Sunteți pe pagina 1din 114

1

Prof.univ.dr. Alexei LEAHU


PROBABILIT

A TI, STATISTIC

A I
(Statistic a Descriptiv a si Probabilit ati
Discrete)
2
CUPRINS
1.Introducere
2.Elemente de statistic a descriptiv a
2.1.Populatie statistic a. Unit ati statistice. Esantion de volum n.
2.2. Caracteristici statistice
2.3. Distributii (repartitii)
2.4. Analiza exploratorie a datelor
. 2.4.1. Reprezentarea tabelar a a datelor
2.4.2. Reprezentarea grac a a datelor statistice
2.5. Functia empiric a de repartitie
2.6. Parametri de pozitie
2.7. Parametri de mpr astiere
2.8. Probleme propuse
3. Probabilit ati discrete
3.1. Spatii de evenimente elementare
3.2. Denitia clasic a a probabilit atii
3.3. Elemente de combinatoric a si aplicatii
3.4. Cmpuri de probabilitate discret a
3.5. Probabilitate conditionat a
3.6. Independenta evenimentelor aleatoare
3.7. Probleme propuse
4. Variabile aleatoare discrete
4.1. Variabile aleatoare si repartitia lor
4.5. Functia de repartitie
4.6. Repartitii (modele probabiliste) uzuale n caz discret
4.6.1. Repartitia uniform a pe 0,1,. . . ` sau pe 1,2,. . . `
4.6.2. Repartitia Bernoulli cu parametrul j, j [0,1]
4.6.3. Repartitia binomial a cu parametrii : si j, : = 1,2,. . . .
j [0,1]
4.6.4.. Repartitia geometric a cu parametrul j, j [0,1]
4.6.5. Repartitia Poisson cu parametrul `, ` 0
4.6.6. Repartitia hipergeometric a cu parametrii `, ` si :
4.7. Variabile aleatoare bi(multi)dimensionale
4.7.1. Vectori sau variabile aleatoare bidimensionale
4.7.2. Vectori sau variabile aleatoare multidimensionale
4.8. Independenta variabilelor aleatoare
4.9. Formula convolutiei
3
4.10. Probleme propuse
5. Caracteristici numerice
5.1. Valoarea medie
5.2. Dispersia (varianta)
5.3. Coecientul de corelatie
5.4. Valori medii conditionate
5.5. Probleme propuse
6. Inegalit ati. Teoreme limit a
6.1. Inegalitatea lui Cebsev
6.2. Legea numerelor mari (forma slab a)
6.3. Legea Numerelor Mari n forma Bernoulli
6.4. Teorema limit a central a. Aplicatii
6.4,1. Aplicatii ale teoremei limit a central a
6.4,2. Aplicatii la Metoda Monte Carlo
6.5. Probleme propuse
4
Capitolul 1
Introducere
Notiunea de statistica se naste odat a cu aparitia si dezvoltarea relatiilor
economce, pn a n secolul XIX aceasta ind tratat a ca stiint a politic a. Cu-
vntul n cauz a provine de la latinescul status, care nseamn a stare.
ncepnd cu secolul XIX, statistica prinde conturul stiintei care actual-
mente are drept obiect de studiu metodele, procedeele de colectare, organizare,
prelucrare, analiza si interpretare a datelor ce vizeaza rezultatele observarilor
facute asupra fenomenelor sau experimentelor aleatoare. Statistica modern a,
mai ales acea parte a ei care se numeste Statistica matematica , bazndu-se
esential pe realizarile stiintelor matematice, foloseste din plin Teoria probabil-
ita tilor. Or, Teoria probabilita tilor si Statistica matematica studiaz a modele
matematice ale experimentelor (fenomenelor) aleatoare.
Aparitia Teoriei probabilit atilor ca ramur a a matematicii ce studiaz a
modele matematice ale fenomenelor aleatoare dateaz a din secolul XVII si
este legat a de numele marilor matematicieni Blaise Pascal (1623-1662), Pierre
Fermat (1601-1665), Christian Huygens (1629-1695) si Jacob Bernoulli (1654-
1705).
Multimea de fenomene care se ntlnesc n lumea nconjur atoare se m-
parte n dou a clase: fenomene deterministe si fenomene indeterministe sau
aleatoare.
Astfel, spunem ca fenomenul este determinist daca observatorul poate
anticipa cu certitudine evolutia acestuia. In calitate de exemplu putem lua
fenomenul atractiei universale. Observatiile facute asupra acestui fenomen
i-au permis marelui matematician si zician englez Isaac Newton (1642-1727)
5
6 CAPITOLUL 1. INTRODUCERE
sa formuleze legea atractiei universale:
1 = /
:
1
:
2
:
2
.
Acesta este un exemplu tipic de model matematic a unui fenomen (in cazul
dat) determinist. Dealtfel, a modela matematic (spre a cercetat) un fenomen,
proces, experiment, eveniment sau obiect oarecare nseamna a-l descrie cu
ajutorul no tiunilor si formulelor matematice, adica a-l descrie n limbajul
matematic. Unul si acelasi model matematic poate descrie dou a fenomene
diferite n esent a. De exemplu, formula de mai sus poate servi in calitate de
model matematic si pentru fenomenul atractiei a dou a particule elementare
(legea lui Coulomb).
Spunem despre un fenomen c a este indeterminist (aleator) - dac a ob-
servatorul fenomenului nu poate anticipa cu certitudine evolutia lui. Din
punct de vedere al observatorului, observatiile f acute asupra unui fenomen
sau m asur atorile corespunz atoare echivaleaz a cu o experimentare legat a de
fenomenul dat. Or, prin experiment vom ntelege observarea unui fenomen
dat. Experimentele indeterministe se mpart la rndul lor n dou a subclase:
(a) experimente nedeterministe (aleatoare) care poseda proprietatea regular-
ita tii statistice si (b) experimente aleatoare care nu poseda proprietatea reg-
ularita tii statistice.
Vom spune c a un experiment aleator c posed a proprietatea regularita tii
(stabilita tii) statistice daca acesta veric a urmatoarele propriet ati:
1) poate reprodus ori de cte ori dorim practic n acelea si condi tii;
2) pentru orice eveniment asociat lui 1 frecven ta lui relativa n :
probe
,
a
() =
:n: c:n| dc j:o/c ^:: cc:c : c j:odn:
:n: c:n| totc| dc j:o/c
=
:()
:
oscileaza n jurul unui numar notat cu P(). P() [0. 1], ,
a
() devenind,
odata cu cre sterea lui :, tot mai aproape si mai aproape de P()";
3) pentru doua serii diferite, respectiv de : si : probe, atunci cnd : si
: sunt foarte mari, avem ca ,
a
() - ,
n
() .
n concluzie, stabilitatea statistic a a frecventelor relative confer a verosimil-
itate ipotezei, conform c areia pentru orice eveniment . posibil ca rezultat ob-
servabil al unui experiment aleator c, putem deni num arul P() cu ajutorul
7
c aruia m asur am gradul (sansele) de realizare a lui ntr-un num ar foarte
mare de probe. Astfel, n Teoria probabilit atilor devine postulat armatia,
conform c areia pentru orice eveniment asociat unui experiment aleator c
exist a (obiectiv) un num ar P() numit probabilitate a lui . Proprietatea
reasc a a acestui num ar rezid a n faptul c a odat a cu cresterea num arului :
de probe (experimente) independente frecventa relativ a ,
a
() se apropie
tot mai mult de P(). Num arul P() se numeste probabilitate statistica (sau
frecven tiala) a evenimentului A.
Exemplul 1 Consideram n calitate de experiment c aruncarea monedei o
singura data. Fie evenimentul ce consta n apari tia stemei. Observam, de
exemplu, ca.
,
1000
() -
1
2
= P(), ,
2000
() -
1
2
= P().
Prin urmare, putem arma ca probabilitatea (statistic a) a aparitiei stemei
la aruncarea monedei o singura dat a este egal a cu 1,2. ceea ce inseamn a, ca
aruncnd moneda de un num ar sucient de mare de ori, stema va apare n
aproximativ 50% de cazuri .
Putem aduce si alte exemple de fenomene aleatoare: rezultatele arunc arii
unui zar, greutatea unui bob ge gru ales la ntmplare, num arul de bacterii
ntr-o pic atur a de ap a, durata vietii unui calculator produs de ntreprinderea
dat a, num arul de apeluri telefonice nregistrate la o statie telefonic a pe du-
rata unei zile, etc., etc. Enumerarea lor poate continua la nesfrsit, ns a ele
toate vor avea acelasi caracter, ind nsotite de astfel de notiuni imprecise
(deocamdat a) ca aruncare onest a, moneda perfect a, independent a,
etc.
Observatia 1 Probabilitatea statistica nu poate aplicata ntotdeauna, deoarece
nu orice experiment poate repetat n condi tii identice ori de cte ori dorim.
Experimentele aleatoare care poseda proprietatea regularita tii statistice tin de
fenomenele de masa. Pentru studiul experimentelor care nu poseda aceasta
proprietate, putem folosi no tiunea de probabilitate subiectiva.
Denitia 2 Prin probabilitate subiectiv a a evenimentului vom n telege
acea regula P conform careia ecarui eveniment o persoana data i asociaza
un numar P() [0. 1], numit probabilitatea evenimentului .
8 CAPITOLUL 1. INTRODUCERE
Astfel, putem vorbi despre probabilitatea subiectiva, evaluata, s a zicem,
de un expert, c a pn a n 2010 se va produce prima expeditie a omului pe
Marte.
Pentru studiul fenomenelor aleatoare indeterministe, n afar a de probabil-
itate subiectiva si probabilitate frecven tiala, exist a si notiunile de probabili-
tate clasica, probabilitate geometrica, probabilitate discreta si probabilitate
denit a n sens axiomatic. Toate aceste notiuni au ca scop denirea unei
modalit ati de m asurare a sanselor (gradelor) de realizare a evenimentelor
aleatoare date. Denitia axiomatic a a probabilit atii este, ntr-un anumit
sens, acoperitoare pentru toate celelate.
Capitolul 2
Elemente de statistic a
descriptiv a
Statistica descriptiva (analiza exploratorie a datelor sau analiza primara a
datelor) are drept scop prelucrarea si prezentarea datelor statistice ntr-o
form a ct mai compact a si propice analizei si interpret arii acestor date.
Prezentarea vizeaz a, de regul a, o prezentare a datelor numerice pentru a
putea folosi din plin posibilit atile calculatoarelor moderne. Datele statis-
tice reprezint a rezultatele m asur atorilor sau observatiilor f acute asupra unui
fenomen aleator.
2.1 Populatie statistic a. Unit ati statistice
Esantion de volum n
Notiunile de baz a cu care ncepe statistica descriptiv a sunt cele din titlu.
Denitia 3 Prin populatie (colectivitate) statistic a vom n telege orice mul time
nevida de obiecte, elemente, indivizi, supusa cercetarii. Elementele .
se numesc unit ati ale popula tiei statistice .
Denumirea de populatie statistic a este conventional a si provine din faptul
c a initial statistica avea de-a face cu studiul populatiilor de persoane.Unit atile
unei populatii interesante din punct de vedere statistic sunt considerate omo-
gene n raport cu acea proprietate sau caracteristic a care prezint a interes
din punct de vedere al cercet arii. O cercetare exhaustiv a a unei populatii
9
10 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
statistice n raport cu una sau mai multe caracteristici date se numeste re-
censamnt. Realizarea practic a a unui recens amnt este, de regul a, extrem
de costisitoare, de aceea cercetarea se limiteaz a doar la o parte a acestei
populatii.
Denitia 4 Orice submul time nita a unei popula tii statistice se nu-
me ste esantion. n cazul cnd cc:d() = : spunem ca e santionul este de
volum n.
Pentru ca un studiu statistic s a e corect, procedeul de selectare a unui
esantion reprezentativ de indivizi din populatia supus a studiului trebuie s a
asigure o esantionare perfect aleatoare. Printre metodele de selectie a unui
esantion enumer am:
metoda selectiei aleatoare ce const a n etichetarea tuturor indivizilor
dintr-o populatie si apoi selectarea lor n esantion prin generarea de
numere aleatoare;
selectia sistematic a din / n /, adic a includerea unit atilor din popu-
latie n esantion se face pe baza unei progresii aritmetice cu pasul /,
alegnd un num ar de la care se realizeaz a construirea progresiei;
selectia straticat a, adica selectia este realizat a astfel nct n esantion
s a e reprezentate toate straturile populatiei statistice (pentru aceast a
metod a trebuie cunoscut a n prealabil proportia straturilor din popu-
latie);
selectia pe grupe (str azi, careuri de teren, circumsciptii, etc);
selectia ierarhic a, de exemplu: se aleg aleator judete, apoi comune, apoi
str azi, apoi persoane
Exemplul 5 La alegerile preziden tiale popula tia statistica este formata din
mul timea tuturor persoanelor prezente la vot iar e santion este orice sub-
mul time de persoane votante (de exemplu 1500 de alegatori) alese conform
unei metode adecvate de selec tie.
Scopul si sensul unei investig ari statistice rezid a n cercetarea esantionului
si extrapolarea concluziilor deduse asupra ntregii populatii. Sursele de erori
cele mai importante ntr-un studiu statistic la nivelul statisticii descriptive
pot ap area din cauza lipsei unor date semnicative, nregistr arii gresite a
unor date sau din cauza c a esantionul nu are la baz a metode aleatoare de
construire.
2.2. CARACTERISTICI STATISTICE 11
2.2 Caracteristici statistice
De regul a, din punctul de vedere al unei cercet ari, nu unit atile populatiei
statistice sunt cele care prezint a interes, ci propriet atile sau caracteristicile
acestora.
Denitia 6 Prin caracteristic a statistic a,variabil a statistic a sau variabil a
aleatoare asociata unei popula tii vom in telege orice nsu sire, trasatura sau
proprietate caracteristica tuturor unita tilor popula tiei date. Caracteristicile
vor notate cu litere latine mari A. 2. 1. ....
Exemplul 7 Consideram n calitate de popula tie statistica mul timea
= . [ . :tndc:t |c l:ic::itctcc Cidin:.
Exemplul 8 Consideram n calitate de popula tie statistica mul timea =
. [ . :tndc:t |c l:ic::itctcc Cidin: . Fie caracteristica A, calitatea
studentului de a sau nu fumator, 1 - calitatea studentului de a sau nu
integralist, G - greutatea studentului, 1Q - coecientul lui de inteligen ta. Ob-
servam ca ecarei caracteristici statistice i corespunde o mul time de valori
posibile. Astfel, A A = 1. `1, unde 1 nseamna ca studentul este
fumator, `1 ca este nefumator; 1 = 1. `11. `1`, unde `1`
nseamna ca studentul este neintegralist - nepromovat, `11 - neintegral-
ist - promovat, iar 1 - integralist; G ( = q [ q 0, unde prin q am
notat greutatea studentului; 1Q JQ = i [ i = 0. 1. 2. .... /, i ind punc-
tajul care caracterizeaza gradul de inteligen ta cu valoarea maxima posibila
/. Putem imagina caracteristica (G. 1Q). unde G si 1Q sunt cele denite
anterior. Pentru caracteristica (G. 1Q) avem ca (G. 1Q) ( JQ =
q [ q 0 i [ i = 0. 1. 2. .... /.
Exemplele invocate arat a c a o caracteristic a statistic a este de fapt o
functie denit a pe multimea cu valori n multimea de valori posibile. Ast-
fel,
A : A, 1 : , G : (, 1Q : JQ, (G. 1Q) : ( JQ.
Aceleasi exemple de mai sus arat a c a variabilele statistice pot de dou a
feluri:
1. variabile statistice unidimensionale (univariate), cum ar A. 1. G. 1Q
12 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
2. variabile statistice multidimensionale (multivariate), cum ar variabila
bidimensional a 1Q.
Din punct de vedere al formei de prezentare a valorilor posibile, variabilele
statistice sunt de dou a tipuri:
1. categoriale (sau calitative) dac a valorile posibile se exprim a cu ajutorul
unor nume sau simboluri care nu admit o interpretare numeric a n
sensul c a asupra lor nu sunt aplicabile operatiile aritmetice (de exemplu
variabilele A. 1 descrise anterior sunt de tip categorial);
2. numerice ( sau cantitative) dac a valorile posibile pot interpretate nu-
meric (de exemplu variabilele G. 1Q de mai sus sunt de tip numeric).
Variabilele statistice categoriale sunt de trei tipuri:
1. Nominal - sunt acele variabile pentru care multimea de valori posibile
este nit a; valorile sunt exprimate prin intermediul unui nume, simbol,
cod, etc. Pentru valorile posibile ale unei variabile de tip nominal nu
poate stabilit a o ordine; de exemplu, variabila A din exemplul de
mai sus, sau variabila ce caracterizeaz a apartenenta religioas a (ateu,
crestin ortodox, catolic, musulman, etc.)
2. Ordinal - multimea de valori posibile este de asemena nit a; ns a poate
denit a o relatie de ordine pe multimea valorilor posibile, chiar dac a
scala lor de m asurare nu este bine denit a; de exemplu, variabila 1 din
exemplul de mai sus este ordinal a, deoarece performantele unui student
pot ordonate descresc ator precum urmeaz a: integralist, neintegralist-
promovat, neintegralist-nepromovat);
3. Interval - este variabila a c arei multime de valori posibile este nit a,
categoriile din aceast a multime, n afar a de faptul ca au o ordine intrin-
sec a, sunt exprimate, gradate numeric (de exemplu nota unui student
la disciplina Probabilit ati, Statistic a este o variabil a statistica de tip
interval, multimea de valori posibile ind 1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
Variabilele statistice numerice sunt, de asemenea, de trei tipuri:
2.3. DISTRIBU TII (REPARTI TII) 13
1. Discret - este variabila care ia valori ntr-o multime nit a sau innit a,
valorile ind, de regul a, numere ntregi care exprim a frecventa cu care
se produce un fenomen (eveniment) dat (drept exemplu putem lua
num arul de apeluri telefonice nregistrate pe parcursul a 24 de ore la o
statie de urgent a medical a);
2. Non-ratio (non-raport) continua - este variabila care ia valori dintr-
o scal a efectiv continu a , dar relativ slab denit a. Deseori, pentru
variabile de acest tip, 0 nu nseamn a lipsa caracteristicii, iar scala nu
este liniar a. Spre exemplu, diferenta dintre valorile 5 si 10 poate s a
nu aib a aceeasi semnicatie ca si diferenta dintre 80 si 85. Poate, de
asemenea, s a nu nsemne c a 40 corespunde cu 20 luat de 2 ori sau cu
jum atate din 80. Drept exemplu tipic de variabila de acest tip putem
lua temperatura aerului. In acest caz 0 nu inseamn a lipsa temperaturii,
iar n ziua n care au fost inregistrate 40
c
C nu inseamn a c a a fost de
dou a ori mai cald dect n ziua care au fost inregistrate 20
c
C;
3. Ratio (raport) continua: este variabila care ia valori dintr-o scal a efec-
tiv continu a si bine denit a iar asupra valorilor posibile au sens toate
operatiile aritmetice (de exemplu greutatea, in altimea unui student.
2.3 Distributii (repartitii)
Fie o populatie statistic a, de exemplu multimea tuturor studentilor de la
Universitatea Ovidius, si A o caracteristic a statistic a, A : A. Dac a
A este, s a zicem, calitatea de a sau nu fum ator, atunci A 1. `1 =
0. 1 .unde 1 0. `1 1. Nu este exclus s a existe .
i
. .
)
, .
i
,=
.
)
. i. , = 1. ` , astfel nct A(.
i
) = A(.
)
), ` ind volumul populatiei.
Frecventa relativ a asociat a valorii `1, adic a ponderea nefumatorilor n
ntreaga populatie
,
.
(`1) =
A(.
1
) +A(.
2
) +. . . +A(.
.
)
`
,
iar frecventa relativ a asociat a valorii 1
,
.
(1) =
(1 A(.
1
)) + (1 A(.
2
)) +. . . + (1 A(.
.
))
`
.
14 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Astfel, tabelul
A :
_
0 1
,
.
(1) ,
.
(`1)
_
reprezint a distribu tia sau reparti tia valorilor caracteristicii A n populatia
statistic a .
Denitia 9 Vom numi distributie (repartitie) a unei caracteristici statis-
tice n popula tia data modelul, tabloul sau regula conform careia putem aa
frecven ta relativa cu care ecare valoare posibila (sau grupa de valori posibile)
a acestei caracteristici apare n popula tia data.
Cunoasterea distributiei variabilei statistice in populatia dat a, e si cu o
anumit a "exactitate", este esential a pentru orice cercetare statistic a.
2.4 Analiza exploratorie a datelor
Analiza exploratorie sau prelucrarea primar a a datelor statistice este etapa a
doua de cercetare statistic a, prima ind etapa colect arii acestor date. Acest
curs nu se ocup a cu prima etap a. Etapa a doua are drept scop reprezentarea
datelor colectate (care sunt, de regul a, date numerice) ntr-o form a ct mai
compact a, comod a pentru etapa urm atoare a cercet arii statistice: analiza si
interpretarea acestor date. Formularea de intepret ari pentru datele statistice
tine de statistica inferen tiala care la rndul ei tine de statistica matematica.
2.4.1 Reprezentarea tabelar a a datelor
n cele ce urmeaz a esantionul (r
1
. r
2
. . . . . r
a
) de volum : din populatia sta-
tistic a a caracteristicii A va notat cu (r
1
. r
2
. . . . . r
a
) s A. iar multimea
de valori posibile pentru A va notat a cu A. n functie de tipul variabilei
statistice A, reprezent arile tabelare sunt diferite.
a) Dac a variabila este categoriala atunci valorile (categoriile) ei posibile
pot grupate: A = G
1
' G
2
' . . . ' G
I
, unde G
i
G
)
= O, \ i ,= ,,
:
1
+ :
2
+ . . . + :
I
= :. :
i
= cc:d r A [ r G
i
, i,, =
____
1. / . n acest
caz datele pot reprezentate sub form a de tabel de distribu tie a frecven telor
absolute
G
i
G
1
G
2
. . . G
I
:
i
:
1
:
2
. . . :
I
2.4. ANALIZA EXPLORATORIE A DATELOR 15
sau sub form a de tabel de distribu tie a frecven telor relative
G
i
G
1
G
2
. . . G
I
:
i
,: :
1
,: :
2
,: . . . :
I
,:
b) Dac a variabila este de tip numeric, atunci reprezentarea tabelar a a
datelor este precedat a de o prelucrare a datelor n ctiva pasi:
Pasul 1: Se construieste sirul variational corespunz ator esantionului.
Denitia 10 Se nume ste sir variational corespunzator e santionului (r
1
, r
2
,
. . . , r
a
) mul timea ordonata de valori (r
(1)
, r
(2)
, . . . , r
(a)
) care are urma-
toarele proprieta ti:
1. r
(1)
. r
(2)
. . . . . r
(a)
= r
1
. r
2
. . . . . r
a
;
2. r
(1)
_ r
(2)
_ . . . _ r
(a)
.
Exemplul 11 Consideram n calitate de variabila statistica A greutatea
unui student din anul II, iar (80,83,70,70,86) un e santion de 5 din popula tia
statistica a lui A. Atunci sirul varia tional corespunzator acestui e santion
este (70,70,80,83,86).
Pasul 2: se construieste sirul variational de valori distincte.
Denitia 12 Se nume ste sir variational de valori distincte mul timea ordo-
nata de valori (r
t
(1)
,r
t
(2)
,. . .,r
t
(I)
), / _ :, n care valorile distincte ale sirului
varia tional (r
(1)
. r
(2)
. . . . . r
(a)
) apar o singura data.
Exemplul 13 Pentru exemplu anterior, sirul varia tional de valori distincte
este (70,80,83,86).
Trecerea de la sirul variational la sirul variational de valori distincte poate
avea ca efect pierderea de informatie care este recuperat a la.
Pasul 3: Construirea tabloului frecventelor absolute:
Denitia 14 Tabelul
_
r
t
(1)
r
t
(2)
. . . r
t
(I)
:
1
:
2
. . . :
I
_
, :
i
_ 0.
I

i=1
:
i
= :.
se nume ste distributie a frecventelor absolute sau serie statistic a a frecventelor
absolute, unde :
i
este frecven ta absoluta a valorii r
t
(i)
n e santionul dat.
16 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Pasul 4: Construirea tabloului frecventelor relative.
Denitia 15 Tabelul

A :
_
r
t
(1)
r
t
(2)
. . . r
t
(I)
a
1
a
a
2
a
. . .
a
k
a
_
, :
i
_ 0.
I

i=1
:
i
= :, (1)
se nume ste distributie a frecventelor relative sau serie statistic a a frecventelor
relative. Evident,
a
1
a
+
a
2
a
+ +
a
k
a
= 1.
Observatia 2 Trecerea de la seria statistica a frecven telor absolute la seria
statistica a frecven telor relative este justicata si de faptul ca majoritatea
popula tiilor statistice interesante din punct de vedere practic sunt mul timi
innite. Atunci ponderea sau frecven ta relativa cu care valoarea data se
ntlne ste n popula tie este mai reasca din punct de vedere al cercetarii,
deoarece pentru populatii innite nu are sens sa vorbim despre frecven ta
absoluta cu care valoarea data se ntlne ste n popula tie. Mai mult dect
att, atunci cnd avem de a face cu un fenomen care poseda proprietatea
regularita tii statistice, numarul de observa tii : ind foarte mare, frecven ta
relativa a evenimentului
_
A = r
t
(i)
_
tinde catre probabilitatea ca variabila A
ia valoarea r
t
(i)
, adica
,
a
(A = r
t
(i)
) - P(A = r
t
(i)
), i = 1. /.
Prin urmare, putem, n consens cu scopul statisticii, sa extrapolam distribu tia
(1) asupra ntregii popula tii, considernd ca

