Probabilitati

UNIVERSITATEA TEHNICA DE CONSTRUCTII
BUCURESTI
PROBABILITATI SI STATISTICA
Viorel PETREHUS, Sever-Angel POPESCU
BUCURESTI 2005
Cuprins
Cuvnt nainte v
I Probabilit
ati 1
1 Denitia probabilit atii 2
1.1 Denitia clasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Denitia axiomatic a a probabilit
atii . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Probabilitati conditionate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Variabile aleatoare simple 14

2.1 Denitie si propriet
ati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Spatiul de probabilitate produs . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Cmpuri de probabilitate 24
3.1 Variabile aleatoare pe cmpuri de probabilitate . . . . . . . . . . . . . . . . 25

3.2 Media unei variabile aleatoare oarecare . . . . . . . . . . . . . . . . . . . . . . 27
3.3 Functia de repartitie
densitatea de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Integrala Stieltjes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.5 Media si functia de repartitie . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.6 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.7 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
i
CUPRINS ii
4 Legi clasice 43
4.1 Repartitia binomial a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.2 Repartitia Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3 Repartitia uniform a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4 Repartitia Normal a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.5 Repartitia exponentiala negativa . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.6 Repartitia Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.7 Repartitia X2 (hi patrat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.8 Repartitia Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.9 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.10 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5 Legi limit
a 60
5.1 Legea numerelor mari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Teoreme limit a central
a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6 Dependenta ntre variabilele aleatoare 72
6.1 Coecientul de corelatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

6.2 Variabile aleatoare bidimensionale . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.3 Functia de repartitie conditionat
a . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.4 Distributia sumei si ctului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.4.1 Distributia sumei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.4.2 Distributia ctului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.5 Distributia Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.6 Distributia Snedecor-Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.7 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7 Procese aleatoare 89
7.1 Procese Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 Procese Markov discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.3 Procese de nastere si moarte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.3.1 Model de asteptare cu o singur a statie de deservire si un num ar mare
de unitati ce au nevoie de serviciile statiei
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.3.2 Model de asteptare cu o singur a statie
iar num arul de unitati care au nevoie de serviciile statiei este limitat la
o valoare dat a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
CUPRINS iii
7.3.3 Model de asteptare cu n statii de deservire si cu N unitati ce trebuie

deservite (1<n<N) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4 Procese aleatoare stationare . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.5 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
II Statistic
a 106
8 Statistica descriptiv a 107

8.1 Statistica unei variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.2 Statistica a dou a variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.3 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9 Statistici. Estimarea parametrilor 118

9.1 Principiul verosimilit atii maxime . . . . . . . . . . . . . . . . . . . . . . 125
9.2 Metoda momentelor (K. Pearson) . . . . . . . . . . . . . . . . . . . . . . 129
9.3 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
10 Intervale de ncredere 132

10.1 Intervale de ncredere pentru medie . . . . . . . . . . . . . . . . . . . . . . . . 133
10.1.1 Dispersia este cunoscut a. . . . . . . . . . . . . . . . . . . . . . . . . . 134
10.1.2 Dispersia este necunoscut a . . . . . . . . . . . . . . . . . . . . . . . . 135
10.2 Intervale de ncredere pentru dispersie . . . . . . . . . . . . . . . . . . . . . . 136
10.3 Intervale de ncredere pentru ctul a dou a dispersii . . . . . . . . . . . . . . . . 137
10.4 Intervale de ncredere n cazul unor selectii mari . . . . . . . . . . . . . . . . . 138
10.5 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
10.6 Exercitii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
10.7 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
11 Ipoteze statistice. Teste statistice 144

11.1 Ipoteze si testarea lor . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
11.1.1 Testul Z privind media unei populatii normale cu dispersia cunoscuta 2 146
11.1.2 Testul T privind media unei populatii normale cu dispersia estimata
prin estimatorul nedeplasat S 02 . . . . . . . . . . . . . . . . . . . . . . 152
11.1.3 Test pentru proportia de succese . . . . . . . . . . . . . . . . . . . . . 154
11.1.4 Testul T pentru compararea a dou a esantioane . . . . . . . . . . . . . 155
11.2 Tipuri de erori. Reguli de decizie . . . . . . . . . . . . . . . . . . . . . . . . . 156
11.3 Puterea unui test statistic . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
11.4 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
11.5 Exercitii rezolvate (mai dicile) . . . . . . . . . . . . . . . . . . . . . . . . . 166
11.6 Exercitii propuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
CUPRINS iv
12 Testul neparametric 2 174

12.1 Principiul testului 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
12.1.1 Teste asupra formei unei distributii . . . . . . . . . . . . . . . . . . . . 179
12.1.2 Teste de independent a . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
12.1.3 Teste de omogenitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
12.2 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
12.3 Exercitii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
12.4 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
13 Alte teste neparametrice 190

13.1 Testul de concordanta Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . 190
13.2 Testul lungimilor (secventelor) . . . . . . . . . . . . . . . . . . . . . . . . . . 192
13.3 Testul lui Wilcoxon I (cazul observatiilor necuplate) . . . . . . . . . . . . . . 195
13.4 Testul semnelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
13.5 Testul lui Wilcoxon II (cazul observatiilor cuplate) . . . . . . . . . . . . . . . . 196
13.6 Exercitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
14 Analiza dispersiei si analiza regresiei 200

14.1 Analiza dispersiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
14.2 Analiza regresiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
14.2.1 Metoda celor mai mici p atrate (C. F. Gauss) . . . . . . . . . . . . . . 204
14.2.2 Conditiile GaussMarkov pentru metoda celor mai mici p atrate . . . . 205
14.2.3 Masura deviatiei la metoda celor mai mici p atrate . . . . . . . . . . . 207
14.2.4 Intervale de ncredere si teste pentru 0 si 1 . . . . . . . . . . . . . . 210
Cuvnt nainte
Cursul de fata a fost scris n perioada 1996-1997 de c atre Viorel Petrehus (partea I, prob-
abilit
ati) si Sever-Angel Popescu (partea a II-a, statistic a) pentru studentii anului II din
Universitatea Tehnic a de Constructii Bucuresti si a ap arut n 1997 multiplicat n atelierele
universit atii. El a fost gndit n 14 lectii, cte una pe s
aptamna, pe parcursul unui semestru.
Fiecare lectie se ncheie cu exercitii.
Autorii sunt recunosc atori tuturor celor care au contribuit cu observatiile lor la buna
organizare a materialului prezentat.
Autorii
v
Partea I
Probabilit
ati
1
Lectia 1
Denitia probabilit
atii
1.1 Denitia clasic

a
Probabilitatea a fost privit a e dintr-un punct de vedere psihologic ca m asurnd gradul de
siguranta al observatorului relativ la producerea sau neproducerea unui fenomen, e statistic
ca frecventa de aparitie a unui fenomen ntr-un num ar mare de experimente independente.
Din punct de vedere clasic, denitia care s-a dovedit cea mai ecient a n calcule a fost aceea
care a plecat de la conceptul de egal a posibilitate. Acest lucru nseamn a ca num arul de
posibilitati ntr-un experiment este nit si toate posibilit
atile au aceeasi sansa.
Probabilitatea unui eveniment care const a din mai multe asemenea posibilit ati este ra-
portul dintre num arul cazurilor favorabile si num arul cazurilor posibile. Utilizarea acestei
denitii presupune c a ntr-un fel sau altul putem num ara starile posibile si pe cele favorabile.
Exemplul 1.1 Se arunca un zar de doua ori.Sa se determine probabilitatile evenimentelor:
a) Suma celor doua zaruri este 6.
b) Ambele zaruri au acelasi numr.
Solutie. Cazurilor posibile in cele doua situatii sunt (1,1), (1,2), ... (6,6), n num
ar de 36.
Pentru punctul a) numai cazurile (1,5), (2,4), (3,3), (4,2), (5,1) sunt favorabile. Probabilitatea
este deci
nr: cazuri f avorabile 5
p= =
nr: cazuri posibile 36
Analog, probabilitatea celui de-al dolea eveniment este p=6/36=1/6.
Exemplul 1.2 Dintr-un pachet de 36 carti se extrag trei la ntmplare. Care este probabili-
tatea ca cel putin o carte sa e as?
Solutie. Num
arul cazurilor posibile este C36
3
=7140. Num
arul cazurilor favorabile este
un as doi asi trei asi
z }| { z }| { z }| {
2
4 C32 + C42 C32
1
+ C43 1 = 2180
2
LECTIA
1. DEFINITIA TII
PROBABILITA 3
Probabilitatea este deci p = 2180=7140 0; 30532::

n exemplul urm ator vedem ct de dicil este uneori s
a num
ar
am cazurile posibile sau
cazurile favorabile.
Exemplul 1.3 O persoana scrie n scrisori catre n persoane distincte, le pune n n plicuri si
apoi scrie adresele la ntmplare. Care este probabilitatea ca cel putin o scrisoare sa ajunga la
destinatarul potrivit?
Numarul cazurilor posibile de a scrie adresele este n!. Enumerarea cazurilor favorabile
este mai dicil
a. Dupa o mic a dezvoltare a calculului probabilit
ailor se poate rezolva elegant
aceat
a problem a (exercitiul 5).
Exemplul 1.4 Care este probabilitatea ca lund un punct la ntmplare n patratul [0,1][0; 1]
el sa e deasupra bisectoarei y=x?
n acest caz num

arul cazurilor posibile si favorabile este innit si denitia clasic
a nu se
mai aplic
a.
1.2 Denitia axiomatic

a a probabilit
atii
n general evenimentele se exprim a prin propozitii. Propozitiile obtinute prin operatiile logicii
matematice (sau,si,non), ntre propozitii care exprima evenimente, exprim a la rndul lor alte
evenimente. n cele ce urmeaz a probabilitatea este denit a pe o multime
de evenimente
care odata cu evnimentele A si B contine si evenimentele urm atoare exprimate prin operatiile
logice sau, si, non:
A^B A si B
A_B A sau B
A non A
1 evenimentul sigur
0 evenimentul imposibil
De asemenea, presupunem c
a au loc urm
atoarele relatii:
a)Comutativitatea
A^B =B^A A_B =B_A
b)Asociativitatea
A _ (B _ C) = (A _ B) _ C
A ^ (B ^ C) = (A ^ B) ^ C
c)Distributivitatea
A ^ (B _ C) = (A ^ B) _ (A ^ C)
A _ (B ^ C) = (A _ B) ^ (A _ C)
LECTIA
1. DEFINITIA TII
PROBABILITA 4
d) Absorbtia
(A \ B) [ A = A (A [ B) \ A = A
e)Legile lui Morgan
A_B =A^B

A^B =A_B
f)Evenimentele 1 si 0 se caracterizeaz
a prin
0 ^ A = 0; 0 _ A = A
1 ^ A = A; 1 _ A = 1
g)Evenimentul non A sau contrarul lui A are propriet

atile:
A^A=0 A_A=1
Remarc am ca aceste relatii sunt adev arate dac a A; B;.. sunt propozitii, iar 0 este propoz-
itia totdeauna falsa si 1 este propozitia totdeauna adev arata.
O multime de evenimente cu propriet atile de mai sus se numeste cmp de evenimente sau
algebr a de evenimente sau algebr a Boole. Relatiile de mai sus nu sunt independente, deci nu
formeaz a un set minimal de axiome pentru algebrele Boole. Pe de alt a parte ele implic a alte
relatii importante, ca de exemplu A = A. Urm
atoarea teorem
a a lui Stone descrie asemenea
cmpuri de evenimente prin submultimi.
Teorema 1.5 (Stone)Fie M o multime de evenimente cu proprietatile de mai sus. Atunci

exista o multime X si o submultime
P (X) cu proprietatile :
1); 2
; X 2
2)A,B2
) A [ B 2
3)A,B2
) A B 2
si o bijectie : M !
astfel ca:
a)(A _ B) = (A) [ (B)
b)(A ^ B) = (A) \ (B)
c)(A) = (A)
(0) = ; (1) = X
Teorema arat a c
a n esenta orice cmp de evenimente poate reprezentat prin submultimi
ale aceleiasi multimi X. Operatiei si ntre evenimente i corespunde intersectia submultimilor,
operatiei sau i corespunde reuniunea, negatiei i corespunde complementara, evenimentul
sigur corespunde multimii totale X, iar evenimentul imposibil corespunde cu multimea vid a.
Denitia 1.6 O multime

P (X) cu proprietatile 1,2,3 din teorema lui Stone se numeste
clan, algebra de evenimente sau cmp de evenimente. Uneori o vom numi algebra de multimi.
LECTIA
1. DEFINITIA TII
PROBABILITA 5
Propozitia 1.7 Fie

P (X) un S cmp de evenimente.
T
a) Daca A1 ; A2 ; :::An 2
atunci Ai 2
si Ai 2
i=1:n i=1::n
b) Daca A2
atunci A 2
:
Demonstratie. b) A = X A si din proprietatile 1 si 3 ale algebrei de multimi rezult a

A 2
: a)Dac a A si B sunt n
atunci A \ B = A [ B 2
conform cu proprietatea 2 a
algebrei de multimi si punctul b). Prin inductie rezult
a acum usor si a).
Vedem ca n general un num ar nit de operatii de intesectie, reuniune,diferenta sau com-
plementara cu multimi din
are ca rezultat tot o multime din
: Vom deni acum probabil-
itatea.
Denitia 1.8 Fie

P (X) un cmp de evenimente. Se numeste probabilitate pe
; o
functie p:
! R cu proprietatile:
1) p(A)2 [0; 1] pentru oricare A2
2) p(A [ B) = p(A) + p(B) daca A \ B = ;

3) p(;) = 0 p(X) = 1
Tripletul (X;
; p) l vom numi cmp de probabilitate.
Teorema 1.9 Fie (X;

; p) un cmp de probabilitate. Atunci:
1) p(A) = 1 p(A)
2) Daca A1 ; A2 ; :::An sunt n
si Ai \ Aj = ; pentru orice i si j atunci
[ n
X
p( Ai ) = p(Ai ) (1.1)
i=1::n 1
3) p(A [ B) = p(A) + p(B) p(A \ B) A si B neind neaparat disjuncte.

4) A B implica p(A) p(B):
Demonstratie. 1) X = A [ A ; A \ A = ;; deci 1 = p(X) = p(A) + p(A)

2) Pentru n=2 armatia rezult a din denitia probabilit
atii, pe urm
a se procedeaza prin
inductie.
3) Sa privim evenimentele ca multimi. Atunci A[B = (A\ B)[(B
\ A)[(A\B), reuniune
disjunct
a, deci p(A[B) = p(A\ B)+p(B \ A)+p(A\B): De asemenea A = (A\ B)[(A\B)
deci p(A) = p(A \ B) + p(A \ B) si prin urmare p(A \ B) = p(A) p(A \ B). Analog

p(B \ A) = p(B) p(A \ B). Punnd aceste valori n expresia precedent a pentru p(A [ B)
se obtine punctul 3).
4) A B ) B = (B \ A) [ A (disjuncte) ) p(B) = p(B \ A) + p(A) p(A).
Observatia 1.10 Datorita formulei (1.1) probabilitatea p se mai numeste nit aditiva.
LECTIA
1. DEFINITIA TII
PROBABILITA 6
Exemplul 1.11 Se arunca doua zaruri. Pot apare toate perechile de fete (i,j) cu 1 i 6
si 1 j 6, n numar de 36. Fie X multimea acestor perechi. Fie
= P (X) si p :
! R
denita prin p (A) = numar de elemente din A
numar de elemente din X
. Functia p denita n acest fel este o probabilitate n
sensul denitiei anterioare. Numarul de elemente din X reprezinta numarul cazurilor posibile,
iar numarul de elemente din A reprezinta numarul cazurilor favorabile. In acest fel denitia
clasica a probabilitatilor este cuprinsa n denitia axiomatica de mai sus.
Acum putem s
a d
am o solutie pentru problema pus
a n exemplul 4.
Exemplul 1.12 Fie X=[0,1][0,1]. Fie

P (X) formata din submultimile lui X cu fron-
tiera formata dintr-un numar nit de curbe de clasa C 1 pe portiuni (adica ecare curba poate
avea cel mult un numar nit de puncte unde sa nu e cu derivata continua). Se verica usor
ca
este o algebra de mu`ltimi. Denim acum probabilitatea prin
aria(A)
p(A) = pentru A 2
aria(X)
Este clar ca p astfel denita satisface conditiile din denitia axiomatica a probabilitatii. In
raport cu aceasta probabilitate evenimentul din exemplul 4 este reprezentat prin A={(x; y) 2
X j y > x} pentru care p(A) = 1=2. Asemenea probabilitati n care X este o submultRime n
f ()d
R, R2 ; R3 , unde
este este formata din submultimi cu arie ale lui X, iar p (A) = R A f ()d
X
se numesc probabilitati geometrice. Functia f n aceasta denitie se mai numeste pondere sau
densitate si trebuie sa e positiva.
Diverse tipuri de guri pentru care este denit

a probabilitatea geometric
a
1.3 Probabilit
ati conditionate
Fie (X,
;p) un cmp de probabilitate, B n
, p(B)> 0:
LECTIA
1. DEFINITIA TII
PROBABILITA 7
Denitia 1.13 Denim pB :

! R (sau p( jB)) prin
p(A \ B)
p(AjB) = pB (A) = (1.2)
p(B)
si o numim probabilitatea lui A conditionat

a de B.
Teorema 1.14 n conditiile denitiei de mai sus pB este o probabilitate si n plus p(A\B) =
p(B) pB (A).
Demonstratie. Deoarece ; A \ B B atunci 0 pB (A) 1: De asemenea pB (;) = 0

si pB (X) = 1 sunt evidente. Dac
a A1 \ A2 = ; atunci si (A1 \ B) \ (A2 \ B) = ;, deci
p((A1 [ A2 ) \ B) p((A1 \ B) [ (A2 \ B))

pB (A1 [ A2 ) = =
p(B) p(B)
p(A1 \ B) + p(A2 \ B)
= = pB (A1 ) + pB (A2 )
p(B)
Denitia 1.15 Spunem ca doua evenimente A si B sunt independente daca p(A \ B) =

p(A) p(B), altfel spus daca p (A) = pB (A).

Propozitia 1.16 Daca A si B sunt independente atunci si perechile de evenimente (A,B),

(A,B), B)
(A, sunt independente.

Demonstratie. Prin denitie p(A \ B) = p(A)p(B): Deoarece A = (A \ B) [ (A \ B)
(reuniune disjunct
a), avem
= p(A)p(B) + p(A \ B)
p(A) = p(A \ B) + p(A \ B)
de unde rezult
a
= p(A)
p(A \ B) p(A)p(B) = p(A)(1
p(B)) = p(A)p(B)
: Analg se demonstreaz
a independenta si n celelalte cazuri.
n mod analog se deneste independenta mai multor evenimente:
Denitia 1.17 A1 ; A2 ; :::An sunt independente daca pentru orice k n si orice evenimente
Ai1 ; Ai2 ; ::Aik dintre cele A1 ; ::An date avem
p(Ai1 \ Ai2 \ ::Aik ) = p(Ai1 )p(Ai2 )::p(Aik ): (1.3)
Analog cu propozitia anterioar

a se poate demonstra si
LECTIA
1. DEFINITIA TII
PROBABILITA 8
Propozitia 1.18 Daca evenimentele A1 ; A2 ; ::An sunt independente atunci si evenimentele

A1 ; A2 ; ::An sunt independente (orice combinatie de Ai sau complementare).
Demonstratia este l
asat
a ca exercitiu.
Denitia 1.19 Spunem ca evenimentele A1 ; A2 ; ::An formeaza o partitie a lui X daca

1) [ Ai = X
i=1::n
2) Ai \ Aj = ; pentru orice i 6= j:
Avem urm
atoarea
Propozitia 1.20 Fie (X;

; p) un cmp de probabilitate si partitia A1 ; ::An : Atunci pentru
orice B 2
avem
n
X
p(B) = p(Ai ) p(BjAi ) (1.4)
i=1
Formula de mai sus se numeste formula probabilit

atii totale.
Demonstratie.
p(B) = p(B \ X) = p(B \ ( [ Ai )) = p( [ (B \ Ai )) =

Pn Pn
i=1::n i=1::n (1.5)
i=1 p(B \ Ai ) = i=1 p(Ai )p(B)
Q.E.D.
Formula urmatoare, numita formula lui Bayes, ne d
a probabilitatea ca dup a ce stim c
a
un eveniment ce poate apare din mai multe cauze s-a realizat, acesta s
a se realizat dintr-o
cauz
a anume. Enuntul precis este:
Propozitia 1.21 (Bayes)Fie (X;

; p) un cmp de probabilitate si A1 ; A2 ; ::An o partitie a
lui X. Fie B un eveniment cu probabilitate nenula. Atunci:
p(Ai )p(BjAi )
p(Ai jB) = Pn (1.6)
j=1 p(Aj )p(BjAj )
Demonstratie.
p(B \ Ai ) p(Ai )p(BjAi )
p(Ai jB) = = Pn
p(B) j=1 p(Aj )p(BjAj )
conform formulei probabilit

atii totale.
Exemplul 1.22 n trei urne cu bile albe si negre avem compozitiile: 4+6, 2+8, 4+1. Se pun
toate bilele la un loc si se extrage o bila la ntmplare. Se constata ca este alba. Care este
probabilitatea ca ea sa provenit din urna a treia?
LECTIA
1. DEFINITIA TII
PROBABILITA 9
Solutie. Fie Ai evenimentul care const a n extragerea unei bile provenind din urna i si B
10
evenimentul care const a n extragerea unei bile albe. Avem p(A1 ) = 25 p(A2 ) = 10
25
p(A3 ) =
5
25
(probabilitatea evenimentului A i este proportional
a cu numarul bilelor provenite din urna
4 2 4
i). Mai departe avem p(BjA1 ) = 10 p(BjA2 ) = 10 p(BjA3 ) = 5 : Probabilitatea care ni se
cere este p(A3 jB) si conform cu formula lui Bayes
10 4
25
5 2
p(A3 jB) = 10 4 10 2 5 4 =
25
10
+ 25
10
+ 25
5
5
Observatia 1.23 Daca alegerea unei bile s-ar facut dupa regulile: i)se alege la ntmplare
o urna; 2)din urna aleasa se extrage la ntmplare o bila; atunci am avea p(A1 ) = p(A2 ) =
p(A3 ) = 31 si tot formula lui Bayes conduce la p(A3 jB) = 47 .
1.4 Rezumat
Probabilitatea are o component a psihologica n sensul de grad de ncredere si una practic a
n sensul de frecventa de aparitie a unui fenomen ntr-un num ar mare de experiente inde-
pendente, dar pentru a putea introduce numere si a face calcule s-a dovedit util a o denitie
axiomatic a, asem an ator cum n geometrie dreapta se introduce axiomatic, independent de
multimea exemplelor practice. Punctele importante n acest demers sunt:
i) Reprezentarea evenimentelor prin algebre de multimi(Stone).
ii) Denitia probabilit atii ca functie pe algebre de evenimente, cu propriet ati asemanatoare
cu aria gurilor plane.
In dezvoltarea elementar a a calculului cu probabilit ati urm
atoarele trei puncte sunt es-
entiale:
iii) Notiunea de probabilitate conditionat a si probabilitatea de aparitie simultan a a eveni-
mentelor independente.
iv) Formula probabilit atii totale (1.4) .
v) Formula pentru probabilitatea cauzelor (1.6).
________________________________
FORMULE UTILIZATE FRECVENT :
a) p= nr:nr:cazuri f avorabile
cazuri posibile
.
atii conditionate p(AjB) = pB (A) = p(A\B)
b) Denitia probabilit p(B)
(1.2);
probabilitatea evenimentelor independente Pn p(A \ B) = p(A) p(B)(1.3)
c) Formula probabilitatii totale p(B) = i=1 p(Ai ) p(BjAi )(1.4) .
d) Formula lui Bayes p(Ai jB) = Pnp(Ap(A
i )p(BjAi )
j )p(BjAj )
(1.6).
j=1
LECTIA
1. DEFINITIA TII
PROBABILITA 10
1.5 Exercitii
1. O urna contine jetoane numerotate de la 1 la 8. Se extrag la ntmplare 3 jetoane. Care
este probabilitatea ca suma numerelor extrase sa e superioara sau egala cu suma numerelor
ramase?
Indicatie. Probabilitata este raportul dintre num arul cazurilor favorabile si num
arul
cazurilor posibile. Sunt posibile C83 = 56 cazuri. Suma tuturor numerelor este 36, deci
suma celor extrase trebuie sa depaseasc
a 18 pentru a caz favorabil. Acum se enumer a pur
si simplu toate cazurile favorabile: (8,7,6), (8,7,5), etc.
2. Se aleg la ntmplare a,b,c n intervalul (0,1). Care este probabilitatea ca ecuatia de

gradul doi ax2 +2bx+c = 0 sa aiba radacini reale? (se considera (a,b,c)2 (0; 1)(0; 1)(0; 1)
iar probabilitatea este proportionala cu volumul). p
Indicatie. (a,b,c)2 (0; 1)3 . Conditia de r
ad
acini reale este 4b2 4ac 0R sau
RR 1 b ac.
Fie V=volumul lui (0; 1) si Vf =volumul cazurilor favorabile. Avem Vf =
3
Vf
da dc db =
R1 R1 R1
0
da 0 dc pac db. Tinnd seama c a V=1, se obtine imediat probabilitatea p = Vf =V .
3. La un teatru sunt 2n persoane la coada la bilete. n persoane au bancnote de 500 lei iar
celelalte n persoane au bancnote de 1000 lei. Un bilet costa 500 lei. Care este probabilitatea
ca asezindu-se ntmplator la coada sa poata toate persoanele sa-si cumpere bilet, stiind ca
initial n casa nu este nici un leu si ecare persoana primeste restul de la casa?
Solutie Ca s a num ar
am asezarile n care toti -si pot cump ara bilete, reprezent am ntr-un
sistem xOy pe cele 2n persoane prin puncte n 1,2,3..2n pe Ox. Fiec arei asez
ari i asociem o
functie denit a pe 0; 2n prin f(0)=0 si f(i)=f(i-1)+1 dac a persoana i de la rnd are 1000 lei
si f(i)=f(i-1)-1 dac a persoana i are 500 lei. Fiecare traiectorie ncepe n (0,0) si se termin a n
(2n,0), deoarece de cte ori se urc a se si coboar a. Num arul aranj arilor la coad a este n!n!Cn2n
unde Cn2n reprezint a num arul de alegeri ale locurilor de c atre cei cu 500 lei (sau num arul
traiectoriilor) iar n! reprezint a num arul de permut ari celor cu 500 lei sau cu 1000 lei intre
ei. O traiectorie reprezint a o asezare nefavorabil a dac a pentru un i avem f(i)=1. n acest caz
primul i cu proprietatea de mai sus reprezinta cel cu 1000 lei care nu mai poate primi rest de la
casa. Considernd simetrica acestei traiectorii de la acest i fata de y=1 obtinem o traiectorie
ce se termin a n (2n,2) si are n+1 urcusuri si n-1 coborsuri. Num arul traiectoriilor de acest
fel este Cn+1
2n , deci numarul cazurilor nefavorabile este n!n!C n+1
2n : Probabilitatea este deci
n n+1
n!n!C2n n!n!C2n 1
p= n
=
n!n!C2n n+1
4. Fie (X;
; p) un cmp de probabilitate si A1 ; A2 ; ::An evenimente din
: Sa se arate
LECTIA
1. DEFINITIA TII
PROBABILITA 11
ca
n
X X
p( [ Ai ) = p(Ai ) p(Ai \ Aj ) (1.7)
i=1::n
i=1 i6=j
X
+ p(Ai \ Aj \ Ak ) +
i6=j6=k
+::: + ( 1)n 1 p(A1 \ A2 \ :: \ An )

(formula lui Poincar).
Indicatie. Formula a fost demonstrata pentru n=2 n cadrul lectiei. Presupunem prin
inductie c
a este adev
arat
a pentru n. Fie B = [ Ai si Bi = An+1 \ Ai . Avem
i=1::n
p( [ Ai ) = p(B [ An+1 )
i=1::n+1
= p(B) + p(An+1 ) p(B \ An+1 )
= (f ormula 1.7 ) + p(An+1 ) p( [ Bi )
i=1::n
= (f ormula 1.7 ) + p(An+1 ) (f ormula 1.7 pt: Bi )
= (f ormula 1.7 pt: n + 1)
5. O persoana scrie n scrisori catre n persoane distincte, le pune n n plicuri si apoi scrie
adresele la ntmplare. Care este probabilitatea ca cel putin o scisoare sa ajunga la destinatarul
potrivit? (problema concordantelor).
Indicatie. Fie Ak evenimentul ce const a n faptul c
a persoana k primeste scrisoarea potriv-
(n 1)!
it
a. p(Ak ) = n! = 1=n. Exist a Cn evenimente de tipul Ai \ Aj si ecare are probabilitatea
2
(n 2)!
n!
(deoarece dou a persoane primesc scrisorile potrivite iar celelalta n-2 persoane primesc
scrisorile ntmpl ator n (n 2)! feluri. Analog, exist a Cn3 evenimente de tipul Ai \ Aj \ Ak
si ecare are probabilitatea (nn!3)! , etc. Aplicnd formula de mai sus rezult a:
1 (n 2)! (n 3)!
p = n Cn2 + Cn3 + :::
n n! n!
1 1 1
= + + :::
1! 2! 3!
6. Doua persoane A si B s-au nteles sa se ntlneasca ntr-un anumit loc ntre orele 12
si 13. Persoana care vine prima asteapta 20 de minute si apoi pleaca. Daca ecare persoana
vine la ntmplare n acel loc, care este probabilitatea ca persoanele sa se ntlneasca?
Indicatie. Prima problema este cum reprezent am toate posibilitatile de ntlnire. Fie pe
axa x ora de sosire a primei persoane iar pe axa y ora de sosire a celei de a doua persoane.
LECTIA
1. DEFINITIA TII
PROBABILITA 12
Toate variantele de sosire se reprezint a deci prin produsul [12; 13] [12; 13]. Conditia de
1
ntlnire este jx yj 3 ore. Admitnd c a probabilitatea este proportional
a cu aria, g
asim
c
a aria zonei de ntlnire este 5/9 iar aria zonei de sosire este 1. Deci probabilitatea este 5/9.
7. Un magazin se aprovizioneaza de la trei fabrici A,B.C, cu un anumit produs, n proportie

de 30%,60%,10%. Proportia de articole defecte dintre cele achizitionate este de 2%,1%,5%,
pentru A, respectiv B si C. Daca un cumparator gaseste ca produsul achizitionat la magazin
este cu defectiuni, care este probabilitatea ca el sa provenit de la fabrica B?
Indicatie. Se aplic
a formula lui Bayes.
8. Intr-un circuit sunt legate n serie rezistentele R1 ; R2 si grupul de rezistente n paralel:

