CAPITOLUL IV

ELEMENTE DE TEORIA PROBABILITĂŢILOR

1. Conceptele: experiment şi eveniment

În teoria probabilităţilor un loc central îl ocupă conceptul de eveniment; în acest

context prin eveniment înţelegem orice rezultat al unui experiment. Efectuarea unui
experiment presupune realizarea unui complex de condiţii şi tocmai această realizare o
vom înţelege atunci când ne vom exprima pe scurt spunând “se face un experiment”.
Distingem: - evenimentul sigur (cert) care este evenimentul ce se produce în mod
obligatoriu, la efectuarea unui anumit experiment;
- evenimentul imposibil care este evenimentul ce în mod obligatoriu
nu se produce la efectuarea unui anumit experiment;
- evenimentul întâmplător (aleator) care este evenimentul ce poate să
se producă sau nu la efectuarea unui anumit experiment, dependent de acţiunea mai multor
factori întâmplători.
Două sau mai multe evenimente spunem că sunt incompatibile dacă producerea
unuia dintre ele exclude producerea celorlalte într-o aceeaşi probă.

1.1. Exemple de evenimente

(i) Presupunem că într-o urnă se găsesc a bile albe şi b bile negre. Fie A
evenimentul care constă în extragerea unei bile albe şi B evenimentul care constă în
extragerea unei bile negre după ce a fost extrasă o bilă (care nu se reintroduce în urnă
înaintea celei de-a doua extrageri). Dacă prima bilă extrasă a fost albă, adică s-a produs
evenimentul A, atunci în urnă au rămas b bile negre şi probabilitatea evenimentului B va fi
b/(a+b-1); dacă prima bilă extrasă a fost neagră, adică s-a realizat evenimentul B, atunci în
urnă au rămas b-1 bile negre şi probabilitatea evenimentului B va fi (b-1)/(a+b-1). Este
evident faptul că probabilitatea lui B depinde de faptul că evenimentul A s-a produs sau nu.
(ii) La aruncarea unei monede există posibilitatea apariţiei feţei-1 (evenimentul A)
sau a feţei-2 (evenimentul B). Probabilitatea apariţiei unei feţe la o aruncare nu depinde de
ceea ce s-a realizat la aruncarea precedentă.
(iii) Considerăm o urnă în care se găsesc a bile albe şi b bile negre. Fie A
evenimentul care constă în extragerea unei bile albe şi B evenimentul care constă în
extragerea unei bile negre. După extragere presupunem că bila se reintroduce în urnă. În
aceste condiţii probabilitatea de realizare a unui eveniment (A sau B) într-o anumită
extragere nu depinde de realizarea evenimentului (B sau A) la extragerea precedentă.
(iv) Deseori se spune că o anumită maşină care produce un anumit tip de repere dă
un număr de procente rebut, aşadar prin producerea unui reper se realizează evenimentul A
care constă în obţinerea unui reper bun sau evenimentul B care constă în producerea unui
rebut. Despre nici un reper în parte nu putem spune cu certitudine că este bun sau defect,
dar dacă se controlează un număr mare de repere produse pe maşina respectivă se constată
procentul de rebuturi menţionat.
13
 Definiţia 1. Două evenimente se numesc independente dacă probabilitatea de
realizare a unuia dintre ele nu depinde de faptul că celălalt eveniment s-a produs sau nu. În
caz contrar evenimentele se numesc dependente.
Observaţie. În exemplul (i) evenimentele A şi B sunt dependente, iar în exemplele
(ii), (iii) sunt independente.

1.2. Structura de algebră booleană a mulţimii evenimentelor

În mulţimea tuturor evenimentelor Ε se pot introduce trei operaţii corespunzătoare

