Matematica

SUPORT DE CURS
ANUL I

Semestrul 1

Cluj Napoca, 2012

UNIVERSITATEA BABE-BOLYAI, CLUJ-NAPOCA
Centrul de Formare Continu i nvmnt la Distan
Facultatea de tiine Economice i Gestiunea Afacerilor
Specializarea: Trunchi Comun
Disciplina: Matematici aplicate n economie

SUPORT DE CURS

ANUL I

Semestrul 1

ntocmit de:
Anton S. Muresan
Diana Andrada Filip
Paula Curt
Rodica Ioana Lung

Cluj Napoca, 2012

UNIVERSITATEA BABE-BOLYAI, CLUJ-NAPOCA
Centrul de Formare Continu i nvmnt la Distan
Facultatea de tiine Economice i Gestiunea Afacerilor
Specializarea: Trunchi Comun
Disciplina: Matematici aplicate n economie

Cuprins
Informat ii generale 2
1 MODULUL I. Analiza matematica 4
1.1 Funct ii reale de mai multe variabile reale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Spat iul R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Limita si continuitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Derivate part iale, diferent iabilitate si diferent iala . . . . . . . . . . . . . . . . . . . . . 8
1.1.4 Derivate part iale si diferent iale de ordin superior . . . . . . . . . . . . . . . . . . . . . 11
1.2 Extremele funct iilor de mai multe variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Extremele funct iilor de doua variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Extremele funct iilor de n variabile (n 2) . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3 Ajustarea datelor experimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Exercit ii si probleme rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4 Teme de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5 Integrale Euleriene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.1 Integrala lui Euler de spet a ntai. Funct ia beta . . . . . . . . . . . . . . . . . . . . . . 28
1.5.2 Integrala lui Euler de spet a a doua. Funct ia gama . . . . . . . . . . . . . . . . . . . . 31
1.5.3 Integrala Euler-Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.5.4 Exercitii si probleme rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.5.5 Teme de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2 MODULUL II. Teoria probabilitatilor 35
2.1 Camp de evenimente, camp de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.1 Corp de part i ale unei mult imi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.2 Camp de evenimente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.3 Camp de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.1.4 Probabilitat i condit ionate. Independent a evenimentelor . . . . . . . . . . . . . . . . . 40
2.2 Scheme clasice de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.1 Schema urnei cu bila nerevenita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.2 Generalizare. Schema urnei cu bila nerevenita cu mai multe stari . . . . . . . . . . . 46
2.2.3 Schema urnei cu bila revenita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.4 Generalizare. Schema urnei cu bila revenita cu mai multe stari . . . . . . . . . . . . . 48
2.2.5 Schema urnelor lui Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3 Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.1 Operat ii cu variabile aleatoare de tip discret . . . . . . . . . . . . . . . . . . . . . . . 51
2.3.2 Funct ia de repartit ie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.3.3 Variabile de tip continuu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3.4 Caracteristici numerice ale variabilelor aleatoare . . . . . . . . . . . . . . . . . . . . . 54
2.4 Exercit ii si probleme rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.5 Teme de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
1
Informat ii generale
UNIVERSITATEA BABES-BOLYAI CLUJ-NAPOCA
FACULTATEA DE STIINTE ECONOMICE SI GESTIUNEA AFACERILOR
TRUNCHI COMUN ANUL I zi si ID
ANUL UNIVERSITAR 2012/2013
SEMESTRUL I
Date de identicare a cursului
Date de contact ale titularilor de curs:
1. Muresan Anton S., Birou: Cabinetul 229, Etajul II, E-mail: anton.muresan@econ.ubbcluj.ro; tel 0264
418 652/int.5809.
2. Curt Paula, Birou: Cabinetul 229, Etajul II, E-mail: paula.curt@econ.ubbcluj.ro; tel 0264 418
652/int.5809.
3. Filip Diana Andrada, Birou: Cabinetul 229, Etajul II, E-mail: diana.lip@econ.ubbcluj.ro; tel 0264
418 652/int.5809.
4. Lung Rodica Ioana, Cabinetul 230, Etajul II, E-mail: rodica.lung@econ.ubbcluj.ro; tel 0264 418
652/int.5810.
5. Radu Voichita, Cabinetul 230, Etajul II, E-mail: voichita.radu@econ.ubbcluj.ro; tel 0264 418 652/int.5810.
6. Rosca Alin, Cabinetul 231, Etajul II, E-mail: alin.rosca@econ.ubbcluj.ro; tel 0264 418 652/int.5857.
Fax: 0264-412570
Date de identicare curs si contact tutori:
Numele cursului: MATEMATICI APLICATE IN ECONOMIE
Codul cursului: EBS0003
Anul I, Semestrul I
Tipul cursului: Obligatoriu
Pagina web a cursului: https://portal.portalid.ubbcluj.ro
Tutori:
1. Lung Rodica Ioana, rodica.lung@econ.ubbcluj.ro
2. Radu Voichita, voichita.radu@econ.ubbcluj.ro
3. Rosca Alin, alin.rosca@econ.ubbcluj.ro
4. Filip Darius, darius.lip@econ.ubbcluj.ro
5. Coconet Tiberiu, tiberiu.coconet@econ.ubbcluj.ro
6. Pop Flaviu, aviu.pop@econ.ubbcluj.ro
Locul de desfasurare a cursului: Cladirea FSEGA,
Programarea n orar a activitat ilor (la nvat amatul de zi): Saptamanal 2 ore de curs + 2 ore de seminar,
conform orarului asat la sediul facultat ii; (la nvat amatul ID) :8 ore activitati tutoriale
Descrierea cursului :
Se vor avea in vedere urmatoarele obiective:
Introducerea catorva notiuni de analiza functiilor reale de mai multe variabile reale care sa constituie
pentru studenti instrumente pentru tratarea unor probleme de extrem, pentru a permite interpolarea si
ajustarea datelor experimentale, etc.
Crearea bazelor de analiza matematica necesare pentru studiul teoriei probabilitatilor si pentru
statistica matematica.
Denirea si studiul principalelor proprietati ale conceptelor de baza din teoria probabilitatilor.
Crearea la studenti a unor deprinderi de utilizare a tehnicilor probabilistice si de folosire a acestora in scop
aplicativ. Fundamentarea probabilistica a statisticii matematice.
Organizarea temelor (part ilor) in cadrul cursului:
Cursul va avea urmatoarele doua parti:
2
1. Elemente de analiza matematica
2. Elemente de teoria probabilitatilor
Organizarea temelor s-a facut avand in vederea ordinea reasca si gradul de dicultate sa urmeze o ordine
crescatoare. Informatia relevanta referitoare la ecare tema (parte) se gaseste in lista bibliograca ce va
prezentata ulterior, iar accesul va realizat direct.
Formatul si tipul activitatilor implicate de curs:
Formatul va unul clasic, permitand studentului de a-si gestiona singuri, fara constrangeri, parcurgerea
cursului. Desigur ca o participare la activitatile planicate va usura intelegerea tematicii cursului. Tipurile
de activitati ce vor abordate in cadrul cursului vor atat cele clasice cat si proiecte de grup.
Materiale bibliograce obligatorii:
Principalele materiale bibliograce pe care le vom utiliza, si care se vor gasi la biblioteca facultatii, iar
unele vor putea accesate prin internet, sunt:
1. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj-Napoca, 2012.
Materiale si instrumente necesare pentru curs :
Vom folosi: suport electronic de curs, materiale multiplicate, calculator, videoproiector.
Calendarul cursului: este prezentat in calendarul disciplinei
Politica de evaluare si notare:
Evaluarea si notarea nala se va face prin rezolvarea de probleme, intocmirea unor teme de casa. Toate
acestea se vor realiza pe parcursul semestrului. Intrarea in examenul nal este conditionata de realizarea
sarcinilor ce rezulta din temele de control de la sfarsitul ecarui modul al suportului de curs. Studentii vor
primi feed-back la rezultatele realizate in examenul nal prin comunicare directa cu cei care solicita. In
cazul cand studentul doreste sa revina la un examen de marire a notei, acest nou examen se va desfasura in
aceleasi conditii, cu aceleasi cerinte, ca si examenul initial.
Observat ie. Se pot face doua referate care valoreaza 3 puncte din nota nala de examen, cu urmatoarele
teme:
1. Modele de gestiune a stocurilor [1, Sec. 2.4] + problemele propuse in suportul de curs de la capitolul de
analiza (maxim 1,5 puncte)
2. Repartitii clasice ale variabilelor aleatoare (binomiala, uniforma, normala, [7, Cap.8]) + problemele pro-
puse in suportul de curs de la capitolul de probabilitati (maxim 1,5 puncte)
La examen vor pe bilet doar subiecte practice (probleme, max. 6 puncte; 1 punct din ociu).
[1] Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj-Napoca, 2012.
Elemente de deontologie academica:
Pentru a evita situatiile care pun in discutie onestitatea studentilor facem de la inceput precizarea ca se
interzice categoric frauda, iar tentativele de frauda se vor trata conform reglementarilor in vigoare elaborate
la nivelul facultatii si universitatii. Este normal ca atunci cand se utilizeaza anumite date, texte, formulari,
etc. luate din alte surse, sa se faca citarea, si astfel sa se asume meritele doar pentru munca si contributia
proprie. Se va cere studentului sa aiba un comprtament academic fata de profesori si fata de colegi.
Studentii cu dizabilitati:
Nu vor avea nici o problema in a se incadra in cerintele cursului si a celorlalte activitati, sansele in
pregatire si obligatiile lor ind de aceeasi factura ca si pentru studentii fara dizabilitati.
Strategii de studiu recomandate:
Recomandam studentilor sa se pregateasca mai intai din aspectele teoretice, asa incat, mai intai, din
curs, sa e studiate modulele cu teoria si exemplele ilustrative formulate, apoi sa se abordeze problemele
rezolvate, iar apoi si problemele formulate spre rezolvare. Pentru tot cursul, apreciem ca fondul de timp
necesar insusirii complete este de 56 de ore, din care 40 pentru suportul de curs, 8 pentru activitatile directe
cu tutorii, iar 12 pentru sarcinile individuale de studiu al bibliograei si realizarea temelor de control.
3
1 MODULUL I. Analiza matematica
Obiectivele modulului
Introducerea catorva notiuni de analiza functiilor reale de mai multe variabile reale care sa constituie
pentru studenti instrumente pentru tratarea unor probleme de extrem, pentru a permite interpolarea
si ajustarea datelor experimentale, etc.
Crearea bazelor de analiza matematica necesare pentru studiul teoriei probabilitatilor si pentru statis-
tica matematica.
Concepte de baza
Spatiul R
n
, distanta in R
n
, topologia euclidiana in R
n
;
Limite de functii de la R
n
la R, continuitatea functiilor de la R
n
la R;
Derivate partiale, diferentiabilitate si diferentiala pentru functiile de la R
n
la R, derivate partiale si
diferentiale de ordin superior;
Extremele functiilor reale de mai multe variabile reale (libere sau cu legaturi);
Ajustarea datelor experimentale;
Integrale Euler.
Rezultate asteptate
Insusirea conceptelor de baza mentionate si crearea deprinderilor de utilizare a acestora. Studentul trebuie
sa e capabil sa aplice in practica notiunile studiate pentru analizarea unor situatii concrete din economie,
cum ar de exemplu probleme de gestiunea optima a stocurilor.
UNITATEA 1. Functii reale de mai multe variabile reale
1.1 Funct ii reale de mai multe variabile reale
1.1.1 Spat iul R
n
In studiul fenomenelor zice, economice (si n alte situat ii) apare de mai multe ori necesitatea studiului
mult imilor cu numar x de numere reale. De exemplu, spat iul n care traim este modelat ca o mult ime de
puncte determinate de trei coordonate. Fie n un numar natural xat nenul. Mult imea sistemelor de forma:
x = (x
1
, x
2
, . . . , x
n
) ,
unde x
1
, x
2
, . . . , x
n
sunt numere reale, se numeste spat iul R
n
. Elementele acestei mult imi se numesc puncte,
iar numerele x
1
, x
2
, . . . , x
n
care determina punctul x se numesc coordonatele sau componentele acestui punct.
Pe spat iul R
n
se pot considera diverse structuri care sa extinda structura axei reale.
Pentru orice pereche de elemente x si y din R
n
, exista n R
n
suma lor x +y data de:
x +y = (x
1
+y
1
, x
2
+y
2
, . . . , x
n
+y
n
) . (2.1.1)
De asemenea, pentru ecare R si x R
n
exista n R
n
x = (x
1
, x
2
, . . . , x
n
) . (2.1.2)
4
Denit ia 1.1.1. Se numeste metrica sau distant a pe mult imea nevida X orice aplicat ie
d : X X R (x, y) d (x, y)
astfel nc at:
D1) d (x, y) 0, x, y X si d (x, y) = 0 x = y
D2) d (x, y) = d (y, x) , x, y X
D3) d (x, y) d (x, z) +d (z, y) , x, y, z X (inegalitatea triunghiului)
Cuplul (X, d) unde X este o mult ime nevida iar d este o metrica (distant a) pe X se numeste spat iu
metric.
Propozit ia 1.1.1. Aplicat ia d : R
n
R
n
R data de
d (x, y) = |x y| =
_
n
i=1
(x
i
y
i
)
2
este o metrica pe R
n
numita metrica euclidiana pe R
n
.
Exemplul 1.1.1. Fie x = (1, 3, 1) si y = (2, 1, 1), x, y R
3
. Avem:
d(x, y) =
_
(1 2)
2
+ (3 1)
2
+ (1 + 1)
2
=
17.
Observat ia 1.1.1. In cazul normei euclidiene pentru n = 2 si n = 3 regasim formula distant ei dintre doua
puncte din plan si din spat iu. Intr-adev ar daca n = 2 atunci
d (x, y) =
_
(x
1
y
1
)
2
+ (x
2
y
2
)
2
iar daca n = 3 atunci
d (x, y) =
_
(x
1
y
1
)
2
+ (x
2
y
2
)
2
+ (x
3
y
3
)
2
.
Not iunile de limita si continuitate se pot introduce n orice spat iu normat, respectiv metric. In cele ce
urmeaza vom considera spat iul R
n
nzestrat cu norma euclidiana respectiv metrica euclidiana.
Denit ia 1.1.2. Fie a = (a
1
, a
2
, . . . , a
n
) R
n
si r > 0. Se numeste bila deschisa cu centrul n a si raza
r mult imea
B(a, r) = x R
n
, d (x, a) < r .
Pentru n = 1 respectiv n = 2 adica n R, respectiv n R
2
bilele deschise sunt intervale deschise centrate
n a
1
de forma (a
1
r, a
1
+r) , respectiv discuri deschise cu centrul n a = (a
1
, a
2
) .
Denit ia 1.1.3. 1) Spunem ca mult imea V R
n
este o vecinatate a punctului a R
n
daca exista o bila
deschisa cu centrul n a inclusa n mult imea V , adica B(a, r) V.
Notam cu 1 (a) = V R
n
[V vecinatate a lui a mult imea vecinatat ilor punctului a. Din denit ie
rezulta ca orice bila deschisa cu centrul n a R
n
este o vecinatate a lui a.
2) Spunem ca a R
n
este punct interior mult imii A R
n
daca V 1 (a) astfel ca V A. intA =
a [a punct interior lui A - reprezinta mult imea punctelor interioare mult imii A.
3) O mult ime A R
n
care cont ine numai puncte interioare se numeste mult ime deschisa.
4) a R
n
este punct de acumulare al mult imii A R
n
daca orice vecinatate V a lui a cont ine cel put in
un punct din mult imea A, diferit de a, adica V 1 (a) , (V a) A ,=
5
A
= a R
n
[a punct de acumulare pentru A - reprezint a mult imea punctelor de acumulare a mult imii
A.
Din denit ie rezulta ca punctul a poate sau nu sa apart ina mult imii A.
5) a A este punct izolat al mult imii A R
n
daca exista o vecinatate V a lui a astfel ncat V A = a
6) A R
n
se numeste mult ime marginita daca exista M > 0 astfel ncat A B(0, M) sau echivalent
daca x A are loc |x| < M.
Denit ia 1.1.4. Spunem ca mult imea D R
n
este un domeniu daca este deschisa si conexa (formata
dintr-o singur a ,,bucata adic a nu se poate scrie ca reuniune disjunct a de doua mult imi deschise si nevide).
Ment ionam ca daca D R
n
este un domeniu, atunci D nu are puncte izolate si prin urmare orice punct
a D este punct de acumulare pentru mult imea D (a D
) .
Vom prezenta n continuare un exemplu n R
2
care ilustreaza not iunile introduse anterior.
1.1.2 Limita si continuitate
In continuare se denesc not iunile de limita si continuitate pentru funct ii reale de mai multe variabile reale.
Denit ia 1.1.5. Fie A R
n
. Aplicat ia f : A R astfel nc at
A x = (x
1
, . . . , x
n
) f (x) = f (x
1
, x
2
, . . . , x
n
) R
se numeste funct ie reala de n variabile reale.
Exemplul 1.1.2.

In multe probleme economice intervin funct ii de tip Cobb - Douglas (denumite astfel
dupa economistii americani C.V. Cobb si P.H. Douglas, carora li se datoreaza cercetari si descoperiri n
domeniu, n anii 1920). Aceste funct ii au forma generala:
f : R
n
+
R, f (x
1
, x
2
, . . . , x
n
) = Cx
1
1
x
2
2
. . . cx
n
n
,
unde C,
1
,
2
, . . . ,
n
0.
Exemplul 1.1.3. Daca V este venitul unei societat i comerciale, x numarul de ore de munca productiva
prestata, y fondurile xe angajate n product ie atunci
V (x, y) = kx
, k, , constante pozitive
(funct ie de product ie de tip Cobb-Douglas) este o funct ie reala de 2 variabile reale.
Exemplul 1.1.4. Daca A = [0, ) [0, ) [0, ) R
3
atunci funct ia
f : A R, f (x) = f (x
1
, x
2
, x
3
) = x
1
x
2
x
3
(funct ie reala de trei variabile reale) poate reprezenta product ia unei ntreprinderi daca x
1
este productivitatea
muncii, x
2
numarul de muncitori, x
3
timpul de munca.
n
(n 1) o mult ime nevida, a un punct de acumulare al mult imii A, a A
si
f : A R. Spunem ca f are limita l R cand x tinde catre a si scriem
l = lim
xa
f (x) (sau f (x)
xa
l)
daca > 0,
> 0 astfel ncat pentru orice x Aa cu proprietatea |x a| <
sa avem [f (x) l[ <

.
6
Observat ia 1.1.2. 1)

In denit ia 1.1.6 se poate folosi orice norma; daca n = 1 atunci cele trei norme
clasice pe R
n
devin funct ia modul si se obt ine denit ia limitei funct iilor de o variabila reala (studiata
n liceu).
2) Limita l = lim
xa
f (x) se numeste limita globala a funct iei f cand x tinde catre a, se noteaza prin
l = lim
x1a1
x2a2
..........
xnan
f (x
1
, x
2
, . . . , x
n
)
si se citeste limita funct iei f cand x
1
a
1
, x
2
a
2
, . . . , x
n
a
n
simultan si independent.
In cele ce urmeaza, ment ionam cateva proprietat i ale limitelor de funct ii reale de n variabile reale,
proprietat i analoage celor ale funct iilor reale de o variabila reala.
Fie n 2, A R
n
, o mult ime nevida, a A
, l
1
, l
2
R si f, g : A R.
Propozit ia 1.1.2. Daca f are limita atunci cand x tinde catre a, atunci limita este unica.
Propozit ia 1.1.3. Daca lim
xa
f (x) = l
1
atunci exista V 1 (a) astfel ncat f este marginit a pe V A.
Propozit ia 1.1.4. Daca lim
xa
f (x) = l
1
si lim
xa
g (x) = l
2
atunci
lim
xa
(f (x) +g (x)) = l
1
+l
2
, lim
xa
(f g) (x) = l
1
l
2
iar daca l
2
,= 0 si
f (x)
g (x)
are sens pe o vecinatate a lui a atunci avem si
lim
xa
f (x)
g (x)
=
l
1
l
2
.
Propozit ia 1.1.5. (criteriul major arii) Fie : A R. Daca exist a V 1 (a) astfel ncat
a) (x) 0, x V A
b) [f (x) l
1
[ (x) , x V A
c) lim
xa
(x) = 0
atunci exista limita funct iei f cand x tinde la a si lim
xa
f (x) = l
1
.
Exemplul 1.1.5. Folosind criteriul major arii sa se calculeze limita urmatoarei funct ii n punctul indicat.
f (x, y) =
x
2
+y
2
[x[ +[y[
, a = (0, 0) ;
Rezolvare: Pentru a aplica criteriul majorarii vom ncerca sa gasim o funct ie care ndeplineste
condit iile din criteriu.
Avem ca:
[f (x, y) 0[ = [f (x, y)[ =
x
2
+y
2
[x[ +[y[
=
x
2
+y
2
[x[ +[y[
=
[x[
2
+[y[
2
[x[ +[y[

[x[
2
+ 2 [x[ [y[ +[y[
2
[x[ +[y[
=
([x[ +[y[)
2
[x[ +[y[
= [x[ +[y[ .
7
Luand acum l = 0 si (x, y) = [x[ +[y[ si avand n vedere ca
lim
(x,y)(0,0)
(x, y) = 0,
rezulta pe baza criteriului majorarii ca
lim
(x,y)(0,0)
x
2
+y
2
[x[ +[y[
= 0.
In continuare vom studia cateva proprietat i relative la continuitatea funct iilor denite pe R
n
cu valori n
R.
n
o mult ime nevid a a A si f : A R. Funct ia f se numeste continua
(sau global continua) n a A daca pentru orice > 0 exista > 0 astfel ncat pentru orice x A cu
|x a| <
avem c a [f (x) f (a)[ < . Funct ia f este continua (sau global continu a) pe mult imea
nevida B A daca f este continua n orice punct a B.
Observat ia 1.1.3. Daca a A este un punct izolat al mult imii A atunci f este continua n a. Daca
a A A
atunci f este continua n a daca si numai daca lim

xa
f (x) = f (a) .
1.1.3 Derivate part iale, diferent iabilitate si diferent iala
In aceasta sect iune se introduc not iunile de derivata part iala, diferent iabilitate si diferent iala.
Derivatele part iale ale funct iilor reale de mai multe variabile reale
Denit ia 1.1.8. Fie D R
n
(n 2) un domeniu, a = (a
1
, . . . , a
n
) D si f : D R. Fie i 1, . . . , n.
Spunem ca f este derivabila part ial n raport cu variabila x
i
n punctul a daca limita
lim
xiai
f (a
1
, a
2
, . . . , a
i1
, x
i
, a
i+1
, . . . , a
n
) f (a
1
, a
2
, . . . , a
n
)
x
i
a
i
exista si este nita.
Notam aceast a limita (daca exista) cu
f
x
i
(a) sau f

xi
(a) .
Spunem ca f este derivabila part ial n raport cu x
i
pe D daca este derivabila part ial n raport cu x
i
n orice punct a D. Daca f este derivabila part ial n raport cu x
i
pe D atunci se poate vorbi de funct ia
part iala a lui f n raport cu variabila x
i
notata
f
xi
si anume
f
x
i
: D R, x
f
x
i
(x)
Observat ia 1.1.4. In cazul n = 2 se noteaza cu (x, y) n loc de (x
1
, x
2
) punctul curent din R
2
,iar n R
3
se
noteaza cu (x, y, z) n loc de (x
1
, x
2
, x
3
) . Asadar, o funct ie de doua variabile f : D R, D domeniu, D
R
2
este derivabila part ial n raport cu x, respectiv cu y n punctul a = (a
1
, a
2
) D, daca exista si este nita
urmatoare limita
f
x
(a) = lim
xa1
f (x, a
2
) f (a
1
, a
2
)
x a
1
respectiv
f
y
(a) = lim
ya2
f (a
1
, y) f (a
1
, a
2
)
y a
2
.
8
Pentru funct ii elementare (polinoame, funct iile rat ionale, trigonometrice, exponent iala, logaritmica si
compuneri ale acestora, etc.)
f
x
= f

x
se calculeaza derivand f uzual n raport cu x, considerand y ca
parametru, iar
f
y
= f

y
se calculeaza derivand f n raport cu y si considerand x ca parametru.
Exemplul 1.1.6.
1) Fie f (x, y) = x
2
+xy si a = (5, 3) , D = R
2
. In acest caz
f
x
(a) = lim
x5
f(x,3)f(5,3)
x5
= lim
x5
x
2
3x10
x5
= lim
x5
(x5) (x+2)
x5
= 7
f
y
(a) = lim
y3
f(5,y)f(5,3)
y+3
= lim
y3
5y+15
y+3
= 5.
In punctul curent avem
f
x
(x, y) = 2x + y si
f
y
(x, y) = x si daca nlocuim x = 5, y = 3 regasim
valorile anterioare.
2) Daca f (x, y, z) = x
2
+ sin yz, D = R
3
, atunci avem
f
x
: R
3
R,
f
x
(x, y, z) = 2x,
f
y
: R
3
R,
f
y
(x, y, z) = z cos yz,
f
z
: R
3
R, (x, y, z) = y cos yz.
Denit ia 1.1.9. Funct ia f se numeste de clasa C
1
pe D si se noteaza f C
1
(D) daca f este derivabila
part ial pe D n raport cu toate variabilele si plus, funct iile
f
x1
, . . . ,
f
xn
sunt continue pe D.
Observat ia 1.1.5. Productivitat ile marginale (si n general costurile, beneciile, castigurile marginale)
reprezinta de fapt derivatele part iale de ordinul I ale funct iei care ne da productivitatea (respectiv costul,
beneciul, c astigul etc.)
Exemplul 1.1.7. Pentru a ara un teren cu suprafat a de x
1
ha sunt necesare x
2
ore de munca pe zi. Dupa
x
3
zile de munca s-au arat y ha de teren.