R3 ; R4 ; R5 . Probabilitatile de defectiune ale celor cinci elemente independente sunt: 0,1; 0,01;
0,05; 0,04; 0,1. Care este probabilitatea de ntrerupere a circuitului?
Indicatie. Fie Ak evenimentul care const a n ntreruperea rezistentei Rk . Avem p(A1 ) =
0; 1 p(A2 ) = 0; 01 etc.Toate aceste evenimente sunt independente si ntreruperea circuitului
este: A1 [A2 [(A3 \ A4 \ A5 ). Se aplic a formula lui Poincar si se tine seama c
a evenimentele
Ak sunt independente.
9. Trei tintasi nimeresc o tinta cu probabilitatile 0,7;0,8;0,9. Fiecare trage cte o lovitura.
Care este probabilitatea ca:
a) Toti trei sa nimereasca tinta?
b) Cel putin unul sa nimereasca tinta?
c) Unul singur sa nimereasca tinta?
Indicatie. Fie Ak evenimentul care const a n faptul c a tr
ag
atorul k nimereste. Avem
p(A1 ) = 0; 7; p(A2 ) = 0; 8; p(A3 ) = 0; 9 iar evenimentele A1 ; A2 ; A3 sunt independente.
La punctul a) se cere probabilitatea lui A1 \ A2 \ A3 care este produsul probabilit atilor
p(A1 ) p(A2 ) p(A3 ). Analog se considera si celelalte cazuri.
10. Fie X={1,2,3,4} si

= P (X). Se deneste o probabilitate pe X astfel ca p(f1; 2; 3g) =
7=8, p (f2; 3; 4g) = 1=2, si p (f1; 4g) = 5=8: Sa se determine p (f1g) si p (f1; 3; 4g).
11. Intr-o urna se aa bile numerotate 0, 1, 2, ..9. Se extrag 3 bile la ntmplare, fara a
pune bila napoi. Se scrie numarul format din cele trei cifre n ordinea aparitiei. Care este
probabilitatea ca numarul sa se divida la 12? Dar daca extragerea se face cu punerea bilei
napoi?
12. Un grup format din 2n baieti si 2n fete este despartit n doua subgrupuri de acelasi
efectiv. Care este probabilitatea ca n ecare subgrup numarul de baieti sa e egal cu numarul
de fete.
13. Fie A1 ; A2 ; :::An evenimente independente. Care este numarul maxim de evenimente
LECTIA
1. DEFINITIA TII
PROBABILITA 13
distincte care se poate obtine din A1 ; :::An prin aplicarea repetata a operatiilor si, sau, non?
14. Pe un segment AB se iau la ntamplare doua puncte C si D, astfel ca jACj < jADj.
Care este probabilitatea ca sa se poata forma un triunghi cu segmentele AC, CD, DB?
15. O urna contine 5 bile albe, 3 bile negre si 2 bile rosii iar alta urna contine 3 bile negre
, 2 bile albe si 5 bile rosii. Se extrage cte o bila din ecare urna. Care este probabilitatea ca
sa se extraga bile de aceeasi culoare?
16. Fie evenimentele A1 ; A2 ; ::An . Sa se demonstreze ca
p (A1 \ A2 \ ::: \ An ) p (A1 ) + p (A2 ) + ::: + p (An ) (n 1)
(inegalitatea lui Boole).
17. Un submarin lanseaza n torpile asupra unui vas. Daca ecare torpila are probabili-
tatea 12 de a lovi vasul, independent de celelalte torpile, care este numarul minim de torpile
ce trebuie lansate ca probabilitatea de a lovit vasul de cel putin una sa depaseasca 0,9?
Lectia 2
Variabile aleatoare simple
2.1 Denitie si propriet

ati
De ecare data cnd aplicam teoria probabilitatilor subntelegem c
a exist
a o algebra de eveni-
mente realizata ca o multime de submultimi ale unei multimi X, si, o probabilitate denit a
pe acele evenimente, chiar dac a X si algebra de evenimente nu sunt exprimate explicit. n
general informatia din X se extrage prin functii. n cele ce urmeaz a, X este o multime pe care
avem denit a o algebr
a de evenimente
si o probabilitate p.
Denitia 2.1 O functie f : X ! R se numeste variabila aleatoare ( pe scurt v.a.) daca

pentru orice (a; b) R avem f 1 (a; b) 2
: O functie f : X ! C se numeste variabila
aleatoare daca Re(f ) si Im(f ) sunt variabile aleatoare reale.
n cele ce urmeaz a variabilele aleatoare considerate iau un num

ar nit de valori. Asemenea
variabile aleatoare le vom numi simple. Fie v1 ; v2 ; ::vn valorile distincte ale lui f si e Ai =
f 1 (vi ). n aceste conditii variabila aleatoare se scrie
8
>
> v1 daca x 2 A1
<
v2 daca x 2 A2
f (x) = (2.1)
>
> :::::
:
vn daca x 2 An
Este clar c
a denitia de mai sus este echivalent
a cu a spune c
a pentru orice valoare v rezulta
c
a f 1 (v) 2
: Vom mai scrie Ai = ff = vi g; pi = p(Ai ) = p(f 1 (vi )) = p(f = vi ): Este
mai putin important din punctul de vedere al calculului cu probabilit ati, care este multimea
Ai ; ct care sunt probabilit atile p(Ai ); p(Ai \ Aj ) etc. Fiec
arei variabile aleatoare f i vom
asocia o diagram a (notat a tot f):
14
LECTIA
2. VARIABILE ALEATOARE SIMPLE 15

v1 v2 v3 ::: vn
f=
p1 p2 p3 ::: pn
Valorile v1 ; v2 ; ::vn sunt n general distincte iar evenimentele ASi ; i = 1; 2; ::n formeaz
a o
partitie a lui X , adic a Ai si Aj sunt disjuncte daca i 6= j si Ai = X: Este clar c a
i=1::n
p1 + p2 + :: + pn = 1: Putem considera si diagrame n care unele valori v coincid ntre ele ceea
ce ar corespunde denirii lui f prin (2.1) si unde am avea de exemplu v1 = v2 dar neap arat
A1 \A2 = ;: n acest caz Ai nu mai este neap arat f (vi ) dar A1 ; ::An formeaz
1
a nca o partitie,
pi = p(Ai ) si p1 + :: + pn = 1. De exemplu functia f k ia valorile (vi )k pe multimile Ai , deci
diagrama asociat a este: k k
k v1 v2 ::: vnk
f =
p1 p2 ::: pn
a v1 = v2 , k=2 atunci v12 = v22 si avem o diagram
iar dac a unde unele valori din rndul de
sus coincid. Diagramele n care vi 6= vj pentru i 6= j le vom numi standard. Dat a o variabil
a
aleatoare simpl
a, ca mai sus, denim:
P P
Denitia 2.2 1)media lui f: M (f ) = ni=1 P vi pi = ni=1 vi p(f = vi )
2)momentul de ordin k: Mk (f ) (sau mk ) = ni=1 vik pi = M (f k )
Pn k k
3)momentul centrat de ordin k: k (f ) = i=1 (vi M (f )) pk = M (f M (f ))
P
4)dispersia: D(f ) = 2 (f ) = ni=1 (vi M (f ))2 pi = M ((f M (f ))2 ) = 2 (f ) p
P
5)functia caracteristica fc : R ! C sau 'f : R ! C, fc (t) = 'f (t) = ni=1 e 1vi t pi
6)functia de repartitie F : R ! R; F (t) = p(fx 2 Xjf (x) < tg):
Observatia 2.3 Daca pentru un i avem pi = 0 atunci valoarea corespunzatoare vi o putem

exclude din diagrama deoarece nu are nici o contributie la caracteristicile numerice ale lui
f. Despre doua v.a. f si g, pentru care multimea pentru care f 6= g are probabilitatea 0,
spunem ca ele coincid aproape peste tot (pe scurt a.p.t.). Ele au aceleasi diagrame standard
si aceleasi caracteristici numerice: medie, dispersie,.... Daca unei v.a. f i se asociaza doua
diagrame distincte, atunci denitiile de mai sus pentru medie, dispersie, momente, functie
caracteristica, dau acelasi rezultat, indiferent de diagrama folosita. Se poate demonstra acest
lucru usor comparnd valorile obtinute dintr-o diagrama cu cele date de diagrama standard
(exercitiu).
Vom nota n general cu fa < f < b} evenimentul f 1 (a; b) = fx 2 Xja < f (x) < bg 2
iar probabilitatea lui cu p(a < f < b). Analog vom nota evenimentele ce se obtin folosind
inegalit
ati de tipul ; ;etc.
LECTIA
Exemplul 2.4 ntr-o clasa s-au obtinut urmatoarele note: 5 de catre 8 elevi, 7 de catre 3
elevi, 8 de catre 5 elevi, 10 de catre 4 elevi. Functia nota ia valorile 5,7,8,10, iar probabilitatile
corespunzatoare sunt: 20 8 3
20
5
20
4
20
. Diagrama asociata functiei este:

5 7 8 10
nota 8 3 5 4
20 20 20 20
media notelor este M1 = 5 20 8

+ 7 203 5
+ 8 20 4
+ 10 20 = 7; 05
momentul de ordinul doi este M2 = 5 20 + 7 20 + 8 20
2 8 2 3 2 5 4
+ 102 20 = 53; 35
dispersia este D = (5 7; 05) 20 + (7 7; 05) 20 + (8 7; 05) 20 + (10 7; 05)2 20
2 8 2 3 2 5 4
= 3; 6475
p
functia functia caracteristica este fc (t) = e 20 + e 20 + e 20 + e 20 unde i =
i5t 8 i7t 3 i8t 5 i10t 4
1
Observatia 2.5 Media se poate numi centrul valorilor luate de o v.a. iar dispersia este
o masura a mprastierii valorilor acelei v.a. n jurul mediei. In afara de medie, celelalte
caracteristici se utilizeaza doar pentru v.a. reale.
Denitia 2.6 Doua variabile aleatoare reale, f si g denite pe acelasi cmp de probabilitate
X se numesc independente daca oricare ar intervalele (a,b) si (c,d) avem
1
p(f (a; b) \ g 1 (c; d)) = p(f 1
(a; b)) p(g 1 (c; d))
Denitia independentei a dou

a v.a. simple se poate da n mai multe feluri asa cum rezult
a
din propozitia urm
atoare:
Propozitia 2.7 Fie (X;

; p) un cmp nit de probabilitate si f,g doua variabile aleatoare
simple cu valori reale. Urmatoarele armatii sunt echivalente:
1) f si g sunt independente
2) evenimentele fa < f < bg si fc < g < dg sunt independente pentru a; b; c; d 2 R
3) pentru orice v,u2 R evenimentele ff = vg si fg = ug sunt independente
4) pentru orice submultimi A,B din R, evenimentele ff 2 Ag si ff 2 Bg sunt independente
Demonstratia este l
asat
a ca exercitiu.
Observatia 2.8 Sub forma (3) cu u; v 2 C sau sub forma (4) cu A; B 2 C, din propozitia
anterioara, denitia independentei a doua v.a. simple se poate enunta si pentru v.a. cu valori
complexe.
Propozitia 2.9 Daca f; g : X ! C sunt v.a. simple independente iar F; G : C ! C atunci

F f si G g sunt independente.
LECTIA
Demonstratie. Avem:
p ((F f = v) \ (G g = u))

= p f 2 F 1 (v) \ g 2 G 1 (u)
= p(f 2 F 1 (v)) p(g 2 G 1 (u))
= p(F f = v)p(G g = u)
Q.E.D.
De exemplu (f a)2 si (g b)2 sunt independente pentru orice a si b.
Teorema 2.10 (proprietati ale mediei) Fie (X;

; p) un cmp de probabilitate nit si f; f1 ; f2 ; :::
variabile aleatoare pe X. Atunci:
1)f C (constant) ) M (f ) = C
2) = const ) M (f ) = M (f )
3)M (f1 + f2 ) = M (f1 ) + M (f2 ) si de aici M (f1 + f2 + :: + fn ) = M (f1 ) + M (f2 ) + :: + M (fn )
, M (af + bg) = aM (f ) + bM (g) , si M (f M (f )) = 0, (a si b ind constante)
4) Daca f1 ; f2 sunt independente atunci M (f1 f2 ) = M (f1 ) M (f2 ).
5) f 0 ) M (f ) 0.
6) f g ) M (f ) M (g).
7) jM (f )j max jf j.
Demonstratie. 1) si 2) sunt evidente.

3)Fie v1 ; v2 ; ::vn valorile lui f1 si Ai = f1 1 (vi ) iar u1 ; ::um valorile lui f2 si Bj = f2 1 (uj ):
Variabila aleatoare f1 + f2 ia valorile vi + uj pe evenimentele Ai \ Bj cu probabilit atile
pij = p(Ai \ Bj ) = p(f1 = vi \ f2 = uj ): Avem acum
P P P P P
M (f1 + f2 ) = i=1::n;j=1::m (vi + uj )pij = ni=1 vi m pij + m uj ni=1 pij =
P P j=1 j=1
= vi p(f1 = vi ) + uj p(f2 = uj ) = M (f1 ) + M (f2 )
Am folosit Pm Pm
p = p(Ai \ Bj ) = (ind disjuncte)
S ij
j=1 j=1 S
= p( j=1::m (Ai \ Bj )) = p(Ai \ ( j=1::m Bj )) =
p(Ai \ X) = p(Ai ) = p(f = vi )
Pn
si n mod analog P cealalt a suma este i=1 pij = p(f2 = uj ):
P 4) M (f f
1 2 ) = v u
i;j i j p(f1 =Piv \ f2 = uj ) P=(din independenta variabilelor aleatoare)
= i;j vi uj p(f1 = vi )p(f2 = uj ) = i vi p(f1 = vi ) j uj p(f2 = uj ) = M (f1 )M (f2 )
5), 6), 7) sunt evidente.
Q.E.D.
Teorema 2.11 (proprietatile dispersiei). 1) f C a.p.t.(constant) , D(f ) = 0

2) D(af ) = a2 D(f ) a ind o constanta.
3) Daca f1 si f2 sunt independente atunci D(f1 + f2 ) = D(f1 ) + D(f2 )
LECTIA
P
Demonstratie. 1) D(f ) = (vi M (f ))2 p(f = vi ) si suma este zero numai dac
a vi = M (f )
pentru orice i cu pi 6= 0, adic
a f M (f ) a.p.t.
2) Avem
D(af ) = M ((af M (af ))2 ) = M (a2 (f M (f ))2 ) = a2 M ((f M (f ))2 ) = a2 D(f )
3) n formulele de mai jos utiliz

am faptul ca f1 si f2 independente implic
a (f1 a)2 si
(f2 b) sunt independente, precum si propriet
2
atile mediei:
D(f1 + f2 ) = M (((f1 + f2 ) M (f1 + f2 ))2 ) =

M (((f1 M (f1 )) + (f2 M (f2 ))2 ) =
M ((f1 M (f1 )) + (f2 M (f2 ))2 + 2M ((f1 M (f1 ))(f2 M (f2 ))) =
2
M ((f1 M (f1 ))2 ) + M ((f2 M (f2 ))2 ) + 2M (f1 M (f1 )) M (f2 M (f2 )) =
| {z } | {z }
=0 =0
D(f1 ) + D(f2 )
Q.E.D.
O generalizare a punctului 3) este:
Propozitia 2.12 Fie f1 ; f2 ; ::fn variabile aleatoare independente doua cte doua. Atunci
D(f1 + f2 + ::: + fn ) = D(f1 ) + D(f2 ) + :: + D(fn )
Demonstratia este analoag

a celei pentru dou
a functii si e l
asat
a ca exercitiu.
Denitia 2.13 Daca f este o variabila aleatoare, expresia fpM (f ) se numeste deviatia stan-
D(f )
dard a lui f.
a M ( fpM (f ) ) = 0 si D( fpM (f ) ) = 1:
Se vede imediat c
D(f ) D(f )
Teorema 2.14 (proprietati ale functiei caracteristice) Fie fc functia caracteristica a vari-
abilei aleatoare f. Atunci:
1) fc este continua (chiar uniform continua) pe R)
2) fc (0) = 1; jfc (t)j 1 pentru -1 < t < 1 p
3) Daca g=a f + b; cu a si b constante, atunci gc (t) = e 1bt fc (at)
4) Daca f1 si f2 sunt independente, atunci (f1 + f2 )c (t) = f1c (t) f2c (t)
(k)
5) Mk (f ) = p 1 k fc (0)
( ) 1
6) Daca f1c f2c atunci f1 si f2 au aceleasi diagrame standard, adica f1 = f2 a.p.t.
P p
Demonstratie. 1)fc este o sum a nita de functii continue fc (t) = pk e 1vk t deci este o
functie continu
P a. Avnd
p derivata m
parginit
Pa rezult
p a c a este
p uniform continu a.
2) gc (t) = pk e 1t(vk +)
=e 1t
pk e 1tvk
=e 1t
fc (t):
LECTIA
P p P P p P
1vk t
3) fc (0) = pk e 10vk
= pk = 1 si jfc (t)j pk e = pk = 1
a f1 si f2 sunt independente atunci eif1 si eif2 sunt independente.
4) Dac
Acum observ am ca
(f1 + f2 )c (t) = M (eit(f1 +f2 ) ) = M (eitf1 eitf2 ) = (ind indep.)
= M (eitf1 )M (eitf2 ) = f1c (t) f2c (t)
P P
5) fc0 (t) = i k pk vk eitvk si deci fc0 (0) = i k pk vk = iM1 (f ). Analog prin derivare succesiv a
se obtine f (n) (0) = in Mn (f ). P P iu t
6) Avem, folosind diagrame reduse, pk eivk t ql e l , unde vk sunt diferite ntre ele
si ul sunt diferite ntre ele. Dac a nu se reduc toti termenii, adic a pentru ecare
Pk s a existe l
astfel ca pk = ql ; vk = ul atunci dup a toate reducerile posibile egalitatea devine: rs eiws t 0,
(1 s m) unde rs sunt nenule , iar ws sunt diferite ntre ele. Derivnd de mai multe ori
expresia de mai sus si punnd t=0 n derivate g asim:
8
>
> r1 + r2 + ::: + rm = 0
<
r1 w1 + r2 w2 + ::: + rm wm = 0
>
> ::::::::::::::::
: m 1
r1 w1 + r2 w2m 1 + :: + rm wm m 1
=0
ceea ce nu se poate dect dac a r1 = r2 = ::rm = 0. Contradictia obtinut
a arat
a c
a reducerea
are loc, deci f1 si f2 iau aceleasi valori, cu aceleasi probabilit
ati.
QED.
Denitia 2.15 Spunem ca n variabile aleatoare f1 ; ::fn sunt independente daca pentru orice
intervale I1 ; ::Ik ; si orice alegere fi1 ; ::fik , k n, rezulta ca evenimentele fi1 1 (I1 ); fi2 1 (I2 ) ;
::: ; fik 1 (Ik ) sunt independente.
Exercitiul 2.16
Daca variabilele aleatoare f1 ; ::fn sunt independente atunci
(f1 + f2 + :: + fn )c (t) = f1c (t) f2c (t) :: fnc (t)
2.2 Spatiul de probabilitate produs

Fie (X1 ,
1 ; p1 ) si (X2 ;
2 ; p2 ) dou
a cmpuri de probabilitate nite. Atunci pe multimea
X = X1 X2 se poate deni o algebr a de multimi astfel:

= fA XjA este reuniune nit
a de elemente de forma A1 A2 ,
cu A1 2
1si A2 2
2 g
Tinnd
seama c
a
1 si
2 sunt algebre de evenimente, rezult a c
a si
este. : Denim
p :
! R prin p(A1 A2 ) = p1 (A1 ) p2 (A2 ): Dac
a A este o reuniune disjuncta de multimi
LECTIA
P
de forma [Aii A2i atunci p(A)= p1 (A1i ) p2 (A2i ): Se demonstreaz a c
a p este o prob-
abilitate pe
iar cmpul (X;
; p) se numeste cmpul produs al cmpurilor (X1 ;
1 ; p1 ) si
(X2 ;
2 ; p2 ). n mod asem anator se deneste produsul unui num ar nit de cmpuri de proba-
bilitate (X1 ;
1 ; p1 ); :: (Xn ;
n ; pn ). Spatiul total este X = X1 X2 ::Xn iar multimea de
evenimente se deneste prin A 2
, A este o reuniune nit a de elemente de forma A1 A2
A3 ::: An cu Ai 2
i pentru orice i. Se arat a c
a
este o algebr
a de evenimente pe care
se poate deni o probabilitate care pe evenimentele de forma A1 A2 :: An are valoarea
p(A1 A2 ::An ) = p1 (A1 ) p(A2 ) :: pn (An ). Este foarte usor de aratat c
a evenimentele
B1 = A1 X2 ::Xn
B2 = X1 A2 ::Xn
:::::::::
Bn = X1 X2 ::An
sunt independente(exercitiu). De asemenea urm

atoarele variabile aleatoare
pr1 (x1 ; x2 ; ::xn ) = x1

pr2 (x1 ; x2 ; ::xn ) = xn
::::::::::::::::
prn (x1 ; x2 ; ::xn ) = xn
numite proiectiile canonice ale lui X, sunt independente(exercitiu). De asemenea dac

a fk :
Xk ! R sunt variabile aleatoare atunci variabilele aleatoare Fk : X ! R denite prin
Fk (x1 ; x2 ; ::xn ) = fk (xk ) sunt independente(exercitiu).
2.3 Rezumat
Informatiile dintr-un spatiu probabilizat se extrag prin functii, numite variabile aleatoare.
In cazul variabilelor aleatoare ce iau un num ar nit de valori (numite si variabile simple),
media este denit a ntr-un mod analog cu media notelor la scoal a. Dispersia e denita ca o
masura a mpr astierii valorilor n jurul mediei. Functia caracteristic a este o notiune auxil-
iar
a important a pentru calculul mediei, dispersiei,etc. Ea deneste unic diagrama variabilei
aleatoare.Propriet atile acestor marimi sunt listate n cele trei teoreme anterioare. E de remar-
cat comportarea acestor m arimi la adunarea variabilelor aleatoare independente. Un exemplu
important de spatiu probabilizat si variabile aleatoare independente este spatiul produs si
proiectiile prk .
________________________________
FORMULE UTILIZATE FRECVENT:
a) Denitiile mediei, momentelor, dispersiei, etc. pentru calculul direct al lor pag(15)
.
b) Proprit atile mediei, dispersiei,functiei caracteristice. De remarcat:
LECTIA
i) M (af + bg) = aM (f ) + bM (g);

ii) f 0 ) M (f ) 0;
iii) jM (f )j max jf j;
iv) f1 ; f2 independente ) M (f1 f2 ) = M (f1 ) M (f2 ) , D (f1 + f2 ) = D (f1 ) + D (f2 ) si
(f1 + f2 )c (t) = f1c (t) f2c (t);
v) D (f ) = M2 (f ) M 2 (f )
.
(k)
vi) Mk (f ) = p 1 k fc (0).
( ) 1
2.4 Exercitii
1. Fie variabila aleatoare
1 2 4 10
f= 1 1 3 1
2 10 10 10
S
a se calculeze media, dispersia si momentul de ordinul 3.
Indicatie. Se utilizeaz
a denitiile.
2 Fie v.a.
2 1 2 4 10
f= 1 1 3 1
5 10 10 10

Sa se determine astfel ca f sa eo v.a. discreta. Sa se calculeze media si dispersia ei.
1 0 1
3. Stiind ca pentru v.a. f = avem M (f ) = 15 si M (f 2 ) = 33 s
a se
p 1 p 2 p3 5
determine p1 ; p2 ; p3 .
4. Fie o v.a. f cu media 10 . Se cere b 2 R astfel ca M (f + b) = 0.
5. n N urne se g asesc cte n bile numerotate de la 1 la n, n ecare. Se extrage cte o bil a
din ecare urn a si se noteaza cu f valoarea celui mai mare num ar obtinut. Se cere explicitarea
probabilit
atilor p(f=k), valoarea medie mn si limita expresiei mn =n cnd n! 1:
Indicatie. p(f k)=probabilitatea ca din ecare urn a s
a se extrag a un num ar mai mic
sau egal cu k. Num arul cazurilor favorabile este k N iar num arul celor posibile este nN , deci
N N (k 1)N
probabilitatea este p(f k) = nk N . De aici deducem p(f = k) = nk N nN
. Aplicnd
Pn (k 1)N mn
R1 N
denitia mediei g asim mn = n k=1 nN
deci n ! 1 0
x dx.
6. O intreprindere recruteaz a un nou angajat. Se prezint a n candidati ntr-o ordine

aleatoare si primul candidat care trece testul proous de comisie este angajat. Probabilitatea
de a trece testul este p pentru ecare candidat. Fie variabila aleatoaref ce ia valoarea j dac a
al j-ulea candidat este admis, si valoarea 0 dac
a nu este nimeni admis.
Sa se determine p(f=j), valoarea medie M(f) si dispersia D(f).
Indicatie. Ca s
a e admis candidatul j trebuie ca toti candidatii 1,2,..j-1 s
a e respinsi
iar j s
a e admis. Probabilitatea acestui eveniment este p(f = j) = q p, unde q = 1 p.
j 1
LECTIA
Probabilitatea ca toti s
a e respinsi este q n . Prin urmare f are diagrama:

1 2 :: k :: n
p qp :: q k 1 p :: q n
Este foarte simplu acum de a calcula functia caracteristic

a, media si dispersia.
7. O persoan a se deplaseaz a aleator plecnd din punctul 0. Cu probabilitatea p face un

pas n fata si cu probabilitatea q=1-p face un pas napoi. Valoare unui pas este de 1m iar
ritmul este de un pas pe minut. Fie f variabila aleatoare egal a cu abscisa la care se ajunge
dup a o or a(un pas n fata este +1m iar un pas n spate este -1m). Se cer probabilit atile
p(f=k), valoarea medie si dispersia lui f.
Indicatie. Dac a se fac n fata k pasi, se ajunge n pozitia k-(60-k)=2k-60. Probabilitatea
de a face k pasi n fata este C60
k k 60 k
p q (vezi n lectia 4 despre schema
P60 Bernoulli). Deci p(f =
2k 60) = C60 p q k k 60 k
. Deci functia caracteristic a este fc (t) = k=0 C60 p q
k k 60 k i(2k 60)t
e =
60
e 60ti
(pe + q) . Cu formulele uzuale se deduc acum media, momentele, dispersia.
2ti
8. Probabilitatea ca un bec sa reziste la suprasarcina este p=0,90. Se fac 5 incercari de

becuri. e f variabila aleatoare care reprezinta numarul de becuri care au rezistea. Se cere
media si dispersia lui f.
9. Se arunc a dou
a zaruri si se noteaz
a cu f suma punctelor obtinute. Se cer media si
dispersia lui f.
Indicatie. Se poate obtine suma 2 din varianta (1,1), adic
a un caz din 36. Se poate obtine
suma 3 din variantele (1,2) sau (2,1), deci 2 cazuri din 36, etc. De aici rezulta imediat legea
lui f etc.
10. O urn a contine n bile albe si n bile negre. Se extrag una cte una bilele pn a se
epuizeaz a urna. Fie f variabila aleatoare care pentru o variant a de extragere succesiv a a
tuturor bilelor ia valoarea k dac a prima bil a alba apare la extragerea k.
a)S
a se determine legea lui f
b) Se cere media lui f.
Indicatie. k ia valori ntre 1 si n+1. Ca f s a ia valoarea k trebuie s
a ias
a primele k-1 bile ne-
n
gre. Probabilitatea ca s a ias
a prima bil a neagra este 2n . Conditionat de aceasta, probabilitatea
n 1
ca a doua bil a s
a ias
a neagra este 2n 1
. Deci probabilitatea ca primele dou a bile s
a ias
a negre
n(n 1)
este 2n(2n 1) . Dac a primele doua bile au iesit negre, probabilitatea ca a treia s
a iasa neagra este
n 2 n(n 1)(n 2)
2n 2
. Deci probabilitatea ca primele trei bile s
a ias
a negre este 2n(2n 1)(2n 2)
. Analog g asim
n(n 1)(n 2)::(n k+2) k 1
probabilitatea ca primele k-1 bile s
a ias
a negre 2n(2n 1)::(2n k+2)
= C n
k 1. S
C2n
tiind aceasta,
k 1
n n Cn
probabilitatea ca la extragerea k s
a ias
a bila alb
a este 2n k+1
. Deci p(f = k) = 2n k+1 C2n 1
k .
LECTIA
11. Dou a variabile aleatoare f si g iau aceleasi valori v1 ; v2 ; ::vn : Se mai stie c
a M (f ) =
M (g), M2 (f ) = M2 (g),..Mn 1 (f ) = Mn 1 (g). S a se arate c a p(f = vk ) = p(g = vk ) pentru
orice k2 1::n .
Indicatie. Fie pk = p(f = k ) si p0k = p(g = k ). Avem:
Mk (f ) = p1 k1 + p2 k2 + :::pn kn = Mk (g) = p01 k1 + p02 k2 + :: + p0n kn

