Sunteți pe pagina 1din 21

Teoria probabilitilor

Teoria probabilitilor reprezint studiul matematic al probabilitilor, cu alte cuvinte, al


fenomenelor caracterizate de incertitudine i de ntmplare.
1. Scurt istoric
nceputurile teoriei probabilitilor sunt legate de numele matematicienilor Blaise Pascal i
Pierre Fermat n secolul al XVII-lea, ajungnd la probleme legate de probabilitate datorit
jocurilor de noroc. Dezvoltarea teoriei probabilitilor i cercetarea unor probleme nelegate
de jocurile de noroc sunt legate de matematicienii: Abraham Moivre, Pierre Simone de
Laplace, Carl Friedrich Gauss, Simon-Denis Poisson, Pafnuti Lvovici Ceb ev , Andrei
Andreevici Markov n secolul XIX, iar n secolul al XX-lea Andrei Nikolaevici Kolmogorov
i al lui Alexandr Iakovlevici Hincin.
Probabilitatea evenimentelor aleatoare
Clasificarea evenimentelor:
a) sigur - evenimentul apariiei una din feele 1,2,3,4,5,6 la un zar;
b) imposibil- evenimentul apariiei feei 7 la un zar;
c) aleator - evenimentul apariiei feei 3 la un zar.
Frecvena unui eveniment
= , unde m reprezint numrul de apariii E n cazul a n ncercri
Probabilitatea unor evenimente aleatoare
n cazul unui numr n suficient de mare de experimente n care evenimentul E apare de m ori,
frecvena relativ m/n poate fi socotit ca valoarea probabilitilor. Aceast valoare se
numete probabilitatea (statistic a) evenimentului E i se noteaz P(E); .
3
Evenimente incompatibile, contrare
Evenimente incompatibile - evenimentele nu se produc simultan.
Evenimente contrare - producerea unuia nseamn nerealizarea celorlalte.
Regula de adunare i cea de nmulire
Regula de adunare
Probabilitatea reuniunii unui numr de evenimente incompatibile este egal cu suma
probabilitilor acestor evenimente:
P(E E E E ... E
K
)=P(E
1
)+P(E
2
)+P(E
3
)+ P(E
4
)+...+P(E
K
).
Regula de nmulire
pentru evenimente independente: P(E F)=P(E) P(F)
pentru evenimente condiionate: P(E F)=P(F) P(E/F)
Cmp de evenimente. Cmp Borel de evenimente
1. Mulimea S e un element a lui B.
2. Dac dou mulimi E1 i E2 sunt elemente ale lui B atunci E E2, E E2 sunt elemente ale lui B.
3. Dac mulimile E1, E2, ..., En, ... sunt elemente ale lui B, atunci E E ...E ... i E E ...E
sunt de asemenea elemente ale lui B.
Cmp de evenimente - condiiile 1 i 2
Cmp Borel de evenimente - condiiile 1, 2, 3.
Sistemul de axiome Kolmogorov
Axioma 1. Fiecrui eveniment aleator E din cmpul de evenimente i este ataat un numr
real nenegativ P(E) numit probabilitatea lui E. Axioma 2. Probabilitatea evenimentului sigur
S P(S)=1.
Axioma 3. Dac evenimentele E
1
, E
n
sunt incompatibile dou cte dou, atunci P(E E ...
E
n
)=P(E
1
)+P(E
2
)+...+P(E
n
)
Axioma de adunare extins. Dac apariia unui eveniment E echivalent cu apariia unui
oarecare eveniment E
1
,..., E
n
, ... incompatibile dou cte dou, atunci P(E)=P(E
1
)+P(E
2
)+...
+P(E
n
)+...
4
2. VARIABILE ALEATOARE
2.1 Definitia variabilei aleatoare
Majoritatea experimentelor de interes practic au ca rezultate valori numerice. Aceasta inseamna ca
rezultatul unei probe al unui experiment, poate fi caracterizat de un numar sau de un cuplu de numere.
Se poate, astfel considera ca fiecarei probe al unui experiment i se poate asocia un numar sau de un
cuplu de numere. Se poate atunci introduce notiunea de variabila aleatoare (intamplatoare) ca o
functie reala definita pe multimea evenimentelor elementare asociate experimentului considerat.
Cuvantul aleator, subliniaza faptul ca se lucreaza cu elemente generate de fenomene intamplatoare,
care nu sunt guvernate de legi strict deterministe. Elementul dificil in analiza acestor fenomene consta
in faptul ca desi acestea au o anumita regularitate, este imposibil de precizat cu certitudine rezultatul
unei probe intamplatoare.
Fie multimea evenimentelor elementare asociata unui anumit experiment, rezultatele posibile
fiind notate cu

. Este posibil ca acesta sa nu fie un rezultat numeric in sine, dar i se poate atribui o
anumita valoare numerica. De exemplu, la distribuirea unor carti de joc, se poate atribui o anumita
valoare numerica fiecarei carti samd.
DEFINITIE Orice functie f definita pe si care ia valori in multimea numerelor reale R, se numeste
variabila aleatoare.
Prin urmare, fiecarui rezultat
i

