideram experienta de aruncare a zarului si spatiul de selectie asociat
A = {(1), (2), (3), (4), (5), (6)}. Evenimentul A = {apare o fata avand un numar par scris
pe ea} este de fapt A = {(2), (4), (6)}. Realizarea oricaruia dintre evenimentele (2),
(4), (6), este favorabila pentru realizarea evenimentului A. De aceea evaluam sansa de
realizare a evenimentului A (probabilitatea evenimentului A) cu de 3 ori sansa de realizare
3
1
a unui eveniment elementar favorabil pentru realizarea lui A. Raportul = reprezinta
6
2
sansa (probabilitatea) de realizare a evenimentului A si se obtine mpartind numarul
evenimentelor din A favorabile realizarii lui A la numarul tuturor evenimentelor din A.
Definitia 10.2. Dac
a spatiul de selectie A asociat unei experiente are n evenimente egal
probabile si A este un eveniment din P(A), atunci probabilitatea evenimentului A
este raportul dintre numarul de evenimente egal probabile ce definesc pe A si numarul
total de evenimente elementare egal probabile din A.
Din aceasta definitie rezulta ca daca A = atunci P (A) = 0 si daca A = A atunci
P (A) = 1. In general P (A) [0, 1].

T
inand seama de definitia evenimentului contrar (complementar), rezulta ca daca A are
n elemente si A are m n elemente atunci A are n m elemente si avem:
= n m = 1 m = 1 P (A).
P (A)
n
n

11

Spatiu de selectie finit.

Eveniment.

Eveniment elementar.

Definitia 11.1. Spatiul de selectie finit asociat unei experiente aleatoare este o
multime finita S = {e1 , e2 , ..., en } de elemente abstracte.
Definitia 11.2. P
artile multimii S se numesc evenimente aleatoare. Un eveniment
se numeste elementar dac
a consta dintr-un singur punct al lui S. Partea vida a lui S,
, se numeste eveniment imposibil, iar S se numeste eveniment sigur.
Exemplul 11.1. Printre cadrele didactice se face o ancheta privind desfasurarea procesului de nvatamant. Fiecare persoana trebuie sa raspunda la doua ntrebari:
1. Este necesara modernizarea scolii la care lucreaza?
2. Este necesar ca scoala la care lucreaza sa aiba o sala de sport?
Raspunsul dat de o persoana intervievata poate fi: e1 = (DA, DA), e2 = (DA, NU),
e3 = (NU, DA), e4 = (NU, NU). Multimea
S = {e1 , e2 , e3 , e4 }
constituie un spatiu de selectie posibil asociat acestei experiente (ancheta) pentru o
singura persoana. Submultimile acestui spatiu sunt:
P(S) = {, {e1 }, {e2 }, {e3 }, {e4 }, {e1 , e2 }, {e1 , e3 }, {e1 , e4 }, {e2 , e3 }, {e2 , e4 }, {e3 , e4 },
{e1 , e2 , e3 }, {e1 , e2 , e4 }, {e2 , e3 , e4 }, {e1 , e2 , e3 , e4 }}.
Fiecare dintre aceste submultimi este un eveniment. Submultimile E1 = {e1 }, E2 = {e2 },
E3 = {e3 }, E4 = {e4 } contin un singur punct si sunt evenimente elementare. Orice
eveniment diferit de evenimentul imposibil este o reuniune de evenimente elementare.

12

Definitia axiomatic
a a probabilit
atii

Definitia 12.1. Numim probabilitate pe spatiul de selectie S = {e1 , e2 , ..., en } o

functie P care asociaz
a fiec
arui eveniment A P(S) un numar P (A), numit probabilitatea
lui A, astfel nc
at sa fie satisfacute urmatoarele conditii (numite axiome):
i) P (A) 0, A P(S);
ii) P (S) = 1;
10

iii) A B = P (A B) = P (A) + P (B), A, B P(S).

Definitia 12.2. Functia P : P(S) R1+ este numita m
asur
a de probabilitate.
a P (perechea (S, P ))
Definitia 12.3. Spatiul de selectie S nzestrat cu masura probabilist
este numit spatiu de probabilitate.
Propozitia 12.1. Fie A P(S). Daca A = atunci P (A) = 0, iar daca A = {e1 , e2 , ..., ek }
k
X
atunci P (A) =
P ({ei }).
i=1

Demonstratie. Deoarece P ( S) = P () + P (S) si P ( S) = P (S), rezulta ca

P () + P (S) = P (S) si deci P () = 0.
A = {e1 , e2 , ..., ek } deci A = {e1 , e2 , ..., ek1 } {ek }, iar P (A) = P ({e1 , e2 , ..., ek1 }) +
P ({ek }). Prin urmare avem:
P ({e1 , e2 , ..., ek }) =
P ({e1 , e2 , ..., ek1 }) =

P ({e1 , e2 }) =

P ({e1 , e2 , ..., ek1 }) + P ({ek })

P ({e1 , e2 , ..., ek2 }) + P ({ek1 })

P ({e1 }) + P ({e2 })

De aici se obtine egalitatea

P ({e1 , e2 , ..., ek }) =

k
X

P ({ei }).

i=1

Consecinta 12.1. Daca cele n evenimente elementare e1 , e2 , ..., en din spatiul de selectie
S au aceeasi probabilitate (sunt egal probabile), P ({ei }) = P ({ej }), i, j = 1, n, atunci
1
P ({ei }) = , i = 1, n.
n
Remarca 12.1. In multe aplicatii, evenimentele elementare din spatiul de selectie S
au probabilitati diferite. Astfel, n Exemplul 11.1, este foarte posibil ca numarul acelor
intervievati care dau raspunsul ei sa fie diferit de numarul celor care dau raspunsul ej .
Sa presupunem ca 60% din cei intervievati dau raspunsul e1 , 20% din cei intervievati
dau raspunsul e2 , 15% din cei intervievati dau raspunsul e3 si 5% din cei intervievati dau
raspunsul e4 . Este firesc ca n asemenea conditii sa atribuim urmatoarele probabilitati
evenimentelor elementare:
P ({e1 }) = 0.6 P ({e2 }) = 0.2 P ({e3 }) = 0.15 P ({e4 }) = 0.05.
Propozitia 12.2. Pentru orice A P(S) are loc
P ({A) = 1 P (A).
Demonstratie. Deoarece A {A = si A {A = S, avem P (A) + P ({A) = P (S) = 1,
adica P ({A) = 1 P (A).
11

Propozitia 12.3. Daca A, B P(S) si A B atunci P (A) P (B).

Demonstratie. A B, deci B = A (B {A). Intrucat A (B {A) = , rezulta
ca P (B) = P (A) + P (B {A) si deoarece P (B {A) 0, rezulta mai departe
P (B) P (A).
Propozitia 12.4. Daca A1 , A2 , ..., An P(S) si Ai Aj = , i 6= j, atunci
n
!
n
X
[
P (Ai ).
P
Ai =
i=1

i=1

Demonstratie. Pentru n = 2 egalitatea P (A1 A2 ) = P (A1 ) + P (A2 ) este adevarata

datorita axiomei iii).
Pentru n = 3 avem (A1 A2 ) A3 = , deci
P ((A1 A2 ) A3 ) = P (A1 A2 ) + P (A3 ) = P (A1 ) + P (A2 ) + P (A3 ).
Sepresupune
acum ca pentru A1 , A2 , .., An cu Ai Aj = , i =
6
j are loc
!
n
n
[
X
P
Ai =
P (Ai ) si se considera A1 , A2 , .., An , An+1 cu Ai Aj = , i 6= j,
i=1

i=1

i, j = 1, n + 1. Atunci
n+1 !
n
!
n
!
[
[
[
P
Ai
= P
Ai An+1 = P
Ai + P (An+1 ) =
i=1

i=1

n
X

i=1

P (Ai ) + P (An+1 ) =

i=1

n+1
X

P (Ai )

i=1

Propozitia 12.5. Oricare ar fi A, B P(S) are loc egalitatea:

P (A B) = P (A) + P (B) P (A B).
Demonstratie. Se considera C = A {B, D = B {A si se remarca faptul ca avem
A B = C (A B) D
de unde
P (A B) = P (C) + P (A B) + P (D).
T
inem seama acum de egalitatile
P (A) = P (A B) + P (A {B) = P (A B) + P (C)
si
P (B) = P (A B) + P (B {A) = P (A B) + P (D)
12

si obtinem:
P (A B) = P (A) P (A B) + P (A B) + P (B) P (A B) =
= P (A) + P (B) P (A B).

Propozitia 12.6. Oricare ar fi A1 , A2 , .., An P(S) avem:

n
!
n
[
X
P
Ai
P (Ai ) , n N.
i=1

i=1

Demonstratie. Pentru n = 2 avem

P (A1 A2 ) = P (A1 ) + P (A2 ) P (A1 A2 ) P (A1 ) + P (A2 )
ntrucat P (A1 A2 ) 0.
Presupunem ca pentru A1 , A2 , .., An avem
n
!
n
[
X
P
Ai
P (Ai )
i=1

si vrem sa aratam ca:

P

n+1
[

i=1

!
Ai

i=1

n+1
X

P (Ai )

i=1

Avem:
P

n+1
[

!
Ai

i=1

n
[

!
Ai

+ P (An+1 )

i=1

n
X

P (Ai ) + P (An+1 ) =

i=1

n+1
X

P (Ai ).

i=1

Propozitia 12.7. Oricare ar fi A1 , A2 , .., An P(S) avem:

!
n
n
X
\
P ({Ai ) , n N.
Ai 1
P
i=1

i=1

Demonstratie.
n
!
n
!
n
!
n
\
\
[
X
P
Ai = 1 P { Ai = 1 P
{Ai 1
P ({Ai ).
i=1

i=1

i=1

i=1

Exemplul 12.1. Daca probabilitatile asociate evenimentelor elementare sunt cele din
Remarca 12.1, sa se calculeze probabilitatea ca alegand la ntamplare un cadru didactic
acesta sa fie pentru:
13

i) modernizarea scolii;
ii) necesitatea unei sali de sport;
iii) modernizarea scolii sau necesitatea unei sali de sport.
Solutie: i) Alegerea unui cadru didactic care este pentru modernizarea scolii nseamna
realizarea evenimentului {e1 , e2 } si are probabilitatea P ({e1 , e2 }) = 0.6 + 0.2 = 0.8.
ii) Alegerea unui cadru didactic care este pentru necesitatea unei sali de sport nseamna
realizarea evenimentului {e1 , e3 } si are probabilitatea P ({e1 , e3 }) = 0.6 + 0.15 = 0.75.
iii) Alegerea unui cadru didactic care este pentru modernizarea scolii sau pentru necesitatea unei sali de sport nseamna realizarea evenimentului {e1 , e2 , e3 } si are probabilitatea
P ({e1 , e2 , e3 }) = 0.6 + 0.2 + 0.15 = 0.95.