0
pentru k=0,1,2,..n. Prin urmare p1 ; p2 ; ::pn si p01 ; p2 ; ::p0n satisfac acelasi sistem nesingular.
12. S
a se arate ca D(f + C) = D(f ), C ind o constant a.
Indicatie. Se aplic
a denitia dispersiei si se tine seama c
a M (f + C) = M (f ) + C.
13. Fie X o variabil

a aleatoare nit
a cu media m si dispersia 2 . Cum trebuie s
a e a si
b (constante) ca variabila aleatoare af+b s
a aib
a media zero si dispersia unu?
Indicatie. 0=M (af +b) = aM (f )+b = am+b si 1 = D(af +b) = D(af ) = a2 D(f ) = a2 2
14. Dou
a variabile aleatoare independente ; au distributiile

0 1 2 3 0 1 2 3
1 1 a a 1
8 4 4 2 2
b 18 14
a) Sa se determine a si b
b) Care este distributia variabilei ?
c) Care este distributia variabilei 2 + 3?
Indicatie. Pentru avem 81 + 14 + a4 + a4 = 1 si analog pentru . Pentru se tine seama
c
a si sunt independente, deci, de exemplu p( = 1 si = 2) = p( = 1) p( = 2), etc.
15. Doi juc atori, A si B, convin asupra urm atoarei reguli de joc: la o aruncare cu zarul,
daca apar fetele 1 sau 2 atunci primul jucator d a celui de al doilea 3 lei, iar n caz contrar al
doilea jucator da primului 1 leu. Care este cstigul mediu al ec arui juc
ator dup a n arunc
ari?
Indicatie. Probabilitatea de cstig a lui A este 1/3 iar a lui B este de 2/3. Se scriu vari-
abilele aleatoare care reprezinta cstigul pentru A si B, ca la problema 7.
16. Trei juc atori A, B, C pun jos cte o sum a de a, b, respectiv c lei, apoi arunca o
moned a, pe rnd, n ordinea A, B, C, A, B, C,... pn a apare fata. Primul juc
ator la care
apare fata ia toti banii, iar dac
a nu a ap
arut dup a ce ecare a aruncat de 3 ori, se anuleaz
a
jocul.
a) Care sunt cstigurile medii ale ec arui juc
ator dupa 3 jocuri?
b) Cum ar trebui s a e sumele a, b, c ca jocul s
a e echitabil?
Lectia 3
Cmpuri de probabilitate
Fie (X;
; p) un cmp de probabilitate. Dac
a algebra de evenimente veric
a n plus axioma:
Oricare ar sirul de evenimente (An )n2N , cu An 2
atunci [An 2
,
spunem ca
este algebra sau un cmp de evenimente. Dac a p este o probabilitate
pe
care n plus veric
a relatia
[ 1
X
p( An ) = p(An )
n=1;1 n=1
pentru orice sir An de evenimente disjuncte, atunci spunem c a p este o probabilitate. n

aceste conditii tripletul (X;
; p) se numeste -cmp de probabilitate.
Teorema 3.1 Fie (X;

; p) un -cmp deTprobabilitate. Atunci:
1) Daca An 2
pentru orice n, avem si An 2
:
n=1;1
T
2) Daca A1 A2 :: An :: atunci p( An ) = lim p(An )
n=1;1 n!1
S
4) Daca A1 A2 :: An :: atunci p( An ) = lim p(An )
n=1;1 n!1
S P1
3) p( An ) n=1 p(An )
n=1;1
Demonstratie. p ind o probabilitate, toate propriet atile pentru probabilit

atile nit
aditive r
Tamn adev
arate.
S
1) An = An , si deoarece An 2
, rezult a reuniunea multimilor An este in
;
a c
n=1;1 n=1;1
deci si complementara acestei reuniuni, adic
a intersectia multimilor An este T
n
:
2) Multimile Ak Ak+1 sunt disjuncte ntre ele si sunt disjuncte de Ak iar A1 =
k=1:::1
24
LECTIA
3. CMPURI DE PROBABILITATE 25

T
Ak [ (A1 A2 ) [ (A2 A3 ) [ ::: este o reuniune disjunct
a, de unde:
k=1::1
! 1
\ X
p(A1 ) = p Ak + p(Ak Ak+1 )
k=1::1 k=1
de unde:
T Pn 1
p Ak
= p(A1 ) lim k=1 p(Ak Ak+1 ) =
n!1
k=1::1 Pn 1
= lim p(A1 ) k=1 p(Ak Ak+1 ) = lim p(An )
n!1 n!1
3) Demonstratia este asem an

atoare cu cea de la punctul 2).
4) p(A1 [A2 ) = p(A1 )+p(A2 ) p(A1 \A2 ) p(A1 )+p(A2 ) si prin inductie se demonstreaz
a
c
a p(A1 [ A2 [ :: [ An ) p(A1 ) + p(A2 ) + ::p(An ) . Acum avnd A1 A1 [ A2 ::
(A1 [ A2 :: [ An ) :: , rezult
a:

p [Ak = lim p (A1 [ A2 [ :: [ An )
n!1
k=1::1 P
lim p(A1 ) + p(A2 ) + ::p(An ) = 1k=1 p(Ak )
n!1
QED.
Exemplul 3.2 Fie X = [0; 1] [0; 1] si

multimea submultimilor lui X cu frontiera formata
dintr-un numar nit de segmente. Este clar ca
este o multime nchisa la reuniune, inter-
sectie si complementara n X, deci este o algebra de multimi. O probabilitate pe
se poate
aria(A)
deni prin formula p (A) = aria(X) = aria (A). Pe de alta parte
nu este o algebra deorece
spre exemplu on cerc plin C nu face parte din
desi este reuniunea unui sir crescator An de
multimi din
, cu An egal cu poligonul regulat cu 2n laturi nscris n C. Se demonstreaza ca
exista o cea mai mica algebra ce contine pe
, e ea B, iar probabilitatea p (sau aria p)
se poate extinde la o probabilitate pe B. Probabilitatea (sau aria) astfel denita se numeste
probabilitatea Lebesgue (aria sau masura Lebesgue).
In mod asemanator se deneste masura Lebesgue pe un segment sau pe un paralelipiped
n spatiu, ca o extindere a notiunii de lungime a unui segment sau de volum al unui corp
marginit de un numar nit de fete plane.
3.1 Variabile aleatoare pe cmpuri de probabilitate

Denitia 3.3 Fie (X;
; p) un cmp de probabilitate. O functie f : X ! R se numeste
variabila aleatoare daca pentru orice numar c2 R , multimea {! 2
jf (!) < cg este un
eveniment din
: Adesea vom nota multimea de mai sus prin {f< cg sau f 1 ( 1; c).
LECTIA
Propozitia 3.4 f:X! R este variabila aleatoare daca si numai daca este ndeplinita una din
conditiile urmatoare:
a)8c 2 R ) ff < cg 2
b)8c 2 R ) ff cg 2
c) 8c 2 R ) ff > cg 2
d) 8c 2 R ) ff cg 2
e) 8; 2 R ) f f < g 2
T
Demonstratie.a) este denitia curent a a variabilei aleatoare.Ta) ! b) ff cg = n ff <
c + n1 g 2
. b)! c) {f>c}=X ff cg 2
c)! d) {f S cg = n ff > c n1 g 2
d}! e)
{ f < g = ff g ff g 2
e)! a) {f< cg = n f n f < cg 2
QED.
Prin urmare o variabil a aleatoare este caracterizat a prin faptul ca pentru orice interval
I R , nchis,deschis,seminchis,nit sau nu, avem relatia f (I) 2
. Spre deosebire de cazul
1
variabilelor aleatoare simple studiate n lectia trecut

a, conditia f 1 (v) 2
pentru v 2 R nu
este sucienta ca f s
a e variabil
a aleatoare.
Teorema 3.5 Fie f : X ! R o variabila aleatoare si 2 R. Atunci urmatoarele functii sunt

variabile aleatoare: a) + f ; b) f ; c)f 2 ; d) f1 daca f6= 0; e) jf j.
Demonstratie. a) { + f < cg = ff < c g 2

. b) ff < cg = ff < c g dac a>0
si ff
p < cg =pff > c=g dac
a < 0. In ambele cazuri se ob
t in mul
t imi n
. c) ff 2
< cg =
1
f c < f < cg 2
. d) f f < cg = (ff > 0g \ fcf > 1g) [ (ff < 0g \ fcf < 1g) 2
. e)
exercitiu.
QED.
Teorema 3.6 Fie (fi )i2N un sir de variabile aleatoare. Atunci:

a)h(!) = sup fi (!) este o variabila aleatoare.
1i<1
b) g(!) = inf fi (!) este o variabila aleatoare.
1i<1
c) Daca exista lim fi ( !) = f (!) atunci f este o variabila aleatoare.
i!1
S S1
Demonstratie. a) fh > cg = 1 i=1 ffi > cg 2
b) fg < cg = i=1 ffi < cg 2
c) Fie
fi = maxfj . Conform cu a) fi este o variabila aleatoare. f = lim fi = minfi care este conform
ji i!1 i
cu b) o variabil
a aleatoare.
QED.
f
Teorema 3.7 Daca f si gsunt variabile aleatoare atunci f +g; f g; g
sunt variabile aleatoare.
S
Demonstratie. ff + g < cg = ff < c gg = r2Q (ff < rg \ fc g > rg) 2
, stiind
c
a toate numerele r2 Q se pot pune ntr-un sir. Deci f +g este o variabil
a aleatoare. Analog se
LECTIA

procedeaz a cu f g. Putem scrie f g = 41 (f + g)2 (f g)2 si conform punctului anterior
f geste o variabil a aleatoare. Deoarece fg = f g1 rezult a si fg este o variabil
a c a aleatoare.
QED.
Din cele de mai sus vedem c a dac a a si b sunt constante atunci af + bg este variabil a
aleatoare odat a cu f si g. Deci multimea vsriabilelor aleatoare pe o aceeasi algebr a formeaza
un spatiu vectorial. Se poate ar ata ca daca f este o variabil a aleatoare si F : R ! R este o
functie continu a atunci F f : X ! R este o variabil a aleatoare (demonstratia este l asat
a ca
exercitiu) S
Dac a f este o v.a. simpl a atunci exist a o partitie a spatiului X= ni=1 Ei ; Ei \ Ej = ;
astfel ca f este constant a pe Ei . Dac a f si g sunt variabile aleatoare simple atunci f
g; f g; f ; f ; jf j sunt simple. Orice variabil
2
a aleatoare este limita unui sir de variabile
aleatoare simple.
Teorema 3.8 Fie (X;

) o algebra si f o variabila aleatoare pe X. Atunci exista un sir de
variabile aleatoare simple fn ! f . Convergenta este nteleasa n sensul ca pentru orice x 2 X
rezulta lim fn (x) = f (x) n R (convergenta simpla).
n!1
Demonstratie.Fie En;j = f! 2 Xj j2n1 f < 2jn g n2n j n2n . Fie acum fn

denite astfel:
8 j 1
< 2n ; ! 2 Enj
fn (!) = n; f (!) n
:
n; f (!) < n
fn este o variabil
a aleatoare simpl
a si se vede c
a fn (!) ! f (!). De asemenea se vede c a
fn tinde uniform la f dac a f este m
arginita. In plus daca f >0, atunci fn tinde cresc
ator la
f.
QED.
3.2 Media unei variabile aleatoare oarecare

Dac a variabila aleatoare este simpla atunci media ei a fost denita n lectia anterioar
a. Fie
f (!) = vi dac
P a ! 2 Ei , pentru i=1,2,..n. Atunci
R media luiR f se deneste prin M (f ) =
i vi p(Ei ). Vom mai nota aceasta expresie prin X f dp sau X f (!) dp(!). Dac a variabila
aleatoare nu este simpl a atunci se aproximeaz a f prin variabile aleatoare simple iar media
lui f se aproximeaz a prin media acestora. In continuare vom folosi notiunea de convergenta
aproape peste tot (pe scurt a.p.t.).
Denitia 3.9 Un sir (fn )n2N denv.a. se spune ca este convergent

o a.p.t. la variabila aleatoare
f daca si numai daca multimea x 2 Xj lim fn (x) 6= f (x) are probabilitatea 0.
n!1
LECTIA
Putem descrie acum felul n care se deneste media n general:

a) Consider am un sir de variabile aleatoare simple (fn )n2N care converge la f a.p.t.(un
asemenea sir exista conform R teoremei precedente, si care convege peste tot la f ).
b) Stim c a M (fn ) = X fn dp exist a. Dac
Ra sirul e Cauchy n sensul c
a 8 > 0; 9n() 2
N; a:^R{ 8n; m 2 N; n n(); m n() ) X jfn fm j dp < , atunci R se arata c
a exit
a
lim X fn dp si aceast a limit
a se numeste media lui f . Ea se noteaza cu X f dp sau M (f ) si
n!1
nu depinde de sirul de variabile aleatoare simple care tind Cauchy la f . In cazul particular
cnd f este simpl a, se regasaste vechea denitie.
Se demonstreaz a ca propriet atile mediei demonstrate anterior pentru variabile
aleatoare
R simple se pa streaz a prin trecere la limita, n general. Avem deci (scriind
X
f dp n loc de M (f )):
1) Z
f =c) f dp = c
X
2) Z Z Z
(f + g)dp = f dp + gdp
X X X
3) Z Z Z Z
(f1 + f2 + :: + fn )dp = f1 dp + f2 dp + :: + fn dp
X X X X
Spunem c a variabilele aleatoare f1 ; f2 sunt independente, la fel ca n cazul variabilelor
aleatoare simple, dac a oricare ar intervalele I1 ; I2 avem p(ff1 2 I1 g \ ff2 2 I2 g) = p(f1 2
I1 ) p(f2 2 I2 ). Cu aceasta putem enunta urm atoarea proprietate:
4) Dac a f1 si f2 sunt variabile aleatoare independente atunci:
Z Z Z
(f1 f2 )dp = f1 dp f2 dp
X X X
5) Z
f 0) f dp 0
X
6) Z Z
f g) f dp gdp
X X
7) Z

f dp max jf j

X
Proprietatea urm
atoare este mai special
a:
LECTIA
R
8) Dac
a lim fn = f a.p.t. si dac
a exist
a o variabil
a aleatoare g 0 astfel ca X
gdp < 1
n!1
si jfn j g pentru orice n, atunci
Z Z
lim fn dp = f dp
n!1 X X
Deci daca un sir de variabile aleatoare este convergent si dominat de o v.a. pozitiv
a cu medie
nit
a, atunci media limitei este egal a cu limita mediilor.
O variabil a aleatoare complex a este o functie f : X ! C R f = uR+ iv astfelR ca u si v
a e variabile aleatoare reale. Se deneste media lui f prin X f dp = X udp + i X vdp. Se
s
demonstreaz a ca proprietatile 1)-8) se p
astrez
a.
Momentul de ordin k al unei variabile aleatoare oarecare se deneste ca pentru variabilele
simple Z
k
Mk (f ) = M (f ) = f k dp
X
Momentul centrat de ordinul k se deneste analog:
Z
k
k (f ) = M (f M (f )) = (f M (f ))k dp
X
Dispersia se deneste de asemenea ca pentru variabile simple:

Z
2
D(f ) = M (f M (f )) = (f M (f ))2 dp = M2 (f ) (M (f ))2
X
Proprietatile demonstrate pentru dispersie n cazul variabilelor aleatoare simple r amn

adevarate n general, ele deducndu-se din propriet atile mediei, care r
amn adev
arate n
general.
Functia caracteristic
a a unei variabile aleatoare generale se deneste ca pentru variabile
aleatoare simple, cu ajutorul mediei:
p
Z
1tf
fc (t) = M (e )= eitf dp
X
Si n acest caz propriet atile demonstrate pentru variabile aleatoare simple ramn adevarate
n general.
Unei variabile aleatoare generale nu-i putem atasa o diagram a ca n cazul variabilelor
aleatoare simple, ele lund n general o innitate de valori. In cazul particular cnd valorile se
pot enumera v1 ; v2 ; ::vn ; ::: iar evenimentele Ei = ff = vi g au probabilit atile pi putem asocia
lui f diagrama:
v1 v2 v3 ::: vn :::
p1 p2 p3 ::: pn :::
LECTIA
In acest caz variabilele simple

vi ! 2 Ei ; i n
fn (!) =
0 ! 2 Ei ; i > n
R R P1
tind spre f , si deci X
f dp = lim fn dp = lim (v1 p1 + v2 p2 + v3 p3 + :::vn pn ) = i=1 v i pi =
n!1 X n!1
M (f ). Analog, dispersia este
1
X
D(f ) = (vi M (f ))2 pi
i=1
Exemplul 3.10 Fie o variabilP a aleatoare ce ia valorile 0; 1; 2; :::n; :: cu probabilitatile p0 ; p1 ;

p2 ; ::: pn :::. Fie Gf (t) = 1 i=0 i t . S
p i
a se arate ca:
a) M (f ) = Gf (1);
0
b) M2 (f ) = G00f (1) + G0f (1);

2
c) D(f ) = G00f (1) + G0f (1) G0f (1) . Functia Gf se numeste functia generatoare a v.a. f .
P P P
Solutie. a) In acest
P caz avem vi = i. G0f (t) =P ipi ti P
1
si deci G0f (1) = ipi = vi p i =
M (f ). b) G00f (t) = i(i 1)pi ti 2 deci G00f (1) = i2 pi ipi adic
a G00f (1) = M2 (f ) M (f )
de unde rezult a b). c) Avem D(f ) = M2 (f ) (M (f ))2 ceea ce d a, conform cu a) si b), exact
c).
3.3 Functia de repartitie

densitatea de probabilitate
Fie f : X ! R o variaibil a aleatoare denit a pe spatiul probabilizat X. Asociem lui f o functie
F : R ! R prin formula F (t) = p(f < t). Functia F nu mai apare ca depinznd explicit de
X. Ea contine informatiile probabilistice despre f , independent de natura elementelor din
X. Este posibil ca aceeasi functieF s a corespunda la variabile aleatoare diferite, denite pe
acelasi spatiu X sau pe spatii diferite.
Denitia 3.11 Functia F : R ! R cu F (t) = p(f < t) , f ind o variabila aleatoare, se

numeste functia de repartitie a acestei variabilei aleatoare.
Denitia 3.12 Fie o variabila aleatoare f cuR functia de repartitie F . O functie : R !

t
[0; 1) , integrabila, cu proprietatea ca F (t) = 1 (x)dx se numeste densitate de repartitie
a varibilei f .
Teorema 3.13 Functia de repartitie are urmatoarele proprietati:

1) F este monoton crescatoare
LECTIA
2)F ( 1) = lim F (t) = 0 F (1) = lim F (t) = 1

t! 1 t!1
3) F este continua la stnga.
4) p(a f < b) = F (b) F (a).
5) Reciproc, daca o functie F : R ! R are proprietatile de mai sus, exista un cmp de
probabilitate (X;
; p) si o variabila aleatoare pe X , care are pe F ca functie de repartitie.
Demonstratie.1) t1 < t2 ) ff < t1 g ff < t2 g ) p(f < t1 ) p(f < t2 ) adic a

F (t1 ) F (t2 ). 3) Fie tn ! t monoton cresc ator. In aceste conditii multimile ff < tn g
formeaz a un sir cresc
ator spre ff < tg deci p(f < t) = lim p(f < tn ), adic
a F este continua
n!1
n t la stnga. 2)Sirul de multimi An = ff < tn g este monoton descresc
ator cu intersectia
vid
a pentru orice sir (tn ) monoton descresc
ator spre -1. Din continuitatea probabilitatii,
rezult
a F ( 1) = lim F (tn ) = lim p(An ) = p(;) = 0. Analog se demonstreaza c
a F (1) = 1.
n!1 n!1
4)Avem ff < bg = ff < ag [ fa f < bg, reuniune disjunct a. Lund probabilit atile n ambii
membri g asim formula din punctul 4).
5). Se poate lua X = R,
= cea mai mic a algebr
a ce contine intervalele de forma [a; b), iar
probabilitatea este denit
a prin p ([a; b)) = F (b) F (a). Detaliile nu fac obiectul prezentului
curs.
Teorema 3.14 Densitatea de probabilitate a unei variabile aleatoare are proprietatile:

1) R(t) 0
1
2) 1 (t)dt = 1
Rb
3)p(a f < b) = a (x)dx.
4)Reciproc, daca o functie integrabila : R ! R are proprietatile 1)-3) atunci exista un
cmp de probabilitate (X;
; p) si o variabila aleatoare pe X, care admite pe ca densitate de
probabilitate.
Demonstratie.1) si 2) sunt evidente iar 3) rezult a din punctul 4) al teoremei precedente.

5) Se poate lua, ca n teorema precedent a, X = R,
= cea mai mic a algebr a ce contine
intervalele
R x de forma [a; b), iar probabilitatea este denita prin p ([a; b)) = F (b) F (a), unde
F (x) = 1 (t) dt.
QED.
Functia de repartitie a unei variabile aleatoare exist a ntotdeauna pe cnd densitatea de
repartitie nu. Dac a exist
a densitate de repartitie , atunci F este continu a iar n punctele de
continuitate ale lui functia F este n plus derivabil a si exist
a relatia F 0 (t) = (t) = lim
t!0
p(tf < t+t)
t
.
Pentru a vedea cum putem calcula efectiv media, dispersia, etc. n general, studiem pe
scurt un concept numit integrala Stieltjes.
LECTIA
3.4 Integrala Stieltjes

Rb
Fie F : [a; b] ! R o functie monoton cresc
atoare. Vrem s
a denim a
f (x)dF pentru o functie
f : [a; b] ! R. Fie
: x0 < x1 < ::: < xn 1 < xn = b
o diviziune a intervalului [a,b] si e cte un element i 2 [xi 1 ; xi ]. Denim suma Stieltjes
analog cu suma Riemann:
n
X
S = f ( i ) (F (xi ) F (xi 1 ))
i=1
Spunem c a f este integrabil

a Stieltjes n raport cu F dac a pentru orice sir de diviziuni
(n )n2N cu norma jn j = max jxi xi 1 j tinznd la zero, sirul de sume Stieltjes are o aceeasi
i
limit
a, independent de sirul de diviziuni sau de punctele i alese. Aceast a limita se noteaza
Rb Rb
cu a f (x)dF (x) sau a f dF . Se demonstreaz a c
a pentru orice functie f continu a integrala
Stieltjes exist
a. Urm atoarele propriet
ati ale integralei Stieltjes seam
ana cu cele ale integralei
Riemann:
a) Daca f1 si f2 sunt integrabile Stieltjes atunci f1 + f2 este integrabila si
Z b Z b Z b
(f1 + f2 )dF = f1 dF + f2 dF .
a a a
Rb Rc Rb
b) Daca a < c < b atunci a f dF = a f dF + c f dF .
Rb
c) f 0 implica a f dF 0.
Rb
d) a f dF max jf (x)j (F (b) F (a)).
x2[a;b]
Rb Rb Rb
e) Daca F = F1 +F2 suma de doua functii monotone, atunci a f dF = a f dF1 + a f dF2 .
Demonstratia acestor propriet
ati nu o facem aici. S
a calcul
am cteva integrale Stieltjes.
Exemplul 3.15 Fie F : [a; b] ! R; F (x) = x. Atunci F (xi ) F (xi 1 ) = xi xi 1 si integrala

Stieltjes devine integrala Riemann.
Exemplul 3.16 F : [a; b] ! R este monoton crescatoare, derivabila, cu derivata (x) =

0
F 0 (x) integrabila Riemann. Atunci F (xi ) F (xi 1 ) = ( i )(xi xi 1 ) (conform teoremei lui
Lagrange) si daca luam n suma Stieltjes i = 0i obtinem suma Riemann pentru functia f .
Deci Z Z
b b
f dF = f (x)(x)dx (3.1)
a a
LECTIA
Exemplul 3.17 Fie c 2 [a; b] si F : [a; b] ! R data prin

x 2 [a; c]
F (x) =
x 2 (c; b]
Atunci n suma Stieltjes numai termenul f ( i )(xi xi 1 ) pentru care xi 1 c xi este nenul
si suma este ( )f ( i ) care tinde spre ( )f (c) daca f este continua n c.Deci
Z b
f dF = ( )f (c) = (F (c + 0) F (c 0)) f (c) (3.2)
a
Exemplul 3.18 Fie F : [a; b] ! R o functie constanta pe portiuni, cu salturi n punctele

c1 ; c2 ; ::cn unde avem F (ci + 0) F (ci 0) > 0. Atunci, la fel ca n exemplul anterior, daca f
este continua n punctele ci avem
Z b n
X
f dF = f (ci ) (F (ci + 0) F (ci 0))
a i=1
Exemplul 3.19 Fie F continua pe portiuni, cu discontinuit Rb ati n c1 ; c2 ; ::cn iar ntre aceste
puncte derivabila, F 0 (x) = (x), integrabila. Atunci n a f dF avem doua parti: una de tipul
(3.1) iar alta de tipul (3.2), deci
Z b Z b Xn
f dF = f (x)(x)dx + f (ci ) (F (ci + 0) F (ci 0))
a a i=1
R +1 Rb
Se poate deni 1
f dF prin lim f dF . Propriet
atile a)..e) se p
astreaz
a la fel ca
a! 1;b!1 a
si metodele de calcul descrise n exemplele anterioare.
3.5 Media si functia de repartitie

Fie o variabil
a aleatoare f cu valori ntr-un interval[a; b) si cu functia de repartitie F . Fie
: x0 = a < x1 < :: < xn 1 < xn = b
o diviziune a intervalului [a,b]. Lu
am cte un punct i 2 [xi 1 ; xi ]. Fie variabila aleatoare

0 a f (!) 2
dac = [a; b)
f (!) =
i a f (!) 2 [xi 1 ; xi )
dac
Altfel spus, dac
a Ai =f! 2 X j f (!) 2 [xi 1 ; xi )g, atunci
8
>
> , dac a ! 2 A1
< 1
2 , dac a ! 2 A2
f (!) =
>
> :::::::::::::::::::::
:
n , dac a ! 2 An
LECTIA
P P
Variabila f este deci simpl
a, cu media M (f ) = i i p(xi 1 f < xi ) = i i (F (xi )
F (xi 1 )). Atunci cnd norma diviziunii jj ! 0, variabilele f tind la f (a se vedea gura)
X
A1 An
A2
f f
f
1 2 n R
x0=a x1 x2 xn-1 xn=b
Exemplu de diviziune pentru calculul mediei
deci prin denitie

X Z b
M (f ) = lim M (f ) = lim i (F (xi ) F (xi 1 )) = xdF (x) (3.3)
jj!0 jj!0 a
i
Am obtinut astfel formula simpl a de mai sus care exprima media unei variabile aleatoare
printr-o integral
a Stieltjes. Dac
a variabila aleatoare nu este marginit
a de a si b nite, atunci
integrala de mai sus trebuie luat a ntre -1 si 1. Variabila aleatoare f k este aproximat a de
variabilele aleatoare f care au mediile
k
X Z b
ki (F (xi ) F (xi 1 )) ! xk dF (x)
i a
Dispersia lui f este media variabilei (f M (f ))2 . Aceast

a variabil
a aleatoare este aprox-
2
imat
a prin variabilele simple (f M (f )) care au mediile
X Z b
2
( i M (f )) (F (xi ) F (xi 1 )) ! (x M (f ))2 dF (x)
i a
p a a lui f este media variabilei aleatoare eitf care este aproximat

Functia caracteristic a prin
variabilele e 1tf
cu mediile
X p Z b p
1t i
e (F (xi ) F (xi 1 )) ! e 1tx dF (x)
i a
Dac
a f nu este m
arginit
a atunci integralele trebuie luate de la -1 la 1. Avem deci
LECTIA
formulele( = F 0 este densitatea de probabilitate):

R R1 R1
M (f ) = X f dp = 1 xdF (x) = 1 x(x)dx
R R1 R1
Mk (f ) = M (f k ) = X
f k dp = 1
xk dF (x) = 1
xk (x)dx
R
k (f ) = M (f M (f ))k = X (f M (f ))k dp =
R1 R1
= 1 (x M (f ))k dF (x) = 1 (x M (f ))k (x)dx (3.4)
2 R
D(f
R1 ) = M (f M (f )) R 1X (f
= M (f ))2 dp =
= 1 (x M (f ))2 dF (x) = 1 (x M (f ))2 (x)dx
p
1tf
R p
1tf
R1 p
1tx
R1 p
1tx
fc (t) = M (e )= X
e dp = 1
e dF (x) = 1
e (x)dx
Prin urmare cunoasterea functiei de repartitie este sucient a pentru determinarea carac-
teristicilor numerice ale unei variabile aleatoare. Asa cum s-a mentionat mai nainte pro-
priet
atile acestor marimi, demonstrate pentru variabile aleatoare simple, r amn adevarate n
general. Se vede n ultima formul a c
a functia caracteristic
a este pn
a la un factor trans-
formata Fourier invers a a densitatii de probabilitate, deci, densitatea de probabilitate este
determinat a de functia caracteristica(prin transformata Fourier). Mai precis se demonstreaz a
teorema urm atoare:
Teorema 3.20 Fie doua variabile aleatoare f si g, cu functiile de repartitie F; G si functiile

caracteristice fc si gc . Daca functiile caracteristice sunt egale, atunci F = G.
Nu demonstr am aceast a teorem a dar o vom folosi mai departe pentru a pune n evidenta
egalitatea unor functii de repartitie.
Exemplul 3.21 Fie X = [0; 1] [0; 1] ,

= multimea gurilor cu arie, p(A) =aria lui
A. Fie f : X ! R f (x; y) = x + y. Este clar ca f este o variabila aleatoare pentru ca
ff < tg = f(x; y) 2 Xj x + y < tg este o gura cu arie. Se cere:
1) Sa se determineRun sir marginit de v.a. simple ce tind la f.
2)Sa se determine X f dp utiliznd sirul de v.a. de la punctul precedent.
3) Sa se determine functia de repartitie si densitatea de repartitie(daca exista).
4) Sa se determine media si dispersia folosind functia de repartitie.
Solutie. 1,2) Putem n mai multe moduri determina siruri de v.a. simple ce tind la f .
De exemplu pentru un n dat e
0 = x0 < x1 < :: < xn = 1 xi = i=n