operaţiilor logice “sau”, “şi”, “non”;
- evenimentul “A sau B “, notat A ∪ B, este evenimentul care se produce dacă şi
numai dacă cel puţin unul dintre evenimentele A, B se produce şi-l vom numi reuniunea
evenimentelor A şi B;
- evenimentul “A şi B”, notat A∩B, este evenimentul care se produce dacă şi numai
dacă ambele evenimente A şi B se produc şi-l vom numi intersecţia evenimentelor A şi B;
- evenimentul “non A”, notat CA, este evenimentul care se produce dacă şi numai
dacă A nu se produce; acesta va fi numit evenimentul contrar lui A.
Teorema 1. Mulţimea evenimentelor (Ε , ∪, ∩, C), înzestrată cu operaţiile ∪ , ∩, C
formează o structură algebră booleană.
Evenimentul Ω = A∪ CA este numit evenimentul cert (sigur), iar evenimentul
∅ = A∩ CA este numit evenimentul imposibil.
În limbajul evenimentelor, relaţia de incluziune A ⊂ B exprimă faptul că atunci când
se produce evenimentul A, se produce în mod necesar şi evenimentul B.
Dacă A ⊂ B şi B ⊂ A atunci A=B, caz în care evenimentele A şi B sunt echivalente.
Dacă A ∩ B = ∅, în limbajul evenimentelor, spunem că evenimentele A şi B sunt
incompatibile.
Este posibil ca mulţimea evenimentelor să fie considerată şi tratată ca o algebră
booleană sau, ca un corp de părţi.

1.3. Corp de evenimente (părţi, mulţimi)

Definiţia 2. O mulţime nevidă K⊆℘(Ω ) se numeşte corp de evenimente

(mulţimi), sau corp de părţi (pe scurt corp) dacă:
(K1). oricare ar fi A ∈ K ⇒ CA ∈ K;
(K2). oricare ar fi A,B ∈ K ⇒ A ∪ B ∈ K.
Teorema 2. Fie K⊆℘( Ω ) un corp de părţi; atunci au loc proprietăţile:
(K3). Φ ∈ K; Ω ∈ K;
n
(K4). dacă (Ai) 1≤i ≤n ⊂ K ⇒ ∩ Ai ∈ K;
i =1

(K5). dacă A,B ∈ K ⇒ A\B ∈ K;

(K6). dacă A,B ∈ K ⇒ A ∆ B ∈ K; (A ∆ B=(A\B) ∪ (B\A) reprezintă diferenţa
simetrică a mulţimilor A şi B).
Demonstraţie. K ≠ Φ ⇒ (∃) A ∈ ℘( Ω ), A ∈ K.
14
 Din (K1) şi (K2) rezultă CA ∈ K, A∪ CA= Ω ∈ K, C Ω = Φ ∈ K.
n n
Dacă ( Ai )1≤i ≤ n ⊂ K, atunci C (∪ CAi ) ∈ K deci ∩ Ai ∈ K.
i =1 i =1

Dacă A, B ∈ K, atunci A\B= A ∩ CB ∈ K şi A ∆ B=(A\B) ∪ (B\A) ∈ K.

Definiţia 3. O familie nevidă K⊆℘( Ω ), ( Ω mulţime arbitrară) se numeşte σ -corp
de mulţimi (sau corp borelian), dacă:
(B1). oricare ar fi A ∈ K ⇒ CA∈ K;
(B2). oricare ar fi şirul ( An ) n∈N* ⊂ K ⇒ n∈∪N* An ∈ K.
Observaţii. (i) ℘( Ω ) este un σ -corp;
(ii) orice σ -corp este un corp.
Teorema 3. Pentru orice familie nevidă de părţi G⊆℘( Ω ) există un cel mai mic
σ -corp, notat cu K(G) care o conţine.
Demonstraţie. Notăm cu σ K familia tuturor σ -corpurilor K care conţin familia
dată G. σ K ≠ Φ deoarece ℘( Ω )∈σ K. Deoarece intersecţia unei familii de σ -corpuri din
℘( Ω ) este tot un σ -corp, atunci σ -corpul căutat este: K(G)= ∩ K. K ∈σ K

Definiţia 4. O familie nevidă de părţi G⊆℘( Ω ) este un sistem de generatori ai

σ -corpului K, dacă K = K(G); vom spune în acest caz că G generează pe K.
Exemplu. Un caz particular important este cel al σ -corpului generat de familia
părţilor deschise D din ℜn, adică ℜn = K(D), cunoscut sub denumirea de σ -corpul
mulţimilor boreliene din ℜn (Bn = K(D)⊂ ℜn) .

1.4. Câmp (borelian) de evenimente

Definiţia 5. O mulţime Ω înzestrată cu un corp (corp borelian) de evenimente K se

numeşte câmp (câmp borelian) de evenimente, notat { Ω , K}.
Elementele ω ale mulţimii Ω , sunt numite evenimente elementare, evenimentul
cert este Ω , iar evenimentul imposibil este ∅.

2. Probabilitate. Câmp de probabilitate. Câmp borelian de probabilitate

Fie {Ω , K} un câmp de evenimente.