13

Evenimente independente si evenimente dependente

Definitia 13.1. Evenimentele A si B din P(S) sunt independente dac

a
P (A B) = P (A) P (B).
ati
Teorema 13.1. Daca A, B P(S) sunt evenimente independente avand probabilit
nenule, atunci A B este o multime care contine cel putin un punct ei din spatiul de
selectie S. Adic
a evenimentele A si B sunt compatibile.
Demonstratie. Aratam ca A B 6= . Daca prin absurd A B = atunci P (A B) = 0
si din P (A B) = P (A) P (B) rezulta P (A) P (B) = 0. Rezulta de aici P (A) = 0 sau
P (B) = 0. Aceasta contravine ipotezei din teorema. Urmeaza ca A B 6= .
Definitia 13.2. Vom spune ca evenimentele A1 , A2 , ..., An sunt independente n totalitatea lor, sau independente, daca pentru orice 1 i1 < i2 < ... < is n, avem:
P (Ai1 Ai2 ... Ais ) = P (Ai1 ) P (Ai2 ) ... P (Ais ).
Definitia 13.3. Vom spune ca evenimentele A1 , A2 , ..., An P(S) sunt independente
c
ate k, k n, daca evenimentele din orice familie de k evenimente sunt independente
n sensul Definitiei 13.2.
Remarca 13.1. Pentru ca evenimentele A1 , A2 , ..., An sa fie independente, trebuie satisfacute
Cn2 + Cn3 + ... + Cnn = 2n n 1
relatii.
Pentru ca evenimentele A1 , A2 , A3 sa fie independente, trebuie sa avem:
P (A1 A2 ) = P (A1 ) P (A2 )
P (A1 A3 ) = P (A1 ) P (A3 )
P (A2 A3 ) = P (A2 ) P (A3 )
P (A1 A2 A3 ) = P (A1 ) P (A2 ) P (A3 )
14

Teorema 13.2. Dac

a A si B sunt doua evenimente independente, atunci evenimentele
A si {B; {A si B; {A si {B sunt de asemenea independente.
Demonstratie. Prin ipoteza P (A B) = P (A) P (B). Vrem sa deducem de aici
urmatoarele egalitati: P (A {B) = P (A) P ({B); P ({A B) = P ({A) P (B);
P ({A {B) = P ({A) P ({B).
Pentru a obtine egalitatea P (A {B) = P (A) P ({B) scriem A = (A B) (A {B).
De aici rezulta:
P (A) = P (A B) + P (A {B) = P (A) P (B) + P (A {B)
sau:
P (A) [1 P (B)] = P (A {B).
Intrucat 1 P (B) = P ({B), se obtine ca P (A) P ({B) = P (A {B).
Celelalte egalitati rezulta analog.
Definitia 13.4. Spunem ca evenimentele B1 , B2 , ..., Bk P(S) realizeaz
a o partitie a
spatiului de selectie S dac
a sunt ndeplinite urmatoarele conditii:
i) Bi Bj = pentru i 6= j;
ii)

k
[

Bi = S;

i=1

iii) P (Bi ) > 0, i = 1, 2, ..., k.

Definitia 13.5. Fie A1 , A2 , ..., An , B1 , B2 , ..., Bk dou
a partitii ale spatiului de selectie S.
Spunem ca aceste partitii sunt independente dac
a
P (Ai Bj ) = P (Ai ) P (Bj )
pentru orice i, j, i = 1, 2, ..., n, j = 1, 2, ..., k.
Exemplul 13.1. Daca A este un eveniment al spatiului de selectie S, atunci A si S sunt
independente.
Solutie: A = AS, de unde rezulta P (A) = P (AS) = P (A)P (S), deoarece P (S) = 1.
Exemplul 13.2. Se arunca doua monede. Evenimentele A =stema pe prima moneda
si B =valoarea pe a doua moneda sunt independente.
Solutie: Un spatiu de selectie S al acestei experiente este
S = {e1 = (s, s), e2 = (s, v), e3 = (v, s), e4 = (v, v)}.
Evenimentele A si B sunt
A = {e1 , e2 },

B = {e2 , e4 }.

1
Evenimentele e1 , e2 , e3 , e4 sunt egal probabile si P (ei ) = , i = 1, 2, 3, 4. Rezulta
4
1
1
P (A) = , P (B) = . Evenimentul A B este A B = {e2 } si are probabilitatea
2
2
1
P (A B) = . Rezulta P (A B) = P (A) P (B).
4
15

Exemplul 13.3. In cazul aruncarii a doua monede se considera evenimentele: A1 =stema

pe prima moneda, A2 =valoarea pe a doua moneda, A3 =apare si stema si valoarea.
Evenimentele A1 , A2 , A3 nu sunt independente cate 3.
Solutie: Un spatiu de selectie asociat acestei experiente este
S = {e1 = (s, s), e2 = (s, v), e3 = (v, s), e4 = (v, v)}.
Evenimentele A1 , A2 , A3 sunt
A1 = {e1 , e2 },

A2 = {e2 , e4 },

A3 = {e2 , e3 }.

Avem:
1
= P (A1 ) P (A2 )
4
1
A1 A3 = {e2 } P (A1 A3 ) = = P (A1 ) P (A3 )
4
1
A2 A3 = {e2 } P (A2 A3 ) = = P (A2 ) P (A3 )
4
1
1
A1 A2 A3 = {e2 } P (A1 A2 A3 ) = 6= = P (A1 ) P (A2 ) P (A3 ).
4
8
A1 A2 = {e2 } P (A1 A2 ) =

Exemplul 13.4. In cazul aruncarii a doua monede se considera evenimentele:

A1 =stema pe prima moneda;
A2 =valoare pe prima moneda;
A3 =stema pe a doua moneda;
A4 =valoare pe a doua moneda.
Evenimentele A1 , A2 , A3 , A4 nu sunt independente n totalitate.
Exemplul 13.5. Daca S = {e1 , e2 , e3 , e4 } este spatiul de selectie asociat experientei din
Exemplul 13.2, atunci evenimentele {e1 }, {e2 }, {e3 }, {e4 } realizeaza o partitie a spatiului
de selectie S.
Exemplul 13.6. Doua partitii independente sunt urmatoarele partitii: {{e1 }, {e2 }} si
{{e3 }, {e4 }}.

14

Probabilitate conditionat
a

Vom introduce notiunea de probabilitate conditionata pornind de la exemplul urmator.

Exemplul 14.1. Consideram experienta care consta n aruncarea a doua zaruri. Notam
cu a numarul care apare pe primul zar si cu b numarul care apare pe al doilea zar. Ne
ntrebam care este probabilitatea ca b = 3, stiind ca a + b > 8?

16

Solutie: Spatiul de selectie asociat

urmatorul tabel:
(1, 1) (1, 2)
(2, 1) (2, 2)
(3, 1) (3, 2)
(4, 1) (4, 2)
(5, 1) (5, 2)
(6, 1) (6, 2)

acestei experiente este multimea S de perechi din

(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)

(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)

(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)

(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)

1
, pentru orice
36
i = 1, 6, j = 1, 6. Dintre cele 36 evenimente elementare din spatiul de selectie S, doar n
cazul evenimentelor (6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6) se
realizeaza conditia a+b > 8. Consideram multimea S 0 formata doar din aceste evenimente:
Toate aceste evenimente sunt egal probabile si prin urmare P ((i, j)) =

S 0 = {(6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6)}.
Multimea S 0 este un spatiu de selectie mai restrans asociat aceleiasi experiente. Aici au
fost luate n considerare doar acele evenimente elementare pentru care a + b > 8. Cele 10
elemente din S 0 sunt egal probabile si de aceea probabilitatea fiecarui eveniment din S 0
1
este
.
10
Exista un singur eveniment n S 0 pentru care b = 3: (6, 3). De aceea n spatiul de
1
selectie redus, probabilitatea evenimentului b = 3 este
. Acest rezultat va fi numit
10
probabilitatea evenimentului b = 3 conditionat de a + b > 8.
Putem judeca nsa si n felul urmator: determinam la nceput n spatiul de selectie S
10
probabilitatea ca evenimentul A =a + b > 8 sa se produca. Aceasta este P (A) =
.
36
Apoi determinam tot n S probabilitatea ca evenimentul B =b = 3 sa se produca.
6
Aceasta este P (B) = . Probabilitatea n S de producere a ambelor evenimente A si B
36
1
este P (A B) = P ((6, 3)) = .
36
Daca notam cu P (B|A) probabilitatea evenimentului B n conditia n care A s-a produs,
atunci avem:
1
10
1
P (B|A) = , P (A) = , P (A B) = ,
10
36
36
de unde
P (B A)
P (A B)
P (B|A) =
=
.
P (A)
P (A)
Definitia 14.1. Probabilitatea evenimentului A conditionat
a de B se noteaz
a
P (A|B) sau PB (A) si este definita prin
P (A|B) =

P (A B)
P (B)

daca P (B) 6= 0.

Spatiul de selectie micsorat este B (evenimentul de conditionare).

17

Remarca 14.1. Probabilitatea introdusa axiomatic prin Definitia 12.1 este si ea una
conditionata de evenimentul sigur, care este un spatiu de selectie S, cu P (S) = 1.
Propozitia 14.1. Pentru B P(S) fixat, cu P (B) 6= 0, oricare ar fi A1 , A2 din P(S),
avem:
A1) 0 P (A1 |B) 1;
A2) P (S|B) = 1;
A3) A1 , A2 - incompatibile P ((A1 A2 )|B) = P (A1 |B) + P (A2 |B).
Demonstratie. Din P (A1 |B) =

P (A1 B)
rezulta P (A1 |B) 0 si din P (A1 B) P (B)
P (B)

rezulta P (A1 B) 1.
P (S|B) =

P (S B)
P (B)
=
= 1.
P (B)
P (B)

P ((A1 A2 )B) P (A1 B) P (A2 B)

=
+
= P (A1 |B)+P (A2 |B).
P (B)
P (B)
P (B)
Teorema 14.1. Dac
a A si B sunt evenimente independente avand probabilit
atile nenule,
atunci:
P (A|B) = P (A) si P (B|A) = P (B).
P ((A1 A2 )|B) =

Demonstratie. Deoarece A si B sunt independente si A B = B A, avem

P (A B) = P (B A) = P (A) P (B).
Rezulta:

P (A B)
P (A) P (B)
=
= P (A)
P (B)
P (B)
P (B A)
P (B) P (A)
P (B|A) =
=
= P (B).
P (A)
P (A)
P (A|B) =

Teorema 14.2. Daca A1 , A2 , ..., An sunt evenimente astfel nc

at P (A1 A2 ... An ) 6= 0
(ele se pot realiza simultan), atunci
P (A1 A2 ... An ) = P (A1 ) P (A2 |A1 ) P (A3 |(A1 A2 )) ... P (An |(A1 ... An1 )).
Demonstratie.
P (A1 ) P (A2 |A1 ) P (A3 |(A1 A2 )) ... P (An |(A1 ... An1 )) =
P (A1 A2 )
= P (A1 )
P (A3 |(A1 A2 )) ... P (An |(A1 ... An1 )) =
P (A1 )
P (A1 A2 A3 )
= P (A1 A2 )
... P (An |(A1 ... An1 )) =
P (A1 A2 )
... ... ...
P (A1 ... An1 An )
= P (A1 ... An1 )
= P (A1 ... An ).
P (A1 ... An1 )

18

Consecinta 14.1. Daca A1 , A2 , ..., An sunt evenimente independente, atunci

P (A1 A2 ... An ) = P (A1 ) P (A2 ) ... P (An ).
Exemplul 14.2. O urna contine 3 bile albe si 5 bile negre. Din urna se extrag doua bile,
una dupa alta (fara ntoarcere). Sa se scrie un spatiu de selectie pentru aceasta experienta
si probabilitatile asociate evenimentelor din acest spatiu.
Solutie: Daca a este evenimentul extragerii unei bile albe si n este evenimentul extragerii
unei bile negre, atunci un spatiu de selectie asociat experientei este:
S = {(a, a), (a, n), (n, a), (n, n)}.
(n, a) arata ca prima bila extrasa este neagra iar a doua bila extrasa este alba. Deoarece
bilele sunt extrase la ntamplare, toate bilele din urna, la orice extractie, au aceeasi
probabilitate de extractie:
P (a, a) =

3 2
6
3 5
15
5 3
15
5 4
20
= , P (a, n) = = , P (n, a) = = , P (n, n) = = .
8 7
56
8 7
56
8 7
56
8 7
56

Teorema 14.3 (formula probabilitatii totale). Daca evenimentele A1 , A2 , ..., An constituie o partitie a spatiului de selectie S si X P(S), atunci:
P (X) =

n
X

P (Ai ) P (X|Ai ).

i=1

Demonstratie. Scriem X sub forma:

X=

n
[

(X Ai ).

i=1

Deoarece (X Ai ) (X Aj ) = pentru i 6= j, obtinem:

P (X) =

n
X

P (X Ai ).

i=1

Dar P (X Ai ) = P (Ai ) P (X|Ai ), si nlocuind se obtine egalitata din enunt.

