TP&I

I. Balmu, Gh. Ceban, A.
Leahu,
I. Lisnic, A. Moloniuc
I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

Teoria Probabilitilor si a Informaiei n Sistemul de programe Mathematica.
(Teorie, indicatii metodice si probleme propuse)
Teoria Probabilitilor si a
Informaiei n Sistemul de
programe Mathematica
Chisinau
2015

Motto. Matematica este arta de a da lucrurilor

diferite unul si acelasi nume.
Henri Poincare (1854-1912)
1. ntroducere
1.1. Obiectul de studiu al Teoriei Probabilitatiilor
Apariia Teoriei Probabilitilor ca ramur a Matematicii dateaz din
sec. XVII i este legat de numele marilor matematicieni Blaise Pascal
(1623-1662), Pierre Fermat (1601-1665), Christian Huygens (1629-1695)
i Jacob Bernoulli (1654-1705), plecnd de la rezolvarea unor probleme
legate de jocurile de noroc. Necesitatea de a largi aria de aplicabilitate a
acestei teorii a condus la varianta ei moderna i anume, Teoria axiomatic
a Probabilitilor, propusa in anul 1933 de catre matematicianul rus
Andrei Nikolaevici Kolmogorov (1903-1987).
Daca e s ne referim la obiectul ei de studiu, putem spune ca Teoria
Probabilitilor studiaz modele matematice ale fenomenelor
(experimentelor)
aleatoare (nmpltoare, stochastice sau
indeterministe, cum li se mai spune). Aici se impun unele lmuriri
suplimentare.
Mulimea de fenomene care se ntlnesc n lumea nconjurtoare se
mparte n dou clase: fenomene deterministe si fenomene indeterministe
sau, cu alte cuvinte, fenomene aleatoare.
Spunem, astfel, ca fenomenul este determinist daca observatorul
poate anticipa cu certitudine evoluia acestuia. n calitate de exemplu
putem lua fenomenul atraciei universale. Observaiile fcute asupra
acestui fenomen i-au permis marelui matematician si fizician englez Isaac
Newton (1642-1727) s descopere Legea Atraciei Universale:
F=k
m1m2
Aceast formul reprezint un exemplu tipic de model mathematic al

unui fenomen (in cazul dat, determinist). Ea ne arat c, for a F de
atracie dintre dou corpuri, unul de mas m1 , altul de masa m2 , este

direct proportional cu produsul k m1 m2 i invers proporional cu

ptratul distanei r dintre aceste corpuri, unde k este o constanta
universal.
Putem spune, aadar, c a modela mathematic , spre a fi cercetat, un
fenomen (experiment, eveniment sau obiect oarecare) nseamna a-l
descrie, fie si aproximativ, cu ajutorul noiunilor i formulelor
matematice, cu alte cuvinte, a-l descrie n limbajul mathematic.
Dealtfel , unul i acelai model mathematic poate descri doua sau mai
multe fenomene, in esen, diferite. De exemplu, formula de mai sus
servete in calitate de model matematic i pentru fenomenul atractiei
dintre doua particule elementare (Legea lui Coulomb).
Dimpotriv, spunem despre un fenomen c este
indeterminist (aleator) dac observatorul fenomenului nu
poate anticipa cu certitudine evoluia lui. Din punct de
vedere al observatorului, observaiile facute asupra unui
fenomen sau masuratorile corespunzatoare echivaleaza cu
efectuarea unui experiment legat de fenomenul dat. Or,
prin experiment vom nelege observarea unui fenomen
dat. Experimentele indeterministe se mpart ,la rndul lor,
n doua subclase: (a) experimente indeterministe
(aleatoare)
care
poseda
proprietatea
regularitii
statisticesi (b) experimente aleatoare care nu poseda
proprietatea regularitatii statistice.
Definiia 1. Vom spune ca un experiment aleator E
poseda proprietatea regularitatii (stabilitatii) statistice
daca acesta verifica urmatoarele proprietati:
1) poate fi reprodus, ori de cte ori dorim, practic n
aceleasi conditii;
2) pentru orice eveniment asociat lui E frecventa lui
relativa n probe
( )=
= ( )/
oscileaza n jurul unui numar notat cu P(), P() 2 [01],
() devenind,

odata cu cresterea lui , tot mai aproape si mai aproape

de P();
3) pentru doua serii diferite, respectiv de si probe,
atunci cnd si
sunt foarte mari, avem ca () coincide aproximativ cu
() .
n concluzie, stabilitatea statistica a frecventelor relative
confera verosimilitate ipotezei, conform careia pentru
orice eveniment posibil ca rezultat observabil al unui
experiment aleator E, putem defini numarul P() cu
ajutorul caruia masuram gradul (sansele) de realizare a lui
ntr-un numar foarte mare de probe. Astfel, n Teoria
probabilitatilor devine postulat afirmatia, conform careia
pentru orice eveniment asociat unui experiment aleator
E exista (obiectiv) un numar P() numit probabilitate a lui
. Proprietatea fireasca a acestui numar rezida n faptul ca,
odata cu cresterea numarului de probe (experimente)
independente, frecventa relativa () se apropie, tot mai
mult, de P()
Numarul P( ) se numeste probabilitate statistica
(sau frecventiala) a evenimentului A.
Exemplu. Consideram, n calitate de experiment
aleator E, aruncarea monedei o singura data. Fie
evenimentul ce consta n aparitia stemei. Observam,
astfel, ca
1000 () coincide aproximativ cu 1/2 adica P()=1/2 iar
2000() coincide, la fel, aproximativ cu 1/2, adica probabilitatea
P()=1/2.
Prin urmare, putem afirma ca probabilitatea (statistica) a
aparitiei stemei la aruncarea monedei o singura data este
egala cu 12ceea ce inseamna, ca aruncnd moneda de
un numar suficient de mare de ori, stema va apare n
aproximativ 50% de cazuri .

Putem aduce si alte exemple de fenomene aleatoare:

rezultatele aruncarii unui zar, greutatea unui bob ge gru
ales la ntmplare, numarul de bacterii ntr-o picatura de
apa, durata vietii unui calculator produs de ntreprinderea
data, numarul de apeluri telefonice nregistrate la o statie
telefonica pe durata unei zile, etc., etc. Enumerarea lor
poate continua la nesfrsit, nsa ele toate vor avea acelasi
caracter, fiiind nsotite de astfel de notiuni imprecise
(deocamdata) ca aruncare onesta, moneda perfecta,
probe independente, etc.
Remarc. Probabilitatea statistica nu poate f
aplicata ntotdeauna, deoarece nu orice experiment
poate f repetat n conditii identice ori de cte ori
dorim.
xperimentele
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.
Definitia 2. Prin probabilitate subiectiva vom ntelege
acea regula P conform careia o persoana data i asociaza
fiecarui eveniment un numar P() 2 [01],numit
probabilitatea evenimentului .
Astfel, putem vorbi despre probabilitatea subiectiva,
evaluata, sa zicem, de un expert, ca pna n 2020 se va
produce prima expeditie a omului pe Marte. Pentru studiul
fenomenelor aleatoare indeterministe, n afara de
probabilitate subiectiva si probabilitate frecventiala, exista
si notiunile de probabilitate clasica, probabilitate
geometrica, probabilitate discreta si probabilitate definita
n sens axiomatic. Toate aceste notiuni au ca scop
definirea unei modalitati
de masurare a sanselor (gradelor) de realizare a
evenimentelor aleatoare date,
definitia axiomatica a probabilitatii fiind, ntr-un anumit
sens, acoperitoare pentru toate celelate.

Lucrarea data este axata numai si numai pe

probabilitati obiective, nu si subiective.
1.2. Considerente asupra Sistemului de programe (software)
Mathematica
nainte de a trece nemijlocit la tema enunat n denumirea
paragrafului, oferim o scurt informaie privind Sistemul de programe
Mathematica. La ntrebarea Cine a creat Sistemul de programe
Mathematica? putem da urmtorul rspuns.
Creatorul Sistemului Mathematica este Stephen Wolfram (S.U.A.).
El s-a nascut la Londra n a. 1959. Prima lucrare tiinific a elaborat-o la
vrsta de 15 ani. La vrsta de 20 ani a obinut titlul tiinific de Doctor n
fizica teoretic. Din 1973 ncepe s aplice calculatorul n cercetrile sale
tiinifice. ntre anii 1979 i 1983 creaz programa SMP care este prima
program ce ine de domeniul Calculului simbolic. Menionm c
anterior calculatorul era, de obicei, folosit la rezolvarea problemelor din
Matematica de calcul. n anul 1986, odat cu apariia primelor PC-uri,
ncepe crearea Sistemului (pachetului de programe) Mathematica, n anul
1988 aparnd prima lui variant, Mathematica 1. Aceast activitate a
continuat i n anul 1991, avnd ca rezultat Mathematica 2; n anul 1996 a
aprut Mathematica 3 iar n anul 1999 Mathematica 4. Aceste sisteme
au mai multe versiuni. n unele sli de calculatoare din U.T.M. este
instalat Sistemul de programe Mathematica 5.1. Anume acest Sistem este
folosit de ctre studeni n cadrul lucrrilor de laborator la TPI. Dealtfel,
pe Internet poate fi accesata o varianta online la adresa
http://www.wolframalpha.com/. Activitatea privind dezvoltarea de mai
departe a Sistemului Mathematica (SM) continu si n prezent n cadrul
firmei Wolfram Research, Inc, avndul ca Preedinte pe Stephen
Wolfram.
Principalele prelucrari efectuate de catre SM pot fi grupate in
urmatoarele categorii:
Numerice. Rezultatele acestor prelucrari sunt numere. Exemple de astfel
de prelucrari sunt: calculul integralei definite a unei functii, determinarea
radacinilor unui polinom cu coeficienti numerici, determinarea limitei
unui sir numeric etc.

Simbolice. Rezultatele prelucrarilor simbolice sunt de regula expresii

algebrice sau chiar propozitii matematice. Exemple de astfel de prelucrari
sunt: calculul primitivei unei functii, determinarea radacinilor unui polinom cu coecienti simbolici, efectuarea unui rationament logic etc.
Grafice. Rezultatele acestor prelucrari sunt de fapt reprezentari grafice
ale unor functii, curbe, suprafete sau alte obiecte grafice descrise prin
ecuatii sau prin punctele pe care le contin. Pot fi create si obiecte grafice
pornind de la primitive. Sistemele de software matematic ofera posibilitatea efectuarii fiecareia dintre aceste prelucrari.
Unele prelucrari pot fi efectuate direct existand comenzi specifice iar
altele pot fi descrise in limbajul de programare specific sistemului. Spre
deosebire de limbajele de programare de uz general sistemele de software
matematic contin un limbaj de comanda mult mai bogat in sensul ca pot fi
specificate printr-o singura comanda si prelucrari bazate pe algoritmi
relativ complicati (de exemplu inversarea unei matrici, rezolvarea
simbolica sau numerica a unui sistem de ecuatii diferentiale etc).
Sistemele de software matematic se pot aplica in domenii diferite,
cum ar fi:
-Matematica (pentru verificarea unei teorii, enuntarea de noi
conjecturi, elaborarea unor demonstratii care implica doar calcule de
rutina sau rationamente standard, vizualizarea
grafica a unor obiecte geometrice etc.);
- Fizica (pentru prelucrarea datelor experimentale, si simularea soft a
unor fenomene fizice);
-Chimie (pentru simularea soft a structurilor moleculare si prelucrarea
relatiilor ce descriu reactiile chimice);
-Statistica (pentru vizualizarea grafica si analiza datelor, efectuarea de
inferene statistice pornind de la date obtinute din sondaje, analiza
corelaiei dintre date etc.);
-Inginerie (pentru prelucrarea semnalelor si modelarea sistemelor,
proiectare asistata de calculator);
-Biologie si medicina (pentru simularea fenomenelor biomecanice,
prelucrarea semnalelor si imaginilor din medicina etc.);
-Economie si finante (pentru modelare financiara, planificare si analiza
economica, efectuare de predictii etc.)

1.2.1. Generaliti
a) nceputul lucrului. n calculator este instalat corect sistemul
Mathematica
Varianta 1. Poziia iniial: masa de lucru pe care este instalat
pictograma Mathematica-5. Facem dublu clic pe pictograma
Mathematica. Se lanseaz sistemul Matematica i apare fereastra
Untitled 1 i o palet cu simboluri. Se poate de scris ce trebuie n aceast
fereastr. Astfel se va ncepe un document. Dac paleta nu apare, atunci
ea poate fi instalat tastnd: File, Paletes, 4.Basicinput.
Varianta 2. Poziia iniial: masa de lucru pe care nu este instalat
pictograma Mathematica. Pentru a apela sistemul Mathematica tastm:
Start, Programs, Mathematica 5. Apare fereastra Untitled 1 i se poate de
nceput lucrul cu acest sistem.
b)Tipul documentelor. Documentele n sistemul Mathematica sunt de
tipul notebook. Ele conin, n caz general, texte cu comentarii i celule
care conin formule matematice i rezultatele rezolvrilor problemelor n
diferite forme, inclusiv tabele, matrice i grafice. Denumirile funciilor se
aseamn cu cele obinuite i se ncep cu liter majuscul: Sinx,
Saveeqn,x,...
c) Rezolvarea unei probleme. Pentru a rezolva o problem trebuie
de scris instruciunea respectiv i de tastat Shift+Enter (sau Enter de
lng cifre, din partea dreapt). Se afieaz
Innr.d.r :=instruciunea
Outnr.d.r=rezultatul.
n paranteze ptrate se conine numrul de rnd al problemei care s-a
rezolvat n documentul curent. Dac instruciunea n-a fost scris corect,
atunci se afieaz indicaii n privina greelii i coninutul instruciunii.
d) Finisarea lucrului. Dac dup lucrul cu documentul dat pentru
prima dat vrem s-l pstrm, atumci tastm : File, Save As (scriem
numele dorit al documentului), Save. Astfel noul document se va salva n
sistemul Mathematica. Dac se lucreaz cu un fiier vechi, atunci
salvarea redaciei noi a lui se efectueaz prin tastrile : File, Save.
Documentul poate fi salvat i pe un careva disc n mod obinuit.
e) Utilizarea parantezelor. Parantezele rotunde ( i ) se folosesc
pentru a grupa expresii; parantezele ptrate i se folosesc pentru

delimitarea argumentelor funciei, iar acoladele i se folosesc pentru

delimitarea elementelor din list.
f) Observaie. Textul care urmeaz este scris n Microsoft Word.
Pentru scrierea unor formule se folosete redactorul Equation i de aceea
literele latine sunt scrise italic. Acest text poate fi scris direct n
Mathematica, unde literele se scriu normal i n aa fel se afieaz.
Folosirea redactorului Microsoft Word face ca textul s fie scris mai
compact.
1.2.2. Operaii aritmetice i de calcul
n Sistemul de programe Mathematica se folosesc urmtoarele notaii:
Pi este notaia numrului ; E este notaia numrului e; I este notaia
numrului i 1 ; Infinity este notaia lui ; n! este notaia lui n
factorial; x + y -- adunarea, x y -- scderea, x/y -- mprirea, x*y sau
x y nmulirea (la nmulire ntre x i y se pune sau semnul * sau spaiu
liber), x -- minus x, xy ridicarea la putere xy, x = = y egalitate, x y
mai mare, x y mai mic, x = y mai mare sau (i) egal, x = y
mai mic sau (i) egal, x! = y x este diferit de y. Termenii se grupeaz cu
ajutorul parantezelor rotunde. Se folosesc i notaii obinuite.
La rezolvarea problemelor de aritmetic i de calcul pot fi folosite i
funciile ce urmeaz.
Plusx,y,...,z calculeaz suma x+y++z;
Timesx,y,...,z calculeaz produsul xyz ;
Powerx,n calculeaz expresia xn;
Listx1,x2,...,xn creaz lista x1,x2,...,xn;
Rulea,b efectueaz substituia ab;
Seta,b atribuie lui a valoarea b;
Primen determin al n-lea numr prim;
FactorIntegern determin factorii primi ai numrului n i exponenii
puterilor lor;
Maxx,y,...,z determin cel mai mare numr din lista dat;
Minx,y,...,z determin cel mai mic numr din lista dat;
Absx determin valoarea absolut a numrului real x i modulul
numrului complex x.

.
Exemplul 1. Se d o expresie aritmetic :
3 5 ( 25 4) 52
.
(1)
45 36
Se cere :a) s se determine valoarea exact a acestei expresii ; b) s se
determine o careva valoare aproximativ a expresiei date ; c) s se
determine o valoare aproximativ care conine 10 cifre semnificative.
Rezolvare. a) Pentru a obine valoarea exact a expresiei (1)
procedm astfel. Scriem aceast expresie cu ajutorul paletei n forma
(2.1) sau n forma
3 5 (25 4) 52
i tastm Shift+Enter (sau Enter
45 36
de lng cifre). Se afieaz :

3 5 (25 4) 52
In1 :=
45 36
6995
Out1=
.
81
b) Pentru a obine o valoare aproximativ scriem un punct dup un
numr (de exemplu 45.) din expresie. Acest numr va fi considerat
aproximativ i rezultatul se va obine tot aproximativ. Deci scriem
3 5 (25 4) 52
expresia dat n forma :
i tastm Shift+Enter. Se
45. 36
afieaz:
3 5 (25 4) 52
In2 :=
45. 36
Out2=86.358.
Alt variant de rezolvare. Acelai rezultat se obine dac scriem
3 5 (25 4) 52
// N i tastm Shift+Enter. Se afieaz
45 36
3 5 (25 4) 52
In3 :=
// N
45 36
Out3=86.358.

3 5 (25 4) 52
,10 i tastm Shift+Enter. Se afieaz
45 36
35 (25 4) 52
In4 :=
45 36
Out4=86.35802469.
Exemplul 2. S se determine primul numr prim.
Rezolvare. Scriem: Prime1 i tastm Shift+Enter. Se afieaz
In4 :=Prime1
Out5=2.
Exemplul 3. S se extrag rdcina ptrat din primul numr prim
(adic din doi): a) s se afieze rezultatul cu 20 cifre semnificative; b) s
se afieze o valoare aproximativ arbitrar.
Rezolvare. a) Scriem N [ 2 ,20] i tastm Shift+Enter. Se afieaz
In6 := N [ 2 ,20]
Out6 =1,4142135623730950488.
b) Scriem 2 //N i tastm Shift+Enter. Se afieaz :
In7 := 2 //N
Out7 =1,41421.
Exemplul 4. Se d expresia 5950 . Se cere : a) s se calculeze valoarea
exact a acestei expresii ; b) s se determine o valoare aproximativ cu 20
cifre semnificative ; c) s se determine o valoare aproximativ arbitrar.
Rezolvare. a) Scriem 59100 i tastm Shift+Enter. Se afieaz:
In8 := 5950
Out8 =348819360947527950510172346588429748447853806213639
14440454139574943350485761787882807001.
b) Scriem N5950,20 i tastm Shift+Enter. Se afieaz:
In9 := N5950,20
Out9 = 3.4881936091088.
c) Scriem 5950//N i tastm Shift+Enter. Se afieaz:
In10 := 5950//N
Out10 = 3.488191088.
c) Scriem N
Exerciii pentru lucrul individual

E.2.1. 1) S se construiasc o expresie care conine cele patru operaii

aritmetice, ridicarea la putere, fracii i paranteze. 2) S se determine
valoarea exact a expresiei construite. 3) S se determine o careva
valoare aproximativ. 4) S se determone o valoare aproximativ care
conine 20 cifre semnificative.
E.2.2. S se determine al n-lea numr prim, unde n este egal cu
numrul variantei.
E.2.3. Fiind dat al n-lea numr prim (exerciiul E.2.1), se cere : 1) s
se determine o careva valoare aproximativ a rdcinii ptrate din acest
numr; 2) s se determine valoarea aproximativ care conine 20 cifre
semnificative a rdcinii ptrate din acest numr.
E.2.4. Se d expresia (10+n)30, unde n este numrul variantei. Se cere :
1) s se determine valoarea exact a acestei expresii ; 2) s se determine o
careva valoare aproximativ ; 3) s se determine o valoare aproximativ
care conine 20 cifre semnificative.
1.2.3. Algebra elementar
Dm cteva exemple de funcii care pot fi aplicate la rezolvarea
exerciiilor din algebra elementar.
Solvelhs==rhs,x rezolv n raport cu variabila x ecuaia lhs = rhs;
NSolvelhs==rhs,x rezolv numeric ecuaia lhs = rhs n raport cu
variabila x;
Solve{lhs1==rhs1,lhs2==rhs2,},{x,y,} rezolv n raport cu
variabilele x, y, sistemul* de ecuaii lhs1=rhs1, lhs2=rhs2,;
Reduce[inecuaie,x] rezolv inecuaia dat n raport cu variabila x;
Factorexpresie dezvolt n produs de factori expresia dat;**
Simplify% reduce la o form mai simpl expresia obinut n
exerciiul precedent;
Simplifyexpresie reduce la o form mai simpl expresia dat;
Factorpolinom cu coeficieni ntregi dezvolt polinoame n produs
de factori cu coeficieni ntregi;
FactorListpolinom determin factorii polinomului i exponenii
puterilor lor;
...
Exemplul 1. S se rezolve ecuaia x 4 x 3 8 x 2 24 x 32 0 .

Rezolvare. Scriem Solve [ x 4 x 3 8 x 2 24 x 32 0, x] i

tastm Shift+Enter. Se afieaz:
In1 := Solve [ x 4 x 3 8 x 2 24 x 32 0, x]
Out1={{x22i},{x-2+2i},{x1},{x4}}.
S-au obinut partu soluii: x1 = 22i, x2 = 2+2i, x3 = 1, x4 = 4.
Exemplul 2. S se resolve inecuaia ( x 5) 4 ( x 1) 4 626 .
Rezolvare. Scriem Reduce [( x 5) 4 ( x 1) 4 626, x] i tastm
Shift+Enter. Se afieaz
In[2]:=Reduce [( x 5) 4 ( x 1) 4 626, x]
Out[2]= 4 x 0.
Exemplul 3. S se dezvolte n produs de factori cu coeficieni ntregi
exprexia x 10 1 .
Rezolvare. Scriem Factor[ x 10 1 ] i tastm Shift+Enter. Se afieaz
In[3] := Factor[ x 10 1 ]
Out[3]=(1+x)(1+x)(1x+x2x3+x4)(1+x+x2+x3+x4).
Exemplul 4. S se reduc la o form mai simpl expresia obinut n
exerciiul precedent.
Rezolvare. Scriem Simplify[%] i tastm Shift+Enter. Se afieaz
In[4]:= Simplify[%]
Out[4]= 1 x 10 .
Exemplul 5. S se rezolve ecuaia x 3 x 2 x 1 0 : 1) exact;
2) numeric.
Rezolvare. 1) Scriem Solve [ x 3 x 2 x 1 0, x] i tastm
In[5]:= Solve [ x 3 x 2 x 1 0, x]
Out[5]={{x1},{xi},{xi}}.
S-a obinut o rdcin real i dou rdcini complexe conjugate.
2) Scriem NSolve [ x 3 x 2 x 1 0, x] i tastm Shift+Enter. Se
afieaz
In[6]:= NSolve [ x 3 x 2 x 1 0, x]
Out[6]={{x1},{x7.12451019+1.i},{x7.124510191.i}.

Observm c am primit rezultate diferite, dar care difer foarte puin unul
de altul.
1.2.4. Exerciii din algebra liniar
Matricele pot fi notate cu A, B, M, a, b, m, i ele nu trebuie notate
cu C, D. O matrice se introduce n form de list, elementele creia sunt
liste care conin elementele liniilor matricei date. De exemplu matricea
a11
ptratic de ordinul trei A= a 21

a
31
a12
a 22
a 32
a13
a 23 se introduce in document
a 33
(fiier) astfel. Aflndu-ne n fereastra acestui document, scriem

A:={{a11,a12,a13},{a21,a22,a23},{a31,a32,a33}} i tastm Shift+Enter. Se
afieaz
In[1]:=A:={{a1,a12,a13},{a21,a22,a23},{a31,a32,a33}}.
Astfel matricea A a fost introdus i cu ea pot fi effectuate operaiile
necesare. Dac vrem ca matricea A s fie scris i n forna obinuit,
atunci scriem MatrixFormA i tastm Shift+Enter. Se afieaz
Out[1]//MatrixForm[A]=
a11
a 21
a
31
a12
a 22
a 32
a13
a 23 .
a 33
Printre funciile algebrei liniare sunt:

DetA calculeaz determinantul matricei A i se afieaz valoarea lui;
DotA,B calculeaz produsul matricelor A i B i se afieaz rezultatul
n form de list;
InverseA calculeaz inversa matricei A i o afieaz n form de
list;
TransposeA calculeaz transpusa matricei A i o afieaz n dorm
de list ;
EigenvaluesA calculeaz valorile proprii ale matricei A i le afieaz
n form de list;

EigenvectorsA calculeaz vectorii proprii ai matricei A i i afieaz

n form de list, elementele creia sunt liste alctuite din coordonatele
vectorilor proprii;
EigensystemA calculeaz valorile proprii i vectorii proprii ai
matricei A i i afieaz n form de list primul element al creia este
lista valorilor proprii iar celelalte elemente sunt liste alctuite din
coordonatele vectorilor proprii;
Dac vrem ca matricele s fie afiate n forma obinuit, atunci n

instruciuni* n afar de funcia respectiv se introduce i MatrixForm.
Exemplificm acest caz.
MatrixFormA.B afieaz produsul AB al matricelor A i B n form
de matrice;
MatrixFormA+B afieaz in form de matrice suma A+B a
matricelor A i B;
MatrixForm*A afieaz n form de matrice produsul numrului
cu natricea A,
TranspozeA//MatrixForm afieaz n form de matrice transpusa
matricei A,
InverseA//MatrixForm afieaz n form de matrice inversa matricei
A,
1
Exemplul 1. Fie matricele A 5

3
2
1
1
4
4
2 , B 2
5
1
1
5
6
3
2
i numrul , s se determine: 1) A+B; 2) 3A; 3) AB; 4) detA; 5) A1;

6) AT.
Rezolvare. Introducem matricele A i B. Pentru aceasta scriem
A:={{1,2 ,4 },{5,1 ,2 },{3,-1 ,1 }}, tastm Shift+Enter i se afieaz
In1 :=A:={{1,2 ,4 },{5,1 ,2 },{3,-1 ,1 }}.
Asemntor, scriem B:={{4,1 ,2 },{2,5 ,3 },{5,6 ,2 }}, tastm
Shift+Enter i se afieaz
In2 :=B:={{4,1 ,2 },{2,5 ,3 },{5,6 ,2 }}.
Astfel, matricele A i B au fost introduce n document.

1) Pentru calculul sumei A+B scriem MatrixFormA+B, tastm

In3 :=MatrixFormA+B,
Out3//MatrixForm=
5
7
8
1
6
5
1 ,
1
2) Pentru a calcula produsul 3A scriem MatrixForm3*A, tastm

In4 :=MatrixForm3*A,
Out4//MatrixForm=
3
15
9
6
3
3
12
6 .
3
3) Pentru a calcula produsul AB scriem MatrixFormA.B, tastm

In5 :=MatrixFormA.B,
Out5//MatrixForm=
28
32
15
31
2
8
12
3 .
7
4) Pentru a calcula determinantul matricei A scriem DetA, tastm

In6 :=DetA
Out6=27.
5) Pentru
a
determina
inversa
matricei
A
scriem
InverseA//MatrixForm, tastm Shift+Enter i se afieaz
In7 :=InverseA//MatrixForm
Out7=MatrixForm=

1
9
1
27
8
27
2
9
11
27
7
27
.
3
1
6) Pentru
a
determina
transpusa
matricei
A
TranspozeA//MatrixForm, tastm Shift+Enter i se afieaz
In8 :=TranspozeA//MatrixForm
Out8=MatrixForm=
1
2
4
5
1
2
scriem
1 .
1
Observaie. Se tie c nmulirea numerelor se noteaz cu semnul *.

Dac ncercm s notm inmulirea matricelor cu acelai semn, atunci nu
obinem produsul matricelor dar obinem o matrice elementele creia sunt
produsele elementelor respective ale matricelor date. Deci s fim ateni la
notaii !
ntr-adevr, dac scriem MatrixForm[A*B] i tastm Shift+Enter,
atunci se afieaz
In[9] :=MatrixForm[A*B]
Out[9]//MatrixForm=
4
10
15
6
5
6
6 .
2
Exemplul 2. Fiind dat matricea ptratic de ordinul trei M=

1
3
3
3
5
3
1 , s se determine: 1) valorile proprii, 2) vectorii proprii,

1
3) valorile proprii i vectorii proprii.