Intre aceste variabile exista relat ia:
y = f (x
1
, x
2
, x
3
) = 3x
4
1
x
2
x
3
3
.
Sa se determine productivitatea marginala raportata la suprafat a terenului, la numarul de ore de munca pe
zi si respectiv la num arul de zile de munca.
Rezolvare:

In cazul problemei noastre vom avea:
f

x1
(x
1
, x
2
, x
3
) = 12x
3
1
x
2
x
3
3
, productivitatea marginala raportata la suprafat a de teren,
f

x2
(x
1
, x
2
, x
3
) = 3x
4
1
x
3
3
, productivitatea marginala raportata la numarul orelor de munca / zi,
f

x3
(x
1
, x
2
, x
3
) = 9x
4
1
x
2
x
2
3
, productivitatea marginala raportata la numarul de zile de lucru.
Observat ia 1.1.6. Tot ca si aplicat ii ale derivatelor part iale se denesc:
(x
k
)
f
(x) =
f

x
k
(x)
f (x)
- rata de schimbare part ial a a lui f n raport cu x
k
,
(x
k
)
f
(x) =
x
k
f

x
k
(x)
f (x)
- elasticitatea part iala a lui f n raport cu x
k
.
Diferent iabilitatea funct iilor reale de mai multe variabile reale
Denit ia 1.1.10. Fie D domeniu, D R
n
, a D si f : D R. Spunem ca f este diferent iabila n
punctul a daca exista
1
,
2
, . . . ,
n
R si o funct ie : D R cu lim
xa
(x) = (a) = 0 (deci continua
si nula n a) astfel ncat sa avem
f (x) f (a) =
n
i=1
i
(x
i
a
i
) + (x) |x a| x D. (1.1)
Spunem ca f este diferent iabila pe A D daca este diferent iabila n orice punct din A.
9
Propozit ia 1.1.6. Fie D domeniu, D R
n
, a D si f : D R. Daca f este diferent iabila n a atunci
f este continua n a.
Intre diferent iabilitatea unei funct ii ntr-un punct si existent a derivatelor part iale n acel punct exista
urmatoarea legatura:
n
, a D si f : D R. Daca f este diferent iabila n a atunci
f admite derivate part iale n a si
f
x
i
(a) =
i
pentru orice i = 1, n.
Observat ia 1.1.7.
1) Rezultatul precedent implica faptul ca relat ia de denit ie 1.1 a diferent iabilitat ii devine:
f (x) f (a) =
n
i=1
f
x
i
(a) (x
i
a
i
) + (x) |x a| , x D. (1.2)
2) Reciproca propozit iei precedente este falsa, adica exista funct ii care admit derivate part iale ntr-un punct
si totusi nu sunt diferent iabile n acel punct.
Concret, cand e nevoie sa studiem diferent iabilitatea unei funct ii ntr-un punct este necesar sa avem
cunoscute condit ii suciente de diferent iabilitate. Urmatorul rezultat rezolva aceasta problema.
n
, a D si f : D R. Daca exista V vecinatate a punctului
a astfel nc at f are derivate part iale pe V D si daca acestea sunt continue n a atunci f este diferent iabila
n a.
Observat ia 1.1.8.
1) Daca f admite derivate part iale continue pe D atunci f este diferent iabil a pe D.
2) Propozit ia precedenta prezinta condit ii suciente de diferent iabilitate dar nu si necesare.
Diferent iala funct iilor reale de mai multe variabile reale
Denit ia 1.1.11. Fie D R
n
, un domeniu a D si f : D R o funct ie diferent iabila n a. Se numeste
diferent iala a funct iei f n punctul a notata df
(a)
, aplicat ia
df
(a)
: R
n
R , df
(a)
(h) =
n
i=1
f
x
i
(a) h
i
. (1.3)
Observat ia 1.1.9. 1) Fie D R
n
,un domeniu a D si f : D R o funct ie diferent iabil a n a. Atunci
exista : D R, continua si nula n a astfel nc at x D avem
f (x) f (a) =
n
i=1
f
x
i
(a) (x
i
a
i
) + (x) |x a| .
x
i
a
i
se numeste cresterea celui de-al i-lea argument a lui f
_
i = 1, n
_
x a = (x
1
a
1
, x
2
a
2
, . . . , x
n
a
n
) se numeste sistem de cresteri ale argumentelor lui f.
f (x) f (a) se numeste cresterea funct iei corespunzatoare sistemului de cresteri x a ale argu-
mentelor.
10
Pentru x sucient de apropiat de a (adica pentru |x a| sucient de mica astfel ncat cantitatea
(x) |x a| poate neglijata) avem evident f (x) f (a) df
(a)
(x a) adica df
(a)
aproximeaza
cresterea (sau descresterea) funct iei f n a corespunzatoare unui sistem x a de cresteri ale argu-
mentelor (deci cand se trece de la punctul x la punctul a).
2) Consideram funct iile
i
: R
n
R,
i
(x
1
, x
2
, . . . , x
n
) = x
i
, 1 i n.
Avem:
i
xj
(x) =
_
1, j = i,
0, j ,= i,
_
i, j = 1, n
_
pentru orice x R
n
, deci funct iile
i
admit derivate
part iale continue pe R
n
si prin urmare sunt diferent iabile n orice punct a R
n
si
d
i(a)
(x a) =
n
j=1
i
x
j
(a) (x
j
a
j
) = x
i
a
i
, i = 1, n.
Pentru simplicarea notat iilor vom nota d
i(a)
= dx
i
. Cu aceasta relat ia 1.3 se scrie
df
(a)
(x a) =
n
j=1
f
x
i
(a) dx
i
.
Adesea dx
1
, dx
2
, . . . , dx
n
se identica cu cresterile argumentelor si avem
df
(a)
(dx
1
, dx
2
, . . . , dx
n
) =
n
i=1
f
x
i
(a) dx
i
.
3) Interpretand produsul simbolic

xi
f (a) ca ind derivata part iala a lui f n raport cu x
i
n punctul a
_
i = 1, n
_
se obt ine
df
(a)
=
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
f (a) , a D. (1.4)
Putem considera astfel operatorul de diferent iere
d =

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
. (1.5)
Exemplul 1.1.8. Sa se calculeze diferent iala funct iei f : R
2
R,
f(x, y) = x
3
+ 2xy
2
+y 1
Rezolvare: Avem:
f
x
(x, y) = 3x
2
+ 2y
2
;
f
y
(x, y) = 4xy + 1;
df
(x,y)
(dx, dy) =
f
x
(x, y)dx +
f
y
(x, y)dy = (3x
2
+ 2y
2
)dx + (4xy + 1)dy.
1.1.4 Derivate part iale si diferent iale de ordin superior
Derivate part iale de ordin superior
n
, a D si f : D R o funct ie ce admite derivate part iale pe
D .
11
Daca derivata
f
xi
: D R, i = 1, n, este derivabila n raport cu variabila x
j
, j = 1, n n punctul
a D, numim derivata part iala de ordinul al doilea n punctul a a funct iei f n raport cu variabilele
x
i
, x
j
(n aceasta ordine) numarul
2
f
x
i
x
j
(a) =

x
j
_
f
x
i
_
(a) , (2.4.1)
Daca i ,= j, i, j 1, . . . , n atunci derivata
2
f
x
i
x
j
(a)
not
= f

xixj
(a)
se numeste derivata mixta n raport cu variabilele x
i
si x
j
.
Daca i = j 1, . . . , n atunci vom folosi una dintre notat iile
2
f
x
2
i
(a) = f

x
2
i
(a) .
In general o funct ie de n variabile reale f are n derivate part iale de ordin ntai si n
2
derivate part iale de
ordinul doi.
Exemplul 1.1.9. Sa calculam derivatele part iale de ordinul ntai si doi pentru funct ia f : R
2
R,
f (x, y) = ln
_
x
2
+y
2
+ 1
_
Avem:
f
x
(x, y) = f

x
(x, y) =
2x
x
2
+y
2
+1
,
f
y
(x, y) = f

y
(x, y) =
2y
x
2
+y
2
+1
.
2
f
x
2
(x, y) =
_
2x
x
2
+y
2
+1
_
x
=
2(x
2
+y
2
+1)2x 2x
(x
2
+y
2
+1)
2
=
2(x
2
+y
2
+1)
(x
2
+y
2
+1)
2
.
2
f
xy
(x, y) =
_
2x
x
2
+y
2
+1
_
y
= 2x
_
2y
(x
2
+y
2
+1)
2
_
=
4xy
(x
2
+y
2
+1)
2
.
2
f
y
2
(x, y) =
_
2y
x
2
+y
2
+1
_
y
=
2(x
2
y
2
+1)
(x
2
+y
2
+1)
2
.
Se observa ca f

xy
(x, y) = f

yx
(x, y). In general, aceste derivate part iale de ordinul al doilea nu sunt egale.
Urmatorul criteriu stabileste condit ii suciente pentru ca derivatele part iale mixte sa e egale.
Teorema 1.1.1. (Schwarz). Daca funct ia f : D R , D domeniu, D R
n
, are derivate part iale de
ordinul doi mixte

2
f
xixj
si

2
f
xjxi
, i, j 1, . . . , n , i ,= j, ntr-o vecinatate V a punctului a D si
daca aceste funct ii derivate part iale de ordinul doi mixte

2
f
xixj
si

2
f
xjxi
sunt continue n a atunci are loc
egalitatea:
2
f
x
i
x
j
(a) =

2
f
x
j
x
i
(a) .
Propozit ia 1.1.9. Daca funct ia f : D R, D R
n
are derivate part iale de ordinul doi mixte

2
f
xixj
si
2
f
xjxi
, i, j 1, . . . , n , i ,= j, pe D si sunt funct ii continue pe D atunci ele sunt egale pe D adica
2
f
x
i
x
j
(x) =

2
f
x
j
x
i
(x) , x D.
Observat ia 1.1.10. Condit ia de continuitate a derivatelor mixte este esent iala.
12
Derivate part iale de ordinul 3 Fie D domeniu, D R
n
, si f : D R o funct ie ce admite derivate
part iale de ordinul doi pe D . Atunci putem studia existent a derivatelor part iale de ordinul 3.
Daca derivata
2
f
x
i
x
j
: D R ( i, j 1, . . . , n)
este derivabila n raport cu x
k
(k 1, . . . , n) n punctul a D, numim derivata part iala de ordinul
al treilea n punctul a a funct iei f n raport cu variabilele x
i
, x
j
, x
k
(n aceasta ordine) numarul
3
f
x
i
x
j
x
k
(a)
not
= f

xixjx
k
(a) =

x
k
_

2
f
x
i
x
j
_
(a) .
Daca cel put in doi indici dintre i, j, k sunt diferit i derivata se va numi mixta. In caz contrar, adica i = j = k,
se obt ine derivata de ordinul 3 n raport cu aceiasi variabila x
i
_
i = 1, n
_
,

3
f
x
3
i
(a) = f

x
3
i
(a) .
Concluzia Teoremei lui Schwarz ramane adevarata si pentru derivatele part iale mixte de ordin mai mare
ca doi. De fapt, n ipoteza continuitat ii acelor funct ii derivate mixte de ordin superior, importanta este nu
ordinea n care se face derivarea ci variabilele n raport cu care se face derivarea si de cate ori se deriveaza
n raport cu o variabila. De exemplu avem ca
3
f
x
2
y
=

3
f
xyx
=

3
f
yx
2
.
Exemplul 1.1.10. Fie funct ia f : R(0, ) R data de f (x, y) = xln y
Derivatele part iale distincte de ordinul doi, trei se calculeaza astfel:
Calculam mai ntai derivatele part iale de ordinul ntai
f(x,y)
x
= (xln y)
x
= ln y,
f
y
(x, y) = (xln y)
y
=
x
y
Calculam derivatele part iale de ordinul doi distincte
2
f(x,y)
x
2
=

x
_
f
x
(x, y)
_
=

x
(ln y) = 0
2
f(x,y)
x y
=

y
_
f
x
(x, y)
_
=

y
(ln y) =
1
y
=

2
f(x,y)
y x
2
f(x,y)
y
2
=

y
_
f
y
(x, y)
_
=

y
_
x
y
_
=
x
y
2
.
Calculam derivatele part iale de ordinul trei distincte
3
f
x
3
(x, y) =

x
_
2
f
x
2
(x, y)
_
=

x
(0) = 0
3
f
x
2
y
(x, y) =

3
f
xyx
(x, y) =

3
f
yx
2
(x, y) =

y
_
2
f
x
2
(x, y)
_
=
=

y
(0) = 0
3
f
x y
2
(x, y) =

3
f
yxy
(x, y) =

3
f
y
2
x
(x, y) =

x
_
2
f
y
2
(x, y)
_
=
=

x
_
x
y
2
_
=
1
y
2
3
f
y
3
(x, y) =

y
_
2
f
y
2
(x, y)
_
=

y
_
x
y
2
_
=
2x
y
3
.
Observat ia 1.1.11. In mod analog se pot deni derivate part iale de ordin mai mare ca trei.
13
Diferent iale de ordin superior
In paragraful 1.1.3 a fost introdusa not iunea de diferent iala a unei funct ii n punctul a, notata df
(a)
.
Aceasta este data de df
(a)
: R
n
R, df
(a)
(h) =
n
i=1
f
xi
(a) h
i
sau daca notam cu dx = (dx
1
, dx
2
, . . . , dx
m
) cresterile argumentelor atunci
df
(a)
(dx) =
n
i=1
f
x
i
(a) dx
i
.
De asemenea, am introdus operatorul de diferent iere
d =

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
cu ajutorul caruia se poate scrie
df
(a)
=
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
f (a) .
n
, a D si f : D R
1) Spunem ca f este de doua ori diferent iabila n punctul a sau ca are diferent ial a de ordinul doi n
a daca f admite derivate part iale n raport cu toate variabilele pe o vecinatate V a lui a si funct iile
derivate part iale
f
xi
, i 1, . . . , n, (considerate pe V D) sunt diferent iabile n a.
2) Spunem ca funct ia f este diferent iabila de k ori n punctul a, sau ca are diferent iala de ordinul k
n a daca toate derivatele part iale de ordinul k 1 ale lui f exista ntr-o vecinatate V a lui a si sunt
diferent iabile n a.
3) Spunem ca funct ia f este diferent iabila de k ori pe domeniul D daca este diferent iabila de k ori n ecare
punct din D.
Prezentamn continuare (fara demonstrat ie) un rezultat care ne da condit ii suciente pentru ca o funct ie
sa e de k ori diferent iabila ntr-un punct.
Teorema 1.1.2. Fie D domeniu, D R
n
, a D si f : D R.Daca f are ntr-o vecinatate V a lui a
toate derivatele part iale de ordinul k si daca aceste funct ii derivate part iale sunt continue n a, atunci f este
diferent iabila de k ori n a.
Daca f : D R, D R
2
, a = (a
1
, a
2
) si daca f este o funct ie de trei ori diferent iabila n a atunci
d
2
f
(a1,a2)
(dx, dy) =

2
f
x
2
(a) dx
2
+ 2

2
f
xy
(a) dxdy +

2
f
y
2
(a) dy
2
,
respectiv
d
3
f
(a1,a2)
(dx, dy) =

3
f
x
3
(a) dx
3
+ 3

2
f
x
2
y
(a) dx
2
dy +
+3

2
f
xy
2
(a) dxdy
2
+

3
f
y
3
(a) dy
3
.
Diferent iala de ordinul k n punctul a se deneste prin egalitatea
d
k
f
(a)
(dx) =
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
(k)
f (a) , (1.6)
14
unde dx = (dx
1
, dx
2
, . . . , dx
m
) iar (k) reprezinta puterea simbolica-formala, dupa care se dezvolta suma din
paranteza si apoi se nmult este formal cu f (a) .
Relat ia 1.6 pune n evident a operatorul de diferent iere de ordinul k.
d
k
=
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
(k)
care este (formal) puterea de ordinul k a operatorului de diferent iere de ordinul ntai. Ridicarea la puterea
simbolica conduce la expresia:
d
k
f
(a)
(dx) =
k1+k2+...+kn=k
k!
k
1
!, k
2
!, . . . , k
n
!
k
f (a)
x
k1
1
. . . x
kn
n
dx
k1
1
dx
k2
2
. . . dx
kn
n
.
Exemplul 1.1.11. Scriem diferent ialele de ordinul unu, doi si trei pentru funct ia: f : R (0, ) R
prezentata n exemplul 1.1.10.
Diferent iala de ordinul unu este
df
(a1,a2)
(dx, dy) =
f
x
(a
1
, a
2
) dx +
f
y
(a
1
, a
2
) dy =
= ln a
2
dx +
a
1
a
2
dy.
Diferent iala de ordinul doi este
d
2
f
(a1,a2)
(dx, dy) =

2
f
x
2
(a
1
, a
2
) dx
2
+ 2

2
f
xy
(a
1
, a
2
) dxdy +
+
2
f
y
2
(a
1
, a
2
) dy
2
=
2
a
2
dxdy
a
1
a
2
2
dy
2
.
Diferent iala de ordinul trei va
d
2
f
(a1,a2)
(dx, dy) =
3
a
2
2
dxdy
2
+
2a
1
a
3
2
dy
3
.
1.2 Extremele funct iilor de mai multe variabile
Optimizarea matematica se ocupa cu selectarea celui mai bun element dintr-o mult ime de alternative disponi-
bile.

In particular, aceasta nseamna rezolvarea unor probleme n care se cauta extremele (maximul sau
minimul) unei funct ii reale.
In acest capitol vom studia problema calculului extremelor unei funct ii reale de mai multe variabile reale,
precum si aplicat ii ale acesteia n domeniul economic, precum problema gestiunii stocurilor sau ajustarea
datelor experimentale.
1.2.1 Extremele funct iilor de doua variabile
Denit ia 1.2.1. Fie f o funct ie de doua variabile f : D R, D R
2
si (x
0
, y
0
) D un punct interior.
Funct ia f admite un punct de extrem (maxim sau minim) n punctul (x
0
, y
0
) daca exista o vecinatate
V a punctului (x
0
, y
0
) astfel ncat oricare ar un punct (x, y) din V
D sa avem
f (x, y) f (x
0
, y
0
) 0, pentru (x
0
, y
0
) punct de maxim;
f (x, y) f (x
0
, y
0
) 0, pentru (x
0
, y
0
) punct de minim.
(1.7)
Observat ia 1.2.1. Punctele de extrem corespunzatoare denit iei de mai sus sunt puncte de extrem local
(maxim local sau minim local).
15
Exemplul 1.2.1. Fie funct ia de doua variabile f : R
2
R,
f (x, y) = x
3
+y
3
3xy.
Punctul (1, 1) este un punct de minim local pentru f, deoarece
f(x, y) f(1, 1) 0
pentru orice (x, y) ntr-o vecinatate V a acestuia. Vom vedea n Exemplul 1.2.3 cum se determina punctul
de extrem (1, 1).
Teorema 1.2.1. (Condit ii necesare de extrem local)
Daca funct ia f : D R, D R
2
are derivatele part iale de ordinul ntai f

x
si f

y
continue pe o vecinatate
V a unui punct (x
0
, y
0
) interior domeniului D si daca (x
0
, y
0
) este un punct de extrem local, atunci avem:
f

x
(x
0
, y
0
) = 0, f

y
(x
0
, y
0
) = 0 (1.8)
Demonstrat ie. Presupunem ca (x
0
, y
0
) este punct de maxim local. Atunci
f (x, y
0
) f (x
0
, y
0
) 0
f (x
0
, y) f (x
0
, y
0
) 0,
adica funct iile part iale (de o singura variabila)
h(x) = f (x, y
0
) , g (y) = f (x
0
, y)
au n punctele x
0
si y
0
valori maxime locale.

