Teoria Probabilitatilor

Elemente de teoria probabilitilor
1. ELEMENTE DE TEORIA PROBABILITILOR

1.1. Evenimente
Definiie 1.1.1. Realizarea practic a unui ansamblu de condiii bine
precizat poart numele de experien sau prob.
Definiie 1.1.2. Prin eveniment vom nelege orice rezultat al unei
experiene despre care putem spune c s-a realizat sau c nu s-a realizat, dup
efectuarea experimentului considerat. Evenimentele se pot clasifica n:
evenimente sigure; evenimente imposibile, evenimente aleatoare.
Definiie 1.1.3. Evenimentul sigur este evenimentul care se produce
n mod obligatoriu la efectuarea unei probe i se noteaz cu E.
Definiie 1.1.4. Evenimentul imposibil este evenimentul care n mod
obligatoriu nu se produce la efectuarea unei probe i se noteaz cu .
Definiie 1.1.5. Evenimentul aleator este evenimentul care poate sau
nu s se realizeze la efectuarea unei probe i se noteaz prin litere mari A, B,
C, , sau prin litere mari urmate de indici Ai, Bi,.
Definiie 1.1.6. Evenimentul contrar evenimentului A se noteaz
i este evenimentul ce se realizeaz numai atunci cnd nu se realizeaz
evenimentul A.
Definiie 1.1.7. Un eveniment se numete:
1) elementar dac se realizeaz ca rezultat al unei singure probe; se
noteaz cu e.
2) compus dac acesta apare cu dou sau mai multe rezultate ale
probei considerate.
Elemente de teoria probabilitilor i statistic matematic
Definiie 1.1.8. Mulimea tuturor evenimentelor elementare generate

de un experiment aleator se numete spaiul evenimentelor elementare i se
noteaz cu E. E poate fi finit sau infinit.
Observaie 1.1.9. O analogie ntre evenimente i mulimi permite o
scriere i n general o exprimare mai comode ale unor idei i rezultate legate
de conceptul de eveniment. Astfel, vom nelege evenimentul sigur ca
mulime a tuturor evenimentelor elementare, adic: E e1 , e2 ,..., en i
orice eveniment compus ca o submulime a lui E. De asemenea, putem vorbi
despre mulimea tuturor prilor lui E pe care o notm prin P(E), astfel c
pentru un eveniment compus A putem scrie, n contextul analogiei dintre
evenimente i mulimi, c A E sau A P(E ) .
Exemplul 1.1.10. Fie un zar, care are cele ase fee marcate prin
puncte de la 1 la 6. Se arunc zarul pe o suprafa plan neted. Dac notm
cu ei = evenimentul "apariia feei cu i puncte", i 1,6 , atunci spaiul
evenimentelor elementare ataat experimentului cu un zar este dat prin
E={e1 , e2 , e3 , e4 , e5 , e6 }.
Evenimentul sigur E este "apariia feei cu un numr de puncte 6".
Evenimentul imposibil este "apariia feei cu 7 puncte".
1.2. Relaii ntre evenimente

Definiie 1.2.1. Spunem c evenimentul A implic evenimentul B i
scriem A B , dac realizarea evenimentului A atrage dup sine i realizarea
evenimentului B.
Observaie 1.2.2. A B i B C rezult A C - proprietatea de
tranzitivitate a relaiei de implicare.
Dac A, B, C sunt evenimente aleatoare asociate unei experiene, au

loc relaiile:
i)
A E, B E, C E;
ii)
A A, B B, C C;
iii)
A, B, C ;
Definiie 1.2.3. Spunem c evenimentele A i B sunt echivalente

(egale) dac avem simultan A B i B A .
Definiie 1.2.4. Prin reunirea evenimentelor A i B vom nelege
evenimentul notat A B care se realizeaz odat cu realizarea a cel puin
unuia dintre evenimentele A i B.
Observaie 1.2.5. Dac notm prin K mulimea evenimentelor
asociate unui experiment aleator avem:
1. A, B K A B B A (comutativitatea);
2. A, B, C K (A B) C A (B C) (asociativitatea);
3. Dac
A, B K i
A A, E E
A B A B B
(evident
AEE,
i A A E ).
Definiie 1.2.6. Prin intersecia evenimentelor A i B vom nelege

evenimentul notat A B care se realizeaz dac ambele evenimente se
realizeaz.
Observaie 1.2.7. Au loc relaiile urmtoare:
1.
A, B K A B B A
2.
A, B, C K ( A B) C A ( B C) (asociativitatea)
(comutativitatea)
3. Dac A, B K i A B atunci A B A (evident A E A ,

A , E
4.
i A A A ).
A K A A .
Definiie 1.2.8. Spunem c evenimentele A i B sunt incompatibile

dac A B , adic realizarea lor simultan este imposibil, i spunem c
sunt compatibile dac A B , adic este posibil realizarea lor simultan.

Evenimentele A i B sunt contrare unul altuia dac A B E i A B ,
adic realizarea unuia const din nerealizarea celuilalt.
Definiie 1.2.9. Se numete diferena evenimentelor A i B,
evenimentul notat A-B care se realizeaz atunci cnd se realizeaz
evenimentul A i nu se realizeaz evenimentul B.
Observaie 1.2.10. Evident avem A B A B i E A A .
Au loc relaiile lui De Morgan: A B A B i A B A B i
Ai
respectiv generalizrile
iI
A ; A
i
iI
iI
A .
i
iI
Teorema 1.2.11. Dac evenimentele A, B, C, D K, atunci sunt

adevrate urmtoarele afirmaii:
i)
A B = A (A B)
ii)
A B = (A B) B
iii)
A = (A B) (A B)
iv)
(A B) (B A) =
v)
A B = A [B - (A B)]
vi)
A (B C) = (A B) - (A C)
vii)
(A B) (C D) = (A C) (B D)
Definiie 1.2.12. Evenimentele A i B sunt dependente dac

realizarea unuia depinde de realizarea celuilalt i sunt independente dac
realizarea unuia nu depinde de realizarea celuilalt.
O mulime de evenimente sunt independente n totalitatea lor dac
sunt independente cte dou, cte trei etc.
Pentru evenimentele independente n totalitatea lor vom folosi i
denumirea de evenimente independente.
Dac e1 , e 2 ..., e n sunt evenimentele elementare corespunztoare

unei experiene atunci mulimea E e1 , e 2 ,...e n
poart numele de
eveniment total (este echivalent cu evenimentul sigur).
1.3. Cmp de evenimente

Definiie 1.3.1. O mulime K de evenimente formeaz un cmp de
evenimente dac satisface axiomele:
i)
A K A K
ii)
A, B K A B K
i A B K .
Observaie 1.3.2.
1. Notm cmpul de evenimente [E,K].
2. Evident K i E K .
3. Dac E e1 , e 2 ,...e n atunci K P( E ) .
4. Dac ntr-o prob mulimea evenimentelor este infinit atunci
cmpul de evenimente corespunztor [E,K] are proprietatea:
A i K , i 1, 2...
i 1
i A i
K.
i 1
Definiie 1.3.3. ntr-un cmp de evenimente [E,K], evenimentele

Ai K ,
i 1, n ,
formeaz un sistem complet de evenimente (sau o partiie a
cmpului) dac:
n
i)
ii)
A i A j i j, i, j 1, n
i 1
Observaie
1.3.4.
Evenimentele
elementare
ei ,
i 1, n ,
corespunztoare unei probe formeaz un sistem complet de evenimente care

se mai numete sistem complet elementar.
10
Propoziie
1.3.5.
Dac
E e1 , e2 ,..., en atunci
cmpul
de
evenimente corespunztor conine 2n evenimente.

Demonstraie:
Pentru un experiment de n rezultate elementare i prin urmare pentru
un eveniment sigur E compus din n evenimente elementare, vom avea diverse
evenimente compuse din acestea dup cum urmeaz:
0
evenimente compuse din cte zero evenimente elementare Cn
evenimente compuse din cte un eveniment elementar Cn1

2
evenimente compuse din cte dou evenimente elementare Cn
--------------- evenimente compuse din cte k evenimente elementare Cnk

n
evenimente compuse din cte n evenimente elementare Cn
i prin urmare, numrul total de evenimente ale lui K este egal cu

C n0 C n1 ... C nk ... C nn 2 n
1.4. Cmp de probabilitate

Definiia axiomatic a probabilitii 1.4.1. Fie [E,K] un cmp de
evenimente. Se numete probabilitate pe mulimea K o funcie P : K R
care satisface axiomele:
i)
P( A) 0A K
ii)
P(E)=1
iii)
P (A B) P (A ) P( B), A, B K, i A B .
Definiie 1.4.2. Se numete cmp de probabilitate tripletul {E, K, P}

unde E este evenimentul total, K=P(E) iar P o probabilitate pe K.
11
Observaie 1.4.3. n cazul n care cmpul de evenimente [E,K] este

infinit (K este infinit) probabilitatea P definit pe K satisface axiomele:
i)
P(A ) 0, A K
ii)
P(E)=1
iii)
iI
P A dac A i A j ,
i
iI
i j,
i, j I,
A i K , I-o mulime de indici cel mult numrabil.
Propoziie 1.4.4. Au loc relaiile:

1. P 0
P A 1 P A
2.
P A i dac A i A j , i j,
i
i 1
i 1
3. P
i, j 1, n
Demonstraie:
1) Din relaiile E = E i E = aplicnd axioma iii) din
definiia probabilitii avem P(E) = P( E) = P() + P(E) i rezult P() = 0
2) Din relaiile A A E i
definiia
probabilitii
P ( E ) P ( A) P ( A)
avem
i rezult
A A
aplicnd axioma iii) din
P ( A A) P ( A) P ( A)
adic
P ( A) 1 P ( A)
3) Demonstrm prin inducie matematic

Pentru n = 2 P(A1 A2) = P(A1) + P(A2) relaia este adevrat
conform axiomei iii) din definiia probabilitii.
Presupunem relaia adevrat pentru n 1 evenimente, adic
n 1
n 1
A
i
i 1
P ( Ai ) i demonstrm pentru n evenimente

i 1
12
A
i
i 1
An P
n 1
A
i
i 1
n 1
A
i
i 1
n 1
i 1
i 1
P ( An ) P ( Ai ) P ( An ) P ( Ai )
n 1
dac s-a folosit ipoteza de inducie i s-a inut seama c
A
i
i 1
An
Definiia clasic a probabilitii 1.4.5. Probabilitatea unui

eveniment A este egal cu raportul dintre numrul evenimentelor egal
probabile favorabile evenimentului A i numrul total al evenimentelor egal
probabile.
Alt formulare: probabilitatea unui eveniment este raportul ntre
numrul cazurilor favorabile evenimentului i numrul cazurilor posibile.
Observaie 1.4.6.
1) Conform acestei definiii nu putem stabili probabilitatea unui
eveniment ce aparine unui cmp infinit de evenimente.
2) Definiia clasic se aplic numai atunci cnd evenimentele
elementare sunt egal posibile.
Exemplul 1.4.7. Considerm experiena de aruncare a unui zar.
Evenimentele elementare sunt egal posibile i avem 6 cazuri posibile. Notm
cu A evenimentul "apariia unei fee cu numr par de puncte 6 " numrul
cazurilor favorabile evenimentului A este 3. Deci P(A)
3 1
.
6 2
Exemplul 1.4.8. Dintr-o urn cu 15 bile numerotate de la 1 la 15 se

extrage o bil la ntmplare. Se consider evenimentele:
A = obinerea unui numr prim;
B = obinerea unui numr par;
C =obinerea unui numr divizibil prin 3.
S calculm probabilitile acestor evenimente.
Rezolvare:
13
n aceast experien aleatoare numrul total al cazurilor posibile

este 15.
Pentru A numrul cazurilor favorabile este 6, adic {2, 3, 5, 7, 11,
13}, deci P(A)
6
2
.
15 5
Pentru B numrul cazurilor favorabile este 7, adic {2, 4, 6, 8, 10,

12, 14}, deci P( B)
7
.
15
Pentru C, numrul cazurilor favorabile este 5, adic { 3, 6, 9, 12,

15}, deci P(C)
5
1
.
15 3
1.5. Reguli de calcul cu probabiliti

P1) Probabilitatea diferenei: Dac A, B K i A B atunci
P(B-A)=P(B)-P(A)
Demonstraie:
Din relaiile B = A (B - A) i A (B - A) = aplicnd axioma iii)
avem P ( B ) P A ( B A) P ( A) P ( B A)
P2) Probabilitatea reunirii (formula lui Poincar):
Dac A, B K atunci P ( A B ) P ( A) P ( B) P( A B ) .
Demonstraie:
Din relaiile
A B A B ( A B)
A B ( A B )
aplicnd axioma iii) avem

P ( A B ) P ( A) P B ( A B) P ( A) P ( B ) P ( A B )
dac s-a folosit P1.

Generalizare:
14
Dac
A1,A2,An
sunt
evenimente
compatibile
atunci
A P( A ) P( A A ) P( A A A ) ... (1) P A
i
i 1
i 1
i , j 1
i j
n1
i j k
i 1
P3) Probabiliti condiionate: Dac P(B) 0 atunci raportul

P( A B)
l numim probabilitatea lui A condiionat de B i notm PB(A)
P( B)
sau
P ( A B)
Demonstraie:
Artm c PB ( A) satisface axiomele probabilitii:
i)
PB ( A) 0 deoarece P ( A B) 0 i P ( B ) 0
ii)
PB ( E )
iii)
Fie A1 i A2 K i A1 A2 . Avem
P ( B E ) P( B )
1
P( B)
P( B )
P B ( A1 A2 ) P ( B A1 ) ( B A2 )
P( B)
P( B)
,
P ( B A1 ) P ( B A2 ) P ( B A1 ) P ( B A2 )
PB ( A1 ) PB ( A2 )
P( B)
P( B)
P( B)
PB ( A1 A2 )
dac ( B A1 ) ( B A2 ) .
Observaie 1.5.1.
1) Oricrui cmp de evenimente [E,K] i putem ataa un cmp de
probabilitate condiionat {E, K, PB}.
2) P(A B) P(B) PB (A) - formula de calcul a interseciei a dou
evenimente dependente. Are loc o generalizare: dac A1, A2, An sunt
evenimente dependente atunci
i 1
15
P ( A 1 ) PA1 ( A 2 ) PA1 A 2 ( A 3 )....Pn 1 ( A n ).

A i
i 1
3) Dac evenimentele A i B sunt independente atunci PB(A)=P(A) i

P( A B) P( A ) P(B) - formula de calcul a interseciei a dou evenimente
independente.
Generalizare:
Dac A1, A2,
A i
i 1
An
sunt
evenimente
independente
atunci
P( A
i 1
).
4) Dac evenimentele A i B se condiioneaz reciproc i

P( A ) 0, P(B) 0 atunci P (A) PA (B) P (B) PB (A) .
P4) Probabilitatea reunirii evenimentelor independente. Dac A1, A2,
i 1
An sunt evenimente independente, atunci: P
A
i 1
1 1 P(A i )
Demonstraie:
n
Folosind relaiile lui De Morgan
i 1
i faptul c Ai
i 1
sunt evenimente independente implic
A
i
i 1
1 P
A
i
i 1
1 P
A
i
i 1
i 1
i 1
1 P ( Ai ) 1 1 P ( Ai )
P5) Inegalitatea lui Boole: A1, A2, An, sunt evenimente dependente
atunci
Ai
i 1
P( A ) (n 1) 1 P( A )
i
i 1
i 1
16
Demonstraie:
Verificm inegalitatea din enun prin inducie matematic.
Pentru n = 2 avem P( A1 A2 ) P ( A1 ) P ( A2 ) P ( A1 A2 ) dac
P ( A1 A2 ) 1 i rezult
P ( A1 A2 ) P ( A1 ) P ( A2 ) 1 relaia este
adevrat.
Presupunem inegalitatea adevrat pentru n-1 adic
Ai
i 1
n 1
n 1
P( A ) (n 2)
i
i demonstrm pentru n.
i 1
Avem succesiv
i 1
n 1
i 1
An P
n 1
P( A ) (n 2) P( A
i
i 1
) 1
n 1
A
i 1
P ( An ) 1
P( A ) (n 1)
i 1
dac s-a inut seama de ipoteza de inducie.

P6) Formula probabilitii totale: Dac A1A2, An este un sistem
n
complet de evenimente [E, K] i X K atunci P(X)= P(A i ) PA (X ).

i 1
Demonstraie:
Din ipoteza c Ai,
i 1, n
este un sistem complet de evenimente
rezult c X ( A1 X ) ( A2 X ) ... ( An X )
Deoarece
Ai A j , i j , i, j 1, n
avem c
( X Ai ) ( X A j ) , i j , i, j 1, n
Avem succesiv
P( X ) P
( A
i 1
n
n
X ) P ( Ai X ) P ( Ai ) PAi ( X )
i 1
i 1
17
P7) Formula lui Bayes: Dac A1, A2, An este un sistem complet de
evenimente al cmpului [E, K] i X K atunci:
P(A i ) PA i (X)
PX(Ai)=
P(A ) P
i
i 1
Ai
(X)
i 1, n
Demonstraie:
Deoarece P ( X Ai ) P( X ) PX ( Ai ) i
P( X Ai ) P( Ai ) PAi ( X )
PX ( Ai )
P ( Ai ) PAi ( X )
P( X )
avem
P( X ) PX ( Ai ) P ( Ai ) PAi ( X ) , deci
P ( Ai ) PAi ( X )
n
P( A ) P
i 1
Ai
(X )
dac s-a folosit formula
probabilitii totale.
Exemplul 1.5.2. Cele 26 de litere ale alfabetului, scrise fiecare pe un
cartona, sunt introduse ntr-o urn. Se cere probabilitatea ca extrgnd la
ntmplare de 5 ori cte un cartona i aezndu-le n ordinea extragerii s
obinem cuvntul LUCIA.
Rezolvare:
Notm prin X evenimentul cutat, deci de a obine prin extrageri
succesive cuvntul LUCIA, de asemenea notm prin A1 = evenimentul ca la
prima extragere s obinem litera L; A2 = evenimentul ca la a doua extragere
s obinem litera U; A3 = evenimentul ca la a treia extragere s obinem litera
C; A4 = evenimentul ca la a patra extragere s obinem litera I; A 5 =
evenimentul ca la a cincea extragere s obinem litera A.
Atunci evenimentul X are loc dac avem
X A1 A 2 A 3 A 4 A 5 .
Rezult:
18
P ( X ) P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) P ( A4 A1 A2 A3 )
P ( A5 A1 A2 A3 A4 )
1 1 1 1 1
.
26 25 24 23 22
Exemplul 1.5.3. Dac probabilitatea ca un automobil s plece n

curs ntr-o diminea friguroas este de 0,6 i dispunem de dou automobile
de acest fel, care este probabilitatea ca cel puin unul din automobile s plece
n curs ntr-o diminea friguroas?
Rezolvare:
Dac notm prin A1 i A2 evenimentele ca primul respectiv, al doilea
automobil s plece n curs i prin X evenimentul cutat, deci ca cel puin
unul dintre automobile s plece n curs, avem: X A1 A 2 , iar
P(X) P(A 1 A 2 ) P(A 1 ) P(A 2 ) P( A 1 A 2 ),
deoarece
evenimentele A 1 i A 2 sunt compatibile (cele dou automobile pot s plece

n curs deodat). Cum P( A 1 ) = P( A 2 ) = 0,6, iar evenimentele A 1 i A 2
sunt independente ntre ele (plecarea unui automobil nu depinde de plecarea
sau neplecarea celuilalt), deci P( A 1 A 2 ) = P( A 1 ) P(A 2 ) = (0,6) 2 . Se
obine c P(X) = 0,6 + 0,6 - (0,6) 2 = 0,84.
Exemplul 1.5.4. Trei secii ale unei ntreprinderi S1 , S 2 , S 3
depesc planul zilnic de producie cu probabilitile de respectiv 0,7; 0,8 i
0,6. S se calculeze probabilitile evenimentelor:
A - cel puin o secie s depeasc planul de producie.
B - toate seciile s depeasc planul de producie.
Rezolvare:
Fie A i evenimentul ca secia S i s depeasc planul de producie.
Avem: A = A1 A 2 A 3 , deci
19
P(A) = P (A 1 A 2 A 3 ) 1 P( A1 A 2 A 3 ) = 1 P( A 1 ) P( A 2 ) P( A 3 ) =
1- (1-0,7)(1-0,8)(1-0,6) = 1 0,3 0,2 0,4 0,976 .
B = A1 A 2 A 3 i innd seama de independena evenimentelor, avem:
P(B) = P( A 1 A 2 A 3 ) P(A 1 ) P(A 2 ) P( A 3 ) 0,7 0,8 0,6 0,336 .
Exemplul 1.5.5. O pres este considerat c satisface standardul de
fabricaie dac trei caracteristici sunt satisfcute. Dac aceste caracteristici A,
B i C sunt satisfcute cu probabilitile P(A) =
9
7
, P(B) =
i P(C) =
10
11
11
, atunci probabilitatea ca s fie satisfcute toate trei caracteristicile se
12
poate evalua cu formula lui Boole. Astfel se poate scrie:

P( A B C) 1 P( A ) P(B) P( C ), adic
P(
4
1
229
1

.
660
10 11 12
A B C) 1
Exemplul 1.5.6. Un sortiment de marf dintr-o unitate comercial

provine de la trei fabrici diferite n proporii, respectiv
fabric,
1
de la prima
3
1
de la a doua fabric i restul de la fabrica a treia. Produsele de la
6
cele trei fabrici satisfac standardele de fabricaie n proporie de 90%, 95% i

respectiv 92%. Un client ia la ntmplare o bucat din sortimentul de marf
respectiv.
a) Care este probabilitatea ca produsul s satisfac standardele de
fabricaie?
b) Care este probabilitatea ca produsul s fie defect i s provin de
la prima fabric?
20
Rezolvare:
a) Notm cu A 1 , A 2 i A 3 evenimentele ca produsul cumprat s
fie de la prima, a doua, respectiv a treia fabric. Aceste trei evenimente
formeaz un sistem complet de evenimente i au probabilitile P(
A1 )
1
1
1
, P(A 2 )
i P ( A3 ) . Dac A este evenimentul c produsul
3
6
2
cumprat de client satisface standardele de fabricaie, atunci P(A

A 1 ) 0,90,
P( A A 2 ) 0,95
i P( A A 3 ) 0,92 . Folosind formula
probabilitii totale se obine:

P ( A) P ( A1 ) P ( A A1 ) P ( A2 ) P ( A A2 ) P ( A3 ) P ( A A3 )
1
1
1
5,51
0,90 0,95 0,92
0,918
9
6
2
6
b) Folosind formula lui Bayes, avem:

P( A 1 A )
P( A 1 ) P ( A A 1 )
P ( A 1 ) P( A A 1 ) P( A 2 ) P( A A 2 ) P( A 3 ) P( A A 3 )
1
0,10
0,2
3
0,408.
=
1
1
1
0,49
0,10 0,05 0,08
3
6
2
1.6. Scheme clasice de probabilitate

Sub aceast denumire se pot ntlni cteva experimente-model care
conduc la calculul rapid al probabilitilor unor evenimente care se produc
sau apar n condiii analoage celor ce definesc experimentele-model. Cu alte
cuvinte, pot fi calculate anumite probabiliti pe baza unor formule sau
scheme de calcul, indiferent de natura experimentului considerat, fr a mai
recurge de fiecare dat la procedeele greoaie sugerate de formula dat de
definiia clasic.
21
Schema lui Bernoulli cu bila ntoars (binomial) 1.6.1.

