I3: PROBABILIT

ATI - notit e de curs

Stefan Balint, Eva Kaslik, Simina Maris
Cuprins
1 Experient a si evenimente aleatoare 3
2 Eveniment sigur. Eveniment imposibil 3
3 Evenimente contrare 4
4 Evenimente compatibile. Evenimente incompatibile 4
5 Eveniment implicat de alt eveniment 5
6 Operat ii cu evenimente 5
7 Spat iul de select ie al unei experient e 7
8 Frecvent a 7
9 Evenimente egal posibile 8
10 Probabilitatea unui eveniment 8
11 Spat iu de select ie nit. Eveniment elementar. Eveniment. 10
12 Denit ia axiomatica a probabilitat ii 10
13 Evenimente independente si evenimente dependente 14
14 Probabilitate condit ionata 16
15 Variabile aleatoare discrete unidimensionale 20
1
16 Funct ia de repartit ie a unei variabile aleatoare discrete unidimensioanle 24
17 Variabile aleatoare discrete bidimensionale
(vectori aleatori) 27
18 Funct ia de repartit ie a vectorului aleator (X, Y ) 30
19 Valoare medie. Dispersie. Momente. (pentru variabile aleatoare
discrete unidimensionale) 31
20 Covariant a. Coecient de corelat ie 35
21 Convergent a sirurilor de variabile aleatoare 38
22 Legi ale numerelor mari 39
23 Repartit ia binomiala 41
24 Repartit ia Poisson ca aproximat ie a repartit iei binomiale 43
25 Repartit ia multinominala 47
26 Repartit ia geometrica. Repartit ia binominala negativa 48
27 Variabile aleatoare continue 49
28 Funct ia de repartit ie pentru variabile aleatoare continue. Densitatea de
probabilitate 50
29 Valorile medii si dispersia unei variabile aleatoare continue 52
30 Repartit ia normala 53
2
1 Experient a si evenimente aleatoare
Denit ia 1.1.

In teoria probabilitat ilor prin experient a se nt elege un act care, n
condit ii date, poate repetat nelimitat.
Denit ia 1.2. Acele experimente care n condit ii date au un singur rezultat se numesc
deterministe, iar cele care n condit ii date pot avea mai multe rezultate se numesc
experient e aleatoare.
Exemplul 1.1. Aruncarea unei monede, aruncarea unui zar, extragerea unei bile dintr-o
urna, tragerea cu arma ntr-o t int a sunt exemple de experient e aleatoare.

In urma aruncarii unei monede se obt ine unul din urmatoarele rezultate elementare:
(stema), (valoare).
Daca notam cu (1) aparit ia fet ei cu un singur punct, cu (2) aparit ia fet ei cu doua puncte,
etc., atunci n urma experient ei care consta n aruncarea unui zar se obt ine unul din
urmatoarele rezultate elementare:
(1), (2), (3), (4), (5), (6).
Denit ia 1.3. Orice rezultat legat de o experient a aleatoare, despre care, dupa efectuarea
experient ei, putem spune ca s-a produs sau nu, poarta numele de eveniment aleator
asociat experient ei.
Evenimentul (stema), n cazul aruncarii unei monede, poate sa se realizeze sau sa nu
se realizeze, motiv pentru care acest eveniment este numit eveniment aleator spre
deosebire de evenimentul (moneda cade pe pamant) care se realizeaza sigur datorita
gravitat iei.
Un eveniment aleator depinde de act iunea unor factori care nu au fost luat i n considerat ie
la xarea condit iilor n care se efectueaza experient a.

In experient a aruncarii monedei,
asemenea factori sunt: felul n care misc am mana, particularitat ile monedei, pozit ia n
care se gaseste moneda n momentul aruncarii.
Referitor la realizarea unui eveniment aleator la efectuarea unei singure experient e
aleatoare nu putem spune nimic, nainte de efectuarea experient ei. Nu putem prevedea
daca la o singura aruncare a monedei va aparea fat a cu stema.

In teoria probabilitat ilor
ne vom ocupa de asemenea experient e si evenimente, de evaluarea sansei de realizare a
unui eveniment aleator asociat experient ei.
2 Eveniment sigur. Eveniment imposibil
Fiecarei experient e aleatoare i se pot atasa doua evenimente cu caracter special: eveni-
mentul sigur si evenimentul imposibil.
Denit ia 2.1. Evenimentul sigur (notat cu S) este un eveniment care se realizeaza
cu certitudine la ecare efectuare a experient ei aleatoare.
3
Exemplul 2.1. (Aparit ia unei fet e) n cazul aruncarii monedei este un eveniment sigur
al experient ei. (Aparit ia uneia din fet e) n cazul aruncarii zarului este un eveniment sigur
al experient ei.
Denit ia 2.2. Evenimentul imposibil (notat cu ) este un eveniment care nu se
realizeaza niciodata la efectuarea experient ei aleatoare.
Exemplul 2.2. Aparit ia unei bile rosii n cazul experient ei care consta n extragerea unei
bile dintr-o urna care cont ine doar bile albe este un eveniment imposibil.
3 Evenimente contrare
Notam cu A evenimentul aparit iei uneia din fet ele 2, 5 si cu B aparit ia uneia din fet ele
1, 3, 4, 6 la aruncarea unui zar. Se observa ca daca nu se realizeaza evenimentul A (nu
apare una din fet ele 2 sau 5) atunci se realizeaza evenimentul B (obt inem una din fet ele
1, 3, 4, 6) si viceversa: daca nu se realizeaza B atunci se realizeaza A.
Denit ia 3.1. Contrarul unui eveniment A asociat experient ei este un eveniment
B asociat aceleasi experient e care are proprietatea ca, la orice repetare a experient ei
aleatoare, daca se realizeaza A atunci nu se realizeaza B si daca nu se realizeaza A atunci
se realizeaza B.
Daca B este contrariul lui A atunci A este contrariul lui B.
Evenimentul contrar unui eveniment A (asociat experient ei) l vom nota cu

A sau A.
4 Evenimente compatibile. Evenimente incompati-
bile
Fie A si B doua evenimente asociate unei experient e aleatoare.
Denit ia 4.1. Evenimentele A si B sunt compatibile daca se pot realiza simultan n
cazul efectuarii experient ei aleatoare.
Exemplul 4.1.

In experient a aleatoare de aruncare a zarului, evenimentul A, care consta
n aparit ia uneia din fet ele cu un numar par si evenimentul B, care constan aparit ia uneia
din fet ele 2 sau 6 sunt compatibile, deoarece daca rezultatul experient ei este aparit ia fet ei
2 atunci se realizeaza atat evenimentul A cat si evenimentul B.
Denit ia 4.2. Evenimentele A si C asociate unei experient e aleatoare sunt incompati-
bile daca aceste evenimente nu se pot realiza simultan n cazul efectuarii experient e.
Exemplul 4.2.

In experient a aleatoare de aruncare a zarului, evenimentul A, care consta
n aparit ia uneia din fet ele cu un num ar par si evenimentul C, care constan aparit ia uneia
din fet ele cu un num ar impar sunt incompatibile. Aceste evenimente nu se pot realiza
simultan. Se remarca n plus ca evenimentele A si C sunt contrare.
4
Exemplul 4.3.

In experient a aleatoare de aruncare a zarului, evenimentul A, care consta
n aparit ia uneia din fet ele cu un num ar par si evenimentul D, care consta n aparit ia fet ei
5 sunt incompatibile. Aceste evenimente nu sunt nsa contrare, deoarece nerealizarea
evenimentului Antr-o experient a nu nseamna realizarea evenimentului D.
Denit ia 4.3. Vom spune ca evenimentele A
1
, A
2
, ..., A
n
asociate unei experient e
aleatoare sunt compatibile daca aceste evenimente se pot realiza simultan n cazul
efectuarii experient ei.
Exemplul 4.4.

In experient a aleatoare de aruncare a zarului, evenimentele:
A
1
care consta n aparit ia uneia din fet ele 2, 4
A
2
care consta n aparit ia uneia din fet ele 2, 6
A
3
care consta n aparit ia uneia din fet ele 2, 4, 6
sunt compatibile: realizarea fet ei 2 nseamn a realizarea tuturor acestor evenimente.
5 Eveniment implicat de alt eveniment
Fie A si B doua evenimente asociate unei experient e aleatoare.
Denit ia 5.1. Vom spune ca evenimentul A implica evenimentul B (sau eveni-
mentul B este implicat de evenimentul A) daca o data cu realizarea evenimentului
A se realizeaza si evenimentul B.
Exemplul 5.1.

In experient a aleatoare de aruncare a zarului, evenimentul A, care consta
n aparit ia uneia din fet ele 1 sau 3 implica evenimentul B, care consta n aparit ia uneia
din fet ele 1, 2, 3 sau 5.
Orice eveniment asociat unei experient e aleatoare implica evenimentul sigur asociat
experient ei.
6 Operat ii cu evenimente
Atunci cand n cadrul unei experient e urmarim realizarea unui eveniment, urmarim de
fapt realizarea unei part i a mult imii rezultatelor elementare ale experient ei.
Exemplul 6.1. La aruncarea zarului, daca urmarim realizarea evenimentului A, constand
n aparit ia uneia din fet ele 1 sau 3, urmarim de fapt daca obt inem sau nu rezultatul (1)
sau (3) din mult imea de rezultate elementare (1), (2), (3), (4), (5), (6). Evenimentul A
este perfect determinat de mult imea formata din aceste doua rezultate elementare si l
putem identica cu aceasta: A = {1, 3}.
Exemplul 6.2. La aruncarea a doua zaruri, daca ne intereseaza obt inerea sumei 7,
urmarim daca apare sau nu unul din rezultatele:
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)
5
si evenimentul A l vom considera ca ind mult imea ale carei elemente sunt perechile de
numere:
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}.
Evenimentul imposibil, care nu se realieaza niciodata la efectuarea experient ei, este
mult imea vida, . Evenimentul sigur este reprezentat de mult imea tuturor evenimentelor
elementare.

Intr-o asemenea viziune daca A este mult imea rezultatelor elementare care reprezint a
un eveniment atunci mult imea A (complementara lui A) este mult imea rezultatelor
elementare care reprezinta evenimentul contrar.
Am vazut ca evenimentul A

implica evenimentul B

, nseamna ca ori de cate ori se

realizeaza A

se realizeaza si B

; rezulta ca mult imea A a rezultatelor elementare care

reprezint a evenimentul A

este inclusa n mult imea B a rezultatelor elementare care

reprezint a evenimentul B

, adica
A B.
Mult imile care reprezinta doua evenimente incompatibile sunt disjuncte.
Denit ia 6.1. Fiind date doua evenimente A

si B

asociate unei experient e aleatoare,

numim reuniunea lor si o notam cu A

, evenimentul care se realizeaza daca cel

put in unul din evenimentele A

sau B

se realizeaza.
Rezulta ca daca A este mult imea rezultatelor elementare care reprezinta evenimentul A

si
B este mult imea rezultatelor elementare care reprezinta evenimentul B

atunci mult imea

A B reprezinta evenimentul A

.
Exemplul 6.3.

In cazul experient ei de aruncare a zarului, sa consideram evenimentele
reprezentate prin urmatoarele mult imi:
A = {1, 2, 5}, B = {3, 4, 5}.
Evenimentul A

se realizeaza daca se obt ine unul din rezultatele {1}, {2} sau {5}, iar B

se realizeaza daca se obt ine unul din rezultatele {3} sau {4} sau {5}. Pentru a realiza cel
put in unul din evenimentele A

sau B

trebuie sa obt inem unul din rezultatele {1}, {2},

{3}, {4}, {5} si deci evenimentele A

este reprezentat de mult imea:

A B = {1, 2, 3, 4, 5}.
Denit ia 6.2. Intersect ia evenimentelor A

si B

asociate unei experient e aleatoare,

notata cu A

, este evenimentul care se realizeaza daca se realizeaza ambele evenimente.

Rezulta ca daca A, respectiv B sunt mult imile care reprezint a evenimentele A

, respectiv
B

, atunci mult imea A B reprezint a evenimentul A

.
Exemplul 6.4.

In condit iile din exemplul precedent A B = {5}.
6
7 Spat iul de select ie al unei experient e
Pentru a introduce not iunea de spat iu de select ie al unei experient e, sa consideram
urmatorul exemplu:
Exemplul 7.1. Experient a consta din aruncarea a doua monede. Modurile n care pot
aparea cele doua fet e pe ecare moneda, n urma acestei experient e, constituie mult imea:
{(B, B), (B, S), (S, B), (S, S)} = A
1
.
Prima litera corespunde fet ei care apare la prima moneda, iar a doua litera la cea de-a
doua moneda; (S, S) nseamna ca pe ambele monede a aparut stema.
Daca un rezultat elementar este un mod de aparit ie a celor doua fet e pe ecare moneda
atunci orice rezultat elementar al experient ei este un element al mult imii A
1
.
Daca un rezultat elementar al experient ei nseamn a de cate ori a aparut banul si de cate
ori a aparut stema atunci mult imea rezultatelor elementare ale experient ei este:
{(2, 0), (1, 1), (0, 2)} = A
2
.

In acest caz prima cifra arata de cate ori apare banul iar a doua de cate ori apare stema.
Si n acest caz ecare rezultat elementar al experient ei este un element al mult imii A
2
.
Daca un rezultat elementar al experient ei nseamn a ca cele doua simboluri (banul si stema)
sunt aceleasi sau diferite pe cele doua monede, atunci mult imea rezultatelor elementare
ale experient ei este:
{aceleasi, diferite} = A
3
.
Si aici ecare rezultat elementar al experient ei este un element al mult imii A
3
.
Fiecare din mult imile A
1
, A
2
, A
3
este un set de rezultate elementare ale acestei experient e.

In ecare cazn parte conceptul de rezultat elementar al experient ei este specic (nseamna
altceva) iar mult imile A
1
, A
2
, A
3
se numesc spat ii de select ie.
Spat iul de select ie A
1
ofera mai multe informat ii decat spat iile A
2
si A
3
. Daca cunoastem
ce rezultat al spat iului A
1
s-a realizat putem indica ce rezultat al spat iului A
2
sau A
3
s-a
realizat.
Denit ia 7.1. Un spat iu de select ie al unei experient e este o mult ime de rezultate
elementare cu proprietatea ca orice rezultat elementar al experient ei apart ine mult imii.
8 Frecvent a
Consideram o experient a aleatoare si un eveniment A asociat acestei experient e. Repetam
experient a de n ori (n condit ii date) si notam cu numarul de realizari ale evenimentului
A. Numarul de realizari ale evenimentului

A va n .
Denit ia 8.1. Numarul f
n
(A) =

n
se numeste frecvent a relativa a evenimentului A.
7
Numarul , numit frecvent a absoluta a evenimentului A, poate varia de la 0 la n; = 0
daca n n repetari ale experient ei evenimentul A nu se realizeaza niciodata; = n daca
evenimentul A se realizeaza n toate cele n repetari ale experient ei. Prin urmare
0 n si 0 f
n
(A) 1, n N

Propozit ia 8.1 (Popriet at ile frecvent ei relative).

