Alexei LEAHU, prof. univ.

,dr

TI DISCRETE
PROBABILITA

Introducere

Notiunea de statistica se naste odat

a cu aparitia si dezvoltarea relatiilor economce,
pn
a n secolul XIX aceasta ind tratat
a ca stiinta politic
a. Cuvntul n cauz
a
provine de la latinescul status, care nseamn
a stare.
ncepnd cu secolul XIX, statistica prinde conturul stiintei care actualmente
are drept obiect de studiu metodele, procedeele de colectare, organizare, prelucrare, analiza si interpretare a datelor ce vizeaza rezultatele observarilor facute
asupra fenomenelor sau experimentelor aleatoare. Statistica modern
a, mai ales
acea parte a ei care se numeste Statistica matematica , bazndu-se esential pe
realizarile stiintelor matematice, foloseste din plin Teoria probabilitatilor. Or,
Teoria probabilitatilor si Statistica matematica studiaz
a modele matematice ale
experimentelor (fenomenelor) aleatoare.
Aparitia Teoriei probabilit
atilor ca ramur
a a matematicii ce studiaz
a modele
matematice ale fenomenelor aleatoare dateaz
a din secolul XVII si este legat
a de
numele marilor matematicieni Blaise Pascal (1623-1662), Pierre Fermat (16011665), Christian Huygens (1629-1695) si Jacob Bernoulli (1654-1705).
Multimea de fenomene care se ntlnesc n lumea nconjur
atoare se mparte
n dou
a clase: fenomene deterministe si fenomene indeterministe sau aleatoare.
Astfel, spunem ca fenomenul este determinist daca observatorul poate anticipa cu certitudine evolutia acestuia. In calitate de exemplu putem lua fenomenul
atractiei universale. Observatiile facute asupra acestui fenomen i-au permis
marelui matematician si zician englez Isaac Newton (1642-1727) sa formuleze
legea atractiei universale:
m1 m2
F =k 2 .
r
Acesta este un exemplu tipic de model matematic a unui fenomen (in cazul dat)
determinist. Dealtfel, a modela matematic (spre a cercetat) un fenomen, proces, experiment, eveniment sau obiect oarecare nseamna a-l descrie cu ajutorul
notiunilor si formulelor matematice, adica a-l descrie n limbajul matematic.
Unul si acelasi model matematic poate descrie dou
a fenomene diferite n esenta.
De exemplu, formula de mai sus poate servi in calitate de model matematic si
pentru fenomenul atractiei a dou
a particule elementare (legea lui Coulomb).
Spunem despre un fenomen c
a este indeterminist (aleator) - dac
a observatorul fenomenului nu poate anticipa cu certitudine evolutia lui. Din punct
de vedere al observatorului, observatiile f
acute asupra unui fenomen sau m
asur
atorile corespunz
atoare echivaleaz
a cu o experimentare legat
a de fenomenul
dat. Or, prin experiment vom ntelege observarea unui fenomen dat. Experimentele indeterministe se mpart la rndul lor n dou
a subclase: (a) experimente
nedeterministe (aleatoare) care poseda proprietatea regularitatii statistice si (b)
experimente aleatoare care nu poseda proprietatea regularitatii statistice.
Vom spune c
a un experiment aleator E posed
a proprietatea regularitatii (stabilitatii) statistice daca acesta veric
a urmatoarele propriet
ati:
1) poate reprodus ori de cte ori dorim practic n acelea
si conditii;
2) pentru orice eveniment A asociat lui E frecventa lui relativa n n probe

fn (A) =

numarul de probe ^{n care s a produs A

n(A)
=
numarul total de probe
n

oscileaza n jurul unui numar notat cu P(A), P(A) 2 [0; 1], fn (A) devenind,
odata cu cre
sterea lui n, tot mai aproape si mai aproape de P(A)";
3) pentru doua serii diferite, respectiv de n si m probe, atunci cnd n si m
sunt foarte mari, avem ca fn (A) fm (A) .
n concluzie, stabilitatea statistic
a a frecventelor relative confer
a verosimilitate ipotezei, conform c
areia pentru orice eveniment A; posibil ca rezultat observabil al unui experiment aleator E, putem deni num
arul P(A) cu ajutorul
c
aruia m
asur
am gradul (sansele) de realizare a lui A ntr-un num
ar foarte mare
de probe. Astfel, n Teoria probabilit
atilor devine postulat armatia, conform
c
areia pentru orice eveniment A asociat unui experiment aleator E exist
a (obiectiv) un num
ar P(A) numit probabilitate a lui A. Proprietatea reasc
a a acestui
num
ar rezid
a n faptul c
a odat
a cu cresterea num
arului n de probe (experimente) independente frecventa relativ
a fn (A) se apropie tot mai mult de
P(A): Num
arul P(A) se numeste probabilitate statistica (sau frecventiala) a
evenimentului A.
Example 1 Consideram n calitate de experiment E aruncarea monedei o singura data. Fie A evenimentul ce consta n aparitia stemei. Observam, astfel,
ca.

f1000 (A)

1
= P(A), f2000 (A)
2

1
= P(A).
2

Prin urmare, putem arma ca probabilitatea (statistic

a) a aparitiei stemei
la aruncarea monedei o singura dat
a este egal
a cu 1=2; ceea ce inseamn
a, ca
aruncnd moneda de un num
ar sucient de mare de ori, stema va apare n
aproximativ 50% de cazuri .
Putem aduce si alte exemple de fenomene aleatoare: rezultatele arunc
arii
unui zar, greutatea unui bob ge gru ales la ntmplare, num
arul de bacterii
ntr-o pic
atur
a de ap
a, durata vietii unui calculator produs de ntreprinderea
dat
a, num
arul de apeluri telefonice nregistrate la o statie telefonic
a pe durata
unei zile, etc., etc. Enumerarea lor poate continua la nesfrsit, ns
a ele toate vor
avea acelasi caracter, ind nsotite de astfel de notiuni imprecise (deocamdat
a)
ca aruncare onest
a, moneda perfect
a, probe independente, etc.
Remark 2 Probabilitatea statistica nu poate aplicata ntotdeauna, deoarece
nu orice experiment poate repetat n conditii identice ori de cte ori dorim.
Experimentele aleatoare care poseda proprietatea regularitatii statistice tin de
fenomenele de masa. Pentru studiul experimentelor care nu poseda aceasta proprietate, putem folosi notiunea de probabilitate subiectiva.

Denition 3 Prin probabilitate subiectiv

a vom ntelege acea regula P conform
careia o persoana data i asociaza ecarui eveniment A un numar P(A) 2 [0; 1],
numit probabilitatea evenimentului A.
Astfel, putem vorbi despre probabilitatea subiectiva, evaluata, s
a zicem, de
un expert, c
a pn
a n 2015 se va produce prima expeditie a omului pe Marte.
Pentru studiul fenomenelor aleatoare indeterministe, n afar
a de probabilitate subiectiva si probabilitate frecventiala, exist
a si notiunile de probabilitate
clasica, probabilitate geometrica, probabilitate discreta si probabilitate denit
a
n sens axiomatic. Toate aceste notiuni au ca scop denirea unei modalit
ati
de m
asurare a sanselor (gradelor) de realizare a evenimentelor aleatoare date,
denitia axiomatica a probabilitatii ind, ntr-un anumit sens, acoperitoare pentru toate celelate.

2
2.1

Probabilit
a
ti discrete
Spa
tii de evenimente elementare

Modelarea matematic
a a experimentelor aleatoare presupune descrierea ( a)
multimii de rezultate posibile ntr-un experiment, (b) evenimentelor aleatoare
asociate acestui experiment si c) probabilitatea sau regula conform careia
ec
arui eveniment aleator i punem n corespondenta un num
ar ce caracterizeaza
sansele (gradul) lui de realizare. Pentru nceput vom realiza acest deziderat in
cazul discret, adica n cazul cnd multimea de rezultate posibile ntr-un experiment aleator este nit
a sau innit
a cel mult num
arabil
a.
Chiar daca intr-un experiment aleator nu putem anticipa cu certitudine care
rezultat anume se va produce, este resc s
a presupunem ca multimea tuturor
rezultatelor posibile poate descris
a cu exactitate.
Example 4 Experimentul E consta n aruncarea monedei o singura data. Multimea
de rezultate posibile este data de
= fS; Bg = f0; 1g = f! 1 ; ! 2 g, unde prin
S; 0 sau ! 1 se subntelege "stema" iar prin B; 1 sau ! 2 se subntelege "banul".
Example 5 Experimentul E consta n aruncarea monedei de trei ori succesiv.
Multimea de rezultate posibile este data de
= fSSS; SSB; SBS; SBB; BSS; BSB; BBS; BBBg:
Example 6 Experimentul E consta n aruncarea zarului o singura data. Multimea
de rezultate posibile este data de
= f1; 2; 3; 4; 5; 6g = fi j i = 1; 6g = f! i j i = 1; 6g:
Example 7 Experimentul E consta n aruncarea unei monede pna cnd apare
stema. Multimea de rezultate posibile este data de
= fS; BS; BBS; BBBS; : : : ; BB::B
| {z }S; :::g
n 1 ori

care este o multime innita numarabila, unde prin BB::B

| {z }S se subntelege ca
n 1 ori

prima aparitie a "stemei" este precedata de aparitia "banului" de n

succesiv, n 1 .

1 ori

Example 8 Experimentul E consta n alegerea unui punct la ntmplare pe segmentul [0; 1]. Multimea de rezultate posibile este data de
= fx j x 2 [0; 1]g
care este o multime innita nenumarabila, unde x este coordonata punctului
ales.
Example 9 Experimentul E consta n nregistrarea greutatii unui student ales
la ntmplare de la Universitatea Ovidius. Multimea de rezultate posibile este
data de
= fxjx > 0g:
5

Observam ca ultimele 2 exemple nu se incadreaza in cazul discret. Cu toate

acestea exemplele invocate ne conduc la urm
atoarea denitie valabila si n caz
general.
Denition 10 Vom numi spatiu de evenimente elementare orice multime nevida 6= ;, ale carei elemente reprezinta (descriu) toate rezultatele posibile ntrun experiment aleator. Fiecare element al multimii
(care corespunde unui
singur rezultat posibil) se nume
ste eveniment elementar.
Remark 11 Denitia nu exclude situatia cnd unuia si aceluia
si experiment
aleator i putem asocia, n dependenta de scopul urmarit, spatii de evenimente
elementare diferite. Astfel, n exemplul 2 daca ne intereseaza numai numarul
de steme aparute la aruncarea monedei de trei ori, atunci n calitate de spatiu
de evenimente elementare putem lua
= f0; 1; 2; 3g:

2.2

Evenimente aleatoare, cmp de evenimente

Pentru a introduce notiunea matematica cu ajutorul c

areia s
a descriem evenimentele aleatoare vom pleca de la exemplul legat de aruncarea zarului o singur
a dat
a pentru care spatiul corespunz
ator de evenimente elementare este =
f1; 2; 3; 4; 5; 6g. Consider
am urm
atoarele evenimente aleatoare: A = fnumarul
de puncte va par g; B = fnumarul de puncte va impar g; C = fnumarul de
puncte va mai mic sau egal cu 4g; D = fnumarul de puncte va mai mic
dect 13g; E = fnumarul de puncte va mai mare dect 13g; F = fnumarul
de puncte va divizibil cu 3g. Observam c
a putem stabili urm
atoarea corespondenta biunivoc
a: A ! f2; 4; 6g; B ! f1; 3; 5g; C ! f1; 2; 3; 4g;
D ! f1; 2; 3; 4; 5; 6g = ; E ! ;; F ! f3; 6g.
n concluzie, dac
a experimentului aleator i corespunde un spatiu discret de
evenimente elementare , atunci evenimentele aleatoare pot descrise ca ind
submultimi ale lui . Or, operatiile care pot aplicate asupra multimilor pot
aplicate si asupra evenimentelor aleatoare.
Asa dar e un spatiu de evenimente elementare.
Denition 12 Vom numi eveniment aleator (n caz discret) orice submultime
A
. n particular,
se va numi evenimentul sigur, iar ; se va numi
eveniment imposibil. Spunem ca evenimentul elementar ! 2
favorizeaza
aparitia evenimentului A daca si numai daca ! 2 A
.
Denition 13 Sum
a ( reuniune) a doua evenimente aleatoare A; B
numi evenimentul
C = A [ B = f! 2

vom

j ! 2 A sau ! 2 Bg;

adica C se produce daca sau se produce A, sau se produce B, sau se produc A si

B concomitent . Cu alte cuvinte, suma evenimentelor A si B se produce atunci
si numai atunci cnd se produce cel putin unul din aceste doua evenimente.
6

n exemplul nostru: A [ F = f2; 3; 4; 6g, A [ B = .

Denition 14 Produs ( intersectie) a doua evenimente aleatoare A; B
numi evenimentul
C = A \ B = f! 2

vom

j ! 2 A si ! 2 Bg;

adica C se produce daca se produce si A si B. Cu alte cuvinte produsul evenimentelor A si B se produce atunci si numai atunci cnd aceste evenimente se
produc concomitent.
n exemplul nostru: A \ F = f6g, A \ B = ;.
Denition 15 Pentru orice A
vom numi eveniment "non-A" complementara acestei submultimi n raport cu , adica evenimentul notat cu A sau Ac ,
unde
Ac = f! 2 j ! 2
= Ag
Or, evenimentul A se produce atunci si numai atunci cnd nu se produce evenimentul A.
n exemplul nostru: A = B, B = A, D = E, E = D.
Denition 16 Daca avem doua evenimente aleatoare A; B
spunem ca
evenimentul A implic
a evenimentul B daca si numai daca A B. Altfel spus,
A implic
a B atunci si numai atunci cnd din faptul ca s-a produs evenimentul A
rezulta ca s-a produs si evenimentul B. Daca A B si B A, atunci spunem
ca A = B (A este echivalent cu B).
Cum operatiile asupa evenimentelor aleatoare sunt, de fapt, operatii asupra
multimilor din putem formula f
ar
a demonstratie
Proposition 17 Operatiile asupra evenimentelor aleatoare au urmatoarele proprietati: A [ A = A; A [ = ; A \ A = A; A \ = ; A [ ; = A; A \ ; = ;;
A \ (B [ C) = (A \ B) [ (A \ C); A [ B = A \ B; A \ B = A [ B.
Remark 18 Ultimele doua proprietati se numesc formulele de dualitate ale lui
De Morgan.
Prin analogie, operatiile de sum
a si produs pot extinse asupra evenik

mentelor Ai

, i = 1,2,: : : ;adica putem opera cu evenimentele : [ An ,

n=1

n=1

n=1

n=1

[ An , \ An , \ An , unde k

2.

Denition 19 Daca A; B
sunt astfel nct A \ B = ;, atunci spunem ca
A si B sunt experimente incompatibile (sau disjuncte).
Se veric
a cu usurinta c
a familia F = fA j A este eveniment aleator legat de
experimentul caruia i corespunde g si care n caz discret coincide cu fA j A
g; posed
a urm
atoarele propriet
ati:
7

1. Dac
aA

F, atunci A 2 F;
1

2. Dac
a A1 ; A2 ; :::; An ; ::: 2 F , atunci [ Ai 2 F.
i=1

Denition 20 Familia F cu proprietatile de mai sus se nume

ste
algebra,
iar spatiul de evenimente elementare nzestrat cu
algebra F de submultimi
ale lui se nume
ste spatiu m
asurabil si se noteaza prin ( ; F).

2.3

Deni
tia clasic
a a probabilit
a
tii

n secolul XVII Jacob Bernoulli da urm

atoarea denitie a probabilit
atii considerate ast
azi clasic
a, denitie ce vizeaz
a cazul cnd (1) multimea tuturor rezultatelor posibile este nita si (2) aceste rezultate sunt echiprobabile: "Probabilitatea P (A) a evenimentului A este raportul dintre numarul k de rezultate
posibile care favorizeaza acest eveniment si numarul total de rezultate posibile,
adica
num
arul de rezultate favorabile evenimentului A
".
P(A) =
num
arul total de rezultate posibile
Interesant este faptul c
a aceast
a denitie a ap
arut n direct
a leg
atur
a cu
jocurile de noroc, iar la formularea ei au contribuit si Blaise Pascal si Pierre
Fermat care in acea perioad
a se confruntau cu o problem
a formulat
a de cavalerul
De Mere. Este vorba de observatia lui De Mere c
a, n legatur
a cu aruncarea
zarului de trei ori, evenimentele A = fsuma numarului de puncte va egala cu
11g si B = fsuma numarului de puncte va egala cu 12g sau mizele puse pe
aceste evenimente au, teoretic vorbind, aceasi sans
a (probabilitate) de realizare.
Iat
a rationamentele lui De Mere: evenimentului A i corespund combin
arile
1 4 6, 1 5 5, 2 3 6, 2 4 5, 3 3 5, 3 4 4, iar evenimentului B i
corespund combin
arile 1 5 6, 2 4 6, 2 5 5, 3 4 5, 3 5 6, 4 4 4 , prin
urmare sunt favorizate de acelasi num
ar de rezultate posibile cea ce echivaleaz
a
cu faptul c
a P (A) =P (B). ns
a acelasi De Mere observa, pe cale empiric
a, faptul
ca frecventele relative corespunz
atoare evenimentelor A si B difer
a, atunci cnd
num
arul n de partide de joc devine sucient de mare, mai exact fn (A) > fn (B).
Cum se explic
a acest "paradox"?- ntreab
a acesta. Eroarea lui De Mere rezid
a,
dupa cum au remarcat Pascal si Fermat in corespondenta lor, n faptul ca
acesta nu a enum
arat corect rezultatele posibile ce favorizeaz
a evenimente n
cauz
a. Astfel, combinarea 1 4 6 nglobeaz
a, de fapt, 3! rezultate posibile,
dac
a e s
a lu
am n consideratie si rezultatul concret al ecarei aruncari. Or, A este
favorizat de 27 iar B de 25 rezultate posibile. Zarul ind "perfect", este resc
sa consider
am ca toate rezultatele posibile sunt echiprobabile si atunci,conform
denitiei de mai sus, P (A) = 27 = 216 >P (B) = 25 = 216 (Demonstrati!).
Denition 21 Vom spune ca avem de-a face cu o probabilitate clasica daca:
1. Spatiul de evenimente elementare este nit:

= f! 1; ! 2; : : : ; ! n g;

2. Familia tuturor evenimentelor aleatoare F = fA j A

8

g;

3. Probabilitatea este o funtie P : F ! R data de formula

P(A) =

card(A)
.
card( )

n acest caz, ( ; F;P ) se nume

ste cmp de probabilitate clasic
a.
Direct din denitie deducem
Proposition 22 Daca ( ; F;P ) este un cmp de probabilitate clasica si card( )
= n, atunci
1
P f! 1 g = P f! 2 g = : : : = P f! n g = .
n
Remark 23 Echiprobabilitatea tuturor evenimentelor elementare n calitate de
conditie necesara pentru aplicabiltatea denitiei clasice a probabilitatii la rezolvarea unor probleme, atunci cnd card( ) < 1; se bazeaza, de regula, pe
supozitia ca, de pilda, "moneda este simetrica", "zarul este perfect", "extragerea
se face la ntmplare", etc. Daca modelul clasic ( ; F;P ) este sau nu "n concordanta cu realitatea" o putem aa, vericand daca "frecventa relativa este sau
nu n concordanta cu probabiltatea P " , aceasta in presupunerea ca experimentul
n cauza poseda proprietatea regularitatii statistice.