A ca func tie de unita tile e san-
tionului de volum : se comporta, din punct de vedere probabilistic, ca si
variabila statistica A.
Pasul 5: Descrierea frecventei cumulate ca functie de r R.
n prelucrarea primar a a datelor statistice, scopul principal ind prezentarea
acestora ntr-o form a ct mai compact a, sunt utilizate si frecventele cumu-
late.
Denitia 16 Se nume ste frecvent a absolut a cumulat a cresc ator ( descresc ator)
corespunzatoare valorii r R, suma frecven telor absolute ale tuturor valo-
rilor distincte din e santion care sunt mai mici sau egale cu r (respectiv mai
mari sau egale cu r), adica

i:a
0
(i)
a
:
i
_
_

i:a
0
(i)
a
:
i
_
_
2.4. ANALIZA EXPLORATORIE A DATELOR 17
Frecven ta relativa cumulata crescator (descresator) corespunzatoare valorii
r R se nume ste suma frecven telor relative ale tuturor valorilor distincte
din e santion care sunt mai mici sau egale cu r (respectiv mai mari sau egale
cu r), adica

i:a
0
(i)
a
:
i
,:
_
_

i:a
0
(i)
a
:
i
,:
_
_
Frecven ta relativa cumulata crescator (descresc ator) a unei valori x este
denit a exact n aceeasi manier a, ca ind suma frecventelor relative ale tu-
turor valorilor variabilei mai mici sau egale cu r (mai mari sau egale cu r)
adic a

ja
:
j
_

ja
:
j
_
Se observ a c a frecventa relativ a cumulat a este raportul dintre frecventa
absolut a cumulat a si volumul populatiei. Dealtfel, notiunea de frecvent a rel-
ativ a cumulat a cresc ator coincide cu notiunea de functia empiric a de repar-
titie care va , data ind importanta ei, introdus a si studiat a ntr-un paragraf
aparte.
Pentru variabilele numerice, indeosebi de tip continue, atunci cnd volu-
mul esantionului este foarte mare, este indicat a gruparea datelor n clase (in-
tervale) disjuncte de valori si construirea tabelelor de distributie a frecventelor
pe baza acestor clase:
Clasa Frecventa absolut a Frecventa relativ a
[r
1
. r
2
) :
1
:
1
,:
[r
2
. r
3
) :
2
:
2
,:

[r
|1
. r
|
) :
|
:
|
,:

: 1
Valoarea centrala (sau mijlocul ) clasei [r
i1
. r
i
) este
c
i
=
r
i1
+r
i
2
, i = 1. |
c) Reprezentarea tabelar a a variabilelor bidimensionale
Fie (A,1 ) : A .unde A = r
1
,r
2
,. . ., iar =
1
,
2
,. . ..
Valorile variabilei bidimensionale (A,1 ) sunt A =(r
1
,
1
),(r
1
,
2
),. . ..
18 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Fie un esantion de valori ((r
i
1
,
i
1
),(r
i
2
,
i
2
),. . .,(r
in
,
in
)) s (A,1 ). Not am :
ct
frecventa absolut a a perechii (r
t
(c)
,
0
(t)
) din esantion, unde (r
t
(1)
,r
t
(2)
,...,r
t
(|)
),
(
t
(1)
,
t
(2)
,...,
t
(n)
) sunt sirurile variationale de valori distincte corespunz atoare
lui A si 1 , |, : _ :. : = 1. |, t = 1. :.
A

t
(1)

t
(2)
...
t
(n)
n

t=1
:
ct
= :
c
r
t
(1)
:
11
:
12
... :
1n
:
1
r
t
(2)
:
21
:
22
... :
2n
:
2
.
.
.
.
.
.
.
.
. ...
.
.
.
.
.
.
r
t
(|)
:
|1
:
|2
... :
|n
:
|
|

c=1
:
ct
= :
t
:
1
:
2
... :
n
|

c=1
n

t=1
:
ct
=
n

t=1
:
t
=
|

c=1
:
c
= :
,
Acesta se mai numeste tabel de contingen ta a frecventelor absolute ce
corespunde esantionului de volum: din populatia statistic a a variabilei (A,1 ).
Din acest tip de tabel se obtin cu usurint a tabelele de distributie ale ec arei
caracteristici n parte, numite si distribu tii marginale:
_
r
t
(1)
r
t
(2)
. . . r
t
(|)
:
1
:
2
. . . :
|
_
. :
i
_ 0.
|

i=1
:
i
= :.
_

t
(1)

t
(2)
. . .
t
(n)
:
1
:
2
. . . :
n
_
. :
i
_ 0.
a

i=1
:
i
= :.
2.4.2 Reprezentarea grac a a datelor statistice
Fie (r
1
. r
2
. . . . . r
a
) s A un esantion de volum :.
1. Reprezentarea graca sub forma de bastoane
Acestui tip de reprezentare se preteaz a datele legate de variabilele sta-
tistice categoriale sau discrete. Astfel, pentru ecare valoare (sau grup a
de valori) distinct a marcat a pe axa Cr a sistemului cartezian de co-
ordonate rC se ridic a cte un segment vertical de lungime egal a cu
frecventa corespunz atoare valorii respective.
2.5. FUNC TIA EMPIRIC

A DE REPARTI TIE 19
2. Reprezentarea graca sub forma de histograma
Acest tip de reprezentare se aplic a, de regul a, n cazul variabilelor con-
tinue atunci cnd volumul esantionului este mare. Pentru realizarea
acestui tip de grac, datele trebuie grupate pe clase de intervale dis-
juncte de valori, iar tabelul de distributie, s a zicem, a frecventelor rel-
ative s a e alc atuit pentru aceste intervale:
_
[c
1
. c
2
) [c
2
. c
3
) . . . [c
I
. c
I+1
)
a
1
a
a
2
a
. . .
a
k
a
_
unde (r
1
. r
2
. . . . . r
a
) _ [c
1
. c
2
) '[c
2
. c
3
) '... '[c
I
. c
I+1
). Dup a aceasta
n sistemul cartezian de coordonate rC marc am pe axa Cr ecare
interval [c
i
. c
i+1
). construind pe el un dreptunghi cu n altimea :
i
,:,
i = 1. / .
3. Poligonul frecven telor se obtine prin unirea centrelor laturilor supe-
rioare ale dreptunghiurilor din histogram a
4. Diagrame circulare (diagrame PIE)
Fiec arei categorii (clas a interval) din tabelul de distributie a frecventelor
i se asociaz a un sector de cerc al c arui unghi (arie) este proportional cu
frecventa categoriei (clasei) respective. Pentru aceasta, pentru ecare
categorie i se calculeaz a unghiul la centru corespunz ator dup a formula:
c
i
= 360

:
i
:
.
2.5 Functia empiric a de repartitie
Fie (r
1
,r
2
, ..., r
a
) ~ A un esantion de volum :.
Denitia 17 Vom numi functie empiric a de repartitie (f.e.r.) func tia
/
1
a
:
R R, unde
/
1
a
(r
1
. r
2
. . . . . r
a
; r) =
:n: c:n| dc c|o:i o/:c:ctc r
i
: r
i
_ r
:n: c:n| totc| dc c|o:i
=
cc:d r
i
r
1
. r
2
. . . . . r
a
[ r
i
_ r
:
20 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Exemplul 18 Fie e santionul (80,70,76,70,83) ~ G, unde G este greutatea
unui student luat la ntmplare. Atunci func tia empirica de reparti tie este :
^
1
a
(80. 70. 76. 70. 83; r) =
_

_
0 . r < 70
2
5
. 70 _ r < 76
3
5
. 76 _ r < 80
4
5
. 80 _ r < 83
1 . r _ 83
Din gur a se vede c a functia empiric a de repartitie este o functie de tip
scarat si are doar puncte de discontinuitate de speta I. n plus, observ am c a,
avnd gracul functiei empirice de repartitie, putem restabili:
1. sirul variational de valori distincte care coincide cu multimea de puncte
de discontinuitate (de salt);
2. frecventele relative cu care aceste valori apar in esantion care coincid,
respectiv, cu m arimile salturilor f.e.r. n punctele de discontinuitate.
Cu alte cuvinte, avnd o functia empiric a de repartitie putem restabili
univoc seria statistic a a frecventelor relative (repartitia de selectie), unde
frecventa relativ a :
i
,: a valorii r
0
(i)
coincide cu
/
1
a
(r
1
. r
2
. ... . r
a
; r
0
(i)
)
/
1
a
(r
1
. r
2
. ... . r
a
; r
0
(i)
0). i =
___
1. /
Urm atoarea propozitie,care poate demonstrat a cu usurint a, arat a c a
este valabil a si reciproca.
Propozitia 19 Pentru func tia empirica de reparti tie
/
1
a
au loc urmatoarele
egalita ti
/
1
a
(r
1
. r
2
. ... . r
a
; r) =
1
:
a

i=1
1
(1;x]
(r
i
) =
/
1
a
(r
(1)
. r
(2)
. ... . r
(n)
; r) =
1
:
a

i=1
1
(1;x]
_
r
(i)
_
=
/
1
a
(r
0
(1)
. r
0
(2)
. ... . r
0
(k)
; r) =
1
:
I

i=1
:
i
1
(1;x]
_
r
0
(i)
_
=
I

i=1
:
i
:
1
(1;x]
_
r
0
(i)
_
.
2.6. PARAMETRI DE POZI TIE 21
unde 1
(1;x]
(r
i
) =
_
1. r
i
_ r
0. r
i
r
. este indicatorul evenimentului r
i
(. r].
2.6 Parametri de pozitie
Sunt parametri care redau tendinta central a a valorilor din esantion, servind
n calitate de parametri de referint a pentru aceste valori. Acestia sunt de
fapt, niste statistici sau estimatori care, prin denitie, sunt functii reale
denite pe mutimea de valori posibile a esantionului (r
1
, r
2
, ..., r
a
) ~ A. Cu
alte cuvinte, daca A A, atunci (r
1
, r
2
, ..., r
a
) A A ... A = A
a
si prin urmare estimatorul (statistica) este o functie , : A
a
R. Valoarea
concret a ,(r
1
, r
2
, ..., r
a
) a unui estimator , se numeste estima tie. Originea
denumirilor de estimator si estima tie o putem aa lund drept exemplu cel
mai cunoscut parametru de pozitie, media de selec tie.
Denitia 20 Vom numi medie de selectie numarul r =
1
a
a

i=1
r
i
. Pentru
datele grupate n intervale, media se dene ste folosind centrele intervalelor
astfel:
r =
1
:
I

i=1
c
i
:
i
,
unde c
i
este mijlocul intervalului de indice i, i = 1. /.
Fie caracteristica A : A, unde este o populatie nit a, =
.
1
,.
2
, . . . ,.
.
. Valorile caracteristicii A n functie de unit atile populatiei
sunt A (.
1
),A (.2),. . .,A (.
.
).
Media lor aritmetic a j
A
=
1
.
a

i=1
A (.
i
) este media populatiei statistice n
raport cu variabila statistic a A. n contextul unei cercet ari statistice este
resc s a estim am valoarea lui j
A
, eventual necunoscut a, prin intermediul
estimatorului r.
Propozitia 21 Fie (r
1
. r
2
. . . . . r
a
) ~ A un e santion de volum :. Atunci
media de selec tie r poseda urmatoarele proprieta ti:
1. r = c daca r
1
= r
2
= . . . = r
a
= c.
22 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
2. Media de selec tie r
t
a e santionului transformat (cr
1
+,,cr
2
+,, ..., cr
a
+
,) se calculeaza dupa formula r
t
= c r +, pentru orice c,, R;
3. r
(1)
_ r _ r
(a)
, unde r
(1)
= min
i=
___
1,a
r
i
,iar r
(a)
= max
i=
___
1,a
r
i
;
4. Daca dispunem de doua e santioane: primul (r
1
, r
2
, . . ., r
a
) ~ A de
volum : cu media r
t
, al doilea (r
a+1
, r
a+2
, . . ., r
a+n
) ~ A de volum
: cu media r
tt
, atunci media e santionului ob tinut prin concatenarea
celor doua e santioane (r
1
, r
2
, . . .,r
a
, r
a+1
, r
a+2
, . . ., r
a+n
), este data
de formula
r =
: r
t
+: r
tt
: +:
.
5. r =
1
a
a

i=1
r
(i)
=
1
a
I

:
i
i=1
r
0
(i)
=
I

a
i
a
i=1
r
0
(i)
Exercitiul 2.6.1 Demonstra ti proprieta tile mediei de selec tie enun tate n
propozi tia anterioara.
Denitia 22 Mediana este acea valoare numerica care mparte sirul vari-
a tional n doua par ti egale, n sensul ca de ambele par ti a acestei valori va
nimeri acela si numar de valori ale sirului varia tional. Modalitatea de calcul
a medianei depinde de paritatea numarului de observa tii din e santion:
r
n
=
_
r
(k+1)
. dcc c : = 2/ + 1
a
(k)
+a
(k+1)
2
. dcc c : = 2/ + 1
Mediana are proprietatea de stabilitate: schimbarea valorii unei obser-
vatii, dar nu si a rangului ei, nu afecteaz a mediana. Calculul s au se face n
functie de modul de grupare al datelor:
dac a datele sunt date n forma de esantion (r
1
. r
2
. . r
a
) calculul
medianei se face folosind denitia;
dac a datele sunt n forma unui tabel de distributie a frecventelor, pasii
de parcurs sunt urm atorii:
se calculeaz a frecventele absolute cumulate cresc ator;
2.6. PARAMETRI DE POZI TIE 23
se calculeaz a
a+1
2
;
se determin a mediana , ca ind valoarea minim a a sirului vari-
ational de valori distincte pentru care frecventa absolut a cumulat a
cresc ator este _
a+1
2
.
dac a datele sunt grupate n intervale, aarea medianei se face astfel:
se traseaz a grac poligonul frecventelor absolute cumulate cresc a-
tor;
pentru valoarea
a+1
2
de pe axa C se a a acea valoare r. care
corespunde punctului poligonului nostru ce are ordonata egal a cu
a+1
2
.
Denitia 23 Moda (modul) este acea valoare r
A
din e santion care are
frecven ta (absoluta sau relativa) cea mai mare n e santion. Exista doua vari-
ante:
1. moda exista si este unica, atunci spunem ca suntem n cazul unimodal;
2. moda exista si nu este unica, atunci spunem ca suntem n cazul multi-
modal.
Observatia 3 Mediana si modul, spre deosebire de media de selec tie, nu
au proprieta ti de linearitate. Modalitatea de calcul pentru mod n cazul n
care dispunem de tabelul de distribu tie a frecven telor pe intervale de valori
este urmatoarea: mai nti se identica clasa modala, adica intervalul [c. c)
caruia i corespunde frecven ta (relativa sau absoluta) cea mai mare. Apoi
folosind nota tiile din gura, formula de calcul este:
r
n
= c +
d
1
d
1
+d
2
c
Exemplul 24 Fie e santionul (80, 70, 76, 70, 83) ~ G, unde G este greutatea
unui student luat la ntmplare, atunci media de selec tie, mediana si moda
sunt egale, respectiv cu r = 75. 8, r
n
= 76, r
A
= 70.
Observatia 4 Exemplul anterior arata, daca e sa confruntam cu f.e.r.
/
1
a
(80, 70, 76, 70, 83; r)
a e santionului dat (vezi exemplul din paragraful anterior), ca mediana are
proprietatea ca
/
1
a
(80, 70, 76, 70, 83; r
n
) _ 1,2 si 1
/
1
a
(80, 70, 76, 70, 83; r
n

0) _ 1,2, fapt ce conrma arma tia urmatoare.


24 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Propozitia 25 Daca r
n
este mediana e santionului (r
1
,r
2
, ..., r
a
) ~ A,
atunci
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
) _ 1,2 si
1
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
0) _ 1,2.
unde prin ,(r 0) se subn telege limita la stanga a func tiei , n punctul
r.
Demonstratie. Fie r
n
mediana esantionului (r
1
, r
2
, ..., r
a
) ~ A .
Consider am sirul variational (r
(1)
, r
(2)
, ... , r
(n)
) corespunz ator esantionului
(r
1
, r
2
, ..., r
a
). Cum : este par sau impar, analiz am dou a cazuri. Dac a
: = 2: + 1, atunci r
n
= r
(v+1)
. Prin urmare, dat ind faptul c a r
(r+1)
poate
o valoare care se repet a de mai multe ori n sirul variational (r
(1)
, r
(2)
, ... ,
r
(n)
),
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
) = 1
a
(r
1
. r
2
. .... r
a
; r
(r+1)
)
_ (: + 1) , (2: + 1) 1,2.
Din aceleasi motive,
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
0) = 1
a
(r
1
. r
2
. .... r
a
; r
(r+1)
0)
< :, (2: + 1) .
Dar
1
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
0) = 1
/
1
a
(r
1
. r
2
. ... . r
a
; r
(r+1)
0)
_ 1 :, (2: + 1) = (: + 1) , (2: + 1) 1,2.
Dac a : = 2:, atunci r
n
=
_
r
(r)
+r
(r+1)
_
,2. n caz c a r
(r)
,= r
(r+1)
e clar
c a
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
) =
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
0) = :,(2:) = 1,2.
Presupunnd ca r
(r)
= r
(r+1)
. deducem c a r
n
= r
(r)
= r
(r+1)
.
Prin urmare au loc inegalit atile:
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
) = 1
a
(r
1
. r
2
. .... r
a
; r
(r+1)
)
2.7. PARAMETRI DE MPR

A STIERE 25
_ (: + 1),(2:) 1,2;
1
/
1
a
(r
1
. r
2
. ... . r
a
; r
n
0)
= 1
/
1
a
(r
1
. r
2
. ... . r
a
; r
(r)
0) _ 1 :, (2:) = 1,2.
2.7 Parametri de mpr astiere
Fie (r
1
. r
2
. ... . r
a
) ~ A un esantion de volum :. Parametrul de pozitie, ind
o caracteristic a (statistic a) important a a esantionului, nu poate caracteriza
toate aspectele interesante din punct de vedere practic. Astfel, exemplul
urmator arat a ca pot exista dou a esantioane diferite ca grad de mpr astiere
a valorilor, dar care au aceeasi medie de selectie: (2. 4. 6) si (1. 4. 7). Or, se
impune introducerea unor parametri de mpr astiere (variatie). Vom incepe
cu cei mai simpli.
Denitia 26 Vom numi amplitudine absolut a valoarea = r
(a)
r
(1)
, unde
r
(a)
= max
i=1,a
r
i
, iar r
(1)
= min
i=1,a
r
i
.
Teoretic, din punct de vedere al mpr astierii, avem urm atoarele situatii
posibile:
Amplitudinea absolut a are urm atoarele neajunsuri: ea nu este adecvat a
distributiei valorior n situatiile (2) si (3). n plus, avnd dou a esantioane
care corespund la dou a caracteristici statistice diferitece ce se m asoar a n
unit ati de m asur a diferite, amplitudinea absolut a nu poate servi la compara-
rea gradul de mpr astiere a valorilor in aceste esantioane.
Ultimul defect al amplitudinii absolute poate , totusi, reparat prin in-
troducerea notiunii de amplitudine relativa.
Denitia 27 Vom numi amplitudinea relativ a valoarea
vc|
= , r, daca
r ,= 0.
26 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Urm atorii trei parametri de mpr astiere au la baz a abaterile individuale
ale valorilor e santionului fa ta de medie, mediana sau mod, respectiv r
i
r,
r
i
r
n
, r
i
r
M
.
Abaterea medie liniara absoluta fa ta de medie se deneste ca ind valoarea

a
=
1
a
a

i=1
[r
i
r[.
Abaterea medie liniara absoluta fa ta de median c se deneste ca ind val-
oarea

am
=
1
a
a

i=1
[r
i
r
n
[.
Abaterea medie liniara absoluta fa ta de mod se deneste ca ind valoarea

a
M
=
1
a
a

i=1
[r
i
r
A
[.
Observatia 5 Observam ca pentru abaterile individuale r
i
r a valorilor
r
i
fa ta de media r, i = 1. :, ntotdeauna
a

i=1
(r
i
r) = 0 (Demonstra ti!).
Faptul aceasta, ca si faptul ca o masura a gradului de mpra stiere trebuie
sa aiba valori nenegative, explica de ce n deni tiile abaterilor medii liniare
operam cu valorile absolute ale abaterilor individuale. n plus, urmatoarea
propozi tie arata ca printre abaterile medii liniare absolute este preferabila
abaterea medie liniar a absolut a fat a de median a
Propozitia 28 Minimul func tiei ,(c) =
1
a
a

i=1
[r
i
c[ se ob tine pentru c =
r
n
, adica
min
cR
1
:
a

i=1
[r
i
c[ =
1
:
a

i=1
[r
i
r
n
[ .
Exercitiul 2.7.1 Demonstra ti propozi tia anterioara.
Dispersia de selec tie care, prin denitie, coincide cu valoarea
o
2
=
1
:
a

i=1
(r
i
r)
2
.
2.7. PARAMETRI DE MPR

A STIERE 27
este cel mai des utilizat parametru de mpr astiere. Se mai numeste si abatere
medie patratica sau varian ta, iar valoarea
o =

_
1
:
a

i=1
(r
i
r)
2
se numeste abatere standard.
Exemplul 29 Consideram doua e santioane (2. 4. 6) ~ A si (1. 4. 7) ~ A.
Atunci mpra stierea valorilor n primul esantion este caracterizata de urma-
toarele valori
0
= 4.
0
vc|
= 1,
0
a
= 4,3,
0
am
= 4,3, o
2
1
= 8,3. iar m-
pra stierea valorilor n esantionul al doilea de valoprile
00
= 6,
00
vc|
= 6,4,

00
a
= 6,3,
"
am
= 6,3, o
2
2
= 18,3. Observam ca ambele e santioane sunt
multimodale, prin urmare pentru ele abaterea medie liniar a absolut a fat a de
mod a nu este denita univoc.
Pentru toti parametrii de mpr astiere deniti mai sus putem arma ca val-
orile acestora sunt cu att mai mari cu ct mpr astierea valorilor esantionului
este mai mare si viceversa.
Propozitia 30 Dispersia de selec tie poseda urmatoarele proprieta ti:
1. o
2
_ 0 si o
2
= 0 =r
1
= r
2
= . . . = r
a
= c, c R.
2. Dac a esantionul (r
1
. r
2
. . . . . r
a
) ~ A are dispersia de selectie o
2
, atunci
esantionul (cr
1
+,,cr
2
+,, . . . ,cr
a
+,) ~ cA +, va avea dispersia
o
2
1
= c
2
o
2
;
3. Dac a dispunem de dou a esantioane, primul (r
1
, r
2
, ..., r
a
) ~ A de
volum :. al doilea (r
a+1
, r
a+2
, ..., r
a+n
) ~ A de volum : si not am
cu r
t
, o
2
1
, r
tt
, o
2
2
media si dispersia corespunz atoare acestor esantioane,
atunci dispersia de selectie a esantionului concatenat (r
1
, r
2
, ..., r
a
,
r
a+1
, r
a+2
, ..., r
a+n
) poate calculat a dup a formula
o
2
=
:o
2
1
+:o
2
2
: +:
+
:( r
t
r)
2
+:( r
tt
r)
2
: +:
.
unde r este media de selectie a esantionului concatenat.
Exercitiul 2.7.2 Demonstra ti proprieta tile dispersiei.
28 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Observatia 6 Din proprietatea 3 a dispersiei rezulta ca dispersia de selec tie
a e santionului concatenat este suma a doi termeni: primul exprima varia tia
n interiorul e santioanelor si il vom nota cu o
2
1
.
o
2
1
=
:o
2
1
+:o
2
2
: +:
;
al doilea exprima varia tia ntre grupe si l vom nota cu o
2
2
.
o
2
2
=
:( r
t
r)
2
+:( r
tt
r)
2
: +:
.
Atunci o
2
= o
2
1
+ o
2
2
si spunem, spre exemplu, ca varia tia n interiorul gru-
pelor este mult mai mare dect varia tia ntre grupe daca o
2
1
o
2
2
. Ponderea
ecarui termen n dispersia e santionului poate exprimata procentual, re-
spectiv, prin
o
2
1
o
2
1
+o
2
2
100%.
o
2
1
o
2
1
+o
2
2
100%.
2.8 Probleme propuse
Pentru ecare din exemplele prezentate mai jos descrieti populatia statistic a
corespunz atoare, esantionul si volumul lui, caracteristica statistica si tipul
acesteia.
Exercitiul 2.8.1 Dispunem de urmatorul e santion, rezultat n urma cn-
taririi a 12 mere:
86 88 100 86 87 100 105 100 86 86 87 86
1. Construiti sirul variational.
2. Construiti sirul variational de valori distincte, apoi alc atuiti tabelul de
distributie (seria) al frecventelor absolute, respectiv relative.
3. Construiti tabelul de distributie (seria) frecventelor absolute cumulate
cresc ator, respectiv frecventelor absolute cumulate descresc ator.
2.8. PROBLEME PROPUSE 29
4. Realizati o diagram a cu bastonase care s a reprezinte aceste date. Trasati
poligonul frecventelor.
5. Determinati mediana seriei statistice (valoarea din sirul variational care
las a la stnga, respectiv la dreapta, un num ar egal de valori).
6. Determinati modul seriei statistice (valoarea cu frecventa cea mai mare).
7. Determinati media seriei statistice.
8. Determinati dispersia seriei statistice.
9. Determinati functia empiric a de repartitie si trasati gracul ei.
Exercitiul 2.8.2 97 de persoane au fost rugate sa noteze numarul de pro-
grame TV pe care le urmaresc ntr-o saptamna. Rezultatele sunt centralizate
n tabelul urmator:
Numar programe [0. 9] [10. 19] [20. 29] [30. 39] [40. 49] [50. 59]
Numar persoane 3 16 36 21 12 9
1. Completati tabelul cu frecventele relative, frecventele relative cumulate
cresc ator si frecventele relative cumulate descresc ator.
2. Trasati histograma frecventelor relative si mai apoi poligonul frecventelor.
3. Determinati clasa modal a. Determinati modul.
4. Determinati media.
Exercitiul 2.8.3 S-au masurat dimensiunile a 30 de frunze si informa tiile
ob tinute s-au grupat astfel:
Lungimea frunzei [10. 14] [15. 19] [20. 24] [25. 29]
Numar frunze 3 8 12 7
30 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
1. Completati tabelul cu frecventele relative, frecventele absolute cumu-
late cresc ator si frecventele absolute cumulate descresc ator.
2. Cte frunze au avut lungimea mai mic a de 19 cm ? Dar mai mare de
19 cm ?Dar mai mare de 14 cm ?
3. S a se reprezinte histograma frecventelor absolute cumulate cresc ator.
Determinati media si modul distributiei.
Exercitiul 2.8.4 Au fost intervieva ti 68 de fumatori n legatura cu numarul
de tigari pe care le fumeaza n ecare zi. Raspunsurile lor sunt centralizate
n tabelul urmator:
Numar tigari [0. 7] [8. 15] [16. 23] [24. 31] [32. 40]
Numar persoane 4 18 28 14 4
1. Determinati clasa modal a. Determinati modul.
2. Trasati histograma frecventelor absolute.
3. Cte persoane fumeaz a sub 16 tig ari pe zi ? Dar peste 32 ?
Exercitiul 2.8.5 Au fost cntarite 35 de obiecte si rezultatele ob tinute (ex-
primate n unita ti de masura a greuta tii) au fost grupate n tabelul urmator:
Greutate [6. 9) [9. 12) [12. 18) [18. 21) [21. 30)
Num ar obiecte 4 6 10 3 12
Trasati histograma frecventelor.
Exercitiul 2.8.6 Dobnda (n unita ti monetare) platita la 460de persoane
ntr-un an este:
Dobnda [25. 30) [30. 40) [40. 60) [60. 80) [80. 110)
Numar persoane 17 55 142 152 93
1. Trasati histograma frecventelor.
2.8. PROBLEME PROPUSE 31
2. Determinati media dobnzii.
Exercitiul 2.8.7 38 de copii au rezolvat o problema si a fost notat timpul
(n minute) de rezolvare pentru ecare dintre ei. Rezultatele au fost grupate
n tabelul urmator.
Determinati clasa modal a.
Exercitiul 2.8.8 Durata de sta tionare (n ore) ntr-o parcare a fost notata
pentru 536 ma sini. Rezultatele au fost grupate n tabelul urmator:
Durata [6. 26) [26. 61) [61. 81) [81. 106) [106. 116) [116. 151) [151. 201)
Nr.mas. 62 70 88 125 56 105 30
Determinati clasa modal a si modul.
Exercitiul 2.8.9 n tabelul urmator sunt trecute vnzarile din anul 2001
pentru 5 companii.
Companie 1 C 1 1
Vnzari 55 130 20 35 60
Realizati o diagram a pie care s a reprezinte aceste date.
Exercitiul 2.8.10 Tabelul urmator reprezinta vnzarile unei companii pe
continentele unde are reprezentan te, n doi ani succesivi. Realiza ti o dia-
grama pie care sa compare vnzarile companiei.
Anul Africa America Asia Europa Total
2002 8. 4 12. 2 15. 6 23. 8 60
2003 5. 5 6. 7 13. 2 19. 6 45
Exercitiul 2.8.11 Aa ti media, mediana, modul, dispersia si devia tia stan-
dard pentru urmatoarele serii statistice:
1. 7 7 2 3 4 2 7 9 31
32 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
2. 36 41 27 32 29 38 39 42
3. Concatena ti cele doua e santioane si calcula ti media si dispersia noului
e santion.
Exercitiul 2.8.12 Calcula ti mediana pornind de la urmatorul tabel de dis-
tribu tie a frecven telor:
Numar copii 0 1 2 3 4 5
Numar familii 3 5 12 9 4 2
Exercitiul 2.8.13 Calcula ti mediana pornind de la urmatorul tabel de dis-
tribu tie a frecven telor:
Nota 5 6 7 8 9 10
Numar copii (,
obc
) 6 11 15 18 6 5
,
occ
6 17 32 50 56 61
Exercitiul 2.8.14 Aa ti mediana si modul seriei statistice:
0,78 0,45 0,65 0,78 0,45 0,32 1,9 0,78
Exercitiul 2.8.15 Calcula ti mediana pornind de la urmatorul tabel de dis-
tribu tie a frecven telor:
x 5 9 13 17 21
Exercitiul 2.8.16 Aa ti modul urmatoarelor serii statistice:
1. 4 5 5 1 2 9 5
2. 1 8 9 19 2
Exercitiul 2.8.17 Determina ti modul pentru notele a 330 de elevi, sistem-
atizate n tabelul urmator:
Nota [11. 20) [21. 30) [31. 40) [41. 50) [51. 60) [61. 70) [71. 80) [81. 90)
Nr. 20 40 80 100 50 20 10 10
2.8. PROBLEME PROPUSE 33
Exercitiul 2.8.18 Media de selec tie a urmatorului e santion este 17. Ct
este c ?
12 18 21 c 13
Exercitiul 2.8.19 Aa ti media si dispersia ecarui e santion de mai jos.
Pentru e santionul ob tinut prin concatenarea lor calcula ti media, dispersia,
amplitudinea absoluta si cea relativa.
4 5 2 6 8 si 10 14 11 3
Exercitiul 2.8.20 Elevii unei scoli de muzica au fost ntreba ti la cte in-
strumente cnta ecare. Aa ti ca cte instrumente cnta n medie un elev.
Numar instrumente 1 2 3 4 5
Numar elevi 11 10 5 3 1
Exercitiul 2.8.21 Media datelor din urmatorul tabel de distribu tie a frecven telor
este 3,66. Aa ti valoarea a.
x 1 2 3 4 5 6
,
obc
3 9 c 11 8 7
Exercitiul 2.8.22 Aa ti media, dispersia si mediana ecarui e santion de
mai jos. Pentru e santionul ob tinut prin concatenarea lor calcula ti media si
dispersia.
2 5 4 8 6 si 6 11 9 8
r
1
= 5, :
1
2
= 4, r
mediana 1
= 5, r
2
= 8. 5, :
2
2
= 3. 25, r
mediana 2
= 8. 5,
r = 6. 55, :
2
= 3. 67
Exercitiul 2.8.23 Aa ti media, dispersia si mediana ecarui e santion de
mai jos. Pentru e santionul ob tinut prin concatenarea lor calcula ti media si
dispersia.
11 23 17 14 29 si 5 13 7 9 16 15
Exercitiul 2.8.24 Calcula ti valoarea a si devia tia standard a e santionului
urmator stiind ca media e santionului este 8.
3 6 7 a 14
34 CAPITOLUL 2. ELEMENTE DE STATISTIC