1. f
n
(S) = 1, unde S este evenimentul sigur;
2. Daca A B = atunci f
n
(A B) = f
n
(A) + f
n
(B).
9 Evenimente egal posibile
Exemplul 9.1. Consideram experient a care consta n aruncarea unei monede. Dupa
efectuarea acestei experient e poate sa apara e fat a cu banul, e fat a cu stema si nu se
poate sti dinainte care va rezultatul. Daca nu exista nici un motiv sa presupunem ca
realizarea unuia din evenimente este favorizat a, spunem ca evenimentele sunt egal posibile.
Exemplul 9.2. Cand se arunca un zar, poate sa apara oricare din cele sase fet e ale
zarului. Daca nu exista nici un motiv sa presupunem ca aparit ia unei fet e este favorizata,
spunem ca cele sase evenimente (1), (2), (3), (4), (5), (6) sunt egal posibile.

In cadrul
acestei experient e, evenimentele A = {1, 2} si B = {3, 4} sunt si ele egal posibile, iar
evenimentele C = {1, 2, 3} si D = {3} nu sunt egal posibile.
Denit ia 9.1. Fie A si B doua evenimente asociate unei experient e aleatoare. Daca
nu exista nici un motiv sa presupunem ca realizarea unuia este favorizata prin raport cu
celalalt atunci spunem ca cele doua evenimente sunt egal posibile.
Daca o experient a aleatoare se repeta de multe ori evenimentele elementare egal posibile
au aceeasi frecvent a.
10 Probabilitatea unui eveniment
Exemplul 10.1. Consideram experient a care consta din aruncarea unei monede si spat iul
de select ie asociat A format din cele doua rezultate elementare posibile ale acestei
experient e:
B=fat a cu banul
S=fat a cu stema
A = {B, S}.
Pentru ca cele doua evenimente B si S sunt egal posibile, este natural sa evaluam (sa
masuram) sansa producerii ecaruia cu frecvent a relativa.

Intrucat 2 = n rezulta

n
=
1
2
. Rezulta astfel ca sansa producerii ecarui eveniment este
1
2
= inversul num arului
de evenimente posibile din A.
8
Exemplul 10.2. Consideram experient a care consta din aruncarea zarului si spat iul de
select ie asociat A = {(1), (2), (3), (4), (5), (6)}. Pentru ca cele sase evenimente sunt egal
posibile, este natural sa evalu am (masuram) sansa ecaruia de a se produce cu frecvent a
relativa.

Intruc at 6 = n rezulta

n
=
1
6
. Rezulta astfel ca sansa producerii ecarui
eveniment este
1
6
= inversul num arului de evenimente posibile din A.
Exemplul 10.3. Consideram experient a care consta din aruncarea a doua monede si
spat iul de select ie asociat A = {(B, B), (B, S), (S, B), (S, S)}. Pentru ca cele patru
evenimente sunt egal posibile, evalu am (masuram) sansa ecaruia de a se produce
frecvent a relativa.

Intrucat 4 = n rezulta

n
=
1
4
. Rezulta astfel ca sansa producerii
ecarui eveniment este
1
4
= inversul num arului de evenimente posibile din A.
Exemplul 10.4.

In cazul aruncarii a doua monede si a spat iului de select ie asociat
A = {(acelasi simbol), (simboluri diferite)}, evenimentele ind egal posibile, evalu am
sansa ecaruia frecvent a relativa.

Intrucat 2 = n rezulta

n
=
1
2
. Rezulta astfel ca
sansa producerii ecarui eveniment este
1
2
= inversul num arului de evenimente posibile
din A.
Denit ia 10.1. Daca evenimentele din spat iul de select ie A asociat unei experient e sunt
egal posibile, vom spune ca sunt egal probabile si probabilitatea ecaruia este egala
cu inversul numarului de evenimente din spat iul de select ie.

In continuare vom extinde denit ia probabilitat ii unui eveniment din spat iul de select ie
la evenimente care nu mai sunt elemente ale spat iului de select ie A asociat experient ei,
ci sunt part i ale lui A, adica apart in la P(A) (mult imea part ilor lui A).

Incepem cu un
exemplu.
Exemplul 10.5. Consideram experient a de aruncare a zarului si spat iul de select ie asociat
A = {(1), (2), (3), (4), (5), (6)}. Evenimentul A = {apare o fat a av and un num ar par scris
pe ea} este de fapt A = {(2), (4), (6)}. Realizarea oricaruia dintre evenimentele (2),
(4), (6), este favorabil a pentru realizarea evenimentului A. De aceea evalu am sansa de
realizare a evenimentului A (probabilitatea evenimentului A) cu de 3 ori sansa de realizare
a unui eveniment elementar favorabil pentru realizarea lui A. Raportul
3
6
=
1
2
reprezint a
sansa (probabilitatea) de realizare a evenimentului A si se obt ine mp art ind numarul
evenimentelor din A favorabile realizarii lui A la numarul tuturor evenimentelor din A.
Denit ia 10.2. Daca spat iul de select ie A asociat unei experient e are n evenimente egal
probabile si A este un eveniment din P(A), atunci probabilitatea evenimentului A
este raportul dintre numarul de evenimente egal probabile ce denesc pe A si numarul
total de evenimente elementare egal probabile din A.
Din aceasta denit ie rezulta ca daca A = atunci P(A) = 0 si daca A = A atunci
P(A) = 1.

In general P(A) [0, 1].
9
T inand seama de denit ia evenimentului contrar (complementar), rezulta ca daca A are
n elemente si A are m n elemente atunci

A are n m elemente si avem:
P(

A) =
n m
n
= 1
m
n
= 1 P(A).
11 Spat iu de select ie nit. Eveniment elementar.
Eveniment.
Denit ia 11.1. Spat iul de select ie nit asociat unei experient e aleatoare este o
mult ime nita S = {e
1
, e
2
, ..., e
n
} de elemente abstracte.
Denit ia 11.2. Part ile mult imii S se numesc evenimente aleatoare. Un eveniment
se numeste elementar daca consta dintr-un singur punct al lui S. Partea vida a lui S,
, se numeste eveniment imposibil, iar S se numeste eveniment sigur.
Exemplul 11.1. Printre cadrele didactice se face o anchet a privind desfasurarea proce-
sului de nv at amant. Fiecare persoana trebuie sa raspund a la doua ntrebari:
1. Este necesara modernizarea scolii la care lucreaza?
2. Este necesar ca scoala la care lucreaza sa aiba o sala de sport?
Raspunsul dat de o persoana intervievata poate : e
1
= (DA, DA), e
2
= (DA, NU),
e
3
= (NU, DA), e
4
= (NU, NU). Mult imea
S = {e
1
, e
2
, e
3
, e
4
}
constituie un spat iu de select ie posibil asociat acestei experient e (anchet a) pentru o
singura persoana. Submult imile acestui spat iu sunt:
P(S) = {, {e
1
}, {e
2
}, {e
3
}, {e
4
}, {e
1
, e
2
}, {e
1
, e
3
}, {e
1
, e
4
}, {e
2
, e
3
}, {e
2
, e
4
}, {e
3
, e
4
},
{e
1
, e
2
, e
3
}, {e
1
, e
2
, e
4
}, {e
2
, e
3
, e
4
}, {e
1
, e
2
, e
3
, e
4
}}.
Fiecare dintre aceste submult imi este un eveniment. Submult imile E
1
= {e
1
}, E
2
= {e
2
},
E
3
= {e
3
}, E
4
= {e
4
} cont in un singur punct si sunt evenimente elementare. Orice
eveniment diferit de evenimentul imposibil este o reuniune de evenimente elementare.
12 Denit ia axiomatica a probabilitat ii
Denit ia 12.1. Numim probabilitate pe spat iul de select ie S = {e
1
, e
2
, ..., e
n
} o
funct ie P care asociaza ecarui eveniment A P(S) un numar P(A), numit probabilitatea
lui A, astfel ncat sa e satisfacute urmatoarele condit ii (numite axiome):
i) P(A) 0, A P(S);
ii) P(S) = 1;
10
iii) A B = P(A B) = P(A) + P(B), A, B P(S).
Denit ia 12.2. Funct ia P : P(S) R
1
+
este numita masura de probabilitate.
Denit ia 12.3. Spat iul de select ie S nzestrat cu masura probabilista P (perechea (S, P))
este numit spat iu de probabilitate.
Propozit ia 12.1. Fie AP(S). Daca A= atunci P(A)=0, iar daca A={e
1
, e
2
, ..., e
k
}
atunci P(A) =
k

i=1
P({e
i
}).
Demonstrat ie. Deoarece P( S) = P() + P(S) si P( S) = P(S), rezulta ca
P() + P(S) = P(S) si deci P() = 0.
A = {e
1
, e
2
, ..., e
k
} deci A = {e
1
, e
2
, ..., e
k1
} {e
k
}, iar P(A) = P({e
1
, e
2
, ..., e
k1
}) +
P({e
k
}). Prin urmare avem:
P({e
1
, e
2
, ..., e
k
}) = P({e
1
, e
2
, ..., e
k1
}) + P({e
k
})
P({e
1
, e
2
, ..., e
k1
}) = P({e
1
, e
2
, ..., e
k2
}) + P({e
k1
})

P({e
1
, e
2
}) = P({e
1
}) + P({e
2
})
De aici se obt ine egalitatea
P({e
1
, e
2
, ..., e
k
}) =
k

i=1
P({e
i
}).
Consecint a 12.1. Daca cele n evenimente elementare e
1
, e
2
, ..., e
n
din spat iul de select ie
S au aceeasi probabilitate (sunt egal probabile), P({e
i
}) = P({e
j
}), i, j = 1, n, atunci
P({e
i
}) =
1
n
, i = 1, n.
Remarca 12.1.

In multe aplicat ii, evenimentele elementare din spat iul de select ie S
au probabilitat i diferite. Astfel, n Exemplul 11.1, este foarte posibil ca num arul acelor
intervievat i care dau raspunsul e
i
sa e diferit de num arul celor care dau raspunsul e
j
.
Sa presupunem ca 60% din cei intervievat i dau raspunsul e
1
, 20% din cei intervievat i
dau raspunsul e
2
, 15% din cei intervievat i dau raspunsul e
3
si 5% din cei intervievat i dau
raspunsul e
4
. Este resc ca n asemenea condit ii sa atribuim urmatoarele probabilitat i
evenimentelor elementare:
P({e
1
}) = 0.6 P({e
2
}) = 0.2 P({e
3
}) = 0.15 P({e
4
}) = 0.05.
Propozit ia 12.2. Pentru orice A P(S) are loc
P(A) = 1 P(A).
Demonstrat ie. Deoarece A A = si A A = S, avem P(A) + P(A) = P(S) = 1,
adica P(A) = 1 P(A).
11
Propozit ia 12.3. Daca A, B P(S) si A B atunci P(A) P(B).
Demonstrat ie. A B, deci B = A (B A).

Intruc at A (B A) = , rezulta
ca P(B) = P(A) + P(B A) si deoarece P(B A) 0, rezulta mai departe
P(B) P(A).
Propozit ia 12.4. Daca A
1
, A
2
, ..., A
n
P(S) si A
i
A
j
= , i = j, atunci
P
_
n
_
i=1
A
i
_
=
n

i=1
P(A
i
).
Demonstrat ie. Pentru n = 2 egalitatea P(A
1
A
2
) = P(A
1
) + P(A
2
) este adevarat a
datorita axiomei iii).
Pentru n = 3 avem (A
1
A
2
) A
3
= , deci
P((A
1
A
2
) A
3
) = P(A
1
A
2
) + P(A
3
) = P(A
1
) + P(A
2
) + P(A
3
).
Se presupune acum ca pentru A
1
, A
2
, .., A
n
cu A
i
A
j
= , i = j are loc
P
_
n
_
i=1
A
i
_
=
n

i=1
P(A
i
) si se considera A
1
, A
2
, .., A
n
, A
n+1
cu A
i
A
j
= , i = j,
i, j = 1, n + 1. Atunci
P
_
n+1
_
i=1
A
i
_
= P
_
n
_
i=1
A
i
A
n+1
_
= P
_
n
_
i=1
A
i
_
+ P(A
n+1
) =
=
n

i=1
P(A
i
) + P(A
n+1
) =
n+1

i=1
P(A
i
)
Propozit ia 12.5. Oricare ar A, B P(S) are loc egalitatea:
P(A B) = P(A) + P(B) P(A B).
Demonstrat ie. Se considera C = A B, D = B A si se remarca faptul ca avem
A B = C (A B) D
de unde
P(A B) = P(C) + P(A B) + P(D).
T inem seama acum de egalitat ile
P(A) = P(A B) + P(A B) = P(A B) + P(C)
si
P(B) = P(A B) + P(B A) = P(A B) + P(D)
12
si obt inem:
P(A B) = P(A) P(A B) + P(A B) + P(B) P(A B) =
= P(A) + P(B) P(A B).
Propozit ia 12.6. Oricare ar A
1
, A
2
, .., A
n
P(S) avem:
P
_
n
_
i=1
A
i
_

i=1
P(A
i
) , n N.
Demonstrat ie. Pentru n = 2 avem
P(A
1
A
2
) = P(A
1
) + P(A
2
) P(A
1
A
2
) P(A
1
) + P(A
2
)
ntruc at P(A
1
A
2
) 0.
Presupunem ca pentru A
1
, A
2
, .., A
n
avem
P
_
n
_
i=1
A
i
_