Definiţia 6. Se numeşte probabilitate pe câmpul de evenimente {Ω , K}, o funcţie
P : K→ℜ, care are proprietăţile:
(P1). P(A) ≥ 0, pentru orice A ∈ K;
(P2). P(Ω ) = 1;
(P3). P(A ∪ B) = P(A) + P(B), pentru orice două evenimente incompatibile A, B ∈ K.
Observaţie. Din (P3) rezultă că:
n n
P( ∪ Ai ) =
i =1
∑
i =1
P(Ai), pentru orice mulţime finită de evenimente ( Ai ) i =1,n , Ai ∈ K,

i = 1, n , incompatibile două câte două.

15
 Definiţia 7. Un câmp de evenimente {Ω , K} înzestrat cu o probabilitate P se
numeşte câmp de probabilitate. Se va nota: {Ω , K, P}.
Observaţie. Dacă Ω este o mulţime finită, atunci K= ℘(Ω ).
Definiţia 8. Se numeşte probabilitate σ -aditivă (sau complet aditivă) pe câmpul
borelian de evenimente {Ω , K}, o funcţie P : K →ℜ cu proprietăţile (P1), (P2) şi
(P3’). P(  Ai ) = ∑ P(Ai) ,
i∈I i∈I

pentru orice familie numărabilă de evenimente ( Ai ) i∈I ⊂ K, incompatibile două câte două.
Definiţia 9. Un câmp borelian de evenimente{Ω , K} înzestrat cu o probabilitate
complet aditivă P se numeşte câmp borelian de probabilitate; se va nota {Ω , K, P}.
Observaţie. Orice câmp de probabilitate {Ω , K, P} cu σ -finită este un câmp
borelian de probabilitate.
Exemplu. Fie Ω = (ω i)i ∈ I, unde I este o mulţime cel mult numărabilă, K = ℘( Ω )
şi (pi)i ∈ I o familie de numere reale nenengative cu proprietatea ∑ pi = 1.
i∈I

Pentru orice eveniment A ∈ ℘( Ω ), format din evenimentele elementare (ω h)h ∈ H

(H ⊂ I) punem:
P ( A) = h∑ ph .
∈H

Tripletul {Ω , K, P} este un câmp borelian de probabilitate.

Dacă mulţimea Ω conţine un număr finit de evenimente elementare, de exemplu
(ω i) i =1,m şi dacă presupunem că evenimentele elementare sunt egal probabile, adică:
1
pi = , 1 ≤ i ≤ m,
m
atunci probabilitatea unui eveniment oarecare A ∈ ℘( Ω ) va fi:
n( A)
P(A) = ,
m
unde n(A) este numărul de evenimente elementare care intră în componenţa lui A.
Se ajunge astfel la definiţia clasică a probabilităţii unui eveniment ca fiind raportul
dintre numărul de evenimente egal probabile favorabile evenimentului considerat şi
numărului total de evenimente egal probabile.
Modelul urnelor constituie un astfel de caz, cu Ω -mulţime finită. Considerăm o
k
urnă care conţine m bile, dintre care mi bile au culoarea i, 1 ≤ i ≤ k , ∑ mi = m ; dacă
i =1
1
presupunem că probabilitatea de a extrage o bilă oarecare este , atunci, probabilitatea de
m
a extrage o bilă de culoarea i este:
m
pi = i , 1 ≤ i ≤ k .
m
Teorema 4. Pentru orice câmp de probabilitate au loc proprietăţile:
(P4). P(B\A) = P(B)-P(A ∩ B);
(P5). P(B\A) = P(B)-P(A), dacă A ⊂ B;
16
 (P6). P(A) ≤ P(B), dacă A ⊂ B;
(P7). P(CA) = 1-P(A);
(P8). P(∅) = 0;
(P9). 0 ≤ P(A) ≤ 1;
(P10). P(A∪B) = P(A) + P(B) – P(A∩B);
(P11). P(A∆ B) = P(A) + P(B) – 2P(A∩ B);
(P12). P (
i∈I
Ai )
≤ ∑ i∈i
P(Ai), pentru orice familie cel mult numărabilă de
evenimente ( Ai ) i∈I ⊂ K (mulţimea I este numărabilă sau finită după cum câmpul de
probabilitate considerat este borelian sau nu).
Demonstraţie. Pentru orice A, B ∈ K avem B = ( B \ A) ∪ ( A ∩ B ) şi
( B \ A) ∩ ( A ∩ B ) = Φ deci, P(B) = P(B\A) + P(A∩B), deci are loc (P4).
Dacă A ⊂ B , (P4) devine (P5). Deoarece P(B\A) ≥ 0, din (P5) rezultă (P6).
Deoarece Ω = A ∪ CA rezultă 1=P(A)+P(CA), deci (P7).
Din (P7), (P5) şi (P2) rezultă (P8).
Din Φ ⊂ A ⊂ Ω rezultă (P9).
Din A ∪ B = A ∪ ( B − A ∩ B) şi (P5) rezultă (P10).
Deoarece A∆B = ( A \ B ) ∪ ( B \ A), ( A \ B) ∩ ( B \ A) = Φ rezultă (P11).
i −1 i −1