A DESCRIPTIV

A
Exercitiul 2.8.25 Pentru un set de 10 numere (r
i
. i = 1. 10), se cunosc:

r
i
= 290 si

r
2
i
= 8469. Aa ti media, dispersia si devia tia standard a
acestor numere.
Exercitiul 2.8.26 Fie urmatorul e santion: 3 6 7 9 10 .
1. Calculati media, dispersia si deviatia standard.
2. Calculati media, dispersia si deviatia standard dac a adun am 3 la ecare
element al esantionului din enunt.
3. Calculati media, dispersia si deviatia standard dac a nmultim cu 3
ecare element al esantionului din enunt.
Exercitiul 2.8.27 Fie urmatorul e santion: 1 2 3 4 5 6 7 .
1. Calculati media, dispersia si deviatia standard.
2. Folosind valorile obtinute, calculati media, dispersia si deviatia stan-
dard pentru urm atoarele esantioane:
(a) 101 102 103 104 105 106 107
(b) 100 200 300 400 500 600 700
(c) 2,01 3,02 4,03 5,04 6,05 7,06 8,07
Capitolul 3
Probabilit ati discrete
3.1 Spatii de evenimente elementare
Modelarea matematic a a experimentelor aleatoare presupune descrierea: a)
multimii de rezultate posibile ntr-un experiment; b) evenimentelor aleatoare
asociate acestui experiment si c) probabilitatea sau regula conform careia
ec arui eveniment aleator i punem n corespondent a un num ar ce caracter-
izeaza sansele (gradul) lui de realizare. Pentru nceput vom realiza acest
deziderat in cazul discret, adica n cazul cnd multimea de rezultate posibile
ntr-un experiment aleator este nit a sau innit a cel mult num arabil a.
Chiar daca intr-un experiment aleator nu putem anticipa cu certitudine
care rezultat anume se va produce, este resc s a presupunem ca multimea
tuturor rezultatelor posibile poate descris a cu exactitate.
Exemplul 31 Experimentul c consta n aruncarea monedei o singura data.
Mul timea de rezultate posibile este data de = o. 1 = 0. 1 = .
1
. .
2
,
unde prin o. 0 sau .
1
se subn telege "stema" iar prin 1. 1 sau .
2
se sub-
n telege "banul".
Exemplul 32 Experimentul c consta n aruncarea monedei de trei ori suc-
cesiv. Mul timea de rezultate posibile este data de
= ooo. oo1. o1o. o11. 1oo. 1o1. 11o. 111.
Exemplul 33 Experimentul c consta n aruncarea zarului o singura data.
Mul timea de rezultate posibile este data de
= 1. 2. 3. 4. 5. 6 = i[i = 1. 6 = .
i
[i = 1. 6.
35
36 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Exemplul 34 Experimentul c consta n aruncarea unei monede pna cnd
apare stema. Mul timea de rezultate posibile este data de
= o. 1o. 11o. 111o. . . . . 11..1
. .
a1 cvi
o. ...
care este o mul time innita numarabila, unde prin 11..1
. .
a1 cvi
o se subn telege ca
prima apari tie a "stemei" este precedata de apari tia "banului" de : 1 ori
succesiv, : _ 1 .
Exemplul 35 Experimentul c consta n alegerea unui punct la ntmplare
pe segmentul [0. 1]. Mul timea de rezultate posibile este data de = r [
r [0. 1] care este o mul time innita nenumarabila, unde r este coordonata
punctului ales.
Exemplul 36 Experimentul c consta n nregistrarea greuta tii unui student
ales la ntmplare de la Universitatea Ovidius. Mul timea de rezultate posibile
este data de = r [ r 0.
Exemplele invocate ne conduc la urm atoarea
Denitia 37 Vom numi spatiu de evenimente elementare orice mul time
nevida ,= O, ale carei elemente reprezinta (descriu) toate rezultatele posibile
ntr-un experiment aleator. Fiecare element al mul timii (care corespunde
unui singur rezultat posibil) se nume ste eveniment elementar.
Observatia 7 Deni tia nu exclude situa tia cnd unuia si aceluia si exper-
iment aleator i putem asocia, n dependen ta de scopul urmarit, spa tii de
evenimente elementare diferite. Astfel, n exemplul 2 daca ne intereseaza
numai numarul de steme aparute la aruncarea monedei de trei ori, atunci n
calitate de spa tiu de evenimente elementare putem lua = 0. 1. 2. 3.
3.2 Evenimente aleatoare, cmp de evenimente
Pentru a introduce notiunea matematica cu ajutorul c areia s a descriem eveni-
mentele aleatoare vom pleca de la exemplul legat de aruncarea zarului o
singur a dat a pentru care spatiul corespunz ator de evenimente elementare
3.2. EVENIMENTEALEATOARE, CMPDEEVENIMENTE37
este = 1. 2. 3. 4. 5. 6. Consider am urm atoarele evenimente aleatoare:
= num arul de puncte va par; 1 = num arul de puncte va impar;
C = num arul de puncte va mai mic sau egal cu 4; 1 = num arul de
puncte va mai mic dect 13; 1 = num arul de puncte va mai mare dect
13; 1 = num arul de puncte va divizibil cu 3. Observam c a putem sta-
bili urm atoarea corespondent a biunivoc a: 2. 4. 6; 1 1. 3. 5;
C 1. 2. 3. 4; 1 1. 2. 3. 4. 5. 6 = ; 1 O; 1 3. 6.
n concluzie, dac a experimentului aleator i corespunde un spatiu discret
de evenimente elementare , atunci evenimentele aleatoare pot descrise
ca ind submultimi ale lui . Or, operatiile care pot aplicate asupra
multimilor pot aplicate si asupra evenimentelor aleatoare.
Asa dar e un spatiu de evenimente elementare.
Denitia 38 Vom numi eveniment aleator (n caz discret) orice submul time
_ . n particular, se va numi evenimentul sigur, iar O se va numi
eveniment imposibil. Spunem ca evenimentul elementar . favorizeaza
apari tia evenimentului A daca si numai daca . _ .
Denitia 39 Sum a ( reuniune) a doua evenimente aleatoare . 1 _ vom
numi evenimentul
C = ' 1 = . [ . sau . 1.
adica C se produce daca sau se produce , sau se produce 1, sau se produc
A si B concomitent . Cu alte cuvinte, suma evenimentelor si 1 se pro-
duce atunci si numai atunci cnd se produce cel pu tin unul din aceste doua
evenimente.
n exemplul nostru: ' 1 = 2. 3. 4. 6, ' 1 = .
Denitia 40 Produs ( intersectie) a doua evenimente aleatoare . 1 _
vom numi evenimentul
C = 1 = . [ . si . 1.
adica C se produce daca se produce si si 1. Cu alte cuvinte produsul eveni-
mentelor si 1 se produce atunci si numai atunci cnd aceste evenimente
se produc concomitent.
n exemplul nostru: 1 = 6, 1 = O.
38 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Denitia 41 Pentru orice _ vom numi eveniment "non-A" comple-
mentara acestei submul timi n raport cu , adica evenimentul notat cu

sau
c
, unde

c
= . [ . ,
Or, evenimentul

se produce atunci si numai atunci cnd nu se produce
evenimentul .
n exemplul nostru: = 1, 1 = , 1 = 1, 1 = 1.
Denitia 42 Daca avem doua evenimente aleatoare . 1 _ spunem ca
evenimentul A implic a evenimentul B daca si numai daca _ 1. Altfel spus,
implic a 1 atunci si numai atunci cnd din faptul ca s-a produs evenimentul
rezulta ca s-a produs si evenimentul 1. Daca _ 1 si 1 _ , atunci
spunem ca = 1 ( este echivalent cu 1).
Cumoperatiile asupa evenimentelor aleatoare sunt, de fapt, operatii asupra
multimilor din putem formula f ar a demonstratie
Propozitia 43 Opera tiile asupra evenimentelor aleatoare au urmatoarele pro-
prieta ti: ' = ; ' = ; = ; = ; 'O = ; O = O;
(1 ' C) = ( 1) ' ( C); ' 1 = 1; 1 = ' 1.
Observatia 8 Ultimele doua proprieta ti se numesc formulele de dualitate
ale lui De Morgan.
Prin analogie, opera tiile de sum a si produs pot extinse asupra eveni-
mentelor
i
_ , i = 1,2,. . . .adica putem opera cu evenimentele :
I
'
a=1

a
,
o
'
a=1

a
,
I

a=1

a
,
o

a=1

a
, unde / _ 2.
Denitia 44 Daca . 1 _ sunt astfel nct 1 = O, atunci spunem ca
A si B sunt experimente incompatibile (sau disjuncte).
Se veric a cu usurint a c a familia T = [ este eveniment aleator
legat de experimentul c aruia i corespunde si care n caz discret coincide
cu [ _ . posed a urm atoarele propriet ati:
1. Dac a _ T, atunci T;
3.3. DEFINI TIA CLASIC

A A PROBABILIT

A TII 39
2. Dac a
1
.
2
. ....
a
. ... T , atunci
o
'
i=1

i
_ .
Denitia 45 Familia T cu proprieta tile de mai sus se nume ste o alge-
bra, iar spa tiul de evenimente elementare nzestrat cu o algebra T de
submul timi ale lui se nume ste spatiu m asurabil sau cmp (borelian) de
evenimente si se noteaza prin (. T).
3.3 Denitia clasic a a probabilit atii
n secolul XVII Jacob Bernoulli da urm atoarea denitie a probabilit atii con-
siderate ast azi clasic a, denitie ce vizeaz a cazul cnd (1) multimea tuturor
rezultatelor posibile este nita si (2) aceste rezultate sunt echiprobabile:
"Probabilitatea 1() a evenimentului este raportul dintre numarul / de
rezultate posibile care favorizeaza acest eveniment si numarul total de rezul-
tate posibile, adica
P() =
num arul de rezultate favorabile evenimentului A
num arul total de rezultate posibile
".
Interesant este faptul c a aceast a denitie a ap arut n direct a leg atur a cu
jocurile de noroc, iar la formularea ei au contribuit si Blaise Pascal si Pierre
Fermat care in acea perioad a se confruntau cu o problem a formulat a de cav-
alerul De Mere. Este vorba de observatia lui De Mere c a, n legatur a cu
aruncarea zarului de trei ori, evenimentele = suma num arului de puncte
va egal a cu 11 si 1 = suma num arului de puncte va egal a cu 12 sau
mizele puse pe aceste evenimente au, teoretic vorbind, aceasi sans a (proba-
bilitate) de realizare. Iat a rationamentele lui De Mere: evenimentului i
corespund combin arile 1 4 6, 1 5 5, 2 3 6, 2 4 5, 3 3 5,
3 4 4, iar evenimentului 1 i corespund combin arile 1 5 6, 2 4 6,
255, 345, 356, 444 , prin urmare sunt favorizate de acelasi
num ar de rezultate posibile cea ce echivaleaz a cu faptul c a 1() =1(1).
ns a acelasi De Mere observa, pe cale empiric a, faptul ca frecventele rela-
tive corespunz atoare evenimentelor si 1 difer a, atunci cnd num arul : de
partide de joc devine sucient de mare, mai exact ,
a
() ,
a
(1). Cum
se explic a acest "paradox"?- ntreab a acesta. Eroarea lui De Mere rezid a,
dupa cum au remarcat Pascal si Fermat in corespondenta lor, n faptul ca
acesta nu a enum arat corect rezultatele posibile ce favorizeaz a evenimente n
cauz a. Astfel, combinarea 1 4 6 nglobeaz a, de fapt, 3! rezultate posibile,
40 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
dac a e s a lu am n consideratie si rezultatul concret al ecarei aruncari. Or,
este favorizat de 27 iar 1 de 25 rezultate posibile. Zarul ind "perfect",
este resc sa consider am ca toate rezultatele posibile sunt echiprobabile si
atunci,conform denitiei de mai sus, 1() = 27 , 216 1(1) = 25 , 216
(Demonstrati!).
Denitia 46 Vom spune ca avem de-a face cu o probabilitate clasica daca:
1. Spa tiul de evenimente elementare este nit: = .
1,
.
2,
. . . . .
a
;
2. Familia tuturor evenimentelor aleatoare T = [ _ ;
3. Probabilitatea este o fun tie 1: T R data de formula
P() =
cc:d()
cc:d()
n acest caz, (. T.1) se nume ste cmp de probabilitate clasic a.
Evident, are loc
Propozitia 47 Daca (. T.1) este un cmp de probabilitate clasica si cc:d()
= :, atunci
P.
1
= P.
2
= . . . = P.
a
=
1
:
.
Observatia 9 Echiprobabilitatea tuturor evenimentelor elementare n cali-
tate de conditie necesara pentru aplicabiltatea deni tiei clasice a probabilita tii
la rezolvarea unor probleme, atunci cnd cc:d() < . se bazeaza, de regula,
pe supozi tia ca, de pilda, "moneda este simetrica", "zarul este perfect", "ex-
tragerea se face la ntmplare", etc. Daca modelul clasic (. T.1) este sau nu
"n concordan ta cu realitatea" o putem aa, vericand daca "frecven ta rela-
tiva este sau nu n concordan ta cu probabiltatea 1" , aceasta in presupunerea
ca experimentul n cauza poseda proprietatea regularita tii statistice.
3.4 Elemente de combinatoric a si aplicatii
Analiza combinatorie se bazeaz a esential pe doua principii: Principiul adunarii
si Principiul nmul tirii. Dac a si 1 sunt dou a multimi nite, atunci dis-
tingem dou a situatii, dup a cum cele dou a multimi pot disjuncte sau nu.
Evident are loc
3.4. ELEMENTE DE COMBINATORIC

A SI APLICA TII 41
Principiul adun arii (caz disjunct) Dac a A si B sunt multimi nite si
disjuncte, adic a 1 = O, cc:d() = : si cc:d(1) = :, atunci
cc:d( ' 1) = : +:
Corolar 48 Daca
1
.
2
. ....
I
sunt mul timi nite disjuncte doua cte doua,
atunci
cc:d(
I
'
i=1

i
) =
I

i=1
cc:d
i
Principiul adun arii (caz general). Dac a si 1 sunt multimi nite,
. 1 _ , cc:d() = :, cc:d(1) = : si cc:d( 1) = /, atunci cc:d( '
1) = : +:/.
Demonstratie. Folosind propriet atile operatiilor asupra multimilor, deducem
c a oricare ar multimile , 1 _ avem :
= ( 1) ' ( 1), 1 = ( 1) ' ( 1),
' 1 = ( 1) ' ( 1) ' ( 1).
Conform principiului adun arii n cazul disjunct obtinem:
cc:d() = cc:d(1)+cc:d(1). cc:d(1) = cc:d(1)+cc:d(1).
cc:d('1) = cc:d(1)+cc:d(1)+cc:d(1)+cc:d(1)cc:d(1)
= cc:d() +cc:d(1) cc:d( 1) = : +:/.
Exercitiul 3.4.1 Folosind induc tia matematica deduce ti Principiul adunarii
pentu un numar arbitrar / de mul timi nite
1
.
2
. ....
I
.
Exemplul 49 Consideram o grupa de studen ti despre care stim ca 20 de
studen ti cunosc limba engleza, 15 limba franceza, 10 limba germana, 5 limbile
engleza si franceza, 5 limbile franceza si germana,4 limbile engleza si germana
si 1 student limbile engleza, franceza si germana. C ti studen ti sunt n grupa
?
42 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Notnd prin 1, 1 si G multimile de studenti care posed a, respectiv, limba
englez a, francez a, german a si tinnd cont de datele problemei, deducem:
cc:d1 = 20, cc:d1 = 15, cc:dG = 10, cc:d(1 1) = 5, cc:d(1 G) = 4,
cc:d(1 G) = 5, cc:d(1 1 G) = 1 si atunci
cc:d(1 ' 1 ' G) = cc:d(1) +cc:d(1) +cc:d(G) cc:d(1 1)
cc:d(1 G) cc:d(1 G) +cc:d(1 1 G) = 32.
Principiul nmultirii n limbajul produsului cartezian. Daca si
1 sunt doua mul timi nite astfel nct cc:d() = : si cc:d(1) = :, atunci
cc:d( 1) = : :.
Demonstratie. Este evident ca dac a
= c
1
. c
2
. .... c
a
. 1 = /
1
. /
2
. .... /
n
.
atunci multimile 1 si (i. ,)

i = 1. :, , = 1. : au acelasi num ar de
elemente. Daca n sistemul cartezian de coordonate rC vom plasa valorile
i = 1. : pe axa Cr iar valorile , = 1. : pe axa C, atunci elementului (i. ,)
i corespunde punctul (i. ,) din planul rC, avnd, astfel, n planul rC o
retea de : : puncte.
Pentru orice num ar / de multimi nite, aplicnd metoda inductiei matem-
atice, putem demonstra c a are loc formula:
cc:d(
1

2
. . .
a
) =
a

i=1
cc:d
i
.
Demonstratia ei se bazeaz a esential pe faptul ca are loc egalitatea
1

. . .
i
= (
1

2
. . .
i1
)
i
, i = 2. /..
Principiul nmul tirii n limbajul produsului cartezian poate reformulat
n limbajul ac tiunilor.
Principiul nmultirii n limbajul actiunilor. Daca o ac tiune poate
realizata n / etape succesive astfel nct etapa i poate realizata n :
i
modalita ti, i = 1. /, atunci aceasta ac tiune poate realizata n :
1
:
2
. . . :
I
modalita ti.
3.4. ELEMENTE DE COMBINATORIC

A SI APLICA TII 43
Exemplul 50 Presupunem ca un safeu poate deschis cunoscnd un cod de
forma
i
1
i
2
i
3
i
4
i
5
i
6
unde i
I
= 0. 9, / = 1. 6. Cu ce este egala probabilitatea ca safeul se va
deschide daca vom forma codul la ntmplare.
Spatiul de evenimente elementare coincide cu produsul cartezian a multimii
0. 1. 2. .... 9 de 6 ori cu ea ns asi, adic a
=
_
(i
1
. i
2
. .... i
6
) [ i
I
1. 2. .... 9 . / = 1. 6
_
.
Acesta are, conformPrincipiului nmultirii n limbajul produsului cartezian,10
6
elemente. Din denitia clasic a deducem c a probabilitatea de a deschide
safeul, formnd codul la ntmplare, este egal a cu 1,10
6
.
Dac a avem informatia ca acest cod este format din cifre diferite atunci
probabilitatea n cauz a creste. ntr-adev ar, a forma un cod din 6 cifre diferite
este echivalent cu a efectua o actiune n 6 etape succesive, astfel nct prima
etap a poate realizat a n 10 modalit ati, cea de a doua n 9 modalit ati,etc.,
ultima (a sasea) n 10 (6 1) = 5 modalit ati. Conform Principiului n-
mul tirii n limbajul ac tiunilor, num arul tuturor evenimentelor elementare este
egal cu 10 9 8 7 6 5 = A
6
10
, prin urmare probabilitatea de a deschide
safeul, formnd codul la ntmplare, este egal a cu 1,A
6
10
.
Denitia 51 Fie o mul time formata din : elemente diferite, = c
1
,
c
2
, , c
a
, atunci vom numi aranjament din : elemente luate cte / orice
mul time ordonata de forma (c
i
1
. c
i
2
. . c
i
k
) cu proprietatea ca i
1
,= i
2
,=
, = i
I
, c
i
j
, i
)
= 1. : , , = 1. /. Evident no tiunea are sens pentru
/ = 1. :. Mul timea tuturor aranjamentelor de : elemente luate cte / se
noteaza cu /
I
a
si
/
I
a
=
_
(c
i
1
. c
i
2
. . c
i
k
) [ i
1
,= i
2
,= ,= i
I
. c
i
j
. i
)
= 1. :, , = 1. /
_
.
Cardinalul acestei mul timi se noteaza cu A
I
a
si este numarul tuturor aran-
jamentelor din : elemente luate cte /.
Conform principiului nmultirii n limbajul actiunilor, a construi un aran-
jament din : elemente luate cte / este echivalent cu a realiza o actiune n /
etape succesive, astfel nct prima etap a poate realizat a n : modalit ati, cea
de a doua n :1 modalit ati, etc., ultima (etapa nr. /) n :(/1) = :/+1
44 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
modalit ati. Or, num arul tuturor aranjamentelor din : elemente luate cte /
este egal cu

I
a
= : (: 1) (: 2) (: / + 1) =
:!
(: /)!
Prin denitie, atunci cnd / = :. aranjamentul se numeste permutare de
: elemente. Deci multimea tutror permut arilor de : elemente notat a prin
P
a
coincide cu /
a
a
, ceea ce nseamn a ca numarul tutror permutarilor de :
elemente 1
a
este egal cu
I
a
, adic a 1
a
= :!.
Denitia 52 Orice submul time de forma c
i
1
. c
i
2
. . c
i
k
, i
1
,= i
2
,= ,=
i
I
, c
i
j
, i
)
= 1. :, , = 1. / , se nume ste combinare din : elemente
luate cte /. Evident no tiunea are sens pentru / = 1. :. Mul timea tuturor
combinarilor de : elemente luate cte / elemente o vom nota prin
(
I
a
=
_
c
i
1
. c
i
2
. . c
i
k
[ i
1
,= i
2
,= ,= i
I
. c
i
j
. i
)
= 1. :. , = 1. /
_
.
Cardinalul acestei mul timi l vom nota cu C
I
a
.
Observ am ca dintr-o combinare din : elemente luate cte / putem forma
/! aranjamente din : elemente luate cte /. Or, a forma un aranjament din
: elemente luate cte / este echivalent cu a realiza o actiune n dou a etape
succesive:
1. alegem o combinare din : elemente luate cte /, etap a pentru care
avem C
I
a
modalit ati de a o efectua;
2. din aceast a combinare, form am un aranjament din : elemente luate
cte /, etap a care se poate realiza n
I
a
modalit ati.
Rezult a c a
I
a
= /! C
I
a
. adic a C
I
a
=

k
n
I!
=
a!
I!(aI)!
Exercitiul 3.4.2 Demonstra ti ca daca este o mul time formata din : ele-
mente diferite, atunci Cc:d 1 [ 1 _ = 2
a
.
Exemplul 53 Consideram ca avem o mul time de : elemente astfel nct
:
1
elemente sunt de tipul 1, :
2
elemente sunt de tipul 2, , :
I
elemente
sunt de tipul /, :
1
+ :
2
+ ... + :
I
= :. Alegem la ntmplare, unul cte
unul, toate elementele mul timii si le aranjam n ordinea extragerii lor. Sa se
calculeze cardinalul spa tiului de evenimente elementare corespunzator acestui
experiment.
3.4. ELEMENTE DE COMBINATORIC