2.4

Elemente de combinatoric
a
si aplica
tii

Analiza combinatorie se bazeaz

a esential pe doua principii: Principiul adunarii
si Principiul nmultirii. Dac
a A si B sunt dou
a multimi nite, atunci distingem
dou
a situatii, dup
a cum cele dou
a multimi pot disjuncte sau nu. Evident are
loc
Principiul adun
arii (caz disjunct) Dac
a A si B sunt multimi nite si
disjuncte, adic
a A \ B = ;, card(A) = n si card(B) = m, atunci
card(A [ B) = n + m
Corollary 24 Daca A1 ; A2 ; :::; Ak sunt multimi nite disjuncte doua cte doua,
atunci
k
X
k
card( [ Ai ) =
cardAi
i=1

i=1

Principiul adun
arii (caz general). Dac
a A si B sunt multimi nite,
A; B
, card(A) = n, card(B) = m si card(A \ B) = k, atunci card(A [ B) =
n + m k.
Demonstra
tie. Folosind propriet
atile operatiilor asupra multimilor, deducem
c
a oricare ar multimile A, B
avem :
A = (A \ B) [ (A \ B), B = (A \ B) [ (A \ B),
A [ B = (A \ B) [ (A \ B) [ (A \ B).
9

Conform principiului adun

arii n cazul disjunct obtinem:

card(A) = card(A \ B) + card(A \ B); card(B) = card(A \ B) + card(A \ B);

card(A[B) = card(A\B)+card(A\B)+card(A\B)+card(A\B) card(A\B)

= card(A) + card(B)

card(A \ B) = n + m

k.

Exercise 25 Folosind inductia matematica deduceti Principiul adunarii pentu

un numar arbitrar k de multimi nite A1 ; A2 ; :::; Ak .
Example 26 Consideram o grupa de studenti despre care stim ca 20 de studenti cunosc limba engleza, 15 limba franceza, 10 limba germana, 5 limbile engleza si franceza, 5 limbile franceza si germana,4 limbile engleza si germana si
1 student limbile engleza, franceza si germana. Cti studenti sunt n grupa ?
Notnd prin E, F si G multimile de studenti care posed
a, respectiv, limba englez
a, francez
a, german
a si tinnd cont de datele problemei, deducem: cardE =
20, cardF = 15, cardG = 10, card(E\F ) = 5, card(E\G) = 4, card(F \G) = 5,
card(E \ F \ G) = 1 si atunci
card(E [ F [ G) = card(E) + card(F ) + card(G) card(E \ F )
card(E \ G) card(F \ G) + card(E \ F \ G) = 32:
Principiul nmul
tirii n limbajul produsului cartezian. Daca A si B
sunt doua multimi nite astfel nct card(A) = n si card(B) = m, atunci
card(A

B) = n m:

Demonstra
tie. Este evident ca dac
a
A = fa1 ; a2 ; :::; an g ; B = fb1 ; b2 ; :::; bm g ;
atunci multimile A B si f (i; j) i = 1; n, j = 1; m g au acelasi num
ar de elemente. Daca n sistemul cartezian de coordonate xOy vom plasa valorile i = 1; n
pe axa Ox iar valorile j = 1; m pe axa Oy, atunci elementului (i; j) i corespunde
punctul (i; j) din planul xOy, avnd, astfel, n planul xOy o retea de n m puncte.
Pentru orice num
ar k de multimi nite, aplicnd metoda inductiei matematice, putem demonstra c
a are loc formula:
n

card(A1

A2

:::
10

An ) =

i=1

cardAi .

Demonstratia ei se bazeaz
a esential pe faptul ca are loc egalitatea A1 A2
: : : Ai = (A1 A2 : : : Ai 1 ) Ai , i = 2; k;.
Principiul nmultirii n limbajul produsului cartezian poate reformulat n
limbajul actiunilor.
Principiul nmul
tirii n limbajul ac
tiunilor. Daca o actiune poate realizata n k etape succesive astfel nct etapa i poate realizata n ni modalitati,
i = 1; k, atunci aceasta actiune poate realizata n n1 n2 : : : nk modalitati.
Example 27 Presupunem ca un safeu poate deschis cunoscnd un cod de
forma
i1 i2 i3 i4 i5 i6 ;
unde ik = 0; 9, k = 1; 6. Cu ce este egala probabilitatea ca safeul se va deschide
daca vom forma codul la ntmplare.
Spatiul de evenimente elementare coincide cu produsul cartezian a multimii
f0; 1; 2; :::; 9g de 6 ori cu ea ns
asi, adic
a
= (i1 ; i2 ; :::; i6 ) j ik 2 f1; 2; :::; 9g ; k = 1; 6 .

Acesta are, conform Principiului nmultirii n limbajul produsului cartezian,106

elemente. Din denitia clasic
a deducem c
a probabilitatea de a deschide safeul,
formnd codul la ntmplare, este egal
a cu 1=106 .
Dac
a avem informatia ca acest cod este format din cifre diferite atunci probabilitatea n cauz
a creste. ntr-adev
ar, a forma un cod din 6 cifre diferite este
echivalent cu a efectua o actiune n 6 etape succesive, astfel nct prima etap
a
poate realizat
a n 10 modalit
ati, cea de a doua n 9 modalit
ati,etc., ultima
(a sasea) n 10 (6 1) = 5 modalit
ati. Conform Principiului nmultirii
n limbajul actiunilor, num
arul tuturor evenimentelor elementare este egal cu
10 9 8 7 6 5 = A610 , prin urmare probabilitatea de a deschide safeul, formnd codul la ntmplare, este egal
a cu 1=A610 . Mai observam c
a, spre deosebire
de varianta anterioar
a, aplicarea principiului inmultirii in limbajul produsului
cartezian devine defectuoas
a.
Denition 28 Fie A o multime formata din n elemente diferite, A = fa1 , a2 ,
, an g, atunci vom numi aranjament din n elemente luate cte k orice multime
ordonata de forma (ai1 ; ai2 ;
; aik ) cu proprietatea ca i1 6= i2 6=
=
6 ik ,
aij 2 A, ij = 1; n , j = 1; k. Evident, notiunea are sens pentru k = 1; n.
Multimea tuturor aranjamentelor de n elemente luate cte k se noteaza cu Akn
, adica
Akn = (ai1 ; ai2 ;

; aik ) j i1 6= i2 6=

6= ik ; aij 2 A; ij = 1; n, j = 1; k .

Cardinalul acestei multimi se noteaza cu Akn si este numarul tuturor aranjamentelor din n elemente luate cte k.
Conform principiului nmultirii n limbajul actiunilor, a construi un aranjament din n elemente luate cte k este echivalent cu a realiza o actiune n k etape
11

succesive, astfel nct prima etap

a poate realizat
a n n modalit
ati, cea de a
doua n n 1 modalit
ati, etc., ultima (etapa nr. k) n n (k 1) = n k + 1
modalit
ati. Or, num
arul tuturor aranjamentelor din n elemente luate cte k
este egal cu
Akn = n (n

1) (n

2)

(n

k + 1) =

n!
(n

k)!

Prin denitie, atunci cnd k = n; aranjamentul se numeste permutare de

n elemente. Deci multimea tutror permut
arilor de n elemente notat
a prin Pn
coincide cu Ann , ceea ce nseamn
a ca numarul tutror permutarilor de n elemente
Pn este egal cu Akn , adic
a Pn = n!.
Denition 29 Orice submultime de forma fai1 ; ai2 ;
; aik g, i1 6= i2 6=
6=
ik , aij 2 A, ij = 1; n, j = 1; k , se nume
ste combinare din n elemente luate cte
k. Evident notiunea are sens pentru k = 1; n. Multimea tuturor combinarilor
de n elemente luate cte k elemente o vom nota prin
Cnk = fai1 ; ai2 ;

; aik g j i1 6= i2 6=

6= ik ; aij 2 A; ij = 1; n; j = 1; k

Cardinalul acestei multimi l vom nota cu Ckn .

Observ
am ca dintr-o combinare din n elemente luate cte k putem forma
k! aranjamente din n elemente luate cte k. Or, a forma un aranjament din
n elemente luate cte k este echivalent cu a realiza o actiune n dou
a etape
succesive:
1. alegem o combinare din n elemente luate cte k, etap
a pentru care avem
Ckn modalit
ati de a o efectua;
2. din aceast
a combinare, form
am un aranjament din n elemente luate cte
k, etap
a care se poate realiza n Akn modalit
ati.
Rezult
a c
a Akn = k! Ckn ; adic
a
Ckn =

Akn
n!
=
:
k!
k!(n k)!

Exercise 30 Demonstrati ca daca A este o multime formata din n elemente

diferite, atunci Cardf B j B A g = 2n .
Example 31 Consideram ca avem o multime de n elemente astfel nct n1
elemente sunt de tipul 1, n2 elemente sunt de tipul 2,
, nk elemente sunt
de tipul k, n1 + n2 + ::: + nk = n. Alegem la ntmplare, unul cte unul,
toate elementele multimii si le aranjam n ordinea extragerii lor. Sa se calculeze
cardinalul spatiului de evenimente elementare corespunzator acestui experiment.

12

Pentru a alc
atui un evenimentt elementar din spatiul corespunz
ator acestui
experiment este sucient s
a realiz
am o actiune n k etape succesive.
Etapa 1: din n locuri disponibile pentru a aranja elementele extrase, alegem
n1 locuri pe care vom plasa elementele de tipul1. Aceast
a actiune o putem
realiza n Cnn1 modalit
ati;
Etapa 2: din cele n n1 locuri, disponibile dupa etapa 1 , alegem n2 locuri
pe care vom plasa elementele de tipul 2. Aceast
a actiune o putem realiza n
Cnn2 n1 modalit
ati, etc.,
Etapa k: din cele n n1 n2
nk 1 = nk locuri, disponibile dupa etapa
k, alegem nk locuri pe care vom plasa elementele de tipul k. Aceast
a actiune o
nk
putem realiza n Cnnk n1 n2
=
C
modalit
a

t
i.
nk
nk 1
Conform principiului nmultirii, avem :
card( ) = Cnn1 Cnn2 n1

Cnnk n1

n2

nk

n!
.
n1 !n2 ! nk !

Formula obtinut
a este, de fapt, formula de calcul pentru P (n1 ; n2 ; :::; nk );
num
arul permut
arilor a n elemente, din care n1 elemente sunt de tipul 1, n2
elemente sunt de tipul 2,
, nk elemente sunt de tipul k, n1 + n2 + ::: + nk = n:
P (n1 ; n2 ; :::; nk ) =

n!
.
n1 !n2 ! nk !

Ultima mai poarta denumirea de formula permutarilor cu repetare.

Exercise 32 Presupunem ca avem la dispozitie 10 cartona
se marcate cu litere
astfel: M , M , A, A, A, T , T , I, E, C. Un copil se joaca, extagnd la ntmplare
cte un cartona
s si aranjndu-l n ordinea extragerii. Care este probabilitatea
sa obtinem cuvntul MATEMATICA?
ntruct consider
am cartonasele marcate la fel ca ind de acelasi tip, rezult
a
c
a avem 2 cartonase de tip M , 3 cartonase de tip A, 2 cartonase de tip T ,
1 cartonas de tip I, 1 cartonas de tip E si 1 cartonas de tip C. Folosind
formula dedus
a mai sus, cardinalul spatiului de evenimente elementare asociat
experimentului este
10!
card( ) =
3!2!1!1!1!
Rezult
a c
a probabilitatea obtinerii cuvntului MATEMATICA este egal
a cu
1
3!2!1!1!1!
1
=
=
card( )
10!
2 5 6 7 8 9 10
Example 33 Presupunem ca dispunem de n cutii si r bile identice. Plasam
bilele, una cte una, la ntmplare, n una din cutii. Sa se calculeze cardinalul
spatiului de evenimente elementare corespunzator acestui experiment.
n cele ce urmeaz
a vom reprezenta n cutii prin intermediul a n + 1 bare
verticale, iar r bilel prin intermediul a r asteriscuri. De exemplu, situatia cnd
13

5 bile identice, ind plasate in 3 cutii astfel nct in prima cutie nimeresc 0 bile,
in cutia a doua 2 bile si n cutia a treia 3 bile poate reprezentat
a astfel:
jj

j;

iar situatia cnd toate bilele nimeresc in prima cutie poate reprezentat
a astfel:
j

jjj :

Or, pentru o astfel de reprezentare schematic

a avem nevoie de n + 1 locuri
pentru bare (peretii cutiilor) si r locuri pentru asteriscuri (bile). Din exemplele
aduse vedem c
a orice repartizare concret
a a r bile identice n n cutii este univoc
determinata de pozitia a n 1 bare (pereti) interioriare si a r asteriscuri (bile)
pe cele r + n 1 locuri interioare, cele dou
a bare (pereti) exterioare r
amnnd
de ecare dat
a xe. Drept consecinta alegerea a n 1 locuri pentru bare (sau
r locuri pentru asteriscuri) din totalul de n + r 1 locuri, poate f
acut
a n
Cnn+r1 1 = Crn+r 1 modalit
ati, Crn+r 1 nd cunoscut ca num
arul combinarilor
din n elemente luate cte r cu repetare.
Exercise 34 Fie functia reala de n variabila f (x1 ; x2 ;
itati putem construi derivatele partiale de ordinul r?

; xn ). n cte modal-

Acum putem formula si demonstra propriet

atile probabilit
atii clasice.
Proposition 35 Fie ( ; F;P ) un cmp de probabilitate clasica, atunci probabiliatea P poseda urmatoarele proprietati:
1. P ( ) = 1;
2. P (;) = 0;
3. P (A) = 1 P (A), P (A) = 1
4. Daca A
5. 0

P (A)

P (A);

B, A; B 2 F, atunci P (A)

P (B);

1; 8 A 2 F;

6. (Formula adun
arii probabilit
a
tilor n caz disjunct)
P (A [ B) =P (A)+P (B); 8 A; B 2 F , A \ B = ;;
7. (Formula adun
arii probabilit
a
tilor n caz general)
P (A [ B) =P (A)+P (B) P (A \ B); 8 A; B 2 F;
8. P(AB)

P(A)

P(A [ B)

P(A) + P(B), 8 A; B 2 F:

Demonstra
tie. 1. Din denitia clasic
a a probabilit
atii avem c
a
P( ) =

card( )
= 1:
card( )

14

2.Din faptul c
a [ ; = , \ ; = si din proprietatea 6 rezult
a P( [
;) =P ( )+P (;) =P ( ) = 1. Deci P (;) = 0.
3.Din faptul c
a A [ A = , A \ A = ; si din proprietatea 6 rezult
a P (A [
A) =P (A)+P (A) =P ( ) = 1. Deci P (A) = 1 P (A).
4.Fie A; B 2 F, A B.Atunci din faptul c
a B = A[(A\B), A\(A\B) = ;,
avem
P (B) =P (A [ (A \ B)) =P (A)+P (A \ B)
5.Deoarece ;

P (A).

din 4 rezult
a c
a
0 = P(;)

P(A)

P( ) = 1.