Rezolvare. Introducem matricea M. Pentru aceasta scriem
M:={{1,3,1},{3,5,1},{3,3,1}} i tastm Shift+Enter. Se afieaz

In10:=M:={{-1,3,-1},{-3,5,-1},{-3,3,1}}.
Deci matricea M s-a introdus n document.
1) Pentru a determina valorile proprii scriem EigenvaluesM i tastm
In10:=EigenvaluesM
Out10={2,2,1}.
2) Pentru a obine vectorii proprii scriem EigenvectorsM i tastm
In11:=EigenvectorsM
Out11={{-1,0,3},{1,1,0},{1,1,1}}.
3) Pentru a determina i valorile proprii i vectorii proprii scriem
EigensystemM i tastm Shift+Enter. Se afieaz
In12:=EigensystemM
Out11={{2,2,1},{-1,0,3},{1,1,0},{1,1,1}}.
Exemplul 3. S se rezolve sistemul de ecuaii liniare
y1 y 2 y 3 y 4 7,
y y y y 1,
1
2
3
4
1,
y1 y 2
y 3 y 4 2.
Rezolvare. Scriem Solve{y1+y2+y3+y4==7, y1+y2y3y4==1,

y1y2==1, y3y4==2}, {y1,y2,y3,y4} i tastm Shift+Enter. Se afieaz
In[13]:= Solve{y1+y2+y3+y4==7, y1+y2y3y4==1, y1y2==1,
y3y4==2}, {y1,y2,y3,y4}
Out[13]={{y11,y22,y33,y41}}.
Exemplul 4. S se rezolve sistemul de ecuaii liniare
2 x1 3x 2 x3 8,
5 x1 2 x 2 2 x 3 6,
x 4 x 3 x 9.
2
3
1
Rezolvare. Scriem
Solve{2x1+3x2x3==8,
5x12x2+2x3==6,
x1+4x23x3==9},{x1,x2,x3} i tastm Shift+Enter. Se afieaz

In[13]:=Solve{2x1+3x2x3==8,5x12x2+2x3==6,x1+4x23x3==9},
{x1,x2,x3}
Out[13]={{x12,x21,x31}}.
S-a obinut soluia x1=2, x2=1,x3=1.
1.2.5. Calcul diferenial si calcul integral
al funciilor reale de o variabil real
n sistemul Mathematica funciile se noteaz asemntor cu notaiile
obinuite, prima liter fiind majuscul. Argumentele funciilor sunt
delimitate cu paranteze ptratice i . Exemple:
Sinx este notaia expresiei sinx; Cosx cosx; Tanx tgx;
ArcSinx arcsinx; Logx lnx; Logb,x logbx; Expx ex;
Sqrtx rdcina ptrat din x;
a) Calculul limitelor. Printre funciile care pot fi aplicate la
rezolvarea exerciiilor din acest punct sunt urmtoarele.
Limitf,xa - calculeaz limita funciei f(x) n punctul a;
Limitf,xInfinity - calculeaz limita funciei f(x) cnd x tinde la
infinit;
Limitf,xa,Directiona - calculeaz limita la dreapta a funciei
f(x) n punctul a;
Limitf,xa,Direction+a - calculeaz limita la stnga a funciei f(x)
n punctul a;
...
Exemplul 1. S se calculeze limitele: a) lim
x 0
x 2 2x 1
lim
x 2 x 2 3 x 2
1
.
x 1 0 1 31 /( x 1)
lim
( 2 x 1) /( x 1)
cos 2 x e 3 x
;
ln(1 4 x )
1
;
x 1 0 1 31 /( x 1)
c) lim
b)
d)

Rezolvare. a) Scriem Limit[
Cos[2 * x ] E 3* x
,x0] i tastm
Log[1 4 * x ]
Cos[ 2 * x ] E 3*x
,x>0]
Log[1 4 * x]
In[1]:=Limit[
Out[1]=
3
.
4
x2 2 * x 1
b) Scriem Limit[
2
2* x 3* x 2
tastm Shift+Enter. Se afieaz
x2 2 * x 1
2* x 3* x 2
In[2]:=Limit[
Out[2]=
( 2* x 1) /( x 1)
,xInfinity]
( 2* x 1) /( x 1)
,xInfinity]
1
.
4
1
,x1,Direction1]
1 31 /( x 1)
1
In[3]:=Limit[
,x1,Direction1]
1 31 /( x 1)
Out[3]=0.
1
d) Scriem
Limit[
,x1,Direction+1]
1 31 /( x 1)
1
In[4]:=Limit[
,x+1,Direction+1]
1 31 /( x 1)
Out[4]=1.
c) Scriem
Limit[
tastm
tastm
b) Construcia liniilor i a graficelor funciilor reale de o

variabil real. Se aplic funciile ce urmeaz.
Plotf,{x,a,b} construiete graficul funciei f(x), a x b;
Plot{f1,f2,...},{x,a,b} construiete pe acelai desen graficele funciilor
f1(x), f1(x),... a x b;

ListPlot[{x1,y1},{x2,y2},] construiete punctele cu coordonatele

carteziene (x1,y1),(x2,y2),;
ParametricPlot[{fx,fy},{t,a,b}] conctruielte linia dat prin ecuaiile
parametrice x=fx(t), y=f y(t), a x b;
ParametricPlot[{fx,fy},{gx,gy},{t,a,b}] conctruielte liniile date prin
ecuaiile parametrice x=fx(t), y=f z(t), a x b, i x=gx(t), y=g y(t), axb;
ParametricPlot3D[{fx,fy,fz},{t,a,b}] conctruielte linia din spaiul R3
dat prin ecuaiile parametrice x=fx(t), y=fy(t), z=fz(t), a x b;
...
Exemplul 2. S se construiasc liniile date prin ecuaiile:
x 2 cos 3 t ,
x 3 4x 2 2x 1
a) f ( x)
, x1, 2; b)
t0, 2.
3
x3
y 2 sin t ;
Rezolvare. a) Scriem
x 3 4x 2 2x 1
Plot[
, x,1, 2]Plot[ {2Cos 3 t ,2 Sin 3 t}, {t ,0,2} ]
x3
i tastm Shift+Enter. Se afieaz
x 3 4x 2 2x 1
In[5]:=Plot[
, x,1, 2]
x3
Out[5]=desenul
b) Scriem Plot[ {2Cos 3 t ,2 Sin 3 t}, {t ,0,2} ] i tastm Shift+Enter.
Se afieaz
In[6]:=Plot[ {2Cos 3 t ,2 Sin 3 t}, {t ,0,2} ]
Out[6]=desenul
c) Calculul derivatei i al diferenialei. Se folosesc funciile:
Df,x calculeaz derivata funciei f n raport cu variabila x ;
Df,{x,n} calculeaz derivata de ordinul n a funciei f n raport cu
variabila x ;
Dtf calculeaz difereniala funciei f;
Exemplul 3. Se d funcia f ( x) arctg (ln x) ln(arctgx ) . S se
calculeze: a) derivate df / dx; b) derivata de ordinul doi d2f / dx2 ; c)
difereniala df.
Rezolvare. a) Scriem D[ArcTan[Log[x]]+Log[ArcTan[x]],x] i tastm

In[7]:=D[ArcTan[Log[x]]+Log[ArcTan[x]],x]
1
1
Out[7]=
.
2
(1 x ) ArcTan [ x] x(1 Log[ x] 2 )
n aceast expresie Log[ x ] 2 nseamn Log 2 x .
b) Scriem D[ArcTan[Log[x]]+Log[ArcTan[x]],x,2] i tastm
In[8]:=D[ArcTan[Log[x]]+Log[ArcTan[x]],x,2]
1
2x
Out[8]=
(1 x 2 ) 2 ArcTan [ x] 2 (1 x 2 ) 2 ArcTan [ x]
2 Log [ x]
1
2
.
2
2 2
x (1 Log[ x] )
x (1 Log[ x] 2 )
c) Scriem Dt[ArcTan[Log[x]]+Log[ArcTan[x]]] i tastm Shift+Enter. Se
afieaz
In[9]:=Dt[ArcTan[Log[x]]+Log[ArcTan[x]]]
Dt[ x ]
Dt[ x]
Out[9]=
.
2
(1 x ) ArcTan [ x] x(1 Log[ x] 2 )
n expresia precedent Dtx nseamn dx.
d) Calculul integralelor. Pot fi aplicate funciile ce urmeaz.
Integratef,x calculeaz primitiva (integrala nedefinit) a finciei
f(x) ;
Integratef,{x,a,b} calculeaz integrala definit a finciei f(x) pe
intervalul [a,b], a b;
Integratef,{x,a,Infinity} - calculeaz integrala definit a finciei f(x) pe
intervalul [a,);
NIntegratef,{x,a,b} - calculeaz numeric integrala definit a finciei
f(x) pe intervalul [a,b];
Exemplul 4. S se calculeze integralele nedefinite:

dx
x 5 4 x 2 5x 3 x 2 2 x 2
a) 6
,
b)
dx .
x 1 x2
x3 1

Rezolvare. a) Scriem Integrate
1
x6 1 x2
, x i tastm Shift+Enter.
Se afieaz
In[10]:=Integrate
,x
x6 1 x2
1 x 2 (3 4 x 2 6 x 4 )
.
15 x 5
x 5 4x 4 5x 3 x 2 2x 2
b) Scriem Integrate
,x
x3 1
Out[10]=
In[11]:=Integrate
Out[11]=
5x 4x 2
tastm
x 5 4x 4 5x 3 x 2 2x 2
,x
x3 1
1 2x
x3
5
3
2
ArcTan
3Log [1 x] Log [1 x x ]
3
2
3
3
.
Exemplul 5. S se calculeze valoarea exact a integralei definite
1
0
1 x 2 dx .
Rezolvare. Scriem Integrate 1 x 2 , {x,0,1}] i tastm

In[12]:=Integrate 1 x 2 , {x,0,1}
Out[12]=
.
4
Exemplul 6. S se calculeze o valoare aproximativ a integralei
definite
1 x 3 dx
Rezolvare. Scriem NIntegrate 1 x 3 , {x,0,1}]

In[13]:=NIntegrate 1 x 3 , {x,0,1}
Out[13]=1.11145.
tastm

Exemplul 7.S se calculeze integralele improprii
x2
e1 / x 2
a)
;
b)
dx
ln
dx .
1
0 1 x4
3
x2
Rezolvare. a) Scriem Integrate
, { x,0, Infinity}] i tastm
1 x4
x2
In[14]:=Integrate
, { x,0, Infinity}]
1 x4
Out[14]=
b) Scriem
2 2
ln[
e1 / x 2
]dx i tastm Shift+Enter. Se afieaz
3
1
3
Integral of Log [ ( 2 e1 / x )] does not converge on 1,.
1
Log [ ( 2 e1 / x )]dx .
3
Aceasta nseamn c integrala dat n-a fost calculat.
Out15=
1.3. Elemente de Analiza Combinatorie si Aplicatiile lor. (Anexa)
2. Calculul probabilitilor
2.1. Observatii privind calculul probabilitilor i defini ia
axiomatic a probabilitii. Dac rezolvarea unei probleme de calcul al
probabilitii se reduce la aplicaia unei formule de calcul, atunci rmne
s introducem n aceast formul datele numerice ale problemei i
parametrii necesari. Astfel se obine o expresie numeric a crei valoare
numeric trebuie calculat. Din cele expuse anterior rezult c Sistemul
de programe Mathematica permite: calculul valorii exacte, calculul unei

valori aproximative cu apte cifre semnificative i calculul unei valori

aproximative cu un numr dorit de cifre semnificative.
Observaie. Cunoatem deja ca in Sistemul Mathematica , dup
scrierea instruciunii, se tasteaza Shift+Enter pentru ca instruciunea sa fie
executat. De aceea n textul rezolvrilor problemelor ce urmeaz se
conine numai instruciunea respectiv i rezultatul executrii ei: Input,
Output precum i unele comentarii (dac ele sunt necesare).
Unele calcule din exerciiile ce urmeaz pot fi efectuate cu ajutorul
unui microcalculator, sau chiar n minte. Prin intermediul unor atare
exerciii se ilustreaznu att necesitatea utilizrii Sistemului Mathematica,
ct posibilitatea utilizrii lui.
Variante de exerciii pentru lucru individual pot fi gsite n lista de
exerciii propuse pentru rezolvare de la sfritul paragrafului.
La rezolvarea exerciiilor ce urmeaz vor fi folosite unele funcii din
cele enunate anterior, dar i unele din funciile:
Collect[expr,x] reduce termenii asemenea din expresia expr i i
arangeaz dup puterile lui x;
Sum[f[i],{i,imin,imax}] calculeaz suma valorilor funciei f pentru i de la
imin pn la imax cu pasul +1;
NSum[f[i],{i,imin,imax}] calculeaz o valoare a sumei valorilor funciei f
pentru i de la imin pn la imax cu pasul +1;
Product[f[i],{i,imin,imox}] - calculeaz produsul valorilor funciei f pentru i
de la imin pn la imax cu pasul +1;
NProduct[f[i],{i,imin,imox}] calculeaz o valoare a produsului valorilor
funciei f pentru i de la imin pn la imax cu pasul +1.
Drept punct de plecare n calculul probabilitilor serve te defini ia
axiomatic a probabilitii, care ntregete modelarea matematic a
experimentelor aleatoare ce poseda Proprietatea regularit ii statistice.
Aceast modelare presupune identificarea urmatoarelor elemente
(obiecte) matematice cu ajutorul carora s descriem:
a) multimea de rezultate posibile intr-un experiment aleator E ;
b) multimea (familia) F a tuturor evenimentelor aleatoare asociate
experimentului E ;
c) probabilitatea (regula) P, conform creia fiecrui eveniment aleator
A asociat experimentului E i se pune n corespondena probabilitatea
acestuia P(A).

Rspuns la p. a) ni-l da
Definiia 1. Vom numi spatiu de evenimente elementare orice multime
nevid , elementele careia corespund rezultatelor posibile ntr-un
experiment aleator E. Elementele din se numesc evenimente
elementare.
Dm cteva exemple de spatii de evenimente elementare.
1. Considerm, n calitate de experiment aleator E, aruncarea unei
monede o singura dat.Atunci spatiul corespunzator de evenimente
elementare ={S, B}={0, 1}={1, 2}, unde prin S, 0 sau 1 am notat
evenimentul elementar ce const n apariia Stemei, iar prin B, 1 sau 2
am notat aparitia Banului.
2. Considerm aruncarea unei monede de dou ori succesiv. Atunci
={SS,SB,BS, BB}={1, 2, 3, 4 }, pastrand acela tip de notare.
3. Experimentului aleator E , ce const n aruncarea unui zar o singura
data, i corespunde spatiul de evenimente elementare ={1, 2,...,6}={1,
2,..., 6 }, unde i sau i reprezinta numarul de puncte aprute, i= 1,
2,...,6.
4. Iar acum considerm, n calitate de experiment aleator E, aruncarea
unei monede pna la aparitia Stemei. Atunci ={S,BS, BBS,...}={1, 2,
3,..., n , }, unde n , de exemplu, corespunde rezultatului posibil
(elementar) ce semnific faptul c experimentul s-a terminat la aruncarea
numrul n cu aparitia Stemei precedat de aparitia Banului de n-1 ori.
5. Considerm experimentul aleator ce const in masurarea staturii
unui student luat la ntmplare de la Universitatea Tehnic din Moldova.
Notm prin nltimea acestuia. Atunci ={ : >0}.
Observaie. Vom spune c exemplele de tipul 1-5 se refer la cazul
discret deoarece spaiul de evenimente elementare corespunztor
reprezinta o multime finita (vezi exemplele 1-3) sau o multime infinita,
cel mult, numrabil (n exemplul 4), iar exemplele de tipul 5 se refer
la cazul continuu deoarece spaiul de evenimente elementare
corespunztor reprezinta o multime infinit nenumrabil.
Rspunsul la p. b) l aflm din
Definiia 2. Fie un spaiu de evenimente elementare, atunci vom
numi eveniment aleator orice element A din familia F ={A: A este submulime a lui } ce verific urmtoarele 2 axiome:

10. Daca A este eveniment aleator, adica A este element a lui F atunci
si complementara acestuia, ={ din : nu apartine lui A} este
eveniment aleator;
20. Daca A1 ,A2, , An,... sunt evenimente aleatoare, atunci si reuniunea
(suma) acestor submulimi este eveniment aleator.
Familia F sau perechea ( , F ) se mai numete cmp de evenimente
aleatoare.
Observaie. Dac este o multime de tip discret, atunci axiomele
10- 20 ale cmpului de evenimente aleatoare se verifica automat, cu alte
cuvinte , n acest caz, din oficiu, orice submultime A din spaiul de
evenimente elementare este eveniment aleator. Dac evenimentul
elementar din aparine si evenimentului A, atunci spunem ca
favorizeaz evenimentul A.
Mai mult, deoarece evenimentele aleatoare reprezint submul imi ale
lui rezulta ca asupra lor pot fi aplicate toate opera iile asupra
multimilor. Astfel reuniunea a doua evenimente aleatoare se numeste
sum, intersectia lor se numeste produs iar complementara ={ din
: nu apartine lui A} a unui eveniment aleator A se numete
eveniment non-A sau negarea evenimen-tului A. Evenimentul se
numeste eveniment sigur, iar evenimentul ce corespunde multimii vide
se numete eveniment imposibil.Dac produsul (intersecia) a doua
evenimente A i B este un eveniment imposibil, atunci se spune c
evenimentele A i B sunt incompatibile (disjuncte). Daca evenimentul A
se contine (ca mulime) n B, atunci spunem ca evenimentul A implica
evenimentul B. Daca, concomitent cu aceasta, are loc si rela ia inversa,
atunci A=B i spunem ca evenimentele A i B sunt echivalente.
Evident, operatiile asupra evenimentelor aleatoare posed acelea i
proprietti ca i operiile asupra mulimilor. In particular, sunt valabile
Formulele de dualitate ale lui de Morgan:
1) Complementara sumei a doua evenimente A si B coincide cu
produsul complementarelor acestor evenimente;
2) Complementara produsului a doua evenimente A si B coincide
cu suma complementarelor acestor evenimente.
Putem, nsfrit, rspunde la p. c) prin

Definitia 3 (Definiia axiomatica a probabilitatii ). Vom numi

probabilitate definit pe campul de eveneminte aleatoare ( , F ) orice
aplicaie P: FR care verific urmtoarele axiome
A1. P(A)0 pentru orice eveniment A din F;
A2. P()=1;
A3. P(A1 +A2+...+ An+...)=P(A1 )+P(A2)+...+P(An)+... pentru orice ir
de evenimente A1 ,A2,..., An,...din F, aici + semnificand operatia de
reuniune a multimilor, atunci cand acestea sunt disjuncte, doua cate doua.
Pentru orice eveniment aleator A, numrul P(A) se numete
probabilitatea evenimentului A . Tripletul (,F, P) se numete cmp de
probabilitate.
Din aceasta definiie deducem urmtoarea
Teorem (Proprietile probabilitii) . Orice probabilitate P definit
pe campul de eveneminte aleatoare ( , F ) posed urmtoarele
proprieti:
a) 0 P(A) 1 pentru orice eveniment A din F;
b) P() =1-P(A) ( P(A)=1-P())
pentru orice eveniment A din F;
(1)
c) Probabilitatea evenimentului imposibil este egala cu zero;
d) (Formula adunrii probabilitilor). Dac A1 , A2 ,..., An sunt
evenimente aleatoare legate de acest cmp F, atunci
P( in=1 Ai ) = P(Ai )
P( A
1 i j k n
P(A
1i< j n
A j )+
A j Ak ) ... ( 1) n 1 P (
(2)
n
i 1
Ai )
e) Dac A i B sunt evenimentele din F i A implic B, adic A B ,

atunci P(A) P(B).
2.2. Calculul probabilitilor clasice. Pentru inceput vom formula
definitia clasica a probabilitatii in varianta ei moderna.
Definiia clasic a probabilitii. Vom spune ca avem de a face cu o
probabilitate clasica P dac
a) Spaiul de evenimente elementare conine un numr finit de
evenimente elementare;

b) Familia de evenimente aleatoare F este reprezentata de toate

submultimile posibile ale lui
c) P este o aplicatie definita pe F cu valori in multimea numerelor
reale calculate conform formulei
P ( A)
card A
,
card
(3)
unde card A nseamn numrul de elemente ale submulimii respective A

din . P(A), reprezentand un numar, se numeste probabilitatea
evenimentului A, iar tripletul (,F, P) - cmp de probabilitate clasica.
Se observ ca probabilitatea clasica este un caz particular a
probabilitii definite axiomatic. In plus, observam ca din aceasta
definitie rezulta ca toate evenimentele elementare sunt echiprobabile si
egale cu 1/card. Or, semnele dupa care aflam daca putem aplica
definitia clasica sunt cele care atesta echiprobabilitatea evenimentelor
elementare, cum ar fi sintagmele extragere la intamplare, moneda
perfecta sau simetrica, zar perfect sau simetric, etc.
Exemplul 1. S se calculeze probabilitatea c la aruncarea unui zar
perfect ,de dou ori, suma numerelor de puncte aprute va fi egal cu 5
(evenimentul aleator A).
Rezolvare. Spaiul de evenimente elementare = (i, j): 1 i, j 6.
Favorabile evenimentului A sunt evenimentele elementare A = (1, 4),
(2, 3), (3, 2), (4, 1). Cum card A = 4 i card = 36, avem
In1:=N4/36
Out1=0,111111.
Exemplul 2. O urn conine 60 de bile albe i 40 de bile negre. 1) S
se calculeze probabilitatea c o bil extras la ntmplare va fi alb
(evenimentul A). 2) S se calculeze probabilitatea c dousprezece bile
extrase fr ntoarcere vor fi albe (evenimentul B).
Rezolvare. 1) Printre cele 100 de bile din urn 60 sunt albe. Deci
card = 100 i card A = 60. Prin urmare valoarea exact P(A) = 60/100
= 0,6.
12
2) Deoarece 12 bile din 100 pot fi extrase n C100
moduri, iar 12 bile
12
din cele 60 existente pot fi extrase n C 60
moduri, conform definiiei

clasice a probabilitii i formula de calcul al numrului de combinri din

n elemente luate cte m:
C nm
n!
( m! )((n m)!)
(4)
avem:
In2:=N
60!
100!
/
(12! ) * ( 48! ) (12! ) * (88! )
Out2]=0.00133219
Am obinut rezultatul P(B)=0,00133219
Probabilitate discret
Aria de aplicabilitate a probabilitatii clasice este, cum o arata si
urmatoarele exemple, limitata.
Exemplul 1. Considerm aruncarea o singura data a unui zar, a crui
centru de greutate este deplasat astfel incat probabilitatile apari iei fe elor
1,2,3,4,5,6 se raporteaza ca 1:2:3:4:5:6. Sa se afle probabilitatea apariiei
unui par de puncte.
Din acest exemplu se vede ca formula probabilitii clasice este
inaplicabil deoarece rezultatele posibile nu sunt echiprobabile, chiar
daca multime lor (spatiul de evenimente elementare) este finita.
Un alt motiv pentru care formula probabilitii clasice poate fi
imposibil de aplicat este faptul ca multimea de rezultate posibile in
experiment este infinita, fie si numerabil (cazul discret).
Exemplul 2. Considerm experimentul aleatoriu ce consta in
aruncarea unei monede perfecte pana la inregistrarea prima data a
Stemei. Ne intereseaza, de exemplu, probabilitatea ca experimentul se
va termina in urma a cel mult zece aruncari. Exemplul 4 din p.2.1. arata
ca acestui experiment ii corespunde un spatiu de evenimente elementare
infinita, numarabila ca multime, ceea ce face imposibila aplicatia
formulei probabilitatii clasice.
In scopul posibilitatii abordarii cazurilor mentionate in exemplele 12, se foloseste notiunea de probabilitae discreta sau de camp de
probabilitate discreta.
Definiia probabilitii discrete. Vom spune ca avem de a face cu o
probabilitate discreta P dac

a) Spaiul de evenimente elementare reprezinta o multime finita sau

infinita, cel mult, numerabila, adica ={1, 2, 3,..., n , };
submultimile posibile ale lui
reale calculate conform formulei:
P(A)=suma probabilitatilor pentru fiecare eveniment elementar ce
favorizeaza evenimentul A= P{ i } , unde P verifica urmatoarele 2
i :i A
axiome:
A1. P{i }0, pentru orice i1;

A2. P()= P{ i } =1,
i :i
P(A), reprezentand un numar, se numeste probabilitatea evenimentului

A, iar tripletul (,F, P) - cmp de probabilitate discret.
Exemplul 1 (continuare). Observam ca in acest exemplu sunt
intrunite toate conditiile aplicabilitatii definitiei probabilitatii discrete:
={1, 2, 3,..., 6}={1.2,,6}, adica spatiul de
evenimente elementare este o multime finita;
2. Familia de evenimente aleatoare F este reprezentata de toate
submultimile posibile ale lui iar in ea regasim si
evenimentul nostru A={va apare un numar par de
puncte}={2,4,6}.
3. Tinand cont de cum se raporteaza probabilitatile P{i},
deducem ca P{i}=i/21. i=1,2,,6, ceea ce insemna ca sunt
verificate axiomele A1 si A2 de mai sus.
In concluzie P(A)=2/21+4/21+6/21=22/21. Or, spre deosebire de cazul
clasic (zarul nefind perfect) P(A)=22/21>1/2.
Exemplul 2 (continuare). Observam ca si in acest exemplu sunt
intrunite toate conditiile aplicabilitatii definitiei probabilitatii discrete:
={1, 2, 3,..., n,}={S, BS,BBS,BBBS,...} , adica
spatial de evenimente elementare este o multime infinita
numarabila;
2. Familia de evenimente aleatoare F este reprezentata de toate

submultimile posibile ale lui iar in ea regasim si evenimentul

nostru A={experimentul se va termina in urma a cel mult 10
aruncari}={1, 2, 3,..., 10,}=
={S, BS,BBS,BBBS,...,BBBBBBBBBS}.
4.
Deoarece experimentul vizeaza aruncarea unei monede
perfecte putem afirma ca P{i}=1/2i, pentru orice i=1,2,
,n, . Intr-adevar evenimentul elementar i reprezinta
unul din cele 2i evenimente elementare in experimentul cu
aruncarea unei monede perfecte de i ori. Cum acestea sunt
echiprobabile, rezulta ca si i are aceeasi probabilitate 1/2i.
Or, axioma A1 este valabila. Este valabila si axioma A2 ,
deoarece 1/2+1/22 +1/23+=(1/2)/(1-1/2)=1.
In concluzie,
P(A)= 1/2+1/22++1/210= (1/2)[1-(1/2)10]/(1-1/2)=1-(1/2)10.
2.4. Probabilitate geometric. n practica se ntlnesc situaii cnd
modelul probabilist al experimentului aleatoriu are de a face cu
evenimente elementare echiprobabile, dar pentru care spatiul de
evenimente elementare este o multime infinita nenumarabila (caz
continuu). Drept exemplu putem lua urmatorul experimentul imaginar,
care in orice limbaj de programare evoluat (C++, Java, etc.) poate fi
reprodus, folosind generatorul de numere (pseudo)aleatoare realizat de
functia RANDOM .
Exemplu (aruncarea unui punct la intamplare pe segmentul
[0,1]).
Consideram experimentul aleatoriu ce consta in aruncarea la intamplare a
unui punct pe segmentul [0,1]. Data fiind sintagma la intamplare ,
rezultatele posibile in acest experiment, fiind numere reale din [0,1],
sunt echiprobabile, dar definitia clasica este inaplicabila, deoarece spatiul
de evenimente elementare =[0,1] este o multime infinita nenumarabila.
Pentru astfel de cazuri putem apela la
Definiia probablitaii geometrice. Vom spune ca avem de a face cu
o probabilitate geometric P dac
a) Spaiul de evenimente elementare reprezint o multime infinit
nenumerabil din Rn pentru care mesunde mesreprezinta
lungimea in R1 , aria in R2 sa volumul in Rn pentru n3;


submultimile masurabile A ale lui adica pentru care mesApoate fi
definit
reale calculate conform formulei:
P(A)=mesA / mes
Astfel, in exemplul invocat, aplicnd definitia probabilitatii
geometrice aflam ca probabilitatea ca un punct aruncat la intamplare pe
[0,1]
va
nimeri
in
punctul
x
este
egala
cu
P{x}=mes{x}/mes([0,1])=0/1=0, pentru orice x din [0,1]. Daca ne
intereseaza, de exemplu, probabilitatea ca un punct aruncat la intamplare
pe [0,1] va nimeri in prima jumtate a acestui interval este egala cu
P([0,0.5])= mes([0,0.5]) / mes([0,1])=0.5/1=0.5. Dealtfel, observam ca
P([0,0.5]= P([0,0.5))= P([0.5,1]). In genere, probabilitatea ca un punct
aruncat la intamplare pe [0,1] va nimeri intr-un interval (a,b) din [0,1]
coincide cu lungimea acestui interval.
2.3. Probabiliti condiionate. Formula nmulirii probabilitilor.
Independena evenimentelor aleatoare.
Fie A i B doua evenimente aleatoare legate de acelai cmp de
probabilitate (,F, P), unde P(B)>0. Atunci putem da
Definiia 1. Se numete probabilitate a evenimentului A condiionat de
evenimentul B mrimea notat cu P(A/B) i calculat dup formula
P(A B)
P(A | B) =
.
(5)
P(B)
Din (5) rezult formula nmulirii probabilitilor pentru dou
evenimente aleatoare:
P ( A B ) P ( A) P ( B | A) .
(6)
Are loc urmatoarea
Teorem (Formula nmulirii probabilitilor n caz general). Daca
(, F, P) este un cmp de probabilitate si A1 , A2 ,..., An sunt evenimente
aleatoare legate de acest cmp cu proprietatea
P(A1 A2 ... An 1 ) 0 , atunci
P(A1 A2 ... An ) =
(7)
P(A1 )P(A2 | A1 )P(A3 | A1 A2 )...P(An | A1 ... An 1 )