i=1
P(A
i
)
si vrem sa aratam ca:
P
_
n+1
_
i=1
A
i
_

n+1

i=1
P(A
i
)
Avem:
P
_
n+1
_
i=1
A
i
_
P
_
n
_
i=1
A
i
_
+ P(A
n+1
)
n

i=1
P(A
i
) + P(A
n+1
) =
n+1

i=1
P(A
i
).
Propozit ia 12.7. Oricare ar A
1
, A
2
, .., A
n
P(S) avem:
P
_
n

i=1
A
i
_
1
n

i=1
P(A
i
) , n N.
Demonstrat ie.
P
_
n

i=1
A
i
_
= 1 P
_

i=1
A
i
_
= 1 P
_
n
_
i=1
A
i
_
1
n

i=1
P(A
i
).
Exemplul 12.1. Daca probabilitat ile asociate evenimentelor elementare sunt cele din
Remarca 12.1, sa se calculeze probabilitatea ca alegand la nt amplare un cadru didactic
acesta sa e pentru:
13
i) modernizarea scolii;
ii) necesitatea unei sali de sport;
iii) modernizarea scolii sau necesitatea unei sali de sport.
Solut ie: i) Alegerea unui cadru didactic care este pentru modernizarea scolii nseamna
realizarea evenimentului {e
1
, e
2
} si are probabilitatea P({e
1
, e
2
}) = 0.6 + 0.2 = 0.8.
ii) Alegerea unui cadru didactic care este pentru necesitatea unei sali de sport nseamna
realizarea evenimentului {e
1
, e
3
} si are probabilitatea P({e
1
, e
3
}) = 0.6 + 0.15 = 0.75.
iii) Alegerea unui cadru didactic care este pentru modernizarea scolii sau pentru necesi-
tatea unei sali de sport nseamn a realizarea evenimentului {e
1
, e
2
, e
3
} si are probabilitatea
P({e
1
, e
2
, e
3
}) = 0.6 + 0.2 + 0.15 = 0.95.
13 Evenimente independente si evenimente depen-
dente
Denit ia 13.1. Evenimentele A si B din P(S) sunt independente daca
P(A B) = P(A) P(B).
Teorema 13.1. Daca A, B P(S) sunt evenimente independente avand probabilitat i
nenule, atunci A B este o mult ime care cont ine cel put in un punct e
i
din spat iul de
select ie S. Adica evenimentele A si B sunt compatibile.
Demonstrat ie. Arat am ca A B = . Daca prin absurd A B = atunci P(A B) = 0
si din P(A B) = P(A) P(B) rezulta P(A) P(B) = 0. Rezulta de aici P(A) = 0 sau
P(B) = 0. Aceasta contravine ipotezei din teorema. Urmeaza ca A B = .
Denit ia 13.2. Vom spune ca evenimentele A
1
, A
2
, ..., A
n
sunt independente n to-
talitatea lor, sau independente, daca pentru orice 1 i
1
< i
2
< ... < i
s
n, avem:
P(A
i
1
A
i
2
... A
i
s
) = P(A
i
1
) P(A
i
2
) ... P(A
i
s
).
Denit ia 13.3. Vom spune ca evenimentele A
1
, A
2
, ..., A
n
P(S) sunt independente
cate k, k n, daca evenimentele din orice familie de k evenimente sunt independente
n sensul Denit iei 13.2.
Remarca 13.1. Pentru ca evenimentele A
1
, A
2
, ..., A
n
sa e independente, trebuie sat-
isfacute
C
2
n
+ C
3
n
+ ... +C
n
n
= 2
n
n 1
relat ii.
Pentru ca evenimentele A
1
, A
2
, A
3
sa e independente, trebuie sa avem:
P(A
1
A
2
) = P(A
1
) P(A
2
)
P(A
1
A
3
) = P(A
1
) P(A
3
)
P(A
2
A
3
) = P(A
2
) P(A
3
)
P(A
1
A
2
A
3
) = P(A
1
) P(A
2
) P(A
3
)
14
Teorema 13.2. Daca A si B sunt doua evenimente independente, atunci evenimentele
A si B; A si B; A si B sunt de asemenea independente.
Demonstrat ie. Prin ipoteza P(A B) = P(A) P(B). Vrem sa deducem de aici
urmatoarele egalitat i: P(A B) = P(A) P(B); P(A B) = P(A) P(B);
P(A B) = P(A) P(B).
Pentru a obt ine egalitatea P(A B) = P(A) P(B) scriem A = (A B) (A B).
De aici rezulta:
P(A) = P(A B) + P(A B) = P(A) P(B) + P(A B)
sau:
P(A) [1 P(B)] = P(A B).

Intruc at 1 P(B) = P(B), se obt ine ca P(A) P(B) = P(A B).

Celelalte egalitat i rezulta analog.
Denit ia 13.4. Spunem ca evenimentele B
1
, B
2
, ..., B
k
P(S) realizeaza o partit ie a
spat iului de select ie S daca sunt ndeplinite urmatoarele condit ii:
i) B
i
B
j
= pentru i = j;
ii)
k
_
i=1
B
i
= S;
iii) P(B
i
) > 0, i = 1, 2, ..., k.
Denit ia 13.5. Fie A
1
, A
2
, ..., A
n
, B
1
, B
2
, ..., B
k
doua partit ii ale spat iului de select ie S.
Spunem ca aceste partit ii sunt independente daca
P(A
i
B
j
) = P(A
i
) P(B
j
)
pentru orice i, j, i = 1, 2, ..., n, j = 1, 2, ..., k.
Exemplul 13.1. Daca A este un eveniment al spat iului de select ie S, atunci A si S sunt
independente.
Solut ie: A = AS, de unde rezulta P(A) = P(AS) = P(A)P(S), deoarece P(S) = 1.
Exemplul 13.2. Se arunca doua monede. Evenimentele A =stema pe prima moneda
si B =valoarea pe a doua moneda sunt independente.
Solut ie: Un spat iu de select ie S al acestei experient e este
S ={e
1
=(s, s), e
2
=(s, v), e
3
=(v, s), e
4
=(v, v)}.
Evenimentele A si B sunt
A = {e
1
, e
2
}, B = {e
2
, e
4
}.
Evenimentele e
1
, e
2
, e
3
, e
4
sunt egal probabile si P(e
i
) =
1
4
, i = 1, 2, 3, 4. Rezulta
P(A) =
1
2
, P(B) =
1
2
. Evenimentul A B este A B = {e
2
} si are probabilitatea
P(A B) =
1
4
. Rezulta P(A B) = P(A) P(B).
15
Exemplul 13.3.

In cazul aruncarii a doua monede se considera evenimentele: A
1
=stema
pe prima moneda, A
2
=valoarea pe a doua moneda, A
3
=apare si stema si valoarea.
Evenimentele A
1
, A
2
, A
3
nu sunt independente cate 3.
Solut ie: Un spat iu de select ie asociat acestei experient e este
S ={e
1
=(s, s), e
2
=(s, v), e
3
=(v, s), e
4
=(v, v)}.
Evenimentele A
1
, A
2
, A
3
sunt
A
1
= {e
1
, e
2
}, A
2
= {e
2
, e
4
}, A
3
= {e
2
, e
3
}.
Avem:
A
1
A
2
= {e
2
} P(A
1
A
2
) =
1
4
= P(A
1
) P(A
2
)
A
1
A
3
= {e
2
} P(A
1
A
3
) =
1
4
= P(A
1
) P(A
3
)
A
2
A
3
= {e
2
} P(A
2
A
3
) =
1
4
= P(A
2
) P(A
3
)
A
1
A
2
A
3
= {e
2
} P(A
1
A
2
A
3
) =
1
4
=
1
8
= P(A
1
) P(A
2
) P(A
3
).
Exemplul 13.4.

In cazul aruncarii a doua monede se considera evenimentele:
A
1
=stema pe prima moneda;
A
2
=valoare pe prima moneda;
A
3
=stema pe a doua moneda;
A
4
=valoare pe a doua moneda.
Evenimentele A
1
, A
2
, A
3
, A
4
nu sunt independente n totalitate.
Exemplul 13.5. Daca S = {e
1
, e
2
, e
3
, e
4
} este spat iul de select ie asociat experient ei din
Exemplul 13.2, atunci evenimentele {e
1
}, {e
2
}, {e
3
}, {e
4
} realizeaza o partit ie a spat iului
de select ie S.
Exemplul 13.6. Doua partit ii independente sunt urmatoarele partit ii: {{e
1
}, {e
2
}} si
{{e
3
}, {e
4
}}.
14 Probabilitate condit ionata
Vom introduce not iunea de probabilitate condit ionat a pornind de la exemplul urmator.
Exemplul 14.1. Consideram experient a care consta n aruncarea a doua zaruri. Notam
cu a num arul care apare pe primul zar si cu b num arul care apare pe al doilea zar. Ne
ntreb am care este probabilitatea ca b = 3, stiind ca a + b > 8?
16
Solut ie: Spat iul de select ie asociat acestei experient e este mult imea S de perechi din
urmatorul tabel:
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Toate aceste evenimente sunt egal probabile si prin urmare P((i, j)) =
1
36
, pentru orice
i = 1, 6, j = 1, 6. Dintre cele 36 evenimente elementare din spat iul de select ie S, doar n
cazul evenimentelor (6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6) se
realizeaza condit ia a+b > 8. Consideram mult imea S

formata doar din aceste evenimente:

S

= {(6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6)}.
Mult imea S

este un spat iu de select ie mai restrans asociat aceleiasi experient e. Aici au

fost luate n considerare doar acele evenimente elementare pentru care a +b > 8. Cele 10
elemente din S

sunt egal probabile si de aceea probabilitatea ecarui eveniment din S

este
1
10
.
Exista un singur eveniment n S

pentru care b = 3: (6, 3). De aceea n spat iul de

select ie redus, probabilitatea evenimentului b = 3 este
1
10
. Acest rezultat va numit
probabilitatea evenimentului b = 3 condit ionat de a +b > 8.
Putem judeca ns a si n felul urmator: determinam la nceput n spat iul de select ie S
probabilitatea ca evenimentul A =a + b > 8 sa se produca. Aceasta este P(A) =
10
36
.
Apoi determinam tot n S probabilitatea ca evenimentul B =b = 3 sa se produca.
Aceasta este P(B) =
6
36
. Probabilitatea n S de producere a ambelor evenimente A si B
este P(A B) = P((6, 3)) =
1
36
.
Daca notam cu P(B|A) probabilitatea evenimentului B n condit ia n care A s-a produs,
atunci avem:
P(B|A) =
1
10
, P(A) =
10
36
, P(A B) =
1
36
,
de unde
P(B|A) =
P(B A)
P(A)
=
P(A B)
P(A)
.
Denit ia 14.1. Probabilitatea evenimentului A condit ionata de B se noteaza
P(A|B) sau P
B
(A) si este denita prin
P(A|B) =
P(A B)
P(B)
daca P(B) = 0.
Spat iul de select ie micsorat este B (evenimentul de condit ionare).
17
Remarca 14.1. Probabilitatea introdusa axiomatic prin Denit ia 12.1 este si ea una
condit ionat a de evenimentul sigur, care este un spat iu de select ie S, cu P(S) = 1.
Propozit ia 14.1. Pentru B P(S) xat, cu P(B) = 0, oricare ar A
1
, A
2
din P(S),
avem:
A1) 0 P(A
1
|B) 1;
A2) P(S|B) = 1;
A3) A
1
, A
2
- incompatibile P((A
1
A
2
)|B) = P(A
1
|B) + P(A
2
|B).
Demonstrat ie. Din P(A
1
|B) =
P(A
1
B)
P(B)
rezulta P(A
1
|B) 0 si din P(A
1
B) P(B)
rezulta P(A
1
B) 1.
P(S|B) =
P(S B)
P(B)
=
P(B)
P(B)
= 1.
P((A
1
A
2
)|B)=
P((A
1
A
2
)B)
P(B)
=
P(A
1
B)
P(B)
+
P(A
2
B)
P(B)
=P(A
1
|B)+P(A
2
|B).
Teorema 14.1. Daca A si B sunt evenimente independente avand probabilitat ile nenule,
atunci:
P(A|B) = P(A) si P(B|A) = P(B).
Demonstrat ie. Deoarece A si B sunt independente si A B = B A, avem
P(A B) = P(B A) = P(A) P(B).
Rezulta:
P(A|B) =
P(A B)
P(B)
=
P(A) P(B)
P(B)
= P(A)
P(B|A) =
P(B A)
P(A)
=
P(B) P(A)
P(A)
= P(B).
Teorema 14.2. Daca A
1
, A
2
, ..., A
n
sunt evenimente astfel ncat P(A
1
A
2
... A
n
) = 0
(ele se pot realiza simultan), atunci
P(A
1
A
2
... A
n
) = P(A
1
) P(A
2
|A
1
) P(A
3
|(A
1
A
2
)) ... P(A
n
|(A
1
... A
n1
)).
Demonstrat ie.
P(A
1
) P(A
2
|A
1
) P(A
3
|(A
1
A
2
)) ... P(A
n
|(A
1
... A
n1
)) =
= P(A
1
)
P(A
1
A
2
)
P(A
1
)
P(A
3
|(A
1
A
2
)) ... P(A
n
|(A
1
... A
n1
)) =
= P(A
1
A
2
)
P(A
1
A
2
A
3
)
P(A
1
A
2
)
... P(A
n
|(A
1
... A
n1
)) =
. . . . . . . . .
= P(A
1
... A
n1
)
P(A
1
... A
n1
A
n
)
P(A
1
... A
n1
)
= P(A
1
... A
n
).
18
Consecint a 14.1. Daca A
1
, A
2
, ..., A
n
sunt evenimente independente, atunci
P(A
1
A
2
... A
n
) = P(A
1
) P(A
2
) ... P(A
n
).
Exemplul 14.2. O urna cont ine 3 bile albe si 5 bile negre. Din urna se extrag doua bile,
una dupa alta (far a ntoarcere). Sa se scrie un spat iu de select ie pentru aceasta experient a
si probabilitat ile asociate evenimentelor din acest spat iu.
Solut ie: Daca a este evenimentul extragerii unei bile albe si n este evenimentul extragerii
unei bile negre, atunci un spat iu de select ie asociat experient ei este:
S = {(a, a), (a, n), (n, a), (n, n)}.
(n, a) arata ca prima bila extrasa este neagra iar a doua bila extrasa este alba. Deoarece
bilele sunt extrase la nt amplare, toate bilele din urna, la orice extract ie, au aceeasi
probabilitate de extract ie:
P(a, a) =
3
8

2
7
=
6
56
, P(a, n) =
3
8

5
7
=
15
56
, P(n, a) =
5
8

3
7
=
15
56
, P(n, n) =
5
8

4
7
=
20
56
.
Teorema 14.3 (formula probabilitat ii totale). Daca evenimentele A
1
, A
2
, ..., A
n
consti-
tuie o partit ie a spat iului de select ie S si X P(S), atunci:
P(X) =
n

i=1
P(A
i
) P(X|A
i
).
Demonstrat ie. Scriem X sub forma:
X =
n
_
i=1
(X A
i
).
Deoarece (X A
i
) (X A
j
) = pentru i = j, obt inem:
P(X) =
n

i=1
P(X A
i
).
Dar P(X A
i
) = P(A
i
) P(X|A
i
), si nlocuind se obt ine egalitata din enunt .
Exemplul 14.3. Trei urne au urmatoarea structura: urna i cont ine a
i
bile albe si b
i
bile negre, i = 1, 2, 3. Evenimentul A
i
consta n alegerea urnei i. Se stie ca P(A
i
) = p
i
si p
1
+ p
2
+ p
3
= 1. Se alege la nt amplare o urna si se extrage o bila. Sa se gaseasca
probabilitatea ca bila extrasa sa e neagra.
Solut ie: Fie X evenimentul bila extrasa este neagra. Probabilitatea de a extrage o
bila neagra condit ionata de faptul ca s-a ales urna i este:
P(X|A
i
) =
b
i
a
i
+ b
i
.
Probabilitatea de a extrage o bila neagra este:
P(X) = P(A
1
) P(X|A
1
) + P(A
2
) P(X|A
2
) + P(A
3
) P(X|A
3
) =
= p
1
b
1
a
1
+ b
1
+p
2
b
2
a
2
+ b
2
+ p
3
b
3
a
3
+ b
3
.
19
Teorema 14.4 (formula lui Bayes). Daca evenimentele A
1
, A
2
, ..., A
n
constituie o partit ie
a spat iului de select ie S si sunt cauza producerii unui eveniment X, atunci:
P(A
k
|X) =
P(A
k
) P(X|A
k
)
n

i=1
P(A
i
) P(X|A
i
)
.
Demonstrat ie. Se t ine seama de egalitat ile
P(A
i
) P(X|A
i
) = P(X) P(A
i
|X)
si de formula probabilitat ii totale.
Denit ia 14.2. Probabilitat ile P(A
i
), P(X|A
i
), i = 1, n se numesc probabilitat i
apriori si P(A
i
|X) se numesc probabilitat i aposteriori.
Formula lui Bayes modica probabilitat ile apriorice prin incorporarea informat iei furnizate
de realizarea evenimentului X.
Exemplul 14.4. Se considera doua urne. Prima cont ine 2 bile albe si 3 bile negre, iar cea
de-a doua cont ine 7 bile albe si 5 bile negre. Evenimentul A
1
constan faptul ca se alege la
nt amplare prima urna, iar evenimentul A
2
constan faptul ca se alege lant amplare a doua
urna. Probabilitatea evenimentului A
1
este P(A
1
) = 0.4, iar probabilitatea evenimentului
A
2
este P(A
2
) = 0.6. Se alege la ntamplare o urna si se extrage o bila neagra. Care este
probabilitatea ca aceasta sa e din cea de-a doua urna?
Solut ie: Fie X evenimentul a fost extrasa o bila neagra. Din formula lui Bayes avem:
P(A
1
|X) =
P(A
1
) P(X|A
1
)
P(A
1
) P(X|A
1
) + P(A
2
) P(X|A
2
)
=
0.4
3
5
0.4
3
5
+ 0.6
5
12
0.49;
P(A
2
|X) =
P(A
2
) P(X|A
2
)
P(A
1
) P(X|A
1
) + P(A
2
) P(X|A
2
)
=
0.6
5
12
0.4
3
5
+ 0.6
5
12
0.51.
15 Variabile aleatoare discrete unidimensionale
Pentru a introduce not iunile de variabil a aleatoare discreta si repartit ia ei consideram
urmatorul exemplu:
Exemplul 15.1. Dintr-o urna care cont ine acelasi numar de bile albe si negre, se extrag
3 bile, dupa ecare extragere bila punandu-se napoi n urna. Cate bile albe pot sa apara?
Solut ie: Raspunsul la aceasta ntrebare l vom da indicand posibilitat ile si probabilitat ile
asociate.
20
Spat iul de select ie Nr. bile albe Probabilitatea
AAA 3
1
2