A SI APLICA TII 45
Pentru a alc atui un evenimentt elementar din spatiul corespunz ator
acestui experiment este sucient s a realiz am o actiune n / etape succesive.
Etapa 1: din : locuri disponibile pentru a aranja elementele extrase,
alegem :
1
locuri pe care vom plasa elementele de tipul1. Aceast a actiune o
putem realiza n C
a
1
a
modalit ati;
Etapa 2: din cele ::
1
locuri, disponibile dupa etapa 1 , alegem :
2
locuri
pe care vom plasa elementele de tipul 2. Aceast a actiune o putem realiza n
C
a
2
aa
1
modalit ati, etc.,
Etapa /: din cele : :
1
:
2
:
I1
= :
I
locuri, disponibile dupa
etapa /, alegem :
I
locuri pe care vom plasa elementele de tipul /. Aceast a
actiune o putem realiza n C
a
k
aa
1
a
2
a
k1
= C
a
k
a
k
modalit ati.
Conform principiului nmultirii, avem :
cc:d() = C
a
1
a
C
a
2
aa
1
C
a
k
aa
1
a
2
a
k1
=
:!
:
1
!:
2
! :
I
!
.
Formula obtinut a este, de fapt, formula de calcul pentru 1(:
1
. :
2
. .... :
I
).
num arul permut arilor a : elemente, din care :
1
elemente sunt de tipul 1, :
2
elemente sunt de tipul 2, , :
I
elemente sunt de tipul /, :
1
+:
2
+...+:
I
= ::
1(:
1
. :
2
. .... :
I
) =
:!
:
1
!:
2
! :
I
!
.
Exercitiul 3.4.3 Presupunem ca avem la dispozi tie 10 cartona se marcate
cu litere astfel: `, `, , , , 1, 1, 1, 1, C. Un copil se joaca, extagnd
la ntmplare cte un cartona s si aranjndu-l n ordinea extragerii. Care este
probabilitatea sa ob tinem cuvntul MATEMATICA?
ntruct consider am cartonasele marcate la fel ca ind de acelasi tip,
rezult a c a avem 2 cartonase de tip `, 3 cartonase de tip , 2 cartonase
de tip 1, 1 cartonas de tip 1, 1 cartonas de tip 1 si 1 cartonas de tip
C. Folosind formula dedus a mai sus, cardinalul spatiului de evenimente
elementare asociat experimentului este
cc:d() =
10!
3!2!1!1!1!
Rezult a c a probabilitatea obtinerii cuvntului MATEMATICA este egal a cu
1
cc:d()
=
3!2!1!1!1!
10!
=
1
2 5 6 7 8 9 10
46 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Exemplul 54 Presupunem ca dispunem de : cutii si : bile identice. Plasam
bilele, una cte una, la ntmplare, n una din cutii. Sa se calculeze cardinalul
spa tiului de evenimente elementare corespunzator acestui experiment.
n cele ce urmeaz a vom reprezenta : cutii prin intermediul a : + 1 bare
verticale, iar : bilel prin intermediul a : asteriscuri. De exemplu, situatia
cnd 5 bile identice, ind plasate in 3 cutii astfel nct in prima cutie nimeresc
0 bile, in cutia a doua 2 bile si n cutia a treia 3 bile poate reprezentat a
astfel:
[[ ++ [ + + + [;
iar situatia cnd toate bilele nimeresc in prima cutie poate reprezentat a
astfel:
[ + + + + + [[[ .
Or, pentru o astfel de reprezentare schematic a avem nevoie de : + 1 locuri
pentru bare (peretii cutiilor) si : locuri pentru asteriscuri (bile). Din exem-
plele aduse vedem c a orice repartizare concret a a : bile identice n : cutii
este univoc determinata de pozitia a : 1 bare (pereti) interioriare si a :
asteriscuri (bile) pe cele : + : 1 locuri interioare, cele dou a bare (pereti)
exterioare r amnnd de ecare dat a xe. Drept consecint a alegerea a : 1
locuri pentru bare (sau : locuri pentru asteriscuri) din totalul de : + : 1
locuri, poate f acut a n C
a1
a+v1
= C
v
a+v1
modalit ati, C
v
a+v1
nd cunoscut
ca num arul combinarilor din : elemente luate cte : cu repetare.
Exercitiul 3.4.4 Fie func tia reala de : variabila ,(r
1
. r
2
. . r
a
). n cte
modalita ti putem construi derivatele par tiale de ordinul :?
Propozitia 55 Fie (. T.1) un cmp de probabilitate clasica, atunci prob-
abiliatea 1 poseda urmatoarele proprieta ti:
1. 1() = 1;
2. 1(O) = 0;
3. 1() = 11(), 1() = 1 1();
4. Daca _ 1, . 1 T, atunci 1() _1(1);
5. 0 _1() _ 1. \ T;
3.4. ELEMENTE DE COMBINATORIC

A SI APLICA TII 47
6. (Formula adunarii probabilitatilor n caz disjunct)
1( ' 1) =1()+1(1). \ . 1 T , 1 = O;
7. (Formula adunarii probabilitatilor n caz general)
1( ' 1) =1()+1(1)1( 1). \ . 1 T;
8. P(1) _ P() _ P( ' 1) _ P() +P(1), \ . 1 T.
Demonstratie. 1. Din denitia clasic a a probabilit atii avem c a
P() =
cc:d()
cc:d()
= 1.
2.Din faptul c a ' O = , O = si din proprietatea 6 rezult a
1( ' O) =1()+1(O) =1() = 1. Deci 1(O) = 0.
3.Din faptul c a ' = , = O si din proprietatea 6 rezult a
1( ' ) =1()+1() =1() = 1. Deci 1() = 11().
4.Fie . 1 T, _ 1.Atunci din faptul c a 1 = '(1), (1) =
O, avem
1(1) =1( ' ( 1)) =1()+1( 1) _1().
5.Deoarece O _ _ din 4 rezult a c a
0 = P(O) _ P() _ P() = 1.
6. Fie . 1 T , 1 = O, atunci
P() =
cc:d( ' 1)
cc:d()
=
cc:d() +cc:d(1)
cc:d()
=
cc:d()
cc:d()
+
cc:d(1)
cc:d()
= P()+P(1).
7.Fie . 1 T, atunci egalit atile = 1'1, 1 = 1'1, '1 =
1 ' 1 ' 1 si proprietatea 6 implic a,
P(1) = P(1) +P(1). P() = P(1) +P(1).
P( ' 1) = P(1) +P(1) +P(1).
Deci 1( ' 1)) =1()+1(1)1(1).
8. Observ am c a 1 _ _ ' 1 si atunci din proprietatea 4 avem
1(1) _1() _1( ' 1).
48 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Observatia 10 Pentru demonstra tia proprieta tilor de mai sus faptul ca avem
de a face cu o probabilitate clasica a fost esen tial numai n cazul propri-
eta tilor 1 si 6. Dealtfel, proprieta tile 1-8 ale probabilita tii sunt foarte re sti
si n cazul deni tiei statistice a probabilita tii. Se verica cu u surin ta ca
frecven ta relativa satisface urmatoarele proprieta ti:
1. ,
a
() = 1;
2. ,
a
(O) = 0;
3. ,
a
() = 1 ,
a
(

). ,
a
(

) = 1 ,
a
();
4. Daca _ 1, . 1 T , atunci ,
a
() _ / ,
a
(1);
5. 0 _ ,
a
() _ 1. \ T;
6. ,
a
( ' 1) = ,
a
() +,
a
(1). \ . 1 T , 1 = O;
7. ,
a
( ' 1) = ,
a
() +,
a
(1) ,
a
( 1). \ . 1 T;
8. ,
a
(1) _ ,
a
() _ ,
a
( ' 1) _ ,
a
() +,
a
(1), \ . 1 T.
Acest lucru este resc n contextul legaturii dintre frecven ta relativa ,
a
()
a unui eveniment n : probe legate de un experiment aleator c si probabil-
itatea 1(), ntruct ,
a
() -1(), atunci cnd : este sucient de mare.
Exercitiul 3.4.5 La un examen au fost propuse 24 bilete de examinare: 20
"norocoase" si 4 "nenorocoase". ntr-o grupa de 24 studen ti, ecare student
extrage la ntmplare un bilet n ordinea prezentarii sale la examen. Care
student are probabilitatea mai mare de a extrage un bilet norocos, daca biletele
nu se pot repeta?
Vom calcula probabilitatea ca studentul cu num arul (de ordine) / s a
extrag a un bilet "norocos". Consider am biletele "norocoase" numerotate de
la 1 la 20, iar cele "nenorocoase" numerotate de la 21 la 24.
Spatiul de evenimente elementare n acest caz este
=
_
(i
1
. i
2
. . i
a
) [ i
1
,= i
2
,= ,= i
a
. i
)
= 1. 24. , = 1. 24
_
Cardinalul acestei multimi este cc:d() = 24!
3.4. ELEMENTE DE COMBINATORIC

A SI APLICA TII 49
Not am evenimentul care ne intereseaz a prin

I
= studentul / extrage un bilet "norocos" , / = 1. 24.
Pentru / xat

I
= (i
1
. i
2
. . i
a
) [ i
I
1. 2. . 20
Evident cc:d(
I
) = 20 23! (alegerea unui bilet norocos pentru pozitia
/ se poate realiza n 20 de modalit ati, iar aranjarea celorlalte 23 de bilete
r amase pe cele 23 de locuri r amase libere se poate realiza n 23! modalit ati).
Rezult a:
P(
I
) =
20 23!
24!
=
20
24
.
O observatie interesant a asupra rezultatului obtinut este aceea c a proba-
bilitatea calculat a nu depinde de ordinea intr arii studentului la examen.
Exemplul 56 (Schema bilei nentoarse) Dintr-o urna ce con tine ` bile
ro sii si ` ` bile albe. Extragem la ntmplare : bile. Sa se calculeze
probabilitatea ca printre cele : bile extrase exact / bile vor ro sii.
Sintagma "la ntmplare" este esential a ntruct aceasta indic a asupra
echiprobabilit atii evenimentelor elementare. Drept consecint a putem aplica
denitia clasic a a probabilit atii.
Vom considera bilele rosii numerotate de la 1 la ` si bilele albe numero-
tate de la ` + 1 la `. Atunci spatiul de evenimente elementare asociat
acestui experiment se poate scrie ca:
=
_
i
1
. i
2
. . i
a
[ i
1
,= i
2
,= ,= i
a
. i
)
= 1. : . , = 1. :
_
si cc:d() = C
a
.
.
Not am prin
I
evenimentul c a printre : bile extrase exact / bile vor
rosii:

I
= i
1
. i
2
. . i
a
[ cc:d (i
1
. i
2
. . i
a
1. 2. . `) = / ,
/ = 0. min(:. `).
Conform principiului nmultirii n limbajul actiunilor, a forma o com-
binare din : bile astfel nct / bile s a e de culoare rosie este echivalent cu
a realiza o actiune n 2 etape:
50 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
1. alegem / bile rosii dintre cele ` bile rosii existente: aceast a actiune se
poate realiza n C
I
A
modalit ati;
2. alegem : / bile albe pentru a completa pozitiile r amase, actiune ce
se poate realiza n C
aI
.A
modalit ati.
Deci probabilitatea evenimentului
I
P(
I
) =
cc:d(
I
)
cc:d()
=
C
I
A
C
aI
.A
C
a
.
.
Observatia 11 Regula 1: T R prin care unui eveniment i asociem prob-
abilitatea sa se mai nume ste si repartitie. Schema bilei nentoarse dene ste
modelul probabilist ce poarta numele de repartitia hipergeometric a. Este clar
ca
min(a,A)

I=0
P(
I
) =
min(a,A)

I=0
C
I
A
C
aI
.A
C
a
.
= 1, (1)
deoarece valorile de la 0 la :i:(:. `) reprezinta toate valorile pe care le
poate lua / n experimentul nostru. Acest tip de ra tionament este tipic pentru
demonstra tia unor identita ti matematice prin intermediul metodelor proba-
biliste. n cazul de fa ta este vorba de identitatea
C
a
.
=
min(a,A)

v=0
C
v
A
C
av
.A
care este consecin ta a rela tiei (1).
Exemplul 57 Schema bilei nentoarse serve ste ca model matematic pentru
experimentele aleatoare ce apar n legatura cu jocul de noroc "Loto 6 din 49".
n acest caz ` = 49, ` = 6 , : = 6. Atunci probabilitatea ca, alegnd la
ntmplare 6 numere dintre 49, toate vor "norocoase" este egala cu:
P(
6
) =
C
6
6
C
66
496
C
6
49
=
1
C
6
49
-
1
14000000
.
Exemplul 58 Aceea si schema se poate dovedi utila pentru a estima numarul
de pe sti dintr-un lac fara a nevoie de a-i numara pe to ti. Astfel, pre-
supunem ca ntr-un lac sunt r pe sti, r ind numarul necunoscut pe care
3.4. ELEMENTE DE COMBINATORIC

A SI APLICA TII 51
vrem sa-l estimam. Presupunem ca aruncam o plasa si prindem ` pe si si
i marcam cu o vopsea rezistenta la apa, dupa care i aruncam napoi n lac.
Dupa un timp aruncam plasa si prindem, sa zicem : pe sti, dintre care / pe sti
vor marca ti.
Probabilitatea acestui eveniment poate exprimata ca o func tie ce depinde
de r, `. :. / ind cunoscute:
,(r. `. :. /) =
C
I
A
C
aI
aA
C
a
a
. r _ max(:. `)
Conform principiului verosimilit atii maxime formulat de remarcabilul ma-
matematician si biolog american R.A. Fisher n anii 30 ai secolului trecut, o
data ce s-a produs un eveniment, rezulta ca s-a produs evenimentul de proba-
bilitate maxima. Valoarea r
0
pentru care aceasta func tie (care exprima prob-
abilitatea) si atinge maximul se nume ste estimatie de verosimilitate maxim a
si conform principiului verosimilita tii maxime putem spune ca numarul cel
mai probabil de pe sti n lac este egal cu r
0
.
Exemplul 59 Un alt exemplu de aplicare al acestei scheme este cel al ex-
perimentelor aleatoare ce apar n legatura cu efectuarea controlului calita tii
a unui lot de ` produse de acelasi tip. Problema care se pune n acest caz
rezida n estimarea numarului de produse care nu corespund standardelor de
calitate necesare. Notam numarul acestora cu r.
Luam un e santion de : produse si numaram cte produse nu corespund stan-
dardelor. Fie ca acest numar este egal cu /. Conform principiului verosimil-
ita tii maxime, faptul ca s-a produs evenimentul respectiv, nseamna ca s-a
produs evenimentul cel mai probabil. Probabilitatea acestuia poate scrisa
ca func tie de r, `. :. / ind cunoscute:
,(`. r. :. /) =
C
I
a
C
aI
.a
C
a
.
.
Valoarea r
0
pentru care aceasta func tie atinge maximul va da numarul cel
mai probabil de produse care nu corespund standardelor.
Exemplul 60 (Schema bilei ntoarse) Dintr-o urna ce con tine ` bile,
dintre care ` bile ro sii si `` bile albe extragem la ntmplar una cte una
: bile, cu ntoarcerea bilei n cutie dupa ce notam culoarea ei. Sa se calculeze
probabilitatea ca printre : bile extrase, exact / sunt ro sii, 0 _ / _ :.
52 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Folosirea expresiei "la ntmplare" ne permite calculul acestei probabil-
it ati folosind denitia clasic a. Numerot am bilele rosii de la 1 la ` si bilele
albe de la ` + 1 la `. Atunci spatiul evenimentelor elementare posibile se
scrie astfel:
=
_
(i
1
. i
2
. . i
a
) [ i
)
= 1. `. , = 1. :
_
ntruct extragerea bilelor se face cu ntoarcere, este posibil ca la o realizare
a experimentului o bil a s a e extras a de mai multe ori. Construirea unui
element din poate privit a ca realizarea unei actiuni n : etape, la etapa
/ completndu-se pozitia /, / = 1. :. ntruct pentru ecare pozitie exist a
exact ` posibilit ati de a alege o bil a, cardinalul acestei multimi
cc:d() = `
a
.
Evenimentul = printre : bile extrase exact / vor rosii se poate scrie
ca
= (i
1
. i
2
. . i
a
) [ cc:d(i
1
. i
2
. . i
a
1. 2. . `) = / .
Dar un sir ordonat (i
1
. i
2
. . i
a
) se poate construi n trei etape succe-
sive:
1.din : locuri posibile se aleg / pozitii pe care vom aseza bilele rosii, etap a
care poate realizat a n C
I
a
modalit ati;
2.complet am cele / pozitii alese la pasul anterior cu bile rosii, adic a cu
numere din multimea 1. 2. . `, numere care se pot repeta. Aceast a
etap a se poate realiza n `
I
modalit ati;
3.complet am pozitiile r amase, n num ar de :/, cu numere din multimea
` + 1. ` + 2. . `. Aceast a etap a se realizeaz a n (` `)
aI
modal-
it ati.
Conform principiului nmultirii rezult a c a valoarea
cc:d() = C
I
a
`
I
(` `)
aI
.
Prin urmare probabilitatea evenimentului :
P() =
cc:d()
cc:d()
=
C
I
a
`
I
(` `)
aI
`
a
= C
I
a

_
`
`
_
I

_
` `
`
_
aI
,
0 _ / _ :.
3.5. CMPURI DE PROBABILITATE DISCRET

A 53
Observatia 12 Modelul descris de schema bilei ntoarse se nume ste, prin
deni tie, reparti tie binomiala, denumirea provenind, evident, de la binomul
lui Newton, ai carui termeni denesc reparti tia.
3.5 Cmpuri de probabilitate discret a
Denitia clasic a a probabilit atii are o arie de aplicare limitat a deoarece nu n-
totdeauna sunt respectate conditiile impuse pentru aplicarea acestei denitii:
spatiul de evenimente s a e nit sau evenimentele elementare s a e echiprob-
abile. O clas a ntreag a de asemenea situatii ne conduc la necesitatea denirii
probabilit atii 1 pe spatii m asurabile de tip discret, cu alte cuvinte pentru
innit a cel mult num arabil a, T ind familia tuturor submultimilor multimii
.
Exemplul 61 Consideram experimentul cu aruncarea unui zar o singura
data si presupunem ca zarul este deformat astfel nct raportul probabilita tilor
(frecven telor relative) de apari tie a fe telor zarului P1 : P2 : P3 :
P4 : P5 : P6 = 1 : 2 : 3 : 4 : 5 : 6.
Se observa imediat ca evenimentele elementare asociate acestui experiment
nu mai sunt echiprobabile. Deci deni tia clasica a probabilita tii nu poate
aplicata n acest caz.
Exemplul 62 Ion si Petru arunca pe rnd o moneda; c stiga cel ce nreg-
istreaza primul stema. n acest caz, spa tiul de evenimente elementare este
=
_
o. 1o. 11o. . 111 1
. .
a1 cvi
o.
_
.
Evident mul timea este innita, prin urmare nici n acest caz nu este aplica-
bila deni tia clasica a probabilita tii.
Denitia 63 Vom spune ca avem de-a face cu un cmp de probabilitate dis-
creta (. T.1) daca:
1. Spa tiul de evenimente elementare este nit sau innit cel mult numara-
bil;
54 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
2. oalgebra T de evenimente este T = [ _ ;
3. Probabilitatea este 1: T R este denita de formula
P() =

i:.
i

P.
i

unde 1 verica urmatoarele doua axiome:


P1. 1.
i
_ 0. \ .
i
;
P2.

i:.
i

1.
i
= 1.
Observ am c a denitia probabilit atii discrete este corect a, deoarece seria

i:.
i

1.
i
reprezint a e o sum a nit a cu cc:d() < +, e o serie numeric a
cu termeni nenegativi, dar convergent a n cazul cnd este multime innit a
num arabil a, ntruct:
0 _

i:.
i

P.
i
_

i:.
i

P.
i
= 1
Exemplul 64 n privin ta primului exemplu considerat, vericam condi tiile
necesare pentru aplicarea probabilita tii discrete:
ntruct = 1. 2. 3. 4. 5. 6 . conditia ca multimea de evenimente ele-
mentare s a e nit a sau cel mult num arabil a este satisf acut a; T = [ _
, dat ind faptul ca orice eveniment asociat experimentului poate de-
scris ca submultime a lui ; Veric am axiomele P1 si P2. ntruct 11 =
1
21
, 12 =
2
21
, 13 =
3
21
, 14 =
4
21
, 15 =
5
21
, 16 =
6
21
, evident,
1i _ 0 si

i
1i = 1. De pild a, probabilitatea evenimentului
= apari tia unui numar par de puncte
este 1() =12 +14 +16 =
2
21
+
4
21
+
6
21
=
12
21

1
2
.
n ceea ce priveste al doilea exemplu, multimea este innit a num arabil a,
iar T = [ _ , dat ind faptul ca orice eveniment asociat experimen-
tului poate descris ca submultime a lui ; Pentru vericarea ipotezelor P1
si P2 calcul am probabilit atile evenimentelor elementare:
Po =
1
2
. P1o =
1
2
2
. P11o =
1
2
3
. . P
_
111 1
. .
a1 cvi
o
_
=
1
2
a
.
3.5. CMPURI DE PROBABILITATE DISCRET

A 55
Axioma P1 se veric a imediat, ecare din probabilit atile de mai sus ind
numere pozitive mai mici dect 1.
Axioma P2:

.
i

P.
i
=
o

i=1
1
2
a
=
1
2
+
1
2
2
+ +
1
2
a
+ =
1
2

1
1
1
2
= 1
Probabilitatea c a va cstiga cel care arunc a primul moneda este:

i:iinPov
P.
i
= Po +P11o +P1111o +
=
1
2
+
1
2
3
+
1
2
5
+ =
1
2
1
1
1
2
2
=
2
3
.
Propozitia 65 Deni tia clasica a probabilita tii reprezinta un caz particular
al deni tiei probabilita tii n caz discret.
Demonstratie. Fie (. T. P) un cmp clasic de probabilitate. Rezult a
c a sunt valabile conditiile impuse de probabilitatea clasic a, deci sunt ndepli-
nite si conditiile impuse de probabilitatea discret a.
R amne de vericat validitatea axiomelor P1, P2:
P.
i
=
cc:d .
i

cc:d()
=
1
:
. \ .
i
.

.
i

P.
i
=

.
i

cc:d .
i

cc:d()
=
1
cc:d()

.
i

1 =
cc:d()
cc:d()
= 1.
Deci sunt satisf acute axiomele P1 si P2.
Propriet atile probabilit atii clasice sunt valabile si n cazul probabilit atii
discrete.
Teorema 66 Fie (. T.1) este un cmp de probabilitate discreta. Atunci
P
_
'
i1

i
_
=

i1
P(
i
) ;
i
T;
i

)
= O. \i ,= ,. i. , _ 1
56 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Demonstratie. Observ am c a 1 = '
i1

i
_
n
'
i=1

i
, \ : _ 0. Rezult a
c a 1(1) =1
_
'
i1

i
_
_1
_
n
'
i=1

i
_
=
n

i=1
P(
i
). Prin urmare 1
_
'
i1

i
_
_
+o

i=1
P(
i
)
Vom ar ata c a este valabil a si reciproca: 1
_
'
i1

i
_
_
+o

i=1
P(
i
). ntr-
adev ar, din axioma P2 rezult a c a

.
i
:.
i

P.
i
= 1. Deci
\ _ 0. ` () :
.

i=1
P.
i
_ 1 .
Fie = .
1
. .
2
. . .
.
. Evident 1
_

_
< . Cum 1 = 1 ' 1, rezult a
c a
P(1) = P(1) +P
_
1
_
_ P
_

_
+P(1) _ P(1) +.
Avem 1 =
_
'
i1

i
_
= '
i1
(
i
) si ntruct este o multime nit a
de evenimente elementare rezult a c a : _ 0 : '
i1
(
i
) _
n
'
i=1

i
.
Prin urmare,
P(1) _ P(1) + _ P
_
n
'
i=1

i
_
+ =
n

i=1
P(
i
) +.
Dar faptul c a 0 este arbitrar atrage dupa sine inegalitatea
P(1) _
+o

i=1
P(
i
) .
3.6 Probabilitate conditionat a
Fie (. T. P) un cmp de probabilitate. Consider am un experiment aleator c
descris de acest cmp si un eveniment aleator 1 T asociat experimentului
c , cu P(1) 0, adic a frecventa relativ a a producerii lui 1 ntr-un num ar :
sucient de mare de probe c , ,
a
(1) 0. Aceasta ne permite s a imagin am
un nou experiment aleator c
1
care se consider a realizat dac a si numai dac a
3.6. PROBABILITATE CONDI TIONAT

A 57
s-a realizat experimentul c si s-a produs evenimentul 1.
Pentru un num ar : sucient de mare de probe c putem presupune c a num arul
de realiz ari ale experimentului c
1
este de asemenea foarte mare si putem
separa num arul :(1) de probe ale exeprimentului c
1
.
Orice eveniment care poate nregistrat ca rezultat al experimentului c
poate nregistrat si ca rezultat al experimentului c
1
. Deci frecventa relativ a
a producerii evenimentului n experimentul c
1
este dat a de
,
a
() =
:(1)
:(1)
,
unde :(1) reprezint a num arul de probe ale experimentului c
1
n care s-a
produs evenimentul , atfel spus num arul de probe ale experimentului c n
care evenimentele si 1 s-au produs simultan.
c ind aleator, rezult a c a si c
1
este aleator. De asemenea, putem lua : att
de mare nct si :(1) s a e foarte mare. Conform propriet atii stabilit atii
statistice rezult a:
,
a(1)
() =
:(1)
:(1)
- P(,1) .
Probabiltatea notat a prin 1(,1) indic a asupra faptului c a valoarea n jurul
c areia oscileaz a frecventa realtiv a ,
a(1)
() este conditionat a de realizarea
evenimentului 1. Este de asemenea adev arat c a:
,
a
(1) =
:(1)
:
- P(1) . ic: ,
a
(1) =
:(1)
:
- P(1)
deci
,
a(1)
() =
:(1)
:(1)
=
a(1)
a
a(1)
a
-
P(1)
P(1)
Putem deci considera c a:
P(,1) =
P(1)
P(1)
Denitia 67 Fie (. T.1) un cmp de probabilitate si 1 T, astfel nct
1(1) 0. Atunci pentru orice eveniment T vom numi probabilitate
conditionat a a evenimentului de c atre evenimentul B numarul notat prin
1(,1) sau 1
1
() care se calculeaza dupa formula:
P(,1) =
P(1)
P(1)
.
58 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Din deni tia probabilita tii condi tionate a evenimentului de catre eveni-
mentul 1, 1(1) 0. rezulta ca:
P(1) = P(,1) P(1) .
Aceasta formula poarta denumirea de formula nmul tirii probabilita tilor.
Teorema 68 (Formula nmultirii probabilitatilor (caz general) Fie
(. T. P) un cmp de probabilitate si
1
.
2
. .
a
T, n evenimente
astfel nct 1(
1

2

a1
) 0. Atunci:
P(
1

2

a
) = P(
1
) P(
2
,
1
) P(
a
,
1

a1
)
Demonstratie. Din conditia 1(
1

2

a1
) 0 rezult a c a au sens
toate probabilit atile conditionate de forma
P(
2
,
1
) . P(
2
,
1
) . .... P(
a
,
1

a1
)
deoaarece
P(
1
) P(
1

2
) P(
1

3
) ... P(
1

2

a1
) 0.
aceasta ind o consecint a a faptului c a

1
_
1

2
_ ... _
1

2

a2
_
1

2

a1
.
Pentru : = 2 formula coincide cu formula nmultirii probabilit atilor pen-
tru produsul a dou a evenimente. Aplicnd-o succesiv, avem:
P(
1

2

a1

a
) = P(
a
(
1

2

a1
)) =
= P(
a
,
1

a1
) P(
1

2

a2

a1
) =
= P(
a
,
1

a1
) P(
a1
,
1

a2
) P(
1

a2
) =
= P(
a
,
1

a1
) P(
2
,
1
) P(
1
) .
Exemplul 69 Presupunem ca un calculator nu func tioneaza datorita unui
defect aparut la unul din cele : blocuri ale sale. Pentru a-l repara, inginerul
depanator verica succesiv, la ntmplare, unul cte unul, ecare bloc. Care
este probabilitatea ca depanatorul va depista defectul la ncercarea cu numarul
/?
3.6. PROBABILITATE CONDI TIONAT

A 59
Not am prin
I
= defectul este depistat la ncercarea cu num arul /. Ev-
ident, dac a defectul este descoperit la ncercarea /, nsemn a c a el nu a fost
descoperit la nici una dintre ncerc arile anterioare, adic a nu s-a produs nici
unul dintre experimentele
i
, cu i = 1. /.