0 = y0 < y1 < :: < yn = 1 yj = j=n
LECTIA
si e fn (x; y) = (xi 1 + xi ) =2+(yj 1 + yj ) =2 dac a (x; y) 2 [xi 1 ; xi )[yj 1 ; yj ) , adica valoarea

lui f (x; y) n centrul Pij dreptunghiului [xi 1 ; xi ) [yj 1 ; yj ) pe care o not am si f (Pij ). Dac
a
(x; y) nu se a a ntr-un dreptunghi [xi 1 ; xi ) [yj 1 ; yj ) atunci denim fn (x; y) = 0. Este clar
c
a fn ! f a.p.t. si avem:
Z Z X
f dp = lim fn dp = lim f (Pij )p ([xi 1 ; xi ) [yj 1 ; yj )) =
X n!1 X n!1
i;j=1::n
X Z Z
= lim f (Pij ) (xi xi 1 ) (yj yj 1 ) = f (x; y)dxdy =
n!1 X
i;j=1::n
Z 1Z 1
= (x + y)dxdy = 1
0 0
3) Functia de repartitie este
F (t) = aria (f(x; y) 2 Xjx + y < tg) =

8
> 0 t0
>
< t2
2
0t1
= (2 t)2
> 1t2
: 1
> 2
1 t2
Gracul functiei de repartitie este:
1
0.8
0.6
0.4
0.2
-2 -1 1 2 3 4
Gracul functiei de repartitie al variabilei aleatoare f

Deoarece F este derivabil
a avem densitatea de probabilitate:
8
>
> 0 t0
<
2t 0t1
(t) =
>
> 2(2 t) 1 t2
:
0 t2
Gracul densit
atii este:
LECTIA
0.8
0.6
0.4
0.2
-2 -1 1 2 3 4
Gracul densit
atii de probabilitate a variabilei aleatoare f
4)
Z 1 Z 1 Z 2
M (f ) = tdF (t) = t(t)dt = t(t)dt =
1 1 0
Z 1 Z 2
2
= 2t dt + t 2(2 t)dt = 1
0 1
Analog se poate calcula dispersia.
3.6 Rezumat
Pentru a putea lucra si cu variabile aleatoare cu un num ar innit de valori trbuie l
argit
conceptul de algebra de evenimente la cel de algebr
a iar conceptul de probabilitate la cel
de probabilitate. Concret:
i) O algebra de evenimente(multimi) este o algebr
a de
S evenimente(multimi) cu propri-
etatea c
a dac
a An sunt n algebr
a pentru orice n, atunci An este n algebr
a.
n=1::1
ii) O probabilitate S
este probabilitate
P dac
a pentru orice sir de evenimente (multimi)
disjuncte An avem p( An ) = 1n=1 p(A n ).
n=1::1
iii) probabilitatea are o remarcabil
a proprietate de continuitate: dac
a A este intersectia
unui sir monoton descresc ator sau reuniunea unui sir monoton crescator de evenimente An
atunci p(A) = lim p(An ).
n!1
iv) O variabila aleatoare general a este o functie real
a care ntoarce intervalele n eveni-
mente, deci au sens expresii ca p(f = a) sau p(a f < b) etc. Operatiile uzuale cu functii,
inclusiv trecerea la limita, aplicate variabilelor aleatoare duc tot la variabile aleatoare. Orice
variabila aleatoare este limit
a de variabile aleatoare simple (ce iau un num ar nit de valori).
v) Caracteristicile numerice ale unei variabile aleatoare se denesc prin limita caracteris-
ticilor corespunzatoare ale variabilelor aleatoare simple ce tind la variabila general a. Aceasta
LECTIA
limita nu exista ntotdeauna. Propriet atile acestor caracteristici: medie, dispersie, momente,
functie caracteristic a, demonstrate anterior pentru variabile aleatoare simple se p astreaza prin
trecere la limita si pentru variabile aleatoare generale.
vi) Pentru calculul concret al caracteristicilor numerice se introduce functia de repartitie
denit a prin F (t) = p(f < t), F ind functia de repartitie a variabilei aleatoare f . Toate
informatiile numerice legate de f sunt continute n functia de repartitie F , independent de
spatiul probabilizat pe care e denit a f.
vii) Densitatea de probabilitate , este derivata functiei de repartitie (dac a exista), adic a
p(tf <t+t) Rx
(x) = lim t
,sau, mai exact se deneste prin: F (x) = 1 (t)dt. Propriet atile
t!0
functiei de repartitie si ale densitatii de probabilitate sunt studiate mai sus.
viii) Pentru a ajunge la scopul propus, exprimarea caracteristicilor numerice ale unei
variabile aleatoare prin intermediul functiei de repartitie, avem nevoie de un concept auxiliar
numit integrala Stieltjes
Z b X
f (x)dg(x) = lim f ( i ) (g(xi ) g(xi 1 ))
a jj!1
, o generalizare a integralei Riemann. Proprietatile integralei Stieltjes seam

an
a n mare masura
cu cele ale integralei Riemann.
ix) In nal, prin formulele (3.4), media, dispersia, etc. sunt exprimate direct prin functia
de repartitie ori prin densitatea de probabilitate, independent de spatiul pe care e denit a
variabila aleatoare.
______________________
FORMULE UTILIZATE FRECVENT: T
a) Pentru o probabilitate aditiv a: Daca A1 A2 :: An :: atunci p( An ) =
S n=1;1
lim p(An ) iar daca A1 A2 :: An :: atunci p( An ) = lim p(An ).
n!1 n=1;1 n!1
Rb Rb Pn
b) a f dF = a f (x)(x)dx + i=1 f (ci ) (F (ci + 0) F (ci 0)) unde F e functia de
repartitie, e densitatea de probabilitate iar ci sunt punctele de discontinuitate
ale lui F
c)Formulele (3.4) pentru medie, momente, etc.

Rb
d) p (a f < b) = F (b) F (a) = a
(x) dx.
LECTIA
3.7 Exercitii
1. Fie o variabila aleatoare :

0 1 2 ::: n :::
f=
p p p2 ::: pn :::
0
a)Sa se determine astfel ca diagrama de mai sus sa corespunda unei variabile aleatoare.
b) Sa se calculeze media P, dispersia si functia caracteristica.
Indicatie. Trebuie ca 1 k=0 p = 1. De aici rezult
k
a . O problem
a analoag
a este rezolvat
a
n cadrul lectiei.
2. Fie variabila aleatoare uniforma

1 2 ::: k :: n
1 1
n n
::: n1 :: n1
Sa se determine functia caracteristica, media si dispersia.
Indicatie. Se utilizeaz a denitiile.
3. O urna contine s bile din care s-1 negre si una alba. Se fac extrageri din urna cu
punerea bilei napoi pna se extrage bila alba. Fie variabila aleatoare f care ia valoarea k daca
bila alba apare la extragerea k. Se cere valoarea medie a lui X.
Indicatie. Probabilitatea de a extrage o bil a alba este p=1/s iar probabilitatea de a extrage
o bil
a neagr a este q=(s-1)/s. Probabilitatea ca bila alb a sa apar a abia la extragerea k este

s 1 k 1 1
pk = s s . Mai departe problema seam an
a cu 1).
4. Un jucator trage la o tinta; probabilitatea de a o nimeri este p 2 (0; 1) iar probabilitatea
de a rata lovitura este q = 1 p. Partida se termina cnd e numarul lovirilor este cu 2 mai
mare ca al ratarilor, caz n care cstiga partida, e cnd numarul ratarilor este cu 2 mai mare
ca numarul lovirilor, caz n care pierde partida. Fie An evenimentul care consta n a cstiga
la tragerea n iar Bn evenimentul care consta n a pierde la tragerea n.
a) p(A2n+1 ) =? p(B2n+1 ) =?.
b) Care e probabilitatea ca jucatorul sa cstige?
c) Care e probabilitatea ca jucatorul sa piarda?
d) Care e probabilitatea ca partida sa nu se termine niciodata?
e)Fie X variabila aleatoare care ia valoarea k daca partida se termina la tragerea k. Se ce
probabilitatile p(X=k) si valoarea medie a lui X.
Indicatie. Dac a juc
atorul cstig
a (sau pierde) la mutarea k, atunci nimereste (sau rateaz a)
cu dou a lovituri n plus fata de situatia contrar a. Prin urmare num arul loviturilor este par,
deci p(A2n+1 ) = p(B2n+1 ) = 0. Fie p2l probabilitatea ca partida s a e cstigat
a la tragerea 2l,
e q2l probabilitatea ca partida s a e pierdut a la tragere 2l si e r2l probabilitatea de remiz a
la tragerea 2l. Avem p2l = r2l 2 p2 q2l = r2l 2 q 2 r2l = r2l 2 (1 p2 q 2 ).
5. a)Pentru care functia

( x2 + 1) x 2 [ 1; 1]
(x) =
0 x2= [ 1; 1]
LECTIA
este o densitate de probabilitate?

b) Se cere media si dispersia variabilei cu densitatea .
c) Care este probabilitatea ca
R 1o v.a. cu densitatea sa ia valori ntre 0,2 si 0,5?
Indicatie. rezult
a din 1 (x)dx = 1. In rest se folosesc formulele (3.4).
6. a)O variabila aleatoare f are densitatea

0; x < 0
(x) =
e x; x 0
Care este functia de repartitie si densitatea de probabilitate a variabilelor f 2 ; 2f + 1; ef .
b) Sa se arate ca daca o v.a. f are densitatea (x) iar g : R ! R este bijectie derivabila
cu g 0 > 0; atunci variabila aleatoare g f are densitatea (g 1 (t)) g01(t) .
Indicatie. Fie G functia de repartitie a variabilei f 2 . Avem
p p Z pt
2
G(t) = p(f < t) = p( t < f < t) = p (x)dx =
t
Z p
t p
= e x dx = 1 e t
pentru t 0
0
In mod evident G(t)=0 pentru t 0. Densitatea lui f 2 se obtine prin derivarea lui G. Analog
se procedeaz a si cu celelalte expresii de f.
7. Se da functia 8
>
> 0 x<0
<
x 1 0x1
f (x) =
>
> x2 1<x<2
:
5 x x2
R5
Sa se calculeze 1 (2 + x)df (x).
Indicatie. Se aplic a tehnicile de calcul ale integralei Stieltjes din lectie.
8. Functia de repartitie a unei v.a. continue este
8
< a; x 0
F (x) = bx2 ; x 2 (0; 1)
:
c; x 1
Se cer a,b,c, si P (1=4 f 1=2)).
9. Sa admitem ca timpul de asteptare ntr-o statie de metrou este o v.a. cu functia de
repartitie: 8
>
> 0; t 0
>
>
< t=4; 0 < t 2
F (t) = 1=2; 1 < t 4
>
>
>
> t=8; 4 < t 8
:
1; t > 8
LECTIA
a) Se cere densitatea de probabilitate.

b) Care este probabilitatea ca un calator sa astepte mai mult de 3 minute?
c) Care este probabilitatea ca un calator sa atepte mai mult de 3 minute stiind ca a asteptat
mai mult de 1 minut?
d) Care este probabilitatea ca un calator sa atepte mai putin de 3 minute stiind ca a asteptat
mai mult de 1 minut?
10. Functia de repartitie a unei v.a. X este
8
< 0; t < 0
FX (t) = x2 ; t 2 (0; 1]
:
1; t > 1
Se cer M (X), D (X), X (t), F3X+2 (t), FX 2 (t).

11. Fie o v.a. cu functia de repartitie F care admite medie si dispersie nite. Sa se arate
ca Z 1
(x a)2 dF (x)
1
este minima cnd a=M (f R1).

Indicatie. Fie i(a) = 1 (x a)2 dF (x). La extrem trebuie s a avem i0 (a) = 0.
12. O variabila aleatoare f ia valori n intervalul [a; b]. Sa se arate ca M (f ) 2 [a; b] si
D(f ) 2 [0; (b a)2 =4].
Indicatie. Se exprim a media si dispersia prin integrale Stieltjes apoi se majoreaza core-
spunzator m arimile de sub integrala. Se poate utiliza problema precedent a.
13. Intr-un sistem de axe rectangulare xOy se dau A(2,0), B(0,1), O(0,0). Se iau la
ntmplare A0 2 [O; A] si B 0 2 [O; B]. A0 si B 0 au repartitii uniforme. Se cer:
a) Valoarea medie a ariei triunghiului OA0 B 0 .
b) Valoarea medie a perimetrului triunghiului OA0 B 0 .
c) Valoarea medie a lungimii segmentului A0 B 0 .
Indicatie. Se procedeaz a ca n exemplul 7).
14. Se iau la ntmplare doua puncte n intervalul [0; 1]. Care este functia de repartitie a
distantei dintre ele? Care e valoarea medie a acestei distante?
Indicatie. Se procedeaz
a ca la problema 7).
15. O variabila aleatoare f are densitatea (x) = 1 1+x 1

2. Se cere repartitia variabilei
g=min(jf j ; 1) precum si media lui g.
Indicatie. Fie G functia de repartitie a lui g. Dac
a t 1 atunci
G(t) = p(g < t) = p(min(jf j ; 1) < t) = p(;) = 0

LECTIA
In mod analog G(t) = 1 pentru t > 1. Dac

a t 2 (0; 1) atunci
G(t) = p(g < t) = p(min(jf j ; 1) <t) = p(jf j < t)

Z t
1 1 2
= p( t < f < t) = 2
dx = arctan(t)
t 1+x
Aseman
ator se poate calcula G(1) si apoi media cu formulele3.4
16. Doi jucatori A si B, avnd ecare un capital de a respectiv b lei, joaca pna la ruina
unuia din ei. La un joc sansele de cstig sunt p pentru jucatorul A si q=1-p pentru jucatorul
B. La ecare joc, cel ce pierde plateste 1 leu cstigatorului. Care sunt sansele de cstig ale
ecaruia?
17. Problema lui Buon. Pe un plan orizontal sunt trasate drepte paralele ntre ele la
aceeasi distanta 2d. Se arunca pe acest plan un ac de lungime 2l < 2d. Care este probabilitatea
ca acul sa intersecteze o paralela oarecare?
Indicatie. Starea de intersectie a acului cu reteaua de linii depinde de orientarea acului,
; si de distanta x a mijlocului acului fata de cea mai apropiata linie (vezi gura).
2l
x
2d
2 [0; ) iar x 2 [0; d]. Pentru intersectie trebuie ca x d cos . Spatiul pozitiilor
posibile este X = [0; ) [0; d], iar multimea pozitiilor favorabile intersectiei este A =
f(; x) 2 X j x d cos g. In cazul cnd toate pozitiile sunt egal probabile, probabilitatea
unui eveniment este proportionala cu aria multimii punctelor prin care se reprezint a acel
eveniment.
Lectia 4
Legi clasice
Am v azut ca valorile caracteristice ale unei variabile aleatoare sunt determinate de functia
de repartitie (sau de densitatea de probabilitate, dac a exist
a). In cazul variabilelor simple,
caracteristicile numerice sunt determinate de diagrama asociat a lor. In cele ce urmeaza sunt
studiate cteva legi frecvent ntlnite n aplicatii. Cnd discut
am o asemenea lege subntelegem
c
a exista un cmp de probabilitate (X;
; p) si o functie f : X ! R care are ca functie de
repartitie pe F si ca densitate pe . Pentru calcule nu este nevoie s
a avem explicit date X;
; p
si f; ci numai pe F sau .
4.1 Repartitia binomial

a
Fie variabila aleatoare simpl
a

0 1 ::: k ::: n
f= o 0 n 1 1 n 1 k k n k n n 0
Cn p q Cn p q Cn p q Cn p q
unde p 2 [0; 1] p+q = 1 n 2 N . O asemenea variabil

a aleatoare se numeste binomial
a.
a este
n
X n
fc (t) = eitk Cnk pk q n k
= peit + q
k=0
p
unde i = 1 2 C. De aici obtinem: it
0 n 1
a) M (f ) = 1i fc (0) = 1i it
n (pe + q) pie = np
t=0
b) M2 (f ) = i12 fc00 (0) =
n2 p2 + npq
c) D = M2 (f ) (M (f ))2 = npq
Fie p probabilitatea cu care apare A ntr-o experienta independent
a. Atunci n n experiente
independente aparitia de k ori a evenimentului A se poate face n Cn feluri, egal cu num
k
arul de
43
LECTIA
4. LEGI CLASICE 44
variante n care sunt plasate cele k experiente unde apare A printre toate cele n experiente.
Probabilitatea ec arui sir de n experiente, cu k aparitii ale evenimentului A, este pk q n k ,
q = 1 p. Sumnd probabilit atile tuturor acestor siruri favorabile gasim c a probabilitatea ca
evenimentul A s a de k ori este Cn p (1 p) . Aceast
a apar k k n k
a distributie a fost studiat
a intensiv
de Bernoulli si se mai numeste si repartitie Bernoulli. Pentru n=20 si p=3/4 probabilit atile
Cnk pk (1 p)n k arat a astfel:
0.2
0.15
0.1
0.05
5 10 15 20

3 k 1
Valorile pentru C20
k
4 220 k
Se vede c a probabilit
atile care difer
a substantial de 0 apar pentru valori ale lui k n jurul
lui np, care n acest caz este 15. In lectia 5 vom demonstra c a acest lucru are loc pentru orice
p 2 (0; 1) si n sucient de mare.
4.2 Repartitia Poisson

Spunem c a f este o varibil
a aleatoare de tip Poisson dac
a ia valori ntregi pozitive si p(f =
k e
k) = k! unde > 0. Diagrama unei asemenea variabile aleatoare este

0 1 2 ::: n :::
f= 2 n
e e 1!
e 2!
::: e n! :::
se numeste parametrul variabilei aleatoare. Functia caracteristic

a este
1
X k 1
X k
(eit ) eit it
fc (t) = eitk e =e
=e e = e(e 1)
k=0
k! k=0
k!
Prin urmare:
a) M (f ) = 1i fc0 (0) =
LECTIA
4. LEGI CLASICE 45
b) M2 (f ) = i12 fc00 (0) = 2 +

c) D = M2 M 2 =
k
Probabilitatile e k! apar n felul urm
ator:
Propozitia 4.1 Fie un sir de variabile aleatoare binomiale

0 1 ::: k ::: n
fn =
q n Cn1 pq n 1 ::: Cnk pk q n k ::: pn
k
n care np ! cnd n ! 1. Atunci p(fn = k) ! e k!
cnd n ! 1.
Demonstratie.Vom demonstra aceast

a armatie pentru np = . Avem
p(fn = k) = Cnk pk q n k = k!(nn! k)! pk q n k =

n(n 1)(n 2)::(n k+1) k n k nk (1 n 1
)(1 n2 ):::(1 k n 1 ) k
n k
= k!
p q = k! nk
1 n
!
k
! k! e
QED.
Prin urmare k e =k! reprezint a probabilitatea ca un anumit eveniment A s
a apar
a de k ori
ntr-un sir foarte mare de n experiente independente, probabilitatea de aparitie a evenimen-
tului A ntr-o singura experienta nd foarte mica, de tipul =n. Valoarea medie a numarului
de aparitii este np = . Valorile p (f = k) pentru k = 0; 1; ::10, la o valoare a parametrului
= 6 se reprezint a astfel:
0.15
0.125
0.1
0.075
0.05
0.025
5 10 15 20
6 6k
Valorile pentru e k!
Se vede c
a valorile p (f = k) care difer
a substantial de zero se concentreaz
a n jurul valorii
k= = 6.
LECTIA
4. LEGI CLASICE 46
Propozitia 4.2 Fie f si g doua variabile Poisson independente, de parametri si . Atunci

f + g este o variabila Poisson de parametru + .
Demonstratie.Deoarece f si g sunt independente avem

it it
(f + g)c (t) = fc (t) gc (t) = e(e 1)
ei(e 1)
=
= ei(+)(e 1)
it
Deoarece functia caracteristic

a determin
a complet functia de repartitie rezult
a c
a f +g
este o variabil
a Posson de parametru + .
QED
4.3 Repartitia uniform

a
Spunem c
a o v.a. are o repartitie uniform
a daca densitatea ei este:
1
b a
x 2 [a; b]
(x) =
0 x2 = [a; b]
Rb eibt eiat
unde a < b sunt reale. Functia caracteristic
a este a
eitx b 1 a dx = it
, media este b+a
2
,
etc.
4.4 Repartitia Normal

a
Spunem c a o variabil
a aleatoare f admite o repartitie normal
a de parametri m si > 0 dac
a
densitatea ei de probabilitate este:
1 (x m)2
(x) = p e 2 2
2
O variabil a aleatoare cu repartitia normal

a, de medie m si dispersie 2 o vom numi de
tipul N (m; ). Gracul pentru m = 0 si = 1 al densit atii de probabilitate si al functiei
de repartitie, arat
a astfel:
LECTIA
4. LEGI CLASICE 47
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
-4 -2 2 4 -4 -2 2 4
Densitatea de probabilitate si functia de repartitie a unei variabile normale

R1 (x m)2 R1 t2
Deoarece 1 p12 e 22 dx = (prin schimbarea t = x m

) = p12 1
e 2 dt = 1, rezult
a
c
a este o densitate de probabilitate.
Vom determina la nceput functia caracteristic
a.
1 R (x m)2
p1
fc (t) =eitx e 22 dx =
2 1
R1 y2
(schimbarea y = x m ) = p12 1 eit(m+y) 2 dy =
2 t2 R1 (y it)2 2 t2
= eitm 2 p12 1 e 2 dy = eitm 2
Am folosit Z Z
1
(y it)2
1
y2 p
e 2 dy = e 2 dy = 2 (4.1)
1 1
. Acest lucru se arat

a astfel:
P z2

0 = 2i Res e 2 ; zk =
RR x2 R R it z2 R R it z2 R R z2
(4.2)
= R
e 2 dx + R e 2 dz R
e 2 dz + R it
e 2 dz
Suma reziduurilor este n dreptunghiul [ R; R; R it]: Pe latura [R; R it]

it; R
R R it z2
putem scrie z = R ist cu 0 s t deci z = R s t i2Rst deci R 2 2
e 2 dz = 2 2 2
R
R2 =2 t s2 t2 2 =2 i2Rst
e 0
e e ( it) ds ! 0 cnd R ! 1. Pe latura [ R it; R] se procedeaz a
analog si se g
aseste limita integrale tot zero. Trecnd la limit a R ! 0 n (4.2) g asim prima
egalitate din (4.1). A doua egalitate se stie din anul I.
Cunoscnd functia caracteristic a se pot determina caracteristicile numerice:
1 0
a) M (f ) = i fc (0) = m
b)M2 (f ) = i12 fc00 (0) = 2 + m2
LECTIA
4. LEGI CLASICE 48
c) D(f ) = M2 M 2 = 2
d) 2k+1 = 0 2k = (2k)!
2k k!
2k . (exercitiu)
In anumite conditii avem urm atoarea relatie ntre dou
a variabile norale:
Propozitia 4.3 a) Fie f1 si f2 doua variabile aleatoare normale independente, de parametri

p1 ; 1 respectiv m2 ; 2 . Atunci f1 + f2 este normala de parametri m = m1 + m2 ; =
m
21 + 22 .
b) Daca f1 ; f2 :::fn sunt v.a. independente
si normale de tip N (m; ), atunci f1 +f2 +:::+f
n
n
este v.a. normala de tip N m; pn .
1
1t
2 2
2t
2
Demonstratie.a)f1c (f ) = eim1 t 2 f2c (t) = eim2 2
(21 +22 )t2 2 t2

(f1 + f2 )c (t) = f1c (t)f2c (t) = ei(m1 +m2 )t 2 = eimt 2
p
cu m = m1 + m2 = 21 + 22 .
n 2 2
b) Ca la punctul a) g asim (f1 + f2 + :::fn )c (t) = einmt 2 t . Din teorema 3, lectia 2,
rezult
a 2
f1 + f2 + :: + fn t imt 12 pn t2
(t) = (f1 + f2 + :: + fn )c =e
n c n
Cu aceasta b) este demonstrat.
QED.
Pentru = 1; 2; 3; 4 gracele densit
atilor apar n continuare. Se vede c a pentru mare
(adic
a dispersie mare) gracul este mai mpr astiat (aplatizat) n jurul mediei m = 0.
Gracele densit
atilor unor variabile normale
pentru diverse valori ale lui
LECTIA
4. LEGI CLASICE 49
Legea normal a a aparut n leg

atur
a cu teoria erorilor de m asurare. Sa presupunem c ao
marime z este determinat a prin masur
atori. In mod normal se vor face erori. Fie p(z; x)dx
probabilitatea ca s a obtinem rezultatul ntre x s x+dx, dac a valoarea exacta este z. p(z,x)
este deci densitatea de probabilitate a rezultatului m asuratorii . Daca facem n m asur atori
independente atunci probabilitatea ca s a obtinem rezultatele n intervalele [x1 + dx1 ], [x2 +
dx2 ],..[xn + dxn ] este
p(z; x1 )dx1 p(z; x2 )dx2 ::p(z; xn )dxn = F (z; x1 ; x2 ; ::xn )dx1 ::dxn (4.3)
Care este expresia cea mai potrivit a pentru functia p(z; x)? In mare Gauss a plecat de la
urmatoarele ipoteze pentru a determina pe p(z; x):1
1) p(z; x) = (z x) (adic a erori se fac cu aceeasi probabilitate n stnga ca si n dreapta
valorii exacte si probabilitatea de a obtine prin m asurare o anumit a valoare x depinde doar
de dep artarea fata de valoarea exacta z).
2) Coecientul lui dx1 dx2 ::dxn n n m asuratori independente (4.3) este maxim pentru
z = (x1 + x2 + :: + xn )=n.
3) este cel putin de clas a C 2.
Cu aceste ipoteze g asim astfel legea erorilor p(z,x):
F (z; x1 ; :::) = (z x1 )(z x2 ) :: (z xn ) > 0 este maxim n acelasi timp cu
ln(F (z; x1 ; x2 ; ::)):
Prin urmare:
0 (z x1 ) 0 (z xn )
(ln(F (z; x1 ; ::))0x = + :: + =0
(z x1 ) (z xn )
0 (z x)
pentru z = (x1 + x2 + ::: + xn )=n. Notnd g(x) = (z x)
avem
g(x1 ) + g(x2 ) + :::g(xn ) = 0
de ecare dat
a cnd
x1 + x2 + ::: + xn = nz
adic
a
g(x1 ) + g(x2 ) + :: + g(xn 1 ) + g(nz x1 x2 :: xn 1 ) 0
Prin derivare dup
a x1 obtinem:
g 0 (x1 ) g 0 (nz x1 :: xn 1 ) 0
si datorit
a arbitrarit
atii valorilor x1 ; ::xn 1 g
asim c
a
g 0 (x) a = const
1
Demonstratia este adaptat
a dup
a H. Poincar-Calcul des probabilits, Gauthiers-Villars,Paris,1912
LECTIA
4. LEGI CLASICE 50
de unde
g(x) = ax + b
Deoarece 0 = g(x1 ) + g(x2 ) + :: + g(nz x1 :: xn 1 ) = anz + nb rezult
ab= az, deci:
0 (z x)
= a(x z)
(z x)
sau
0 (t)
= at
(t)
de unde
t2
ln((t)) = a +c
2
2
a t2
(t) = ec e
Deci:
(z x)2
a
p(z; x) = (z x) = ke 2
Deoarece p(z; x) este o densitate de probabilitate trebuie ca

Z 1
p(z; x)dx = 1
1
p a 1
Aceasta implic
a a > 0 si k = 2
. Dac
a lu
am a = 2
atunci densitatea p devine:
1 (x z)2
p(z; x) = p e 2 2
2
adic
a ceea ce am numit legea normala.
Alte motive pentru care legea normal a este importanta vom vedea la considerarea teo-
remelor de tip limit
a central
a. Fiind frecvent folosit
a valorile functiei de repartitie pentru
Rt 1 x2
m = 0 , = 1, adic
a 1 p2 e 2 dx au fost tabelate. Mai precis s-a introdus functia
Z t
1 x2
(t) = p e 2 dx
0 2
. Cu ajutorul acestei functii avem
Z b
p(a f < b) = (x)dx = (b) (a)
a
pentru o v.a. de tipul N (0; 1). este o functie antisimetric a, (a) = ( a). Valorile
functiei s-au tabelat pentru diverse valori ale lui t. Dac
a f este o v.a. normal
a de parametri
f m
m si atunci variabila Z = este normal a cu media 0 si dispersia 1 (exercitiu), deci cu
functia de repartitie tabelat
a.
LECTIA
4. LEGI CLASICE 51
4.5 Repartitia exponential

a negativ
a
Se numeste astfel o repartitie cu densitatea

0 x<0
(x) =
e x x0
unde > 0.
1 2 1
Plecnd de la denitie se gaseste fc (t) = it
M=
M2 = 2
D= 2
. Toate aceste
calcule sunt l
asate ca exercitiu.
4.6 Repartitia Gamma

Se numte astfel o repartitie cu densitatea
(
0 x0
; (x) = 1
x
(+1) +1
x e x>0
unde > 1 si > 0. Cel mai frecvent se foloseste cazul = 1 + 1 = m, cnd avem