Se aplic n cazul n care se fac repetri independente ale unui
experiment i la fiecare repetare se are n vedere apariia unui eveniment bine
precizat. Se cere determinarea probabilitii ca din n repetri ale
experimentului, evenimentul considerat s apar de k ori.
Modelul probabilistic se realizeaz printr-o urn ce conine bile de
dou culori (albe i negre). Se extrag bile din urn una cte una, fiecare bil
se reintroduce n urn dup constatarea culorii. Se cere determinarea
probabilitii ca din n bile extrase, k s fie de culoare alb.
Fie A i evenimentul ca la extragerea de rang i s se obin o bil
alb i A i evenimentul ca la extragerea de rang i s se obin o bil neagr.
Dac n urn se afl N bile, din care a = bile albe i b = bile negre, avem
p = P( A i )
a
b
i P( A i ) q , evident p+q=1. Notm cu X k ,n k
N
N
evenimentul ca dup n extrageri s obinem de k ori bil alb i apoi de n-k

ori bil neagr, avem:
k n k
P( X k ,n k ) P(A 1 A 2 ... A k A k 1 ... A n ) p q .
Dac X este evenimentul ca din cele n bile extrase exact k s fie

k
k k n k
albe, avem: P(X) = C n P(X k ,n k ) C n p q
n!
p k q n k .
k!(n k )!
Aceast probabilitate se mai noteaz P(n,k) = C kn p k q n k , p+q=1.

Observaie 1.6.2.
1) Dac se consider formula binomului lui Newton:
22
k 0
k 0
(px q ) n C kn p k q n k x k P(n , k ) x k , deci P(n,k) este coeficientul lui

n
x k din dezvoltarea binomial (px q ) , de aici i denumirea de schema
binomial.
n
2)
P(n, k ) 1.
k 0
Schema multinomial 1.6.3.

Este o generalizare a schemei binomiale. Fie o urn ce conine N
bile de s culori, c i , i 1, s i a i numrul bilelor de culoare c i , i =
s
a
i 1
1, s
, iar
N . Se fac n extrageri succesive cu revenirea bilei n urn. Fie X
evenimentul ca n cele n extrageri s obinem i bile de culoare c i , i 1, s .

Se cere P(X) = Pn ( 1 , 2 ,..., s ) . Notm A i evenimentul ca la o extragere
s obinem bila de culoare c i , i 1, s, p i P(A i )
Pn ( 1 , 2 ,..., s )
ai
, i 1, s , atunci:
N
n!
p1 1 p 2 2 ...p s s , unde
1! 2 !... s !
i 1
Schema lui Bernoulli cu bila nentoars (hipergeometric) 1.6.4.

Se consider o urn care conine bile de dou culori: a bile albe i b
bile negre. Se extrag bile din urn, una cte una, fr ntoarcerea bilelor
extrase napoi n urn. Se cere s se determine probabilitatea ca din n bile
extrase k s fie de culoare alb i n-k de culoare neagr.
n
Exist C a b posibiliti de a lua n bile din totalul de a+b bile cte
sunt n urn la nceput. Numrul posibilitilor de a lua k bile albe din cele a
k
existente la nceput n urn este C a , iar pentru a lua n-k bile negre din cele b
bile negre ce se afl n urn la nceput este C
n k
b
23
C ak C nb k
, deci P(n,k) =
,
C an b
unde a k, b n k i a b n .
Generalizare:
n urn se afl bile de r culori, adic a 1 bile de culoarea 1, a 2 bile
de culoarea 2 etc. a r bile de culoarea r i se extrag n bile fr ntoarcerea
bilei extrase n urn. Se cere probabilitatea P(n; k 1 , k 2 ,..., k r ) ca din cele n
bile extrase s se obin k 1 bile de culoarea 1, k 2 bile de culoarea 2 etc.
Avem:
P(n; k1 , k 2 ,..., k r )
Cak11 Cak22 ...Cakrr

Cak11ak22......akrr
, cu k1 k 2 ... k r n
Schema lui Poisson 1.6.5.

experiment i la fiecare repetare se are n vedere un anumit eveniment,
eveniment ce apare, n general, cu probabiliti diferite la repetri de rang
diferit. Se cere s se determine probabilitatea ca din n repetri ale
experimentului, evenimentul considerat s apar de k ori.
Modelul probabilistic se obine cu ajutorul unui sistem de n urne
care conin bile de dou culori, albe i negre, n proporii diferite, n general.
Se ia cte o bil din fiecare urn i se cere probabilitatea P(n,k) de a obine k
bile albe din cele n extrase.
Notm cu p i probabilitatea de a extrage bil alb din urna de rang i
i cu q i probabilitatea de a extrage bil neagr din urna de rang i, unde
p i q i 1, i 1, n. Avem c P(n,k) este coeficientul lui x k din dezvoltarea
polinomului: (p1 x q 1 )(p 2 x q 2 )...(p n x q n ) .
24
Schema lui Pascal (binomial cu exponent negativ) 1.6.6.

experiment i la fiecare repetare evenimentul considerat apare cu aceeai
probabilitate. Vrem s determinm probabilitatea ca pn la cea de-a n-a
apariie a evenimentului considerat s se fi realizat contrarul evenimentului
considerat de k ori.
Modelul probabilistic se realizeaz printr-o urn cu bile de dou
culori, albe i negre. Se extrag bile din urn cu ntoarcerea bilei extrase dup
ce s-a notat culoarea ei. Vom spune c avem "succes", dac s-a obinut bila
alb i "insucces", dac s-a obinut bila neagr. La fiecare repetare, "succes"
apare cu probabilitatea p i "insucces" apare cu probabilitatea q=1-p. Vrem s
determinm probabilitatea P(n,k) ca la apariia celui de-al n-lea "succes" s se
fi obinut k "insuccese". Notm B n , k evenimentul c la apariia celui de-al nlea "succes" s-au obinut k "insuccese". Atunci Bn ,k An1 An k , unde
An 1 = evenimentul ca n primele n+k-1 repetri s se obin n-1 "succese"
i k "insuccese", iar A n k = evenimentul ca la repetarea de rang n+k s avem

"succes". Avem P( Bn ,k ) P ( An1 ) P ( An k ) , dar P( A n k ) p, iar P( An 1 )
se calculeaz conform schemei binomiale, adic P ( An 1 ) C nnk11 p n 1 q k .
Rezult c: P(n,k) = C nn 1k 1 p n q k .
Observaie 1.6.7.
1) Din proprietatea de complementaritate a combinrilor, avem:
P ( n, k ) Cnkk 1 p n q k .
2) P(n,k) se obine ca i coeficientul lui x k din dezvoltarea lui

p n (1 qx ) n
pn
C kn k 1 p n q k x k P( n , k ) x k , qx 1 ,
n
(1 qx )
k 0
k 0
deci
25
seria binomial; de aici i denumirea de schema binomial cu exponent

negativ.
3) Dac n=1, adic dac se cere probabilitatea ca la apariia primului
"succes" s se fi produs k "insuccese", avem P(1,k) = pq k . n acest caz
particular, se obine schema geometric, deoarece P(1,k) este coeficientul lui
din seria geometric, adic

pq k x k
1 qx k 0
P(1, k ) x
k 0
Exemplul 1.6.8. O unitate hotelier se consider c este normal

ocupat dac cel puin 80% din capacitatea sa este utilizat. Dintr-un studiu
statistic s-a obinut c probabilitatea ca hotelul s fie normal ocupat ntr-o zi
7
. Vrem s calculm probabilitatea ca unitatea hotelier s fie
8
este p =
normal ocupat n cinci zile din cele apte zile ale unei sptmni.
Rezolvare:
Calculul acestei probabiliti se face cu schema lui Bernoulli cu bila
ntoars, unde n=7, k=5; p=
7
1
i q = 1-p =
. Astfel se obine c:
8
8
7
8
1
8
5
5
2
P(7,5) = C 7 ( ) ( )
3 7 6
( ) .
8 8
Exemplul 1.6.9. Piesele produse de o main sunt supuse la dou

teste independente. Probabilitile ca o pies s treac aceste teste sunt
respectiv
2
3
i
. S se calculeze probabilitatea ca din 5 piese luate la
3
4
ntmplare, 2 s treac ambele teste, 1 numai primul test, 1 numai al doilea

test, iar una s nu treac nici un test.
Rezolvare:
26
Aceast probabilitate se calculeaz cu schema multinomial, unde

n=5, s=4, 1 2, 2 3 4 1 , iar ntruct testele sunt independente, avem
c:
p1
2 3 1
2
3
1
2 3 1
2
3
1
; p 2 (1 ) ; p 3 (1 ) ; p 4 (1 )(1 )
.
3 4 2
3
4
6
3 4 4
3
4
12
Astfel, putem scrie: P(5; 2,1,1,1) =
5!
1
1 1 1
5
( )2
.
2!1!1!1! 2
6 4 12 96
Exemplul 1.6.10. ntr-un lot de 50 de piese, 10 sunt defecte. Se iau

la ntmplare 5 piese. Vrem s calculm probabilitatea ca trei piese din cele
cinci s nu fie defecte.
Rezolvare:
Aceast probabilitate se calculeaz cu schema lui Bernoulli cu bila
2
nentoars, unde a+b=50; a=40, b=10, n=5 i k=3. Avem P(5;3) = C 340 C10
.
5
C 50
Exemplul 1.6.11. Patru trgtori trag asupra unei inte. Primul

atinge inta cu probabilitatea
probabilitatea
2
3
, al doilea cu probabilitatea
, al treilea cu
3
4
4
, iar al patrulea cu probabilitatea
5
5
. Care este
6
probabilitatea ca inta s fie atins exact de 3 ori?

Rezolvare:
Evenimentele A i = trgtorul "i" atinge inta; i = 1,2,3,4 sunt
independente i:
27
2
3
4
; p2 P( A2 ) ; p3 P ( A3 ) ;
3
4
5
5
1
p4 P ( A4 ) ; q1 1 p1
6
3
p1 P( A1 )
q2 1 p2
1
1
1
; q3 1 p3 ; q4 1 p4 . Probabilitatea ca din aceste
4
5
6
patru evenimente s se realizeze trei i unul nu, este coeficientul lui x 3 din
dezvoltarea polinomului: Q(x) =
2
1 3
1 4
1 5
1
( x )( x )( x )( x ) ,
3
3 4
4 5
5 6
6
adic:
2 3 4 1 2 3 1 5 2 1 4 5 1 3 4 5
0,427.
3 4 5 6 3 4 5 6 3 4 5 6 3 4 5 6
Exemplul 1.6.12. Doi juctori sunt angrenai ntr-un joc format din
mai multe partide. Primul juctor ctig o partid cu probabilitatea p =
o pierde cu probabilitatea q = 1-p =
1
i
3
2
. S se calculeze probabilitatea c:
3
a) prima partid ctigat de primul juctor s se produc dup cinci

partide pierdute;
b) a treia partid ctigat de primul juctor s se produc dup un
total de ase partide pierdute.
Rezolvare:
a) Se aplic schema geometric. Prin urmare, probabilitatea cerut
este dat de P(1,5) = p q 5 =
1 2 5
32
( )
.
3 3
729
b) Se utilizeaz schema lui Pascal, unde n=3, k=6, p=

Astfel, probabilitatea cerut este:
1
2
, q=
.
3
3
28
1
3
2
3
6
3
6
P(3,6) = C 8 ( ) ( )
7 2 9
( ) .
2 3
Exemplul 1.6.13. ntr-o cutie sunt 12 bile marcate cu 1; 8 sunt

marcate cu 3 i ase sunt marcate cu 5. O persoan extrage la ntmplare din
cutie 4 bile. S se calculeze probabilitatea ca suma obinut s fie cel mult 13.
Rezolvare:
Dac notm cu A evenimentul ca suma obinut de cele patru bile s
fie cel mult 13, atunci evenimentul contrar A este evenimentul ca suma s
fie cel puin 14. Se vede c suma maxim ce se poate obine este 4 5 = 20.
De asemenea, avem c
3 5 1 3 18; 3 5 1 1 16; 2 5 2 3 16; 2 5 1 3 1 1 14; 1 5 3 3 14.
Alte posibiliti de a obine suma cel puin 14 din patru bile nu

exist. Aadar, pentru a obine suma 14, trebuie luate dou bile marcate cu 5
din cele ase existente, una marcat cu 3 din cele opt i una marcat cu 1 din
cele 12, respectiv una marcat cu 5 i 3 marcate cu 3.
Folosind schema lui Bernoulli cu bila nentoars cu 3 stri se obine
c:
P14 P(4;2,1,1) P(4;1,3,0)
0
C 62 C18 C112 C16 C 83 C12
888
.
4
4
7475
C 26
C 26
Analog, avem c:
P16 P(4;2,2,0) P( 4;3,0,1)

P18 P( 4;3,1,0)
0
C 62 C 82 C12
C 36 C 80 C112
66
;
1495
C 426
C 426
0
0
C 36 C18 C12
C 64 C 80 C12
16
.
P
P
(
4
;
4
,
0
,
0
)
.
20
1495
C 426
C 426
Avem c:
P( A ) = P14 P16 P18 P20
2611
, de unde
14950
P(A) = 1-P( A ) = 1-
2611
12339
=
14950 14950
29
0,825 .
1.7. Variabile aleatoare discrete

n ciuda faptului c dup repetarea unui experiment de un numr
mare de ori intervine o anumit regularitate n privina apariiei unor rezultate
ale acestuia, nu se poate preciza niciodat cu certitudine care anume dintre
rezultate va apare ntr-o anumit prob. Din acest motiv cuvntul sau
conceptul aleator trebuie neles sau gndit n sensul c avem de-a face cu
experimente sau fenomene care sunt guvernate de legi statistice (atunci cnd
exist un anumit grad de incertitudine privind apariia unui rezultat sau
reapariia lui) i nu de legi deterministe (cnd tim cu certitudine ce rezultat
va apare sau nu). Pentru ca astfel de experimente sau fenomene s fie
cunoscute i prin urmare studiate, sunt importante i necesare dou lucruri i
anume:
1.
rezultatele posibile ale experimentului, care pot constitui o

mulime finit, infinit sau numrabil sau infinit i
nenumrabil;
2.
legea statistic sau probabilitile cu care este posibil

apariia rezultatelor experimentului considerat.
n linii mari i ntr-un neles mai larg, o mrime care ia valori la

ntmplare sau aleatoriu dintr-o mulime oarecare posibil se numete
variabil aleatoare (sau ntmpltoare). Se poate da i o definiie riguroas.
Definiie 1.7.1. Fie cmpul de probabilitate {E, K, P}. Numim
variabil aleatoare de tip discret o aplicaie X:ER care verific condiiile:
i) are o mulime cel mult numrabil de valori;
ii) x R (X x ) K
30
Observaii 1.7.2.
1) Dac K=P(E) atunci ii) este automat ndeplinit;
2) Dac o variabil ia un numr finit de valori vom spune c este
variabil aleatoare simpl.
Definiie 1.7.3. Numim distribuia sau repartiia variabilei aleatoare
X de tip discret, tabloul
xi
X
pi iI
unde xi, i I, sunt valorile pe care le ia X
iar pi este probabilitatea cu care X ia valoarea x i adic pi = P(X = xi ), i I

mulimea I putnd fi finit sau cel mult numrabil.
Observaii 1.7.4.
1) Evenimentele (X = xi ) formeaz un sistem complet de
evenimente i
p
iI
1.
2) Se obinuiete ca valorile variabilei s se noteze n ordine

cresctoare adic x 1 x 2 x 3 ... x n ....
3) Variabila aleatoare pentru care mulimea valorilor este un interval
finit sau infinit pe axa numerelor reale este variabil aleatoare continu.
4) Forma cea mai general a unei variabile aleatoare aparinnd unei
clase de variabile aleatoare de tip discret se numete lege de probabilitate
discret.
31
Definiie 1.7.5. Spunem c variabilele aleatoare X i Y care au
respectiv distribuiile
xi
X
pi iI
yj
Y
q
j jJ
sunt independente dac
P(X = xi , Y = yj) = P(X = xi ) P(Y = yj), (i, j) IxJ.

Definiie 1.7.6. Fie variabilele aleatoare X, Y care au respectiv
distribuiile
xi
X
pi iI
yj
Y
q
j jJ
atunci variabila aleatoare sum X+Y,
32
produs X Y i ct
X
Y
(dac y j 0, j J ) vor avea distribuiile
xi
xi y j xi y j X
X Y , X Y y j
p p Y
ij (i,j)IxJ ij (i,j)IxJ pij
(i,j)IxJ
,
unde
pij = P(X = xi, Y = yj) (i,j) IxJ.

Definiie 1.7.7. Se numete
a)
produs al variabilei aleatoare X cu constanta a variabila

axi
aleatoare aX :
pi
i I
putere a variabilei aleatoare X de exponent k, k Z ,
b)
xik
pi
k
variabila aleatoare X :
cu condiia ca operaiile xik ,

iI
i I , s aib sens.
Observaie
p
iI
ij
q j , j J.
1.7.8.
Au
loc
relaiile
p
jJ
ij
p i , i I
Dac
variabilele
X,Y
sunt
33
independente
atunci
pij pi q j , (i, j ) I J
Definiie 1.7.9. Numim funcie de repartiie ataat variabilei

aleatoare X funcia F:RR, definit prin F(x)=P(X<x), x R , adic
pi , x R .
F(x)= x
x
i
Proprieti ale funciei de repartiie 1.7.10.

1. x R , 0 F( x ) 1
2. a , b R , a b avem:
P(a X b) F(b) F(a )
P(a X b) F(b) F(a ) P( X a )
P(a X b) F( b) F(a ) P( X a ) P(X b)
P(a X b) F( b) P (X b) F(a )
Demonstraie:
Avem succesiv
P ( a X b ) P ( X b, X a ) P ( X b ) ( X a )
P( X b) P ( X a ) F (b) F ( a )
dac s-a inut seama de relaia ( X a) ( X b) i s-a folosit probabilitatea

diferenei.
P ( a X b ) P ( a X b ) ( X a ) P ( a X b ) P ( X a )
F (b ) F ( a ) P ( X a )
dac s-a folosit relaia demonstrat anterior.

3. x 1 , x 2 R , x 1 x 2 , F( x 1 ) F( x 2 )
Demonstraie:
0 P( x 1 X x 2 ) F ( x 2 ) F ( x1 ) F ( x1 ) F ( x 2 )
F ( x) 0, lim F ( x) 1
4. xlim
34
Demonstraie:
lim F ( x) lim P ( X x) P ( ) 0
lim F ( x) lim P ( X x ) P ( E ) 1
5. x R , F( x a ) F( x ) (F este continu la stnga)

Exemplul 1.7.11. Se consider variabila aleatoare discret
1
X: 2
p
2 3
7
1
p
4
3
4
1 . Care este probabilitatea ca X s ia o valoare mai
mic sau egal cu 3?

Rezolvare:
Pentru ca X s fie o variabil aleatoare trebuie ca p 0 i
p2
7
1 1
1
p 1 . Se obine soluia acceptabil p . Se calculeaz
4
3 6
4
probabilitatea cerut prin intermediul evenimentului contrar i anume

P( X 3) 1 P( X 4) 1
1 5
sau
6 6
P(X 3) P(X 1) P(X 2) P( X 3)
1
7 1 5
.
16 16 3 6
Exemplul 1.7.12. Se dau variabilele aleatoare independente:
0
1
0
1
1
1
1
1 1 ; Y : 1
q
2p q 12p 2 .
p
6
3 3
X :
a) S se scrie distribuia variabilei 2XY.

b) Pentru ce valori ale lui c avem: P(X Y c)
Rezolvare:
2
?
9
35
Pentru ca X i Y s fie variabile aleatoare se impun condiiile:
1
1 1
p
1
6
3
3
1
1
p 0; q 0;2p q 0 i apoi :
, rezult valorile
6
3
1
2p q 12p 2 1
3
acceptabile p
1 0
X: 1 1
3 3
1
i q = 0. Deci variabilele aleatoare au repartiiile:
6
1
1 0
1 ; Y : 1 1
3
3 3
2 0
a) 2XY : 2 5
9 9
1
1 . Avem :
2
2
2 1 0
1
2 3
X
Y
:
b)
9 9
9
corespunde situaiei P(X + Y = 0) =
1
2
9
2
1 , deci P(X + Y = c)> 2
9
9
3 2
adic c = 0.
9 9
Exemplul 1.7.13. Variabila aleatoare X cu distribuia urmtoare:
1
0
,
dac
x
X: 2
1
6
1
1
2
1 , dac 1 x 1,
F( x ) P ( X x ) 6
2
1 , are funcia de repartiie:
2
3
, dac 1 x 2,
3
1, dac x 2
Graficul funciei de repartiie este:
36
F(x)
1
2/3
1/6
1/2
1.8. Vector aleator bidimensional de tip discret

Definiie 1.8.1. Fie cmpul de probabilitate {E,K,P}. Spunem c
U=(X,Y) este vector aleator bidimensional de tip discret dac aplicaia U:E
R 2 verific condiiile:
i) are o mulime cel mult numrabil de valori;
ii) ( x, y) R 2 , (X x , Y y) K .
Definiie 1.8.2. Numim distribuia sau repartiia vectorului aleator
(X,Y) de tip discret tabloul:
y1yj
x1
p11p1j
unde
valorile pe care le ia
xi
pi1pij
..
.
..
.
..
.
.
( x i , yi )
sunt
vectorul aleator (X,Y),

iar p ij P(X x i , Y y i
).
37
Definiie 1.8.3. Numim funcie de repartiie ataat vectorului

aleator bidimensional funcia F: R 2 R , definit prin:
F(x,y) = P(X<x, Y<y), ( x , y) R 2 .
Proprietile funciei de repartiie a unui vector aleator
bidimensional de tip discret 1.8.4.
1. ( x, y) R 2 ,0 F( x, y) 1 .
2. dac a<b i c<d, atunci
P(a X b, c Y d ) F(b, d ) F(a , d ) F(b, c) F(a , c) .
3. F(x,y) este nedescresctoare n raport cu fiecare argument.
4.
lim F(x, y) lim F(x, y) lim F(x, y) 0; lim F(x, y) 1 .
x
y
x
y
5. F(x,y) este continu la stnga n raport cu fiecare argument.