I
=
1

2

I1

I
.
Atunci
P(
I
) = P
_

2

I1

I
_
= P
_

1
_
P
_

2
,
1
_
P
_

I
,
1

I1
_
=
: 1
:

: 2
: 1

1
: / + 1
=
1
:
.
Teorema 70 (Formula probabilitatii totale) Fie (. T. P) un cmp de
probabilitate si , H
1
, H
2
, , H
a
, T , evenimente aleatoare cu propri-
eta tile:
1. _ H
1
' H
2
' ' H
a
'
2. H
1
H
2
= O, \i ,= ,, i. , = 1. 2.
3. 1(H
i
) 0, i = 1. 2.
Atunci
P() =

i1
P(,H
i
) P(H
i
) .
Demonstratie. Putem scrie evenimentul astfel:
= '
i1
H
i
= '
i1
H
i
si H
i
H
)
= O, \i ,= ,, i. , = 1. 2.
Atunci
P() = P
_
'
i1
H
i
_
=

i1
P(H
i
) =

i1
P(,H
i
) P(H
i
) .
Teorema 71 (Formula lui Bayes) n condi tiile n care are loc formula
probabilita tii totale, are loc si Formula lui Bayes:
P(H
)
,) =
P(,H
)
) P(H
)
)

i1
P(,H
i
) P(H
i
)
, \, = 1. 2. ... .
60 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Demonstratie. Din denitia probabilit atii conditionate si din formula
probabilit atii totale avem:
P(H
)
,) =
P(H
)
)
P()
=
P(,H
)
) P(H
)
)
P()
=
P(,H
)
) P(H
)
)

i1
P(,H
i
) P(H
i
)
.
Observatia 13 Evenimentele H
1
. H
2
. . H
a
... se numesc ipoteze. Proba-
bilita tile 1(H
)
) se numesc si probabilita ti a priori ale ipotezelor H
)
, ntruct
acestea se considera cunoscute nca nainte de a sti rezultatul experimentului,
iar probabilita tile 1(H
)
,), se numesc probabilitati aposteriori, ele reprezen-
td probabilita tile ipotezelor H
)
reeevaluate dupa ce stim ca s-a produs ,
, = 1. 2. ....
Exemplul 72 Se stie ca 5% dintre barba tii sufera de daltonism, iar dintre
femei doar 0. 25%. ntr-o societate n care numarul de barba ti este egal cu
numarul de femei este aleasa la ntmplare o persoana. Care este probabili-
tatea ca aceasta persoana sufera de daltonism? Stiind ca persoana sufera de
daltonism, care este probabilitatea ca ea este femeie?
Consider am evenimentele 1 = persoana aleasa este barbat, 1 = persoana
aleasa este femeie, 1 = persoana aleasa sufera de daltonism. Conditiile
de aplicare a formulei probabilit atii totale sunt valabile deoarece:
1 _ 1 ' 1, 1 1 = O, P(1) = P(1) =
1
2
0.
Conform formulei probabilit atii totale obtinem:
P(1) = P(1,1) P(1) +P(1,1) P(1) =
1
2

5
100
+
1
2

0.25
100
=
525
20000
.
Conform formulei lui Bayes obtinem probabilitatea c a persoana aleas a este
femeie stiind c a ea sufer a de daltonism:
P(1,1) =
P(1,1) P(1)
P(1)
=
0.25
100

1
2
525
2100100
=
25
525
.
3.7. INDEPENDEN TA EVENIMENTELOR ALEATOARE 61
3.7 Independenta evenimentelor aleatoare
Fie (. T. P) un cmp de probabilitate. Atunci este resc s a spunem c a
evenimentul aleator nu depinde de evenimentul aleator 1, dac a realizarea
lui 1 nu modic a sansele de realizare ale lui , adic a P(,1) = P(), unde
, 1 T cu P(1) 0.
Propozitia 73 1. Daca P(1) 0, atunci P(,1) = P() =P(1) =
P()P(1).
2. Daca P(1) 0, atunci P(1,) = P(1) =P(1) = P()P(1).
Demonstratie. Necesitatea. Fie, spre exemplu, P(1) 0 si P(,1) =
P(). Atunci
P(,1)
oc)
=
P(1)
P(1)
==P(1) = P(,1)P(1) ==P(1) = P()P(1).
Sucien ta: Fie P(1) 0 si P(1) = P()P(1). Atunci
P(,1)
oc)
=
P(1)
P(1)
==P(,1) =
P(1)
P(1)
=
P()P(1)
P(1)
= P().
Denitia 74 Evenimentele A si B se numesc independente daca si numai
daca
P(1) = P()P(1)
Observatia 14 Deni tia aceasta este mai generala deoarece independen ta
a doua evenimente aleatoare nu mai este restric tionata de ipoteza ca eveni-
mentele sa aiba probabilita ti nenule.
Exemplul 75 Consideram experiemntul cu aruncarea zarului de doua ori.
Spa tiul de evenimente elementare este
=
_
(i. ,) [i. , = i. ,
_
. cc:d() = 36
Fie evenimentele:
= apari tia unui numar par de puncte la primul zar.
62 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
1 = apari tia unui numar par de puncte la al doilea zar.
cc:d() = cc:d(1) = 18 =P() = P(1) =
1
2
cc:d(1) = 9 =P(1) =
9
36
=
1
4
=
1
2

1
2
= P()P(1)
Aceasta nseamna ca evenimentele sunt independentem fapt ce corespunde
a steptarilor noastre intuitive.
Fie
1
.
2
. .
a
evenimente legate de acelasi experiment aleator.
Denitia 76 Spunem ca evenimentele
1
.
2
. .
a
sunt independente
dou a cte dou a daca si numai daca P(
i

)
) = P(
i
)P(
)
). \i ,= ,; i. , =
1. :. Spunem ca evenimentele
1
.
2
. .
a
sunt independente n totalitate
sau simplu independente daca
P(
i
1

i
2

i
k
) = P(
i
1
)P(
i
2
) P(
i
k
). \i
1
,= i
2
,= ,= i
I
.
unde i
1
. i
2
. . i
I
_ 1. 2. . : . / = 2. :.
Observatia 15 1. n cazul evenimentelor independente formula nmul tirii
probabilita tilor devine mai simpla:
P
_
a

i=1
_
=
a

i=1
P(
i
) .
2. Din independen ta doua cte doua a evenimentelor nu rezulta indepen-
den ta lor n totalitate. Drept conrmare aducem urmatorul
Contraexemplu. Fie un tetraedru cu 3 fete colorate cu albastru, galben
si rosu, respectiv, fata 4 ind colorat a cu toate cele 3 culori. Consider am
experimentul cu alegerea la ntmplare a uneia din fetele tetraedrului. Atunci
considernd evenimentele
= fata contine culoarea albastru
1 = fata contine culoarea galben
C = fata contine culoarea rosie
3.7. INDEPENDEN TA EVENIMENTELOR ALEATOARE 63
exprim am probabilit atile astfel:
P(1) =
1
4
=
1
2
1
2
= P()P(1).
P(1C) =
1
4
=
1
2
1
2
= P()P(C).
P(C) =
1
4
=
1
2
1
2
= P()P(C).
dar P(1C) =
1
4
,=
1
2
1
2
1
2
= P()P(1)P(C)
Propozitia 77 Daca evenimentele . 1 sunt independente atunci vor in-
dependente si perechile de evenimente
_
. 1
_
,
_
. 1
_
,
_
. 1
_
.
Demonstratie. Din = 1 ' 1 rezult a
P() = P(1) +P(1) =P() = P()P(1) +P(1) =
P() P()P(1) = P(1) =P() (1 P(1)) = P(1)
= P(1) = P()P(1)
Prin analogie se arat a c a si celelalte perechi de evenimente sunt independente.

Consecint a. Daca evenimentele


1
.
2
. .
a
sunt independente si
P(
i
) = j
i
, i = 1. :, atunci
P
_
a
'
i
i=1
_
= 1
a

i = 1
(1 j
i
) .
Demon-
stratie. ntr-adev ar, din independenta evenimentelor
1
.
2
. .
a
rezult a
independenta evenimentelor
1
.
2
. .
a
. Prin urmare
P
_
a
'
i
i=1
_
= 1 P
_
a
'
i=1

i
_
= 1 P
_
a

i=1

i
_
=
= 1
a

i = 1
P
_

i
_
= 1
a

i = 1
(1 j
i
) .
64 CAPITOLUL 3. PROBABILIT

A TI DISCRETE
Exercitiul 3.7.1 Sa se aduca un (contra)exemplu de experiment aleator si
trei evenimente asociate acestuia astfel nct P(
1

3
) = P(
1
)P(
2
)P(
3
),
dar i ,= ,. i. , = 1. 3 : P(
i

)
) = P(
i
)P(
)
). Or, din faptul ca eveni-
mentele
1
.
2
.
3
au proprietatea P(
1

3
) = P(
1
)P(
2
)P(
3
) nu
rezulta independen ta lor (n totalitate), dar nici independen ta lor doua cte
doua.
Probleme propuse
1. Fie
1
.
2
. ....
a
T() evenimente independente cu P(
i
) = j
1
.
S a se arate c a probabilitatea 1
0
c a nu se va produce nici unul din evenimentele

i
. i = 1. : este dat a de formula
P
0
=
a

i = 1
(1 j
i
) .
2. Fie c a evenimentul are proprietatea c a nu depinde de el nsusi.
S a se arate c a atunci P() este egal cu 0 sau cu 1.
3. Fie c a evenimentul are probabilitatea P() egal a cu 0 sau 1.
S a se arate c a atunci si orice eveniment 1 sunt independente, . 1 T().
4. Pot oare dou a evenimente . 1 T() independente si incompati-
bile concomitent?
Capitolul 4
Variabile aleatoare discrete
4.1 Variabile aleatoare si repartitia lor
Fie (.T. P) un cmp de probabilitate discret a, adic a = !
1
, !
2
, ... ,!
a
,
..., T = [ , iar P : T R este o probabilitate discret a.
Studierea evenimentelor elementare ca atare prezint a, de regul a, mai
putin interes dect studierea unor m arimi numerice care depind de aceste
evenimente elementare. Notiunea de variabil a aleatoare vine s a modeleze din
punct de vedere matematic notiunea de caracteristic a (variabil a) statistic a
din statistica descriptiv a.
Exemplul 78 Fie experimentul cu aruncarea a doua monede iar n legatura
cu el consideram urmatoarele marimi, ce depind de rezultatele posibile ale
experimentului: (1) numarul de steme aparute A si (2) marimea 1

de tip
indicator a evenimentului = stema va apare cel putin o data} , care
ia valoarea 1 daca se produce evenimentul sau valoarea 0 in caz contrar.
Aceste marimi (variabile) ca func tii de evenimente elementare sunt redate n
tabelul urmator:
!
i
oo o1 1o 11
A(!
i
) 2 1 1 1
1

(!
i
) 1 1 1 0
.
Dealtfel, pentru orice T putem deni func tia 1

: 0. 1 conform
formulei
1

(!
i
) =
_
0. daca !
i
.
1. daca !
i
.
.
65
66 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
Aceasta se nume ste indicator al evenimentului .
Este resc sa consideram n exemplul nostru ca A, 1

sunt varibile
aleatoare in sensul ca valorile lor depnd de evenimentele elementare core-
spunzatoare experimentului dat.
Denitia 79 Fie (. T) un spa tiu masurabil discret, atunci vom numi vari-
abil a aleatoare (v.a) denit a pe acest spatiu orice func tie A : R.
Imaginea multimii n raport cu functia A este multimea A() =
A(!
1
), A(!
2
), ... ,A(!
I
), ... = r
1
, r
2
, ... ,r
a
, ... = A, unde r
1
< r
2
<
... < r
a
< ... . Atunci perechea (A, T(A)), unde A = r
1
, r
2
, ... ,r
a
, ...
iar T(A) = C [ C _ A, formez a un nou spatiu m asurabil numit spa tiu ma-
surabil de selec tie al variabilei aleatoare A. Pentru orice C T(A) putem
deni probabilitatea P
A
(C) = P! [ A(!) C. Aplicatia P
A
: T(A)
R denit a pe (A, T(A)), este o probabilitate discret a deoarece
P
A
(A) = P! [ A(!) A = P
_
! [ ! A
1
(A)
_
= P() = 1.
Lund
i
= ! [ A(!) = r
i
, observ am c a
i

)
= O deoarece
r
i
,= r
)
, \i ,= ,. i. , _ 1 si c a '
i1

i
= ! [ A(!) A = A
1
(A) = .
Multimile (
i
)
i1
, cu proprietatea
i

)
= O, \i ,= ,, i. , _ 1 si =
'
i1

i
poart a denumirea de parti tie a lui iar (A, T(A), P
A
) se numeste
cmp de probabilitate indus de v.a. A
Denitia 80 Setul (r
i
. P
A
(r
i
))
i1
, unde P
A
(r
i
) _ 0 si

i1
P
A
(r
i
) = 1, se
nume ste repartitie a variabilei aleatoare X, unde
P
A
(r
i
) = P! [ A(!) = r
i
= j
i
. i _ 1.
Repartitia a variabilei aleatoare X se mai scrie su forma de tabel :
A :
_
r
1
r
2
... r
a
...
j
1
j
2
... j
a
...
_
. j
i
_ 0.

i1
j
i
= 1.
Exemplul 81 (Continuare) Fie experimentul cu aruncarea monedei de
doua ori, atunci, daca moneda este simetrica, toate evenimentele elementare
!
i
oo, o1, 1o, 11 sunt echiprobabile, adica P!
i
= 1,4. Atunci
variabilele aleatoare A si 1

au, respectiv, reparti tiile


A :
_
0 1 2
1
4
1
2
1
4
_
, 1

:
_
0 1
1
4
3
4
_
.
4.2. FUNC TIA DE REPARTI TIE 67
Propozitia 82 Daca (r
i
. j
i
)
i1
este o reparti tie, adica j
i
_ 0 si

i1
j
i
= 1
, atunci exista un cmp de probabilitate (. T. P) si o variabila aleatoare A
denita pe acest cmp, astfel nct reparti tia variabilei aleatoare A coincide
cu reparti tia data.
Demonstratie. Dac a lu am = r
1
, r
2
, ... ,r
a
, ..., T = [
si denim P : T R astfel:
P() =

i:a
i

j
i
, considernd Pr
i
= j
i
, avem c a ,

a
i

j
i
= 1.
Or, P este o probabilitate discret a denit a pe spatiul m asurabil (, T).
Variabila A o denim ca aplicatia identic a A : R, care asociaz a
ec arui r
i
valoarea A(r
i
) = r
i
.
Observatia 16 Cele expuse mai sus ne conduc la concluzia ca modelele
matematice (A, (, T, P)) si (r
i
. j
i
)
i1
, unde j
i
_ 0 si

i1
j
i
= 1, sunt
echivalente n sensul ca, stiind un model putem restabili celalalt model.
4.2 Functia de repartitie
Notiunea de repartitie a variabilei aleatoare modeleaz a din punct de vedere
matematic notiunea de distributie de selectie din statistica descriptiv a. Prin
analogie, notiunea de functie de repartitie va servi drept model matematic
pentru notiunea de functie empiric a de repartitie din statistica descriptiv a.
Mai mult, vom ar ata c a aceast a functie, n calitate de model matematic,
este echivalent a (ntr-un anumit sens) cu repartitia variabilei aleatoare, prin
urmare si cu modelul (A. (. T. P)).
Fie (. T. P) un cmp de probabilitate discret si o variabil a aleatoare
A : R.
Denitia 83 Func tia 1
A
(r) = P! [ A (!) _ r, \r R se nume ste
functie de repartitie (distributie) a variabilei aleatoare A.
Exemplul 84 (Continuare) n exemplul anterior func tia de reparti tie aso-
ciata variabilei 1

este
1
1
A
(r) = P![1

(!) _ r =
_
_
_
0. pentru r < 0.
1,4. pentru 0 _ r < 1
1. pentru 1 _ r
68 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
iar cea asociata variabilei A este
1
A
(r) =
_

_
0. pentru r < 0.
1,4. pentru 0 _ r < 1.
3,4. pentru 1 _ r < 2.
1. pentru 2 _ 1.
Gracele acestor functii arat a c a 1
1
A
(r), 1
A
(r) sunt functii scarate.
!!!!!PC21
Propozitia 85 Daca 1
A
este func tia de reparti tie a variabilei aleatoare A
atunci:
1. P(A c) = 1 1
A
(c), \c R;
2. P(c < A _ /) = 1
A
(/) 1
A
(c), \c,/ R, c < /;
3. P(A < c) = 1
A
(c 0) = lim
ono
1
A
(c
a
),\c R;
4. P(A = c) = 1
A
(c) 1
A
(c 0),\c R;
5. P(c < A < /) = 1
A
(/ 0) 1
A
(c) , \c,/ R, c < /;
6. P(c _ A < /) = 1
A
(/ 0) 1
A
(c 0), \c,/ R, c < /;
7. P(c _ A _ /) = 1
A
(/) 1
A
(c 0), \c,/ R, c < /.
Demonstratie:
1. P(A c) = 1 P(A _ c) = 1 1
A
(c),\c R;
2.
! [ A(!) _ / =
! [ A(!) _ c ' ! [ c < A(!) _ / . \c. / R. c < /.
Deci
P(A _ /) = P(A _ c) +P(c < A _ /) =
1
A
(/) = 1
A
(c) +P(c < A _ /) =P(c < A _ /) = 1
A
(/) 1
A
(c);
3. Fie sirul (c
a
)
a1
, c
a
c, astfel nct c
1
< c
2
<...< c
a
<...< c . Atunci
! [ A(!) < c = ! [A (!) _ c
1
'! [ c
1
< A(!) _ c
2
'...
4.2. FUNC TIA DE REPARTI TIE 69
'! [ c
a1
< A(!) _ c
a
' ... .
Rezult a c a
P(A < c) = P(A _ c
1
) +P(c
1
< A _ c
2
) +... +P(c
a1
< A _ c
a
) +...
= lim
ao
[P(A _ c
1
) +P(c
1
< A _ c
2
) +... +P(c
a1
< A _ c
a
)]
= lim
ao
[1
A
(c
1
) +1
A
(c
2
) 1
A
(c
1
) +... +1
A
(c
a
) 1
A
(c
a1
)]
= lim
ao
1
A
(c
a
) = 1
A
(c 0);
4. 1
A
(c) = P(A _ c) = P(A < c)+P(A = c) = 1
A
(c0)+P(A = c).
Deci P(A = c) = 1
A
(c) 1
A
(c 0).
5. Analog P(A < /) = P(A < c) + P(c _ A < /).Cum P(A < c) =
1
A
(c 0), P(A < /) = 1
A
(/ 0), rezult a c a
P(c _ A < /) = 1
A
(/ 0) 1
A
(c0).

Problema 1 Demonstra ti formulele 6-7 din Propozitia anterioara.


Teorema 86 (Proprietatile caracteristice ale functiilor de repartitie).
Daca 1
A
este func tia de reparti tie a variabilei aleatoare A, atunci sunt val-
abile urmatoarele proprieta ti:
1. 1
A
este monoton crescatoare: 1
A
(c) _ 1
A
(/),\c,/ R,c _ /;
2. 1
A
este continua la dreapta: lim
ana
1
A
(r
a
) = 1
A
(r + 0) = 1
A
(r);
3. 1
A
(+) = lim
a+o
1
A
(r) = 1, 1
A
() = lim
ao
1
A
(r) = 0.
Demonstratie:
1. Fie c,/ R, c _ /. Evident, ! [ A (!) _ c _ ! [ A (!) _ /.
Prin urmare 1
A
(c) = P(A _ c) _ P(A _ /) = 1
A
(/).
2. Stim c a P(A r) = 1 1
A
(r). Consider am sirul (r
a
)
a0
astfel nct
r
a
r, r
a
| r, r <...< r
a
<...< r
2
< r
1
si lim
ao
r
a
= r.
Deci evenimentul
A r = .[A (.) r =
A r
1
' r
1
_ A < r
2
' ... ' r
a1
_ A < r
a
' ....
Prin urmare
70 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
1 1
A
(r) = P(A r) =
P(A r
1
) +P(r
1
_ A < r
2
) +... +P(r
a1
_ A < r
a
) +...
= lim
ana
[P(A r
1
) +P(r
1
_ A < r
2
) +... +P(r
a1
_ A < r
a
)] =
lim
ana
[1 1
A
(r
1
) +1
A
(r
2
) 1
A
(r
1
) +... +1
A
(r
a+1
) 1
A
(r
a
)] =
lim
ana
[1 1
A
(r
a+1
)] = 1 1
A
(r + 0).
Asa dar, 1
A
(r + 0) = 1
A
(r)
3. Vom demonstra, spre exemplu, doar egalitatea 1
A
() = 0, demon-
stratia egalit atii 1
A
(+) = 1 ind similar a.
Consider am sirul (r
a
)
a0
r
a
| , unde r
1
r
2
... r
a
... .
Atunci, folosind faptul c a P() = 1 si c a poate partajat in felul urm ator:
= A
1
(R) =A
1
((r
1
. +) ' (r
2
. r
1
] ' ...(r
a
. r
a1
] ' ...) =
A
1
(r
1
. +)'A
1
(r
2
. r
1
] ' ...'A
1
(r
a1
. r
a
] ' ....
rezult a c a
1 = P() = P(A r
1
) +P(r
2
< A _ r
1
) +... +P(r
a
< A _ r
a1
) +...
= 1 1
A
(r
1
) +1
A
(r
2
) 1
A
(r
3
) +... +1
A
(r
a
) 1
A
(r
a+1
) +...
= lim[1 1
A
(r
a+1
)] = 1 1
A
().
adic a 1
A
() = 0.
Pentru a descrie comportamentul probabilist a unei variabile aleatoare A
n caz discret avem la dispozitie trei modele matematice:
(1) (A. (. T. P)); (2) Repartitia v.a. A , (r
i
. j
i
)
i1
, j
i
_ 0,

i1
j
i
= 1
si (3) Functia de repartitie 1
A
a variabilei aleatoareA.
1
A
(r) = P! [A (!) < r = P(A < r)
4.2. FUNC TIA DE REPARTI TIE 71
n paragraful anterior am ar atat c a pentru v.a. discrete modelele (1) si
(2) sunt echivalente n sensul c a, stiind un model putem restabili cel alalt
model. Propozitia de mai jos arat a c a si modelele (2), (3) sunt echivalente,
prin urmare modelele (1) (3) sunt echivalente n sensul ar atat mai sus.
Propozitia 87 a) Daca A este o variabila aleatoare cu reparti tia (r
i
. j
i
)
i1
,
j
i
_ 0,

i1
j
i
= 1, atunci pentru func tia ei de reparti tie are loc rela tia
1
A
(r) =

i:a
i
a
j
i
.
b) Daca 1 este o func tie scarata ce poseda proprieta tile 13 caracteristice
func tiilor de reparti tie atunci 1 este f.r. a v.a. A cu reparti tia (r
i
. j
i
)
i1
,
j
i
_ 0,

i1
j
i
= 1, unde r
i
A = r R [ 1 (r) ,= 1 (r 0), iar j
i
=
1
A
(r
i
) 1
A
(r
i
0) 0.
Demonstratie. a) Deoarece ! [ A (!) _ r = '
i:a
i
a
! [ A (!) =
r
i
, ! [A (!) = r
i
! [A (!) = r
)
, \i ,= ,, i. , _ 1, rezul a c a
1
A
(r) = P! [ A (!) _ r = P( '
i:a
i
a
! [ A (!) = r
i
)
=

i:a
i
a
P! [ A (!) = r
i
=

i:a
i
a
j
i
.
b) Functia 1 ind o functie scarat a ce poseda propriet atile 13 caracteris-
tice functiilor de repartitie, rezult a c a multimea A r R [ 1 (r) ,= 1 (r 0)
este nit a sau innit a cel mult num arabil a, adic a A =r
1
, r
2
, ... , r
a
, ...,
r
1
< r
2
< ... < r
a
< ... , iar j
i
= 1 (r
i
) 1 (r
i
0) 0,

i1
j
i
= 1(+) =
1.
72 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
4.3 Repartitii (modele probabiliste) uzuale n
caz discret
4.3.1 Repartitia uniform a pe 0,1,. . . ` sau pe 1,2,. . . `
Denitia 88 Vom spune ca variabila aleatoare A este repartizat a uniform
pe 0,1,. . . ` sau pe 1,2,. . . ` (se noteaza A ~ l0,1,. . . ,` sau A ~
l1,2,. . . ,`) daca
A :
_
0 1 . . . `
1
.+1
1
.+1
. . .
1
.+1
_
sau A :
_
1 2 . . . `
1
.
1
.
. . .
1
.
_
.
Acest model descrie,din punct de vedere matematic, experimentul ce con-
st a n alegerea la ntmplare a unui num ar din 0,1,. . . ,` sau din 1,2,. . . ,`.
4.3.2 Repartitia Bernoulli cu parametrul j, j [0,1]
Denitia 89 Vom spune ca variabila aleatoare A este repartizat a Bernoulli
cu parametrul j [0,1] (se noteaza A ~ 1c::on||i(j)), daca
A :
_
0 1
1 j j
_
.
Acest model descrie,din punct de vedere matematic, experimentul Bernoulli.
Denitia 90 Experimentul c se nume ste experiment (proba) Bernoulli daca
acesta poseda urmatoarele proprieta ti:
1. mul timea de rezultate posibile = :nccc:, i::nccc: = 1,0;
2. probabilitatea succesului j este aceea si n ecare proba, j [0. 1];
3. rezultatele unei probe nu inuen teaza rezultatele celorlalte probe.
4.3. REPARTI TII (MODELEPROBABILISTE) UZUALENCAZ DISCRET73
Exemplul 91 n calitate de exemple de probe Bernoulli putem lua aruncarea
monedei o singura data, unde "succes" putem considera, de pilda, apari tia
stemei, deasemenea, aruncarea zarului o singura data, unde "succes" putem
considera, de pilda, apari tia unui numar par de puncte. n genere, orice
experiment aleator c poate considerat experiment Bernoulli daca ne intere-
seaza doar producerea sau nu a evenimentului asociat experimentului c,
adica producerea evenimentului o consideram succes iar producerea eveni-
mentului -insucces, cu condi tia ca acest experiment sa poata repetat inde-
pendendent unul de altul. ntr-adevar, lund = ,