0 x0
(x) == m+1;0 (x) = 1 m 1 x
(m)
x e x>0
Reamintim c
a functia gamma se deneste astfel
Z 1
(x) = e t tx 1 dx
0
pentru x > 0. Urm

atoarele propriet
ati se cunosc de la cursul de analiz
a:
(x + 1) = x (x)
p
( 21 ) =
a se calculeaza
a astfel:
LECTIA
4. LEGI CLASICE 52
Z 1
1 x
fc (t) = eitx x e dx
( + 1) +1 0
Z 1
1X
1 (itx)n x
= x e dx
( + 1) +1
0 n=0
n!
X1 Z
1 (it)n 1 n+ x
= x e dx
( + 1) +1 n=0 n! 0
X1 Z
n 1 n++1 1 n+ y
= (it) +1 y e dy
n=0
( + 1) n! 0
1
X 1 n++1
= (it)n (n + + 1)
n=0
( + 1) +1 n!
X1
n++1 (n + ) (n + 1) ( + 1) ( + 1)
n
= (it)
n=0
( + 1) +1 n!
1
X ( 1) ( 2) ( n)
= ( it)n = (1 it) 1
n=0
n!
Am folosit aici dezvoltarea
( 1) 2 ( 1) ::: ( n + 1) n
(1 + x) = 1 + x + x + ::: + x + ::
1! 2! n!
Caracterisicile numerice sunt:
a) M (f ) = 1i fc0 (0) = ( + 1)
b) M2 (f ) = i12 fc00 (0) = 2 ( + 1) ( + 2)
c) D(f ) = M2 (f ) M (f ) = 2 ( + 1)
In cazul = 1 = m 1 se obtine fc (t) = (1 mt) m , media=m; dispersia=m. Tipul
de mai sus de variabil a aleatoare l vom numi (; ) iar n cazul particular considerat l vom
numi (m). Pentru m = 0 si m = 2 gracele densit atilor apar n continuare:
0.35
0.5
0.3
0.4
0.25
0.3 0.2
0.15
0.2
0.1
0.1
0.05
-2 2 4 6 8 10 -2 2 4 6 8 10
LECTIA
4. LEGI CLASICE 53
Densit
atile (m) pentru m = 0 si m = 2.
Propozitia urm
atoare este simplu de demonstrat:
Propozitia 4.4 Daca f si g sunt variabile aleatoare independente de tipurile (m1 ) respectiv
(m2 ) atunci f + g este de tipul (m1 + m2 ).
Demonstratie.Exercitiu
QED.
4.7 Repartitia X2(hi p

atrat)
Se numete astfel o v.a. cu densitatea :
(
0 x0
(x) = s
1 s
x2 1
e
x
2 2 x>0
2 2 s ( 2s )
s este un num ar natural numit num

arul gradelor de libertate, iar > 0. Acest tip de variabil
a
s
aleatoare l vom numi H(s; ); se vede imediat c a este acelasi cu ( 2 1; 2 ). Prin urmare
2
avem: s
a) fc (t) = (1 2 2 it) 2
b) M = s 2
c) M2 = s (s + 2) 4
c) D = 2s 4
Iat
a cum se poate ajunge la o distributie X2 placnd de la distributii normale:
Propozitia 4.5 Fie f1 ; f2 ; ::fs variabile aleatoare independente de tipu N (0; ). Atunci vari-
abila aleatoare g = f12 + f22 + :: + fs2 este de tipul H(s; ).
Demonstratie.Fie Fi (t) functia de repartitie a variabilei fi2 . Avem

p p R pt x2
Fi (t) = p(fi2 < t) = p( t < fi < t) = p1 p e 2 2 dx =
2 t
R pt x2
= p22 0 e 2 2 dx
De aici prin derivare determin atile pentru fi2 ; notate i . Avem

am densit
0 1 1 t
i (t) = Fi (t) = t 2 e 2 2
( 21 ) (2 2 )1=2
1
pentru t > 0 ceea ce pune n evidenta faptul c
a fi2 sunt distributii de tip ( 2
; 2 2 ), deci
1
(fi2 )c (t) = (1 2 2 it) . Deoarece f12 ; f22 ; ::fs2 sunt independente rezult
2
a c
a
s
f12 + f22 + :: + fs2 c (t) = f12 c (t) f22 c (t) fs2 c (t) = 1 2 2 ti 2
LECTIA
4. LEGI CLASICE 54
care este chiar functia caracteristic

a a unei distributii H(m; ).
QED.
Pentru = 1 si s = 6 grade de libertate, gracul densit atii arat
a astfel:
0.12
0.1
0.08
0.06
0.04
0.02
5 10 15 20
Densitatea pentru s = 6 si = 1.
2
4.8 Repartitia Student

O v.a. f, cu densitatea de probabilitate
s+1
s+1
2 x2 2
(x) = p s
1+
s 2
s
se numeste variabil a Student. Tipul acesta de v.a. l vom nota S (s). Demonstratiile ar-
matiilor de mai jos n legatura cu distributiile Student se vor da n lectia 6.
a) M (f ) = 0 si n general 2k+1 (f ) = 0 pentru 0 k < 2s . Pentru k 2s ; 2k+1 (f ) nu
exist
a.
r (k+ 12 ) ( 2s k) k 13::(2k 1)
b) 2k (f ) = M2k (f ) = ps = (s s2)(s .
(2)
s 4)::(s 2k)
c) Daca este o v.a. de tip normal N (0; ) si este de tip 2 cu s grade de libertate, adic a
de tip H (s; ) atunci v.a. p este de tip Student S (s). Pentru s = 6, gracul densit atii este
s
urm
atorul:
LECTIA
4. LEGI CLASICE 55
0.15
0.1
0.05
-4 -2 2 4
Densitatea Student pentru s = 6
Aceasta repartitie este frecvent ntlnit

a n Statistic
a si este tabelat
a pentru diverse valori
ale lui s.
4.9 Rezumat
Variabilele aleatoare anterioare apar n multe modele de probleme reale. De aceea au fost
studiate mai n detaliu.
i) Modelul binomial descrie probabilitatea de aparitie de k ori a unui eveniment ntr-
un sir de n experiente independente, dac a probabilitatea de aparitie a evenimentului ntr-o
a probabilitate este Cnk pk (1 p)n k .
experienta este p. Aceast
ii) Modelul Poisson descrie probabilitatea de aparitie de k ori a unui eveniment ntr-un
sir mare de n experiente independente, dac a probabilitatea de aparitie a evenimentului ntr-
o experienta este foarte mic
a, de tipul =n. Num arul mediu de aparitii este acelasi, ; iar
probabilitatea este e k =k!.
(x m)2
1
iii) Legea norml a, cu densitatea (x) = p2 e 22 este legata de distributia erorilor de
masurare. m este valoarea medie a valorii m asurate iar este m
2
asura dispersiei valorilor
g
asite n jurul mediei.
iv) Distributia 2 cu s grade de libertate are densitatea
(
0 x0
(x) = s
1 s
1
x 2 e 2
x
2
x>0
2 s s
2 (2)
si este distributia sumei patratelor a s variabile aleatoare normale independente, de medie 0

si dispersie 2 . Aceast
a distributie apare frecvent n statistic
a.
LECTIA
4. LEGI CLASICE 56
Alte legi clasice sunt date n exercitii sau vor studiate mai trziu, pe m a-
sur
a ce vor folosite. E de remarcat utilitatea functiei caracteristice n calculul
momentelor.
________________________________
4.10 Exercitii
1. Sa se arate ca
Z 1
1 (x m)2
2k = p (x m)2k e 2 2 dx = (2k 1) 2 2k 2
2 1
de unde
(2k)!
2k =
2k k!
Indicatie. Cu substitutia t = x m se g
aseste
Z 1 Z 1 0
1 2k x2 1 x2
2k = p x e 2 dx = p x2k 1
e 2 dx = :::
2 1 2 1
jx mj
2. Fie o v.a. cu densitatea (x) = 21
e _ > 0 (distributia lui Laplace).
imt
a)Sa se arate ca fc (t) = 1+2 t2 .
e
b) Sa se determine media si dispersia.

Indicatie. Se aplica denitiile.
2
3. Sa se arate ca daca o v.a. f este de tipul N (m; 2 ); atunci g = (f 2m)
2 este de tipul
1 1
( 2 ) = ( 2 ; 0).
Indicatie. Se arat
a mai nti ca h= f m este de tipul N (0; 1). Pe urma dup a modelul de
la distributia 2 se arat
a ca g = h2 e de tipul cerut.
4. Fie f1 ; f2 ; ::fk variabile aleatoare independente, ecare avand o repartitie exponentiala

negativa.
k
a) Sa se arate ca f=f1 + f2 + :: + fk are ca functie caracteristica fc (t) = ( it)k .
k
b) Fie variabila aleatoare g cu densitatea (x) = (k) xk e x daca x 0 si (x) = 0 daca
x < 0. Sa se arate ca g este de tipul (; ) pentru un si . Sa se determine functia
caracteristica a lui g.
c) Sa se arate ca f1 + f2 + :: + fk si g au aceleasi repartitii.
Indicatie. Utiliz
am functiile caracteristice. Functia caracteristic a a lui f1 + f2 + :: + fn
este produsul functiilor caracteristice ale variabilelor f1 ; ::fn . Aceste functii caracteristice sunt
LECTIA
4. LEGI CLASICE 57
calculate n lectia prezent

a.
5. Sa se arate ca ntr-o distributie Poisson de parametru valoarea k cea mai probabila

satisface inegalitatea 1 k .
Indicatie. Se face raportul a dou a probabilit
ati vecine, p(f = k) si p(f = k + 1).
6. Viteza absoluta a unei molecule ntr-un gaz prfect este o marime aleatoare. Conform
teoriei lui Maxwell densitatea de probabilitate a acestei viteze este:
4x2 x2
(x) = p e c2 , pentru x > 0
c3
(x) = 0, pentru x 0
unde c este o constanta. Sa se determine viteza medie, energia cinetica medie si dispersiile
lor.
Indicatie. Pentru c=100, gracul distributiei vitezelor este:
0.008
0.006
0.004
0.002
100 200 300 400
Distributia vitezelor ntr-un gaz perfect la c=100

R1 R1 2
Viteza medie= 1 x(x)dx, energia cinetic a medie= 1 mx 2
(x)dx, unde m este masa
unei molecule. Integralele se fac prin p
arti sau se folosesc rezultatele de la legea normal
a (pb.
1).
7. Distributia cu densitatea
(
0 x0
(x) = 1
(ln x )2
p
x 2
e 2 2 x>0
se numeste normal logaritmica. Se cere media si dispersia unei astfel de distributii.

LECTIA
4. LEGI CLASICE 58
Indicatie. Dac
a este o v.a. cu astfel de lege atunci:
Z 1 (ln x )2
1
M () = x p e 22 dx
0 x 2
Z 1 (t )2
1 t 2
= p e 22 dt = e+ 2 :
2 1
2
2
Analog se procedeaza pentru dispersie, gasindu-se D (f ) = e2+ e 1 A.N. Kolmogorov
a ar
atat ca aceasta este legea de distributie a diametrelor particulelor ntr-un proces de
macinare.
8. O variabila aleatoare f cu densitatea

0 x0
(x) = 1 cx
cx e x>0
se numste variabila Weibull.
a) Care media lui f?
b) Care e dispersia lui f?
c) Care este momentul de ordin k al lui f?
Indicatie. Folosind formulele din lectia 3 pentru momentul de ordin k si utiliznd schim-
barea x = t ajungem la o functie . Acum media si dispersia se calculeaz a imediat. In gura
urmatoare sunt reprezentate gracele densit atilor pentru = 0; 5; 1; 2; 3 la c=1.
10 1
8 0.8
6 0.6
4 0.4
2 0.2
1 2 3 4 1 2 3 4
0.4
0.4
0.3 0.3
0.2 0.2
0.1 0.1
1 2 3 4 1 2 3 4
Densitatea Weibull pentru = 0; 5; 1; 2; 3.

9. Sa se arate ca functia (x) care maximizeaza expresia
Z 1
I= (x) ln ( (x)) dx
1
LECTIA
4. LEGI CLASICE 59
cu conditiile Z Z
1 1
(x) dx = 1si x2 (x) dx = 2
1 1
x2
este (x) = p12 e 2 2 . ( I se numeste entropia densitatii . Prin urmare distributia normala
are entropie maxima, la o dispersie data).
Indicatie. Se stie din Calculul Variational c
a functia (x) carerealizeaz
a extremul functionalei
@F @ @F
I; cu cele dou a constrngeri, trebuie s a satisfac
a ecuatia @ @ @0 = 0, unde F (x; ; 0 ) =
ln + 1 + 2 x2 .
10. Sa se arate ca distributia pe [0; 1) care maximizeaza entropia si are media m > 0;
x
este este exponentiala negativa (x) = m1 e m . R R1
1
Indica
R1 t ie. Trebuie maximizat a integrala I = 0
(x) ln (x) dx n condi
t iile 0
(x) dx =
1, 0 x (x) dx = m. (vezi problema 9).
11. Sa se arate ca distributia pe intervalul [a,b] care maximizeaza entropia, este distributia
uniforma.
12. Intr-o urna se gasesc a bile albe si b bile negre. Se extrag n bile din care k sunt albe
si n k sunt negre ( k a, n k b). Extragerea se face fara punerea bilei napoi (schema
Cak Cbn k
bilei nentoarse). Sa se arate ca probabilitatea acestui eveniment este n
Ca+b
. Sa se arate ca
pentru variabila aleatoare !
::: k :::
f= CkCn k
::: aC nb :::
a+b
cu k 2 [max (0; n b), min (a; n)] media este M (f ) = n a+b a

si dispersia este D (f ) =
a+b n a b
n
a+b 1 a+b a+b
.
P
a identitatea k Cak Cbn k = Ca+b
Indicatie. Se utilizeaz n
unde nsumarea se face ntre lim-
itele specicate n problem a pentru k (identitatea se poate obtine egalnd coecientii lui xn n
(1 + x)a (1 + x)b = (1 + x)a+b ). Pentru medie se utilizeaz a kCak = aCak 11 iar pentru dispersie
se utilizeaza k (k 1) Cak = a (a 1) Cak 22 .
13. Fata de un adversar la fel de tare ce este mai probabil sa se cstige: trei partide din
patru sau cinci partide din opt?
14. Pentru o variabila aleatoare se deneste asimetria prin 1 = p3 3 si excesul prin
2
2 = 24 3. Sa se calculeze valorile acestor marimi pentru variabilele aleatoare din acesta
2
lectie.
Lectia 5
Legi limit
a
In cele ce urmeaz
a vom studia semnicatia dispersiei, precum si importanta repartitiei normale
pentru probabilit
ati. Incepem cu inegalitatea lui Cebsev.
Teorema 5.1 Fie f o variabila aleatoare cu medie si dispersie nite. Atunci pentru a > 0
avem:
D(f )
p (jf M (f )j > a)
a2
sau
D(f )
p (jf M (f )j a) 1 (5.1)
a2
Demonstratie.
R R 2
p (jf M (f )j > a) = jx M (f )j>a dF (x) jx M (f )j>a (x Ma2(f )) dF (x)
R R1
1
a2 jx M (f )j>a
(x M (f ))2 dF (x) 1
a2 1
(x M (f ))2 dF (x) = D(f )
a2
QED. p D
Putem pune acest lucru si n alt mod dac
a scriem a = = D. In acest caz avem a2
=
1
2
. Inegalitatea devine
1
p (jf sau
M (f )j > )
2
1
p (jf M (f )j ) 1
v2
Aceasta nseamn a c
a variabila aleatoare ia valori n intervalul [M (f ) ; M (f ) + ] cu
o probabilitate mai mare ca 1 12 . In cazul particular al unei variabile normale f 2 N (m; )
g a f ia valori n intervalul [m 3; m + 3] cu probabilitatea 1 19 = 0; 88:: adic
asim c a
(x m)2
aria de sub gracul densit atii (x) = p12 e 22 cuprins ntre x = m 3 si x = m + 3
este cel putin 0; 88::.Cu ct este mai mic, cu att mai mic este intervalul n care functia ia
valori cu probabilitate mare (valori n jurul mediei m).
60
LECTIA
5. LEGI LIMITA 61
Observatia 5.2 Estimarea data de inegalitatea lui Cebsev este destul de grosiera n cazuri
practice si se nlocuieste cu alte estimari mai eciente. De exemplu
p( 3 < f < 3) = (3) ( 3) = 2(3) = 0; 9973::
pentru f 2 N (0; 1) este o estimare mai buna ca cea data de inegalitatea lui Cebsev
p( 3 < f < 3) 0; 88::
5.1 Legea numerelor mari

Urm
atoare teorem
a este o ilustrare a aplic
arii inegalit
atii lui Cebsev.
Teorema 5.3 (Legea numerelor mari)Fie f1 ; f2 ; :::fn ; :: un sir de v.a. independente doua
cte doua si cu dispersiile marginite de aceeasi constanta: D(fn ) C; pentru orice n 2 N .
Atunci pentru orice > 0 avem:

f1 + f2 + ::: + fn M (f1 ) + ::: + M (fn )
lim p =1
(5.2)
n!1 n n
Mai precis

f1 + f2 + ::: + fn M (f1 ) + ::: + M (fn ) C
p 1 (5.3)
n n n2
Demonstratie. Fie gn = f1 +f2 +:::+f n

n
. Avem M (gn ) = M (f1 )+:::+M n
(fn )
si D(gn ) =
1 C
n2
(D(f 1 ) + ::: + D(fn )) n2
. Inegalitatea lui Cebsev pentru g n da (5.3) iar prin trecere la
limita se obtine (5.2).
QED.
Teorema se interpreteaz a astfel: oricare ar > 0, daca n este sucient de mare, atunci
functia (f1 + f2 + ::: + fn )=n difera cu mai putin de de constanta (M (f1 ) + ::: + M (fn )) =n
pe o multime cu probabilitate foarte aproape de 1. Dac a f1 ; :::fn ; :: au aceeasi medie m atunci
avem:
Corolarul 5.4 Fie v.a f1 ; f2 ; :::fn ; :: cu aceeasi medie m si dispersiile marginite de C. Atunci
pentru orice > 0 avem:

f1 + f2 + ::: + fn
lim p
m = 1 (5.4)
n!1 n
Un alt caz particular este:

LECTIA
5. LEGI LIMITA 62
Corolarul 5.5 (teorema lui Bernoulli) Fie n numarul de aparitii ale unui eveniment A n
n experiente independente. Probabilitatea de realizare a lui A ntr-o singura experienta este
2 [0; 1]. Atunci pentru orice > 0 avem

lim p n = 1 (5.5)
n!1 n
Observatia 5.6 Cu alte cuvinte pentru un > 0 orict de mic, daca numarul de experiente
n este sucient de mare atunci frecventa relativa nn este aproape sigur n jurul probabilitatii
p de aparitie a evenimentului ntr-o singura experienta.
Demonstrtie. Fie sirul de v.a.

1 ,dac
a la experienta n s-a realizat A
fn (!) = (5.6)
0 ; dac
a la experinta n s-a realizat A
Aici ! este un sir de experiente independente. Fiecare v.a. fn are diagrama

1 0
fn

cu = 1 . Toate variabilele fn au mediile si dispersiile . Tinnd
seama c
a
(f1 + f2 + :: + fn ) = n
prin aplicarea formulei (5.4) rezulta teorema lui Bernoulli.
O alta demunstratie se poate da astfel:
i) n are o distributie Bernoulli cu p(n = k) = Cnk k n k .
ii)M (n ) = n si D(n ) = n deci M ( nn ) = si D( nn ) =
n
.
iii)Aplicnd teorema lui Cebsev lui n =n g asim
D(n )

1 p( n ) 1 (5.7)
n 2
pq 1
= 1 2
1 !1
n 4n2
cnd n ! 1, pentru c a = (1 ) 41 atunci cnd 0 1.
QED.
Observatia 5.7 Avem
X 1

Cnk k n k
= p( n ) 1 (5.8)
n 4n2
j nk pj
sau X 1
Cnk k n k
(5.9)
4n2
j k
n
j>
Datorit atii de a calcula Cnk k n

a frecventei schemei binomiale si dicult k
s-au dezvoltat
tehnici de calcul aproximativ, mai rapide, pentru aceste m arimi.
LECTIA
5. LEGI LIMITA 63
5.2 Teoreme limit

a central
a
Avem nevoie n continuare de urm
atoarea formul a pentru factorial:
p
n n n
n! = 2n e 12n , 0 < n < 1
e
numit
a formula lui Stirling. Demonstratia acestei formule se poate g
asi ntr-un curs de
Analiz
a matematic
a.
k np
Teorema 5.8 (fornula locala de Moivre-Laplace)Fie 0 < p < 1 si xk = p
npq
, q = 1 p.
Atunci
Cnk pk q n k
x2
!1 (5.10)
1 1 k
p p
npq 2
e 2
cnd n ! 1 , uniform pentru a xk b, cu a si b nite.
Demonstratie. Avem:
r
p p n n n pk q n k
npqCnk pk q n k = npq en;k (5.11)
2k(n k) k k (n k)n k
unde n;k = nn kk nn kk .

i) Din a kpnpq
np
b deducem:
r
p q
k np + a npq = np(1 + a )
np
r
p q
n k nq b npq = nq(1 b )
nq
deci:
n k n k 1 1 1 1
0 < jn;k j < + + < ( + + )<
n k n k 12 n! k n k
1 1 1
< 1+ p pq + p pq
12n p+a n q n
Prin urmare n;k tinde uniform la zero cnd n ! 1 si a xk b, deci en;k tinde uniform la
1.
p
a k = np + xk npq, g
ii) Scriind c asim:
r r v
p n 1uu 1 1
npq = t q q !p
2k(n k) 2 1 + xk npq
1 xk np q 2
LECTIA
5. LEGI LIMITA 64
uniform pentru a xk b.
iii) Mai avem n (5.11) de aat limita lui
n n pk q n k
An;k =
k k (n k)n k
Avem:
!
np k nq n k
ln(An;k ) = ln
k n k

k n k
= k ln (n k) ln
np nq
p
p np + xk npq
= (np + xk npq) ln
np
p
p nq xk npq
(nq xk npq) ln
nq
r
p q
= (np + xk npq) ln 1 + xk
np
r
p p
(nq xk npq) ln 1 xk
nq
Dezvoltnd Taylor cei doi logaritmi, g
asim:
r
p q 1 x2k q 1
ln(An;k ) = (np + xk npq) xk +O
np 2 np n3=2
r
p p 1 x2k p 1
(nq xk npq) xk +O
nq 2 nq n3=2
deoarece xk sunt m
arginiti de a si b. Dup a ce facem nmultirile si reducem termenii rezult
a:

x2k 1
ln (An;k ) = +O p
2 n
Deci
x2 p x2
eO(1= n)
k k
An;k = e 2 !e 2
Folosind limitele de la i), ii), iii) g

asim:
p 1 x2
k
npqCnk pk q n k
!p e 2
2
uniform pentru a xk b.
QED.
In gura urmatoare apar pentru n = 20 si n = 40, p = 3=4, q = 1=4 att valorile Cnk pk q n k
(x np)2 x2
k
ct si gracelel functiilor p 1 p1 e 2npq care pentru x = xk au ca valoare p 1 p1 e 2
npq 2 npq 2
LECTIA
5. LEGI LIMITA 65
0.2
0.2
0.175
0.15
0.15
0.125
0.1 0.1
0.075
0.05 0.05
0.025
0
5 10 15 20 5 10 15 20 25 30 35 40
(x np)2
1 p1
atile Cnk pk q n k si gracele functiilor pnpq
Probabilit 2
e 2npq
pentru p=3/4 si n=20 respectiv n=40
Teorema de Moivre-Laplace local

a se mai poate scrie
p 1 x2
k
npqCnk pk q n k
=p e 2 (1 + n;k )
2
cu n;k ! 0 cnd n ! 1; uniform pentru k astfel nct -1 < a xk b < 1.
Forma sub care se utilizeaz
a cel mai frecvent acest rezultat este:
Teorema 5.9 (formula integrala de Moivre-Laplace) Fie 0 < p < 1; q = 1 p. Atunci:

X Z b
k k n k 1 x2
lim Cn p q =p e 2 dx (5.12)
n!1
k np
2 a
a pnpq b
limita ind uniforma n -1 a b 1.

k np
Demonstratie(schita) Consider
am cazul a si b nite. Fie xk = p
npq
. Suma din teorem
a
se scrie: X p 1
npqCnk pk q n k p (5.13)
ax b
npq
k
p x2
k
Dar conform formulei locale npqCnk pk q n k = p12 e 2 (1 + n;k ) cu jn;k j n ! 0 indepen-
1
dent de k, dac
a a xk b si xk xk 1 = pnpq . Deci
p 1 x2
k x2
k
npqCnk pk q n k
= p e 2 + n;k e 2
2
1 x2
k
= p e 2 + 0n;k
2
LECTIA
5. LEGI LIMITA 66
Deci suma (5.13) se scrie:

X 1 x2
k
X x2
k
p e 2 (xk xk 1 ) + n;k e 2 (xk xk 1 )
axk b
2 axk b
Rb x2
Prima sum a de mai sus tinde cnd n ! 1 c atre a p12 e 2 dx = (b) (a) iar a doua e
majorata de n (b a) deci tinde la zero cnd n ! 1. Prin urmare teorema e demonstrat a
pentru a si b nite. O examinare mai atent a a situatiei arata ca teorema este adev arata si
pentru a sau b innite, iar limita este uniform a n a si b.
QED.
Care sunt valorile n pentru care aproximarea probabilit atilor Cnk pk q n k prin formulele de
Moivre-Laplace este sucient de bun a? In general se consider a c
a:
1
i) n 30 p 2 , atunci formulele de Moivre-Laplace dau o aproximatie satisf aca-
toare.
1
ii) n 30 , p 10 np = 10 atunci formulele distributiei Poisson dau o
k
aproximatie sucient de bun a: Cnk pk q n k e k! .
1
iii)n 30 p 10 np 10 atunci sunt satif ac
atoare formulele de Moivre-
x2
k
a Cnk pk q n
Laplace, adic k
' p 1 p1 e 2 .
npq 2
Exemplul 5.10 O rma de asigurari a distribuit polite de asigurare la 10.000 de persoane

de aceeasi vrsta si grup social contra unei sume de 20.000 lei si n caz de accident rma i
plateste persoanei 2.000.000 lei. Probabilitatea de accident pentru acest grup de persoane este
p=6/1000.
a)Care este probabilitatea ca rma sa dea faliment?
b)Care e probabilitatea ca rma sa cstige cel putin 50 milioane lei?
Solutie. a)Firma ncaseaz a 200 milioane lei. Probabilitatea de a da faliment este prob-
abilitatea ca sa plateasca mai mult de 200 milioane lei, adic a num
arul celor accidentati s
a
depaseasc
a 100. Avem o schem a binomial
a cu n=10.000, p=0,006, np=60, q=0,994. Se cere
suma probabilit atilor Cnk pk q n k pentru k 100. Conform formulei de Moivre-Laplace avem:
X X
Cnk pk q n k = Cnk pk q n k
k100 100 np
p kpnpq
np
n
p
np
npq npq
Z p 10000 60
100000;0060;994 1 x2
p e 2 dx
p 100 60
100000;0060;994
2
= (1287) (5; 17) 0; 5 0; 5 = 0
Probabilitatea de a da faliment este aproape zero.

LECTIA
5. LEGI LIMITA 67
b) Firma cstiga cel putin 50 milioane dac

a pl
ateste sub 150 milioane, deci dac
a num
arul
celor accidentati este sub 75. Probabilitatea ceruta este deci
k np
p = 75
p
np
X X
npq npq
p = Cnk pk q n k
= Cnk pk q n k

k75 k np
p
0 np
=p
npq npq
Z 75 100000;006
x= p100000;0060;994 Z 1;371
1 x2 1 x2
p e 2 dx = p e 2 dx
0 100000;006
x= p100000;0060;994 2 5;485 2
= (1; 942) ( 7; 769) = (1; 942) + (7; 769)
= 0; 474 + 0; 5 = 0; 974
Prin urmare c astigul va de peste 50 milioane cu o probabilitate foarte mare.