In baza teoremei lui Fermat, derivatele funct iilor h si g se
anuleaza n x
0
, respectiv n y
0
, adica avem
h
(x
0
) = f

(x
0
, y
0
) = 0
g
(y
0
) = f

(x
0
, y
0
) = 0.
In mod analog se arata ca daca (x

0
, y
0
) este un punct de minim local pentru funct ia f (x, y) atunci au
loc condit iile (1.8).
Denit ia 1.2.2. Punctele domeniului D n care derivatele part iale f

x
si f

y
ale funct iei f se anuleaza, se
numesc puncte critice sau puncte stat ionare ale acestei funct ii.
Exemplul 1.2.2. Fie funct ia f : R
2
R,
f (x, y) = x
3
+y
3
3xy.
din Exemplul 1.2.1. Calculam punctele critice ale lui f. Acestea sunt solut ii ale urmatorului sistem de ecuat ii
_
f

x
=
f
x
= 3
_
x
2
y
_
= 0
f

y
=
f
y
= 3
_
y
2
x
_
= 0.
Solut iile reale ale sistemului sunt (punctele) (1, 1) si (0, 0), acestea ind cele doua puncte critice ale lui
f.
Observat ia 1.2.2. Natura punctelor stat ionare, deci a punctelor din domeniul D ce sunt solut ii ale sis-
temului de ecuat ii (1.8), se va preciza prin intermediul condit iilor suciente de extrem local, care vor rezulta
pe baza Denit iei 1.2.1.
16
Teorema 1.2.2. (Condit ii suciente de extrem local)
Fie funct ia f : D R, D R
2
. Presupunem c a f are derivatele part iale de ordinul ntai si doi
continue pe o vecinatate V a unui punct (x
0
, y
0
) interior domeniului D. Daca (x
0
, y
0
) este un punct critic
(stat ionar) al funct iei f, atunci folosind urmatoarele notat ii
A =

2
f
x
2
(x
0
, y
0
) , B =

2
f
xy
(x
0
, y
0
) , C =

2
f
y
2
(x
0
, y
0
) , D = B
2
AC.
avem urmatoarele situat ii:
1) Daca D < 0 si A > 0 atunci (x
0
, y
0
) este un punct de minim local;
2) Daca D < 0 si A < 0 atunci (x
0
, y
0
) este un punct de maxim local;
3) Daca D > 0, atunci (x
0
, y
0
) nu este un punct de extrem;
4) Daca D = 0, atunci studiul naturii punctului stat ionar (x
0
, y
0
) se face cu ajutorul derivatelor part iale de
ordin superior lui doi.
Exemplul 1.2.3. Fie funct ia f : R
2
R,
f (x, y) = x
3
+y
3
3xy.
din Exemplul 1.2.1 si 1.2.2. Determinam extremele funct iei f.
Natura acestor doua puncte stat ionare (1, 1) si (0, 0) ale lui f se va stabili utilizand condit iile suciente
de extrem. Avem:
f

x
2 = 6x, f

y
2 = 6y, f

xy
= 3.
Pentru punctul stat ionar (1, 1) avem:
f

x
2 (1, 1) = 6, f

y
2 (1, 1) = 6, f

xy
(1, 1) = 3 si
D = 9 36 = 27 < 0, A = 6 > 0,
deci punctul (1, 1) este un punct de minim, iar
f
min
= f (1, 1) = 1 + 1 3 = 1.
Pentru punctul stat ionar (0, 0) avem D = 9 si deci acest punct nu este un punct de extrem.
1.2.2 Extremele funct iilor de n variabile (n 2)
In cazul funct iilor de n variabile avem o extindere reasca a Denit iei 1.2.1.
Denit ia 1.2.3. Fie f : D R, D R
n
o funct ie de n variabile reale si x
0
=
_
x
0
1
, x
0
2
, . . . , x
0
n
_
un punct
interior lui D. Vom spune ca funct ia f admite un punct de maxim local sau minim local n punctul
x
0
daca exista o vecinatate V
x
0 a acestui punct astfel ncat sa avem
f (x) f
_
x
0
_
0, pentru x
0
punct de maxim
f (x) f
_
x
0
_
0, pentru x
0
punct de minim
pentru orice punct x = (x
1
, x
2
, . . . , x
n
) V
x
0
D.
Observat ia 1.2.3. Punctele de extreme denite mai sus sunt puncte de extrem local. Daca n = 2 atunci
regasim denit iile prezentate n cazul unei funct ii de doua variabile. Condit iile necesare si suciente de
extrem pentru funct iile de n variabile vor sintetizate n teoremele ce urmeaz a.
17
Teorema 1.2.3. (Condit ii necesare de extrem)
Fie f o funct ie denita ntr-o vecinatate V
x
0 a punctului x
0
=
_
x
0
1
, . . . , . . . , x
0
n
). Daca acest punct este
un punct de extrem al funct iei f si daca n acest punct exista derivatele part iale de ordinul ntai f

xj
, j = 1, n,
atunci ele sunt egale cu zero, adica avem:
f
x
j
_
x
0
_
=
f
x
j
_
x
0
1
, x
0
2
, . . . , x
0
n
_
= 0, j = 1, n. (1.9)
Denit ia 1.2.4. Punctele n care sunt ndeplinite condit iile necesare de extrem ale funct iei f se numesc
puncte critice (sau stat ionare) ale funct iei.
Exemplul 1.2.4. Fie funct ia de trei variabile f : R
3
R,
f (x, y, z) = x
2
+y
2
+z
2
+x 2z.
Calculam punctele stat ionare ale funct iei f. Avem sistemul de ecuat ii
_
_
_
f
x
= 2x + 1 = 0
f
y
= 2y = 0
f
z
= 2z 2 = 0
care reprezinta condit iile necesare de extrem ale funct iei. Rezolv and acest sistem de ecuat ii obt inem doar o
solut ie
x
0
=
1
2
, y
0
= 0, z
0
= 1
si deci gasim punctul stat ionar (x
0
, y
0
, z
0
) =
_
1
2
, 0, 1
_
.
Teorema 1.2.4. (Condit ii suciente de extrem)
Fie f o funct ie de n variabile denita ntr-o vecinatate V
x
0 a punctului x
0
=
_
x
0
1
, x
0
2
, . . . , x
0
n
_
si cu
derivatele part iale de ordinul doi continue n vecinatatea V
x
0. Daca x
0
este un punct stat ionar al funct iei f
si
d
2
f
(x
0
)
(dx) =
n
i,j=1
2
f
x
i
x
j
_
x
0
_
dx
i
dx
j
> 0 (respectiv < 0), dx ,=
atunci punctul x
0
este un punct de minim local (respectiv punct de maxim local). Daca d
2
f
(x
0
)
ia valori de
semne diferite, atunci punctul x
0
nu este punct de extrem.
Observat ia 1.2.4. Teorema de mai sus ne arata ca pentru a stabili natura punctelor stat ionare, deci natura
punctelor care sunt solut ii ale sistemului de ecuat ii
f
x
j
(x
1
, x
2
, . . . , x
n
) = f

xj
(x
1
, x
2
, . . . , x
j
, . . . , x
n
) = 0, j = 1, n
trebuie s a determinam diferent iala de ordinul doi corespunzatoare funct iei f
d
2
f(dx) =

2
f
x
2
1
dx
2
1
+

2
f
x
2
2
dx
2
2
+. . . +

2
f
x
2
n
dx
2
n
+
+2
_

2
f
x
1
x
2
dx
1
dx
2
+. . . +

2
f
x
n1
x
n
dx
n1
dx
n
_
si apoi sa stabilim semnul ei n care rolul variabilelor este jucat de cresterile (dx
1
, dx
2
, . . . , dx
n
), pentru
ecare punct stat ionar.
18
3
R,
f (x, y, z) = x
2
+y
2
+z
2
+x 2z
din Exemplul 1.2.4. Calculam diferent iala de ordinul doi a lui f si ncercam s a-i stabilim semnul.
Calculam mai ntai derivatele part iale de ordinul doi ale funct iei:
f

x
2 = 2, f

xy
= f

yx
= 0 f

xz
= f

zx
= 0, f

y
2 = 2, f

yz
= f

zy
= 0, f

zz
= 2.
Diferent iala de ordinul doi n punctul stat ionar (x
0
, y
0
, z
0
) = (
1
2
, 0, 1) este
d
2
f
(x0,y0,z0)
(dx, dy, dz) = f

x
2 (x
0
, y
0
, z
0
) dx
2
+f

y
2 (x
0
, y
0
, z
0
) dy
2
+
+f

z
2 (x
0
, y
0
, z
0
) dz
2
+ 2f

xy
(x
0
, y
0
, z
0
) dxdy +
+2 f

xz
(x
0
, y
0
, z
0
) dxdz + 2 f

yz
(x
0
, y
0
, z
0
) dydz
= 2dx
2
+ 2dy
2
+ 2dz
2
> 0.
Conform Teoremei 1.2.4, punctul (x
0
, y
0
, z
0
) = (
1
2
, 0, 1) este punct de minim local.
Observat ia 1.2.5. Pentru ecare punct stat ionar x
0
diferent iala de ordinul doi (3.2.3) poate scrisa sub
forma matriceala
d
2
f
(x
0
)
(dx) = (dx1, dx2, . . . , dxn)
2
f
x
2
1
2
f
x
1
x
2
. . .

2
f
x
1
xn
2
f
x
2
x
1
2
f
x
2
2
. . .

2
f
x
2
xn
. . . . . . . . . . . .
2
f
xnx
1
2
f
xnx
2
. . .

2
f
x
2
n
|x
0

H(x
0
)
dx1
dx2
.
.
.
dxn
unde matricea patratica si simetrica de ordinul n se numeste matricea hessian a asociata funct iei f n
punctul stat ionar x
0
si se noteaza H
_
x
0
_
.
Introducand notat iile
a
sj
= f

xsxj
_
x
0
_
=

2
f
x
s
x
j
_
x
0
_
, s, j = 1, n,
matricea hessiana H
_
x
0
_
are forma:
H
_
x
0
_
=
_
_
_
_
a
11
a
21
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn
_
_
_
_
,
care este o matrice simetrica deoarece sunt ndeplinite condit iile din teorema lui Schwarz, deci avem egalitat ile
a
sj
= f

xsxj
= f

xjxs
= a
js
, s, j = 1, n.
Notand prin A
1
= a
11
, A
2
=
a
11
a
12
a
21
a
22
, A
3
=
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
, . . . ,
A
n
=
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn
minorii principali ai matricei H(x

0
), putem formula criteriul lui Sylvester.
19
Teorema 1.2.5. (Criteriul lui Sylvester)
1) Daca minorii principali ai matricei hessiene H
_
x
0
_
sunt pozitivi, adica sunt ndeplinite inegalitat ile:
A
1
> 0, A
2
> 0, A
3
> 0, . . . , A
n
> 0, (1.10)
atunci punctul stat ionar x
0
este un punct de minim al funct iei f.
2) Daca minorii principali ai matricei hessiene H
_
x
0
_
au semne alternate, ncepand cu semnul minus, deci
daca avem:
A
1
< 0, A
2
> 0, A
3
< 0, . . . , (1)
n
A
n
> 0, (1.11)
atunci punctul stat ionar x
0
este un punct de maxim al funct iei f.
Observat ia 1.2.6. Pentru n = 2, deci dac a este vorba de extremele unei funct ii de doua variabile f matricea
hessiana are forma
H
_
x
0
_
=
_
f

x
2
1
f

x1x2
f

x2x1
f

x
2
2
_
|x
0
=
_
A B
B C
_
.
Daca sunt ndeplinite condit iile (1.10), obt inem
A
1
= A = f

x
2
1
(x
0
) > 0, A
2
=
_
AC B
2
_
= D > 0
si deci punctul x
0
este un punct de minim pentru funct ia f.
Daca sunt ndeplinite condit iile (1.11), obt inem
A
1
= A = f

x
2
1
(x
0
) < 0, A
2
=
_
AC B
2
_
= D > 0
si deci punctul x
0
este un punct de maxim pentru funct ia f.
3
R,
f (x, y, z) = x
2
+y
2
+z
2
+x 2z
din Exemplele 1.2.4 si 1.2.5. Determinam extremele funct iei f folosind criteriul lui Sylvester.
Matricea hessiana asociata funct iei f n punctul stat ionar (x
0
, y
0
, z
0
) = (
1
2
, 0, 1) este
H (x
0
, y
0
, z
0
) =
_
_
2 0 0
0 2 0
0 0 2
_
_
.
Deoarece sunt ndeplinite condit iile
A
1
= 2 > 0, A
2
= 4 > 0, A
3
= 8 > 0,
conform cazului 1) din criteriul lui Sylvester rezulta ca punctul stat ionar unic al funct iei f este un punct de
minim local pentru funct ia dat a si avem
f
min
= f (x
0
, y
0
, z
0
) = f
_
1
2
, 0, 1
_
=
9
4
.
20
1.2.3 Ajustarea datelor experimentale
Sa presupunem ca ntr-un proces concret participa doua marimi masurabile ale caror valori sa e notate cu
x si y. Dependent a dintre cele doua marimi poate descrisa de o funct ie f : R R cu ajutorul relat iei
y = f(x). Determinarea funct iei f este o problema centrala n orice stiint a experimentala. Informat ii utile
n rezolvarea acestei probleme sunt perechi de valori determinate experimental pentru cele doua marimi, dar
si cunoasterea tipului dependent ei respective.
Valorile determinate experimental sunt n mod obiectiv afectate de erori de masurare. Recunoasterea
acestui fapt subliniaza important a cunostint elor teoretice despre procesul n discut ie.
In cele ce urmeaza vom considera un procedeu de determinare a unor funct ii care sa constituie aproximari
acceptabile pentru funct ia f numite ajustarea datelor experimentale.
In ajustarea datelor experimentale se accepta ca dependent a este de un anumit tip (de exemplu y =
P
m
(x), unde P
m
este o funct ie polinomiala de grad cel mult m) si se cauta acea dependent a care
ajusteaza
cel mai bine valorile determinate experimental.
In continuare, pentru a folosi limbajul uzual n teoria aproximarii, vom utiliza termenul de polinom si
cand este vorba de funct ie polinomiala.
Metoda celor mai mici patrate
Sa presupunem ca legile teoretice care guverneaza procesul n care apar cele doua marimi masurabile ne
asigura ca dependent a dintre aceste doua marimi este descrisa de relat ia y = f(x), unde f T, unde T este
o clasa precizata de funct ii reale de o variabila reala. Se pune atunci problema determinarii acelei funct ii f
din clasa T care da cat mai bine dependent a lui y de x n procesul concret respectiv.
Sa admitem ca n observat ii experimentale asupra procesului respectiv dau pentru x si y valorile din
tabelul urmator:
x x
1
x
2
x
n
y y
1
y
2
y
n
Problema pusa revine la determinarea funct iei f din clasa T ale carei valori n punctele x
1
, x
2
, . . . , x
n
sa se apropie cat mai mult de datele determinate experimental.

O masur a a
apropierii funct iei f de datele experimentale este

n
i=1
(f(x
i
) y
i
)
2
.
Denit ia 1.2.5. Determinarea funct iei f din clasa T pentru care expresia
n
i=1
(f(x
i
) y
i
)
2
are cea mai mica valoare posibila se numeste ajustarea datelor experimentale din tabelul
x x
1
x
2
x
n
y y
1
y
2
y
n
cu metoda celor mai mici patrate.
In cele ce urmeaza vom considera cazul cand T este clasa funct iilor polinomiale de grad cel mult m n
nedeterminata x, adica
T =
_
P
m
(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
m
x
m
[ a
k
R, k = 0, m
_
.
A determina funct ia f revine atunci la a determina coecient ii a
0
, a
1
, . . . , a
m
.
21
Notam
F(a
0
, a
1
, . . . , a
m
) =
n
i=1
(P
m
(x
i
) y
i
)
2
.
Problema pusa se reduce atunci la problema determinarii punctului de minim al funct iei F, de unde si numele
metodei.
Punctele stat ionare ale funct iei F sunt solut iile sistemului
F
aj
(a
0
, a
1
, . . . , a
m
) = 0, j = 0, m.
Efectuand calculele si facand urmatoarele notat ii
s
l
=
n
i=1
x
l
i
si t
l
=
n
i=1
x
l
i
y
i
,
se ajunge la
F
aj
(a
0
, a
1
, . . . , a
m
) = 2
_
m
k=0
s
k+j
a
k
t
j
_
,
astfel ncat sistemul care da punctele stat ionare ale funct iei F este
m
k=0
s
k+j
a
k
= t
j
, j = 0, m,
adica _
_
s
0
a
0
+s
1
a
1
+ +s
m
a
m
= t
0
s
1
a
0
+s
2
a
1
+ +s
m+1
a
m
= t
1
. . .
s
m
a
0
+s
m+1
a
1
+ +s
2m
a
m
= t
m
.
Acest sistem este numit sistemul normal.
Sistemul normal poate scris daca se cunosc sumele s
0
, s
1
, . . . , s
2m
si sumele t
0
, t
1
, . . . , t
m
. Aceste sume
pot determinate completand tabelul urmator
x
0
i
x
1
i
x
2
i
x
2m
i
x
0
i
y
i
x
1
i
y
i
x
m
i
y
i
1 x
1
x
2
1
x
2m
1
y
1
x
1
y
1
x
m
1
y
1
1 x
2
x
2
2
x
2m
2
y
2
x
2
y
2
x
m
2
y
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
x
2m
n
y
n
x
n
y
n
x
m
n
y
n
s
0
s
1
s
2
s
2m
t
0
t
1
t
m
n care coloanele x
1
i
si x
0
i
y
i
sunt date de tabelul de date experimentale
x x
1
x
2
x
n
y y
1
y
2
y
n
restul coloanelor se pot determina usor, (0
0
va interpretat 1), iar n ultima linie gureaza sumele
elementelor din cele n linii precedente.
T inand cont de faptul ca s
l
=
n
i=1
x
l
i
, l = 0, 2m, se poate arata ca determinantul sistemului normal este
diferit de zero, adica
s
0
s
1
s
m
s
1
s
2
s
m+1

s
m
s
m+1
s
2m
,= 0,
22
deci sistemul normal este un sistem compatibil determinat.
Fie (a
0
, a
1
, . . . , a
m
) solut ia unica a sistemului normal. Atunci punctul (a
0
, a
1
, . . . , a
m
) este punctul
stat ionar unic al funct iei F.
Avand n vedere ca F este o suma de patrate:
F(a
0
, a
1
, . . . , a
m
) =
n
i=1
(P
m
(x
i
) y
i
)
2
,
se poate arata ca daca F are un punct de extrem nit atunci el este punct de minim si ca punctul stat ionar
(a
0
, a
1
, . . . , a
m
) este ntotdeauna punctul de minim al funct iei F.
In acest fel, etapa a doua a procedeului de determinare a extremelor funct iei F nu mai trebuie parcursa
si deci polinomul (de grad cel mult m) care ajusteaza n sensul metodei celor mai mici patrate datele
experimentale considerate este
P
m
(x) = a
0
+a
1
x +a
2
x
2
+ +a
m
x
m
.
Observat ia 1.2.7. Daca m = 1, n locul expresiei
sa se determine polinomul de ajustare de grad cel

mult unu, se mai utilizeaza expresia
sa se ajusteze cu o dreapt a, iar daca m = 2, n locul expresiei
sa
se determine polinomul de ajustare de grad cel mult doi, se mai utilizeaza expresia
sa se ajusteze cu o
parabola. Aceste exprimari se bazeaza pe faptul ca imaginea geometrica a unui polinom de gradul ntai este
o dreapt a, iar imaginea geometrica a unui polinom de gradul doi este o parabola.
Exemplul 1.2.7. Sa se ajusteze cu o dreapta si cu o parabola datele experimentale din tabelul
x -1 0 1 2
y -3 1 0 3
1. Pentru ajustarea cu o dreapta,
m = 1, f = a
0
+a
1
x,
_
s
0
a
0
+s
1
a
1
= t
0
s
1
a
0
+s
2
a
1
= t
1
2. Pentru ajustarea cu o parabola,
m = 2, f = a
0
+a
1
x +a
2
x
2
,
_
_
_
s
0
a
0
+s
1
a
1
+s
2
a
2
= t
0
s
1
a
0
+s
2
a
1
+s
3
a
2
= t
1
s
2
a
0
+s
3
a
1
+s
4
a
2
= t
2
Pentru calcularea valorilor s
0
, s
1
, s
2
, s
3
, t
0
, t
1
si t
2
, folosim tabelul
x
0
i
x
1
i
x
2
i
x
3
i
x
4
i
y
i
y
i
x
i
y
i
x
2
i
1 1 1 1 1 3 3 3
1 0 0 0 0 1 0 0
1 1 1 1 1 0 0 0
1 2 4 8 16 3 6 12
4 2 6 8 18 1 9 9
s
0
s
1
s
2
s
3
s
4
t
0
t
1
t
2
1. Pentru m = 1, f = a
0
+a
1
x si sistemul normal este:
_
4a
0
+ 2a
1
= 1
2a
0
+ 6a
1
= 9
Solut ia unica a sistemuluieste (a
0
, a
1
) = (
3
5
,
8
5
).
Polinomul de ajustare de grad cel mult 1 este
P(x) =
3
5
+
8
5
x.
23
Dreapta de ajustare are ecuat ia: y =
3
5
+
8
5
x.
2. Pentru m = 2, f = a
0
+a
1
x +a
2
x
2
si sistemul normal este
_
_
_
4a
0
+ 2a
1
+ 6a
2
= 1
2a
0
+ 6a
1
+ 8a
2
= 9
6a
0
+ 8a
1
+ 18a
2
= 9
Solut ia sistemului: (a
0
, a
1
, a
2
) = (
7
20
,
39
20
,
1
4
).
Parabola de ajustare are ecuat ia
y =
7
20
+
39
20
x
1
4
x
2
.
Observat ia 1.2.8.

In aplicat ii se utilizeaza, pe langa funct iile polinomiale, si funct iile exponent iale, loga-
ritmice, trigonometrice, etc. Evident, n asemenea cazuri sistemul normal este altul mai complicat si mai
dicil de rezolvat.
1.3 Exercit ii si probleme rezolvate
Problema 1.3.1. Sa se studieze existent a limitei funct iilor de mai jos n punctele specicate iar atunci
cand este cazul sa se calculeze aceste limite.
a) f(x, y) =
x
2
+y
2
|x|+|y|
, (0, 0); b) f(x, y) =
xy
xy+11
, (0, 0); c) f(x, y) =
x
2
y
2
x
2
+y
2
, (0, 0).
Rezolvare. a) Domeniul de denit ie al funct iei este D = R
2
(0, 0) . (0, 0) nu apart ine domeniului D
dar este punct de acumulare al sau. Avem:
[f(x, y)[ =
x
2
+y
2
|x|+|y|

[x
2
[+[y
2
[+2|x||y|
|x|+|y|
=
(|x|+|y|)
2
|x|+|y|
= [x[ +[y[
si cum lim
(x,y)(0,0)
([x[ +[y[) = 0, din criteriul majorarii, rezulta ca
l = lim
(x,y)(0,0)
f(x, y) = 0.
b) f este denita pentru
_
xy + 1 0
xy + 1 1 ,= 0
adica pe D = (x, y) R
2
[ xy 1, xy ,= 0
l = lim
(x,y)(0,0)
f(x, y) = lim
(x,y)(0,0)
xy
xy+11
=
= lim
(x,y)(0,0)
xy(
xy+1+1)
xy
= lim
(x,y)(0,0)
_
xy + 1 + 1
_
= 2.
c) Domeniul de denit ie al funct iei este D = R
2
(0, 0).
lim
(x,y)(0,0)
f(x, y) = lim
x0,y=mx
f(x, y) = lim
x0
x
2
m
2
x
2
x
2
+m
2
x
2
= lim
x0
x
2
(1m
2
)
x
2
(1+m
2
)
=
1m
2
1+m
2
,
depinde de m si deci f nu are limita n (0, 0).
Problema 1.3.2. Sa se cerceteze continuitatea funct iei
f (x, y) =
_
1cos(x
3
+y
3
)
x
2
+y
2
, daca (x, y) ,= (0, 0)
0, daca (x, y) = (0, 0)
Rezolvare. f este continua pe R
2
(0, 0)ind o functie compusa de functii elementare. Mai ramane de
studiat continuitatea n punctul (0, 0). Avem:
l = lim
(x,y)(0,0)
1cos(x
3
+y
3
)
x
2
+y
2
= lim
(x,y)(0,0)
2 sin
2
x
3
+y
3
2
x
2
+y
2
=
= lim
(x,y)(0,0)
2
sin
2
x
3
+y
3
2
x
3
+y
3
2
x
3
+y
3
2
2
x
2
+y
2
=
1
2
lim
(x,y)(0,0)
(x
3
+y
3
)
2
x
2
+y
2
.
Pentru a calcula limita l, aplicam inegalitatea Cauchy-Schwarz-Buniakowsky:
(x
3
+y
3
)
2
= (x x
2
+y y
2
)
2
(x
2
+y
2
)(x
4
+y
4
) (x
2
+y
2
)
3
Avem
24
0 l
1
2
lim
(x,y)(0,0)
(x
2
+y
2
)
3
x
2
+y
2
=
1
2
0 = 0 = f(0, 0)
adica f este continua si n origine si deci continua pe tot spat iul R
2
.
Problema 1.3.3. Folosind denit ia sa se calculeze
f
x
,
f
y
n punctele precizate, pentru funct ia de mai jos:
f(x, y) = x
2
+y
2
+xy, (2, 1)
Rezolvare.
f
x
(2, 1) = lim
x2
f(x,1)f(2,1)
x2
= lim
x2
(x
2
+1+x)(4+1+2)
x2
=
lim
x2
x
2
+x6
x2
= lim
x2
(x + 3) = 5
f
y
(2, 1) = lim
y1
f(2,y)f(2,1)
y1
= lim
y1
(4+y
2
+2y)(4+1+2)
y1
=
lim
y1
y
2
+2y3
y1
= lim
y1
(y + 3) = 4
Problema 1.3.4. Sa se calculeze derivatele part iale de ordinul nt ai pentru urmatoarele funct ii:
a) f : D R, f(x, y) = x
2
+y
2
3axy
b) f : D R, f(x, y) =
y
x
c) f : D R, f(x, y) = ln
_
x +
_
x
2
+y
2
_
(D este domeniul maxim de denit ie.)
Rezolvare. a)
f
x
(x, y) = (x
2
+y
2
3axy)
x
= 2x 3ay
f
y
(x, y) = (x
2
+y
2
3axy)
y
= 2y 3ax
b)
f
x
(x, y) =
_
y
x
_
x
=
y
x
2
si
f
y
(x, y) =
_
y
x
_
y
=
1
x
c)
f
x
(x, y) =
_
ln
_
x +
_
x
2
+y
2
__
x
=
1
x+
x
2
+y
2
_
x +
_
x
2
+y
2
_
x
=
1
x
2
+y
2
f
y
(x, y) =
1
x+
x
2
+y
2
_
x +
_
x
2
+y
2
_
y
=
y
x+
x
2
+y
2
x
2
+y
2
Problema 1.3.5. Sa se scrie diferent ialele de ordinele unu, doi si trei pentru funct ia f(x, y) = ln(xy) cu
xy > 0
Rezolvare. Derivatele partiale sunt:
f(x,y)
x
=
1
x
,
f(x,y)
y
=
1
y
2
f(x,y)
x
2
=
1
x
2
,