, j = P() [0,1],
probele ind independente, vom aveea un experiment Bernoull.
Dac a not am cu A num arul de succese ntr-o prob a Bernoulli, obtinem
repartitia
A :
_
0 1
1 j j
_
4.3.3 Repartitia binomial a cu parametrii : si j, : =
1,2,. . . . j [0,1]
Denitia 92 Vom spune ca variabila aleatoare A este repartizat a binomial
cu parametrii : 1,2,. . . si j [0,1] ( se noteaza A ~ 1i(:,j)) daca
reparti tia ei este data de formula
P(A = /) = C
I
a
j
I
(1 j)
aI
. / = 0. :.
Observatia 17 Deni tia este corecta deoarece
a

I=0
P(A = /) =
a

I=0
C
I
a
j
I
(1 j)
aI
= (j + (1 j))
a
= 1
a
= 1.
Din punct de vedere teoretic, acest model descrie comportamentul prob-
abilistic al num arului de succese n : probe Bernoulli cu probabilitatea suc-
cesului j n ecare prob a. Aceasta se vede din
Teorema 93 Daca A este numarul de succese n : probe Bernoulli cu prob-
abilitatea succesului j [0,1] n ecare proba, atunci A ~ 1i(:,j).
74 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
Demonstratie. Spatiul de evenimente elementare corespunz ator repet arii
unui experiment Bernoulli de : ori este = (c
1
,c
2
,. . . ,c
a
) [ c
i
= 0,1,
i = 1. :. Asa dar, notnd cu 1 succesul si 0 insuccesul, orice rezultat poate
reprezentat ca o secvent a de zerouri si unit ati de forma c
1
, c
2
, . . . , c
a
,
evenimentele
i
= proba i se va solda cu rezultatul c
i
ind independente,
iar P(
i
) = j
o
i
(1 j)
1o
i
, i = 1. :. Prin urmare
P(c
1
. c
2
. . . . . c
a
) = P(
1

2
. . .
a
) =
j
o
1
(1 j)
1o
1
j
o
2
(1 j)
1o
2
j
on
(1 j)
1on
= j
n
P
i=1
o
i
(1 j)
n
a
P
i=1
o
i
.
Dar A = / = (c
1
. c
2
. . . . . c
a
) [
a

i=1
c
i
= / cu cc:d (c
1
. c
2
. . . . . c
a
)
[
a

i=1
c
i
= / = C
I
a
. Prin urmare,
P(A = /) =
1

o
1
,...,on=0
o
1
++on=I
j
n
P
i=1
o
i
(1 j)
a
n
P
i=1
o
i
=

o
1
,...,on=0,1:o
1
++on=I
j
I
(1 j)
aI
= j
I
(1 j)
aI
=

o
1
,...,on=0,1:o
1
++on=I
1 =
cc:d(c
1
. c
2
. . . . . c
a
) [ c
1
+ +c
a
= /j
I
(1 j)
aI
=
C
I
a
j
I
(1 j)
aI
. / = 0. :.
Exemplul 94 Consideram aruncarea unui zar perfect de : ori, iar eveni-
mentul aparitia fe tei 6 drept succes , probabilitatea succesului n ecare
proba ind egala cu j = P6 =
1
6
. Daca A este numarul de aruncari n
care apare fa ta 6, atunci
P(A = /) = C
I
a
j
I
(1 j)
aI
. / = 0. :.
Probabilitatea, spre exemplu, ca fa ta 6 nu apare niciodata
P(A = 0) = C
0
a
j
0
(1 j)
a0
=
_
5
6
_
a
4.3. REPARTI TII (MODELEPROBABILISTE) UZUALENCAZ DISCRET75
4.3.4 Repartitia geometric a cu parametrul j, j [0,1]
Denitia 95 Vom spune ca variabila aleatoare A este repartizat a geometric
cu parametrul j [0,1] ( se noteaza A ~ Gco:(j)) daca reparti tia ei este
data de formula
P(A = /) = j(1 j)
I
. / = 0. 1. . . .
sau
P(A = /) = j(1 j)
I1
. / = 1. 2. . . . .
Observatia 18 Deni tia este corecta deoarece

I>0
j(1 j)
I
= j(1 + (1 j) + (1 j)
2
+. . . )
= j
1
1 (1 j)
= 1
Propozitia 96 Daca A este numarul de probe Bernoulli, cu probabilitatea
succesului j [0,1] n ecare proba, efectuate pna la nregistrarea primului
succes, atunci A~Gco:(j).
Demonstratie. Evenimentele
i
= proba i se va solda cu :nccc: -
ind independente, iar P(
i
) = j, i _ 1, avemca P(A = /) = P(
1

2
. . .
I

I +1
) =
P(
1
)P(
2
) . . . P(
I
)P(
I +1
) = j(1 j)
I
. dac a n num arul A nu este in-
clus a si proba n care s-a produs succesul, / > 0.
Teorema 97 (Proprietatea lipsei memoriei pentru repartitia geo-
metrica) Daca A~Gco:(j), j [0,1], adica P(A = /) = j(1 j)
I
,
/ = 0,1,. . . , atunci
P(A = : +: , r > :) = j(1 j)
a
, : = 0. 1. . . . si : = 0. 1. . . . .
Demonstratie.
P(A = : +: , r > :) =
P(A = : +: A > :)
P(A > :)
=
P(A = : +:)
P(A = :) +P(r = :+ 1) + . . .
=
j(1 j)
n+a
j(1 j)
n
+j(1 j)
n+1
+. . .
=
j(1 j)
n+a
j(1 j)
n
[1 + (1 j) + (1 j)
2
+. . . ]
=
j(1 j)
n+a
(1 j)
n
=
j(1 j)
a
. \ :. : = 0. 1. . . . .
76 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
Exercitiul 4.3.1 Demonstra ti ca are loc si reciproca acestei propozi tii:
Daca v.a A 0,1,. . . si reparti tia ei are proprietatea ca exista un numar
j [0,1] astfel nct P(A = : + : , A > :) = j(1 j)
a
, atunci
A~Gco:(j).
4.3.5 Repartitia Poisson cu parametrul `, ` 0
Denitia 98 Vom spune ca variabila aleatoare A este repartizat a Poisson
cu parametrul ` 0 (se noteaza A ~ 1oi::o:(`)) daca reparti tia sa este
data de formula
P(A = /) =
`
I
/!
c
A
. / = 0. 1. . . .
Observatia 19 Deni tia este corecta deoarece

I>0
P(A = /) =

I>0
`
I
/!
c
A
= c
A

I>0
`
I
/!
= c
A
c
A
= 1.
Din punct de vedere teoretic, acest model descrie:
num arul de bacterii descoperite ntr-o pic atur a de ap a;
num arul de particule radioactive emise ntr-o unitate de timp de o
substanta radioactiv a;
num arul de erori comise de un programator ntr-un program de lungime
dat a;
num arul de erori de tipar descoperite ntr-o pagin a de carte;
num arul de bombe pe /:
2
cazute n orasul Londra n timpul celui de
al doilea R azboi Mondial, s.a.
Repartitia Poisson poate folosit a, n anumite conditii, la aproximarea
repartitiei binomiale. ntr-adev ar are loc
Teorema 99 (Teorema limita a lui Poisson) Daca A ~ 1i(:; j), :
, j 0, astfel nct :j `, ` 0, atunci
P(A = 1) = C
I
a
j
I
(1 j)
aI

ao
`
I
/!
c
A
. / = 1. 2. . . . .
4.3. REPARTI TII (MODELEPROBABILISTE) UZUALENCAZ DISCRET77
Demonstratie. Din ipoteza rezult a c a j poate scris j =
A
a
+ o(
1
a
)
pentru : sucient de mare. Deci
P(A = /) = C
I
a
j
I
(1 j)
aI
=
:!
/!(: /)!
_
`
:
+o(
1
:
)
_
I
(1
`
:
o(
1
:
))
aI
=
:(: 1) . . . (: / + 1)
/!
`
I
:
I
(1 +o(1))
_
1
`
:
o(
1
:
)
_
a
1
(1
A
a
o(
1
a
))
I

ao
`
I
/!
c
A
, / = 0. 1. . . . .
Exemplul 100 Presupunem ca pentru producerea a 1000 de cozonaci au fost
prevazute 10000 de stade. n presupunerea ca tehnologia este respectata n-
tocmai (aluatul si stadele sunt bine amestecate), care este probabilitatea ca,
alegnd la ntmplare un cozonac acesta nu va avea nici o stada ?
Fie un cozonac ales la ntmplare dintre cei 1000 de cozonaci. Pentru ecare
stada, din totalul de 10000 mii stade, consideram succes evenimentul stada
va nimeri n cozonacul ales. Probabilitatea succesului este j =
1
1000
, n-
truct pentru ecare stada n parte exista 1000 de posibilita ti echiprobabile
de a nimeri ntr-unul din cei 1000 de cozonaci. Prin urmare daca A este
numarul de stade nimerite n cozonacul ales, atunci A ~ 1i(10000,
1
1000
).
Probabilitatea ca ntr-un cozonac ales la ntmplare sa nu nimereasca nici o
stada este:
P(A = 0) = C
0
10000

_
1
1000
_
0

_
1
1
1000
_
10000
= 0. 999
10000
.
: = 10000 ind sucient de mare, iar j =
1
1000
sucient de mic, din Teorema
limita a lui Poissson rezulta ca P(A = /) = 0. 999
10000

(aj)
0
0!
c
aj
=
10
0
0!
c
10
0.
Pentru a ilustra ecienta nlocuirii repartitiei binomiale prin repartitia lui
Poisson consider am
Exemplul 2.9.2. (Problema despre zilele de na stere). Cu ce este egal a
probabilitatea c a din 500 oameni luati la ntmplare, i persoane vor avea n
calitate de zi de nastere ziua de Anul Nou (1 ianuarie).
78 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
Solutie. Dac a vom considera succes c a ziua de nastere a unei persoane
luate la ntmplare este 1 ianuarie atunci probabilitatea succesului este
egal a cu j = 1,365 (socotind c a anul are 365 de zile). Atunci probabilitatea
c a din 500 de persoane luate la ntmplare i persoane s-au n ascut la 1 ianuarie
este egal a cu
P
i
(500. 1,365) = C
i
500
(1,365)
i
(364,365)
500i
. i = 0. 500.
Num arul de probe ind mare iar probabilitatea succesului mic a,
aceeasi probabilitate poate calculat a dup a formula lui Poisson cu para-
metrul ` = :j = 500,365 = 1. 3699.... adic a
P
i
(500. 1,365) - j
i
=
(1,3699)
i
i !
c
1,3699
.
n tabelul de mai jos sunt expuse pentru comparare valorile P
i
(500. 1,365)
si j
i
pentru i = 0. 6.
i 0 1 2 3 4 5 6
P
i
(500. 1,365) 0. 2537 0. 3484 0. 2388 0. 1089 0. 0372 0. 0101 0. 0023
j
i
0. 2541 0. 3481 0. 2385 0. 1089 0. 0373 0. 0102 0. 0023
Din tabel avem c a rezultatele calculelor bazate pe diferite modele (repar-
titii) probabiliste n cazul nostru nu difer a esential.
4.3.6 Repartitia hipergeometric a cu parametrii `, `
si :
Denitia 101 Vom spune ca variabila aleatoare A este repartizat a hiper-
geometric cu parametrii `, `, : (se noteaza A~Hijc:qco:(`,`,:)) ,
`. : _ ` daca reparti tia ei este data de formula
P(A = /) =
C
I
A
C
aI
.A
C
a
.
. / = 0. min(:. `).
Din punct de vedere teoretic, acest model modeleaz a experimentul n care
dispunem de o urn a n care se a a ` bile, dintre care ` bile rosii si ` `
bile albe si din care extragem la ntmplare far a repetare : bile. Dac a A
este num arul de bile rosii printre : bile extrase.atunci variabila A are (vezi
exempul ?? ) distributia
P(A = /) =
C
I
A
C
aI
.A
C
a
.
. / = 0. min(:. `).
4.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE 79
4.4 Variabile aleatoare bi(multi)dimensionale
4.4.1 Vectori aleatori sau variabile aleatoare bidimen-
sionale
Fie (. T. P) un cmp de probabilitate discret.
Denitia 102 Func tia vectoriala (A. 1 ) : R
2
se nume ste vector aleator
sau variabil a aleatoare bidimensional a.
Prin urmare, dac a (A. 1 ) este o variabil a aleatoare bidimensional a, atunci
si A si 1 sunt variabile aleatoare.
Dac a A A = r
1
, r
2
, ... , r
a
, ... cu r
1
< r
2
<...< r
a
<... , iar 1
=
1
,
2
, ... ,
a
, ...cu
1
<
2
<...<
a
<..., rezult a c a (A,1 ) A
si P((A. 1 ) A ) = 1.
Pentru orice pereche (r
i
,
)
) A putem evidentia multimile

i)
= . [ A (.) = r
i
, 1 (.) =
)
. i. , _ 1.
Aceste multimi au propriet atile:
i)

I|
= O,\(i,,) ,= (/,|), i. ,. /. | _ 1 si
'
i,)1

i)
= .
Prin urmare, avnd o variabil a bidimensional a (A,1 ) putem scrie setul de
perechi de forma ((r
i
.
)
) . P
A,Y
(r
i
.
)
))
i,)1
, unde P
A,Y
(r
i
.
)
) = P(A =
r
i
,1 =
)
) = P(
i)
).

i,)1
P
A,Y
(r
i
.
)
) =

i,)1
P(
i)
) = P() = 1.
Prin urmare, dac a (A,1 ) este o variabil a bidimensional a (A,1 ) : R,
atunci modelului ((A. 1 ). (. F. P)) i putem pune n corespondent a repar-
ti tia vectorului aleator (A,1 ) care prin denitie este:
((r
i
.
)
) . P
A,Y
(r
i
.
)
))
i,)1
. unde P
A,Y
(r
i
.
)
) _ 0 si

i,)1
P(r
i
.
)
) = 1
Acest model poate reprezentat sub form a de tabel ntr-o manier a asem an a-
toare cu reprezentarea tabelelor de contingent a n statistica descriptiv a:
a
i

j
j

1

2
...
n
...
r
1
j
11
j
12
... j
1n
...
r
2
j
21
j
22
... j
2n
...
... ... ... ... ... ...
r
a
j
a1
j
a2
... j
an
...
... ... ... ... ... ...
80 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
unde j
i)
_ 0,

i,)1
j
i)
= 1.
Dat ind faptul c a

i
= . [ A (.) = r
i
= '
)1

i)
= '
)1
. [ A (.) = r
i
, 1 (.) =
)
. \i _ 1
si

)
= . [ 1 (.) =
)
= '
i1

i)
=
'
i1
. [ A (.) = r
i
, 1 (.) =
)
. \, _ 1,
rezult a c a, stiind repartitia v.a. (A. 1 ), putem restabili asa numitele repar-
ti tii marginale (r
i
. j
i
)
i1
ale v.a. A si (
)
. j
)
)
)1
conform formulelor
j
i
=

)1
j
i)
. j
)
=

i1
j
i)
.
ntr-adev ar,
j
i
= P(
i
) = P. [ A (.) = r
i
=
P( '
)1

i)
) = P( '
)1
. [ A (.) = r
i
, 1 (.) =
)
)
=

)1
P( . [ A (.) = r
i
, 1 (.) =
)
) =

)1
j
i)
. \i _ 1.
j
)
= P(
)
) = P. [ 1 (.) =
)
=
P( '
i1

i)
) = P( '
i1
. [ A (.) = r
i
, 1 (.) =
)
)
=

i1
P( . [ A (.) = r
i
, 1 (.) =
)
) =

i1
j
i)
. \, _ 1.
Exemplul 103 Consideram un experiment cu aruncarea unei monede per-
fecte si a unui zar perfect simultan. Fie variabilele aleatoare A = numarul
de steme aparute la aruncarea monedei si A = numarul de puncte aparute
la aruncarea zarului .
Evident (A,1 ) 0. 1 1. 2. .... 6. ntruct zarul si moneda sunt perfecte
rezulta ca
P(A = r
i
. 1 =
)
) =
1
12
.
4.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE 81
Reparti tia vectorului aleator (A,1 ) este
__
(i. ,) .
1
2
_
[ i = 0. 1. , = 1. 6)
_
Denitia 104 Vom numi functie de repartitie a vectorului aleator (A,1 )
func tia de doua variabile
1
A,Y
(r. ) = P. [ A (.) _ r. 1 (.) _ \r. R
2
Ca si n cazul unidimensional se arat a c a, avnd repartitia variabilei
aleatoare, putem restabili functia de repartitie conform formulei
1
A,Y
(r. ) =

i:a
i
a

):j
j
j
P(A = r
i
. 1 =
)
), \(r. ) R
2
.
Propozitia 105 Daca 1
A,Y
(r,) este func tia de reparti tie a vecorului aleator
(A,1 ) atunci
1. P(A < r,1 < ) = 1
A,Y
(r 0, 0);
2. P(c
1
< A _ /
1
,c
2
< 1 _ /
2
) =
1
A,Y
(/
1
. /
2
) +1
A,Y
(c
1
. c
2
) 1
A,Y
(c
1
. /
2
) 1
A,Y
(c
2
. /1)
=
1

.
1
,.
2
=0
(1)
.
1
+.
2
1
A,Y
(
1
/
1
+ (1
2
) c
1
.
1
/
1
+ (1
2
) c
1
) ;
3. P(A = c. 1 = /) = 1
A,Y
(c,/)1
A,Y
(c0,/)1
A,Y
(c,/0)+1
A,Y
(c
0,/ 0).
Demonstratia se realizeaz a prin analogie cu cazul unidimensional.
Problema 2 Demonstra ti Propozi tia anterioara.
82 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
ntroducnd operatorii
o
1
,b
1
si
o
2
b
2
care actioneaz a asupra functiei 1
A,Y
n felul urm ator

o
1
b
1
1
A,Y
(r. ) = 1
A,Y
(/
1
. ) 1
A,Y
(c
1
. ) .

o
2
b
2
1
A,Y
(r. ) = 1
A,Y
(r. /
2
) 1
A,Y
(r. c
2
) .
observam c a aplicarea lor succesiv a are drept rezultat

o
1
,b
1

o
2
b
2
1
A,Y
(r. ) =
1

.
1
,.
2
=0
(1)
.
1
+.
2
1
A,Y
(
1
/
1
+ (1
1
) c
1
.
2
/
1
+ (1
2
) c
2
) =
P(c
1
< A _ /
1
. c
2
< 1 _ /
2
).
4.4.2 Vectori aleatori sau variabile aleatoare multidi-
mensionale
Fie (. T. P) un cmp de probabilitate discret. Analog cu cazul bidimen-
sional putem formula urm atoarele denitii si rezultate.
Denitia 106 Func tia vector (A
1
,A
2
,. . . ,A
a
) : R
a
se nume ste vector
aleator sau variabil a aleatoare : dimensional a.
Or, in caz discret, dac a (A
1
,A
2
,. . . ,A
a
) este un vector aleator denit pe
(. T. P), atunci ecare component a A
i
este o variabil a aleatoare cu valori
n A
i
A
i
= r
(i)
1
,r
(i)
2
,. . . ,r
(i)
a
,..., i = 1. :, prin urmare (A
1
,A
2
,. . . ,A
a
)
A
1
A
2
A
a
.
Denitia 107 Vom numi repartitie a vectorului aleator A = (r
1
,r
2
,. . . ,r
a
)
setul
((r
(1)
1
,r
(2)
2
, . . . ,r
(I)
I
, . . . ,r
(a)
a
). P
a
1
,...,an
(r
(1)
1
,r
(2)
2
,
. . . . r
(a)
a
))
(a
(1)
1
,a
(2)
2
,...,a
(n)
n
)A
1
A
2
An
.
unde
P
a
1
,...,an
(r
(1)
1
. r
(2)
2
. . . . . r
(a)
a
) _ 0.

(a
(1)
1
,a
(2)
2
,...,a
(n)
n
)A
1
A
2
An
P
a
1
,...,an
(r
(1)
1
. r
(2)
2
. . . . . r
(a)
a
) = 1.
4.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE 83
Denitia 108 Vom numi functie de repartitie a vectorului aleator (A
1
,. . . ,A
a
)
func tia 1
A
(r) = 1
A
1
,...,An
(r
1
,. . . ,r
a
) = P. [ A
1
(.) _ r
1
,...,A
a
(.) _
r
a
= P(A _ r
1
,...,A _ r
a
), \r = (r
1
,. . . ,r
a
) R
a
.
ntroducnd operatorii
o
i
,b
i
, care actioneaz a asupra functiei 1
A
n felul
urm ator

o
i
,b
i
1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) = 1
A
1
,A
2
,...,An
(r
1
. r
2
. ...r
i1
. /
i
. r
i+1
. .... r
a
)
1
A
1
,A
2
,...,An
(r
1
. r
2
. ...r
i1
. c
i
. r
i+1
. .... r
a
) =
P(A _ r
1
. .... c
i
< A
i
_ /
i
. .... A _ r
a
).
\c
1
. /
1
. c
2
. /
2
. .... c
a
. /
a
R. c
1
_ /
1
. c
2
_ /
2
. .... c
a
_ /
a
, i = 1. : ,
prin analogie cu cazul bidimensional, se poate ar ata c a

o
1
,b
2
,...,on,bn
1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) =

o
1
,b
1

o
2
,b
2
...
on,bn
1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) =
1

.
1
,.
2
....n=0
(1)
.
1
+.
2
+...+.n.n
1
A,Y
(
1
/
1
+ (1
1
) c
1
,
2
/
2
+ (1
2
) c
2
,
...,
a
/
a
+ (1
a
) c
a
) =
P(c
1
< A _ /
1
. .... c
i
< A
i
_ /
i
. .... c
a
< A _ /
a
) _ 0.
Teorema 109 (Proprietatile caracteristice ale functiei de repartitie
multidimensionale) Daca 1
A
este func tia de reparti tie a variabilei aleatoare
A = (A
1
. A
2
. .... A
a
) atunci:
1.
o
1
,b
2
,...,on,bn
1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) _ 0,\c
1
,/
1
,c
2
,/
2
,...,c
a
,/
a
R,
c
1
_ /
1
,c
2
_ /
2
,...,c
a
_ /
a
;
2. 1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) este continua la dreapta n raport cu ecare
variabila r
i
, adica
1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
i
+ 0. .... r
a
) = 1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
i
. .... r
a
)
3. 1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
i1
. . r
i+1
. .... r
a
) = 0 si
1
A
1
,A
2
,...,An
(+. +. .... +) = 1.
84 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
Demonstratie. Proprietatea 1 rezult a din faptul c a

o
1
,b
2
,...,on,bn
1
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) =
P(c
1
< A _ /
1
. .... c
i
< A
i
_ /
i
. .... c
a
< A _ /
a
) _ 0.
Propriet atea 2 se demonstreaz a ca si n cazul unidimensional, deoarece
ne raport am la ecare variabil a n parte.
Pentru demonstratia propriet atii 3 se aplic a, cu modic ari neesentiale,
aceeasi metod a ca si n cazul unidimensional.
Observatia 20 n caz multidimensional proprietatea 1 atrage dupa sine monoto-
nia nedescrescatoare a func tiei de reparti tie 1
A
n raport cu ecare variabila,
dar reciproca nu este adevarata. ntr-adevar putem aduce urmatorul
Exemplul 110 (Contraexemplu) Consideram func tia
1
A,Y
(r. ) =
_
1. dcc c r + _ 0.
0. dcc c r + < 0.
Evident, 1(r. ) poseda proprieta tile 23. este monoton nedescrescatoare in
raport cu ecare variabila, dar nu este f.r. ntr-adevar, daca c
1
= 0. /
1
= 1.
c
2
= 0. /
2
= 1. atunci
=
1

.
1
,.
2
=0
(1)
.
1
+.
2
1 (
1
c
1
+ (1
1
) /
1
. c
2

2
+ (1
2
) /
2
) =
= 1(1. 1) 1(1. 0) 1(0. 1) +1(0. 0) = 1.
4.5 Independenta variabilelor aleatoare
Fie (,T,P) un cmp de probabilitate discret iar A,1 variabile aleatoare
denite pe el , adic a A,1 ~ (,T,P), unde A r
1
,r
2
,. . . , r
1
< r
2
< . . . ,
1
1
,
2
,. . . ,
1
<
2
< . . . si e c a vectorul aleator (A,1 ) are repartitia
((r
i
.
)
). P
a,j
(r
i
.
)
))
i,)1
, P
A,Y
(r
i
.
)
) =
P(A = r
i
. 1 =
)
) _ 0,

i,)1
P
A,Y
(r
i
.
)
) = 1.
4.5. INDEPENDEN TA VARIABILELOR ALEATOARE 85
Denitia 111 Vom spune ca variabilele A si 1 sunt independente daca
P(A = r
i
. 1 =
)
) = P(A = r
i
)P(1 =
)
). \i. , _ 1
n caz contrar, spunem ca A si 1 sunt variabile aleatoare dependente.
Exemplul 112 Consideram v.a. A , 1 cu reparti tia ((i,,),1,12)
i=0,1;)=1,6
,
adica P
A,Y
(i,,) = P(A = i. 1 = ,) = 1,12, \i = 0. 1, , = 1. 6. Or,
P(A = i) =
1
2
, \i = 0,1 si P(1 = ,) =
1
6
, \, = 1. 6, P
A,Y
(i,,) = P(A =
i,1 = ,) = P(A = i)P(1 = ,), \i = 0,1, , = 1. 6. Prin urmare A si 1 sunt
independente.
n general, asa cum se vede din paragraful anterior, avnd repartitia vari-
abilei aleatoare (r
i
,
)
),P
A,Y
(r
i
,
)
) putem restabili reparti tiile marginale,
adic a repartitiile ec arei variabile A,1 n parte:
r
i
. P
A
(r
i
)
i1
si
)
. P
Y
(
)
)
)1
.
Din denitie rezult a c a, dac a A si 1 sunt variabile aleatoare independente,
atunci este valabil a si reciproca acestei armatii.
Propozitia 113 Variabilele aleatoare A si 1 sunt independente daca si nu-
mai daca 1
A,Y
(r. ) = 1
A
(r)1
Y
(), \(r. ) R
2
.
Demonstratie. Presupunem c a v.a A si 1 sunt independente. Atunci
1
A,Y
(r. ) =

i:a
i
a

):j
j
j
P(A = r
i
. 1 =
)
) =

i:a
i
a

):j
j
j
P(A = r
i
)P(1 =
)
) =

i:a
i
a
P(A = r
i
)