Observăm că A
i∈I
i = ( Ai − A j ), Ai −  A j ⊂ Ai (i ∈ I ),
i∈I j =1 j =1
i ' −1 i ' ' −1
( Ai − A j ) ∩ ( Ai −  A j ) = ∅, (i ' ≠ i '' ),
' ''

j =1 j =1
i −1 i −1

deci rezultă: P ( Ai ) =P (
i∈I
 ( Ai −A j )) = ∑
i∈I
P ( Ai − A j ) ≤ ∑
i∈I
P(Ai).
i∈I j =1 j =1

3. Câmp condiţionat de probabilitate

3.1. Probabilitate condiţionată

Fie {Ω , K} un câmp borelian de evenimente şi H ⊂ K o familie nevidă de

evenimente.
Definiţia 10. O funcţie P( ⋅ | ⋅ ) : K× H → ℜ este o probabilitate condiţionată,
dacă:
(PC1). P(A | B) ≥ 0 , (∀)A∈ K, B∈ H;
(PC2). P(B | B) = 1, (∀)B∈ H;
(PC3). P (i∪ Ai / B ) = ∑ P( Ai / B ), (∀)( Ai ) i∈I ⊂ K-familie cel mult numărabilă de
∈I
i∈I

evenimente incompatibile două câte două şi B∈ H;

P( A ∩ B | C )
(PC4). P ( A \ B ) = , (∀) A ∈ K, B, C∈H, B⊂ C, P(B | C)>0.
P( B | C )

17
 Definiţia 11. Sistemul {Ω , K, H, P( ⋅ | ⋅ )}se numeşte câmp condiţionat de
probabilitate, iar P(A | B) se numeşte probabilitatea evenimentului A condiţionată de
evenimentul B.
Teorema 5. Probabilitatea condiţionată are următoarele proprietăţi:
(PC5). P ( A | B ) = P ( A ∩ B | B ) ;
(PC6). P ( A | B ) ≤ P ( A' | B ), A ⊂ A' ;
(PC7). P ( A | B ∩ C ) ⋅ P ( B | C ) = P ( A ∩ B | C ) ; A, B∈K ; C, B∩ C∈H;
(PC8). P (Ω | B ) = 1 ;
(PC9). P ( A | B ) ≤ 1 ;
(PC10). P (Φ | B) = 0;
(PC11). P ( A | B ) = 0 dacă A ∩ B = Φ .
Demonstraţie. Din (PC4) şi (PC2) rezultă (PC5) luând B = C.
Deoarece A' = A ∪ ( A'\ A) avem P ( A' | B ) = P ( A | B ) + P ( A'\ A | B) , iar
P ( A'\ A | B ) ≥ 0 , deci rezultă (PC6).
Are loc P ( B | C ) = 0 sau P ( B | C ) > 0 ; dacă P ( B | C ) = 0 din (PC6) rezultă că şi
P ( A ∩ B | C ) = 0 deci (PC7) este adevărată; dacă P ( B | C ) > 0 din (PC5) rezultă că
P ( B ∩ C | C ) = P ( B | C ) > 0 şi aplicând (PC4) cu B∩C în loc de B obţinem că
P ( A | B ∩ C ) ⋅ P ( B ∩ C | C ) = P ( A ∩ B ∩ C | C ).
Dar (PC5) implică P ( B ∩ C | C ) = P ( B | C ) , P ( A ∩ B ∩ C | C ) = P( A ∩ B | C ) , deci
P ( A | B ∩ C ) ⋅ P ( B | C ) = P ( A ∩ B | C ) adică (PC7).
Din (PC5) rezultă P(ΩB) = P(Ω∩ BB) = P(BB) =1, deci (PC8).
Din (PC3) rezultă P ( A ∩ B | B ) + P (CA ∩ B | B) = P ( B | B ) ; dar P (CA ∩ B | B) ≥ 0 ,
deci P ( A ∩ B | B ) ≤ 1, deci în baza lui (PC5) avem (PC9).
Din (PC3) rezultă (PC10). P (Φ | B) = P (Φ | B) + P (Φ | B ) deci P (Φ | B ) = 0 .
Din A∩ B= Φ şi (PC5) rezultă P ( A | B ) = P (Φ | B ) = 0 în baza lui (PC10), deci
(PC11).