, n i 1 , ii corespunde numarul real


( )
i i
f x , n i 1 .
OBSERVATIE Numarul rezultatelor
i
x
, n i 1 , distincte este mai mic cel mult egal cu n.
EXEMPLU Se considera experimentul aruncarii unui zar. Fie
i

, 6 i 1 , evenimentele care
constau in aparitia fetei cu un numar i de puncte. Se poate defini o variabila aleatoare, ca fiind data de
( ) i f
i

.
Se considera acum ca variabila aleatoare f inregistreaza s valori distincte
s 2 1
x ,..., x , x
, in
conditiile in care sunt inregistrate n evenimente elementare
i

, n i 1 . Fie
k 2 1
i i i
..., , ,
,
evenimentele elementare pentru care
( )
i i
x f
h

, k h 1 . Notand
( )
h h
i i
p p
, atunci:
( )
k 2 1
i i i i i
p ... p p x f p q + +
.
5
EXEMPLU Se considera o variabila aleatoare g, data de recolta de grau pe un hectar. In aceasta situatie
variabila aleatoare poate avea orice valoare dintr-un interval
( ) b , a
si prin urmare apare urmatoarea
clasificare, generata de natura valorilor inregistrate.
DEFINITIE O variabila aleatoare se numeste discreta (discontinua) daca poate lua numai valori
izolate. Numarul valorilor posibile ale unei variabile aleatoare discrete poate fi finit sau infinit.
O variabila aleatoare se numeste continua daca poate lua valori care umplu un interval finit sau
infinit. Evident, numarul valorilor posibile ale unei variabile aleatoare continue este intotdeauna
infinit.
2.2 Repartitia unei variabilei aleatoare discrete
Pentru a defini o variabila aleatoare discreta este suficient sa se enumere toate valorile posibile pe
care aceasta le poate lua. Insa, pentru a o cunoaste complet trebuie enumerate si probabilitatile
corespunzatoare fiecarei valori inregistrate.
Se numeste repartitie a unei variabile aleatoare discrete enumerarea valorilor posibile ale variabilei
aleatoare si a probabilitatilor corespunzatoare acestora. De obicei repartitia unei variabile aleatoare
discrete se scrie sub forma unui tablou in care prima linie contine toate valorile posibile, iar a doua
linie, probabilitatile corespunzatoare :

,
_

n 2 1
n 2 1
p ... p p
x ... x x
: f
, sau

,
_

i
i
p
x
: f
, n i 1 .
Tinand seama ca intr-un experiment variabila aleatoare ia una si numai una din valorile sale
posibile, rezulta ca evenimentele care constau in aceea ca variabila
f
ia valorile
1
x
sau
2
x
,,
sau
n
x formeaza - dupa cum se stie un sistem complet de evenimente. Prin urmare, suma
probabilitatilor acestor evenimente este egala cu unitatea :
1 p ... p p
n 2 1
+ + +
.
2.3 Operatii cu variabile aleatoare discrete
DEFINITIE Puterea de ordinul k a variabilei aleatoare f este variabila aleatoare
k
f cu repartitia :
6

,
_

n 2 1
k k k
k
p ... p p
x ... x x
: f
n 2 1
.
DEFINITIE Daca
a
este un numar real, produsul dintre
a
si
f
este variabila aleatoare
af
, cu
repartitia :

,
_

n 2 1
n 2 1
p ... p p
ax ... ax ax
: af
.
Fie
f
si
g
doua variabile aleatoare, avand respectiv repartitiile:

,
_

n 2 1
n 2 1
p ... p p
x ... x x
: f
si

,
_

m 2 1
m 2 1
q ... q q
y ... y y
: g
.
Se considera evenimentul care consta in aceea ca
f
ia valoarea
i
x
, n i 1 si
g
ia valoarea
j
y
,
m j 1
. Acest eveniment notat
( )
j i
y g , x f
si care este intersectia evenimentelor
( )
i
x f si
( )
j
y g
, constand in aceea ca
f
ia valoarea
i
x , respectiv
g
ia valoarea j
y
, are o
probabilitate bine determinata:
( )
ij j i
p y g , x f P
.
Cum evenimentele
( )
j i
y g , x f
, n i 1 ,
m j 1
, in numar de
nm
, formeaza un
sistem complet de evenimente, atunci :

n
1 i
m
1 j
ij
1 p
.
DEFINITIE Variabila aleatoare
g f +
are repartitia:

,
_

+
ij
j i
p
y x
, n i 1 ,
m j 1
.
DEFINITIE Variabila aleatoare
fg
are repartitia:

,
_

ij
j i
p
y x
, n i 1 ,
m j 1
.
7
Exista vreo legatura intre probabilitatile
n 2 1
p ,..., p , p
si
n 2 1
q ,..., q , q
? Raspunsul la aceasta
intrebare este afirmativ, insa legatura dintre aceste probabilitati nu este intotdeauna simpla. Un caz in
care aceasta legatura este foarte simpla este acela in care
f
si
g
sunt independente.
DEFINITIE Variabilele
f
si
g
se numesc independente probabilistic daca pentru orice i si
j
,
n i 1 ,
m j 1
, evenimentele ( )
i
x f si
( )
j
y g
sunt independente. Prin urmare:
( ) ( ) ( )
j i j i
y g P x f P y g , x f P
,
adica
j i ij
q p p
.
In mod analog se pot defini sumele si produsele a mai mult de doua variabile aleatoare, ca si
notiunea de independenta a unui numar oarecare de variabile aleatoare.
2.4 Momentele unei variabile aleatoare discrete
Se considera doua variabile aleatoare
f
si
g
si se presupune ca
f
poate lua valorile
s 1
x ,..., x
, iar
g
poate lua valorile
t 1
y ,..., y
. Pentru fiecare pereche ( )
k i
y , x , fie jk
p

probabilitatea ca
f
sa ia valoarea j
x
si
g
sa ia valoarea
k
y , adica:
( )
k j jk
y g , x f p p
,
s j 1
, t k 1 .
DEFINITIE Probabilitatile jk
p
,
s j 1
, t k 1 constituie repartitia comuna a variabilelor
aleatoare
f
,
g
.
DEFINITIE Variabilele aleatoare
f
si
g
sunt independente, daca pentru orice
j
,
s j 1
si
orice k , t k 1 are loc:
( ) ( ) ( )
k j k j
y g p x f p y g , x f p
.
Se considera acum mai mult de doua variabile aleatoare. Fie
n 1
f ,..., f
,
n
variabile aleatoare,
unde variabila aleatoare j
f
ia valorile j , s j , 1
j
x ,..., x
,
n j 1
.
DEFINITIE Probabilitatile :
8
( )
n , j n 2 , j 2 1 , j 1 j ... j j
n 2 1 n 2 1
x f ,..., x f , x f p p
constituie repartitia comuna a variabilelor aleatoare
n 1
f ,..., f .
DEFINITIE Variabilele aleatoare
n 1
f ,..., f sunt independente, daca pentru orice
l l
s j 1 ,
n l 1 :
( )
n , j n 2 , j 2 1 , j 1
n 2 1
x f ,..., x f , x f p
( ) ( ) ( )
n , j n 2 , j 2 1 , j 1
n 2 1
x f p ... x f p x f p
.
DEFINITIE Variabilele aleatoare
,... f ,..., f , f
n 2 1
1
sunt independente, daca orice numar finit de
variabile aleatoare din acest sir sunt independente.
Introducem acum o caracteristica numerica foarte importanta, asociata unei variabile aleatoare.
DEFINITIE Numarul
( )

s
1 k
k k
p x f M
se numeste valoarea medie a variabilei aleatoare
f
.
EXEMPLU In experimentul cu zarul :
( )
2
1
3
6
1
6
6
1
5
6
1
4
6
1
3
6
1
2
6
1
1 f M + + + + + .
DEFINITIE Fie r un numar intreg, 1 r . Numarul
( )

s
1 k
k
r
k r
p x f M
se numeste moment de ordinul r al variabilei aleatoare
f
.
OBSERVATIE Momentul de ordinul 1 este valoarea medie.
DEFINITIE Numarul
1
Vom nota un sir si sub forma ( )
n
f
9
( ) ( ) ( ) ( ) ( )


s
1 k
k
2
k 2
2
p f M x f M f M f D
se numeste dispersia variabilei aleatoare
f
.
Cu ajutorul acestor notiuni introduse, se pot demonstra o serie de proprietati.
PROPRIETATEA 1 Fie
f
o variabila aleatoare si r un numar intreg, 1 r . Atunci
( ) ( )
r
r
f M f M
Demonstratie. Fie variabila aleatoare
f
cu repartitia

,
_

s 1
s 1
p p
x x
: f

.
Atunci variabila aleatoare
r
f h va avea evident repartitia :

,
_

s 1
r
s
r
1
p p
x x
: h

;
cu alte cuvinte, valorile j
x
si
r
j
x
au aceeasi probabilitate j
p
,
s j 1
si deci
( ) ( ). f M p x h M
r
s
1 j
j
r
j

)
Din proprietatea anterioara se deduce imediat:
PROPRIETATEA 2 Fie
f
o variabila aleatoare care poate lua o singura valoare
a
cu probabilitatea
1 (adica
t tan cons a f
). Atunci:
( )
r
r
a f M .
PROPRIETATEA 3 Fie
f
o variabila aleatoare si
a
un numar real. Atunci:
( ) ( ) f M a af M
r
r
r
.
10
Demonstratie. Fie variabila aleatoare
f
cu valorile
s 1
x ,..., x
, avand probabilitatile
s 1
p ,..., p
si fie
af h
. Aceasta noua variabila aleatoare ia valorile
s 1
ax ,..., ax cu aceleasi probabilitati
s 1
p ,..., p
si deci:
( ) ( ). f M a p x a p x a h M
r
r
s
1 j
s
1 j
j
r
j
r
j
r
j
r