Exemplul 14.3. Trei urne au urmatoarea structura: urna i contine ai bile albe si bi
bile negre, i = 1, 2, 3. Evenimentul Ai consta n alegerea urnei i. Se stie ca P (Ai ) = pi
si p1 + p2 + p3 = 1. Se alege la ntamplare o urna si se extrage o bila. Sa se gaseasca
probabilitatea ca bila extrasa sa fie neagra.
Solutie: Fie X evenimentul bila extrasa este neagra. Probabilitatea de a extrage o
bila neagra conditionata de faptul ca s-a ales urna i este:
P (X|Ai ) =

bi
.
ai + bi

Probabilitatea de a extrage o bila neagra este:

P (X) = P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 ) + P (A3 ) P (X|A3 ) =
b1
b2
b3
= p1
+ p2
+ p3
.
a1 + b1
a 2 + b2
a3 + b3
19

Teorema 14.4 (formula lui Bayes). Daca evenimentele A1 , A2 , ..., An constituie o partitie
a spatiului de selectie S si sunt cauza producerii unui eveniment X, atunci:
P (Ak |X) =

P (Ak ) P (X|Ak )
n
X

P (Ai ) P (X|Ai )

i=1

Demonstratie. Se tine seama de egalitatile

P (Ai ) P (X|Ai ) = P (X) P (Ai |X)
si de formula probabilitatii totale.
Definitia 14.2. Probabilit
atile P (Ai ), P (X|Ai ), i = 1, n se numesc probabilit
ati
apriori si P (Ai |X) se numesc probabilit
ati aposteriori.
Formula lui Bayes modifica probabilitatile apriorice prin incorporarea informatiei furnizate
de realizarea evenimentului X.
Exemplul 14.4. Se considera doua urne. Prima contine 2 bile albe si 3 bile negre, iar cea
de-a doua contine 7 bile albe si 5 bile negre. Evenimentul A1 consta n faptul ca se alege la
ntamplare prima urna, iar evenimentul A2 consta n faptul ca se alege la ntamplare a doua
urna. Probabilitatea evenimentului A1 este P (A1 ) = 0.4, iar probabilitatea evenimentului
A2 este P (A2 ) = 0.6. Se alege la ntamplare o urna si se extrage o bila neagra. Care este
probabilitatea ca aceasta sa fie din cea de-a doua urna?
Solutie: Fie X evenimentul a fost extrasa o bila neagra. Din formula lui Bayes avem:
0.4 53
P (A1 ) P (X|A1 )
P (A1 |X) =
=
P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 )
0.4 53 + 0.6

5
12

5
0.6 12
P (A2 ) P (X|A2 )
=
P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 )
0.4 53 + 0.6

5
12

P (A2 |X) =

15

0.49;

0.51.

Variabile aleatoare discrete unidimensionale

Pentru a introduce notiunile de variabila aleatoare discreta si repartitia ei consideram

urmatorul exemplu:
Exemplul 15.1. Dintr-o urna care contine acelasi numar de bile albe si negre, se extrag
3 bile, dupa fiecare extragere bila punandu-se napoi n urna. Cate bile albe pot sa apara?
Solutie: Raspunsul la aceasta ntrebare l vom da indicand posibilitatile si probabilitatile
asociate.

20

Spatiul de selectie Nr. bile albe

AAA
3
AAN
2
ANA
2
NAA
2
ANN
1
NAN
1
NNA
1
NNN
0

Probabilitatea
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2
1 1 1
= 81
2 2 2

Informatia relativa la numarul de bile albe si la probabilitatile lor este data n tabelul
urmator:
Nr. bile albe
Probabilitatea

1
8

3
8

3
8

1
8

Daca variabila X reprezinta numarul de bile albe care pot sa apara, aunci tabelul arata
valorile pe care poate sa le ia X si probabilitatile cu care ia aceste valori.
Multimea de perechi ordonate, fiecare de forma (numarul de bile albe, probabilitatea
acestui numar de bile albe) defineste repartitia variabilei X. Deoarece valorile lui X sunt
determinate de evenimentele rezultate n urma unui experiment aleator, X este numita
variabila aleatoare.
Functia f definita de f (x) = P (X = x) se numeste functie de frecvente sau functie de
probabilitate.
In cazul de fata
1
3
3
1
f (0) = f (X = 0) = ; f (1) = f (X = 1) = ; f (2) = f (X = 2) = ; f (3) = f (X = 3) = .
8
8
8
8
Observam ca
3
1
x
f (x) = P (X = x) = C3
, x = 0, 1, 2, 3;
2
3
3
3
3
X
X
1
1
x
3
f (x) 0 si
f (x) =
C3
=2
= 1.
2
2
i=0
i=0
Definitia 15.1. O variabila a carei valoare este un numar determinat de evenimentul
rezultat n urma unei experiente este numita variabil
a aleatoare.
Definitia 15.2. Daca X este o variabila aleatoare care poate lua valorile x1 , x2 , ..., xn
cu probabilit
atile f (x1 ), f (x2 ), ..., f (xn ) atunci multimea de perechi ordonate (xi , f (xi )),
i = 1, n se numeste repartitia variabilei aleatoare X.

In cazul exemplului considerat anterior, repartitia este:

sau:

0 1 2 3

X:
.
1 3 3 1
8 8 8 8
21

1
3
3
1
0,
, 1,
, 2,
, 3,
8
8
8
8

Exemplul 15.2. Trei bile, a, b, c, se repartizeaza n trei urne la ntamplare. Sa se

determine repartitia variabilei aleatoare X =numarul urnelor ocupate.
Solutie:

X:

3
27

18
27

6
27

Remarca 15.1. In abordarea Kolmogorov, variabila aleatoare X este o functie definita

pe un spatiu de selectie asociat experientei, adica functie de punct. Astfel, daca n
exemplul precedent se considera evenimentele:

e1
e2
e3
e4
e5
e6
e7
e8
e9

= {abc|0|0}
= {0|abc|0}
= {0|0|abc}
= {ab|c|0}
= {ab|0|c}
= {ac|b|0}
= {ac|0|b}
= {bc|a|0}
= {bc|0|a}

e10
e11
e12
e13
e14
e15
e16
e17
e18

= {c|ab|0}
= {0|ab|c}
= {b|ac|0}
= {0|ac|b}
= {a|bc|0}
= {0|bc|a}
= {c|0|ab}
= {0|c|ab}
= {b|0|ac}

e19
e20
e21
e22
e23
e24
e25
e26
e27

= {0|b|ac}
= {a|0|bc}
= {0|a|bc}
= {a|b|c}
= {a|c|b}
= {b|c|a}
= {b|a|c}
= {c|a|b}
= {c|b|a}

si spatiul de selectie S = {e1 , ..., e27 }, putem considera functia X : S {1, 2, 3}, definita
astfel: X(ek ) = numarul de urne ocupate n cazul realizarii evenimentului ek . Este clar
ca X(ek ) = 1 daca k = 1, 2, 3; X(ek ) = 2 daca k = 4, 5, ...21; si X(ek ) = 3 daca
k = 22, 23, 24, 25, 26, 27.
Daca variabila aleatoare este data n acest fel, atunci se cunosc valorile variabilei n cazul
fiecarui eveniment ek S si P (ek ). De aici se determina valorile posibile ale variabilei si
probabilitatile asociate acestor valori. In acest fel se obtine repartitia variabilei aleatoare
X.
Exemplul 15.3. In cazul experientei din Exemplul 15.2, sa notam cu Y variabila
aleatoare ale carei valori sunt numarul de bile din prima urna.
Deoarece n prima urna putem avea 0,1,2 sau 3 bile urmeaza ca variabila aleatoare Y
poate lua valorile 0,1,2 sau 3.
Y ia valoarea 0 atunci cand se realizeaza unul din urmatoarele evenimente din spatiul de
selectie S: e2 , e3 , e11 , e13 , e15 , e17 , e19 , e21 , adica
(Y = 0) = (e2 sau e3 sau e11 sau e13 sau e15 sau e17 sau e19 sau e21 ).
Rezulta
P (Y = 0) =P ({e2 }) + P ({e3 }) + P ({e11 }) + P ({e13 }) + P ({e15 }) + P ({e17 })+
8
+ P ({e19 }) + P ({e21 }) = .
27
22

Y ia valoarea 1 daca se realizeaza unul din evenimentele: e10 , e12 , e14 , e16 , e18 , e20 , e22 e27 ;
valoarea 2 , daca se realizeaza unul din evenimentele e4 e9 si valoarea 3 daca se realizeaza
evenimentul e1 .
Urmeaza ca repartitia variabilei aleatoare Y este:

0
1
2
3

Y :
.
8 12 6
1
27 27 27 27
Remarca 15.2. Onicescu considera variabila aleatoare ca functie de eveniment. O
valoare posibila a variabilei aleatoare poate sa corespunda unui eveniment elementar din
spatiul de selectie (valoarea 3 a variabilei aleatoare Y din Exemplul 15.3 corespunde
evenimentului elementar e1 ) sau la o submultime de evenimente elementare care determina
un eveniment (evenimentul Y = 2 este determinat de o multime de evenimente elementare,
si anume e4 e9 ).
Remarca 15.3. O variabila aleatoare care ia valorile distincte x1 , x2 , ..., xn determina
o partitie A1 , A2 , ..., An a spatiului de selectie S. Evenimentul Ai este definit prin
ek Ai X(ek ) = xi .
In Exemplul 15.3 variabila aleatoare Y realizeaza urmatoarea partitie a spatiului de
selectie S:
A1 : In prima urna nu este nici o bila.
A2 : In prima urna este o bila.
A3 : In prima urna sunt doua bile.
A4 : In prima urna sunt trei bile.
Avem:
A1 A2 A3 A4 = S
Ai Aj = pentru i 6= j
8
P (A1 ) = P (Y = 0) = , P (A2 ) = P (Y = 1) =
27
6
P (A3 ) = P (Y = 2) = , P (A4 ) = P (Y = 3) =
27

12
,
27
1
,
27

ceea ce dovedeste afirmatia facuta.

Definitia 15.3. O variabila aleatoare avand o multime cel mult numarabil
a de valori
posibile se numeste variabil
a aleatoare discret
a.
Definitia 15.4. Vom spune ca variabila aleatoare X este simetric
a fat
a de punctul c
daca sunt ndeplinite urmatoarele conditii:
i) daca c + a este o valoare a variabilei aleatoare X, atunci si c a este o valoare a
variabilei X;
ii) P (X = c + a) = P (X = c a).
23

Conditia ii) se mai scrie uneori sub forma

P (X c = a) = P (c X = a)
care arata ca X este simetrica fata de punctul c.
X c si c X au aceeasi repartitie.
In particular, simetria fata de zero arata ca X si X au aceeasi repartitie.
1
Exemplul 15.4. Daca P (X = i) = , i = 1, 2, ..., n atunci X este repartizata simetric
n
n+1
, care este punctul de mijloc al celor doua valori extreme posibile: 1 si n.
fata de
2
Remarca 15.4. Daca variabilele aleatoare X, Y sunt privite ca functii definite pe spatiul
de selectie S, atunci putem defini suma X +Y , produsul X Y , si nmultirea cu o constanta
k X a varibilelor aleatoare. Sensul acestor operatii este cel al operatiilor corespunzatoare
cu functii.
De asemenea daca k este o functie reala definita pe multimea valorilor variabilei X,
k : X(S) R1 , atunci putem face compunerea k X si obtinem tot o variabila aleatoare,
ale carei valori constituie multimea k(S(X)).

16

Functia de repartitie a unei variabile aleatoare

discrete unidimensioanle

Cateva ntrebari:
Daca se arunca doua zaruri, care este probabilitatea ca suma obtinuta sa fie un
numar mai mic decat 7?
Daca trei bile se repartizeaza la ntamplare n trei urne, care este probabilitatea ca
sa fie ocupate cel mult doua urne?
Daca trei bile se repartizeaza la ntamplare n trei urne, care este probabilitatea ca
n prima urna sa fie cel mult doua bile?
In general: Care este probabilitatea ca o variabila aleatoare X sa ia valori mai mici
decat o valoare data?
Nevoia de a raspunde la asemenea ntrebari a condus la urmatoarea definitie:
Definitia 16.1. Fie X o variabila aleatoare si x un numar real. Functia F definita astfel:
F (x) este probabilitatea ca X sa ia valori mai mici ca x, sau
F (x) = P (X < x)
se numeste functia de repartitie a variabilei aleatoare X.