6. Fie A; B 2 F , A \ B = ;, atunci
P(A) =

card(A [ B)
card(A) + card(B)
card(A) card(B)
=
+
= P(A)+P(B).
=
card( )
card( )
card( ) card( )

7.Fie A; B 2 F, atunci egalit

atile A = AB [ AB, B = AB [ AB, A [ B =
AB [ AB [ AB si proprietatea 6 implic
a,
P(B) = P(AB) + P(AB); P(A) = P(AB) + P(AB);
P(A [ B) = P(AB) + P(AB) + P(AB).
Deci P (A [ B)) =P (A)+P (B) P (AB).
8. Observ
am c
a AB
A
A [ B si atunci din proprietatea 4 avem
P (AB) P (A) P (A [ B).
Remark 36 Pentru demonstratia proprietatilor de mai sus faptul ca avem de a
face cu o probabilitate clasica a fost esential numai n cazul proprietatilor 1 si
6. Dealtfel, proprietatile 1-8 ale probabilitatii sunt valabile si n cazul denitiei
statistice a probabilitatii si nu numai. Astfel, se verica cu u
surinta ca frecventa
relativa satisface urmatoarele proprietati:
1. fn ( ) = 1;
2. fn (;) = 0;
3. fn (A) = 1
4. Daca A
5. 0

fn (A)

fn (A); fn (A) = 1

fn (A);

B, A; B 2 F , atunci fn (A)

f/n (B);

1; 8 A 2 F;

6. fn (A [ B) = fn (A) + fn (B); 8 A; B 2 F , A \ B = ;;
7. fn (A [ B) = fn (A) + fn (B)
8. fn (AB)

fn (A)

fn (A [ B)

fn (A \ B); 8 A; B 2 F;
fn (A) + fn (B), 8 A; B 2 F.
15

Acest lucru este resc si n contextul legaturii dintre frecventa relativa fn (A)
a unui eveniment A n n probe legate de un experiment aleator E si probabilitatea
P (A), ntruct fn (A) P (A), atunci cnd n este sucient de mare.
Exercise 37 La examenul de Probabilitati, Statistica au fost propuse 24 de
bilete de examinare, din care 20 "norocoase" si 4 "nenorocoase". ntr-o
grupa de 24 studenti, ecare student extrage la ntmplare un bilet n ordinea
prezentarii sale la examen. Care student are probabilitatea mai mare de a extrage
un bilet norocos: primul sau al doilea,..., sau ultimul, daca biletele nu se pot
repeta?
Vom calcula probabilitatea ca studentul cu num
arul (de ordine) k s
a extrag
a
un bilet "norocos". Consider
am biletele "norocoase" numerotate de la 1 la 20,
iar cele "nenorocoase" numerotate de la 21 la 24.
Spatiul de evenimente elementare n acest caz este dat de
= (i1 ; i2 ;

; in ) j i1 6= i2 6=

6= in ; ij = 1; 24; j = 1; 24

Cardinalul acestei multimi este card( ) = 24!

Not
am evenimentul care ne intereseaz
a prin
Ak = fstudentul k extrage un bilet "norocos"g , k = 1; 24.
Pentru k xat
Ak = f(i1 ; i2 ;

; in ) 2

j ik 2 f1; 2;

; 20gg

Evident card(Ak ) = 20 23! (alegerea unui bilet norocos pentru pozitia k se

poate realiza n 20 de modalit
ati, iar aranjarea celorlalte 23 de bilete r
amase pe
cele 23 de locuri r
amase libere se poate realiza n 23! modalit
ati). Rezult
a:
P(Ak ) =

20 23!
20
=
.
24!
24

Observ
am, astfel, c
a probabilitatea calculat
a nu depinde de ordinea intr
arii
studentului la examen.
Example 38 (Schema bilei nentoarse) Dintr-o urna ce contine M bile ro
sii
si N M bile albe. Extragem la ntmplare n bile. Sa se calculeze probabilitatea
ca printre cele n bile extrase exact k bile vor ro
sii.
Sintagma "la ntmplare" este esential
a ntruct aceasta indic
a asupra echiprobabilit
atii evenimentelor elementare. Drept consecinta putem aplica denitia
clasic
a a probabilit
atii.
Vom considera bilele rosii numerotate de la 1 la M si bilele albe numerotate
de la M + 1 la N . Atunci spatiul de evenimente elementare asociat acestui
experiment se poate scrie ca:
= fi1 ; i2 ;

; in g j i1 6= i2 6=
16

6= in ; ij = 1; n ; j = 1; n

si card( ) = CnN .
Not
am prin Ak evenimentul c
a printre n bile extrase exact k bile vor rosii:
Ak
k

= ffi1 ; i2 ;
; in g 2
= 0; min(n; M ):

j card (fi1 ; i2 ;

; in g \ f1; 2;

; M g) = kg ,

Conform principiului nmultirii n limbajul actiunilor, a forma o combinare

din n bile astfel nct k bile s
a e de culoare rosie este echivalent cu a realiza o
actiune n 2 etape:
1. alegem k bile rosii dintre cele M bile rosii existente: aceast
a actiune se
poate realiza n CkM modalit
ati;
2. alegem n k bile albe pentru a completa pozitiile r
amase, actiune ce se
poate realiza n CnN kM modalit
ati.
Deci probabilitatea evenimentului Ak
P(Ak ) =

Ck Cn
card(Ak )
= M nN
card( )
CN

k
M

Remark 39 Regula P : F ! R prin care unui eveniment i asociem probabilitatea sa se mai nume
ste si repartitie. Schema bilei nentoarse dene
ste modelul
probabilist ce poarta numele de repartitia hipergeometric
a. Este clar ca
min(n;M )

min(n;M )

P(Ak ) =

k=0

k=0

CkM CnN
CnN

k
M

= 1, (1)

deoarece valorile de la 0 la min(n; M ) reprezinta toate valorile pe care le poate

lua k n experimentul nostru. Acest tip de rationament este tipic pentru demonstratia unor identitati matematice prin intermediul metodelor probabiliste. n
cazul de fata este vorba de identitatea
min(n;M )

CnN =

CrM CnN

r
M

r=0

care este consecinta a relatiei (1).

Example 40 Schema bilei nentoarse serve
ste ca model matematic pentru experimentele aleatoare ce apar n legatura cu jocul de noroc "Loto 6 din 49".
n acest caz N = 49, M = 6 , n = 6. Atunci probabilitatea ca, alegnd la
ntmplare 6 numere dintre 49, toate vor "norocoase" este egala cu:
P(A6 ) =

C66 C649 66
1
= 6
C649
C49

17

1
:
14000000

Example 41 Aceea
si schema se poate dovedi utila pentru a estima numarul de
pe
sti dintr-un lac fara a nevoie de a-i numara pe toti. Astfel, presupunem ca
ntr-un lac sunt x pe
sti, x ind numarul necunoscut pe care vrem sa-l estimam.
Presupunem ca aruncam o plasa si prindem M pe
si si i marcam cu o vopsea
rezistenta la apa, dupa care i aruncam napoi n lac. Dupa un timp aruncam
plasa si prindem, sa zicem n pe
sti, dintre care k pe
sti vor marcati.
Probabilitatea acestui eveniment poate exprimata ca o functie ce depinde de
x, M; n; k ind cunoscute:
f (x; M; n; k) =

CkM Cnx
Cnx

k
M

; x

max(n; M )

Conform principiului verosimilit

atii maxime formulat de remarcabilul mamatematician si biolog american R.A. Fisher n anii 30 ai secolului trecut, o data
ce s-a produs un eveniment, rezulta ca s-a produs evenimentul de probabilitate
maxima. Valoarea x0 pentru care aceasta functie (care exprima probabilitatea)

si atinge maximul se nume

ste estimatie de verosimilitate maxim
a si conform
principiului verosimilitatii maxime putem spune ca numarul cel mai probabil de
pe
sti n lac este egal cu x0 .
Example 42 Un alt exemplu de aplicare al acestei scheme este cel al experimentelor aleatoare ce apar n legatura cu efectuarea controlului calitatii a unui
lot de N produse de acelasi tip. Problema care se pune n acest caz rezida n
estimarea numarului de produse care nu corespund standardelor de calitate necesare. Notam numarul acestora cu x.
Luam un e
santion de n produse si numaram cte produse nu corespund standardelor. Fie ca acest numar este egal cu k. Conform principiului verosimilitatii
maxime, faptul ca s-a produs evenimentul respectiv, nseamna ca s-a produs
evenimentul cel mai probabil. Probabilitatea acestuia poate scrisa ca functie
de x, N; n; k ind cunoscute:
f (N; x; n; k) =

Ckx CnN
CnN

k
x

Valoarea x0 pentru care aceasta functie atinge maximul va da numarul cel mai
probabil de produse care nu corespund standardelor.
Example 43 (Schema bilei ntoarse) Dintr-o urna ce contine N bile, dintre
care M bile ro
sii si N M bile albe extragem la ntmplar una cte una n bile, cu
ntoarcerea bilei n cutie dupa ce notam culoarea ei. Sa se calculeze probabilitatea
ca printre n bile extrase, exact k sunt ro
sii, 0 k n.
Folosirea expresiei "la ntmplare" ne permite calculul acestei probabilit
ati
folosind denitia clasic
a. Numerot
am bilele rosii de la 1 la M si bilele albe de
la M + 1 la N . Atunci spatiul evenimentelor elementare posibile se scrie astfel:
= (i1 ; i2 ;

; in ) j ij = 1; N; j = 1; n
18

ntruct extragerea bilelor se face cu ntoarcere, este posibil ca la o realizare

a experimentului o bil
a s
a e extras
a de mai multe ori. Construirea unui element din
poate privit
a ca realizarea unei actiuni n n etape, la etapa k
completndu-se pozitia k, k = 1; n. ntruct pentru ecare pozitie exist
a exact
N posibilit
ati de a alege o bil
a, cardinalul acestei multimi
card( ) = N n :
Evenimentul A = fprintre n bile extrase exact k vor rosiig se poate scrie ca
A = f(i1 ; i2 ;

; in ) 2

Dar un sir ordonat (i1 ; i2 ;

j card(fi1 ; i2 ;

; in g \ f1; 2;

; M g) = kg .

; in ) 2 A se poate construi n trei etape succesive:

1. din n locuri posibile se aleg k pozitii pe care vom aseza bilele rosii, etap
a
care poate realizat
a n Ckn modalit
ati;
2. complet
am cele k pozitii alese la pasul anterior cu bile rosii, adic
a cu
numere din multimea f1; 2;
; M g, numere care se pot repeta. Aceast
a
etap
a se poate realiza n M k modalit
ati;
3. complet
am pozitiile r
amase, n num
ar de n k, cu numere din multimea
fM + 1; M + 2;
; N g. Aceast
a etap
a se realizeaz
a n (N
M )n k
modalit
ati.
Conform principiului nmultirii rezult
a c
a valoarea
card(A) = Ckn M k (N

M )n

Prin urmare probabilitatea evenimentului A:

P(A)
0

card(A)
Ck M k (N
= n
card( )
Nn
k n.

M )n

= Ckn

M
N

M
N

n k

Remark 44 Modelul descris de schema bilei ntoarse se nume

ste, prin denitie,
repartitie binomiala, denumirea provenind, evident, de la binomul lui Newton,
ai carui termeni denesc repartitia.

2.5

Cmpuri de probabilitate discret

a

Denitia clasic
a a probabilit
atii are o arie de aplicare limitat
a deoarece nu ntotdeauna sunt respectate conditiile impuse pentru aplicarea acestei denitii:
spatiul de evenimente s
a e nit sau evenimentele elementare s
a e echiprobabile. O clas
a ntreag
a de asemenea situatii ne conduc la necesitatea denirii
probabilit
atii P pe spatii m
asurabile de tip discret, cu alte cuvinte pentru
innit
a cel mult num
arabil
a, F ind familia tuturor submultimilor multimii .
19

Example 45 Consideram experimentul cu aruncarea unui zar o singura data si

presupunem ca zarul este deformat astfel nct raportul probabilitatilor (frecventelor
relative) de aparitie a fetelor zarului P f1g : P f2g : P f3g : P f4g : P f5g :
P f6g = 1 : 2 : 3 : 4 : 5 : 6.
Se observa imediat ca evenimentele elementare asociate acestui experiment nu
mai sunt echiprobabile. Deci denitia clasica a probabilitatii nu poate aplicata
n acest caz.
Example 46 Ion si Petru arunca pe rnd o moneda. C
stiga cel ce nregistreaza primul stema. n acest caz, spatiul de evenimente elementare este
9
8
=
<
S;
= S; BS; BBS;
; BBB
B
.
| {z }
:
;
n 1 ori

Evident multimea este innita, prin urmare nici n acest caz nu este aplicabila
denitia clasica a probabilitatii.
Denition 47 Vom spune ca avem de-a face cu un cmp de probabilitate discreta ( ; F;P ) daca:
1. Spatiul de evenimente elementare
bil;

este nit sau innit cel mult numara-

2. Familia tuturor evenimentelor aleatoare F = fA j A

g;

3. Probabilitatea este P : F ! R este denita de formula

X
P(A) =
Pf! i g
i:! i 2A

unde P verica urmatoarele doua axiome:

P1. PP
f! i g 0; 8 ! i 2 ;
P2.
P f! i g = 1.
i:! i 2

am c
a denitia probabilit
atii discrete este corect
a, deoarece seria
PObserv
P f! i g reprezint
a e o sum
a nit
a cu card(A) < +1, e o serie numeric
a

i:! i 2A

cu termeni nenegativi, dar convergent

a n cazul cnd A este multime innit
a
num
arabil
a, ntruct:
X
X
0
Pf! i g
Pf! i g = 1
i:! i 2A

i:! i 2

Example 48 n privinta primului exemplu considerat, vericam conditiile necesare pentru aplicarea probabilitatii discrete:

20

ntruct = f1; 2; 3; 4; 5; 6g ; conditia ca multimea de evenimente elementare

s
a e nit
a sau cel mult num
arabil
a este satisf
acut
a; F = fA j A
g, dat ind
faptul ca orice eveniment asociat experimentului poate descris ca submultime a
1
2
3
lui ; Veric
am axiomele P1 si P2. ntruct P f1g = 21
, P f2gP
= 21
, P f3g = 21
,
4
5
6
P f4g = 21 , P f5g = 21 , P f6g = 21 , evident, P fig
0 si
P fig = 1. De
i2

pild
a, probabilitatea evenimentului

A = faparitia unui numar par de puncteg

2
4
6
1
este P (A) =P f2g +P f4g +P f6g = 21
+ 21
+ 21
= 12
21 > 2 .
n ceea ce priveste al doilea exemplu, multimea este innit
a num
arabil
a,
iar F = fA j A
g , dat ind faptul ca orice eveniment asociat experimentului
poate descris ca submultime a lui ; Pentru vericarea ipotezelor P1 si P2
calcul
am probabilit
atile evenimentelor elementare:
8
9
<
=
1
1
1
1
; P BBB
B
S
.
P fSg = ; P fBSg = 2 ; P fBBSg = 3 ;
=
:| {z } ; 2n
2
2
2
n 1 ori

Axioma P1 se veric
a imediat, ecare din probabilit
atile de mai sus ind numere pozitive mai mici dect 1.
Axioma P2 :
X

!i 2

Pf! i g =

1
X
1
1
1
= + 2+
n
2
2 2
i=1

1
+
2n

1
1
2 1

1
2

=1

Probabilitatea c
a va cstiga cel care arunc
a primul moneda este:
X
Pf! i g = P fSg + P fBBSg + P fBBBBSg +
i:i im par

1
1
1
+ 3+ 5+
2 2
2

1 1
2
= .
1
2 1 22
3

Proposition 49 Denitia clasica a probabilitatii reprezinta un caz particular

al denitiei probabilitatii n caz discret.
Demonstra
tie. Fie ( ; F; P) un cmp clasic de probabilitate. Rezult
a c
a
sunt valabile conditiile impuse de probabilitatea clasic
a, deci sunt ndeplinite si
conditiile impuse de probabilitatea discret
a.
R
amne de vericat validitatea axiomelor P1, P2 :
card f! i g
1
= ; 8 !i 2 ;
card( )
n
X
X
X card f! i g
1
card( )
Pf! i g =
=
1=
= 1;
card( )
card( )
card( )
P f! i g =

!i 2

!i 2

!i 2

Deci sunt satisf

acute axiomele P1 si P2.
Propriet
atile probabilit
atii clasice sunt valabile si n cazul probabilit
atii discrete.
21

Theorem 50 Fie ( ; F;P ) este un cmp de probabilitate discreta. Atunci

P

[ Ai

i 1

X
i 1

P (Ai ) ; Ai 2 F; Ai \ Aj = ;; 8i 6= j; i; j

Demonstra
tie. Observ
am c
a B = [ Ai
i 1

c
a P (B) =P

[ Ai

i 1

[ Ai

i=1

m
P

[ Ai , 8 m

i=1

P (Ai ). Prin urmare P

i=1

+1
P

P (Ai )

0. Rezult
a
[ Ai

i 1

i=1

+1
P

Vom ar
ata c
a este valabil
a si reciproca: P [ Ai
i 1
P
din axioma P2 rezult
a c
a
Pf! i g = 1. Deci

P (Ai ). ntr-adev
ar,

i=1

! i :! i 2

8"
Fie A = f! 1 ; ! 2 ;

0; 9N (") :

i=1

Pf! i g

".

; ! N g. Evident P A < ". Cum B = BA [ BA, rezult

a c
a

P (B) = P (BA) + P BA
Avem BA =

N
X

P A + P (BA)

P (BA) + ".

[ Ai \ A = [ (Ai \ A) si ntruct A este o multime nit

a de

i 1

i 1

evenimente elementare rezult

a c
a 9m
Prin urmare,

P (B)

P (BA) + "

0 : [ (Ai \ A)
i 1

[ Ai + " =

i=1

m
X

[ Ai .

i=1

P (Ai ) + ".

i=1

Dar faptul c
a " > 0 este arbitrar atrage dupa sine inegalitatea
P (B)

+1
X

P (Ai ) .

i=1

Remark 51 Proprietatea ce se desprinde din Teorema anterioara devine decisiva pentru a arata ca probabilitatea discreta este un caz particular al probabiltatii
in caz general.