(

)
PROPRIETATEA 4 Fie
n
variabile aleatoare
n 1
f ,..., f . Atunci valoarea medie a sumei acestor
variabile aleatoare este egala cu suma valorilor medii, adica:
( ) ( ) ( )
n 1 n 1
f M ... f M f ... f M + + + + .
Demonstratie. Fie mai intai numai doua variabile aleatoare
f
si
g
. Se presupune ca variabila
aleatoare
f
ia valorile
s 1
x ,..., x cu probabilitatile
s 1
p ,..., p , iar variabila aleatoare
g
ia
valorile
t 1
y ,..., y
cu probabilitatile
t 1
q ,..., q
. De asemenea fie :
( )
k j jk
y g , x f p p
,
s j 1
, t k 1 .
Fie
g f h +
; aceasta noua variabila aleatoare ia valoarea
k i
y x + cu probabilitatea jk
p
,
s j 1
, t k 1 . Prin urmare :
( ) ( )


+
s
1 j
t
1 k
jk k j
p y x h M


,
_

,
_

t
1 k
s
1 j
jk k
s
1 j
t
1 k
jk j
p y p x
.
( ) 1
Suma

t
1 k
jk
p
, este suma probabilitatilor tuturor evenimentelor de forma
( )
k j
y g , x f
, unde
indicele
j
este acelasi pentru toti termenii sumei, iar indicele k variaza de la un termen la altul,
parcurgand toate valorile de la 1 la t. Deoarece evenimentele ( )
k
y g pentru indici k diferiti
sunt incompatibile doua cate doua, suma

t
1 k
jk
p
este probabilitatea producerii unui eveniment
oarecare din cele t evenimente
( )
k j
y g , x f
, t k 1 . Dar, a spune ca s-a produs un
eveniment oarecare din evenimentele
( )
k j
y g , x f
, t k 1 , este echivalent cu a spune ca s-a
produs evenimentul
( )
j
x f
. Intr-adevar, daca s-a produs unul din evenimentele
( )
k j
y g , x f
,
11
t k 1 , este evident ca s-a produs si evenimentul
( )
j
x f
; reciproc, daca s-a produs evenimentul
( )
j
x f
, atunci intrucat variabila aleatoare
g
ia neaparat una din valorile sale posibile
t 1
y ,..., y
, trebuie sa se produca si un eveniment oarecare din evenimentele
( )
k j
y g , x f
, t k 1 .
Asadar,

t
1 k
jk
p
fiind probabilitatea producerii unui eveniment oarecare din evenimentele
( )
k j
y g , x f
, t k 1 , este egala cu probabilitatea evenimentului
( )
j
x f
, adica
j
t
1 k
jk
p p

,
s j 1
.
In mod analog se deduce:
k
s
1 j
jk
q p

, t k 1 .
Tinand seama de aceste expresii in relatia
( ) 1
, se obtine :
( ) h M ( ) ( ) g M f M q y p x
t
1 k
k k
s
1 j
j j
+ +


.
Pentru mai mult de doua variabile aleatoare, se procedeaza prin inductie. Fie
n 1
f ... f h + +
si se presupune teorema adevarata pentru 1 n . Atunci :
( ) ( ) ( )
1 n 1 1 n 1
f M ... f M f ... f M

+ + + + .
Aplicand proprietatea pentru doua variabile aleatoare, se obtine :
( ) ( ) ( ) ( ) ( ) + + + + + +
n 1 n 1 n 1 n 1
f M f ... f M f f ... f M h M
( ) ( )
n 1
f M ... f M + + . (

)
PROPRIETATEA 5 Dispersia unei variabile aleatoare
f
este data de relatia :
( ) ( ) ( ) ( )
2
2
2
f M f M f D .
12
Demonstratie. ( ) ( ) ( ) ( ) ( ) ( )
2
2
2
f M f M f M f M f D
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2 2 2
f M M f f M 2 M f M f M f f M 2 f M + + ,
daca se tine seama de proprietatea precedenta. Mai departe, aplicand de doua ori proprietatea 1., se
obtine :