2
f(x,y)
xy
= 0,

2
f(x,y)
y
2
=
1
y
2
3
f(x,y)
x
3
=
2
x
3
,

3
f(x,y)
x
2
y
= 0,

3
f(x,y)
xy
2
= 0,

3
f(x,y)
y
3
=
2
y
3
Diferent iala de ordinul intai este: df
(x,y)
(dx, dy) =
f(x,y)
x
dx +
f(x,y)
y
dy =
1
x
dx +
1
y
dy
Diferent iala de ordinul doi este:
d
2
f
(x,y)
(dx, dy) =

2
f(x,y)
x
2
dx
2
+ 2
2
f(x,y)
xy
dxdy +

2
f(x,y)
y
2
dy
2
=
1
x
2
dx
2
1
y
2
dy
2
Diferent iala de ordinul trei va :
d
3
f
(x,y)
(dx, dy) =
_

x
dx +

y
dy
_
(3)
f(x, y) =

3
f(x,y)
x
3
dx
3
+ 3
3
f(x,y)
x
2
y
dx
2
dy + 3
3
f(x,y)
xy
2
dxdy
2
+
+
3
f(x,y)
x
3
dy
3
=
2
x
3
dx
3
+
2
y
3
dy
3
Problema 1.3.6. O fabrica produce doua tipuri de bunuri. Costul producerii acestor bunuri este dat prin
funct ia f(x, y), unde x si y reprezinta cantitat ile produse din ecare tip de produs. Sa se minimizeze costul
cand
f(x, y) = x
3
+y
3
9xy + 100.
25
Rezolvare. Pentru nceput determinam punctele stat ionare.
_
f(x,y)
x
= 3x
2
9y = 0
f(x,y)
y
= 3y
2
9x = 0
Solut iile sistemului, adica (0, 0) si (3, 3), vor punctele stat ionare ale funct iei f. Derivatele part iale de
ordinul doi vor
2
f(x,y)
x
2
= 6x,

2
f(x,y)
xy
= 9,

2
f(x,y)
y
2
= 6y
si deci diferent ialele de ordinul doi calculate n punctele stat ionare vor
d
2
f
(0,0)
(dx, dy) = 18dxdy
si d
2
f
(3,3)
(dx, dy) = 18dx
2
18dxdy + 18dy
2
Matricea asociata primei diferent iale de ordinul doi este A =
_
0 9
9 0
_
Folosind aceasta matrice putem arma ca punctul stat ionar (0, 0) nu este punct de extrem local.
Matricea asociata celei de-a doua diferent iale este
A =
_
18 9
9 18
_

1
2
L1+L2L2
_
18 9
0
27
2
_

1
2
C1+C2C2
_
18 0
0
27
2
_
= D.
Din forma matricei D rezulta ca forma patratica asociata celei de-a doua diferent iale este pozitiv denita.
Deci punctul stat ionar (3, 3) este un punct de minim local. Valoarea minima a costului este f
min
= f(3, 3) =
73.
Problema 1.3.7. Fie datele numerice
x 1 0 1 2
y 2 1 2 11
Sa se ajusteze aceste date numerice:
a) printr-un polinom de gradul ntai (o dreapt a)
b) printr-un polinom de gradul doi (o parabol a)
Rezolvare. a) Avem gradul polinomului m = 1, deci pentru scrierea sistemului normal trebuie calculate
sumele s
0
, s
1
, s
2
si sumele t
0
si t
1
.
x
0
i
x
1
i
x
2
i
x
0
i
y
i
x
1
i
y
i
1 1 1 2 2
1 0 0 1 0
1 1 1 2 2
1 2 4 11 22
4 2 6 16 22
Deci s
0
= 4, s
1
= 2, s
2
= 6, t
0
= 16 si t
1
= 22. Sistemul normal este:
_
4a
0
+ 2a
1
= 16
2a
0
+ 6a
1
= 22
Solut ia unica a acestui sistem este: a
0
=
13
5
, a
1
=
14
5
Atunci polinomul de ajustare de grad cel mult unu este P
1
(x) =
13
5
+
14
5
x,iar dreapta de ajustare este
dreapta de ecuat ie y =
13
5
+
14
5
x.
b) Avand m = 2, pentru scrierea sistemului normal vom calcula sumele s
0
= 4, s
1
= 2, s
2
= 6, s
3
= 8,
s
4
= 18, t
0
= 16, t
1
= 22, t
2
= 48.
Sistemul normal va :
_
_
_
4a
0
+ 2a
1
+ 6a
2
= 16
2a
0
+ 6a
1
+ 8a
2
= 22
6a
0
+ 8a
1
+ 18a
2
= 48
ce admite solut ia unica a
0
=
1
10
, a
1
=
3
10
, a
2
=
25
10
.Polinomul de ajustare de grad cel mult 2 este
P
2
(x) =
1
10
+
3
10
x +
25
10
x
2
iar parabola de ajustare este parabola de ecuat ie: y = 0, 1 + 0, 3x + 2, 5x
2
26
1.4 Teme de control
Problema 1.4.1. Sa se studieze existent a limitelor funct iilor de mai jos n punctele specicate iar atunci
cand este cazul sa se calculeze aceste limite:
a) f(x, y) =
sin(x
3
+y
3
)
x
2
+y
2
, (0, 0); b) f(x, y) =
y
2
+x
y
2
x
, (0, 0); c) f(x, y) =
_
1 x
2
y
2
,
_
1
2
,
1
2
_
.
Raspuns. a) D = R
2
(0, 0), l = 0, b) D = (x, y) R
2
[ x ,= 0, y ,= 0, x ,= y
2
, nu exista limita lui f,
c) D = (x, y) R
2
[ x
2
+ y
2
1 este discul cu centrul n originea axelor de coordonate si de raza 1,
l =
2
2
.
Problema 1.4.2. Sa se cerceteze continuitatea urmatoarelor funct ii:
f (x, y) =
_
3xy
2
2x
2
+9y
4
, daca (x, y) ,= (0, 0)
0, daca (x, y) = (0, 0)
Raspuns. f continua pe R
2
(0, 0)
Problema 1.4.3. Sa se calculeze derivatele part iale de ordinul nt ai pentru urmatoarele funct ii:
a) z = f(x, y) =
xy
x+y
, b) z = f(x, y) =
x
x
2
+y
2
, c) z = arctg
y
x
Raspuns. a)
z
x
=
2y
(x+y)
2
,
z
x
=
2x
(x+y)
2
, b)
z
x
=
y
2
3
(x
2
+y
2
)
2
,
z
y
=
y
2
3
(x
2
+y
2
)
2
,c)
z
x
=
y
x
2
+y
2
,
z
y
=
x
x
2
+y
2
,
Problema 1.4.4. Sa se calculeze derivatele part iale de ordinul doi si trei pentru funct ia f(x, y, z) = x
2
yz
3
Raspuns. a)

2
f(x,y,z)
x
2
= 2yz
2
,

2
f(x,y,z)
y
2
= 0,
2
f(x,y,z)
z
2
= 6x
2
yz,

2
f(x,y,z)
xy
= 2xz
3
,

2
f(x,y,z)
xz
=
6xyz
2
,

2
f(x,y,z)
yz
= 3x
2
z
2
3
f(x,y,z)
x
3
= 0,

3
f(x,y,z)
x
2
y
= 2z
2
,

3
f(x,y,z)
x
2
z
= 4yz,

3
f(x,y,z)
y
3
= 0,

3
f(x,y,z)
y
2
z
= 0,

3
f(x,y,z)
z
3
= 6x
2
y
3
f(x,y,z)
xy
2
= 0,

3
f(x,y,z)
xyz
= 4xz,

3
f(x,y,z)
xz
2
= 12xyz,

3
f(x,y,z)
yz
2
= 6x
2
z
Problema 1.4.5. Sa se scrie diferent ialele de ordinele doi si trei pentru funct ia f(x, y) = x
2
xy + 2y
3
+
3x 5y + 10
Raspuns. d
2
f
(x,y)
(dx, dy) = 2dx
2
2dxdy + 12ydy
2
, d
3
f
(x,y)
(dx, dy) = 12dy
3
Problema 1.4.6. Sa se determine punctele de extrem local pentru funct ia f(x, y) = 2x
2
+ 2xy 5y
2
+
6x + 6y, (x, y) R
2
,
Raspuns. f
max
= f(2, 1) = 9
Problema 1.4.7. Se considera datele numerice:
x 2 0 1 2
y 48 32 9 8
Sa se ajusteze aceste date numerice printr-o dreapta si gasit i apoi valoarea lui y n punctul x = 3.
Raspuns. y = 10, 89x + 26, 97, y(3) = 5, 69
Rezumat modul
In acest capitol s-au prezentat denitii si concepte de baza legate de functiile reale de mai multe variabile
reale cum sunt: elemente de topologie ale spatiului R
n
, limite de functii si continuitatea lor de la R
n
la R,
derivate partiale si diferentiala. Au fost prezentate notiunile de derivate partiale si derivate de ordin superior,
extremele functiilor de mai multe variabile (conditii necesare si suciente pentru existenta extremelor locale).
De asemenea s-au prezentat si notiuni legate de ajustarea prin metoda celor mai mici patrate a datelor
experimentale.
27
Bibliograe modul
1. Colectiv, Elemente de algebra liniara, analiza matematica si teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009
2. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj-Napoca, 2011
1.5 Integrale Euleriene
Sub denumirea de integrale euleriene vom studia trei integrale improprii des folosite n teoria probabilitat ilor
si n diverse alte domenii ale matematicii aplicate.
1.5.1 Integrala lui Euler de spet a ntai. Funct ia beta
Denit ia 1.5.1. Se numeste integrala lui Euler de spet a ntai integrala
_
1
0
x
p1
(1 x)
q1
dx,
care pentru p < 1 este o integrala improprie avand ca punct critic pe 0 si pentru q < 1 este o integrala
improprie av and ca punct critic pe 1.
Observat ia 1.5.1. Integrala improprie
_
1
0
x
p1
(1 x)
q1
dx
este convergenta daca p > 0 si q > 0 si este divergenta n celelalte cazuri. De fapt daca p 1 si q 1 atunci
ea este o integrala propriu-zisa (proprie).
Denit ia 1.5.2. Funct ia reala de doua variabile reale B : (0, ) (0, ) R denita prin relat ia
B(p, q) =
_
1
0
x
p1
(1 x)
q1
dx.
se numeste funct ia lui Euler de spet a nt ai sau funct ia beta.
Proprietat i ale funct iei Beta
(B1) B(p, 1) =
1
p
Intr-adevar,
B(p, 1) =
_
1
0
x
p1
(1 x)
11
dx =
_
1
0
x
p1
dx =
x
1
0
=
1
p
.
In particular, pentru p = 1 se obt ine

B(1, 1) = 1.
(B2) B
_
1
2
,
1
2
_
= .
Intr-adevar, avem
28
B
_
1
2
,
1
2
_
=
_
1
0
x
1
2
1
(1 x)
1
2
1
dx =
_
1
0
1
_
x(1 x)
dx,
integrala pe care o putem calcula utilizand substitut ia lui Euler
_
x(1 x) = tx,
de unde se gaseste
x = (t) =
1
1 +t
2
si deci
(t) =
2t
(1 +t
2
)
2
.
Pentru ca x = 0 trebuie ca t = si pentru ca x = 1 trebuie ca t = 0.
Deci
_
1
0
1
_
x(1 x)
dx =
_
0
1
t .
1
1+t
2
2t
(1 +t
2
)
2
dt = 2
_
0
1
1 +t
2
dt =
= 2
_

0
1
1 +t
2
dt = 2 arctg t [
0
= 2
_
2
0
_
= .
(B3) B(p, q) = B(q, p).
Intr-adevar, avem
B(p, q) =
_
1
0
x
p1
(1 x)
q1
dx
din care, facand substitut ia x = (t) = 1 t se obt ine
B(p, q) =
_
1
0
(1 t)
p1
(1 (1 t))
q1
(1 t)
dt =
=
_
1
0
(1 t)
p1
t
q1
dt =
_
1
0
t
q1
(1 t)
p1
dt =
=
_
1
0
x
q1
(1 x)
p1
dx = B(q, p).
(B4) Daca p > 1 atunci
B(p, q) =
p 1
p +q 1
B(p 1, q).
Intr-adevar, daca integram prin part i punand

f(x) = x
p1
si g
(x) = (1 x)
q1
obt inem
B(p, q) =
_
1
0
x
p1
(1 x)
q1
dx = x
p1
q
(1 x)
q
q
1
0
_
1
0
(p 1)x
p2
.
(1 x)
q
q
dx =
29
=
p 1
q
_
1
0
x
p2
(1 x)
q
dx =
=
p 1
q
_
1
0
x
p2
(1 x)(1 x)
q1
dx =
=
p 1
q
_
1
0
(x
p2
x
p1
)(1 x)
q1
dx =
=
p 1
q
_
1
0
[x
p2
(1 x)
q1
x
p1
(1 x)
q1
]dx =
=
p 1
q
__
1
0
x
p2
(1 x)
q1
dx
_
1
0
x
p1
(1 x)
q1
dx
_
=
=
p 1
q
[B(p 1, q) B(p, q)] .
Deci am obt inut egalitatea
B(p, q) =
p 1
q
[B(p 1, q) B(p, q)] ,
din care se obt ine imediat
B(p, q) =
p 1
p +q 1
B(p 1, q) .
Ment ionam ca ipoteza p > 1 este necesara pentru ca p 1 > 0 si deci B(p 1, q) sa existe.
Proprietatea (B4) demonstrata aici permite micsorarea cu o unitate a primului argument al funct iei
B. Ea poate utilizata succesiv atata timp cat primul argument ramane pozitiv.
(B5) Daca q > 1 atunci
B(p, q) =
q 1
p +q 1
B(p, q 1).
Aceasta proprietate rezulta usor din proprietat ile (B4) si (B3).

Intr-adevar, avem succesiv
B(p, q) = B(q, p) =
q 1
p +q 1
B(q 1, p) =
q 1
p +q 1
B(p, q 1).
Proprietatea (B5) permite micsorarea cu o unitate a celui de al doilea argument al funct iei B. Ea
poate de asemenea utilizata succesiv atata timp cat al doilea argument ramane pozitiv.
Observam astfel ca prin utilizarea convenabila a proprietat ilor (B4) si (B5) se poate calcula B(p, q)
pentru p > 1 si q > 1 daca se cunoaste B(p, q), unde x noteaza partea fract ionara a lui x.
Exista tabele cu valori ale lui B(p, q) pentru 0 < p 1 si 0 < q 1.
Exemplul 1.5.1. Exemplu de utilizare a propriet at ilor (B4) si (B5):
B
_
3
2
,
5
2
_
=
3
2
1
3
2
+
5
2
1
B
_
3
2
1,
5
2
_
=
1
6
B
_
1
2
,
5
2
_
=
30
=
1
6
5
2
1
1
2
+
5
2
1
B
_
1
2
,
5
2
1
_
=
1
6

3
4
B
_
1
2
,
3
2
_
=
=
1
6

3
4

3
2
1
1
2
+
3
2
1
B
_
1
2
,
3
2
1
_
=
1
6

3
4

1
2
B
_
1
2
,
1
2
_
=
=
1
6

3
4

1
2
=
1
16
.
(B6) Daca m N
si n N
atunci
B(m, n) =
(m1)! (n 1)!
(m+n 1)!
.
Aceasta relat ie rezulta din utilizari succesive ale proprietat ilor (B4) si (B5). De exemplu:
B(5, 4) =
4! 3!
8!
=
1
280
.
(B7) Daca 0 < p < 1 atunci
B(p, 1 p) =

sin p
.
Omitem aici demonstrarea acestei proprietat i. Din (B7) se obt ine imediat (B2) luand p =
1
2
B
_
1
2
, 1
1
2
_
=

sin

2
= .
1.5.2 Integrala lui Euler de spet a a doua. Funct ia gama
Denit ia 1.5.3. Se numeste integrala lui Euler de spet a a doua integrala
_

0
x
a1
e
x
dx,
care este o integrala improprie (avand limita superioara de integrare ) si n plus daca a < 1 are punct
critic si pe 0.
Observat ia 1.5.2. Integrala improprie
_
0
x
p1
e
x
dx este convergenta daca p > 0 si este divergenta daca
p 0.
Denit ia 1.5.4. Funct ia reala de o variabila reala : (0, ) R denita prin relat ia
(p) =
_

0
x
p1
e
x
dx.
se numeste funct ia lui Euler de spet a a doua sau funct ia gama.
31
Proprietat i ale funct iei Gama
(1) (1) = 1.
Intr-adevar, avem
(1) =
_

0
x
11
e
x
dx =
_

0
e
x
dx = e
x
0
= 0 (1) = 1.
(2) Daca p > 1, atunci
(p) = (p 1)(p 1).
Intr-adevar, daca integram prin part i punand f(x) = x

p1
si g
(x) = e
x
, avem succesiv
(p) =
_

0
x
p1
e
x
dx = x
p1
(e
x
)
_

0
(p 1)x
p2
(e
x
)dx =
x
p1
e
x
0
+
+(p 1)
_

0
x
p2
e
x
dx = (p 1)(p 1).
Ment ionam ca ipoteza p > 1 este necesara pentru a exista (p 1).
Proprietatea 2) permite micsorarea cu o unitate a argumentului funct iei gama. Prin utilizari succesive
ale acestei proprietat i, calculul lui (p) pentru p > 1 poate redus la calculul lui (p).
Exista tabele cu valori ale funct iei gama pentru 0 < p 1.
(3) Daca m N
, atunci
(m) = (m1)!
Proprietatea 3) sugereaza faptul c a funct ia gama este o generalizare a factorialului.
Observat ia 1.5.3. Daca n proprietatea B6) a funct iei beta,
B(m, n) =
(m1)! (n 1)!
(m+n 1)!
,
utilizam n locul factorialului valori ale funct iei gama date de proprietatea 3) obt inem
B(m, n) =
(m) (n)
(m+n)
, m, n N
.
(4) Aceast a relat ie dintre funct iile beta si gama ramane adevarata si pentru argumente reale, adica are loc
proprietatea
B(p, q) =
(p) (q)
(p +q)
, p > 0 si q > 0
cunoscuta sub denumirea de relat ia lui Euler.
32
(5)
_
1
2
_
=

.
Intr-adevar, daca n relat ia lui Euler luam a = b =

1
2
, obt inem
B
_
1
2
,
1
2
_
=
_
1
2
_
_
1
2
_
_
1
2
+
1
2
_ .
Dar B
_
1
2
,
1
2
_
= , iar (1) = 1, deci
=
_
_
1
2
__
2
,
din care rezulta
_
1
2
_
=

.
1.5.3 Integrala Euler-Poisson
Denit ia 1.5.5. Integrala improprie
_

0
e
x
2
dx
se numeste integrala Euler-Poisson.
Observat ia 1.5.4. Prin calcule elementare se gasesc urmatoarele rezultate
_

e
x
2
dx =
si
_

x
2
2
dx =
2.
1.5.4 Exercitii si probleme rezolvate
Problema 1.5.1. Sa se calculeze valorile funct iilor lui Euler:
a) (6), b)
_
5
2
_
, c) B(3, 5), d) B
_
3
2
,
1
2
_
, e) B
_
1
4
,
5
4
_
Solut ie:
a) (6) = 5! = 120
b)
_
5
2
_
=
_
5
2
1
_
_
5
2
1
_
=
3
2
_
3
2
_
=
3
2
_
3
2
1
_
_
3
2
1
_
=
3
2
1
2
_
1
2
_
=
3
4
c) B(3, 5) =
(31)!(51)!
(3+51)!
=
2! 4!
7!
=
48
5040
=
1
105
d) B
_
3
2
,
1
2
_
=
(
3
2
)(
1
2
)
(
3
2
+
1
2
)
=
1
2
1!
=

2
e) B
_
1
4
,
7
4
_
=
7
4
1
1
4
+
7
4
1
B
_
1
4
,
3
4
_
=
3
4
1
B
_
1
4
,
3
4
_
=
3
4
sin

4
=
3
4
2
2
=
3
2
2
Problema 1.5.2. Folosind integralele euleriene sa se calculeze integralele:
a)
_
b
a
dx
(xa)(bx)
, b)
_
2
xe
2x
dx, c)
_
0
3
x
1+x
2
dx.
Solut ie:
a) Facem schimbarea de variabila
xa
ba
= t, dx = (b a) dt
Limitele de integrare:
_
x = a, t = 0
x = b, t = 1
_
Deci,
_
b
a
dx
(xa)(bx)
=
_
1
0
(ba)dt
(ba)t(ba)(1t)
=
_
1
0
dt
t(1t)
=
33
_
1
0
t
1
2
(1 t)
1
2
dt = B
_
1
2
,
1
2
_
=
b) Facem schimbarea de variabila
x 2 = t dx = dt Obt inem astfel:
_
2
xe
2x
dx =
_
0
(t + 2) e
t
dt =
_
0
te
t
dt + 2
_
0
e
t
dt = (2) + (1) = 1! + 2 1 = 3
c) Facem schimbarea de variabila
x
2
=
t
1t
, dx =
1
2
_
t
1t
_
1
2
1
(1t)
2
dt
_
0
3
x
1+x
2
dx =
_
1
0
(
t
1t
)
1
6
1+
t
1t
1
2
_
t
1t
_
1
2
1
(1t)
2
dt =
1
2
_
1
0
t
1
6
1
2
(1 t)
1
6
+1+
1
2
2
dt
=
1
2
_
1
0
t
1
3
(1 t)
2
3
dt =
1
2
B
_
2
3
,
1
3
_
=
1
2
B
_
1
3
,
2
3
_
=
1
2
sin

3
=
1
2
3
2
=

3
.
1.5.5 Teme de control
Problema 1.5.3. Sa se calculeze valorile funct iilor lui Euler:
a) (8), b)
_
9
2
_
, c)B(2, 2), d) B
_
3
2
,
3
2
_
,
Raspuns:
a) 5040, b)
105
16
, c)
1
6
, d)