3.2. Exemplu de câmp condiţionat de probabilitate

Fie {Ω , K, P} un câmp borelian de probabilitate şi H familia evenimentelor B din K

pentru care P(B) > 0. Atunci funcţia P(⋅ | ⋅) :K× H → ℜ definită prin:
P( A ∩ B)
P( A | B) =
P( B )
este o probabilitate condiţionată, fapt pentru care sistemul {Ω , K, H, P( ⋅ | ⋅ )}se numeşte
câmp condiţionat de probabilitate, generat de {Ω , K, P}.
În aceste condiţii rezultă:
P(A∩ B) = P(B)⋅ P(AB) = P(A)⋅ P(BA),
relaţie valabilă indiferent de faptul că unul dintre evenimentele A sau B este de probabilitate
nulă.
Reciproc, dacă {Ω , K, H, P(⋅⋅ )} este un câmp condiţionat de probabilitate, C∈H
18
este un element arbitrar şi dacă punem: PC ( A) = P ( A | C ) , atunci {Ω , K, PC} este un câmp
borelian de probabilitate.

3.3. Formula probabilităţii totale

Teorema 6. Fie ( Ai )1≤i ≤ n ⊂ K şi P(A1∩…∩An-1) ≠ 0; atunci are loc:

P(A1∩ A2∩ …∩ An-1∩ An) = P(A1) ⋅ P ( A2 | A1 )...P ( An | A1 ∩ ... ∩ An −1 ).
Demonstraţie. Pentru n = 2 relaţia este adevărată; o presupunem adevărată pentru
n-1 şi o demonstrăm pentru n. Avem:
P(A1∩ A2∩ …∩ An-1∩ An) = P(A1∩…∩ An-1) ⋅ P ( An | A1 ∩ ... ∩ An −1 ) =
= P(A1) ⋅ P ( A2 | A1 )...P ( An | A1 ∩ ... ∩ An −1 ).
Teorema 7. Fie (Ai)i∈I⊂K o familie cel mult numărabilă de evenimente
incompatibile două câte două şi astfel încât:
∪ Ai = Ω ; P(Ai) > 0, i∈ I;
i∈I

atunci are loc formula probabilităţii totale:

P(A )= ∑ P ( Ai ) P ( A | Ai ).
i∈I

Demonstraţie. Însumând după i∈I egalităţile:

P(A∩ Ai) = P(Ai) ⋅ P ( A | Ai ), i∈I
obţinem:
∑ P( Ai ) P( A | Ai ) = ∑ P( A ∩ Ai ) = P( A ∩ Ω) = P( A).
i∈I i∈I

3.4. Formula lui Bayes

Teorema 8. Fie (Ai)i∈I⊂ K o familie cel mult numărabilă de evenimente

incompatibile două câte două astfel încât:
∪ Ai = Ω ; P(Ai) ≠ 0, i∈I;
i∈I

dacă A∈K şi P(A) ≠ 0 atunci are loc formula lui Bayes:

P ( Ai ) ⋅ P( A | Ai )
P ( Ai | A) =
∑ P( Ai ) ⋅ P( A | Ai )
i∈I
Demonstraţie. Din formula probabilităţii totale rezultă:
P ( Ai ∩ A) P ( Ai ) ⋅ P ( A | Ai )
P ( Ai | A) = = .
P ( A) ∑ P( Ai ) ⋅ P( A | Ai )
i∈I

19
 3.5. Inegalitatea lui Boole

Teorema 9. Pentru orice familie cel mult numărabilă de evenimente (Ai)i∈I⊂ K

avem:
P ( ∩ Ai ) ≥ 1 − ∑ P (CAi ).
i∈I
i∈I
Demonstraţie. Pornind de la egalitatea:
C( ∩ Ai ) = ∪ CAi
i∈I i∈I

şi ţinând seama că:

P ( ∪ CAi ) ≤ ∑ P (CAi )
i∈I
i∈I
rezultă:
P ( ∩ Ai ) = 1 − P (C( ∩ Ai )) = 1 − P( ∪ CAi ) ≥ 1 − ∑ P (CAi ).
i∈I i∈I i∈I
i∈I

4. Evenimente independente

Definiţia 12. Se numeşte partiţie a unui eveniment A∈ K, o familie finită

D = (Ai)i∈I⊂ K de evenimente incompatibile două câte două, a căror reuniune este A.
Definiţia 13. Evenimentele ( Ai ) i =1,n se numesc independente k câte k dacă
partiţiile (Di) 1≤i≤n ale lui Ω , Di = {Ai, CAi}, 1 ≤ i ≤ n sunt independente k câte k, adică dacă
oricare ar fi şirul de numere 1 ≤ i1 ≤ ... ≤ ik ≤ n şi Bi ∈ Di , l =1,2,…,k avem egalitatea:
l l

P ( Bi1 ∩ Bi2 ∩ ... ∩ Bik ) = P ( Bi1 ) ⋅ P ( Bi2 ) ⋅ ... ⋅ P ( Bik ).

Dacă k = n, partiţiile se numesc independente în totalitatea lor (sau, pe scurt,
independente).
Teorema 10. Evenimentele ( Ai ) i =1,n sunt independente dacă şi numai dacă pentru
orice şir 1 ≤ i1 < ... < i m ≤ n avem:
P ( Ai1 ∩ ... ∩ Aim ) = P ( Ai1 )...P ( Aim ).
Demonstraţie. Necesitatea este evidentă.
Suficienţa. Arătăm că pentru oricare n evenimente ( X i )1≤i ≤n , unde Xi∈{Ai, CAi},
avem:
P(X1∩ …∩ Xn) = P(X1)…P(Xn).
Dacă X1=A1,…,Xn=An, este evident, din ipoteză. Demonstrăm, fără restrângerea
generalităţii, relaţia pentru X1=A1,…,Xn=CAn.
P(A1∩ …∩ An-1∩CAn) = P(A1∩ …∩ An-1∩CAn) - P(A1∩ …∩ An)+P(A1∩…∩An) =
=P(A1∩ …∩ An-1∩ (An∪CAn)) - P(A1∩ …∩ An) = P(A1∩…∩An-1)-P(A1∩…∩An)=
=P(A1)…P(An-1)-P(A1)…P(An) = P(A1)…P(An-1)(1-P(An)) = P(A1)…P(An-1)P(CAn).
Observaţii. (i) Două evenimente A şi B sunt independente dacă şi numai dacă:
P ( A ∩ B ) = P ( A) ⋅ P ( B ).
(ii) În cazul n > 2 din independenţa evenimentelor k câte k nu rezultă neapărat
independenţa în totalitatea lor. Menţionăm în sens exemplul lui Bernstein:
20
 1
Fie Ω = {ω 1, ω 2, ω 3, ω 4}, P({ω i}) = , i =1, 2, 3, 4;
4
A = {ω 1, ω 2}, B = {ω 1, ω 3}, C = {ω 1, ω 4};
1
P(A) = P(B) = P(C) = ;
2
2
1 1
P(A∩ B) = P(B∩C) = P(C∩A) = =   ;
4 2
3
1 1 
P(A∩B∩C) = ≠   = P ( A) ⋅ P ( B ) ⋅ P (C ) .
4 2

5. Variabile aleatoare.

Una dintre noţiunile de bază ale teoriei probabilităţilor este aceea de variabilă
aleatoare, care permite ca evenimentele unui câmp de evenimente să fie descrise cu ajutorul
unor valori numerice reale.
Fie {Ω , K, P} un câmp borelian de probabilitate.
Definiţia 14. O aplicaţie ξ : Ω → ℜn se numeşte variabilă aleatoare n-
dimensională, dacă ξ −1 (B)∈ K pentru orice B∈B n .
Observaţii. (i). Dacă K = ℘(Ω ) atunci orice aplicaţie ξ : Ω → ℜn este o variabilă
aleatoare n-dimensională.
(ii). Dacă K = { Φ , Ω } atunci singurele variabile aleatoare sunt aplicaţiile
constante.
(iii). Pentru n =1 vom spune variabilă aleatoare reală, sau, pe scurt. variabilă
aleatoare.
Vom nota prin Ε = Ε (Ω , K, P) mulţimea variabilelor aleatoare definite pe câmpul
de probabilitate {Ω , K, P}.
Teorema 11. O aplicaţie ξ : Ω → ℜ este o variabilă aleatoare dacă şi numai dacă
{ω ξ (ω ) < x}∈ K sau {ω ξ (ω ) ≤ x }∈K pentru orice x∈ℜ.
Demonstraţie. Deoarece mulţimea intervalelor deschise la dreapta şi nemărginite la
stânga constituie o familie de generatori pentru B, rezultă prima parte a afirmaţiei.
Pentru partea a doua observăm că:
∞
1
{ω | ξ (ω ) ≤ x}=  {ω ξ (ω ) < x + }.
n= 1 n
Observaţie. În propoziţia precedentă pot fi luate în considerare şi următoarele
familii:
{ω ξ (ω ) ≥ x}∈K sau {ω ξ (ω ) > x}∈K.