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2
2
2 2 2
f M f M f M f M f M 2 f M f D + .
( )
PROPRIETATEA 6 Fie
f
si
g
doua variabile aleatoare independente. Atunci valoarea medie a
produsului acestor variabile aleatoare este egala cu produsul valorilor medii, adica :
( ) ( ) ( ) g M f M fg M
.
Demonstratie. Se presupune ca variabila aleatoare
f
ia valorile
s 1
x ,..., x cu probabilitatile
s 1
p ,..., p
, iar variabila aleatoare
g
ia valorile
t 1
y ,..., y
cu probabilitatile
t 1
q ,..., q
. De
asemenea :
( )
k j jk
y g , x f p p
,
s j 1
, t k 1
si cum f si g sunt variabile independente:
k j jk
q p p
,
s j 1
, t k 1 .
Fie
fg h
; aceasta noua variabila aleatoare ia valoarea k j
y x
cu probabilitatea jk
p
,
s j 1
,
t k 1 . Prin urmare:
( )



s
1 j
t
1 k
jk k j
p y x h M

s
1 j
t
1 k
k j k j
q p y x
( ) ( ) g M f M q y p x
t
1 k
k k
s
1 j
j j

,
_

,
_



.
PROPRIETATEA 7 Fie
n
variabile aleatoare
n 1
f ,..., f independente doua cate cate doua. Atunci
dispersia sumei acestor variabile aleatoare este egala cu suma dispersiilor, adica:
( ) ( ) ( )
n
2
1
2
n 1
2
f D ... f D f ... f D + + + + .
13
Demonstratie. Din proprietatea 6 se deduce
( ) ( ) ( ) ( ) + + + + + +
2
n 1 n 1 2 n 1
2
f ... f M f ... f M f ... f D
( ) ( ) ( ) ( ) ( ) + + + +
2
n 1
2
n 1
f M ... f M f ... f M
( ) ( ) ( ) ( )

,
_


n
k j
1 k , j
k j
n
1 j
2
j
n
k j
1 k , j
k j
n
1 j
2
j
f M f M f M f f f M
( ) ( ) +


n
k j
1 k , j
k j
n
1 j
2
j
f f M f M ( ) ( ) ( ) ( )

n
k j
1 k , j
k j
n
1 j
2
j
f M f M f M
.
Daca se tine seama de faptul ca variabilele aleatoare
n 1
f ,..., f
sunt independente, atunci din
proprietatea 6 rezulta ca cele doua sume duble de mai sus se reduc si deci :
( ) + +
n 1
2
f ... f D
( ) ( ) ( ) ( )


n
1 j
2
j
2
j
f M f M
( ) ( ) ( ) ( ) ( )



n
1 j
j
2
n
1 j
2
j j 2
f D f M f M
.
PROPRIETATEA 8 (Inegalitatea lui Cebisev) Fie
f
o variabila aleatoare si un numar pozitiv
oarecare. Atunci
( ) ( )
( )
2
2
f D
f M f p

< ,
sau
( ) ( )
( )
2
2
f D
1 f M f p

<
Demonstratie. Fie
f
o variabila aleatoare care ia valorile
s 1
x ,..., x cu probabilitatile
s 1
p ,..., p .
Dispersia variabilei aleatoare
f
este :
( ) ( ) ( )


s
1 i
i
2
1
2
p f M x f D
.
14
Fie 0 > este un numar oarecare; daca din suma de mai sus se elimina toti termenii pentru care
( ) < f M x
i si raman numai termenii pentru care
( ) f M x
i , suma poate numai sa se
micsoreze, adica
( ) ( ) ( )
( )



f M x
i
2
1
2
i
p f M x f D
.
Aceasta suma se va micsora si mai mult daca in fiecare termen al ei vom inlocui factorul
( ) ( )
2
i
f M x
prin valoarea inferioara
2
:
( )
( )

f M x
i
2 2
i
p f D
.
Suma din partea dreapta reprezinta suma probabilitatilor tuturor acelor valori
i
x
ale variabilei
aleatoare
f
care se abat de la valoarea medie
( ) f M
de o parte si de alta cu mai mult de ;
conform proprietatii de aditivitate a doua evenimente incompatibile, aceasta este probabilitatea ca
variabila aleatoare
f
sa ia una din aceste valori. Cu alte cuvinte, aceasta suma este
( ) ( ) f M f p
. Adica :
( ) ( )
( )
2
2
f D
f M f p

< ,
ceea ce permite aprecierea probabilitatii abaterilor mai mari decat un numar dat dinainte, cu
conditia numai sa fie cunoscuta dispersia ( ) f D
2
.
Cu ajutorul proprietatilor 7 si 8 se poate demonstra urmatorul rezultat foarte important, cunoscut
sub numele de legea numerelor mari.
PROPRIETATEA 9 Fie ,... f ,..., f , f
n 2 1
un sir de variabile aleatoare independente care au aceeasi
repartitie si deci, aceeasi valoare medie
m
si aceeasi dispersie
2
. Atunci, pentru orice si
arbitrari, 0 > , 0 > , exista un numar natural ( ) , n
0
astfel incat indata ce ( ) , n n
0
> , are
loc :
<

,
_

n
1 j
j
m f
n
1
p .
15
Demonstratie. Din proprietatile 1 si 4, se deduce:

( )