24

Propozitia 16.1. Daca X este o variabila aleatoare discret

a avand repartitia

x1
x2
...
xn
X:
f (x1 ) f (x2 ) ... f (xn )
atunci
F (x) =

f (xi )

xi <x

adica valoarea functiei de repartitie n x este data de suma probabilit

atilor valorilor din
stanga lui x.
Demonstratie. Imediata.
Propozitia 16.2. Au loc urmatoarele egalit
ati:

lim F (x) = F (xi + 0) =

i) xx
i

x>xi

i
X

f (xj );

j=1

ii) xx
lim F (x) = F (xi 0) =
i

x<xi

i1
X

f (xj ) = F (xi ).

j=1

Demonstratie. i) Pentru x (xi , xi+1 ) avem:

F (x) =

i
X

f (xj ).

j=1

Rezulta ca

i
X

F (xi + 0) =

f (xj ).

j=1

ii) Pentru x (xi1 , xi ) avem:

F (x) =

i1
X

f (xj ).

j=1

Rezulta ca
F (xi 0) =

i1
X

f (xj ) = F (xi ).

j=1

Propozitia 16.3. Au loc urmatoarele inegalit

ati:
i) 0 F (x) 1, x R1 ;
ii) x < y F (x) F (y).

25

Demonstratie. i) Deoarece F (x) = P (X < x) si P (X < x) [0, 1], rezulta ca F (x) [0, 1].
ii) x < y. Daca xi < x, atunci xi < y, si deci
X
X
X
f (xi ) =
f (xi ) +
f (xi ),
xi <y

xi <x

xxi <y

adica F (x) F (y).

Propozitia 16.4. Daca x < y, atunci F (y) F (x) = P (x X < y).
Demonstratie. Daca x < y, avem:
X
X
X
F (y) =
f (xi ) =
f (xi ) +
f (xi ) = F (x) + P (x X < y)
xi <y

xi <x

xxi <y

de unde rezulta ca F (y) F (x) = P (x X < y).

Remarca 16.1. Daca X este o variabila aleatoare discreta, atunci functia de repartitie a
variabilei aleatoare X este o functie n trepte continua la stanga. Avem o discontinuitate
(un salt) n fieare punct x care este valoare pentru variabila aleatoare X(x = xi ), iar
naltimea saltului este f (xi ).
Definitia 16.2. Se numeste cuantil
a de ordinul numarul x cu proprietatea
F (x ) = P (X < x ) = .
Daca X este o variabila aleatoare discreta, nu este sigur ca pentru orice [0, 1] exista
cuantila de ordinul . Daca nsa exista o cuantila de ordin , atunci exista o infinitate
(intervalul ce separa doua valori posibile).
Cuantila de ordin 1/2 se numeste median
a si se noteaza cu M e; astfel F (M e) = 1/2.
Cuantilele de ordin 1/4 respectiv 3/4 se numesc cuantila inferioara Q1 , respectiv cuantila
superioara Q2 ; astfel F (Q1 ) = 1/4 si F (Q2 ) = 3/4.
Definitia 16.3. Se numeste modul valoarea xi cu proprietatea ca f (xi ) este maxima.
O repartitie poate avea mai multe module. La aruncarea unui zar, cele 6 fete ale sale au
aceeasi probabilitate de aparitie; n acest caz, toate valorile sunt module.
Exemplul 16.1. Reluam exemplul de repartizare la ntamplare a trei bile a, b, c n trei
urne, tinand seama de repartitia variabilelor aleatoare X (Exemplul 15.2) si Y (Exemplul
15.3)

0
1
2
3
1
2
3

X:
si Y :
.
8 12 6
3 18 6
1
27 27 27
27 27 27 27

26

Avem:

27

,x 1
,1 < x 2

,y 0

8
27

,0 < y 1

20
,1 < y 2
27
21

,2 < x 3

27

26

,2 < y 3

27

27

= 1 ,3 < x

27

27 = 1 , 3 < y
.
27
Remarca 16.2. Variabilele aleatoare X si Y nu au mediane si cuantile.
F (x) =

si F (y) =

3
26
are ca solutie 1 < x 2. F (y) =
are ca solutie 1 < x 3.
27
27
Modulul lui X este 2, iar modulul lui Y este 1.
F (x) =

17

Variabile aleatoare discrete bidimensionale

(vectori aleatori)

Adesea este necesar sa consideram simultan doua sau mai multe variabile aleatoare definite
pe acelasi spatiu de selectie. Vom prezenta cazul a doua variabile aleatoare, trecerea la
trei sau mai multe variabile facandu-se fara dificultate.
Exemplul 17.1. Consideram experienta care consta n repartizarea la ntamplare a trei
bile a, b, c n trei urne.
Acestei experiente i corespunde urmatorul spatiu de selectie: S = {e1 , e2 , ..., e27 }, unde
ei sunt date de:
e1
e2
e3
e4
e5
e6
e7
e8
e9

= {abc|0|0}
= {0|abc|0}
= {0|0|abc}
= {ab|c|0}
= {ab|0|c}
= {ac|b|0}
= {ac|0|b}
= {bc|a|0}
= {bc|0|a}

e10
e11
e12
e13
e14
e15
e16
e17
e18

= {c|ab|0}
= {0|ab|c}
= {b|ac|0}
= {0|ac|b}
= {a|bc|0}
= {0|bc|a}
= {c|0|ab}
= {0|c|ab}
= {b|0|ac}

e19
e20
e21
e22
e23
e24
e25
e26
e27

= {0|b|ac}
= {a|0|bc}
= {0|a|bc}
= {a|b|c}
= {a|c|b}
= {b|c|a}
= {b|a|c}
= {c|a|b}
= {c|b|a}.

Cele 27 evenimente sunt egal probabile si de aceea evenimentele ei au aceeasi probabilitate

1
.
de realizare:
27
Fie X variabila aleatoare care asociaza evenimentului elementar ei S num
arul urnelor
ocupate. Avem X(ei ) = 1 pentru i = 1, 2, 3, X(ei ) = 2 pentru i = 4, 21, X(ei ) = 3
27

pentru i = 22, 27. Prin urmare: P (X = 1)

repartitia variabilei aleatoare este:

X:
3
27

=
2
18
27

3
18
6
, P (X = 2) =
, P (X = 3) =
si
27
27
27
3
6
27

Fie acum Y variabila aleatoare care asociaza evcenimentului elementar ei S num

arul
de bile din prima urn
a. Avem: Y (e1 ) = 3, Y (ei ) = 2, pentru i = 4 9, Y (ei ) = 1
pentru i = 10, 12, 14, 16, 18, 20, 22 27, Y (ei ) = 0 pentru i = 2, 3, 11, 13, 15, 17, 19, 21.
8
12
6
1
Rezulta ca P (Y = 0) =
, P (Y = 1) =
, P (Y = 2) =
, P (Y = 3) =
si deci
27
27
27
27
repartitia variabilei aleatoare Y este:

0
1
2
3

Y :
.
8 12 6
1
27 27 27 27
Consideram acum variabila aleatoare Z care asociaza evenimentului elementar ei S
perechea de numere (numarul de urne ocupate, numarul de bile din prima urna). Penrtu
ca valorile lui Z sunt vectori bidimensionali (perechi de numere) variabila aleatoarte Z
se numeste variabila aleatoare bidimensionala. Avem: Z(e1 ) = (1, 3); Z(e2 ) = (1, 0);
Z(e3 ) = (1, 0); Z(ei ) = (2, 2), i = 4, 9; Z(ei ) = (2, 1), i = 10, 12, 14, 16, 18, 20; Z(ei ) = (2, 0),
i = 11, 13, 15, 17, 19, 21; Z(ei ) = (3, 1), i = 22, 27.
Prin urmare valorile acestei variabile aleatoare sunt vectorii (1, 3); (1, 0); (2, 2); (2, 1);
(2, 0); (3, 1). Probabilitatile corespunzatoare sunt:
P (X = 1, Y = 3) =

1
;
27

P (X = 1, Y = 0) =

2
;
27

P (X = 2, Y = 2) =

6
6
;
P (X = 2, Y = 0) = ;
P (X
27
27
Repartitia variabilei aleatoare bidimensionale Z este

(1, 3) (1, 0) (2, 2) (2, 1) (2, 0) (3, 1)

Z:
2
1
6
6
6
6
27
27
27
27
27
27
P (X = 2, Y = 1) =

= 3, Y = 1) =

6
;
27
6
.
27

Fie acum n general doua variabile aleatoare X, Y definite pe acelasi spatiu de selectie
S = {e1 , e2 , ..., en }. Fie x1 , x2 ,..., xk valorile variabilei X si y1 , y2 , ..., yl valorile variabilei
Y.
a
Definitia 17.1. Cu variabilele X, Y putem construi variabila aleatoare vectorial
bidimensional
a Z = (X, Y ), a carei valori sunt perechile ordonate de numere (xi , yj )
(vectori bidimensionali), pe care le ia cu probabilitatea
rij = P (X = xi si Y = yj ) ,
28

1 i k, 1 j l.

Repartitia variabilei Z este deci:

XY
x1
x2
x3
..
.
xi
..
.

y1 y2
r11 r12
r21 r22
r31 r32
..
..
.
.
ri1 ri2
..
..
.
.

xk
rk1 rk2
P (Y = yj ) q1 q2

y3
r13
r23
r33
..
.

... yj
... r1j
... r2j
... r3j
..
.

... yl P (X = xi )
... r1l
p1
... r2l
p2
... r3l
p3
..
..
.
.

ri3 ... rij ... ril

..
..
..
.
.
.
rk3 ... rkj ... rkl
q3 ... qj ... qk

pi
..
.
pk
1

Intrucat evenimentele (X = xi ; Y = yj ) realizeaza o partitie a spatiului de selectie, suma

probabilitatilor din tabel este unu:
k X
l
X

rij = 1.

i=1 j=1

Daca se cunoaste repartitia vectorului aleator discret Z = (X, Y ), se poate determina

repartitia fiecarei componente. Intr-adevar, deoarece evenimentele (X = xi , Y = y1 ),
(X = xi , Y = y2 ), ..., (X = xi , Y = yl ), 1 i k sunt incompatibile doua cate doua si
deoarece
(X = xi ) = (X = xi , Y = y1 ) (X = xi , Y = y2 ) ... (X = xi , Y = yl ),
avem:
pi = P (X = xi ) = ri1 + ri2 + ... + rik =

l
X

rij ,

1 i k.

rij ,

1 j l.

j=1

Analog obtinem:
qj = P (Y = yj ) = r1j + r2j + ... + rkj =

k
X
i=1

Urmeaza ca pentru a obtine probabilitatea ca X (Y ) sa ia valoarea xi (yj ), vom face suma

probabilitatilor din linia (coloana) lui xi (yj ).
Deci variabila aleatoare X (Y ) are ca tablou al probabilitatilor coloana (linia) marginala
a tabloului. Din acest motiv, prima coloana (linie) mpreuna cu ultima coloana (linie) a
tabloului constituie repartitia marginal
a a variabilei X (Y ).
a de Y = yj are repartitia:
Definitia 17.2. Variabila X conditionat

x1
x2
...
xi
...
xk
P (x1 |yj ) P (x2 |yj ) ... P (xi |yj ) ... P (xk |yj )
unde
P (xi |yj ) = P (X = xi |Y = yj ) =

P (X = xi , Y = yj )
rij
=
,
P (Y = yj )
qj
29

1 j l.