Observaie 1.8.5. Dac (X,Y) are funcia de repartiie F, iar
variabilele X i Y au funciile de repartiie FX i respectiv FY , atunci:
FX ( x ) lim F( x , y) i FY ( y) lim F( x , y) .
y
x
Exemplul 1.8.6. Se consider vectorul aleator discret (X,Y) cu

repartiia dat n tabelul:
X
0,20
0,10
0,05
0,15
0,45
0,05
38
a) s se determine repartiia variabilelor X,Y, X+Y;

b) s se stabileasc dac X i Y sunt independente sau nu;
7
,5 .
2
c) s se calculeze F
Rezolvare:
a) Variabila X are repartiia:

X:
1 3 4
p1 p 2 p 3
p1 p11 p12 0,20 0,10 0,30
, unde p 2 p 21 p 22 0,05 0,15 0,20 , adic

p 3 p 31 p 32 0,45 0,05 0,50
4
.
X:
0,30 0,20 0,50
2 6
Analog, variabila Y are repartiia Y: q q , unde

1 2
q 1 p11 p 21 p 31 0,20 0,05 0,45 0,70
2
6
, adic Y: 0,70 0,30 .
q 2 p12 p 22 p 32 0,10 0,15 0,05 0,30
Avem:
X+Y:
3
4
0,20 0,05
0,45 0,10
10
0,15 0,05
b) Pentru verificarea independenei variabilelor X,Y, efectum un

control, de exemplu:
P(X=1) P(Y=2) = 0,30 0,70 0,21 , iar P[(X=1) (Y=2)] =
p11 0,20 . Cum 0,21 0,20, deducem c X i Y sunt dependente.
7
2
7
2
c) F( ,5) P(X , Y 5) P[(X 1, Y 2) (X 3, Y 2)]

=P(X=1,Y=2) +P(X=3,Y=2) = 0,20+0,05 = 0,25.
1.9. Variabile aleatoare de tip continuu
39
Definiie 1.9.1. Fie variabila aleatoare X avnd funcia de repartiie
F , vom spune c X este variabil aleatoare de tip continuu dac funcia de

repartiie se poate reprezenta sub forma:
F(x) =
( t )dt , x R
Funcia : R R se numete densitate de probabilitate a variabilei

aleatoare X.
Propoziie 1.9.2. Au loc afirmaiile:
1)
x R , ( x ) 0 .
2) F'(x) = ( x ) a.p.t. pe R.
3) P(a X<b) =
4) ( x )dx
b
a
( x )dx .
1.
Observaie 1.9.3.
1. Pentru o variabil de tip continuu P(X=a)= 0, deci P(a X<b) =
P(a<X<b) = P(a X b) = P(a<X<b) =
2.
( x) F ' ( x) lim
x 0
b
a
( x )dx .
F ( x x) F ( x)
P( x X x x )
lim
,
0
x
x
deci cnd x este mic avem P(x X x x ) ( x ) x .

Definiie 1.9.4. Fie vectorul aleator (X,Y) avnd funcia de repartiie
F, spunem c (X,Y) este un vector aleator de tip continuu, dac funcia de
repartiie F se poate pune sub forma:
F(x,y) =
(s, t ) ds dt , ( x , y) R 2
, iar funcia : R 2 R
se numete densitate de probabilitate a vectorului aleator (X,Y).

Observaie 1.9.5. Dac este densitate de probabilitate pentru
(X,Y), iar X i Y densiti de probabilitate pentru X, respectiv Y au loc:
1)
( x , y) 0 , ( x , y) R 2 .
40
2)
2 F( x , y)
( x , y) a.p.t. pe R 2 .
xy
2
3) P((X,Y) D ) ( x, y ) dx dy, D R .
D
4)
R2
( x , y) dx dy 1 .
5)
Y ( y )
X (x)
( x , y)dy, x R
( x, y ) dx, y R .
Definiie 1.9.6. Spunem c variabilele aleatoare de tip continuu X i

Y sunt independente dac F(x,y) = FX ( x ) FY ( y) , ( x , y) R 2 .
kxy 2 ,
0,
( x, y )
Aplicaie 1.9.7. Funcia
( x, y ) 0
este densitate de probabilitate dac

2
ceea ce implic ecuaia n k, k 1
( x, y ) 1,2 1,3
n rest
( x, y )dxdy 1
R2
xy 2 dxdy 1 , verificat pentru k
1
13
.
n acest caz funcia de repartiie va fi
0
1 2
( x 1)( y 3 1)
78
x y
1 3
F ( x, y ) uv 2 dudv
( y 1)
1 1
26
1 ( x 2 1)
2
1
, dac x 1 sau y 1
, dac x, y 1,2 1,3
, dac y 1,3 i x 2
, dac y 1,2 i y 3
, dac x 2 i y 3
i deducem de asemenea c funciile de repartiie marginale sunt, respectiv,
, x 1
0
1 2
FX ( x) ( x 1) , x 1,2 ; FY ( y )
3
,x2
41
0
, y 1
1 2
( x 1) , y 1,3
3
1
, y3
1.10. Exemple de legi de probabilitate de tip continuu

Teorema
1.10.1.
sunt
independente
( x , y) X ( x ) Y ( y).
Demonstraie:
Presupunem c variabilele aleatoare X i Y sunt independente,
atunci F(x, y) = FX(x) FY(y). Derivm aceast relaie n raport cu x i
respectiv y, rezult c ( x, y )
F ( x, y )
FX/ ( x ) FY/ ( y ) X ( x ) Y ( y )
xy
Afirmaia invers rezult din:

x
F ( x, y )
( s, t )dsdt
X ( s) Y (t )dsdt
X ( s)ds Y (t )dt FX ( x) FY (
Obinem c X, Y sunt variabile aleatoare independente.

Teorema 1.10.2. Fie vectorul aleator
(X, Y) cu densitatea de
probabilitate i z densitatea de probabilitate a variabilei aleatoare

Z=X+Y, atunci
z (x )
( u , x u )du
, x R .
Demonstraie:
Scriem funcia de rapartiie FZ a variabilei aleatoare Z.
FZ ( x ) P ( Z x ) P ( X Y )
(u, v)dudv
u v x
42
Domeniul de integrare pe care se ia integrala dubl este

D {(u , v ) R 2 / u R, v x u} . Avem FZ ( x )
x u
[ (u, v)dv]du
care prin derivare conduce la:

Z ( x ) FZ/ ( x)
x u
x [ (u, v)dv]du
(u, x u )du
Observaie 1.10.3.
1) Dac X,Y sunt independente, atunci:
z (x)
X ( u ) Y ( x u )du , x R .
x du
2) Dac U= X Y , atunci U ( x ) (u , u ) u , x R .
3) Dac V
X
, atunci
Y
V (x)
( xu , u ) u du , x R
Teorema 1.10.4. Fie variabila aleatoare X cu densitatea de

probabilitate X i funcia monoton g:RR. Atunci variabila aleatoare
Y=g(X) are densitatea de probabilitate Y dat prin:
Y (x)
X (g 1 ( x ))
g ' (g 1 ( x ))
Demonstraie:
Presupunem c g este strict cresctoare i avem:
FY ( x) P (Y x) P ( g ( X ) x) P ( X g 1 ( x )) FX ( g 1 ( x ))
Prin derivare se obine c:
Y ( x) FY/ ( x) ( g 1 ( x)) / FX/ ( g 1 ( x))

Deoarece g este cresctoare, avem g/>0, deci
X ( g 1 ( x))
g / ( g 1 ( x))
43
X ( g 1 ( x))
Y ( x) / 1
g ( g ( x))
Exemplul 1.10.5. Se consider variabila aleatoare X de tip continuu,
care are densitatea de probabilitate ( x ) a e x , x R unde a R . S se
determine:
a) parametrul real a;
b) funcia de repartiie a variabilei aleatoare X;
c) probabilitile
P (0 X 2) i P(X 0 X [-2,2]).
Rezolvare:
a) Deoarece funcia este o densitate de probabilitate, rezult c
( x ) 0, de unde a 0, i se impune ca
Avem: a -
(x)dx 1 .
dx 2a e x dx 2a (e x )
0
Rezult: 2a=1, de unde a
2a
1
.
2
b) folosind densitatea de probabilitate avem:
1x
e , dac x 0
x
1 x t 2
F(x) (t)dt e dt
2
1 - 1 e x , dac x 0
2
Dac x 0, atunci i t 0 iar F(x)
Dac x>0, atunci F(x) =
1 x t
1
e dt e t
2
2
1 x
e .
2
1 0 t
1 x
1 1
e dt e t dt (e t )
2
2 0
2 2
c) Folosind funcia de repartiie avem:
x
0
1 x
e .
2
44
1
1 1
1
P(0 X 2) F(2) - F(0) 1 - e 2 1 2
2
2 2
e
A doua probabilitate este o probabilitate condiionat, deci

P(X 0 X [2,2]) P(X 0 2 X 2)
P(X 0,2 X 2) P(2 X 0)
P( 2 X 2)
P(2 X 2)
1 1 2 1
1
e 1 2
2 2
2
e
unde
1
1
1
P( 2 X 2) F(2) F(2) 1 e 2 e 2 1 2
2
2
e
P( 2 X 0) F(0) F(2)
Se obine: P(X 0 X [2,2])
1
.
2
Exemplul 1.10.6. Se consider funcia f ( x ) 3x 2 1, x [1,3] .

a) s se arate c f(x) nu este o densitate de probabilitate.
b) s se modifice f(x) astfel nct noua funcie ( x ) s fie o
densitate de probabilitate.
3
2
c) s se calculeze probabilitatea P(1 X 2) i P X .
Rezolvare:
a) Analiznd cele dou condiii ale unei densiti de probabilitate se
obine:
1) f ( x ) 3x 2 1 0 dac x [1,3]
2)
f ( x )dx
de probabilitate.
(3x 2 1)dx 24 1 , deci f(x) nu este o densitate
b)
( x )
Dac
modificm
funcia
f(x),
45
mai
precis,
definim
1
1
f (x)
(3x 2 1), x [1,3] , atunci obinem ( x ) care este o
24
24
densitate de probabilitate.
c) Pentru a calcula probabilitile cerute se poate proceda n dou
moduri:
1) folosind funcia de repartiie F(x). Aceast funcie este:
0, dac x 1
1
F(x) (x 3 x), dac x [1,3]

24
1, dac x 3
P(1 X 2) F( 2) F(1)
De aici
3
1 3
P X

2
24 2
1
1
( 2 3 2)
24
4
3
5
3
F
2
2
64

2) folosind densitatea de probabilitate ( x ) adic

P(1 X 2)
( x )dx
1
(x 3 x)
24
2
1
1
4
3
3
5
P X 2 ( x )dx
1
2
64
1.11. Caracteristici numerice asociate variabilelor aleatoare

Fie E , K , P un cmp de probabilitate i X : E R o variabil
aleatoare. n afara informaiilor furnizate de funcia de repartiie F (x ) sau
chiar de repartiia probabilist (discret
pi
sau continu (x ) ale unei
variabile aleatoare X, de un real folos teoretic i practic sunt i informaiile pe
46
care le conin anumite caracteristici numerice (valoarea medie, dispersia,

abaterea medie ptratic sau diverse alte momente) ale lui X despre aceast
variabil aleatoare.
Valoarea medie (sperana matematic)
Definiie 1.11.1.Fie variabila aleatoare X cu distribuia
xi
X ,i I
pi
x i pi .
Se numete valoare medie, caracteristica numeric M ( X)
iI
Observaii 1.11.2.
1) Dac I este finit, valoarea medie exist.
2) Dac I este infinit numrabil, M(X) exist cnd seria care o
definete este absolut convergent.
Definiie 1.11.3. Fie variabila aleatoare X de tip continuu
x
X
( x )
x R . Se numete valoarea medie a variabilei X, caracteristica numeric

M(X)
x (x)dx
. Valoarea medie exist atunci cnd
improprie care o definete este convergent.

Proprietile valorii medii 1.11.4. Au loc afirmaiile :
integrala
47
1) M (a X b) a M(X) b, a, b R
2) M(X + Y) = M(X) + M(Y)
3) X,Y independente M(X Y) = M(X) M(Y)
Demonstraie:
a) Fie variabilele aleatoare de tip discret X, Y avnd repartiiile
xi
pi
yj
, Y
q
j
iI
j J
1.
Avem
M (aX b) (axi b) pi ax i p i bpi aM ( X ) b

iI
iI
iI
axi b
pi
dac variabila aX b are repartiia aX b

2. Variabila
X+Y
are
repartiia
i
iI
p
iI
1.
xi y j
pij
X Y
,
( i , j )I J
pij P ( X xi , Y y j )
Rezult
M ( X Y ) ( xi yi ) pij xi pij y j pij
iI j J
i I j J
i I j J
xi pi y j q j M ( X ) M (Y )
iI
j J
dac s-au folosit relaiile
p
iI
ij
q j i
p
jJ
ij
pi
xi y j
3. Variabila XY are repartiia XY p q

i j
dac X i Y sunt
( i , j )I J
independente.
xi pi y j q j M ( X ) M (Y )
xi y j pi q j
Avem M ( XY )
i I j J
i I
jJ
48
b) Presupunem ca X i Y sunt variabile aleatoare de tip continuu.

1. Dac notm prin Y = aX + b, a 0, atunci conform teoremei
3.10.4. n cazul particular Y = aX + b, a 0, se obine c
Y ( x )
Avem:
X (
xb
)
a
, pentru orice x R.
a
M (aX b) M (Y )
1
a
( x ) dx
xb
) dx
a
de unde
prin schimbarea de variabil u = (x b)/a, dx = adu, obinem

M ( aX b)
(au b)
(u ) du a
(u ) du b
(u ) du aM ( X ) b
2. Dac notm prin Z = X + Y, variabila care are densitatea de

probabilitate Z , iar densitatea de probabilitate a vectorului (X, Y) o notm
prin , atunci:
M ( X Y ) M (Z )
( x ) dx
x( (u, x u )du )dx
Schimbm ordinea de integrare, apoi schimbarea de variabil

x u = t, dx = dt, i obinem
M (X Y)
x (u , x u ) dx ) du
( (t u ) (u , t )dt )du
t ( (u , t )du ) dt u ( (u , t ) dt ) du t
(t ) dt
(u ) du M (Y ) M ( X
3. Dac notm prin V =X Y, care are densitatea de probabilitate V ,

iar densitatea de probabilitate a vectorului (X, Y) o notam prin , atunci
M ( XY ) M (V )
xV ( x ) dx
x ( (u ,
x dx
)
) dx
u u
Schimbm ordinea de integrare, apoi facem schimbarea de variabil

x / u = t, dx = udt, i obinem:

M ( XY )
tu
x
x
(u , ) dx ) du ( tu (u , t ) dt ) du
u
u
49
(u ) Y (t ) dtdu
(u ) du
(t ) dt M ( X ) M (Y )
Dispersia
Definiie 1.11.5. Se numete dispersia (variana) variabilei aleatoare
X, caracteristica numeric D 2 ( X) M X M ( X) 2 iar
( X )
D 2 (X)
se
numete abatere medie ptratic.
2
2
n mod explicit, dispersia are expresia D ( X ) xi M ( X ) pi ,
iI
IN,
dac
este
variabil
aleatoare
discret
sau
D 2 ( X ) x M ( X ) ( x )dx , dac X este o variabil aleatoare continu.

2
Dispersia este un indicator numeric al gradului de mprtiere (sau

de dispersare) a valorilor unei variabile aleatoare n jurul valorii medii a
acesteia.
Proprietile dispersiei 1.11.6.
a) D 2 (X ) M (X 2 ) M ( X) 2
b) D 2 (aX b) a 2 D 2 (X), a, b R
c) X,Y independente D 2 (X Y ) D 2 ( X) D 2 (Y)
Demonstraie:
a)
D 2 ( X ) M X M ( X ) M X 2 2M ( X ) X M ( X )
2
M ( X ) 2 M ( X ) M ( X ) M ( X ) M ( X ) M ( X )
2
dac s-a fcut un calcul formal.

b) Folosind proprietile valorii medii i definiia dispersiei avem:
50
D 2 (aX b) M (aX b aM ( X ) b) 2 M a 2 X M ( X )
a M X M ( X )
2
a D (X )
2
c) Dac X, Y independente avem
M ( XY ) M ( X ) M (Y ) .
Calculm
X M ( X ) Y M (Y )
M X M ( X ) Y M (Y ) 2 X M ( X ) Y M (Y )
M X M ( X ) M Y M (Y ) 2 M X M ( X ) M Y M (Y )
D 2 ( X Y ) M X Y M ( X Y ) M
2
D 2 ( X ) D 2 (Y )
dac s-a inut seama c M X M ( X ) 0

Aplicaia 1.11.7. Dac X este o variabil aleatoare discret
2 1 0 1 2 3
2 2 5 1 1
X : 1
12 12 12 12 12 12
atunci deducem c:
M ( X ) 2
M (X 2) 4
1
2
2
5
1
1
1
1 0 1 2 3
12
12
12
12
12
12 2
1
2
2
5
1
1
1 0 1 4 9
2
12
12
12
12
12
12
D 2 ( X ) M ( X 2 ) M ( X ) 2
2
(X )
D2 ( X )
1 7
4 4
7
2
Aplicaia 1.11.8. Dac X este variabil aleatoare continu
x
,
, ( x ) 4
X :
( x)
0,
atunci deducem c:
x 1,3
n rest
M (X )
x ( x ) dx
x3
13
12 1
6
D 2 ( X ) M ( X 2 ) M ( X ) 5
2
(X )
D2 ( X )
M (X 2)
51
3
x 2 ( x ) dx
x4
5
16 1
169 11
36 36
11
6
Momente
Definiie 1.11.9. Se numete moment iniial (obinuit) de ordin k al
variabilei aleatoare X, caracteristica numeric k M (X k )
Observaie 1.11.10. Pentru k=1 avem 1 M (X ) iar pentru k=2,
D 2 ( X) 2 12
xi
Dac X este variabil de tip discret avnd repartiia X :
pi
1 atunci k xik pi
p
i I
,
iI
iI
X :
( x)
Dac X este variabil de tip continuu
atunci
x R
k x k ( x)dx
R
Definiie 1.11.11. Se numete moment centrat de ordin k al
variabilei aleatoare X, caracteristica numeric k M X M (X ) , adic
x M ( X ) p
x M ( X ) ( x)dx
i I
, X discret
, X continu
52
Observaie 1.11.12. Pentru k=1 avem 1 0 , iar pentru k=2,

2 D 2 (X)
Teorema1.11.13. ntre momentele centrate i momentele iniiale

k
i i
i
exist urmtoarea relaie: k (1) C k k i 1 .
i 0
Demonstraie:
Avem
k M X M ( X ) M X 1 M
C
i 0
i
k
X k i ( 1 ) i
k
k
i
i
k i i
i
i
k i
i
(
1
)
C
X
1
)
C
M
(
X
)
(1)i Cki k i 1i
k
1
k
1
i 0
i 0
i 0
Observaie 1.11.14. n statistica matematic se utilizeaz de regul

primele patru momente centrate: 1 , 2 , 3 , 4 .
Definiie 1.11.15. Se numete momentul iniial de ordinul (r,s) al
vectorului aleator (X,Y) caracteristica numeric rs M (X r Y s ) , adic
x y
rs
i I j J
r s
r
i
s
j
pij
, ( X , Y ) discret
x y ( x, y)dxdy
, (X, Y) continuu
R2
Definiie 1.11.16. Se numete moment centrat de ordin (r,s) al

vectorului aleator (X,Y), caracteristica numeric
rs M (X M (X)) r ( Y M( Y) s , adic
x M ( X ) y
rs
iI jJ
x M ( X ) y M (Y )
r
M (Y ) pij
s
, ( X , Y ) discret
( x, y )dxdy , (X, Y) continuu
53
Observaie 1.11.17.
1 o M(X), 0 1 M(Y ), 2 0 D 2 (X), 0 2 D 2 (Y )
Corelaie sau covarian

Definiie 1.11.18. Se numete corelaia sau covariana variabilelor
aleatoare X i Y, caracteristica numeric
C(X, Y ) M X M (X) Y M (Y) adic C(X, Y) 11

Observaie 1.11.19.
1) C( X, Y ) M (XY) M (X ) M (Y ), C(X, Y) 11 10 01
Dac X, Y independente C( X, Y) 0 , dar nu i reciproc.
C( X , X ) D2 ( X )
a X ,b Y
i 1
j 1
j ai b j C X i , Y j ,
i 1 j 1
oricare
ar
fi
variabilele aleatoare Xi i Yj i oricare ar fi constantele reale ai i bj, 1 i m

,1 j n
C ( X , Y ) C (Y , X ) , oricare ar fi X i Y.
Definiie 1.11.20. Se numete coeficient de corelaie relativ la

variabilele aleatoare X i Y caracteristica numeric
r(X, Y)=
C( X , Y )
2
D (X ) D 2 ( Y )
Observaie 1.11.21.
1) X, Y independente r (X, Y ) 0 reciproc nu este adevrat;
2) Spunem c X,Y sunt necorelate dac r(X,Y) =0
Proprieti:
a)
r ( X, Y ) 1
b) r ( X , Y ) 1 Y a X b, a 0
c) r ( X , Y ) 1 Y aX b, a 0
54
Observaie 1.11.21. n practic se mai spune c:

1) X i Y sunt pozitiv perfect corelate dac r ( X , Y ) 1 ;
2) X i Y sunt negativ perfect corelate dac r ( X , Y ) 1 ;
3) X i Y sunt puternic pozitiv (sau negativ) corelate dac
0,75 r ( X , Y ) 1 (sau 1 r ( X , Y ) 0,75 );
4) X i Y sunt slab pozitiv (sau negativ) corelate dac

0 r ( X , Y ) 0,25
(sau 0,25 r ( X , Y ) 0 );
Marginile valorice decizionale fiind alese convenional.