):j
j
j
P(1 =
)
)
= 1
A
(r)1
Y
(), \(r. ) R
2
.
Invers, presupunem c a 1
A,Y
(r. ) = 1
A
(r)1
Y
(), \(r. ) R
2
. Atunci
P(A = r
i
. 1 =
)
) =
1
A,Y
(r
i
.
)
) 1
A,Y
(r
i
0.
)
) 1
A,Y
(r
i
.
)
0) +1
A,Y
(r
i
0.
)
0) =
1
A
(r
i
)1
Y
(
)
) 1
A
(r
i
0)1
Y
(
)
) 1
A
(r
i
)1
Y
(
)
0) +1
A
(r
i
0)1
Y
(
)
0)
= [1
A
(r
i
) 1
A
(r
i
0)][1
Y
(
)
) 1
Y
(
)
0)] = P(A = r
i
)P(1 =
)
).
Observatia 21 No tiunea de independenta, dar si conditia necesara si su-
cienta de independen ta din propozi tia anterioara se extind, n mod resc,
asupra variabilelor aleatoare multidimensionale.
86 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
4.6 Formula convolutiei
Fie (. T. P) un cmp de probabilitate discret si variabilele A
1
,A
2
,...,A
a
~
(. T. P), ne punem problema determin arii repartitiei variabilei sum a 2 =
A
1
+A
2
+...+A
a
.
Vom considera mai nti cazul : = 2.
Fie variabilele aleatoare A,1 ~(. T. P) si e A A = r
1
. r
2
. .... r
a
. ...,
r
1
< r
2
<...< r
a
<... si 1 =
1
.
2
. ....
n
. ...,
1
<
2
<...<
n
<... ,
atunci v.a. 2 ? = . [ . = r
i
+
)
. r
i
A.
)
. i. , _ 1.
Teorema 114 (Formula convolutiei) a) Reparti tia variabilei aleatoare
2 = A +1 este data de formulele
P(2 = .) =

i1
P(A = r
i
. 1 = . r
i
) =

)1
P(A = .
)
. 1 =
)
) ;
Teorema 115 b) Daca A,1 sunt v.a. independente, atunci reparti tia vari-
abilei aleatoare 2 = A +1 este data de formulele
P(2 = .) =

i1
P(A = r
i
)P(1 = . r
i
) =

)1
P(A = .
)
)P(1 =
)
) .
Demonstratie. a) Plec am de la faptul c a
2 = . = . [ 2(.) = . = . [ A(.) +1 (.) = . .
Not am
i)
= . [ A(.) = r
i
. 1 (.) =
)
. Evident '
i,)1

i)
= ;
i)

I|
= O, \(i. ,) ,= (/. |), \i. ,. /.| _ 1. Atunci:
2 = . = 2 = . = . [ 2(.) = .
= . [ A(.) +1 (.) = .
= . [A(.) +1 (.) = . ( '
i,)1

i)
)
= '
i,):a
i
+j
j
=:
. [A(.) = r
i
. 1 (.) =
)
.
4.6. FORMULA CONVOLU TIEI 87
Atunci:
P2 = . = P
_
'
i,):a
i
+j
j
=:
. [A(.) = r
i
. 1 (.) =
)

_
=

i,)1:a
i
+j
j
=:
P(A = r
i
. 1 =
)
) =

i1
P(A = r
i
. 1 = . r
i
)
=

)1
P(A = .
)
. 1 =
)
)
b) este consecint a din punctul anterior. ntr-adev ar, dac a variabilele
A,1 sunt independente atunci
P(A = r
i
. 1 =
)
) = P(A = r
i
)P(1 =
)
) , \i. , _ 1,
prin urmare
P(2 = .) =

i1
P(A = r
i
. 1 = . r
i
) =

i1
P(A = r
i
)P(1 = . r
i
)
=

)1
P(A = .
)
. 1 =
)
) =

)1
P(A = .
)
)P(1 =
)
) .
Or, pentru a aa repartitia unei sume de v.a. 2 = A
1
+ A
2
+...+A
a
putem aplica succesiv formula convolutiei..
Exemplul 116 Fie A, 1 variabile aleatoare independente repartizate , re-
spectiv 1oi::o:(`
i
), `
i
0, i = 1. 2. Vom determina reparti tia variabilei
A +1 .
Cunoa stem reparti tiile variabilelor A,1 :
P(A = i) =
`
i
1
i!
c
A
1
; i = 0. 1. 2. ...
P(A = ,) =
`
)
2
,!
c
A
2
; , = 0. 1. 2. ...
88 CAPITOLUL 4. VARIABILE ALEATOARE DISCRETE
Evident, 2 = A + 1 ? = 0. 1. 2. ... Atunci din independen ta v.a. A. 1
si formula convolu tiei rezulta
P(2 = /) = P(A +1 = /) =

i0
P(A = i)P(1 = / i)
=
I

i=0
`
i
1
i!
c
A
1
`
Ii
1
(/ i)!
c
A
2
=
c
(A
1
+A
2
)
/!
I

i=0
C
i
I
`
i
1
`
Ii
1
=
c
(A
1
+A
2
)
/!
(`
1
+`
2
)
I
=
(`
1
+`
2
)
I
/!
c
(A
1
+A
2
)
, / _ 0
Or, suma A+1 este repartizata 1oi::o:(`
1
+`
2
). Folosind induc tia matem-
atica putem demonstra urmatoarea
Propozitia 117 Mul timea variabilelor aleatoare independente repartizate Pois-
son este nchisa n raport cu opera tia convolu tiei (data de formula con-
volu tiei) aplicata asupra reparti tiilor, adica A
1
+A
2
+...+A
a
~ 1oi::o:(
a

i=1
`
i
),
daca A
i
sunt v.a. independente si A
i
~ 1oi::o:(`
i
), `
i
0, i = 1. :.
Problema 3 Fie A, 1 variabile aleatoare independente identic repartizate
1c::on||i(j), j [0. 1] . Arata ti ca suma lor are reparti tie binomiala, mai
exact A + 1 ~ 1i (2. j). Folosind indunc tia matematica, arata ti ca, daca
A
1
,A
2
,...,A
a
sunt v.a.i.i.r. 1c::on||i(j), j [0. 1], atunci suma lor A
1
+
A
2
+...+A
a
~ 1i(:,j).
Capitolul 5
Caracteristici numerice
5.1 Valoarea medie
Valoarea medie a unei variabile aleatoare modeleaz a, din punct de vedere
matematic, media de selectie din statistica descriptiv a. Astfel, dac a avem un
esantion de volum :. (r
1
. r
2
. .... r
a
) ~ A, media de selectie r =
1
a
a

i=1
r
i
sau,
folosind distributia de selectie a frecventelor relative,
^
A :
_
r
0
(1)
... r
0
(I)
:
1
... :
I
_
.
avem
r =
I

r
0
(i)
i=1
:
i
:
.
Dac a este valabil a proprietatea regularit atii statistice, atunci pentru :
sucient de mare frecventa relativ a ,
a
(A = r
i
) P(A = r
i
), \i = 1. /.
Prin urmare r
I

i=1
r
0
(i)
P
_
A = r
0
(i)
_
. Acest fapt sugereaz a urm atoarea
denitie.
Fie variabila aleatoare A ~ (. T. P), = .
1
. .
2
. ..., T = [ _ ,
P ind o probabilitate discret a. Atunci A A = r
1
, r
2
,..., r
1
<
r
2
<...r
a
... .
Denitia 118 Vom numi valoare medie a variabilei aleatoare A numarul
89
90 CAPITOLUL 5. CARACTERISTICI NUMERICE
EA calculat dupa formula
EA =

.
i

A(.
i
)P.
i
.
Vom spune ca valoarea medie exista daca si numai daca

.
[A(.
i
)[ P.
i
<
+.
Observatia 22 Din deni tie rezulta ca valoarea medie exista pentru orice
v.a. A simpla, adica pentru v.a. a caror mul time A de valori posibile este
nita. Daca A este innita numarabila atunci am putea deni valoarea medie
astfel:
EA =

.
i
. [ A(.)<0
A(.
i
)P.
i
+

.
i
. [ A(.)0
A(.
i
)P.
i
. Sunt
posibile 4 variante: (1) converg ambele serii atunci
EA =

.
i

A(.
i
)P.
i
,
deoarece convergen ta anbelor serii implica convergen ta lor absoluta; (2) seria
cu termeni negativi diverge, atunci am putea spune ca valoarea medie exista ,
dar EA = ; (3) seria cu termeni pozitivi diverge, atunci am putea spune
ca valoarea medie exista, dar EA = + si (4) diverg ambele serii, atunci
am putea spune ca valoarea medie nu exista.
Exemplul 119 Consideram experimentul cu aruncarea unei monede de 2
ori succesiv si presupunem ca acesta este descris de campul de probabilitatee
clasic, adica de (. T. P), = oo,o1,1o,11, T = [ _ ,
P() = cc:d() ,cc:d(), \ T. Fie variabila aleatoare A : R,
unde A este numarul de steme aparute. Deci
EA = A(oo)Poo+A(o1)Po1+A(1o)P1o+A(11)P11 =
=2
1
4
+ 1
1
4
+ 1
1
4
+ 0
1
4
= 1.
Aplicarea direct a a formulei de calcul pentru valoarea medie nu este,
totusi, cea mai simpla cale de calcul.
Propozitia 120 Daca exista valoarea medie EA. atunci
EA =

i1
r
i
P(A = r
i
)
5.1. VALOAREA MEDIE 91
Demonstratie. Cum A A = r
1
,r
2
,..., r
1
< r
2
< ..., putem scrie
= '
i1
. [ A(.) = r
i
= '
i1

i
,
i

)
= O. \i ,= ,. i. , _ 1.
Atinci, folosind convergenta absolut a ca preconditie pentru existenta valorii
medii, avem
EA =

.
k

A(.
I
)P.
I
=

.
k
'
i1

i
A(.
I
)P.
I
=

i1

.
k

i
A(.
I
)P.
I

i1
r
i

.
k

i
P.
I
=

i1
r
i
P(
i
) =

i1
r
i
P(A = r
i
).
Valoarea
(1)
_

A(.)dP(.) =

.
k

A(.
I
)P.
I

se numeste integrala Lebesgue a functiei A denit a pe cmpul de proba-


bilitate discret (. T. P) . n mod analog (1)
_
A
rDP
A
(r) =

i1
r
i
P
A
r
i

este integrala Lebesgue a functiei A denit a pe cmpul de probabilitate


(A. T(A). P
A
) indus de v.a. A, unde A = r
1
,r
2
,..., r
1
< r
2
< ...,
T(A) = C [ C _ A, P
A
r
i
= P(A = r
i
), iar A ~ (A. T(A). P
A
),
A : A A _ R, A(r
i
) = r
i
, \i _ 1.
Or, din propozitia anterioar a rezult a egalitatea acestor dou a integrale,
adic a formula de transport:
(1)
_

A(.)dP(.) = (1)
_
A
rdP
A
(r).
Propozitia 121 Daca A este o variabila aleatoare discreta pentru care ex-
ista valoarea medie , atunci
EA =

i1
r
i
[1
A
(r
i
) 1
A
(r
i
0)] .
Demonstratie. Substituind n formula
EA =

i1
r
i
P(A = r
i
)
92 CAPITOLUL 5. CARACTERISTICI NUMERICE
valorile
P(A = r
i
) = 1
A
(r
i
) 1
A
(r
i
0) .
deducem imediat formula noastr a.
n literatura de specialitate valoarea
(1 o)
_
R
rd1
A
(r) =

i1
r
i
[1
A
(r
i
) 1
A
(r
i
0)]
se numeste integrala Lebesgue-Stieltjes a func tiei ,(r) = r calculat a n raport
cu repartitia (m asura probabilist a) generat a de f.r.1
A
.
Totaliznd, putem spune ca valoarea medie
EA = (1)
_

A(.)dP. = (1)
_
A
rdP
A
(r) = (1 o)
_
R
rd1
A
(r).
Exemplul 122 Fie v.a. A ~ 1oi::o:(`). ` 0. Atunci valoarea media a
variabilei A
EA =

i1
r
i
P(A = r
i
) =

i1
i
`
i
i!
c
A
=

i1
`
i
(i 1)!
c
A
= c
A
`

i1
`
i1
(i 1)!
= ` c
A
c
A
= `.
Consider am o variabil a aleatoare A ~ (. T. P), A : R, A A =
r
1
,r
2
,...,r
a
,.... Atunci pentru orice functie , : R R, ,(A) este si ea
o variabil a aleatoare, deoarece ,(A) : R. Prin urmare, este resc
s a vorbim despre valoarea medie a v.a. ,(A). Propozitia urm atoare arata
ca, daca valoarea medie E,(A) exista, atunci pentru calcularea este nu este
obligatoriu s a stim repartitia lui ,(A), ind sucient s a cunoastem doar
repartitia v.a. A.
Propozitia 123 Fie A este o v.a. data de reparti tia(r
i
. j
i
)
i1
, j
i
=
P(A = r
i
) 0.

i1
j
i
= 1 si , : R R, atunci valoarea medie a variabilei
,(A), daca aceasta exista, poate calculata dupa formula
E,(A) =

i1
,(r
i
)j
i
.
5.1. VALOAREA MEDIE 93
Demonstratie. Din denitie obtinem c a
E,(A) =

.
k

,(A(.
I
))P.
I
=

i1

.
k
:.
k
.[A(.)=a
i

,(A(.
I
))P.
I

i1

.
k
:.
k
.[A(.)=a
i
[
,(r
i
))P.
I

i1
,(r
i
)

.
k
:.
k
.[A(.)=a
i
[
P.
I
=

i1
,(r
i
)j
i
Observatia 23 Analog se demonstreaza ca , avnd doua v.a A. 1 cu reparti tia,(r
i
.
)
). j
i)
)
i1
,
j
i)
= P(A = r
i
. 1 =
)
) 0,

i,)1
j
i)
= 1 si , : R
2
R, pentru care exista
valoarea medie a variabilei ,(A. 1 ), aceasta poate calculata dupa formula
E,(A. 1 ) =

i1
,(r
i
.
)
)j
i)
.
Exemplul 124 Fie variabila aleatoare A cu reparti tia:
A :
_
c c c +
1
2
(1 j) j
1
2
(1 j)
_
. j [0. 1]. 0.
unde A poate interpretata ca rezultatul masurarii unei marimi a carei
valoare exacta este c, ind eroarea de masurare. Atunci media variabilei
A este
EA = (c )
1
2
(1 j) +c j + (c +)
1
2
(1 j) = c
Fie ,(A) = A
2
,atunci media variabilei ,(A) este
E,(A) = EA
2
= (c )
2

1
2
(1 j) +c
2
j + (c +)
2

1
2
(1 j)
= c
2
(1 j +j) +
2
(1 j) = c
2
+
2
(1 j).
Concluzia pe care o putem trage in acest exemplu este ca valoarea medie
nu descrie sucient de bine, sa zicem, precizia instrumentului de masurare,
deoarece EA = c, indiferent care sunt valorile j [0. 1]. 0. No tiunea
de dispersie, introdusa n paragraful urmator, compenseaza acest "defect" al
valorii medii.
94 CAPITOLUL 5. CARACTERISTICI NUMERICE
Propozitia 125 Valoarea medie poseda urmatoarele proprieta ti:
1. Daca variabila aleatoare A este nenegativa, A _ 0, si exista EA,
atunci EA _ 0. n plus, pentru variabile aleatoare nenegative
EA = 0, daca si numai daca P(A = 0) = 1;
2. Daca exista EA, atunci exista E(cA +,) = cEA +,, \c. , R;
3. Daca exista EA, atunci exista [EA[ _ E[A[;
4. Daca exista EA si E1 , atunci exista E(A +1 ) = EA +E1 ;
5. Daca exista E1 si A _ 1 , atunci exista EA _ E1 ;
6. Daca 1

este indicatorul evenimentului , atunci E1

= P();
7. Daca A. 1 sunt v.a. independente pentru care exista EA, E1 , atunci
exista E(A1 ) = EAE1 .
Demonstratie. 1. Faptul c a A _ 0 si c a exist a EA implic a
EA =

I:.
k

A (.
I
) P.
I
_ 0.
Pentru partea a doua a propriet atii 1 avem c a EA = 0 1 = 0, deoarece
P(A = 0) = 1.Adic a
EA =

I:.
k

A (.
I
) P.
I
=

I:.
k

r
I
P.
I
=

I:.
k

r
I
P(A = r
I
) = 0.
Or, ecare termen al sumei este nenegativ, iar suma este nul a. Prin urmare
toti termenii sumei sunt nuli, ceea ce nseamn a c a r
I
= 0 sau P(A = r
I
) = 0,
\/ _ 1.Rezult a c a exist a cel putin un indice i
0
0. astfel nct r
i
0
= 0. dar
P(A = r
i
0
) 0 si r
i
0
= 0 deoarece

I1
P(A = r
I
) = 1. Presupunem c a mai
exist a un indice i
1
,= i
0
. astfel nct r
i
1
= 0. dar P(A = r
i
1
) 0. Acest fapt
este imposibil,deoarece toate valorile r
1
. r
2
. sunt diferite. n concluzie, i
0
este unic cu proprietatea r
i
0
= 0. P(A = r
i
0
) 0. Asa dar, P(A = 0) = 1.
2. Dac a exist a EA.atunci
E(cA +,) =

I:.
k

(cA (.
I
) +,) P.
I
=

I1
(cr
I
+,) P(A = r
I
) =
5.1. VALOAREA MEDIE 95
c

I1
r
I
P(A = r
I
) +,

I1
P(A = r
I
) = cEA +,. \c. , R.
3.
[EA[ =

I1
r
I
P(A = r
I
)

lim
ao
a

I=1
r
I
P(A = r
I
)

=
lim
ao

I=1
r
I
P(A = r
I
)

_ lim
ao
a

I=1
[r
I
[ P(A = r
I
) = E[A[
4. Stim c a exist a EA. E1 . Atunci
E(A +1 ) =

I1
(A(.
I
) +1 (.
I
)) P.
I
.
Consider am multimile
i)
= . [ A(.) = r
i
. 1 (.) =
)
.
Evident
i)

I|
= O, \(i. ,) ,= (/. |). i. ,. /. | _ 1. Atunci = '
i,)1

i)
.
Rezult a c a
E(A +1 ) =

I1
(A(.
I
) +1 (.
I
)) P.
I
=
=

i,)1

I:.
k

ij
(A(.
I
) +1 (.
I
)) P.
I
=

i,)1

I:.
k

ij
(r
i
+
)
)P.
I

=

i,)1
(r
i
+
)
)

I:.
k

ij
P.
I
=

i,)1
(r
i
+
)
) P(
i)
) =

i,)1
(r
i
+
)
) P(A = r
i
. 1 =
)
) =

i1
r
i

)1
P(A = r
i
. 1 =
)
) +

)1

i1
P(A = r
i
. 1 =
)
)
=

i1
r
i
P(A = r
i
) +

)1

)
P(1 =
)
) = EA +E1
5. Fie variabila 2 = 1 A. Evident, 2 _ 0. Folosind 1 si 4 rezult a c a
E2 = E(1 A) = E1 EA _ 0 =E1 _ EA.
96 CAPITOLUL 5. CARACTERISTICI NUMERICE
6. Repartitia indicatorului evenimentului este
1

:
_
0 1
1 P() P()
_
.
Prin urmare E1

= P().
7. Fie A. 1 variabile aleatoare independente. Atunci,
E(A1 ) =

.
k

A(.
I
)1 (.
I
)P.
I

=

i,)1

.
k

ij
r
i

)
P.
I
=

i,)1
r
i

.
k

ij
P.
I

=

i,)1
r
i

)
P(A = r
i
. 1 =
)
) =

i,)1
r
i

)
P(A = r
i
)P(1 =
)
)
=

i1
r
i
P(A = r
i
)

)1

)
P(1 =
)
) = EAE1 .
Exemplul 126 1. Fie variabila aleatoare A repartizata 1c::on||i(j), j
[0. 1]. Reparti tia ei este
A :
_
0 1
1 j j
_
=EA = j
2. Fie A ~ 1i(:. j), j [0. 1]. Reparti tia ei este data de P(A = /) =
C
I
a
j
I
(1 j)
aI
.
Valoarea medie a variabilei A este:
EA =
a

I=0
/P(A = /) =
a

I=0
/C
I
a
j
I
(1 j)
aI
=
a

I=0
/
:!
/!(: /)!
j
I
(1 j)
aI
=
a

I=0
:!
(/ 1)!(: 1 (/ 1))!
j
I
(1 j)
aI
= :j
a

I=1
(: 1)!
(/ 1)!(: 1 (/ 1))!
j
I1
(1 j)
a1(I1)
5.2. DISPERSIA (VARIAN TA) 97
= :j
a

I=1
C
I1
a1
j
I1
(1 j)
a1(I1)
= :j
a1

I=0
C
I
a1
j
I
(1 j)
a1I
= :j.
A doua modalitate de calcul a mediei variabilei binomiale foloseste in-
terpretarea variabilei A ca num arul de succese n : probe Bernoulli cu
probabilitatea succesului j, n ecare prob a, j [0. 1]. Atunci A = A
1
+
A
2
+ + A
a
, unde A
i
este num arul de succese n proba i, i = 1. :. Ev-
ident A
i
~ 1c::on||i(j), j [0. 1]. Prin urmare EA
i
= j, i = 1. : si
EA = E(
a

i=1
A
i
) =
a

i=1
EA
i
= :j.
5.2 Dispersia (varianta)
Fie A o v.a. denit a pe cmpul de probabilitate discret (. T. P).
Denitia 127 Vom numi dispersie (varian ta) a variabilei aleatoare A numarul
notat DA si calculat astfel
DA = E(A EA)
2
Propozitia 128 Daca dispersiaDA exista, atunci DA = EA
2
(EA)
2
.
Demonstratie.
DA = E(A EA)
2
= E
_
A
2
2AEA + (EA)
2
_
= EA
2
E(2AEA) +E(EA)
2
= EA
2
2EAEA + (EA)
2
= EA
2
2(EA)
2
+ (EA)
2
= EA
2
(EA)
2
.
Exemplul 129 (Continuare) Fie variabila aleatoare A.
A :
_
c c c +
1
2
(1 j) j
1
2
(1 +j)
_
. j [0. 1]. 0.
Stim ca EA = c. Atunci:
DA = E(A EA)
2
=
((c ) c)
2
1
2
(1 j) + (c c)j + ((c +) c)
2
1
2
(1 j)
=
2
1
2
(1 j) +
2
1
2
(1 j) =
2
(1 j).
98 CAPITOLUL 5. CARACTERISTICI NUMERICE
Daca gradul de mpra stiere a valorilor c. c. c+ fa ta de medie este foarte
mic, atunci ori este foarte mic, ori j este foarte aproape de 1. Reciproca
este deasemenea adevarata. Acest exemplu ne arata ca gradul de mpra stiere
al valorilor individuale a variabilei A fa ta de medie este cu att mai mic cu
ct dispersia este mai mica si viceversa.
Propozitia 130 Dispersia variabilei aleatoare A poseda urmatoarele propri-
eta ti:
1. Daca exista DA, atunci DA _ 0 si DA = 0 =P(A = EA) = 1;
2. Daca exista DA, atunci exista D(cA +,) = c
2
DA, \c. , 1;
3. Inegalitatea Cauchy-Buniacovski. Daca exista DA. DA, atunci
exista E(A EA), E(1 E1 ) si
[E(A EA)E(1 E1 )[ _
_
DAD1 ;
4. Daca exista DA. D1 , atunci D(A 1 ) si
D(A 1 ) = DA +D1 2E(A EA)(1 E1 );
5. Daca exista DA. D1 , si A. 1 sunt independente , atunci D(A 1 ) =
DA D1 .
Demonstratie. 1. Din denitia dispersiei rezult a c a DA _ 0. n plus
DA = 0 =E(AEA)
2
= 0 =P
_
(A EA)
2
= 0
_
= 1 =P(A = EA) = 1.
2.
D(cA ,) = E(cA , E(cA ,))
2
= E((cA cEA) (, ,))
2
= E[c
2
(A EA)
2
] = c
2
E(A EA)
2
= c
2
DA
3. Dac a exist aDA. D1 atunci putem calcula pentru \t 1
0 _ D(A +t1 ) = E(A +t1 E(A +t1 ))
2
= E((A EA) t (1 E1 ))
2
= E
_
(A EA)
2
+ 2t (A EA) (1 E1 ) +t
2
(1 E1 )
2
_
= DA + 2tE(A EA) (1 E1 ) +t
2
D1 = q(t).
5.2. DISPERSIA (VARIAN TA) 99
Rezult a c a polinomul de gradul doi q(t) = DA + 2tE(A EA) (1 E1 ) +
t
2
D1 _ 0, \t R.
Aceasta este posibil daca si numai dac a discriminantul
= 4 (E(A EA) (1 E1 ))
2
4DAD1 < 0
= (E(A EA) (1 E1 ))
2
< DAD1 .
Ultima implica inegalitatea [E(A EA)E(1 E1 )[ _
_
DAD1 .
4.
D(A 1 ) = E(A 1 E(A 1 ))
2
= E((A EA) (1 E1 ))
2
= DA +D1 2E(A EA) (1 E1 ) .
5. Dac a A. 1 sunt independente atunci AEA, 1 E1 sunt de asemenea
independente si rezult a c a
E(A EA) (1 E1 ) = E(A EA) E(A EA) = 0
Din proprietatea anterioar a rezult a c a
D(A 1 ) = DA +D1 .
Denitia 131 Vom numi covarian ta a variabilelor aleatoare A si 1 numarul
co (A. 1 ) = E(A EA) (1 E1 )
Evident co (A. A) = DA. n plus, dac a v.a. A. 1 sunt variabile inde-
pendente atunci co (A. 1 ) = 0. Reciproca acestei propriet ati nu are loc.
Pentru a demonsta aceasta vom da urm atorul
Exemplul 132 (contraexemplu) Fie variabilele aleatoare independente A. 1
astfel nct EA = E1 = 0 si exista EA
2
.
Luam variabila aleatoare 2 = A1 . Evident A si 2 nu sunt dependente.
Covarian ta este
co (A. 2) = E(A EA) (2 E2) = E(A2) = E(AA1 )
= E(A
2
1 ) = EA
2
E1 = 0.
Adica, avem doua v.a. dependente care au covarian ta nula.
100 CAPITOLUL 5. CARACTERISTICI NUMERICE
Exemplul 133 a) Fie v.a. A ~ 1c::on||i(j), j [0. 1].
DA = EA
2
(EA)
2
= (0
2
(1 j) + 1
2
j) j
2
= j j
2
= j(1 j).
Deci D1