Analog, variabila Y conditionat

a de X = xi are repartitia:

y1
y2
...
yj
...
yl
P (y1 |xi ) P (y2 |xi ) ... P (yj |xi ) ... P (yl |xi )
unde
P (yj |xi ) = P (Y = yj |X = xi ) =
Avem:

k
X
i=1

P (Y = yj , X = xi )
rij
=
,
P (X = xi )
pi

1 i k.

k
1 X
P (xi |yj ) =
rij = 1
qj i=1

si
l
X

l
1 X
P (yj |xi ) =
rij = 1.
pi j=1
j=1

18

Functia de repartitie a vectorului aleator (X, Y )

Definitia 18.1. Se numeste functie de repartitie a vectorului aleator (X, Y ) functia

definita de
X X
X X
F (x, y) = P (X < x si Y < y) =
P (X = xi si Y = yj ) =
rij
xi <x yj <y

xi <x yj <y

unde rij = P (X = xi si Y = yj ).
Propozitia 18.1. Functia de repartitie a vectorului aleator (X, Y ) are urmatoarele
propriet
ati:

i) F (xi + 0, yj + 0) =
F (xi 0, yj + 0) =

j
i
X
X
m=1 s=1
j
i1 X
X

rms ,
rms ,

F (xi + 0, yj 0) =
F (xi 0, yj 0) =

m=1 s=1

j1
i
X
X
m=1 s=1
j1
i1 X
X

rms
rms .

m=1 s=1

ii) F (x2 , y) F (x1 , y) daca x2 > x1 ,

F (x, y2 ) F (x, y1 ) dac
a y2 > y1 .
iii) F (x, ) = F (, y) = 0 si F (, ) = 1.
iv) F (x, ) este functia de repartitie a variabilei X,
F (, y) este functia de repartitie a variabilei Y .
v) Deoarece
P (Y < y|X = xi ) =

P (Y < y, X = xi )
F (xi + 0, y) F (xi 0, y)
=
,
P (X = xi )
F (xi + 0, ) F (xi 0, )
30

functia de repartitie a variabilei Y |X = xi este:

F (xi + 0, y) F (xi 0, y)
.
F (xi + 0, ) F (xi 0, )
Demonstratie. Aceste proprietati se arata folosind Definitia 18.1.
Definitia 18.2. Vom spune ca variabilele X si Y sunt independente daca pentru toate
perechile (i, j) avem
rij = pi qj .
Propozitia 18.2. Daca variabilele X, Y sunt independente, atunci:
1. repartitiile conditionate sunt identice cu repartitiile marginale:
P (xi |yj ) =

rij
pi qj
=
= pi ,
qj
qj

p i qj
rij
=
= qj .
pi
pi

!
!
X X
X X
X
X
2. F (x, y) =
rij =
pi qj =
pi
qj = F (x, )F (y, ).
P (yj |xi ) =

xi <x yj <y

19

xi <x yj <y

xi <x

yi <y

Valoare medie. Dispersie. Momente. (pentru

variabile aleatoare discrete unidimensionale)

Definitia 19.1. Valoarea medie a variabilei aleatoare X av

and repartitia:

x1 x2 ... xn
X:
p1 p2 ... pn
este prin definitie numarul
M (X) =

n
X

xi p i .

i=1

Propozitia 19.1. Media unei variabile aleatoare are urmatoarele propriet

ati:
1. Media unei variabile aleatoare conststante este egal
a cu constanta ns
asi:
M (a) = a.
2. Media produsului dintre o constant
a a si o variabila aleatoare X este egal
a cu
produsul dintre a si media lui X:
M (a X) = a M (X).

31

3. Media sumei a doua variabile aleatoare X si Y este egal

a cu suma mediilor acestor
variabile:
M (X + Y ) = M (X) + M (Y ).
4. Media produsului a doua variabile aleatoare independente X si Y este egal
a cu
produsul mediilor celor doua variabile aleatoare:
M (X Y ) = M (X) M (Y ).
5. Media variabilei aleatoare X verific
a:
inf X M (X) sup X.
6. Valoarea medie a abaterii fat
a de media variabilei aleatoare este egal
a cu zero:
M (X M (X)) = 0.
Demonstratie. Aceste proprietati se arata pe baza definitiei si raman pe seama cititorului.
Exemplul 19.1. Se arunca un zar. Variabila aleatoare X este numarul de puncte care
apar. Valoarea medie a acestei variabile este
M (X) = 1

1
1
1
1
1
1
7
+ 2 + 3 + 4 + 5 + 6 = = 3.5.
6
6
6
6
6
6
2

Se arunca k zaruri. Fie Y numarul total de de puncte care apar. Valoarea medie a acestei
7k
variabile este M (Y ) =
.
2
Exemplul 19.2. Se arunca o moneda de trei ori. Fie X (Y ) variabila aleatoare care da
numarul de steme pe primele (ultimele) doua aruncari. Sa se arate ca:
1. M (X) = M (Y ) = 1;
5
2. M (X Y ) = ;
4

1
7
= ;
3. M
1+Y
12
4.

X
are repartitia
1+Y

0
X

:
1+Y 2
8

1
3

1
2

2
3

1
8

2
8

1
8

.
2
8

Exemplul 19.3. Se arunca un zar de doua ori. Fie X (Y ) variabila aleatoare care da
numarul la prima (a doua) aruncare. Sa se arate:
1. M (X Y ) = M (X) M (Y );
32


2. M

X
Y

1
= M (X) M
.
Y

Definitia 19.2. Prin definitie, dispersia variabilei aleatoare X este valoarea medie a
patratului abaterii, X M (X). Dispersia va fi notata cu D2 (X) sau cu 2 (X) sau cu 2 :

D2 (X) = M (X M (X))2 .
Propozitia 19.2. Dispersia unei variabile aleatoare are urmatoarele propriet
ati:
1. Dispersia unei variabile aleatoare constante este zero:
D2 (a) = 0.
a si o variabila aleatoare X este egal
a cu
2. Dispersia produsului dintre o constant
produsul dintre patratul constantei si dispersia variabilei X:
D2 (a X) = a2 D2 (X).
3. Dispersia sumei a doua variabile aleatoare independente este egal
a cu suma dispersiilor celor doua variabile aleatoare:
D2 (X + Y ) = D2 (X) + D2 (Y ).
4. Oricare ar fi L > 0 are loc inegalitatea:
P [|X M (X)| < L] 1

D2 (X)
L2

(inegalitatea lui Cebsev).

Demonstratie. Demonstratia proprietatilor 1-3 o lasam pe seama cititorului.

Demonstram aici doar proprietatea 4.
Consideram

x1 x2 ... xn
p1 p2 ... pn

X:
si
2

n
X

pi (xi M (X)) =

Putem admite ca

pi i2

unde i = xi M (X).

i=1

i=1

i2

n
X

sunt ordonati:
12 22 ... n2 .

2
, adica:
Intercalam L ntre doua valori i2 , i+1
2
... n2 .
12 22 ... i2 L i+1

Daca n expresia lui 2 egalam cu zero toti j2 L si nlocuim cu L toti j2 L obtinem:

2 L [pi+1 + ... + pn ]
33

sau

2
.
L
Suma pi+1 + ... + pn reprezinta probabilitatea ca abaterea sa fie mai mare sau egala cu L
si prin urmare
2
P [|X M (X)| L] .
L
Din relatia
P [|X M (X)| L] + P [|X M (X)| < L] = 1
pi+1 + ... + pn

rezulta inegalitatea din enunt.

Remarca 19.1. Daca L = k atunci:
P [|X M (X)| < k ] 1

1
.
k2

Daca k = 3 rezulta

8
P [|X M (X)| < 3] .
9

8
Aceasta nseamna ca 89%
dintre abaterile absolute ale variabilei X nu depasesc 3
9
(regula trei sigma).
Se observa deci ca dispersia functioneaza ca indicator de concentrare a abaterilor n jurul
valorii medii.
Problema 19.1. Sa se determine dispersia n cazul variabilelor aleatoare de la Exemplele
19.1, 19.2, 19.3.
atratic
a a unei variabile aleatoare X
Definitia 19.3. Prin definitie, abaterea medie p
este rad
acina patrat
a a dispersiei acestei variabile; o vom nota cu D(X) sau cu sau cu
:
p
(X) = D2 (X).
Abaterea medie patratic
a se exprima n aceleasi unitati de masur
a ca si variabila aleatoare
considerat
a.
Definitia 19.4. Se numeste moment obi
snuit de ordin k al unei variabile aleatoare
X, media variabilei X k . Daca notam cu k un asemenea moment, putem scrie:
k

k = M (X ) =

n
X

pi xki .

i=1

Definitia 19.5. Se numeste moment centrat de ordin k al variabilei aleatoare X

media variabilei aleatoare [X M (X)]k . Daca notam cu k aceste momente, putem scrie:
k = M [X M (X)]k .
In particular avem:
1 = M [X M (X)] = 0 ,

2 = M [X M (X)]2 = D2 (X).
34

Propozitia 19.3. Momentele obisnuite si momentele centrate verifica relatia:

k = k Ck1 1 k1 + Ck2 12 k2 + ... + (1)k 1k .
Demonstratie. Prin definitie k = M (X 1 )k . Insa
(X 1 )k = X k Ck1 1 X k1 + Ck2 12 X k2 ... + (1)k 1k .
Prin urmare:
k = M (X 1 )k = M (X k ) Ck1 1 M (X k1 ) + Ck2 12 M (X k2 ) ... + (1)k 1k .

In baza acestei formule, facand k = 2, putem scrie

2 = 2 12 ,
adica dispersia este egala cu diferenta dintre momentul obisnuit de ordinul doi si patratul
momentului obisnuit de primul ordin.
Facand succesiv k = 3, 4, rezulta
3 = 3 31 2 + 213 ,
4 = 4 41 3 + 612 2 314 .

20

Covariant
a. Coeficient de corelatie

Definitia 20.1. Dac

a X si Y sunt variabile aleatoare definite pe acelasi spatiu de selectie
S, vom numi covariant
a a variabilelor X si Y , si o vom nota cu cov(X, Y ), numarul
X X
cov(X, Y ) = M ([X M (X)][Y M (Y )]) =
(xM (X))(yM (Y ))P (X = x, Y = y)
xVX yVY

unde VX si VY sunt multimile valorilor variabilelor aleatoare X si Y .

Propozitia 20.1. Are loc urmatoarea egalitate:
cov(X, Y ) = M (X Y ) M (X) M (Y ).

35

Demonstratie. Putem scrie :

X X
cov(X, Y ) =
(xM (X)) (yM (Y )) P (X = x, Y = y) =
xVX yVY

X X

xVX yVY

M (X)

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

yVY

X
xVX

=M (X Y ) M (Y )

X
xVX

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

+ M (X) M (Y )

P (X = x, Y = y)

yVY

X X

xVX yVY

x P (X = x) M (X)

xVX

X X

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

y P (Y = y)+

yVY

P (X = x, Y = y) =

xVX yVY

=M (X Y ) M (Y ) M (X) M (X) M (Y ) + M (X) M (Y ) =

=M (X Y ) M (X) M (Y ).

Propozitia 20.2. Daca X si Y sunt variabile aleatoare independente, atunci:

cov(X, Y ) = 0.
Demonstratie. Imediata, n baza Propozitiei 20.1.
Propozitia 20.3. Daca X1 , X2 , ..., Xn sunt n variabile aleatoare definite pe acelasi
spatiu de selectie, atunci are loc:
n
!
n
X
X
X
2
D
Xi =
D2 (Xi ) + 2
cov(Xi , Xj ).
i=1

i=1

i<j

Demonstratie. Vom demonstra propozitia pentru n = 3. Avem:

D2 (X1 + X2 + X3 ) =M ((X1 M (X1 ) + X2 M (X2 ) + X3 M (X3 ))2 ) =
=M [(X1 M (X1 ))2 + (X2 M (X2 ))2 + (X3 M (X3 ))2 +
+ 2(X1 M (X1 ))(X2 M (X2 )) + 2(X1 M (X1 ))(X3 M (X3 ))+
+ 2(X2 M (X2 ))(X3 M (X3 ))] =
=M (X1 M (X1 ))2 + M (X2 M (X2 ))2 + M (X3 M (X3 ))2 +
+ 2M [(X1 M (X1 ))(X2 M (X2 ))]+
+ 2M [(X1 M (X1 ))(X3 M (X3 ))]+
+ 2M [(X2 M (X2 ))(X3 M (X3 ))] =
=

3
X
i=1

D2 (Xi ) + 2

cov(Xi , Xj ).