Aplicaie 1.11.22. Fie (X,Y) un vector aleator discret a crui
repartiie probabilist este dat de tabelul de mai jos.
Calculai coeficientul de corelaie r(X,Y).
Y
X
-1
0
1
qj
-1
pi
1/6 1/12 1/12 1/24 9/24

1/24 1/6 1/12 1/24 8/24
1/24 1/24 1/6 1/24 7/24
6/24 7/24 8/24 3/24
1
Rezolvare:
Pe baza formulelor corespunztoare, deducem imediat:
M ( X ) 1
M (X 2) 1
9
8
7
2
1
0
1
24
24
24
24
12
9
8
7
16 2
0
1
24
24
24 24 3
D ( X 2 ) M ( X 2 ) [ M ( X )]2
M (Y ) 1
M (Y 2 ) 1
2
1
95
3 144 144
6
7
8
3
8
1
0
1
2
24
24
24
24 24 3
6
7
1
3
26 13
0
1
4
24
24
24
24 24 12
D(Y 2 ) M (Y 2 ) [ M (Y )]2
55
13 1 35

12 9 36
1
1
1
1
1
1
1
1
M ( XY ) 1 1 0 1 2 0 1
0 1 2
6
12
12
24
24
6
12
24
1
1
1
1
5
1 1 0
1 2
24
24
6
24
24
C ( X , Y ) M ( XY ) M ( X ) M (Y )
r ( X ,Y )
C ( X ,Y )
D 2 ( X ) D 2 (Y )
5
1
17
24 36 72
17
12
0,295
95 35
144 36
Observaie 1.11.23. Coeficientul de corelaie r ( X , Y ) reprezint

prima msur a corelaiei sau gradului de dependen n sens clasic. Introdus
de ctre statisticianul englez K. Pearson n anul 1901 ca rod al colaborrii
acestuia cu antropologul englez F. Galton (care a avut prima idee de msurare
a corelaiei sub denumirea de variaie legat), aceast msur a gradului de
dependen a fost criticat nc de la apariiei ei pentru diverse motive,
printre care i aceea c:
1)
este dependent de valorile vectorului aleator

( X , Y ) i ca urmare nu este aplicabil pentru cazul variabilelor
aleatoare necantitative;
2)
nu este precis n cazul independenei i al necorelrii

deoarece dac r ( X , Y ) 0 nu exist un rspuns categoric (n
sensul independenei sau necorelrii);
3)
nu poate fi extins la mai mult de dou variabile

aleatoare sau chiar la doi sau mai muli vectori aleatori, fapte
cerute de practic.
56
Dac la prima obiecie a dat chiar K. Pearson un rspuns, pentru

celelalte dou obiecii nu s-au dat rspunsuri clare dect dup apariia n 1948
a teoriei matematice a informaiei, rezultate remarcabile n acest sens
obinnd coala romneasc de matematic sub conducerea lui Silviu Guiau
introducnd msurile entropice ale dependenei dintre variabile aleatoare i
vectori aleatori (n anii 1974-1978) cu o larg aplicabilitate teoretic i
practic.
n ciuda tuturor criticilor ce i s-au adus, coeficientul de corelaie
clasic (sau coeficientul Galton-Pearson) este cel mai frecvent utilizat n
practic i, pentru c este cel mai simplu n utilizare.
Definiie 1.11.24. Fiind dat vectorul aleator Z X 1 , X 2 ,..., X n
Z : E R n , se numete valoare medie a acestuia i se noteaz cu M (Z ) ,
dac exist, vectorul n-dimensional ale crui componente sunt valorile medii
ale componentelor lui Z adic:
M ( Z ) M ( X 1 , X 2 ,..., X n ) M ( X 1 ), M ( X 2 ),..., M ( X n ) .
Se numete matrice de covarian (sau de corelaie) a vectorului Z i
se noteaz prin C (Z ) , dac exist, matricea
C(Z ) cij i1,n C Xi ,Yj i, j1,n

j 1,n
Observaie 1.11.25.
a)
Pentru cazul unui vector aleator bidimensional, a nu

se face confuzie ntre media produsului componentelor X i Y,
care este M ( XY ) i media vectorului ( X , Y )
M ( X ,Y ) .
care este
57
Uneori matricea de corelaie C (Z ) se mai noteaz i
b)
cu (Z ) .
Desfurat matricea de covarian C (Z ) are forma:
c)
D 2 ( X1 )
C ( X 1, X 2 )
C ( X 2 , X1) D2 ( X 2 )
C (Z )
...
...
... C ( X 1 , X n )
... C ( X 2 , X n )
...
...
C ( X , X ) C ( X , X ) ... D 2 ( X )
n
1
n
2
n
11 12
21 22
... ...
n1 n2
... 1n
... 2n
... ...
... nn
i ca urmare a proprietilor corelaiei, constatm c matricea C (Z ) este

simetric.
d)
Pornind de la definiia coeficientului de corelaie i de la

matricea de corelaie, dac toate componentele lui Z sunt
neconstante, atunci putem introduce matricea coeficienilor de
corelaie R (Z ) a crei form dezvoltat este:
r ( X 2 , X1)
R( Z )
...
r( X , X )
n
1
... r ( X 1 , X n )
r ( X 1, X 2 )
1
... r ( X 2 , X n )
...
...
...
r ( X n , X 2 ) ...
1
Ambele forme ale matricei de corelaie a vectorului aleatoriu Z

reprezint de fapt tabele ale msurrii gradului de dependen dintre
componentele lui Z, considerate dou cte dou.
Aplicaie 1.11.26. Fie variabilele aleatoare:
1
p1
X 1 :
1
1
; X 2 :
p2
q1
3
2
; X 3 :
q2
r1
r2
a cror repartiie comun notat ( pijk ) , 1 i, j , k 2 , este:

p111
1
1
1
3
; p112
; p121
; p122
;
16
16
32
32
58
p211
1
1
1
5
; p212 ; p221
; p222
.
8
4
16
16
S se determine repartiiile bidimensionale i unidimensionale ale

vectorului aleator tridimensional Z X 1 , X 2 , X 3 i matricele de corelaie
C (Z ) i R (Z ) .
Rezolvare:
Avem imediat repartiiile bidimensionale
1
p
11 111 112 8
3
p21 p211 p212
8
1
p12 p121 p122
8
3
p22 p221 p222
8
5
32 pentru X , X
1
3
9
p2 2 p212 p222
16
3
p
1
111
121
32
8
p21 p211 p221
16
p1 2 p112 p122
3
p
11
111
211
16
3
p 21 p121 p221
32
pentru X 1 , X 2
5
32 pentru X , X
2
3
13

32
p12 p112 p212
p 22 p122 p222
i ca urmare putem scrie urmtoarele tabele de repartiie bidimensionale:

X2
X1
-1
1
qj
pi
1/8
3/8
1/2
1/8
3/8
1/2
X3
X1
-1
1
rk
pi
3/32 5/32 1/4

3/16 9/16 3/4
9/32 23/32 1
X3
X2
1
3
rk
qi
3/16 5/16 1/2

3/32 13/32 1/2
9/32 21/32 1
59
din care se observ i repartiiile unidimensionale (repartiiile variabilelor

aleatoare considerate X1, X2, X3). Din aceste tabele deducem prin calcul
imediat:
M ( X1)
1
3
2
; M ( X 12 ) 1 ; D ( X 1 )
2
4
M ( X 2 ) 2 ; M ( X 22 ) 5 ; D 2 ( X 2 ) 1
M (X3)
55
101
207
; M ( X 32 )
; D2 ( X 3 )
16
8
256
M ( X1 X 2 ) 1 ; M ( X 1 )M ( X 2 ) 1 ; C ( X1, X 2 ) 0 ; r ( X1, X 2 ) 0
M ( X1 X 3 )
29
55
; M ( X1 )M ( X 3 )
;
16
32
r ( X1, X 3 )
3
0,12
207
M ( X 2 X3)
113
55
; M ( X 2 )M ( X 3 )
;
16
8
C( X 2, X3)
3
; r( X 2, X 3)
16
C ( X1, X 3 )
3
;
32
3
0,21
207
i ca urmare putem scrie matricele de corelaie:

3 4
C (Z )
3 32
3 32
3 16
3 16
0,12
i R(Z )
0,21
207 256
0,12
0,21
constatnd c X1 i X2 sunt independente n timp ce ntre X3 i X1 sau X3 i X2

exist o anumit dependen chiar dac nu este puternic.
Alte caracteristici numerice
Definiie 1.11.27. Se numete mediana unei variabile aleatoare X,
caracteristica numeric Me care verific relaia:
P( X M e )
1
P( X M e )
2
60
Observaie 1.11.28.
1. Dac F este funcia de repartiie i este continu atunci M e se
determin din ecuaia F(Me)
1
.
2
2. Dac M e (a, b] atunci se ia M e
ab
2
Definiie 1.11.29. Se numete valoare modal sau modul a variabilei

aleatoare X orice punct de maxim local al distribuiei lui X (n cazul discret)
respectiv al densitii de probabilitate (n cazul continuu).
Observaie 1.11.30. Dac exist un singur punct de maxim local
spunem c legea lui X este unimodal altfel o numim plurimodal.
Definiie 1.11.31. Se numete asimetria (coeficientul lui Fischer)
variabilei aleatoare X caracteristica numeric definit prin s
3
.
3
Definiie 1.11.32. Se numete exces al variabilei aleatoare X,

caracteristica numeric definit prin e
4
3.
4
Observaie 1.11.33.
1) Dac e<0 atunci graficul distribuiei are un aspect turtit i legea se
numete platicurtic.
2) Dac e>0 atunci graficul distribuiei are un aspect ascuit i legea
va fi numit leptocurtic.
3) Dac e = 0 atunci repartiiile sunt mezocurtice.
Definiia 1.11.34. Dac X este o variabil aleatoare cu funcia de
repartiie F (x ) , se numesc cuartile (n numr de trei) ale lui X (sau ale
repartiiei lui X) numerele q1 , q2 i q3 cu proprietile:
1
F (q1 ) 4
F (q1 0)
1
4
1
F ( q2 ) 2
F ( q2 0)
61
3
F (q3 ) 4
1
2
F (q3 0)
3
4
Observm c q2 M e .
Exemplul
1
0,2
Se
consider
variabila
aleatoare
2
.
0,5
X :
1.11.35.
0,3
S se calculeze: M(X), M(3X), M(4X-2), D 2 ( X), X .

Rezolvare:
3
M (X) x i p i 1 0,2 0 0,3 2 0,5 0,8

i 1
M (3X ) 3M ( X ) 3 0,8 3,4 ;

M (4X 2) 4M (X) 2 4 0,8 2 1,2
D 2 ( X) M ( X 2 ) M ( X) 2,2 0,64 1,56 ;

2
M (X 2 ) ( 1) 2 0,2 0 2 0,3 2 2 0,5 2,2 ; X
D 2 ( X ) 1,56 1,24
Exemplul 1.11.36. S se calculeze valoarea medie i dispersia

variabilei aleatoare care are densitatea de probabilitate
1 1 x , dac x (0,2)
(x)
0, altfel
Rezolvare:
62
x, dac 0 x 1
Observm c: ( x) 2 - x, dac 1 x 2
0, altfel
innd seama de definiie avem:

M (X)
M (X 2 )
x (x)dx x 2 dx x (2 x )dx
0
x3
3
x 2 ( x )dx x 3 dx x 2 (2 x )dx
0
D 2 (X ) M (X 2 ) M(X )
2
1
0
x2
x4
4
1
0
2
1
x3
3
x3
3
2
1
2
1
1
x4
4
2
1
7
1
1
6
6
Exemplul 1.11.37. Fie vectorul aleator (X,Y) cu densitatea de
k(x y 1), x [0,1], y [0,2]

probabilitate (x , y)
Se cere:
0, n rest
a) s se determine constanta k;
b) s se determine densitile marginale;
c) s se cerceteze dac X i Y sunt independente sau nu;
d) s se calculeze coeficientul de corelaie ntre X i Y.
Rezolvare:
a) din condiiile ( x, y) 0 k 0
( x, y ) dxdy k dx ( x y 1) dy 1 k 1 5 .
0
7
6
63
1
(x y 1), x [0,1], y [0,2]
Deci ( x, y) 5
0, n rest
1 2
2x 4
( x y 1)dy
, x [0,1]
0
5
5
b) X ( x ) ( x , y)dy
2x 4
, x [0,1]
X ( x) 5
0, altfel
y ( y)
( x , y)dx
1 1
2y 3
( x y 1)dx
, y [0,2]
0
5
10
2y 3
, y [0,2]
Y (y) 10
0, altfel
c) X i Y nu sunt independente deoarece: ( x , y) X ( x ) Y ( y)
d)
M (X)
M(Y)
x( x , y)dxdy
( x , y)dxdy
2 (X) M (X 2 )
2 ( Y ) M (Y 2 )
Deci
x 2 X ( x )dx
y 2 Y ( y)dy
D 2 ( X) M ( X 2 ) M ( X )
2
x X ( x )dx
y Y ( y)dy
1 1
8
x ( 2 x 4)dx
0
5
15
1 2
17
y( 2 y 3)dy
0
10
15
1 1 2
11
x (2 x 4)dx
0
5
30
1 2 2
8
y ( 2 y 3)dy
10 0
15
11 64
37
30 225 450
64
D 2 ( Y) M ( Y 2 ) M (Y )
2
M (X Y )
8 289
71
5 225 225
xy (x, y)dxdy
2
1 1
dx xy ( x y 1) dy
0
0
5
1 1
14
9
2
x dx
C ( X , Y ) M ( XY ) M ( X ) M (Y )
2x
0
5
3
15
9
8 12
1
15 15 15 225
.
C( X ,Y )
Se obine: r ( X , Y )
X
Y
1
225
0,02758
37 71
450 225
Exemplul 1.11.38. Se tie c, dac dou variabile aleatoare X i Y

sunt independente, atunci coeficientul lor de corelaie este nul. Reciproca nu
este adevrat. Iat un vector aleator discret (X,Y), n care X i Y sunt
dependente i totui r 0 .
Y
X
-1
1
16
1
16
16
Rezolvare:
16
3
16
16
16
3
16
65
Calculm repartiiile marginale:

0
X :
6 16
Avem:
1
4 16
1
Y :
4 16
2
;
6 16
M ( X) 1; M ( X 2 )
7
3
3
; D 2 (X) ; X
4
4
2
M (Y ) 1; M (Y 2 )
5
3
; D 2 (Y) ; Y
2
2
1
4 16
8 16
10
2
2
4
2 1 0
XY: 1
6
3 , M(XY)=1
2
4
16 16 16 16 16
r
M(X Y) - M(X)M(Y)
X Y
11
0
3 10
2
2
Exemplul 1.11.39. Fie X o variabil aleatoare care are densitatea de
0, x (0,2)
probabilitate definit prin: (x )
.
1/ 2, x (0,2)
a) S se determine modulul i mediana
b) S se calculeze momentul de ordin k, k ( x ) ..
Rezolvare:
a) Conform definiiei, M0 este valoarea pentru care ( x ) max .
adic M 0 (0,2) adic exist o infinitate de valori modale situate pe
segmentul (0,2). Me se determin din ecuaia F ( M e )
Me
Cum F(M e ) P(X M e ) 0 ( x )dx
1
.
2
Me
M e 1.
2
66
1
2
k
k
b) k (X) M(X ) x dx
2k
.
k 1
1.12. Funcia caracteristic. Funcia generatoare de

momente
Definiie 1.12.1. Fie cmpul de probabilitate E , K , P
variabilele aleatoare X i Y definite pe E cu valori reale. Se numete variabil

aleatoare complex Z X iY , i 2 1 , iar valoarea medie a acesteia notat
cu M (Z ) este dat de relaia M ( Z ) M ( X ) i M (Y ) dac mediile M ( X )
i M (Y ) exist.
Observaie 1.12.2. Dac X este o variabil aleatoare expresia
eitX cos tX i sin tX , t R definete de asemenea o variabil aleatoare i
eitX
cos 2 tX sin 2 tX 1
Definiie 1.12.3. Fie X o variabil aleatoare real. Se numete

funcia caracteristic a lui X o funcie : R C
dat de relaia
X (t ) (t ) M (eitX ) , care explicit poate fi scris sub forma
X (t )
p e
e ( x)dx
k K
itx
itx k
, este de tip discret

, este de tip continuu
Propoziia 1.12.4. Funcia caracteristic are urmtoarele proprieti:

1) (0) 1 i
(t ) 1, t R
2) Dac Xj,
j 1, m
sunt variabile aleatoare independente n
totalitate cu funciile caracteristice X (t ) j (t ), j 1, m , atunci funcia

j
caracteristic a variabilei aleatoare sum X X 1 X 2 ... X m este
67
X (t ) 1 (t ) 2 (t ) ... m (t ) j (t )
j 1
3) Dac Y aX b , a i b R, atunci Y (t ) X ( at )eitb

4) Dac X admite momente iniiale de orice ordine atunci funcia
caracteristic admite derivate de orice ordin i are loc relaia
1 (r )
X (0)
ir
r (X ) M (X r )
Demonstraie:
1) (0) M (1) 1 i
(t )
k K
(t )
e
R
itx
eitx k
k K
( x ) dx
eitx
k K
itx
( x ) dx
dac X este de tip discret i
( x) dx 1 dac X este de tip

R
continuu.
2) Avnd n vedere proprietile valorii medii, putem scrie c
m
X (t ) M (eitX ) M (eitX eitX ... eitX ) M (e

1
j 1
itX
) j (t )
j 1
3) Tot ca urmare a proprietilor mediei avem:

Y (t ) M (eitY ) M (eitaX eitb ) eitb aX (t ) eitb X (at )
4) Observm c X( r ) (t ) M ( X r eitx i r ) i r M ( X r eitX ) i rezult
X( r ) (0) i r M ( X r ) i r r ( X )
Observaie 1.12.5. Folosirea relaiei de la punctul 4) este
recomandabil doar atunci cnd calcularea momentelor este mai comod prin
aceast relaie dect pornind direct de la definiia acestora.
Aplicaie 1.12.6.
1
atunci
1) Dac X :
1 6 1 2 1 3
68
(t )
1 it 1 1 it 2eit e it 3
e e
6
2 3
6
1
, x 0,1 atunci (t ) 2 xeitx dx

2) Dac X :
2x
0
2 2ix itx
e
e2
x
1 it
x itx
(
t
)
X
:
x
0
3) Dac
atunci
0 e e dx 1 t 2
e x ,
Definiie 1.12.7. Fie X o variabil aleatoare real definit pe cmpul

de probabilitate E , K , P . Se numete funcie generatoare de momente,
dac exist, funcia G : R R , dat de relaia G X (t ) G (t ) M (etX ) care
explicit poate fi scris sub forma
p e
G (t )
k K
tx
tx k
, X este de tip discret
( x)dx , X este de tip continuu
cu condiia existenei expresiilor corespunztoare.

Propoziia 1.12.8. Funcia generatoare de momente are urmtoarele
proprieti:
1) G (0) 1
2) Dac Xj, 1 j m , sunt independente n totalitate i au funciile
generatoare G j (t ) ,
j 1, m
, atunci funcia generatoare a variabilei
aleatoare X X 1 X 2 ... X m este

m
GX (t ) G j (t )
j 1
3) Dac Y aX b , a i b R, atunci
GY (t ) G X (at ) etb
69
4) Dac X admite momente iniiale de orice ordin, atunci funcia

generatoare
admite
derivate
de
orice
ordin
punctul
zero
G X( r ) (0) M ( X r ) r ( X ) , r 1, 2, ...
Aplicaie 1.12.9.
1
1
atunci
2 3
1) Dac X :
1 6 1 12
G (t )
1 t 1 1 t 2e t e t 3
e e
6
2 3
6
2) Dac X :
x , x 0 , 0 atunci
e
G (t ) e x etx dx
0
, dac t
t
iar n caz contrar nu exist.
3) Dac X : k k n k
Cn p q
, p, q 0 , p q 1 , atunci
k 0, n
G (t ) Cnk p k q n k etk ( pet q) n

k 0
G ' (t ) npet ( pet q ) n 1 ;

G '' (t ) npet ( pe t q ) n 1 n(n 1) p 2e 2t ( pet q ) n 2
G ' (0) np M ( X ) ; G '' (0) n 2 p 2 npq M ( X 2 )
1.13. Repartiii clasice

n teoria probabilitilor i n aplicaiile acesteia se ntlnesc clase de
variabile aleatoare de tip discret. Forma cea mai general a unei variabile
aleatoare aparinnd unei clase se numete lege de probabilitate de tip discret.
Repartiii clasice discrete
70
Repartiia binomial (Bernoulli) 1.13.1.

Spunem c variabila aleatoare discret X urmeaz legea binomial
dac repartiia asociat ei are forma
k
k 0, n , unde P ( n, k ) Cnk p k q nk , iar

X :
P ( n, k )
p (0,1) ,
q 1 p
ntr-adevr sunt ndeplinite condiiile din definiia unei funcii de

probabilitate, adic avem:
1) P (n, k ) Cnk p k q nk 0 ( p 0, q 1 p 0)
n
2)
k 0
k
n
p k qnk ( p q ) n 1 ( p q 1)
Observaie 1.13.2. Repartiia binomial este generat de schema

urnei cu dou stri i cu bila revenit (schema urnei lui Bernoulli).
Teorema 1.13.3. Dac X este o variabil aleatoare discret ce
urmeaz legea binomial, atunci: M(X) = np i D2(X) = npq.
Demonstraie:
Din definiia valorii medii avem:
n
k 0
k 0
M ( X ) kP( n, k ) kCnk p k q nk
n
n
k k nk k
Considerm relaia: ( pt q ) Cn p q t
k 0
pe care o derivm n raport cu t i obinem:

n
(*) np ( pt q ) n1 kCnk p k q nk t k 1 iar pentru t=1

k 0
k kq
n 1
avem np kCn p q M ( X )
k 0
Pentru
calcula
dispersia
D 2 ( X ) M ( X 2 ) [ M ( X )]2
folosim
formula
de
calcul:
71
Derivm n raport cu t relaia (*)i obinem

n
k 1
k 0
k 0
n( n 1) p 2 ( pt q ) n2 k ( k 1)Cnk p k q nk t k 2 k 2Cnk p k q nk t k 2 kCnk p k q nk t k 2
iar pentru t = 1, rezult n (n - 1) p 2 = M(X2) - M(X), adic M(X2) = n2p2 np2 + np = n2p2 + npq, iar dispersia este D2(X) = n2p2 + npq - (np)2 = npq.
Observaia 1.13.4. Funcia caracteristic a unei variabile aleatoare
discrete X ce urmeaz legea binomial este: X (t ) ( peit q ) n .ntr-adevr
din calcul avem c:
n
k 0
k 0
k 0
X (t ) M (eitX ) eitk P(n, k ) eitk Cnk p k q n k Cnk ( peit ) k q n k ( peit q) n

Observaia 1.13.5. Calculul momentelor k M ( X k ), k 1,2,... se
poate face prin intermediul funciei caracteristice astfel:
X( k ) (0)
, k 1,2,...
ik
Repartiia hipergeometric 1.13.6.

Spunem c variabila aleatoare X de tip discret urmeaz urmeaz
legea hipergeometric, dac are distribuia
k
C kC nk
k 0, n , unde P (n, k ) a n b , iar n min(ab)
X :
Ca b
P(n, k )
Verificarea condiiilor unei funcii de probabilitate este imediat i

avem:
1)P(n,k)=
n
Cak Cbnk
0 k 0, n
Canb
2) P (n, k )
k 0
1
Canb
C
k 0
k
a
Cbnk 1
72
dac
n
C
k 0
s-a
k
a
avut
vedere
relaia
lui
Vandermonde
anume
Cbnk Canb .
Teorema 1.13.7. Dac X este o variabil aleatoare discret ce
urmeaz legea hipergeometric atunci:

M ( X ) np i D 2 ( X ) npq
unde N=a+b , p=
N n
N 1
a
b
, q
p q 1
ab
ab
Demonstraie:
Conform relaiei de definiie a valorii medii avem
n
M(X)= kP( n, k )
k 0
a
Canb
1 n
kCak Cbnk
n
C a b k 0
Cak11Cbnk a
k 1
Canb11
a
n
np
n
C a b
ab
k
k 1
dac s-a avut n vedere relaia lui Vandermonde i relaia kCa aCa1
Pentru
calcula
dispersia,
folosim
formula
de
calcul
D 2 ( X ) M ( X 2 ) [ M ( X )]2 unde
n
M ( X 2 ) k 2 P ( n, k )
k 0
a
Canb
1
Canb
k
k 0
[k (k 1) k ]Cak Cbnk
k 0
Cak Cbnk
Canb
k 0
k 0
k (k 1)Cak Cbnk kCak Cbnk
dar k(k-1) Cak a (a 1)Cak22 iar k Cak aC ak11

2
deci M ( X )
a
Canb
Cak11Cbnk
k 1
a (a 1) n k 2 nk
C a 2 Cb
Canb k 2
73
a
a ( a 1) n2
na
a (a 1)
Canb11
C a b 2
n(n 1)
n
n
C a b
C a b
ab
(a b)(a b 1)
dac s-a avut n vedere relaia lui Vandermonde. Se obine

D 2 ( X ) M ( X 2 ) [ M ( X )]2
n(n 1) a (a 1)
n2a 2
( a b)(a b 1) (a b) 2
na
b abn
N n
npq
a b a b a b 1
N 1
Repartiia Poisson 1.13.8.