2.6

Probabilitate condi
tionat
a

Fie ( ; F; P) un cmp de probabilitate. Consider

am un experiment aleator E
descris de acest cmp si un eveniment aleator B 2 F asociat experimentului
E , cu P (B) > 0, adic
a frecventa relativ
a a producerii lui B ntr-un num
ar n
22

sucient de mare de probe E , fn (B) > 0. Aceasta ne permite s

a imagin
am
un nou experiment aleator EB care se consider
a realizat dac
a si numai dac
a s-a
realizat experimentul E si s-a produs evenimentul B.
Pentru un num
ar n sucient de mare de probe E putem presupune c
a num
arul
de realiz
ari ale experimentului EB este de asemenea foarte mare si putem separa
num
arul n (B) de probe ale exeprimentului EB .
Orice eveniment A care poate nregistrat ca rezultat al experimentului E
poate nregistrat si ca rezultat al experimentului EB . Deci frecventa relativ
a
a producerii evenimentului A n experimentul EB este dat
a de
fn (A) =

n (AB)
,
n (B)

unde n (AB) reprezint

a num
arul de probe ale experimentului EB n care s-a
produs evenimentul A, atfel spus num
arul de probe ale experimentului E n
care evenimentele A si B s-au produs simultan.
E ind aleator, rezult
a c
a si EB este aleator. De asemenea, putem lua n att de
mare nct si n (B) s
a e foarte mare. Conform propriet
atii stabilit
atii statistice
rezult
a:
n (AB)
fn(B) (A) =
P (A=B) .
n (B)
Probabiltatea notat
a prin P (A=B) indic
a asupra faptului c
a valoarea n jurul c
areia oscileaz
a frecventa realtiv
a fn(B) (A) este conditionat
a de realizarea
evenimentului B. Este de asemenea adev
arat c
a:
fn (B) =

n (B)
n

P (B) ; iar fn (AB) =

deci
fn(B) (A) =

n (AB)
=
n (B)

n(AB)
n
n(B)
n

n (AB)
n

P (AB)

P (AB)
P (B)

Este resc, deci, s

a consider
am c
a:
P (A=B) =

P (AB)
P (B)

Denition 52 Fie ( ; F;P ) un cmp de probabilitate si B 2 F, astfel nct

P (B) > 0. Atunci pentru orice eveniment A 2 F vom numi probabilitate
conditionat
a a evenimentului A de c
atre evenimentul B numarul notat prin
P (A=B) sau P B (A) care se calculeaza dupa formula:
P (A=B) =

P (AB)
.
P (B)

Din denitia probabilitatii conditionate a evenimentului A de catre evenimentul B, P (B) > 0; rezulta ca:
P (AB) = P (A=B) P (B) .
Aceasta formula poarta denumirea de formula nmultirii probabilitatilor.
23

Theorem 53 (Formula nmul

tirii probabilit
a
tilor (caz general) Fie ( ; F; P)
un cmp de probabilitate si A1 ; A2 ;
; An 2 F, n evenimente astfel nct
P (A1 A2
An 1 ) > 0. Atunci:
P (A1 A2

An ) = P (A1 ) P (A2 =A1 )

Demonstra
tie. Din conditia P (A1 A2
probabilit
atile conditionate de forma

P (An =A1

An

1)

An

1)

> 0 rezult
a c
a au sens toate

P (A2 =A1 ) ; P (A2 =A1 ) ; :::; P (An =A1

An

1)

deoaarece
P (A1 ) > P (A1 A2 ) > P (A1 A2 A3 ) > ::: > P (A1 A2

An

1)

> 0;

aceasta ind o consecinta a faptului c

a
A1

A1 A2

:::

A1 A2

An

A1 A2

An

1.

Pentru n = 2 formula coincide cu formula nmultirii probabilit

atilor pentru
produsul a dou
a evenimente. Aplicnd-o succesiv, avem:
P (A1 A2

An

= P (An =A1
= P (An =A1

1 An )

An

An

= P (An (A1 A2

1 ) P (A1 A2

1 ) P (An 1 =A1

= P (An =A1

An

1)

An
An

An

1 ))

2 An 1 )

2 ) P (A1

=
An

2)

P (A2 =A1 ) P (A1 ) .

Example 54 Presupunem ca un calculator nu functioneaza datorita unui defect aparut la unul din cele n blocuri ale sale. Pentru a-l repara, inginerul
depanator verica succesiv, la ntmplare, unul cte unul, ecare bloc. Care
este probabilitatea ca depanatorul va depista defectul la ncercarea cu numarul
k?
Not
am prin Ak = fdefectul este depistat la ncercarea cu num
arul kg. Evident, dac
a defectul este descoperit la ncercarea k, nsemn
a c
a el nu a fost descoperit la nici una dintre ncerc
arile anterioare, adic
a nu s-a produs nici unul
dintre experimentele Ai , cu i = 1; k.
Ak = A1 A2

Ak

1 Ak .

Atunci
P (Ak )

= P A1 A2
n 1 n
=
n
n

Ak
2
1

1 Ak

= P A1 P A2 =A1
1
1
= .
n k+1
n

24

P Ak =A1

Ak

Theorem 55 (Formula probabilit

a
tii totale) Fie ( ; F; P) un cmp de
probabilitate si
A; H1 ; H2 ;
; Hn ;
2 F;
sunt evenimente aleatoare cu proprietatile:
1. A

H 1 [ H2 [

[ Hn [

2. H1 \ H2 = ;, 8i 6= j, i; j = 1; 2;
3. P (Hi ) > 0, i = 1; 2;
Atunci
P (A) =

P (A=Hi ) P (Hi ) .

i 1

Demonstra
tie. Putem scrie evenimentul A astfel:
A = A \ [ Hi = [ AHi si AHi \ AHj = ;, 8i 6= j, i; j = 1; 2;
i 1

i 1

Atunci
P (A) = P

[ AHi

i 1

P (AHi ) =

i 1

P (A=Hi ) P (Hi ) .

i 1

Theorem 56 (Formula lui Bayes) n conditiile n care are loc formula probabilitatii totale, are loc si Formula lui Bayes:
P (A=Hj ) P (Hj )
P (Hj =A) = P
, 8j = 1; 2; ::: .
P (A=Hi ) P (Hi )
i 1

Demonstra
tie. Din denitia probabilit
atii conditionate si din formula
probabilit
atii totale avem:
P (Hj =A) =

P (AHj )
P (A=Hj ) P (Hj )
P (A=Hj ) P (Hj )
=
= P
.
P (A)
P (A)
P (A=Hi ) P (Hi )
i 1

Remark 57 Evenimentele H1 ; H2 ;
; Hn ::: se numesc ipoteze. Probabilitatile
P (Hj ) se numesc si probabilitati a priori ale ipotezelor Hj , ntruct acestea se
considera cunoscute nainte de a cunoa
se rezultatul experimentului, iar probabilitatile P (Hj =A), se numesc probabilitati aposteriori, ele reprezentd probabilitatile ipotezelor Hj reeevaluate dupa ce stim ca s-a produs A, j = 1; 2; :::.
Example 58 Se stie ca 5% dintre barbatii sufera de daltonism, iar dintre femei
doar 0; 25%. ntr-o societate n care numarul de barbati este egal cu numarul de
femei este aleasa la ntmplare o persoana. Care este probabilitatea ca aceasta
persoana sufera de daltonism? Stiind

ca persoana sufera de daltonism, care este

probabilitatea ca ea este femeie?
25

Consider
am evenimentele B = fpersoana aleasa este barbatg, F = fpersoana
aleasa este femeieg, D = fpersoana aleasa sufera de daltonismg. Conditiile de
aplicare a formulei probabilit
atii totale sunt valabile deoarece:
D

B [ F , B \ F = ;, P (B) = P (B) =

1
> 0.
2

Conform formulei probabilit

atii totale obtinem:
P (D) = P (D=B) P (B) + P (D=F ) P (F ) =

1 0:25
525
1 5
+
=
.
2 100 2 100
20000

Conform formulei lui Bayes obtinem probabilitatea c

a persoana aleas
a este femeie stiind c
a ea sufer
a de daltonism:
P (F=D) =

2.7

P (D=F ) P (F )
=
P (D)

0:25 1
100
2
525
2 100 100

25
.
525

Independen
ta evenimentelor aleatoare

Fie ( ; F; P) un cmp de probabilitate. Atunci este resc s

a spunem c
a evenimentul aleator A nu depinde de evenimentul aleator B, dac
a realizarea lui B nu
modic
a sansele de realizare ale lui A, adic
a P(A=B) = P(A), unde A, B 2 F
cu P(B) > 0:
Proposition 59
P(A)P(B).

1. Daca P(B) > 0, atunci P(A=B) = P(A) , P(AB) =

2. Daca P(A) > 0, atunci P(B=A) = P(B) , P(AB) = P(A)P(B).

Demonstra
tie. Necesitatea. Fie, spre exemplu, P(B) > 0 si P(A=B) =
P(A). Atunci
def

P(A=B) =

P(AB)
=) P(AB) = P(A=B)P(B) =) P(AB) = P(A)P(B):
P(B)

Sucienta: Fie P(B) > 0 si P(AB) = P(A)P(B). Atunci

def

P(A=B) =

P(AB)
P(AB)
P(A)P(B)
=) P(A=B) =
=
= P(A):
P(B)
P(B)
P(B)

Denition 60 Evenimentele A si B se numesc independente daca si numai

daca
P(AB) = P(A)P(B)
Remark 61 Denitia aceasta este mai generala deoarece independenta a doua
evenimente aleatoare nu mai este restrictionata de ipoteza ca evenimentele sa
aiba probabilitati nenule.
26

Example 62 Consideram experiemntul cu aruncarea zarului de doua ori. Spatiul

de evenimente elementare este
= (i; j) ji; j = i; j ; card( ) = 36
Fie evenimentele:
A = faparitia unui numar par de puncte la primul zarg;
B = faparitia unui numar par de puncte la al doilea zarg:
card(A)

= card(B) = 18 ) P(A) = P(B) =

card(AB)

9 ) P(AB) =

1
2

9
1
1 1
= =
= P(A)P(B)
36
4
2 2

Aceasta nseamna ca evenimentele sunt independentem fapt ce corespunde a

steptarilor noastre intuitive.
Fie A1 ; A2 ;

; An evenimente legate de acelasi experiment aleator.

Denition 63 Spunem ca evenimentele A1 ; A2 ;

; An sunt independente dou
a
cte dou
a daca si numai daca P(Ai Aj ) = P(Ai )P(Aj ); 8i 6= j; i; j = 1; n.
Spunem ca evenimentele A1 ; A2 ;
; An sunt independente n totalitate sau
simplu independente daca
P(Ai1 Ai2
unde fi1 ; i2 ;

Aik ) = P(Ai1 )P(Ai2 )

; ik g

f1; 2;

P(Aik ); 8i1 6= i2 6=

6= ik ;

; ng ; k = 2; n.

Remark 64
1. n cazul evenimentelor independente formula nmultirii probabilitatilor devine mai simpla:
P

i=1

i=1

P (Ai ) :

2. Din independenta doua cte doua a evenimentelor nu rezulta independenta

lor n totalitate. Drept conrmare aducem urmatorul
Contraexemplu. Fie un tetraedru cu 3 fete colorate cu albastru, galben
si rosu, respectiv, fata 4 ind colorat
a cu toate cele 3 culori. Consider
am experimentul cu alegerea la ntmplare a uneia din fetele tetraedrului. Atunci
considernd evenimentele
A = ffata contine culoarea albastrug
B = ffata contine culoarea galbeng
C = ffata contine culoarea rosieg
27

exprim
am probabilit
atile astfel:
P(AB) =
P(BC) =
P(AC) =
dar P(ABC) =

1
4
1
4
1
4
1
4

11
= P(A)P(B);
22
11
= P(A)P(C);
=
22
11
=
= P(A)P(C);
22
111
6
=
= P(A)P(B)P(C)
222
=

Proposition 65 Daca evenimentele A; B sunt independente atunci vor independente si perechile de evenimente A; B , A; B , A; B .
Demonstra
tie. Din A = AB [ AB rezult
a
P(A)

P(A)
P(A)P(B)

= P(AB) + P(AB) ) P(A) = P(A)P(B) + P(AB) )

= P(AB) ) P(A) (1 P(B)) = P(AB)
) P(AB) = P(A)P(B)

Prin analogie se arat

a c
a si celelalte perechi de evenimente sunt independente.
Consecin
ta
; An sunt independente si P(Ai ) =
. Daca evenimentele A1 ; A2 ;
pi , i = 1; n, atunci
n
Y
n
(1 pi ) .
P [Ai = 1
i=1

i=1

Demonstra
tie. ntr; An rezult
a independenta

adev
ar, din independenta evenimentelor A1 ; A2 ;
evenimentelor A1 ; A2 ;
; An . Prin urmare
n

P [Ai

=1

i=1

=1

n
Y

[ Ai

i=1

P Ai = 1

i=1

=1
n
Y

(1

\ Ai =

i=1

pi ) .

i=1

Exercise 66 Sa se aduca un (contra)exemplu de experiment aleator si trei

evenimente asociate acestuia astfel nct P(A1 A2 A3 ) = P(A1 )P(A2 )P(A3 ), dar
9 i 6= j; i; j = 1; 3 : P(Ai Aj ) = P(Ai )P(Aj ): Or, din faptul ca evenimentele
A1 ; A2 ; A3 au proprietatea P(A1 A2 A3 ) = P(A1 )P(A2 )P(A3 ) nu rezulta independenta lor (n totalitate), dar nici independenta lor doua cte doua.

28

2.8

Probleme propuse

1. Fie A1 ; A2 ; :::; An 2 F( ) evenimente independente cu P(Ai ) = p1 :

S
a se arate c
a probabilitatea P0 c
a nu se va produce nici unul din evenimentele
Ai ; i = 1; n este dat
a de formula
n
Q
P0 =
(1 pi ) :
i=1

2. Fie c
a evenimentul A are proprietatea c
a nu depinde de el nsusi.
S
a se arate c
a atunci P(A) este egal cu 0 sau cu 1:
3. Fie c
a evenimentul A are probabilitatea P(A) egal
a cu 0 sau 1:
S
a se arate c
a atunci A si orice eveniment B sunt independente, A; B 2 F( ):
4. Pot oare dou
a evenimente A; B 2 F( ) independente si incompatibile
concomitent?

29

3
3.1

Variabile aleatoare discrete

Variabile aleatoare
si reparti
tia lor

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

a, adic
a = f! 1 , ! 2 , ... ,! n , ...g,
F = fA j A 2 g, iar P : F ! R este o probabilitate discret
a.
Studierea evenimentelor elementare ca atare prezint
a, de regul
a, mai putin
interes dect studierea unor m
arimi numerice care depind de aceste evenimente
elementare. Notiunea de variabil
a aleatoare vine s
a modeleze din punct de
vedere matematic notiunea de caracteristic
a (variabil
a) statistic
a din statistica
descriptiv
a.
Example 67 Fie experimentul cu aruncarea a doua monede iar n legatura cu
el consideram urmatoarele marimi, ce depind de rezultatele posibile ale experimentului: (1) numarul de steme aparute X si (2) marimea IA de tip indicator
a evenimentului A = fstema va apare cel putin o data} , care ia valoarea 1
daca se produce evenimentul A sau valoarea 0 in caz contrar. Aceste marimi
(variabile) ca functii de evenimente elementare sunt redate n tabelul urmator:
!i
X(! i )
IA (! i )

SS
2
1

SB
1
1

BS
1
1

BB
1
.
0

Dealtfel, pentru orice A 2 F putem deni functia IA :

formulei
0; daca ! i 2 A;
IA (! i ) =
:
1; daca ! i 2 A:

! f0; 1g conform

Aceasta se nume
ste indicator al evenimentului A.
Este resc sa consideram n exemplul nostru ca X, IA sunt varibile aleatoare
in sensul ca valorile lor depnd de evenimentele elementare corespunzatoare experimentului dat.
Denition 68 Fie ( ; F) un spatiu masurabil discret, atunci vom numi variabil
a aleatoare (v.a) denit
a pe acest spatiu orice functie X : ! R.
Imaginea multimii n raport cu functia X este multimea X( ) = fX(! 1 ),
X(! 2 ), ... ,X(! k ), ...g = fx1 , x2 , ... ,xn , ...g = X , unde x1 < x2 < ... <
xn < ... . Atunci perechea (X , P(X )), unde X = fx1 , x2 , ... ,xn , ...g iar
P(X ) = fC j C X g, formez
a un nou spatiu m
asurabil numit spatiu masurabil
de selectie al variabilei aleatoare X. Pentru orice C 2 P(X ) putem deni
probabilitatea PX (C) = P f! j X(!) 2 Cg. Aplicatia PX : P(X ) ! R denit
a
pe (X , P(X )), este o probabilitate discret
a deoarece
PX (X ) = P f! j X(!) 2 X g = P ! j ! 2 X

(X ) = P( ) = 1:

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

30

Multimile (Ai )i

1,

cu proprietatea Ai \ Aj = ;, 8i 6= j, i; j

1 si

= [ Ai
i 1

poart
a denumirea de partitie a lui
probabilitate indus de v.a. X

iar (X , P(X ), PX ) se numeste cmp de

Denition 69 Setul f(xi ; PX (xi ))gi

1,

unde PX (xi )

0 si

PX (xi ) = 1, se

i 1

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

1:

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

X:

x1
p1

x2
p2

::: xn
::: pn

:::
:::

; pi

0;

pi = 1.

i 1

Example 70 (Continuare) Fie experimentul cu aruncarea monedei de doua

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

1
4

1
2

1
4

Proposition 71 Daca f(xi ; pi )gi

, IA :

1
4

3
4

este o repartitie, adica pi

0 si

pi = 1

i 1

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

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

xi 2

Or, P este o probabilitate discret

a denit
a pe spatiul m
asurabil ( , F). Variabila X o denim ca aplicatia identic
aX : !
R, care asociaz
a ec
arui
xi 2 valoarea X(xi ) = xi :
Remark 72 Cele expuse mai sus ne conduc la concluzia
P ca modelele matematice (X, ( , F, P)) si f(xi ; pi )gi 1 , unde pi 0 si pi = 1, sunt echivalente
i 1

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

3.2

Func
tia de reparti
tie

Notiunea de repartitie a variabilei aleatoare modeleaz

a din punct de vedere
matematic notiunea de distributie de selectie din statistica descriptiv
a. Prin

31

analogie, notiunea de functie de repartitie va servi drept model matematic pentru notiunea de functie empiric
a de repartitie din statistica descriptiv
a. Mai
mult, vom ar
ata c
a aceast
a functie, n calitate de model matematic, este echivalent
a (ntr-un anumit sens) cu repartitia variabilei aleatoare, prin urmare si cu
modelul (X; ( ; F; P)).
Fie ( ; F; P) un cmp de probabilitate discret si o variabil
a aleatoare X :
! R.
Denition 73 Functia FX (x) = P f! j X (!) xg, 8x 2 R se nume
ste functie
de repartitie (distributie) a variabilei aleatoare X.
Example 74 (Continuare) n exemplul anterior functia de repartitie asociata
variabilei IA este
8
pentru x < 0;
< 0;
1=4; pentru 0 x < 1
FIA (x) = P f!jIA (!) xg =
:
1;
pentru 1 x
iar cea asociata variabilei X este
8
0;
pentru x < 0;
>
>
<
1=4; pentru 0 x < 1;
FX (x) =
3=4; pentru 1 x < 2;
>
>
:
1;
pentru 2 1:

Gracele acestor functii arat

a c
a FIA (x), FX (x) sunt functii scarate.
!!!!!POZA1
Proposition 75 Daca FX este functia de repartitie a variabilei aleatoare X
atunci:
1. P(X > a) = 1
2. P(a < X

FX (a), 8a 2 R;

b) = FX (b)

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

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

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

an "a

FX (a

0),8a 2 R;

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

0)

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

6. P(a

X < b) = FX (b

0)

FX (a

7. P(a

b) = FX (b)

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

P(X

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

FX (a

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

a) = 1

FX (a),8a 2 R;

f! 2

j X(!)
32

bg =

f! 2

j X(!)

ag [ f! 2

j a < X(!)