5.1. Clasificarea variabilelor aleatoare

Definiţia 15. Variabila aleatoare ξ : Ω → ℜ se numeşte discretă dacă mulţimea

valorilor este finită sau numărabilă, deci este de forma {xi / i∈I} cu I-mulţime de indici
finită sau numărabilă.
21
 O variabilă aleatoare discretă pentru care I este finită se numeşte variabilă
aleatoare simplă.
Putem, aşadar, să dăm următoarea definiţie:
Definiţia 16. O variabilă aleatoare ξ se numeşte simplă dacă este mărginită şi ia
numai un număr finit de valori.
Variabila aleatoare discretă ξ poate fi definită de tabloul:
 xi 
ξ :   , i∈I, ∑ pi = 1
 pi  i∈I

unde pi = P({ω | ξ (ω ) = xi}, i∈I.

Tabloul de mai sus se numeşte distribuţia, sau repartiţia variabilei aleatoare
discrete ξ .
Exemple. (i). Indicatorul χ A al unui eveniment A∈ K este o variabilă aleatoare
simplă:
1 , ω ∈ A
χ A (ω) = 
0 , ω ∉ A
(ii). Un lot de piese este supus unui control de calitate astfel: se extrage pe rând câte
o piesă care se cercetează dacă poate fi admisă sau nu. Se cercetează 5 piese. Dacă piesa
din extracţia de rang k = 1, 2, 3, 4 nu corespunde lotul se respinge. Se cere să se determine
repartiţia variabilei aleatoare care reprezintă numărul de piese cercetate, dacă probabilitatea
ca o piesă luată la întâmplare din lot să fie admisă este 0.85.
Variabila aleatoare ξ poate lua valorile 1, dacă prima piesă e rebut, deci P({ω |
ξ (ω ) =1}) = 0.15, 2, dacă prima piesă extrasă este bună, iar a doua rebut, deci P({ω |
ξ (ω ) = 2}) = 0.85 ⋅ 0.15 ş.a.m.d. deci repartiţia variabilei ξ este:
1 2 3 4 5 
ξ :  .
4
 0 . 15 0 . 85 ⋅ 0 . 15 ( 0 . 85 ) 2
⋅ 0 . 15 ( 0 . 85 ) 3
⋅ 0 . 15 ( 0 . 85 ) 

Observaţie. Mulţimea S a variabilelor aleatoare simple este închisă în raport cu

adunarea, înmulţirea şi luarea valorii absolute.
Teorema 12. Pentru orice variabilă aleatoare ξ , există un şir crescător (ξ n)n∈N*, de
variabile aleatoare simple care converge către ξ .
Demonstraţie. Presupunem ξ ≥ 0 . Pentru orice n∈ N * , punem:
i − 1 i −1 i
 , dacă n ≤ ξ (ω ) < n , i = 1, 2 ..., n ⋅ 2 n
ξ n (ω ) =  2 n 2 2 .
 n , dacă ξ (ω ) ≥ n
Este evident că şirul (ξ n)n∈N* este crescător, variabilele ξ n(n∈N * ) fiind variabile
simple nenegative.
Dacă ξ (ω ) < ∞ , atunci pentru orice n∈N * avem:
i i −1 1
0 ≤ ξ (ω )- ξ n(ω ) ≤ n − n = n
2 2 2
deci lim
n →∞
ξ n(ω ) = ξ (ω ).
22
 Dacă ξ (ω ) = ∞ , atunci ξ n(ω ) = n pentru n∈N * , deci lim
n →∞ ξ n(ω ) = ξ (ω ).