Definiia 2.Vom spune c doua evenimente aleatoare A i B, legate de

acelai cmp de probabilitate (,F, P), sunt independente dac
P(A B) = P(A)P(B)
Definiia 3.Vom spune ca evenimentele aleatoare A1 , A2 ,..., An , legate

de acelai cmp de probabilitate (, F, P), sunt independente dou cte
dou daca P(Ai A j ) = P(Ai )P(Aj ) pentru orice i diferit de j,
i,j=1,2,...,n.
Definiia 4. Vom spune ca evenimentele aleatoare A1 , A2 ,..., An , legate
de acelai cmp de probabilitate (, F, P), sunt independente (in
totalitate) daca
P(Ai1 Ai 2 ... Ai k ) = P(Ai1 )P(Ai 2 )...P(Ai k )
pentru orice set de indici diferii {i1, i2 ,...,ik} din multimea de indici
{1,2,...,n}, k=2,3,...,n.
Observatia 1. Din definitiile respective, deducem ca, independenta
(in totalitate) atrage dupa sine si independenta a doua cate doua
evenimente. Afirmatia inversa, insa, nu are loc. Drept exemplu putem
lua experimentul aleator ce consta in aruncarea unui tetraedru perfect,
cu cele 4 fete vopsite astfel: fata 1 vopsita in albastru, fata 2-in galben,
fata 3-in rosu si fata 4-in albastru, galben si rosu. Se verifica cu usurinta
ca evenimentele A={va apare culoarea albastra}, G={va apare culoarea
galbena}, R={va apare culoarea rosie} sunt independente 2 cate 2, dar nu
si in totalitate.
Observaia 2. n cazul cnd evenimentele aleatoare A1, A2, ..., An sunt
independente, atunci formula nmulirii probabilitilor are forma
P ( A1 A2 ... An ) = P ( A1 ) P ( A2 ) P ( A3 )...P ( An ) .
(8)
Propoziie (Formula lui Poisson). Daca evenimentele Ak , sunt
independente (in totalitate) si probabilitatile P(Ak)= pk , k=1,2,,n sunt
cunoscute, atunci probabilitatea
P{se va produce cel puin unul din evenimentele Ak , k=1,2,,n}=
=1-[(1- P(A1))(1- P(A2))... (1-P(An)]=1-[( 1- p1 )(1-p2) (1-pn)].
Exemplul 3. Un aparat const din trei elemente care n timpul
funcionrii lui se pot deteriora independent unul de altul. Notm prin Ai
= elementul i se va deteriora, i = 1, 2, 3. S se calculeze probabilitatea
evenimentului A = se va deteriora un singur element, B = se va

deteriora , cel puin, un element dac se tiu probabilitile: p1 = P(A1) =

0,13, p2 = P(A2) = 0,06, p3 = P(A3) = 0,12.
Rezolvare. Vom exprima evenimentul aleator A prin intermediul
evenimentelor A1, A2 i A3. Evenimentul A se va produce, atunci si numai
atunci cand, se va deteriora primul element iar al doilea nu i al treilea
nu, sau se va deteriora al doilea element, iar primul - nu i al treilea
nu, sau se va deteriora al treilea element, iar primul nu i al doilea nu.
Prin urmare, conform definiiilor operaiior asupra evenimentelor
aleatoare, avem:
A ( A1 A2 A3 ) ( A1 A2 A3 ) ( A1 A2 A3 ) .
Calculm probabilitatea evenimentului A folosind succesiv: formula de
adunare a probabilitilor pentru evenimente incompatibile (disjuncte)
doua cte dou, formula de nmulire a probabilitilor evenimentelor
independente (in totalitate) i formula de calcul al probabilitii
evenimentului opus.
In3:=N0.13*(10.06)*(10.12)+(10.13)*0.06*(10.12)+(10.13)*
(10.06)*0.12
Out3]=0,251608
Am obinut P(A)=0,251608.
Prin analogie, folosind Formula lui Poisson, calculam P(B).
Exemplul 4. Presupunem c, ntr-un lot de 100 de piese de acelai
tip, 7 piese sunt defecte. Extragem la intmplare fr intoarcere 5 piese.
Dac toate piesele sunt fr defecte, atunci lotul este acceptat. n caz
contrar este refuzat. S se calculeze probabilitatea evenimentului A =
lotul va fi acceptat.
Rezolvare. Notm: Ai = piesa cu numrul de ordine de extragere i
va fi fara defecte, i = 1, 2, 3, 4, 5. Are loc egalitatea
A A1 A2 A3 A4 A5 .
Conform formulei (8.1.7) avem
P ( A) P ( A1 ) P ( A2 | A1 ) P ( A3 | A1 A2 ) P ( A4 | A1 A2 A3 )
P( A5 | A1 A2 A3 A4 ) .
Aplicm Sistemul Mathematica.
93 92 91 90 89
*
*
*
*
In4:=N[
]
100 99 98 97 96

Out4=0.690304
Obinem P ( A) =0,690304.
n cazul cnd produsul calculat anterior conine un numr mare de
factori, atunci scrierea lui necesit timp relativ ndelungat. Dac factorii
pot fi scrii n form de o funcie de un parametru i, atunci poate fi
utilizat funcia Productf,i,imin,imax. Cum n acest exemplu avem
4
93 i
P ( A)
,
i 0 100 i
putem proceda dup cum urmeaz.
93 i
, {i,0,4} ]
In5:=Product[
100 i
824941
Out5=
1195040
Am obinut valoarea exact a probabilitii evenimentului A. Ne vom
convinge c o valoare aproximativ a expresiei obinute coincide cu cea
obinut n Out4.
In6:=N[%]
Out6=0.690304.
2.4. Formula probabilitii totale. Formula lui Bayes.
Teorem. Dac A i H1, H2, ..., Hn,... sunt evenimente aleatoare legate de
acelai cmp de probabilitate (,F, P) i satisfac condiiile :
a) evenimentul A implica producerea a cel putin unuia din
evenimentele H1, H2, ..., Hn,... ;
b) evenimentele H1, H2, ..., Hn,... sunt incompatibile dou cte dou;
c) P(Hi.)>0
atunci au loc formula probabilitii totale
P(A) = P(H 1 )P(A | H 1 ) + ... + P(H n )P(A | H n )...
(9)
i formula lui Bayes
P(H j )P(A | H j )
P(H j | A) =
.
(10)
P(H 1 )P(A | H 1 ) + ... + P(H n )P(A | H n ) ...
Exemplul 5. La un depozit sunt 1000 de piese de acelai tip (identice),
fabricate de uzinele nr.1, nr.2 i nr.3, n proporie de 5:3:2. Se tie c ni
din piesele fabricate de uzina i sunt cu defecte: n1 = 4, n2 = 5, n3 = 6.

1) S se calculeze probabilitatea ca o pies extras la ntmplare va fi

calitativ.
2) S se calculeze probabilitatea c o pies extras la ntmplare va fi una
fabricat de uzina nr.1, dac se tie c aceasta pies este cu rebut.
Rezolvare. Notm: A = piesa luat la ntmplare va fi calitativ. n
dependen de uzin la care a fost fabricat piesa extras pot fi enunate
ipotezele: Hi = piesa luat a fost fabricat de uzina nr.i , i = 1, 2, 3.
Din condiiile problemei rezult c uzina nr.1 a fabricat 500 de piese din
cele existente la depozit, uzina nr.2 - 300 de piese i uzina nr.3 - 200 de
piese. Aplicnd definiia clasic a probabilitii, avem: P(H1) = 500/1000
=0,5, P(H2) = 300/1000 = 0,3, i P(H3) = 200/1000 = 0,2. Cum ni din
piesele fabricate de uzina i sunt cu defecte, rezult c (1ni)% din piese
P(A | H1 ) = 0,96, P(A | H 2 ) = 0,95 i
sunt calitative. Deci
P(A | H 3 ) = 0,94. Aplicnd formula probabilitii totale (8.1.9).
In7:=N[ (0.5*0.96 + 0.3*0.95 + 0.2*0.94
Out7=0.953
Deci, P(A) =0,953.
2) Conform notaiei din punctul 1 avem A = piesa luat la
ntmplare este cu defecte. Cum P ( A | H 1 ) = 0,04, P ( A | H 2 ) = 0,05,
P ( A | H 3 ) = 0,06, din formula lui Bayes (8.1.10) avem
P( H 1 ) P( A | H 1 )
P( H 1 ) P( A | H 1 ) P( H 2 ) P( A | H 2 ) P( H 3 ) P( A | H 3 )
.
0.5 * 0.04
In8:=N[
0.5 * 0.04 * 0.3 * 0.05 0.2 * 0.06

Out8=0.425532
Am obinut P ( H 1 | A ) =0,425532
2.5. Probe Bernoulli (Experimente independente).
Definiie. Experimentul aleator E se numete prob Bernoulli daca sunt
intrunite urmatoarele condiii:
a) Mulimea de rezultate posibile const numai din doua rezultate, numite
conventional, succes i insucces;
P( H 1 | A )

b) Probabilitatea p=P{succes} este o mrime ce nu variaz de la o

prob la alta;
c) Rezultatele unei probe nu influeneaz rezultatele celorlalte probe, i.e.,
probele sunt independente.
Drept exemplu, putem lua aruncarea unei monede sau aruncarea unui
zar, daca ne intereseaza apariia sau nu, sa zicem, a unui numar par. Mai
mult ca att, orice experiment aleator E poate fi privit ca o proba
Bernoulli, dendata ce ne intereseaza doar producerea sau nu a unui
eveniment aleator A legat de acest experiment, cu conditia ca E s
poat fi repetat independent unul de altul, practic, n acelea i
condiii. n acest caz, experimentele aleatoare E1, E2,..., En se numesc
independente daca ele reprezinta repetarea uneia si acelea i probe
Bernoulli E de n ori. Experimentele independente por tratate ca o
experien care se repet de n ori.
2.6. Schema binomial (sau schema bilei ntoarse in cazul a doua
culori posibile). Distribuia (formula) binomial . Fie c n fiecare din
n experimente independente E1, E2,..., En evenimentul A poate s se
realizeze cu probabilitatea p: p = P(A). Atunci probabilitatea ca
evenimentul A nu se produce este egal cu q = P( A ) = 1P(A) = 1p.
Atunci are loc urmtoarea
Teorem. Probabilitatea Pn(k), ca evenimentul A se va realiza exact de
k ori n n experimente independente (probe Bernoulli) cu probabiliatatea
succesului p n fiecare prob, poate fi calculat dupa formula
Pn (k) = C nk p k q n k , k = 0, 1,..., n.
(11)
Formula (11) se numete distribuie Binomiala, iar in cazul n=1 se
numeste distribuie (formula) Bernoulli.
Exemplu (Schema bilei ntoarse in cazul a dou culori).
Presupunem ca avem o urna cu M bile albe si N bile negre. Atunci ,
folosind definiia clasica a probabilitii, putem arta c probabilitatea
PM+N (k) c din M+N bile, extrgnd la ntmplare n bile cu intoarcere
(repetare), vor fi extrase exact k bile albe, se calculeaz dup formula
Pn(k) = C nk [ M /( M N )] k [1 M /( M N )] n k , k = 0, 1,..., n.
Observam ca aceasta coincide cu distributia Binomial (11). Dealtfel,

schema bilei ntoarse nseamn c bilele se extrag din urnn una cte una
i fiecare bil extras, este, dup observarea culorii ei, ntoars din nou n
urn.
Exemplul 6. Considerm aruncarea unei monede perfecte de 100 de
ori. S se calculeze, cu aproximaie, probabilitatea ca Stema va apare
exact de 47 ori.
Rezolvare. Fie evenimentul A = va apare Stema. Avem: p = P(A)
= 1/2 i q = 1p = 1/2. Conform formulei Binomiale (11), pentru n = 100,
k = 47, p =1/2 i q = 1/2, avem ca
47
P100 (47) C100
(1 2) 47 (1 2)100 47 .
Calculul acestei valori prin metode obinuite este posibil, dar prezint
dificulti. Apelnd la Sistemul Mathematica avem :
In9:=
100!
(0.5) 47 (0.5) 53
( 47! ) * (53! )
Out9=0.0665905
Aa dar, P100(47)=0,0665905.
2.7. Schema (repartiia) multinomial (polinomial) (sau schema
bilei ntoarse n cazul bilelor de mai multe culori). Fie c n rezultatul
fiecrui din n experimentele independente E1, E2,..., En pot s se
realizeze evenimentele aleatoare A1, A2, ..., Ar, care formeaz un sistem
complet de evenimente, i.e., acestea sunt incompatibile doua cte doua i
suma (reuniunea) lor coincide cu evenimentul sigur. Notm: pi = P(Ai), i
= 1, 2, ..., r. Evident, p1 + p2 + ... + pr = 1. Atunci are loc urmtoarea
Teorem (Repartiia Multinomial). Probabilitatea Pn(k1,k2,...,kr) ca, n
urma a n experimente independente, evenimentele A i se vor realiza de k i
ori fiecare, unde i = 1, 2, ..., r, n = k 1 + k2 + ... + kr, poate fi calculat
conform formulei
n!
k
k
k
p1 1 p 2 2 ... p r r .
Pn(k1,k2,...,kr) =
(12)
k1 !k 2 !... k r !
Observaie. Formula (12) definete, asa numita Distribuie
Multinomial, distribuie care coincide, evident, n cazul r=2, cu
Distribuia Binomial definit de formula (11).
Exemplul 7. Presupunem c ntr-o urn avem urmtoarea componen
de bile de trei culori: 5 bile albe, 7 bile negre i 8 bile albastre. Se extrag

succesiv, cu repetare (revenire) 6 bile. Care este probabilitatea ca printre

aceste 6 bile una va fi alb, dou vor fi negre i trei vor fi albastre?
Rezolvare. Fie evenimentele: A1 = bila extras va fi alb, A2 = bila
extras va fi neagr i A3 = bila extras va fi albastr. Atunci: p1 =
P(A1) = 5/(5+7+8) = 1/4, p2 = P(A2) = 7/20, i p3 = P(A3) = 8/20 = 2/5.
Aplicnd formula (8.1.12) cu n = 6, k1 = 1, k2 = 2, i k3 = 3, obinem
P6(1,2,3) =
Calculm aceast expresie cu ajutorul Sistemului Mathematica.

In10:=
6!
* (1 / 4)1 * (7 / 20) 2 * ( 2 / 5) 2
(1!) * ( 2!) * (3! )
Out10=
147
1250
147
.
1250
Dac vrem s obinem o valoare aproximativ sau o valoarea dat
exprimat prin fracii zecimale, atunci
In11:=N%
Out11=0.1176
Am obinut valoarea P6(1,2,3) = 0,1176.
2.8. Schema Poisson. Funcia generatoare de probabiliti. Fie c
n fiecare din experimentele independente E1, E2,..., En evenimentul A
se poate ,produce, respectiv, cu probabilitile p1, p2, ..., pn. Atunci are loc
urmtoarea
Teorem (Schema Poisson). Probabilitatea Pn(k) ca, n urma a n
experiene independente descrise mai sus, evenimentul A s se va
produce de k ori, k = 1, 2, ..., n, coincide cu coeficientul lui x k din
expresia
Am obinut valoarea exact P6(1,2,3)=
n(x)=
(q
i 1
pi x) ,
(13)
unde qi = 1pi , i = 1, 2, ..., n.

Funcia n(x) din formula (8.1.13) se numete funcie generatoare de
probabiliti.

Observaie. Schema Binomial devine un caz particular al schemei

Poisson i anume, atunci cnd p1 = p2 = ... = pn = p. n acest caz funcia
generatoare de probabiliti are forma
n(x) = (q+px)n.
(14)
Exemplul 8. Din trei loturi de piese de acelai tip se extrag la
ntmplare cte o pies. Se tie c din piesele primului lot 95 sunt
calitative, din al doilea - 90 i din al treilea - 85. S se calculeze
probabilitile evenimentelor: B = toate trei piese vor fi calitative, C =
dou piese vor fi calitative i una nu, D = o pies va fi calitativ i
dou nu, E = toate trei piese vor fi necalitative.
Rezolvare. Aplicnd formula (8.1.13) cu p1 = 0,95, p2 = 0,9, p3 = 0,85,
q1 = 0,05, q2 = 0,1, q3 = 0,15, n = 3, aflm funcia generatoare 3(x) cu
ajutorul Sistemului Mathematica.
In12:=Collect[(0.05+0.95x)*(0.1+0.9x)*(0.15+0.85x),x]
Out12=0.00075+0.02525x+0.24725x2+0.72675x3
De unde gsim c: P(B) = 0,72675, P(C) = 0,24725, P(D) = 0,02525,
P(E) = 0,00075.
2.9. Schema bilei nentoarse n cazul a dou culori (Reparti ia
Hipergeometric). Fie c ntr-o urn sunt n bile dintre care n1 sunt albe
i n2 sunt negre. Se extrag la ntmplare, fr ntoarcere, m bile, m n.
Teorem (Schema bilei nentoarse n cazul a dou culori). n schema
descris mai sus, probabilitatea Pn(m1,m2), ca printre m bile extrase m1
vor fi albe i m2 negre, m= m1+ m2 , se calculeaz conform formulei
Pn (m1 , m2 ) =
m m
Cn 1 Cn 2
1
m
n
(15)
Formula (8.1.15) definete, aa numita, repartiie Hipergeometric.

Exemplul 9. Presupunem c ntr-un lot de 100 de bilete de loterie 20
de bilete sunt ctigtoare. S se calculeze probabilitatea ca din 7 bilete
cumprate 2 bilete vor fi cu ctig.
Rezolvare. Aplicm formula (15) n care, conform datelor problemei,
n=100, n1 = 20, n2 =80, m1 = 2, m2 = 5, m = 7. Avem:

P7 ( 2,5)
2
5
C 20
C 80
7
C100
Calculm o valoare aproximativ a acestei expresii.

In13:=N[(
20!
80!
100!
*
) /(
)]
( 2! ) * (18! ) (5! ) * (75! )
(7! ) * (93! )
Out13=0.28534
Am obinut rezultatul P7 ( 2,5) =0,28534.
2.10. Schema bilei nentoarse n caz general.

Fie c avem o urn n care sunt n bile, din care ni bile sunt de culoarea
i, i = 1, 2, ..., r, n = n1 + n2 + ... + nr. Se extrag succesiv fr revenire m
bile, m n. Atunci are loc urmtoarea
Teorem(Schema bilei nentoarse n caz general) . n schema
descris mai sus, probabilitatea Pn (m1 , m2 ,..., mr ) ca printre bilele
extrase mi vor fi de culoarea i, i = 1, 2, ..., r, m = m1 + m2 + ... + mr, se
calculeaz conform formulei
m m
m
Cn 1 Cn 2 ...Cn r ,
1
2
r
Pn (m1 , m2 ,..., mr ) =
m
Cn
(16)
aceasta probabilitate fiind nula daca exista cel putin o valoare i pentru
care mi>ni, i=1,,7.
Exemplul 10. ntr-un depozit sunt 200 de piese de acelai tip, din care
100 sunt de calitatea nti, 66 de calitatea a doua i 34 de calitatea a treia.
Se iau la ntmplare fr ntoarcere 30 piese. Care este probabilitatea ca
printre ele 17 s fie de calitatea nti, 9 de calitatea a doua i 4 de calitatea
a treia?
Rezolvare. Aplicm formula (8.1.16) cu n = 200, m = 30, n1 = 100, n2
= 66, n3 = 34, m1 = 17, m2 = 9, m3 = 4. Conform Schemei bilei nentoarse
n caz general, avem c probabilitatea n cauz,

P30 ( 17,9,4 ) =
17
9
4
C100
C66
C34
30
C200
Calculm o valoare aproximativ a acestei expresii cu ajutorul Sistemului

Mathematica.
In14:=N[(
100!
66!
34!
200!
*
*
) /(
)]
(17! )(83! ) (9! )(57! ) ( 4! )(30! )
(30! )(170! )
Out14=0.0278641
Am obinut P30 (17,9,4) =0,0278641.
2.11. Schema (repartiia) geometric. Considerm experimentul
aleator, ce const in repetarea unei probe Bernoulli, cu probabilitatea
succesului p in fiecare proba, pna la prima inregistrare a succesului.
Teorem. n schema descris mai sus, probabilitatea P(k)=
P{succesul se va realiza prima dat n proba cu numrul de ordine k }
se calculeaz conform formulei
P(k) = pqk1, k=1,2,...
(17)
iar probabilitatea P(k)=P{ pna la producerea prima dat a succesului vor fi inregistrate exact k insuccese} se calculeaz conform
formulei
P(k) = pqk, k=0,1,2,...
(17')
unde q = 1p.
Observaie. Distribuia definit de formula (17) se numete geometrica,
trunchiat n zero, iar cea definit de formula (17') se numete, pur i
simplu, geometric.
Exemplul 11. 1) S se calculeze probabilitatea apariiei feei 4, pentru
prima dat, la aruncarea a zecea a unui zar perfect. 2) Care este
probabilitatea evenimentului aleator B = la aruncarea unui zar
perfect, faa 3 nu va aprea mai devreme de primele 10 aruncri?
Rezolvare. 1) Cum p = 1/6 i q = 11/6 = 5/6, din formula (8.1.17)
obinem P(10) = pq9 = (1/6)(5/6)9.
In15:=N(1/6)*(5/6)^9
Out15=0.0323011
Am obinut P(10) = 0,0323011

2) Evenimentul B poate fi definit i astfel: B = numrul 4 va aprea

pentru prima dat la aruncarea a unsprezecea, sau a dousprezecea, sau a
treisprezecea, .... Deci
P(B) = P(11) + P(12) + P(13) + ... = k 11 (1 / 6)(5 / 6) k 1 .

Calculm aceast sum cu ajutorul Sistemului Mathematica.
In16:=Sum[(1/6)*(5/6)^(k1),{k,11,}]
9765625
Out16=
60466176
Am obinut valoarea exact a probabilitii lui B. Obinem o valoare
exprimat prin fracii zecimale.
In17:=N[%]
Out17=0.161506
Aceeai valoare poate fi obinut i n modul ce urmeaz.
In18:=NSum[(1/6)*(5/6)^(k1),{k,11,}]
Out18=0.161506.
2.12. Teoreme Limit privind calculul valorilor aproximative ale
probabilitii din schema Binomial. Pentru n i m relativ mari calculul
probabilitii conform distribuiei Binomiale prezint mari dificulti,
dac nu se aplic Sistemul Mathematica. n acest caz se folosesc formule
de calcul ale unor valori aproximative ale acestei probabiliti. Una din
acestei formule rezult din
Teorema Limit Local Moivre-Laplace. Pentru valori intregi ale lui
n, suficient de mari, are loc urmtoarea formul de aproximare
1 k np
Pn (k) = Cnk p k q n k
(18)
2
npq ,
1
2
2npq
unde 0 p 1, iar Pn(k) este probabilitatea ca evenimentul aleator A cu

P(A) = p, q = 1p, s va realiza exact de k ori n urma a n probe
Bernoulli cu probabilitatea succesului p in fiecare prob.
n cazul cnd probabilitatea p este aproape de 0 sau q este aproape de
1, atunci o mai bun aproximaie ne-o ofer
Teorema Limita Poisson. Dac np tinde la un numr a>0, cnd n tinde
la + iar p (0<p<1) tinde la 0, atunci

Pn (k) = C nk p k q n k
tinde la
a k a
e , adic pentru n suficient de
k!
mare
Pn ( k )
a k a
e ,
k!
(19)
lund a = np.
Observaie. Se recomand ca aceast formula s fie aplicat atunci, cnd
npq 9, iar n celelelte cazuri formula (18). Probabilitile din partea
dreapta a formulei (19) definesc, aa numita, distribuie Poisson.
O valoare aproximativ a probabilitii Pn(k1 ,k2) ca n urma a n
experimente independente numrul total de realizri ale evenimentului
aleator A va fi cuprins ntre k1 i k2 poate fi calculat, aplicnd
Teorema Limit Central (forma Moivre-Laplace). Daca n tinde la
k np
k1 np ,
+, atunci Pn(k1 ,k2) tinde la 2
npq
npq
adica pentru n suficient de mare

k np
k1 np ,
Pn (k1 , k2 ) 2
(20)
npq
npq
unde (x) este funcia Laplace care se definete prin egalitatea

x
2
1
(x) =
e t / 2 dt .
(21)
2 -
Formula (20) rezult di teorema integral Moivre-Laplace.
Avnd la dispoziie Sistemul Mathematica, in multe cazuri putem
aplica formula exacta de calcul, dar si formulele (18) (21). Prin urmare,
putem cerceta i compara erorile care se obin la aplicarea lor.
Exemplul 12. Presupunem ca probabilitatea c o pies, fabricat de o
uzin, va avea defecte este egal cu p = 0,01. 1) S se calculeze
probabilitatea c din 10000 de piese luate la ntmplare 90 vor fi cu
defect, folosind: a) distribuia Binomial (11); b) formula local MoivreLaplace (18); c) formula Poisson (19). 2) Care este probabilitatea ca
numrul de piese cu defect s fie cuprins ntre 95 i 105?
Rezolvare. 1) a) Valoarea exact a probabilitii cutate este dat de
formula Binomial:


90
P10000 (90) C10000
(0,01) 90 (0,99) 9910 .
Folosim Sistemul Mathematica
In19:=N[=
10000!
(0.01) 90 (0.99) 1000090 ]
(90! )(10000 90)!
Out19=0.0250257
Am obinut rezultatul
P10000 (90)
0,0250257.
b) Conform formulei (8.1.18) avem

P10000 (90)
1
2 10000 0.01 0.99
1

2
90 100000.01
100000.010.99
Pentru calculul valorii acestei expresii folosim Sistemul Matematica.

In20:=
N
[
Exp[
2 * * 10000 * 0.01 * 0.99
90 10000 * 0.01
^ 2 / 2]]
10000 * 0.01 * 0.99
Out20=0.0241965
P10000 (90)
0.0241965
c) Calculm probabilitatea cerut cu ajutorul formulei (8.1.19). Avem

(10000 0,01) 90 100000,01
.
P10000 (90)
e
90!
Folosim Sistemul Mathematica.
(10000 * 0,01) 90
In21:=N
Exp[ 10000 * 0.01]]
90!

Out21=0.0250389
P10000 (90)
0.0250389.
2) Conform formulelor (8.1.20) i (8.1.21) avem

105 10000*0.01*0, 99
P10000 (95 k 105)
1
2
10000*0.01*0.99
e t
/2
dt .
95 10000*0.1
10000*0.01*0.99
Pentru calculul acestei integrale folosim Sistemul Mathematica.