1i<j3

36

Definitia 20.2. Daca X si Y sunt doua variabile definite pe acelasi spatiu de selectie
S, vom numi coeficient de corelatie a variabilelor X, Y , si l vom nota cu (X, Y ),
numarul
M [(X M (X)) (Y M (Y ))]
cov(X, Y )
p
(X, Y ) =
=
.
(X) (Y )
D2 (X) D2 (Y )
Remarca 20.1. Daca X1 , X2 , ..., Xn sunt n variabile aleatoare definite pe spatiul de
selectie S, atunci:
!
n
n
X
X
X
2
Xi =
D2 (Xi ) + 2
(Xi ) (Xj ) (Xi , Xj ).
D
i=1

unde (Xi ) =

i=1

i<j

D2 (Xi ).

Exemplul 20.1. Intr-o biblioteca sunt carti numerotate de la 1 la n. Se scot la ntamplare

cartile din biblioteca. Spunem ca avem o ntalnire, daca numarul de pe carte coincide cu
numarul extractiei. Sa se calculeze media si dispersia numarului total de ntalniri.
Solutie: La fiecare carte asociem o variabila aleatoare Xi , i = 1, 2, ..., n, definita astfel:
daca la extractia i cartea poarta pe ea numarul i, atunci Xi = 1, n celelalte situatii
1
Xi = 0. Probabilitatea ca la extractia i sa obtinem cartea cu numarul i este P (Xi ) = ,
n
deoarece exista o singura carte cu acest numar printre cele n din biblioteca. Deoarece
fiecare variabila Xi poate sa ia numai valorile 1 sau 0, rezulta ca:
P (Xi = 0) = 1 P (Xi = 1) = 1

1
,
n

de unde repartitia variabilei aleatoare Xi este:

1
0

Xi :
.
1
1
1
n
n
1
1
1
n1
, de unde D2 (Xi ) = M (Xi2 ) M 2 (Xi ) = 2 =
.
n
n n
n2
Numarul total de ntalniri este dat de variabila aleatoare
Avem M (Xi ) =

Y = X1 + X2 + ... + Xn .
Avem:
M (Y ) =
si
D2 (Y ) =

n
X

1
1
1
+ + ... + = 1
n n
n

D2 (Xi ) + 2

i=1

cov(Xi , Xj ).

i<j

Pentru calculul covariantei, avem succesiv:

cov(Xi , Xj ) = M (Xi Xj ) M (Xi ) M (Xj )
37

si
M (Xi Xj ) = 1 P (Xi Xj = 1) + 0 P (Xi Xj = 0) =

(n 2)!
1
=
,
n!
n(n 1)

deoarece Xi Xj = 1 daca si numai daca cartile cu numerele i si j au fost extrase la randul

lor, si sunt (n 2)! aranjamente n care se realizeaza acest eveniment.
Daca i 6= j, avem deci:
cov(Xi , Xj ) =

1
1 1
1
= 2
.
n(n 1) n n
n (n 1)

T
inand seama de rezultatele obtinute, avem:
D2 (Y ) = n D2 (Xi ) + n(n 1) cov(Xi , Xj ) = n

21

n1
1
+ n(n 1) 2
= 1.
2
n
n (n 1)

Convergenta sirurilor de variabile aleatoare

Consideram un sir de variabile aleatoare X1 , X2 , ..., Xn , ... definite pe acelasi spatiu de

selectie S.
In teoria probabilitatilor se ntalnesc diferite concepte de convergenta a sirului de variabile
aleatoare (Xn )n .
Definitia 21.1. Spunem ca sirul de variabile aleatoare (Xn ) converge sigur la variabila
aleatoare X daca
lim Xn (e) = X(e) e S.
n

Definitia 21.2. Spunem ca sirul de variabile aleatoare (Xn ) converge n probabilitate

catre variabila aleatoare X, daca
lim P (|Xn X| < ) = 1

oricare ar fi > 0.
Definitia 21.3. Spunem ca sirul de variabile aleatoare (Xn ) converge aproape sigur
catre variabila aleatoare X, daca

P lim Xn = X = 1.
n

Definitia 21.4. Fie Fn (x) functia de repartitie a variabilei Xn , (n = 1, 2, ...) si F (x)

functia de repartitie a variabilei X. Sirul Xn converge n repartitie c
atre X dac
a
lim Fn (x) = F (x).

Definitia 21.5. Daca

lim D2 (Xn X) = 0,

zicem ca sirul Xn converge n medie p

atratic
a la X.
38

Propozitia 21.1. Dac

a sirul Xn converge la X n medie patratic
a, atunci Xn converge
la X n probabilitate.
Demonstratie. Din inegalitatea lui Cebsev avem
1

D2 (Xn X)
P (|Xn X| < ) 1,

0, atunci
de unde, trecand la limita pentru n , se obtine ca daca D2 (Xn X)n
1
P (|Xn X| < )n
X
Propozitia 21.2. Daca sirul Xn converge la X aproape sigur, atunci Xn n
n
probabilitate.
X aproape sigur, atunci pentru orice > 0 avem
Demonstratie. Daca Xn n

lim P sup |Xn X| > = 0.

N

nN

Rezulta de aici ca
lim P (|Xn X| > ) = 0.

Propozitia 21.3. Daca D

0
(Xn X)n

si

X
M (Xn X)2 < +, atunci Xn n

i=1

aproape sigur.

22

Legi ale numerelor mari

Teorema 22.1 (Cebsev). Fie (Xn ) un sir de variabile aleatoare definite pe un spatiu de
selectie S. Daca variabilele aleatoare sunt independente si D2 (Xn ) c, n, atunci pentru
orice > 0 are loc
n M (X
n )| < ) = 1,
lim P (|X
n

n = 1 (X1 + X2 + ... + Xn ).
unde X
n
Demonstratie. Din inegalitatea lui Cebsev avem:
n)
D2 (X
n M (X
n )| < ) 1.
P (|X
1

Deoarece
n
X
nc
c
n) = 1
D2 (X
D2 (Xj ) 2 = ,
2
n i=1
n
n
obtinem
1
si de aici

c
n M (X
n )| < ) 1
P (|X
n

n M (X
n )| < ) = 1.
lim P (|X

39

Remarca 22.1. Teorema lui Cebsev arata ca desi variabilele aleatoare independente pot
lua valori departate de mediile lor, media aritmetica a unui numar suficient de mare de
astfel de variabile aleatoare ia, cu o probabilitate mare, valori n vecinatatea constantei
n
1X
M (Xj ). Prin urmare, ntre comportarea variabilelor aleatoare si media lor exista o
n j=1
mare deosebire. In cazul variabilelor aleatoare nu putem prezice cu o probabilitate mare
valoarea, pe cand, n cazul mediei aritmetice ale acestor variabile, putem preciza, cu o
probabilitate apropiata de 1, ce valoare ia.
Media aritmetica a unui numar suficient de mare de variabile aleatoare si pierde calitatea
de variabila aleatoare.
Teorema 22.2 (Bernoulli). Sa presupunem ca se fac n experiente independente, n
fiecare experient
a probabilitatea evenimentului A fiind p, si fie num
arul de realiz
ari
ale evenimentului A n cele n experiente. Pentru orice avem

lim P p < = 1.
n
n
Demonstratie. Asociem la fiecare experienta o variabila aleatoare Xj care are valorea 1
daca n experienta de ordin j evenimentul s-a realizat si 0 daca nu s-a realizat. Astfel,
numarul de realizari ale evenimentului A , n cele n experiente, este dat de
= X1 + X2 + ... + Xn
unde fiecare din variabilele X1 , X2 , ..., Xn are repartitia

1
0
Xi :
.
p 1p
De aici rezulta: M (Xi ) = p, D2 (Xi ) = p (1p), si M () = np, D2 () = n p (1p).
Aplicand inegalitatea lui Cebsev variabilei

1
rezulta:
n

n
P M
< 1
n
n
2
sau

p (1 p)

P p < 1
.
n
n2
T
inand seama ca p (1p) 14 , obtinem

P p < 1
.
n
4n2
Trecand la limita, obtinem

lim P p < = 1,
n
n
ceea ce demonstreaza teorema.
40

Remarca 22.2. In cazul unei populatii de volum mare, daca se efectueaza o selectie de
volum n si se obtin rezultate favorabile, atunci, cu o probabilitate apropiata de 1, putem
afirma ca probabilitatea evenimentului cercetat este data de frecventa relativa.
Prin urmare, n studiul populatiilor mari pentru care nu putem determina apriori
probabilitatea de realizare a unui eveniment, probabilitatea se poate exprima prin
frecventa relativa n a evenimentului considerat, fapt ce constituie justificarea teoretica a
folosirii frecventei n loc de probabilitate.
Exemplul 22.1. Se arunca o moneda de n ori. Cat de mare trbuie sa fie n pentru ca
probabilitatea inegalitatii

1
< 1
n 2 100
sa fie mai mare decat 0.99, stiind ca reprezinta numarul de aparitii ale unei fete alese
dinainte.
Solutie: Neavand nici un motiv sa presupunem ca o fata are sansa mai mare de aparitie
n
decat alta fata, urmeaza ca .
2
1

n
n
1
Rezulta M () = , D2 () = , M
= , D2
=
.
2
4
n
2
n
4n
Din inegalitatea lui Cebsev, rezulta ca:

D
1
1
n .
P <
1
1
n 2
100
102

1
1

Deducem ca, pentru ca P <

> 0.99 este suficient sa impunem ca
n 2
100
1

23

D2 ( n )
1
102

> 0.99 1

(100)2
99
>
4n > 106 n > 250.000
4n
100

Repartitia binomial
a

Consideram un spatiu de selectie cu doua evenimente elementare S1 = {e0 , e1 }, pentru

care
P ({e0 }) = 1 p si P ({e1 }) = p,
unde p este un numar oarecare din [0, 1]. Consideram produsul cartezian
S = S1 S1 ... S1
|
{z
}
n ori

adica multimea elementelor de forma (ei1 , ei2 , ..., ein ) unde ij este 0 sau 1.
Spatiul de selectie S contine 2n elemente. Definim probabilitatea P pe S astfel:
P ({(ei1 , ei2 , ..., ein )}) = P1 ({ei1 }) P1 ({ei2 }) ... P1 ({ein }).
41

Fie Ak , k = 0, 1, ..., n, evenimentul care consta din acei (ei1 , ei2 , ..., ein ) care contin k
elemente de 1. (Ak este evenimentul care consta din k succese).
Propozitia 23.1.
P (Ak ) = Cnk pk (1 p)1k .
Demonstratie. Numarul sistemelor de forma (ei1 , ei2 , ..., ein ) care contin k numere 1 este
Cnk .
Remarca 23.1. Evenimentele A0 , A1 , ..., An sunt incompatibile si reuniunea lor este
evenimentul sigur, deci:
A0 A1 ... An = S
si
P (A0 ) + P (A1 ) + ... + P (An ) = 1.
Probablitatile P (A0 ), P (A1 ), ..., P (An ) pot servi pentru definirea unei repartitii ntr-un
spatiu de selectie de n + 1 puncte 0, 1, 2, ...n, n care evenimentul k nseamna evenimentul
Ak .
and repartitia
Definitia 23.1. Variabila aleatoare X av

0
1
...
k
...
n
X:
Cn0 p0 (1p)n Cn1 p1 (1p)n1 ... Cnk pk (1p)nk ... Cnn pn (1p)0
se numeste variabil
a binominal
a si se noteaz
a de obicei cu B(n, p) (sau X B(n, p)).
Termenul de variabila aleatoare binominala provine din faptul ca probabilitatile
b(k; n, p) = Cnk pk (1 p)nk
sunt termenii succesivi din dezvoltarea [p + (1 p)]n .
Remarca 23.2. Alegerile lui p si n determina n mod unic repartitia binominala; diferite
alegeri conduc la diferite repartitii.
Definitia 23.2. Multimea tuturor repartitiilor binomiale poart
a numele de familia
repartitiilor binomiale.
Remarca 23.3. Repartitiile binominale au fost analizate de James Bernoulli. Schema
pe care a dat-o, si care este modelul unui numar mare de fenomene reale, este: extrageri
succesive independente dintr-o urna care contine a bile albe si b bile negre, a si b ramanand
aceleasi n decursul extragerii (se pun napoi). Probabilitatea de a extrage o bila alba este
b
a
si de a extrage una neagra este 1 p = q =
.
p=
a+b
a+b
Propozitia 23.2. Variabila aleatoare X B(n, p) are urmatoarele propriet
ati:
1. M (X) = n p;
2. D2 (X) = n p (1 p);

42

3. Daca notam cu M o modulul variabilei X (valoarea cea mai probabil

a), atunci:
np (1 p) M o np + p.
Demonstratie. Prin calcul.
Propozitia 23.3. Daca X1 B(n1 , p), X2 B(n2 , p) si X1 , X2 sunt independente,
atunci
1. X1 + X2 B(n1 + n2 , p);
2. P (X1 = k|X1 + X2 = n) =

Cnk1 Cnnk
2
, pentru max(0, n1 n2 ) k min(n1 , n).
Cnn1 +n2

Propozitia 23.4. Functia de repartitie a varibilei X B(n, p)

(1p)n

(1p)n + Cn1 p (1p)n1

... ... ...
F (x) =

(1p)n + Cn1 p (1p)n1 + ... + Cnk pk (1p)nk

... ... ...