1
2

1
2
=
1
8
AAN 2
1
2

1
2

1
2
=
1
8
ANA 2
1
2

1
2

1
2
=
1
8
NAA 2
1
2

1
2

1
2
=
1
8
ANN 1
1
2

1
2

1
2
=
1
8
NAN 1
1
2

1
2

1
2
=
1
8
NNA 1
1
2

1
2

1
2
=
1
8
NNN 0
1
2

1
2

1
2
=
1
8
Informat ia relativa la num arul de bile albe si la probabilitat ile lor este data n tabelul
urmator:
Nr. bile albe 0 1 2 3
Probabilitatea
1
8
3
8
3
8
1
8
Daca variabila X reprezinta num arul de bile albe care pot sa apara, aunci tabelul arata
valorile pe care poate sa le ia X si probabilitat ile cu care ia aceste valori.
Mult imea de perechi ordonate, ecare de forma (numarul de bile albe, probabilitatea
acestui numar de bile albe) deneste repartit ia variabilei X. Deoarece valorile lui X sunt
determinate de evenimentele rezultate n urma unui experiment aleator, X este numita
variabila aleatoare.
Funct ia f denita de f(x) = P(X = x) se numeste funct ie de frecvent e sau funct ie de
probabilitate.

In cazul de fat a
f(0)=f(X=0)=
1
8
; f(1)=f(X=1)=
3
8
; f(2)=f(X=2)=
3
8
; f(3)=f(X=3)=
1
8
.
Observam ca
f(x) = P(X = x) = C
x
3

_
1
2
_
3
, x = 0, 1, 2, 3;
f(x) 0 si
3

i=0
f(x) =
3

i=0
C
x
3

_
1
2
_
3
= 2
3

_
1
2
_
3
= 1.
Denit ia 15.1. O variabila a carei valoare este un numar determinat de evenimentul
rezultat n urma unei experient e este numita variabila aleatoare.
Denit ia 15.2. Daca X este o variabila aleatoare care poate lua valorile x
1
, x
2
, ..., x
n
cu probabilitat ile f(x
1
), f(x
2
), ..., f(x
n
) atunci mult imea de perechi ordonate (x
i
, f(x
i
)),
i = 1, n se numeste repartit ia variabilei aleatoare X.

In cazul exemplului considerat anterior, repartit ia este:

_
0,
1
8
_
,
_
1,
3
8
_
,
_
2,
3
8
_
,
_
3,
1
8
_
sau:
X :
_
_
_
0 1 2 3
1
8
3
8
3
8
1
8
_
_
_
.
21
Exemplul 15.2. Trei bile, a, b, c, se repartizeaza n trei urne la nt amplare. Sa se
determine repartit ia variabilei aleatoare X =numarul urnelor ocupate.
Solut ie:
X :
_
_
_
1 2 3
3
27
18
27
6
27
_
_
_
.
Remarca 15.1. In abordarea Kolmogorov, variabila aleatoare X este o funct ie denita
pe un spat iu de select ie asociat experient ei, adica funct ie de punct. Astfel, daca n
exemplul precedent se considera evenimentele:
e
1
= {abc|0|0} e
10
= {c|ab|0} e
19
= {0|b|ac}
e
2
= {0|abc|0} e
11
= {0|ab|c} e
20
= {a|0|bc}
e
3
= {0|0|abc} e
12
= {b|ac|0} e
21
= {0|a|bc}
e
4
= {ab|c|0} e
13
= {0|ac|b} e
22
= {a|b|c}
e
5
= {ab|0|c} e
14
= {a|bc|0} e
23
= {a|c|b}
e
6
= {ac|b|0} e
15
= {0|bc|a} e
24
= {b|c|a}
e
7
= {ac|0|b} e
16
= {c|0|ab} e
25
= {b|a|c}
e
8
= {bc|a|0} e
17
= {0|c|ab} e
26
= {c|a|b}
e
9
= {bc|0|a} e
18
= {b|0|ac} e
27
= {c|b|a}
si spat iul de select ie S = {e
1
, ..., e
27
}, putem considera funct ia X : S {1, 2, 3}, denita
astfel: X(e
k
) = num arul de urne ocupate n cazul realizarii evenimentului e
k
. Este clar
ca X(e
k
) = 1 daca k = 1, 2, 3; X(e
k
) = 2 daca k = 4, 5, ...21; si X(e
k
) = 3 daca
k = 22, 23, 24, 25, 26, 27.
Daca variabila aleatoare este data n acest fel, atunci se cunosc valorile variabilei n cazul
ecarui eveniment e
k
S si P(e
k
). De aici se determina valorile posibile ale variabilei si
probabilitat ile asociate acestor valori.

In acest fel se obt ine repartit ia variabilei aleatoare
X.
Exemplul 15.3.

In cazul experient ei din Exemplul 15.2, sa notam cu Y variabila
aleatoare ale carei valori sunt numarul de bile din prima urna.
Deoarece n prima urna putem avea 0,1,2 sau 3 bile urmeaza ca variabila aleatoare Y
poate lua valorile 0,1,2 sau 3.
Y ia valoarea 0 atunci cand se realizeaza unul din urmatoarele evenimente din spat iul de
select ie S: e
2
, e
3
, e
11
, e
13
, e
15
, e
17
, e
19
, e
21
, adica
(Y = 0) = (e
2
sau e
3
sau e
11
sau e
13
sau e
15
sau e
17
sau e
19
sau e
21
).
Rezulta
P(Y = 0) =P({e
2
}) + P({e
3
}) + P({e
11
}) + P({e
13
}) + P({e
15
}) + P({e
17
})+
+ P({e
19
}) + P({e
21
}) =
8
27
.
22
Y ia valoarea 1 daca se realizeaza unul din evenimentele: e
10
, e
12
, e
14
, e
16
, e
18
, e
20
, e
22
e
27
;
valoarea 2 , daca se realizeaza unul din evenimentele e
4
e
9
si valoarea 3 daca se realizeaza
evenimentul e
1
.
Urmeaza ca repartit ia variabilei aleatoare Y este:
Y :
_
_
_
0 1 2 3
8
27
12
27
6
27
1
27
_
_
_
.
Remarca 15.2. Onicescu considera variabila aleatoare ca funct ie de eveniment. O
valoare posibila a variabilei aleatoare poate sa corespunda unui eveniment elementar din
spat iul de select ie (valoarea 3 a variabilei aleatoare Y din Exemplul 15.3 corespunde
evenimentului elementar e
1
) sau la o submult ime de evenimente elementare care determina
un eveniment (evenimentul Y = 2 este determinat de o mult ime de evenimente elementare,
si anume e
4
e
9
).
Remarca 15.3. O variabil a aleatoare care ia valorile distincte x
1
, x
2
, ..., x
n
determina
o partit ie A
1
, A
2
, ..., A
n
a spat iului de select ie S. Evenimentul A
i
este denit prin
e
k
A
i
X(e
k
) = x
i
.

In Exemplul 15.3 variabila aleatoare Y realizeaza urmatoarea partit ie a spat iului de

select ie S:
A
1
:

In prima urna nu este nici o bila.

A
2
:

In prima urna este o bila.

A
3
:

In prima urna sunt doua bile.

A
4
:

In prima urna sunt trei bile.

Avem:
A
1
A
2
A
3
A
4
= S
A
i
A
j
= pentru i = j
P(A
1
) = P(Y = 0) =
8
27
, P(A
2
) = P(Y = 1) =
12
27
,
P(A
3
) = P(Y = 2) =
6
27
, P(A
4
) = P(Y = 3) =
1
27
,
ceea ce dovedeste armat ia facut a.
Denit ia 15.3. O variabila aleatoare avand o mult ime cel mult numarabila de valori
posibile se numeste variabila aleatoare discreta.
Denit ia 15.4. Vom spune ca variabila aleatoare X este simetrica fat a de punctul c
daca sunt ndeplinite urmatoarele condit ii:
i) daca c + a este o valoare a variabilei aleatoare X, atunci si c a este o valoare a
variabilei X;
ii) P(X = c + a) = P(X = c a).
23
Condit ia ii) se mai scrie uneori sub forma
P(X c = a) = P(c X = a)
care arata ca X este simetrica fat a de punctul c.
X c si c X au aceeasi repartit ie.

In particular, simetria fat a de zero arata ca X si X au aceeasi repartit ie.

Exemplul 15.4. Daca P(X = i) =
1
n
, i = 1, 2, ..., n atunci X este repartizata simetric
fat a de
n + 1
2
, care este punctul de mijloc al celor doua valori extreme posibile: 1 si n.
Remarca 15.4. Daca variabilele aleatoare X, Y sunt privite ca funct ii denite pe spat iul
de select ie S, atunci putem deni suma X+Y , produsul XY , si nmult irea cu o constant a
k X a varibilelor aleatoare. Sensul acestor operat ii este cel al operat iilor corespunzatoare
cu funct ii.
De asemenea daca k este o funct ie reala denita pe mult imea valorilor variabilei X,
k : X(S) R
1
, atunci putem face compunerea k X si obt inem tot o variabila aleatoare,
ale carei valori constituie mult imea k(S(X)).
16 Funct ia de repartit ie a unei variabile aleatoare
discrete unidimensioanle
Cateva ntrebari:
Daca se arunca doua zaruri, care este probabilitatea ca suma obt inuta sa e un
numar mai mic decat 7?
Daca trei bile se repartizeaza la nt amplare n trei urne, care este probabilitatea ca
sa e ocupate cel mult doua urne?
Daca trei bile se repartizeaza la nt amplare n trei urne, care este probabilitatea ca
n prima urna sa e cel mult doua bile?

In general: Care este probabilitatea ca o variabil a aleatoare X sa ia valori mai mici

decat o valoare data?
Nevoia de a raspunde la asemenea ntreb ari a condus la urmatoarea denit ie:
Denit ia 16.1. Fie X o variabila aleatoare si x un numar real. Funct ia F denita astfel:
F(x) este probabilitatea ca X sa ia valori mai mici ca x, sau
F(x) = P(X < x)
se numeste funct ia de repartit ie a variabilei aleatoare X.
24
Propozit ia 16.1. Daca X este o variabila aleatoare discreta avand repartit ia
X :
_
x
1
x
2
... x
n
f(x
1
) f(x
2
) ... f(x
n
)
_
atunci
F(x) =

x
i
<x
f(x
i
)
adica valoarea funct iei de repartit ie n x este data de suma probabilitat ilor valorilor din
stanga lui x.
Demonstrat ie. Imediata.
Propozit ia 16.2. Au loc urmatoarele egalitat i:
i) lim
xx
i
x>x
i
F(x) = F(x
i
+ 0) =
i

j=1
f(x
j
);
ii) lim
xx
i
x<x
i
F(x) = F(x
i
0) =
i1

j=1
f(x
j
) = F(x
i
).
Demonstrat ie. i) Pentru x (x
i
, x
i+1
) avem:
F(x) =
i

j=1
f(x
j
).
Rezulta ca
F(x
i
+ 0) =
i

j=1
f(x
j
).
ii) Pentru x (x
i1
, x
i
) avem:
F(x) =
i1

j=1
f(x
j
).
Rezulta ca
F(x
i
0) =
i1

j=1
f(x
j
) = F(x
i
).
Propozit ia 16.3. Au loc urmatoarele inegalitat i:
i) 0 F(x) 1, x R
1
;
ii) x < y F(x) F(y).
25
Demonstrat ie. i) Deoarece F(x)=P(X<x) si P(X<x) [0, 1], rezulta ca F(x) [0, 1].
ii) x < y. Daca x
i
< x, atunci x
i
< y, si deci

x
i
<y
f(x
i
) =

x
i
<x
f(x
i
) +

xx
i
<y
f(x
i
),
adica F(x) F(y).
Propozit ia 16.4. Daca x < y, atunci F(y) F(x) = P(x X < y).
Demonstrat ie. Daca x < y, avem:
F(y) =

x
i
<y
f(x
i
) =

x
i
<x
f(x
i
) +

xx
i
<y
f(x
i
) = F(x) + P(x X < y)
de unde rezulta ca F(y) F(x) = P(x X < y).
Remarca 16.1. Daca X este o variabila aleatoare discreta, atunci funct ia de repartit ie a
variabilei aleatoare X este o funct ie n trepte continu a la stanga. Avem o discontinuitate
(un salt) n eare punct x care este valoare pentru variabila aleatoare X(x = x
i
), iar
n alt imea saltului este f(x
i
).
Denit ia 16.2. Se numeste cuantila de ordinul numarul x

cu proprietatea
F(x

) = P(X < x

) = .
Daca X este o variabila aleatoare discreta, nu este sigur ca pentru orice [0, 1] exista
cuantil a de ordinul . Daca ns a exista o cuantil a de ordin , atunci exista o innitate
(intervalul ce separa doua valori posibile).
Cuantila de ordin 1/2 se numeste mediana si se noteaza cu Me; astfel F(Me) = 1/2.
Cuantilele de ordin 1/4 respectiv 3/4 se numesc cuantila inferioara Q
1
, respectiv cuantila
superioara Q
2
; astfel F(Q
1
) = 1/4 si F(Q
2
) = 3/4.
Denit ia 16.3. Se numeste modul valoarea x
i
cu proprietatea ca f(x
i
) este maxima.
O repartit ie poate avea mai multe module. La aruncarea unui zar, cele 6 fet e ale sale au
aceeasi probabilitate de aparit ie; n acest caz, toate valorile sunt module.
Exemplul 16.1. Reluam exemplul de repartizare la ntamplare a trei bile a, b, c n trei
urne, t in and seama de repartit ia variabilelor aleatoare X (Exemplul 15.2) si Y (Exemplul
15.3)
X :
_
_
_
1 2 3
3
27
18
27
6
27
_
_
_
si Y :
_
_
_
0 1 2 3
8
27
12
27
6
27
1
27
_
_
_
.
26
Avem:
F(x) =
_