= j()(1 j()).
b) Fie v.a. A ~ 1i(:. j), j [0. 1], : _ 1. Cum A = A
1
+A
2
+ A
a
,
unde A
i
sunt variabile aleatoare independente identiv repartizate 1c::on||i(j),
j [0. 1], i = 1. :.Rezulta ca
DA = D
a

i=1
A
i
=
a

i=1
DA
i
=
a

i=1
j(1 j) = :j(1 j).
5.3 Coecientul de corelatie
Dou a v.a A si 1 pot dependente functional , adic a 1 = q(A); pot de-
pendente dar nu n mod functional; n sfrsit, pot independente. Pentru a
caracteriza gradul de dependent a dintre dou a variabile vom introduce noti-
unea de coecient de corelatie, considernd c a pentru v.a. implicate exist a
dispersia si ea este nenul a.
Denitia 134 Fie A. 1 doua variabile aleatoare denite pe acela si cmp de
probabilitate (. T. P) discret. Vom numi coecient de corela tie a variabilelor
aleatoare A. 1 numarul notat cu j(A. 1 ) si calculat dupa formula
j(A. 1 ) =
cc(A,Y )
_
DA
_
DY
.
Observatia 24 Din inegalitatea Cauchy-Buniacovski rezulta:
[co(A. 1 )[ _
_
DA
_
D1 .
Or, coecientul de corela tie exsta daca exista DA si D1 .
Propozitia 135 Proprieta tile coecientului de corela tie:
1. Daca j(A. 1 ) exista, atunci [j(A. 1 )[ _ 1.
2. [j(A. 1 )[ = 1 == c. / R, c ,= 0, astfel nct P(1 = cA +/) = 1.
5.3. COEFICIENTUL DE CORELA TIE 101
Demonstratie. 1. Rezultatul rezult a imediat din inegalitatea Cauchy-
Buniacovski.
2. Pentru variabilele aleatoare A si 1 vom construi variabilele A
1
=
A1A
_
DA
, respectiv 1
1
=
Y 1Y
_
DY
. Procedeul aplicat pentru obtinerea variabilelor
A
1
. 1
1
se numeste normare. Astfel, media si dispersia noilor variabile vor :
EA
1
= E(
A EA
_
DA
) =
1
_
DA
E(A EA) =
1
_
DA
(EA EEA)
=
1
_
DA
(EA EA) = 0
DA
1
= D(
A EA
_
DA
) =
1
DA
D(A EA) =
1
DA
DA = 1
Analog E1
1
= 0. D1
1
= 1.
co(A
1
. 1
1
) = E(A
1
EA
1
)(1
1
E1
1
) = EA
1
1
1
= E
_
(A EA)(1 E1 )
_
DA
_
DA
_
=
1
_
DA
_
D1
E(A EA)(1 E1 )
=
co(A. 1 )
_
DA
_
D1
= j(A. 1 )
Necesitatea. Presupunem j(A. 1 ) = 1.
D(A
1
1
1
) = DA
1
+D1
1
2co(A
1
. 1
1
) = 2 2j(A. 1 ) = 2 2 = 0 =
P(A
1
1
1
= E(A
1
1
1
)) = 1 =P(A
1
= 1
1
) = 1 =P
_
A EA
_
DA
=
1 E1
_
D1
_
= 1
n cazul j(A. 1 ) = 1 folosim aceleasi rationamente, plecnd de la faptul c a
D(A
1
+1
1
) = 2 + 2j(A. 1 ) = 2 2 = 0. Or, evident c a variabila A poate
exprimat a liniar n functie de variabila 1 cu probabilitatea 1.
Sucien ta. Presupunem c a exist a c. / 1 astfel nct P(1 = cA + /) = 1,
(c ,= 0).
Atunci
j(A. 1 ) = co(A
1
. 1
1
) = EA
1
1
1
= E
(A EA)
_
DA
(cA +/ E(cA +/))
_
D(cA +/)
102 CAPITOLUL 5. CARACTERISTICI NUMERICE
=
1
_
DA[c[
_
DA
E(A EA)(c(A EA)) =
1
[c[DA
E
_
c(A EA)
2

=
c
[c[
DA
DA
=
c
[c[
=
_
1. c 0
1. c < 0
= :iq:(c).
Exemplul 136 Fie reparti tia vectorului aleator (A. 1 )
A

Y
1 0 1
1
1
9
2
9
0
0 0
1
9
2
9
1
2
9
0
1
9
Restabilim reparti tiile marginale ale variabilelor A. 1 :
A :
_
1 0 1
3
9
1
3
1
3
_
=EA = 0. DA =
2
3
1 :
_
1 0 1
1
3
1
3
1
3
_
=E1 = 0. D1 =
2
3
co(A. 1 ) =

i,)1
(r
i
EA)(
)
E1 )P(A = r
i
. 1 =
)
) = 0
Deci j(A. 1 ) = 0.
Vericam daca variabilele A. 1 sunt independente. Cum, spre exemplu,
P(A = 1. 1 = 1) = 0 ,=
1
9
=
1
3
1
3
= P(A = 1)P(1 = 1)
rezulta ca variabilele A. 1 sunt dependente.
5.4 Valori medii conditionate
Fie A. 1 dou a variabile aleatoare denite pe acelasi cmp de probabilitate
discret, A A = r
1
. r
2
. , r
1
< r
2
< , 1 =
1
.
2
. ,
1
<

2
< si e repartitia vectorului aleator (A. 1 ) ~ ((r
i
.
)
) . P(A = r
i
. 1 =
)
))
i,)1
.
Pentru orice indice i xat, i = 1. 2. ..., putem calcula probabilitatea
P(1 =
)
,A = r
i
) =
P(1 =
)
. A = r
i
)
P(A = r
i
)
. \, _ 1
5.4. VALORI MEDII CONDI TIONATE 103
Atunci

)1
P(1 =
)
,A = r
i
) =

)1
P(1 =
)
. A = r
i
)
P(A = r
i
)
=
1
P(A = r
i
)

)1
P(1 =
)
. A = r
i
)
=
1
P(A = r
i
)

)1
P(1 =
)
. A = r
i
)
=
1
P(A = r
i
)
P(A = r
i
) = 1. \i _ 1
n concluzie, pentru orice i xat, setul (
)
. P(1 =
)
,A = r
i
)
)1
reprez-
int a o repartitie a v.a. 1 . Putem deni atunci valoarea medie n raport cu
aceast a repartitie.
Denitia 137 Vom numi valoare medie a variabilei aleatoare 1 condi tion-
ata de evenimentul A = r
i
numarul notat cu E(1,A = r
i
) si calculat
astfel:
E(1,A = r
i
) =

)1

)
P(1 =
)
,A = r
)
).
Observatia 25 Variind r
i
, r
i
A, observam ca valoare medie a variabilei
aleatoare 1 condi tionata de evenimentul A = r
i
dene ste o func tie q :
A R, conform regulii E(1 , A = r
i
) = q(r
i
).
Denitia 138 Func tia de variabila aleatoare A notata cu E(1 , A) = q(A)
, adica func tia cu proprietatea q(A) = q(r
i
) daca A = r
i
se nume ste valoare
medie condi tionata a variabilei 1 de catre variabila aleatoare A.
Exemplul 139 (continuare a exemplului din p. anterior)
Pentru r
1
= 1 avem:
q(r
1
) = E(1,A = r
1
) = (1) P(1 = 1,A = 1)
+0 P(1 = 0,A = 1) + 1 P(1 = 1,A = 1) =
1
3
104 CAPITOLUL 5. CARACTERISTICI NUMERICE
Pentru r
1
= 0 avem:
q(r
2
) = E(1,A = r
2
) = (1) P(1 = 1,A = 0)
+0 P(1 = 0,A = 0) + 1 P(1 = 1,A = 0) =
2
3
Pentru r
1
= 1 avem:
q(r
3
) = E(1,A = r
2
) = (1) P(1 = 1,A = 1)
+0 P(1 = 0,A = 1) + 1 P(1 = 1,A = 1) =
1
3
Prin urmare E(1,A) este o variabila aleatoare cu reparti tia
q(A) = E(1,A) :
_
1 0 1
1
3
2
3
1
3
_
P(q(A) =
1
3
= P(A = 1) +P(r = 1) =
1
3
+
1
3
=
2
3
.
Propozitia 140 E(E(1 , A)) = E1.
Demonstratie.
E(E(1 , A)) =

i1
E(1 , A = r
i
) P(A = r
i
) =
=

i1

)1

)
P(A = r
i
. 1 =
)
)
P(A = r
i
)
P(A = r
i
) =

)1

i1
P(A = r
i
. 1 =
)
)
=

)1

)
P(1 =
)
) = E1.
Putem verica cu usurinta c a valorile medii conditionate posed a urm a-
toarele propriet ati evidentiate n
5.4. VALORI MEDII CONDI TIONATE 105
Propozitia 141 Fie A. 1 doua variabile aleatoare de tip discret denite pe
unul si acela si cmp de probabilitate (. T. P). Atunci:
1. E(1,A) = E1 , pentru A si 1 independente;
2. E(,(A),A) = ,(A), pentru orice func tie , , n particular E(A ,
A) = A;
3. E(,(A) 1 , A) = ,(A) E(1 , A) . pentru orice func tie ,;
4. E[(1
1
+1
2
) ,A] = E(1
1
,A) + E(1
2
,A), pentru orice v.a. 1
1
. 1
2
de-
nite pe acela si cmp de probabilitate ca si A.
Exemplul 142 Fie A. 1 doua v.a. de tip discret i.i.r. Atunci
E(A , A +1 ) = E(1 , A +1 ) =
A +1
2
.
ntr-adev ar, din faptul c a v.a. A. 1 sunt independente si identic reparti-
zate avem
P(A = r
i
, A +1 = .) =
P(A = r
i
. 1 = . r
i
)
P(A +1 = .)
=
P(A = r
i
) P(1 = . r
i
)
P(A +1 = .)
=
=
P(A = . r
i
) P(1 = r
i
)
P(A +1 = .)
=
P(A = . r
i
. 1 = r
i
)
P(A +1 = .)
= P(1 = r
i
,A +1 = .) .
Deci E(A , A +1 ) = P(1 , A +1 ) si
2E(A , A +1 ) = E(A , A +1 )+E(1 , A +1 ) = E(A +1,A +1 ) = A+1.
Prin urmare
E(A , A +1 ) = E(1 , A +1 ) =
A +1
2
.
106 CAPITOLUL 5. CARACTERISTICI NUMERICE
Exemplul 143 Fie A
1
. A
2
. .... A
a
v.a. cu valori medii identice, i.e. EA
i
=
EA
1
= c. i = 1. :, iar ` e o v.a. care ia valori ntregi nenegative indepen-
dent de v.a. A
i
. i = 1. :. Denim
o
.
=
_
A
1
+A
2
+... +A
.,
daca ` _ 1
0. daca ` = 0
Ne intereseaza Eo
.
.
Observ am c a pentru ` = : avem
E(o
.
, ` = :) = E(A
1
+... +A
.
, ` = :) = E(A
1
+... +A
a
) =
=
a

i=1
EA
i
= :EA
1
= : c.
Deci E(o
.
, `) = E(A
1
+... +A
.
, `) = `EA
1
si
Eo
.
= E(E(o
.
,`)) = E(` EA
1
) = E` EA
1
= c E`.
Egalitatea Eo
.
= c E` poart a denumirea de identitatea lui Wald.
Observatia 26 n caz discret putem deni func tia de reparti tie a v.a. 1
condi tionata de evenimentul A = r, cu alte cuvinte func tia
1
Y
( , A = r), considernd r A = r
1
. r
2
. ... . adica P(A = r) 0 .
ntr-adev ar,
1
Y
( , A = r) = P(1 < , A = r) =
P(1 < . A = r)
P(A = r)
.
=

i:j
i
<a
P(1 =
i
. A = r)
P(A = r)
Capitolul 6
Inegalit ati. Teoreme limit a
6.1 Inegalitatea lui Cebsev
Fie A ~ (. T. P) un cmp discret de probabilitate.
Propozitia 144 (Inegalitatea lui Markov). Daca A este o variabila
aleatoare nenegativa (A _ 0) si exista EA atunci:
P(A ) _
EA

, (P(A _ ) 1
EA

), \ 0
Demonstratie. Orice variabil a aleatoare A poate exprimat a astfel:
A = 1
(A.)
A +1
(A.)
A _ 1
(A.)
A
Prin urmare
EA = E
_
1
(A.)
A +1
(A.)
A
_
_ E1
(A.)
A =

.
i

1
(A.)
(.
i
)A(.
i
)P.
i

=

.
i
:A(.
i
).
A(.
i
)P.
i
_

.
i
:A(.
i
).
P.
i
= P(A ).
Deoarece [A EA[ _ 0 pentru orice v.a. A. din inegalitatea lui Markov
rezult a imediat
Consecinta 1. Dac a v. a. A are proprietatea c a exist a E[A EA[,
atunci
P([A EA[ ) _
E[A EA[

. \ 0.
107
108 CAPITOLUL 6. INEGALIT

A TI. TEOREME LIMIT

A
Consecinta 2. Dac a v. a. A are proprietatea c a exist a DA, atunci
P([A EA[ ) _
DA

2
. \ 0.
Demonstratie. 1([A EA[ ) =1([A EA[
2

2
) _
DA
.
2
.
Folosind inegalitatea Cebsev putem justica "regula 3o":
Propozitia 145 (Regula 3o). Daca v.a. A are proprietatea ca exista
DA = o
2
atunci
P(EA 3o _ A _ EA +3o) = P(EA 3
_
DA _ A _ EA +3
_
DA)
8
9
.
Demonstratie.
P(EA 3o _ A _ EA + 3o) = P([A EA[ _ 3o) _ 1
DA

2
= 1
DA
9o
2
= 1
1
9
=
8
9
.
6.2 Legea numerelor mari (forma slab a)
Consider am un sir de variabile aleatoare (A
a
)
a1
denite pe acelasi cmp de
probabilitate (. T.1).
Denitia 146 Sirul (A
a
)
a1
este supus legii numerelor mari (n forma slaba)
daca exista
mathbbEA
i
, i _ 1 si
P
_

A
1
+A
2
+ +A
a
:

EA
1
+EA
2
+ +EA
a
:

_
_

ao
1 sau
P
_

A
1
+A
2
+ +A
a
:

EA
1
+EA
2
+ +EA
a
:


_

ao
0. \ 0.
Propozitia 147 (Legea slaba a Numerelor Mari n forma Ceb sev).
Daca v.a. (A
a
)
a1
au proprietatea ca exista
mathbbEA
a
= c
a
si exista o constanta c R astfel nct DA
a
_ c ,\ : _ 1,
iar j(A
i
. 1
)
) = 0, \i ,= ,, i. , _ 1, atunci are loc legea numerelor mari (n
forma slaba):
P
_

A
1
+A
2
+ +A
a
:

EA
1
+EA
2
+ +EA
a
:

_

ao
0. \ 0.
6.3. LEGEA NUMERELOR MARI N FORMA BERNOULLI 109
Demonstratie. Consider am v.a.
1
a
=
1
:
a

i=1
A
i
.
Media, respectiv dispersia variabilei 1
a
. sunt egale cu:
E1
a
= E(
1
:
a

i=1
A
i
) =
1
:
E(
a

i=1
A
i
) =
1
:
a

i=1
EA
i
.
D1
a
= D(
1
:
a

i=1
A
i
) =
1
:
2
D(
a

i=1
A
i
) =
1
:
2
a

i=1
DA
i
+ 2

1)<)a
co (A
i
. A
)
)
=
1
:
2
a

i=1
DA
i
_
1
:
2
c: =
c
:

ao
0.
Prin urmare
P
_

A
1
+A
2
+ +A
a
:

EA
1
+EA
2
+ +EA
a
:

_
_
D1
a

2
=
1

2
c
:

ao
0. \ 0.
6.3 Legea Numerelor Mari n forma Bernoulli
Propozitia 148 (Legea numerelor mari pentru v.a.i.i.r.) Daca (A
a
)
a1
sunt v.a.i.i.r. cu EA
i
= c, 1A
i
= o
2
, i = 1. : atunci
P
_

A
i
:
c


_

ao
0
Demonstratie. Direct
Propozitia 149 Daca (A
a
)
a1
sunt v.a.i.i.r. 1c::on||i(j), j [0. 1], atunci
_

A
i
:
j


_

ao
0
Demonstratie. Dac a A
a
~ 1c::on||i(j), j [0. 1], atunci EA
i
= j iar
1A
i
= j(1 j) iar demonstratia rezult a imediat.
110 CAPITOLUL 6. INEGALIT

A TI. TEOREME LIMIT

A
Propozitia 150 Daca A este un eveniment cu P() 0 atunci
P([,
a
(c) P(c()[ )
ao
0
Demonstratie. (Indicatie) ,
a
(c) =
n

k=1
1
k
()
a
, 1
I
() =
_
1,
0,
, unde
variabilele aleatoare 1
I
() ~ 1c::on||i(P()) sunt independente si iden-
tic repartizate.
6.4 Teorema limit a central a. Aplicatii
Fie (A
a
)
a1
sunt v.a.i.i.r. 1c::on||i(j), j [0. 1].
Teorema 151 (Teorema limita centrala n forma Moivre Laplace)
Fie (A
a
)
a1
sunt v.a.i.i.r. 1c::on||i(j), j [0. 1]. Atunci
P
_
_
_
a

i=1
A
i
:j
_
:j(1 j)
< r
_
_
_

ao
(r) =
1
_
2:
_
a
o
c

u
2
2
dn
uniform pentru orice r R.
Observatia 27 Consideram variabila aleatoare o
a
=
a

i=1
A
i
~ 1i(:. j).
Func tia de reparti tie a variabilei
Snaj
_
aj(1j)
satisface:
1 Snnp
_
np(1p)
(r) = P
_
o
a
:j
_
:j(1 j)
< r
_
(r)
Parametrii medie si dispersie pentru aceea si variabila satisfac:
E
_
o
a
:j
_
:j(1 j)
_
=
1
_
:j(1 j)
E(o
a
:j) =
:j :j
_
:j(1 j)
= 0
1
_
o
a
:j
_
:j(1 j)
_
=
1
:j(1 j)
1(o
a
:j) =
1o
a
:j(1 j)
= 1
6.4. TEOREMA LIMIT

A CENTRAL

A. APLICA TII 111


Observatia 28 Func tia (r) =
1
_
2
_
a
o
c

u
2
2
dn are derivata ,(r) =
1
_
2
c

x
2
2
,
\r R.
Aceasta func tie poseda proprieta tile caracteristice ale func tiei de reparti tie.
Reprezentarea graca a func tiei , mai poarta denumirea de "clopotul lui
Gauss", iar variabila aleatoare cu reparti tia data de aceasta func tie de repar-
ti tie se nume ste variabila normala standard.
//////////////////////////////////////GRAFIC CLOPOTUL LUI
GAUSS
Se demonstreaza ca
1
_
2
_
o
o
c

u
2
2
dn = (+) = 1
Observatia 29 Pentru : , n condi tiile TLC in forma Moivre Laplace,
aceasta probabilitate poate calculata astfel:
P(
a

i=1
A
i
< r) = P
_
_
_
a

i=1
A
i
:j
_
:j(1 j)
<
r :j
_
:j(1 j)
_
_
_
=
_
r :j
_
:j(1 j)
_
Propozitia 152 Proprietatile functiei ,(r)
1. Func tia , este simetrica fa ta de axa C.
2. (r) + (r) = 1; (r) = 1 (r); (r) = 1 (r).
////////////////GRAFIC NORMALA CU EVIDENTIEREA x si -x.
3. P
_
3 <
n

i=1
A
i
aj
_
aj(1j)
< 3
_
~
= 0. 998.
6.4.1 Aplicatii ale teoremei limit a central a
1. Calculul probabilit atilor de forma P
_
c _
a

i=1
A
i
_ /
_
=
_
baj
_
aj(1j)
_

_
oaj
_
aj(1j)
_
Demonstatie. P
_
c _
a

i=1
A
i
_ /
_
= P
_
oaj
_
aj(1j)
_
n

i=1
A
i
aj
_
aj(1j)
_
baj
_
aj(1j)
_
=

_
baj
_
aj(1j)
_

_
oaj
_
aj(1j)
_
.
112 CAPITOLUL 6. INEGALIT

A TI. TEOREME LIMIT

A
2. Estimarea numarului minimal de probe Bernulli :
0
astfel nct
:
0
= min :[P([,
a
() P()[ < ) _ 1 c . unde 0. c (0. 1) sunt cunoscute
Solutie. ,
a
() =
n

i=1
A
i
a
, A
i
~ 1c::on||i(j), j (0. 1), sunt v.a.i.i.r.
Atunci EA
i
= j = P().
Atunci
P([,
a
() P()[ < c) = P
_
_
_

i=1
A
i
:
P()

<
_
_
_
= P
_
_
_

i=1
A
i
:j
_
:j(1 j)

<

_
:
_
j(1 j)
_
_
_
= P
_
_
_

c
_
:
_
j(1 j)
<

i=1
A
i
:j
_
:j(1 j)

<

_
:
_
j(1 j)
_
_
_
=
_
c
_
:
_
j(1 j)
_


_
:
_
j(1 j)
_
= 2
_
c
_
:
_
j(1 j)
_
1 _
j(1j)
1
4
2
_

_
: 2
_
1 1 c
Avem acum de rezolvat inegalitatea:
2
_
2
_
:
_
1 1 c adic a

_
2
_
:
_

2 c
2
= 1
c
2
Pentru nceput rezolv am inegalitatea (2
_
:) = 1
c
2
folosind tabelul
pentru integrala Laplace.
2
_
: = r
1

2
=: =
_
_
r
1

2
2
_
2
_
+ 1
De exemplu, pentru c = 0. 1 rezult a valoarea lui r
0.95
= 1. 96. Deci :
0
rezult a n functie de valoarea lui .
6.4. TEOREMA LIMIT

A CENTRAL

A. APLICA TII 113


6.4.2 Aplicatii la Metoda Monte Carlo
Metoda a ap arut n anii 1940 n leg atur a cu proiectarea bombei atomice.
Prima problema care apare este simularea alegerii la ntmplare a unui
num ar de la 1 la N, folosind o cutie cu N bile numerotate de la 1 la N. Dac a
not am variabila aleatoare A= num arul bilei extrase, evident 1 _ A _ `.
Evident are loc P(A = i) =
1
a
.
De asemenea, dac a dorim simularea unui eveniment care are probabilitate
I
a
de a se produce, atunci consider am o cutie cu ` bile numerotate de la 1
la `. Not am cu A evenimentul = num arul de pe bila extras a este mai
mic sau egal cu / = 1. 2. 3. . /. Evident P() =
covo()
a
=
I
a
.
Consider am cazul jocului Loto 6/49. Not am
6
= toate cele 6 bile
extrase sunt norocoase. Evident P(
6
) =
1
C
6
49
.
Vom studia simularea evenimentului considernd 1() necunoscut a.
Dorim s a aproxim am 1().
Initial pornim contorul o = 0.
Pas 1. Simul am producerea evenimentului
1
= prima bil a este norocoas a
cu probabilitatea 1(
1
) =
6
49
(ca mai sus). Dac a
1
se produce increment am
contorul o = o + 1, altfel o r amne neschimbat.
Pas 2. Simul am producerea evenimentului
2
= a doua bil a este
norocoas a cu probabilitatea 1(
1
) =
6S
49
. Dac a
2
se produce, incre-
ment am contorul o = o + 1, altfel o r amne neschimbat.

Pas 6. Simul am producerea evenimentului
6
= a sasea bil a este
norocoas a cu probabilitatea 1(
1
) =
6S
49
. Dac a
2
se produce, incre-
ment am contorul o = o + 1, altfel o r amne neschimbat.
Repetnd acest experiment de : ori, si notnd :() num arul de produceri
a evenimentului = toate cele 6 bile extrase sunt norocoase obtinem
,
a
() =
a()
a
.
Ne intereseaz a :
0
pentru care
:
0
= min :[P([,
a
() P()[ _ ) 1 c , c (0. 1) cunoscut.
1. Solutie bazat a pe Legea Numerelor Mari n forma Bernoulli
P([,
a
() P()[ _ )
ao
1
ns a nu precizeaz a ct de rapid converge.
114 CAPITOLUL 6. INEGALIT

A TI. TEOREME LIMIT

A
2. Solutie bazat a pe Inegalitatea Cebsev: Dat evenimentul ~ cu
1() 0, putem asocia ec arei probe i a experimentului variabila
aleatoare A
i
cu proprietatea A
i
(.) =
_
1,
0,
. Evident variabilele A
i
vor
v.a.i.i.r. 1c::on||i(j), j = P() (0. 1).
Rezult a EA
i
= P() si DA
i
= P() (1 P()).
Frecventa relativ a a evenimentului este ,
a
() =
n

i=1
A
i
a
, de unde
E,
a
() = E
a

i=1
A
i
:
=
1
:
E
a

i=1
A
i
=
1
:
a

i=1
EA
i
=
:j
:
= j = P()
D,
a
() = D
a

i=1
A
i
:
=
1
:
2
D
a

i=1
A
i
=
1
:
2
a

i=1
DA
i
=
:j(1 j)
:
2
=
j(1 j)
:
=
P() (1 P())
:
Conform inegalit atii Cebsev
P([,
a
() E,
a
()[ _ ) _ 1
D,
a
()

2
_ 1
1
:
P()(1 P())

2
Se demonstreaz a usor c a j(1 j) _
1
4
pentru j (0. 1). Rezult a asadar
P([,
a
() E,
a
()[ _ ) _ 1
1
4:
2
_ 1 c =
1
4:
2
_ c =4:
2
_
1
c
=: _
1
4c
2
Rezult a :
0
=
_
1
4c.
2

+ 1.
Pentru =
1
10
10
si c = 0. 05 rezult a :
0
=
_
100
4510
10

+ 1 = 5 10
20
+ 1.