1
In22:=NIntegrate
105 10000 * 0.01

10000 * 0.01 * 0.99
Exp[ t 2 / 2] ,{t,
95 10000 * 0.01
10000 * 0.01 * 0.99
}]
Out22=0.384697
P10000 (95 k 105)
0,384697.
2.13.Exerciii pentru lucrul individual

1. Se arunc un zar de dou ori. S se calculeze probabilitile
evenimentelor aleatoare: 1) A = suma numerelor aprute nu va ntrece
m, 2) B = suma numerelor aprute va fi egal cu r, 3) G = produsul
numerelor aprute va fi mai mare ca n. Valorile parametrilor m, n i r
sunt date pe variante.
1) m=4, n=14 , r=5;
4) m=7, n=11 , r=6;
7) m=5, n=12 , r=6;
2) m=5, n=13 , r=4;

5) m=8, n=10 , r=4;
8) m=6, n=11 , r=3;
3) m=6, n=12 , r=3;

6) m=4, n=13 , r=5;
9) m=7, n=10 , r=5;

10) m=8, n=14 , r=6; 11) m=4, n=12 , r=4; 12) m=5, n=11 , r=3;
13) m=6, n=10 , r=6; 14) m=7, n=14 , r=4; 15) m=8, n=13 , r=3;
16) m=4, n=12 , r=5; 17) m=5, n=11 , r=4; 18) m=6, n=10 , r=3;
19) m=7, n=14 , r=5; 20) m=8, n=13 , r=6; 21) m=4, n=11 , r=3;
22) m=5, n=10 , r=5; 23) m=6, n=14 , r=6; 24) m=7, n=13 , r=4;
25) m=8, n=12 , r=5; 26) m=4, n=10 , r=6; 27) m=5, n=11 , r=4;
28) m=6, n=12 , r=3; 29) m=7, n=13 , r=6; 30) m=8, n=14 , r=4.
2. ntr-un lot care conine n piese de acelai tip sunt 8 piese cu careva
defect. Se extrag fr revenire 6 piese. Dac toate piesele extrase sunt
calitative, atunci lotul este acceptat, iar n caz contrar este refuzat. S se
calculeze probabilitatea evenimentului A = lotul va fi acceptat.
Parametrul n este egal cu 100 plus numrul variantei.
3. Un aparat const din trei elemente care n timpul funcionrii lui pot
s se deterioreze independent unul de altul. Notm: Ai = elementul i se
va deteriora, i = 1, 2, 3. Se cunosc probabilitile acestor evenimente: p1
= P(A1), p2 = P(A2), p3 = P(A3), valorile crora sunt date pe variante dup
enunul exerciiului. S se calculeze probabilitile evenimentelor: A =
nu se va deteriora nici un element, B = se va deteriora un singur
element, C = se vor deteriora exact dou elemente, D = se vor
deteriora toate elementele, E = primul element nu se va deteriora.
1) p1=0,9, p2=0,8, p3=0,7;
2) p1=0,7, p2=0,8, p3=0,7;
3) p1=0,6, p2=0,8, p3=0,7;
4) p1=0,5, p2=0,8, p3=0,7;
5) p1=0,4, p2=0,8, p3=0,7;
6) p1=0,9, p2=0,8, p3=0,6;
7) p1=0,7, p2=0,8, p3=0,6;
8) p1=0,5, p2=0,8, p3=0,6;
9) p1=0,4, p2=0,8, p3=0,6;
10) p1=0,4, p2=0,6, p3=0,5;
11) p1=0,7, p2=0,6, p3=0,5; 12) p1=0,8, p2=0,6, p3=0,5;
13) p1=0,9, p2=0,6, p3=0,5; 14) p1=0,5, p2=0,8, p3=0,4;
15) p1=0,6, p2=0,8, p3=0,4; 16) p1=0,7, p2=0,8, p3=0,4;
17) p1=0,9, p2=0,8, p3=0,4; 18) p1=0,4, p2=0,8, p3=0,5;
19) p1=0,6, p2=0,7, p3=0,5; 20) p1=0,8, p2=0,7, p3=0,5;
21) p1=0,7, p2=0,8, p3=0,9; 22) p1=0,7, p2=0,8, p3=0,3;
23) p1=0,7, p2=0,8, p3=0,6; 24) p1=0,7, p2=0,6, p3=0,5;

25) p1=0,7, p2=0,8, p3=0,4;

27) p1=0,6, p2=0,7, p3=0,8;
26) p1=0,6, p2=0,8, p3=0,9;

28) p1=0,6, p2=0,8, p3=0,5;
29) p1=0,6, p2=0,8, p3=0,4;
30) p1=0,5, p2=0,6, p3=0,4.
4. Un magazin primete pentru vnzare articole cu exterioare identice

fabricate la trei uzine n proporie de: n1% de la uzina nr.1, n2% de la
uzina nr.2 i n3% de la uzina nr.3. Procentele de articole defectate sunt: m1
pentru uzina nr.1, m2 pentru uzina nr.2 i m3 pentru uzina nr.3. Valorile
parametrilor se conin, pe variante, dup enunul exerciiului. !) Care este
probabilitatea ca un articol cumprat s fie calitativ? 2) Un articol luat la
ntmplare este defectat. Care este probabilitatea c acest articol a fost
fabricat la uzina nr.k.
1) n1=20, n2=30, n3=50, m1=5, m2=3, m3=2, k=1;
2) n1=10, n2=40, n3=50, m1=3, m2=2, m3=5; k=2;
3) n1=30, n2=20, n3=50, m1=4, m2=1, m3=5; k=3;
4) n1=40, n2=10, n3=50, m1=1, m2=5, m3=4; k=1;
5) n1=10, n2=50, n3=40, m1=2, m2=4, m3=4; k=2;
6) n1=20, n2=40, n3=40, m1=3, m2=3, m3=4; k=3;
7) n1=30, n2=30, n3=40, m1=4, m2=2, m3=4; k=1;
8) n1=40, n2=20, n3=40, m1=5, m2=1, m3=4; k=2;
9) n1=50, n2=10, n3=40, m1=1, m2=6, m3=3; k=3;
10) n1=10, n2=60, n3=30, m1=2, m2=5, m3=3; k=1;
11) n1=20, n2=50, n3=30, m1=3, m2=4, m3=3; k=2;
12) n1=30, n2=40, n3=30, m1=4, m2=3, m3=3; k=3;
13) n1=40, n2=30, n3=30, m1=5, m2=2, m3=3; k=1;
14) n1=50, n2=20, n3=30, m1=6, m2=1, m3=3; k=2;
15) n1=60, n2=10, n3=30, m1=1, m2=7, m3=2; k=3;
16) n1=10, n2=70, n3=20, m1=2, m2=6, m3=2; k=1;
17) n1=20, n2=60, n3=20, m1=3, m2=5, m3=2; k=2;
18) n1=30, n2=50, n3=20, m1=4, m2=4, m3=2; k=3;
19) n1=40, n2=40, n3=20, m1=5, m2=3, m3=2; k=1;
20) n1=50, n2=30, n3=20, m1=6, m2=2, m3=2; k=2;
21) n1=10, n2=40, n3=50, m1=7, m2=5, m3=4; k=3;
22) n1=20, n2=60, n3=20, m1=6, m2=3, m3=7; k=1;
23) n1=30, n2=20, n3=50, m1=4, m2=5, m3=6; k=2;
24) n1=40, n2=20, n3=40, m1=5, m2=7, m3=6; k=3;
25) n1=40, n2=30, n3=30, m1=5, m2=4, m3=6; k=1;

26) n1=40, n2=10, n3=50, m1=3, m2=8, m3=4; k=2;

27) n1=50, n2=30, n3=20, m1=3, m2=4, m3=5; k=3;
28) n1=20, n2=50, n3=30, m1=5, m2=6, m3=4; k=1;
29) n1=30, n2=20, n3=50, m1=7, m2=5, m3=6; k=2;
30) n1=40, n2=50, n3=10, m1=5, m2=6, m3=8, k=3.
5. O moned se arunc de n ori. S se calculeze probabilitile
evenimentelor: A = stema va apare de k ori, B = stema va apare nu
mai mult de 2 ori, C = stema nu va apare niciodat. Numrul n este
egal cu 25 plus numrul variantei, iar k este egal cu 10 plus numrul
variantei.
6. Probabilitatea ca un aparat electric s se defecteze n perioada de
garanie este p=0,12. S se calculeze probabilitatea ca din 1000 aparate
cumprate, n perioada de garanie, se vor defecta exact m aparate.
Numrul m coincide cu numrul variantei adunat cu 100.
7. ntr-o urn sunt n bile de trei culori: n1 bile albe, n2 bile negre i n3
bile albastre. Se extrag succesiv cu revenire m bile. S se calculeze
probabilitile evenimentelor: A = toate bilele extrase vor fi albe, B =
m1 bile vor fi albe, m2 vor fi negre i m3 vor fi albastre, C = m1 bile
vor fi albe iar restul vor fi de alte culori.
1) n=15, n1=4 n2=5, n3=6, m=10, m1=2, m2=3, m3=5;
2) n=15, n1=3, n2=6, n3=6, m=10, m1= 2, m2=4, m3=4;
3) n=15, n1=5, n2=4, n3=6, m=10, m1=3, m2=2, m3=5
4) n=15, n1=6, n2=5, n3=4, m=10, m1=5, m2=3, m3=2;
5) n=15, n1=4, n2=6, n3=5, m=10, m1=2, m2=4, m3=4;
6) n=15, n1=3, n2=5, n3=7, m=9, m1=1, m2=3, m3=5;
7) n=15, n1=5, n2=6, n3=4, m=9, m1=2, m2=5, m3=2;
8) n=15, n1=6, n2=4, n3=5, m=9, m1=3, m2=2, m3=4;
9) n=15, n1=7, n2=4, n3=4, m=9, m1=5, m2=3, m3=1;
10) n=15, n1=7, n2=3, n3=5, m=9, m1=4, m2=2, m3=3;
11) n=18, n1=4, n2=6, n3=8, m=10, m1=2, m2=3, m3=5;
12) n=18, n1=5, n2=5, n3=8, m=10, m1=4, m2=1, m3=5;
13) n=18, n1=4, n2=8, n3=6, m=10, m1=2, m2=4, m3=4;
14) n=18, n1=5, n2=8, n3=5, m=10, m1=3, m2=5, m3=2;
15) n=18, n1=5, n2=6, n3=7, m=10, m1=3, m2=4, m3=3;
16) n=16, n1=5, n2=7, n3=6, m=9, m1=3, m2=3, m3=3;

17) n=18, n1=6, n2=5, n3=7, m=9, m1=3, m2=2, m3=4;

18) n=18, n1=6, n2=7, n3=5, m=9, m1=4, m2=4, m3=1;
19) n=18, n1=6, n2=8, n3=4, m=9, m1=4, m2=3, m3=2;
20) n=18, n1=6, n2=4, n3=8, m=9, m1=3, m2=2, m3=5;
21) n=16, n1=5, n2=5, n3=6, m=8, m1=2, m2=3, m3=3;
22) n=16, n1=5, n2=6, n3=5, m=8, m1=3, m2=2, m3=3;
23) n=16, n1=5, n2=7, n3=4, m=8, m1=3, m2=4, m3=1;
24) n=16, n1=5, n2=4, n3=7, m=8, m1=3, m2=2, m3=3;
25) n=16, n1=6, n2=5, n3=5, m=8, m1=4, m2=3, m3=1;
26) n=16, n1=6, n2=4, n3=6, m=9, m1=3, m2=3, m3=3;
27) n=16, n1=6, n2=6, n3=4, m=9, m1=2, m2=4, m3=2;
28) n=16, n1=7, n2=4, n3=5, m=9, m1=4, m2=2, m3=3;
29) n=16, n1=7, n2=5, n3=4, m=9, m1=5, m2=2, m3=2;
30) n=16, n1=4, n2=5, n3=7, m=9, m1=2, m2=3, m3=4.
8. S se calculeze probabilitile evenimentelor A, B i C din exerciiul
7 cu condiia c bilele extras nu revine n urn.
9. 1) Care este probabilitatea c numrul 3 va aprea pentru prima dat
la a m-a aruncare a zarului? 2) Care este probabilitatea c la primele m
aruncri ale zarului numrul 3 nu va aprea? Numrul m este numrul
variantei adunat cu 4.
10. Probabilitatea unui eveniment A ntr-o experien aleatoare este p:
p = P(A). 1) S se calculeze probabilitatea ca n decursul a 1000 repetri a
acestei experiene evenimentul A se va realiza de k ori (s se foloseasc
formula care rezult din teorema local Moivre-Laplace i formula care
rezult din teorema Poisson). 2) S se calculeze probabilitatea ca numrul
de realizri ale evenimentului A s fie cuprins ntre k1 i k2.
1) p=0,008, k=9, k1=5, k2=13,
2) p=0,009, k=10, k1=6, k2=14,
3) p=0,011, k=11, k1=7, k2=15,
4) p=0,011 k=9, k1=7, k2=15,
5) p=0,012, k=10, k1=8, k2=16,
6) p=0,008, k=10, k1=7, k2=13,
7) p=0,009, k=11, k1=8, k2=14,
8) p=0,01, k=12, k1=9, k2=15,
9) p=0,011, k=10, k1=9, k2=14,
10) p=0,012, k=11, k1=10, k2=15,
11) p=0,008, k=11, k1=6, k2=13, 12) p=0,009, k=12, k1=7, k2=13,
13) p=0,01, k=13, k1=8, k2=15,
14) p=0,011, k=11, k1=9, k2=14,
15) p=0,012, k=13, k1=10, k2=15, 16) p=0,008, k=7, k1=5, k2=10,
17) p=0,009, k=8, k1=6, k2=16,
18) p=0,01, k=9, k1=7, k2=17,
19) p=0,011, k=10, k1=6, k2=17, 20) p=0,012, k=11, k1=8, k2=18,

21) p=0,008, k=9, k1=5, k2=15,

23) p=0,01, k=9, k1=4, k2=14,
25) p=0,012, k=11, k1=5, k2=14,
27) p=0,009, k=8, k1=4, k2=14,
29) p=0,011, k=12, k1=8, k2=18,
22) p=0,009, k=10, k1=6, k2=15,

24) p=0,011, k=10, k1=6, k2=17,
26) p=0,008, k=9, k1=5, k2=15,
28) p=0,01, k=9, k1=7, k2=17,
30) p=0,012, k=11, k1=6, k2=17.
3. Variabile aleatoare
3.1. Introducere
In acest capitol se conine o expunere succint a rezultatelor din Teoria
probabilitilor ce se refer la variabile aleatoare, exemple de probleme
rezolvate la aceast tem, dar si o list de probleme propuse spre
rezolvare.
Vizavi de Sistemul Mathematica, vom aplica, n afar de funciile
definite anterior, i funciile Condition (notat i cu /;), Clear.
F[x_]:=0/;x<0;F[x_]:=1/;x0; nseamn c funciei F(x) i se atrubuie
valoarea 0 cu condiia c x<0 i valoarea 1 cu condiia c x0;
Clear[F,f,m,] nseamn c funciile sau parametrii F, f, m,... se
elibereaz (se cur) de valorile atribuite lor anterior.
In Sistemul Mathematica sunt ncorporate pachete de programe
specializate n rezolvarea problemelor din diferite domenii ale
Matematicii.
n
acest
Capitol
se
va
folosi
pachetul
Statistics`NormalDistribution`. Cnd lucrm cu un document n
Sistemul Mathematica, acest pachet poate fi instalat cu ajutorul
instruciunii
<<Statistics`NormalDistribution`.
Dac se dorete trasarea graficului funciei f(x) definite pe
segmentul [a,b] prin intermediul unei linii de grosime standard, atunci se
poate folosi funcia
Plot[f,{x,a,b}]
Atunci, cnd se dorete trasarea graficului funciei f(x) definite pe
segmentul [a,b] prin intermediul unei linii de o anumit grosime, se poate
folosi funcia

Plot[f,{x,a,b},PlotStyleHue[k]], unde k este raportul dintre grosimea

dorit a graficului i srosimea standard.
Cnd dorim s construim, pe un singur desen, graficele mai multor
fincii f1, f2, ... definite pe segmentul [a,b], atunci putem folosi funcia
Plot[{f1,f2,,},{x,a,b}].
Dac vrem s construim pe un singur desen graficele finciilor f 1, f2, ...
definite pe segmentul [a,b], folosind linii de diferite grosimi i culori,
atunci putem utiliza funcia
Plot[{f1,f2,},{x,a,b},PlotStyle{Hue[k1],Hue[k2],}].
3.2. Noiune de variabil aleatoare. Funcia de repartiie

3.2.1. Definiia variabilei aleatoare (v.a). n majoritatea cazurilor
rezultatele nregistrate ntr-un experiment aleatoriu reprezint nite valori
numerice a unei marimi care depind de evenimentele elementare n acest
experiment. Aceasta marime se va numi variabil aleatoare. Aceasta este,
ca atare, o variabil (o funcie) care depinde de rezultatul posibil ntr-un
experiment aleator (ce poseda Proprietatea Regularittii Statistice), ceea
ce inseamna ca valoarea ei nu poate fi anticipata cu certitudine nainte de
efectuarea experimentului. Vom da definiia matematic a variabilei
aleatoare.
Definiie. Fie (, F, P) un cmp de probabilitate, atunci vom numi
variabil aleatoare (v.a.) definit pe acest cmp orice funcie : R
care verific condiia
: () xF pentru orice xR .
(1)
Observatie. Dac suntem in cazul discret, i.e., in cazul cnd spatiul de
evenimente elementare este o multime finit sau, cel mult, numrabil
atunci cmpul (familia) de evenimente aleatoare F coincide cu familia
tuturor submulimilor din Prin urmare, in acest caz, putem numi
variabila aleatoare orice functie : R, deoarece in caz discret
condiia ca : () xF pentru orice xR are loc automat.
Evenimentul care figureaz n condiia (1) se noteaz, pe scurt, astfel:
() x, sau x, sau ( x). Mrimea () se numete valoare

a variabilei aleatoare . Din condiia (1) rezult c pentru orice xR

putem gsi probabilitatea evenimentului aleator (x).
n calitate de exemple de v.a. ntlnite in practic putem lua: suma
de puncte aprute la aruncarea unui zar de dou ori, durata funcionrii
unui dispozitiv electronic, numrul de particule alfa emise de o substan
radioactiv ntr-o unitate de timp, cantitatea anual de precipitaii
atmosferice ntr-o anumit regiune, numrul de apeluri telefonice
nregistrate pe parcursul a 24 de ore la o statie de ajutor medical, numrul
de accidente auto nregistrate pe parcursul unui anumit interval de timp,
etc., etc.
3.2.2. Proprieti ale variabilei aleatoare
a) Dac este o variabil aleatoare, atunci pentru orice aR i bR
sunt sunt evenimente aleatoare si prin urmare sunt definite probabilitile
lor pentru a a, = a a b, b a, etc.
b) Fie (, K, P) un cmp de probabilitate, aR, :R i :R
sunt variabile aleatoare. Atunci sunt variabile aleatoare i funciile: 1) a;
2) k, k = 1, 2,...; 3) ; 4) ; 5) ; 6) 1/ dac () 0, ; 7)
dac () 0, ; 8) a.
n genere, daca avem un sir finit de v.a. definite pe unul si acelasi
cmp de probabilitate, atunci v.a. va fi si orice functie de aceste variabile,
in caz c aceasta este functie continua. De exemplu, suma de v.a.,
diferenta lor, produsul lor, minimumul sau maximumul de aceste
variabile, etc., vor fi v.a.
3.2.3. Funcia de repartiie (distribuie) a v.a.
Definiie. Fie (, F , P) un cmp de probabilitate i R o
variabil aleatoare. Funcia F : RR, definit prin relaia
F(x) = P( x), pentru orice xR,
(2)
se numete funcie de repartiie (f.r.) a v.a. .
Teorem (Proprietile caracteristice ale f.r.)
Dac F(x) este o f.r. a unei v.a., atunci au loc urmtoarele proprieti:
1) F(x) este monoton nedescresctoare), i.e., F(x 1) F(x2) dendat
ce x1 x2 ;
2) F(x) este continu la stnga pentru orice x R, i.e., pentru orice ir
monoton crescator de valori x n care tinde la x, atunci cnd n tinde la

+, sirul corespunztor de valori F(x n) are drept limit valoarea F(x),

fapt ce se noteaza, pe scurt, F(x-0)=F(x);
3) F(+) = 1 i F(-
Observaie. Proprietile 1)-3) sunt caracteristice numai si numai
funciilor de repartiie in sensul ca, are loc i reciproca acestei teoreme,
conform creia: pentru orice funcie F : RR ce posed proprietile
1)-3) putem construi (neunivoc) un cmp de probabilitate (, F , P) i
o v.a. definit pe el, astfel nct functia ei de repartitie coincide cu F.
Propoziie (Formule de calcul ale probabilitilor pe baza f.r.)
Fie o v.a. cu f.r. F(x). Atunci pentru orice ab, a,bR, au loc
urmatoarele formule:
a) P(a b) = F(b) F(a);
b) P( a) =1 F(a);
c) P( a)=F(a+0) F(a), prin F(a+0) fiind notat limita la dreapta a funciei F n punctul a;
d) P(a b) = F(b+a) F(a);
e) P(a< <b) = F(b) F(a+0);
f) P(a< b) = F(b+0) F(a+0).
Observaie. Din formula c) rezult c, atunci cnd f.r. este continu,
P( a)=0, deorece in acest caz F(a+0) F(a).
3.2.4. Exemple
Exemplul 1. Considerm v.a. cu f.r. dat de formula:
1 e 2 x ,
F ( x)
0,
x 0,
x 0.
1) S se defineasc aceast funcie de repartiie n Sistemul Mathematica.

2) S se construiasc graficul funciei F(x).
3) S se calculeze probabilitatea evenimentului (0 1).
4) S se calculeze probabilitatea evenimentului ( 2).
Rezolvare. 1) Definim funcia F(x) n Sistemul Mathematica cu
ajutorul operatorului Condition, notat i cu /;.
In[1]:=F[x_]:=0/;x0;F[x_]:=1Exp[2*x]/;x>0;
2) Pentru construcia graficului funciei F(x) folosim fincia Plot.
In[2]:=Plot[F[x],{x,1,5}]


1
0.8
0.6
0.4
0.2
-1
Out[2]=Graphics
3) Aplicm formula a) din Propoziie.
In[3]:=N[F[1]F[0]]
Out[3]=0.86465
Am obinut P(0<1)=0,86465.
4) Pentru calculul probabiliti folosim formula b) din Propoziie.
In[4]:=N[1F[2]]
Out[4]=0.0183156
Am obinut P(2) = 0,0183156.
Rezolvarea problemei s-a terminat, dar , deoarece la rezolvarea problemei urmtoare se va folosi, din nou, notaia F(x), curim coninutul
ei, ce corespunde problemei rezolvate mai sus, apelnd la operatorul
Clear.
In[5]:=Clear[F].
3.3. V.a. de tip discret si Caracteristicile lor numerice.

n Teoria Probabilitilor sunt studiate 3 tipuri de v.a.:
discrete, (absolut) continue si singulare, interesante din punct de
vedere ale aplicaiilor fiind doar primele dou.
3.3.1. Definiia v.a. de tip discret. Fie (, F , P) un cmp de
probabilitate i : R o v.a.

Definiie. Variabila se numete variabil aleatoare de tip discret dac

mulimea valorilor posibile ale acesteia este finit sau infinit, cel mult
numerabil.
Drept exemple de v.a. de tip discret putem lua numarul de steme
aprute la aruncarea unei monede de n ori, numrul de puncte aprute la
aruncarea unui zar o singur data, numrul de apeluri telefonice
inregistrate la Urgena Medical pe parcursul a 24 de ore, numrul de
erori descoperite n urma compilrii unui soft, etc.,etc.
3.3.2. Repartiia (distribuia) probabilist a v.a. de tip
discret. Fie v.a. de tip discret definit pe cmpul de probabilitate
(, F , P), adic aceasta ia, in calitate de valori posibile, valori din
mulimea Xx1,x2,...,xn,...unde x1<x2<...<xn<... . Dup cum am vzut,
indiferent de tipul v.a., aceasta poate fi definit i prin intermediul
funciei ei de repartiie F(x), dar n caz discret mai exista o modalitate
echivalent de a defini v.a. i anume, cu ajutorul noiunii de reparti ie a
v.a.
Definiie. Vom numi repartiie probabilist (sau simplu, repartiie) a
v.a. setul de perechi ordonate xi,pi) sau tabloul de forma
x1 x2 ... xn ...
,

p1 p2 ... pn ...
unde pi = P( = xi) , i pi =1.
(3)
Urmtoarea afirmaie arat c, n caz discret, f.r. i repartiia v.a.
sunt dou forme echivalente de modelare matematica (probabilist)
a ei.
Propoziie. F.r. i repartiia unei v.a. de tip discret sunt legate ntre
ele conform urmatoarelor formule:
a) F ( x ) x x p j ;
(4)
j
b) mulimea de valor posibile a v.a. este dat de

Xx1,x2,...,xn,... xR : F(x+0)-F(x)>0iar probabiltile
pi = P( = xi) F(x+0)-F(x), i
Concluzie. Din aceast propoziie rezult c f.r. i repartiia unei v.a.
de tip discret sunt dou forme echivalente de modelare probabilist ce

descriu legea care guverneaz comportamentul probabilist al v.a.. Mai

mult, o v.a. de tip discret este definit, dac se cunoate legea ei de
repartiie: sau sub form de funcie de repartiie, sau sub form de
repartiie.
3.3.3. Caracteristice numerice ale v. a. de tip discret.
Cunoaterea legitii de repartiie (f.r. sau repartiia) a unei v. a. o putem
considera o cunoastere exaustiv (complet) a acesteia din punct de
vedere a comportamentului ei probabilist. nsa, n dependen de scopul
urmrit, uneori este de ajuns s cunoatem doar careva valori numerice
ce caracterizeaz
sumar v.a. dat. Astfel de valori se numesc
caracteristici numerice.
Printre caracteristicile numerice care joac rolul de parametri de
poziie sau parametri ai tendinei centrale se enumr valoarea medie si
modul( moda).
1) Valoarea medie.
Definiie. Vom numi valoare medie a unei v.a. discrete date de
repartiia (3) numrul
M xi pi .
(6)
Observaie. n cazul cnd multimea de valori posibile a v.a. este finit
suma din partea dreapta a formulei (6) este o sum finit. Dar dac
multimea de valori posibile a v.a. este infinit numrabil, atunci vom
spune ca valoarea medie Mexist dac seria numeric xi pi
converge absolut, adica xi pi <+
Valoarea medie a v.a. Ma variabilei aleatoare se mai noteaz m sau
E.
Dac numrul de experimente repetate n care sunt vizate valorile v.a.
este destul de mare, atunci media aritmetic a valorilor observate este
aproximativ egal cu valoarea ei medie. n aceasta const sensul valorii
medii.
Propozitia 1 (Proprietatile valorii medii). Valoarea medie poseda
urmatoarele proprietati:
1. Daca v.a. ia valori nenegative cu probabilitatea 1, atunci
Mi M=daca si numai daca v.a. ia vloarea 0 cu
probabilitatea 1;

2. Daca exista valorile medii ale v.a. atunci exista si valoarea

medie a v.a. asi M(a aM bMpentru orice
numere reale a si b
3. Daca exist valoarea medie a v.a. atuni /M/ /M/;
4. Daca exist valorile medii ale v.a. i aceste v.a. sunt
independente in sensul ca P(x,=y), pentru orice x si y din
multimile de valori posibile ale v.a. respective, atunci exista si
valoarea medie a produsului si M
2) Modul Se numete mod (mod) a unei v.a.de tip discret acea
valoare posibil a ei, careia i corespunde probabilitatea maxim..
Modul variabilei aleatoare se noteaz cu Mo[]. Din definiia
modului rezult c
Mo[ ] x j0 , unde
p j0 max{p j}
1 jn
(7)
3) Variabile aleatoare centrate. Dispersia (variana). Abaterea

medie ptratic. Fie o variabil aleatoare cu valoarea medie m.
Expresia
o = m
(8)
se numete variabil aleatoare centrat. Valoarea medie a variabilei
aleatoare centrate este nul.
Definiia 1. Se numete dispersie (varian) a variabilei aleatoare
valoarea medie a a ptratului variabilei aleatoare centrate o. Dispersia
variabilei aleatoare se noteaz cu D, sau D, sau Var. Din definiia
dispersiei rezult c
D = M(o)2= M( m)2.
(9)
Formula de calcul a dispersiei variabilei aleatoare de tip discret este:

D j 1 ( x j m ) 2 p j .
n
(10)
In caz general,
D = M2- (M)2
(11)
Raiunea ntroducerii noiunii de dispersie rezid n faptul ca aceasta
caracterizeaz gradul de dispersare (mprtiere) a valorilor posibile ale
unei v. a. n raport cu valoarea ei medie..
Definiia 2. Se numete abatere medie ptratic sau abatere standart a
unei v.a. rdcina ptrat din dispersia ei. Abaterea medie ptratic a
variabilei aleatoare se noteaz cu [] sau . Din definiie rezult c
[ ] D .
(12)
Observatie. In aplicatii, pentru a caracteriza gradul de imprastiere a
valorilor v.a. cercetate in raport cu valoarea ei medie, este mai usor sa
operam cu abaterea medie ptratic, deoarece aceasta se exprima in
aceleasi unitati de masura ca si v.a. si valoarea ei medie.
Propozitia 2 (Proprietatile dispersiei). Dispersia poseda urmatoarele
proprietati:
1. Daca dispersia v.a. exista, , atunci Di D=daca si numai
daca v.a. ia valoarea M cu probabilitatea 1;
2. Daca exista dispersia
v.a. atunci exista si dispersia v.a.
2
absi D(ab a D pentru orice numere reale a si b
3. Daca exista dispersiile v.a. atunci exista si dispersia v.a.
si D( MM 2M(MM
4. Daca exist dispersiile v.a. i aceste v.a. sunt independente
in sensul ca P(a,=b), pentru orice a si b din multimile de
valori posibile ale v.a. respective, atunci exista si dispersia v.a.
si D(D D
Definitie. Se numeste covarian a v.a. numarul
cov(M(MM
Observatie.Proprietatile 3 si 4 ale dispersiei arata ca
cov(atunci cand v.a. sunt independente.
3) Momente iniiale.

Definiie. Se numete moment iniial de ordinul s al unei v.a. valoarea

medie a acestei v.a. luate la puterea s. Momentul iniial de ordinul s al v.a.
se noteaz cu s[]. Din definiia momentelor iniiale rezult c:
s[] = Ms, s = 1, 2,...
(13)
iar formula de calcul al momentului iniial de ordinul s al unei v.a.de tip
discret este
s [ ] j 1 x sj p j , s = 1, 2,...
n
(14)
Observm c valoarea medie coincide cu momentul iniial de ordinul

nti.
4) Momente centrate.
Definiie. Se numete moment centrat (sau central) de ordinul s al unei
v.a. valoarea medie a puterii s a variabilei centrate respective. Momentul
centrat de ordinul s al v.a. se noteaz cu s[]. Din definiie rezult c
s[] = M(o)s, s = 1, 2,...
(15)
Formula de calcul al momentului centrat de ordinul s al unei v.a.de tip
discret are forma
s [ ]
n
j 1
( x j m ) s p j
, s = 1, 2,...
(16)
Au loc egalitile 1[] = 0, 2[] = D.
Relaiile duntre momentele centrate i cele iniiale sunt:
1) 2 = 2 12;
2) 3 = 3 312 + 213;
3) 4 = 4 431 + 6212 314.
6) Asimetria.
Definiie. Se numete asimetrie (coeficient de asimetrie) al v.a. numrul
notat cu Sk i dat de egalitatea
3
3
(17)
4
3.
4
(18)
S k [ ]
5) Excesul.
Definiie. Se numete exces al v.a. numrul notat cu sau Ex[] i
definit prin egalitatea
Ex[ ]

3.3.5. Exemple de determinare a funciei de repartiie i de calcul

al valorilor caracteristice ale unei v.a.de tip discret.
Exemplul 2. Se d v.a.de tip discret cu repartiia
2
5
7
0
.
:
(19)
0,3 0,4 0,1 0,2
Se cere: 1) s se defineasc (s se introduc) n Sistemul Mathematica
v.a. ; 2) s se determine funcia ei de repartiie F(x); 3) s se introduc
funcia de repartiie n Sistemul Mathematica; 4) s se construeasc
graficul funciei F(x); 5) s se calculeze probabilitatea ca v.a. va lua
valori din intervalul [3, 8).
Rezolvare. 1) Introducem repartiia v.a. sub form de list cu dou
linii, elementele crora sunt elementele liniilor matricei (19).
In[6]:=p={{0,2,5,7},{0.3,0.4,0.1,0.2}}
Scriem p n forma matriceal cu ajutorul funciei MatrixForm.
In[7]:=MatrixForm[p]
0
Out[7]= 0.3
2
0 .4
5
0 .1
0.2
2)Aplicnd formula (4), gsim funcia de repartiie

0, x 0,
0,3, 0 x 2,
F ( x) 0,7, 2 x 5,
0,8, 5 x 7,
1, x 7.
3) Introducem funcia F(x) n Sistemul Mathematica cu ajutorul

funciei Condition, notat i cu /;.
In[8]:=F[x_]:=0/;x0;F[x_]:=0.3/;0<x2;F[x_]:=0.7/;2<x5;F[x_]:=0.
8/;5<x7;F[x_]:=1/;7<x;
4) Construim graficul funciei de repartiie cu ajutorul funciei Plot.
In[9]:=Plot[F[x],{x,1,8}]


1
0.8
0.6
0.4
0.2
10
Out[9]=Graphics
5) Folosim formula a) din Propozitie, vezi punctul 3.2.3 al acestui
capitol:
In[10]:=P(3<8)=F[8]F[3]
Out[10]=0.3
Rezolvarea exerciiului s-a terminat. Cum funcia de repartiie F(x) din
acest exerciiu nu se folosete n exerciiile ce urmeaz, dar notaia se
folosete, trebuie s scoatem definiia ei din Sistem. Matricea p mai
rmne n Sistem deoarece ea se va folosi la rezolvarea exerciiului
urmtor.
In[10]:=Clear[F].
Exerciiul 3. Fiind dat aceeasi v.a. cu repartiia (19), s se
calculeze: 1) valoarea medie; 2) dispersia; 3) abaterea medie ptratic;
4) momentele iniiale de ordine pn la 4 inclusiv; 5) momemtele centrate
de ordine pn la 4 inclusiv; 6) asimetria; 7) excesul.
Rezolvare. 1) Calculm valoarea medie cu ajutorul formulei (6).
In[12]:= D
p[[1, j ]] p[[2, j ]]
j 1
In[11]:=
Out[11]=2.7
Am obinut m=2,7. Aici p[i,j] este notaia elementului pij al matricei p.
2) Determinm dispersia conform formulei (12).
j 1
Out[12]=6.61
Am obinut D=6,61.
(( p[[1, j ]] m )^ 2) p[[2, j ]]

3) Aplicm formula (13).