Spunem c variabila aleatoare X de tip discret urmeaz legea lui
Poisson, dac are distribuia
Pk ( )
X:
k 0,1,2,... unde P( )
k
e , iar 0
k!
Funcia Pk ( ) satisface condiiile unei funcii de probabilitate i

anume:
1)P k ( )
k
e 0 k 0,1,2,...
k!
k
k
e e
e e 1
k
!
k
!
k 0
k 0
2) Pk ( )
k 0
dac s-a avut n vedere dezvoltarea e x

k 0
xk
, x R
k!
Teorema 1.13.9. Valoarea medie i dispersia variabilei aleatoare X

ce urmeaz legea lui Poisson sunt egale cu ,adic M(X)=D2(X)= .
Demonsraie:
Avem
M(X)
k 0
k 0
kPk ( ) e k
k
k 1
e
e e
k!
(
k
1
)!
k 1
74
Calculm
k 0
k 1
M(X )= k 2 Pk ( ) e k
2
k 1
( k 1)!
e [(k 1) 1]
k 1
k
e
(k 1)!
(k 1)
k 1
k 1
k 1

(k 1)! k 1 (k 1)!
k 2
k 1
e
2 e e e e 2
( k 2)!
k 1 ( k 1)!
= 2 e
k 2
Obinem
D 2 ( X ) M ( X 2 ) [ M ( X )]2 2 2 .
Observaia 1.13.10. Funcia caracteristic asociat unei variabile

aleatoare X ce urmeaz legea lui Poisson este
X (t ) e ( e
it
1)
,t R
ntr-adevr avem
k 0
k 0
X (t ) M (eitX ) eitk Pk ( ) eitk
k
(eit ) k e
e e
e e e ( e
k!
k!
k 0
it
it 1
Teorema 1.13.11. Dac variabila aleatoare X urmeaz legea

binomial, adic are distribuia
P ( n, k )
X:
k 0, n unde P( n, k ) C nk p k q n k
i dac p=p n ,astfel nct np u 0, atunci pentru n ,X urmeaz legea

lui Poisson, adic
lim P ( n, k ) lim
n
n( n 1)...(n k 1) k
( ) (1 ) nk
k!
n
k
k n n 1 n k 1
k
...
(1 ) k (1 ) n
e
n k! n
n
n
n
n
k!
= lim
75
Observaia 1.13.12. Legea lui Poisson mai este cunoscut i sub

numele de legea evenimentelor rare, deoarece se ntlnete n cazul
evenimentelor cu probabilitate de apariie mic .
Repartiia geometric 1.13.13.
Spunem c variabil aleatoare X urmeaz legea geometric, dac are
distribuia:
X:
P (K )
k=1,2,3, unde p(k)=pq k 1 ,k=1,2,3,
Probabilitatea P(k) satisface condiiile:

1) P(k)=pq k 1 0 , k=1,2,
k 1
k 1
k 1
2) P(k ) p q p
1
1
1 q
unde am avut n vedere seria geometric convergent
k 1
k 1
1
(0 q 1)
1 q

geometric atunci M(X)=
1 p
i D2(X)= q p 2 .
Demonstraie:
Avem
k 1
k 1
M(X)= kP( k ) kpq
k 1
p kq k 1
k 1
q /
p
1
)
.
2
1 q
(1 q )
p
2
2
3
/
= p(1 2q 2q ...) p (q q q ...) p(
Calculm
k 1
k 1
k 1
2
2
2
k 1
2 k 1
M(X ) k P ( k ) k pq p k q =
= p (1 2 2 q 32 q 2 ...) p (q 2q 2 3q 3 ...) / p[q(1 2q 3q 2 ...)]/
76
= p(q
1
1 q
1 q
)/ =
p 2 .
2
3
(1 q )
(1 q )
p
2
2
2
Obinem D ( X ) M ( X ) [ M ( X )]
1 q
1 1 q 1 q
2
2.
2
p
p
p2
p

aleatoare X ce urmeaz legea geometric este:
X (t )
peit
.
1 qeit
ntr-adevr avem
X (t ) M (eitX ) eitk pq k 1
k 1
= pe it (1 qe it
( qe it ) 2 ...)
p
(eit q)k
q k 1
pe it
1 qe it
qe it 1
Repartiia binomial cu exponent negativ 1.13.16.

Spunem c variabila aleatoare X de tip discret urmeaz legea
binomial cu exponent negativ , dac are distribuia
P
(
n
,
k
)
X :
n N *
unde P ( n, k ) C
n 1
k 1
k n, n 1,...
p q
k n
0 p 1 p q 1
Sunt ndeplinite condiiile unei funcii de probabilitate

1) P(-n,k)=C n1 p n q k n 0 , k n, n 1,... n N *
k 1
k n
k n
2) P( n, k ) Ck 1 q
n 1
k n
p n Ckn11q k n p n (1 q ) n 1
k n
dac s-a inut seama de dezvoltarea lui Abel i anume

(1+q)
Ckn11q k n 1
k n
n
n( n 1) 2
q
q ... .
1!
2!
77
Teorema 1.13.17. Dac X este o variabil aleatoare discret care

urmeaz legea binomial cu exponent negativ atunci M(X)= n
D 2 ( X ) (nq ) p 2 .
Demonstraie:
k n
k n
n 1
n k n
p n q n1 kC kn11q k 1
Avem M(X)= kCk 1 p q
n n 1
=p q (
qn
nq n1
n
/
n n 1
)
p
q
.
n
n 1
(1 q )
(1 q )
p
Pentru calculul dispersiei folosim formula de calcul

D 2 ( X ) M ( X 2 ) [ M ( X )]2 . Avem
k n
k n
M ( X 2 ) k 2Ckn11 p n q k n p n q n 2 k 2Ckn11q k 2
k n
k n
p n q n 2 [ k ( k 1) k ]Ckn11q k 2 p n q n2 k ( k 1)Ckn11q k 2 p n q n1 kCkn11q k
p n q n 2 ( Ckn11q k ) // M ( X ) p n q n 2 (
k n
p n q n 2
k n
n 1
q
n
nq
n
) //
p n q n 2 (
)/
(1 q ) n
p
(1 q ) n1
p
nq n2 [(n 1) p ( n 1) q ] n
n
n
n[ p q ]
2 [(n 1) p (n 1) q ]
n 2
(1 q )
p
p
p
p2
Obinem
D2 ( X )
n[ n p q ] n n 2 nq
2 2 .
p2
p p
p

aleatoare X ce urmeaz legea binomial cu exponent negativ este:
peit
X (t )
it
1 qe
ntr-adevr
78
X (t ) M (e itX ) eitk Ckn11 p n q k n

k n
Ckn11 p n (qeit ) k n eitn Ckn11 ( peit ) n (qeit ) k n

k n
k n
( pe )
it
C
k n
n 1
k 1
it
(qe )
k n
( pe )
it
k n
( pe ) (1 (qe ))
it
it
peit

it
1 qe
Repartiii continue
Repartiia uniform(rectangular) 1.13.19.
Spunem c variabila aleatoare X urmeaz legea uniform pe
intervalul [a,b],dac are densitatea de probabilitate
1
, dac x [a, b]
( x) b a
0 , dac x [a, b]
Observaia 1.13.20. Din graficul funciei densitate de probabilitate

se constat c ntr-adevr (x ) , astfel definit, satisface condiiile unei
funcii densitate de probabilitate
1) ( x)
2)
0 , xR
( x)dx
1
dx 1
ba
(x )
1
ba
79
Observaia 1.13.21. Funcia de repartiie a variabilei aleatoare ce

urmeaz legea uniform are expresia:
F(x)=
0 ,x a
xa
, x ( a, b]
ba
1 ,x b
ntr-adevr:
x
- dac
x a F ( x)
(t )dt
0dt 0
- dac x (a, b] F ( x)
(t )dt
- dac x b , F ( x)
(t )dt
0dt
0dt
1
xa
dt
ba
ba
x
1
0dt 1
b a b
Graficul funciei de repartiie are forma:

F (x )
Teorema 1.13.22. Dac X este o variabil aleatoare uniform

repartizat pe intervalul [a,b]
Atunci: M ( X ) (a b) 2 i D 2 ( X ) (b a ) 2 12.
Demonstraie:
Avem M ( X )
x ( x)dx b a xdx b a
b2 a2
ab
2
2
80
Dispersia o calculm folosind formula de calcul

D 2 ( X ) M ( X 2 ) [ M ( X )]2
Avem
M (X 2)
2
x ( x)dx
rezult D 2 ( X )
1
a 2 ab b 2
2
x
dx
b a
3
a 2 ab b 2
a b 2 (b a ) 2
(
)
3
2
12
M ( X ) (a b) 2 , avem valoarea median egal cu valoarea medie .
Observaia 1.13.23.
a)Din simetria graficului funciei densitate de probabilitate, n raport
cu valoarea medie M ( X ) (a b) 2 , avem valoarea median egal cu
valoarea medie.
b)Tot cu ajutorul graficului se observ c valoarea modal nu exist.
Repartiia exponenial negativ 1.13.24.
Spunem c variabila aleatoare X urmeaz legea exponenial de
parametru 0 , dac are densitatea de probabilitate:
e x , dac x 0
( x)
0 , dac x 0
Evident aceast funcie satisface condiiile:

1) ( x) 0
2)
xR
( x)dx
x
x
e dx e 1
0
Observaia 1.13.25. Funcia de repartiie pentru variabila aleatoare

X ce urmeaz legea exponenial de parametru 0 este:
0 , dac x 0
F ( x)
1 e x dac x 0
81

exponenial de parametru 0 ,atunci: M ( X ) 1
i D 2 ( X ) 1 2 .
Demonstraie:
Avem
M (X )
x ( x)dx xe
dx
Calculm:
M (X 2)
2
x (
0
2
x ( x)dx
e x
e x )dx x 2 e x 2 xe x dx
0
2
2
2
Obinem D ( X ) M ( X ) [ M ( X )]
xe
dx
2 1
2
1
1
2 2 .
2

Observaia 1.13.27.
a)Funcia caracteristic asociat unei variabile aleatoare X ce
urmeaz legea exponenial are expresia X (t )
it
ntr-adevr avem
X (t ) M (e
itX
itx
( x )dx
b)Deoarece avem X( k ) (t )
folosind relaia k
itx
dx e ( it ) x dx
0
k!i k
( it ) k 1
e ( it ) x

0
it
it
k 1,2,...
X( k ) (0)
k!
k k k 1,2,...
k
i
Repartiia normal 1.13.28.

Spunem c variabila aleatoare X urmeaz legea normal (legea lui
Gauss)de parametri
probabilitate
m R i 0 ,
N (m, ))
dac are densitatea de
82
1
( x)
e
2
( x m) 2
, xR
2 2
n mod evident avem:

1) ( x) 0
, x R
1
2) ( x) dx
2
( xm )2
2 2
dx
dac s-a fcut schimbarea de variabil
xm
2
t 2
dt 1
dx 2dt
Teorema 1.13.29. Dac X este o variabil aleatoare ce urmeaz

legea normal de parametri m R i
0
M (X ) m
atunci
D2 ( X ) 2.
Demonstraie:
Avem
1
M ( X ) x ( x) dx
2
Se face schimbarea de variabil
xe
( x m )2
2 2
dx .
xm
2
dx 2dt .
Rezult
M (X )
2
1
2m
2 (m 2t )e t dt
2
1
D ( X ) ( x m) ( x) dx
2
4 2
2 t
t e dt
0
2 2
t
e dt
( x m)
( x m )2
2 2
te
t 2
dt m
dx
2
t
t (e )dt
2
2 2 t 2 2 2
te
t 2
dt 2
Deci cei doi parametri de care depinde distribuia normal sunt

valoarea medie i abaterea medie ptrat asociat variabilei aleatoare X ce
urmeaz legea normal.
83
Observaia 1.13.30. Curba ce reprezint graficul densitii de

probabilitate se numete curba lui Gauss(sau clopotul lui Gauss).
1)
(x
2
m m
Analiza acestui grafic ne conduce la concluziile:

funcia este simetric fa de dreapta de ecuaie x=m
n x=m funcia admite un maxim egal cu 1
punctele de abscis
x m
x m
sunt puncte de
inflexiune.
Observaia 1.13.31. Dac variabila aleatoare X urmeaz legea
normal N (m, ) ,atunci funcia de repartiie F este dat de relaia
1
F ( x)
2
i are graficul
F (x )
(t m ) 2
2 2
dt
84
1
2
Dac se face schimbarea de variabil (t m) u se obine

F(X )
1
2
x u
u2
2
du
1
xm
F ( X ) (
)
2
1
2
unde
u2
2
1
du
2
( x)
xm
u2
2
du
t2
1
e 2 dt
2 0
x R
este funcia lui Laplace. Funcia lui Laplace are valorile tabelate pentru
argumente pozitive .Dac x<0 atunci ( x) ( x ).
Observaia 1.13.32. Dac parametrii m i
au valorile 0 respectiv
1, atunci spunem c X urmeaz legea normal i normat sau legea normal

redus.
Teorema 1.13.33. Dac X este o variabil aleatoare ce urmeaz
legea normal N (m, ) , m R
P ( a X b) (
i 0 iar a, b R , a b, atunci
bm
am
) (
)
unde m M ( X ) 2 D 2 ( X )
Demonstraie:
Avem
1
bm
1
am
P ( a X b) F (b) F ( a ) [ (
)] [ (
)]
2
bm
am
(
) (
)
Repartiia gamma 1.13.34.
85
Spunem c variabila aleatoare X urmeaz legea gamma cu parametri

a,b>0 dac are densitatea de probabilitate
1
a 1
b
, dac x 0
( x) (a )b a x e
0 , dac x 0
unde
(a )
( a )
este
a 1
e x dx
funcia
lui
Euler
de
spea
doua,
adic
Evident sunt ndeplinite condiiile:

1) ( x) 0 x R
2) ( x )dx 1
n cazul particular
a 1, b 1
Observaia 1.13.35. Funcia de repartiie a unei variabile aleatoare

ce urmeaz legea gamma are expresia
F ( x)
1
(a )b a
a 1
y e b dy
x0
cunoscut sub denumirea de funcia gamma incomplet.

aleatoare ce urmeaz legea gamma are expresia X (t )
1
(1 itb ) a
,t R
ntr-adevr
X (t ) M (eitX )
eitx ( x) dx
1
(a )b a
1
( it ) x
a 1
b
dx
1
(a )b a
1
b
(
)a
a
(a )b 1 itb
dac s-a fcut schimbarea de variabil (1 b it ) x y
itx a 1
e x e b dx
y
0
a 1 y
e dy
1
(1 itb) a
86
k
Momentele de ordin k, k M ( X ) se obin folosind relaia
X( k ) (0) k
b (a 1)(a 2)...(a k 1) k 1,2,...
ik
n particular , gsim
M ( X ) ba, M ( X 2 ) b 2 a ( a 1)
i apoi
D 2 ( X ) M ( X 2 ) [ M ( X )]2 b 2 a
Repariia beta 1.13.37.

Spunem c variabila aleatoare X urmeaz legea beta cu parametri
a,b>0, dac are densitatea de probabilitate
1
a 1
b 1
, dac x [0,1]
B( a, b) x (1 x )
( x)
0
, dac x [0,1]
unde B(a,b)este funcia lui Euler de spea nti, adic

1
B ( a, b)
a 1
(1 x )b 1 dx
cunoscut sub numele de funcia beta incomplet.

Evident sunt ndeplinite condiiile:
1) ( x) 0,
xR
2) ( x)dx
1
B ( a, b )
x a 1 (1 x) b1 dx
1
B ( a, b) 0
B ( a, b )
Observaia 1.13.38. Funcia de repartiie asociat unei variabile ce

urmeaz legea beta are expresia:
0 ,x 0
x
1
a 1
b 1
F ( x)
1 t (1 t ) dt ,
B
(
a
,
b
)
1 , x 1
x [0,1]
Observaia 1.13.39. Expresia momentelor de ordin k pentru o

variabil aleatoare cu repartiia beta, se obine prin calcul direct i anume:
k M (X k )
87
1
x k x a 1 (1 x) b1 dx
B (a, b) 0
k
x ( x)dx
1
B (a k , b)
a( a 1)...(a k 1)
x a k 1 (1 x) b1 dx
B (a, b) 0
B (a, b)
(a b)(a b 1)...(a b k 1)
n particular se obine
a (a 1)
(a b) 2 (a b 1)
ab
D 2 ( X ) M ( X 2 ) [ M ( X )]2
(a b) 2 (a b 1)
M ( X ) 1
i
a
ab
M (X 2) 2
Repartiia 2 (hi-ptrat) 1.13.40

Spunem c variabila aleatoare X urmeaz legea 2 (hi-ptrat), dac
are densitatea de probabilitate:
1
n
n
( x ) ( ) n 2 2
2
x2 e
x
2 2
dx
, dac x 0
, dac x 0
unde 0 ,iar n N i poart numele de numrul gradelor de libertate.

n mod evident avem:
1) ( x) 0
xR
k 1,2,...
88
2)
( x)dx
1
n
n
( ) n 2 2
2
x
n
1
2 2
2
22 n
dx
n
n n 2
( ) 2
2
n
( )
2 1
e dt
n
( )
2
n
1
t
2
t
0
dac s-a fcut schimbarea de variabil t x 2 2 .

Observaia 1.13.41. Legea 2 numit i legea Helmert-Pearson
este un caz particular al legii gamma, anume, pentru
an 2
i b 2 2
Observaia 1.13.42. Expresia momentelor de ordin k pentru o

variabil aleatoare X avnd repartiia 2 (hi-ptrat) se obine astfel:
x
n
1
2 2
2
x x e
1
2k 2k
2 k 1
2 2
k x ( x)dx
dx
x
e
dx
t 2 k 1 e t dt
n
n
n
n
n
0
( ) 0
( ) n 2n 2
( ) n 2 2 0
2
2
2
n
( k )
n n
n
2
2k 2k
2 k 2 k ( 1)...( k 1) 2 k n(n 2)(n 4)...(n 2k 2), k 1,2,
n
2 2
2
( )
2
k
n particular se obine
M ( X ) 1 n 2 , M ( X 2 ) 2 n(n 2) 4 respectivD 2 ( X ) 2 12 2n 4.
Observaia 1.13.43. Funcia de repartiie asociat unei variabile

aleatoare X ce urmeaz legea 2 (hi-ptrat)este de forma
89
F ( x) P( X x) P( 2 q2 ) F ( q2 )
x q2
n
( ) n 2 2
2
unde
2
q
dx 1 P( 2 q2 ) 1 q
sunt
q P( )
2
x
n
2 2
2 1
probabiliti
1
n
n
( ) n 2 2
2
x
n
1
2 2
2
de
forma
dx
x q2
i ele au semnificaia prezentat n desenul

F ( x) F ( x 2 )
q P ( x 2 xq )
e x2
xq2
Karl Pearson a editat tabele pentru funcia de repartiie

corespunztoare unei variabile aleatoare ce urmeaz distribuia 2 .
Repartiia Student(Gosset) 1.13.44.
Spunem c variabila aleatoare X urmeaz legea Student cu n grade
de libertate, dac are densitatea de probabilitate
n 1
n1
)
x2 2
2
( x)
(1 )
, pentru
n
n
n ( )
2
(
xR
90
Sunt verificate condiiile unei densiti de probabilitate, adic

1) ( x ) 0
2)
xR
( x)dx
n mod evident
n 1
n 1
2
2 (1 x ) 2 dx
n
n
n ( )
2
n 1
n 1
)
n 1
(
) 1 n 1
2
x
2
2
2
(
1
)
dx
y 2 dy
n 0
n 0
n
n ( )
( )
2
2
n 1
n 1
n
1
(
)
(
)( )( )
n
1
2
2
2
2 1
B( , )
n
n
n 1
2
2
( )
( )(
)
2
2
2
2 (
dac s-a fcut schimbarea de variabil y 1 (1 x 2 n) i s-au folosit relaiile

B ( a , b)
( a ) (b)
( a b)
1
( )
2
Observaia 1.13.45. Dac n=1, atunci densitatea de probabilitate

capt forma ( x)
1
(1 x 2 )
, x R , adic se obine densitatea de
probabilitate corespunztoare repartiiei Cauchy standard.

Observaia 1.13.46. ntruct densitatea de probabilitate este o
funcie par, valoarea medie a unei variabile aleatoare ce urmeaz legea
Student este nul. De asemenea momentele obinuite de ordin impar sunt
nule.
Pentru momentele obinuite de ordin par avem:
91
n 1
n 1
)
x2
2
k 2 p x 2 p ( x)dx x 2 p
(1 ) 2 dx
n
n
n ( )
2
n 1
n 1
n 1
1
2 (
)
n p (
) 1 n p 1
2
p 1
x
2p
2
2
2
2
2
x
(
1
)
dx
y
(
1
y
)
dy
n 0
n 0
2
n ( )
( )
2
2
n 1
n
1
n p (
)
n p ( p )( p )
n
1
2 B ( p, p )
2
2
n
n
2
2
( )
( )
2
2
unde s-a fcut schimbarea de variabil y 1 (1 x 2 n).

De aici pentru p=1 avem
n
1
n( 1)(1 )
2
2 n
2 D2 ( X )
n
n2
( )
2
dac n 2
Repartiia Fisher-Snedecor(repartiia Fs) 1.13.47.

Spunem c variabila aleatoare X urmeaz legea Fisher-Snedecor
dac are densitatea de probabilitate
r
rs
1
) r s
2
x
2
2 2
r s
r s
r
s
( )( )
(rx s ) 2
2
2
( x)
, dac
dac x 0
x0
unde s,r>0.
Sunt verificate condiiile unei densiti de probabilitate adic
1) ( x) 0
x R
n mod evident
92
rs
r
1
) r s
2
x
2
2 2
r s
dx
2) ( x ) dx r
r s
s
0 ( ) ( )
( rx s ) 2
2
2
rs
r s
s
) 1 r 1
B( , )
1
2
2 2 1
y 2 (1 y ) 2 dx
r
s 0
r s
( )( )
B( , )
2
2
2 2
(
unde s-a fcut schimbarea de variabil y rx (rx s ).

Observaia 1.13.48. Pornind de la definiia momentului de ordin k,
avem:
r
r 2s2
k M ( X ) x ( x)dx
r s
B( , )
2 2
k
s
1
k
r B( r , s )
2 2
r
k 1
2
(1 y
s
k 1
2
x
0
x2
(rx s )
rx
2
dx
r
s
r
s
B( k , k )
( k ) ( k )
s
s
2
2
2
2
)dy k
( )k
r s
r
s
r
r
B( , )
( )( )
2 2
2
2
k
Particulariznd pe k se obine
1 M ( X )
respectiv
s
s2
r2
, s 2 , 2 M ( X 2 )
,s 4
s2
r ( s 2)( s 4)
D2 ( X )
2s 2 ( s r 2)
,s 4
r ( s 2) 2 ( s 4)
1.14. iruri de variabile aleatoare.