,
_

n
1 j
n
1 j
j
n
1 j
j
m m
n
1
f M
n
1
f
n
1
M
si deci, aplicand proprietatea 8, se obtine:
2
n
1 j
j
2
n
1 j
j
f
n
1
D
m f
n
1
p

,
_

<

,
_

.
Dar:
( )
n
n
n
n
1
f D
n
1
f
n
1
D
2
n
1 j
2
2
2
2
n
1 j
j
2
2
n
1 j
j
2

,
_



,
de unde rezulta:
n
m f
n
1
p
2
2
n
1 j
j

<

,
_

.
Fiind dati 0 > , 0 > , se poate determina un numar natural ( ) , n
0
, care depinde de si
, astfel incat indata ce ( ) , n n
0
> , sa rezulte :

<
n
2
2
;
2
Prin urmare :
<

,
_

n
1 j
j
m f
n
1
p .
2
Drept ( ) , n
0
putem lua primul numar natural n pentru care

2
2
n> .
16
Cu alte cuvinte, proprietatea 9 arata ca daca variabilele aleatoare
,... f ,..., f , f
n 2 1
sunt
independente si daca au aceeasi medie
m
si aceeasi dispersie
2
, atunci pentru un
n
suficient de
mare, expresia

n
1 j
j
f
n
1
va diferi oricat de putin de
m
cu o probabilitate oricat de apropiata de 1.
Studiul independentei a doua variabile aleatoare se poate realiza si prin intermediul coeficientului
de corelatie.
DEFINITIE Se numeste corelatie a doua variabile aleatoare, media produsului abaterilor acestora:
( ) ( ) ( ) ( ) ( ) [ ] Y M Y X M X M Y , X cov .
PROPRIETATE ( ) ( ) ( ) ( ) Y M X M XY M Y , X cov .
Demonstratie ( ) ( ) ( ) ( ) [ ] Y M Y X M X M

( ) ( ) ( ) ( ) [ ] Y M X M X YM Y XM XY M

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Y M X M M X YM M Y XM M XY M +

( ) XY M ( ) ( ) Y M X M
DEFINITIE Se numeste coeficient de corelatie:
( )
( )
( ) ( ) Y D X D
Y , X cov
Y , X
.
TEOREMA Corelatia a doua variabile aleatoare independente este nula.
Demonstratie Daca variabilele X, Y sunt independente, atunci si ( ) X M X , respectiv ( ) Y M Y sunt
independente.
PROPRIETATI
1)
( ) 1 Y , X
;
2)
( ) 1 Y , X
daca si numai daca intre variabilele X si Y exista o relatie de legatura liniara.
Demonstratie 1) Fie
2
2
2
1
1
m Y m X
t U
1
]
1


, R t .
( ) 0 U M
,
( ) R t . Calculand
media variabilei aleatoare U, se obtine :
17
( )
( ) ( )
1
1
]
1


+

+

2
2
2
2
2
2
1
1
2
1
2
1 2
m Y m Y m X
t 2
m X
t M U M


( ) [ ]
2
1
2
1
2
m X M
t

+
( )( ) [ ]
2 1
2 1
m Y m X M
t 2


+
( ) [ ]
2
2
2
2
m Y M
1

.
Calculand discriminantul si impunand conditia ca acesta sa fie pozitiv, rezulta proprietatea data.
2) Fie b aX Y + ,
R b , a
, 0 a .
( ) ( ) X aD b aX , X cov
2
+

( )
( )
( ) X D a
X aD
Y , X
2
2

'

<
>
0 a [ dac , 1
0 a [ dac , 1
2.5 Repartitii discrete clasice
Repartitia binomiala
( )

,
_

n n
n
k n k
n
1 n 1
n
n 0
n
p C q C q C q C
n k 1 0
: k , n B


.
Parametrii acesteia sunt :
( ) [ ] np k , n B M , ( ) [ ] npq k , n B D
2
.
Repartitia Poisson
( )

,
_






e
! k
e
! 2
e e
k 2 1 0
: k , n P
k 2
.
Parametrii acesteia sunt :
( ) [ ] k , n P M , ( ) [ ] k , n P D
2
.
Repartitia Poisson poate fi scrisa si in forma:
( )
( )
np
k
e
! k
np
k , n P

,
( ) np
.
Distributia hipergeometrica
18
( )

,
_

+


n
b a
k n
b
k
a
n
b a
1 n
b
1
a
n
b a
n
b
0
a
C
C C
C
C C
C
C C
k 1 0
: k , n H .
Parametrii acesteia sunt : ( ) [ ] np k , n H M , ( ) [ ]
1 N
n N
npq k , n H D
2

,
_

+ p 1 q ,
N
a
p , N b a
Revenind la calculul parametrilor repartitiilor, se obtine :
Repartitia binomiala
( ) [ ]


n
0 k
k n k k
n
q p C k k , n B M .
Fie binomul :
( )
n n
n
k k n k
n
2 2 n 2
n
1 n 1
n
n 0
n
n
x C ... x q C ... x q C x q C q C x q + + + + + + +