Alte exemple de aplicare a formulelor de Moivre-Laplace sunt date n exercitii.
Teoremele de Moivre-Laplace fac parte dintr-o clas a mai larg a de teoreme cunoscute sub
numele de teoreme limit a centrala. S tim c a n anumite conditii media unui sir de variabile
aleatoare independente tinde spre o constant a (legea numerelor mari). Cum tinde aceast a
medie de variabile aleatoare spre o constant a? Fie sirul de v.a independente fn dat de (5.6).
Atunci n = f1 + f2 + ::: + fn are o distributie Bernoulli, deci p(n = k) = Cnk pk q n k . Pe de
o parte stim din legea numerelor mari c a f1 +f2 +:::+f
n
n
! p. Pe de alt a parte
!
(f1 M (f1 )) + (f2 M (f2 )) + ::: + (fn M (fn ))
p a pPn <b
k=1 D(fk )

n f +::+f M (f1 )+::+M (fn )
= p a pPn 1
n
n
n
<b
k=1 D(fk )
!
f1 + f2 + :: + fn np
= p a pPn <b
k=1 pq
r
n f1 + f2 + :: + fn
= p a p <b
pq n
X
n np
= p a p <b = p (n = k)
npq k np
a pnpq b
X Z b
1 x2
= Cnk pk q n k !p e 2 dx. (cf. 5.12)
2 a
a kpnpq
np
b
Prin urmare variabila aleatoare f1 +f2 +:::+f n

p se comporta, pentru valori mari ale lui n
n p
ca o variabil
a aleatoare normal a cu pq
a, de tip N (0; 1) multiplicat n
. Acest fenomen este mai
general.
LECTIA
5. LEGI LIMITA 68
Anume, relatia:
!
(f1 M (f1 )) + (f2 M (f2 )) + ::: + (fn M (fn ))
p a pPn <b
k=1 D(fk )

n f1 +::+fn M (f1 )+::+M (fn )
= p a pPn n n
<b (5.14)
k=1 D(fk )
Z b
n!1 1 x2
! p e 2 dx
2 a
are loc daca:
Varianta I: (fk )k2N este un sir de v.a. pe acelasi cmp X, independente doua
cte doua, cu aceeasi functie de repartitie, cu dispersie nit
a si nenul
a.
Varianta II: (fk )k2N este un sir de v.a. pe acelasi cmp X, independente dou
a
cte doua si
q
3
M jf1 M (f1 )j3 + ::: + M jfn M (fn )j3
lim pPn =0
k=1 D(fk )
n!1
Mai exist
a si alte variante de conditii necesare pentru ca relatia (5.14) s a aib
a loc. Aseme-
nea teoreme poart a numele de teoreme limit a centrala si pun n evidenta c
a n conditii foarte
generale medierea unui num ar mare de v.a. independente conduce la o constant a plus o
variabil
a aleatoare normal a. Forma exact a este relatia (5.14).
5.3 Rezumat
Prima carte de probabilit ati a fost publicat a n 1704 de J. Bernoulli unde a fost demonstrat a
legea numerelor mari sub forma (5.5) si unde arm a ca s-a gndit 20 de ani la aceast a teorem a..
Ulterior au ap arut generalizari ale ei sub diverse forme, ca de exemplu (5.2). O demonstratie
eleganta a acestor teoreme se bazeaza pe inegalitatea lui Cebsev (5.1).
In esenta legea numerelor mari spune c a n conditii generale media unui num ar mare de
v.a. independente difer a putin de o constant a. Acest lucru este exprimat precis prin formula
(5.3).
Teoremele de tip limit a central a aduc o pecizare legii numerelor mari. Anume, diferenta
dintre media unui sir de v.a. independente si constanta la care convege aceast a medie este
aproximativ o v.a. normal a, de tip N (0; 1) nmultita cu o constant a care la rndul ei tinde la
zero. Forma matematic a a acestui enunt este (5.14).
In aplicatii apare frecvent schema Bernoulli si deci calculul probabilit atilor Cnk pk q n k .
Formulele de Moivre-Laplace (local a 5.10 si global
a 5.12) ne pemit s a calcul am aproximativ
x2
aceste probabilit
ati cu ajutorul densit
atii normale p1 e 2 (cazul local) sau primitivei ei,
2
LECTIA
5. LEGI LIMITA 69
functia (cazul global). In unele cazuri Cnk pk q n k se pot aproxima prin probabilit atile legii
Poisson. Limitele n care aproximatiile probabilit atilor Cn p q
k k n k
prin legea normal a sau
Poisson sunt considerate satisfac
atoare sunt date n pag. ??.
Formula lui Stirling este frecvent folosit
a pentru evaluarea factorialelor. Exist a si o gen-
eralizare a ei pentru evaluarea functiei Gamma.
________________________________
FORMULE UTILIZATE FRECVENT:
a) Inegalitatea lui Cebsev: p (jf M (f )j ) 1 D(f 2
)
.
M (f1 )+:::+M (fn )
b) Legea numerelor mari: lim p f1 +f2 +:::+f n
n
n 1 nC2 dac a
n!1
toate dispersiile sunt m arginite de C; varianta Bernoulli: lim nn p = 1
n!1
unde n este num arul de aparitii ale unui eveniment A n n experiente indepen-
dente iar p este probabilitatea de aparitie a lui p
A ntr-un singur experiment.
npqCnk pk q n k
c) Formula local a de Moivre-Laplace: lim x2
= 1.
n!1 k
p1 e 2
2
P Rb x2
d) Formula global
a de Moivre-Laplace: lim Cnk pk q n k
= p1 e 2 dx,
n!1 a kpnpq
np
b 2 a
0<p<1, q=1-p.
5.4 Exercitii
1. Se arunca o moneda de 10000 ori. Care e probabilitatea ca banul sa apara de mai putin
4550 ori?
Indicatie. Se procedeaz
a ca n exemplul din lectie.
2. Probabilitatea de a lovi o tinta este p=1/1000. Care e probabilitatea ca din 5000 de

lovituri, tinta sa e atinsa de cel putin 2 ori?
Indicatie. Se utilizeaz a de Moivre-Laplace.
3. Probabilitatea ca un anumit produs sa e defect este p=0,005. Care e probabilitatea ca

dintr-un lot de 10000 produse luate la ntmplare sa e mai putin de 70 defecte?
a formula de Moivre-Laplace.
4. O rma de asigurari are m salariati cu un salariu mediu de s lei pe an. O persoana

asigurata cu a lei primeste o despagubire de d lei daca pateste ceva. Probabilitatea de a pati
ceva este p. a)Care este probabilitatea ca veniturile companiei sa e n acel an mai mari sau
egale cu c0 .b) Care e numarul minim de asigurati de la care rma nregistreaza un venit brut
mai mare ca c0 cu probabilitatea de cel putin 0,99?
a formula de Moivre-Laplace.
LECTIA
5. LEGI LIMITA 70
R1 t2
5. Sa se demonstreze ca pentru x > 0 functia (x) = x
e 2 dt, satisface inegalitatile:
x x2 1 x2
e 2 (x) e 2
1 + x2 x
x x2
Indicatie. Pentru prima inegalitate se considet a f (x) = 1+x 2e
2 (x). Avem f (0) = 0.
Se deriveaza si se studiaz
a variatia lui f. Analog pentru a doua inegalitate.
6. Doua vase identice contin ecare 1022 molecule. Vasele sunt puse n contact si mole-
culele se misca liber ntre vase. Dupa omogenizare, care e probabilitatea ca n vasul A sa e
cu a zece miliarda parte mai multe molecule ca n B? (admitem ca pentru ecare molecula
probabilitatea de a n A este egala cu probabilitatea de a n B si este 1/2).
Indicatie. Se utilizeaza formula de Moivre-Laplace si ex. precedent.
7. Pe scara unui bloc sunt 40 apartamente si n ecare apartament este cate un frigider
de putere 0,6 kW. In medie un frigider consuma energie electrica 3 ore din 24. Care este
probabilitatea ca la un moment dat sa e absorbita de la retea, de ctre frigidere, o putere mai
mare de 4 kW?
a de Moivre-Laplace.
8. a) Sa se arate ca daca > 0 si > 0 sunt date ,iar n 1

42
atunci:
X
Cnk xk (1 x)n k

j k
n
xj>
unde x 2 [0; 1].

b) Sa se arate ca daca f : [0; 1] ! R este continua, deci marginita jf j M atunci ; si
n ind ca la pct. a) avem:
X
k k n k k
2M Cn x (1 x) f ( ) f (x) 2M
n
j n xj>
k
c) Sa se arate ca n conditiile de la pct. b)

0 1

B X k C
! x; @ Cnk xk (1 x)n k
f( ) f (x) A ! x;
n
j nk xj
unde ! x;e este oscilatia functiei f pe intervalul [x ; x + ], adica diferenta ntre minimul si
maximul functiei pe acest interval.
LECTIA
5. LEGI LIMITA 71
d) Folosind a), b) si c) sa se arate ca sirul de polinoame

X k
Bn (x) = Cnk xk (1 x)n k
f( )
k=0::n
n
converge uniform la f pe [0; 1] oricare ar functia continua f. (polinoamele lui Bernstein).

Indicatie. a) Se utilizeaz
a inegalitatea lui Cebsev pentru schema Bernoulli (vezi
obs. 5.9).

b) Se tine seama de si de jf j M . c) Se tine seama de f ( n ) f (x) ! x; si
k
P k k
k=0::n Cn x (1 x)n k = 1.
d) Se pune diferenta f (x) Bn (x) ca n b) si c) apoi se tine seama c
a f e uniform continua.
9. Sa presupunem ca f este o variabila aleatoare nenegativa, cu media m. Sa se arate ca

este adevarata inegalitatea
m
p (f c)
c
(inegalitatea lui Markov).
10. Fie r momentul centrat absolut de ordin r al unei variabile aleatoare f care are
media m, denit prin r = M (jf mjr ). Sa se arate ca
r
p (jf mj ")
"r
11. Vrem sa vericam daca un zar este falsicat sau nu, cautnd care este probabilitatea
r de aparitie a fetei sase . Pentru aceasta alegem " = 0; 01, aruncam zarul de un numar n
de ori si observam care este numarul k de aparitii ale fetei sase.
Sa se determine o valoare ct mai mica pentru n astfel ca probabilitatea p nk r "
sa e cel putin 0; 99 utiliznd:
a) inegalitatea lui Cebsev
b) formula integrala de Moivre-Laplace.
12. In problema acului lui Buon (vezi lectia 3, exercitii), probabilitatea de intersectare
a paraleleor este p = a
2l
unde l este lungimea acului iar
a este distanta dintre paralele. De
cte aruncari este nevoie ca probabilitatea ca 2ln
ak
< 0; 01 sa e cel putin 0; 99. ( n este
numarul de aruncari iar k este numarul de intersectari ale retelei de drepte paralele).
Lectia 6
Dependenta ntre variabilele aleatoare
6.1 Coecientul de corelatie

Denitia 6.1 Fie f1 ; f2 : X ! R doua v.a.
cu mediile m1 ; m2 si dispersiile D1 = 21 =
2 2
M (f1 m1 ) ; D2 = 22 = M (f2 m2 ) . Se numeste coecient de corelatie al variabilelor
aleatoare f1 ; f2 numarul:
M ((f1 m ) (f2 m2 ))
c(f1 ; f2 ) = p 1 (6.1)
D1 D2
Marimea cov (f1 ; f2 ) = M ((f1 m1 ) (f2 m2 )) se numeste covarianta lui f1 si f2 .
Spunem c a doua functii f1 ; si f2 coincid aproape peste tot (a.p.t.) dac

a p(f1 6= f2 ) = 0.
Importanta acestui coecient se va vedea n continuare.
Teorema 6.2 (Inegalitatea Cauchy-Buniakovski). Fie f1 ; f2 : X ! R doua v.a . cu momente

de ordinul doi nite. Atunci:

M 2 (f1 f2 ) M f12 M f22 (6.2)
Egalitatea poate avea loc daca si numai daca f2 = af1 sau f1 = af2 a.p.t. cu a=const.

Demonstratie. M (f1 + xf2 )2 0 pentru orice x 2 R, deci M (f12 ) + 2M (f1 f2 ) x +
M (f22 ) x2 0 pentru orice x. De aici rezult a c
a discriminantul functiei de gradul doi este
negativ: = M (f1 f2 ) M (f1 ) M (f2 ) 0 adic
2 2 2
a tocmai inegalitatea Cauchy-Buniakovski.
Dac
a = 0 atunci exist a un x0 real, solutie a ecuatiei de gradul doi

M (f1 + x0 f2 )2 = 0
de unde rezul a (f1 + x0 f2 )2 ia valoarea zero pe o multime cu probabilitatea 1, adic

a c a f1 =
x0 f2 a.p.t.
72
LECTIA
6. DEPENDENTA
NTRE VARIABILELE ALEATOARE 73
In cazul n care inecuatia nu ar de gradul 2, deci M (f22 ) = 0, rezult

a f2 = 0 a.p.t.,
deci f1 f2 = 0 a.p.t., deci (6.2) are din nou loc deoarece ambii membri sunt 0. In acest caz
f2 = 0 f1 .
Teorema 6.3 Fie f1 ; f2 : X ! R doua v.a. cu mediile m1 ; m2 si dispersiile D1 = 21 =

2 2
M (f1 m1 ) ; D2 = 22 = M (f2 m2 ) nite. Atunci:
a) c(f1 ; f2 ) 2 [ 1; 1].
b) c(f1 ; f2 ) = 1 este echivalent cu f1 = af2 + b sau f2 = af1 + b a.p.t. pentru niste
constante a si b potrivit alese.
c) f1 si f2 independente implica c(f1 ; f2 ) = 0 (dar nu si invers).
Demonstratie. a) Se aplic a inegalitatea Cauchy-Buniakovski pentru f1 m1 si f2 m2 .

b) Dac a c(f1 ; f2 ) = 1 atunci n inegalitatea Cauchy-Buniakovski semnul devine = si
teorema precedent a implic
a (f2 m2 ) = a (f1 m1 ) deci f2 = af1 +m2 am1 sau (f1 m1 ) =
a (f2 m2 ) de unde rezult a f1 = af2 + b pentru a si b potrivit alese.
c) f1 si f2 independente implic a (f1 m1 ) si (f2 m2 ) independente deci:
M ((f1 m1 ) (f2 m2 )) = M (f1 m1 ) M (f2 m2 ) = 0 0 = 0
Prin urmare c (f1 ; f2 ) = 0.

QED.
Exemplul 6.4 Fie doua siruri nite de numere (xi )1in si (yi )1in . Sa consideram o
partitie a unei multimi X astfel: X = A1 [ A2 [ A3 [ :: [ An cu toate multimile Ai 6= ;.
Denim pe X o probabilitate prin p (Ai ) = n1 si e variabilele aleatoare f1 ; f2 : X ! R,
denite prin f1 (!) = xi daca ! 2 Ai si f2 (!) = yi daca ! 2 Ai . Avem :
Pn Pn
i=1 xi yi
m1 = M (f1 ) = ; m2 = M (f2 ) = i=1
Pn n 2
n P
n
(xi m1 ) (yi m2 )2
D1 = D (f1 ) = i=1 ; D2 = D (f2 ) = i=1
n Pn n
(xi m1 ) (yi m2 )
m1;2 = M ((f1 m1 ) (f2 m2 )) = i=1
Pn n
m1;2 (x i m 1 ) (y i m 2)
c (f1 ; f2 ) = p = qP i=1
qP (6.3)
D1 D2 n 2 n 2
i=1 (xi m1 ) i=1 (yi m2 )
Conform teoremei precedente, egalitatea cu 1 a coecientului 6.3 este echivalent a cu

f2 = af1 + b sau cu alte cuvinte yi = axi + b pentru toate valorile 1 i n. Dac a
jc (f1 ; f2 )j este sucient de aproape de unu atunci punctele (xi ; yi ) sunt aproximativ pe o
dreapt a. Dreapta ce aproximeaz a cel mai bine acest nor de puncte se numeste dreapta de
regresie a lui y n x si se determina prin metoda celor mai mici p
atrate. Aceasta dreapt
a de
LECTIA
6. DEPENDENTA
P
forma y = ax + b se determin a din conditia ca (yi axi b)2 s a e minim
a (a se vedea
lectia 8 sau lectia 14). Dac a se caut a dependente de forma yi = be , prin logaritmare se
axi
g
aseste ln (yi ) = axi + ln (b). O asemenea dependenta exist a, conform celor de mai sus daca
c (f1 ; ln (f2 )) = 1. Dac a jc (f1 ; ln (f2 ))j este sucient de aproape de unu atunci punctele
(xi ; ln (yi )) sunt aproximativ pe o dreapt a care se determin a prin metoda celor mai mici
patrate.G asim astfel a si ln (b) care ne dau dependenta ln (yi ) = axi + ln (b), adica yi = beaxi .
6.2 Variabile aleatoare bidimensionale

Fie (X;
; p) un cmp de probabilitate si e f1 ; f2 : X ! R dou a variabile aleatoare.
Legatura ntre variabilele aleatoare este pus
a n evidenta prin functia lor comuna de repartitie.
S
a consideram f : X ! R , denit
2
a prin f (!) = (f1 (!); f2 (!)) 2 R . Functia f are calitatea
2
a pentru orice produs de intervale I1 I2 R2 multimea f 1 (I1 I2 ) = f1 1 (I1 ) \ f2 1 (I2 ) 2

c
Denitia 6.5 Se numeste v.a. bidimensionala pe cmpul de probabilitate (X;

; p) o functie
f : X ! R2 cu proprietatea ca pentru orice intervale I1 si I2 din R, rezulta f 1 (I1 I2 ) 2
.
Vom mai spune uneori variabil a aleatoare dubl

a n loc de variabil
a aleatoare bidimension-
al
a. Notnd f1 (!) si f2 (!) cele dou
a componente ale lui f , vedem c a o v.a. bidimensionala
este asociat
a unei perechi de v.a. unidimensionale.
Denitia 6.6 Se numeste functie de repartitie bidimensionala a lui f , functia F : R2 ! R

denita prin:

F (x1 ; x2 ) = p f 1 (( 1; x1 ) ( 1; x2 ))
= p ((f1 < x1 ) \ (f2 < x2 ))
Teorema 6.7 1)Functia de repartitie bidimensionala are proprietatile:

a) F este crescatoare n ecare argument.
b) F (x1 ; 1) = 0; F ( 1; x2 ) = 0; F (1; 1) = 1.
c) F este continua la stnga n ecare argument.
d) Pentru orice a1 < b1 si a2 < b2 avem
p ((a1 f1 < b1 ) \ (a2 f2 < b2 ))

= F (b1 ; b2 ) F (a1 ; b2 ) F (b1 ; a2 ) + F (a1 ; a2 ) 0 (6.4)
2) Reciproc, orice functie F : R2 ! R cu proprietatile a)-d) de mai sus este functie de

repartitie pentru o v.a. bidimensionala potrivit aleasa.
LECTIA
6. DEPENDENTA
Demonstratie.a) x1 < x01 implic a ff1 < x1 \ f2 < x2 g ff1 < x01 \ f2 < x2 g. Lund
probabilitatile ambilor membri gasim F (x1 ; x2 ) F (x01 ; x2 ). Analog se arat
a monotonia n
x2 :
b) Prin denitie F (x1 ; 1) = lim F (x1 ; x2 ). Insa pentru orice sir monoton x2;n ! 1
x2 ! 1
avem ff1 < x1 \ f2 < x2;n+1 g ff1 < x1 \ f2 < x2;n g si \ ff1 < x1 \ f2 < x2;n g = ; , deci
n=1;1
F (x1 ; x2;n ) ! 0, deci F (x1 ; 1) = 0. Analog se arat a si celelalte egalitati.
c) Continuitatea la stnga se arat a ca pentru v.a. unidimensionale (lectia 3).
d) Fie regiunile din x1 Ox2 ca n gura urm atoare:
A = f(x1 ; x2 ) j 1 < x1 < a1 , a2 x2 < b2 g, etc.(vezi gura). Fie evenimentele:
A0 = f! 2 X j (f1 (!) ; f2 (!)) 2 Ag si analog B 0 , C 0 , D0 . Observam c a D0 = (a1 f1 < b1 )\
(a2 f2 < b2 ). Avem p (A0 ) = F (a1 ; b2 ) F (a1 ; a2 ), p (C 0 ) = F (a1 ; a2 ), p (B 0 ) = F (b1 ; a2 )
F (a1 ; a2 ).
(a1,b2)
D
(a1,a2) (b1,a2)
Scriem acum
F (b1 ; b2 ) = p (A0 [ B 0 [ C 0 [ D0 ) = p (A0 ) + p (B 0 ) + p (C 0 ) + p (D0 )

= F (a1 ; b2 ) F (a1 ; a2 ) + +F (b1 ; a2 ) F (a1 ; a2 ) + F (a1 ; a2 ) + p (D0 )
de unde rezult
a pentru p (D0 ) formula 6.4.
QED.
Denitia 6.8 Se numeste densitate

R x1 R x2de probabilitate a v.a. f : X ! R o functie :2R ! R
2 2
pozitiva, integrabila, astfel ca 1 1 (t1 ; t2 )dt1 dt2 = F (x1 ; x2 ) pentru (x1 ; x2 ) 2 R F ind
functia de repartitie a lui f.
Vom mai numi densitatea mixt

a a variabilelor f1 si f2 unde f = (f1 ; f2 ).
Teorema R 1 1) Densitatea de probabilitate are propriatatile:

R 1 6.9
a) 1 1 (t1 ; t2 )dt1 dt2 = 1.
LECTIA
6. DEPENDENTA
Rb Rb
b) p ((a1 f1 < b1 ) \ (a2 f2 < b2 )) = a11 a22 (x1 ; x2 )dx1 dx2 .
2) Invers, orice functie : R2 ! R pozitiva si integrabila cu proprietea a) de mai sus este
densitate de probabilitate pentru o v.a. bidimensionala potrivit aleasa.
Demonstratie. a), b) sunt evidente din denitie. Punctul 2) se poate demonstra lund
RbRd
X = R2 , probabilitatea unui paralelipiped [a; b)[c; d) se deneste prin a c (x1 ; x2 )dx1 dx2 ,
iar cele dou a variabile aleatoare sunt f1 ; f2 : R2 ! R, f1 (x1 ; x2 ) = x1 , f (x1 ; x2 ) = x2 .
QED.
Cunoscnd F =functia de repartitie si =densitatea de probabilitate bidimensional a a lui
f = (f1 ; f2 ) putem calcula relativ usor diverse m arimi legate de f1si f2 .
1. Functia F1 de repartitie a lui f1 este
Z x1 Z 1
F1 (x1 ) = p (f1 < x1 ) = F (x1 ; 1) = dt1 (t1 ; x2 )dx2 (6.5)
1 1
iar densitatea este Z 1

1 (x1 ) = (x1 ; x2 )dx2 : (6.6)
1
2. Media lui f1 este
Z 1 Z 1 Z 1
m1 = M (f1 ) = x1 1 (x1 ) dx1 = x1 (x1 ; x2 )dx1 dx2 (6.7)
1 1 1
3. Dispersia este
Z 1 Z 1
D (f1 ) = (x1 m1 )2 (x1 ; x2 ) dx1 dx2 : (6.8)
1 1
4. Formule analoage sunt valabile si pentru f2 . De exemplu

Z 1Z 1
m2 = M (f2 ) = x2 (x1 ; x2 )dx1 dx2
1 1
5. Dac a g : R2 ! R este o functie continu a, atunci g (f1 ; f2 ) : X ! R dat a de

g (f1 ; f2 ) (!) = g (f1 (!) ; f2 (!)) este o v.a. Media acestei v.a. se calculeaza cu densitatea
mixt a prin Z Z 1 1
M (g) = g(x1 ; x2 ) (x1 ; x2 ) dx1 dx2 (6.9)
1 1
6. In particular lund g = (f1 m1 ) (f2 m2 ) apoi g = (f1 m1 )2 si g = (f2 m2 )2

g
asim pentru coecientul de corelatie:
M ((f1 m1 ) (f2 m2 ))
c (f1 ; f2 ) = q q
M (f1 m1 ) 2 M (f2 m2 )2
R1 R1
1 1
(x1 m1 ) (x2 m2 ) (x1 ; x2 ) dx1 dx2
= p p (6.10)
D (f1 ) D (f2 )
LECTIA
6. DEPENDENTA
7. Dac
a f1 si f2 sunt independente atunci
F (x1 ; x2 ) = p (f < x1 \ f2 < x2 ) = p (f1 < x1 ) p (f2 < x2 ) = F1 (x1 ) F2 (x2 ) (6.11)
De aici rezult
a
(x1 ; x2 ) = 1 (x1 ) 2 (x2 ) : (6.12)
Se vede usor c
a si reciproc este adev arat: dac a functia de repartitie ori densitatea de proba-
bilitate se descompune n produs de dou a functii, una depinznd de x1 si cealalt a depinznd
de x2 atunci f1 si f2 sunt independente (exercitiu).
Dintre formulele de mai sus doar (6.9) mai necesit a demonstratie, celelalte ind evidente.
a) Consideram cazul cnd f1si f2 sunt m arginite, deci f = (f1 ; f2 ) : X ! [a; b) [c; d).
Divizam intervalele [a; b] si [c; d] prin x = (xi )0in respectiv y = (yj )0jmsi not am
1
= x y ; jj = maxfjx j ; jy jg; Dij = [xi 1 ; xi ) [yj 1 ; yj ), Aij = f (Dij ) X.
Variabila aleatoare
g (xi ; yj ) dac a ! 2 Aij
g (!) =
0 n caz contrar
este simpl
a, si tinde la g (f1 ; f2 ) atunci cnd jx j ! 0 si jy j ! 0. Deci
X
M (g ) = g (xi ; yj ) p (Aij )
X Z Z
= g (xi ; yj ) (x; y) dxdy
Dij
| {z }
p(Aij )
X
= g (xi ; yj ) i ; j (xi xi 1 ) (yj yj 1 )
| {z }
din teorema de medie
Z Z
! g (x; y) (x; y) dxdy
jj!0 [a;b][c;d]
b) Demonstratia se poate extinde acum si la cazul cnd f1si f2 nu sunt m arginite dar
integrala (6:9) este convergent a. Argumentele ind lungi, ns a standard, nu le reproducem
aici.
Repartitiile pentru f1 si f2 se mai numesc repartitii marginale ale lui f ..
Exemplul 6.10 Fie D = [a; b] [c; d]. O variabila aleatoare f = (f1 ; f2 ) cu valori n D care
are densitatea:
0 (x1 ; x2 ) 2
=D
(x1 ; x2 ) = 1
aria(D)
(x1 ; x2 ) 2 D
se numeste uniforma. Conform celor de la pct. 6) rezulta ca f1 s f2 sunt independente.
LECTIA
6. DEPENDENTA
Exemplul 6.11 Fie o v.a. (f1 ; f2 )bidimensionala cu densitatea:

p
det (A) 1 Q(x1 ;x2 )
(x1 ; x2 ) = e 2
2

a11 a12
unde A = este o matrice pozitiv denita iar
a21 a22
2
X
Q (x1 ; x2 ) = ai;j (xi mi ) (xj mj )
i;j=1
O astfel de variabila aleatoare se numeste normala. Se cere:

a) 21 = D (f1 ) si 22 = D (f2 ); b) c (f1 ; f2 ).
RR
Solutie. a) Avem nevoie de M (f1 ) = x1 (x1 ; x2 ) dx1 dx2 . Se stie c
a matricea A este
simetrica. Pentru aceste integrale este util a urm atoarea schimbare de coordonate:
i) Se determin a 1 si 2 valorile proprii ale matricei A, din ecuatia:

a11 a12
=0
a21 a22
ii) Se determin a vectorii proprii ai matricei

A si se normalizeaza. Acesti vectori pusi pe
r11 r12
doua coloane dau o matrice ortogonal aR= ; Rt = R 1 .
r 21 r22
0
1 0 x1 m1 x1
iii) Se stie c
a R AR =
t
. Facem schimbarea =R . Prin
0 2 x2 m2 x02
D(x1 ;x2 )
aceast a schimbare Q devine Q (x1 ; x2 ) = 1 x021 + 2 x2 iar iacobianul D(x0 ;x0 ) = det (R) = 1.
02
1 2
Avem de asemenea det (A) = 1 2 . Toate aceste lucruri se studiaz a la cursul de algebr a
1
R1 x2
1
R 1 2 x2 1
R1 x2
liniara. Utiliznd p2 1 e 22 dx = 1, p2 1 x e 22 dx = , p2 1 xe 22 dx = 0,
2
(a se vedea lectia 4, legea normal a) g

asim:
iv)
pZ Z
1 2 1 0 1 1 02 2 02
M (f1 ) = dx1 (m1 + r11 x01 + r12 x02 ) e 2 x1 2 x2 dx02
2
p p 1 1
Z 1 Z 1
1 2 1 02
x1 0
2 02
= p p m1 e 2 dx1 e 2 x2 dx02 = m1
2 2 1 1
Analog g
asim M (f2 ) = m2 .
Putem acum calcula dispersiile.
LECTIA
6. DEPENDENTA
a)
Z Z
21 = (x1 m1 )2 (x1 ; x2 ) dx1 dx2
p Z Z 1 x02 2 x02
1 2 2 1 2
= (r11 x01 + r12 x02 ) e 2 dx01 dx02
2
2 1 2 1
= r11 + r12
1 2
In mod analog g asim 22 = r21

2
11 + r222
12
b) Covarianta lui f1si f2 este:
p Z Z 1 x02 02
1 2 1 2 x 2
cov (f1 ; f2 ) = (r11 x01 + r12 x02 ) (r21 x01 + r22 x02 ) e 2 dx01 dx02
2
p Z Z
1 2 1 x021 2 x022 0 0
= r11 r21 x02
1 + r r x 02
12 22 2 e 2 dx1 dx2
2
1 1
= r11 r21 + r12 r22
1 2
. De aici
rezulta c (f1 ; f2 ) si punctul b) e terminat. Mai remarc
am c
a deoarece Rt AR =
1 0
, rezult
a
0 2
1
1 1
0 t 21 cov (f1 ; f2 )
A =R 1 R =
0 2
cov (f1 ; f2 ) 22
6.3 Functia de repartitie conditionat

a
In aceast a sectiune (X;
; p) este un cmp de probabilitate, f : X ! R o v.a. cu functia de
repartitie F;iar ; sunt numere reale pozitive. Dac
a exista urmatoarea limit
a
p (B \ (x f < x + ))
lim
;!0 p (x f < x + )
p (B \ (x f < x + ))
= lim
;!0 F (x + ) F (x )
atunci o not
am p (Bjf = x). Putem da acum denitia:
Denitia 6.12 Daca x 2 R si B 2

, numim probabilitatea lui B conditionata de f = x
marimea p (B j f = x).
LECTIA
6. DEPENDENTA
E posibil ca p (f = x) = 0 si deci s a nu putem deni p (Bjf = x) = p(B\(f =x))

p(f =x)
asa ca
n lectia 1. In asemenea situatie aplic am trecerea la limit a de mai sus. Ca functie de B,
p ( jf = x) este o probabilitate nit aditiv a pe o subalgebr a a lui
. Dac a nu exist a pericol
de confuzie vom scrie p (B j x) n loc de p (B j f = x).
Fie g : X ! R este o v.a. iar h : X ! R2 h = (f; g) o v.a. dubl a care are functia de
repartitie H: Vom nota cu f densit atile care se refer
a la f , cu g densit
atile care se refer a la
g, cu densitatea variabilei bidimensionale (f; g). Not am
G (t j f = x) = p (g < tjf = x)
p ((g < t) \ (x f < x + ))
= lim (6.13)
;!0 p ((x f < x + ))
H (x + ; t) H (x ; t)
= lim
;!0 H (x + ; 1) H (x ; 1)
dac
a limita exist a. Dac a limita exist
a n orice t 2 R si are ca functie de t propriet
atile unei
functii de repartitie, atunci denim:
Denitia 6.13 Se numeste functia de repartitie a lui g conditionata de f = x functia