Legea numerelor mari. Teoreme limit.
Definind noiunea de variabil aleatoare, se constat fr dificultate
c nu se poate ti naintea efecturii unei experiene care vor fi valorile pe
care le poate lua variabila aleatoare asociat experienei. Cu o anumit
probabilitate se poate spune dac va apare sau nu una dintre valorile acestei
93
variabile aleatoare. Cu toate acestea, aa cum se poate vedea pe baza unor

teoreme devenite deja celebre, se demonstreaz c n condiii puin restrictive
media aritmetic a unui numr suficient de mare de variabile aleatoare i
pierde caracterul aleator. n practica statistic un astfel de rezultat teoretic
este remarcabil. Acesta este reprezentat de cteva teoreme ale calculului
probabilitilor cunoscute mpreun sub denumirea de lege a numerelor mari.
Termenul de lege a numerelor mari a fost folosit prima dat de ctre
matematicianul francez D. Poisson n 1837 dei, cu mai bine de un secol mai
devreme, matematicianul elveian J. Bernoulli, unul dintre fondatorii
calculului probabilitilor, pusese n eviden aciunea legii numerelor mari
cu o referire la repartiia normal. n anul 1867 matematicianul rus P. Cebev
a prezentat riguros matematic legea numerelor mari n condiii generale,
ocazie cu care inegalitatea lui Cebev s-a dovedit un rezultat remarcabil i
extrem de util.
Inegalitatea lui Cebev 1.14.1. Dac variabila aleatoare X are o
valoare
medie
dispersie
P ( X M ( X ) ) 1
P( X M ( X ) )
atunci
are
loc
inegalitatea
D 2 (X)
sau inegalitatea echivalent cu aceasta
2
D2 ( X )
.
2
Demonstraie:
Presupunem c X este o variabil aleatoare de tip continuu, avnd
densitatea de probabilitate (x ) . Atunci
D2 ( X )
( x M ( X ))
( x ) dx ( x M ( X )) 2 p ( x )dx
D
94
D x / x M (X )
unde
x M (X )
deoarece
avem
( x M ( X )) 2 . Deci, avem
( x M ( X ))
D
Am obinut c
( x )dx 2 ( x )dx 2 P( X M ( X ) )
D
D 2 ( X ) 2 P( X M ( X ) ) ,
P( X M ( X ) )
rezult
D2 ( X )
2
Folosind probabilitatea evenimentului contrar se obine i cealalt form a

inegalitii: P( X M ( X ) ) 1 P( X M ( X ) ) 1
D2 ( X )
2
Definiie 1.14.2. Spunem c irul de variabile aleatoare X n n 1

converge
probabilitate
la
variabila
aleatoare
notm
X n X dac o avem lim P( X n X ) 1 .

n
Definiie 1.14.3. Spunem c irul de variabile aleatoare ( X n ) n 1

converge n medie de ordin k la variabila aleatoare X i notm
k
X n m k X dac lim M ( X n X ) 0 .
n

converge
repartiie
la
variabila
aleatoare
notm
X n r X dac lim Fn ( x ) F( x ) unde Fn i F sunt funciile de repartiie ale

n
variabilelor aleatoare Xn i X, iar convergena are loc pentru orice punct de

continuitate x R al funciei F.
Observaie 1.14.5.
1) X n m X X n p X X n r X
k
2) X n r a, a R X n p a
95

urmeaz
legea
numerelor
mari
dac
pentru
orice
0 avem
1 n
1 n
1 n
1 n
X k M ( X k ) 1 adic X k M (X k ) p 0 .
n k 1
n k 1
n k 1
n k 1
lim P
n
Teorema lui Markov 1.14.7. Dac irul ( X n ) n 1 de variabile
1 2
aleatoare verific condiia lim 2 D
n n
X
k 1
0 atunci acesta urmeaz legea
numerelor mari.
Demonstraie:
Folosind inegalitatea lui Cebev pentru variabila X
1 n
Xk
n k 1
avem pentru > 0,

1 n
1 n
1
M ( X k ) 1 2 2 D 2
k
n k 1
n
n k 1
1 P X M ( X ) P
X
k 1
i prin trecere la limit se obine c > 0

1 n
1 n
X
M ( X k ) 1 .
k
n k 1
n k 1
lim P
n
Teorema lui Cebev 1.14.8. Dac irul ( X n ) n 1 de variabile

aleatoare independente dou cte dou, au dispersiile egal mrginite (adic
D 2 (X n ) L - finit) atunci irul urmeaz legea numerelor mari.
Demonstraie:
96
Avem
1 2
D
n2
Xk 2
k 1
n
n
D2 (X k )
k 1
1
n2
L n 0
cnd
k 1
i conform teoremei lui Markov rezult c
X n n1
urmeaz legea
numerelor mari.
Observaie 1.14.9.Dac
1 n
X k m 1 .
n k 1
M(X k ) m, k 1 lim P
n
Acest rezultat explic de ce, n practic, putem face afirmaii asupra

unei populaii statistice pe baza unei selecii sau a unui sondaj avnd un
volum de observaii mic n raport cu acela al ntregii populaii. Explicaia are
la baz faptul c selecia implic un numr de msurtori suficient prin el
nsui. Din acest punct de vedere se apreciaz c teorema lui Cebev se afl
la baza teoriei seleciei i afirmaia nu este exagerat.
De asemenea, rezult c ntre comportarea fiecrei variabilei
aleatoare i a mediei aritmetice a acestora exist o mare deosebire n sensul
c dei nu putem preciza ce valoare va lua fiecare dintre variabilele aleatoare
considerate, suntem n msur s afirmm cu o probabilitate apropiat de unu
ce valoare va lua media aritmetic a acestor variabile aleatore. Aadar, media
aritmetic a unui numr suficient de mare de variabile aleatoare cu dispersii
mrginite i pierde caracterul de variabil aleatoare.
Teorema lui Poisson 1.14.10. Dac ntr-un ir de repetri
independente ale unui experiment probabilitatea apariiei unui eveniment A la
m 1 n
P
p k 1, 0, i unde
repetarea de rang n este pn atunci lim
n
n n k 1
m este numrul apariiilor lui A n primele n repetri.
97
Demonstraie:
Considerm Xk variabila care indic apariia evenimentului A la
repetarea de rang k a experimentului
0
qk
X k
1
unde p k P( A) , q k 1 p k 1 P ( A) P ( A)
p k
Variabilele Xk sunt independente dou cte dou i au dispersiile

egal mrginite.
D 2 ( X k ) M ( X k2 ) M ( X k ) p k p k2 p k (1 p k ) p k q k 1 , iar
2
m X k i conform teoremei lui Cebev rezult c irul X n n 1 urmeaz

k 1
legea numerelor mari.

Teorema lui Bernoulli 1.14.11. Dac ntr-un ir de repetri
independente ale unui experiment probabilitatea apariiei unui eveniment A
m
P
p 1, 0, unde m
este p la fiecare repetare, atunci lim
n
n
reprezint numrul apariiilor lui A n primele n repetri ale experimentului.

Teorema lui Liapunov 1.14.12. Fie irul de variabile aleatoare
independente ( X n ) n 1 pentru care exist momentele centrate de ordinul trei
ir , i 1, r 3 i nlim
13 23 ... n 3
D 2 (X1 ) D 2 (X 2 ) ... D 2 (X n )
0 , atunci irul de
98
variabile aleatoare ( Z n ) n 1 unde Z n
X k M(X k )
k 1
k 1
D
k 1
, converge n
(X k )
repartiie la o variabil aleatoare ce urmeaz legea normal N(0,1) adic
lim Fn ( x )
dt , x R .
Observaie 1.14.13.
1) Problema limit este problema determinrii legii de probabilitate
a variabilei aleatoare Zn, cnd
n.
2) Teorema limit este teorema care rezolv o problem limit.

3) Dac legea de probabilitate limit este legea normal atunci avem
teorema limit central.
Teorema Lindeberg-Levy 1.14.14. Dac irul de variabile aleatoare
independente ( X n ) n 1 sunt identic repartizate (urmeaz aceeai lege de
probabilitate)
exist
m M ( X n ), 2 D 2 (X n ), 3 M X n M (X n ) , n 1,2,3,...
atunci irul de variabile aleatoare
1 n
Xk m
n k 1
( Z n ) n 1 unde Z n
,
converge
n repartiie la o variabil aleatoare ce urmeaz legea normal redus N(0,1)
Fn ( x )
adic lim
n
dt , x R .
99
Teorema Moivre Laplace 1.14.15. Dac variabila aleatoare X

urmeaz legea binomial, adic P(n,k)=P(X=k)= C kn p k q n k , k 0, n , p+q=1,
npq
X np
P a
atunci pentru a<b avem nlim

X np
P a
b
npq
1
2
1
2
b
a
dx
sau
dx .
Demonstraie:
Fie variabilele aleatoare Xk,
0
repartizate X k q
k 1, n
independente i identic
k 1, n
2
atunci X X k , M ( X k ) p , D ( X k ) pq
k 1
i conform teoremei 3.15.14 avem c variabila

1 n
Xk p
n k 1
Zn
pq
X
k 1
np
npq
X np
npq
urmeaz legea N(0,1)dac n .
Avem
X np
lim P
n
npq
e t
/2
dt
i prin urmare
X np
X np

X np
lim P a
b lim P
b P
a

n
n
npq
npq
npq

b
a
b
2
2
2
1
1
1
e x / 2 dx
e x / 2 dx
e x / 2 dx
a
2
2
2
Observaie 1.14.16.
1) Deoarece X=k, k=1,2,,n se obinuiete s se scrie
k np
P a
b
npk
1
2
b
a
dx .
100
2) Folosind funcia lui Laplace ( x )
1
2
x
0
dt avem
k np
P a
b ( b ) (a ) .
npq
b np
3) P a k b
npq
a np
npq
Exemplul 1.14.17. Fie variabila aleatoare X avnd repartiia
0,05
0,10
0,25
0,30
0,20
X :
exact a probabilitii
6
. S se determine valoarea
0,10
P X M (X ) 2
precum i o margine inferioar a
acesteia.
Rezolvare:
Valoarea exact se obine astfel:
6
M(X) x k p k 1 0,05 2 0,10 3 0,25 4 0,30 5 0,20 6 0,10 3,80

k 1
P X M ( X ) 2 P 2 X M ( X ) 2 P 2 M ( X ) X 2 M ( X )
P (1,80 X 5,80) P ( X 2) ( X 3) ( X 4) ( X 5)
0,10 0,25 0,30 0,20 0,85
Pentru marginea inferioar se aplic inegalitatea lui Cebev cu 2 .

D 2 (X ) M ( X 2 ) M ( X) 16,10 14,44 1,66
2
M (X 2 ) 12 0,05 2 2 0,10 3 2 0,25 4 2 0,30 5 2 0,20 6 2 0,10 16,10 Dec
i P X M ( X ) 1
1,66
0,585
4
Exemplul 1.14.18. Se efectueaz 800 de probe independente. n 200

din ele probabilitatea apariiei unui rezultat ateptat a fost 0,5; n 400 de
probe aceast probabilitate a fost 0,4; iar n restul probelor a fost 0,3. S se
101
determine marginea inferioar a probabilitii ca abaterea absolut a

frecvenei relative de apariie a evenimentului de la media probabilitilor s
nu depeasc 0,04.
Rezolvare:
Se aplic teorema lui Poisson pentru n=800 i 0,04 .
1 n
1 n
p k 1 2 2 p k q k adic
n k 1
n n k 1
8
1
200 0,5 0,5 400 0,4 0,6 200 0,3 0,7
p k 0,04 1
0,817
800
800
800 2 (0,04) 2
k 1
Exemplul 1.14.19. Se cunoate c o unitate de desfacere a

produselor alimentare poate deservi zilnic un numr de 3000 clieni. tiind c
un client care intr n unitate devine cumprtor cu probabilitatea p=0,7 s se
calculeze probabilitatea ca:
a) numrul cumprtorilor s fie cuprins ntre 1800 i 2400;
b) numrul cumprtorilor s fie mai mic dect 2150;
c) ce stoc zilnic trebuie asigurat astfel nct riscul de a
rmne clieni fr produs s fie de 3 .
Rezolvare:
a)Numrul cumprtorilor X este o variabil aleatoare ce urmeaz
legea binomial cu parametrii n=3000 i p=0,7. Se cunoate c
M(X)=np=2100 iar D 2 (X) npq 630.
Folosind inegalitatea lui Cebev obinem:
P X 2100 1
630
, 0 sau
2
P 2100 X 2100 1
Dac se ia 300 rezult
6300
2
102
630
1 0,007 0,993
90000
P1800 X 2400 1
De asemenea, se poate folosi teorema Moivre-Laplace adic:

2400 2100
1800 2100
300
630
P 1800 X 2400
630
2 11,95 2 0,15 1
630
b) Folosim din nou teorema Moivre-Laplace i avem:

2150 2100
P X 2150 P 0 X 2150
630
2100

630
50
2100

0,5 0,4767 0,9767
630
630
c) Fie s stocul zilnic. Vor rmne clieni fr produse dac X>s,

adic P(X>s)=0,003;
1
dar P(X s) 1 P( x s) 1 F(s) 1
1
s 2100
sm

2
630

s 2100
1
s 2100
0,003
2,75 deci s=2170.
2
630
630
Exemplul 1.14.20.Se consider irul de variabile aleatoare ( X n ) n 1

, unde
Xn : 1
3n 3
(n 1)
1
3(n 1) 3
... 1 0
1
p
3
1 ...
n 1
1
1
3
3(n 1) 3
n
1 .
3n 3
S se verifice dac irul de variabile aleatoare se supune legii

numerelor mari.
Rezolvare:
2
1
1
2
1
1
p 1 1 3 ... 3 , M( X n ) 0, M (X 2n ) 1 ...
3
2
n
3
2
n
D 2 (X ) M (X 2n ) M (X n )
2
2
1
1
1 ...
3
2
n
1 2
D
n n 2
Calculm lim
X k lim 2
k 1
n n
n
D
k 1
103
(X k )
n
2 n
1
1
2 n
2
lim
1 ... lim
(1 ln k ) lim
(1 ln n )
2
2
2
n 3n k 1
n 3n
2
k
n 3n k 1
k 1
i
n
2
1
dx
1
lim
n(1 ln n ) 0 dar 1 1 1k
lim
D2 X 0
k
n 3n 2
2
x
n n2
k 1
conform teoremei lui Markov irul urmeaz legea numerelor mari.

Exemplul 1.14.21. Fie irul de variabile aleatoare ( X n ) n 1
n 0
1
p0
n
independente, care au distribuiile X n :
1 , atunci irul
urmeaz legea numerelor mari.

Rezolvare:
Avem M (X n ) 0 iar
D 2 (X n ) M (X 2n ) n
1
1
0p 0 n 2 dac
n
n
n2
iar
D 2 (X 1 ) 0 . Prin urmare D 2 ( X n ) 2, n 1 adic dispersiile sunt egal
mrginite i conform teoremei lui Cebev avem c irul considerat urmeaz

legea numerelor mari.
1.15. Exerciii rezolvate

1.Un student solicit o burs de studii la 3 universiti. Dup
trimiterea actelor necesare, acesta poate obine burs de la universitatea i (U i)
sau nu (U i ) , 1 i 3 . Scriei evenimentele ce corespund urmtoarelor
situaii :
a)primete o burs ;
104
b)primete cel mult o burs ;

c)primete cel puin o burs ;
d)primete cel puin dou burse.
Rezolvare:
a) Bursa primit poate fi de la prima universitate, caz n care
celelalte nu-i acord burs, sau de la a doua, caz n care prima i a treia nu-i
acord burs, sau de la a treia, caz n care primele dou nu-i acord burs.
Avem astfel evenimentul
A (U1 U 2 U 3 ) (U 1 U 2 U 3 ) (U1 U 2 U 3 ) .
b)Avem dou variante : studentul nu primete nici o burs sau

studentul primete o burs. Obinem evenimentul
B (U1 U 2 U 3 ) A .
c) Evenimentul poate fi scris ca reuniunea a trei evenimente :

studentul primete o burs, dou burse, trei burse. Astfel C A E F ,
unde E (U1 U 2 U 3 ) (U1 U 2 U 3 ) (U1 U 2 U 3 ) ,
iar F U1 U 2 U 3 .
d)Avem
DEF .
Altfel,
evenimentul
este
contrar
evenimentului B, deci D B (U1 U 2 U 3 ) A .

2.ntr-un grup de studeni aflai n excursie se gsesc 6 fete i 9
biei. Se aleg la ntmplare doi studeni pentru a cerceta traseul. Care este
probabilitatea ca cei doi s fie :
a)biei ;
b)fete ;
c)un biat i o fat ;
d)cel puin un biat ;
e)primul biat i a doua fat ;
105
f)de acelai sex.

Rezolvare:
Notm cu A1 i A2 evenimentele alegerii unui biat la prima,
respectiv a doua alegere. La primul punct avem de calculat probabilitatea
P ( A1 A2 ) . ntruct a doua alegere depinde de prima avem :
P ( A1 A2 ) P ( A1 ) P ( A2 A1 )
9 8
12
,
15 14 35
deoarece alegnd un biat mai rmn n grup 14 studeni ntre care 8 biei.
Evenimentul de la punctul b) se scrie astfel : B A1 A2 . Deci
P ( B ) P ( A1 A2 ) P( A1 ) P ( A2 A1 )
6 5
1
15 14 7
Evenimentul de la punctul c) este C ( A1 A2 ) ( A2 A1 ) aadar

P (C ) P ( A1 A2 ) P ( A2 A1 ) , ( A1 A2 , A2 A1 sunt incompatibile)
Dar P ( A1 A2 ) P( A1 ) P( A2 / A1 )
9 6
,
15 14
iar P ( A2 A1 ) P( A1 ) P( A2 / A1 )
6 9
15 14
de unde P(C ) 2
9 6 18
.
15 14 35
Am obinut i probabilitatea evenimentului de la punctul e)

P ( A1 A2 ) . Evenimentul de la punctul d) se exprim astfel : D A1 A2 .
El este contrar evenimentului : B A1 A2 , prin urmare

P( D) 1 P( B) 1
1 6
. Evenimentul de la ultimul punct f)
7 7
este
F ( A1 A2 ) ( A1 A2 ) . Cum ( A1 A2 ) ( A1 A2 ) cele
dou evenimente sunt incompatibile i deci
106
P( F ) P( A1 A2 ) P ( A1 A2 )
12 1 17

.
35 7 35
3.La un examen de licen particip mai muli absolveni, ntre

care numai trei din strintate. Probabilitatea ca primul student s promoveze
este , probabilitatea ca al doilea s promoveze este 4/5, iar pentru al treilea
5/6. S se determine probabilitile ca :
a)toi cei trei studeni s promoveze;
b)cel puin unul s promoveze examenul.
Rezolvare:
Fie Ai evenimentul promovrii examenului de ctre studentul i,
i=1,2,3. Evenimentul de la punctul a) este A A1 A2 A3 , iar de la punctul
b) este B A1 A2 A3 . Evenimentele Ai sunt independente (rezultatele
celor 3 studeni nedepinznd unul de celelalte), deci
P( A) P( A1 ) P( A2 ) P( A3 )
3 4 5 1
.
4 5 6 2
Folosind proprietile probabilitii avem :

P ( B ) P( A1 A2 A3 ) P ( A1 A2 ) P( A3 ) P (( A1 A2 ) A3 )
P ( A1 ) P ( A2 ) P ( A1 A2 ) P ( A3 ) P (( A1 A3 ) ( A2 A3 ))
P ( A1 ) P ( A2 ) P ( A1 A2 ) P ( A3 ) [ P ( A1 A3 ) P ( A2 A3 )
P (( A1 A3 ) ( A2 A3 )) P ( A1 ) P ( A2 ) P ( A3 )
P( A1 A2 ) P( A1 A3 ) P( A2 A3 ) P( A1 A2 A3 ).
innd seama de independena evenimentelor Ai , i=1,2,3, avem:

P ( B) P ( A1 ) P ( A2 ) P ( A3 ) P ( A1 ) P ( A2 ) P ( A1 ) P ( A3 ) P ( A2 ) P ( A3 )
P ( A1 ) P ( A2 ) P ( A3 )
3 4 5 3 4 3 5 4 5 3 4 5 119

.
4 5 6 4 5 4 6 5 6 4 5 6 120
4.Din mai multe controale asupra activitilor a trei magazine se

apreciaz c n proporie de 90%, 80%, 70%, cele trei magazine au declarat
107
marfa vndut. La un nou control, comisia de control solicit 50 de

documente privind activitatea comercial: 20 de la primul magazin, 15 de la
al doilea, 15 de la al treilea. Dintre acestea se alege unul la ntmplare pentru
a fi verificat:
a)Cu ce probabilitate documentul ales este corect (nregistrat)?
b)Constatnd c este corect, cu ce probabilitate el aparine
primului magazin?
Rezolvare:
a) Notm cu A1, A2, A3 evenimentul ca documentul controlat s
provin de la primul, al doilea i respectiv al treilea magazin. Avem astfel
P( A1 )
20
15
15
; P( A2 )
; P ( A3 )
.
50
50
50
Fie A evenimentul ca documentul controlat s fie corect. Atunci

A / A1, A / A2, A / A3 reprezint evenimentul ca documentul controlat s fie
corect tiind c el provine de la primul, al doilea, al treilea magazin. Prin
urmare : P(A/A1)=0,90; P(A/A2)=0,80; P(A/A3)=0,70 . Cum {A1, A2, A3} este
un sistem complet de evenimente
A1 A2 A3 E , A1 A2 A1 A3 A2 A3
aplicnd formula probabilitii totale avem :

P ( A) P ( A1 ) P ( A / A1 ) P ( A2 ) P ( A / A2 ) P ( A3 ) P ( A / A3 )
20
15
15
0,90
0,80
0,70 0,81.
50
50
50
b)Aplicnd formula lui Bayes avem :
P( A1 / A)
P( A1 ) P( A / A1 )
3
P( A ) P( A / A )
i 1
20
0,90
0,36 4
50
.
0,81
0,81 9
108
(A1/A reprezint evenimentul ca documentul controlat s provin de

la primul magazin tiind c a fost corect).
5.La un supermarket s-a fcut un sondaj printre clienii acestuia,
punndu-li-se trei ntrebri la care s rspund prin DA sau NU. S-a constatat
c rspunsul DA la prima, a doua respectiv a treia ntrebare a fost de 60%,
80% respectiv 70%. Care este probabilitatea ca un client s dea :
a)trei rspunsuri DA?
b)trei rspunsuri NU?
c)dou rspunsuri DA i unul NU?
d)cel mult dou rspunsuri DA?
e)primele dou rspunsuri NU?
f)primul rspuns DA i nc unul DA?
Rezolvare:
a) Suntem n condiiile schemei lui Poisson (presupunnd c
rspunsurile sunt independente unul de cellalt) cu 3 urne i cu probabilitile
: p1 = 0,6; q1 = 0,4; p2 = 0,8; q2 = 0,2; p3 = 0,7; q3 = 0,3. Astfel probabilitatea
ca s avem 3 rspunsuri DA este coeficientul lui x 3 din polinomul (p1x + q1)
(p2x + q2)(p3x + q3) adic
pa = p1p2p3 = 0,6 0,80,7 = 0,336.
b) Probabilitatea s avem trei rspunsuri NU este coeficientul lui x 0
(termenul liber) din polinomul de mai sus, adic
q1q2q3 = 0,4 0,20,3 = 0,024.
c) n acest caz probabilitatea este coeficientul lui x2 din acelai
polinom, adic p1p2q3 + p1q2p3 + q1p2p3 = 0,60,80,3 +
+ 0,60,20,7 + 0,40,80,7 = 0,452.
109
d)Evenimentul dat este reuniunea a trei evenimente incompatibile

dou cte dou, respectiv de a da 0, 1, 2 rspunsuri DA, deci probabilitatea sa
este suma coeficienilor lui x0, x1, x2 din polinomul de la punctul a). Avem
pd = q1q2q3 + (p1q2q3 +q1p2q3 + q1q2p3) + (p1p2q3 + p1q2p3 + q1p2p3) = =
0,024 + 0,188 + 0,452 = 0,664.
Astfel, evenimentul nostru este contrar evenimentului de la punctul
a), deci pd = 1 pa = 1 0,336 = 0,664.
e) Putem reduce schema lui Poisson la 2 urne cu probabilitile :
p1 = 0,6; q1 = 0,4; p2 = 0,8; q2 = 0,2. Probabilitatea cerut este
coeficientul lui x0 din polinomul (p1x + q1)(p2x + q2), adic
q1q2 = 0,08. Astfel, evenimentul dat este intersecia a dou
evenimente independente cu probabilitile q1 respectiv q2, de unde
probabilitatea cerut este produsul q1q2.
f) Evenimentul este reuniunea evenimentelor numai primul i al
doilea rspuns DA i numai primul i al treilea rspuns DA, care sunt
incompatibile,
deci
probabilitatea
evenimentului
dat
este
suma
probabilitilor celor dou, adic pf = p1p2q3 + p1q2p3 = 0,228.