In[13]:= D
Out[13]=2.57099
Am obinut =2,57099.
4) Pentru calculul momentelor iniiale folosim formulele (14).
In[14]:= 1 j 1 (( p[[1, j ]])^1) p[[2, j ]]
4
Out[14]=2.7
In[15]:= 2 j 1 (( p[[1, j ]])^ 2) p[[2, j ]]

4
Out[15]=13.9
In[16]:= 3 j 1 (( p[[1, j ]])^3) p[[2, j ]]

4
Out[16]=84.3
In[17]:= 4 j 1 (( p[[1, j ]])^ 4) p[[ 2, j ]]

4
Out[17]=549.1
Am obinut 1=2,7; 2=13,9; 3=84,3; 4=549,1.
5) Calculm momentele centrate conform formulelor (16).
In[18]:= 1 j 1 (( p[[1, j ]] m )^1) p[[2, j ]]
4
Out[18]=1.110221016
Se tie c 1 = 0. Aici am obinut un numr foarte aproape, dar totui
diferit de zero. Aceasta se ntmpl uneori cnd se opereaz cu numere
aproximative. Dup rotundire se obine aceeai valoare 0.
2
In[19]:=
Out[19]=6.61
In[20]:=
Out[20]=11.076
j 1
j 1
(( p[[1, j ]] m )^ 2) p[[2, j ]]
(( p[[1, j ]] m )^3) p[[2, j ]]
(( p[[1, j ]] m )^ 4) p[[2, j ]]
j 1
In[21]:=
Out[21]=87.2137
Am obinut 1=0; 2=6,61; 3=11;076, 4=87,2137.
6) Calculm asimetria conform formulei (17).

In[22]:=Sk[]= 3/ 3
Out[22]=0.65175
7) Calculm excesul conform formulei (18).
In[22]:=Ex[]= 4/ 4 3
Out[22]=1.0039
Rezolvarea exerciiulei s-a terminat. Eliberm parametrii de valorile
atribuite n acest exerciiu.
In[23]:=Clear[p,m,D, , 1, 2, 4, 1, 2, 3, 4,Sk[],Ex[]].
3.4. Repartiii (modele probabiliste) uzuale (clasice) in caz

discret.
3.4.1. Funcia generatoare a variabilei aleatoare. n caz discret este
comod uneori ca probabilitile sau caracteristicele numerice ale unei v.a.
ce poate lua valori din multimea numerelor naturale, inclusiv 0, s fie
calculate cu ajutorul unei funcii numite funcie generatoare .
Fie c variabila aleatoare are repartiia
1
2 ... k ...
0
:
(20)
p0 p1 p2 ... pk ...
Definiie.Se numete funcie generatoare a v.a. (20) funcia (z) definit
prin egalitatea
( z )
k 0
pk z k
,
(21)
unde z este un parametru, care ia valori din intervalul (0;1].
n cazul cnd v.a. ia valori dintr-o mulime finit de valori, atunci n
expresia (21) coeficienii pk, ncepnd cu un anume indice, sunt egali cu
zero. Se demonstreaz c
1[] = M = (1).
(22)
2[] = (1) + (1).
(23)
3[] = (1) + 3(1) + (1).
(24)
2
D = (1) + (1) [(1)] .
(25)
3.4.2. Repartiiile uniform, Bernoulli i binomial.

Definiie. Vom spune c v.a. este repartizat uniform (de tip discret)
dac valorile posibile ale ei sunt 0, 1, 2, ..., n, iar probabilitile acestor
valori sunt date de formula:
p k P ( k ) 1 /( n 1), , k 0,1,2,..., n. ,
(26).
Mai exista si varianta de repartitie uniforma trunchiata in zer, adica
valorile posibile ale v.a. sunt 1,2,,n, iar
p k P( k ) 1 / n, k 0,1,2,..., n. ,
(26).
Observaie. Repartiia uniform data de formulele (26) sau (26 )
modeleaz din punct de vedere matematic alegerea la int mplare a unui
element dintr-o multime de elemente numerotate 0,1,2,,n sau 1,2,,n,
respectiv.
Definiie. Vom spune c v.a. este repartizat binomial cu parametri n
i p dac valorile posibile ale ei sunt 0, 1, 2, ..., n, iar probabilitile
acestor valori sunt date de formula:
pk P ( k ) Cnk p k q n k ,0 p 1, k 0,1,2,..., n. ,
(26).
In particular, atunci cnd n=1, repartiia Binomial se numete repartiie
Bernoulli.
O repartiie binomial de parametri n i p se noteaz cu Bi(n, p). Din
definiie rezult c o v.a. repartizata binomial sau Bernoulli pot fi date,
respectiv, sub forma:
0
1
...
k
...
n
: 0 0 n 0
1 1 n 1
k
k nk
n n 0 , (27)
Cn p q
... Cn p q
... Cn p q
Cn p q
1 p
(28)
Observaie. Repartiia binomial modeleaz, din punct de vedere
matematic, numrul total de succese n n probe Bernoulli cu una si
aceeasi probabilitate p a succesului n fiecare prob.
Folosind funcia generatoare se deduc urmtoarele formule:
M = 1[] = np,
(29)
D = npq,
(30)
[]
npq
(31)

Dac npq este numr ntreg, atunci valoarea maxim a probabilitii

Pn(k) se atinge pentru dou valori ale lui k: k0 = npq i k0 = npq+1 =
np+p. Dac npq este un numr fracionar, atunci valoarea maxim a
probabilitii Pn(k) se atinge n punctul k0 = [npq]+1, unde [npq] este
partea ntreag a numrului npq.
Exemplul 4. Un eveniment aleator A, convenional numit succes
poate aprea ntr-un experiment aleatoar cu probabilitatea p = 0,3. Se
efectueaz 1000 de repetri independente ale acestui experiment. Se
cere: 1) s se scrie repartiia variabilei aleatoare care reprezint numrul
total de apariii ale evenimentului A; 2) sa se calculeze Mo[], 3) M,
4) D, 5) [], 6) P(250350).
Rezolvare. 1) V.a. poate lua una din valorile: 0, 1, 2,, 1000.
Probabilitile acestor valori se calculeaz conform formulei Bernoulli.
Deci v.a. are repartiia
k
p k P ( k ) P1000 ( k ) C1000
(0,3) k (0,7)1000 k , k = 0, 1, 2,,
1000.
2) Cum npq = 10000,30,7 = 299,3 este un numr fracionar, rezult
c modul, adic valoarea posibil care corespunde celei mai mari
probabiliti este: Mo[] = [299,3]+1 = 299+1 = 300.
3) M = np = 10000,3 = 300.
4) D = npq = 10000,30,7 = 210.
5) [] npq 210 .
6) Calculm probabilitatea cerut
k
k
1000 k
P(250 350)= k 250 C1000 (0,3) (0,7)
350
cu ajutorul Sistemului Mathematica.

350
(1000 ! ) * ((0.3)^ k ) * ((0.7)^ (1000 k ))
]
(
k
!
)
*
((
1000
k
))!
k
250
In[24]:=N[
Out[24]=0.999509
Am obinut P(250350)=0,999509.
3.4.3. Repartiia Poisson

Definiia 1. Vom spune c v.a. are repartiia Poisson cu parametrul

a, a > 0, dac ea poate lua in calitate de valori valorile posibile una din
valorile 0, 1, ..., k,..., probabilitile crora sunt date de formula
a k a
(32)
pk P ( k )
e , k = 0, 1, 2,...,
k!
unde a este un parametru real pozitiv.
Repartiia Poisson de parametru a se noteaz cu Poisson(a). Din
definiie rezult c o v.a. cu repartiia Poisson de parametru a poate fi
scris in forma
0
0
a
:
e a
0!
1
a1 a
e
1!
...
k
a k a
...
e
k!
...
...
(33)
Dac numerele n i k sunt relativ mari i npq < 9, atunci repartiia

binomial de parametri n i p poate fi aproximat cu ajutorul repartiiei
Poisson de parametru a = np.
Folosind funcia generatoare, obinem c:
M = D = a; [] = a .
(34)
Dac a este numr ntreg, atunci pk i atinge valoarea maxim pentru
k0 = a i k0 = a1. Dac a este fracionar, atunci Mo[]=[a]+1.
Definiia 2. Se numete flux de evenimente un ir de evenimente
aleatoare, care se produc n momente aleatoare de timp. Un flux de
evenimente se numete flux Poisson dac el are proprietile:
a) este staionar, adic probabilitatea ca ntr-un anume interval de timp
se vor realiza exact k evenimente depinde numai de numrul k i de
lungimea (durata) intervalului de timp i nu depinde de nceputul lui;
b) probabilitatea realizrii a k evenimente ntr-un anume interval de
timp nu depinde de numrul de evenimente care s-au realizat nainte de
nceperea acestui interval;
c) realizarea a dou sau mai multe evenimente ntr-un interval mic de
timp are, practic, probabilitate nul.
Numrul mediu de evenimente dintr-un flux Poisson care se realizeaz
ntr-o unitate de timp se numete intensitate a fluxului. Vom nota
intensitatea fluxului cu a. Atunci are loc urmtoarea

Propoziie.Numrul de realizri ale evenimentelor din fluxul Poisson n t

uniti de timp este o v.a. cu repartiia
(at ) k at
Pt (k )
e , k = 0, 1, 2,
k!
Pentru t = 1 din formula precedent se obine repartiia Poisson.
Observaie. Repartiia Poisson modeleaz, din punct de vedere
matematic comportamentul probabilistic al:
1) numrului de particule (alfa) emise de o substan radioactiv intrun anumit interval de timp;
2) numrului de automobile care vin la o staie de alimentare cu
benzin ntr-o unitate de timp;
3) numrului de clieni care se adreseaz la un oficiu potal ntr-o zi;
4) numrului de apeluri la un post telefonic ntr-o unitate de timp;
5) numrului de erori de programare comise de un programator intr-un
soft de o anumit lungime;
6) numrului de bacterii descoperite intr-o pictur de ap;
7) numrului de erori de tipar care se conin pe o pagin (sau un grup
de pagini) dintr-o carte;
8) numrului de 3 gemeni noi nscui n decurs de un an n careva ar;
9) numrului de oameni dintr-o anumit ar care au depit vrsta de
100 de ani;
10) numrului de cutremure de pmnt care au loc ntr-o regiune
seismic ntr-o unitate de timp;
11) numrului de accidente rutiere produse ntr-un ora, ntr-o unitate
de timp;
12) numrului de decese printre asiguraii unei companii de asigurare
ntr-o unitate de timp, etc., etc.
Exemplul 5. Numrul mediu de solicitri de taxi recepionate la un
dispecerat ntr-un minut este egal cu 2. S se calculeze probabilitile
evenimentelor: A = n decursul a unui minut va fi recepionat o singur
solicitare, B = n decursul unui minut vor fi recepionate nu mai mult de
2 solicitri, C = n decurs de 1 minut vor fi recepionate mai mult de 2
solicitri.

Rezolvare. Variabila aleatoare care reprezint numrul de solicitri

de taxi ntr-un minut are repartiia Poisson de parametru a = 2. Aceast
variabil aleatoare are repartiia
2k 2
(35)
pk P ( k )
e , k = 0, 1, 2,
k!
21 2
1) Cum P ( A) P ( 1)
avem:
e
1!
21 2
In[25]:=N[
e ]
1!
Out[25]=0.270671
2) Cum P( B) P( 0) P( 1) P( 2) din (8.2.35) avem:
20
21
22 2
In[26]:=N[ e 2 e 2
e ]
0!
1!
2!
Out[26]=0.676676
3) Cum P(C) = 1 P(B), avem :
In[27]:=N[10.676676]
Out[27]=0.323224
Am obinut P(A)=0,270671, P(B)=0,676676, P(C)=0,323224.
3.4.4. Repartiia geometric
Definiie. Vom spune c o variabil aleatoare are repartiia
geometric de parametru p, dac valorile posibile ale ei sunt 0, 1, 2,,
k,.. i probabilitile lor sunt date de formula
pk P ( k ) q k p , 0 p 1, q = 1p, k = 0, 1, 2, (36)
In caz ca repartiia este dat de formula
pk P ( k ) q k 1 p , 0 p 1, q = 1p, k = 1, 2, (37)
v.a. se numete geometric repartizat trunchiat n zero.
De exemplu, repartiia (8.2.36) poate fi scris n urmtoarea form
matriceal:
1
2
...
k
...
0
.
:
2
k
...
p pq pq ... pq
Observaie. Repartiia geometric (36) modeleaz, din punct de vedere
matematic, numrul total de insuccese nregistrate n experimentul

ce const n repetarea uneia i aceleiai probe Bernoulli (cu probabilitatea

p a succesului n fiecare prob) pn la prima aparitie a succesului .
Prin analogie, repartiia geometric trunchiat n zero (37) modeleaza, din
punct de vedere matematic, numrul total de probe (ncercri)
efectuate n experimentul ce const n repetarea uneia i aceleiai probe
Bernoulli (cu probabilitatea p a succesului n fiecare prob) pn la
prima aparitie a succesului
Cu ajutorul funciei generatoare obinem, de exemplu, pentru
repartiia geometric c:
M 1 p D q p 2 , [ ] q p .
(38)
Analogic, pentru repartiia geometric trunchiat n zero
M[] = q/p, D[] = q/p2.
(39)
Exemplul 6. ntr-o urn se conin 2 bile albe i 8 bile negre. Se
extrage succesiv cte o bil, cu ntoarcere, pn la prima apariie a unei
bile albe. S se determine: 1) repartiia v.a. care reprezint numrul de
extrageri pn la prima apariie a unei bile albe; 2) M; 3) D; 4) numrul
minim m de extrageri , suficient pentru a afirma, cu probabilitatea 0.7, c
pentru extragerea unei bile albe vor fi necesare, mai putin de m extrageri.
Rezolvare. 1) Notm cu A evenimentul care const n apariia unei
bile albe la o extragere i cu N evenimentul care const n extragerea unei
bile negre. Evident c N = A . Cum n urn sunt 2 bile albe i 8 bile
negre, rezult c P(A) = 0,2 i P(N) = P( A ) = 10,2 = 0,8.
Pentru ca bila alb s apar prima dat la prima extragere este
echivalent cu faptul ca v.a s ia valoarea 1.Probabilitatea acestui
eveniment este egal cu p1 = P(A) = 0,2. Pentru ca bila alb s apar
prima dat la prima extragerea a doua este echivalent cu faptul ca v.a
s ia valoarea 2. Probabilitatea acestui eveniment este egal cu p2 =
P(=2) = P( A A) = P( A )P(A) = 0,80,2 = 0,16. n general, pentru ca
bila alb s apar prima dat la prima extragerea cu numarul k este
echivalent cu faptul ca v.a s ia valoarea k. Probabilitatea acestui
eveniment este egal cu
P ( A ... A A)
pk = P(=k) =
= 0,2(0,8)k1, k = 1, 2,
k 1
ori

Deci variabila aleatoare are o repartiie geometric trunchiata in zero cu

parametrul p= 0,2.
2) Conform formulei (39) avem: M[] = 1/0,2 = 5.
3) Dintr-a doua formul (39) obinem:
D[] = (10,2)/(0,2)2 = 20.
4) Determinm numrul m din condiia
0,2 + 0,20,8 + + 0,2(0,8)m1 0,7.
Aceast inecuaie se reduce la inecuaia m > log0,80,3.
Aici aplicm Sistemul Mathematica.
In[28]:=N[Log[0.8,0.3]]
Out[28]=5.3955
Obinem m = 6.
3.4.5. Repartiia hipergeometric
Definiie. Vom spune c o variabil aleatoare are o repartiia
hipergeometric de parametri a, b, n dac aceasta poate lua una din
valorile 0, 1, 2, , mina, n cu probabilitile
p k P ( k )
C ak C bn k
C an b
, k = 0, 1, 2, , mina,n.
(40)
Se demonstreaz c
M[] = na/(a+b).
(41)
Repartiia hipergeometric apare, de exemplu, n experimentul care
const n extragerea fr intoarcere a bilelor dintr-o urn care conine bile
de dou culori.
3.5. V.a. de tip (absolut) continue si caracteristicele lor

numerice
3.5.1. Noiune de variabil aleatoare de tip (absulut) continu. Se
numete v.a.de tip (absolut) continu (v.a.c.) o variabil aleatoare, a carei
mulime de valori posibile reprezint un interval de numere reale i
funcia de repartiie este continu n intervalul (; ), dar i derivabil,
cu exceptia poate c, de un numr finit de puncte de pe acest interval.
3.5.2. Exemple de variabile aleatoare continue

1) Durata funcionrii unui aparat electric este o variabil aleatoare

continu care poate lua valori din intervalul [0; ).
2) Fie c se msoar lungimea unui obiect sau rezistena unei linii
electrice cu un aparat de msurare astfel incat rezultatul msurrii se
rotunjete pn la un numr ntreg. Atunci eroarea de rotunjire este o
v.a.c. care ia valori din intervalul (1; 1).
3) Cantitatea anual de precipitaii atmosferice n careva regiune este
o variabil aleatoare continu care ea valori din intervalul [0; ).
3.5.3. Funcia de repartiie. Funcia de repartiie pentru orice
variabil aleatoare a fost definit n unul din paragrafele precedente.
Pentru comoditate amintim aici definiia i proprietile acestei funcii.
Se numete funcie de repartiie a variabilei aleatoare funcia
F:R[0,1] definit prin egalitatea
F(x) = P( x).
(42)
Funcia de repartiie are urmatoarele proprieti caracteristice:
1) F(+) = 1, F() = 0;
2) F(x) este o funcie nedescresctoare;
3) F(x) este continu la stnga n orice punct xR.
Din formulele de calcul ale probabilitatilor in baza f.r. deducem ca:
P(a b) = F(b) F(a).
(43)
P( = a) = 0.
(44)
P(a b) = P(a b) = P(a b) = P(a b).
(45)
3.5.4. Densitatea de repartiie i proprietile ei.
Definiie.Vom numi densitate de repartiie (d.r.) a v.a.c. cu f.r. F(x)
funcia f(x) definit prin egalitatea
f(x) = F (x).
(46)
Din definiie rezult c f.r. F(x) a unei v.a.c. poate fi exprimata prin d.r.
f(x) a acestei v.a ca fiind
F ( x) P( x)
f ( x )dx
concluzie, P ( a b) a f ( x) dx .
Densitatea de repartiie este o form alternativa a legii de repartiie a
unei variabile aleatoare continue, echivalenta f.r., in sensul ca daca

cunoastem una din aceste forme putem restabili cealalata forma. Prima
form a acestei legi este funcia de repartiie. Asadar, v.a.c. este
determinat dac este dat f.r. sau densitatea de repartiie ale ei.
Graficul d.r. a unei v.a.c. se numete curb sau linia ei de repartiie .
D. r. a v.a.c. are proprietile mentionate in urmatoarea
Propozitie. Dac f(x) este d.r. a v.a.c. , atunci:
.
(47)
1) f(x) 0, xR;
2) f ( x ) dx 1 ;
(48)
3) F ( x)
f (t ) dt .
(49)
3.5.5. Caracteristici numerice ale v.a.c.
Definitie. Vom numi valoare a v.a.c. cu d.r. f(x) numrul M[] (care
se noteaz i cu m ) definit prin egalitatea
M
cu conditia ca integrala
xf ( x ) dx ,
(50)
x f ( x ) dx , in caz contrar vom
spune ca v.a.c. nu poseda valoare medie.

Remarc. Toate proprietatile valorii medii enuntate in cazul v.a. de tip
discret sunt valabile i pentru v.a.c.
Se numete moda a v.a.c. numrul, notat cu x0=Mo[], pentru care
densitatea de repartiie f(x) ia valoarea maximala. Daca numarul acesta
este unic, atunci repartitia se numeste unimodala, in caz contrar se
numeste multimodala.
Se numete median a variabilei aleatoare numrul, notat cu xm (sau
Me[]), care verific condiia
P( xm) = P( xm) = 1/2.
(51)
Condiia (51) este echivalent cu condiia
xm
f ( x ) dx 1 2
.
(52)
Ecuaia (52), n raport cu variabila xm, poate fi aplicat la determinarea
medianei.

Folosind noiunea de valoare medie, ca i n cazul unei variabile

aleatoare de tip discret, se introduc noiunile de dispersie, abatere medie
ptratic, momente iniiale i momente centrate. Conditia lor de existenta
este similara cu conditia de existenta a valorii medii. Scriem aici numai
formulele de calcul ale lor.
Formula de calcul al dispersiei
D[]
( x m ) 2 f ( x )dx
Formula de calcul al abaterii medii ptratice

[ ] D .
Formula de calcul al momentelor iniiale
s [ ]
x s f ( x ) dx , s = 1, 2,...
(53)
(54)
(55)
Formula de calcul al momentelor centrate

s [ ]
( x m ) s f ( x ) dx
, s = 1, 2,...
(56)
Remarc. Proprietile dispersiei v.a.c sunt aceleasi ca si in cazul v.a.
de tip discret. Relaiile dintre momentele iniiale i cele centrate pentri
v.a.de tip discret sunt la fel ca i n cazul v.a. de tip discret.
Fie o v.a., care poate lua numai valori nenegative, dar cu valoare
medie nenula. Se numete coeficient de variaie a acestei variabile
aleatoare numrul v definit prin egalitatea
v = /m.
(57)
Se numete coeficient de asimetrie (sau asimetrie) a variabilei
aleatoare mrimea, notat cu Sk, definit prin egalitatea
Sk[] = 3/3.
(58)
Se numete exces al variabilei aleatoare mrimea, notat cu sau Ex,
definit prin egalitatea
Ex[] = 4/43.
(59)
3.5.6. Exemple
Exemplul 7. Variabila aleatoare este definit prin d.r.
( x 2) / 18, x [ 2;8],
f ( x)
0, x [ 2;8]

S se gseasc: 1) linia de repartiie; 2) probabilitatea ca s ia valori din

intervalul inchis [5; 10]; 3) f.r. i graficul ei; 4) valoarea ei medie;
5) dispersia; 6) abaterea medie ptratic; 7) momentele iniiale de
ordinele 1,2,3 si 4; 8) momentele centrate de ordinele 1,2,3 si 4;
9) coeficientul de asimetrie; 10) excesul; 11) coeficientul de variaie.
Rezolvare. 1) Introducem densitstea de repartiie n Sistemul
Mathematica.
In[30]:=f[x_]:=0/;x<2;f[x_]:=(x2)/18/;2x8;f[x_]=0/;x>8;
Construim linia de repartiie, adic graficul funciei f(x).
In[31]:=Plot[f[x],{x,0,10}]
0.3
0.25
0.2
0.15
0.1
0.05
2
10
Out[31] Graphics
2) Calculm probabilitatea cerut conform formulei (47).
In[32]:=NIntegrate[f[x],{x,5,8}]
Out[32]=0.75
3) Determinm f.r. Cum toate valorile posibile ale v.a.c. aparin
segmentului [2,8], rezult c F(x)=0, x<2, i F(x)=1, x>8. Determinm
aceast funcie pe segmentului [2,x] folosind formula (8.2.47).
xt 2
dt
In[33]:=F1[x]= 2
18
1 x x2
Out[33]=
9 9 36
Deci funcia de repartiie este

0, x 0,
1 x x 2
F ( x)
, 2 x 8,
9 9 36
1, x 8.
Introducem aceast funcie n Sistemul Mathematica.

1 x x2
In[34]:=F[x_]:=0/;x<0;F[x_]:=
/;2x8/;F[x_]:=1/;x>8;
9 9 36
Construim graficul funciei F(x) cu ajutorul funciei Plot.
In[35]:=Plot[F[x],{x,2,9}]
1
0.8
0.6
0.4
0.2
Out[35]=Graphics
4) Calculm valoarea medie folosind formula (50). Avem
In[36]:=m=NIntegrate[x*f[x],{x,2,8}]
Out[36]=6.
Am obinut m=6.
5) Calculm dispersia conform formulei (53).
8
2
In[37]:=N[ 2 ( x m ) f ( x)dx ]
Out[37]=2.
6) Calculm abaterea medie ptratic conform formulei (54).
In[38]:= = 2
Out[38]=1.41421
7) Momentul iniial 1 coincide cu sperana matematic i deci 1[] =
m = 6. Gsim celelalte momente iniiale conform formulei (55).


8
2
In[39]:=N[ 2 x f ( x ) dx ]
Out[39]=38
8
3
In[40]:=N[ 2 x f ( x ) dx ]
Out[40]=250.4
8
4
In[41]:=N[ 2 x f ( x ) dx ]
Out[41]=1699.2
Am obinut 1=6, 2=38, 3=250,4, 4=1699,2.
6) Momentul centrat de ordinul 1 este egal cu zero pentru orice v.a.:
1 = 0. Momentul centrat de ordinul doi coincide cu dispersia i deci 2 =
D = 2. Calculm momentele 3 i 4 folosind formulele (55).
8
3
In[42]:= 3=N[ 2 ( x m ) f ( x)dx ]
Out[42]=1.6
8
4
In[43]:= 4=N[ 2 ( x m ) f ( x) dx ]
Out[43]=9.6
Am obinut 1 = 0, 2 = 2, 3 = 1,6, 4 = 9,6.
9) Calculm coeficientul de asimetrie conform formulei (58):
In[44]:=Sk[]= 3/( )3
Out[44]=0.565685
10) Folosim formula de calcul al excesului (59).
In[45]:=Ex[]= 4/( )43
Out[45]=0.6
11)Calculm coeficientul de variaie conform formulei (57).
In[46]:=v= /m
Out[46]=0.235702
Rezolvarea exerciiului s-a terminat. Scoatem valorile parametrilor din
acest exerciiu.
In[47} :=Clear[f,F,m, , 1, 2, 3, 4,Sk[],Ex[],v].

3.6. Modele probabiliste (repartiii) te tip (absolut) continue (uzuale)

clasice
3.6.1. Repartiia uniform. Vom spune c v.a.c. are repartiie
uniform pe segmentul [a, b], dac densitatea ei de repartiie are forma
1 /(b a ), x [a; b],
f ( x)
0,
x [ a; b].
(60)
n calitate de exemplu de variabil aleatoare cu repartiia uniform
poate servi durata ateptrii autobusului care vine la staie peste fiecare 5
minute, n cazul cnd pasagerul vine la staie ntr-un moment aleator de
timp (independent de orarul circulaiei autobusului).
Folosind formula (49), determinm funcia de repartiie F(x).
0, x a,
F ( x ) ( x a ) /(b a ),
1, x b.
a x b,
(61)
Valoarea medie este m = (ba)/2, iar dispersia este D = (ba)2/12.

Repartiia uniform nu are mod. Mediana este egal cu (b+a)/2.
In particular, atunci cand a=0, b=1, avem repartitia uniforma pe
segmentul [0,1]. Orice limbaj de programare evoluat (C++, Java, etc.)
contine functia random cu ajutorul careia putem simula valori a unei v.a.
uniform repartizate pe [0,1].
Remarca.Asa cum repartitia uniforma pe [0,1] modeleaza, din punct
de vedere matematic, experimentul imaginar, ce consta in aruncarea la
intamplare a unui punct pe segmentul [0,1], tot asa repartitia uniforma pe
[a,b] modeleaza matematic experimentul imaginar cu aruncarea la
intamplare a unui punct pe segmentu [a,b]. Are loc urmatoarea
Propozitie. Dac v.a. este uniform repartizata pe segmentul [a,b] ,
atunci v.a. = (-a) / (b-a) este uniform repartizata pe [0,1]. Dimpotriva,
daca v.a. este uniform repartizata pe [0,1], atunci v.a. =(b-a)+a este
uniform repartizata pe [a,b].
Exemplul 8. Un troleibuz sosete in staie peste fiecare 5 minute. Care
este probabilitatea ca un pasager, care vine in staie ntr-un moment
aleator de timp, va atepta troleibuzul cel mult 2 minute (evenimentul A)?