8
Problema 1.5.4. Folosind integralele euleriene sa se calculeze:
a)
_
1
0
x
5
x
6
dx, b)
_
2
0
sin
4
x cos
2
xdx, c)
_
0
x
3
dx
(1+x
3
)
2
, d)
_
0
x
2
e
x
5
dx, e)
_
0
3
x
(1+x)
4
dx
Raspuns:
a)
5
2
7
, b)

8
, c)
2
3
27
, d) 250, e)
10
3
3
5
Rezumat
In aceasta unitate au fost introduse si studiate notiunile privind integralele Euler de speta intai (functia
beta), de speta a doua (functia gama), proprietatile acestora, precum si integrala Euler-Poisson.
Bibliograe
Napoca, 2009
34
2 MODULUL II. Teoria probabilitatilor
Obiective
Denirea si studiul principalelor proprietati ale conceptelor de baza din teoria probabilitatilor.
Crearea la studenti a unor deprinderi de utilizare a tehnicilor probabilistice si de folosire a acestora in
scop aplicativ.
Fundamentarea probabilistica a statisticii matematice.
Concepte de baza
Eveniment aleator, probabilitate, probabilitate conditionata, scheme clasice de probabilitate.
Variabila aleatoare, functie de probabilitate a unei variabile aleatoare discrete, functie de repartitie a
unei variabile aleatoare, densitate de probabilitate, functia de repartitie a unei variabile aleatoare de
tip continuu.
Caracteristici numerice ale variabilelor aleatoare (media, dispersia, momente, corelatia)
Repartitii clasice.
Rezultate asteptate
Se urmareste buna intelegere de catre studenti a tehnicilor de abordare probabilistica a fenomenelor
aleatoare, utilizarea adecvata a schemelor probabilistice care modeleaza astfel de fenomene, intelegerea con-
ceptului de variabila aleatoare, precum si formarea deprinderilor de calcul ale caracteristicelor numerice
pentru variabilelor aleatoare. Se doreste ca studentii sa inteleaga foarte bine semnicatia caracteristicilor pe
care le calculeaza si, de asemenea sa inteleaga motivele aplicarii teoriei probabilitatilor in statistica matem-
atica.
UNITATEA 1. Camp de evenimente. Camp de probabilitate.
Scheme clasice de probabilitate.
2.1 Camp de evenimente, camp de probabilitate
2.1.1 Corp de part i ale unei mult imi
Denit ia 2.1.1. Se numeste corp de part i ale mult imii nevide orice familie nevida K P() unde
P() este mult imea part ilor lui , astfel ncat
a) A K = C
A
K unde C
A
= A;
b) A, B K = A
B K.
Propozit ia 2.1.1. Fie K un corp de part i ale mult imii nevide . Atunci:
1) , K;
2) A, B K = A
B K;
3) A, B K = AB K.
Demonstrat ie.
35
1) K nevida = ( A K = C
A
K) = A
C
A
K = K = C
K = K. Deci , K.
2) A, B K = C
A
, C
B
K =C
A
C
B
K
De Morgan
= C
A
B
K =C
_
C
A
B
_
K =A
B K.
3) A, B K = A, C
B
K = A
C
B
K = AB K.
Observat ia 2.1.1. Prin denit ie, un corp de part i K este nchis fat a de trecerea la complementara si fat a de
reuniune. Denit ia corpului de p art i garanteaza si nchiderea sa fat a de reuniunea sau diferent a de mult imi.
Prin induct ie matematica rezulta ca un corp de part i este nchis si fat a de reuniunea sau intersect ia nita
oarecare de mult imi adic a pentru orice A
1
, A
2
, . . . , A
n
K, (n 3) avem si
n
i=1
A
i
K respectiv
n
i=1
A
i
K.
De asemenea, un corp de p art i cont ine n mod necesar submult imile improprii si .
Exemplul 2.1.1. 1) Daca ,= atunci K = P() este un exemplu (banal) de corp de part i ale lui .
2) Fie = 1, 2, 3, 4, 5, 6. Atunci
K =, , 1, 6 , 2, 3 , 4, 5 , 1, 2, 3, 6 , 1, 4, 5, 6 , 2, 3, 4, 5
este un corp de part i ale lui .
2.1.2 Camp de evenimente
Vomnt elege prin experiment aleator orice experiment al carui rezultate, considerate din punct de vedere
al unui anumit criteriu, nu sunt cunoscute nainte de efectuarea experimentului (repetand un astfel de
eveniment, n condit ii identice, se pot obt ine rezultate diferite, nu se poate preciza rezultatul ci se poate
face doar o lista cu rezultatele posibile). Orice rezultat posibil n urma unui experiment aleator se numeste
eveniment aleator. Evenimentele care nu se pot realiza drept consecint a a realizarii altora se numesc
evenimente elementare. Consideram, de exemplu, experimentul aruncarii unui zar (obisnuit, nemasluit)
si evaluam rezultatul din punct de vedere al aparit iei (non-aparit iei) vreunora dintre fet ele de la 1 la 6.
Folosim notat ii de tipul ce urmeaza:
A = 1 aparit ia fet ei 1.
B = 1, 4 aparit ia vreuneia dintre fet ele 1 sau 4.
C = 2, 5, 6 aparit ia vreuneia dintre fet ele 2,5 sau 6,etc.
A este evenimente elementar (analog 2 , 3 , 5 , 6) dar B nu este elementar (B se poate realiza ca
si consecint a a realizarii lui A). Vom reveni ulterior, cu mai multa rigoare, asupra conceptului de experiment
elementar.
Notam cu mult imea tuturor evenimentelor elementare generate de un experiment aleator.

In continuare
ne este comod sa tratam aceasta mult ime ca o mult ime de puncte pentru care submult imile reduse la un
punct cores-pund evenimentelor elementare. se mai numeste si mult ime fundamentala (de referint a)
sau spat iu de select ie. Orice alt eveniment poate asimilat cu o submult ime a spat iului (n exemplul
de mai sus avem = 1, 2, 3, 4, 5, 6 si A, B, C ). In particular, corespunde evenimentului constand
n realizarea a cel put in unuia dintre evenimentele elementare posibile ceea ce se ntampla la orice efectuare
a evenimentului si de aceea acest eveniment se numeste eveniment cert sau sigur. Un alt eveniment
particular este cel care corespunde mult imii vide si care revine la nerealizarea nici unui eveniment elementar
posibil, ceea ce este imposibil la orice efectuare a experimentului si din acest motiv acest eveniment se numeste
eveniment imposibil. Vom pastra pentru evenimentul sigur si evenimentul imposibil aceleasi notat ii si
respectiv ca si pentru submult imile lui carora le corespund.
Fie c mult imea tuturor evenimentelor aleatoare generate de un experiment aleator.
Denit ia 2.1.2. Fie A, B c. Se numeste intersect ie a evenimentelor A si B, notata A
B, eveni-
mentul care se realizeaza daca si numai daca se realizeaza atat A cat si B. Se numeste reuniune a eveni-
mentelor A si B, notata A
B, evenimentul care se realizeaza daca si numai daca se realizeaza cel put in

36
unul dintre evenimentele A si B. Se numeste diferent a a evenimentelor A si B, notat a AB, evenimentul
care se realizeaz a atunci cand se realizeaza A dar nu si B (adica A B = A
C
B
). Se numesteeveniment
complementar evenimentului A, notat C
A
, evenimentul care se realizeaza daca si numai daca nu se real-
izeaza A (evenimentul complementar lui A se mai numeste si eveniment contrar lui A si se mai noteaza
A sau nonA).
Observat ia 2.1.2. 1) Pe c s-au evident iat legile interne de compozit ie (binare):
_
,
, : c c c,
(A, B) A
_
B, (A, B) A
B, (A, B) A B
si legea de compozit ie interna (unara) C : c c, A C
A
.
2) Cum A B = A
C
B
, A, B c vom urmari n continuare doar proprietat i ale legilor
, C (pro-
prietat ile legii
rezulta din proprietat ile legilor
si
C).
Din denit iile de mai sus se obt in rezultatele din urmatoarea propozit ie.
Propozit ia 2.1.2. Pentru orice A, B, C c au loc proprietat ile:
a) asociativitate: (A
B)
C = A
(B
C),
(A
B)
C = A
(B
C).
b) comutativitate: A
B = B
A, A
B = B
A.
c) distributivitate:
A
(B
C) = (A
B)
(A
C), A
(B
C) = (A
B)
(A
C).
d) idempotent a: A
A = A, A
A = A.
e) A
C
A
= , A
C
A
= , A
= A, A
= , A
= , A
= A.
Denit ia 2.1.3. Fie A, B c. Se spune ca evenimentul A implica evenimentul B (sau ca B este
implicat de A) si se scrie A B (respectiv B A) daca realizarea lui A antreneaza neaparat si realizarea
lui B.
Observat ia 2.1.3. 1) Relat ia de implicat ie se poate deni si cu ajutorul
sau
. Mai precis, pentru

A, B c avem A B A
B = A A
B = B.
Cum A
= si A
= A rezulta ca Asi A adica avem A , A c.

2) Relat ia de implicat ie este o relat ie de ordine part iala pe c (adica este reexiva, antisimetrica si tranzitiva).
Intr-adevar avem:
a) A c = A A. (reexivitate)
b) A, B c, A B si B A = A = B. (antisimetrie)
c) A, B c, A B si B C = A C.
3) Se poate arata ca daca A, B c, A
B = si A
B = atunci A = C
B
sau, echivalent, B = C
A
.
In particular, cum A
C
A
= si A
C
A
= avem C (C
A
) = A si de asemenea din
= ,
= rezulta c a = C
si = C
.
Utilizand aceasta observat ie se poate demonstra propozit ia de mai jos (pe care o admitem fara demonstrat ie).
Propozit ia 2.1.3. (relat iile lui De Morgan)
Pentru orice A, B c avem C
A
B
= C
A
C
B
si C
A
B
= C
A
C
B
.
37
Denit ia 2.1.4. Se spune ca evenimentele A, B c sunt incompatibile daca ele nu se pot realiza simultan,
adica A
B = .
Denit ia 2.1.5. Se spune ca evenimentul A c este eveniment elementar daca B c, B A rezulta
ca B = sau B = A (adica A nu poate implicat decat de catre evenimentul imposibil sau de catre el
nsusi).
Observat ia 2.1.4. 1. Mai sus am constatat ca evenimentele aleatoare generate de un experiment aleator
pot concepute ca ind submult imi ale unei mult imi de referint a adica c se poate asimila cu o
familie de submult imi ale lui nchisa fat a de operat iile cu mult imi si care nu este neaparat P().
Motivele pentru care nu orice submult ime a lui este eveniment depasesc cadrul acestui curs ind deci
omise. Se poate arata nsa ca c se poate asimila cu un corp de part i (, K), pentru care elementele din
K corespund bijectiv cu elementele din c (n particular mult imea din K corespunde evenimentului
imposibil din c mult imea de referint a din K corespunde evenimentului sigur din c), reuniunea a
doua mult imi din K corespunde reuniunii (n sensul din c) a evenimentelor din c corespunzatoare
celor dou a mult imi, etc.
2.

In cele de mai sus am presupus implicit ca este o mult ime nita. Sa consideram acum, din nou,
experimentul aruncarii zarului si urmarim evenimentul A constand n faptul ca fat a 5 (de exemplu) sa
apara pentru prima data la o aruncare de ordin par (dupa un numar impar de neaparit ii).
Notand cu A
k
evenimentul ca fat a 5 sa apar a pentru prima dat a la a k-a aruncare ( k N
) avem
A = A
2
A
4
A
6
. . .
A
2k
. . .
. . . =
k=1
A
2k
si suntem condusi la a considera o innitate
numarabila (un sir) de evenimente elementare = w
1
, w
2
, . . . , w
n
, . . . unde w
n
= A
n
, n N
) si
la a cere ca c sa e nchisa si fat a de reuniunea num arabila (nu numai nita) de evenimente.

In fapt,
se poate arata riguros, n astfel de cazuri c se poate asimila cu un -corp de part i (, K).
Din aceasta observat ie ca si din cea precedenta rezulta ca putem opera cu evenimentele utilizand limbajul
teoriei mult imilor si de aceea, n continuare, structurile de evenimente se denesc (din punct de vedere formal)
direct ca structuri de mult imi. Se justica astfel denit ia care urmeaza.
Denit ia 2.1.6. Se numeste camp de evenimente orice corp de p art i (, K) al unei mult imi nevide .
Se numeste -camp de evenimente orice -corp de part i (, K) al unei mult imi nevide .
Observat ia 2.1.5. Intr-un camp de evenimente, relat iile lui De Morgan se pot generaliza pentru siruri
de evenimente adic a avem:
C
_

n=1
A
n
_
=
n=1
C
An
si C
_

n=1
A
n
_
=
n=1
C
An
.
2.1.3 Camp de probabilitate
Denit ia 2.1.7. (denit ia axiomatica a probabilitat ii)
Fie (, K) un camp de evenimente. Se numeste probabilitate pe K orice aplicat ie P : K R astfel
ncat
P1) P(A) 0, A K;
P2) P(A
B) = P(A) +P(B), A, B K cu A
B = ;
P3) P() = 1.
Se numeste camp de probabilitate orice triplet (, K, P), unde (, K) este un camp de evenimente iar
P peste o probabilitate pe K.
Propozit ia 2.1.4. Fie (, K, P) un camp de evenimente. Atunci:
38
a) P () = 0;
b) P (C
A
) = 1 P (A) , A K;
c) P (B A) = P (B) P (A) , A, B K, A B;
d) P (B A) = P (B) P (A
B) , A, B K;
e) P (A
B) = P (A) +P (B) P (A
B) , A, B K.
Demonstrat ie.
a)
= = P (
) = P () si cum
= rezulta din P2) ca P (
) = P () +P (), adica
avem P () +P () = P () sau 1 +P () = 1, de unde P () = 0.
b) A K avem A
C
A
= , de unde P (A
C
A
) = P (), sau P (A
C
A
)
= 1, iar din A
C
A
= rezulta conform P2) ca P (A
C
A
) = P (A) + P (C
A
). Pentru orice A K
avem deci P (A) +P (C
A
) = 1, adica P (C
A
) = 1 P (A).
c) A, B K, A B = B = A
(B A), si cum A
(B A) = = P (B) = P (A
(B A))
P2
=
P (A) +P (B A) = P (B A) = P (B) P (A).
d) A, B K = B A = B (A
B) cu A
B B
c)
= P (B A) = P (B) P (A
B).
e) A, B K = A
B = A
(B (A
B)) cu
A
(B (A
B)) = = P (A
B) = P (A
(B (A
B)))
P2)
= P (A) + P (B (A
B))
c)
=
P (A) +P (B) (A
B) pentru ca A
B B.
Consecint e.
1. Daca A, B K, cu A B = P (A) P (B). (monotonie)
Intr-adevar, P (B A) 0
c)
= P (B) P (A) 0 = P (B) P (A).
2. A K = 0 P (A) 1.
Cum A K avem A , folosind consecint a precedenta, obt inem P () P (A) P () sau
0 P (A) 1.
3. Prin induct ie matematica, folosind P2), rezulta ca daca A
1
, A
2
, . . . , A
n
K, cu A
i
A
j
= , i = 1, n,
i ,= j, atunci P
_
n
i=1
A
i
_
=
n
i=1
P (A
i
) (probabilitatea unei reuniuni nite de evenimente incompatibile
doua c ate doua este suma probabilit at ilor evenimentelor reuniunii).
Comportamentul probabilitat ii fat a de o reuniune nita de evenimente oarecare (nu mai sunt incompat-
ibile doua cate doua) din K este dat de propozit ia care urmeaza, obt inuta tot prin induct ie matematica
pornind de la subpunctul e) din Propozit ia 2.1.4.
Propozit ia 2.1.5. (formula de adunare a probabilitat ilor sau formula lui Poincare)
Fie (, K, P) un camp de probabilitate si A
1
, A
2
, . . . , A
n
K. Atunci
P
_
n
_
i=1
A
i
_
=
n
i=1
P (A
i
)
n
i,j=1
i<j
P
_
A
i
A
j
_
+
+
n
i,j,k=1
i<j<k
P
_
A
i
A
j
A
k
_
. . . + (1)
n1
P
_
n
_
i=1
A
i
_
.
39
Observat ia 2.1.6. Daca A, B, C, D K avem evident
a) P (A
C) = P (A) +P (B) +P (C) P (A
B) P (A
C) P (B
C) +P (A
C);
b) P (A
D) = P (A)+P (B)+P (C)+P (D)P (A
B)P (A
C)P (A
D)P (B
C)
P (B
D) P (C
D) +
P (A
C) +P (A
D) +P (A
D) +P (B
D)
P (A
D).
Propozit ia 2.1.6. (inegalitatea lui Boole)
Fie (, K, P) un camp de probabilitate si (A
n
)
nN
un sir de evenimente din K. Atunci
P
_

n=1
A
n
_
1
n=1
(1 P (A
n
)) .
Observat ia 2.1.7. Inegalitatea lui Boole este adevarat a si pentru un camp de probabilitate. Daca A
1
, A
2
, . . . , A
n
K atunci
P
_
n
i=1
A
i
_
1
n
i=1
(1 P (A
i
)) =
n
i=1
P (A
i
) (n 1) .
Observat ia 2.1.8. Fie = w
1
, w
2
, . . . , w
n
si K = P(). Pe campul de evenimente (, K) se consider a
probabilitatea P cu proprietatea
P (w
1
) = P (w
2
) = . . . = P (w
n
)
_
=
1
n
_
.
Daca A = w
i1
, w
i2
, . . . , w
i
k
K atunci
P (A) = P
_
_
k
_
j=1
_
w
ij
_
_
_
=
k
j=1
P
__
w
ij
__
=
k
j=1
1
n
=
k
n
.
Se obt ine astfel o alta denit ie a probabilit at ii, adevarata ntr-un cadru mult mai restrictiv dec at cel din
Denit ia 2.1.7 dar extrem de utilizata n numeroase cazuri practice si constituind, din punct de vedere
istoric, prima denit ie data conceptului de probabilitate.
Denit ia 2.1.8. (denit ia clasica a probabilitat ii)
Probabilitatea unui eveniment A, generat de un experiment aleator care genereaz a un camp nit de
probabilitate cu evenimente elementare egal probabile, este egala cu raportul dintre numarul evenimentelor
elementare favorabile realizarii lui A si numarul total de evenimente elementare posibile:
P(A) =
numar de cazuri favorabile
numar de cazuri posibile
.
2.1.4 Probabilitat i condit ionate. Independent a evenimentelor
In paragraful precedent, printre alte proprietat i, s-au studiat si proprietat i care aratau comportamentul
probabilitat ii fat a de reuniunea evenimentelor. In acest paragraf vom urmari comportamentul probabilitat ii
fat a de intersect ia evenimentelor, propriet at i grupate ntr-un paragraf separat tocmai datorita important ei
deosebite pe care o au n aplicat iile practice.
Denit ia 2.1.9. Fie (, K, P) un camp de probabilitate si A K cu P(A) ,= 0. Se numeste probabilitatea
evenimentului X K condit ionata de evenimentul A, notata P(X[
A
), raportul
P(X[
A
) =
P(X
A)
P(A)
.
40
Observat ia 2.1.9. Avem P(X
A) = P(A) P(X[
A
). Daca A, B K, P (A) ,= 0, P (B) ,= 0, atunci
P
_
A
B
_
= P (A) P (B[
A
) = P (B) P(A[
B
).
Am obt inut un prim rezultat care indic a comportamentul probabilitat ii fat a de intersect ie.
Propozit ia 2.1.7. Fie (, K, P) un camp de probabilitate si A K cu P (A) ,= 0. Atunci, aplicat ia
P
A
: K R, P
A
(X) = P(X[
A
) este de asemenea o probabilitate pe K, adica (, K, P
A
) este tot un camp
de probabilitate.
Demonstrat ie. Vericam condit iile P1), P2), P3) din Denit ia 2.1.7.
P1) X K =P
A
(X) =
P(X
A)
P(A)
=
0
>0
0;
P2) X, Y K cu X
Y = =
P
A
_
X
_
Y
_
=
P ((X
Y )
A)
P (A)
=
P ((X
A)
(Y
A))
P (A)
X
A, Y
A
=
incomp
=
P (X
A) + (Y
A)
P (A)
=
P (X
A)
P (A)
+
P (Y
A)
P (A)
=
= P
A
(X) +P
A
(Y ) ;
P3) P
A
() =
P(
A)
P(A)
=
P(A)
P(A)
= 1.
Observat ia 2.1.10. Analog, pornind de la campul de probabilitate (, K, P) si A K cu P (A) ,= 0, se

obt ine campul de probabilitate (, K, P
A
), unde P
A
: K R, P
A
(X) = P(X[
A
).
Propozit ia 2.1.8. (formula de nmult ire a probabilitat ilor)
1
, A
2
, . . . , A
n
K astfel ncat P
_
n1
i=1
A
i
_
,= 0. Atunci
P
_
n
i=1
A
i
_
= P (A
1
) P (A
2
[A
1
) P
_
A
3
A1
A2
_
. . . P
_
_
A
n
[n1
i=1
Ai
_
_
.
Denit ia 2.1.10. Fie (, K, P) un camp de probabilitate. Se spune ca evenimentele A
1
, A
2
, . . . , A
n
K
formeaza un sistem complet de evenimente daca
a) P (A
i
) ,= 0, i = 1, n;
b) A
i
A
j
,= 0, i, j = 1, n, i ,= j;
c)
n
i=1
A
i
= .
Observat ia 2.1.11. Evenimentele A
1
, A
2
, . . . , A
n
K formeaza un sistem complet de evenimente daca
si numai daca la orice efectuare a experimentului se realizeaza unul si numai unul dintre evenimentele
sistemului. Un exemplu banal de sistem complet de evenimente este sistemul A, C
A
unde A K, P (A) ,= 0.
Renunt and la condit ia a) (ceruta aici pentru comoditate) mult imea tuturor evenimentelor elementare (poate
o innitate numarabila) ale unui camp de evenimente ofera un alt exemplu de sistem complet de evenimente.
41
Propozit ia 2.1.9. (formula probabilitat ii totale)
1
, A
2
, . . . , A
n
K un sistem complet de evenimente iar X K.
Atunci
P (X) =
n
i=1
P (A
i
) P (X[
Ai
) .
Demonstrat ie.
Avem X =
X =
_
n
i=1
A
i
_
X =
n
i=1
(A
i
X) unde evenimentele A
i
X, i = 1, n sunt incompatibile
doua cate doua. Deci
P (X) =
n
i=1
P
_
A
i
X
_
=
n
i=1
P (A
i
) P (X[
Ai
) .
Propozit ia 2.1.10. (formula lui Bayes)

1
, A
2
, . . . , A
n
K un sistem complet de evenimente iar X K
astfel nc at P (X) ,= 0. Atunci, pentru orice j 1, 2, . . . , n xat, avem
P (A
j
[
X
) =
P (A
j
) P
_
X
Aj
_
n
i=1
P (A
i
) P (X[
Ai
)
.
Demonstrat ie.
Pentru orice j 1, 2, . . . , n xat, avem
P
_
A
j
X
_
= P (A
j
) P
_
X
Aj
_
= P (X) P
_
X
Aj
_
de unde
P (A
j
[
X
) =
P (A
j
) P
_
X
Aj
_
P (X)
.
Din formula probabilitat ii totale rezulta
P (A
j
[
X
) =
P (A
j
) P
_
X
Aj
_
n
i=1
P (A
i
) P (X[
Ai
)
.
Denit ia 2.1.11. Fie (, K, P) un camp de probabilitate si A, B K. Se spune ca A si B sunt indepen-

dente daca
P
_
A
B
_
= P (A) P (B) .
Observat ia 2.1.12. Denit ia independent ei a doua evenimente, dat a formal mai sus, este echivalenta cu
armat ia ca A si B sunt independente dac a nu se condit ioneaza reciproc. Fie A, B K astfel ncat P (A) ,=
0, P (B) ,= 0 si A, B independente n sensul Denit iei 2.1.11. Atunci
P (A[
B
) =
P (A
B)
P (B)
=
P (A) P (B)
P (B)
= P (A)
si
P (B[
A
) =
P (B
A)
P (A)
=
P (B) P (A)
P (A)
= P (B) ,
adica faptul ca B nu condit ioneaz a pe A este surprins n relat ia P (A[
B
) = P (A) si analog faptul c a Anu
condit ioneaza pe B rezulta din egalitatea P (B[
A
) = P (B) .
42
Propozit ia 2.1.11. Fie (, K, P) un camp de probabilitate si A, B K. Dac a A si B sunt independente,
atunci (C
A
si B), (C
B
si A), (C
A
si C
B
) sunt de asemenea independente.
Denit ia 2.1.12. Fie (, K, P) un camp de probabilitate si n N, n 2. Se spune ca evenimentele
A
1
, A
2
, . . . , A
n
K sunt independente (n totalitate) daca oricare ar i
1
, i
2
, . . . i
r
N, 1 i
1
< i
2
<
. . . < i
r
n, cu r N
, r n, avem
P
_
A
i1
A
i2
. . .
A
ir
_
= P (A
i1
) P (A
i2
) . . . P(A
ir
) .
Se spune ca evenimentele A
1
, A
2
, . . . , A
n
K sunt independente k cate k, cu k N, 2 k n 1, dac a
oricare k evenimente dintre A
1
, A
2
, . . . , A
n
sunt independente (n totalitate).
Se spune c a familia (A
i
)
iI
de evenimente din K este formata din evenimente independente (n
totalitate) daca orice subfamilie nita a sa este formata din evenimente independente (n totalitate).
Se spune ca familia (A
i
)
iI
de evenimente din K este formata din evenimente independente k
cate k, cu k N, k 2, daca orice subfamilie nita cu cel put in k elemente este formata din evenimente
independente k cate k.
Observat ia 2.1.13. 1. Propozit ia 2.1.11 se poate generalizan sensul ca dac a (A
i
)
i=1,n
(sau familia (A
i
)
iI
)
este formata din evenimente independente (n totalitate sau k cate k) atunci proprietatea se pastreaza
daca o parte dintre evenimente se nlocuiesc cu complementarele lor.
2. Evident, independent a (n totalitate) implica independent a k cate k. Reciproca acestei armat ii este falsa
asa cum rezulta si din exemplul de mai jos datorat lui Cebasev.
Incheiem acest paragraf cu trei exemple care sa ilustreze modul de utilizare al formulelor tratate (formula
de adunare si respectiv nmult ire a probabilitat ilor, formula probabilitat ii totale si respectiv formula lui
Bayes).
Exemplul 2.1.2. Dintre cei 20 de student i ai unei grupe, 6 cunosc limba engleza, 5 cunosc limba franceza,
2 cunosc limba germana. Care este probabilitatea ca un student, luat la ntamplare din aceasta grupa, sa
cunoasca o limba straina (dintre cele trei ment ionate)?
Rezolvare.
Consideram evenimentele:
E:
studentul considerat cunoaste limba engleza,

F:
studentul considerat cunoaste limba franceza.