24

este:
,x 0
,0 < x 1
,1 < x 2
,k < x k + 1
, x > n.

Repartitia Poisson ca aproximatie a repartitiei

binomiale

Adesea probabilitatile binominale b(k; n, p) = Cnk pk (1 p)nk se calculeaza cu greutate.

Tabelele construite pentru asemenea probabilitati depind de doi parametri, n si p.
In anumite conditii putem gasi expresii simple, care pentru n aproximeaza
probabilitatile b(k; n, p), aproximatia fiind acceptabila chiar pentru valori mici ale lui
n.
In cele ce urmeaza vom prezenta asemenea aproximatii.
Vom demonstra la nceput o teorema care se refera la comportarea repartitiei binominale
n cazul n care n este mare si n p este moderat de mare.
a npn , atunci
Teorema 24.1 (Poisson). Dac
b(k; n, pn )

k
e .
k!

Demonstratie. Avem:
1
n (n 1) ... (n k + 1) pkn (1 pn )nk =
k!
1 n n1
nk+1
=
...
(n pn )k (1 pn )nk .
k! n
n
n

b(k; n, pn ) =

43

Intrucat

n n1
nk+1

...
si
n
n
n
n
demonstratia teoremei revine la a demmonstra ca
(1 pn )nk

(n pn )k

n
k

n
e .

Deoarece
(1 pn )nk = (1 pn )n (1 pn )k
si (1 pn )k

n
1

si pn

n
0,

este suficient sa aratam ca

(1 pn )n

a n
Se stie ca 1
n
a0 < a < a1 .

ea
n

e .
n

si convergenta este uniforma pe fiecare interval finit

Toate numerele n pn pot fi restranse la un asemenea interval n jurul lui si astfel > 0,
n1 () astfel ncat n > n1 () sa avem

n p n n

en pn < .
1
n
Din continuitatea functiei ex pentru n > n2 () avem:
|en pn e | < .
Astfel, pentru n > n() = max(n1 (), n2 ()), avem:
n p n
n p n

n
n
|(1pn )n e | = 1
e = 1
en pn +en pn en pn
n
n

n p n

n
en pn + |en pn e | < 2,
1
n
ceea ce demonstreaza teorema.
Definitia 24.1. Variabila aleatoare X care are functia de frecvent
a (functia de probabilitate)
k
p(k, ) = P (X = k) =
e , k = 0, 1, 2, ...
k!
se numeste variabil
a Poisson cu parametrul si se noteaz
a X P o().
Exemplul 24.1. 3% din suruburile fabricate de o masina sunt defecte, defectele aparand
la ntamplare n timpul procesului de productie. Daca suruburile sunt mpachetate n
cutii a 100 de bucati, care este probobilitatea ca o cutie sa contina x suruburi defecte?
Solutie: Probabilitatea este data de functia de frecventa binominala

x
100x
3
3
3
x
b x; 100,
1
, x = 0, 1, 2, ..., 100.
= C100
100
100
100
In acest caz n = 100, p = 0.03 si n p = 3, iar aproximatia Poisson pentru b(x; 100, 3 )
100
este

3
3x e3
.
b x; 100,
=
100
x!
44

Remarca 24.1. Repartitia Poisson apare n multiple situatii, ca de exemplu:

da probabilitatile unui numar specificat de chemari telefonice ntr-un anumit timp;
da probabilitatile unui numar specificat de defecte pe o unitate de lungime a unui
fir;
da probabilitatile unui numar specificat de defecte pe o unitate de arie a unei
tesaturi;
da probabilitatile unui numar specificat de bacterii pe unitatea de volum ntr-o
solutie;
da probabilitatile unui numar specificat de accidente pe unitatea de timp.
Sa vedem cum apare distributia Poisson n una dintre situatiile de mai sus.
Exemplul 24.2. Consideram un fir de lungime L si presupunem ca probabilitatea unui
singur defect pe o lungime L a firului este L. Admitem ca aceasta probabilitate
este independenta de pozitia bucatii L.
Impartim firul de lungime L n bucati de lungime L = L si avem:
n
1. probabilitatea unei defectiuni pe lungimea L este L.
2. probabilitatea nici unei defectiuni pe lungimea L este 1 L.
3. probabilitatea a doua sau mai multe defectiuni pe L este (L), astfel ncat
(L)
0 cand L 0.
L
Evenimentul ca pe lungimea L + L sa fie x defecte este reuniunea urmatoarelor
evenimente:
a) pe lungimea L sunt x defecte si pe L nici un defect;
b) pe lungimea L sunt x 1 defecte si pe L un defect;
c) pe lungimea L sunt x i defecte si pe L sunt i defecte (i = 2, 3, ..., x).
Probabilitatile acestor evenimente sunt: Px (L) [1 L], Px1 (L) L si (L).
Deci
Px (L + L) = Px (L) [1 L] + Px1 (L) L + (L) , x = 1, 2, ...
si
P0 (L + L) = P0 (L) [1 L].
Aceste egalitati pot fi scrise astfel:
Px (L + L) Px (L)
(L)
= [Px1 (L) Px (L)] +
, x = 1, 2, ...
L
L
45

P0 (L + L) P0 (L)
= P0 (L).
L
Pentru L 0 obtinem:

dPx
= [Px1 (L) Px (L)]
dL
dP0
= P0 (L).
dL
Daca impunem P0 (0) = 1 si Px (0) = 0, x > 1, rezulta:
( L)x eL
, x = 0, 1, 2, ...
x!
care este functia de frecventa cu 0 = L.
Px (L) =

Teorema 24.2. Daca X si Y sunt variabile aleatoare independente repartizate Poisson

de parametrii respectiv , atunci X + Y P o( + ).
Demonstratie. Avem
x e
,
x!
y e
P (Y = y) =
,
y!
si cum X si Y sunt independente:
P (X = x) =

x = 0, 1, 2, ...
y = 0, 1, 2, ...

x y e(+)
.
x! y!
Fie Z = X + Y si g(z) = P (Z = z). Valoarea g(z) se obtine nsumand P (X = x, Y = y)
dupa toate perechile (x, y) astfel ncat x + y = z, adica dupa toate perechile (x, z x).
Deci
z
z
X
X
x zx
(+)
g(z) =
P (X = x, Y = z x) = e
=
x! (z x)!
x=0
x=0
z
x
X

z
e(+) z
Czx
e(+) z 1 +

x=0

=
=
=
z!
z!
( + )z
=e(+)
, z = 0, 1, 2, ...
z!
P (X = x, Y = y) = P (X = x) P (Y = y) =

Propozitia 24.1. Functia de repartitie a variabilei X P o() este:

0
,x 0

. .k. . . . . . .
X j
F (x) =
e , k < x k + 1

j=1 j!

... ... ...

Propozitia 24.2. Daca X P o(), atunci
1. 1 < M o < ;
2. M (X) = D2 (X) = .
46

25

Repartitia multinominal
a

O urna contine N = N1 + N2 + .... + Nk bile, dintre care: N1 au culoarea 1, N2 au culoarea

1
2, ..., Nk au culoarea k. Probabilitatea de a extrage o bila oarecare din urna este
.
N
Ni
Probabilitatea de a extrage o bila de culoare i din urna este pi =
. O urna de acest fel
N
se numeste urna lui Bernoulli cu mai multe st
ari.
Fie Ai evenimentul care consta n extragerea unei bile de culoare i din urna, 1 i k.
Propozitia 25.1. Probabilitatea ca n n extrageri independente (fiecare dintre ele putand
da nastere la unul din cele k evenimente A1 , A2 , ..., Ak ) evenimentul Ai sa se produc
a
de ni ori este
n!
Pn (n1 , n2 , ..., nk ) =
pn1 pn2 ... pnk k .
n1 ! n2 ! ... nk ! 1 2
Demonstratie. Presupunem ca cele n bile extrase s-au obtinut n ordinea
A1 ...A1 A2 ...A2 ... Ak ...Ak .
| {z } | {z } | {z }
n1 ori

n2 ori

nk ori

Deoarece Ai sunt independente, probabilitatea acestui eveniment este pn1 1 pn2 2 ... pnk k . Deoarece succesiunea evenimentelor A1 , ..., Ak poate fi oricare, ramane sa vedem n cate
moduri putem scrie n simboluri, dintre care n1 egale cu A1 , n2 egale cu A2 , ..., nk egale
cu Ak . Acest numar este dat de numarul permutarilor cu repetitie si anume
n!
.
n1 ! n2 ! ... nk !
Prin urmare, probabilitatea cautata este
Pn (n1 , n2 , ..., nk ) =
Deoarece
1 = (p1 + p2 + ...pk )n =

n!
pn1 pn2 ... pnk k .
n1 ! n2 ! ... nk ! 1 2
X
n1 ,...,nk

rezulta ca

n!
pn1 pn2 ... pnk k
n1 ! n2 ! ... nk ! 1 2

Pn (n1 , n2 , ..., nk ) = 1

n1 ,...,nk

unde nj poate sa ia toate valorile posibile, astfel ncat nj 0 si

k
X

nj = n.

j=1

Definitia 25.1. Un vector (n1 , n2 , ..., nk ) av

and functia de frecvent
a
Pn (n1 , n2 , ..., nk ) =

n!
pn1 1 pn2 2 ... pnk k .
n1 ! n2 ! ... nk !

se numeste multinomial. Repartitia corespunz

atoare lui se numeste repartitie multinomial
a si se noteaz
a cu M (n; p1 , p2 , ..., pn ).
47

26

Repartitia geometric
a.
negativ
a

Repartitia binominal
a

Cand am definit repartitia binominala am considerat reprezentarea unei experiente cu

doua rezulte posibile: succes (S) si insucces (I). Am fixat un numar n de experiente
si am determinat repartitia numerelor de succese n n repetari. Aceasta repartitie am
numit-o repartitie binominala.
In continuare, consideram situatia n care numarul total de efectuari ale experientei nu
este dat dinainte.
Repetam experienta pana obtinem r succese, acesta fiind fixat dinainte; numarul de
insuccese (x) si numarul total de repetari ale experientei (x + r) sunt variabile.
Fie X variabila numarul total de insuccese obtinute nainte de a se realiza succesul r.
Ne propunem sa gasim functia de frecventa f (x) a variabilei X.
Mai ntai, consideram cazul r = 1. Atunci f (x) este probabilitatea de a avea x insuccese
nainte de primul succes. Acest eveniment se poate realiza ntr-un singur mod: trebuie
sa se obtina insuccese n primele x repetari ale experientei si apoi un succes n experienta
x + 1. Cum repetarile experientei sunt independente, avem
P (I, I, ..., I , S) = (1 p) (1 p) ... (1 p) p ,
| {z }
{z
}
|
x ori

x ori

unde p este probabilitatea succesului. Prin urmare

f (x) = (1 p)x p ,

x = 0, 1, 2, ...