( ) 1 .
Derivand dupa x, rezulta:
( )
n
n
1 n k n k
n
1 k 2 n 2
n
1 n 1
n
1 n
C nx ... q C kx ... q xC 2 q C 1 x q n

+ + + + + + .
Inmultind cu x, rezulta:
( )
n n
n
k k n k
n
2 2 n 2
n
1 n 1
n
1 n
x nC ... x q kC ... x q C 2 x q C 1 x q nx + + + + + +

( ) 2
Pentru
p x

( ) [ ]
( ) np q p np p q C k
1 n
1
k , n B M
n
0 k
k k n k
n
+



.
Daca derivam inca o data ( ) 2 dupa x, rezulta:
+ + + + +
n
n
1 n 2 k n k
n
1 k 2 2 n 2
n
2 1 n 1
n
2
C x n ... q C x k ... q xC 2 q C 1
( ) ( )( ) [ ]
2 n 1 n
x q 1 n x x q n

+ + +
si inmultind cu x ( ) ( )( ) [ ]
2 n 1 n
n
0 k
k n k k
n
2
x q 1 n x x q nx q p C k

+ + +

.
Pentru
p x

( ) [ ] +
+


1 p np
n
0 k
k n k k
n
2
p 1 n 1 np q p C k
( )

q
2 2
p 1 np p n

+
, de unde rezulta ca:
[ ] ( ) npq p n p 1 np p n x D
2 2 2 2 2
+ .
Repartitia Poisson
Considerand dezvoltarea in serie Taylor a functiei ( )

e f in jurul originii rezulta:
( ) ( ) ( ) ( )
( )
( ) ... 0 f
! n
... 0 f
! 2
0 f
! 1
!
0 f f
n
n
//
2
/
+ + + + +

0 k
k
! k
e

,
19
( )
( ) [ ] 1 0 f
n

.
Atunci
( ) [ ]


0 k
k
e
! k
k k , n P M


1 k
k
e
! k
k

( )

1 k
k
e
! 1 k

( )

1 k
1 k
e
! 1 k

0 k
k
e
! k


e e

, adica ( ) [ ] k , n P M .
Pentru determinarea dispersiei este necesar sa se calculeze:
( ) [ ]


0 k
k
2 2
e
! k
k k , n P M


1 k
k
2
e
! k
k

( )

1 k
k
e
! 1 k
k

( )

1 k
1 k
! 1 k
k e


( ) +

0 k
k
! k
1 k e


1
1
1
1
]
1

e
0 k
k
e
0 k
k
! k ! k
k e

( ) [ ] +
2 2
k , n P M

( ) [ ] +
2 2 2
k , n P D
.
Prin urmare, repartitia Poisson are ( ) [ ] k , n P M ( ) [ ] k , n P D
2
.
Repartitia hipergeometrica
( ) [ ]

n
0 k
k n
b
k
a
n
b a
n
0 k
n
b a
k n
b
k
a
C C k
C
1
C
C C
k k , n H M

+
n
1 k
k n
b
k
a
n
b a
C C k
C
1
( )

+
n
1 k
k n
b
n
b a
C
! k a ! k
! a
k
C
1
t 1 k
n
1 k
k n
b
1 k
1 a
n
b a
C C k
C
a

( )


1 n
1 b a
C
1 n
0 t
t 1 n
b
t
1 a
n
b a
C C
C
a
( )
( )
( ) ( )
( ) +
+
+

+
! 1 b a
! n b a ! 1 n
! n b a ! n
! b a
a
b a
an
+
.
( ) [ ]
( )

n
1 k
k n
b
2
n
b a
n
0 k
n
b a
k n
b
k
a 2 2
C
! k a ! k
! a
k
C
1
C
C C
k k , n H M

n
1 k
k n
b
1 k
1 a
n
b a
C C k
C
a

( )
( ) +

+

1 n
0 t
t 1 n
b
t
1 a
n
b a
t 1 k
1 t C C
C
a
( ) ( )
1
1
]
1

+
1 n
0 t
t 1 n
b
t
1 a
1 n
0 t
t 1 n
b
t
1 a
n
b a
C C t C C
C
a
.
( )

1 n
0 t
t 1 n
b
t
1 a
C C t
( )

1 n
1 t
t 1 n
b
t
1 a
C C t
( )
( )
( )


1 n
1 t
t 1 n
b
C
! t 1 a ! t
! 1 a
t
( )
( )
s 1 t
1 n
1 t
t 1 n
b
1 t
2 a
C C 1 a



( )
( )

2 n
0 s
s 2 n
b
s
2 a
C C 1 a ( )
2 n
2 b a
C 1 a

+


20
( ) [ ] ( ) [ ] +

+

+
+
2 n
2 b a
1 n
1 b a
n
b a
2
C 1 a C
C
a
k , n H M
( )
( )
( )
( ) ( )
+
+
+

+
+
! n b a ! 1 n
! 1 b a
! b a
! n b a ! an

( )
( )
( )( )
( ) ( )

+
+

+
+
! 2 n ! n b a
! 2 b a 1 a
! b a
! n b a ! an ( ) ( )
( )( ) 1 b a b a
1 n n 1 a a
b a
an
+ +

+
+

( ) [ ]
( )( )
( )( )

+ +

+
+

1 b a b a
n 1 n 1 a a
b a
an
k , n H D
2
( )

+
2
2 2
b a
n a
( )
( ) ( ) 1 b a b a
n b a abn
2
+ +
+
.