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

Deci
P(X

b) = P(X

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

3. Fie sirul (an )n
f! 2

1,

a) + P(a < X

b) , P(a < X

b) ,
b) = FX (b)

FX (a);

an " a, astfel nct a1 < a2 <...< an <...< a . Atunci

j X(!) < ag = f! 2
[ f! 2

jX (!)
j an

a1 g [ f! 2

< X(!)

j a1 < X(!)

a2 g [ ...

an g [ ... .

Rezult
a c
a
P(X

<
=
=
=

a) = P(X
lim [P(X

n!1

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

lim [FX (a1 ) + FX (a2 )

n!1

lim FX (an ) = FX (a

n!1

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

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

<X
1 <X

an ) + :::
an )]

FX (an

1 )]

0);

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

Deci P(X = a) = FX (a) FX (a 0).
5. Analog P(X < b) = P(X < a) + P(a
X < b):Cum P(X < a) =
FX (a 0), P(X < b) = FX (b 0), rezult
a c
a
P(a X < b) = FX (b 0) FX (a 0).
Problem 76 Demonstrati formulele 6-7 din Propozitia anterioara.
Theorem 77 (Propriet
a
tile caracteristice ale func
tiilor de reparti
tie).
Daca FX este functia de repartitie a variabilei aleatoare X, atunci sunt valabile
urmatoarele proprietati:
1. FX este monoton crescatoare: FX (a)

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

b;

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

xn #x

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

x! 1

x!+1

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

X < x2 g [ ::: [ fxn

Prin urmare
33

X < xn g [ ::::

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

P(X > x1 ) + P(x1

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

X < xn ) + :::

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

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

lim [1

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

xn #x

xn #x

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

xn #x

FX (xn+1 )] = 1

X < xn )] =

FX (xn )] =

FX (x + 0):

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

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

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

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

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

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

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

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

FX (xn+1 )] = 1

xn

1)

+ :::

FX (xn+1 ) + :::

FX ( 1);

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

(3) Functia de repartitie FX a variabilei aleatoareX;

FX (x) = P f! 2 jX (!) < xg = P (X < x)
n paragraful anterior am ar
atat c
a pentru v.a. discrete modelele (1) si (2)
sunt echivalente n sensul c
a, stiind un model putem restabili cel
alalt model.
Propozitia de mai jos arat
a c
a si modelele (2), (3) sunt echivalente, prin urmare
modelele (1) (3) sunt echivalente n sensul ar
atat mai sus.

34

Proposition 78 a) Daca X este o variabila aleatoare cu repartitia f(xi ; pi )gi

X
pi 0,
pi = 1, atunci pentru functia ei de repartitie are loc relatia

1,

i 1

FX (x) =

pi .

i:xi x

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

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

FX (xi )

FX (xi

0) > 0.

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

jX (!) = xi g \ f! 2
= P f! 2
=

i:xi x

xg = [f ! 2
i:xi x

jX (!) = xj g, 8i 6= j, i; j

j X (!)

P f! 2

j X (!)

xg = P( [f ! 2
i:xi x

j X (!) = xi g =

j X (!) =

1, rezul
a c
a

j X (!) = xi g)

pi .

i:xi x

b) Functia F ind o functie scarat

a ce poseda propriet
atile 1 3 caracteristice
functiilor de repartitie, rezult
a c
a multimea X 2 fx 2 R j F (x) 6= F (x 0)g
este nit
a sau innit
a cel mult num
arabil
a, adic
a X =fx1P
, x2 , ... , xn , ...g,
x1 < x2 < ... < xn < ... , iar pi = F (xi ) F (xi 0) > 0,
pi = F (+1) = 1.
i 1

3.3
3.3.1

Reparti
tii (modele) probabiliste uzuale n caz discret
Reparti
tia uniform
a pe f0,1,: : : N g sau pe f1,2,: : : N g

Denition 79 Vom spune ca variabila aleatoare X este repartizat

a uniform
pe f0,1,: : : N g sau pe f1,2,: : : N g (se noteaza X
U f0,1,: : : ,N g sau X
U f1,2,: : : ,N g) daca
X

sau X

1
N +1

1
N +1

1
N

1
N

:::
:::

:::
:::
N
1
N

N
1
N +1

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

a
n alegerea la ntmplare a unui num
ar din f0,1,: : : ,N g sau din f1,2,: : : ,N g.

35

3.3.2

Reparti
tia Bernoulli cu parametrul p, p 2 [0,1]

Denition 80 Vom spune ca variabila aleatoare X este repartizat

a Bernoulli
cu parametrul p 2 [0,1] (se noteaza X Bernoulli(p)), daca
X:

0
1

1
p

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

Denition 81 Experimentul E se nume
ste experiment (proba) Bernoulli daca
acesta poseda urmatoarele proprietati:
1. multimea de rezultate posibile

= fsucces, insuccesg = f1,0g;

2. probabilitatea succesului p este aceea

si n ecare proba, p 2 [0; 1];
3. rezultatele unei probe nu inuenteaza rezultatele celorlalte probe.
Example 82 n calitate de exemple de probe Bernoulli putem lua aruncarea
monedei o singura data, unde "succes" putem considera, de pilda, aparitia stemei, deasemenea, aruncarea zarului o singura data, unde "succes" putem considera, de pilda, aparitia unui numar par de puncte. n genere, orice experiment
aleator E poate considerat experiment Bernoulli daca ne intereseaza doar producerea sau nu a evenimentului A asociat experimentului E, adica producerea
evenimentului A o consideram succes iar producerea evenimentului A -insucces,
cu conditia ca acest experiment sa poata repetat independendent unul de altul.
ntr-adevar, lund
= fA,Ag, p = P(A) 2 [0,1], probele ind independente,
vom aveea un experiment Bernoull.
Dac
a not
am cu X num
arul de succese ntr-o prob
a Bernoulli, obtinem repartitia
0
1
X:
1 p p
3.3.3

Reparti
tia binomial
a cu parametrii n
si p, n = 1,2,: : : ; p 2 [0,1]

Denition 83 Vom spune ca variabila aleatoare X este repartizat

a binomial
cu parametrii n 2 f1,2,: : : g si p 2 [0,1] ( se noteaza X Bi(n,p)) daca repartitia ei este data de formula
P(X = k) = Ckn pk (1

p)n

; k = 0; n:

Remark 84 Denitia este corecta deoarece

n
X

k=0

P(X

= k) =

n
X

Ckn pk (1

p)n

k=0

= (p + (1

36

p))n = 1n = 1:

Din punct de vedere teoretic, acest model descrie comportamentul probabilistic al num
arului de succese n n probe Bernoulli cu probabilitatea succesului
p n ecare prob
a. Aceasta se vede din
Theorem 85 Daca X este numarul de succese n n probe Bernoulli cu probabilitatea succesului p 2 [0,1] n ecare proba, atunci X Bi(n,p).
Demonstra
tie. Spatiul de evenimente elementare corespunz
ator repet
arii
unui experiment Bernoulli de n ori este = f(a1 ,a2 ,: : : ,an ) j ai = 0,1, i = 1; ng.
Asa dar, notnd cu 1 succesul si 0 insuccesul, orice rezultat poate reprezentat
ca o secventa de zerouri si unit
ati de forma a1 , a2 , : : : , an , evenimentele Ai =
fproba i se va solda cu rezultatul ai g ind independente, iar P(Ai ) = pai (1
p)1 ai , i = 1; n. Prin urmare
Pf(a1 ; a2 ; : : : ; an )g = P(A1 A2 : : : An ) =
pa1 (1

p)1

a1

pa2 (1

p)1

a2

pan (1

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

an

n
P

ai

= pi=1

(1

p)

nP

i=1

ai

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

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

p)1

i=1

i=1

P(X = k) =

1
X

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

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

pk (1 p)n

n
P

ai

i=1

(1

= pk (1 p)n

p)

n
P

ai

i=1

+an =k

1=

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

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

Ckn pk (1

+ an = kgpk (1

j a1 +
p)n

p)n

+an =k

; k = 0; n:

Example 86 Consideram aruncarea unui zar perfect de n ori, iar evenimentul

faparitia fetei 6 g drept succes , probabilitatea succesului n ecare proba ind
egala cu p = Pf6g = 16 . Daca X este numarul de aruncari n care apare fata 6,
atunci
P(X = k) = Ckn pk (1 p)n k ; k = 0; n.
Probabilitatea, spre exemplu, ca fata 6 nu apare niciodata
P(X = 0) = Cn0 p0 (1

37

p)n

5
6

3.3.4

Reparti
tia geometric
a cu parametrul p, p 2 [0,1]

Denition 87 Vom spune ca variabila aleatoare X este repartizat

a geometric
cu parametrul p 2 [0,1] ( se noteaza X Geom(p)) daca repartitia ei este data
de formula
P(X = k) = p(1 p)k ; k = 0; 1; : : :
sau
p)k

P(X = k) = p(1

; k = 1; 2; : : : :

Remark 88 Denitia este corecta deoarece

X
p(1 p)k = p(1 + (1 p) + (1

p)2 + : : : )

k>0

= p

1
(1

p)

=1

Proposition 89 Daca X este numarul de probe Bernoulli, cu probabilitatea

succesului p 2 [0,1] n ecare proba, efectuate pna la nregistrarea primului
succes, atunci X~Geom(p).
Demonstra
tie. Evenimentele Ai = fproba i se va solda cu succesg ind
independente, iar P(Ai ) = p, i 1, avem ca P(X = k) = P(A1 A2 : : : Ak Ak +1 ) =
P(A1 )P(A2 ) : : : P(Ak )P(Ak +1 ) = p(1 p)k ; dac
a n num
arul X nu este inclus
a
si proba n care s-a produs succesul, k > 0.
Theorem 90 (Proprietatea lipsei memoriei pentru reparti
tia geometric
a) Daca X~Geom(p), p 2 [0,1], adica P(X = k) = p(1 p)k , k = 0,1,: : : ,
atunci
P(X = n + m = x > m) = p(1

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

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

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

=
P(X > m)

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

p(1

p)m [1

p(1
+ (1

p(1

p)m+n
p) + (1

p)2

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

p)m

+ :::]

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

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

Exercise 91 Demonstrati ca are loc si reciproca acestei propozitii:

Daca v.a X 2 f0,1,: : : g si repartitia ei are proprietatea ca exista un numar
p 2 [0,1] astfel nct P(X = m + n = X > m) = p(1 p)n , atunci X~Geom(p).
38

3.3.5

>0

Reparti
tia Poisson cu parametrul ,

Denition 92 Vom spune ca variabila aleatoare X este repartizat

a Poisson cu
parametrul > 0 (se noteaza X P oisson( )) daca repartitia sa este data de
formula
k

P(X = k) =

k!

; k = 0; 1; : : :

Remark 93 Denitia este corecta deoarece

X

P(X = k) =

k>0

k>0

k!

=e

k>0

k!

=e

e = 1:

Din punct de vedere teoretic, acest model descrie:

num
arul de bacterii descoperite ntr-o pic
atur
a de ap
a;
num
arul de particule radioactive emise ntr-o unitate de timp de o substanta radioactiv
a;
num
arul de erori comise de un programator ntr-un program de lungime
dat
a;
num
arul de erori de tipar descoperite ntr-o pagin
a de carte;
num
arul de bombe pe km2 cazute n orasul Londra n timpul celui de al
doilea R
azboi Mondial, s.a.
Repartitia Poisson poate folosit
a, n anumite conditii, la aproximarea
repartitiei binomiale. ntr-adev
ar are loc
Theorem 94 (Teorema limit
a a lui Poisson) Daca X
p ! 0, astfel nct np ! , > 0, atunci

Bi(n; p), n ! 1,

P(X = K) = Ckn pk (1

p)n

n!1

k!

; k = 1; 2; : : : :

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

1) : : : (n
k!

1
+ o( )
n
n

p)n

(1

nk

(1 + o(1)) 1

1
o( ))n
n

1
o( )
n

n!1

k!

, k = 0; 1; : : : .

39

+ o( n1 ) pentru

k + 1)

1
(1

o( n1 ))k

Example 95 Presupunem ca pentru producerea a 1000 de cozonaci au fost prevazute 10000 de stade. n presupunerea ca tehnologia este respectata ntocmai
(aluatul si stadele sunt bine amestecate), care este probabilitatea ca, alegnd la
ntmplare un cozonac acesta nu va avea nici o stada ?
Fie un cozonac ales la ntmplare dintre cei 1000 de cozonaci. Pentru ecare
stada, din totalul de 10000 mii stade, consideram succes evenimentul fstada
1
va nimeri n cozonacul alesg. Probabilitatea succesului este p = 1000
, ntruct
pentru ecare stada n parte exista 1000 de posibilitati echiprobabile de a nimeri
ntr-unul din cei 1000 de cozonaci. Prin urmare daca X este numarul de stade
1
nimerite n cozonacul ales, atunci X
Bi(10000, 1000
). Probabilitatea ca ntrun cozonac ales la ntmplare sa nu nimereasca nici o stada este:
P(X = 0) = C010000

1
1000

1
1000

n = 10000 ind sucient de mare, iar p =

1
1000

10000

= 0; 99910000 ;

sucient de mic, din Teorema

limita a lui Poissson rezulta ca P(X = k) = 0; 99910000 '

' 0.

(np)0
np
0! e

100
10
0! e

Pentru a ilustra ecienta nlocuirii repartitiei binomiale prin repartitia lui

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

pi =

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

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

0
0; 2537
0; 2541

1
0; 3484
0; 3481

2
0; 2388
0; 2385

3
0; 1089
0; 1089

4
0; 0372
0; 0373

5
0; 0101
0; 0102

6
0; 0023
0; 0023

Din tabel avem c

a rezultatele calculelor bazate pe diferite modele (repartitii)
probabiliste n cazul nostru nu difer
a esential.

40

3.3.6

Reparti
tia hipergeometric
a cu parametrii N , M
si n

Denition 96 Vom spune ca variabila aleatoare X este repartizat

a hipergeometric cu parametrii N , M , n (se noteaza X~Hipergeom(N ,M ,n)) , M; n N
daca repartitia ei este data de formula
P(X = k) =

CkM CnN
CnN

k
M

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

Din punct de vedere teoretic, acest model modeleaz

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

3.4

CkM CnN
CnN

k
M

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

Vectori sau variabile aleatoare bi(multi)dimensionale

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

Denition 97 Functia vectoriala (X; Y ) :
sau variabil
a aleatoare bidimensional
a.

! R2 se nume
ste vector aleator

Prin urmare, dac

a (X; Y ) este o variabil
a aleatoare bidimensional
a, atunci
si X si Y sunt variabile aleatoare.
Dac
a X 2 X = fx1 , x2 , ... , xn , ...g cu x1 < x2 <...< xn <... , iar Y 2
Y = fy1 , y2 , ... , yn , ...gcu y1 < y2 <...< yn <..., rezult
a c
a (X,Y ) 2 X Y si
P ((X; Y ) 2 X Y) = 1.
Pentru orice pereche (xi ,yj ) 2 X Y putem evidentia multimile
Aij = f! 2

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

1.

Aceste multimi au propriet

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

1 si

i;j 1

Prin urmare, avnd o variabil

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

i;j 1

Prin urmare, dac

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

41

Acest model poate reprezentat sub form

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

y1
p11
p21
...
pn1
...

x1
x2
...
xn
...

unde pij

0,

y2
p12
p22
...
pn2
...

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

ym
p1m
p2m
...
pnm
...

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

pij = 1.

i;j 1

Dat ind faptul c

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

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

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

si
A j = f! 2
[ f! 2

i 1

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

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

1,

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

pij ; p j =

j 1

pij .

i 1

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

X
j 1

j 1

P( f! 2

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

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

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

X
i 1

P( f! 2

j X (!) = xi g =

i 1

X
j 1

pij ; 8i

1;

j Y (!) = yj g =

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

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

X
i 1

pij ; 8j

1:

Example 98 Consideram un experiment cu aruncarea unei monede perfecte si

a unui zar perfect simultan. Fie variabilele aleatoare X = f numarul de steme
aparute la aruncarea monedeig si X = f numarul de puncte aparute la aruncarea zarului g.
Evident (X,Y ) 2 f0; 1g f1; 2; :::; 6g. ntruct zarul si moneda sunt perfecte
42

rezulta ca
P(X = xi ; Y = yj ) =

1
:
12

Repartitia vectorului aleator (X,Y ) este

(i; j) ;

1
2

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

Denition 99 Vom numi functie de repartitie a vectorului aleator (X,Y ) functia

de doua variabile
FX;Y (x; y) = P f! 2

j X (!)

yg 8x; y 2 R2

x; Y (!)