_
0 , x 1
3
27
, 1 < x 2
21
27
, 2 < x 3
27
27
= 1 , 3 < x
si F(y) =
_

_
0 , y 0
8
27
, 0 < y 1
20
27
, 1 < y 2
26
27
, 2 < y 3
27
27
= 1 , 3 < y .
Remarca 16.2. Variabilele aleatoare X si Y nu au mediane si cuantile.
F(x) =
3
27
are ca solut ie 1 < x 2. F(y) =
26
27
are ca solut ie 1 < x 3.
Modulul lui X este 2, iar modulul lui Y este 1.
17 Variabile aleatoare discrete bidimensionale
(vectori aleatori)
Adesea este necesar sa consideram simultan doua sau mai multe variabile aleatoare denite
pe acelasi spat iu de select ie. Vom prezenta cazul a doua variabile aleatoare, trecerea la
trei sau mai multe variabile fac andu-se far a dicultate.
Exemplul 17.1. Consideram experient a care consta n repartizarea la nt amplare a trei
bile a, b, c n trei urne.
Acestei experient e i corespunde urmatorul spat iu de select ie: S = {e
1
, e
2
, ..., e
27
}, unde
e
i
sunt date de:
e
1
= {abc|0|0} e
10
= {c|ab|0} e
19
= {0|b|ac}
e
2
= {0|abc|0} e
11
= {0|ab|c} e
20
= {a|0|bc}
e
3
= {0|0|abc} e
12
= {b|ac|0} e
21
= {0|a|bc}
e
4
= {ab|c|0} e
13
= {0|ac|b} e
22
= {a|b|c}
e
5
= {ab|0|c} e
14
= {a|bc|0} e
23
= {a|c|b}
e
6
= {ac|b|0} e
15
= {0|bc|a} e
24
= {b|c|a}
e
7
= {ac|0|b} e
16
= {c|0|ab} e
25
= {b|a|c}
e
8
= {bc|a|0} e
17
= {0|c|ab} e
26
= {c|a|b}
e
9
= {bc|0|a} e
18
= {b|0|ac} e
27
= {c|b|a}.
Cele 27 evenimente sunt egal probabile si de aceea evenimentele e
i
au aceeasi probabilitate
de realizare:
1
27
.
Fie X variabila aleatoare care asociaza evenimentului elementar e
i
S numarul urnelor
ocupate. Avem X(e
i
) = 1 pentru i = 1, 2, 3, X(e
i
) = 2 pentru i = 4, 21, X(e
i
) = 3
27
pentru i = 22, 27. Prin urmare: P(X = 1) =
3
27
, P(X = 2) =
18
27
, P(X = 3) =
6
27
si
repartit ia variabilei aleatoare este:
X :
_
_
_
1 2 3
3
27
18
27
6
27
_
_
_
.
Fie acum Y variabila aleatoare care asociaza evcenimentului elementar e
i
S numarul
de bile din prima urna. Avem: Y (e
1
) = 3, Y (e
i
) = 2, pentru i = 4 9, Y (e
i
) = 1
pentru i = 10, 12, 14, 16, 18, 20, 22 27, Y (e
i
) = 0 pentru i = 2, 3, 11, 13, 15, 17, 19, 21.
Rezulta ca P(Y = 0) =
8
27
, P(Y = 1) =
12
27
, P(Y = 2) =
6
27
, P(Y = 3) =
1
27
si deci
repartit ia variabilei aleatoare Y este:
Y :
_
_
_
0 1 2 3
8
27
12
27
6
27
1
27
_
_
_
.
Consideram acum variabila aleatoare Z care asociaza evenimentului elementar e
i
S
perechea de numere (num arul de urne ocupate, numarul de bile din prima urna). Penrtu
ca valorile lui Z sunt vectori bidimensionali (perechi de numere) variabila aleatoarte Z
se numeste variabila aleatoare bidimensionala. Avem: Z(e
1
) = (1, 3); Z(e
2
) = (1, 0);
Z(e
3
) =(1, 0); Z(e
i
) =(2, 2), i =4, 9; Z(e
i
) =(2, 1), i =10, 12, 14, 16, 18, 20; Z(e
i
) =(2, 0),
i =11, 13, 15, 17, 19, 21; Z(e
i
)=(3, 1), i =22, 27.
Prin urmare valorile acestei variabile aleatoare sunt vectorii (1, 3); (1, 0); (2, 2); (2, 1);
(2, 0); (3, 1). Probabilitat ile corespunzatoare sunt:
P(X = 1, Y = 3) =
1
27
; P(X = 1, Y = 0) =
2
27
; P(X = 2, Y = 2) =
6
27
;
P(X = 2, Y = 1) =
6
27
; P(X = 2, Y = 0) =
6
27
; P(X = 3, Y = 1) =
6
27
.
Repartit ia variabilei aleatoare bidimensionale Z este
Z :
_
_
_
(1, 3) (1, 0) (2, 2) (2, 1) (2, 0) (3, 1)
2
27
1
27
6
27
6
27
6
27
6
27
_
_
_
.
Fie acum n general doua variabile aleatoare X, Y denite pe acelasi spat iu de select ie
S = {e
1
, e
2
, ..., e
n
}. Fie x
1
, x
2
,..., x
k
valorile variabilei X si y
1
, y
2
, ..., y
l
valorile variabilei
Y .
Denit ia 17.1. Cu variabilele X, Y putem construi variabila aleatoare vectoriala
bidimensionala Z = (X, Y ), a carei valori sunt perechile ordonate de numere (x
i
, y
j
)
(vectori bidimensionali), pe care le ia cu probabilitatea
r
ij
= P(X = x
i
si Y = y
j
) , 1 i k, 1 j l.
28
Repartit ia variabilei Z este deci:
XY y
1
y
2
y
3
... y
j
... y
l
P(X = x
i
)
x
1
r
11
r
12
r
13
... r
1j
... r
1l
p
1
x
2
r
21
r
22
r
23
... r
2j
... r
2l
p
2
x
3
r
31
r
32
r
33
... r
3j
... r
3l
p
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
i
r
i1
r
i2
r
i3
... r
ij
... r
il
p
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
k
r
k1
r
k2
r
k3
... r
kj
... r
kl
p
k
P(Y = y
j
) q
1
q
2
q
3
... q
j
... q
k
1

Intruc at evenimentele (X = x
i
; Y = y
j
) realizeaza o partit ie a spat iului de select ie, suma
probabilitat ilor din tabel este unu:
k

i=1
l

j=1
r
ij
= 1.
Daca se cunoaste repartit ia vectorului aleator discret Z = (X, Y ), se poate determina
repartit ia ecarei componente.

Intr-adevar, deoarece evenimentele (X = x
i
, Y = y
1
),
(X = x
i
, Y = y
2
), ..., (X = x
i
, Y = y
l
), 1 i k sunt incompatibile doua cate doua si
deoarece
(X = x
i
) = (X = x
i
, Y = y
1
) (X = x
i
, Y = y
2
) ... (X = x
i
, Y = y
l
),
avem:
p
i
= P(X = x
i
) = r
i1
+ r
i2
+... + r
ik
=
l

j=1
r
ij
, 1 i k.
Analog obt inem:
q
j
= P(Y = y
j
) = r
1j
+ r
2j
+ ... +r
kj
=
k

i=1
r
ij
, 1 j l.
Urmeaza ca pentru a obt ine probabilitatea ca X (Y ) sa ia valoarea x
i
(y
j
), vom face suma
probabilitat ilor din linia (coloana) lui x
i
(y
j
).
Deci variabila aleatoare X (Y ) are ca tablou al probabilitat ilor coloana (linia) marginala
a tabloului. Din acest motiv, prima coloana (linie) mpreuna cu ultima coloana (linie) a
tabloului constituie repartit ia marginala a variabilei X (Y ).
Denit ia 17.2. Variabila X condit ionata de Y = y
j
are repartit ia:
_
x
1
x
2
... x
i
... x
k
P(x
1
|y
j
) P(x
2
|y
j
) ... P(x
i
|y
j
) ... P(x
k
|y
j
)
_
unde
P(x
i
|y
j
) = P(X = x
i
|Y = y
j
) =
P(X = x
i
, Y = y
j
)
P(Y = y
j
)
=
r
ij
q
j
, 1 j l.
29
Analog, variabila Y condit ionata de X = x
i
are repartit ia:
_
y
1
y
2
... y
j
... y
l
P(y
1
|x
i
) P(y
2
|x
i
) ... P(y
j
|x
i
) ... P(y
l
|x
i
)
_
unde
P(y
j
|x
i
) = P(Y = y
j
|X = x
i
) =
P(Y = y
j
, X = x
i
)
P(X = x
i
)
=
r
ij
p
i
, 1 i k.
Avem:
k

i=1
P(x
i
|y
j
) =
1
q
j
k

i=1
r
ij
= 1
si
l

j=1
P(y
j
|x
i
) =
1
p
i
l

j=1
r
ij
= 1.
18 Funct ia de repartit ie a vectorului aleator (X, Y )
Denit ia 18.1. Se numeste funct ie de repartit ie a vectorului aleator (X, Y ) funct ia
denita de
F(x, y) = P(X < x si Y < y) =

x
i
<x

y
j
<y
P(X = x
i
si Y = y
j
) =

x
i
<x

y
j
<y
r
ij
unde r
ij
= P(X = x
i
si Y = y
j
).
Propozit ia 18.1. Funct ia de repartit ie a vectorului aleator (X, Y ) are urmatoarele
proprietat i:
i) F(x
i
+ 0, y
j
+ 0) =
i

m=1
j

s=1
r
ms
, F(x
i
+ 0, y
j
0) =
i

m=1
j1

s=1
r
ms
F(x
i
0, y
j
+ 0) =
i1

m=1
j

s=1
r
ms
, F(x
i
0, y
j
0) =
i1

m=1
j1

s=1
r
ms
.
ii) F(x
2
, y) F(x
1
, y) daca x
2
> x
1
,
F(x, y
2
) F(x, y
1
) daca y
2
> y
1
.
iii) F(x, ) = F(, y) = 0 si F(, ) = 1.
iv) F(x, ) este funct ia de repartit ie a variabilei X,
F(, y) este funct ia de repartit ie a variabilei Y .
v) Deoarece
P(Y < y|X = x
i
) =
P(Y < y, X = x
i
)
P(X = x
i
)
=
F(x
i
+ 0, y) F(x
i
0, y)
F(x
i
+ 0, ) F(x
i
0, )
,
30
funct ia de repartit ie a variabilei Y |X = x
i
este:
F(x
i
+ 0, y) F(x
i
0, y)
F(x
i
+ 0, ) F(x
i
0, )
.
Demonstrat ie. Aceste proprietat i se arata folosind Denit ia 18.1.
Denit ia 18.2. Vom spune ca variabilele X si Y sunt independente daca pentru toate
perechile (i, j) avem
r
ij
= p
i
q
j
.
Propozit ia 18.2. Daca variabilele X, Y sunt independente, atunci:
1. repartit iile condit ionate sunt identice cu repartit iile marginale:
P(x
i
|y
j
) =
r
ij
q
j
=
p
i
q
j
q
j
= p
i
,
P(y
j
|x
i
) =
r
ij
p
i
=
p
i
q
j
p
i
= q
j
.
2. F(x, y) =

x
i
<x

y
j
<y
r
ij
=

x
i
<x

y
j
<y
p
i
q
j
=
_

x
i
<x
p
i
_

y
i
<y
q
j
_
= F(x, ) F(y, ).
19 Valoare medie. Dispersie. Momente. (pentru
variabile aleatoare discrete unidimensionale)
Denit ia 19.1. Valoarea medie a variabilei aleatoare X avand repartit ia:
X :
_
x
1
x
2
... x
n
p
1
p
2
... p
n
_
este prin denit ie numarul
M(X) =
n

i=1
x
i
p
i
.
Propozit ia 19.1. Media unei variabile aleatoare are urmatoarele proprietat i:
1. Media unei variabile aleatoare conststante este egala cu constanta nsasi:
M(a) = a.
2. Media produsului dintre o constanta a si o variabila aleatoare X este egala cu
produsul dintre a si media lui X:
M(a X) = a M(X).
31
3. Media sumei a doua variabile aleatoare X si Y este egala cu suma mediilor acestor
variabile:
M(X + Y ) = M(X) + M(Y ).
4. Media produsului a doua variabile aleatoare independente X si Y este egala cu
produsul mediilor celor doua variabile aleatoare:
M(X Y ) = M(X) M(Y ).
5. Media variabilei aleatoare X verica:
inf X M(X) sup X.
6. Valoarea medie a abaterii fat a de media variabilei aleatoare este egala cu zero:
M(X M(X)) = 0.
Demonstrat ie. Aceste proprietat i se arata pe baza denit iei si raman pe seama cititorului.
Exemplul 19.1. Se arunca un zar. Variabila aleatoare X este numarul de puncte care
apar. Valoarea medie a acestei variabile este
M(X) = 1
1
6
+ 2
1
6
+ 3
1
6
+ 4
1
6
+ 5
1
6
+ 6
1
6
=
7
2
= 3.5.
Se arunca k zaruri. Fie Y num arul total de de puncte care apar. Valoarea medie a acestei
variabile este M(Y ) =
7k
2
.
Exemplul 19.2. Se arunca o moneda de trei ori. Fie X (Y ) variabila aleatoare care da
num arul de steme pe primele (ultimele) doua aruncari. Sa se arate ca:
1. M(X) = M(Y ) = 1;
2. M(X Y ) =
5
4
;
3. M
_
1
1 + Y
_
=
7
12
;
4.
X
1 + Y
are repartit ia
X
1 + Y
:
_
_
_
_
_
0
1
3
1
2
2
3
1
2
8
1
8
2
8
1
8
2
8
_
_
_
_
_
.
Exemplul 19.3. Se arunca un zar de doua ori. Fie X (Y ) variabila aleatoare care da
num arul la prima (a doua) aruncare. Sa se arate:
1. M(X Y ) = M(X) M(Y );
32
2. M
_
X
Y
_
= M(X) M
_
1
Y
_
.
Denit ia 19.2. Prin denit ie, dispersia variabilei aleatoare X este valoarea medie a
patratului abaterii, XM(X). Dispersia va notata cu D
2
(X) sau cu
2
(X) sau cu
2
:
D
2
(X) = M
_
(X M(X))
2