G ( jf = x) : R ! R denita prin (6:13).
Se vede c
a dac
a H este derivabil
a, cu densitatea avem
@H(x;t)
Rt
(x; y) dy
G (tjf = x) = @H(x;1) = R 11
@x
(6.14)
@x 1
(x; y) dy
Functiile G () si G ( jf = x) sunt diferite. Se utilizeaz

a frecvent deosebirea functiilor prin
semnatura lor, adic a prin tipul de argumente, chiar dac a pentru nume se utilizeaz a acelasi
simbol. Dac a nu exist a pericol de confuzie vom scrie si G (tjx) n loc de G (tjf = x).
Denitia 6.14 Se numeste densitate de probabilitate R t a lui g conditionata de f = x o functie

reala g ( jf = x), integrabila, pozitiva, astfel ca 1 g (yjf = x) dy = G (tjf = x).
O asemenea densitate nu exist

a ntotdeauna. Dac a exista atunci n punctele ei de conti-
nuitate avem:
@G (tjf = x) (x; t)
= g (tjf = x) = R 1 (cf. 6.14)
@t 1
(x; y) dy
S
i aici vom scrie g (tjx) sau (tjx)n loc de g (tjf = x) dac a nu exist
a pericol de confuzie.
In studiul probabilitatilor conditionate din lectia 1, cele mai importante formule studi-
ate au fost formula probabilit atii totale si formula lui Bayes. Cum arat a aceste formule n
contextul prezent?
1. Formula probabilit atii totale:
LECTIA
6. DEPENDENTA
Dac
a p (Bjx) este o functie continu
a atunci
Z 1 Z 1
p (B) = p (Bjf = x) dF (x) = p (Bjf = x) f (x) dx
1 1
n particular
Z 1 Z 1
G (t) = G (tjf = x) dF (x) = G (tjf = x) f (x) dx
1 1
1. Formula lui Bayes
f (x) g (yjf = x)
f (xjg = y) = R 1
(yjf = x) f (x) dx
1 g
Dac
a nu exist
a pericol de confuzie putem scrie:
(x) (yjx)
(xjy) = R 1
1
(yjx) (x) dx
Nu insist
am asupra demonstratiilor acestor formule. Ele se pot obtine prin divizarea inter-
valului unde se g
asesc valorile lui x, aplicarea formulei clasice a probabilit
atii totale sau a lui
Bayes asa cum au fost studiate n lectia 1 si trecerea la limit
a pentru diviziuni din ce n ce
mai ne.
6.4 Distributia sumei si ctului

Fie f; g : X ! R dou a v.a. si h : X ! R2 ; h = (f; g) cu repartitia H si densitatea . Care
este repartitia sumei f+g si a ctului fg n eventualitatea ca g 6= 0? In general daca r este o
functie continua r : R ! R atunci repartitia lui r (f; g) este:
2
Z Z
Fr(f;g) (t) = p (r (f; g) < t) = (x; y) dxdy (6.15)
r(x;y)<t
Pentru sum
a si produs avem formule mai precise. Alte exemple sunt date la exercitii.
6.4.1 Distributia sumei

In conditiile de mai sus suma f + g are distributia
Z Z Z t Z 1
Ff +g (t) = p (f + g < t) = (x; y) dxdy = du (v; u v) dv
1 1
x+y<t
LECTIA
6. DEPENDENTA
Am utilizat schimbarea u = x + y; v = x. Dac a f; g sunt independente atunci (x; y) =

f (x) g (y) si densitatea sumei devine
Z 1
0
f +g (t) = Ff +g (t) = f (v) g (t v) dv (6.16)
1
ceea ce se numeste produsul de convolutie al densit

atilor f si g .
6.4.2 Distributia ctului

Fie f si g ca mai nainte si n plus g6= 0. In aceste conditii ctul fg are distributia:
Z Z Z Z
f
F f (t) = p <t = (x; y) dxdy + (x; y) dxdy
g g
y>0;x<ty y<0;x>ty
Z 1 Z ty Z 0 Z 1
= dy (x; y) dx + dy (x; y) dx
0 1 1 ty
Prin derivare n raport cu t g

asim
Z 1
f (t) = jyj (ty; y) dy (6.17)
g
1
In particular pentru f si g independente g asim:

Z 1
f (t) = jyj f (ty) g (y) dy (6.18)
g
1
6.5 Distributia Student

Exemplul 6.15 Fie f normala de tipul N (0; ) iar g o variabila 2 de tipul H (s; ), inde-
pendenta de f. Se cer:p
a) Densitatea lui gs :
b) Densitatea lui h = pf g .
s
c) Momentele lui h.
Solutie. Densitatea lui f este

1 x2
f (x) = p e 2 2
2
iar a lui g este
1 s
1
y
g (y) = s s
y 2 e 2 2 pentru y>0 si 0 n caz contrar:
2 2 s 2
LECTIA
6. DEPENDENTA
pg
a) Fp g (y) = p < y = p (g < y 2 s) = Fg (y 2 s) ; pentru y > 0 si 0 pentru y 0. Prin
s
s p
urmare densitatea lui gs este
d p
p g (y) = F g (y) = 2syFg0 y 2 s
s dy s
2sy s 1 y2 s
= 2syg y 2 s = s s s y 2 s 2 e 2 2
22 2
pentru y>0 s 0 pentru y 0.

b) Conform cu (6.18) avem pentru h = pf densitatea
g=s
Z 1
h (t) = jyj f (ty) g (y) dy
1
Z 1
1 t2 y 22sy s 2 2s 1
sy 2
= yp e 2 2 ys s e 2 2 dy
0 2 2 s 2s 2
s Z 1 (t2 +s)y2
2s 2
= s+1 p
e 2 2 y s dy (schimb am sy 2 = u)
2 2
s+1 ( 2s ) 0

Z 1
2
1+ ts
1 u s+1
1
= s+1 p s
e 2 2 u 2 du
2 2 s s+1 2 0
s+1
s+1
s+1
1 2 2 t2 2
= s+1 p s+1 =p s
1+
2 2 s s+1 s
1+ ts
2 2 s 2
s
2
2 2
c) Media lui h, M (h) ; este zero, h avnd densitatea par

a. Pentru momentele lui h folosim
denitia: Z Z
1 1
Mk (h) = k
x h (x) dx = (x M (h))k h (x) dx = k (h)
1 1
Rezult
a momente de ordin impar zero. Inlocuind pe h (x) cu expresia de mai nainte s
2
acnd schimbarea xs = u si apoi 1+u
f u
= y ajungem la
s+1
k+ 1 Z 1
s 2
y (k+ 2 ) 1 (1 y)( 2 k) 1 dy
1 s
2
2k = p s
s 2 2 0
s+1
k+ 1
2
s 2 k + 12 s
2
k
= p
s 2s 2 s+1
1
s
2
k k + k
s 2
= p s
2
2
sk 1 3 :: (2k 1)
=
(s 2) (s 4) :: (s 2k)
LECTIA
6. DEPENDENTA
dac
a 2k < s. Pentru celelalte valori ale lui k momentele nu exist
a.
Denitia 6.16 O variabila aleatoare cu densitatea

s+1
s+1
2 t2 2
(t) = p s
1+
s 2
s
se numeste variabila Student.Tipul acesta de v.a. l notam S (s). Gracul acestei densitati
se gaseste la lectia 4.
O asemennea variabila aleatoare

pg este raportul dintre o variabila normala cu media zero si
dispersia pe de o parte si
2
s
unde g este o variabila de tipul H (s; ) adica 2 cu s grade
de libertate obtinuta ca suma a s patrate de variabile normale de tip N (0; ) (vezi lectia 4),
pe de alta parte.
6.6 Distributia Snedecor-Fisher

Exemplul 6.17 Fie f1 si f2 doua variabile aleatoare independente de tip H (n1 ; ) si H (n2 ; ).
Se cere densitatea variabilei g = ff21 =n
=n1
2
.
Solutie. f1 si f2 sunt variabile 2 . Deoarece ele sunt independente densitatea variabilei

h = (f1 ; f2 ) este
( n1 n x+y
1 1 22 1
n1 +n2 n +n
2 (
n1 n2 x 2 y e 2 , x; y > 0
(x; y) = f1 (x) f2 (y) = 2 2
1
2 ) ( 2 )
0; ^{n rest
dac
a x 0 , y 0 si 0 n rest. Aplicnd aceeasi tehnic a precum n exemplul precedent rezult
a
: 8 n1
< n1 2 n1 +n2
( n1 +n
2
2
) n21 1 n1 2
g (x) = x 1 + n2 x ;x>0 (6.19)

n2 ( n21 ) ( n22 )
:
0; in rest
dac
a x 0 si 0 n caz contrar.
Denitia 6.18 O variabila aleatoare cu densitatea (6.19) se numeste variabila Snedecor-

Fisher. Acest tip l vom nota S (n1 ; n2 ).

LECTIA
6. DEPENDENTA
6.7 Exercitii
1. Fie sirul de date
x= 1 3 1 4 7 9
y= 0 4 3 8 12 18
a)Care este coecientul de corelatie ntre aceste siruri de date?
b) Daca este mai mare de 0.95, sa se determine prin metoda celor mai mici patrate dreapta
de regresie a lui y n x.
Indicatie. Coecientul de corelatie (6.3) este 0; 99 deci punctele sunt aproximativ pe o
dreapta.
2. Fie sirul de date
x = 1 1; 5 2 2; 5 3
y = 3; 3 4; 23 5; 44 6; 98 8; 96
Sa se studieze existenta unei dependente de forma y = beax ntre date.

Indicatie. Valorile lui ln (y) sunt
1; 19 1; 44 1; 69 1; 94 2; 19
Coecientul de corelatie ntre x s ln (y) este aproximativ 1, prin urmare ln (y) = ax + d deci
y = ed eax = beax . Prin metoda celor mai mici p atrate g
asim a = 0; 5 d = 0; 69 deci b = 2.
3. Variabilele aleatoare independente f 1 si f2 sunt uniform distribuite n [0; 1]. Se cer:

a) Distributiile pentru min(f1 ; f2 ) si max(f1 ; f2 ).
b) Distributia sumei f1 + f2 .
Indicatie. Variabila dubl a (f1 ; f2 ) are densitatea (x; y) = 1 n (0; 1) (0; 1) si 0 n rest.
Fie F functia de repartitie a lui min(f1 ; f2 ). Avem

F (x) = p (f1 < x [ f2 < x) = 1 p f1 < x [ f2 < x
= 1 p (f1 x \ f2 x) = 1 p (f1 x) p (f2 x)
= 1 (1 x) (1 x)
pentru x 2 [0; 1]. In mod analog se calculeaz

a repartitia lui mmax(f1 ; f2 ). Pentru sum
a se
foloseste formula (6.16)
4. Fie X si Y doua v.a. cu coecientul de corelatie r. Care este coecientul de corelatie

al variabilelor aX + b si cY + d, unde a; b; c; d 2 R ?
5. Numarul de masini pe soseaua Bucuresti-Ploiesti, dinspre Bucuresti spre Ploiesti, ntr-

un interval de timp I este o variabila Poisson cu parametrul 1 , iar numarul de masini n
LECTIA
6. DEPENDENTA
sens contrar, n acelasi interval de timp, este o variabila Poisson cu parametrul 2 . Daca
cele doua v.a. sunt independente, care este distributia numarului total de masini pe sosea n
acelasi interval de timp?
6. Un cuplu de v.a. f = (f1 ; f2 ) are densitatea dubla

4(x+3y)e x 3y
; daca x0 y0
(x; y) = 5
0 ^{n caz contrar
i) Sa se determine densitatile marginale pentru f1 si f2 .
ii) Sa se calculeze densitatea conditionala a lui X daca Y=y.
ii) Sa se calculeze coecientul de corelatie dintre X si Y.
7. Se trage asupra unei tinte plane asezate n (0; 0). Masuratorile indica o distributie
normala a absciselor X a punctelor de impact de tip N (0; 2) si la fel pentru ordonatele Y .
De asemenea X si Y sunt p independente. Se cer:
a) Distributia distantei X 2 + Y 2 de la punctul de impact pna la tinta.
b) Probabilitatea ca o lovitura specicata sa cada n discul X 2 + Y 2 4.
c) Probabilitatea ca din 4 lovituri cel putin una sa cada n discul X 2 + Y 2 4.
d) Probabilitatea ca din 100 lovituri cel putin 25 sa cada n discul X 2 + Y 2 4.
x2 y2 x2 +y 2
1 1 1
Indicatie. a) 1 (x) = p22 e 8 2 (x) = p22 e 8 deci (x; y) = 8 e 8 . Fie F (t)
p
functia de repartitie a lui X 2 + Y 2 . Avem pentru F (t) = 0 pentru t < 0 iar pentru t 0:
Z Z
2 2 2
1 x2 +y 2
F (t) = p X + Y < t = e 8 dxdy
8 x2 +y 2 <t2
si se trece la coordonate polare. b) Probabilitatea

P100 este p = F (2). c) Probabilitatea c autata
4 n k
este 1 (1 p) . d) R aspunsul este k=25 C100 p (1 p)
k k
si se foloseste formula integral
a
de Moivre-Laplace.
8. Perechea de v.a. (f1 ; f2 ) admite densitatea dubla (x; y) = 1 1

2 (1+x2 +y 2 )3=2
. Se cere:
a) Sa se arate ca f1 si f2 sunt v.a. de tip Cauchy, adica au densitatea (x) = 1 1
1+x2
.
b) Sa se calculeze p (f12 + Rf22 4).
1
Indicatie. a) 1 (x) = 1 (x; y) dy = :::. b) Se procedeaz a ca la punctul a) de la prob-
lema precedent a.
9. Durata de viata a unui bec ce functioneaza continuu este o variabila aleatoare cu

densitatea
e t t 0
(t) =
0 t<0
Intr-un anumit loc trebuie sa functioneze continuu un bec si se dispune de un numar de 10
becuri pentru nlocuire n caz ca cel n functiune se defecteaza. Se cer:
LECTIA
6. DEPENDENTA
a) Valoarea lui daca durata medie de viata a unui bec este de 20 zile (ziua va n problema
unitatea de masura pentru timp).
b) Sa se arate ca daca f1 si f2 sunt independente, cu densitatea atunci f1 +f2 are densitatea
2 t
te t0
1 (t) =
0 t<0
c) Sa se arate ca daca f1 ; f2 ; :::fn sunt independente si au densitatea de mai sus, atunci

f1 + f2 + ::: + fn are densitatea
( nn 1
t
(n 1)!
e t t 0
n (t) =
0 t<0
d) Care e probabilitatea ca prin nlocuirea becurilor arse sa poata mentinuta lumina aprinsa
peste 200 zile?
Indicatie. a) M (f1 ) = 1 deci = 201
. b,c) Se aplic
a (5.13) sau se procedeaza ca n lectia
1
4, exercitiul nr. 4. d) In datele de la c) avem = 20 , n = 10, iar probabilitatea cerut a este:
Z 1
1 t
P = p (f1 + f2 + ::: + f10 200) = 10
t9 e 20 dt
200 20 9!
10 Z 1
10
= u9 e 10u du ' 0; 457
9! 1
10) Doua variabile aleatoare independente f1 si f2 au distributii normale N (0; ). Sa se

arate ca f12 + f22 si ff21 sunt independente.
x2 +y 2
1 f1
Indicatie. (f1 ; f2 ) are densitatea 4 2
eeste denit
2 2 .
a a.p.t. deoarece p (f2 = 0) =
f2

x
0. Fie : R2 f(x; 0) jx 2 Rg ! R denit
2
a prin (x; y) ! r = x + y ; s = y . Avem
2 2
D(r;s) rs 2 r
D(x;y)
= 2 (s2 + 1). De asemenea x2 = 1+s 2 y 2 = 1+s 2 . Vedem c a pentru orice pereche
(r; s) exist
a doua perechi (x; y) ce i corespund prin transformarea dat a. Pentru D R2
1
sucient de mic (D) = D1 [ D2 cu D1 si D2 disjuncte n corespondenta bijectiv a si
diferentiabil
a cu D. Avem

2 2 f1
p f1 + f2 ; 2D
f2

= p (f1 ; f2 ) 2 1 (D)
Z Z Z Z
1 x2 +y 2 1 x2 +y 2
= e 2 2
dxdy + e 2 2 dxdy
4 2 4 2
ZD1Z D2
1 r 1
= 2 e 22 drds
4 2 D 2 (s2 + 1)
LECTIA
6. DEPENDENTA
r
Prin urmare perechea de v.a. f12 + f22 ; ff21 are densitatea 1
4 2
e 2 2 1
1+s2
. Conform (6.12)
si remarcii de dup
a ea rezult
a c
a f12 + f22 ; ff21 sunt independente.
11. Sa se arate ca daca f : X ! R2 este o v.a. bidimensionala cu densitatea f (x1 ; x2 ) si

g : R2 ! R2 este o bijectie de clasa C 1 cu iacobianul nenul atunci densitatea variabilei duble
g f este gf (y1 ; y2 ) = f (g 1 (y1 ; y2 )) D(x 1 ;x2 )
D(y1 ;y2 )
.
12. Sa se calculeze mediile, dispersiile, corelatia distributiilor marginale pentru densitatea

dubla p
12 2(x21 +x1 x2 +x22 )
(x1 ; x2 ) = e
2
Indicatie. A se vedea exemplul 3.
13. O variabila aleatoare bidimensionala Z are densitatea dubla

(x1 + x2 + 2) dac
a (x1 ; x2 ) 2 [0; 2] [1; 3]
(x1 ; x2 ) =
0, in rest
Sa se determine:
i) .
ii) Densitatile distributiilor marginale
iii) p (Z 2 f(x1 ; x2 ) j x2 > x1 + 1g).
iv) Fie Z1 si Z2 cele doua distributii marginale. Care este media lui Z1 + Z2 .
RR
Indicatie. R2
(x1 ; x2 ) dx1 dx2 = 1. Se utilizeaza formula 6.9
14. O anumita lungime este mprtita n doua si sunt masurate cele doua portiuni de
catre doua persoane nmod independent. Eroarea de masurare este o variabila aleatoare
3
(1 x2 ) pentru x 2 [ 1; 1]
cu densitatea (x) = 4 pentru ecare persoana. Care este
0 n rest
probabilitatea ca eroarea n masurarea ntregii lungimi sa e mai mare ca 1?
Indicatie. Cunoastem densit atile a dou
a variabile aleatoare independente. Deci rezult a
imediat densitatea sumei si de aici r aspunsul la ntrebare. Altfel, putem folosi formula 6.9
Lectia 7
Procese aleatoare
In modelarea probabilistic a a unor fenomene, presupunem implicit existenta unei multimi X

de factori necontrolabili, multime care nu poate exact denit a, ce afecteaz a desf
asurarea
fenomenelor, precum si existenta unei probabilit ati pe aceasta multime. Rezultatul obser-
vatiei unui fenomen l reprezent am printr-un num ar sau mai multe numere. Observnd de
mai multe ori acelasi fenomen, chiar reproducnd conditiile de desf asurare ct mai del posi-
bil, rezultatele numerice pot iesi diferite. Intervin aici acei factori necontrolabili care fac s a
uctueze rezultatele numerice ale experientei ntr-o anumit a zona de valori. De exemplu,
masurnd independent cu o rulet a obisnuita de 2m o distanta destul de lung a, s
a zicem n
jur de 100 m, persoane diferite vor ajunge la rezultate diferite. Nu putem specica exact ce
factori contribuie la aparitia diferentei ntre rezultate si care este contributia ec aruia, dar
putem admite existenta unei probabilit ati pe aceasta multime X de factori necontrolabili.
Fie acea marime numeric a pe care o urm arim, egal
a cu . Dup a ce xam valorile factorilor
controlabili, devine o functie : X ! R, pe multimea factorilor necontrolabili, adic a o
variabila aleatoare. Daca reprezint a o m arime ce evolueaza n timp atunci : T X ! R,
deci variabila aleatoare este (t; ) : X ! R, pentru ecare t 2 T R. Mai not am aceast a
variabila aleatoare prin t .
Denitia 7.1 O asemenea familie de variabile aleatoare, ce depinde de un parametru t 2

T R se numeste proces aleator sau proces stochastic.
Fie F (t; x) sau functia de repartitie a acestei variabile aleatoare, adic

a:
F (t; x) = p (f! 2 Xj (t; !) < xg)
sau pe scurt
F (t; x) = p ( (t; ) < x) = p ( t < x)
Uneori vom mai nota aceast a functie Ft (x) pentru a sublinia c
a e functie de repartitie n x
si depinde de parametrul t. In timp ce nu poate specicat a exact, neavnd o descriere a
89
LECTIA
7. PROCESE ALEATOARE 90
multimii X, F este o functie de variabilele reale t; x. Cum functia de repartitie contine toate
informatiile probabilistice despre o v.a., un proces stochastic va descris prin functia sa de
repartitie F (t; x). Vom caracteriza procesul stochastic prin Ft (x) sau derivata ei (t; x) =
t (x) = @F@x (t;x)
. Dac
a t ia o valori ntr-o multime discret a fv1 ; ::vn ; ::g atunci
P functia de
repartitie este complet determinat a de pk (t) = p ( t = vk ) sau prin Ft (x) = vk <x pk (t) deci,
procesul stochastic va descris prin aceste functii. Mai jos studiem cteva tipuri de procese
stochastice.
7.1 Procese Poisson

Sa consideram num arul particulelor cosmice care p atrund ntr-un anumit volum V, ntr-un
interval de timp. Acest num ar depinde de factori incontrolabili si apare ca o valoare aleatoare.
Presupunem c a t este un proces aleator pentru valori ale timpului t 2 [0; 1) care ia doar
valori naturale 0,1,2,...k,... , si anume pentru t > 0, t ia valoarea k dac a n intervalul de
timp (0; t] au p atruns n volumul V, k particule cosmice. Pentru ecare t 0, t este o
variabila aleatoare. Pentru t < t + t; variabila aleatoare t+t t reprezint a numarul de
particule cosmice care au p atruns n volumul V n intervalul de timp (t; t + t]. Variabilele
t nu sunt independente deoarece valoarea lui t+t depinde de valoarea lui t . Urm atoarele
ipoteze asupra variabilelor t apar ca naturale:
a) Absenta post efectului, adica num arul de particole care n intervalul de timp [a; b) intr a
n volumul V este independent de num arul de particule care au p atruns anterior n acest
volum si de momentele la care au p atruns. Exprim am acest fapt astfel: dac a 0 a1 < b1
a2 < b2 ::an < bn atunci avem v.a. b1 a1 , ... bn an care au ca valoare num arul de
particule ce au p atruns n V n intervalele de timp (a1 ; b1 ], ... (an ; bn ]; ipoteza a) nseamna c
a
aceste v.a. sunt independente, adic a

p b1 a1 = k1 ; b2 a2 = k2 ; :::; bn an = kn

= p b1 a1 = k1 p b2 a2 = k2 ::: p bn an = kn (7.1)
pentru orice k1 ; :::kn 2 N si orice numar n de intervale.
b) Stationaritatea, nseamn a c
a numarul de particule ce p
atrunde n volum ntr-un interval
de timp depinde doar de lungimea intervalului de timp si nu de plasarea acelui interval pe
axa timpului. Exprim am acest lucru prin:

p ( b a = k) = p a+T b+T = k (7.2)
oricare ar 0 a < b , T 0 si oricare ar k 2 N .
c) Ordinaritatea, adic
a probabilitatea ca n intervalul [t; t + t) s
a p
atrund
a n volum mai
mult de o particula este zero n raport cu t. Mai precis:

p t+t t > 1 = O (t)
O(t)
Prin O(t) se ntelege o functie real
a O de argument t, astfel ca lim = 0.
t!0 t
LECTIA
Denitia 7.2 Un proces aleator t , t 2 [0; 1) unde t ia valori numere naturale si unde sunt
satisfacute conditiile a), b), c) de mai sus se numeste proces Poisson.
Multe alte fenomene din natur a apar ca satisfacnd cerintele a), b), c) : dezintegrarea
spontana a nucleelor radioactive, venirea la coada a masinilor la o statie de benzin
a, num arul
de apeluri la o central
a telefonic
a etc.
Problema pe care vrem s
a o rezolv
am n continuare este de a determina probabilit atile
pk (t) = p a+t a = k , adic a probabilitatea ca n intr-un interval de lungime t s a intre k
particule cosmice n volumul V. Conform cu b) aceste probabilit ati nu depind de a.
Teorema 7.3 Fie un proces Poisson ca mai sus. Atunci exista > 0 astfel ca p1 (t) =
t + 0 (t) si
(t)k t
pk (t) = e (7.3)
k!
Demonstratie.(Schita) Fie r = p0 (1). Imp
artim intervalul [0; 1] prin
1 2 n
0< < < :: <
n n n
, pentru un n 2 N . Din stationaritate rezult
a

1
p0 = p 1=n 0 = 0 = p 2=n 1=n = 0 = ::: = p 1 n 1 =0
n n
Utiliznd acum faptul c

a nu exist
a post efect, avem:

r = p0 (1) = p 1=n 0 = 0; 2=n 1=n = 0; 1 n 1 = 0 =
n

= p 1=n 0 = 0 p 2=n 1=n = 0 ::: p 1 n 1 = 0 =
n
n n
= p 1=n 0 = 0 = (p0 (1=n))
1
De aici rezulta p0 n1 = r n Evenimentul c a n intervalul (0; nk ] nu intr a nici o particul a n
V, este echivalent cu intersectia evenimentelor n intervalul ( i n1 ; ni ] nu intr
a vreo particul
a
k
n V, pentru 1 i k. Cum aceste evenimente sunt independente, rezult a p0 n =
1
k k
p0 n = r n . Acum, deoarece p0 (t) este cresc atoare n t, rezulta usor ca p0 (t) = rt . Cum
r este o probabilitate, r 2 (0; 1), deci r = e pentru un > 0, deci p0 (t) = e t . Am
demonstrat deci formula 7.3 pentru k=0.
Mai departe avem X
p0 (t) + p1 (t) + pk (t) = 1
k>1
| {z }
=0(t) conform cu c)
LECTIA
adic
ae t
+ p1 (t) + 0 (t) = 1. De aici rezult
a
t
p1 (t) = 1 e + O (t) = t + O (t)
Pentru a determina pk (t) este usor de justicat formula

k
X
pk (t + t) = pi (t) pk i (t)
i=0
k
X
t
= e pk (t) + (t + 0(t) pk 1 (t) + pi (t) pk i (t)
i=2
| {z }
=0(t) conform cu c)
= pk (t) tpk (t) + tpk 1 (t) + 0 (t)
pentru k 1. Prin trecerea lui pk (t) n membrul stng si divizarea la t, apoi trecerea la
limita t ! 0, rezult a
dpk (t)
= pk (t) + pk 1 (t) (7.4)
dt
Dac a tinem seama de conditiile p0 (t) = e t , pk (0) = 0 (din ordinaritate), atunci sistemul
k
7.4 se rezolv aseste pk (t) = (t)
a si se g k!
e t .
QED.
Probabilitatile pk (t) = p ( t = k) sunt la fel ca la o v.a. Poisson (vezi lectia 4), deci media
lui t este M ( t ) = t si dispersia D ( t ) = t.
7.2 Procese Markov discrete

Denitia 7.4 Un proces stochastic se numeste proces Markov discret daca t poate lua un
numar nit de valori V = fv1 ; v2 ; :::vn g, timpul t variaza ntr-o multime discreta de valori
T = ft1 ; t2 ; :::tn ; :::g si

p tk = v j tk 1 = vik 1 ; tk 2 = vik 2 ; ::; t1 = vi1 = p tk = v j tk 1 = vik 1
pentru orice v; vik 1 ; :::vi1 2 V .
Cu alte cuvinte probabilitatea ca sistemul (variabila aleatoare ) s a ajung

a n momentul tk
n starea vik depinde doar de starea vik 1 de la momentul imediat anterior, tk 1 ; si nu depinde
de starile la momentele tk 2 ; tk 3 ; ::: t1 . F ar
a a pierde din generalitate putem considera
multimea st arilor V = f1; 2; :::ng, iarmultime valorilor temporale T = f0; 1; 2; :::n; :::g. Vom
nota cu pi;j (k) = p k = j j k 1 = i , adic a pi;j (k) este probabilitatea ca n cazul cnd la
momentul k-1 sistemul este n starea i, el s a ajunga n starea j la momentul urm ator, k. Aceste
LECTIA
marimi se numesc probabilitati de tranzitie. Deoarece din starea i se poate ajunge la momentul
urmator doar n starile 1,2,3,...n, trebuie s a avem pi;1 (k) + pi;2 (k) + ::: + pi;n (k) = 1. Cel
mai simplu proces de acest tip este acela n care probabilit atile de tranzitie pi;j (k) nu depind
de momentul k. In acest caz avem pi;j (k) = pP i;j . Matricea p cu elementele pi;j se nume ste
n
matricea de tranzitie. Intr-o astfel de matrice j=1 pi;j = 1, pi;j 0.
Exemplul 7.5 Sa presupunem ca o particula se poate misca ntre doua bariere a < b trecnd
prin puncte intermediare
a = x1 < x2 < ::: < xn = b
Daca particula se gaseste n pozitia xi atunci cu probabilitatea r se deplaseaza nainte n
pozitia xi+1 si cu probabilitatea s = 1 p se deplaseaza napoi n pozitia xi 1 . In capetele a
si b particula este respinsa n pozitia imediat vecina. Pentru 4 pozitii posibile, matricea de
tranzitie este 0 1
0 1 0 0
B s 0 r 0 C
p=B @ 0 s 0 r A
C
0 0 1 0
(k) (k)
Fie acum pi;j = p ( k = j j 0 = i), adica pi;j este probabilitatea ca sistemul s a se gaseasca
la momentul k n starea j, dac a la momentul nitial 0 s-a gasit n starea i. Fie p matricea de
(k)
(k)
tranzitie de la momentul 0 la momentul k, avnd elementele pi;j . Din formula probabilit atii
Pn
totale Pg
asim p ( k = j j 0 = i)= l=0 p k 1 = l j 0 = i p k = j j k 1 = l; 0 = i
= nl=0 p k 1 = l j 0 = i p k = j j k 1 = l
altfel spus
X n
(k) (k 1)
pi;j = pi;l pl;j
l=0
Din aceast
a formul
a rezult
a prin inductie
p(k) = pk
adic
a p(k) este puterea de ordinul k a matricei de tranzitie.
Exemplul 7.6 Pentru matricea de tranzitie din exemplul 1 gasim

0 1
s 0 r 0
B 0 s+rs 0 r2 C
p2 = B@ s
C
2
0 r+rs 0 A
0 s 0 r
LECTIA
Pentru r=3/4 si s=1/4 matricea de tranzitie devine:

0 1
0 1 0 0
B 1=4 0 3=4 0 C
p=B @ 0 1=4 0 3=4
C
A
0 0 1 0
Pentru valori mari ale lui k gasim:

0 1
0; 0769231 0 0; 923077 0
B 0 0; 307692 0 0; 692308 C
p(100) = B
@ 0:0769231
C
A
0 0; 923077 0
0 0; 307692 0 0; 692308
(k)
Cum arat a probabilit
atile pi;j pentru valori mari ale lui k? Urm
atoarea teorem
a aduce
l
amuriri n aceast
a privinta.
(m)
Teorema 7.7 Daca pentru m 2 N are loc inegalitatea pi;j > 0 pentru orice i; j, atunci exista
lim p(k) si
k!1
(k)
lim pi;j = pj
k!1
independent de i.
Altfel spus, probabilit

atile de tranzitie de la starea i n momentul 0, la starea j n momentul
k, se stabilizeaz
a pentru k ! 1 la valori independente de starea la momentul 0.
Pentru demonstratie se poate consulta bibliograa.
Exemplul 7.8 Fie matricea de tranzitie

0 1
1=8 2=8 2=8 3=8
B 1=4 1=4 1=4 1=4 C
p=B @ 1=10
C
5=10 2=10 2=10 A
7=20 3=20 5=20 5=20
Utiliznd calculatorul gasim

0 1
0; 214013 0; 283041 0; 238095 0; 264851
B 0; 21402 0; 283038 0; 238095 0; 264846 C
p7 = B@ 0; 214014
C
0; 28304 0; 238095 0; 26485 A
0; 214024 0; 283037 0; 238095 0; 264844
LECTIA
0 1
0; 214018 0; 283039 0; 238095 0; 264848
B 0; 214018 0; 283039 0; 238095 0; 264848 C
p100 =B
@ 0; 214018
C
0; 283039 0; 238095 0; 264848 A
0; 214018 0; 283039 0; 238095 0; 264848
Se vede cum de la p7 se stabilizeaza primele trei zecimale ale probabilitatilor limita, la p100
ind stabilizate cel putin 6 zecimale.
7.3 Procese de nastere si moarte

S
a presupunem c a ntr-un proces stochastic t ia valori numere naturale si c
a urm
atoarele
conditii sunt ndeplinite:
i) p t+t = k + 1j t = k = k t + O (t) ; > 0;(aceasta este probabilitatea unui
proces de nastere n intervalul (t; t + t))
ii) p t+t = k 1j t = k = k t + O (t) ; > 0; k 1( aceasta este probabilitatea
unui proces de moarte n intervalul (t; t + t).
iii) p t+t t > 1 = O (t) (aceasta este probabilitatea a mai mult de o nastere sau
o moarte n intervalul (t; t + t))
Denitia 7.9 Un proces stochastic cu valori naturale si care ndeplineste conditiile i)-iii) de
mai sus se numeste proces de nastere si moarte.
Daca k = 0 atunci procesul se numeste proces de nastere iar dac
a k = 0 se numeste
proces de moarte. Deoarece pentru k 1 avem
1
X
1 = p t+t = nj t = k
n=0

= p t+t = k 1j t = k + p t+t = kj t = k

+p t+t = k + 1j t = k + p t+t k 2 j t = k
rezult a imediat din i). ii),iii) c
a
iv) p t+t = kj t = k = 1 k t k t + O (t).
Problema care se pune la aceste procese const a n determinarea probabilit
atilor
p ( t = k) = pk (t) cunoscnd pk (0) = p ( 0 = k).
Solutie. Deoarece evenimentele f t = kgk2N sunt disjuncte avem conform formulei prob-
abilitatii totale pentru k 1

p t+t = k = p ( t = k) p t+t = kj t = k (7.5)

+p ( t = k + 1) p t+t = kj t = k + 1 (7.6)

+p ( t = k 1) p t+t = kj t = k 1 (7.7)

+p (j t kj 2) p t+t = kj j t kj 2 (7.8)
LECTIA
Folosind relatia iv) n (7:5), relatia ii) n (7:6), relatia i) n (7:7), relatia iii) n (7:8) g
asim:
pk (t + t) = pk (t) (1 k t k t + O (t))

+pk+1 (t) k+1 t + O (t)
+pk 1 (t) (k 1 t + O (t))
+O (t)
Trecnd pk (t) n membrul stng, diviznd prin t, apoi trecnd la limit
a t ! 0 g
asim
p0k (t) = k 1 pk 1 (t) (k + k ) pk (t) + k+1 pk+1 (t) (7.9)

Pentru cazul k = 0 o analiz
a similar
a conduce la:
p00 (t) = 0 p0 (t) + 1 p1 (t) (7.10)
Rezolvarea acestui sistem innit de ecuatii diferentiale este anevoioas a, ns

a n practic
a
dup a un proces de tranzitie haotic urmeaza o stabilizare, n care pk (t) sunt constante. Ecuati-
ile n acest caz sunt

0 = 0 p 0 + 1 p 1
(7.11)
0 = k 1 pk 1 (k + k ) pk + k+1 pk+1
0 0 1
Din prima ecuatie rezult
a p1 = p.
1 0
Folosind celelalte ecuatii g
asim succesiv p1 = 1 2
,
s.a.m.d. In general obtinem:
0 1 ::: n 1
pn = p0 (7.12)
1 2 ::: n
Valoarea lui p0 se determin
a din conditia
1
X
pi = 1 (7.13)
i=0
P
a n 0 1 :::
si acest lucru este posibil numai dac n 1
< 1.
1 2 :::n
In acest fel poate modelat fenomenul de asteptat la coad
a.
7.3.1 Model de asteptare cu o singur a statie de deservire si un

num
ar mare de unitati ce au nevoie de serviciile statiei
Se poate imagina o astfel de situatie la o benzinarie cu o singur

a statie la care vin aleator
masini pentru alimentare. Masinile provin dintr-o populatie mare astfel nct coada nu este
inuentat
a de diminuarea num arului de masini care necesit
a alimentare.
LECTIA
Prima problem a care se pune este modelarea caracterului ntmpl ator al venirilor n statie
si al plecarilor din statie. Fie num arul mediu de veniri n unitatea de timp. Deci ntr-
un timp t vor n medie t veniri. Dac a num arul de masini din care se vine la coad a
este n iar nevoia de benzin a este ntmpl
atoare si independent a de la o masina la alta atunci
probabilitatea de a veni la coad a k masini n intervalul (t; t + t) este Cn p q
k k n k
unde p este
probabilitatea ca o masin a s
a aiba nevoie de benzin a iar q = 1 p (vezi legea binomial a).
t
Num arul mediu de veniri este np iar pe de alt a parte este t. Deci np = t ) p = n .
k
In aceste conditii stim lectia 4 c a Cnk pk q n k ! e t (t)
a c k!
atunci cnd n ! 1 . Cum
n este mare, putem considera c a probabilitatea ca la coad a s
a vin
a k masni n intervalul
k
t (t)
(t; t + t) este e k!
. Num arul de veniri la coad a n intervalul de timp t poate
considerat ca o variabil a aleatoare de tip Poisson:
!
0 1 ::: k :::
k
e t e t t1
::: e t (t)
k!
:::
Prin urmare :
a) Probabilitatea ca n intervalul (t; t + t) sa vina n statie o masina este e t t 1
=
t + O(t).
b) Probabilitatea ca sa nu vina n statie nici o masina n intervalul (t; t + t) este e t =
1 t + O(t).
c) Probabilitatea ca n intervalul (t; t + t) sa vina n statie mai mult de o masina este
P t (t)
k
k2 e k!
= O(t).
In mod analog, e num arul mediu de masini deservite de o statie n unitatea de
timp(presupunnd c a are continuu de lucru). Intr-un interval de lungime t vor n medie
deservite t masini. Num arul real al celor deservite poate mai mare sau mai mic dect
media si depinde de factori ntmpl atori, ca necesarul de benzin a, ntrzieri produse de sofer,
etc. Admitem c a:
a) Probabilitatea ca n intervalul (t; t + t) sa plece din statie o masina, daca exista
vreuna, este t + O (t)
b) Probabilitatea ca n intervalul (t; t + t) sa nu plece din statie nici o masina, daca
exista vreuna, este 1 t + O (t)
c) Probabilitatea ca n intervalul (t; t + t) sa plece din statie mai mult de o masina este
O(t).
Ipotezele facute asupra plec arilor din statie sunt asemanatoare cu conditiile a), b),c) n-
deplinite de probabilit atile de venire n statie.
Fie acum familia de variabile aleatoare t ; t 2 T = [0; 1) , unde valoarea lui t este egal a
cu num arul de masini n statie la momentul t. Ipotezele f acute asupra venirilor si plecarilor,
independente unele de altele, se mai scriu:
LECTIA
i)

p t+t = k + 1j t = k = ( t + O (t)) (1 t O (t)) +
| {z }| {z }
o venire nici o plecare
+ O (t) = t + O (t)
| {z }
mai mult de o venire sau o plecare
ii)

p t+t = k 1j t = k = ( t + O (t)) (1 t O (t)) +
| {z } | {z }
o plecare nici o venire
+ O (t) = t + O (t)
| {z }
mai mult de o plecare sau venire
din conditia a) de la plec

ari si conditia a) de la veniri (o plecare si nici o venire).
iii) p t+t t > 1 = O (t) din conditiile c) de la veniri si c) de la plec ari
Prin urmare avem de a face cu un proces de nastere si moarte. M arimile pk (t) = p ( t = k)
satisfac deci ecuatiile (7:9)-(7:10), iar la stabilizare ecuatiile (7:11). Solutia la stabilizare este
(7.12) unde k = si k = , adic a
k

pk = p0 (7.14)

P1 k
iar din 1 = p0 k=0
= p0 1 1 rezult
a

p0 = 1

P k
Stabilizarea se poate face doar cu conditia 0 <
< 1 astfel nct seria
s
a e conver-
gent
a.
7.3.2 Model de asteptare cu o singur a statie

iar numarul de unit
ati care au nevoie de serviciile statiei este
limitat la o valoare dat
a.
Presupunem acum c a populatia de unde provin masinile (unitatile) n asteptare este limitat
a
la un num ar de N exemplare. Coada care se formeaz a depinde de ct de des au nevoie
masinile de serviciile statiei si ct de prompte sunt aceste servicii. In ce priveste capacitatea
de deservire a statiei, nu apar elemente care s a modice ipotezele a), b), c) anterioare.
In ce priveste venirile n statie, ele apar n mod normal proportionale cu num arul masinilor
LECTIA
n activitate (deci care nu sunt asezate la coad a). Vom face ipoteza c a masinile au nevoie
independent de serviciile statiei, si daca n statie sunt k masini, atunci probabilitatea ca sa
mai vin a una n urmatoarele t unit ati de timp este (N k) t + 0 (t) dac a k < N si zero
dac a k = N . Astfel familia de variabile aleatoare t care au ca valoare num arul de masini n
statie este un proces de nastere si moarte cu k = (N k) ,iar k = pentru 0 k N .
Prin urmare, conform formulelor (7.12) rezult a
N (N 1) ::: (N k + 1) k
pk = p0 ; 0kN (7.15)
k
P
Valoarea lui p0 se determina din conditia ca nk=0 pk = 1.
Un asemenea proces ar putea modela de exemplu coada la reparatii ntr-o intreprindere
cu N masini dac
a serviciul de reparatii are doar un mecanic. Un model mai realist este:
7.3.3 Model de asteptare cu n statii de deservire si cu N unit

ati ce
trebuie deservite (1<n<N)
In acest caz avem de a face cu un proces de nastere si moarte n care k = N k pentru
0 k N (probabilit atile de a se veni la statie pentru alimentare, reparatii etc. sunt
proportionale cu numarul unit atilor n serviciu), si k = k dac a 1 k < n , k = n dac a
n k N (probabilitatea ca o unitate s a p
ar
aseasc a statia este proportional
a cu numarul
celor n curs de deservire). Conform formulei (7.12) g asim
8 k
>
< C k p0
N pentru 1 k < n 1
pk = k (7.16)
>
: n!nk!k n CNk p0 pentru n k N
P
Si aici p0 se determin
a din conditia ca pk = 1.
7.4 Procese aleatoare stationare

Un proces aleator se numeste stationar dac a propriet atile sale statistice sunt invariante la o
translatie a timpului. Fie Ft functia de repartitie a v.a. t si e i densitatea de probabilitate
dac
a exist a. In continuare n aceasta sectiune timpul t apartine multimii T = ( 1; 1) sau
multimii T = [0; 1), n afara de cazul cnd se specic a o alt a situatie.
Denitia 7.10 Procesul aleator t se numeste stationar de ordinul nti daca Ft = Ft+
pentru orice .
Prin urmare pentru procese stationare de ordinul unu, functia de repartitie este aceeasi
pentru toate variabilele t .
S
a consideram acum pentru dou a valori t1 ; t2 vectorul aleator t1 ; t2 . Acest vector are
o functie de repartitie mixta (vezi lectia 6) denit a prin Ft1 ;t2 (x; y) = p t1 < x; t2 < y .
LECTIA
Denitia 7.11 Spunem ca procesul aleator t este stationar de ordinul doi daca functia de
repartitie mixta este invarianta la o translatie a timpului. Mai precis Ft1 ;t2 = Ft1 + ;t2 + pentru
orice .
In mod analog se poate deni un proces stationar de ordinul n, prin functia de repartitie
n dimensional a a vectorului aleator t1 ; t2 ; ::: tn . Dac a un proces aleator este stationar de
ordin n, atunci el este stationar de orice ordin 0 k n.
Pentru un proces stationar media,dispersia, momentele de diverse ordine ale variabilei t
nu depind de t.Variabilele aleatoare t nu sunt n general independente. Dac a m este media
variabilei t (independent de t) atunci coecientul de corelatie

M t1 m t2 m
c t1 ; t2 = r
2 2
M t1 m M t2 m

(vezi lectia 6) este si el invariant la o translatie n timp, adic a c t1 ; t2 = c t1 + ; t2 +
pentru orice . Insa n multe aplicatii ale probabilit atilor se utilizeaz a doar media, dispersia
pentru variabilele aleatoare individuale si coecientul de corelatie pentru perechile de variabile
aleatoare. Aceste m arimi pot invariante la o translatie a timpului f ara ca functia de repartitie
s
a e. De aceea s-au studiat n mod special procesele aleatoare pentru care aceste m arimi
sunt invariante la o translatie a timpului, fara sa se cear a si invarianta functiei de repartitie.
Denitia 7.12 Un proces aleator ( t )t2T se numeste stationar n sens larg daca
a) media M ( t ) = m este independenta de t 2 T .
b) dispersiaM ( t ) = 2 esteindependenta de t 2 T .
c) c t1 ; t2 = c t1 + ; t1 + pentru orice t1 ; t2 ; t1 + ; t2 + 2 T .
Observatia 7.13 Conditiile de mai sus sunt echivalente cu

a) media M ( t ) = m este independenta de t 2 T .
b) M t t+ este functie doar de (deci independenta de t)
Demonstratia echivalentei celor doua seturi de conditii este lasata ca exercitiu.

In continuare vom nota R (t1 ; t2 ) = M t1 t2 si o vom numi functia de autocorelatie a
procesului aleator. Dac a procesul este stationar n sens larg, aceast a functie este invariant a
la o translatie n timp, deci depinde doar de diferenta t2 t1 . Vom nota n acest caz functia
de autocorelatie prin R ( ) = M t t+ = M ( 0 ). Cteva din propriet atile functiei de
autocorelatie pentru procese stationare n sens larg, apar n continuare:
1.
R (0) = M2 ( t )

pentru ca R (0) = M t t+0 = M2 ( t ).
2.
R ( ) = R ( )
LECTIA

pentru c
a R ( ) = M tt = M t t = R ( ).
3.
R (0) jR ( )j
2
pentru c
a din M t t+ a M 2t + M 2t+ 2M t t+ 0, sau
0 rezult
2R (0) 2R ( ) 0.
4. Pentru orice n 2 N si 1 ; 2 ; :: n 2 R forma p
atratic
a
n
X
R ( i j ) xi x j
i;j=1
P 2
n
este pozitiv denit
a pentru c
a este egal
a cu M i=1 xi t+ i 0, oricare ar t astfel ca
t + i 2 T pentru orice i.
Denitia 7.14 Procesul aleator stationar n sens larg, ( t )t2T

, se nume ste continuu daca
2 2
limM ( t 0 ) = 0. Acest lucru este echivalent cu lim M t t0 = 0 pentru orice
t!0 t!t0
t0 2 T .
Se mai spune c a procesul aleator este continuu n medie p atratic

a.
5. Dac a procesul aleator stationar n sens larg ( t )t2T este continuu atunci functia de
autocorelatie R ( ) este continu
a (exercitiu).
6. Functia de autocorelare a unui proces stationar n sens larg, continuu, se poate pune
sub forma Z 1
R ( ) = ei ! dF (!)
1
unde F (x) este m arginit

a, monoton cresc atoare, continu a la stnga. Dac
a F admite o
derivat
a, Rf , ceea ce se ntmpl a daca jRj scade destul de rapid cnd j j ! 1, atunci
1
R ( ) = 1
ei !
f (!) d!. Demonstratia acestui nu face obiectul acestui curs. F (!) se
numeste functia spectral a a procesului ( t ) iar f (!) se numeste densitatea spectral
a. Din
formulele de inversiune ale transform arii Fourier g asim c a
Z 1
1
f (!) = e i ! R ( ) d
2 1
Mai mult, tinnd seama c

a R ( ) este par
a se poate ar ata c
a
Z 1
R ( ) = cos ( !) dF (!)
1
7. Orice proces aleator continuu stationar n sens larg se poate aproxima prin procese
aleatoare standard. Anume, pentru orice A > 0 si orice " > 0 exist a un numar nit n de
LECTIA
variabile aleatoare 1 , 1 , 2 , 2 ,...n , n independente dou a cte dou

a si exist
a n numere
reale 1 , 2 , ...n astfel ca pentru orice t 2 [ A; A] are loc relatia
0 !2 1
Xn
M @ t (k cos k t + k sin k t) A < "
k=1
7.5 Exercitii
1. Care este probabilitatea ca n cazul unui serviciu cu 5 statii de deservire a 20 de unitati si
cu raportul ntre coecientii de venire si deservire = = 15 ; sa nu poata la un moment
dat satisfacuta o cerere? Dar daca = 54 ? (o asemenea situatie poate ntr-o intreprindere
unde o 5 mecanici ntretin 20 de masini).
Solutie. Avem un proces de asteptare cu n=5 statii si N=20 unit ati, deci putem aplica
formulele (7.16), pentru k = n, de unde
P20 k! k k
k=5 n!nk n C20
p = P4 k k
P 20 k! k k
k=0 C20 + k=5 n!nk n C20
Cu un computer, pentru = 1=5 g

asim p = 0; 275, iar pentru = 4=5 g
asim p = 0; 9993.
2. Sa presupunem ca numarul de statii este n iar solicitarile vin dintr-o populatie foarte
mare, deci numarul de veniri nu este inuentat de numarul de unitati n asteptare. Care este
probabilitatea ca o solicitare sa poata satisfacuta imediat? Caz particular n = 5, = = 12 ?
Solutie. In acest caz avem un proces de nastere si moarte n care k = si n care
k = k pentru 0 k n si k = n pentru k n (probabilitatea de a iesi o unitate
din sistem este proportional a cu num arul unit atilor n curs de deservire). G
asim, conform cu
(7.12) (
k
p , pentru k n
k! 0
pk = k
n!nk n 0
p , pentru k > n
P
Conditia pk = 1 conduce la
1 1
p0 = Pn k P1 = Pn
k k n+1
nn +
k=0 k! + n! k=n+1 n k=0 k! n!(n )
In cazul concret al problemei, o solicitare poate satisf

acut
a dac
a num
arul de unit
ati din
sistem este mai mic de n. Probabilitatea c autat
a este
n 1 Pn 1 k
X
p= pk = Pn k=0 k
k!
n+1
k=0 k=0 k! + n!(n )
LECTIA
Pentru n = 5, = 1=2 g asim p = 0; 998. Dac a venirile sunt mai pronuntate, de exemplu

= = 3 (probabilitatea de solicitare a unui serviciu ntr-un interval scurt t este de trei
ori mai mare ca probabilitatea de iesire de la un server n lucru), atunci g
asim o probabilitate
de satisfacere imediat
a a cererii mai mic a, p = 263
343
= 0; 7638.
3. La o centrala telefonica vin apeluri aleatoare, independente. Centrala poate deservi

simultan n = 50 de cereri, iar apelurile care vin cnd centrala este ocupata se anuleaza.
Presupunnd ca raportul = dintre probabilitatea t de venire a unui apel ntr-un timp
scurt t si probabilitatea t de eliberare ntr-un timp scurt t a unui circuit ocupat este
= 50, sa se calculeze probabilitatea ca un apel telefonic sa e anulat.
Solutie. S
i n acest caz avem un proces de nastere si moarte. Fie pk probabilitatea ca n
central
a s
a e k circuite ocupate. Coecientul k pentru nastera unui apel este x, egal cu
. Coecientul k pentru moartea unui apel este k = k , pentru c a dac
a sunt k circuite
ocupate atunci probabilitatea de eliberare a unui circuit creste de k ori fata de cazul unui
singur circuit ocupat. Conform cu formulele (7.12) avem
0 1 ::: k 1 k k
pk = p0 = p 0 = p0 , pentru 0 k n
1 2 ::: k k!k k!
pk = 0, pentru k > n
Pn
Din conditia k=0 pk = 1 rezult
a
1
p0 = Pn k
k=0 k!
Probabilitatea cerut
a n problem
a este
n
n!
p = pn = Pn k
k=0 k!
unde trebuie luat n = 50, = 50. Cu calculatorul se obtine p = 0:104787.

Pe m asur
a ce solicitarea centralei creste, adic
a creste, devine din ce n ce mai mare
probabilitatea ca un apel sa e anulat. Mai jos apare gracul acestei probabilit ati n functie
de gradul de nc
arcare al centralei.
LECTIA
0.5
0.4
0.3
0.2
0.1
20 40 60 80 100
Cresterea probabilitatii p (vertical

a) de refuz a unui apel
cu cresterea factorului (orizontal a) de nc
arcare al centralei
4. O particula se misca ntre doi pereti doar prin pozitiile x1 < x2 < x3 < x4 astfel: daca
este ntr-o pozitie interioara atunci cu probabilitatea 34 face un salt n pozitia din fata si cu
probabilitatea 41 n pozitia imediat din spate; daca se gaseste n prima sau n ultima pozitie,
ramne denitiv acolo.
Sa se descrie comportarea particulei dupa un numar mare de salturi.
Indicatie. Matricea probabilit atilor de trecere din o pozitie n alta este:
0 1
1 0 0 0
B 1=4 0 3=4 0 C
p=B @ 0 1=4 0 3=4 A
C
0 0 0 1
Cu calculatorul g
asim de exemplu
0 1
1 0 0 0
B 0:30769 4:4679 10 37
0 0; 692308 C
p100 = B
@ 0; 07692
C
0 4; 4679 10 37
0; 923077 A
0 0 0 0
Aspectul matricei p100 pune n evidenta c a dupa un numar mare de salturi particula este
captat
a de un perete sau altul, probabilit
atile de a r
amne n pozitii intermediare ind foarte
mici. Care este valoarea exact
a a matricei p1 ?
5. Fie ( i )i2Z o familie de variabile aleatoare independente, care au toate repartitia

1 1
1 1
2 2
LECTIA

1, t 2 ( 2b ; 2b ]
Fie f : R ! R prin f (t) = . Denim acum procesul aleator ( t )t2R
P 0, n caz contrar
prin t = i2Z f (t i b) i . Sa se calculeze functia de autocorelatie R (t1 ; t2 ). Este procesul
stationar n sens larg?
Solutie. Pe intervalul ( 2b ; 2b ] , t = 0 ; pe intervalul ( 2b ; 3b

2
], t = 1 ; ... pe intervalul
Ii = (ib 2b ; ib + 2b ] , t = i . Prin urmare t1 t2 = i j daca t1 2 Ii si t2 2 Ij . Deoarece
variabilele i sunt independente rezult a M t1 t2 = M i j este diferit
a c a de zero doar
daca i = j, adica t1 ; t2 2 Ii , caz n care avem R (t1 ; t2 ) = M ( i ) = 1. Functia de autocorelatie
2
nu este invariant a la o translatie n timp deci procesul nu este stationar n sens larg.
P
6. Fie procesul aleator t = nk=1 ak (k cos k t + k sin k t) unde ak si k 2 R, iar k si
k sunt variabile aleatoare independente, de medie 0 si dispersie 1, pentru k=1,2,...n. Sa se
arate ca procesul este sta
Ptionar n sens larg si sa se determine autocorelatia procesului.
Raspuns. R ( ) = ak cos k .
2

Probabilitati

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

Probabilitati

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA TEHNICA DE CONSTRUCTII

Viorel PETREHUS, Sever-Angel POPESCU

2 Variabile aleatoare simple 14

3.1 Variabile aleatoare pe  cmpuri de probabilitate . . . . . . . . . . . . . . . . 25

4.1 Repartitia binomial a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

6 Dependenta ntre variabilele aleatoare 72

6.1 Coecientul de corelatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

7.3.3 Model de asteptare cu n statii de deservire si cu N unitati ce trebuie

8 Statistica descriptiv a 107

9 Statistici. Estimarea parametrilor 118

10 Intervale de ncredere 132

11 Ipoteze statistice. Teste statistice 144

12 Testul neparametric 2 174

13 Alte teste neparametrice 190

14 Analiza dispersiei si analiza regresiei 200

1.1 Denitia clasic

Probabilitatea este deci p = 2180=7140  0; 30532::

n acest caz num

1.2 Denitia axiomatic

g)Evenimentul non A sau contrarul lui A are propriet

Teorema 1.5 (Stone)Fie M o multime de evenimente cu proprietatile de mai sus. Atunci

Denitia 1.6 O multime

Propozitia 1.7 Fie

Demonstratie. b) A = X A si din proprietatile 1 si 3 ale algebrei de multimi rezult a

Denitia 1.8 Fie

2) p(A [ B) = p(A) + p(B) daca A \ B = ;

Teorema 1.9 Fie (X;

3) p(A [ B) = p(A) + p(B) p(A \ B) A si B neind neaparat disjuncte.

Demonstratie. 1) X = A [ A ; A \ A = ;; deci 1 = p(X) = p(A) + p(A) 

Exemplul 1.12 Fie X=[0,1][0,1]. Fie

Diverse tipuri de guri pentru care este denit

Denitia 1.13 Denim pB :

si o numim probabilitatea lui A conditionat

Demonstratie. Deoarece ;  A \ B  B atunci 0  pB (A)  1: De asemenea pB (;) = 0

p((A1 [ A2 ) \ B) p((A1 \ B) [ (A2 \ B))

Denitia 1.15 Spunem ca doua evenimente A si B sunt independente daca p(A \ B) =

p(Ai1 \ Ai2 \ ::Aik ) = p(Ai1 )p(Ai2 )::p(Aik ): (1.3)

Analog cu propozitia anterioar

Propozitia 1.18 Daca evenimentele A1 ; A2 ; ::An sunt independente atunci si evenimentele

Denitia 1.19 Spunem ca evenimentele A1 ; A2 ; ::An formeaza o partitie a lui X daca

Propozitia 1.20 Fie (X;

Formula de mai sus se numeste formula probabilit

p(B) = p(B \ X) = p(B \ ( [ Ai )) = p( [ (B \ Ai )) =

Propozitia 1.21 (Bayes)Fie (X;

conform formulei probabilit

2. Se aleg la ntmplare a,b,c n intervalul (0,1). Care este probabilitatea ca ecuatia de

+::: + ( 1)n 1 p(A1 \ A2 \ :: \ An )

7. Un magazin se aprovizioneaza de la trei fabrici A,B.C, cu un anumit produs, n proportie

8. Intr-un circuit sunt legate n serie rezistentele R1 ; R2 si grupul de rezistente n paralel:

10. Fie X={1,2,3,4} si

16. Fie evenimentele A1 ; A2 ; ::An . Sa se demonstreze ca

p (A1 \ A2 \ ::: \ An )  p (A1 ) + p (A2 ) + ::: + p (An ) (n 1)

(inegalitatea lui Boole).

Variabile aleatoare simple

2.1 Denitie si propriet

Denitia 2.1 O functie f : X ! R se numeste variabila aleatoare ( pe scurt v.a.) daca

n cele ce urmeaz a variabilele aleatoare considerate iau un num

Observatia 2.3 Daca pentru un i avem pi = 0 atunci valoarea corespunzatoare vi o putem

media notelor este M1 = 5 20 8

Denitia independentei a dou

Propozitia 2.7 Fie (X;

Propozitia 2.9 Daca f; g : X ! C sunt v.a. simple independente iar F; G : C ! C atunci

Teorema 2.10 (proprietati ale mediei) Fie (X;

3.1 Variabile aleatoare pe cmpuri de probabilitate . . . . . . . . . . . . . . . . 25

12 Testul neparametric 2 174

Probabilitatea este deci p = 2180=7140 0; 30532::

Demonstratie. 1) X = A [ A ; A \ A = ;; deci 1 = p(X) = p(A) + p(A)

Demonstratie. Deoarece ; A \ B B atunci 0 pB (A) 1: De asemenea pB (;) = 0

p (A1 \ A2 \ ::: \ An ) p (A1 ) + p (A2 ) + ::: + p (An ) (n 1)

Teorema 2.11 (proprietatile dispersiei). 1) f C a.p.t.(constant) , D(f ) = 0

Mk (f ) = p1 k1 + p2 k2 + :::pn kn = Mk (g) = p01 k1 + p02 k2 + :: + p0n kn

pentru orice sir An de evenimente disjuncte, atunci spunem c a p este o probabilitate. n

3.1 Variabile aleatoare pe cmpuri de probabilitate

Demonstratie.Fie En;j = f! 2 Xj j2n1 f < 2jn g n2n j n2n . Fie acum fn

Denitia 3.12 Fie o variabila aleatoare f cuR functia de repartitie F . O functie : R !

Demonstratie.1) t1 < t2 ) ff < t1 g ff < t2 g ) p(f < t1 ) p(f < t2 ) adic a

Exemplul 3.16 F : [a; b] ! R este monoton crescatoare, derivabila, cu derivata (x) =

formulele( = F 0 este densitatea de probabilitate):

Se cer M (X), D (X), X (t), F3X+2 (t), FX 2 (t).