Rezolvare. D.r. a v.a. , care reprezint durata ateptrii troleibuzului,

este
1 / 5, x [0; 5],
f ( x)
0, x [0; 5].
In[48]:=
P ( 0 2)
(1 / 5) dx
Out[48[=2/5
Am obinut P(A)=2/5.
3.6.2. Repartiia exponenial. Vom spune c o v.a.c. are repartiie
exponenial de parametru , >0, dac densitatea ei de repartiie are
forma
e x ,
f ( x)
0,
x 0,
x 0.
(62)
Funcia de repartiie este

1 e x ,
F ( x)
0,
x 0;
x 0,
(63)
Folosind f.r., obinem probabilitatea ca o v.a. cu repartiie exponenial
s ia valori din intervalul inchis [a; b], 0 a b coincide cu:
P(a b) = ea eb.
Au loc egalitile:
M[] = 1/. D[] = 1/2; [] = 1/.
(64)
Un exemplu de v.a. care are repartiie exponenial de parametru
este durata vietii unui calculator. Funcia
R ( x) 1 F ( x) e x , x 0.
(65)
se numete funcie de fiabilitate a aparatului i valoarea ei n punctul x
reprezint probabilitatea ca aparatul s funcioneze fr refuz x uniti de
timp. Or, funcia de fiabilitate este, prin definitie, functia
R ( x) 1 F ( x ) , x 0.
Aceasta repartitie poseda o propretate remarcabila redata in
urmatoarea

Propozitie (Proprietatea lipsei memoriei). Dac v.a. este

exponential repartizata cu parametrul atunci are loc proprietatea
lipsei memoriei in sensul ca probabilitatea conditionata
1 e h , h 0,
0, h 0.
P(<t+h/t)= F ( x)
Exemplul 9. Fie c durata funcionrii fr refuz a unui PC este o

variabil aleatoare care are repartiie exponenial de paramertu =
0,001. S se determine: 1) d.r.; 2) f.r.; 3) fiabilitatea; 4) valoarea medie i
dispersia; 5) probabilitatea ca PC-ul s funcioneze fr refuz cel puin
2000 de ore (evenimentul A).
Rezolvare. 1) Cum = 0,001, din (62) rezult c densitatea de
repartiie a variabilei aleatoare este
0,001e 0, 001x , x 0,
f ( x)
0,
x 0.
2) Conform formulei (63), funcia de repartiie este

1 e 0, 001x , x 0,
F ( x)
x 0.
0,
3) Din (65) rezult c funcia de fiabilitate este

R ( x) e 0, 001x , x 0.
4) Din (64) rezult c valoarea medie este M = 1/0,001 = 1000, iar
dispersia este D = 1/(0,001)2 = 1000000.
5) Folosim formula (65).
In[49]:=P(>2000)=N[e0.001*2000]
Out[49]=0.135335
3.6.3. Repartiia normal. Vom spune c v.a.c. are repartiie
normal, dac d.r. este de forma
f ( x)
1
2
( xm)2
2 2
(66)

unde m i 0 sunt valori constante reale, numite parametri ai

repartiiei normale.
Atunci cnd m=0 i repartiia se mai numeste normala standard
cu parametrii 0 si 1. In acest caz functia de repartitie coincide cu
z
2
1
( x)
e t 2 dt .
2
Exemple de v.a.c. de repartiie normal sunt: cantitatea anual de
precipitaii atmosferice dintr-o anumita regiune, eroarea care se obine la
msurarea unei mrimi cu un aparat cu gradaii, nlimea unui brbat luat
la intamplare.
Linia repartiiei normale poart denumirea de linia lui Causs.
Propozitie. F.r. a v.a normal repartizate cu parametrii m i
coincide cu
xm
F ( x )
(67)
,

unde (x) este funcia Laplace care se definete prin egalitatea
x
1
( x)
e t 2 dt ,
(68)
2
si reprezinta f.r. a unei v.a. repartizata normal standard cu parametrii
0,1.
Cu alte cuvinte (x), fiind f.r. a unei v.a. normal standard repartizate cu
parametrii 0 si 1, au loc egalitile:
m m , D 2 , ,
(69)
m
m
P( )
(70)

.

2
Exemplul 10. Presupunem c anual, cantitatea de precipitaii

atmosferice dintr-o anumita regiune este o v.a.c. cu repartiie normal de
parametri m = 400 mm i = 100 mm. S se calculeze probabilitatea ca
la anul viitor cantitatea de precipitaii atmosferice va intrece 500 mm
(evenimentul A).
Rezolvare. Densitatea de repartiie este

f ( x)
1
100 2
( x 400 ) 2
2 (100 ) 2
.
Folosim formula (8.2.46).
2
2
1
e ( x 400 ) /( 2*100 ) dx ]
In[50]:=N[ 500
100 2
Out[50]=0.158655
Sistemul Mathematica contine un pachet de programe dedicat
repartiiei normale. Acest pachet poate fi nstalat cu agutorul funciei
<<Statistics`NormalDistribution`. Dm un exemplu de utilizare a
acestui pachet.
Exemplul 11. Fie o v.a.c. cu repartiie normal de parametri m=3 i
=2. Se cere: 1) s se instaleze pachetul de programe
Statistics`NormalDistribution` ; 2) s se defineasc (introduc) v.a.c.
dat ; 3) s determine d.r. ; 4) s se construiasc linia de repartiie ; 5) s
se determine f.r.; 6) s se construiasc graficul f.r.; 7) s se construiasc,
pe acelai desen, graficele d.r. i a f.r.; 8) s se construiasc pe acelai
desen graficele d.r. a f.r. astfel, ca grosimea graficului densitii de
repartiie s fie egal cu 0,5 din grosimea standard, iar grosimea
graficului funciei de repartiie s fie egal cu 0,9 din grosimea standard.
Rezolvare. 1) Ne aflm (lucrm cu un document) n Sistemul
Mathematica. Instalm pachetul cerut de programe.
In k :Statistics`NormalDistribution`
2) Definim v.a.c. dat de repartiie normal i i dm numele rn.
In k 1 :rn NormalDistribution 3, 2
Out k 1 NormalDistribution 3, 2
3) Definim densitatea de repartiie i i nm numele drn.
In k 2 :drn PDF rn, x

1
Out k 2
3 x 2
4) Construim graficul densitii de repartiie drn folosind funcia Plot.
In k 3 :Plot drn, x, 10, 15


0.2
0.15
0.1
0.05
-10
-5
Out k 3 Graphics
10
15
5) Definim funcia de repartiie i i dm numele frn.
In k 4 : frn CDF rn, x

Out k 4
1
3 x
1 Erf
2
2 2
Aici funcia Erf este urmtoarea**

6) Construim graficul funciei de repartiie.
In k 5 : Plot frn, x, 0, 6
0.8
0.6
0.4
0.2
Out k 5 Graphics
7) Construim pe unul i acelai desen graficele densitii de repartiie

i al funciei de repartiie.
In k 6 : Plot
drn, frn , x, 0, 6

0.8
0.6
0.4
0.2
Out k 6 Graphics
8) Construim pe acelai desen graficul densitii de repartiie cu

grosimea egal cu 0,5 din grosimea standard i graficul funciei de
repartiie cu grosimea egal cu 0,9 din grosimea standard.
In k 7 : Plot
PlotStyle
drn, frn , x, 0, 6 ,
Hue 0.5 , Hue 0.9
0.8
0.6
0.4
0.2
Out k 7 Graphics
Pe ecran apare graficul densitii de repartiie de culoare albastr i

graficul funciei de repartiie de culoate roie.
Rezolvarea exerciiului s-a terminat. Rmune s scoatem valorile
parametrilor.
Clear[rn,drn,frn].

3.6.4. Repartiia gamma. Se spune c v.a.c. continu are repartiia

gamma de parametri a i b, dac densitatea de repartiie a ei este
x a 1e x b
, a 0, b 0, x 0,
f ( x) b a (a)
0, x 0,
(71)
unde este funcia gamma, care se definete prin egalitatea

(a)
t a 1 e t dt
.
Au loc egalitile M ba , D = b2a, [ ] b a .
3.6.5. Repartiia chi-ptrat (2). Se spune c variabila aleatoare
continu are repartiie chi-ptrat (2) de parametri r i dac ea are
densitatea de repartiie
0
x r 21e x ( 2 2 )
, 0, r N ,
f ( x) 2 r 2 r r 2
0,
x 0.
x 0,
(72)
Repartiia chi-ptrat este un caz particular al repartiiei gamma:
funcia (72) se obine din (71) pentru a = r/2 i b = 22. Folosind
rezultatele punctului precedent, deducem c pentru o variabil aleatoare
cu repartiia hi-ptrat (71) avem:
M = r2, D = 2r4, [] = 2r .
Se demonstreaz c dac 1, 2, ..., r sunt variabile aleatoare cu
repartiia normal de parametri m = 0 i = 1, atunci variabila aleatoare
12 22 ... 2r
are repartiie chi-ptrat de parametri = 1 i r.
3.7. Exerciii pentru lucrul individual

1. Este dat repartiia v.a. de tip discret :
x
: 1
p1
x2
p2
x3
p3
x4
p4

(datele numerice se conin pe variante dup enunul exerciiului). Se

cere: 1) s se introduc n Sistemul Mathematica repartiia v.a.d. ;
2) funcia de repartiie i graficul ei; 3) probabilitatea ca va lua valori
din intervalul [1; 4); 4) valoarea medie; 5) dispersia; 6) abaterea medie
ptratic; 7) momentele iniiale de ordine pn la 4 inclusiv; 8)
momentele centrate de ordine pn la 4 inclusiv; 9) asimetria; 10)
excesul.
1) x1=1, x2=0, x3=2, x4=3, p1=0,1, p2=0,5, p3=0,4, p4=0,2;
2) x1=0, x2=1, x3=7, x4=3, p1=0,6, p2=0,2, p3=0,1, p4=0,1;
3) x1=2, x2=1, x3=0, x4=1, p1=0,2, p2=0,4, p3=0,3, p4=0,1;
4) x1=1, x2=2, x3=5, x4=6, p1=0,1, p2=0,5, p3=0,3, p4=0,1;
5) x1=2, x2=3, x3=4, x4=3, p1=0,1, p2=0,2, p3=0,3, p4=0,4;
6) x1=1, x2=3, x3=4, x4=5, p1=0,2, p2=0,6, p3=0,1, p4=0,1;
7) x1=2, x2=4, x3=5, x4=6, p1=0,1, p2=0,4, p3=0,4, p4=0,1;
8) x1=1, x2=0, x3=1, x4=2, p1=0,4, p2=0,1, p3=0,3, p4=0,2;
9) x1=2, x2=1, x3=0, x4=1, p1=0,1, p2=0,2, p3=0,1, p4=0,6;
10) x1=0, x2=1, x3=2, x4=3, p1=0,6, p2=0,1, p3=0,2, p4=0,1;
11) x1=1, x2=2, x3=4, x4=5, p1=0,1, p2=06, p3=0,2, p4=0,1;
12) x1=2, x2=3, x3=5, x4=7, p1=0,1, p2=0,4, p3=0,3, p4=0,2;
13) x1=3, x2=4, x3=5, x4=6, p1=0,1, p2=0,5, p3=0,3, p4=0,1;
14) x1=1, x2=3, x3=4, x4=5, p1=0,2, p2=0,6, p3=0,1, p4=0,1;
15) x1=2, x2=4, x3=5, x4=6, p1=0,1, p2=0,6, p3=0,2, p4=0,1;
16) x1=0, x2=1, x3=3, x4=4, p1=0,5, p2=0,3, p3=0,1, p4=0,1;
17) x1=2, x2=1, x3=0, x4=2, p1=0,1, p2=0,4, p3=0,3, p4=0,2;
18) x1=1, x2=0, x3=1, x4=2, p1=0,1, p2=0,5, p3=0,3, p4=0,1;
19) x1=0, x2=1, x3=2, x4=3, p1=0,1, p2=0,6, p3=0,2, p4=0,1;
20) x1=1, x2=2, x3=3, x4=5, p1=0,2, p2=0,5, p3=0,1, p4=0,2;
21) x1=1, x2=0, x3=1, x4=2, p1=0,2, p2=0,4, p3=0,3, p4=0,1;
22) x1=2, x2=1, x3=0, x4=2, p1=0,3, p2=0,1, p3=0,4, p4=0,2;
23) x1=0, x2=1, x3=3, x4=4, p1=0,1, p2=0,3, p3=0,4, p4=0,2;
24) x1=1, x2=3, x3=5, x4=7, p1=0,2, p2=0,1, p3=0,3, p4=0,4;
25) x1=2, x2=3, x3=4, x4=5, p1=0,4, p2=0,2, p3=0,1, p4=0,3;
26) x1=0, x2=2, x3=3, x4=5, p1=0,3, p2=0,4, p3=0,2, p4=0,1;
27) x1=1, x2=2, x3=3, x4=5, p1=0,2, p2=0,3, p3=0,4, p4=0,1;
28) x1=2, x2=3, x3=5, x4=6, p1=0,3, p2=0,4, p3=0,1, p4=0,2;

29) x1=1, x2=4, x3=5, x4=6, p1=0,4, p2=0,1, p3=0,2, p4=0,3;

30) x1=1, x2=3, x3=4, x4=5, p1=0,1, p2=0,2, p3=0,3, p4=0,4.
2. Presupunem c probabilitatea statistic ca un copil nou nscut s fie
biat este egala cu 0.51. Se cere: 1) s se determine repartiia v.a. care
reprezint numrul de biei printre 1000 de copii noi nscui; 2) s se
calculeze probabilitatea ca printre 1000 de copii noi nscui numrul
bieilor va fi cuprims ntre 300+k i 500+k, unde k este numrul
variantei.
3. Numrul de particule alfa emise de un gram de substan
radioactiv ntr-o secund este o v.a.d. cu repartiia Poisson cu parametrul
a, unde a este numrul mediu de particule alfa emise ntr-o secund. 1) S
se determine seria de repartiie a v.a.d. .
2) S se calculeze
probabilitile evenimentelor: A = ntr-o secund vor fi emise nu mai
mult de dou particule alfa i B = ntr-o secund vor fi emise cinci
particule alfa, C = ntr-o secund vor fi emise mai mult de zece
particule alfa. Care este numrul de particule alfa care corespunde celei
mai mari probabiliti? S se considere c a=1+0,25n, unde n este
numrul variantei.
4. S se scrie legea de repartiie a variabilei aleatoare care
reprezint numrul de aruncri nereuite ale unui zar pn la prima
apariie a numrului 4. S se calculeze probabilitatea ca numarul
aruncrilor nereusite va varia intre 5+k si 15+k , unde k este numrul
variantei..
5. V.a.c. este definit de densitatea sa de repartiie f(x). S se
determine: 1) reprezentarea v.a.c. n Sistemul Mathematica; 2) linia de
repartiie; 3) funcia de repartiie F(x) i graficul ei, 4) valoarea ei medie;
5) dispersia; 6) abaterea medie ptratic; 7) coeficientul de variaie; 8)
momentele iniiale de ordinele pn la 4 inclusiv, 9) momentele centrale
de ordinele pn la 4 inclusiv; 10) asimetria; 11) excesul; 12)
probabilitatea ca va lua valori din prima jumtate a intervalului de
valori posibile. Funcia f(x) este dat pe variante.

( x 1) 2 , x [1,3],
0, x [1,3];
2( x 1) 9 , x [1,4],
0, x [1,4];
1) f ( x)
f ( x)
2)
( x 1) 2 , x [1,3],
0, x [1,3];
2) f ( x)
2 x 2, x [1,2],
0, x [1,2];
4) f ( x)
1) f ( x)
3) f ( x)
2( x 1) 9 , x [1,4],
0, x [1,4];
( x 1) 8 , x [1,5],
0, x [1,5];
2( x 1) 25 , x [1,6],
0, x [1,6];
5) f ( x)
6)
( x 1) 18 , x [1,7],
2( x 1) 49 , x [1,8],
7) f ( x)
0, x [1,7];
0, x [1,8];
f ( x)
2( x 2), x [ 2,3],
( x 2) 2 , x [2,4],
9) f ( x)
10)
0, x [ 2,3];
0, x [2,4];
8) f ( x)
2( x 2) 9 , x [ 2,5],
0, x [2,5];
f ( x)
( x 2) 8 , x [ 2,6],
0, x [2,6];
11) f ( x )
2( x 2) 25 , x [2,7],
0, x [2,7];
( x 2) 18 , x [2,8],
13) f ( x)
0, x [2,8];
2( x 2) 49 , x [2,9],
f ( x)
0, x [2,9];
12) f ( x)
14)

( x 3) 2 , x [3,5],
2 x 6, x [3,4],
16) f ( x)
17)
0, x [3,4];
0, x [3,5];
15) f ( x)
2( x 3) 9 , x [3,6],
( x 3) 8 , x [3,7],
18) f ( x)
19)
0, x [3,6];
0, x [3,7];
f ( x)
2( x 3) 25 , x [3,8],
( x 3) 18 , x [3,9],
20) f ( x )
0, x [3,8];
0, x [3,9];
f ( x)
(2 x) 2 , x [0,2],
( 4 x) 8 , x [0,4],
22) f ( x)
0, x [0,2];
0, x [0,4];
(6 x) 18 , x [0,6],
23) f ( x)
24)
0, x [0,6];
(8 x) 32, x [0,8] ,
f ( x)
0, x [0,8];
(10 x) 50 , x [0,10],
25) f ( x)
26)
0, x [0,10];
21) f ( x)
2(1 x), x [0,1],

0, x [0,1];
2(3 x) 9 , x [0,3],
27) f ( x)
28)
0, x [0,3];
2(5 x) 25 , x [0,5],
f ( x)
0, x [0,5];
2(7 x) 49 , x [0,7],
29) f ( x)
30)
0, x [0,7];
2(9 x) 81, x [0,9],
f ( x)
0, x [0,9].
6.V.a. are repartiia normal cu valoarea medie m i cu abaterea
medie ptratic . 1) s se instaleze pachetul de programe
Statistics`NormalDistribution` ; 2) s se defineasc (introduc) v.a.c.
dat ; 3) s se defineasc (determine) densitatea de repartiie ; 4) s se
f ( x)

construiasc linia de repartiie ; 5) s se defineasc (determine) funcia de

repartiie ; 6) s se construiasc graficul funciei de repartiie ; 7) s se
construiasc pe acelai desen graficele densitii de repartiie i al funciei
de repartiie ; 8) s se construiasc pe acelai desen gfaficele densitii de
repartiie i al funciei de repartiie astfel, ca grosimea graficului
densitii de repartiie s fie egal cu 0,5 din grosimea standard, iar
grosimea graficului funciei de repartiie s fie egal cu 0,9 din grosimea
standard; 9) S se calculeze probabilitatea ca s ia valori din intervalul
[, ]. Valorile lui m, , i sunt date pe variante.
1)m=3, =2, =2, =8; 2)m=4, =2, =2, =7; 3)m=5, =2, =2, =6;
4)m=6, =2, =4, =9; 5)m=7, =2, =4, =8; 6)m=9, =2, =6, =9;
7)m=9, =2, =7, =12; 8)m=3, =3, =2, =5; 9)m=4, =3, =2, =7;
10)m=5, =3, =4, =7; 11)m=6, =3, =4, =9; 12)m=7, =3, =6,
=9; 13)m=8, =3, =5, =9; 14)m=9, =3, =7, =10; 15)m=5, =4,
=4, =8; 16)m=6, =4, =4, =9; 17)m=7, =4, =5, =8; 18)m=8,
=4, =5, =9; 19)m=9, =4, =7, =10; 20)m=6, =5, =4, =7;
21)m=7, =5, =4, =9; 22)m=8, =5, =5, =9; 23)m=8, =5, =6,
=9; 24)m=8, =5, =7, =9; 25)m=2, =2, =1, =3; 26)m=3, =2,
=1, =4; 27)m=4, =2, =1, =5; 28)m=4, =3, =2, =5; 29)m=5,
=2, =1, =6; 30)m=6, =3, =2, =8.
7. nlimea unui brbat este o v.a. cu repartiia normal. Presupunem
c aceast repartiie are parametrii m=175+(-1)n/n cm i =6-(-1)n/n cm.
S se formeze programul de conficionate a costumelor brbteti pentru
o fabric de confecii care se refer la asigurarea cu costume a brbailor,
nlimile crora aparin intervalelor: [150, 155), [155, 160), [160, 165),
[165, 170), [170, 175), [175, 180), [180, 185), [185, 190), [190, 195),
[195, 200], n fiind numarul variantei, n=1,2,30.
8. Presupunem c o convorbire telefonic dureaz n medie 5 minute
i este o v.a. de repartiie exponenial. 1) S se introduc n Sistemul
Mathematica d.r. a v.a.c. . 2) S se determine funcia de repartiie i s se
construiasc graficul ei. 3) Dac v apropriai de o cabin telefonic
imediat dup ce o persoan a ntrat n ea atunci care este probabilitatea c
o s ateptai nu mai mult de 2+n/3 minute, unde n este numrul
variantei, n=1,2,,30?

9. Un autobus circul regulat cu intervalul 30 minute. 1) S se scrie n

Sistemul Mathematica d.r. a v.a.c. care reprezint durata ateptrii
autobusului de ctre un pasager care soseste in staie ntr-un moment
aleator de timp. 2) S se construiasc linia de repartiie. 3) S se
determine f.r.e i s se construiasc graficul ei. 4) Care este probabilitatea
c, sosind in staie, pasagerul va atepta autobusul nu mai mult de
10+n/2 minute, unde numrul n coincide cu numrul variantei.
10. Cantitatea anual de precipitaii atmosferice are repartiie
normal. Presupunem c anual, cantitatea de precipitaii ntr-o anumita
regiune este o v.a. aleatoare de repartiie normal de parametrii m = 500
(mm) i = 150. Care este probabilitatea c in anul viitor cantitatea de
precipitaii va fi cuprins ntre 400+5n i 500+5n, unde n este numrul
variantei. Dac considerm c un an este secetos cnd cantitatea de
precipitaii nu depete 300 mm, atunci care este probabilitatea c doi
din viitorii zece ani vor fi secetoi?
4. Sisteme de variabile aleatoare (v.a.

multidimensionale sau vectori aleatori)
4.1. Introducere
In acest paragraf se conine o trecere in revista a teoriei referitoare la
sisteme de variabile aleatoare (v.a. multidimensionale sau vectori

aleatori) i se propun exemple de rezolvare a problemelor respective cu

ajutorul Sistemului de programe Mathematica. n afar de funciile
definite anterior, n acest paragraf se aplic i alte funcii i opiuni ne
folosite anterior:
Plot3D care construiete grafice ale funciilor reale de dou variabile
reale;
PlotRange care impune valori dorite pe axa Oy n cazul funciei Plot i
pe axa Oz n cazul funciei Plot3D;
PlotStyle care impune un anumit stil, anumite dimensiuni ale elementelor
graficului;
PointSize care impune dimensiuni dorite ale punctelor graficelor;
ListPoint care construiete punctele cu coordonatele date ntr-o list
Apply[Plus,p,1] care calculeaz suma elementelor liniilor matricei p i
scrie aceste sume n form de o linie.
4.2. Sisteme de variabile aleatoare (v.a. multidimensionale).

Funcia de repartiie
4.2.1. Noiune de v.a. multidimensionale. Rezultatul unor experiene
aleatoare sunt descrise nu cu o singur variabil aleatoare dar cu ajutorul
a dou, trei sau mai multe variabile aleatoare. n acest caz spunem c
avem de a face cu un sistem de variabile aleatoare (v.a.
multidimensionale sau vectori aleatori), prescurtat, s.v.a.
De exemplu, coordonatele punctului de aterizare a unui aparat cosmic
reprezint un sistem de dou variabile aleatoare.
Definiie. Fie (, K, P) un cmp de probabilitate i :R, :R
sunt dou variabile aleatoare. Se numete sistem de dou variabile
aleatoare ( v.a. 2-dimensionala sau vector aleator 2-dimensional) o
funcie :R2, unde () = ((),()), .
Sistemul de variabile aleatoare definit de variabile aleatoare i se
noteaz cu (, ).
Asemntor se definete i un sistem de n variabile aleatoare. Un
sistem de n variabile aleatoare se numete i v.a. n- dimensional sau
vector aleator n-dimensional.

V.a. i , care definesc sistemul de variabile aleatoare (, ) se

numesc variabile aleatoare marginale, iar legile lor de repartiie se
numesc legi de repartiie marginale.
4.2.2. Funcia de repartiie. Pentru a simplifica scrierile, n cele ce
urmeaz vom considera un sistem de dou variabile aleatoare.
Definiie. Fie (, ) un sistem de dou variabile aleatoare. Se numete
funcie de repartiie a acestui sistem funcia F : R2R definit prin
egalitatea
F(x, y) = P( < x; y ).
(1)
Ca i n cazul unei variabile aleatoare partea dreapt a egalitii
(8.3.2.1) reprezint probabilitatea evenimentului
{: () < x i () < y} = {<x}{<y}.
4.2.3. Proprieti ale funciei de repartiie. Funcia de repartiie
F(x, y) a unui s.v.a. (, ) are proprietile:
1) 0 F(x, y) 1, (x, y)R2 ;
2) F(x, y) este nedescresctoare n raport cu fiecare variabila x sau y in
parte;
3) F(x, y) este continu la stnga n raport fiecare variabila x sau y in
parte;
4) F(, y) = F(x, ) = F(, ) = 0;
5) F(, ) = 1;
6) Au loc egalitile
F(, y) = F(y), F(x, ) = F(x),
(2)
unde F(x) i F(y) sunt funciile de repartiie ale variabilelor aleatoare
i, respectiv, , adic sunt funciile de repartiie marginale.
4.2.4. Probabilitatea ca un s.v.a. s ia valori dintr-un dreptunghi.
Independenta v.a. Fie R un dreptunghi cu laturile paralele cu axele de
coordonate i cu vrfurile (, ), (, ), (, ) i (, ):
R {( x, y ) : x , y }
Atunci probabilitatea P[(, )R] ca punctul aleator (, ) s aparin

dreptunghiului R se calculeaz conform formulei
P[(, )R] = F(, ) F(, ) F(, ) + F(, ).
(3)

Definitie. Vom spune ca v.a. , sunt

independente
daca
P[(, )R]= P < , < P{ }P{ ) .

4.2.5. Funcia de repartiie condiionat
Definiie. Se numete funcie de repartiie condiionat a unei
variabile aleatoare dintr-un sistem (, ) funcia ei de repartiie calculat
cu condiia c cealalt variabil aleatoare ia o valoare dintr-un anumit
interval.
Fie c F(x, y) este funcia de repartiie a sistemului de variabile
aleatoare (, ). Din definiia funciei de repartiie i formula de nmulire
a probabilitilor obinem:
F(x, y) = P( x; y) = P( x)P[( y) ( x)] =
F(x)P[( y) ( x)].
Notnd
F(y x) = P[( y) ( x)],
din egalitatea precedent obinem
F(x, y) = F(x)F(y x).
(4)
Asemntor se obine egalitatea
F(x, y) = F(y)F(x y),
(5)
unde
F(x y) = P[( x) ( y)].
Funcia F(x y) este funcia de repartiie a variabilei aleatoare
condiionat de evenimentul ( y), iar F(y x) este funcia de
repartiie a variabilei aleatoare condiionat de evenimentul ( x).
Dac i sunt variabile aleatoare independente, atunci
F(x y) = F(x) i F(y x) = F(y)
si din (8.3.2.4) si (8.3.2.5) rezult:
F(x, y) = F(x)F(y).
(6)
Egalitatea (8.3.2.6) este o condiie necesar i suficient ca variabilele
aleatoare i din sistemul (, ) s fie variabile aleatoare independente
4.2.6. Exemple
Exemplul 1. S.v.a. (, ) are funcia de repartiie
1 3 x 3 y 3 x y , ( x , y ) D,
F ( x, y )
0, ( x, y ) D;

unde
D {( x, y ) : 0 x , 0 y } .
1) S se introduc n Sistemul Mathematica funcia F(x,y).

2) S se construiasc graficul funciei F(x,y) pe domeniul
D1 {( x, y ) : 0 x 2, 0 y 3} .
3) S se calculeze probabilitatea ca punctul aleator (, ) s aparin
ptratului
D2 {( x, y ) : 0 x 1 / 2, 0 y 1 / 3} .
Rezolvare. 1) Introducem funcia de repartiie F(x,y) in Sistemul

Mathematica.
In k1 1 :F x_, y_ :1 3 x 3
x y
In k1 1 : F x_, y_ : 1 3 3
3 x y;
In[k1+1]:=F[x_,y_]:=13x3y+3x+y;
Observaie. n cele trei linii imediat precedente este scris acelai text
n trei moduri diferite. n prima din aceste linii a fost introdus
instruciunea respectiv din Mathematica n Word aplicnd algoritmul :
Edit, PasteSpecial, Picture(EnhancedMetafile), OK ; n a doua
algoritmul : Edit, PasteSpecial, Picture, OK. n linia a treia acelai text
este scris n Word. Care mod de scriere este mai potrivit ?...
2) Construim graficul funciei F(x,y) cu ajutorul funciei Plot3D care
construiete graficul funciei de dou variabile.
In k1 2 : Plot3D F x, y , x, 0, 4 , y, 0, 5

1
0.75
0.5
0.25
0
0
5
4
3
2
Out k1 2
SurfaceGraphics
3) Calculm probabilitatea cerut conform formulei (3).
In k1 3 :N F 1 2, 1 3 F 0, 1 3 F 1 2, 0 F 0, 0
Out k1 3 0.129601
Am obinut P((,)D2) 0,129601.