.
Propozit ia 19.2. Dispersia unei variabile aleatoare are urmatoarele proprietat i:
1. Dispersia unei variabile aleatoare constante este zero:
D
2
(a) = 0.
2. Dispersia produsului dintre o constanta si o variabila aleatoare X este egala cu
produsul dintre patratul constantei si dispersia variabilei X:
D
2
(a X) = a
2
D
2
(X).
3. Dispersia sumei a doua variabile aleatoare independente este egala cu suma disper-
siilor celor doua variabile aleatoare:
D
2
(X + Y ) = D
2
(X) + D
2
(Y ).
4. Oricare ar L > 0 are loc inegalitatea:
P [|X M(X)| < L] 1
D
2
(X)
L
2
(inegalitatea lui Cebsev).
Demonstrat ie. Demonstrat ia proprietat ilor 1-3 o lasam pe seama cititorului.
Demonstram aici doar proprietatea 4.
Consideram
X :
_
x
1
x
2
... x
n
p
1
p
2
... p
n
_
si

2
=
n

i=1
p
i
(x
i
M(X))
2
=
n

i=1
p
i

2
i
unde
i
= x
i
M(X).
Putem admite ca
2
i
sunt ordonat i:

2
1

2
2
...
2
n
.
Intercal am L ntre doua valori
2
i
,
2
i+1
, adica:

2
1

2
2
...
2
i
L
2
i+1
...
2
n
.
Daca n expresia lui
2
egalam cu zero tot i
2
j
L si nlocuim cu L tot i
2
j
L obt inem:

2
L[p
i+1
+ ... + p
n
]
33
sau
p
i+1
+... + p
n


2
L
.
Suma p
i+1
+... +p
n
reprezint a probabilitatea ca abaterea sa e mai mare sau egala cu L
si prin urmare
P[|X M(X)| L]

2
L
.
Din relat ia
P[|X M(X)| L] + P[|X M(X)| < L] = 1
rezulta inegalitatea din enunt .
Remarca 19.1. Daca L = k atunci:
P [|X M(X)| < k ] 1
1
k
2
.
Daca k = 3 rezulta
P [|X M(X)| < 3]
8
9
.
Aceasta nseamn a ca 89%
_
8
9
_
dintre abaterile absolute ale variabilei X nu depasesc 3
(regula trei sigma).
Se observa deci ca dispersia funct ioneaz a ca indicator de concentrare a abaterilor n jurul
valorii medii.
Problema 19.1. Sa se determine dispersia n cazul variabilelor aleatoare de la Exemplele
19.1, 19.2, 19.3.
Denit ia 19.3. Prin denit ie, abaterea medie patratica a unei variabile aleatoare X
este radacina patrata a dispersiei acestei variabile; o vom nota cu D(X) sau cu sau cu
:
(X) =
_
D
2
(X).
Abaterea medie patratica se exprima n aceleasi unitat i de masura ca si variabila aleatoare
considerata.
Denit ia 19.4. Se numeste moment obisnuit de ordin k al unei variabile aleatoare
X, media variabilei X
k
. Daca notam cu
k
un asemenea moment, putem scrie:

k
= M(X
k
) =
n

i=1
p
i
x
k
i
.
Denit ia 19.5. Se numeste moment centrat de ordin k al variabilei aleatoare X
media variabilei aleatoare [XM(X)]
k
. Daca notam cu
k
aceste momente, putem scrie:

k
= M[X M(X)]
k
.

In particular avem:

1
= M[X M(X)] = 0 ,
2
= M[X M(X)]
2
= D
2
(X).
34
Propozit ia 19.3. Momentele obisnuite si momentele centrate verica relat ia:

k
=
k
C
1
k

1

k1
+ C
2
k

2
1

k2
+ ... + (1)
k

k
1
.
Demonstrat ie. Prin denit ie
k
= M(X
1
)
k
.

Insa
(X
1
)
k
= X
k
C
1
k

1
X
k1
+ C
2
k

2
1
X
k2
... + (1)
k

k
1
.
Prin urmare:

k
= M(X
1
)
k
= M(X
k
) C
1
k

1
M(X
k1
) + C
2
k

2
1
M(X
k2
) ... + (1)
k

k
1
.

In baza acestei formule, fac and k = 2, putem scrie

2
=
2

2
1
,
adica dispersia este egala cu diferent a dintre momentul obisnuit de ordinul doi si patratul
momentului obisnuit de primul ordin.
Facand succesiv k = 3, 4, rezulta

3
=
3
3
1

2
+ 2
3
1
,

4
=
4
4
1

3
+ 6
2
1

2
3
4
1
.
20 Covariant a. Coecient de corelat ie
Denit ia 20.1. Daca X si Y sunt variabile aleatoare denite pe acelasi spat iu de select ie
S, vom numi covariant a a variabilelor X si Y , si o vom nota cu cov(X, Y ), numarul
cov(X, Y ) = M ([XM(X)][Y M(Y )]) =

xV
X

yV
Y
(xM(X))(yM(Y ))P(X=x, Y =y)
unde V
X
si V
Y
sunt mult imile valorilor variabilelor aleatoare X si Y .
Propozit ia 20.1. Are loc urmatoarea egalitate:
cov(X, Y ) = M(X Y ) M(X) M(Y ).
35
Demonstrat ie. Putem scrie :
cov(X, Y )=

xV
X

yV
Y
(xM(X)) (yM(Y )) P(X=x, Y =y) =
=

xV
X

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

xV
X
x

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

yV
Y
y

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

xV
X

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

xV
X
x P(X=x) M(X)

yV
Y
y P(Y =y)+
+M(X) M(Y )

xV
X

yV
Y
P(X=x, Y =y) =
=M(X Y ) M(Y ) M(X) M(X) M(Y ) + M(X) M(Y ) =
=M(X Y ) M(X) M(Y ).
Propozit ia 20.2. Daca X si Y sunt variabile aleatoare independente, atunci:
cov(X, Y ) = 0.
Demonstrat ie. Imediata, n baza Propozit iei 20.1.
Propozit ia 20.3. Daca X
1
, X
2
, ..., X
n
sunt n variabile aleatoare denite pe acelasi
spat iu de select ie, atunci are loc:
D
2
_
n

i=1
X
i
_
=
n

i=1
D
2
(X
i
) + 2

i<j
cov(X
i
, X
j
).
Demonstrat ie. Vom demonstra propozit ia pentru n = 3. Avem:
D
2
(X
1
+ X
2
+ X
3
) =M((X
1
M(X
1
) + X
2
M(X
2
) + X
3
M(X
3
))
2
) =
=M[(X
1
M(X
1
))
2
+ (X
2
M(X
2
))
2
+ (X
3
M(X
3
))
2
+
+ 2(X
1
M(X
1
))(X
2
M(X
2
)) + 2(X
1
M(X
1
))(X
3
M(X
3
))+
+ 2(X
2
M(X
2
))(X
3
M(X
3
))] =
=M(X
1
M(X
1
))
2
+M(X
2
M(X
2
))
2
+ M(X
3
M(X
3
))
2
+
+ 2M[(X
1
M(X
1
))(X
2
M(X
2
))]+
+ 2M[(X
1
M(X
1
))(X
3
M(X
3
))]+
+ 2M[(X
2
M(X
2
))(X
3
M(X
3
))] =
=
3

i=1
D
2
(X
i
) + 2

1i<j3
cov(X
i
, X
j
).
36
Denit ia 20.2. Daca X si Y sunt doua variabile denite pe acelasi spat iu de select ie
S, vom numi coecient de corelat ie a variabilelor X, Y , si l vom nota cu (X, Y ),
numarul
(X, Y ) =
M[(X M(X)) (Y M(Y ))]
_
D
2
(X) D
2
(Y )
=
cov(X, Y )
(X) (Y )
.
Remarca 20.1. Daca X
1
, X
2
, ..., X
n
sunt n variabile aleatoare denite pe spat iul de
select ie S, atunci:
D
2
_
n

i=1
X
i
_
=
n

i=1
D
2
(X
i
) + 2

i<j
(X
i
) (X
j
) (X
i
, X
j
).
unde (X
i
) =
_
D
2
(X
i
).
Exemplul 20.1.

Intr-o biblioteca sunt cart i numerotate de la 1 la n. Se scot lantamplare
cart ile din biblioteca. Spunem ca avem o ntalnire, daca num arul de pe carte coincide cu
num arul extract iei. Sa se calculeze media si dispersia num arului total de nt alniri.
Solut ie: La ecare carte asociem o variabila aleatoare X
i
, i = 1, 2, ..., n, denita astfel:
daca la extract ia i cartea poarta pe ea num arul i, atunci X
i
= 1, n celelalte situat ii
X
i
= 0. Probabilitatea ca la extract ia i sa obt inem cartea cu num arul i este P(X
i
) =
1
n
,
deoarece exista o singura carte cu acest numar printre cele n din biblioteca. Deoarece
ecare variabil a X
i
poate sa ia numai valorile 1 sau 0, rezulta ca:
P(X
i
= 0) = 1 P(X
i
= 1) = 1
1
n
,
de unde repartit ia variabilei aleatoare X
i
este:
X
i
:
_
_
_
1 0
1
n
1
1
n
_
_
_
.
Avem M(X
i
) =
1
n
, de unde D
2
(X
i
) = M(X
2
i
) M
2
(X
i
) =
1
n

1
n
2
=
n 1
n
2
.
Numarul total de nt alniri este dat de variabila aleatoare
Y = X
1
+ X
2
+... + X
n
.
Avem:
M(Y ) =
1
n
+
1
n
+ ... +
1
n
= 1
si
D
2
(Y ) =
n

i=1
D
2
(X
i
) + 2

i<j
cov(X
i
, X
j
).
Pentru calculul covariant ei, avem succesiv:
cov(X
i
, X
j
) = M(X
i
X
j
) M(X
i
) M(X
j
)
37
si
M(X
i
X
j
) = 1 P(X
i
X
j
= 1) + 0 P(X
i
X
j
= 0) =
(n 2)!
n!
=
1
n(n 1)
,
deoarece X
i
X
j
= 1 daca si numai daca cart ile cu numerele i si j au fost extrase la randul
lor, si sunt (n 2)! aranjamente n care se realizeaza acest eveniment.
Daca i = j, avem deci:
cov(X
i
, X
j
) =
1
n(n 1)

1
n

1
n
=
1
n
2
(n 1)
.
T inand seama de rezultatele obt inute, avem:
D
2
(Y ) = n D
2
(X
i
) + n(n 1) cov(X
i
, X
j
) = n
n 1
n
2
+ n(n 1)
1
n
2
(n 1)
= 1.
21 Convergent a sirurilor de variabile aleatoare
Consideram un sir de variabile aleatoare X
1
, X
2
, ..., X
n
, ... denite pe acelasi spat iu de
select ie S.

In teoria probabilitat ilor se nt alnesc diferite concepte de convergent a a sirului de variabile

aleatoare (X
n
)
n
.
Denit ia 21.1. Spunem ca sirul de variabile aleatoare (X
n
) converge sigur la variabila
aleatoare X daca
lim
n
X
n
(e) = X(e) e S.
Denit ia 21.2. Spunem ca sirul de variabile aleatoare (X
n
) converge n probabilitate
catre variabila aleatoare X, daca
lim
n
P(|X
n
X| < ) = 1
oricare ar > 0.
Denit ia 21.3. Spunem ca sirul de variabile aleatoare (X
n
) converge aproape sigur
catre variabila aleatoare X, daca
P
_
lim
n
X
n
= X
_
= 1.
Denit ia 21.4. Fie F
n
(x) funct ia de repartit ie a variabilei X
n
, (n = 1, 2, ...) si F(x)
funct ia de repartit ie a variabilei X. Sirul X
n
converge n repartit ie catre X daca
lim
n
F
n
(x) = F(x).
Denit ia 21.5. Daca
lim
n
D
2
(X
n
X) = 0,
zicem ca sirul X
n
converge n medie patratica la X.
38
Propozit ia 21.1. Daca sirul X
n
converge la X n medie patratica, atunci X
n
converge
la X n probabilitate.
Demonstrat ie. Din inegalitatea lui Cebsev avem
1
D
2
(X
n
X)

P(|X
n
X| < ) 1,
de unde, trecand la limita pentru n , se obt ine ca daca D
2
(X
n
X)

n
0, atunci
P(|X
n
X| < )

n
1
Propozit ia 21.2. Daca sirul X
n
converge la X aproape sigur, atunci X
n

n
X n
probabilitate.
Demonstrat ie. Daca X
n

n
X aproape sigur, atunci pentru orice > 0 avem
lim
N
P
_
sup
nN
|X
n
X| >
_
= 0.
Rezulta de aici ca
lim
n
P(|X
n
X| > ) = 0.
Propozit ia 21.3. Daca D
2
(X
n
X)

n
0 si

i=1
M(X
n
X)
2
< +, atunci X
n

n
X
aproape sigur.
22 Legi ale numerelor mari
Teorema 22.1 (Cebsev). Fie (X
n
) un sir de variabile aleatoare denite pe un spat iu de
select ie S. Daca variabilele aleatoare sunt independente si D
2
(X
n
) c, n, atunci pentru
orice > 0 are loc
lim
n
P(|

X
n
M(

X
n
)| < ) = 1,
unde

X
n
=
1
n
(X
1
+X
2
+ ... + X
n
).
Demonstrat ie. Din inegalitatea lui Cebsev avem:
1
D
2
(

X
n
)

P(|

X
n
M(

X
n
)| < ) 1.
Deoarece
D
2
(

X
n
) =
1
n
2
n

i=1
D
2
(X
j
)
nc
n
2
=
c
n
,
obt inem
1
c
n
P(|

X
n
M(

X
n
)| < ) 1
si de aici
lim
n
P(|

X
n
M(

X
n
)| < ) = 1.
39
Remarca 22.1. Teorema lui Cebsev arata ca desi variabilele aleatoare independente pot
lua valori departate de mediile lor, media aritmetica a unui num ar sucient de mare de
astfel de variabile aleatoare ia, cu o probabilitate mare, valori n vecinatatea constantei
1
n
n

j=1
M(X
j
). Prin urmare, ntre comportarea variabilelor aleatoare si media lor exista o
mare deosebire.