Definitia 26.1. Variabila aleatoare X av

and functia de frecvent
a
f (x) = (1 p)x p
se numeste variabil
a geometric
a, iar (x, f (x)), x = 0, 1, 2, ... se numeste repartitie
geometric
a.
Cum 0 < p < 1, avem

f (x) = p [1 + (1 p) + (1 p)2 + ...] =

x=0

p
= 1.
1 (1 p)

In cazul general, f (x) este probablitatea de a obtine exact x insuccese nainte de succesul
r. Pentru a se realiza acest eveniment, trebuie sa obtinem un succes n experienta r + x si
n cele r+x1 experiente anterioare sa obtinem r1 succese si x insuccese. Probabilitatea
de a obtine r 1 succese n primele r + x 1 experiente este
r1
Cr+x1
pr1 (1 p)x ,

unde probabilitatea de a obtine un succes n experienta r + x este p.

Deoarece experientele sunt independente, probabilitatea cautata este
r1
f (x) = Cr+x1
pr (1 p)x ,

48

x = 0, 1, 2, ...

Definitia 26.2. Variabila X av

and functia de frecvente
r1
pr (1 p)x
f (x) = Cr+x1

se numeste variabil
a binominal
a negativ
a, iar (x, f (x)) repartitie binominal
a
negativ
a.
Propozitia 26.1. Daca X, Y sunt variabile aleatoare independente, repartizate binominal
negativ de parametri (r1 , p), respectiv (r2 , p), atunci variabila X + Y este repartizat
a
binominal negativ de parametri (r1 + r2 , p).

27

Variabile aleatoare continue

Lungimile si timpul teoretic pot lua orice valoare dintr-un interval. Daca evenimentele
sunt asemenea entitati, atunci functia de probabilitate ar trebui sa fie definita pe un
interval si sa asocieze probabilitati tuturor elementelor acestui interval, nu doar unui
numar finit de puncte (probabilitati punctuale).
Exemplul 27.1. Daca un ceas se opreste la ntamplare, care este probabilitatea ca limba
care indica orele sa se opreasca ntre 7 si 10?
Solutie: In acest caz, avem de a face cu o familie de evenimente posibile care sunt ntrun interval continuu. Orice pozitie ntre 0 si 12 este posibila si exista o infinitate de
posibilitati.
Nu putem numara cazurile egal posibile si nu putem asocia probabilitati punctuale.
De aceea, fiecarui subinterval al lui [0, 12] i asociem o probabilitate proportionala cu
lungimea subintervalului. Deoarece intervalului [0,12] de lungime 12 trebuie sa i asociem
1
probabilitatea 1, unui subinterval de lungime unitate i vom asocia probabilitatea
, si
12
3
deci unui interval de lungime 3 = 10 7 i vom asocia probabilitateta
.
12
3
Astfel, probabilitatea ca T sa ia valori ntre 7 si 10 este
.
12
10 7
3
P (7 < T < 12) =
= .
12 0
12
In acest caz, putem face si un rationament n care masuram probabilitatile prin arii de
dreptunghiuri, si anume: reprezentam intervalul de timp [0, 12] pe orizontala ca n figura
1
.
si consideram dreptunghiul avand lungimea 12 si latimea
12

1
, pentru ca aria dreptunghiului sa fie egala cu probabilitatea
12
evenimentului sigur (acul se opreste undeva intre 0 si 12 ), adica 1. Intervalului [7, 10]
1
i corespunde dreptunghiul hasurat, avand aria 3
= P (7 < T < 12).
12
Latimea am luat-o de

49

Exemplul 27.2. Un autobuz trebuie sa ajunga in statia A la ora 7. Din motive

necunoscute, ora de sosire a autobuzului variaza ntre orele 650 si 720 . Frecventele relative
ale diferitelor sosiri arata ca acestea sunt dispuse ca n figura de mai jos:

Care este probabilitatea ca autobuzul sa ajunga la timp n statie?

Solutie: Fie T variabila aleatoare care da timpul de sosire. Sa presupunem T = 0 pentru
705 , mijlocul intervalului timpilor de sosire. Deoarece aria triunghiului este 1, iar baza de
1
la T = 15 la T = 15, naltimea sa va fi h = .
15
Aria triunghiului hasurat reprezinta probabilitatea ca autobuzul sa ajunga n statie la ora
2
1
2
2
700 . Inaltimea triunghiului este
, deci aria sa este 10
= .
45
2
45
9
2
Prin urmare, probabilitatea cautata este .
9
Exemplul 27.3. Pe segmentul AB se alege, la ntamplare, un punct U . Care este
probabilitatea ca distanta de la punctul U la A sa fie cel putin de doua ori mai mare
ca distanta de la U la B?
Solutie: A alege la ntamplare punctul U revine la a spune ca nici o regiune de pe AB
nu este privilegieta. Aceasta nsemna ca probabilitatea ca U sa apartina unui subinterval
I al lui AB este proportionala cu lungimea lui I. Rezulta de aici ca
P (U I) =
si deci

28

lungimea lui I
lungimea lui AB

1
P (|AU | > 2|BU |) = .
3

Functia de repartitie pentru variabile aleatoare

continue. Densitatea de probabilitate

Daca X este o variabila aleatoare ale carei valori sunt punctele unui interval, ne asteptam
ca la schimbari mici ale lui x sa se produca o schimbare mica n P (X < x), cu alte cuvinte
functia de repartitie F (x) sa fie continua.
a continu
a dac
a
Definitia 28.1. O variabila X cu valori reale este numita variabil
functia sa de repartitie F (x) este continu
a.
50

dF
De altfel vom presupune mai mult. Vom admite ca F (x) este derivabila si ca
este
dx
continua.
dF
Definitia 28.2. Functia f (x) =
se numeste densitatea de repartitie (sau de
dx
probabilitate) a variabilei X.
Deoarece F este crescatoare, rezulta
f (x) 0 ,

x.

De asemenea, avem:
Z

F (x) =

f (t)dt

si

F () =

f (t)dt.

Functia de repartitie F (x) se mai numeste si integrala probabilist

a a lui X.
Remarca 28.1. Densitatea de repartitie f este definita pana la o constanta de multiplicare, care se determina din conditia
Z
f (t)dt = 1.

Propozitia 28.1. Daca a si b sunt doua numere reale, atunci au loc urmatoarele egalit
ati:
1. P (a X < b) = P (X < b) P (X < a) = F (b) F (a);
Z b
2. P (a X < b) = F (b) F (a) =
f (t)dt.
a

Demonstratie. Imediata.
Remarca 28.2. Daca a b, atunci F (a) F (b), adica
0,
P (a X < b) ab

deci probabilitatea ca X sa ia valoarea b este zero. Expresia f (b) nu da probabilitatea ca

X = b, o densitate de probablitate folosindu-se numai ca integrand.
Remarca 28.3. Daca b a este mic si f (x) este continua, atunci
Z b
P (a X < b) =
f (t)dt (b a) f (t)
a

a+b
.
2
Remarca 28.4.
unde t =

F (x + x) F (x)
P (x X < x + x)
= lim
.
x0
x0
x
x

f (x) = lim

Aceasta relatie explica si originea termenului de densitate de repartitie: P (x X <

x + x) reprezinta probabilitatea ca variabila aleatoare X sa ia valori n intervalul
[x, x + x) (adica masa), iar x este lungimea acestui interval (adica volumul).
51

Definitia 28.3. Se numeste modul si se noteaz

a cu M o valoarea variabilei X pentru
care densitatea este maxima.
Modulul se gaseste printre radacinile ecuatiei
df
= 0.
dx
Daca ecuatia are o singura solutie, repartitia se numeste unimodal
a.
Intrucat f (x) = dF , rezulta ca modulul se gaseste si printre radacinile ecuatiei
dx
d2 F
= 0.
dx2
Aceasta arata ca n x = M o graficul functiei de repartitie are un punct de inflexiune.
Definitia 28.4. Cuantila de ordin a variabilei aleatoare continue X este acea valoare
x a variabilei X pentru care F (x ) = P (x < x ) = .
Daca functia F (x) este strict crescatoare, atunci variabila X admite cuantile de orice
ordin, si acestea sunt unice.
Cuantila de ordin

1
2

este numita median

a si se noteaza cu M e. Pentru mediana, avem:
1
P (X < M e) = P (X > M e) = .
2

Exemplul 28.1. Sa se determine functia de repartitie, mediana, modulul pentru variabila

aleatoare T din Exemplul 27.2.

29

Valorile medii si dispersia unei variabile aleatoare

continue

a cu densitatea de repartitie f ,
Definitia 29.1. Daca X este o variabila aleatoare continu
atunci valorea sa medie este definita ca
Z +
M (x) =
x f (x)dx ,

cu conditia ca integrala sa convearga absolut, adica

Z +
|x f (x)|dx < +.

caz contrar spunem ca X nu are medie finit

In
a.
Propozitia 29.1. Media unei variabile aleatoare continue are urmatoarele propriet
ati:
1. M (aX) = a M (X);
52

2. M (X + Y ) = M (X) + M (Y );
3. M (X M (X)) = 0.
Demonstratie. Se folosesc proprietatile integralei.
Exemplul 29.1. In conditiile Exemplului 27.2, sa se determine valoarea medie a timpului
de sosire.
Definitia 29.2. Dispersia variabilei aleatoare X este
Z +
2
D (X) =
(x M (X))2 f (x)dx.

Exemplul 29.2. Sa se determine dispersia variabilei aleatoare din Exemplul 27.2.

30

Repartitia normal
a

Definitia 30.1. Spunem ca o variabila X urmeaz

a o repartitie normal
a de parametri
si 2 daca are densitatea de repartitie

1
1
2
2
n(x; , ) =
exp 2 (x ) , < x < ,
2
2
si vom scrie X N (, 2 ).
Propozitia 30.1. Daca X N (, 2 ), atunci
M (X) =

si

D2 (X) = 2 .

Demonstratie. Prin calcul direct.

Remarca 30.1. Functia n(x; , 2 ) este simetrica fata de x = , este maxima n x =
si are puncte de inflexiune n x = . Graficul functiei este dat n figura:

Definitia 30.2. Spunem ca variabila X are densitatea de repartitie normal

a
standard dac
a are densitatea de repartitie
1 2
1
n(x; 0, 1) = e 2 x ,
2

< x < +,

53

, = 0, = 1.

Definitia 30.3. Functia de repartitie a variabilei normale standard,

Z x
1 2
1
e 2 t dt
(x) =
2
se numeste functia lui Laplace.
Din proprietatea lui (x): (x) + (x) = 1, rezulta:
(x) = P (X < x) = P (X > x) = 1 P (X < x) = 1 (x)
Functia lui Laplace este tabelata pentru diferite valori ale lui x. Cu aceste tabele putem
gasi probabilitatile asociate cu evenimentele privind orice variabilia normala.
Propozitia 30.2. Daca X N (, 2 ), atunci:

b
i) P (X < b) =
;

b
a

.
ii) P (a < X < b) =

Demonstratie. Se foloseste schimbarea de variabila u =

x
.

Propozitia 30.3. Daca Xi Ni (i , i2 ), i = 1, n, atunci

Y =

n
X

ci Xi

i=1

are proprietatea
Y Ni

n
X

c i i ,

i=1

n
X

!
c2i i2

i=1

BIBLIOGRAFIE
[1] V. Craiu, Teoria probabilit
atilor cu exemple si probleme, Ed. Fundatiei Romania de
maine, 1997.
[2] R. Johnson, Elementary Statistics, PWS-KENT Publishing Company, Boston, 1984.
[3] R. Mittelhammer, Mathematical Statistics for Economics and Business, Springer,
1996.

54