( ) [ ]
( )
( ) ( )

+ +
+

1 b a b a
n b a ab
k , n H D
2
2
1 b a
n b a
npq
+
+
, unde
b a
a
p
+

,
b a
b
q
+

.
BIBLIOGRAFIE
1. Ciuci G. - Elemente de teoria probabilitilor i statistic matematic, Editura Didactic i
Pedagogic, Bucureti, 1963
2. Ciucu, G.,Craiu, V.- Introducere n teoria probabilitilor i statistic matematic, Editura
Didactic i Pedagogic, Bucureti, 1971
3. Ciucu, G., Craiu, V., Scuiu, I.- Probleme de teoria probabilitilor, Editura Tehnic, 1974
4. Ciucu, G., Craiu, V., Scuiu, I.- Probleme de statistic matematic, Editura Tehnic, 1974
21
5. Ciucu, G., Craiu, V., tefnescu, A.- Statistic matematic i cercetri operaionale,
Editura Didactic i Pedagogic, Bucureti, 1974
6. Ciucu, G., Tudor, C. - Probabiliti i procese stochastice, vol. I, Editura Academiei
R.S.R., Bucureti, 1978
7. Craiu, V. - Verificarea ipotezelor statistice, Editura Didactic i Pedagogic, Bucureti,
1972
8. Cuculescu, I. - Curs de calculul probabilitilor, Topografia Universitii, Bucureti, 1976
9. Feller, W. - An introduction to probability theory and its applications, vol. I (1957), vol. II
(1966), John Wiley
10. Gnedenko, B. V. - The Theory of probability, Mir Publishees Moscow, 1969
11. Guiau, S., Theodorescu, R.- Matematica i informaia, Editura Didactic i Pedagogic,
Bucureti, 1965
12. Iaglom, A. M., Iaglom, I. M. - Probabilitate i informaie, Editura Didactic i
Pedagogic, Bucureti, 1963
13. Iosifescu, M., Mihoc Gh., Theodorescu, R. - Teoria probabilitilor i statistic
matematic, Editura Tehnic, Bucureti, 1966
14. Iosifescu, M. - Lanuri Markov finite i aplicaii, Editura Tehnic, Bucureti, 1977
15. Iosifescu, M., Tutu, P. - Stochastic processe and applications in biology and medicine,
Bucureti, Berlin, Editura Academiei & Springer, 1973
16. Kendall, M. G., Stuart, A. - The advanced theory of Statistics, vol. I, II, Charles Griffin &
Company Limited, London, 1961
17. Kai Lai Chung - Elementary Probability Theory with Stochastic Processes, Springer
Verlag, New York Heidelberg Berlin, 1974
18. Kalbleisch, J. G. - Probability and Statistical Inference, I, II, Springer Verlag, New
York, Heidelberg, Berlin, 1979
19. Mc Phersson, G. - Statistics in Scientific Investigation (Its Basis, Application and
Interpretation), Springer Verlag, 1990
20. Mihoc, Gh., Ciucu, G., Craiu, V. - Teoria probabilitilor i Statistic matematic,
Editura Didactic i Pedagogic, Bucureti, 1970
21. Neveu, I. - Cours de Probabilits, Ecole Polytechnique, Paris, 1970
22. Onicescu, O. - Probabiliti i procese aleatoare, Editura tiinific i
Enciclopedic, Bucureti, 1977
23. Onicescu, O., Mihoc, Gh., Ionescu Tulcea, C. - Calculul probabilitilor i aplicaii,
Editura Academiei R.P.R., Bucureti, 1956
22
24. Reischer, C., Smboan, G., Theodorescu, R. - Teoria probabilitilor, Editura Didactic i
Pedagogic, Bucureti, 1967
25. Renyi, A. - Calcul de probabilits, Dunod, Paris, 1966
26. Schimetterer, L. - Einfuhrung in die matematische Statistik, Springer Verlag, Wien, New
York, 1966
27. Trandafir, R. - Introducere n teoria probabilitilor, Editura Albatros, Bucureti, 1979
28. Uilks, S. - Matematicescaia Statistica, Izdatelstvo Nauka, Moscova, 1967
29. Venzel, H. - Theorie de probabilits, Editura de Moscou, 1973
30. Ya-lun Chou - Statistical Analysis for Business and Economics, Elsevier, New York,
Amsterdam, London, 1989
23