G:
studentul considerat cunoaste limba germana,

X:
studentul considerat vorbeste o limba straina (dintre cele trei).

Din denit ia clasica a probabilitat ii avem
P (E) =
6
20
, P (F) =
5
20
, P (G) =
2
20
.
Cum X = E
G si evenimentele E, F, G nu sunt incompatibile doua cate doua rezulta folosind formula

lui Poincare ca
P (X) = P
_
E
_
F
_
G
_
= P (E) +P (F) +P (G) P
_
E
F
_
P
_
E
G
_
P
_
F
G
_
+P
_
E
G
_
.
43
Evenimentele E, F, G, sunt independente n totalitate si deci:
P (X) = P (E) +P (F) +P (G) P (E) P(F) P (E) P(G)
P (F) P(G) +P (E) P(F) P(G)
=
6 + 5 + 2
20

6 5 + 6 2 + 5 2
20 20
+
6 5 2
20 20 20
=
13
20

52
400
+
3
400
=
211
400
.
Exemplul 2.1.3. O urna cont ine a bile albe si b bile negre. Se extrag succesiv, fara repunere, trei bile. Care
este probabilitatea ca toate cele trei bile extrase sa e albe (presupunem a 3)?
Rezolvare.
A
i
:
a i-a bila extrasa a fost alba, i = 1, 3

X:
toate cele trei bile extrase au fost albe.

Avem X = A
1
A
2
A
3
. Din formula de nmult ire a probabilitat ilor avem
P (X) = P (A
1
) P (A
2
[
A1
) P
_
A
3
A1
A2
_
.
Utilizand denit ia clasica a probabilitat ii obt inem
P (A
1
) =
a
a+b
, P (A
2
[
A1
) =
a1
a+b1
, P
_
A
3
A1
A2
_
=
a2
a+b2
si deci
P (X) =
a
a+b

a1
a+b1

a2
a+b2
.
Exemplul 2.1.4. Trei urne cont in bile albe si bile negre n compozit iile:
U
1
(a, b) , U
2
(c, d) , U
3
(e, f) .
Se extrage o bila din U
3
si daca ea este alba se pune n U
1
si se extrage o a doua bila din U
1
iar daca este
neagra se pune n U
2
si a doua bila se extrage din U
2
. Sa se ae probabilitat ile ca:
a) a doua bila extrasa sa e alba;
b) prima bila extrasa sa fost alba daca a doua bila extrasa a fost neagr a.
Rezolvare.
A
i
:
a i-a bila extrasa a fost alba, (i = 1, 2);

N
i
:
a i-a bila extrasa a fost neagra, (i = 1, 2).

a) Se cere P (A
2
). Rezolvarea este un exemplu de utilizare a formulei probabilitat ii totale cu sistemul
complet de evenimente A
1
, N
1
. Avem
A
2
= A
2
= A
2
(A
1
N
1
) = (A
2
A
1
)
(A
2
N
1
).
Cum A
2
A
1
si A
2
N
1
sunt incompatibile rezulta ca
P (A
2
) = P
_
A
2
A
1
_
+P
_
A
2
N
1
_
= P (A
1
) P (A
2
[
A1
) +P (N
1
) P (A
2
[
N1
)
=
e
e +f
a + 1
a +b + 1
+
f
e +f
c
c +d + 1
.
Analog,
P (N
2
) = P (A
1
) P (N
2
[
A1
) +P (N
1
) P (N
2
[
N1
)
=
e
e +f
b
a +b + 1
+
f
e +f
d + 1
c +d + 1
(sau P (N
2
) = 1 P (A
2
)).
44
b) Se cere P (A
1
[
N2
). Rezolvarea ofera un exemplu de utilizare a formulei lui Bayes care permite inter-
schimbarea raportului de condit ionare apriori-aposteriori. Probabilitatea P (A
1
[
N2
) ne este mai put in
la ndemana decat P (N
2
[
A1
) iar formula lui Bayes ne permite calculul lui P (A
1
[
N2
) cu ajutorul lui
P (N
2
[
A1
) . Avem
P (A
1
[
N2
) =
P (A
1
) P (N
2
[
A1
)
P (N
2
)
=
e
e+f

b
a+b+1
e
e+f

b
a+b+1
+
f
e+f

d+1
c+d+1
.
2.2 Scheme clasice de probabilitate
Sub acest titlu vor descrise anumite experimente aleatoare si vor calculate probabilitat ile unor evenimente
ale acestora. Din multiple motive aceste experimente aleatoare apar foarte des n aplicat ii. Tradit ional,
descrierea experimentelor respective se face cu ajutorul unor urne din care se extrag bile.
In cele ce urmeaza vom nt elege prin urna o incinta n care se aa bile (sfere identice ca marime si
greutate, dar putand avea culori diferite). Din exterior nu se pot vedea culorile bilelor din urna, nsa se
considera ca exista un mecanism cu ajutorul caruia bilele pot extrase din urna, bilele existente n urna
avand toate aceeasi sansa de a extrase.
2.2.1 Schema urnei cu bila nerevenita
Urna U cont ine a bile albe si b bile negre. Din U se fac n extrageri succesive de cate o bila fara ntoarcere,
adica fara a reintroduce n urna bilele extrase. Sa remarcam ca modul acesta de a extrage n bile din
urna U este echivalent cu extragerea celor n bile deodata. Se pune problema determinarii probabilitat ii
evenimentului X
k,l
a,b
ca din cele n bile astfel extrase k sunt albe si l = n k sunt negre. Evident ca a, b, n, k
si l sunt numere naturale si n a +b, k minn, a, l minn, b.
Sa ne imaginam ca cele a + b bile existente n urna U ar numerotate de la 1 la a + b. Experimentul
aleator al extragerii celor n = k + l bile din aceasta urna are C
k+l
a+b
rezultate posibile egal probabile. Dintre
acestea, favorabile realizarii evenimentului X
k,l
a,b
sunt C
k
a
C
l
b
caci k bile dintre cele a bile albe existente n urna
pot alese n C
k
a
moduri diferite, ecarei asemenea alegeri corespunzandu-i C
l
b
moduri diferite de alegere a
l bile dintre cele b bile negre existente n urna U.
Notam
P
a,b
(k, l) = P(X
k,l
a,b
).
Dupa denit ia clasica a probabilitat ii se obt ine
P
a,b
(k, l) =
C
k
a
C
l
b
C
k+l
a+b
. (2.1)
Observat ia 2.2.1. Din cauza asemanarii membrului drept al relat iei (2.1) cu termenul general al seriei
hipergeometrice, schema urnei cu bila nerevenita se mai numeste schema hipergeometrica.
Exemplul 2.2.1. Urna U cont ine 3 bile albe si 2 bile negre. Din U se extrag deodata 3 bile (sau echivalent,
se fac 3 extrageri succesive de cate o bila fara ntoarcere). Sa se calculeze probabilitatea evenimentului A ca
cel mult doua din bilele astfel extrase sunt albe.
Rezolvare.
Este clar ca evenimentul A se realizeaza daca din cele trei bile extrase din U exact doua sunt albe, sau
exact una este alba, sau nici una nu este alba, adica
A = X
2,1
3,2
_
X
1,2
3,2
_
X
0,3
3,2
.
45
Evenimentele reuniunii care da evenimentul A sunt evident doua cate doua incompatibile, deci
P(A) = P(X
2,1
3,2
) +P(X
1,2
3,2
) +P(X
0,3
3,2
)
= P
3,2
(2, 1) +P
3,2
(1, 2) +P
3,2
(0, 3).
Dar X
0,3
3,2
= deoarece este imposibil ca din urna U sa e extrase (fara ntoarcere) 3 bile negre, ea
cont inand doar 2 asemenea bile. Atunci
P
3,2
(0, 3) = P(X
0,3
3,2
) = P() = 0
si deci
P(A) = P
3,2
(2, 1) +P
3,2
(1, 2) =
C
2
3
C
1
2
C
3
5
+
C
1
3
C
2
2
C
3
5
=
3 2
10
+
3 1
10
=
9
10
= 0, 9.
2.2.2 Generalizare. Schema urnei cu bila nerevenita cu mai multe stari
O generalizare naturala a schemei precedente se obt ine considerand ca n urna se gasesc bile de mai mult
decat doua culori (stari), sa zicem de s culori.
Urna U cont ine a
i
bile de culoarea c
i
, i = 1, s. Din U se fac n extrageri succesive de cate o bila fara
ntoarecere (ceea ce este echivalent cu extragerea celor n bile deodata). Se cere probabilitatea evenimentului
X
k1,k2,...,ks
a1,a2,...,as
ca dintre cele n bile extrase k
i
sunt de culoarea c
i
, i = 1, s. Evident ca a
1
, a
2
, . . . , a
s
, k
1
, k
2
, . . . , k
s
si n sunt numere naturale,
s
i=1
k
i
= n si k
i
mina
i
, n, i = 1, s.
In acest caz numarul total de evenimente elementare ale experimentului aleator este C
k1+k2+...+ks
a1+a2+...+as
, iar
numarul evenimentelor elementare favorabile evenimentului X
k1,k2,...,ks
a1,a2,...,as
este C
k1
a1
C
k2
a2
. . . C
ks
as
.
Notam
P(X
k1,k2,...,ks
a1,a2,...,as
) = P
a1,a2,...,as
(k
1
, k
2
, . . . , k
s
).
Denit ia clasica a probabilitat ii da
P
a1,a2,...,as
(k
1
, k
2
, . . . , k
s
) =
C
k1
a1
C
k2
a2
. . . C
ks
as
C
k1+k2+...+ks
a1+a2+...+as
. (2.2)
Exemplul 2.2.2. Dintre cele 10 bilete ale unei loterii unul este castigator cu 10000 u.m., doua sunt
castigatoare cu cate 5000 u.m., trei sunt c astigatoare cu cate 1000 u.m. si patru sunt necastigatoare. Un
jucator cumpara patru bilete din aceasta loterie. Sa se calculeze probabilitatea p ca dintre cele patru bilete
cumparate unul s a e castigator cu 5000 u.m., doua sa e castigatoare cu cate 1000 u.m. si unul sa e
necastigator.
Rezolvare.
Probabilitatea cautata poate calculata utilizand relat ia (2.2) si se obt ine
p = P
1,2,3,4
(0, 1, 2, 1) =
C
0
1
C
1
2
C
2
3
C
1
4
C
4
10
=
1 2 3 4
210
=
24
210
=
4
35
0, 114.
2.2.3 Schema urnei cu bila revenita
Urna U cont ine bile de doua culori (albe si negre). Compozit ia urnei este cunoscuta n sensul ca se cunoaste
probabilitatea ca o bila extrasa din U sa e alba (e aceasta probabilitate p) si probabilitatea ca o bila
extrasa din U sa e neagra (o notam cu q, q = 1 p). Din U se efectueaza n extrageri succesive de cate o
bila cu ntoarcere (adica dupa extragerea oricarei bile si observarea culorii ei, bila extrasa este reintrodusa
46
n urna naintea extragerii urmatoare). Se cere probabilitatea evenimentului X
k
n
ca dintre cele n bile astfel
extrase k sunt albe (atunci restul de n k bile sunt negre). Evident k si n sunt numere naturale si k n.
Se obt ine
P(X
k
n
) = C
k
n
p
k
q
nk
.
Observat ia 2.2.2. Cum membrul drept al relat iei (??) este coecientul lui t
k
din dezvoltarea cu formula
binomului lui Newton a lui (p + q)
n
, schema urnei cu bila revenita se mai numeste schema binomiala.
Aceasta schema este numita si schema lui Bernoulli. Esent ial n schema urnei cu bila revenita este faptul
ca, din cauza reintroducerii bilei n urna dupa ecare extragere, rezultatele extragerilor sunt evenimente
total independente si din acest motiv ea este uneori numita schema extragerilor (probelor) repetate si
independente, iar schema urnei cu bila nerevenita este numita atunci schema extragerilor (probelor)
repetate si dependente.
Exemplul 2.2.3. Urna U cont ine 2 bile albe si 3 bile negre. Din U se fac 6 extrageri succesive de cate o
bila cu ntoarcerea bilei n urna dupa ecare extragere. Sa se calculeze probabilitatea ca 4 dintre cele 6 bile
extrase sa e albe, iar 2 sa e negre.
Rezolvare.
Cum la ecare extragere putem obt ine oricare dintre cele 2+3 = 5 bile existente n urna, ecare extragere
este un experiment aleator care genereaza cate un camp de evenimente cu 5 rezultate posibile echiprobabile.
Atunci, folosind denit ia clasica a probabilitat ii, gasim ca probabilitatea ca la oricare din cele 6 extrageri
sa se obt ina o bila alba este p =
2
5
, iar probabilitatea ca la oricare din cele 6 extrageri sa se obt ina o bila
neagra este q =
3
5
.
Probabilitatea ca 4 din cele 6 bile extrase sa e albe si 2 sa e negre este
P
6
(4) = C
4
6

_
2
5
_
4
_
3
5
_
2
= 15
16
625
9
25
=
432
3125
= 0, 13824.
Observat ia 2.2.3. Din schema urnei cu bila revenita se obt ine urmatoarea schema numit a schema lui
Pascal. Sa presupunem ca urna U cont ine bile albe si negre. Fie p probabilitatea ca o bila extras a din U sa
e alba si q = 1 p probabilitatea ca o bila extrasa din U sa e neagra. Se cere probabilitatea evenimentului
Y
k
n
ca la efectuarea a n extrageri succesive de cate o bil a cu ntoarcere din urna U sa se obt ina k bile albe si
n k bile negre, iar a n-a bila extrasa din U sa e alba (adica probabilitatea ca cea de a k-a bila alba sa se
obt ina dupa ce au fost extrase nk bile negre). Fara dicultate se obt ine ca probabilitatea acestui eveniment
este
P
_
Y
k
n
_
= P
_
X
k1
n1
A
n
_
.
Deoarece rezultatul unei extrageri nu este inuent at de rezultatele extragerilor precedente (bila ind rein-
trodusa n urna dupa ecare extragere) avem
P
_
Y
k
n
_
= P
_
X
k1
n1
_
P (A
n
) = P
n1
(k 1) p =
= C
k1
n1
p
k1
q
(n1)(k1)
p = C
k1
n1
p
k
q
nk
.
Observat ia 2.2.4. Din schema lui Pascal se obt ine ca un caz particular schema geometrica luand k = 1.
Probabilitatea ca efectuand n extrageri succesive de cate o bila cu ntoarcere din urna U (cunoscuta n sensul
ca se stie ca probabilitatea ca o bila extrasa din U sa e alba este p, iar probabilitatea ca o bila extrasa din
U sa e neagra este q = 1 p) sa se obt ina pentru prima data bila alba n cea de a n-a extragere este
P
_
Y
1
n
_
= P
_
X
0
n1
A
n
_
= P
_
X
0
n1
_
P (A
n
) =
= P
n1
(0) p = C
0
n1
p
0
q
n10
p = p q
n1
.
Denumirea de schema geometrica provine de la faptul ca probabilitatea p q
n1
este al n-lea termen al
progresiei geometrice cu primul termen p si rat ia q.
47
2.2.4 Generalizare. Schema urnei cu bila revenita cu mai multe stari
Aceasta schema este o generalizare naturala a schemei urnei cu bila revenita, ea referindu-se la extrageri cu
ntoarcere dintr-o urna n care exista bile de mai mult decat doua culori.
Urna U cont ine bile de s culori c
1
, c
2
, . . . , c
s
, s N, s > 2. Compozit ia urnei U este cunoscuta n sensul
ca se cunoaste probabilitatea ca o bila extrasa din U sa aiba culoarea c
i
, i = 1, s. Fie aceasta probabilitate
p
i
. Evident p
i
> 0, i = 1, s si
s
i=1
p
i
= 1.
Din U se fac n extrageri succesive de cate o bila cu ntoarcere (adica, dupa extragerea oricarei bile si
observarea culorii ei, bila extrasa este reintrodusa n urna naintea extragerii urmatoare).
Se cere probabilitatea evenimentului X
k1,k2,...,ks
n
ca dintre cele n bile astfel extrase k
i
sa e de culoarea
c
i
, i = 1, s. Evident 0 k
i
n, i = 1, s si
s
i=1
k
i
= n.
Notam P(X
k1,k2,...,ks
n
) = P
n
(k
1
, k
2
, . . . , k
s
) si se poate deduce formula:
P
n
(k
1
, k
2
, . . . , k
s
) =
n!
k
1
!k
2
!...k
s
!
p
k1
1
p
k2
2
. . . p
ks
s
. (2.3)
Remarcam ca daca n (2.3) luam s = 2 si notam p
1
= p, p
2
= 1 p = q, k
1
= k si k
2
= n k se obt ine
membrul drept al relat iei (??).
Observat ia 2.2.5. Deoarece membrul drept al relat iei (2.3) este coecientul lui t
k1
1
t
k2
2
. . . t
ks
s
din dezvoltarea
lui
(p
1
t
1
+p
2
t
2
+. . . +p
s
t
s
)
n
schema urnei cu bila revenita cu mai multe stari se mai numeste schema polinomial a sau schema multi-
nomiala.
Exemplul 2.2.4. Urna U cont ine 2 bile rosii, 4 bile albe si 3 bile albastre. Din U se fac 6 extrageri succesive
de cate o bila cu ntoarcere. Se cere probabilitatea ca dintre cele 6 bile extrase una sa e rosie, doua sa e
albe si trei sa e albastre.
Rezolvare.
Avem evident p
1
=
2
9
, p
2
=
4
9
, p
3
=
3
9
, n = 6, k
1
= 1, k
2
= 2 si k
3
= 3, deci probabilitatea ceruta este
P
6
(1, 2, 3) =
6!
1!2!3!
_
2
9
_
1
_
4
9
_
2
_
3
9
_
3
0, 0325.
2.2.5 Schema urnelor lui Poisson
Schema urnelor lui Poisson este o alta generalizare a schemei urnei cu bila revenita.
Experimentul de la schema urnei cu bila revenita studiata n sect iunea 2.2.3 poate imaginat si n modul
urmator: exista n urne U
1
, U
2
, . . . , U
n
cu compozit ii identice, din ecare urna se extrage cate o bila si se
cauta probabilitatea evenimentului ca dintre cele n bile astfel extrase k sunt albe.
O generalizare a acestui experiment se obt ine considerand ca cele n urne au compozit ii diferite.
Sa presupunem date urnele U
1
, U
2
, . . . , U
n
si ca aceste urne cont in bile albe si negre, compozit iile urnelor
sunt cunoscute n sensul ca se stie ca probabilitatea ca o bila extrasa din U
i
sa e alba este p
i
, i = 1, n
(atunci probabilitatea ca o bila extrasa din U
i
sa e neagra este q
i
= 1 p
i
, i = 1, n). Se extrage cate o bila
din ecare din cele n urne si se cere probabilitatea evenimentului X
k
ca dintre cele n bile astfel extrase k
sunt albe si n k sunt negre. Evident 0 < p
i
< 1, i = 1, n si 0 k n.
Daca A
i
este evenimentul ca bila extrasa din U
i
este alba atunci P(A
i
) = p
i
si P(A
i
) = 1 p
i
= q
i
.
Se constata usor ca probabilitatea ceruta este egala cu coecientul lui t
k
din polinomul (p
1
t + q
1
)(p
2
t +
q
2
) . . . (p
n
t +q
q
) de gradul n n t, astfel ncat probabilitatea P(X
k
) este data de relat ia
n
k=0
P(X
k
)t
k
=
n
i=1
(p
i
t +q
i
). (2.4)
48
Remarcam faptul ca daca n schema urnelor lui Poisson consideram toate cele n urne identice (adica
p
i
= p, q
i
= q, i = 1, n) atunci relat ia (2.4) devine
n
k=0
P
_
X
k
_
t
k
= (pt +q)
n
,
astfel ncat
P(X
k
) = C
k
n
p
k
q
nk
,
adica P(X
k
) = P
n
(k) dat de relat ia (2.4).
Exemplul 2.2.5. Ontreprindere agricola cultiva graun 3 ferme. Din date statistice se stie ca probabilitatea
ca ntr-un an oarecare product ia de grau la hectar sa depaseasca 3000 kg este p
1
= 0, 5 la prima ferma,
p
2
= 0, 4 la a doua si p
3
= 0, 6 la ferma a treia. Se cere probabilitatea evenimentului X ca ntr-un anumit
an product ia de grau la hectar sa depaseasc a 4000 kg la cel put in doua din cele trei ferme.
Rezolvare.
Notam cu X
k
evenimentul ca exact n k dintre cele 3 ferme product ia de grau n anul respectiv depaseste
3000 kg la hectar, k = 0, 3. Se observa ca evenimentul X
k
este de tipul celor descrise n schema urnelor lui
Poisson.
Avem
P(X) = P
_
X
2
_
X
3
_
= P
_
X
2
_
+P
_
X
3
_
.
Relat ia (2.4) ne da
(0, 4t + 0, 6)(0, 5t + 0, 5)(0, 6t + 0, 4) = 0, 12 + 0, 38t + 0, 38t
2
+ 0, 12t
3
,
astfel ca P(X
2
) = 0, 38 si P(X
3
) = 0, 12, deci
P(X) = 0, 38 + 0, 12 = 0, 50.
UNITATEA 2. Variabile aleatoare. Repartitii clasice de probabili-
tate
2.3 Variabile aleatoare
Pana acum evenimentele au fost studiate mai ntai din punct de vedere calitativ, iar o data cu introducerea
probabilitat ilor si din punct de vedere cantitativ. Studiul se extinde prin considerarea unei not iuni noi, aceea
de variabila aleatoare, variabila care va juca un rol similar n teoria probabilitat ilor ca si variabila din
cadrul analizei matematice sau din alta parte a matematicii.
In cazul variabilelor aleatoare valorile vor luate dintr-o anumita mult ime nu n mod cert ci numai cu o
anumita probabilitate. Ca notat ie pentru variabila aleatoare se utilizeaza de obicei literele mari latine sau
pot utilizate si literele grecesti , , . . .
Consideram un camp de probabilitate (, /, P) .
Denit ia 2.3.1. Se numeste variabila aleatoare reala orice aplicat ie
X : R
care asociaza ecarui element un numar real X () ,
X ()
astfel nc at
X
1
(, x) /, x R.
49
Aici, prin X
1
(, x) am notat evenimentul identicat cu mult imea elementelor astfel ncat
X () < x, adica
X
1
(, x) = [ , X () < x .
Observat ia 2.3.1.