Ca si n cazul unidimensional se arat

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

Proposition 100 Daca FX;Y (x,y) este functia de repartitie a vecorului aleator
(X,Y ) atunci
1. P(X < x,Y < y) = FX;Y (x
2. P(a1 < X

b1 ,a2 < Y

0,y

0);

b2 ) =

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

1
X

"1 +"2

( 1)

FX;Y (a1 ; b2 )

FX;Y ("1 b1 + (1

FX;Y (a2 ; b1)

"2 ) a1 ; "1 b1 + (1

"2 ) a1 ) ;

"1 ;"2 =0

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

FX;Y (a

0,b)

FX;Y (a,b

0) + FX;Y (a

Demonstratia se realizeaz
a prin analogie cu cazul unidimensional.
Problem 101 Demonstrati Propozitia anterioara.
ntroducnd operatorii
n felul urm
ator

si
a1 ;b1

a2 b2

care actioneaz
a asupra functiei FX;Y

a1 b1 FX;Y

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

FX;Y (a1 ; y) ;

a2 b2 FX;Y

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

FX;Y (x; a2 ) ;

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

"1 +"2

( 1)

a2 b2 FX;Y

FX;Y ("1 b1 + (1

(x; y) =

"1 ) a1 ; "2 b1 + (1

"1 ;"2 =0

P(a1 < X

b 1 ; a2 < Y
43

b2 ).

"2 ) a2 ) =

3.5

Vectori sau variabile aleatoare multidimensionale

Fie ( ; F; P) un cmp de probabilitate discret. Analog cu cazul bidimensional

putem formula urm
atoarele denitii si rezultate.
! Rn se nume
ste vector

Denition 102 Functia vector (X1 ,X2 ,: : : ,Xn ) :

aleator sau variabil
a aleatoare n dimensional
a.

Or, in caz discret, dac

a (X1 ,X2 ,: : : ,Xn ) este un vector aleator denit pe
( ; F; P), atunci ecare component
a Xi este o variabil
a aleatoare cu valori n
(i) (i)
(i)
Xi 2 Xi = fx1 ,x2 ,: : : ,xn ,:::g, i = 1; n, prin urmare (X1 ,X2 ,: : : ,Xn ) 2
X 1 X2
Xn .
Denition 103 Vom numi repartitie a vectorului aleator X = (x1 ,x2 ,: : : ,xn )
setul
(1) (2)
(k)
(1) (2)
f((x1 ,x2 , : : : ,xk , : : : ,x(n)
n ); Px1 ,:::,xn (x1 ,x2 ,
: : : ; x(n)
n ))g(x(1) ,x(2) ,:::,x(n) )2X1
1

unde

(1)

(1)

X2

Xn

(2)

Px1 ;:::;xn (x1 ; x2 ; : : : ; xn(n) ) 0;

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

(2)

(n)

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

Xn

Denition 104 Vom numi functie de repartitie a vectorului aleator (X1 ,: : : ,Xn )
functia FX (x) = FX1 ;:::;Xn (x1 ,: : : ,xn ) = Pf! 2
j X1 (!)
x1 ,:::,Xn (!)
xn g = P(X x1 ,:::,X xn ), 8x = (x1 ,: : : ,xn ) 2 Rn .
ntroducnd operatorii
urm
ator
ai ;bi FX1 ;X2 ;:::;Xn

ai ;bi ,

care actioneaz
a asupra functiei FX n felul

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

1 ; bi ; xi+1 ; :::; xn )

FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::xi

P(X

1 ; ai ; xi+1 ; :::; xn )

x1 ; :::; ai < Xi

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

bi ; :::; X

b 1 ; a2

xn );

b2 ; :::; an

bn , i = 1; n ,

prin analogie cu cazul bidimensional, se poate ar

ata c
a
a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn
a1 ;b1
1
X

a2 ;b2 ...

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

"1 +"2 +:::+"n "n

( 1)

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

FX;Y ("1 b1 + (1

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

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

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

b1 ; :::; ai < Xi
44

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

bn )

0.

"2 ) a2 ,

Theorem 105 (Propriet

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

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

a1

b1 ,a2

b2 ,...,an

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

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

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

1;

1; xi+1 ; :::; xn ) = 0 si

FX1 ;X2 ;:::;Xn (+1; +1; :::; +1) = 1.

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

P(a1 < X

b1 ; :::; ai < Xi

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

bi ; :::; an < X

bn )

0.

Propriet
atea 2 se demonstreaz
a ca si n cazul unidimensional, deoarece ne
raport
am la ecare variabil
a n parte.
Pentru demonstratia propriet
atii 3 se aplic
a, cu modic
ari neesentiale, aceeasi
metod
a ca si n cazul unidimensional.
Remark 106 n caz multidimensional proprietatea 1 atrage dupa sine monotonia nedescrescatoare a functiei de repartitie FX n raport cu ecare variabila,
dar reciproca nu este adevarata. ntr-adevar putem aduce urmatorul
Example 107 (Contraexemplu) Consideram functia
FX;Y (x; y) =

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

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

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

1
X

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

"1 ) b1 ; a2 "2 + (1

"1 ;"2 =0

= F (1; 1)

F (1; 0)

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

45

1:

" 2 ) b2 ) =

3.6

Independen
ta variabilelor aleatoare

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

Denition 108 Vom spune ca variabilele X si Y sunt independente daca

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

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

Example 109 Consideram v.a. X , Y cu repartitia f((i,j),1=12)gi=0;1;j=1;6 ,
adica PX;Y (i,j) = P(X = i; Y = j) = 1=12, 8i = 0; 1, j = 1; 6. Or, P(X =
i) = 21 , 8i = 0,1 si P(Y = j) = 16 , 8j = 1; 6, PX;Y (i,j) = P(X = i,Y = j) =
P(X = i)P(Y = j), 8i = 0,1, j = 1; 6. Prin urmare X si Y sunt independente.
n general, asa cum se vede din paragraful anterior, avnd repartitia variabilei aleatoare f(xi ,yj ),PX;Y (xi ,yj )g putem restabili repartitiile marginale, adic
a
repartitiile ec
arei variabile X,Y n parte:
fxi ; PX (xi )gi

si fyj ; PY (yj )gj

1:

Din denitie rezult

a c
a, dac
a X si Y sunt variabile aleatoare independente,
atunci este valabil
a si reciproca acestei armatii.
Proposition 110 Variabilele aleatoare X si Y sunt independente daca si numai daca FX;Y (x; y) = FX (x)FY (y), 8(x; y) 2 R2 .
Demonstra
tie. Presupunem c
a v.a X si Y sunt independente. Atunci
X X
FX;Y (x; y) =
P(X = xi ; Y = yj ) =
i:xi xj:yj

X X

i:xi xj:yj

P(X = xi )P(Y = yj ) =
y
i:xi x

P(X = xi )

j:yj

P(Y = yj )
y

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

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

FX;Y (xi
FX (xi
FX (xi

0; yj )
0)FY (yj )

0)][FY (yj )

FX;Y (xi ; yj

0) + FX;Y (xi

FX (xi )FY (yj

FY (yj

0) + FX (xi

0; yj

0) =

0)FY (yj

0)

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

Remark 111 Notiunea de independenta, dar si conditia necesara si sucienta

de independenta din propozitia anterioara se extind, n mod resc, asupra variabilelor aleatoare multidimensionale.
46

3.7

Formula convolu
tiei

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

( ; F; P), ne punem problema determin
arii repartitiei variabilei sum
a Z = X1 +
X2 +...+Xn :
Vom considera mai nti cazul n = 2.
Fie variabilele aleatoare X,Y
( ; F; P) si e X 2 X = fx1 ; x2 ; :::; xn ; :::g,
x1 < x2 <...< xn <... si Y 2 Y = fy1 ; y2 ; :::; ym ; :::g, y1 < y2 <...< ym <... ,
atunci v.a. Z 2 Z = fz j z = xi + yj ; xi 2 X ; yj 2 Y; i; j 1g.
Theorem 112 (Formula convolu
tiei) a) Repartitia variabilei aleatoare Z =
X + Y este data de formulele

P(Z = z) =

P (X = xi ; Y = z

xi ) =

i 1

P (X = z

yj ; Y = y j ) ;

j 1

Theorem 113 b) Daca X,Y sunt v.a. independente, atunci repartitia variabilei aleatoare Z = X + Y este data de formulele

P(Z = z) =

P (X = xi )P(Y = z

xi ) =

i 1

P (X = z

yj )P(Y = yj ) :

j 1

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

j Z(!) = zg = f! 2

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

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

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

[ Aij =

i;j 1

1. Atunci:

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

i;j:xi +yj =z

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

Atunci:
P fZ = zg = P
=

i;j:xi +yj =z

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

P (X = xi ; Y = yj ) =

i;j 1:xi +yj =z

P (X = xi ; Y = z

i 1

P (X = z

j 1

47

yj ; Y = yj )

xi )

; Aij \

b) este consecinta din punctul anterior. ntr-adev

ar, dac
a variabilele X,Y
sunt independente atunci
P (X = xi ; Y = yj ) = P (X = xi )P(Y = yj ) , 8i; j

1,

prin urmare
P(Z = z) =

P (X = xi ; Y = z

xi ) =

i 1

P (X = xi )P(Y = z

xi )

i 1

P (X = z

y j ; Y = yj ) =

j 1

P (X = z

yj )P(Y = yj ) .

j 1

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

aplica succesiv formula convolutiei.:
Example 114 Fie X, Y variabile aleatoare independente repartizate , respectiv
P oisson( i ), i > 0, i = 1; 2. Vom determina repartitia variabilei X + Y .
Cunoa
stem repartitiile variabilelor X,Y :
P (X = i)

P (X = j)

i
1

i!
j
2

j!

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

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

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

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

k
X

i=0
(

i
1

i!

k i
1

(k

i)!

1+ 2)

k!

k
2)

Or, suma X + Y este repartizata P oisson(

atica putem demonstra urmatoarea

=
1

=
(
+

1+ 2)

k!
k
1 + 2)
e
k!
2 ).

k
X

Cik

i k i
1 1

i=0
(

1+ 2)

,k

Folosind inductia matem-

Proposition 115 Multimea variabilelor aleatoare independente repartizate Poisson este nchisa n raport cu operatia convolutiei (data de formula convolutiei)
n
P
aplicata asupra repartitiilor, adica X1 + X2 +...+Xn P oisson(
i ), daca Xi
i=1

sunt v.a. independente si Xi

P oisson( i ),

48

> 0, i = 1; n.

Problem 116 Fie X, Y variabile aleatoare independente identic repartizate

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

49

4
4.1

Caracteristici numerice
Valoarea medie

Valoarea medie a unei variabile aleatoare modeleaz

a, din punct de vedere matematic, media de selectie din statistica descriptiv
a. Astfel, dac
a avem un esantion
n
P
1
de volum n; (x1 ; x2 ; :::; xn )
X, media de selectie x = n xi sau, folosind
i=1

distributia de selectie a frecventelor relative,

^:
X

x(1)
n1

avem
x=

::: x(k)
::: nk

k
X

x(i)

i=1

ni
.
n

Dac
a este valabil
a proprietatea regularit
atii statistice, atunci pentru n sucient de mare frecventa relativ
a fn (X = xi ) ' P(X = xi ), 8i = 1; k. Prin
k 0
P
0
urmare x '
x(i) P X = x(i) . Acest fapt sugereaz
a urm
atoarea denitie.
i=1

Fie variabila aleatoare X ( ; F; P),

= f! 1 ; ! 2 ; :::g, F = fA j A
g,
P ind o probabilitate discret
a. Atunci X 2 X = fx1 , x2 ,...g, x1 < x2 <...xn ...
.
Denition 117 Vom numi valoare medie a variabilei aleatoare X numarul EX
calculat dupa formula
X
EX =
X(! i )Pf! i g:
!i 2

Vom spune ca valoarea medie exista daca si numai daca

!2

+1.

jX(! i )j Pf! i g <

Remark 118 Din denitie rezulta ca valoarea medie exista pentru orice v.a.
X simpla, adica pentru v.a. a caror multime X de valori posibile este nita.
Daca X este innit
deni valoarea medie astfel:
Pa numarabila atunci am putea P
EX =
X(! i )Pf! i g+
X(! i )Pf! i g. Sunt
! i 2f!2

j X(!)<0 g

! i 2f!2

j X(!) 0 g

posibile 4 variante: (1) converg ambele serii atunci

X
EX =
X(! i )Pf! i g,
!i 2

deoarece convergenta anbelor serii implica convergenta lor absoluta; (2) seria
cu termeni negativi diverge, atunci am putea spune ca valoarea medie exista ,
dar EX = 1; (3) seria cu termeni pozitivi diverge, atunci am putea spune
ca valoarea medie exista, dar EX = +1 si (4) diverg ambele serii, atunci am
putea spune ca valoarea medie nu exista.
50

Example 119 Consideram experimentul cu aruncarea unei monede de 2 ori

succesiv si presupunem ca acesta este descris de campul de probabilitatee clasic,
adica de ( ; F; P), = fSS,SB,BS,BBg, F = fA j A
g, P(A) = card(A)
=card( ), 8A 2 F. Fie variabila aleatoare X : ! R, unde X este numarul
de steme aparute. Deci
EX = X(SS)PfSSg+X(SB)PfSBg+X(BS)PfBSg+X(BB)PfBBg =
=2

1
1
1
1
+1
+1
+0
= 1:
4
4
4
4

Aplicarea direct
a a formulei de calcul pentru valoarea medie nu este, totusi,
cea mai simpla cale de calcul.
Proposition 120 Daca exista valoarea medie EX; atunci
X
EX =
xi P(X = xi )
i 1

Demonstra
tie. Cum X 2 X = fx1 ,x2 ,...g, x1 < x2 < :::, putem scrie
= [ f! j X(!) = xi g = [ Ai , Ai \ Aj = ;; 8i 6= j; i; j
i 1

i 1

1:

Atinci, folosind convergenta absolut

a ca preconditie pentru existenta valorii
medii, avem
X
X
X X
EX =
X(! k )Pf! k g =
X(! k )Pf! k g =
X(! k )Pf! k g
!k 2

! k 2 [ Ai
i

X
i 1

xi

! k 2Ai

Valoarea
(L)

Pf! k g =

i 1 ! k 2Ai

xi P(Ai ) =

i 1

xi P(X = xi ):

i 1

X(!)dP(!) =

!k 2

X(! k )Pf! k g

se numeste integrala Lebesgue a functiei

a pe
R X denit
Pcmpul de probabilitate
discret ( ; F; P) . n mod analog (L) xDPX (x) =
xi PX fxi g este integrala
i 1

Lebesgue a functiei X denit

a pe cmpul de probabilitate (X ; P(X ); PX ) indus
de v.a. X, unde X = fx1 ,x2 ,...g, x1 < x2 < :::, P(X ) = fC j C
X g,
PX fxi g = P(X = xi ), iar X
(X ; P(X ); PX ), X : X ! X
R, X(xi ) = xi ,
8i 1.
Or, din propozitia anterioar
a rezult
a egalitatea acestor dou
a integrale, adic
a
formula de transport:
Z
Z
(L) X(!)dP(!) = (L) xdPX (x).
X

51

Proposition 121 Daca X este o variabila aleatoare discreta pentru care exista
valoarea medie , atunci
X
EX =
xi [FX (xi ) FX (xi 0)] .
i 1

Demonstra
tie. Substituind n formula
X
EX =
xi P(X = xi )
i 1

valorile
P(X = xi ) = FX (xi )

FX (xi

deducem imediat formula noastr

a.
n literatura de specialitate valoarea
Z
X
(L S) xdFX (x) =
xi [FX (xi )

0) ;

FX (xi

0)]

i 1

se numeste integrala Lebesgue-Stieltjes a functiei f (x) = x calculat

a n raport
cu repartitia (m
asura probabilist
a) generat
a de f.r.FX .
Totaliznd, putem spune ca valoarea medie
Z
Z
Z
EX = (L) X(!)dPf!g = (L) xdPX (x) = (L S) xdFX (x):
X

Example 122 Fie v.a. X

P oisson( ); > 0. Atunci valoarea media a
variabilei X
i
i
X
X
X
e =
e
EX =
xi P(X = xi ) =
i
i!
(i 1)!
i 1

=e

i 1

i 1

X
i 1

i 1

(i

1)!

e = :

Consider
am o variabil
a aleatoare X
( ; F; P), X :
! R, X 2 X =
fx1 ,x2 ,...,xn ,...g. Atunci pentru orice functie ' : R ! R, '(X) este si ea
o variabil
a aleatoare, deoarece '(X) :
! R. Prin urmare, este resc s
a
vorbim despre valoarea medie a v.a. '(X). Propozitia urm
atoare arata ca, daca
valoarea medie E'(X) exista, atunci pentru calcularea este nu este obligatoriu
s
a stim repartitia lui '(X), ind sucient s
a cunoastem doar repartitia v.a. X.
Proposition
P 123 Fie X este o v.a. data de repartitiaf(xi ; pi )gi 1 , pi = P(X =
xi ) > 0; pi = 1 si ' : R ! R, atunci valoarea medie a variabilei '(X), daca
i 1

aceasta exista, poate calculata dupa formula

X
E'(X) =
'(xi )pi :
i 1

52

Demonstra
tie. Din denitie obtinem c
a
X
X
E'(X) =
'(X(! k ))Pf! k g =
!k 2

=
=

i 1 ! k :! k 2f!jX(!)=xi g

i 1 ! k :! k 2f!jX(!)=xi jg

'(xi )

i 1

! k :! k 2f!jX(!)=xi jg

'(X(! k ))Pf! k g

'(xi ))Pf! k g

Pf! k g =

'(xi )pi

i 1

Remark 124 Analog se demonstreaza ca , avnd doua v.a X; Y cu repartitia,f(xi ; yj ); pij )gi
P
pij = P(X = xi ; Y = yj ) > 0,
pij = 1 si ' : R2 ! R, pentru care exista
i;j 1

valoarea medie a variabilei '(X; Y ), aceasta poate calculata dupa formula

X
E'(X; Y ) =
'(xi ; yj )pij :
i 1

Example 125 Fie variabila aleatoare X cu repartitia:

X:

a
1
2 (1

"
p)

a
p

a+"
p)

1
2 (1

; p 2 [0; 1]; " > 0;

unde X poate interpretata ca rezultatul masurarii unei marimi a carei valoare

exacta este a, " ind eroarea de masurare. Atunci media variabilei X este
EX = (a

")

1
(1
2

p) + a p + (a + ")

1
(1
2

p) = a

Fie ' (X) = X 2 ,atunci media variabilei ' (X) este

E' (X)

1
2 1
(1 p) + a2 p + (a + ")
(1
2
2
p + p) + "2 (1 p) = a2 + "2 (1 p).