6.La o banc s-a constatat c din 100 de credite acordate, 10 sunt
neperformante. Dac se acord 5 credite, care este probabilitatea ca:
a) toate s fie neperformante?
b) toate s fie performante?
c) numai 4 s fie performante?
d) cel puin 4 s fie performante?
Rezolvare:
Suntem n condiiile schemei lui Bernoulli cu dou culori, unde
p = 0,9 i q = 1-p =0,1 considernd bile albe creditele performante,
iar bile negre cele neperformante. Vom obine astfel:
110

0
0
5
a) P (5;0) C5 (0,9) (0,1) 0,00001 ;
b) P (5;5) C55 (0,9) 5 (0,1) 0 0,59049 ;

4
4
1
c) P(5,4) C5 (0,9) (0,1) 0,32705 ;
d) P (5; 4) P (5,4) P(5,5) 0,91754 .

7.ntr-un partid parlamentar sunt 10 deputai i 5 senatori. Se ia la
ntmplare un grup de 5 parlamentari ai partidului respectiv, pentru a forma o
comisie. Cu ce probabilitate grupul conine:
a) 3 deputai i 2 senatori;
b) numai deputai;
c) numai senatori;
d) cel mult 2 senatori;
e) cel puin un deputat.
Rezolvare:
Suntem n condiiile schemei hipergeometrice cu 2 culori, unde
a = 10, b = 5 i n = 5. Vom avea:
C103 C52
a) P(5;3,2)
;
C155
C105 C50
b) P(5;5,0)
;
C155
C100 C55
c) P (5;0,5)
;
C155
C105 C50 C104 C51 C103 C52
d) Pd P (5;5,0) P (5;4,1) P (5;3,2)
C155
;
5
i 1
i 1
e) Pe P(5; i,5 i )
C10i C55i
sau altfel
C155
Pe 1 P (5;0,5) 1
111
1
5 .
C15
8.Probabilitatea ca un agent comercial s vnd un anumit produs

este 0,3. Dac acesta ofer produsul spre vnzare pe rnd la 4 magazine cu ce
probabilitate el vinde produsul:
a) la primul magazin;
b) la al doilea magazin;
c) la ultimul magazin;
d) cel mult la al treilea magazin.
Rezolvare:
Suntem n condiiile schemei geometrice cu p = 0,3 ( se presupune
c agentul poate vinde produsul unui singur magazin). Prin urmare avem:
a) P1 = pq1-1 = 0,3 ;
b) P2 = pq2-1 = pq = 0,3 0,7 = 0,21 ;
c) P4 = pq4-1 = pq3 = 0,3 (0,7)3 = 0,1029 ;
d)Pd =P1+P2+P3=p + pq + pq2 = p(1+q+q2) = 0,3(1+0,7+0,49)=0,657
9.Fie variabilele aleatoare independente :
1
2
0
X :
1/ 2 1/ 4 1/ 4
1
2
1
1/ 3 1/ 6 1/ 2
i Y :
S se scrie variabilele aleatoare : 2X, Y2, X+Y, XY, 2X+3Y, X/Y,

max(X,Y),
X .
Rezolvare:
Probabilitile corespunztoare valorilor lui 2X, Y2,
sunt
aceleai cu cele corespunztoare lui X i respectiv Y. Avem:

2
4
0
,
2 X :
1
/
2
1
/
4
1
/ 4
0
X :
1/ 2
1
1/ 4
2
1 / 4
2
, Y :
1/ 2 1/ 2
112
P (Y 2 1) P (Y 1 Y 1) P(Y 1) P(Y 1)
1 1 1
.
3 6 2
Deoarece X i Y sunt independente avem c pij = piqj,1 i, j 3 .

De exemplu
p12 P( X 0, Y 1) P( X 0) P(Y 1)
1 1 1

.
2 6 12
Obinem
0 1 0 1
X Y :
1 / 6 1 / 12
02
1 1
11
1 2
2 1
2 1
1/ 4
1 / 12 1 / 24
1/ 8
1 / 12 1 / 24
2 2
1 / 8
adic
0
1
1
X Y :
1 / 6 1 / 12 1 / 6
4
.
7 / 24 1 / 6 1 / 8
2
Analog
0 (1) 0 1
1 / 12
1/ 6
X Y :
0 2 1 (1)
1/ 4
1 / 12
1 1
1 2
1 / 24 1 / 8
2 ( 1)
2 1
1 / 12
1 / 24
2 2
1 / 8
de unde
1
0
1
2
4
2
.
X Y :
1 / 12 1 / 12 1 / 2 1 / 24 1 / 6 1 / 8
Cum 2X i 3Y au repartiiile
2
4
3
0
3
, 3Y :
2 X :
1/ 2 1/ 4 1/ 4
1/ 3 1/ 6
6
,
1 / 2
obinem repartiia lui 2X + 3Y :

1
3
2 X 3Y :
1 / 6 1 / 12
1 / 12 1 / 12 1 / 24
10
1 / 4 1 / 24 1 / 8 1 / 8
6
.
La fel obinem:
X
Y
1
0
1/ 2
1
2
2
,
1 / 12 1 / 12 1 / 2 1 / 8 1 / 6 1 / 24
1/ 6
5 / 24
max( X , Y ) :
113
2
.
5 / 8
10.Fie X i Y dou variabile aleatoare discrete ale cror repartiii

probabiliste comun (pij ) i marginale (pi) i (qj) sunt date n tabelul urmtor :
X\Y
-1
0
-1
1/8
1/12
1
1/24
1/4
qj
1/6
1/3
a)S se scrie variabilele aleatoare X i Y.
1
1/6
1/3
1/2
b)S se precizeze dac X i Y sunt independente.

c)S se scrie variabilele X + Y , X Y, X2, Y2, Y/X .
Rezolvare:
a)Din tabelul de repartiie de mai sus deducem c
1
X :
3/8
1
0
1
1
i Y :
5 / 8
1/ 6 1/ 3 1/ 2
b)Dac X i Y ar fi independente atunci

p11 P ( X 1, Y 1) p1q1 P( X 1) P (Y 1) ,
ceea ce nu are loc ntruct
1 3 1
.
8 8 6
c)Deoarece
p11
1
1
1
1
1
1
, p12
, p13 , p21
, p22 , p23 ,
8
12
6
24
4
3
obinem
1
0
1
2
2
,
X Y :
1 / 8 1 / 12 1 / 6 1 / 24 1 / 4 1 / 3
1
0
1
,
X Y :
1 / 6 1 / 24 1 / 12 1 / 4 1 / 8 1 / 3
X
Y
1 / 24 1 / 6 1 / 12 1 / 4 1 / 8 1 / 3
pi
3/8
5/8
1
114
Repartiiile lui X2 i Y2 rezult imediat din cele ale lui X i Y:

1
X 2 : , Y 2
1
1/ 3
1
.
2 / 3
11.Fie variabila aleatoare discret X :

p
2
p2
3
p
3
p2
3
.
p 2
a)S se determine p.
b)S se calculeze funcia de repartiie a lui X.
c)S se calculeze probabilitile:
P( X 1), P ( X 3), P( X 4), P (1,5 X 3,2), P ( X 2,1),
P(3,1 X X 2,8), P (1,5 X 3 2 X 4).
Rezolvare:
a)Trebuie s avem p + p2 + p + p2 + p2 = 1 i p 0. Rezult
3p2 + 2p = 1 i p 0, adic p = 1/3.
b)Cum F(x) = P(X<x) rezult c F(x) = 0 dac x 1,
F(x) = p = 1/3 dac x (1,2] ,
F(x) = P(X=1) + P(X=2) = p + p2 = 4/9 dac x ( 2,3] ,
F(x) = P(X=1) + P(X=2) + P(X=3) = p + p 2 + p = 7/9 dac x (3,4]
,
F(x) = P(X=1) + P(X=2) + P(X=3) + P(X=4) = p + p 2 + p + p2 = 8/9
dac x (4,5] i F(x) = 1 dac x > 5 .
Deci :
0,
1
3,
4
,
F ( x) 9
7
,
9
8,
9
1,
115
x 1;
1 x 2;
2 x 3;
3 x 4;
4 x 5;
x 5.
c)Avem
P(X<1) = P() = 0, P(X<3)=P(X=1)+P(X=2)=4/9,
P(X>4)=P(X=5)=1/9, P(1,5<X<3,2)=P(X=2)+P(X=3)=4/9,
P(X2,1)=P(X=3)+P(X=4)+P(X=5)=5/9,
P (3,1 X X 2,8)
P(3,1 X , X 2,8) P( X 3,1)

2 p2
2
2
P ( X 2,8)
P( X 2,8) p 2 p
5
P(1,5<X3/2<X<4)=P(X=2 sau X=3 / X=3) = P(X=3/X=3) =1.

12.Determinai constanta a R pentru ca funcia f dat mai jos s
fie densitate de repartiie i apoi s se determine funcia de repartiie
corespunztoare. S se calculeze mediana, cuantilele i valoarea modal a
variabilei aleatoare X avnd densitatea de probabilitate (x):
( x)
2 x,
x [0,1 / 2]
2x
a , x (1 / 2,2]
3
0,
altfel.
Rezolvare:
Avem ( x)dx 1 , de unde

x2
1/ 2
0
x2
ax
3
2
1/ 2
1/ 2
2
2x
xdx a
dx 1 sau
1/ 2
3
1 . Rezult a = 4/3 i deci
116
F ( x ) (t )dt
0,
x0
0,
x0
2
2
x ,
x [0,1 / 2]
x ,
x [0,1 / 2]
2
4x x 1
x 4 2t
1
dt , x (1 / 2,2]
, x (1 / 2,2]
4 1/ 2 3
3
1,
x2
1,
x2
ntruct F este continu vom avea F(x) = F(x+0) , x , deci

F ( M e ( X ))
1
2
F ( M e ( X ))
Aceasta se realizeaz pentru
adic
F ( M e ( X ))
4x x2 1 1
, de unde x 2
3
2
1
.
2
3
(1 / 2,2] .
2
3
c2 . Se observ c F(1/2)=1/4 deci
2
Aadar M e ( X ) 2
c1
1
,
2
1
c3
2
rezult din F(x)=3/4, adic
4x x2 1 3
3
, de unde c3 2
.
2
3
4
Deoarece este cresctoare pe [0,1/2] i descresctoare pe (1/2,2],

x=1/2 este punct de maxim (singurul), prin urmare M o ( X )
1
.
2
13.S se determine variabilele aleatoare independente

x
X :
p
x 1
x2
2p
3p
x 3
i Y :
4 p
q
2y
q2
3y
,
q 2
tiind c M(X)=2 i M(Y)=7. S se calculeze apoi M(2X+3Y),

D2(X), D2(Y) i D2(2X+3Y).
Rezolvare:
Deoarece
este
variabil
aleatoare
trebuie
p+2p+3p+4p=1, adic p=1/10. Atunci

M(X)=xp+(x+1)2p+(x+2)3p+(x+3)4p=10px+20p=x+2.
avem
117
Cum M(X)=2 rezult c x = 0.

Analog q+q2+q2=1, adic 2q2+q-1=0, de unde q=1/2. Rezult c
M(Y)=yq+2yq2+3yq2=
7
y.
4
Cum
M(Y)=7
avem
y=4.
Tablourile de repartiie ale lui X i Y vor fi
0
X : 1
10
1 2
1 3
5 10
3
4
2 , Y : 1
5
2
8 12
1 1 .
4 4
Folosind proprietile mediei avem

M(2X+3Y)=M(2X)+M(3Y)=2M(X)+3M(Y)=22+37=25.
Pentru calcularea dispersiilor avem nevoie s calculm mediile lui
X2 i Y2. Acestea au tablourile de repartiie
0
X 2 : 1
10
1 4
1 3
5 10
M (X 2) 0
9
16 64 144
2 , Y2 : 1 1
1 , astfel c
5
2 4
4
1
1
3
2
1 4 9 5 i
10
5
10
5
M (Y 2 ) 16
1
1
1
64 144 60 . Atunci
2
4
4
D2(X)=M(X2)-M(X)2=5-4=1 i D2(Y)=M(Y2)-M(Y)2=60-49=11.
Cum X i Y sunt independente, rezult c i 2X i 3Y sunt
independente i avem
D2(2X+3Y)=D2(2X)+D2(3Y)=4D2(X)+9D2(Y)=41+911=103.
14.S se determine variabilele aleatoare X i Y ale cror repartiii
sunt date incomplet n tabelul de mai jos, tiind c M(X)=17 i D 2(Y)=1. S
se calculeze apoi M(XY) i D2(X-Y).
118
X\Y
a
a2
qj
Rezolvare:
-b
1/5
0
1/10
2/5
3/5
1/5
Deoarece p1+p2=1 rezult c p1 1

p11+p12+p13=p1, adic
q2
3 2
. Mai departe
5 5
1 1
2
1
p13 , deci p13

. Cum
5 10
5
10
p13+p23=q3 rezult c p23

p21
pi
1 1
1
. Dar p21+p22+p23=p2, adic

5 10 10
3 2 1
1
3

. Din p11+p21=q1 i p22+p12=q2, rezult c q1

i
5 5 10 10
10
1
. Obinem astfel
2
a a2
b 0
X : 2 3 , Y : 3 1
10 2
5 5
3a2+2a-85=0,
adic
M (Y )
de
unde
a1=5,
a2=-17/3.
Deoarece
3b
1 b
b
0
i
10
2 5
10
M (Y 2 ) (b) 2
3
1
1 b2
02 b2
, rezult c
10
2
5 2
D 2 (Y ) M (Y 2 ) M (Y ) 2
2
D2(Y)=1, astfel c b
(pij) avem
b
1 . Astfel M ( X ) a 2 a 2 3 17 ,
5
5
5
b2
b2
49b 2
2 100 100
Din
ipotez
100
10
, adic b
. Din tabloul repartiiei comune
49
7
a 2b ab 0 ab a 2b
1
1 1
1
XY : 1
5
2 10 10
10
119
a b a2 b a a2 a b a2 b
1
1 2
1
1
X Y : 1
10 10 5
5
10
10
Astfel M ( XY )
a 2b ab ab a 2b
ab
a
.
10
5 10 10
10
7
Dac a=5 M(XY)=-5/7, iar dac a=-17/3 M(XY)=17/21. Pentru

calcularea dispersiei lui X-Y, avem nevoie de:
M (X Y)
a b a 2 b a 2 a 2 a b a 2 b 6a 2 4 a b
10
10
10
5
5
10
10
( a b ) 2 ( a 2 b ) 2 a 2 2 a 4 ( a b) 2 ( a 2 b ) 2
10
10
10
5
5
10
6a 4 4a 2 2ab 5b 2
10
M [( X Y ) 2 ]
Pentru a=5, b=10/7 avem M(X-Y)=

2
deci D ( X Y )
120
18985
2
i M [( X Y ) ]
,
7
49
18985 14400 4585
.
49
49
49
15.S se determine parametrii care apar n repartiiile urmtoare i s

se calculeze apoi M(X) i D 2(X), X fiind o variabil aleatoare, avnd
repartiia respectiv:
n
1 n ,n N,q 0 ;
X
:
a)
q
4
x
, x [0,1], a 0 ;
b) X :
2
a ( x 2 x)
120
c) X :
(
x
)
a 2 x 3 , x [0,1]
1
, ( x) ax, x (1,2]
2
altfel.
0,
Rezolvare:
a)Din
4q
condiia
rezult
n 0
1 1
1
3
1 1 q q
4 1 q
4
4
Atunci
1
1
1
1
M ( X ) n q n q n q n1 q ( q n )' q
4
4 n 0
4 n 0
4
n 0
1
1
q
4
1 q
'
M ( X 2 ) n2
n0
n 0
'
qn
1
1
1 3 1
q

3
2
4 (1 q )
4 4 1
16
1 n 1
1
q q n(q n )' q
4
4 n 0
4
'
'
nq n q nq n
n 0
4 n 0
'
1
1
1
2
q
q
24.
4 (1 q ) 2
4 (1 q ) 3
Astfel D2(X)=M(X2)-M(X)2=24-9=15.
b) Din condiia
x3
x 2
3
1
0
a( x
0
1 a
2 x) dx 1 rezult c
4
3
1 a . Atunci
3
4
M ( X ) x ( x ) dx x
1
3 2
3 x 4 2 x3
( x 2 x ) dx
4
4 4
3
M ( X 2 ) x 2 ( x )dx x 2
1
0
3 2
3 x5 2x4
( x 2 x )dx
4
4 5
4
11
,
16
1
0
21
.
40
Astfel D 2 ( X ) M ( X 2 ) M ( X ) 2
c)Din condiia
1
a 2 x 3 dx
121
2
21 11
40 16
67
.
1280
( x )dx 1 rezult c
ax
x4
dx 1 a 2
2
4
1
0
a 1
x2 2
a 2 3a
1
1
4
4
4
a4
Cum
( x) 0 numai a=1 convine, astfel c :

M (X )
M (X 2)
x ( x )dx
2
x 2 ( x ) dx
x x 3 dx x
1
x
x5
dx
2
5
x 2 x 3 dx x 2
D 2 ( X ) M ( X 2 ) M ( X )2
49 41
24 30
x3
6
x
x6
dx
2
6
1
0
1
0
2
1
1 7
41

5 6 30
x4
8
2
1
49
24
313
.
1800
16.Fie vectorul aleator (X,Y) cu X, Y variabile aleatoare

independente, a crui densitate de probabilitate este
( x, y )
a
. S se determine:
(1 x )(1 y 2 )
2
a)funcia de repartiie corespunztoare;

b) P(( X , Y ) [0,1) [0,1)) .
Rezolvare:
a) Avem
( x, y )dxdy 1 , deci
dx dy
1 a arctgx
1 x 2 1 y 2
Rezult c a
F ( x, y )
Atunci
arctgx
a
dxdy 1 .
(1 x )(1 y 2 )
2
arctgy
dudv
1
2
2
2
(1 u )(1 v )
1 1
1
arctgy

2
2
1 a
1
.
2
du y dv
1 u 2 1 v 2
122
dudv
(1 u 2 )(1 v 2 )
b)
1
F (1,1) F (1,0) F (0,1) F (0,0)
16
P(( X , Y ) D )
17.Fie vectorul aleator (X,Y) cu densitatea de probabilitate

ax 2 y ,
0,
( x, y )
( x, y ) [0,1] [0,2]
altfel .
a) S se determine constanta a.
b) S se calculeze funcia de repartiie F(x,y) i funciile marginale
FX(x) i FY(y).
Rezolvare:
1
a) Avem
rezult c
( x, y ) dxdy 1 , adic
2a
3
1 de unde a .
3
2
x
b) Avem F ( x, y ) ( x, y )dxdy .
Dac x < 0 sau y < 0, atunci f(x,y)=0 i deci F(x,y)=0.
Dac x > 1 i y > 2, atunci F(x,y)=1.
Dac (x,y) [0,1] [0,2] avem
F ( x, y )
y
3 2
3 x
x3 y 2
u vdudv u 2 du vdv
.
0
2
2 0
4
Dac x [0,1] i y > 2 avem

F ( x, y )
2
3 2
3 x
u vdudv u 2 du vdv x 3 .
0
0
2
2
Dac x > 1 i y [0,2] obinem

F ( x, y )
a x 2 dx ydy 1 ,
y
3 2
3 1
y2
u vdudv u 2 du vdv
.
0
2
2 0
4
123
0,
x 0sauy 0
x3 y 2
, ( x, y ) [0,1] [0,2]
Astfel F ( x, y ) x 3 ,
x [0,1], y 2
2
y
,
x 1, y [0,2]
4
x 1, y 2
1,
Funciile de repartiie marginale sunt

0,
FX ( x ) F ( x, ) x 3 ,
1,
x0
x [0,1]
x 1
y0
0,
y 2
FY ( y ) F (, y )
,
4
1,
y [0,2]
y2
18.Fie vectorul aleator (X,Y) avnd densitatea de probabilitate

e ( x y ) ,
0,
( x, y )
x 0, y 0
altfel
S se calculeze:
a) P(X<1,Y<1), P(X+Y<1), P(X+Y2), P(X1/Y1), P(X<2Y),
P(X=n) ;
b) Funcia de repartiie F(x,y) i funciile de repartiie marginale
FX(x), FY(y);
c) Densitile de repartiie marginale X(x), Y(y);
d) Momentele obinuite de ordin (k,s) ;
e) Corelaia variabilelor X i Y.
Rezolvare :
1
a) P ( X 1, Y 1) ( x, y )dxdy
124
x y
dxdy (e x ) 10 ( e y ) 10 (1 e 1 ) 2
x y 1
(e
1 x
( x, y )dxdy
P ( X Y 1)
e x y dxdy
e
0
( e y ) 10 x dx
e 1 ) dx (e x ) 10 e 1 1 2e 1 ,
( x, y)dxdy
P ( X Y 2) 1 P ( X Y 2) 1
x y2
2 x
e x y dxdy 1 e x (e y )
2 x
0
P ( X 1 / Y 1)
P ( X 1, Y 1)
P (Y 1)
P ( X 1, Y 1)
P(Y 1)
e x y dxdy
e x y dxdy e x
e x dx
dx 1 (e x e 2 )dx 3e 2
( e x ) 1
e 2
( e y ) 1 e 1
P ( X 1, Y 1) e 1
x y
e dxdy
P ( X 2Y )
0 x 2 y
(e x e
3 x
2
x
2
0
3 x
2
) dx e x e 2
3
e x e y dydx
e x (e y ) 0x / 2 dx
2 1
, P(X=Y)=0.
3 3
b) Avem F ( x, y ) (u , v) dudv .
Dac x > 0 sau y < 0 (x,y)=0, deci F(x,y)=0.
Dac x 0 i y 0 avem
F ( x, y )
e u v dudv
e u du e v dv (1 e x )(1 e y )
0
.
Funciile de repartiie marginale sunt
FX ( x ) F ( x, ) 1 e x i FY ( y ) F (, y ) 1 e y .
125
c) Densitile de probabilitate marginale X (x) i Y ( y ) sunt

derivatele funciilor de repartiie marginale:
x0
0,
, Y ( y ) y
x0
e ,
0,
x
e ,
X ( x)
d) k , s
x k e x dx
unde
M ( X kY s )
( p )
y0
y0
x k y s e x y dxdy
y s e y dy ( k 1) ( s 1) k! s!
x p 1e x dx
este funcia gama a lui Euler i are
proprietatea c ( p 1) p! pentru p N .
e) Avem
cov( X , Y ) M ( XY ) M ( X ) M (Y ) 11
xe x dx
ye y dy
1 ( 2) 2 1 1 0 .
19.Fie (X,Y) un vector aleator discret a crui repartiie probabilist

este dat n tabelul de mai jos. S se calculeze coeficientul de corelaie
r(X,Y) i s se scrie ecuaiile dreptelor de regresie.
X\Y
-1
0
1
qj
-1
1/10
1/20
1/10
1/4
0
1/5
0
1/10
3/10
1
1/10
1/10
1/20
1/4
2
0
1/20
3/20
1/5
Rezolvare:
Pe baza formulelor corespunztoare, deducem imediat:
M ( X ) 1
2
1
2
1
3
1
1 2
0 1 0 , M (Y ) 1 0 1 2 ,
5
5
5
4
10
4
5 5
M ( X 2 ) ( 1) 2
2
1
2 4
0 2 12 ,
5
5
5 5
M (Y 2 ) ( 1) 2
1
3
1
1 13
0 2 12 2 2
,
4
10
4
5 10
pi
2/5
1/5
2/5
1
126
4
,
5
13
4
57
D 2 (Y ) M (Y 2 ) M (Y ) 2
10 25 50
D2 ( X ) M ( X 2 ) M ( X )2
1
1
1
1
( 1) 0 ( 1) 1
(1) 2 0 0 ( 1)
10
5
10
20
1
1
1
1
1
3
1
0 0 0 0 1
02
1 ( 1)
1 0
1 1
1 2
10
20
10
10
20
20 4
M ( XY ) ( 1) ( 1)
cov( X , Y ) M ( XY ) M ( X ) M (Y )
r( X ,Y )
cov( X , Y )
2
D ( X ) D (Y )
1
,
4
0,25
2
57 .
5
50
Ecuaiile dreptelor de regresie sunt :