Dacă variabila aleatoare ξ nu este nenegativă, observăm că ea poate fi pusă sub

forma ξ = ξ + - ξ − unde:
ξ + = sup(ξ , 0), ξ − = -inf(ξ , 0).

5.2. Funcţia de repartiţie a unei variabile aleatoare

Definiţia 17. Se numeşte funcţie de repartiţie a variabilei aleatoare ξ , funcţia

F : ℜ → [0,1] definită prin F(x) = P({ω ξ (ω ) < x}).
Din această definiţie rezultă că orice variabilă aleatoare poate fi dată prin
intermediul funcţiei sale de repartiţie.
Observaţie. Funcţia de repartiţie a unei variabile aleatoare nu determină complet
variabila aleatoare corespunzătoare.
Teorema 13. Funcţia de repartiţie a unei variabile aleatoare ξ are proprietăţile:
10. F ( −
∞)= 0;
2 0. F ( +
∞
)=
1;
30. F ( x1 ) ≤
F ( x 2 ) pentru x1 <
x2 ;
4 0. F ( x − 0) = F ( x) pentru orice x ∈
R.
Demonstraţie. 10. Fie şirul de numere reale
x1 > x2 > …> xn >… , xn→ - ∞ pentru n→ ∞.
şi evenimentele
Bn = {ωxn ≤ ξ (ω ) < xn-1}, n = 2, 3,…
Ax1 = {ω ξ (ω ) < x1}.
Evenimentele Bn sunt incompatibile două câte două şi
∞
Ax1 = ∪ Bn
n =2

deci
∞
P( Ax1 ) = ∑ P ( Bn )
n=2
sau
[ F ( x ) − F ( x 2 )] + [ F ( x 2 ) − F ( x3 )] + ... + [ F ( x n −1 ) − F ( x n )]
F(x1) =  1    +…,
Sn

adică
F ( x1 ) = lim S n
n →∞

Dar
Sn = F(x1) - F(xn)
deci
F ( x1 ) = F ( x1 ) − lim F ( x n ).
n →∞

23
 Deoarece lim x n = −∞ rezultă lim F ( x n ) = F (−∞ ) = 0.
n →∞ n →∞

2 0. Fie şirul de numere reale x1 < x 2 < ... < x n < ... . lim
n →∞
x∞ = +∞ , şi evenimentele:
A0 = {ω ξ (ω ) < x1}, An = {ωxn ≤ ξ (ω ) < xn+1}, n = 1, 2,…
Ω = {ω ξ (ω ) ≤ ∞ }.
Avem:
∞
Ω = ∪ An , Ai ∩ A j = Φ, i ≠ j ,
n=0
∞
P (Ω) = ∑ P ( An )
n =0
sau
1 = F ( x1 ) + [ F ( x 2 − F ( x1 )] + ... + [ F ( x n +1 ) − F ( x n )])
   +…
F ( xn +1 )

adică
1 = lim F ( x n ) = F (+∞).
n →∞

3 . Fie x1 < x2; x1, x2∈ℜ. Notăm:

0

Ax1 = {ω ξ (ω ) < x1}, Ax2 = {ω ξ (ω ) < x2}.

Deoarece Ax1 ⊂ Ax2 , rezultă F(x1) = P(A x1 ) ≤ P( Ax2 ) = F ( x 2 ).
4 0. Fie x∈ℜ o valoare fixată şi (xn)n∈N un şir crescător de numere reale convergent
către x:
x1 < x 2 < ... < x n < ... .
Considerăm evenimentele:
Ax1 , A = {ω ξ (ω ) < x}, An = {ωxn ≤ ξ (ω ) < xn+1}, n = 1, 2,…
Avem:
A = Ax1 ∪A1∪A2∪… .
Deoarece evenimentele Ax1 , An (n = 1,2,…) sunt incompatibile două câte două,
rezultă:
∞
P ( A) = P ( Ax1 ) + ∑ P ( An ).
n =1
Dar
P(A) = F(x), P( Ax1 ) = F(x1);
P(An) = P({ω ξ (ω ) < xn+1}) - P({ω ξ (ω ) < xn}) = F(xn+1)-F(xn); n = 1,
2,…
Prin urmare,
F ( x) = F ( x1 ) + [ F ( x 2 ) − F ( x1 )] + [ F ( x3 ) − F ( x 2 )] + ... + [ F ( x n ) − F ( x n −1 )]
 +…
F ( xn )

deci
F(x) = lim
n →∞
F ( xn )

24