In cazul variabilelor aleatoare nu putem prezice cu o probabilitate mare
valoarea, pe cand, n cazul mediei aritmetice ale acestor variabile, putem preciza, cu o
probabilitate apropiata de 1, ce valoare ia.
Media aritmetica a unui num ar sucient de mare de variabile aleatoare si pierde calitatea
de variabil a aleatoare.
Teorema 22.2 (Bernoulli). Sa presupunem ca se fac n experient e independente, n
ecare experient a probabilitatea evenimentului A ind p, si e numarul de realizari
ale evenimentului A n cele n experient e. Pentru orice avem
lim
n
P
_

n
p

<
_
= 1.
Demonstrat ie. Asociem la ecare experient a o variabil a aleatoare X
j
care are valorea 1
daca n experient a de ordin j evenimentul s-a realizat si 0 daca nu s-a realizat. Astfel,
num arul de realizari ale evenimentului A , n cele n experient e, este dat de
= X
1
+ X
2
+ ... + X
n
unde ecare din variabilele X
1
, X
2
, ..., X
n
are repartit ia
X
i
:
_
1 0
p 1p
_
.
De aici rezulta: M(X
i
) = p, D
2
(X
i
) = p (1p), si M() = np, D
2
() = np (1p).
Aplicand inegalitatea lui Cebsev variabilei
1
n
rezulta:
P
_

n
M
_

n
_

<
_
1
D
2
_

n
_

2
sau
P
_

n
p

<
_
1
p (1 p)
n
2
.
T inand seama ca p (1p)
1
4
, obt inem
P
_

n
p

<
_
1
1
4n
2
.
Trecand la limita, obt inem
lim
n
P
_

n
p

<
_
= 1,
ceea ce demonstreaza teorema.
40
Remarca 22.2.

In cazul unei populat ii de volum mare, daca se efectueaza o select ie de
volum n si se obt in rezultate favorabile, atunci, cu o probabilitate apropiata de 1, putem
arma ca probabilitatea evenimentului cercetat este data de frecvent a relativa.
Prin urmare, n studiul populat iilor mari pentru care nu putem determina apriori
probabilitatea de realizare a unui eveniment, probabilitatea se poate exprima prin
frecvent a relativa

n
a evenimentului considerat, fapt ce constituie justicarea teoretica a
folosirii frecvent ei n loc de probabilitate.
Exemplul 22.1. Se arunca o moneda de n ori. Cat de mare trbuie sa e n pentru ca
probabilitatea inegalitat ii

n

1
2

<
1
100
sa e mai mare decat 0.99, stiind ca reprezint a num arul de aparit ii ale unei fet e alese
dinainte.
Solut ie: Neav and nici un motiv sa presupunem ca o fat a are sansa mai mare de aparit ie
decat alta fat a, urmeaza ca
n
2
.
Rezulta M() =
n
2
, D
2
() =
n
4
, M
_

n
_
=
1
2
, D
2
_

n
_
=
1
4n
.
Din inegalitatea lui Cebsev, rezulta ca:
P
_

n

1
2

<
1
100
_
1
D
2
_

n
_
1
10
2
.
Deducem ca, pentru ca P
_

n

1
2

<
1
100
_
> 0.99 este sucient sa impunem ca
1
D
2
(

n
)
1
10
2
> 0.99 1
(100)
2
4n
>
99
100
4n > 10
6
n > 250.000
23 Repartit ia binomiala
Consideram un spat iu de select ie cu doua evenimente elementare S
1
= {e
0
, e
1
}, pentru
care
P({e
0
}) = 1 p si P({e
1
}) = p,
unde p este un num ar oarecare din [0, 1]. Consideram produsul cartezian
S = S
1
S
1
... S
1
. .
n ori
adica mult imea elementelor de forma (e
i
1
, e
i
2
, ..., e
i
n
) unde i
j
este 0 sau 1.
Spat iul de select ie S cont ine 2
n
elemente. Denim probabilitatea P pe S astfel:
P({(e
i
1
, e
i
2
, ..., e
i
n
)}) = P
1
({e
i
1
}) P
1
({e
i
2
}) ... P
1
({e
i
n
}).
41
Fie A
k
, k = 0, 1, ..., n, evenimentul care consta din acei (e
i
1
, e
i
2
, ..., e
i
n
) care cont in k
elemente de 1. (A
k
este evenimentul care consta din k succese).
Propozit ia 23.1.
P(A
k
) = C
k
n
p
k
(1 p)
1k
.
Demonstrat ie. Numarul sistemelor de forma (e
i
1
, e
i
2
, ..., e
i
n
) care cont in k numere 1 este
C
k
n
.
Remarca 23.1. Evenimentele A
0
, A
1
, ..., A
n
sunt incompatibile si reuniunea lor este
evenimentul sigur, deci:
A
0
A
1
... A
n
= S
si
P(A
0
) + P(A
1
) + ... +P(A
n
) = 1.
Probablitat ile P(A
0
), P(A
1
), ..., P(A
n
) pot servi pentru denirea unei repartit ii ntr-un
spat iu de select ie de n+1 puncte 0, 1, 2, ...n, n care evenimentul k nseamn a evenimentul
A
k
.
Denit ia 23.1. Variabila aleatoare X avand repartit ia
X :
_
0 1 ... k ... n
C
0
n
p
0
(1p)
n
C
1
n
p
1
(1p)
n1
... C
k
n
p
k
(1p)
nk
... C
n
n
p
n
(1p)
0
_
se numeste variabila binominala si se noteaza de obicei cu B(n, p) (sau X B(n, p)).
Termenul de variabila aleatoare binominala provine din faptul ca probabilitat ile
b(k; n, p) = C
k
n
p
k
(1 p)
nk
sunt termenii succesivi din dezvoltarea [p + (1 p)]
n
.
Remarca 23.2. Alegerile lui p si n determina n mod unic repartit ia binominala; diferite
alegeri conduc la diferite repartit ii.
Denit ia 23.2. Mult imea tuturor repartit iilor binomiale poarta numele de familia
repartit iilor binomiale.
Remarca 23.3. Repartit iile binominale au fost analizate de James Bernoulli. Schema
pe care a dat-o, si care este modelul unui num ar mare de fenomene reale, este: extrageri
succesive independente dintr-o urna care cont ine a bile albe si b bile negre, a si b ram anand
aceleasi n decursul extragerii (se pun napoi). Probabilitatea de a extrage o bila alba este
p =
a
a + b
si de a extrage una neagra este 1 p = q =
b
a +b
.
Propozit ia 23.2. Variabila aleatoare X B(n, p) are urmatoarele proprietat i:
1. M(X) = n p;
2. D
2
(X) = n p (1 p);
42
3. Daca notam cu Mo modulul variabilei X (valoarea cea mai probabila), atunci:
np (1 p) Mo np + p.
Demonstrat ie. Prin calcul.
Propozit ia 23.3. Daca X
1
B(n
1
, p), X
2
B(n
2
, p) si X
1
, X
2
sunt independente,
atunci
1. X
1
+ X
2
B(n
1
+ n
2
, p);
2. P(X
1
= k|X
1
+ X
2
= n) =
C
k
n
1
C
nk
n
2
C
n
n
1
+n
2
, pentru max(0, n
1
n
2
) k min(n
1
, n).
Propozit ia 23.4. Funct ia de repartit ie a varibilei X B(n, p) este:
F(x) =
_

_
0 , x 0
(1p)
n
, 0 < x 1
(1p)
n
+ C
1
n
p (1p)
n1
, 1 < x 2
. . . . . . . . .
(1p)
n
+ C
1
n
p (1p)
n1
+ ... + C
k
n
p
k
(1p)
nk
, k < x k + 1
. . . . . . . . .
1 , x > n.
24 Repartit ia Poisson ca aproximat ie a repartit iei
binomiale
Adesea probabilitat ile binominale b(k; n, p) = C
k
n
p
k
(1 p)
nk
se calculeaza cu greutate.
Tabelele construite pentru asemenea probabilitat i depind de doi parametri, n si p.

In anumite condit ii putem gasi expresii simple, care pentru n aproximeaz a

probabilitat ile b(k; n, p), aproximat ia ind acceptabila chiar pentru valori mici ale lui
n.

In cele ce urmeaza vom prezenta asemenea aproximat ii.

Vom demonstra la nceput o teorema care se refera la comportarea repartit iei binominale
n cazul n care n este mare si n p este moderat de mare.
Teorema 24.1 (Poisson). Daca np
n
, atunci
b(k; n, p
n
)

k
k!
e

.
Demonstrat ie. Avem:
b(k; n, p
n
) =
1
k!
n(n 1) ... (n k + 1) p
k
n
(1 p
n
)
nk
=
=
1
k!

n
n

n 1
n
...
n k + 1
n
(np
n
)
k
(1 p
n
)
nk
.
43

Intruc at
n
n

n 1
n
...
n k + 1
n

n
1 si (np
n
)
k

n

k
demonstrat ia teoremei revine la a demmonstra ca
(1 p
n
)
nk

n
e

.
Deoarece
(1 p
n
)
nk
= (1 p
n
)
n
(1 p
n
)
k
si (1 p
n
)
k

n
1 si p
n

n
0, este sucient sa aratam ca
(1 p
n
)
n

n
e

.
Se stie ca
_
1
a
n
_
n

n
e
a
si convergent a este uniforma pe ecare interval nit
a
0
< a < a
1
.
Toate numerele np
n
pot restranse la un asemenea interval n jurul lui si astfel > 0,
n
1
() astfel nc at n > n
1
() sa avem

_
1
np
n
n
_
n
e
np
n

< .
Din continuitatea funct iei e
x
pentru n > n
2
() avem:
|e
np
n
e

| < .
Astfel, pentru n > n() = max(n
1
(), n
2
()), avem:
|(1p
n
)
n
e

| =

_
1
np
n
n
_
n
e

_
1
np
n
n
_
n
e
np
n
+e
np
n
e
np
n

_
1
np
n
n
_
n
e
np
n

+|e
np
n
e

| < 2,
ceea ce demonstreaza teorema.
Denit ia 24.1. Variabila aleatoare X care are funct ia de frecvent a (funct ia de probabil-
itate)
p(k, ) = P(X = k) =

k
k!
e

, k = 0, 1, 2, ...
se numeste variabila Poisson cu parametrul si se noteaza X Po().
Exemplul 24.1. 3% din suruburile fabricate de o masina sunt defecte, defectele apar and
la ntamplare n timpul procesului de product ie. Daca suruburile sunt mpachetate n
cutii a 100 de bucat i, care este probobilitatea ca o cutie sa cont ina x suruburi defecte?
Solut ie: Probabilitatea este data de funct ia de frecvent a binominala
b
_
x; 100,
3
100
_
= C
x
100

_
3
100
_
x

_
1
3
100
_
100x
, x = 0, 1, 2, ..., 100.

In acest caz n = 100, p = 0.03 si np = 3, iar aproximat ia Poisson pentru b(x; 100,
3
100
)
este
b
_
x; 100,
3
100
_
=
3
x
e
3
x!
.
44
Remarca 24.1. Repartit ia Poisson apare n multiple situat ii, ca de exemplu:
da probabilitat ile unui num ar specicat de chemari telefonice ntr-un anumit timp;
da probabilitat ile unui num ar specicat de defecte pe o unitate de lungime a unui
r;
da probabilitat ile unui num ar specicat de defecte pe o unitate de arie a unei
t esaturi;
da probabilitat ile unui numar specicat de bacterii pe unitatea de volum ntr-o
solut ie;
da probabilitat ile unui num ar specicat de accidente pe unitatea de timp.
Sa vedem cum apare distribut ia Poisson n una dintre situat iile de mai sus.
Exemplul 24.2. Consideram un r de lungime L si presupunem ca probabilitatea unui
singur defect pe o lungime L a rului este L. Admitem ca aceasta probabilitate
este independenta de pozit ia bucat ii L.

Impart im rul de lungime L n bucat i de lungime L =

L
n
si avem:
1. probabilitatea unei defect iuni pe lungimea L este L.
2. probabilitatea nici unei defect iuni pe lungimea L este 1 L.
3. probabilitatea a doua sau mai multe defect iuni pe L este (L), astfel nc at
(L)
L
0 cand L 0.
Evenimentul ca pe lungimea L + L sa e x defecte este reuniunea urmatoarelor
evenimente:
a) pe lungimea L sunt x defecte si pe L nici un defect;
b) pe lungimea L sunt x 1 defecte si pe L un defect;
c) pe lungimea L sunt x i defecte si pe L sunt i defecte (i = 2, 3, ..., x).
Probabilitat ile acestor evenimente sunt: P
x
(L) [1 L], P
x1
(L) L si (L).
Deci
P
x
(L + L) = P
x
(L) [1 L] + P
x1
(L) L + (L) , x = 1, 2, ...
si
P
0
(L + L) = P
0
(L) [1 L].
Aceste egalitat i pot scrise astfel:
P
x
(L + L) P
x
(L)
L
= [P
x1
(L) P
x
(L)] +
(L)
L
, x = 1, 2, ...
45
P
0
(L + L) P
0
(L)
L
= P
0
(L).
Pentru L 0 obt inem:
dP
x
dL
= [P
x1
(L) P
x
(L)]
dP
0
dL
= P
0
(L).
Daca impunem P
0
(0) = 1 si P
x
(0) = 0, x > 1, rezulta:
P
x
(L) =
(L)
x
e
L
x!
, x = 0, 1, 2, ...
care este funct ia de frecvent a cu

= L.
Teorema 24.2. Daca X si Y sunt variabile aleatoare independente repartizate Poisson
de parametrii respectiv , atunci X + Y Po( + ).
Demonstrat ie. Avem
P(X = x) =

x
e

x!
, x = 0, 1, 2, ...
P(Y = y) =

y
e

y!
, y = 0, 1, 2, ...
si cum X si Y sunt independente:
P(X = x, Y = y) = P(X = x) P(Y = y) =

x

y
e
(+)
x! y!
.
Fie Z = X + Y si g(z) = P(Z = z). Valoarea g(z) se obt ine nsum and P(X = x, Y = y)
dupa toate perechile (x, y) astfel ncat x + y = z, adica dupa toate perechile (x, z x).
Deci
g(z) =
z

x=0
P(X = x, Y = z x) = e
(+)
z

x=0

zx
x! (z x)!
=
=
e
(+)

z
z

x=0
C
x
z
_

_
x
z!
=
e
(+)

z
_
1 +

_
z
z!
=
=e
(+)
( +)
z
z!
, z = 0, 1, 2, ...
Propozit ia 24.1. Funct ia de repartit ie a variabilei X Po() este:
F(x) =
_

_
0 , x 0
. . . . . . . . .
k

j=1

j
j!
e

, k < x k + 1
. . . . . . . . .
Propozit ia 24.2. Daca X Po(), atunci
1. 1 < Mo < ;
2. M(X) = D
2
(X) = .
46
25 Repartit ia multinominala
O urna cont ine N = N
1
+N
2
+.... +N
k
bile, dintre care: N
1
au culoarea 1, N
2
au culoarea
2, ..., N
k
au culoarea k. Probabilitatea de a extrage o bila oarecare din urna este
1
N
.
Probabilitatea de a extrage o bila de culoare i din urna este p
i
=
N
i
N
. O urna de acest fel
se numeste urna lui Bernoulli cu mai multe stari.
Fie A
i
evenimentul care consta n extragerea unei bile de culoare i din urna, 1 i k.
Propozit ia 25.1. Probabilitatea ca n n extrageri independente (ecare dintre ele putand
da nastere la unul din cele k evenimente A
1
, A
2
, ..., A
k
) evenimentul A
i
sa se produca
de n
i
ori este
P
n
(n
1
, n
2
, ..., n
k
) =
n!
n
1
! n
2
! ... n
k
!
p
n
1
1
p
n
2
2
... p
n
k
k
.
Demonstrat ie. Presupunem ca cele n bile extrase s-au obt inut n ordinea
A
1
...A
1
. .
n
1
ori
A
2
...A
2
. .
n
2
ori
... A
k
...A
k
. .
n
k
ori
.
Deoarece A
i
sunt independente, probabilitatea acestui eveniment este p
n
1
1
p
n
2
2
... p
n
k
k
. De-
oarece succesiunea evenimentelor A
1
, ..., A
k
poate oricare, ram ane sa vedem n cate
moduri putem scrie n simboluri, dintre care n
1
egale cu A
1
, n
2
egale cu A
2
, ..., n
k
egale
cu A
k
. Acest num ar este dat de num arul permutarilor cu repetit ie si anume
n!
n
1
! n
2
! ... n
k
!
.
Prin urmare, probabilitatea cautata este
P
n
(n
1
, n
2
, ..., n
k
) =
n!
n
1
! n
2
! ... n
k
!
p
n
1
1
p
n
2
2
... p
n
k
k
.
Deoarece
1 = (p
1
+p
2
+ ...p
k
)
n
=

n
1
,...,n
k
n!
n
1
! n
2
! ... n
k
!
p
n
1
1
p
n
2
2
... p
n
k
k
rezulta ca

n
1
,...,n
k
P
n
(n
1
, n
2
, ..., n
k
) = 1
unde n
j
poate sa ia toate valorile posibile, astfel nc at n
j
0 si
k

j=1
n
j
= n.
Denit ia 25.1. Un vector (n
1
, n
2
, ..., n
k
) avand funct ia de frecvent a
P
n
(n
1
, n
2
, ..., n
k
) =
n!
n
1
! n
2
! ... n
k
!
p
n
1
1
p
n
2
2
... p
n
k
k
.
se numeste multinomial. Repartit ia corespunzatoare lui se numeste repartit ie multino-
miala si se noteaza cu M(n; p
1
, p
2
, ..., p
n
).
47
26 Repartit ia geometrica. Repartit ia binominala
negativa
Cand am denit repartit ia binominala am considerat reprezentarea unei experient e cu
doua rezulte posibile: succes (S) si insucces (I). Am xat un num ar n de experient e
si am determinat repartit ia numerelor de succese n n repetari. Aceasta repartit ie am
numit-o repartit ie binominala.