= EX 2 = (a
= a2 (1

")

p)

Concluzia pe care o putem trage in acest exemplu este ca valoarea medie nu

descrie sucient de bine, sa zicem, precizia instrumentului de masurare, deoarece
EX = a, indiferent care sunt valorile p 2 [0; 1]; " > 0. Notiunea de dispersie,
introdusa n paragraful urmator, compenseaza acest "defect" al valorii medii.
Proposition 126 Valoarea medie poseda urmatoarele proprietati:
1. Daca variabila aleatoare X este nenegativa, X 0, si exista EX, atunci
EX 0. n plus, pentru variabile aleatoare nenegative
EX = 0, daca si numai daca P(X = 0) = 1;
2. Daca exista EX, atunci exista E( X + ) = EX + , 8 ;
3. Daca exista EX, atunci exista jEXj
53

E jXj;

2 R;

1,

4. Daca exista EX si EY , atunci exista E(X + Y ) = EX + EY ;

5. Daca exista EY si X

Y , atunci exista EX

EY ;

6. Daca IA este indicatorul evenimentului A, atunci EIA = P(A);

7. Daca X; Y sunt v.a. independente pentru care exista EX, EY , atunci
exista E(XY ) = EXEY .
Demonstra
tie. 1. Faptul c
a X 0 si c
a exist
a EX implic
a
X
EX =
X (! k ) Pf! k g 0:
k:! k 2

Pentru partea a doua a propriet

atii 1 avem c
a EX = 0 1 = 0, deoarece
P(X = 0) = 1:Adic
a
X
X
X
EX =
X (! k ) Pf! k g =
xk Pf! k g =
xk P(X = xk ) = 0:
k:! k 2

k:! k 2

k:! k 2

Or, ecare termen al sumei este nenegativ, iar suma este nul
a. Prin urmare toti
termenii sumei sunt nuli, ceea ce nseamn
a c
a xk = 0 sau P(X = xk ) = 0,
8k
1:Rezult
a c
a exist
a cel putin unPindice i0 > 0; astfel nct xi0 = 0; dar
P(X = xi0 ) > 0 si xi0 = 0 deoarece
P(X = xk ) = 1. Presupunem c
a mai
k 1

exist
a un indice i1 6= i0 ; astfel nct xi1 = 0; dar P(X = xi1 ) > 0. Acest fapt
este imposibil,deoarece toate valorile x1 ; x2 ;
sunt diferite. n concluzie, i0
este unic cu proprietatea xi0 = 0; P(X = xi0 ) > 0. Asa dar, P(X = 0) = 1.
2. Dac
a exist
a EX;atunci
X
X
E( X + ) =
( X (! k ) + ) Pf! k g =
( xk + ) P (X = xk ) =
X

k:! k 2

k 1

xk P (X = xk ) +

k 1

k 1

P (X = xk ) = EX + ; 8 ;

2 R.

3.
jEXj =
lim

n!1

n
X

xk P (X = xk ) = lim

n
X

n!1
k=1

k 1

xk P (X = xk )

k=1

lim

n
X

n!1
k=1

xk P (X = xk ) =

jxk j P (X = xk ) = E jXj

4. S
tim c
a exist
a EX; EY . Atunci
X
E(X + Y ) =
(X(! k ) + Y (! k )) Pf! k g.
k 1

54

Consider
am multimile Aij = f! 2 j X(!) = xi ; Y (!) = yj g.
Evident Aij \ Akl = ;, 8(i; j) 6= (k; l); i; j; k; l 1. Atunci = [ Aij .
i;j 1

Rezult
a c
a
E(X + Y ) =

k 1

i;j 1k:! k 2Aij

(X(! k ) + Y (! k )) Pf! k g =
X

(X(! k ) + Y (! k )) Pf! k g =
X

(xi + yj )

i;j 1

k:! k 2Aij

Pf! k g =

i;j 1k:! k 2Aij

(xi + yj )Pf! k g

(xi + yj ) P (Aij ) =

i;j 1

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

i;j 1

X X
X X
xi P (X = xi ; Y = yj ) +
yj
P (X = xi ; Y = yj )
i 1

j 1

j 1

xi P (X = xi ) +

i 1

i 1

yj P (Y = yj ) = EX + EY

j 1

5. Fie variabila Z = Y

X. Evident, Z

EZ = E(Y

X) = EY

0. Folosind 1 si 4 rezult
a c
a
0 , EY

EX

EX.

6. Repartitia indicatorului evenimentului A este

IA :

0
1
P(A) P(A)

Prin urmare EIA = P(A).

7. Fie X; Y variabile aleatoare independente. Atunci,
X
E(XY ) =
X(! k )Y (! k )Pf! k g
=
=

X X

!k 2

i;j 1! k 2Aij

xi yj Pf! k g =

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

i;j 1

xi yj

i;j 1

! k 2Aij

Pf! k g

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

i;j 1

X
i 1

X
xi P(X = xi ) yj P(Y = yj ) = EXEY .
j 1

Example 127
1. Fie variabila aleatoare X repartizata Bernoulli(p), p 2
[0; 1]. Repartitia ei este
X:

0
1

p
55

1
p

) EX = p

2. Fie X
Ckn pk (1

Bi(n; p), p 2 [0; 1]. Repartitia ei este data de P(X = k) =

p)n k .

Valoarea medie a variabilei X este:

n
X

EX =

n
X

kP(X = k) =

k=0

n!
pk (1
k!(n k)!
= np

n
X

k=1

= np

n
X

p)n

n
X

k=0

(k

Ckn 11 pk 1 (1

n 1 (k 1)

p)

n!
1

1)!(n

(n 1)!
1)!(n 1 (k

(k

p)n

k=0

k=0
n
X

kCkn pk (1

1))!
= np

k=1

pk

n
X1

(k

(1

Ckn

1p

1))!

p)n

(1

pk (1

p)n

1 (k 1)

p)n

1 k

= np.

k=0

A doua modalitate de calcul a mediei variabilei binomiale foloseste interpretarea variabilei X ca num
arul de succese n n probe Bernoulli cu probabilitatea succesului p, n ecare prob
a, p 2 [0; 1]. Atunci X = X1 + X2 +
+ Xn , unde Xi este num
arul de succese n proba i, i = 1; n. Evident
Xi
Bernoulli(p), p 2 [0; 1]. Prin urmare EXi = p, i = 1; n si EX =
n
n
P
P
E( Xi ) =
EXi = np.
i=1

4.2

i=1

Dispersia (varian
ta)

Fie X o v.a. denit

a pe cmpul de probabilitate discret ( ; F; P).
Denition 128 Vom numi dispersie (varianta) a variabilei aleatoare X numarul
notat DX si calculat astfel
DX = E (X

EX)

Proposition 129 Daca dispersiaDX exista, atunci DX = EX 2

(EX) .

Demonstra
tie.
DX

= E (X

EX) = E X 2

2XEX + (EX)2 = EX 2

= EX 2

2EXEX + (EX)2 = EX 2

E(2XEX) + E(EX)2

2(EX)2 + (EX)2 = EX 2

Example 130 (Continuare) Fie variabila aleatoare X;

X:

a
1
2 (1

"
p)

a
p

a+"
+ p)

1
2 (1

; p 2 [0; 1]; " > 0:

Stim

ca EX = a. Atunci:
DX = E (X
56

EX) =

(EX)2 .

1
2 1
(1 p) + (a a)2 p + ((a + ") a) (1 p)
2
2
21
21
2
= " (1 p) + " (1 p) = " (1 p).
2
2
Daca gradul de mprastiere a valorilor a "; a; a + " fata de medie este foarte
mic, atunci ori " este foarte mic, ori p este foarte aproape de 1. Reciproca
este deasemenea adevarata. Acest exemplu ne arata ca gradul de mprastiere al
valorilor individuale a variabilei X fata de medie este cu att mai mic cu ct
dispersia este mai mica si viceversa.
((a

")

a)

Proposition 131 Dispersia variabilei aleatoare X poseda urmatoarele proprietati:

1. Daca exista DX, atunci DX

0 si DX = 0 , P(X = EX) = 1;

2. Daca exista DX, atunci exista D( X + ) =

DX, 8 ;

2 R;

3. Inegalitatea Cauchy-Buniacovski. Daca exista DX; DX, atunci exista E(X EX), E(Y EY ) si
p
jE(X EX)E(Y EY )j
DXDY ;
4. Daca exista DX; DY , atunci D(X
D(X

Y ) si

Y ) = DX + DY

2E(X

EY );

EX)(Y

5. Daca exista DX; DY , si X; Y sunt independente , atunci D(X

DX DY .
Demonstra
tie. 1. Din denitia dispersiei rezult
a c
a DX
DX = 0 , E(X

Y) =

0. n plus

EX)2 = 0 , P (X

EX) = 0 = 1 , P(X = EX) = 1:

2.
D( X

= E( X
= E[ 2 (X

E( X
EX)2 ] =

))2 = E(( X
E(X EX)2 =

EX)
DX

))2

EX)

t (Y

EY ))

3. Dac
a exist
aDX; DY atunci putem calcula pentru 8t 2 R
0

D(X + tY ) = E (X + tY
= E (X

EX) + 2t (X

= DX + 2tE (X

EX) (Y

E (X + tY )) = E ((X
EX) (Y

EY ) + t2 (Y

4 (E (X

, (E (X

EY )

EY ) + t2 DY = g(t):

Rezult
a c
a polinomul de gradul doi g(t) = DX + 2tE (X
t2 DY
0, 8t 2 R.
Aceasta este posibil daca si numai dac
a discriminantul
=

EX) (Y
EX) (Y
57

EY ))
2

EX) (Y

4DXDY < 0

EY )) < DXDY .

EY ) +

Ultima implica inegalitatea jE(X

EY )j

EX)E(Y

DXDY .

4.
D(X

Y)

= E (X Y
= DX + DY

E (X Y )) = E ((X EX)
2E (X EX) (Y EY ) .

5. Dac
a X; Y sunt independente atunci X
independente si rezult
a c
a
E (X

EX) (Y

EY ) = E (X

EX, Y
EX) E (X

(Y

EY ))

EY sunt de asemenea
EX) = 0

Din proprietatea anterioar

a rezult
a c
a
D (X

Y ) = DX + DY .

Denition 132 Vom numi covarianta a variabilelor aleatoare X si Y numarul

cov (X; Y ) = E (X

EX) (Y

EY )

Evident cov (X; X) = DX. n plus, dac

a v.a. X; Y sunt variabile independente atunci cov (X; Y ) = 0. Reciproca acestei propriet
ati nu are loc. Pentru a
demonsta aceasta vom da urm
atorul
Example 133 (contraexemplu) Fie variabilele aleatoare independente X; Y astfel nct EX = EY = 0 si exista EX 2 .
Luam variabila aleatoare Z = XY . Evident X si Z nu sunt dependente. Covarianta este
cov (X; Z)

= E (X EX) (Z EZ) = E (XZ) = E(XXY )

= E(X 2 Y ) = EX 2 EY = 0.

Adica, avem doua v.a. dependente care au covarianta nula.

Example 134 a) Fie v.a. X
DX = EX 2

Bernoulli(p), p 2 [0; 1].

(EX)2 = (02 (1

p) + 12 p)

p2 = p

p2 = p(1

p).

Deci DIA = p(A)(1 p(A)).

b) Fie v.a. X
Bi(n; p), p 2 [0; 1], n 1. Cum X = X1 + X2 +
Xn ,
unde Xi sunt variabile aleatoare independente identiv repartizate Bernoulli(p),
p 2 [0; 1], i = 1; n:Rezulta ca
DX = D

n
X
i=1

Xi =

n
X

DXi =

i=1

n
X
i=1

58

p(1

p) = np(1

p).

4.3

Coecientul de corela
tie

Dou
a v.a X si Y pot dependente functional , adic
a Y = g(X); pot dependente dar nu n mod functional; n sfrsit, pot independente. Pentru a
caracteriza gradul de dependenta dintre dou
a variabile vom introduce notiunea
de coecient de corelatie, considernd c
a pentru v.a. implicate exist
a dispersia
si ea este nenul
a.
Denition 135 Fie X; Y doua variabile aleatoare denite pe acela
si cmp de
probabilitate ( ; F; P) discret. Vom numi coecient de corelatie a variabilelor
aleatoare X; Y numarul notat cu (X; Y ) si calculat dupa formula
(X; Y ) =

cov(X;Y )
p
p
DX DY

Remark 136 Din inegalitatea Cauchy-Buniacovski rezulta:

p
p
jcov(X; Y )j
DX DY :
Or, coecientul de corelatie exsta daca exista DX si DY .
Proposition 137 Proprietatile coecientului de corelatie:
1. Daca (X; Y ) exista, atunci j (X; Y )j

1.

2. j (X; Y )j = 1 () 9 a; b 2 R, a 6= 0, astfel nct P(Y = aX + b) = 1:

Demonstra
tie. 1. Rezultatul rezult
a imediat din inegalitatea CauchyBuniacovski.
EX
2. Pentru variabilele aleatoare X si Y vom construi variabilele X1 = XpDX
,

EY
respectiv Y1 = YpDY
. Procedeul aplicat pentru obtinerea variabilelor X1 ; Y1 se
numeste normare. Astfel, media si dispersia noilor variabile vor :

EX1

X EX
1
= E( p
)= p
E(X
DX
DX
1
= p
(EX EX) = 0
DX

X EX
1
DX1 = D( p
)=
D(X
DX
DX
Analog EY1 = 0; DY1 = 1:
cov(X1 ; Y1 )

EX) = p

EX) =

1
(EX
DX

1
DX = 1
DX

= E(X1 EX1 )(Y1 EY1 ) = EX1 Y1

(X EX)(Y EY )
p
p
= E
DX DX
1
p
E(X EX)(Y EY )
= p
DX DY
cov(X; Y )
p
= (X; Y )
= p
DX DY
59

EEX)

Necesitatea. Presupunem (X; Y ) = 1:

Y1 ) = DX1 + DY1

D(X1

2cov(X1 ; Y1 ) = 2

2 (X; Y ) = 2

P(X1 Y1 = E(X1 Y1 )) = 1 , P(X1 = Y1 ) = 1 , P

2=0,

Y EY
X EX
p
= p
DY
DX

=1

n cazul (X; Y ) = 1 folosim aceleasi rationamente, plecnd de la faptul c

a
D(X1 + Y1 ) = 2 + 2 (X; Y ) = 2 2 = 0. Or, evident c
a variabila X poate
exprimat
a liniar n functie de variabila Y cu probabilitatea 1.
Sucienta. Presupunem c
a exist
a a; b 2 R astfel nct P(Y = aX + b) = 1,
(a 6= 0).
Atunci
(X; Y ) = cov(X1 ; Y1 ) = EX1 Y1 = E
=p

1
p
E(X
DXjaj DX
=

EX)) =

EX)(a(X

a DX
a
=
=
jaj DX
jaj

(X EX) (aX + b E(aX + b))

p
p
DX
D(aX + b)
1
E a(X
jajDX

EX)2

1; a > 0
= sign(a).
1; a < 0

Example 138 Fie repartitia vectorului aleator (X; Y )

Xn

1
0
1

1
9

2
9
1
9

0
2
9

1
0
2
9
1
9

Restabilim repartitiile marginale ale variabilelor X; Y :

X

cov(X; Y ) =

1
3
9

1
1
3

(xi

1
3

1
3

1
3

1
3

2
3
2
) EY = 0; DY =
3
) EX = 0; DX =

EX)(yj

EY )P(X = xi ; Y = yj ) = 0

i;j 1

Deci (X; Y ) = 0.
Vericam daca variabilele X; Y sunt independente. Cum, spre exemplu,
P(X =

1; Y = 1) = 0 6=

1
11
=
= P(X =
9
33

rezulta ca variabilele X; Y sunt dependente.