Rezolvarea exerciiului s-a terminat. Scoatem expresia atribuit
funciei F(x,y) n acest exemplu.
In[k1+4]:=Clear[F].
4.3. V.a. multidimensionale de tip discret si caracteristicele lor

numerice
4.3.1. Definiia s.v.a. de tip discret (s.v.a.d.). Dac n s.v.a. (, ) v.a.
i sunt de tip discret, atunci acesta se numete sistem de v.a. de tip
discret (s.v.a.d.).
Din definiie rezult c mulimea de valori ale unui sistem de variabile
aleatoare discrete este o mulime finit sau infinita, cel mult, numerabil.
4.2.2. Matricea de repartiie. Fie (, ) o v.a.d., iar x1, x2, , xm, x1 <
x2 < < xm, sunt valorile posibile ale v.a. , y1, y2, , yn, y1 < y2 < <
yn, sunt valorile posibile ale variabilei aleatoare i
pij = P( = xi; = yj )
(7)

sunt probabilitile ca v.a. (, ) s primeasc valoarea (xi, yj), i = 1, 2,,

m; j = 1, 2,, n. Cum evenimentele (, ) = (xi, yj), i = 1, 2,, m; j = 1, 2,
, n, formeaz un sistem complet de evenimente, are loc egalitatea
i 1
j 1
pij 1 .
(8)
Este comod s scriem repartiia v.a. (, ) n form de tabel (tabelul

(9)), care se numete matrice de repartiie . Aceast repartiie se mai
numete si repartiie in ansamblu a v.a.
\
x1
x2
xi
xm
y1
p11
p21
pi1
pm1
y2
p12
p22
pi2
pm2
yj
p1j
p2j
pij
pmj
yn
p1n
p2n
pin
pmn
(9)
Avnd matricea de repartiie (9), se poate calcula funcia de repartiie a
sistemului (, ) conform formulei
F(x, y) =
ij
xi x y j y
(10)
4.2.3. Determinarea repartiiilor marginale. Fie (, ) un sistem de

variabile aleatoare discrete cu matricea de repartiie (9). Valorile posibile
ale variabilei aleatoare sunt x1, x2,, xm. Probabilitile px1 , p x2 , ,
px
ale acestor valori se calculeaz conform formulelor

p xi
n
j 1
pij , i = 1, 2,, m,
(11)
Repartiia marginal a variabilei aleatoare este:
1
:
p
x1
x2
p x2
...
...
xm
p xm
(12)
iar repartiia marginal a variabilei aleatoare din sistemul (, ) cu

repartiia in ansamblu (9) este

y1
y2
... y n
p
y
py
...
unde
py j
m
i 1
py
n
(13)
pij , j = 1, 2,, n
(14)
Evident, c dac variabilele aleatoare sunt independente, atunci
pij = p x p y , i = 1, 2,, m j = 1, 2,, n.

i
j
(15)
Este valabila si reciproca.

4.2.4. Caracteristici numerice ale unui s.v.a.d.
Definiie. Se numete moment iniial de ordinul k+s al s.v.a.d. (, )
mrimea, notat cu k,s i egal cu sperana matematic a produsului ks
k,s = M ks, k, s = 0, 1, 2,
(16)
Din (16) i formula de calcul al valorii medii a v.a.d., rezult formula
de calcul al momentelor iniiale
k ,s
i 1
j 1
xik y sj pij , k, s = 0, 1, 2,
(17)
Momentele iniiale de ordine 1+0 i 0+1 coincid cu valorile medii ale

variabilelor i, respectiv, . Formulele de calcul ale valorilor medii
sunt:
M =
xi pij , M =
y j pij .
(18)
Aceste valori medii se noteaz i cu m i m. Valorile medii pot fi

calculate i pe baza repartiiilor marginale:
M = xi p x , M = y j p y j .
i
(19)
Definiie. Se numete moment centrat de ordinul k+s al sistemului de

variabile aleatoare (, ), mrimea notat cu k,s, egal cu sperana
matematic a produsului variabilelor centrate ok os :
k , s M [ ok os ] , k, s = 0, 1, 2,...
(20)
Formula de calcul al momentelor centrate este:

k ,s
i 1
j 1
( xi m ) k ( y j m ) s pij , k, s = 0, 1, 2 , (21)

Momentul centrat 2,0 este dispersia variabilei aleatoare iar

momentul centrat 0,2 este dispersia variabilei aleatoare . Formulele de
calcul al dispersiilor sunt:
D =
(xi m )2 pij , D =
(y j m )2 pij . (22)
Dispersiile pot fi calculate i pe baza repartiiilor marginale:
D = (xi m )2 p x , D = (y j m )2 p y j . (23)
i
Abaterile medii ptratice ale variabilelor i se definesc prin egalitile

D , D .
(24)
Definiie. Momentul centrat de ordinul 1+1 se numete covariana sau
moment de corelaie a sistemului de variabile aleatoare.
Covariana unui sistem de variabile aleatoare ( ) se noteaz cu
C , sau cu cov( ). Formula de calcul al covarianiei este
C
i 1
j 1
( xi m )( y j m ) pij .
(25)
Dac C = 0, atunci se spune c variabilele aleatoare i sunt

necorelate. Dac ns C 0, atunci se spune c i sunt corelate. Au
loc egalitile
C = C , C = D, C = D.
(26)
Matricea
C C
Cov(, )
(27)
C C
se numete matrice a covarianelor.
Definiie. Se numete coeficient de corelaie a unui sistem de variabile
aleatoare (, ) mrimea, notat cu r (sau k) i definit prin egalitatea
C
r
.
(28)
Matricea
r r
K
(29)
r r
se numete matrice a corelaiilor.

Propozitie (Proprietile coeficientului de corelaie). Coeficientul de

corelatie r poseda urmtoarele proprietati:
1) Dac variabilele aleatoare i sunt independente, atunci r = 0.
2) Are loc relaia 1 r 1.
3) Dac r = 1, atunci ntre i exist, cu probabilitatea 1, o
dependen funcional liniar de form = a + b, unde a > 0.
4) Dac r = 1, atunci ntre i exist, cu probabilitatea 1, o
dependen funcional liniar de forma = a + b, unde a < 0.
5) Dac ntre i exista, cu probabilitatea 1, o dependen
funcional liniar de forma = a + b,atunci r=1.
6) Dac r = 0, atunci de aici nu rezult c variabilele i sunt
independente. Rezult doar faptul c i sunt necorelate, adic ntre
i nu exist o dependen funcionalar. O alt dependen este
posibil.
7) Au loc egalitile r = r =1.
Remarca. Reciproca proprietatii 1) nu are loc deoarece poate fi adus
un Contraexemplu de 2 v.a. dependente, dar pentru coeficientul lor de
corelatie sa fie diferit de zero.
4.2.5. Exemplu de determinare a caracteristicelor numerice
Exemplul 2. Se d un sistem de variabile aleatoare (, ) prin
matricea sa de repartiie:
\
5
10
15
10
a
0
0
15
0,10
0,2
0,05
20
0
0,10
0,15
25
0
0,05
0,20
(30)
Se cere : 1) s se defineasc (introduc) n Sistemul Mathematica
sistemul de v.a. dat; 2) s se determine constanta a; 3) s se introduc n
Sistemul Mathematica sistemul de v.a. dat cu precizarea valorii
parametrului a; 4) s se calculeze valorile medii m i m; 5) s se
calculeze dispersiile D i D; 6) s se calculeze abaterile medii ptratice
i ; 7) s se calculeze covariaia C; 8) s se calculeze coeficientul
de corelaie r; 9) s se scrie matricea covariaiilor; 10) s se scrie
matricea corelaiilor.

Rezolvare. 1) Introducem sistemul de v.a. (, ) in Sistemul

Mathematica n form de o list elementele creia sunt liste ale
elementelor din liniile tabelului (30), pe care o notm cu p.
In k2 1 :
p
0, 10, 15, 20, 25 , 5, a, 0.1, 0, 0 ,
10, 0, 0.2, 0.1, 0.05 , 15, 0, 0.05, 0.15, 0.2
Scriem lista p n form de matrice

In k2 2 : MatrixForm p
0 10 15
5 a 0.1`
Out k2 2
10 0 0.2`
15 0 0.05`
20
0
0.1`
0.15`
25
0
0.05`
0.2`
(31)
Am obinut matricea p. Trebuie s avem n vedere care elemente din
aceast matrice sunt valorile posibile ale variabilelor aleatoare i care
sunt probabiliti.
2) Determinm constanta a din condiia (8).
In k2 3 : Solve
p i, j
1, a
i2 j2
Out k2 3
a 0.15
Am obinut a = 0,15.
3) Scriem matricea (31) cu valoarea determinat a parametrului a i
notm matricea obinut cu p.
In k2 4 :
p
0, 10, 15, 20, 25 , 5, 0.15, 0.1, 0, 0 ,
10, 0, 0.2, 0.1, 0.05 , 15, 0, 0.05, 0.15, 0.2

Out k2 4
p
0, 10, 15, 20, 25 , 5, 0.15, 0.1, 0, 0 ,
10, 0, 0.2, 0.1, 0.05 , 15, 0, 0.05, 0.15, 0.2
Scriem lista p n form de matrice

In k2 5 : MatrixForm p
0 10
5 0.15
Out k2 5 p
10 0
15 0
15
0.1
0.2
0.05
20
0
0.1
0.15
25
0
0.05
0.2
(32)

Am obinut matricea p.
4) Calculm valorile medii m i m conform formulelor (18).
4
In k2 6 : m
i, 1
i, j
i, j
j2
i2
Out k2 6 10.75
In k2 7 : m
1, j
i2
j2
Out k2 7 18.
Am obtinut valorile medii m = 10,75 i m = 18.

5) Calculm dispersiile conform formulelor (22).
4
In k2 8 : D
i, 1
m 2
i, j
i, j
j2
i2
Out k2 8 15.6875
5
In k2 9 : D
1, j
m 2
i2
j2
Out k2 9 26.
Am obinut dispersiile D = 15,6875 i D = 26.

6) Calculm abaterile medii ptratice conform formulelor (24).
In k2 10 :
Out k2 10 3.96074
In k2 11 :
Out k2 11 5.09902
Am obinut = 3,96074 i = 5,09902;

7) Calculm covariana conform formulei (25)
In k2 12 :
C
i, 1
m p
1, j
m p
i, j
i2 j2
Out k2 12 15.25
8) Calculm coeficientul de corelaie. Aplicm formula (28)
In k2 13 : r
Out k2 13 0.755103
9) Scriem matricea covarianelor (27), innd cont de (26) i

rezultatele punctului 5.
D C
C D
15.6875 15.25
Out k2 14
15.25
26.
In k2 14 : Cov ,
MatrixForm
10) Scriem matricea corelaiilor conform (29) i innd cont de

proprietatea 8 a corelaiei.
1 r
r 1
1
0.755103
Out k2 15
0.755103 1
In k2 15 : Kor ,
MatrixForm
Rezolvarea exerciiului 2 s-a terminat.

Exemplul 3. Fiind dat sistemul de variabile aleatoare () definit n
exemplul 2 prin matricea (30), se cere : 1) s se determine repartiiile
marginale ale v.a.d. i ; 2) s se determine dac v.a.d. i din
sistemul (, ) sunt independente sau nu.
Rezolvare. 1) Repartiiile marginale pot fi determinate conform
formulelor (11) (14). Definim doi vectori x i y, coordonatele crora
sunt valorile posibile ale v.a. i, respectiv .
In k4 1 : x 5, 10, 15
Out k4 1 5, 10, 15
In k4 2 : y 10, 15, 20, 25
Out k4 2 10, 15, 29, 25
Definim matricea pxy elementele creia sunt probabilitile din

matricea p.
In k4 3 :
pxy
0.15, 0.1, 0, 0 , 0, 0.2, 0.1, 0.05 ,
0, 0.05, 0.15, 0.2

Out k4 3 0.15, 0.1, 0, 0 , 0, 0.2, 0.1, 0.05 ,
0, 0.05, 0.15, 0.2
Scriem matricea pxy n form matriceal.
In k4 4 : MatrixForm pxy
0.15 0.1 0
0
Out k4 4 0
0.2 0.1 0.05
0
0.05 0.15 0.2
Determinm probabilitile coordonatelor vectorilor x i y.

In k4 5 : px Apply Plus, pxy, 1
Out k4 5 0.25, 0.35, 0.4
In k4 6 : py Apply Plus, Transpose pxy , 1
Out k4 6 0.15, 0.35, 0.25, 0.25
Scriem repartiiile marginale n form matriceal.

In k4 7 : x, px
5
Out k4 7 :
0.25
In k4 8 : y, py
10
Out k4 8
0.15
MatrixForm
10
15
0.35 0.4
MatrixForm
15
20
25
0.35 0.25 0.25
Am obinut repartiiile marginale ale variabilelor i

2) Conform teoriei trebuie verificate egalitile (15). Construim
matricea pxipyj elementele creia sunt p xi p y j , nmulind n prealabil,
separat, fiecare probabilitate p xi din repartiia marginal a lui cu
probabilitile din repartiia marginal a lui . Astfel crend liniile

matricei pxipyj.
In k4 9 : px1py px 1 py
Out k4 9 0.0375, 0.0875, 0.0625, 0.0625
Out k4 10 0.0525, 0.1225, 0.0875, 0.0875
Out k4 11 0.06, 0.14, 0.1, 0.1
Scriem liniile matricei pxipyj n forma matriceal.
In k4 12 : pxipuj MatrixForm px1py, px2py, px3py

0.0375 0.0875 0.0625 0.0625
Out k4 12 0.0525 0.1225 0.0875 0.0875
0.06
0.14
0.1
0.1
Scriem alturi i matricea pxy alctuit din probabilitile sistemului

(, ):

0.15 0.1 0
0
pxy 0
0.2 0.1 0.05
0
0.05 0.15 0.2 -
Observm c elementele acestor matrice nu coincid. Facem concluzia c

v.a. i di sistemul (, ) dat n exemplul 2 sunt dependente.
Rezolvarea exemplului 3 s-a terminat.
4.2.6. Repartiii condiionate
Definiie. Prin repartiie condiionat a unei variabile aleatoare
discrete din sistemul (, ) se nelege repartiia acestei variabile cu
condiia c cealalt variabil ia o valoare concret.
Fie (, ) un sistem de variabile aleatoare discrete cu matricea de
repartiie (9). Vom stabili o regul de determinare a repartiiilor
condiionate ale variabilelor i .
Din formula de nmulire a probabilitilor avem:
pij = P(= xi; = yj) = P(= yj)P(= xi = yj) = p y j P(= xi = yj).
Notnd cu p xi ! y j probabilitatea c = xi cu condiia c = yj:
px
= P( = xi = yj),
din egalitatea precedent obinem:
px
yj
yj
p ij
pyj
, i = 1, 2,, m; j = 1, 2,, n.
(33)
Deci repartiia variabilei aleatoare condiionat de = yj este

x2
...
xm
x1
, j = 1, 2,, n. (34)
yj : p
x1 y j p x2 y j ... p xm y j
Asemntor se arat c repartiia variabilei aleatoare condiionat de

evenimentul = xi este:
y1
xi :
py x
1 i
y2
...
p y 2 xi
...
yn
p yn
xi
, i = 1, 2,, m,
(35)
unde
pyj
xi
p ij
p xi
, i = 1, 2,, m; j = 1, 2,, n.
(36)

4.2.7. Caracteristice numerice ale v.a. condiionate. Caracteristicele

numerice ale variabilelor i calculate pe baza repartiiilor condiionate
(34) i (35) se numesc caracteristici numerice ale v.a. condiionate.
Definiie. Se numete valoare medie condiionat a unei v.a. din
sistemul (, ) valoarea medie a uneia din v.a. calculat cu condiia c
cealalt variabil aleatoare ia o valoare concret.
Valoarea medie a variabilei condiionat de evenimentul = yj se
noteaz cu M[ | y j ] , j = 1, 2,, n, iar valoarea medie a variabilei
condiionat de evenimentul = xi se noteaz cu M[ | xi ] , i = 1, 2,,
m. Din definiia precedent, (34), (35) i formula de calcul a valorii medii
rezult c:
M [ y j ]
M [ xi ]
m
i 1
n
j 1
xi p x
yj
y j py j
xi
, j = 1, 2,, n;
, i = 1, 2,, m.
(37)
(38)
Cum n definiiile momentelor iniiale i a momentelor centrate ale

unui sistem de variabile aleatoare se conine noiunea valoare medie, pot
fi definite i momentele respective condiionate.
4.2.8. Noiune de regresie
Definiie. Se numete regresie a variabilei aleatoare n raport cu
funcia x = M[ | y] definit pe mulimea valorilor posibile ale lui . Se
numete regresie a variabilei aleatoare n raport cu funcia
y = M[ | x] definit pe mulimea valorilor posibile ale lui .
Exemplul 4. Fiind dat s.v.a.d. () definit n exemplul 2 prin
matricea (30), s se determine : 1) repartiia v.a.d. condiionat de
evenimentul (=10) ; 2) repartiia v.a.d. condiionat de evenimentul
(=15) ; 3) valoarea medie condiionata a v.a.d. ; 4) valoarea medie
condiionata a v.a.d. ; 5) s se determine n form de matrice funcia de
regresie a v.a.d. ; 6) s se determine n form de matrice funcia de
regresie a v.a.d. ; 7) linia de regresie a v.a.d. n raport cu ; 8) linia de
regresie a v.a.d. n raport cu .

Rezolvare. Sistemul de v.a.d. a fost introdus n Sistemul Mathematica

cu ajutorul matricei p. Vom folosi i vectorii x i y care au fost definii n
exemplul 3.
1) Determinm repartiia v.a.d. condiionat de evenimentul (=10).
Notm lista probabilitilor din aceast repartiie cu 10.
In k3 1 : 10 Table
i, 2
4 p
i2
i, 2
, i, 2, 4
Out k3 1 1., 0, 0
Scriem repartiia condiionat obinut n form de matrice.

In k3 2 : x, 10
MatrixForm
5 10 15
Out k3 2
1. 0 0
2) Determinm repartiia v.a.d. condiionat de evenimentul (=15).

Notm lista probabilitilor din aceast repartiie cu 15.
In k3 3 : 15 Table
4, j
5 p
j2
4, j
, j, 2, 5
Out k3 3 0, 0.125, 0.375, 0.5
Scriem repartiia condiionat obinut n form de matrice.

In k3 4 : y, 15
MatrixForm
10 15
20
25
Out k3 4
0 0.125` 0.375` 0.5`
3) Determinm speranele matematice condiionate ale v.a.d. i

notm cu m lista lor.
In k3 5 : m Table
4 p
i2
i, 1
4 p
i2
i, j
i, j
, j, 2, 5
Out k3 5 5., 9.28571, 13., 14.
4) Determinm speranele matematice condiionate ale v.a.d. i

notm cu m lista lor
In k3 6 : m Table
5 p
j2
1, j
5 p
j2
i, j
i, j
, i, 2, 4
Out k3 6 12., 17.8571, 21.875
5) Scriem n form de matrice funcia de regresie a v.a.d. .
In k3 7 : y, m
MatrixForm

10 15
20 25
5. 9.28571 13. 14.
Out k3 7
6) Scriem n form de matrice funcia de regresie a v.a.d. .
In k3 8 : x, m
MatrixForm
5
10
15
Out k3 8
12. 17.8571 21.875
7) Construim linia de regresie a v.a.d. n raport cu .
In k3 9 :
ListPlot
10, 5 , 15, 9.8571 , 20, 13 , 25, 14
PlotRange 0, 15 , PlotStyle PointSize 0.025

14
12
10
8
6
4
12
14
16
18
Out k3 9 Graphics
20
22
24
8) Construim linia de regresie a v.a.d. n raport cu .
In k3 10 : ListPlot
5, 12 , 10, 17.8571 , 15, 21.875
PlotRange 0, 25 , PlotStyle PointSize 0.025

25
20
15
10
10
Out k3 10 Graphics
12
14

Rezolvarea exemplului s-a terminat. Scoatem valorile atribuite

notaiilor n exemplele 2, 3 i 4. Aceasta trebuie efectuat, deoarece n
careva din exemplele urmtoare aceste notaii se vor folosi iari, dar vor
reprezenta alte entiti.
Clear[p,a,p,m,m,D,D, , ,C,r,Cov(,),Kor(,),x,y,pxy,
px,py,px1py,px2py,px3py,pxipyj,10,15,m,m].
4.3. Vectori aleatoari continui (v.a.c.)

4.3.1. Noiuni generale. Dac v.a. i care formeaz sistemul
(, ), sunt v.a. de tip (absolut) continue, atunci se spune c (, ) este un
sistem de variabile aleatoare de tip (absolut)continue, prescurtat, s.v.a.c.
Unele noiuni referitoare la un s.v.a.d. sunt comune i pentru un
s.v.a.c. Aa sunt noiunile de f.r., funcii de repartiie marginale, funcii de
repartiie condiionate, momentele iniiale, momentele centrate, regresia.
Aceste noiuni au fost definite n punctele precedente. De aceea nu vom
repeta aici aceste definiii, dar vom defini valoarea medie, vom face unele
precizri, care rezult din faptul c (, ) este un s.v.a.c. i vom scrie
formulele de calcul ale momentelor.
n cele ce urmeaz vom considera c (, ) este un s.v.a.c. i funcia
de repartiie F(x, y) a acestui sistem este continu mpreun cu derivatele
pariale
2F
2F
F F
, y ,
i
.
x y
y x
x
4.3.2. Densitatea de repartiie (d.r.) i proprietile ei. Prin
definitie, Densitatea de repartiie (in ansamblu) a unui sistem de
variabile aleatoare continue (, ) cu funcia de repartiie F(x, y) este
funcia f(x,y) definit prin formula
f ( x, y )
2F
.
x y
Densitatea de repartiie are proprietile ce urmeaz.

1) f(x,y) 0, (x,y)R2;
(39)


2)
f ( x, y)dxdy= 1.
(40)
4.3.3. Probabilitatea ca un punct aleator (, ) s aparin unui

domeniu mrginit i nchis D se calculeaz conform formulei
P[(, ) D ] f ( x, y ) dx dy .
(41)
D
4.3.4. Funcia de repartiie exprimat prin densitatea de
repartiie. Funcia de repartiie a unui sistem de variabile aleatoare
continue se exprim prin densitatea de repartiie conform formulei
F ( x, y )
f ( x, y ) dx dy
(42)
4.3.5. Exprimarea funciilor de repartiie marginale prin

densitatea de repartiie a sistemului. Cum F(x) = F(x, ) i F(y) =
F(, y), din (8.3.4.1) rezult:
x
F ( x )
F ( y )
dx
dx
f ( x, y ) dy ,
f ( x, y ) dy
(43)
Formulele (43) sunt formulele de exprimare a funciilor de repartiie

marginale prin densitatea de repartiie a sistemului.
4.3.6. Exprimarea densitilor de repartiie marginale prin
densitatea de repartiie a sistemului. Densitile de repartiie marginale
f(x) i f(y) se obin, prin derivare, din funciile de repartiie marginale:
F
F
( y) .
(44)
f ( x)
( x) , f ( y )
y
x
Din (43) i (44), innd cont de regula de derivare a integralei n raport cu
limita superioar de integrare, obinem:
f ( x)
f ( x, y ) dy ,
f ( y)
f ( x, y ) dx
(45)
4.3.7. Formule de calcul pentru caracteristicelor numerice ale

unui s.v.a.c. Din formula de calcul a valorii medii a unei variabile
aleatoare continue rezult c
M = x f (x) dx , M = y f (y) dy .
(46)
Formulele de calcul ale valorilor medii exprimate prin densitatea de

repartiie a sistemului sunt:

M =
xf ( x, y)dxdy M =
,
yf ( x, y)dxdy .
(47)
Momentelor iniiale i momentele centrate pot fi calculate cu ajutorul

formulelor
k ,s
k ,s
x k y s f ( x, y ) dx dy
( x m ) k ( y m ) s f ( x, y ) dx dy
(48)
,
(49)
n particular, dispersiile i covariana se calculeaz conform formulelor:
D = (x m )2 f(x, y) dx dy ,
D = (y m )2 f(x, y) dx dy ,
C
( x m )( y m ) f ( x, y ) dx dy .
(50)
(51)
(52)
Formulele da calcul al abaterilor medii ptratice i al

coeficientului de corelaie sunt cele din paragraful 4.2.
Dispersiile pot fi calculate i pe baza densitilor de repartiie
marginale. n acest caz avem:
D = (x m )2 f (x) dx , D = (y m )2 f (y) dy . (53)
4.3.8. Variabile aleatoare independente. Variabilele i din

sistemul (, ) sunt independente atunci i numai atunci, cnd d.r.
f(x, y) = f (x)f (y) sau f.r. F(x, y) = F (x)F (y)
(54)
4.3.9. Densitate de repartiie condiionat. Notm cu f (x | y)

densitatea de repartiie a variabilei aleatoare cu condiia c ia
valoarea y i cu f (y | x) densitatea de repartiie a variabilei aleatoare
cu condiia c ia valoarea x. Au loc egalitile :
f ( x, y )
f ( x, y )
f ( x y) =
, f ( y x) =
,
f ( y)
f ( x)
i deci, innd cont de (45), obinem
(55)


f ( x y) =
f ( x, y )
, f ( y x) =
f ( x, y ) dx
f ( x, y )
f ( x, y ) dy
(56)
4.3.10. Caracteristici numerice condiionate. Regresia. Din

definiia d.r. condiionate definite mai sus i formula de calcul a valorii
medii a unei v.a. continue rezult c:
M [ y ] =
M [ x ] =
x f ( x y ) dx
y f ( y x ) dy
(57)
Graficul funciei M[ | y] , ca functie de argumentul y, se numete

linie de regresie a variabilei n , iar graficul funciei M[ | x] , ca
functie de argumentul x, se numete linie de regresie a variabilei n .
Evident, c dac variabilele i sunt independente, atunci liniile de
regresie reprezinta doua functii constante, egale, respectiv, cu M .
4.3.11. Exemple
Exemplul 5. Se d d.r. in ansamblu a s.v.a.c. (, ) :
2
2
f ( x, y ) a e 4 x 2 xy 5 y , (x,y)R2.
Se cere : 1) s se determine constanta a ; 2) s se introduc (defineasc)
d.r. in ansamblu n Sistemul Mathematica ; 3) s se construiasc graficul
d.r. in ansamblu; 4) s se calculeze probabilitatea ca s.v.a. s ia valori din
dreptunghiul
R = (x, y) R2 : 0 x 1 ; 0 y 1,5 ;
5) s se determine d.r. marginale ale variabilelor i ; 6) s se
determine dac v.a. i sunt dependente sau independente.
Rezolvare. 1) Determinm constanta a din condiia (40).
In k5 1 : Solve
Out k5 1
Am obinut a =
(, ) este
a Exp 4 x2 2 x y 5 y2 x y 1, a
19
19
. Deci densitatea d.r. in ansamblu a sistemului

19 4 x 2 2 xy 5 y 2
, (x,y)R2.
e
f ( x, y )
(58)
2) Introducem d.r. in ansamblu (58) n Sistemul Mathematica.
In k5 2 : f x_, y_
Out k5 2
19
19
2
2
4 x 2 x y 5 y
4x2 2 x y 5 y2
3) Construim graficul funciei f(x,y) folosind funcia Plot3D.
In k5 3 : Plot3D f, x, 1, 2 , y, 1, 2
Out k5 3 SurfaceGraphics
0.3
2
0.2
0.1
0
-1
0
1
2
-1
Observm c o parte din graficul funciei f(x,y), i anume punctele

care au a treia coordonat mai mare ca 0,3, nu este reprezentat pe desen.
De aceea vom folosi o opiune special a funciei Plot3D, care impune
valori dorite pe axa Oz. Avnd n vedere c valoarea maxim a funciei
f(x,y) nu depete 19 / < 1.5 , vom cere ca pe axa Oz s fie indicare
valorile de la 0 pn la 1,5. Aceasta se poate face cu ajutorul funciei
PlotRange.
In k5 4 : Plot3D f, x, 1, 2 , y, 1, 2 ,
PlotRange 0, 1.5

1.5
1
0.5
1
0
-1
0
2 -1
4) Calculeze probabilitatea ca s.v.a. s primeasc valori din

dreptunghiul R cu ajutorul formulei (41).
In k5 5 : N
f x, y x y
Out k5 5 0.213882
Am obinut P((,)R) = 0,213882.

5) Determinm d.r. marginale cu ajutorul formulelor (45).
In k5 6 : f x_
Out k5 6
19x2
5
In k5 7 : f y_
Out k5 7
19 y2
4
f x, y y
19
5
f x, y x
19
Am obinut repartiiile marginale

19 19 x 2 / 5
1 19 19 x 2 / 4
f ( x)
e
e
, f ( y)
.
5
2
6) Pentru a determina dependena sau independena v.a. i folosim
egalitatea (54) pentru d.r. Calculm produsul densitilor de repartie
marginale.
In k5 8 : ff f x f y
Out k5 8
19
19x2 19 y2
5
4
Cum produsul obinut nu coincide cu d.r. in ansamblu f(x,y), rezult c

v.a. i sunt dependente.
Exemplul 6. Fiind dat s.v.a.c (, ) definit n exemplul 5 prin d.r. in
ansamblu (58), s se determine : 1) valorile medii m i m ; 2)
dispersiile D i D ; 3) abaterile medii ptratice i ; 4)
covariana
C ; 5) coeficientul de corelaie
r ; 6) matricea
covarianelor Cov[,] ; 7) matricea corelaiilor K.