2
2
y
y
x0
5 ,
5 0,25 x 0 .
0,25
4
57
57
4
5
50
50
5
20.S se determine funcia caracteristic i funcia generatoare de

momente i apoi s se calculeze, pornind de la acestea, momentele 1 i 2
, pentru urmtoarele variabile aleatoare :
0
a) X : 1
1
1
4
2
1 ;
b) X : x , x 0 .
e
Rezolvare :
a) Avem
1
1
1 2 e it e 2it
X (t ) e 0it e1it e 2it
i
2
4
4
4
G X (t )
127
1 0t 1 1t 1 2t 2 e t e 2t
e e e
.
2
4
4
4
Primele dou derivate ale acestor funcii sunt :

X' (t )
i it
(e 2e 2it )
4
"X (t )
1
( e it 4e 2 it
4
,
G X' (t )
1 t
(e 2e 2t )
4
"
GX
(t )
1
( e t 4e 2 t )
4
.
Obinem
3i
5
X' (0) , "X (0)
4
4
3 "
5
G (0) , G X (0)
4
4
'
X
, de unde
X' (0)
3
i
1( X ) M ( X )
G X' (0)
i
4
128
"X (0)
5
2 ( X ) M ( X ) 2 GX" (0)
i
4
2
b) X (t ) 0
cos tx e x dx i
cos tx e x dx
cos tx e x
B
e itx e x dx
(cos tx i sin tx ) e x dx
sin tx e x dx A iB
cos tx ( e x )' dx
t sin tx e x dx 1 tB
sin tx ( e x ) dx sin tx e x
Obinem A = 1 - t2A , adic A =

Astfel X (t )
t cos tx e x dx tA .
1
t
.
2 i B =
1 t
1 t2
1 it
.
1 t2
Apoi G X (t ) 0 e tx e x dx 0 e x ( t 1) dx
e x (t 1)
t 1
1
,t 1
1 t
.
Primele dou derivate sunt
X' (t )
"
X
i 2t it 2
(1 t 2 ) 4
(t )
6it
14t 2
(1
G X' (t )
129
1
(1 t ) 2
2
(1 t ) 3
"
GX
(t )
Obinem
1( X ) M ( X )
X' (0)
G X' (0) 1 i
i
"X (0)
"
2(X ) M (X )
G
(0) 2
X
i2
2
1.16. Probleme propuse

1. Se arunc o moned de patru ori. Fie A evenimentul ca marca s
apar de dou ori, B evenimentul ca marca s apar cel puin o dat, C
evenimentul ca marca s apar la aruncarea a doua. S se determine:
a)
spaiul E al probelor;
b) probele care favorizeaz respectiv apariiile evenimentelor A,

B, C;
c)
evenimentele
A B, A C , B C , A, B , C , A B, A B C ,
A B, B C , A-B,
B-A, A-C,;
A B C, A B C
d) probabilitile evenimentelor de la punctele precedente.

2. Un client cumpr dintr-un magazin patru articole de
mbrcminte. Fie A1, A2, A3, A4 respectiv evenimentele ca primul, al doilea,
al treilea i al patrulea articol s nu conin defeciuni. S se exprime cu
ajutorul acestor evenimente, urmtoarele evenimente:
130
a) nici un articol nu prezint defeciuni;

b) cel puin un articol prezint defeciuni;
c) exact un aricol prezint defeciuni;
d) exact dou articole prezint defeciuni;
e) cel mult dou articole prezint defeciuni.
3. Un lact are un cifru din patru cifre. S se calculeze probabilitatea
de a ghici cifrul lactului dac:
a) lactul funcioneaz perfect;
b) ultima cifr, din cauza unei defeciuni nu trebuie s coincid
cu ultima cifr a combinaiei considerate;
c) prima i ultima cifr nu trebuie s coincid cu prima i
respectiv ultima cifr a combinaiei considerate.
4. La o conferin de pres particip 7 ziariti strini i 17 ziariti
autohtoni (8 femei i 9 brbai). tiind c la conferina de pres vor pune
ntrebri 6 ziariti luai la ntmplare din cei 24 prezeni, se cere
probabilitatea ca ntrebrile s fie puse de:
a) 2 ziariti strini i 4 autohtoni;
b) 2 ziariti strini i 4 autohtoni (2 femei i 2 brbai);
c) 1 ziarist strin i 5 autohtoni (2 femei i 3 brbai).
5. Piesele produse de o main prezint rebut n procente 2%. Pentru
controlul calitii produselor, se iau la ntmplare 10 piese.
S se calculeze probabilitatea ca:
a) nici o pies s nu fie defect;
b) cel mult dou piese s fie defecte.
6. Se tie c un magazin de cosmetice are acelai numr de clieni
brbai, respectiv femei. Se consider primii 12 clieni ai magazinului dintr-o
zi fixat. S se calculeze probabilitatea ca dintre cei 12 clieni:
131
a) patru s fie femei;

b) s fie cel mult patru femei.
7. Se arunc un zar de 15 ori. S se calculeze probabilitatea ca de 5
ori s apar un numr prim, de 8 ori s apar un numr compus i de 2 ori
apar faa cu un punct.
8. La o loterie s-au vndut 85 de bilete loto, din care o persoan a
cumprat 10 bilete. tiind c din 85 bilete 3 sunt ctigtoare, s se calculeze
probabilitatea ca persoana care a cumprat cele 10 bilete:
a) s nu fi ctigat;
b) s aib un bilet ctigtor;
c) s aib cel puin un bilet ctigtor.
9. ntr-un magazin de autoservire, pe un raft se afl 10 ciocolate care
cost respectiv 1 mie de lei, 3 mii de lei, 5 mii de lei i 10 mii de lei. O
persoan ia la ntmplare 5 ciocolate. S se determine probabilitatea ca suma
pltit s fie de 25 mii de lei.
10. Se arunc 5 zaruri, din care unul are o fa colorat n alb i
celelalte n negru, altul are dou fee colorate n alb i celelalte n negru, altul
are trei fee colorate n alb i celelalte n negru, altul are patru fee colorate n
alb i celelalte n negru, iar altul are cinci fee colorate n alb i celelalte n
negru. S se calculeze probabilitatea ca :
a) s se obin pe trei din cele cinci zaruri culoarea alb;
b) s se obin cel puin pe dou zaruri culoarea alb.
11. Se tie c trei din patru clieni care intr ntr-o unitate alimentar
fac cumprturi de la unitatea respectiv. S se calculeze probabilitatea ca:
a) primul cumprtor s apar dup trei clieni care au prsit
magazinul fr s cumpere nimic din unitatea respectiv;
132
b) pn la al doilea cumprtor doi clieni s nu fi efectuat

cumprturi.
12. Zece aparate de acelai tip sunt date n folosin, trei provenind
de la unitatea U1, cinci de la unitatea U2, iar duo de la unitatea U3. Se supun
aceste aparate unei probe de verificare. Cele care provin de la unitatea U 1 trec
proba cu probabilitatea 0.9, cele de la U2 cu probabilitatea 0.75 iar cele de la
U3 cu probabilitatea 0.85. Se ia un aparat la ntmplare i se cere
probabilitatea ca:
a) aparatul s treac proba de verificare;
b) aparatul s provin de la U1 dac se tie c a trecut proba de
verificare.
13. Consumul zilnic de energie electric ntr-o unitate comercial
este normal cu probabilitatea p=0.8. Fie X numrul zilelor din sptmn
cnd consumul este normal. S se scrie distribuia varialbilei aleatoare X.
14. Se arunc o moned de trei ori. Se noteaz cu X i Y respectiv
numrul apariiilor mrcii n cele trei aruncri i numrul maxim de mrci
consecutive aprute n cele trei aruncri. S se scrie distribuiile:
a) variabilelor aleatoare X i Y;
b) vectorului aleator (X,Y);
c) variabilelor aleatoare X+Y, XY.
15. La o librrie s-au primit 10 exemplare dintr-o carte, din care 4
prezint mici defeciuni. Trei cumprtori iau la ntmplare cte o carte din
cele 10. Fie X numrul crilor cu defeciuni vndute celor trei cumprtori.
S se scrie distribuia variabilei aleatoare X i funcia de repartiie
corespunztoare variabilei aleatoare X, iar apoi s se reprezinte grafic funcia
de reprtiie.
133
16. O persoan cumpr pe rnd bilete de loz n plic pn cnd

obine un bilet ctigtor. tiind c un bilet este ctigtor cu probabilitatea
p=0.1 i notnd cu X numrul biletelor nectigtoare cumprate, s se scrie
distribuia variabilei aleatoare X i funcia de repartiie ataat variabilei
aleatoare X.
17. Variabila aleatoare X de tip continuu are densitatea de
A sin x, x 0,
, unde A este o constant real. S se
0, x 0,
probabilitate: x
determine:
a) constanta real A;
b) funcia de repartiie corespunztoare;
c) probabilitile P(
X ) i P(0X
X ).
6
2
2
4
18. Variabila aleatoare X urmeaz legea normal N(0,1). S se

determine densitile de probabilitate respectiv pentru variabilele aleatoare Y
= X3 i Z = X .
19. O persoan dorete s deschid un lact i are n chei, dintre care
numai una se potrivete. Pentru aceasta, ncearc la ntmplare deschiderea
lactului cu aceste chei. Fie X numrul de ncercri pentru deschiderea
lactului. S se scrie distribuia variabilei aleatoare X, iar apoi s se calculeze
valoarea medie i dispersia variabilei aleatoare X, dac:
a) cheile ncercate se pun mpreun cu celelalte;
b) cheile ncercate se nltur.
134
20. Se consider vectorul aleator (X,Y) cu densitatea de
probabilitate:
A xy,daca x, y0, yx1
x, y
. S se determine:
0, altfel
a) constanta real A;
b) densitile de probabilitate X, Y pentru variabilele aleatoare
X, Y;
c) probabilitile P(0 X
1
1
1
,0Y
) i P(X
Y
2
2
2
1
).
2
21. La patru uniti alimentare din ora se poate gsi zilnic pine
proaspt cu probabilitile p1=0.8, p2=0.9, p3=0.95 i respectiv p4=0.85. Fie
X numrul unitilor alimentare din cele patru la care se gsete pine
proaspt ntr-o zi fixat. S se determine:
a) distribuia variabilei aleatoare X;
b) valoarea medie, dispersia, abaterea medie ptratic, mediana i
modul variabilei aleatoare X.
22. Fie (X,Y) coordonatele unui punct luminos ce reprezint o int
pe un ecran radar circular i care urmeaz legea uniform pe domeniul
135
D = (x,y)R2 x2+y2 r2. S se determine valoarea medie i dispersia

distanei Z =
X 2 Y 2 de la centrul ecranului pn la punctul luminos.
23. Variabila aleatoare X urmeaz legea beta. S se calculeze

momentele iniiale, iar apoi valoarea medie, dispersia i abaterea medie
ptratic a variabilei aleatoare X.
24. Fie punctul a = (0,1) fixat i punctul aleator X = (0,1), care
urmeaz legea uniform pe intervalul (0,1). S se determine corelaia dintre
X i distana Z = X-a
de la X la a, iar apoi s se determine valoarea lui a
pentru care variabilele aleatoare X i Z sunt necorelate.

25. Folosind inegalitatea lui Cebev, s se arate c
P(0X2(m+1))
m
,
m 1
dac variabila aleatoare X are densitatea de probabilitate
x m x
( x) m! e , daca x0 .
0, daca x 0
26. Probabilitatea ca o persoan s gseasc loc la un hotel este p =
0.8. n decursul unei luni de zile, la hotelul respectiv s-au prezentat 4000 de
persoane. Fie X numrul persoanelor care au gsit loc la hotel din totalul de
4000. S se determine probabilitatea ca:
a) numrul persoanelor care au gsit loc la hotel s fie cuprins
ntre 3000 i 3400;
b) numrul persoanelor care au gsit loc la hotel s nu
depeasc 3000;
c) numrul persoanelor care nu au gsit loc la hotel s fie mai
mic dect 500.
136
27. Probabilitatea ca o persoan s fie admis la examenul de ofer

amator este p=0.75. ntr-o lun se prezint un numr de n candidai la acest
examen. S se determine numrul n astfel nct s putem afirma cu o
probabilitate cel puin 0.95 c frecvena relativ a promovailor s se abat de
la probabilitatea p = 0.75 mai puin de 0.01 utiliznd att inegalitatea lui
Cebev ct i teorema Moivre-Laplace.
28. Probabilitatea ca o pies luat la ntmplare s fie defect este p
= 0.01. Sunt testate 100 de piese. S se evalueze probabilitatea ca:
a) cel puin 5 piese s fie defecte;
b) mai puin de 5 piese s fie defecte;
c) numrul pieselor defecte s fie cuprins ntre 5 i 10.
29. Probabilitatea ca o pies luat la ntmplare s fie defect este p
= 0.1. Un lot de piese este respins dac conine cel puin 10 piese defecte. S
se determine numrul de piese ce trebuie testate pentru ca un lot s fie respins
cu probabilitatea 0.87.
30. S se arate c irul (X n)n1 de variabile aleatoare independente,
ln n
1
2
care au distribuiile X :
ln n
1 urmeaz legea numerelor mari.
31. Fie variabilele aleatoare independente:

0
X :
16
1
12
2
1
i Y :
1 3
18
12
14
1 8
S determine variabilele aleatoare: X+Y; X-Y; XY; X2; Y2; X3; Y3; 2X; 3Y;
2X+3Y; 3Y-2X;
X .
137
32. Fie X i Y dou variabile aleatoare discrete ale cror repartiii

probabiliste comune ( pij ) i unidimensionale ( pi ) i ( q j ) sunt date n
tabelul de mai jos:
Y
X
-1
1
2
qj
-1
1/12
1/48
1/48
1/8
1/24
1/24
1/3
5/12
pi
1/24 1/48 3/16

1/48 1/24
1/8
1/6
1/6 11/16
11/48 11/48
1
a) Scriei variabilele aleatoare X i Y;

b) Precizai dac variabilele aleatore X i Y sunt independente
sau nu i justificai rspunsul;
c) Scriei variabilele aleatoare: X+Y; X-Y; XY;
Y
; X2; Y3;
X
3X-2Y;
33. Fie variabilele aleatoare independente:
2 1 0 1
1 2 1
X : 1
10 5 5 10
2
0 1
1 i Y : 1 1
5
12 12
2
1
2
3 4 5
1 1 1
6 12 12
a) Calculai M(X), M(X2), D2(X), M(Y), M(Y2) i D2(Y);

b) Care dintre urmtoarele mrimi pot fi calculate i care nu i de
ce?
M(2X+3Y); D2(2X+3Y); M(X2+Y); D2(X2+Y);
M(X2+Y2); D2(X2+Y2); M(XY).
c) Calculai mrimile de la punctul b) pentru care rspunsul este
favorabil.
34. S se determine, n fiecare caz, variabila aleatoare X i apoi s se
calculeze M(X) i D2(X).
138
a) X :
x , xN, p > 0, q > 0
pq
, xN, a > 0, b > 0

ax
b) X :
b
x!
x
c) X : , x[0,1], aR
ax
x
, x[0,1], aR
d) X :
2
a(3x 2 x)
e) X : a x , aR, xR
e
, xR,
f) X :
( x)
ax
a 2 x 2
( x)
2
0
, x 0,1
, x 1,2 , aR
, n rest
35. Fie variabilele aleatoare discrete:
0 1
0
X : 1 2 i Y : 1
3 3
6
Dac P( X 0, Y 0) i P( X 1, Y 1)
1
1
2
2
1
1
, s se determine repartiia
3
comun a vectorului aleatoriu (X,Y) n funcie de R . Calculai apoi

coeficientul de corelaie r ( X , Y ) i precizai dac exist valori ale lui
pentru care X i Y s fie independente.
36. Fie ( X , Y ) un vector aleatoriu continuu cu densitatea de
repartiie
a ( xy 2 x 2 y )
, ( x, y ) 1,2 2,3
, n rest
139
( X , Y )
,a>0
a) Determinai densitatea de repartiie ( X , Y ) i densitile de

repartiie marginale corespunztoare X (x) i Y ( y ) ;
b) Calculai coeficientul de corelaie r ( X , Y ) .
37. Calculai funcia caracteristic i funcia generatoare de
momente pentru fiecare dintre variabilele aleatoare:
1
a) X : 1
2
1
3
3
1
2 1 0
1
1 2
X
:
b)
10 5 5
1 2
1 1
5 10
, x 0,1
c) X :
2
3x
d) X : x , x 0
xe
i apoi verificai dac momentele obinute pe cale direct coincid cu cele
obinute cu ajutorul acestor funcii.
38. Verificai dac funciile urmtoare definesc repartiii ale unor
variabile aleatoare discrete i apoi calculai M(X) i D 2(X) pentru fiecare
dintre ele.
a) P( k )
1 (ln ) k
, k N , 1
k!
b) P( k )
1
e , k N , 0
k
k!
c) P ( k ) k (1 )1 k , k 0,1 ,0 1
140
39. S se afle funcia caracteristic a variabilei aleatoare X

caracterizat prin densitatea de probabilitate
0,
x 1,
x 1
1 x 2
3 x,
0,
2 x3
x3
f ( x)

Teoria Probabilitatilor

Încărcat de

Informații document

Titlu original

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

Teoria Probabilitatilor

Încărcat de

Drepturi de autor:

Formate disponibile

Elemente de teoria probabilitilor

1. ELEMENTE DE TEORIA PROBABILITILOR

Elemente de teoria probabilitilor i statistic matematic

Definiie 1.1.8. Mulimea tuturor evenimentelor elementare generate

1.2. Relaii ntre evenimente

Elemente de teoria probabilitilor

Dac A, B, C sunt evenimente aleatoare asociate unei experiene, au

Definiie 1.2.3. Spunem c evenimentele A i B sunt echivalente

Definiie 1.2.6. Prin intersecia evenimentelor A i B vom nelege

3. Dac A, B K i A B atunci A B A (evident A E A ,

Definiie 1.2.8. Spunem c evenimentele A i B sunt incompatibile

Elemente de teoria probabilitilor i statistic matematic

sunt compatibile dac A B , adic este posibil realizarea lor simultan.

Teorema 1.2.11. Dac evenimentele A, B, C, D K, atunci sunt

Definiie 1.2.12. Evenimentele A i B sunt dependente dac

Elemente de teoria probabilitilor

Dac e1 , e 2 ..., e n sunt evenimentele elementare corespunztoare

eveniment total (este echivalent cu evenimentul sigur).

1.3. Cmp de evenimente

Definiie 1.3.3. ntr-un cmp de evenimente [E,K], evenimentele

formeaz un sistem complet de evenimente (sau o partiie a

corespunztoare unei probe formeaz un sistem complet de evenimente care

Elemente de teoria probabilitilor i statistic matematic

evenimente corespunztor conine 2n evenimente.

evenimente compuse din cte un eveniment elementar Cn1

--------------- evenimente compuse din cte k evenimente elementare Cnk

i prin urmare, numrul total de evenimente ale lui K este egal cu

1.4. Cmp de probabilitate

Definiie 1.4.2. Se numete cmp de probabilitate tripletul {E, K, P}

Elemente de teoria probabilitilor

Observaie 1.4.3. n cazul n care cmpul de evenimente [E,K] este

A i K , I-o mulime de indici cel mult numrabil.

Propoziie 1.4.4. Au loc relaiile:

aplicnd axioma iii) din

3) Demonstrm prin inducie matematic

P ( Ai ) i demonstrm pentru n evenimente

Elemente de teoria probabilitilor i statistic matematic

dac s-a folosit ipoteza de inducie i s-a inut seama c

Definiia clasic a probabilitii 1.4.5. Probabilitatea unui

Exemplul 1.4.8. Dintr-o urn cu 15 bile numerotate de la 1 la 15 se

Elemente de teoria probabilitilor

n aceast experien aleatoare numrul total al cazurilor posibile

Pentru B numrul cazurilor favorabile este 7, adic {2, 4, 6, 8, 10,

Pentru C, numrul cazurilor favorabile este 5, adic { 3, 6, 9, 12,

1.5. Reguli de calcul cu probabiliti

aplicnd axioma iii) avem

dac s-a folosit P1.

Elemente de teoria probabilitilor i statistic matematic

P3) Probabiliti condiionate: Dac P(B) 0 atunci raportul

Elemente de teoria probabilitilor

P ( A 1 ) PA1 ( A 2 ) PA1 A 2 ( A 3 )....Pn 1 ( A n ).

3) Dac evenimentele A i B sunt independente atunci PB(A)=P(A) i

4) Dac evenimentele A i B se condiioneaz reciproc i

P4) Probabilitatea reunirii evenimentelor independente. Dac A1, A2,

An sunt evenimente independente, atunci: P

Folosind relaiile lui De Morgan

sunt evenimente independente implic

Elemente de teoria probabilitilor i statistic matematic

dac s-a inut seama de ipoteza de inducie.

complet de evenimente [E, K] i X K atunci P(X)= P(A i ) PA (X ).

este un sistem complet de evenimente

Elemente de teoria probabilitilor

dac s-a folosit formula