In cele ce urmeaza vom avea n vedere doua categorii de variabile aleatoare si anume:
variabile aleatoare de tip discret;
variabile aleatoare de tip continuu.
Variabilele aleatoare de tip discret sunt acelea pentru care mult imea valorilor (codomeniul lui X) este
o mult ime nita sau numarabil a de forma
M = x
i
[ x
i
R
iI
, I N.
Variabila aleatoare de tip continuu este variabila a carei codomeniu M este un interval M = [a, b] R
nchis sau nu.
Exemplul 2.3.1. Notam cu X variabila aleatoare care reprezinta suma punctelor obt inute la aruncarea a
doua zaruri. Atunci
M = 2, 3, 4, 5, 6, . . . , 11, 12 .
Exemplul 2.3.2. Fie =
1
,
2
,
3
, / = ,
1
,
2
,
3
, , M = x
1
, x
2
R, x
1
< x
2
. Aratam
ca X : M, X(
1
) = x
1
, X(
2
) = x
2
, X(
3
) = x
2
este o variabila aleatoare.
Rezolvare.
X
1
((, x)) = /, pentru orice x x
1
;
X
1
((, x)) =
1
/, pentru orice x
1
< x x
2
;
X
1
((, x)) =
2
,
3
/, pentru orice x > x
2
.
Denit ia 2.3.2. Daca X este o variabil a aleatoare de tip discret atunci numim funct ie de probabilitate
si o notam cu
f
X
: M R
funct ia care asociaza ecarui
x
i
f
X
(x
i
) = P (X = x
i
)
unde X = x
i
reprezinta evenimentul ca variabila aleatoare discreta X ia valoarea x
i
.
Observat ia 2.3.2. Atunci cand nu e pericol de confuzie indicele X de la funct ia f se va omite si vom nota
f (x
i
) cu p
i
, unde p
i
reprezinta probabilitatea evenimentului ca variabila X sa ia valoarea x
i
. Se constata
fara greutate ca sistemul de evenimente X = x
i
iI
este un sistem complet de evenimente si atunci vor
ndeplinite ntotdeauna urmatoarele doua condit ii:
_
iI
p
i
= 1;
p
i
0, i I.
Astfel variabilei aleatoare de tip discret X i se asociaza un tabel (tablou) de repartit ie (distribut ie) de
forma
X :
_
x
i
p
i
_
iI
sau detaliat X :
_
x
1
x
2
. . . x
n
. . .
p
1
p
2
. . . p
n
. . .
_
.
Se vede ca repartit ia (distribut ia) cont ine pe prima linie valorile pe care variabila aleatoare le ia, de obicei
scrise o singura data si n ordine crescatoare, iar pe linia a doua sunt trecute probabilitat ile cu care variabila
aleatoare X ia valoarea corespunzatoare p
i
.
Exemplul 2.3.3. Revenim la primul exemplu din aceasta sect iune si cerem n plus s a construim distribut ia
acestei variabile aleatoare. Atunci
X =
_
2 3 4 5 6 7 8 9 10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
_
.
50
2.3.1 Operat ii cu variabile aleatoare de tip discret
Ca si cu variabilele obisnuite, si cu variabilele aleatoare se pot face operat ii. Pentru ecare noua variabila
obt inuta dupa efectuarea operat iilor trebuie sa cunoastem tabloul de repartit ie.
1. Adunarea unei variabile aleatoare X cu un numar constant C:
C +X :
_
C +x
i
p
i
_
iI
;
2.

Inmult irea unei variabile X cu o constanta C:
C X :
_
C x
i
p
i
_
iI
;
3. Ridicarea la putere a unei variabile aleatoare X. Fie k N. Atunci:
X
k
:
_
x
k
i
p
i
_
iI
,
Cand au sens x
k
i
se poate lua k Z sau chiar k R.
4. Suma a doua variabile aleatoare X si Y :
X :
_
x
i
p
i
_
iI
, Y :
_
y
i
q
i
_
iI
= X +Y :
_
x
i
+y
j
p
ij
_
iI, jJ
,
unde
p
ij
= P
_
X = x
i
Y = y
j
_
.
Caz particular. Atunci cand X si Y sunt independente,
X = x
i
Y = y
j
, (i, j) I J
vor tot independente, deci p
ij
este produsul p
ij
= p
i
q
j
.
5. Produsul a doua variabile aleatoare X si Y :
X Y :
_
x
i
y
j
p
ij
_
iI, jJ
, p
ij
= P
_
X = x
i
Y = y
j
_
.
Exemplul 2.3.4. Se considera variabilele aleatoare de distribut ii:
X :
_
1 0 2
0.3 0.5 0.2
_
Y :
_
2 1
0.4 0.6
_
.
Presupunem ca acestea sunt independente. Sa se efectueze urmatoarele operat ii: 2X, 3 + Y, X
4
, X +
Y, X Y,
X
Y
.
51
Rezolvare.
2X :
_
2 0 4
0.3 0.5 0.2
_
;
3 +Y :
_
1 4
0.4 0.6
_
;
X
4
:
_
0 1 16
0.5 0.3 0.2
_
;
X +Y :
_
3 0 2 1 0 3
0.12 0.18 0.2 0.3 0.08 0.12
_
=
X +Y :
_
3 2 0 1 3
0.12 0.2 0.26 0.3 0.12
_
;
Y
1
:
_

1
2
1
0.4 0.6
_
;
X
Y
:
_
(1)
_
1
2
_
=
1
2
(1) 1 = 1 0 0 1 2
0.12 0.18 0.2 0.3 0.08 0.12
_
X
Y
:
_
1 0
1
2
2
0.26 0.5 0.12 0.12
_
2.3.2 Funct ia de repartit ie
Studiul variabilelor aleatoare se poate considera si prin intermediul unei noi funct ii asociate variabilei
aleatoare. Aceasta funct ie numita uneori funct ie cumulativa a probabilitat ilor are o serie de proprietat i
foarte usor de exploatat, mai ales cand e vorba de a evalua probabilitat ile unor evenimente construite cu
variabile aleatoare. Fie X o variabila aleatoare discreta.
Denit ia 2.3.3. Se numeste funct ie de repartit ie asociata lui X, si se noteaza cu
F
X
: R [0, 1] ,
funct ia care asociaza x F
X
(x) , denita prin
F
X
(x)
def
= P (X < x) .
Observat ia 2.3.3. Atunci cand nu exista pericolul de confuzie se va renunt a la indicele X si la acoladele
din membrul drept si vom folosi notat ia
F (x) = P (X < x) .
Exemplul 2.3.5. Sa construim funct ia de repartit ie pentru variabila aleatoare X din Exemplul 2.3.4.
Rezolvare.
Reprezentam pe o axa valorile variabilei X. Studiem ecare caz n parte:
Daca x 1 = F (x) = P (X < x) = P () = 0;
Daca 1 < x 0 = F (x) = P (X < x) = P (x = 1) = 0.3;
Daca 0 < x 2 = F (x) = P (X < x) = P (x = 1 x = 0) =
= 0.3 + 0.5 = 0.8;
Daca x > 2 = F (x) = P (X < x) = 1.
52
Deci putem scrie
F (x) =
_
_
0, x 1
0.3, 1 < x 0
0.8, 0 < x 2
1, x > 2
.
Proprietat i ale funct iei de repartit ie.
Folosind doar denit ia si proprietat i ale probabilitat ilor, se deduc urmatoarele proprietat i ale funct iei de
repartit ie.
1) 0 F (x) 1;
2) F () = lim
x
F (x) = 0; F (+) = lim
x+
F (x) = 1;
3) F este crescatoare: x
, x
R, are loc implicat ia

x
< x
= F (x
) F ( x
) ;
4) F este continua la stanga: x
R,
F (x
) = F (x
0) = lim
x0
x<x
F (x) ;
5) x
, x
R,cu x
< x
, are loc egalitatea

P (x
X < x
) = F (x
) F (x
) .
Justicare: Pornim de la evenimentul X < x
.
Observat ia 2.3.4. Plecand de la Proprietatea 5) se demonstreaza ca sunt adevarate relat iile:
P (x
X x
) = F (x
) F (x
) +P (X = x
) ;
P (x
< X < x
) = F (x
) F (x
) P (X = x
) ;
P (x
< X x
) = F (x
) F (x
) +P (X = x
) P (X = x
) .
2.3.3 Variabile de tip continuu
In aplicat ii, variabilele aleatoare de tip discret nu sunt ntotdeauna suciente.

Intr-adevar, exista probleme
care sunt descrise de variabile aleatoare ce nu sunt discrete.
Exemplul 2.3.6. Greutatea unui produs este reprezentata printr-o variabila aleatoare care ia orice valoare
dintr-un anumit interval. Este nevoie s a se aiba n vedere o variabil a aleatoare de tip continuu.
Denit ia 2.3.4. Variabila aleatoare reala X este de tip continuu daca funct ia sa de repartit ie F este data
printr-o relat ie de forma:
F (x) =
x
_
f (t) dt,
f ind o funct ie integrabila pe orice interval de forma (, x), x R.
Funct ia de repartit ie a unei variabile aleatoare de tip continuu se bucura de aceleasi proprietat i ca si n
cazul variabilelor aleatoare de tip discret precum si de proprietat i specice.
53
Observat ia 2.3.5. Din denit ia de mai sus si av and n vedere proprietat ile integralelor, avem
f(x) = F
d
(x) = lim
x0
x>0
F(x + x) F(x)
x
.
Denit ia 2.3.5. Funct ia f se numeste funct ie densitate de probabilitate a variabilei aleatoare de tip
continuu, si are proprietat i similare cu acelea ale funct iei de probabilitate din cazul discret.
Teorema 2.3.1. Daca F este funct ie de repartit ie a unei variabile aleatoare continue, atunci densitatea de
probabilitate f are urm atoarele proprietat i
1) f(x) 0, x R;
2)
f(t)dt = 1.
Observat ia 2.3.6. Dupa cum n cazul variabilei aleatoare discrete aveam o asa-zisa repartit ie, adica un
tablou cu doua linii, pe prima linie ind trecute valorile variabilei, iar pe a doua funct ia de probabilitate,
tot asa si la variabilele aleatoare de tip continuu vom considera o asa numita repartit ie sau distribut ie.
Astfel, pentru o variabila aleatoare de tip continuu care ia valori doar dintr-un interval al axei reale, repartit ia
va avea forma:
X :
_
x
f(x)
_
xR
unde
f(x) 0, x R si
f(t)dt = 1.
2.3.4 Caracteristici numerice ale variabilelor aleatoare
Studiul variabilei aleatoare atat de tip discret cat si de tip continuu se extinde prin introducerea unor
caracteristici numerice cu ajutorul carora se dau informat ii suplimentare despre ele. Aceste caracteristici se
mpart n mai multe categorii:
de grupare: care evident iaza niste numere n jurul carora se grupeaza valorile variabilelor;
de mprastiere (de dep artare): care dau informat ii asupra gradului de departare a valorilor variabilelor
fat a de o caracteristica de grupare principala;
privind forma distribut iei : simetrie, asimetrie, boltire, turtire, etc.
Caracteristici de grupare
Sunt niste numere care se determina pornind de la variabila aleatoare considerata, numere n jurul carora se
grupeaza toate valorile variabilei aleatoare.
Valoarea medie. Valoarea medie este considerata cea mai importanta dintre caracteristicile de grupare.
Denit ia 2.3.6. Se numeste valoarea medie a variabilei aleatoare X si se noteaza M (X) numarul cal-
culabil prin una din relat iile
M (X) =
iI
x
i
p
i
, daca X este variabila aleatoare discreta;
M (X) =
_
+
xf (x) dx, daca X este variabila aleatoare continua.

54
Exemplul 2.3.7. Fie variabila aleatoare X avand distribut ia
X :
_
2 1 2
0.4 0.3 0.3
_
Valoare medie a lui X este
M (X) = 0.8 + 0.3 + 0.6 = 0, 1.
Exemplul 2.3.8. Fie variabila aleatoare X avand distribut ia
X :
_
x
f (x)
_
xR
, unde f (x) =
_
3x
2
x [0, 1]
0 n rest
Valoare medie a lui X este
M (X) =
_
+
xf (x) dx =
_
1
0
x3x
2
dx = 3
x
4
4
1
0
=
3
4
.
Propozit ia 2.3.1. Valoarea medie are cateva proprietat i. Astfel daca X si Y sunt variabile aleatoare, c o
constanta reala, avem
1) M (c X) = c M (X);
2) M (C) = c, unde variabila aleatoare constant a C :
_
c
1
_
;
3) M (X +Y ) = M (X) +M (Y );
4) M (X Y ) = M (X) M (Y ), daca X, Y sunt independente;
5) X
min
M (X) X
max
, unde X
min
, X
max
sunt valorile minime si maxime pe care le poate lua X;
6) a M (X) b unde X este o variabila aleatoare continua, iar [a, b] e intervalul pentru care f
X
(x) ,= 0.
Valoarea modala (moda).
Denit ia 2.3.7. Se numeste valoarea modala a variabilei aleatoare X numarul notat cu M
(X) care este

valoarea variabilei X cu cea mai mare probabilitate (valoarea cea mai probabila) pentru variabila aleatoare
discreta, respectiv argumentul pentru care f are valoare maxima n cazul variabilelor de tip continuu.
Exemplul 2.3.9. Pentru variabila aleatoare prezentata n Exemplul 2.3.7 avem M
(X) = 2.
Exemplul 2.3.10. Fie X din Exemplul 2.3.8. Avem M
(X) = 1.
Valoarea mediana.
Denit ia 2.3.8. Se numeste valoare mediana a variabilei aleatoare X numarul M
e
(X) care mparte
repartit ia n doua part i egale, adica e este numarul pentru care P (X M
e
(X))
1
2
P (X M
e
(X)).
Observat ia 2.3.7.

In cazul cand se utilizeaz a funct ia de repartit ie din Denit ia 2.3.3 se deduce ca
F (M
e
(X)) =
1
2
adica valoarea mediana este solut ia inecuat iilor
F (M
e
(X))
1
2
si F (M
e
(X) + 0)
1
2
.
55
Exemplul 2.3.11.

In cazul variabilei X din Exemplul 2.3.8 avem
F (x) =
_
_
_
0, x 0
_
x
0
3t
2
dt, x (0, 1]
1, x > 1
= F (x) =
_
_
_
0, x 0
x
3
, x (0, 1]
1, x > 1
= F (x) =
1
2
adica x
3
=
1
2
= x =
1
3
2
= M
e
(X) .
Momentele de ordin superior.

In aceeasi categorie de caracteristici de grupare gureaza asa zisele
momente de ordin superior.

In unele aplicat ii este nevoie sa se utilizeze puterile naturale ale unei
variabile aleatoare X
2
, X
3
, . . . , X
k
, valori pentru care caracteristicile de grupare principale joaca un rol
important. Astfel introducem momentele de ordin superior n urmatoarea denit ie.
Denit ia 2.3.9. Se numeste moment de ordin k al variabilei aleatoare X si se noteaza
k
numarul
k
= M
_
X
k
_
.
Se observa ca
1
= M (X),
0
= 1. Cele mai des utilizate n aplicat ii sunt
2
,
3
,
4
.
Exemplul 2.3.12. Fie X :
_
2 1 2
0, 4 0, 3 0, 3
_
. Atunci
2
= M
_
X
2
_
= (2)
2
0, 4 + 1
2
0, 3 + 2
2
0, 3 = 1, 6 + 0, 3 + 1, 2 = 3, 1;
3
= M
_
X
3
_
= (8) 0, 4 + 0, 3 + 8 0, 3 = 3, 2 + 0, 3 + 2, 4 = 5, 9;
4
= M
_
X
4
_
= 16 0, 4 + 0, 3 + 16 0, 3 = 6, 4 + 0, 3 + 4, 8 = 11, 5.
Exemplul 2.3.13. Pentru X :
_
x
3x
2
_
x[0,1]
avem
2
=
_
1
0
x
2
3x
2
dx =
3
5
;
3
=
_
1
0
x
3
3x
2
dx =
1
2
;
4
=
_
1
0
x
4
3x
2
dx =
3
7
.
Caracteristici de mprastiere (sau de departare)
Dupa ce au fost analizate principalele caracteristici de grupare vom evident ia cat de departate sunt valorile
variabilei fat a de o valoare de grupare.

Intr-adevar, valoarea medie da informat ii asupra numarului n jurul
caruia se grupeaza valorile variabilei, dar acestea nu sunt de ajuns. De exemplun cazul variabilelor aleatoare
care pot diferite dar sa aiba aceeasi valoare medie.
Exemplul 2.3.14. Fie variabilele X
1
:
_
1 1
1
2
1
2
_
si X
2
:
_
100 100
1
2
1
2
_
. Atunci
M (X
1
) = M (X
2
) = 0,
cu toate ca valorile lor difera semnicativ.
Exista mai multe caracteristici de mprastiere. Cele mai des utilizate sunt
dispersia (variant a);
abaterea medie patratica;
momente centrate de ordin superior.
56
Dispersia. Dispersia este cea mai importanta caracteristica de mprastiere.
Denit ia 2.3.10. Se numeste dispersia variabilei aleatoare X numarul notat D(X) denit ca valoare
medie a patratului variabilei aleatoare abatere [X M (X)], adica numarul
D(X) = M
_
(X M (X))
2
_
.
Avem
D(X) =
iI
(x
i
M (X))
2
p
i
,
daca X este variabila aleatoare discreta;
D(X) =
_

(x M (X))
2
f (x) dx,
daca X e variabila aleatoare continua.
Propozit ia 2.3.2. Dispersia are urmatoarele proprietat i
1) D(X) 0;
2) D(c X) = c
2
D(X) ;
3) D(c) = 0;
4) D(X Y ) = D(X) + D(Y ) daca X, Y sunt independente;
5) D(X) = M
_
X
2
_
(M (X))
2
=
2

2
1
.
Exemplul 2.3.15. Pentru X :
_
2 1 2
0, 4 0, 3 0, 3
_
din Exemplul 2.3.7 avem valoarea medie M (X) = 0.1
si dispersia
D(X) = (2 0, 1)
2
0, 4 + (1 0, 1)
2
0, 3 + (2 0, 1)
2
0, 3 = 3, 09
sau
D(X) =
2

2
1
= 3, 1 0, 01 = 3, 09.
Exemplul 2.3.16.

In cazul variabilei aleatoare continue din Exemplul 2.3.8 avem
D(X) =
_
1
0
_
x
3
4
_
2
3x
2
dx = 3
_
1
0
(x
4
3
2
x
3
+
9
16
x
2
)dx =
3
80
,
sau
D(X) =
2

2
1
=
3
5

9
16
=
3
80
.
Exemplul 2.3.17. Pentru X
1
din exemplul 2.3.14 avem
D(X
1
) = (1 0)
2
1
2
+ (1 0)
2
1
2
= 1,
iar pentru X
2
din acelasi exemplu aveam
D(X
2
) = (100 0)
2
1
2
+ (100 0)
2
1
2
= 2
100
2
2
= 10000.
57
Abaterea medie patratica.
Denit ia 2.3.11. Se numeste abatere medie patratica a variabilei aleatoare X si se noteaza (X)
numarul dat prin relat ia
(X) =
_
D(X).
Abaterea medie patratica a fost introdusa pentru ca unitat ile de masura ale acesteia sunt exact aceleasi
cu unitat ile de masura ale valorilor variabilei aleatoare.
Momentele centrate de ordin superior. Pentru k N se introduc ca o extensie a dispersiei, momentele
centrate de ordin superior.
Denit ia 2.3.12. Se numeste moment centrat de ordinul k al variabilei aleatoare X si se noteaza
k
valoarea medie a puterii k a variabilei abatere
k
= M
_
(X M (X))
k
_
.
Observat ia 2.3.8. Momentele centrate de ordinul 1 si 2 sunt
1
= 0 si
2
= D(X). Cele mai des utilizate
sunt
3
,
4
.
Teorema 2.3.2.