Rezolvare. 1) Pentru calculul speranelor matematice folosim
densitile de repartiii marginale, determinate n exemplul precedent, i
formulele (46).
In k6 1 : m
Out k6 1 0
In k6 2 : m
x f x x
y f y y
Out k6 2 0
Am obinut valorile medii m = 0 i m = 0.

2) Pentru calculul dispersiilor folosim repartiiile marginale i
formulele (53).
In k6 3 : D
5
38
In k6 4 : D
x m 2 f x x
Out k6 3
Out k6 4
2
19
y m 2 f y y
Am obinut dispersiile D = 5/38 i D =2/19.

3) Determinm abaterile medii ptratice ca rdcinile ptratice din
dispersii.
In k6 5 :
5
38
Out k6 5
In k6 6 :
2
19
Out k6 6
Am obinut abaterile medii ptratice = 5 / 38 i = 2 / 19 .

4) Determinm covariana folosind d.r. in ansamblu f(x,y) dat prin
formula (58) i formula (52).
In k6 7 : C
1
38
Out k6 7
x m y m f x, y x y
Am obinut valoarea covarianei C = 1/38.

5) Calculm coeficientul de corelaie conform formulei (8.3.28).
In k6 8 : r
Out k6 8
Am obinut coeficientul de corelaie r = 1 / 2 5 .

6) Determinm matricea covarianelor conform formulei (27).
In k6 9 : Cov ,
Out k6 9
5
38
1
38
D C
C D
MatrixForm
1
38
2
19
7) Determinm matricea corelaiilor prin formula (29).

1 r
r 1
In k6 10 : K
Out k6 10
MatrixForm

Exemplul 7. Fiind dat s.v.a.c. (, ) din exemplul 5, s se determine :

1) d.r. a v.a. condiionat de evenimentul = y; 2) d.r. a v.a.
condiionat de evenimentul = x; 3) funcia de regresie a v.a. n raport
cu ; 4) funcia de regresie a v.a. n raport cu ; 5) liniile de regresie.
Rezolvare. Datele i rezultatele intermediare ale exemplului au fost
introduse n Sistemul Mathematica n exemplele 5 i 6. Folosim unele din
ele la rezolvarea exemplului dat.
1) Pentru determinarea d.r. a v.a. condiionat de evenimentul = y
folosim prima din formulele (55).
In k7 1 : f x y
Out k7 1
f x, y
f y
y2
4x2 2x y
4
Am obinut densitatea de repartiie a v.a. condiionat de evenimentul

=y:
f ( x | y)
e 4x
2 xy y
/ 4
2) Pentru determinarea densitii de repartiie a v.a. condiionat de

evenimentul = x folosim a doua din formulele (55).
In k7 2 : f y x
Out k7 2
f x, y
f x
x2 2 x y 5 y2
5
Am obinut densitatea de repartiie a v.a. condiionat de evenimentul

=x:
5 x 2 / 5 2 xy 5 y 2
f ( y | x)
e
.
3) Pentru a determina funcia de regresie a v.a. n raport cu , pe

care o notm cu M[y], aplicm prima din formulele (57).
In k7 3 : M y_
y
Out k7 3
4
x Exp 4 x2 2 x y
y2
x
4

Am obinut funcia de regresie a v.a. n raport cu : x = y/4.

4) Pentru a determina funcia de regresie a v.a. n raport cu
aplicm a doua din formulele (57).
In k7 4 : M x_
x Exp x2 5 2 x y 5 y2 y
Out k7 4 x
Am obinut funcia de regresie a v.a. n raport cu : y = x.

5) Construim liniile de regresie ca grafice ale funciilor de regresie.
In k7 5 : Plot M y , y, 1, 1
0.2
0.1
-1
-0.5
0.5
-0.1
-0.2
Out k7 5 Graphics
In k7 6 : Plot M x , x, 1, 1
1
0.5
-1
-0.5
0.5
-0.5
-1
Out k7 6 Graphics

Clear[a,f[x,y],f[x],f[y],m,m,D,D, , ,C,r,Cov[,],K,f[x|
y], f[y|x],M[y],M[x]].
4.4. Teorema Limit Central i Legea Numerelor Mari pentru
variabile aleatoare independente, identic repartizate (v.a.i.i.r).

Teorema Limit Central (TLC) i Legea Numerelor Mari (LNM)
reprezint rezultatele de vrf din Teoria Probabilitilor. Astfel, TLC vine
s generalizeze Teorema Limit Central (forma Moivre-Laplace,
sec.XIX)), privind calculul valorilor aproximative ale probabilitii din
schema (repartiia) Binomial, extinznd-o si asupra asupra unor reparti ii
diferite de cea Binomial. LNM, care este , de fapt, consecinta a TLC,
serveste in calitate de model matematic pentru aplicarea Principiului
Regularitatii Statistice.
Teorema Limit Central (pentru v.a.i.i.r.). Fie 1, 2,, n , un ir
de v.a.i.i.r. cu media M i=a i dispersia D i=2 , i=1,2,, atunci, pentru
n, probabilitatea
x
2
1
e t / 2dt .
P[(1 + 2++ n -na)/n <x] (x) =
2 -
Consecina 1. n condiiile TLC pentru v.a.i.i.r., atunci cnd n este
suficient de mare are loc aproximarea urmtoare:
x na
).
P(1 + 2++ n <a ) (
n
Consecina 2 (LNM pentru v.a.i.i.r.). n condiiile TLC pentru v.a.i.i.r.,
atunci cnd n are loc convergena urmtoare
P((1 + 2++ n)/n - a <) 1
pentru orice >0, orict de mic ar fi acesta.
Consecina 3. n condiiile TLC pentru v.a.i.i.r., atunci cnd n este
suficient de mare, are loc aproximarea urmtoare:
)1 .
P((1 + 2++ n)/n - a <) 2(
n
Consecina 4. (LNM n forma Bernoulli, sec. XVII). Fie un
experiment aleator E, iar A un eveniment aleator pentru care p=P(A)>.,

Atunci, cnd n, pentru frecvena relativ f n(A) are loc urmatoarea

convergen:
P(fn -p < )1,
Remarc. Consecinta 2 arata, de fapt, ca media aritmetica a n
valori observate a uneia si aceleiasi v.a. tinde, atunci cand n tinde la
infinit, la o constanta egala cu valoarea medie a acestei v.a. Consecinta 3
arata cum poate evaluata viteza de convergenta mentionata anterior.
Consecinta 4 justifica,de fapt, din punct de vedere matematic Principiul
Regularitatii Statistice.
4. 5. Exerciii pentru lucrul individual i lucrri de laborator

1. Se d f.r. a unui s.v.a. (,) definit prin f.r.
1 1
1
1
arctg x arctg x , (x,y)R2,
2
2

F ( x, y )
i un domeniu
D1 {( x, y ) : 0 x 1 n / 5; 0 y 1 n / 6} ,
unde n este numrul variantei. S se determine: 1) graficul funciei F(x,y)

pe domeniul D1; 2) probabilitatea P((,)D1).
2. Fiind dat matricea (legea) de repartiie a unui s.v.a.d. (,):
y2
y3
y4
\ y1
x1
p11
p12
p13
p14
x2
p21
p22
p23
p24
x3
p31
p32
p33
p34
s se determine: 1) constanta a; 2) valorile medii m i m; 3) dispersiile
D i D; 4) abaterile ptratice medii , ; 5) covariana C; 6)
coeficientul de corelaie r; 7) matricea covarianelor; 8) matricea
corelaiilor. Valorile parametrilor sunt date pe variante.

1) x1=20, x2=25, x3=30, y1=5, y2=10, y3=15, y4=20, p11=a, p12=0,06, p13=0,
p14=0, p21=0,04, p22=0,2, p23=0,3, p24=0,05, p31=0, p32=0, p33=0,15,
p34=0,1 ;
2) x1=20, x2=25, x3=30, y1=10, y2=15, y3=20, y4=25, p11=a, p12=0,16, p13=0,
p14=0, p21=0,08, p22=0,15, p23=0,2, p24=0,1, p31=0, p32=0, p33=0,1,
p34=0,15 ;
3) x1=15, x2=20, x3=25, y1=5, y2=10, y3=20, y4=25, p11=a, p12=0,08, p13=0,
p14=0, p21=0,1, p22=0,15, p23=0,1, p24=0,06, p31=0, p32=0, p33=0,16,
p34=0,15 ;
4) x1=20, x2=25, x3=30, y1=15, y2=20, y3=25, y4=30, p11=a, p12=0,0,06,
p13=0, p14=0, p21=0,08, p22=0,16, p23=0,15, p24=0,08, p31=0, p32=0,
p33=0,12, p34=0,2 ;
5) x1=15, x2=20, x3=25, y1=10, y2=15, y3=20, y4=25, p11=a, p12=0, p13=0,
p14=0, p21=0,08, p22=0,2, p23=0,16, p24=0, p31=0, p32=0,06, p33=0,1,
p34=0,1 ;
6) x1=10, x2=15, x3=20, y1=5, y2=10, y3=15, y4=20, p11=a, p12=0,08, p13=0,
p14=0, p21=0,16, p22=0,15, p23=0,25, p24=0,06, p31=0, p32=0, p33=0,08,
p34=0,2 ;
7) x1=5, x2=10, x3=15, y1=10, y2=15, y3=20, y4=25, p11=a, p12=0,15, p13=0,
p14=0, p21=0,09, p22=0,1, p23=0,08, p24=0,11, p31=0, p32=0, p33=0,12,
p34=0,15 ;
8) x1=25, x2=30, x3=35, y1=5, y2=10, y3=15, y4=20, p11=a, p12=0,06, p13=0,
p14=0, p21=0,1, p22=0,2, p23=0,08, p24=0,1, p31=0, p32=0, p33=0,15,
p34=0,16 ;
9) x1=25, x2=30, x3=35, y1=15, y2=20, y3=25, y4=30, p11=a, p12=0,08, p13=0,
p14=0, p21=0,06, p22=0,15, p23=0,15, p24=0,04, p31=0, p32=0, p33=0,14,
p34=0,16 ;
10) x1=10, x2=15, x3=20, y1=10, y2=15, y3=20, y4=25, p11=a, p12=0,05,
p13=0, p14=0, p21=0,06, p22=0,15, p23=0,15, p24=0,04 p31=0, p32=0, p33=0,14,
p34=0,16.
n variantele 10+i se adun 2 la toate valorile posibile ale lui i ale lui
din variante i.
3. Fiind dat sistemul de v.a. (,) din exerciiul 8.3.2., se cere :
1) sa se afle repartiiile marginale ale lui i ; 2) s se determine dac
sunt sau nu independente v.a. i .

4. Fiind dat sistemul de v.a. (,) din exerciiul 8.3.2., s se

determine : 1) repartiia condiionat (=y2) ; 2) repartiia condiionat
(=x3); 3) valorile medii condiionate ale v.a.d. ; 4) valorile medii
condiionate ale v.a.d. ; 5) funcia de regresie a variabilei n raport cu
; 6) funcia de regresie a variabilei n raport cu ; 7) linia de regresie
a variabilei n raport cu ; 8) linia de regresie a variabilei n raport cu
.
5. Se d d.r. in ansamblu f(x,y) a sistemului de variabile aleatoare
(, ) . Se cere : 1) s se determine constanta a ; 2) s se introduc
(defineasc) d.r. in ansamblu n Sistemul Mathematica ; 3) s se
construiasc graficul d.r. in ansamblu ; 4) s se calculeze probabilitatea
ca s.v.a. va lua valori din dreptunghiul
R = (x, y) R2 : 0 x 1 ; 0 y 2 ;
5) s se determine d.r. ale v.a. i ; 6) s se determine dac v.a. i
sunt dependente sau independente. Funciile f(x,y) sunt date pe variante.
2
2
1) f ( x, y ) a e x 2 xy 3 y , (x,y)R2 ;
2) f ( x, y ) a e 3 x
3) f ( x, y ) a e x
6) f ( x, y ) a e 3 x
7) f ( x, y ) a e x
8) f ( x, y ) a e 3 x
9) f ( x, y ) a e x
2 xy 4 y 2
2 xy 2 y 2
4) f ( x, y ) a e 3 x
5) f ( x, y ) a e x
2 xy 5 y
2
10) f ( x, y ) a e 3 x
2
, (x,y)R2 ;
, (x,y)R2 ;
2 xy 5 y 2
4 xy 5 y 2
, (x,y)R2 ;
, (x,y)R2 ;
6 xy 4 y 2
2 xy 6 y
11) f ( x, y ) a e x
, (x,y)R2 ;
4 xy 4 y 2
2
, (x,y)R2 ;
, (x,y)R2 ;
, (x,y)R2 ;
4 xy 5 y 2
4 xy 6 y 2
, (x,y)R2 ;
, (x,y)R2 ;
6 xy 5 y 2
, (x,y)R2 ;
13) f ( x, y ) a e 2 x
2 xy 3 y
, (x,y)R2 ;
14) f ( x, y ) a e 4 x
2 xy y 2
12) f ( x, y ) a e 3 x
, (x,y)R2 ;

15) f ( x, y ) a e 2 x
2 xy 2 y 2
, (x,y)R2 ;
16) f ( x, y ) a e 4 x
2 xy 2 y 2
, (x,y)R2 ;
17) f ( x, y ) a e 2 x
4 xy 3 y 2
, (x,y)R2 ;
18) f ( x, y ) a e 4 x
4 xy 2 y
, (x,y)R2 ;
19) f ( x, y ) a e 2 x
4 xy 4 y 2
, (x,y)R2 ;
20) f ( x, y ) a e 4 x
2 xy 3 y 2
, (x,y)R2 ;
21) f ( x, y ) a e 2 x
4 xy 5 y
, (x,y)R2 ;
22) f ( x, y ) a e 4 x
4 xy 3 y 2
, (x,y)R2 ;
23) f ( x, y ) a e 2 x
6 xy 5 y
, (x,y)R2 ;
6 xy 3 y 2
24) f ( x, y ) a e 4 x
25) f ( x, y ) a e 2 x
, (x,y)R2 ;
2 xy y 2
, (x,y)R2 ;
26) f ( x, y ) a e 4 x
2 xy 4 y
27) f ( x, y ) a e 3 x
2 xy y 2
, (x,y)R2 ;
28) f ( x, y ) a e 4 x
29) f ( x, y ) a e 3 x
4 xy 4 y 2
2 xy 2 y
, (x,y)R2.
, (x,y)R2 ;
, (x,y)R2 ;
30) f ( x, y ) a e 4 x 6 xy 4 y , (x,y)R2.
6. Fiind dat sistemul de v.a. (, ) definit n exerciiul 8.3.5 prin d.r. in
ansamblu f(x,y), s se determine : 1) valorile medii m i m ; 2)
dispersiile D i D ; 3) abaterile medii ptratice i ;4) covariana
C ; 5) coeficientul de corelaie r ; 6) matricea covarianelor

Cov[,] ; 7) matricea corelaiilor K.
7. Fiind dat sistemul de v.a. (, ) din exerciiul 8.3.5, s se
determine : 1) d.r. a v.a. condiionat de evenimentul = y; 2) d.r. a v.a.
condiionat de evenimentul = x; 3) funcia de regresie a v.a. n
raport cu ; 4) funcia de regresie a v.a. n raport cu .

5. Elemente de Teoria Informaiei

5.1. Obiectul de studiu al Teoriei Informaiei
Teoria Informaiei (TI) studiaz modele matematice (preponderant
statistico-probabiliste) ale fenomenelor legate de recepionarea,
stocarea i transmiterea informaiei. Printele TI este Claude Shannon,
anul 1948 fiind considerat anul apariiei acestei teorii.
Noiunea de informaie este o noiune primar, adic imposibil de
cadrat ntr-o definiie strict, la fel ca noiunea de punct in geometrie sau
noiunea de mulime din Teoria Mulimilor. ncercnd, totui, s o
explicm, am putea spune ca informaia pentru un sistem oarecare,
biologic sau tehnic, este un mesaj despre evenimente care au sau au
avut sau vor avea loc att n exteriorul sistemului c t i n interiorul
lui.
Menionm c ntre informaie i nedeterminare exist o legtur
strns. O informaie este informaie, n sensul adevrat al cuvntului ,
dac i numai dac ea nltur o anumit nedeterminare.
ntr-un experiment se obine o informaie numai atunci cnd nu
cunoatem rezultatul su nainte de efectuarea experimentului, adic
numai atunci cnd rezultatul nltur nedeterminarea care exista la
nceput.Mai mult, cu ct nedeterminarea de la nceputul experimentului
este mai mare, cu att mai mare va fi cantitatea de informaie pe care o
obinem atunci cnd aflm rezultatul experimentului.
5.2. Entropia ca masura a nedeterminarii/cantitatii de informative
n cazul unui eveniment aleator A asociat experimentului aleator E i
pentru care probabilitaea sa P(A)>0, Claude Shannon defineste cantitatea
de informaie ce se conine n mesajul s-a produs evenimentul A ca
fiind numrul I(A) = -log2P(A) . Cea mai mica unitate a cantitii de
informaie se numete bit, unde I(A) =1bit atunci cnd P(A)=1/2.
Evident, I(A) poate fi interpretat i ca, msura nedeterminrii legate
de producerea evenimentului A. aceast nedeterminare fiind cu at t mai
mare cu ct probabilitatea P(A) va fi mai mica. n extremis, gradul de
nedeterminare este egal cu 0 dac P(A)=1.

Ne intereseaz msura nedeterminrii nlturate sau cantitatea de

informaie furnizat de realizarea unui experiment aleator E. Pentru
aceasta presupunem c n acest experiment observatorul este interest
(nregistreaz) producerea unuia din evenimentele A1 , A2 ,, An care
alctuiesc un grup complet de evenimente, adic acestea sunt disjuncte
doua cate doua si suma lor coincide cu evenimentul sigur. Realizarea
efectiv a experimentului E, nregistrarea unui anumit eveniment dintre
evenimentele A1 , A2 ,, An , ca rezultat a experimentului, nltur
nedeterminarea pe care am avut-o la nceput.
Exemplu. Fie 2 experimente aleatoare:
E1aruncarea unei monede perfecte i grupul complet de evenimente
A1={apariia stemei}={S}, A2={apariia banului}={B}
E2aruncarea unei monede deformate, astfel nct P{S}=0.9, P{B}=0.1.
Avem, astfel, repartiiile corespunztoare:
S B
E:
0.50.5
S B
,E :
0.90.1
Evident, E1 conine mai mult nedeterminare dect E2,fapt care poate fi

confirmat folosind noiunea de entropie definite n continuare.
Fie un experiment aleator E n care putem observa, n urma efecturii
lui, unul din evenimentele A1 , A2 ,, An care alctuiesc un grup complet
de evenimente. Presupunem c pi=P(Ai)>0 , i=1,,n. Cantitatea de
informaie I furnizat n urma efecturii experimentului E depinde de
evenimentul Ai care se va produce, prin urmare aceasta este o v.a. data de
repartiia
I ( A1 )
p1
I :
I ( A2 ) ...
p2
...
I ( An )
, pi>0 , i=1,,n ,
pn
p
i 1
1.
(1)
Anume valoarea medie MI a acestei v.a. poate fi luat n calitate de

msurtor al cantitii de informaie / gradului de nedeterminare furnizat
de experimentul E. Mai exact, putem da urmtoarea
Definiie. Vom numi entropie sau msur a nedeterminrii sau cantitate
de informaie a experimentului E numrul


n
H ( p1 , p2 ,..., pn ) pi log 2 pi ,
i 1
considernd c p log2p=0 dac p=0.

Revenind la exemplul de mai sus, constatm ca entropiile lor sunt egale
cu H(E1)=1bit , H(E2)= -(0.9 log2 0.9+0.1 log2 0.1)< H(E1)
deoarece
funcia H(p)= -(p log2 p+(1-p) log2 (1-p) are valoare maximal ,egala cu
1, pentru p=0.5.
5.3. Proprietatile entropiei
Entropia posed un ir de proprieti, cele mai importante fiind
prezentate n urmtoarele teoreme.
Teorema 1. Entropia H(p1,p2,,pn) ce corespunde experimentului E
cu repartiia (1) posed urmtoarele proprieti :
a) H(p1,p2,,pn)0;
b) H(p1,p2,,pn)=0 dac i numai dac exist un indice io astfel
nct pio =1;
c) H(p1,p2,,pn)H(1/n,1/n,1/n) pentru orice (p1,p2,,pn), pi 0 ,
n
i=1,,n ,
p
i 1
1;
d) H(p1,p2,,pn , 0)= H(p1,p2,,pn).

Avnd dou experimente E1 i E2 independente putem define entropia
experimentului E=(E1,E2) ce const n efectuarea lor simultan. Notm
entropia experimentului cu H(E). Are loc
Teorema 2. H(E) =H(E1,E2)= H(E1)+ H(E2).
Exemplu. Consideram in calitate de experiment aleator E=(E1,E2)
aruncarea simultan a dou monede perfecte, E1 fiind aruncarea primei
monede, iar E2 aruncarea celei de a doua monede. Evident, H(E1) =
H(E2)=1bit, dar cantitatea de informaie I(E) furnizat de rezultatul
efecturii experimentului E este o v.a. cu repartiia
I ( SS ) I ( SB ) I ( BS ) I ( BB)
.
I :
1/ 4
1/ 4
1 / 4
1/ 4
Prin urmare

H(E) =H(E1,E2)=
(1 / 4) log
i 1
(1 / 4) 2bit = H(E1)+
H(E2).
5.4. Transmiterea informatiei. Codificarea. Teoreme de codificare.

Orice system de transmitere a informaiei se ncadreaz n una din
urmtoarele scheme generale:
Pentru a nelege rolul noiunii de entropie n Teoria Informaiei ne vom

referi n continuare, drept exemplu, la schema c) de transmitere a
infpormaiei cu codificare/decodificare, dar fr bruiaj. Dar pentru
nceput vom vedea ce reprezint codificarea/decodificarea n sistemele de
comunicaie de orice natur, pornind de la urmtorul
Exemplu. Consideram trimiterea unui mesaj prin sistemul SMS
(system de mesaje scurte) al unui telefon mobil. Pentru aceasta folosim,
initial, in calitate de semnale caracterele tastaturii QWERTY, numarul lor
total fiind notat cu N. Cu alte cuvinte aceste caractere formeaza o mul-

time X={x1,x2,,xN} de semnale. n momentul trimiterii lui (apasarii

butonului send) fiecare semnal/character x din X este codificat digital,
adic cu ajutorul unei mulimi de semnale simple Y={y1,y2,,yQ }={0,1}.
Definiie. Vom numi codificare (codare) asocierea la un anumit
system de semnale care poart o informaie (mesaj) a unor succesiuni/iruri de semnale a unui alt system de semnale. Primele se numesc
semnale initiale, cele de a doua se numesc semnale simple.
Este firesc ca multimea Y de semnale simple s conin mai puine
semnale dect multimea X cea ce se i ntmpl n exemplul nostru,
Q<N.
n Teoria Informaiei se folosesc, n funcie de rezultatele scontate,
diferii algoritmi de codare/decodare.
Motivele care ne conduc la necesitatea codarii informatiei sunt
multiple. Iata cteva dintre ele:
a) Natura sistemului concret de transmitere a informaiei (telegraf,
telefon mobil, sistemul Morse, etc.) implic un anumit mod de
codare;
b) Prezena bruiajelor (perturbaiilor) canalelor de transmitere a
informaiei implic utilizarea codrii pentru a diminua efectul
nociv asupra corectitudinii informaiei recepionate;
c) La fel, caracterul intim, secret al informaiei implic codarea ei.
Observatie. Motive de tipul c) pot avea drept consecint faptul c,
uneori, card Ycard X.
Fie X={x1,x2,,xN} mulimea de semnale iniiale, iar Y={y1,y2,,yQ}
multimea de semnale simple. n procesul alctuirii/trimiterii unui mesaj
(unei informaii), folosind semnalele din X, fiecare xi din X are o
anumita probabilitate (frecventa relativ) p(xi) cu care se intalneste in
acest mesaj,
N
p( x ) 1 . S lum, drept exemplu, mesajul mine

i 1
va ploua.
Acesta are lungimea 14, incluznd simbolul pauz- , iar semnalele

m, a i b, luate ca exemplu, au frecventa relativ egal, respectiv,
cu p(m)=1/14, p(a)=1/7, p(b)=0. Prin urmare, transmiterii unui mesaj E i
se poate asocia cantitatea de informaie H(E). Cum n procesul codrii
(criptarii) fiecarui semnal xi i se asociaz un ir de semnale simple din Y,

irul avnd lungimea ni , i=1,2,,N, atunci putem calcula lungimea

medie L a unui ir de semnale simple folosite n procesul de codare:
N
L ni p( xi ) .
i 1
Acum putem formula, drept examplu, dou rezultate teoretice ce

vizeaz procesul de codificare a semnalelor transmise prin intermediul
unuio system/canal de transmitere a informatiei fr bruiaj, rezultate care
arata care sunt limitele i posibilitile codificari.
Propoziie. Pentru ca s fie posibil codificarea prin intermediul
irurilor de semnale simple de lungimea ni , i=1,2,,N, care se fie
ataate semnalelor iniiale x1,x2,,xN , este necesar i suficient s fie
ndeplinit inegalitatea
N
ni
1.
i 1
Teorema codificrii. Ca s putem efectua o codificare, folosind Q

semnale simple, pentru a transmite o cantitate de informaie H(E ), este
necesar ca lungimea medie L a irurilor de codificare, ataate semnalelor
iniiale din multimea X , purttoare de informaie, s nu fie inferioar
numrului H(E )/log2Q, adic L H(E )/log2Q.
Exemplu (continuare). n direct legatur cu trimiterea mesajului
mine va ploua, respectiv, experimentul E cantitatea de informaie
I fiind o v.a. cu repartitia
I ( ) I ( a ) I (e) I (o) I (u ) I (i ) I (m) I (n) ... I (v)
I :
1 / 14 2 / 14 1 / 14 1 / 141 / 14 1 / 14 1 / 14 1 / 14 ... 1 / 14
Prin urmare H(E )=2[-(2/14)log2(2/14)]+ 10[-(1/14)log2(1/14)]=
= log214 2/7 3.81-0.29=3.52.
n cazul codificrii digitale Y={0,1}, Q=2. Prin urmare ca acest mesaj
sa poata fi codificat digital este necesar ca lungimea medie a sirurilor de
codificare sa fie mai mare sau egal cu H(E )/log2Q=3.52

BIBLIOGRAFIE
1. Potaru A., Leahu A. Probabilitate, Procese aleatoare i aplicaii,
Chiinu, tiina, 1991.

2. P.Ciumac, V.Ciumac,.M.Ciumac. Teoria Probabilitilor i
elemente de Statistic Matematic, Chiinu ,2003.
3. G. A. Marin, Probability for Computer Scientists
http://my.fit.edu/~gmarin/CSE5231/ProbabilityBasics.pdf
4. Sbornic zadaci po teorii veroiatnostei, matematicescoi statistike i
teorii slucianih protzessov. (red. A.A. Sveshnicov), l.rus., ed.
NAUKA, Moscva, 1970.

TP&amp;I

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

TP&amp;I

Încărcat de

Drepturi de autor:

Formate disponibile

I. Balmu, Gh. Ceban, A.

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Motto. Matematica este arta de a da lucrurilor

Aceast formul reprezint un exemplu tipic de model mathematic al

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

direct proportional cu produsul k m1 m2 i invers proporional cu

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

odata cu cresterea lui , tot mai aproape si mai aproape

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Putem aduce si alte exemple de fenomene aleatoare:

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Lucrarea data este axata numai si numai pe

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Simbolice. Rezultatele prelucrarilor simbolice sunt de regula expresii

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

delimitarea argumentelor funciei, iar acoladele i se folosesc pentru

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

de lng cifre). Se afieaz :

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Exerciii pentru lucrul individual

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

E.2.1. 1) S se construiasc o expresie care conine cele patru operaii

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Rezolvare. Scriem Solve [ x 4 x 3 8 x 2 24 x 32 0, x] i

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

ptratic de ordinul trei A= a 21

(fiier) astfel. Aflndu-ne n fereastra acestui document, scriem

Printre funciile algebrei liniare sunt:

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

EigenvectorsA calculeaz vectorii proprii ai matricei A i i afieaz

Dac vrem ca matricele s fie afiate n forma obinuit, atunci n

Exemplul 1. Fie matricele A 5

i numrul , s se determine: 1) A+B; 2) 3A; 3) AB; 4) detA; 5) A1;

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

1) Pentru calculul sumei A+B scriem MatrixFormA+B, tastm

2) Pentru a calcula produsul 3A scriem MatrixForm3*A, tastm

3) Pentru a calcula produsul AB scriem MatrixFormA.B, tastm

4) Pentru a calcula determinantul matricei A scriem DetA, tastm

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

Observaie. Se tie c nmulirea numerelor se noteaz cu semnul *.

Exemplul 2. Fiind dat matricea ptratic de ordinul trei M=

1 , s se determine: 1) valorile proprii, 2) vectorii proprii,

3) valorile proprii i vectorii proprii.

I. Balmu, Gh. Ceban, A. Leahu, I. Lisnic, A.Moloniuc

(Teorie, indicatii metodice si probleme propuse)

TP&I

TP&I