In continuare, consideram situat ia n care num arul total de efectuari ale experient ei nu
este dat dinainte.
Repetam experient a pana obt inem r succese, acesta ind xat dinainte; num arul de
insuccese (x) si num arul total de repetari ale experient ei (x + r) sunt variabile.
Fie X variabila numarul total de insuccese obt inute nainte de a se realiza succesul r.
Ne propunem sa gasim funct ia de frecvent a f(x) a variabilei X.
Mai nt ai, consideram cazul r = 1. Atunci f(x) este probabilitatea de a avea x insuccese
nainte de primul succes. Acest eveniment se poate realiza ntr-un singur mod: trebuie
sa se obt in a insuccese n primele x repetari ale experient ei si apoi un succes n experient a
x + 1. Cum repetarile experient ei sunt independente, avem
P(I, I, ..., I
. .
x ori
, S) = (1 p) (1 p) ... (1 p)
. .
x ori
p ,
unde p este probabilitatea succesului. Prin urmare
f(x) = (1 p)
x
p , x = 0, 1, 2, ...
Denit ia 26.1. Variabila aleatoare X avand funct ia de frecvent a
f(x) = (1 p)
x
p
se numeste variabila geometrica, iar (x, f(x)), x = 0, 1, 2, ... se numeste repartit ie
geometrica.
Cum 0 < p < 1, avem

x=0
f(x) = p [1 + (1 p) + (1 p)
2
+ ...] =
p
1 (1 p)
= 1.

In cazul general, f(x) este probablitatea de a obt ine exact x insuccese nainte de succesul
r. Pentru a se realiza acest eveniment, trebuie sa obt inem un succes n experient a r +x si
n cele r+x1 experient e anterioare sa obt inem r1 succese si x insuccese. Probabilitatea
de a obt ine r 1 succese n primele r + x 1 experient e este
C
r1
r+x1
p
r1
(1 p)
x
,
unde probabilitatea de a obt ine un succes n experient a r +x este p.
Deoarece experient ele sunt independente, probabilitatea cautat a este
f(x) = C
r1
r+x1
p
r
(1 p)
x
, x = 0, 1, 2, ...
48
Denit ia 26.2. Variabila X avand funct ia de frecvent e
f(x) = C
r1
r+x1
p
r
(1 p)
x
se numeste variabila binominala negativa, iar (x, f(x)) repartit ie binominala
negativa.
Propozit ia 26.1. Daca X, Y sunt variabile aleatoare independente, repartizate binominal
negativ de parametri (r
1
, p), respectiv (r
2
, p), atunci variabila X + Y este repartizata
binominal negativ de parametri (r
1
+ r
2
, p).
27 Variabile aleatoare continue
Lungimile si timpul teoretic pot lua orice valoare dintr-un interval. Daca evenimentele
sunt asemenea entit at i, atunci funct ia de probabilitate ar trebui sa e denita pe un
interval si sa asocieze probabilitat i tuturor elementelor acestui interval, nu doar unui
num ar nit de puncte (probabilitat i punctuale).
Exemplul 27.1. Daca un ceas se opreste la nt amplare, care este probabilitatea ca limba
care indica orele sa se opreasca ntre 7 si 10?
Solut ie:

In acest caz, avem de a face cu o familie de evenimente posibile care sunt ntr-
un interval continuu. Orice pozit ie ntre 0 si 12 este posibila si exista o innitate de
posibilitat i.
Nu putem numara cazurile egal posibile si nu putem asocia probabilitat i punctuale.
De aceea, ecarui subinterval al lui [0, 12] i asociem o probabilitate proport ionala cu
lungimea subintervalului. Deoarece intervalului [0,12] de lungime 12 trebuie sa i asociem
probabilitatea 1, unui subinterval de lungime unitate i vom asocia probabilitatea
1
12
, si
deci unui interval de lungime 3 = 10 7 i vom asocia probabilitateta
3
12
.
Astfel, probabilitatea ca T sa ia valori ntre 7 si 10 este
3
12
.
P(7 < T < 12) =
10 7
12 0
=
3
12
.

In acest caz, putem face si un rat ionament n care masuram probabilitat ile prin arii de
dreptunghiuri, si anume: reprezent am intervalul de timp [0, 12] pe orizontal a ca n gura
si consideram dreptunghiul avand lungimea 12 si lat imea
1
12
.
Lat imea am luat-o de
1
12
, pentru ca aria dreptunghiului sa e egala cu probabilitatea
evenimentului sigur (acul se opreste undeva intre 0 si 12 ), adica 1. Intervalului [7, 10]
i corespunde dreptunghiul hasurat, avand aria 3
1
12
= P(7 < T < 12).
49
Exemplul 27.2. Un autobuz trebuie sa ajunga in stat ia A la ora 7. Din motive
necunoscute, ora de sosire a autobuzului variaza ntre orele 6
50
si 7
20
. Frecvent ele relative
ale diferitelor sosiri arata ca acestea sunt dispuse ca n gura de mai jos:
Care este probabilitatea ca autobuzul sa ajunga la timp n stat ie?
Solut ie: Fie T variabila aleatoare care da timpul de sosire. Sa presupunem T = 0 pentru
7
05
, mijlocul intervalului timpilor de sosire. Deoarece aria triunghiului este 1, iar baza de
la T = 15 la T = 15, nalt imea sa va h =
1
15
.
Aria triunghiului hasurat reprezint a probabilitatea ca autobuzul sa ajunga n stat ie la ora
7
00
.

Inalt imea triunghiului este
2
45
, deci aria sa este
1
2
10
2
45
=
2
9
.
Prin urmare, probabilitatea cautata este
2
9
.
Exemplul 27.3. Pe segmentul AB se alege, la ntamplare, un punct U. Care este
probabilitatea ca distant a de la punctul U la A sa e cel put in de doua ori mai mare
ca distant a de la U la B?
Solut ie: A alege la nt amplare punctul U revine la a spune ca nici o regiune de pe AB
nu este privilegieta. Aceasta nsemn a ca probabilitatea ca U sa apart ina unui subinterval
I al lui AB este proport ional a cu lungimea lui I. Rezulta de aici ca
P(U I) =
lungimea lui I
lungimea lui AB
si deci
P(|AU| > 2|BU|) =
1
3
.
28 Funct ia de repartit ie pentru variabile aleatoare
continue. Densitatea de probabilitate
Daca X este o variabil a aleatoare ale carei valori sunt punctele unui interval, ne astept am
ca la schimb ari mici ale lui x sa se produca o schimbare mica n P(X < x), cu alte cuvinte
funct ia de repartit ie F(x) sa e continua.
Denit ia 28.1. O variabila X cu valori reale este numita variabila continua daca
funct ia sa de repartit ie F(x) este continua.
50
De altfel vom presupune mai mult. Vom admite ca F(x) este derivabila si ca
dF
dx
este
continua.
Denit ia 28.2. Funct ia f(x) =
dF
dx
se numeste densitatea de repartit ie (sau de
probabilitate) a variabilei X.
Deoarece F este crescatoare, rezulta
f(x) 0 , x.
De asemenea, avem:
F(x) =
_
x

f(t)dt si F() =
_

f(t)dt.
Funct ia de repartit ie F(x) se mai numeste si integrala probabilista a lui X.
Remarca 28.1. Densitatea de repartit ie f este denita pan a la o constanta de multipli-
care, care se determina din condit ia
_

f(t)dt = 1.
Propozit ia 28.1. Daca a si b sunt doua numere reale, atunci au loc urmatoarele egalitat i:
1. P(a X < b) = P(X < b) P(X < a) = F(b) F(a);
2. P(a X < b) = F(b) F(a) =
_
b
a
f(t)dt.
Demonstrat ie. Imediata.
Remarca 28.2. Daca a b, atunci F(a) F(b), adica
P(a X < b)

ab
0,
deci probabilitatea ca X sa ia valoarea b este zero. Expresia f(b) nu da probabilitatea ca
X = b, o densitate de probablitate folosindu-se numai ca integrand.
Remarca 28.3. Daca b a este mic si f(x) este continua, atunci
P(a X < b) =
_
b
a
f(t)dt (b a) f(t)
unde t =
a + b
2
.
Remarca 28.4.
f(x) = lim
x0
F(x + x) F(x)
x
= lim
x0
P(x X < x + x)
x
.
Aceasta relat ie explica si originea termenului de densitate de repartit ie: P(x X <
x + x) reprezinta probabilitatea ca variabila aleatoare X sa ia valori n intervalul
[x, x + x) (adica masa), iar x este lungimea acestui interval (adica volumul).
51
Denit ia 28.3. Se numeste modul si se noteaza cu Mo valoarea variabilei X pentru
care densitatea este maxima.
Modulul se gaseste printre rad acinile ecuat iei
df
dx
= 0.
Daca ecuat ia are o singura solut ie, repartit ia se numeste unimodala.

Intruc at f(x) =
dF
dx
, rezulta ca modulul se gaseste si printre rad acinile ecuat iei
d
2
F
dx
2
= 0.
Aceasta arata ca n x = Mo gracul funct iei de repartit ie are un punct de inexiune.
Denit ia 28.4. Cuantila de ordin a variabilei aleatoare continue X este acea valoare
x

a variabilei X pentru care F(x

) = P(x < x

) = .
Daca funct ia F(x) este strict crescatoare, atunci variabila X admite cuantile de orice
ordin, si acestea sunt unice.
Cuantila de ordin
1
2
este numita mediana si se noteaza cu Me. Pentru mediana, avem:
P(X < Me) = P(X > Me) =
1
2
.
Exemplul 28.1. Sa se determine funct ia de repartit ie, mediana, modulul pentru variabila
aleatoare T din Exemplul 27.2.
29 Valorile medii si dispersia unei variabile aleatoare
continue
Denit ia 29.1. Daca X este o variabila aleatoare continua cu densitatea de repartit ie f,
atunci valorea sa medie este denita ca
M(x) =
_
+

xf(x)dx ,
cu condit ia ca integrala sa convearga absolut, adica
_
+

|xf(x)|dx < +.

In caz contrar spunem ca X nu are medie nita.

Propozit ia 29.1. Media unei variabile aleatoare continue are urmatoarele proprietat i:
1. M(aX) = a M(X);
52
2. M(X + Y ) = M(X) + M(Y );
3. M(X M(X)) = 0.
Demonstrat ie. Se folosesc proprietat ile integralei.
Exemplul 29.1.

In condit iile Exemplului 27.2, sa se determine valoarea medie a timpului
de sosire.
Denit ia 29.2. Dispersia variabilei aleatoare X este
D
2
(X) =
_
+

(x M(X))
2
f(x)dx.
Exemplul 29.2. Sa se determine dispersia variabilei aleatoare din Exemplul 27.2.
30 Repartit ia normala
Denit ia 30.1. Spunem ca o variabila X urmeaza o repartit ie normala de para-
metri si
2
daca are densitatea de repartit ie
n(x; ,
2
) =
1

2
exp
_

1
2
2
(x )
2
_
, < x < ,
si vom scrie X N(,
2
).
Propozit ia 30.1. Daca X N(,
2
), atunci
M(X) = si D
2
(X) =
2
.
Demonstrat ie. Prin calcul direct.
Remarca 30.1. Funct ia n(x; ,
2
) este simetrica fat a de x = , este maxima n x =
si are puncte de inexiune n x = . Gracul funct iei este dat n gura:
Denit ia 30.2. Spunem ca variabila X are densitatea de repartit ie normala
standard daca are densitatea de repartit ie
n(x; 0, 1) =
1

2
e

1
2
x
2
, < x < +, , = 0, = 1.
53
Denit ia 30.3. Funct ia de repartit ie a variabilei normale standard,
(x) =
1

2
_
x

1
2
t
2
dt
se numeste funct ia lui Laplace.
Din proprietatea lui (x): (x) + (x) = 1, rezulta:
(x) = P(X < x) = P(X > x) = 1 P(X < x) = 1 (x)
Funct ia lui Laplace este tabelata pentru diferite valori ale lui x. Cu aceste tabele putem
gasi probabilitat ile asociate cu evenimentele privind orice variabili a normala.
Propozit ia 30.2. Daca X N(,
2
), atunci:
i) P(X < b) =
_
b

_
;
ii) P(a < X < b) =
_
b

_
a

_
.
Demonstrat ie. Se foloseste schimbarea de variabil a u =
x

.
Propozit ia 30.3. Daca X
i
N
i
(
i
,
2
i
), i = 1, n, atunci
Y =
n

i=1
c
i
X
i
are proprietatea
Y N
i
_
n

i=1
c
i

i
,
n

i=1
c
2
i

2
i
_
.
BIBLIOGRAFIE
[1] V. Craiu, Teoria probabilitat ilor cu exemple si probleme, Ed. Fundat iei Romania de
maine, 1997.
[2] R. Johnson, Elementary Statistics, PWS-KENT Publishing Company, Boston, 1984.
[3] R. Mittelhammer, Mathematical Statistics for Economics and Business, Springer,
1996.
54