Intre momentele centrate de ordin superior
k
si momentele de ordin superior
k
exista
relat ia de legatura
k
=
k
i=0
C
i
k
(1)
i

ki
(
1
)
i
.
In particular avem
2
=
2

2
1
;
3
=
3
3
2
1
+ 2
3
1
;
4
=
4
4
3
1
+ 6
2
2
1
3
4
1
.
Demonstrat ia se face folosind denit ia 2.3.12 a momentului centrat de ordin superior, formula binomului
lui Newton pentru (X M (X))
k
si proprietat ile valorii medii.
Cazul distribut iilor clasice. Prezentam n continuare valoarea medie si dispersia n cazul variabilelor
aleatoare care urmeaza distribut ii clasice.
Distribut ia M(X) D(X)
Binomial a np npq
Hipergeometric a n
a
a+b
n
a
a+b
b
a+b
a+bn
a+b1
Poisson
Pascal (Geometric a)
1
p
q
p
2
Uniform a
a+b
2
(ba)
2
12
Normal a m
2
.
2.4 Exercit ii si probleme rezolvate
Problema 2.4.1. Se studiaza alegerea unui proiect de modernizare a unei companii. S-au prezentat 3
proiecte care pot viabile sau nu. Daca notam cu A
i
, i = 1, 3, evenimentul proiectul i este viabil, sa se
exprime n funct ie de A
1
, A
2
, A
3
urmatoarele evenimente:
a) toate proiectele sunt viabile;
58
b) cel put in un proiect este viabil;
c) doua proiecte sunt viabile;
d) cel mult doua proiecte sunt viabile;
e) un singur proiect este viabil.
Solut ie:Notam cu

A
i
, i = 1, 3, evenimentul ,,proiectul i nu este viabil.
a) Notam cu A evenimentul ,,toate proiectele sunt viabile A = A
1
A
2
A
3
, adica toate cele 3 proiecte
sunt rentabile.
b) Notam cu B evenimentul ,,cel put in un proiect este viabil si astfel putem scrie B = A
1
A
2
A
3
c) Notam cu C evenimentul ,,doua proiecte sunt viabile.
C =
_
A
1
A
2

A
3
_
_
A
1

A
2
A
3
_
A
1
A
3
A
3
_
d) Notam cu D evenimentul ,,cel mult doua proiecte sunt viabile. Evenimentul D este echivalent cu a
spune ca: nici un proiect nu este viabil, doar un proiect este viabil sau doua proiecte sunt viabile.
D =
_
A
1

A
2

A
3
_
_
A
1

A
2

A
3
_
A
1
A
2

A
3
_
A
1

A
2
A
3
_
C.
e) Notam cu E evenimentul ,,un singur proiect este viabil. Atunci:
E =
_
A
1

A
2

A
3
_
A
1
A
2

A
3
_
A
1

A
2
A
3
_
.
Problema 2.4.2. O moneda este aruncata de 3 ori si secvent a de marci si steme este nregistrata.
a) Scriet i spat iul evenimentelor elementare
b) Scriet i urmatoarele evenimente, folosind evenimentele elementare:
A-sa apar a cel put in 2 steme
B-primele 2 aruncari sunt steme
C-ultima aruncare este marca
c) Determinat i urmatoarele evenimente:
1) C
A
; 2) A B; 3) A C
Solut ie: Spat iul evenimentelor aleatoare este:
= SSS, SSM, SMS, MSS, MMS, MSM, SMM, MMM, unde cu S notam aparit ia stemei, iar cu
M aparit ia marcii.
b) Evenimentele A, B, C,se scriu folosind evenimentele elementare din dupa cum urmeaza:
A = SSS, SSM, SMS, MSS
B = SSM, SSS
C = SSM, SMM, MMM, MSM
c) Evenimentele C
A
, A B, A B se scriu folosind punctul b) astfel:
C
A
=

A = SMM, MMM, MMS, MSM
A B = SSM, SSS
A C = SSS, SSM, SMS, MSS, SMM, MMM, MSM
Problema 2.4.3. Presupunem ca ntr-o camer a sunt 5 persoane. Care este probabilitatea ca cel put in 2
persoane s a aiba aceiasi zi de nastere.
Solut ie: Fie A evenimentul ,,cel put in 2 persoane au aceiasi zi de nastere. Atunci

A este evenimentul
,,cele 5 persoane au zile de natere diferite
Presupunem ca anul are 365 zile
Asadar P
_
A
_
=
365 364 363 362 361
365
5
Deci, P (A) = 1 P
_
A
_
= 1
365 364 363 362 361
365
5
Problema 2.4.4. In Romania numerele de nmatriculare ale masinilor au 7 caractere: 2 litere urmate de
2 cifre si alte trei litere. Daca toate secvent ele de 7 caractere sunt egal probabile, care este probabilitatea ca
numarul de nmatriculare al unei masini noi sa nu cont ina cifre si litere identice?
Solut ie: Notam cu A evenimentul cerut.
Alfabetul cont ine 26 litere, iar cifrele de pe numarul de nmatriculare pot : 0,1,2,3,4,5,6,7,8,9. Numarul
total de placut e de nmatriculare este 26
5
10
2
(corespunzatoare celor 5 litere si 2 cifre). Numarul placut elor
59
ce cont in litere si cifre diferite este: (26 25) (10 9) (24 23 22) (corespunzatoare primelor 2 litere diferite,
urmate de 2 cifre diferite si alte trei litere diferite de primele 2 si diferite ntre ele).
Deci, P (A) =
26 25 10 9 24 23 22
26
5
10
2
= 0, 597
Problema 2.4.5. Fie P
B
(A) =
1
2
, P
B
(A) =
1
2
si P
A
(B) =
1
2
. Se cere :
a) sa se determine P (A) si P (B).
b) evenimentele A si B sunt independente?
Solut ie:Folosind denit ia probabilitat ii condit ionate se obt in e:
P
B
(A) =
P(AB)
P(B)
=
1
2
P
B
(A) =
P(A
B)
P(
B)
=
P(A\B)
1P(B)
=
P(A)P(AB)
1P(B)
=
1
2
P
A
(B) =
P(BA)
P(A)
=
P(AB)
P(A)
=
1
2
Daca notam P (A) = x, P (B) = y, P (A B) = z, se obt ine sistemul liniar:
_
_
_
z
y
=
1
2
xz
1y
=
1
2
z
x
=
1
2
_
_
_
z =
1
2
y
z =
1
2
x
x z =
1
2

1
2
y
, de unde prin calcule x =
1
2
, y =
1
2
, z =
1
4
.
In concluzie: P (A) =
1
2
, P (B) =
1
2
Condit ia ca evenimentele A si B sa e independente este: P (A B) = P (A) P (B)
Deoarece P (A B) =
1
4
=
1
2
1
2
= P (A) P (B) se obt ine ca evenimentele A si B sunt independente.
Problema 2.4.6. O rma de asigurari are client i din 3 categorii de risc: ridicat, mediu, scazut, care au
respectiv probabilitat ile de a cere despagubiri n caz de accidente: 0,02, 0,01, 0,0025 ntr-un an. Proport iile
celor 3 categorii de client i n cadrul companiei sunt respectiv 10%, 20%, 70%. Care este probabilitatea ca un
client al rmei sa e despagubit? Care este proport ia de despagubiri ce provin ntr-un an de la client ii cu
risc ridicat?
Solut ie:Notam cu B evenimentul ,,un client al companiei este despagubitsi cu:
A
1
-evenimentul ,,clientul provine din categoria de risc ridicat
A
2
-evenimentul ,,clientul provine din categoria de risc mediu
A
3
-evenimentul ,,clientul provine din categoria de risc scazut
Sistemul A
1
, A
2
, A
3
, formeaza un sistem complet de evenimente deoarece reuniunea lor este eveni-
mentul sigur si sunt doua cate doua incompatibile. Astfel conform formulei probabilitat ii totale:
P (B) = P (A
1
) P
_
B
A1
_
+P (A
2
) P
_
B
A2
_
+P (A
3
) P
_
B
A3
_
= 0, 1 0, 02+0, 2 0, 01+0, 7 0, 025 = 0, 00575.
Pentru a raspunde la a doua ntrebare folosim formula lui Bayes:
P (A
1
/B) =
P(A1) P(B/A1)
P(A1) P(B/A1)+P(A2)P(B/A2)+P(A3)P(B/A3)
=
0,1 0,02
0,00575
= 0, 347.
Problema 2.4.7. La o loterie sunt 100 bilete, din care 10 sunt castigatoare. Opersoana cumpara 15 bilete.
Sase determine probabilitatea ca:
a) 1 bilet sa e castigator;
b) sa se obt ina toate cele 10 bilete castigatoare;
c) cel put in 2 bilete sa e castigatoare.
Rezolvare: Se aplica schema urnei cu 2 stari si bila nerevenita.
a) P
10,90
(1, 14) =
C
1
10
C
14
90
C
15
100
b) P
10,90
(10, 5) =
C
10
10
C
5
90
C
15
100
c) Fie A evenimentul ca ,,cel put in 2 bilete sa e castigatoare,,. Consideram

Aevenimentul contrar ca ca
cel mult unul din cele 15 cumparate sa e castigator. Are loc:
P
_
A
_
= P
10,90
(0, 15) + P
10,90
(1, 14) =
C
0
10
C
15
90
C
15
100
+
C
1
10
C
14
90
C
15
100
Probabilitatea ceruta va P (A) = 1 P
_
A
_
60
Problema 2.4.8. Un depozit de piese auto are n stoc piese de la 4 furnizori n urmatoarele cantitat i: 100
de la furnizorul F
1
, 50 de la F
2
, 30 de la F
3
si 80 de la F
4
.
In decursul unei saptam ani, depozitul a vandut 45 piese. Care e probabilitatea ca din cele 45 de piese
vandute, 15 sa provina de la furnizorul F
1
, 5 de la F
2
, 10 de la F
3
si 15 de la F
4
.
Rezolvare: Se aplica schema urnei cu 4 stari si bila nerevenita, unde a
1
= 100, a
2
= 50, a
3
= 30, a
4
= 80
k
1
= 15, k
2
= 5, k
3
= 10, k
4
= 15. Probabilitatea ceruta este:
P
100,50,30,80
(15, 5, 10, 15) =
C
15
100
C
5
50
C
10
30
C
15
80
C
45
260
Problema 2.4.9. Pe parcursul unei saptamani s-a dat predict ia cursului valutar, astfel ncat cursul poate
sa creasca zilnic cu probabilitatea
1
4
, respectiv sa scada cu probabilitatea
3
4
. Stabilit i probabilitatea ca:
a) n 5 zile ale sapt amanii cursul valutar sa creasca;
b) n cel mult 3 zile cursul valutar s a creasca;
c) n cel put in 2 zile cursul valutar s a creasca;
Rezolvare: Consideram evenimentul A ,,cursul valutar sa creasca ntr-o zi,,. In ecare zi poate avea
loc A sau

A.
Se aplica schema urnei cu 2 stari si bila revenita (schema binomiala), unde: n = 7, p = P (A) =
1
4
,
q = P
_
A
_
=
3
4
,
Probabilitatea de a se produce A de k ori este: P (k) = C
k
7
p
k
q
7k
.
a) Probabilitatea ceruta este: P
7
(5) = C
5
7
p
5
q
75
= C
5
7
_
1
4
_
5
_
3
4
_
2
b) Probabilitatea ceruta este:
3
k=0
P
7
(k) =
3
k=0
C
k
7
p
k
q
7k
=
3
k=0
C
k
7
_
1
4
_
k
_
3
4
_
7k
.
c) Notam cu C evenimentul ,,cursul valutar sa creasca n cel put in 2 zile,,. Atunci C este evenimentul:
,,cursul valutar sa nu creasca n nici o zi sau sa creasca ntr-o zi,,. Asadar putem scrie:
P
_
C
_
= P
7
(0) +P
7
(1) = C
0
7
_
1
4
_
0
_
3
4
_
7
+C
1
7
_
1
4
_
1
_
3
4
_
6
Probabilitatea ceruta este:
P (C) = 1 P
_
C
_
.
Problema 2.4.10. Un supermarket vinde urmatoarele sortimente de cafea: naturala, cappuccino si expresso.
Probabilitatea ca un client s a cumpere cafea naturala este 0,55, cappuccino 0,3, iar expresso 0,15.
Determinat i probabilitatea ca din 100 client i, 70 sa cumpere cafea naturala, 20 sa cumpere cappuccino,
iar 10 s a cumpere expresso.
Rezolvare: Aplicam schema urnei cu 3 stari si bila revenita (schema multinomiala)
Fie A
i
, evenimentul ca un client sa cumpere sortimentul i de cafea , i = 1, 3. Avem evident:
p
1
= P (A
1
) = 0, 55, p
2
= P (A
2
) = 0, 3, p
3
= P (A
3
) = 0, 15, n = 100, k
1
= 70, k
2
= 20, k
3
= 10
Probabilitatea ceruta este:
P
100
(70, 20, 10) =
100!
70!20!10!
(0, 55)
70
(0, 30)
20
(0, 15)
10
Problema 2.4.11. Care e probabilitatea ca al 80-lea client care intra ntr-o banca, sa e a 20-a persoana
care ncheie o polit a de asigurare, stiind c a probabilitatea ca cineva sa ncheie o polit a de asigurare este de
0,6.
Rezolvare: Se aplica schema lui Pascal cu n = 80 (numarul client ilor), k = 20 (numarul succeselor),
p = 0, 6, q = 0, 4.
Probabilitatea ceruta este: C
k1
n1
p
k
q
nk
= C
19
79
(0, 6)
20
(0, 4)
60
.
Problema 2.4.12. La trei reprezentant e ale concernului Nokia se gasesc telefoane mobile cu ecran color
sau alb-negru n urmatoarele proport ii: la prima reprezentant a 14 cu ecran color si 16 cu ecran alb-negru, la
a doua 13 cu ecran color si 17 cu ecran alb-negru, iar la a treia 14 cu ecran color si 18 cu ecran alb-negru.
Se alege la ntamplare cate un telefon mobil de la ecare reprezentant a, pentru a supus unor probe de
vericare. Care e probabilitatea ca din cele 3 telefoane alese doua sa e cu ecran color, iar unul cu ecran
alb-negru?
61
Rezolvare:Aplicam schema lui Poisson. Pentru aceasta notam cu p
i
pro-
babilitatea ca telefonul ales de la reprezentant a i sa aiba ecran color, i = 1, 3. Avem ca:
p
1
=
14
30
, q
1
=
16
30
, p
2
=
13
30
, q
2
=
17
30
, p
3
=
14
32
, q
3
=
18
32
Conform schemei lui Poisson, probabilitatea ceruta este data de coecientul lui t
2
al polinomului
(p
1
t +q
1
) (p
2
t +q
2
) (p
3
t +q
3
)
adica de:
p
1
p
2
q
3
+p
1
q
2
p
3
+q
1
p
2
p
3
=
14
30
13
30
18
32
+
14
30
17
30
14
32
+
16
30
13
30
14
32
= 0, 33.
2.5 Teme de control
Problema 2.5.1. In drum spre locul de munca un om trece prin 3 intersect ii consecutive, semaforizate. La
ecare semafor se opreste sau si continua drumul. Daca notam cu A
i
, i = 1, 3 evenimentul ,,la intersect ia
i continua drumul, sa se exprime folosind A
1
, A
2
, A
3
urmatoarele evenimente:
a) persoana are liber la toate intersect iile,
b) persoana opreste la toate intersect iile,
c) persoana opreste la cel put in o intersect ie,
d) persoana opreste la cel mult o intersect ie.
Solut ie:
a) A = A
1
A
2
A
3
b) B =

A
1

A
2

A
3
c) C =

A
1

A
2

A
3
d) D = A
_
A
1
A
2

A
3
_
_
A
1

A
2
A
3
_
A
1
A
2
A
3
_
Problema 2.5.2. Se arunca o moneda de doua ori. Care este probabilitatea ca marca sa apara cel put in o
data?
Solut ie: p = 0, 75
Problema 2.5.3. Doi tragatori trag simultan asupra unei t inte. Probabilitatea de a nimeri t inta este p,
respectiv p
2
cu p (0, 1) pentru cei doi. Stabilit i valoarea lui p astfel ncat probabilitatea ca primul sa
nimereasca t inta si al doilea sa nu o loveasca sa e cel put in egala cu 0, 375.
Solut ie: p
_
1
2
;
131
4
_
Problema 2.5.4. Se arunca 2 zaruri. Care este probabilitatea ca suma fet elor sa e 6, stiind ca suma
acestor fet e a dat un numar par?
Solut ie:Folosind formula probabilitat ii condit ionate se obt ine p =
5
18
.
Problema 2.5.5. Un lift ce cont ine 5 persoane se poate opri la oricare din cele 7 etaje ale unei cladiri.
Care este probabilitatea ca 2 persoane sa nu coboare la acelasi etaj?
Solut ie: 0, 15
Problema 2.5.6. Ocompanie produce n 3 schimburi. Intr-o anumita zi, 1% din articolele produse de I
schimb sunt defecte, 2% din cele produse n al II-lea schimb si 3% din al III-lea schimb. Daca cele trei
schimburi au aceeiasi productivitate, care este probabilitate ca un produs din acea zi sa e defect? Daca un
produs este defect, care este probabilitatea ca el sa fost fabricat n schimbul al III-lea?
Solut ie: Folosind formula probilitat ii totale si formula lui Bayes se obt ine: 0, 02 respectiv 0, 5
62
Problema 2.5.7. Presupunem ca ocupat iile n cadrul unei mari companii sunt grupate n 3 nivele de
performant a: superior (U), mijlociu (M), si inferior (L). U
1
reprezinta evenimentul ca tatal este n nivelul
superior, iar U
2
evenimentul ca ul este n nivel superior, etc. S-a determinat urmatorul tabel privind
mobilitatea ocupat ionala unde indicele1 se refer a la tata, iar indicele 2 la u:
Fiu
Tat a
U
2
M
2
L
2
U
1
0, 45 0, 48 0, 07
M
1
0, 05 0, 70 0, 25
L
1
0, 01 0, 50 0, 49
Prima linie a tabelului se citeste astfel: daca tatal este n nivelul ocupat ional U probabilitatea ca ul sa
e n U este 0, 45, probabilitatea ca ul sa n M este 0, 48, respectiv probabilitatea ca ul sa e n L este 0,07
(celelalte linii ale tabelului se citesc analog). Presupunem ca 10% din generat ia tatalui suntU, 40% sunt M
si 50% n L. Care este probabilitatea ca un u din generat ia urm atoare sa e n U? Daca un u este n
nivelul ocupat ional U, care este probabilitatea ca tatal sa fost n U?
Solut ie: Folosind formula probilitat ii totale si formula lui Bayes se obt ine: 0, 07 si 0, 64.
Problema 2.5.8. Intr-un lot de 400 piese, 10 sunt defecte. Se aleg aleator 20 piese. Sa se calculeze
probabilitatea ca ntre piesele alese :
a) 4 piese sa e defecte;
b) sa e cel mult 6 piese defecte;
c) sa nu e nici o piesa defecta
Raspuns: a) P
10,390
(4, 16) =
C
4
10
C
16
390
C
20
400
; b)
6
k=0
P
10,390
(k, 20 k); c) P
10,390
(0, 20)
Problema 2.5.9. O comisie internat ionala este formata din 5 romani, 7 italieni, 4 olandezi si 6 elvet ieni.
Se aleg la ntamplare 10 persoane pentru a forma o subcomisie. Sa se calculeze probabilitatea ca din cele 10
persoane alese, 2 sa e romani, 3 italieni, 3 olandezi si 2 elvet ieni.
Raspuns: P
5,7,4,6
(2, 3, 3, 2) =
C
2
5
C
3
7
C
3
4
C
2
6
C
10
22
Problema 2.5.10. Pe parcursul a 10 zile de vara s-a dat prognoza meteo astfel ncat zilnic pot cadea
precipitat ii cu probabilitatea 0,2.Calculat i probabilitatea de a ploua:
a) n 3 zile;
b) n cel mult 4 zile;
c) n cel put in 3 zile.
Raspuns: a) P
10
(3) = C
3
10
(0, 2)
3
(0, 8)
7
; b)
4
K=0
P
10
(k); c) 1
2
K=0
P
10
(k).
Problema 2.5.11. Se arunca un zar de 20 de ori. S a se calculeze probabilitatea ca de 8 ori sa apara un
numar prim, de 10 ori un numar compus si de 2 ori fat a cu un punct.
Raspuns: P
20
(8, 10, 2) =
20!
8! 10! 2!
_
3
6
_
2
_
2
6
_
10
_
1
6
_
2
Problema 2.5.12. Avem 4 grupe de student i: n prima grupa sunt 20 fete si 5 baiet i, n a doua grupa sunt
15 fete si 10 baiet i, n a treia grupa sunt 10 fete si 15 baiet i, n a patra grupa sunt 24 fete si 1 baiat. Se
alege cate un student din ecare grupa pentru a participa la o act iune publicitara pentru promovarea unui
produs.
Sa se calculeze probabilitatea ca ntre student ii alesi:
a) trei sa e fete;
b) sa e numai fete;
c) sa e cel put in o fata.
Raspuns: Se aplica schema lui Poisson
a) 0, 453, b)
20
25
15
25
10
25
24
25
= 0, 184, c) 1
5
25
10
25
15
25
1
25
= 0, 998
63
Rezumat modul
In acest modul s-au introdus notiunile de eveniment, probabilitate, operatii cu evenimente.S-au denit
variabilele aleatoare de tip discret si continuu, functia de repartitie precum si caracteristicile numerice ale
variabilelor aleatoare.
In cazul repartitiilor clasice, s-au precizat functiile de probabilitate si densitate de probabilitate si au fost
calculate valorile medii si dispersiile acestor variabile aleatoare.
Bibliograe modul
Napoca, 2009
2. Colectiv, Analiza matematica, Teoria Probabilitatilor si Algebra liniara aplicate in economie, Ed.
Mediamira, Cluj-Napoca, 2008
3. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj Napoca, 2011.
64
Bibliograe
[1] Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj Napoca, 2011.
[2] Colectiv, Elemente de Algebra liniara si Analiza matematica pentru economisti, Ed. Todesco, Cluj-
Napoca, 2003.
[3] Colectiv, Elemente de teoria probabilitatilor si statistica matemetica pentru economisti, Ed. Todesco,
Cluj-Napoca, 2004.
[4] Colectiv, Elemente de algebra liniara, analiza matematica si teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009.
[5] Muresan A.S., Blaga P., Matematici aplicate in economie, vol. I, Ed. Transilvania Press, Cluj-Napoca,
1996.
[6] Colectiv, Analiza matematica, Teoria Probabilitatilor si Algebra liniara aplicate in economie, Ed.
Mediamira, Cluj-Napoca, 2008.
[7] Colectiv, Elemente de teoria probabilitatilor si statistica matemetica pentru economisti, Ed. Todesco,
Cluj-Napoca, 2004.
[8] Mihoc I., Calculul probabilitatilor si statistica matematica, lito UBB, Cluj-Napoca, 1998.
[9] Muresan A.S., Blaga P., Matematici aplicate in economie, vol. I, Ed. Transilvania Press, Cluj-Napoca,
1996.
65

Matematica

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Matematica

Încărcat de

Drepturi de autor:

Formate disponibile

SUPORT DE CURS

> 0 astfel ncat pentru orice x Aa cu proprietatea |x a| <

sa avem [f (x) l[ <

atunci f este continua n a daca si numai daca lim

In mod analog se arata ca daca (x

minorii principali ai matricei H(x

sa se apropie cat mai mult de datele determinate experimental.

apropierii funct iei f de datele experimentale este

sa se determine polinomul de ajustare de grad cel

sa se ajusteze cu o dreapt a, iar daca m = 2, n locul expresiei

In particular, pentru p = 1 se obt ine

Intr-adevar, daca integram prin part i punand

Intr-adevar, daca integram prin part i punand f(x) = x

Intr-adevar, daca n relat ia lui Euler luam a = b =

B, evenimentul care se realizeaza daca si numai daca se realizeaza cel put in

rezulta din proprietat ile legilor

. Mai precis, pentru

= A rezulta ca Asi A adica avem A , A c.

= rezulta din P2) ca P (

C) = P (A) +P (B) +P (C) P (A

D) = P (A)+P (B)+P (C)+P (D)P (A

Observat ia 2.1.10. Analog, pornind de la campul de probabilitate (, K, P) si A K cu P (A) ,= 0, se

Propozit ia 2.1.10. (formula lui Bayes)

Denit ia 2.1.11. Fie (, K, P) un camp de probabilitate si A, B K. Se spune ca A si B sunt indepen-

studentul considerat cunoaste limba engleza,

studentul considerat cunoaste limba franceza.

studentul considerat cunoaste limba germana,

studentul considerat vorbeste o limba straina (dintre cele trei).

G si evenimentele E, F, G nu sunt incompatibile doua cate doua rezulta folosind formula

a i-a bila extrasa a fost alba, i = 1, 3

toate cele trei bile extrase au fost albe.

a i-a bila extrasa a fost alba, (i = 1, 2);

a i-a bila extrasa a fost neagra, (i = 1, 2).

R, are loc implicat ia

, are loc egalitatea

In aplicat ii, variabilele aleatoare de tip discret nu sunt ntotdeauna suciente.

xf (x) dx, daca X este variabila aleatoare continua.

(X) care este

S-ar putea să vă placă și