60

1)P(Y = 1)

4.4

Valori medii condi

tionate

Fie X; Y dou
a variabile aleatoare denite pe acelasi cmp de probabilitate discret, X 2 X = fx1 ; x2 ; g, x1 < x2 <
, Y 2 Y = fy1 ; y2 ; g, y1 < y2 <
si e repartitia vectorului aleator (X; Y ) f((xi ; yj ) ; P (X = xi ; Y = yj ))gi;j 1 .
Pentru orice indice i xat, i = 1; 2; :::, putem calcula probabilitatea
P (Y = yj =X = xi ) =

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

Atunci
X

= yj =X = xi ) =

P(Y

j 1

X P (Y = yj ; X = xi )
P (X = xi )
j 1

X
1
P (Y = yj ; X = xi )
P(X = xi )
j 1

=
=

1
P(X = xi )

P (Y = yj ; X = xi )

j 1

1
P(X = xi ) = 1; 8i
P(X = xi )

n concluzie, pentru orice i xat, setul f(yj ; P(Y = yj =X = xi )gj 1 reprezint

a o repartitie a v.a. Y . Putem deni atunci valoarea medie n raport cu
aceast
a repartitie.
Denition 139 Vom numi valoare medie a variabilei aleatoare Y conditionata
de evenimentul fX = xi g numarul notat cu E(Y =X = xi ) si calculat astfel:
X
E(Y =X = xi ) =
yj P(Y = yj =X = xj ):
j 1

Remark 140 Variind xi , xi 2 X , observam ca valoare medie a variabilei

aleatoare Y conditionata de evenimentul fX = xi g dene
ste o functie g : X !
R, conform regulii E(Y = X = xi ) = g(xi ).
Denition 141 Functia de variabila aleatoare X notata cu E(Y = X) = g(X)
, adica functia cu proprietatea g(X) = g(xi ) daca X = xi se nume
ste valoare
medie conditionata a variabilei Y de catre variabila aleatoare X.
Example 142 (continuare a exemplului din p. anterior)
Pentru x1 = 1 avem:
g(x1 )
+0 P(Y

= E(Y =X = x1 ) = ( 1) P(Y =
=

0=X =

1) + 1 P(Y = 1=X =

61

1=X =
1) =

1)
1
3

Pentru x1 = 0 avem:
g(x2 )

= E(Y =X = x2 ) = ( 1) P(Y =

+0 P(Y

1=X = 0)
2
0=X = 0) + 1 P(Y = 1=X = 0) =
3

Pentru x1 = 1 avem:
g(x3 )

= E(Y =X = x2 ) = ( 1) P(Y =

+0 P(Y

1=X = 1)
1
0=X = 1) + 1 P(Y = 1=X = 1) =
3

Prin urmare E(Y =X) este o variabila aleatoare cu repartitia

g(X)
P(g(X)

= E(Y =X) :
=

1
3

2
3

1
3

1
= P(X = 1) + P(x =
3

1) =

1 1
2
+ = :
3 3
3

Proposition 143 E (E (Y = X)) = EY:

Demonstra
tie.
E (E (Y = X)) =

E (Y = X = xi ) P(X = xi ) =

i 1

XX
i 1j 1

yj

X X
P(X = xi ; Y = yj )
P(X = xi ) =
yj
P(X = xi ; Y = yj )
P(X = xi )
j 1

i 1

yj P(Y = yj ) = EY:

j 1

Putem verica cu usurinta c

a valorile medii conditionate posed
a urm
atoarele propriet
ati evidentiate n
Proposition 144 Fie X; Y doua variabile aleatoare de tip discret denite pe
unul si acela
si cmp de probabilitate ( ; F; P): Atunci:
1. E (Y =X) = EY , pentru X si Y independente;

62

2. E ('(X)=X) = '(X), pentru orice functie ' , n particular E(X = X) =

X;
3. E('(X) Y = X) = '(X) E (Y = X) ; pentru orice functie ';
4. E [(Y1 + Y2 ) =X] = E (Y1 =X) + E (Y2 =X), pentru orice v.a. Y1 ; Y2 denite
pe acela
si cmp de probabilitate ca si X.
Example 145

Fie X; Y doua v.a. de tip discret i.i.r. Atunci

X +Y
:
2

E (X = X + Y ) = E (Y = X + Y ) =

ntr-adev
ar, din faptul c
a v.a. X; Y sunt independente si identic repartizate
avem

P (X = xi = X + Y = z) =

P(X = xi ; Y = z
P(X + Y = z)

xi )

P(X = xi ) P(Y = z
P(X + Y = z)

xi )

P(X = z xi ) P(Y = xi )
P(X = z xi ; Y = xi )
=
= P (Y = xi =X + Y = z) :
P(X + Y = z)
P(X + Y = z)
Deci E (X = X + Y ) = P (Y = X + Y ) si

2E (X = X + Y ) = E (X = X + Y )+E (Y = X + Y ) = E (X + Y =X + Y ) = X+Y:

Prin urmare
E (X = X + Y ) = E (Y = X + Y ) =

X +Y
:
2

Example 146 Fie X1 ; X2 ; :::; Xn v.a. cu valori medii identice, i.e. EXi =
EX1 = a; i = 1; n, iar N e o v.a. care ia valori ntregi nenegative independent
de v.a. Xi ; i = 1; n: Denim
SN =

X1 + X2 + ::: + XN; daca N

0; daca N = 0

Ne intereseaza ESN :
63

Observ
am c
a pentru N = n avem
E (SN = N = n) = E (X1 + ::: + XN = N = n) = E(X1 + ::: + Xn ) =
=

n
X

EXi = nEX1 = n a:

i=1

Deci E (SN = N ) = E (X1 + ::: + XN = N ) = N EX1 si

ESN = E (E (SN =N )) = E(N EX1 ) = EN EX1 = a EN:
Egalitatea ESN = a EN poart
a denumirea de identitatea lui Wald.
Remark 147 n caz discret putem deni functia de repartitie a v.a. Y
conditionata de evenimentul fX = xg, cu alte cuvinte functia
FY (y = X = x), considernd x 2 X = fx1 ; x2 ; :::g ; adica P(X = x) > 0 :
ntr-adev
ar,
FY (y = X = x) = P(Y < y = X = x) =
=

P(Y < y; X = x)
:
P(X = x)

X P(Y = yi ; X = x)
P(X = x)
i:y <x
i

64

Inegalit
a
ti. Teoreme limit
a

5.1
Fie X

Inegalitatea lui Ceb

sev
( ; F; P) un cmp discret de probabilitate.

Proposition 148 (Inegalitatea lui Markov). Daca X este o variabila aleatoare

nenegativa (X 0) si exista EX atunci:
P (X > ")

EX
, (P(X
"

EX
), 8" > 0
"

") > 1

Demonstra
tie. Orice variabil
a aleatoare X poate exprimat
a astfel:
X = I(X>") X + I(X

")

I(X

")

Prin urmare
EX = E I(X>") X + I(X
=

") X

X(! i )Pf! i g

EI(X>") X =
"

! i :X(! i )>"

!i 2

I(X>") (! i )X(! i )Pf! i g

P f! i g = "P(X > "):

! i :X(! i )>"

Deoarece jX EXj
0 pentru orice v.a. X; din inegalitatea lui Markov
rezult
a imediat
Consecin
ta 1. Dac
a v. a. X are proprietatea c
a exist
a EjX EXj, atunci
P (jX

EXj > ")

EjX

EXj
"

; 8" > 0:

Consecin
ta 2. Dac
a v. a. X are proprietatea c
a exist
a DX, atunci
P (jX

EXj > ")

DX
; 8" > 0.
"2

Demonstra
tie. P (jX EXj > ") =P jX EXj2 > "2
Folosind inegalitatea Cebsev putem justica "regula 3 ":

DX
"2 .

Proposition 149 (Regula 3 ). Daca v.a. X are proprietatea ca exista DX =

2
atunci
p
p
8
P(EX 3
X EX + 3 ) = P(EX 3 DX X EX + 3 DX) > :
9
Demonstra
tie.
P(EX

X
=

EX + 3 ) = P(jX
DX
=1
9 2

1
8
= :
9
9
65

EXj

3 )

DX
"2

5.2

Legea numerelor mari (forma slab

a)

Consider
am un sir de variabile aleatoare (Xn )n
probabilitate ( ; F;P ).
Denition 150 Sirul

(Xn )n
daca exista
mathbbEXi , i 1 si
P

X1 + X2 +
n
X1 + X2 +
n

+ Xn
+ Xn

denite pe acelasi cmp de

este supus legii numerelor mari (n forma slaba)

EX1 + EX2 +
n
EX1 + EX2 +
n

+ EXn
+ EXn

"

>"

! 1 sau

n!1

! 0; 8" > 0:

n!1

a a Numerelor Mari n forma Ceb

sev).
Proposition 151 (Legea slab
Daca v.a. (Xn )n 1 au proprietatea ca exista
mathbbEXn = an si exista o constanta c 2 R astfel nct DXn c ,8 n 1, iar
(Xi ; Yj ) = 0, 8i 6= j, i; j
1, atunci are loc legea numerelor mari (n forma
slaba):
P

X1 + X2 +
n

+ Xn

EX1 + EX2 +
n

+ EXn

>"

! 0; 8" > 0:

n!1

Demonstra
tie. Consider
am v.a.
n

Yn =

1X
Xi :
n i=1

Media, respectiv dispersia variabilei Yn ; sunt egale cu:

EYn = E(

DYn = D(

n
n
n
1X
1 X
1X
Xi ) = E( Xi ) =
EXi ;
n i=1
n i=1
n i=1

n
n
n
X
1X
1
1X
Xi ) = 2 D( Xi ) = 2
DXi + 2
n i=1
n
n i=1
i=1

cov (Xi ; Xj )

1 j<j n

=
Prin urmare
P

X1 + X2 +
n

+ Xn

n
1X
DXi
n2 i=1

1
c
cn =
! 0:
n2
n n!1

EX1 + EX2 +
n

+ EXn

>"
=

66

DYn
"2
1 c
! 0; 8" > 0:
"2 n n!1

5.3

Legea Numerelor Mari n forma Bernoulli

Proposition 152 (Legea numerelor mari pentru v.a.i.i.r.) Daca (Xn )n

sunt v.a.i.i.r. cu EXi = a, DXi = 2 , i = 1; n atunci
Xi
n

a >"

! 0

n!1

Demonstra
tie. Direct
Proposition 153 Daca (Xn )n

Xi
n

sunt v.a.i.i.r. Bernoulli(p), p 2 [0; 1], atunci

p >"

! 0

n!1

Demonstra
tie. Dac
a Xn
Bernoulli(p), p 2 [0; 1], atunci EXi = p iar
DXi = p(1 p) iar demonstratia rezult
a imediat.
Proposition 154 Daca A este un eveniment cu P(A) > 0 atunci
P (jfn (a)

P(a(A)j > ") ! 0

n!1

Ik (A)

1; A

k=1

, Ik (A) = 0; A , unde variDemonstra

tie. (Indica
tie) fn (a) =
n
abilele aleatoare Ik (A) Bernoulli(P(A)) sunt independente si identic repartizate.

5.4

Teorema limit
a central
a. Aplica
tii

Fie (Xn )n

sunt v.a.i.i.r. Bernoulli(p), p 2 [0; 1].

Theorem 155 (Teorema limit

a central
a n forma Moivre Laplace)
Fie (Xn )n 1 sunt v.a.i.i.r. Bernoulli(p), p 2 [0; 1]. Atunci
0 n
1
Z x
Xi np
u2
1
B i=1
C
P @p
< xA ! (x) = p
e 2 du
n!1
2
np(1 p)
1
uniform pentru orice x 2 R:

Remark 156 Consideram variabila aleatoare Sn =

Functia de repartitie a variabilei pSn

np
np(1 p)

F pSn

np
np(1 p)

(x) = P

Xi

Bi(n; p).

satisface:

S
np
p n
<x
np(1 p)
67

i=1

! (x)

Parametrii medie si dispersie pentru aceea

si variabila satisfac:
!
Sn np
1
np np
E p
= p
E(Sn np) = p
=0
np(1 p)
np(1 p)
np(1 p)
!
Sn np
1
DSn
D p
=
D(Sn np) =
=1
np(1
p)
np(1
p)
np(1 p)
Rx
u2
x2
Remark 157 Functia (x) = p12
e 2 du are derivata '(x) = p12 e 2 ,
1
8x 2 R.
Aceasta functie poseda proprietatile caracteristice ale functiei de repartitie. Reprezentarea
graca a functiei ' mai poarta denumirea de "clopotul lui Gauss", iar variabila
aleatoare cu repartitia data de aceasta functie de repartitie se nume
ste variabila
normala standard.
//////////////////////////////////////GRAFIC CLOPOTUL LUI GAUSS
R1
u2
Se demonstreaza ca p12
e 2 du = (+1) = 1
1
Remark 158 Pentru n >>, n conditiile TLC in forma Moivre Laplace, aceasta
probabilitate poate calculata astfel:
1
0 n
!
Xi np
n
x np
x np C
B i=1
p
<p
P( Xi < x) = P @ p
A=
i=1
np(1 p)
np(1 p)
np(1 p)
Proposition 159 Propriet
a
tile func
tiei '(x)
1. Functia ' este simetrica fata de axa Oy:
2.

(x) + ( x) = 1; ( x) = 1
(x); (x) = 1
( x).
////////////////GRAFIC NORMALA CU EVIDENTIEREA x si -x.
!
n

3. P

5.5

Xi np

i=1
3< p

np(1 p)

<3

= 0; 998.

Aplica
tii ale teoremei limit
a central
a
n

1. Calculul probabilit
atilor de forma P a

i=1

Xi

pb

np
np(1 p)

pa

np
np(1 p)
n

Demonsta
tie. P a
pb

np
np(1 p)

i=1

pa

Xi

np
np(1 p)

b
:

68

=P

p a np
np(1 p)

Xi np

i=1
p

np(1 p)

p b np
np(1 p)

2. Estimarea numarului minimal de probe Bernulli n0 astfel nct

n0 = min fnjP (jfn (A)

P(A)j < ")

g ; unde " > 0;

2 (0; 1) sunt cunoscute

Xi

Solu
tie. fn (A) = i=1n , Xi
Atunci EXi = p = P(A).
Atunci
P (jfn (A)

Bernoulli(p), p 2 (0; 1), sunt v.a.i.i.r.

0

B
P(A)j < ) = P @

n
i=1

Xi

C
P(A) < "A

n
n

Xi

B i=1
= P@ p
np(1
0

= 2

Avem acum de rezolvat inegalitatea:

p
2 2" n
1 > 1
p
2
2" n >
Pentru nceput rezolv
am inegalitatea
pentru integrala Laplace.
p
2" n = x1

p)

" n

<p

C
A

p(1

p)

Xi

np

)n=

1
p

adic
a
=1

2
p

(2" n) = 1
x1 2
2"

2
2

folosind tabelul

+1

De exemplu, pentru = 0; 1 rezult

a valoarea lui x0:95 = 1; 96. Deci n0
rezult
a n functie de valoarea lui ".

5.6

" n C
i=1
< p
<p
A
p(1 p)
np(1 p)
p(1 p)
!
!
p
p
" n
n
p
p
p(1 p)
p(1 p)
!
p
p
n
p
1
2 " n 2
1>1
p(1 p)
p(1 p) 14

B
= P@ p
=

np

Aplica
tii la Metoda Monte Carlo

Metoda a ap
arut n anii 1940 n leg
atur
a cu proiectarea bombei atomice.
Prima problema care apare este simularea alegerii la ntmplare a unui num
ar
de la 1 la N, folosind o cutie cu N bile numerotate de la 1 la N. Dac
a not
am
69

variabila aleatoare X= num

arul bilei extrase, evident 1 X N . Evident are
loc P(X = i) = n1 .
De asemenea, dac
a dorim simularea unui eveniment care are probabilitate
k
de
a
se
produce,
atunci
consider
am o cutie cu N bile numerotate de la 1 la
n
N . Not
am cu A evenimentul A = fnum
arul de pe bila extras
a este mai mic sau
card(A)
k
egal cu kg = f1; 2; 3;
; kg. Evident P(A) =
= n.
n
Consider
am cazul jocului Loto 6/49. Not
am A6 = ftoate cele 6 bile extrase
sunt norocoaseg. Evident P(A6 ) = C16 .
49
Vom studia simularea evenimentului A considernd P (A) necunoscut
a. Dorim
s
a aproxim
am P (A).
Initial pornim contorul S = 0.
Pas 1. Simul
am producerea evenimentului A1 = fprima bil
a este norocoas
ag
6
cu probabilitatea P (A1 ) = 49
(ca mai sus). Dac
a A1 se produce increment
am
contorul S = S + 1, altfel S r
amne neschimbat.
Pas 2. Simul
am producerea evenimentului A2 = fa doua bil
a este norocoas
ag
cu probabilitatea P (A1 ) = 649S . Dac
a A2 se produce, increment
am contorul
S = S + 1, altfel S r
amne neschimbat.
Pas 6. Simul
am producerea evenimentului A6 = fa sasea bil
a este norocoas
ag
cu probabilitatea P (A1 ) = 649S . Dac
a A2 se produce, increment
am contorul
S = S + 1, altfel S r
amne neschimbat.
Repetnd acest experiment de n ori, si notnd n(A) num
arul de produceri a
evenimentului A = ftoate cele 6 bile extrase sunt norocoaseg obtinem fn (A) =
n(A)
n .
Ne intereseaz
a n0 pentru care
n0 = min fnjP (jfn (A)

P(A)j

") > 1

g,

2 (0; 1) cunoscut.

1. Solutie bazat
a pe Legea Numerelor Mari n forma Bernoulli
P (jfn (A)

P(A)j

")

! 1

n!1

ns
a nu precizeaz
a ct de rapid converge.
2. Solutie bazat
a pe Inegalitatea Cebsev: Dat evenimentul A " cu P (A) >
0, putem asocia ec
arei probe i a experimentului " variabila aleatoare
1;A
Xi cu proprietatea Xi (!) = 0;A . Evident variabilele Xi vor v.a.i.i.r.
Bernoulli(p), p = P(A) 2 (0; 1).
Rezult
a EXi = P(A) si DXi = P(A) (1 P(A)).
n

Frecventa relativ
a a evenimentului A este fn (A) =

70

Xi

i=1

, de unde

Efn (A)

Xi
1 n
1 n
np
= E i=1
= E Xi =
EXi =
= p = P(A)
i=1
i=1
n
n
n
n
n

Dfn (A)

Xi
n
1
1 n
np(1 p)
p(1 p)
P(A) (1 P(A))
= D i=1
= 2 D Xi = 2 DXi =
=
=
n
n i=1
n i=1
n2
n
n

Conform inegalit
atii Cebsev
P (jfn (A)

Efn (A)j

")

Dfn (A)
"2
1 P(A)(1 P(A))
n
"2

1
1

Se demonstreaz
a usor c
a p(1
P (jfn (A)

Efn (A)j

p)

1
4

pentru p 2 (0; 1). Rezult

a asadar

")

1
4n"2

1
4n"2
, 4n"2

Rezult
a n0 = 4 1"2 + 1.
a n0 =
Pentru " = 10110 si = 0; 05 rezult

71

100
4 5 10

10

1
1

,
,n

1
4 "2

+ 1 = 5 1020 + 1.